اخیراً پشت میز تیم رهبری اجرایی یک شرکت خدمات بهداشتی جهانی نشسته بودم و از زبان بدن آنها می‌توانستم بفهمم که چیزی مشکل دارد. آنها از من دعوت کرده بودند تا در مورد استراتژی هوش مصنوعی  با من مشورت کنند، اما آنها تدافعی به نظر می رسیدند. افسر ارشد اطلاعات، مردی تیزبین که به وضوح تکالیف خود را در زمینه فناوری های نو ظهور انجام داده بود، توضیح مفصلی درباره مدل زبان بزرگ جدید آنها آغاز کرد. تاثیرگذار بود، بدون شک، این مدل فرآیند ورود داده ‌های پیچیده دیوانه ‌وار آنها را خودکار کرد – کوه‌هایی از فرم ‌های دست‌ نویس بیمار و ترکیبی آشفته از فایل ‌های دیجیتال را در نظر بگیرید – و همه چیز را در یک رکورد واحد و منسجم ادغام کرد. آنها بیش از یک سال را صرف توسعه و آزمایش آن کرده بودند و به طور قابل درک به موفقیت خود افتخار می کردند. اما، همان طور که او در مورد عرضه صحبت می کرد، برای من واضح بود که آنها از قبل عقب مانده بودند.

گفتم: «شما پایه‌ای باورنکردنی ساخته‌اید، اما این فقط خط شروع است.» انرژی اتاق تغییر کرد. این عکس العملی نبود که آنها انتظار داشتند. اینجا شرکتی بود که روی هوش مصنوعی سرمایه گذاری زیادی کرده بود، یک سیستم پیچیده ساخته بود و یک دستیار موفق را به کار گرفته بود. مانند بسیاری دیگر از تیم ‌های رهبری اجرایی که سال گذشته را صرف ساختن و پیاده ‌سازی ابزار های هوش مصنوعی کرده‌اند، فکر می‌کردند که تمام شده است. در واقع، دگرگونی آنها تازه شروع شده بود. هوش مصنوعی صرفاً یکی از جنبه‌ های یک تغییر فن‌آوری گسترده است و شرکت‌ هایی که اهمیت سایر فناوری ‌های همگرا را درک نمی‌کنند، در خطر عقب ماندن هستند.

عصر هوش زنده

در طی جلسه ای که با تیم اجرایی شرکت داشتم، اذعان کردم که مانند بسیاری از رهبران، تمرکز بیش از حد اخیر بر هوش مصنوعی، هرچند دیر، اقدام درستی بود. با این حال، LLM ها (مدل های زبانی بزرگ ) فقط یک نقطه شروع بودند. با پیشرفت‌های جدیدی که با سرعت سرسام‌آوری اتفاق می‌افتد، این شرکت باید عضله جدیدی را برای تحول مداوم بسازد. به این دلیل که هوش مصنوعی تنها یکی از سه فناوری پیشگامانه است که چشم انداز کسب و کار را تغییر می دهد. دو مورد دیگر ( حسگرهای پیشرفته و بیوتکنولوژی ) کمتر قابل مشاهده هستند، اگرچه کم اهمیت نیستند و بی سر و صدا در حال پیشرفت هستند. به زودی، همگرایی این سه فناوری پایه‌ی واقعیت جدیدی خواهد بود که تصمیمات آینده هر رهبر در صنایع را شکل خواهد داد.

من این واقعیت جدید را “هوش زنده” می نامم: سیستم هایی که می توانند حس کنند، یاد بگیرند، تطبیق دهند و تکامل یابند که از طریق هوش مصنوعی، حسگرهای پیشرفته و بیوتکنولوژی امکان پذیر شده اند. هوش زنده یک چرخه نمایی از نوآوری را هدایت می کند، صنایع را مختل می کند و بازار های کاملاً جدیدی ایجاد می کند. رهبرانی که صرفاً بر روی هوش مصنوعی تمرکز می‌کنند، بدون اینکه تلاقی آن با این دو فناوری دیگر را درک کنند، در خطر از دست دادن موجی از اختلال در حال شکل ‌گیری هستند.

