عطش شرکت‌های هوش مصنوعی برای خرید ایمیل‌ها و اسناد کاری؛ تجارت چند میلیون دلاری برای آموزش مدل‌ها

اخیراً موج جدیدی از پیشنهادهای مالی عجیب به صندوق‌های پستی ارسال می‌شود. فردی به نام نیک در یکی از این پیام‌ها نوشته است: «شاید شنیده باشید، اما آزمایشگاه‌های هوش مصنوعی نظیر Anthropic و OpenAI به شرکت‌های بزرگ و رسانه‌ها مبالغی بین ۳۵۰ هزار تا ۱٫۸ میلیون دلار به‌صورت یک‌جا پرداخت می‌کنند تا نسخه‌ای از اسناد و سوابق کاری قدیمی آن‌ها (شامل مدارک اداری، ایمیل‌ها، پیام‌های اسلک، تیکت‌های پشتیبانی و موارد مشابه) را برای آموزش مدل‌های پیشرفته‌تر دریافت کنند.»

در ایمیل مشابه دیگری با پیشنهاد افزودن متن پیاده‌شده تماس‌های صوتی به فهرست اطلاعات مورد نیاز، این رقم تا مرز ۲ میلیون دلار بالا رفته است. شخصی به نام کورا در پیام خود می‌نویسد: «داده‌های عمومی اینترنت به اتمام رسیده‌اند و آزمایشگاه‌ها بیش از ۴۵ میلیارد دلار برای خرید داده‌های خصوصی هزینه می‌کنند تا مدل‌های بهتری بسازند.»

اگرچه مشخص بود شرکت‌های هوش مصنوعی داده‌های تخصصی را از منابع مختلف خریداری می‌کنند، اما تاکنون توجه چندانی به ابعاد این تجارت معطوف نشده بود. با بررسی دقیق‌تر مشخص می‌شود که این کسب‌وکار بسیار بزرگ‌تر از برآوردهای اولیه است؛ به‌طوری که به‌گفته فعالان این حوزه، تأثیر آن بر شاغلان و جامعه می‌تواند به‌اندازه مراکز داده‌ای باشد که این روزها سرخط خبرها را تسخیر کرده‌اند.

این پیشنهادها بخشی از رونق صنعتی گسترده در زمینه گردآوری داده هستند که بی‌سروصدا فرایندهای کاری شرکت‌های بزرگ را خریداری می‌کند و عطش آن چنان زیاد است که دامنه‌اش به صندوق ورودی ایمیل افراد مختلف کشیده شده است. چندی پیش، یک روزنامه‌نگار آزاد از تجربه خود با شرکتی به‌نام Handshake پرده برداشت؛ شرکتی که برای یادداشت‌های مربوط به یک گزارش خبری به او پیشنهاد هزار دلاری داده بود، اما او این پیشنهاد را نپذیرفت. نماینده شرکت Handshake صحت این پیشنهاد را تأیید کرده و گفته است: «ما مجوز اسناد تخصصی را در حوزه‌های گوناگون دریافت می‌کنیم تا آزمایشگاه‌ها نحوه مدیریت کارهای فکری واقعی توسط مدل‌ها را آزمایش و تمرین کنند؛ روزنامه‌نگاری نیز یکی از همین حوزه‌ها است.» بخش قابل‌توجهی از فعالیت Handshake به خرید مقاله‌ها و تکالیف درسی دانشجویان تحصیلات تکمیلی اختصاص دارد.

برخی کارآفرینان گزارش داده‌اند که پیام‌های متعددی از شرکت‌های مختلف دریافت می‌کنند؛ شرکت‌هایی که به‌گفته خودشان در زمینه «کمک به استارتاپ‌ها برای انحلال کسب‌وکار» فعالیت دارند. شرکتی به‌نام Sunset در یکی از این پیام‌ها توضیح می‌دهد: «ما کل فرایند را مدیریت می‌کنیم، داده‌ها را پالایش و ناشناس‌سازی می‌کنیم تا هویت افراد و جزئیات شناسایی پاک شود، و سپس معامله را با آزمایشگاه‌های هوش مصنوعی نهایی می‌کنیم.»

