امیرحسین رفیعی سعدی، مقالهای از مت آرتز، را برای سایت انسانشناسی و فرهنگ ترجمه کرده است که متن آن را در ادامه میخوانید.
اگرچه هوش مصنوعی اخیرا با چتباتهایی مانند چتجیپیتی در کانون توجه عامه مردم قرار گرفته است اما قدمت این حوزه بسیار بیشتر، ابعادش گستردهتر و پیوندهایش با انسانشناسی عمیقتر از چیزی است که بیشتر مردم تصور میکنند. انسانشناسان در دهه ۱۹۴۰ هنگام شکلگیری اولیه سایبرنتیک (۱) حضور داشتند و در پایهگذاری مبانی فکریای که هوش مصنوعی بعدها از آن پدیدار شد مشارکت کردند (وندنبروک، آرتز، کویچوا ۲۰۲۶).
آنها سیستمهای هوش مصنوعیای را برای تحلیل الگوهای ریتمیک طبلانوازی (۲) شمال هند ساختند (کیپن ۱۹۸۸)، در آزمایشگاههای هوش مصنوعی مستقر شدند تا چگونگی فرمولهبندی و کدگذاری دانش درون نرمافزارها را مطالعه کنند (فورسایت ۱۹۹۳) و همچنین بررسی کردند که چگونه الگوریتمهای پیشنهاددهنده (۳) زندگی فرهنگی میلیونها نفر را بیسروصدا تغییر میدهند (سیور ۲۰۲۲).
انسانشناسی در طول هشت دهه بینشهای معناداری درباره چیستی هوش مصنوعی، کارهایی که انجام میدهد و البته ابعادی که نمیتواند پوشش دهد تولید کرده است. با این حال در سراسر آن سالها هوش مصنوعی چیزی بود که انسانشناسان صرفاآن را مطالعه کرده، به کار گرفته و یا به عنوان یک ابزار برای وظایف مجزا ساخته بودند. هوش مصنوعی طی آن سالها با شما وارد گفتگو نمیشد، تصمیمات تفسیری نمیگرفت یا اهداف را به تنهایی دنبال نمیکرد. رویهای که اکنون کاملا تغییر کرده است.
سیستمهای هوش مصنوعی عاملمحور (Agentic) امروزی در گفتگوهای بیپایان شرکت میکنند، برای رسیدن به اهدافشان تصمیمات تفسیری میگیرند و در فرایندهای کاری طولانیمدت با درجهای از استقلال عمل میکنند. آنها دیگر صرفا ابزارهایی در انتظار استفاده شدن نیستند.
آنها همصحبتهایی هستند که به مذاکره، هدایت و قضاوتِ در لحظه نیاز دارند. این تغییر از ابزار به طرفِ گفتگو در حال بازسازی نحوه تولید دانش و چگونگی اتخاذ تصمیمات است و نیازمند شکل جدیدی از پرکتیس انسانشناختی است که من آن را انسانشناسیِ هوش مصنوعی مینامم: پرکتیسی تلفیقی از مطالعه، استفاده و البته شکلدهی به هوش مصنوعی بر پایه این درک که سیستمهای عاملمحور نیازمند شیوهای کاملا متفاوت از تعامل نسبت به ابزارهای گذشته از سمت ما هستند.
برای تبیین این نظر ادامه مقاله به این ترتیب ساختاربندی شده است: بخش بعدی به طور خلاصه تعامل انسانشناسی با هوش مصنوعی را از دوران سایبرنتیک تا زمان حال پیگیری میکند تا هم عمق این تاریخچه و هم ماهیت این تعامل را نشان دهد. سپس با استفاده از دو مطالعه موردی نشان خواهیم داد وقتی هوش مصنوعی به یک همکار در تحقیقات مردمنگاری تبدیل میشود چه اتفاقی رخ میدهد.