موتور همه چیز به داده های شما نیاز دارد

اگر هوش مصنوعی موتور همه چیز باشد، آن موتور به داده نیاز دارد. به احتمال زیاد، بسیاری از این داده‌ ها از حسگر های پیشرفته و شبکه‌ای از دستگاه ‌های متصل به هم می‌آیند که برای تسهیل و تقویت پیشرفت هوش مصنوعی، داده‌ ها را با هم ارتباط و تبادل می‌کنند. به همین دلیل است که حسگر ها فناوری همه منظوره  هستند – واقعیتی که در حال حاضر بسیاری از رهبران آن را از دست داده اند.

اکثر مردم متوجه نیستند که حسگر ها در همه جا وجود دارند و در صنایع مختلف مورد استفاده قرار می گیرند. این یک نظارت قابل درک است؛ ما اغلب از فناوری بدون فکر کردن به آن استفاده می کنیم. اما وقتی شروع به جستجوی آنها کردید، همه جا هستند. به عنوان مثال، یک آیفون با ده ها حسگر تعبیه شده است، از سنسور های مجاورت برای تشخیص اشیاء نزدیک تا حسگر های شناسه چهره برای احراز هویت کاربر. همه آنها در تمام طول روز، داده های شما را استخراج کرده و اصلاح می کنند. Xylem یک شرکت فناوری آب، نوع جدیدی از کنتور آب را توسعه داده است که از حسگر های پیشرفته و هوش مصنوعی برای مدیریت چالش ‌های توزیع آب در محیط ‌های پرجمعیت استفاده می‌کند. مترها به طور مداوم جریان آب را اندازه گیری می کنند و داده های دانه ای در مورد الگو های مصرف ارائه می دهند. آنها همچنین می‌توانند ناهنجاری‌ هایی را در جریان آب، مانند افت فشار یا الگو های استفاده نامنظم، که معمولاً ناشی از نشتی است، شناسایی کنند. در همین حال، دسته جدیدی از حسگر های بیولوژیکی را می توان پوشید و یا حتی بلعید. هدف آنها ارسال و دریافت داده ها در زمان واقعی به منظور تشخیص و نظارت بر بیماری، شناسایی عوامل بیماری زا و امکان بهبود سریعتر است. یکی از این حسگر های زیستی شامل زیرمجموعه‌ای از ماشین‌ های کوچک به نام نانو ربات ‌ها است که می‌توانند سلامت بیمار را پس از تزریق به جریان خون در زمان واقعی نظارت کنند. نانو ربات‌ ها که به عنوان سیستم‌ های نظارت داخلی عمل می‌کنند، می‌توانند تغییرات در محرک‌ ها و شرایط محیطی را شناسایی کنند و امکان نظارت مداوم بر سلامت و تشخیص زودهنگام مشکلات بالقوه سلامت را فراهم کنند.

همانطور که حسگر های بیشتری ما را احاطه کرده اند، نه تنها داده های بیشتری، بلکه انواع بیشتری از داده ها را می گیرند و منتقل می کنند. در حالی که سازمان ها مشغول ایجاد و استفاده از LLM هستند، به زودی نیاز به ساخت (مدل های زبانی بزرگ )  LAM ها: مدل های اقدام بزرگ دارند. اگر(مدل های زبانی بزرگ )  LLM ها پیش بینی کنند که در مرحله بعد چه باید بگویند، (مدل های اقدام بزرگ )  LAM ها پیش بینی می کنند که چه کاری باید انجام شود و وظایف پیچیده را به قطعات کوچکتر تقسیم می کنند. بر خلاف(مدل های زبانی بزرگ )  LLM ها که در درجه اول محتوا تولید می کنند،(مدل های اقدام بزرگ )LAM ها برای اجرای وظایف بهینه شده اند و آنها را قادر می سازد تا بر اساس دستورات خاص تصمیمات بلادرنگ بگیرند و در سازمان هایی با هر اندازه و دامنه بسیار مفید خواهند بود. اولین نمونه های مدل های زبانی بزرگ   Anthropic’s Claude و ACT-1 از Adept.ai هستند. هر دو برای تعامل مستقیم با کد و ابزار های دیجیتال و انجام اقدامات در برنامه های نرم افزاری مانند مرورگر وب طراحی شده اند LAM ها مانند LLM ها هستند، اما با داده های بیشتر و نیاز های چند وجهی. آن‌ها از داده‌های رفتاری که ما هنگام استفاده از تلفن‌ هایمان یا کار با وسایل نقلیه خود تولید می‌کنیم، به همراه مجموعه‌ای از حسگر ها در همه جا، در اطراف ما، استفاده می‌کنند که چندین جریان داده را به‌طور هم ‌زمان از ابزار های پوشیدنی، دستگاه ‌های واقعیت توسعه ‌یافته، اینترنت اشیا، خانه اشیا، ماشین های هوشمند، دفاتر هوشمند، و آپارتمان های هوشمند. همانطور که LAM ها بیشتر در محیط های ما جاسازی می شوند، آنها به طور یکپارچه و اغلب بدون درگیری مستقیم کاربران کار خواهند کرد.

