نشست جهانی هوش مصنوعی به پایان رسید؛ توافقی که همه منتظرش بودند

سه روز گفت‌وگوی فشرده، بیست‌وچند جلسه کارشناسی و یک شب طولانی چانه‌زنی سرانجام به سندی ختم شد که بسیاری آن را نقطه عطف حکمرانی فناوری می‌دانند. نمایندگان ۵۲ کشور در پایان نشست، بیانیه‌ای مشترک امضا کردند که برای نخستین بار تعریفی روشن از «مدل پرخطر» ارائه می‌دهد.

آنچه این توافق را از بیانیه‌های پیشین جدا می‌کند، وجود ضمانت اجراست. کشورهای امضاکننده متعهد شده‌اند ظرف هجده ماه سازوکار ملی ارزیابی خود را راه‌اندازی کنند و نتایج آزمون‌های ایمنی را در یک پایگاه مشترک ثبت کنند.

بر سر چه چیزی توافق شد؟

هسته اصلی سند، طبقه‌بندی سه‌سطحی مدل‌هاست: مدل‌های عمومی با ریسک پایین، مدل‌های حساس که در حوزه‌هایی مانند سلامت و مالی به کار می‌روند، و مدل‌های پرخطر که توان تأثیرگذاری گسترده بر زیرساخت‌ها دارند. هر سطح، الزامات شفافیت و گزارش‌دهی متفاوتی دارد.

نکته مهم اینجاست که معیار طبقه‌بندی، صرفاً اندازه مدل نیست. کارگروه فنی نشست تأکید کرد که یک مدل کوچک اما متصل به سامانه‌های حیاتی می‌تواند پرخطرتر از یک مدل عظیم اما ایزوله باشد.

پنج بند کلیدی بیانیه پایانی

• تعریف مشترک و الزام‌آور از «مدل پرخطر» بر پایه دامنه اثر، نه صرفاً اندازه مدل
• انتشار عمومی خلاصه نتایج آزمون‌های ایمنی پیش از عرضه گسترده
• تأسیس دبیرخانه دائمی برای هماهنگی میان نهادهای ملی ارزیابی
• حق دسترسی پژوهشگران مستقل به مدل‌ها برای انجام ارزیابی شخص ثالث
• تعهد به شفاف‌سازی مصرف انرژی و منابع محاسباتی مراکز داده

مخالفان چه می‌گویند؟

همه از نتیجه راضی نیستند. گروهی از شرکت‌های کوچک‌تر هشدار داده‌اند که هزینه انطباق با الزامات تازه، عملاً بازار را به نفع چند بازیگر بزرگ می‌بندد. در مقابل، حامیان سند می‌گویند سطح‌بندی ریسک دقیقاً برای همین طراحی شده است.

انتقاد دوم به مهلت هجده‌ماهه برمی‌گردد؛ برخی کارشناسان آن را بیش از حد طولانی می‌دانند و معتقدند در این بازه، فناوری چند نسل جلوتر خواهد رفت.

سطح‌بندی ریسک در یک نگاه

این سند پایان کار نیست، شروع یک گفت‌وگوی دائمی است. مهم این بود که همه سر یک میز بنشینند و زبان مشترکی پیدا کنند.

دور بعدی مذاکرات بهار سال آینده برگزار می‌شود و دستور کار آن، به گفته دبیرخانه، روی دو موضوع متمرکز خواهد بود: مسئولیت حقوقی در خطاهای سامانه‌های خودکار، و قواعد استفاده از داده‌های عمومی در آموزش مدل‌ها.