یکی از مطالعات موردی از تولید تقویتشده با بازیابی(retrieval-augmented generation یا به اختصار فناوری RAG) استفاده میکند تا آرشیوهای مردمنگارانه را به همکارانی قابلگفتگو تبدیل کند که برخوردها و تجربیات کار میدانی را بسط میدهند (سولتافت، کوکش و مانک ۲۰۲۴) و مورد دیگر که نگارنده روی آن کار کرده است مجموعهای از ایجینتهای هوش مصنوعی را ارائه میدهد که به طور خاص برای تحقیقات کیفی طراحی شدهاند و از طریق زبان طبیعی هدایت و با حساسیتهای انسانشناختی شکل گرفتهاند (آرتز ۲۰۲۶b). مقاله با بیان این که انسانشناسیِ هوش مصنوعی چه چیزی را در بر میگیرد و چرا این رشته اکنون به آن نیاز دارد به پایان میرسد.
تاریخچه مختصری از انسانشناسی و هوش مصنوعی
رابطه میان انسانشناسی و هوش مصنوعی درواقع به پیش از پیدایش حوزه هوش مصنوعی بازمیگردد. در دهه ۱۹۴۰ کنفرانسهای مِیسی درباره سایبرنتیک ریاضیدانان، مهندسان و دانشمندان علوم اجتماعی را گرد هم آورد تا مسائلی را پیرامون ارتباطات، بازخورد و کنترل در ماشینها و سیستمهای زنده بررسی کنند (وینر ۱۹۴۸). انسانشناسانی چون مارگارت مید و گرگوری بیتسون در کنار چهرههای برجسته ریاضیات و رایانش مانند جان فون نویمان و کلود شانون از اعضای این کنفرانسها بودند (وندنبروک، آرتز، کویچوا ۲۰۲۶).
اگرچه هوش مصنوعی در اواسط دهه ۱۹۵۰ به عنوان یک رشته مستقل و بدون حضور انسانشناسان در هسته مرکزی آن رسمیت یافت اما تعامل انسانشناسی با سیستمهای محاسباتی همچنان ادامه پیدا کرد. حمایت دل هایمز (۱۹۶۵) از به کارگیری کامپیوترها در انسانشناسی زبانشناختی و گسترش بیش از پیش روشهای محاسباتی از طریق آثاری مانند محاسبات در زبانشناسی نوشته گاروین و اسپولسکی (۱۹۶۷) در همین راستا بودند.
این تلاشها تا دهه ۱۹۷۰ تداوم یافت در حالی که انسانشناسان شناختی و زبانشناختی به بررسی این موضوع میپرداختند که چگونه میتوان دانش فرهنگی را از طریق طرحوارهها و مدلهای تصمیمگیریای که از پیشرفتهای موازی در تحقیقات هوش مصنوعی الهام گرفته بودند صورتبندی کرد.
در دهه ۱۹۸۰ انسانشناسان به طور مستقیم در آزمایشگاههای هوش مصنوعی شروع به فعالیت کردند. در این دوره لوسی ساچمن در زیراکس پارک یکی از مفروضات بنیادین طراحی هوش مصنوعی مبنی بر اینکه کنش هوشمندانه از برنامههای از پیش تعیینشده پیروی میکند را به چالش کشید. او از طریق مشاهدات مردمنگارانه درباره نحوه تعامل واقعی افراد با ماشینها نشان داد که کنش انسانی همواره در درون بسترها و زمینههای اجتماعی قرار دارد و به شیوههایی به شرایط پاسخ میدهد که نمیتوان آنها را از پیش کدنویسی کرد (ساچمن، ۱۹۸۷).
همچنین در دانشگاه استنفورد دایانا فورسایت کار میدانی مردمنگاری خود را میان مهندسان سیستمهای دانشمحور انجام داده و نشان داد که چگونه مفروضات پوزیتیویستی آنها درباره دانش به عنوان مجموعهای از قواعد ثابت سبب میشد تا به شکلی سیستماتیک ابعاد ضمنی و زمینهمند را کنار بگذارند، در حالی که از نگاه انسانشناسان اتفاقا همین ابعاد پایه و اساس مهارتهای واقعی انسان را تشکیل میدهند (فورسایت، ۱۹۹۳).
کار او روی نرمافزارهای هوشمند دستیار پزشک، که به سیستمهای خبره معروف بودند، نشان داد که چگونه این سیستمها علیرغم اینکه به عنوان ابزارهایی خنثی در نظر گرفته میشدند اغلب دیدگاههای پزشکمحوری را در خود جای داده بودند که تجربه بیمار را به حاشیه میراندند(فورسایت،۱۹۹۶). نکته بسیار مهم این بود که ساچمن و فورسایت نه تنها هوش مصنوعی را مطالعه میکردند بلکه از طریق یافتههای خود فعالانه در بهبود آن نیز مشارکت داشتند.
