پاسخ کاملاً متفاوت ChatGPT و هوش مصنوعی گوگل به سؤالی یکسان درباره دیتاسنترها

اگر از ChatGPT درباره یک پروژه بزرگ ساخت مرکز داده هوش مصنوعی سؤال کنید، احتمالاً توضیحی ساده و مستقیم درباره ماهیت پروژه، محل احداث و رقم سرمایه‌گذاری شرکت‌ها دریافت خواهید کرد. اما اگر از هوش مصنوعی گوگل درباره چالش‌های همان پروژه بپرسید، به احتمال زیاد با تصویری بسیار نگران‌کننده‌تر و منفی مواجه می‌شوید.

این یافته بخشی از پژوهش جدید شرکت Five Blocks است؛ مجموعه‌ای فعال در حوزه مدیریت اعتبار دیجیتال که نحوه توصیف ۲۵ پروژه بزرگ مرکز داده هوش مصنوعی در آمریکا را توسط ۸ موتور هوش مصنوعی مورد ارزیابی قرار داده است.

پژوهشگران دریافتند که در میان ۱۲۰۰ پاسخ مربوط به توضیحات کلی پروژه‌ها، هیچ پاسخ منفی یا منتقدانه‌ای ثبت نشده بود. با این حال، زمانی که نوع پرسش تغییر کرد و از چالش‌های پیش‌روی هر پروژه سؤال شد، ۵۵ درصد از کل پاسخ‌ها در دسته‌بندی منفی قرار گرفتند.

تفاوت میان پلتفرم‌های مختلف هوش مصنوعی حتی از این هم شگفت‌انگیزتر بود. حالت هوش مصنوعی گوگل در پاسخ به پرسش درباره چالش‌ها، در ۸۸ درصد موارد پاسخی منفی ارائه داد؛ در حالی که این رقم برای ChatGPT تنها ۶ درصد ثبت شد.

هم‌زمان با گسترش مراکز داده هوش مصنوعی در سراسر آمریکا و افزایش نگرانی شهروندان درباره تأثیر این پروژه‌ها بر قبوض برق، منابع آب و کیفیت زندگی در محله‌ها، این پژوهش نکته حائز اهمیتی را برجسته می‌کند: ابزار هوش مصنوعی که برای پرسش انتخاب می‌کنید و شیوه نگارش عبارت‌ها، می‌تواند اطلاعات دریافتی شما را کاملاً دگرگون کند.

یک مرکز داده یکسان با دو پاسخ کاملاً متفاوت

در بخش اول این پژوهش، محققان شرکت Five Blocks هر روز دو پرسش مشخص را درباره ۲۵ پروژه بزرگ مرکز داده در ایالات متحده، با ۸ موتور هوش مصنوعی مطرح کردند.

دستورها به عمد ساده طراحی شده بودند: «درباره [نام پروژه] به من توضیح بده» و «پروژه [نام پروژه] با چه چالش‌هایی روبه‌رو است؟».

همین تغییر کوچک نتایج بسیار متفاوتی به بار آورد. توصیف‌های کلی معمولاً بر ابعاد پروژه، میزان سرمایه‌گذاری و جاه‌طلبی‌های فناورانه تمرکز داشتند؛ اما هنگام پرسش درباره چالش‌ها، موتورهای هوش مصنوعی بسیار بیشتر به مشکلات، موانع زیست‌محیطی و مخالفت‌های محلی پیرامون این طرح‌ها پرداختند.

برخی پروژه‌ها بیش از سایر طرح‌ها بازخوردهای منفی دریافت کردند.

بیش از ۸۰ درصد پاسخ‌های مربوط به چالش‌ها در مورد پروژه Matador متعلق به Fermi America، پروژه Hyperion متا، ابرپروژه Stargate و هم‌چنین پروژه Lighthouse متعلق به شرکت Vantage منفی ارزیابی شدند.

در نقطه مقابل، پروژه Rainier آمازون و طرح Fairwater مایکروسافت در آتلانتا تنها در ۲۰ درصد یا کمتر از پاسخ‌ها رویکرد منفی دریافت کردند.

حتی پروژه‌های متعلق به یک شرکت واحد نیز رویکرد متفاوتی را تجربه کردند؛ برای نمونه، طرح توسعه مایکروسافت در آتلانتا نرخ پاسخ منفی حدود یک‌به‌پنج (۲۰ درصد) داشت، در حالی که این رقم برای پروژه ویسکانسین همین شرکت به حدود هفت‌به‌ده (۷۰ درصد) رسید.

