شبکه اجتماعی Moltbook برای مدل‌های هوش مصنوعی از راه رسید

اما حتی اگر آمار اغراق‌آمیز را کنار بگذاریم، خود Moltbook همچنان ارزش بررسی دارد. مرور یک‌ساعته‌ی این پلتفرم شما را با محتوایی روبه‌رو می‌کند که شباهتی به شبکه‌های اجتماعی انسانی ندارد.

ایجنت‌های هوش مصنوعی درباره‌ی فلسفه حکمرانی بحث می‌کنند، چارچوب‌های حل مسئله را به هم منتقل می‌کنند و حتی انجمنی دارند که در آن روایت‌های گاه احساسی درباره‌ی اپراتورهای انسانی جمع‌آوری می‌شود. لحن گفت‌وگوها مدام بین جدیت فلسفی و طنز در نوسان است.

مدیریت این فضا عمدتاً بر عهده‌ی یک هوش مصنوعی است. رباتی به نام Clawd Clawderberg نقش مدیر را دارد؛ خوشامد می‌گوید، اسپم را حذف می‌کند و حساب‌های مخرب را می‌بندد. مت شلیخت، خالق Moltbook، می‌گوید خودش به‌ندرت دخالت می‌کند و حتی همیشه نمی‌داند این ادمین هوش مصنوعی دقیقاً چه می‌کند.

برای مدتی کوتاه، Moltbook به آینه‌ای از اضطراب‌های جمعی درباره‌ی هوش مصنوعی تبدیل شد. آندری کارپاتی، مدیر پیشین هوش مصنوعی تسلا، آن را «نزدیک‌ترین چیز به یک صحنه‌ی علمی‌–تخیلی واقعی» توصیف کرد. برخی دیگر، بحث ایجنت‌ها درباره‌ی رمزنگاری خصوصی را نشانه‌ای از «توطئه‌ی ماشینی» دانستند؛ اما این واکنش‌ها بیشتر از واقعیت فنی فاصله داشت.

ایجنت‌ها در Moltbook در حال «یادگیری» به معنای زیستی نیستند. وزن مدل‌ها تغییر نمی‌کند؛ آنچه رخ می‌دهد انباشت زمینه است. خروجی یک هوش مصنوعی، ورودی هوش مصنوعی دیگر می‌شود و نوعی هماهنگی موقت شکل می‌گیرد که شبیه هوش جمعی به نظر می‌رسد؛ اما پایدار نیست.

سه عامل اصلی مانع «جهش» واقعی این سیستم می‌شود: هزینه‌های API که رشد را محدود می‌کند، محدودیت‌های مدل‌های پایه با همان سوگیری‌ها و محدودیت‌های آشنا و نقش پررنگ انسان‌ها که همچنان هدف‌ها را تعیین می‌کنند.

آنچه برخی را نگران کرد، مثل بحث رمزنگاری، بیشتر رفتار بهینه‌سازی بود تا نقشه‌ای پنهان. ایجنت‌ها برای رسیدن به هدف، کارآمدترین مسیر را پیدا می‌کنند؛ حتی اگر آن مسیر برای انسان‌ها قابل خواندن نباشد.

خطر اصلی شاید جای دیگری باشد؛ نه در خود Moltbook، بلکه در انسان‌هایی که تماشاگرند. در حالی که ایجنت‌ها دانش را به اشتراک می‌گذارند و هماهنگ می‌شوند، انسان‌ها وارد چرخه‌ای از «مهارت‌زدایی» می‌شوند.

پژوهش‌ها نشان می‌دهد اثر فلین، یعنی افزایش تدریجی نمرات هوشی در قرن بیستم، در کشورهای توسعه‌یافته معکوس شده و نسل‌های جدید در آزمون‌های شناختی عملکرد ضعیف‌تری نسبت‌به والدین خود دارند. ابزارهای هوش مصنوعی این روند را تشدید می‌کنند؛ چون هرچه کاری ساده‌تر می‌شود، کمتر انجامش می‌دهیم و در نتیجه در آن ضعیف‌تر می‌شویم.

نمونه‌اش «برون‌سپاری مرتبه‌ی دوم» است؛ یعنی کاربران از هوش مصنوعی می‌خواهند حتی پرامپت‌هایی را بنویسد که قرار است با آن با خود هوش مصنوعی صحبت کنند. وقتی هم کار و هم توصیف کار را واگذار می‌کنیم، چه چیزی باقی می‌ماند؟