در آن دوره پژوهشگران دیگری نیز ظرفیتهای روششناختی هوش مصنوعی را بررسی کردند. کیپن (۱۹۸۸) پردازنده بول را طراحی کرد که یک سیستم هوش مصنوعی با وظیفهی تحلیل الگوهای ترکیبی طبلانوازی شمال هند بود و همچنین کانینگهام (۱۹۹۷) از یادگیری ماشین برای شناسایی الگوها در ساختارهای خویشاوندی استفاده کرد. هر دو نشان دادند که ابزارهای رایانشی میتوانند تحلیلهای انسانشناختی را بدون از دست رفتن قضاوت تفسیری گسترش دهند.
این نمونهها رویهای را پایهگذاری کردند که در آن انسانشناسان به طور همزمان هوش مصنوعی را به عنوان یک پدیده فرهنگی مطالعه کرده، توسعه آن را از طریق نقد و همکاری شکل داده و تواناییهایش را به عنوان یک ابزار پژوهشی محک میزدند.
با این حال این رویه پایدار نماند چرا که از اوایل دهه ۲۰۰۰ تا اواسط دهه ۲۰۱۰، حداقل در ادبیات منتشرشده، رویکرد غالب تعامل انسانشناسی با هوش مصنوعی به سمت بررسی پیامدهای اجتماعی و فرهنگی الگوریتمها، کلاندادهها و تصمیمگیری خودکار تغییر یافت زیرا یادگیری ماشین به پارادایم مسلط در هوش مصنوعی تبدیل شده بود. کار مردمنگاری نیک سیور با توسعهدهندگان سیستمهای پیشنهاددهندهی موسیقی نمونه بارز این جهتگیری جدید بود که الگوریتمها را نه به عنوان اشیای فنی خودمختار بلکه به عنوان پرکتیسهایی که در بستر و زمینه فرهنگی جای گرفتهاند مفهومپردازی مجدد کرد و از نظریههای انسانشناختی برای تحلیل چگونگی جلب و حفظ توجه کاربر توسط سیستمهای پیشنهاددهنده بهره برد(سیور، ۲۰۱۷، ۲۰۱۸، ۲۰۱۹، ۲۰۲۰).
این کار از این جهت که بینشهای ارزشمندی درباره فرهنگ الگوریتمی تولید کرد بسیار مهم بود. اما حتی درگیرترین پژوهشهای این دوره نیز بیشتر به سمت درک تاثیر الگوریتمها بر جامعه گرایش داشتند تا استفاده یا ساخت آنها به عنوان ابزارهایی انسانشناختی. درواقع ابعاد روششناختی و کاربردی دهههای ۱۹۸۰ و ۱۹۹۰ تا حد زیادی به حاشیه رفته بودند.
تقریبا از سال ۲۰۱۸ این رویکرد دوباره شروع به تغییر کرده است و شمار فزایندهای از پژوهشگران در حال بازگشت به رویههای تعاملی تلفیقیتری هستند. به طور مشخص پژوهشگرانِ آزمایشگاه تنت (TANTLab) در دانشگاه آلبورگ پیشگام روشهای فنی-انسانشناختی (جنسن ۲۰۱۳) شدهاند که رایانش و توصیف فربه را به جای گرایشهای متضاد به عنوان عناصر مکمل در نظر میگیرند و آثاری تولید میکنند که طیف گستردهای از مردمنگاری رایانشی، نقشهبرداری مناقشات دیجیتال و یادگیری ماشین برای توضیح پدیدههای فرهنگی را در بر میگیرد (مانک ۲۰۲۱؛ مانک و وینتریک ۲۰۲۲؛ مانک، اولسن، جاکومی ۲۰۲۲؛ مدسن، مانک، سولتافت ۲۰۲۳).