یکی از یافته‌های جالب توجه به دستیار هوش مصنوعی خود مایکروسافت مربوط می‌شد. طبق این گزارش، دستیار هوش مصنوعی Copilot در توضیحات کلی خود درباره پروژه Fairwater ویسکانسین، تا ۲۴ سپتامبر به اشتباه ادعا می‌کرد که چنین پروژه‌ای اصلاً وجود خارجی ندارد.

این نتایج نشان می‌دهند که گزارش‌های تولیدشده توسط هوش مصنوعی لزوماً تصویری دقیق و قابل اتکا از وضعیت فعلی پروژه‌ها ارائه نمی‌دهند و پلتفرم‌های گوناگون ممکن است بر جنبه‌های کاملاً متفاوتی از یک طرح واحد دست بگذارند.

بررسی عملکرد مدل‌ها در برابر ۳ سناریوی پرسش

۱. پرسش خنثی و عمومی: درباره پروژه مرکز داده هوش مصنوعی Fairwater مایکروسافت در ویسکانسین توضیح بده.

در این سناریو، هر دو دستیار هوش مصنوعی بلافاصله مزایای مراکز داده را برشمردند. مدل هوش مصنوعی Gemini آن را یک پردیس اختصاصی و هدفمند نامید و چت‌بات ChatGPT نیز بر میزان اشتغال‌زایی این مرکز برای جامعه محلی تاکید کرد.

۲. پرسش متمرکز بر چالش‌ها: پروژه مرکز داده هوش مصنوعی Fairwater مایکروسافت در ویسکانسین با چه چالش‌هایی روبه‌رو است؟

اگرچه هر دو ابزار پیامدهای منفی و چالش‌های احداث مراکز داده را بازتاب دادند، اما در عین حال بر اهداف بزرگ و جاه‌طلبانه مایکروسافت نیز انگشت گذاشتند.

۳. پرسش از دیدگاه ساکنان منطقه: من در نزدیکی پروژه مرکز داده Fairwater مایکروسافت در ویسکانسین زندگی می‌کنم. آیا باید نگران قبوض برق، منابع آب یا افت ارزش املاک خود باشم؟

در مواجهه با این پرسش، خروجی ChatGPT تلاش کرد با ارائه یک نظرسنجی درباره میزان فاصله محل سکونت کاربر تا مرکز داده، نگرانی‌ها را به نوعی کم‌حرارت جلوه دهد. در سوی دیگر، مدل Gemini نیز بسیاری از این ترس‌ها و نگرانی‌های عمومی را اغراق‌آمیز ارزیابی کرد.

دیدگاه‌های هوش مصنوعی درباره ساکنان مجاور مراکز داده

پژوهش دوم موسسه Five Blocks که در دوم نوامبر منتشر شد، به شیوه گفت‌وگوی جامع‌تر موتورهای هوش مصنوعی درباره مراکز داده پرداخته است.

محققان روزانه ۶ پرسش درباره مراکز داده را در تمام طول ماه سپتامبر با ۸ موتور هوش مصنوعی در میان گذاشتند و سپس خروجی آنها را با پاسخ‌های مرتبط با سایر صنایع انرژی و زیرساختی، از جمله خطوط لوله انتقال، تاسیسات استخراج شیل، نیروگاه‌های هسته‌ای، مزارع بادی و نیروگاه‌های خورشیدی مقایسه کردند.

یافته‌ها حکایت از آن دارد که ۸۳ درصد از پاسخ‌ها پیرامون مراکز داده و همسایگان آنها، شامل انتقادات یک‌طرفه بوده است؛ رقمی برابر با انتقادات وارد بر خطوط لوله نفت و گاز که به‌مراتب بالاتر از نرخ ۳۵ درصدی ثبت‌شده برای مزارع خورشیدی است.

حتی پرسش‌هایی که به‌طور مشخص بر منافع اقتصادی متمرکز بودند نیز غالباً پاسخ‌هایی مشروط دریافت کردند؛ به‌گونه‌ای که از هر ۱۰ پاسخ مربوط به منافع اقتصادی مراکز داده، هفت پاسخ شامل یک نکته منفی یا انتقادی در کنار نکات مثبت بود، در حالی که این رقم برای مزارع خورشیدی به کمتر از دو مورد در هر ده پاسخ می‌رسید.

مشوق‌های مالیاتی از دیگر موضوعات پرتکرار در پاسخ‌ها بودند؛ حدود دو‌سوم از پاسخ‌ها در رابطه با مراکز داده و جوامع محلی به معافیت‌های مالیاتی اشاره داشتند و نزدیک به یک‌چهارم آنها نیز موضوع توافقنامه‌های عدم افشای اطلاعات را پیش کشیدند.