آنچه بسیاری از سازمان‌ ها نمی‌توانند تصور کنند این است که چگونه LAMها به مدل‌ های اقدام بزرگ شخصی یا PLAM تبدیل می‌شوند و در نهایت با سیستم‌ های مختلف تعامل می‌کنند، از مجموعه داده‌ های بزرگ یاد می‌گیرند و با نیاز های متغیر کسب ‌و کار سازگار می‌شوند PLAMها ظرفیت بهبود تجربیات دیجیتال، مجازی و فیزیکی ما را با ساده ‌سازی تصمیم‌گیری، مدیریت وظایف، مذاکره در معاملات و پیش‌بینی نیاز های ما بر اساس داده‌ های رفتاری خواهند داشت. آنها به ورودی آگاهانه نیاز نخواهند داشت. این نمایندگان مستقل می‌توانند توصیه ‌ها را شخصی‌سازی کنند، خرید ها را بهینه کنند، و با سایر نمایندگان مورد اعتماد ارتباط برقرار کنند و امکان تراکنش ‌های یکپارچه را فراهم کنند – همه اینها در عین حفظ حریم خصوصی و ترجیحات کاربر، زیرا PLAMها، طبق تعریف، به تمام داده‌های کاربر در دستگاه‌های شخصی دسترسی دارند. .

در آینده نزدیک، شرکت هایی مانند اپل یا گوگل انگیزه خواهند داشت تا حسگر های هوشمند بیشتری را در دستگاه ها تعبیه کنند تا به طور مداوم داده های شخصی مانند معیارهای سلامت، داده های موقعیت مکانی و اطلاعات مربوط به عادات روزانه را جمع آوری و تجزیه و تحلیل کنند. همه این داده‌ ها برای ایجاد پروفایل ‌های کاملاً شخصی ‌شده که به زبان شخصی و مدل ‌های عمل پیوند می‌خورند، به‌ طور خاص برای نیاز ها و ترجیحات هر کاربر، استفاده می‌شوند. در حالی که مردم دارای PLAM خواهند بود، شرکت‌ ها نیز یک یا چند مدل اقدام بزرگ شرکتی (CLAMs) خواهند داشت و دولت ‌های پیشرو دیجیتال مدل‌ های اقدام بزرگ دولتی (GLAM) خواهند داشت.

برخورد هوش مصنوعی با هوش ارگانوئیدی

هوش ارگانوئیدی (Organoid Intelligence) یک مفهوم نوظهور در زمینه فناوری و علوم است که از ارگانوئیدها استفاده می‌کند. ارگانوئیدها ساختارهای سه‌بعدی هستند که در آزمایشگاه کشت می‌شوند و از سلول‌های بنیادی مشتق می‌شوند. این ساختارها شبیه بافت‌های زنده هستند و می‌توانند عملکردهای مشابه اندام‌ها یا بافت‌های واقعی را تقلید کنند.

سومین فناوری هدف کلی هوش زنده، مهندسی زیستی است که شامل استفاده از تکنیک‌ های مهندسی برای ساختن سیستم‌ ها و محصولات بیولوژیکی، مانند میکروب ‌های طراح می‌شود که می‌توانند کار های خاصی را مهندسی کنند. در حال حاضر، این ساده‌ ترین فناوری برای رد کردن است، اما در دراز مدت می‌تواند مهم‌ ترین فناوری همه ‌منظوره باشد. در کنار هوش مصنوعی، مهندسی زیستی می‌تواند «زیست‌شناسی مولد» (genBio) را ایجاد کند که از داده‌ ها، محاسبات و هوش مصنوعی برای پیش‌بینی یا ایجاد بینش‌ های بیولوژیکی جدید استفاده می‌کند – تولید اجزای بیولوژیکی جدید، مانند پروتئین‌ ها، ژن‌ها یا حتی کل موجودات، با شبیه‌سازی و پیش بینی چگونگی رفتار و تعامل عناصر بیولوژیکی نمونه هایی از این بینش ها هستند.