استارتاپ‌های نوپای جمع‌آوری داده امیدوارند به موفقیت سریع بازیگران بزرگ این عرصه دست یابند؛ شرکت‌هایی که عمرشان به‌سختی به چند سال می‌رسد. پیشتازان این صنعت مانند Handshake و Micro1 و Mercor، پایگاه‌های داده را با سرعتی مشابه تب طلا تصاحب می‌کنند. در این میان، استارتاپ Mercor که در سال ۲۰۲۳ تأسیس شده، پیشگام اصلی بازار به‌شمار می‌رود و سه هم‌بنیان‌گذار آن سال گذشته در سن ۲۲ سالگی به ثروت‌های میلیاردی رسیدند. این شرکت نیز مانند رقبای خود مدعی است با تقریباً تمام آزمایشگاه‌های بزرگ هوش مصنوعی همکاری دارد. با این حال، واکنش خود شرکت‌ها محتاطانه‌تر بوده است: شرکت Anthropic ضمن تأیید وجود بازاری بزرگ برای داده‌ها، اعلام کرد که جریان‌های کاری را از شرکت‌های رسانه‌ای فعال خریداری نمی‌کند؛ هم‌چنین شرکت OpenAI تا پیش از انتشار پاسخی ارائه نداد.

برندان فودی، مدیرعامل Mercor، در گفت‌وگویی تأکید کرد با توجه به نیاز شدید صنعت هوش مصنوعی به حجم چشمگیری از داده‌های تازه، این بازار در آستانه انفجاری بزرگ قرار دارد. استارتاپ Mercor کار خود را به‌عنوان یک شرکت استعدادیابی هوش مصنوعی آغاز کرد، اما با شناخت عمیق‌تر بازیگران کلیدی دریافت که آزمایشگاه‌های بزرگ از کیفیت داده‌های موجود رضایت ندارند. در گذشته، این صنعت معمولاً متخصصانی را برای شبیه‌سازی فرایندهای کاری استخدام می‌کرد، اما این روش نمی‌توانست پیچیدگی‌ها و بی‌نظمی‌های واقعی یک کسب‌وکار فعال را منعکس کند. به‌گفته او، غول‌های هوش مصنوعی دو نیاز بی‌پایان دارند: توان پردازشی و داده. در حالی که سرمایه‌گذاری‌های سنگین روی توان پردازشی همواره سرخط خبرها است، جمع‌آوری داده نیز از اهمیتی مشابه برخوردار است.

فودی در برابر نگرانی‌های مطرح‌شده پیرامون حریم خصوصی، پاسخ‌های آماده‌ای دارد. هنگامی که یک کسب‌وکار داده‌های خود را در اختیار Mercor قرار می‌دهد، این شرکت تمام اطلاعات هویتی اشخاص (PII) را حذف می‌کند و به‌گفته او، فرایند ناشناس‌سازی کاملاً قابل راستی‌آزمایی است. فعالان حوزه جمع‌آوری داده بر این باورند که فناوری توانسته است چالش‌های مربوط به حریم خصوصی در خرید این اطلاعات را حل کند.

علی انصاری، مدیرعامل Micro1، نیز موافق است که بازار خرید داده به‌زودی به ارقامی نزدیک به زیرساخت‌های پردازشی هوش مصنوعی خواهد رسید. به‌گفته او، امروزه آزمایشگاه‌ها، شرکت‌های بزرگ و فعالان حوزه رباتیک سالانه حدود ۴۰ تا ۵۰ میلیارد دلار برای خرید داده هزینه می‌کنند. انصاری که شرکت خود را در سال ۲۰۲۲ تأسیس کرده است، پیش‌بینی می‌کند: «طی دو تا چهار سال آینده، ارزش این بازار از یک تریلیون دلار در سال عبور خواهد کرد.» استارتاپ Micro1 اطلاعات خریداری‌شده را عمدتاً برای بهبود مدل‌های هوش مصنوعی اختصاصی خود به‌کار می‌گیرد، اما بخشی از آن‌ها را به شرکت‌های بزرگ هوش مصنوعی نیز می‌فروشد.