در این بررسی، چت‌بات ChatGPT عملکردی متمایز از خود بر جای گذاشت. بر اساس گزارش Five Blocks، این سیستم تنها موتوری بود که در واکنش به دغدغه‌های جوامع محلی، پاسخ‌هایی متوازن ارائه کرد؛ در شرایطی که ۷ موتور هوش مصنوعی دیگر تقریباً در تمام پاسخ‌ها رویکردی یک‌طرفه از خود نشان دادند.

آیا هوش مصنوعی نسبت به مراکز داده سوگیری منفی دارد؟

میان ارائه یک پاسخ منفی و ارائه پاسخی نادقیق از سوی چت‌بات هوش مصنوعی تفاوتی اساسی وجود دارد.

هنگامی که کاربری درباره چالش‌های احداث یک مرکز داده پیشنهادی سؤال می‌کند، کاملاً طبیعی و منطقی است که دستیار هوش مصنوعی مسائلی چون مصرف سرسام‌آور برق، تقاضای آب، مخالفت‌های محلی و هزینه‌های سنگین زیرساختی را تشریح کند.

اینها موضوعاتی واقعی و ملموس هستند که جوامع محلی و سیاست‌گذاران هم‌اکنون با آنها دست‌وپنجه نرم می‌کنند. دقیقاً به همین علت، این پژوهش چالش بزرگی را برای کاربرانی آشکار می‌کند که برای فهم موضوعات پیچیده به هوش مصنوعی تکیه می‌زنند؛ چراکه دو سیستم مختلف می‌توانند بدون جعل هیچ واقعیتی، دو تصویر کاملاً متناقض را به کاربر منتقل کنند.

چگونه از ChatGPT و هوش مصنوعی گوگل پاسخ‌های دقیق‌تر و مطمئن‌تری دریافت کنیم؟

اگر در حال تحقیق درباره پروژه احداث یک مرکز داده در نزدیکی محل سکونت خود هستید، اتکا به خلاصه‌سازی یک چت‌بات هوش مصنوعی کافی نخواهد بود.

راهکار موثرتر این است که پرسش‌های خود را به‌گونه‌ای صورت‌بندی کنید که مدل هوش مصنوعی ابعاد مختلف ماجرا را به چالش بکشد. برای مثال، به‌جای اینکه فقط بپرسید فلان مرکز داده چیست، می‌توانید از چنین پرامپتی استفاده کنید:

«مزایا و معایب احتمالی مرکز داده پیشنهادی در جامعه محلی من را تشریح کن. مواردی چون تأثیر بر تعرفه‌های برق، مصرف آب، اشتغال‌زایی، درآمدهای مالیاتی و وضعیت ساکنان مجاور را مد نظر قرار بده. حقایق قطعی و تاییدشده را از برآوردهای احتمالی تفکیک کن و لینک منابع اصلی را ارائه بده.»

علاوه بر این، می‌توانید از چت‌بات بخواهید داده‌هایی را که قادر به راستی‌آزمایی آنها نبوده مشخص کند، ادعاهای مطرح‌شده از سوی شرکت مجری را از داده‌های مراجع مستقل تفکیک نماید و مرز میان برنامه‌های پیشنهادی را با مجوزهای قطعی ساخت‌وساز روشن سازد.

برای دستیابی به ارزیابی مطمئن‌تر، همان پرامپت را در یک پلتفرم هوش مصنوعی دیگر نیز اجرا کنید. اگر ChatGPT و هوش مصنوعی گوگل پاسخ‌های محسوسی با یکدیگر داشتند، این تفاوت باید شما را به بررسی منابع اصلی سوق دهد، نه اینکه فرض را بر درستی مطلق یکی از ابزارها بگذارید.

جمع‌بندی

یافته‌های پژوهش Five Blocks نشان می‌دهند که چرا دریافت پاسخ از ابزارهای هوش مصنوعی نیازمند هوشیاری و دقت بالاست، به‌ویژه وقتی پای موضوع حساسی مانند مراکز داده در میان باشد.

با برنامه‌ریزی برای ساخت مراکز داده پرتعداد در سراسر جهان و در مجاورت مناطق مسکونی، بهترین منبع برای کسب آگاهی اسناد شورای شهر، گزارش‌های شرکت‌های خدمات رفاهی و مستندات جلسات استماع عمومی محلی است. هوش مصنوعی می‌تواند در تسریع روند تحقیق به شما کمک کند، اما راستی‌آزمایی نهایی و پرهیز از تکیه صرف به خلاصه‌های خودکار همواره بر عهده خود کاربران خواهد بود.