ما در حال حاضر می توانیم پتانسیل این فناوری را ببینیم. شرکت هایی مانند Ginkgo Bioworks از genBio برای طراحی و ایجاد آنزیم های سفارشی استفاده می کنند که می تواند در فرآیند های صنعتی به کار رود. به عنوان مثال، الگوریتم‌ های مولد به مهندسی آنزیم‌ هایی کمک می‌کنند که مولکول‌ های پیچیده مانند پلاستیک یا سایر آلاینده ‌ها را تجزیه می‌کنند. Google DeepMind AlphaProteo را ایجاد کرد که پروتئین‌های کاملاً جدیدی را با ویژگی‌ های خاص جدید طراحی می‌کند که می‌توانند در مواد زیستی و توسعه دارو کاربرد داشته باشند. پروژه دیگری از DeepMind، ابزاری به نام GNoME (شبکه های نموداری برای اکتشاف مواد) قبلاً پایداری میلیون ها ماده معدنی جدید را پیش بینی کرده است. ساختمانی را تصور کنید که از مواد ساخته شده است که می تواند به طور مستقل دما، نور و تهویه را تنظیم کند – بدون کامپیوتر (یا انسان) در حلقه تصمیم گیری.

فراتر از آن، هوش زنده می تواند به ماشین های زنده منجر شود. هوش ارگانوئیدی (OI) در سال ۲۰۲۴ به عنوان یک رشته جدید علم معرفی شد. OI از بافت های رشد یافته آزمایشگاهی مانند سلول های مغز و سلول های بنیادی برای ایجاد رایانه های بیولوژیکی که ساختار و عملکرد مغز انسان را تقلید می کنند، استفاده می کند. ارگانوئید کم و بیش یک ماکت کوچک از بافت است که مانند یک عضو بدن عمل می کند. در سال ۲۰۲۱، محققان آزمایشگاه کورتیکال در ملبورن استرالیا، یک مغز ارگانوئید مینیاتوری ساختند که مانند یک کامپیوتر کار می کرد. آنها آن را DishBrain نامیدند، آن را به الکترود ها متصل کردند و به آن یاد دادند که چگونه بازی ویدیویی Pong را در دهه ۱۹۸۰ بازی کند. DishBrain از حدود ۱ میلیون سلول مغز زنده انسان و موش ساخته شده است که روی یک آرایه میکروالکتریک رشد کرده و می تواند سیگنال های الکتریکی را دریافت کند. سیگنال ها به نورون ها می گویند توپ پنگ در کجا قرار دارد و سلول ها پاسخ می دهند. هر چه سیستم بیشتر بازی کند، بیشتر بهبود می یابد. Cortical Labs اکنون در حال توسعه نوع جدیدی از نرم‌افزار است، یک سیستم عامل هوش بیولوژیکی، که به هر کسی که مهارت‌های اولیه کدنویسی را دارد اجازه می‌دهد تا DishBrains خود را برنامه‌ریزی کند.

چگونه سازمان خود را برای موفقیت آماده کنید

اگرچه هوش زنده ممکن است ایده ای آینده نگر به نظر برسد، مدیران اجرایی آینده نگر و رهبران کسب و کار نمی توانند صبر کنند. ما در حال حاضر نشانه های همگرایی در فناوری های هوش زنده را در چندین صنعت پیشرو می بینیم. پذیرش اولیه به شدت در صنایعی مانند داروسازی، محصولات پزشکی، مراقبت های بهداشتی، فضا، ساخت و ساز و مهندسی، کالا های بسته بندی مصرفی و کشاورزی اتفاق می افتد. اما برنامه‌ ها به زودی به صنایع دیگر می‌آیند و فضا های سفید جدیدی را در صنایعی مانند خدمات مالی ایجاد می‌کنند. از آنجایی که صنایع اضافی به راه می‌افتند، نوآوری به طور گسترده‌تری پراکنده می‌شود و به اثرات چرخ طیار اضافی دامن می‌زند.

با پیشرفت هر فناوری، شاهد پیشرفت ترکیبی خواهیم بود. در اینجا پنج توصیه برای نحوه عمل با دقت و فوریت وجود دارد:

ابهام زدایی از هوش زنده برای کل سازمان. رهبران ارشد باید با هوش زنده آشنا شوند – نحوه تلاقی هوش مصنوعی، داده های حسگر پیشرفته و مهندسی زیستی.