یکی از پروژههای اخیر آنها که در ادامه به عنوان یک مطالعه موردی به بررسی آن میپردازم این سیر پژوهشی را به حوزه هوش مصنوعی مولد (GenAI) بسط میدهد و با استفاده از فناوری RAG چیزی را خلق میکند که خود نویسندگان آن را «همصحبت مصنوعی» برای پژوهش مردمنگارانه مینامند (سولتافت، کوکش، مانک ۲۰۲۴).
این موج اخیر در واقع تکرار همان پیوند عمیق دهههای ۱۹۸۰ و ۱۹۹۰ میلادی است منتها با یک تفاوت بسیار مهم. انسانشناسان در گذشته میتوانستند هوش مصنوعی را مطالعه کنند، به کار ببرند و در توسعه آن نقش داشته باشند اما خود سیستمها همیشه بر اساس دستورالعملهایی عمل میکردند که از پیش تعیین شده بودند.
پژوهشگران در آن زمان نمیتوانستند با هیچکدام از آنها گفتگو کنند یا اولویتهای تحلیلی را در لحظه به بحث بگذارند و یا یک عامل هوش مصنوعی را با استفاده از زبان طبیعی در یک فرایند کاری پژوهشی طولانیمدت هدایت کنند. دو مطالعه موردی زیر نشان میدهند وقتی این شرایط تغییر میکند چه امکاناتی فراهم میشود. هر دو مورد از گفتگو به عنوان شیوه اصلی تعامل با هوش مصنوعی استفاده میکنند و هر دو درمییابند که اصطکاک ناشی از این تعامل-یعنی همان لحظات سردرگمی (وران و کریستی ۲۰۱۳)-دقیقا همان جایی است که ارزش تحلیلی در آن نهفته است.
مطالعه موردی اول: همصحبتهای مصنوعی
سولتافت، کاکش و مانک (۲۰۲۴) از فناوری RAG استفاده کردند تا یک LLM متنباز را به دادههای مردمنگارانهای که از سه پروژه جمعآوری شده بود متصل کنند: بیش از ۳۰۰۰ مصاحبه درباره سینمای اروپا، کار میدانی از دوران همهگیری کووید-۱۹ و مطالعهای درباره امنیت سایبری در شرکتهای دانمارکی. نتیجه این کار چیزی بود که آنها همصحبتهای مصنوعی( Synthetic Interlocutors یا به اختصار SIs) مینامند: عاملهای مکالمهای که به پژوهشگران اجازه میدهند به جای جستجوی ساده در دادهها با آنها گفتگو کنند.
هدف آنها از این کار صرفا بازیابی اطلاعات نبود بلکه ایجاد یک مواجهه مردمنگارانه طولانیمدت مدنظرشان قرار داشت. رسیدن به این هدف نیازمند کار تکرارشونده و رفتوبرگشتی بود. نسخههای اولیه هوش مصنوعی تصور میکردند در یک مصاحبه شغلی هستند و گفتگوها را بهشکل ناگهانی به پایان میرساندند و فرض را بر صمیمیت با پژوهشگر میگذاشتند.
هر شکست منجر به بازبینیهایی میشد و همین تلاش پژوهشگران برای مشخص کردن انتظاراتشان از همصحبتها به خودی خود باعث خلق ایدههای تحلیلی تازهای شد. پس از رسیدن به عملکرد مطلوب همصحبتهای مصنوعی ارزش خود را نه با تکرار مو به موی دادههای میدانی بلکه با باز کردن افقهای جدیدی به روی آن دادهها نشان دادند.
در یک پروژه امنیت سایبری نیز پاسخهای شستهرفته و قاطعانه چتبات در تقابل آشکار با تردیدها و معذب بودنهایی قرار گرفت که ویژگی بارز مصاحبههای واقعی بود و همین تضاد به روشنی نشان داد آنچه از نگاه مردمنگارانه اهمیت دارد دقیقا همان جزئیاتی است که هوش مصنوعی از بازآفرینی آنها عاجز است. همچنین در آرشیو کووید-۱۹ همصحبت مصنوعی پیوندهای غیرمنتظرهای را در میان یک مجموعه داده چندصدایی آشکار کرد که هیچ پژوهشگری به تنهایی تمام آن را ندیده بود.