انصاری می‌گوید: «تقریباً همه در تلاش هستند وارد حوزه داده شوند، زیرا تقاضا به‌شدت بالا است. اگر به استارتاپ‌های شتاب‌دهنده YC نگاه کنید، حدود نیمی از آن‌ها شرکت‌های داده‌محور هستند.» البته آمار واقعی حتی فراتر از این است؛ در تازه‌ترین دوره شتاب‌دهنده Y Combinator، از میان ۶۵ شرکت راه‌اندازی‌شده، ۴۰ استارتاپ در دسته شرکت‌های حوزه داده طبقه‌بندی شده‌اند.

ماهیت مهارنشدنی رقابت برای تصاحب داده‌های جدید، با به حراج گذاشته شدن دارایی‌های دیجیتال شرکت ورشکسته هواپیمایی Spirit Airlines نمودی آشکار یافت. این مجموعه عظیم برای فروش عرضه شد و شامل ۸۰ هزار حساب ایمیل، ۵۰۰ میلیون پیام داخلی، ۲۰٫۶ میلیون فایل شیرپوینت مایکروسافت و یک میلیون سابقه کارت تردد کارکنان بود. ابتدا به‌نظر می‌رسید گوگل با پیشنهاد ۱۰ میلیون دلاری برنده این حراج شده است، اما استارتاپ Micro1 با افزایش ۲٫۵ میلیون دلاری رقم، مناقشه‌ای جدی بر سر تعیین برنده ایجاد کرد. در حال حاضر این مزایده به‌دلیلی متوقف شده که کل فرایند فروش سوابق کاری کارکنان را زیر سؤال می‌برد؛ اتحادیه مهمانداران هواپیما اعتراض کرده که این فروش متضمن اطلاعات خصوصی و محرمانه آن‌ها است.

اعتراض این اتحادیه جنبه‌های تاریک این تب تصاحب داده را آشکار ساخت. برخلاف ادعای تقریباً تمام شرکت‌های داده مبنی بر راه نیافتن اطلاعات هویتی به مدل‌های هوش مصنوعی، منتقدان بر این باورند که خطر نشت داده‌های شخصی همواره پابرجاست. مایو توبین میاجی، مشاور ارشد حقوقی مرکز اطلاعات حریم خصوصی الکترونیک (EPIC) که لایحه‌ای حقوقی به نمایندگی از مهمانداران ثبت کرده است، می‌گوید: «مشخص نیست که ناشناس‌سازی بتواند چالش‌های حریم خصوصی را به‌طور کامل مرتفع سازد. ایمیل‌ها و پیام‌های پیام‌رسان Teams حاوی داده‌های ساختارنیافته هستند که پاک‌سازی آن‌ها به‌مراتب دشوارتر است؛ برای مثال پیام‌هایی وجود دارد که کارکنان در آن‌ها درباره نوبت‌های پزشکی یا مسائل خانوادگی خود صحبت کرده‌اند.»

گوردون ریتر، سرمایه‌گذار ریسک‌پذیری که این موضوع را به‌شکلی جدی پیگیری می‌کند، معتقد است: «ما هنوز هنجارها و استانداردهای لازم را برای گردآوری داده تدوین نکرده‌ایم و این کار به‌شیوه‌ای درست انجام نمی‌شود. صنعت هوش مصنوعی بسیار سریع‌تر از توان ما برای تدوین استانداردها حرکت می‌کند و بخشی از این شتابزدگی کاملاً عمدی است.»