سناریوهای عملگرایانه برای ایجاد اختلال و تولید ارزش جدید ایجاد کنید. رهبران باید سناریو های کوتاه مدت و بلندمدت را برای استفاده و مقیاس ‌بندی فناوری‌ ها، فرآیند ها و محصولات هوش زنده ایجاد کنند. شرکت ها باید از آینده نگری استراتژیک استفاده کنند تا بفهمند چگونه اکوسیستم هوش زنده در حال تکامل می تواند بر محصولات و فرآیند های موجود آنها تأثیر بگذارد.

دو یا سه مورد استفاده با تاثیر بالا را شناسایی کنید – و فقط شروع کنید. رهبران باید موارد استفاده خاصی را مشخص کنند که هوش زنده می تواند بیشترین تأثیر را داشته باشد. با انتخاب خلبان ‌هایی با بیشترین پتانسیل برای مقیاس ‌پذیری، رهبران می‌توانند پذیرش هوش زنده را تسریع کنند و شروع به ادغام این فناوری‌ ها در جریان ‌های کاری روزمره کنند.

به توسعه نقش ها، مهارت ها و قابلیت های لازم متعهد شوید. هوش زنده نیازمند تغییر ذهنیت در سراسر سازمان است. ابتکارات آموزشی و آزمایشی را در اولویت قرار دهید تا کارکنان را برای کار موثر در کنار این فناوری ‌ها آماده کنید و دسته‌ بندی‌ های شغلی و شرح‌ های جدیدی را برای نیروی کار آینده خود ایجاد کنید.

تغییرات نظارتی را زیر نظر داشته باشید و برای عدم قطعیت سیاست آماده باشید. هوش زنده موظف است جرقه نوآوری‌ ها را برانگیزد و به ویژه با توجه به رویکرد نظارتی فعلی، چابکی بی‌سابقه‌ای را از شرکت ‌ها طلب می‌کند. رهبران باید سازمان های خود را برای آزمایش محصولات و فرآیندهای جدید توانمند کنند و اطمینان حاصل کنند که آینده خود را شکل می دهند نه اینکه مجبور شوند با نوآوری های خارجی سازگار شوند یا به تغییرات نظارتی واکنش نشان دهند.

شاید ارزشمندترین توصیه ای که می توانم ارائه دهم این باشد که به سادگی بپرسم “اگر چه می شود؟” در جلسه بعدی خود با شرکت مراقبت های بهداشتی، از تیم رهبری اجرایی خواستم تا سناریوهایی را در نظر بگیرند که چگونه کسب و کارشان ممکن است در دهه آینده با بلوغ هوشی زنده تغییر کند. اگر یک بسته اشتراک «تضمین سلامت» وجود داشته باشد که شامل حسگرهای پوشیدنی، تشخیص‌های مبتنی بر هوش مصنوعی و تحویل داروی شخصی‌شده باشد، چه اتفاقی می افتد؟ اگر ارائه دهندگان سنتی به طور کامل دور زده شوند و استارت آپ ها از هوش مصنوعی و داده های حسگر برای ارائه راه حل های سلامت شخصی به طور مستقیم به مصرف کنندگان استفاده کنند، چه اتفاقی می افتد؟ اگر حمام امروز آزمایشگاه تشخیص فردا باشد چه اتفاقی می افتد؟ چه می‌شد اگر داده‌های بلادرنگ منجر به گزارش بلادرنگ در مورد نتایج بیمار شود؟ آیا تغییری به قیمت گذاری مبتنی بر نتیجه وجود خواهد داشت؟ به این معنی که آیا ارائه دهندگان بر اساس اثر بخشی درمان های خود دستمزد دریافت می کنند؟ همه اینها نشان دهنده یک تغییر قابل توجه در تولید ارزش است.

به تیم گفتم در مقابل وسوسه تثبیت هوش مصنوعی همان طور که امروز وجود دارد مقاومت کنید. به تغییراتی که در حال حاضر در حال انجام است، نگاه جامع تری داشته باشید و سازمان خود را برای عصر هوش زنده آماده کنید.

نوشته شده توسط: امی وب

۰۶ ژانویه ۲۰۲۵

منبع: هاروارد بیزینس ریویو

https://hbr.org/2025/01/why-living-intelligence-is-the-next-big-thing