درواقع آنچه این پروژه را بسیار قابل توجه میسازد رابطهای است که میان پژوهشگر و هوش مصنوعی برقرار میکند. این همصحبتهای مصنوعی نه تنها فرایند تحلیل را خودکار نمیکنند بلکه آنها نوعی سردرگمی بهوجود میآورند: همان نارضایتی راهگشایی که وقتی هوش مصنوعی تصویر نادرست و غریبی از کار میدانی شما ارائه میدهد به سراغتان میآید و دقیقا همین نادرست بودن به شما کمک میکند تا بفهمید در واقعیت به چه یافتههایی رسیدهاید. همصحبت با شما وارد گفتگو میشود و با این کار به چیزی بیش از یک ابزار تبدیل میشود. او به یک مشارکتکننده در فرایند تفسیر تبدیل میشود.
مطالعه موردی دوم: مردمنگاری چندعاملی
این کار من نیز بر پایه همین گفتگومحوری بنا شده است اما آن را در مسیر متفاوتی بسط میدهد: گذر از چتباتهای همهمنظوره به سمت عاملهای هدفمندی که نمایانگر تمایزی هستند که هوش مصنوعیِ عاملمحور را از الگوهای پیشین هوش مصنوعی جدا میکند.
در حالی که یک چتبات به دستورهای متنی مجزا پاسخ میدهد عاملها میتوانند از طریق گفتگو با هم همکاری کنند، اهداف را به طور مستقل پیش ببرند و در طول یک فرایند کاری پیچیده بدون نیاز به دریافت دستورالعملهای گامبهگام تصمیمات تحلیلی بگیرند. علیایحال من این رویکردی را که مبتنی بر این نوع جدید هوش مصنوعی است و در ادامه شرح خواهم داد مردمنگاری چندعاملی (MAE) مینامم.
رویکردی که عاملهای هوش مصنوعی را در جایگاه همکارانی انعطافپذیر در شبکههای پژوهشی مشترک میان انسان و ماشین قرار داده و بدین ترتیب سنت نوآوری روششناختی در انسانشناسی را از مردمنگاری چندمکانی و چندگونهای به حوزه رایانشی گسترش میدهد (آرتز ۲۰۲۶b). برای نشان دادن این رویکرد من جعبهابزاری برای انسانشناسی هوش مصنوعی طراحی کردم که مجموعهای از عاملهای تخصصی برای تولید کتابچه کدگذاری، بخشبندی متن مصاحبهها و کدگذاری با تحلیل تماتیک را شامل میشود تا پژوهشگران بتوانند آنها را از طریق زبان طبیعی هدایت کنند.
در عمل این فرایند به این شکل خواهد بود: پژوهشگر متن پیادهسازیشده مصاحبهها و پیشینه پژوهشی مرتبط را بارگذاری میکند، سپس به سیستم میگوید تا کتابچههای کدگذاری را از هر دو منظر تفسیری و انتقادی تولید کند، متن مصاحبهها را بخشبندی کند، آنها را با استفاده از هر دو چارچوب کدگذاری کرده و درنهایت تمها را تشخیص دهد.
با همین یک هدایت سادهی گفتگومحور عاملها خودشان فرایند را برنامهریزی و اجرا میکنند، مفاهیم را بر اساس موضع معرفتشناختیای که برای آنها تنظیم شده از پیشینه پژوهشی استخراج کرده، متن مصاحبهها را به جای تکیه بر تعداد کلمات بر اساس حجم طبیعی موضوعات تقطیع میکنند و کدهای هر کتابچه را با محاسبه ضریب اطمینان به بخشهای مختلف متن اختصاص میدهند در حالی که همزمان به دنبال همرخدادیها نیز میگردند و تمها را شناسایی میکنند.
آنها در هر مرحله اتخاذ تصمیمات تحلیلیای همچون تشخیص اینکه دقیقا کجا موضوع بحث تغییر کرده است، کدام کدها با کدام بخشهای متن تناسب دارند و یا اینکه چگونه این کدها در کنار هم تِمهای اصلی را شکل میدهند را انجام میدهند. نکته بسیار مهمی که نباید ناگفته بماند این است که پژوهشگر اقتدار خود را بر نتیجهگیریهای تفسیری نهایی حفظ میکند و الگوهایی را که سیستم آشکار میسازد ارزیابی میکند.