شاید نگران‌کننده‌ترین بعد جنبش جمع‌آوری داده این باشد که در اصل، کارمندان را بدون رضایت صریح به مشارکتی وادار می‌کند که هدف نهایی آن جایگزینی یا خودکارسازی همان کارهایی است که در اسناد، پیام‌ها و ایمیل‌ها جریان داشته است. وقتی شعار استارتاپ Mercor «ساماندهی هوش انسانی برای تقویت اقتصاد هوش مصنوعی» اعلام می‌شود، پیام ناگفته‌اش این است که در آینده فرصت‌های شغلی کمتری برای کارمندان باقی خواهد ماند. رئیس اتحادیه مهمانداران در گفت‌وگویی اشاره کرد: «ارزش این داده‌ها تنها در عصر هوش مصنوعی پدیدار شده است؛ آن هم صرفاً برای آموزش مدل‌هایی که قرار است جایگزین مشاغل شوند و بخش‌های مختلف محیط کار را به کالا تبدیل کنند.»

در پاسخ به این پرسش که آیا روزی فروش مداوم داده‌های کاری به شرکت‌های بزرگ هوش مصنوعی به یک روال معمول در سازمان‌ها تبدیل خواهد شد، انصاری پاسخی مثبت می‌دهد: «به باور من این کار حتی از درآمدهای تبلیغاتی نیز به منبع درآمدی رایج‌تر برای شرکت‌ها تبدیل خواهد شد.» با این حال، مقاومت‌های شدیدی در برابر توسعه هوش مصنوعی وجود دارد و بسیاری از افراد از اینکه تمام فعالیت‌های شغلی‌شان خوراک مدل‌های بزرگ هوش مصنوعی شود، ناخشنود هستند.

انصاری با پذیرش این دغدغه، چنین اعتراضاتی را قابل مدیریت می‌داند. او استدلال می‌کند که کارمندان در نهایت درک خواهند کرد حاصل دسترنج کاری آن‌ها به تولید مدل‌های پیشرفته‌تر منجر می‌شود و زندگی‌شان را آسان‌تر می‌کند: «باید به جنبه‌های مثبت و وفور نعمتی فکر کنید که هوش مصنوعی در آینده خلق خواهد کرد.» البته این وعده فراوانی در آینده، همواره توجیهی مناسب برای پذیرش انواع سازش‌ها و فداکاری‌های حال حاضر بوده است.

پیگیری یکی از این پیشنهادهای غیرمنتظره به شرکتی دوساله به‌نام Tenkara رسید؛ نامی که برگرفته از یک سبک سنتی ماهیگیری ژاپنی است. ارسال‌کننده این پیشنهاد از دامنه‌ای فعالیت می‌کرد که به موجودی تخیلی با توانایی مکیدن مایعات حیاتی طعمه اشاره دارد. در ادامه این ارتباط، جلسه‌ای با جونا استیلمن، مدیر تجاری‌سازی این شرکت در سان‌فرانسیسکو، ترتیب داده شد.

هدف شرکت Tenkara از گردآوری داده، تقویت کیفیت مدل هوش مصنوعی خود برای مدیریت عملیات اداری در شرکت‌های تولیدی عنوان شده است؛ اگرچه نحوه کمک اسناد رسانه‌ای به چنین هدفی در هاله‌ای از ابهام قرار دارد. این مدیر تجاری‌سازی تأیید کرد که بخش عمده‌ای از مسئولیت روزمره‌اش برقراری چنین تماس‌هایی برای تصاحب سریع داده‌ها است؛ فضایی رقابتی که یادآور بازاریابی‌های پرفشار و سنتی است.

اسناد اداری و فرایندهای کاری سازمان‌ها، دارایی‌های محرمانه و ارزشمندی هستند که واگذاری آن‌ها به شرکت‌های توسعه هوش مصنوعی چالش‌های عمیق اخلاقی، امنیتی و استخدامی به‌همراه دارد؛ موضوعی که نشان می‌دهد تنش میان حفظ حریم کاری کارکنان و عطش تمام‌نشدنی مدل‌ها برای یاد‌گیری، به این زودی‌ها فروکش نخواهد کرد.