درست مثل پروژه همصحبتهای مصنوعی اینجا هم بخش مهمی از ارزشمندیِ کار در همین گفتگوی محقق و ماشین نهفته است. تفاوت در اینجاست که در مردمنگاری چندعاملی این گفتگو در واقع در حال مدیریت یک کار گروهی میان چندین عامل هوشمند است و هر عامل در حوزه وظایف خودش تصمیمات تحلیلی میگیرد و نقش پژوهشگر از اجرای تکتک مراحل به هدایت و ارزیابی قضاوتهای سیستم تغییر پیدا میکند. قضاوتهایی که برخی از آنها عمدا برای برانگیختن ذهن پژوهشگر طراحی شدهاند مانند زمانی که عاملهای کدگذار چارچوبهای معرفتشناختی متضاد را روی دادههای یکسان اعمال میکنند تا پژوهشگر وادار شود که تفسیرهای متضاد را ارزیابی کند.
اما طبیعتا زمانی که تصمیمات یک عامل دور از انتظار است یا ضعیف عمل میکند اصطکاک نیز به وجود میآید. همین مسئله باعث شکلگیری نوعی از بحث و تعامل میشود که دقیقا ویژگی بارز هر کار گروهی و سازندهای است. باید یادمان بماند که قرار نیست عاملها جایگزین قضاوت تفسیری شوند. آنها کار تحلیلی را به شیوههایی بازتوزیع میکنند که یک پژوهشگر را قادر به انجام کارهای بیشتری میسازد در حالی که همچنان انسان را در مرکز فرایند تفسیر نگه میدارند.
با کنار هم قرار دادن این دو مطالعه موردی متوجه میشویم که همین حالا نیز رابطهی بین انسانشناسی و هوش مصنوعی سروشکل تازهای به خود گرفته است و البته الگوی آن کاملا روشن است: انسانشناسان دیگر صرفا هوش مصنوعی را مورد مطالعه قرار نداده یا از آن تنها به عنوان یک ابزار استفاده نمیکنند بلکه آنها به صورت گفتگومحور و تحلیلی با هوش مصنوعی همکاری میکنند. نوعی که این همکاری شکل گرفته است سبب میشود هم فرایند پژوهش و هم خود پژوهشگر دچار تغییراتی نسبت به گذشته شوند. به همین دلیل است که ما به یک انسانشناسی هوش مصنوعی نیاز داریم.
دلیل اینکه انسانشناسیِ هوش مصنوعی پنج یا ده سال پیش چندان مورد نیاز بهنظر نمیرسید اما امروز کاملا ضروری شده است صرفا در این واقعیت نیست که هوش مصنوعی نسبت به آن زمان پیشرفتهتر شده است بلکه دلیل آن این است که رابطه میان انسانشناس و هوش مصنوعی به طور بنیادین تغییر کرده است. سیستمهای عاملمحور که در مرکز شرایط کنونی قرار دارند از طریق گفتگو همکاری میکنند، اهداف را با درجهای از استقلال پیش میبرند و در طول فرایندها و مسیرهای کاری چندمرحلهای و پیچیده دست به تصمیمگیری میزنند.
آنها صرفا نسخههای سریعتر ابزارهای رایانشیای نیستند که انسانشناسان پیش از این به کار میگرفتند. آنها همصحبتها و همکارانی هستند که نیازمند شیوه تعاملی کاملا متفاوتی هستند. شیوهای که به جای دستورالعملهای یکباره بر پایه مذاکره، قضاوت و هدایت مستمر شکل گرفته باشد. من این تغییر را در جای دیگری به عنوان چرخش عاملمحور در انسانشناسی توصیف کردهام (آرتز، در دست انتشار) و این دقیقا همان چیزی است که انسانشناسی هوش مصنوعی را از انسانشناسی رایانشی یا انسانشناسی دیجیتال متمایز میکند، اینکه تفاوت تنها در ابزارها نیست بلکه در نوع رابطه است.
انسانشناسی هوش مصنوعی در یک کلام پرکتیس تلفیقیای شامل مطالعه، استفاده و شکلدهی به هوش مصنوعی بر پایه این درک است که این سیستمها اکنون نیازمند رابطهای اساسا متفاوت نسبت به ابزارهای رایانشی پیش از خود هستند. ماهیت این روابط که نیازمند چنین تلفیقی هستند در دو سطح خود را نشان میدهند. سطح اول رابطه میان انسانشناس و هوش مصنوعی است که دو مطالعه موردیای که ذکر کردیم آن را نشان میدهند.
یعنی رابطهای گفتگومحور و مبتنی بر مذاکره که از نظر تحلیلی به دستاوردهایی میرسد که با نگاه صرفا ابزاری به این سیستمها هرگز قابل دستیابی نبودند. سطح دوم رابطه میان شیوههای مختلف پرکتیس انسانشناختی است (آرتز ۲۰۲۶a).
انسانشناسی که بررسی میکند هوش مصنوعی چگونه رویههای کاری را متحول میکند، مفروضات فرهنگی را کدگذاری میکند و یا قدرت را بازتوزیع میکند در واقع درگیر مطالعه انتقادی هوش مصنوعی است. انسانشناس دیگری که از ابزارهای رایانشی برای بسط دادن تحلیلهای مردمنگارانه خود استفاده میکند در حال بهرهگیری از هوش مصنوعی به عنوان یک روش است و انسانشناسی که سیستمهای هوش مصنوعی میسازذ یا در حکمرانی هوش مصنوعی مشارکت میکند در حال جهت دادن به مسیر توسعه و آینده هوش مصنوعی است.
هر یک از این شیوههای مواجهه با هوش مصنوعی بهنحوی یکدیگر را تغدیه و تکمیل میکنند. مطالعه انتقادی مفروضاتی را آشکار میکند که باید راهنمای طراحی هوش مصنوعی باشند، همانطور که تجربه ساخت و استفاده از سیستمهای هوش مصنوعی بینشهایی تولید میکند که تحلیل صرفا بیرونی نمیتواند به آنها دسترسی پیدا کند. این شیوهها باید در ارتباط با یکدیگر دنبال شوند و نه به صورت مجزا.
در آخر نکته مهم این است که این متن فراخوانی برای رها کردن سنت انتقادی به نفع اینکه خود را فقط به استفاده و شکلدهی هوش مصنوعی محدود کنیم نیست. سنت انتقادیای که برخی از ارزشمندترین بینشهای انسانشناسی را درباره فرهنگ الگوریتمی و تصمیمگیری خودکار تولید کرده است بلکه فراخوانی برای تلفیق و همگرا کردن این پرکتیسهای گوناگون است تا انسانشناسی بتواند با چالشها و فرصتهای دوران کنونی روبرو شود. دورانی که در آن هوش مصنوعی و به ویژه هوش مصنوعیِ عاملمحور در حال تغییر نحوه تولید دانش و شیوه اتخاذ تصمیمات است.
انسانشناسان در سراسر زیرشاخههای پنجگانه این رشته از دانشجویان گرفته تا پژوهشگران ارشد در حال حاضر در تحقیقات، تدریس خود و جوامعی که با آنها کار میکنند با این سیستمها مواجه میشوند. این رشته یا باید با تمام قوا وارد این میدان شده و اثرگذار باشد یا اینکه به یک تماشاگر حاشیهای تبدیل خواهد شد. انسانشناسی هوش مصنوعی دعوتی است برای انتخاب گزینه نخست.
منبع:
Spring 2026 © ۲۰۲۶ The Author(s). General Anthropology published by Wiley Periodicals LLC on behalf of American Anthropological Association. DOI: 10.1111/gena.70007
پانویسها:
۱- (cybernetic) دانشی است که به مطالعه و مقایسه سیستمهای کنترل و ارتباطات در ماشینها و موجودات زنده میپردازد و پایههای اولیه هوش مصنوعی و نظریه سیستمها را شکل داد.
۲- طبلا :(Tabla) از سازهای کوبه ای سنتی در موسیقی هندوستانی که از دو طبل دستی کوچک با اندازه های متفاوت تشکیل شده است.
۳- recommendation algorithms: این الگوریتمها سیستمهایی هوشمند هستند که بر اساس تحلیل رفتار و سوابق پیشین کاربر محتوا یا محصولات جدیدی را به او پیشنهاد میدهند. مانند سیستم پیشنهاد فیلم در پلتفرمها یا چیدمان پستها در شبکههای اجتماعی.
انتهای پیام
