هوش مصنوعی برای فقرا

نویسنده: دانیل بیورکِگرن Daniel Björkegren، استادیار امور بین‌الملل و امور عمومی در دانشگاه کلمبیا

دیپلماسی ایرانی: در میان نخبگان کشورهای ثروتمند، این نگرانی‌ درباره هوش مصنوعی جاری شده که: ماشین ها، شغل‌های ما را خواهند گرفت. با شهرت انفجاری چت‌جی‌پی‌تی – یک چت‌بات بسیار زنده‌ سان lifelike chatbot – بسیاری در غرب نگرانند که نه تنها رانندگان کامیون و کارگران مونتاژکار در معرض خطر جایگزینی توسط ربات‌ها قرار دارند، بلکه نیروهای انسانی دانش آموخته ای که دستمزدهای بالایی می گیرند نیز ممکن است شغل خود را از دست بدهند. حسابداران، تحلیلگران داده، برنامه‌نویسان، مشاوران مالی، وکلا، حتی نویسندگان سناریوهای هالیوود - همگی اکنون نگران هستند که هوش مصنوعی موجب بیکاری آنها خواهد شد.

اما تأثیر هوش مصنوعی بر بیش از 100 کشور و بیش از چهار میلیارد نفر در دنیای در حال توسعه، احتمالاً بسیار متفاوت خواهد بود. کشورهایی با درآمد کمتر به طور چشمگیری کارگران دانش آموخته کمتری را استخدام می‌کنند و بخش بزرگی از جمعیت آنها در بخش‌هایی کار می‌کنند که کمتر قابلیت اتوماسیون دارند، به ویژه در بخش کشاورزی. در کشورهای فقیر، سوال بزرگ این نیست که هوش مصنوعی چگونه بر میلیون‌ها نفر از افراد شاغل تأثیر خواهد گذاشت، بلکه این است که میلیاردها نفر چگونه از هوش مصنوعی استفاده خواهند کرد. احتمالاً کاربردهای دگرش دهنده هوش مصنوعی در جهان در حال توسعه، در زمینه هایی نخواهند بود که ماشین ها را جایگزین انسان‌ها می‌کند بلکه زمینه هایی خواهد بود که فرصت ها و امکانات تازه ای را برای انسان‌ها فراهم می‌آورد.

تا این لحظه، تقریباً تمامی بحث ها در مورد چگونگی حمایت از هوش مصنوعی و چگونگی کاهش خطرات آن بر کشورهای ثروتمند متمرکز شده‌اند، کشورهایی که مقر شرکت‌ها و دانشگاه‌هایی هستند که سرگرم کار بر روی این فن آوری می باشند. اما به دلیل آنکه  تأثیرات مثبت و منفی هوش مصنوعی در کشورهای فقیر به شکل متفاوتی ظاهر خواهد شد، سرمایه‌گذاری‌ها و مقرراتی که این کشورها به آن نیاز دارند، احتمالاً متفاوت خواهد بود. فیلسوفان، اقتصاددانان و فن آوران در بحث و جدل های بی پایان درباره آینده هوش مصنوعی در جهان توسعه‌یافته غرق شده‌اند. حالا زمان آن رسیده است تا به یک برنامه‌ریزی برای بکارگیری هوش مصنوعی به سود دیگر افراد بشر در جهان در حال توسعه اندیشه کنیم.

قدرت ماشین:

یادگیری ماشینی اکنون در زندگی جهان فقیرتر رواج یافته است. تحولاتی را که در حوزه اعتبارات ظهور کرده، در نظر بگیرید. بسیاری از افراد فقیر، فاقد سابقه مالی و امتیازات اعتباری هستند و از این روی، چندان امکانی برای دسترسی به وام‌های رسمی ندارند. در سال 2010، روشی را برای خلق امتیازات اعتباری جایگزین پیشنهاد دادم: اینکه با استفاده از یادگیری ماشینی  اینفرنس هایی درباره احتمال بازپرداخت وام را از داده‌هایی استخراج کنیم که به طور خودکار توسط شبکه‌های تلفن همراه گرد‌آوری شده است. این روش، اکنون یکی از چندین متدی است که اعتباردهندگان در ده‌ها کشور از آن برای دادن وام‌های کوچک از طریق تلفن همراه به میلیون‌ها نفر استفاده می‌کنند. پژوهشگران دیگر نیز یادگیری ماشینی را برای همین نوع داده‌ها به کار می گیرند تا مشخص کنند که کدام خانوارها در یک منطقه خاص، فقیرتر هستند تا در زمان وقوع بحران‌،  بتوان کمک‌ها را  هوشمندانه توزیع کرد. همچنین دیگر پژوهشگران نیز از این داده ها، در تصاویر ماهواره‌ای استفاده می‌کنند تا برآوردهای جمعیتی دقیقتری بر پایه الگوهای سکونتی مردمان به دست آید و بتوان کمبودهای خوراکی را بر اساس الگوهای برداشت محصول، برطرف کرد. چنین برنامه‌هایی، ارزش ویژه هوش مصنوعی در دنیای در حال توسعه را روشن می سازد: در محیط‌هایی که اطلاعات پایین تری در دسترس است، یادگیری ماشینی می‌تواند سیگنال‌ها را از منابع نوین داده‌ها استخراج کند.

اما امکانات هوش مصنوعی محدود به این موارد نیست. آموزش و پرورش را در نظر بگیرید. بیشتر سامانه های آموزشی در کشورهای در حال توسعه در تقلای بالا بردن کیفیت کار آموزش هستند. مربیان شخصی سازی شده هوش مصنوعی - چت‌بات‌هایی با بردباری بی‌پایان - ممکن است روزی نیازهای دانش‌آموزان کنجکاو در مدارس دورافتاده را برآورده کنند. آنها همچنین ممکن است به حرفه‌ های مختلف برای انتقال مهارت میان خود کمک کنند - به عنوان مثال، به کارگران تعمیرات امکان  دهند تا مهارت‌های خود را بهبود بخشیده، مهندسی یاد بگیرند. یا به حوزه سلامت توجه کنید. در بیشتر نقاط جهانِ در حال توسعه، به دشواری می توان به مشورت‌های پزشکی درست، دسترسی داشت؛ سامانه ‌های توانمند هوش مصنوعی ممکن است تشخیص هایی دقیق‌تر و در دسترس‌تری ارائه دهند. بسیاری از جوامع، درصد بالایی از افسردگی اما شمار کمی روان درمانگر دارند؛ ابزارهای روانشناختی دیجیتال مانند روان‌درمان‌های چت‌بات می‌توانند با هزینه پایین، نیازهای واقعی را برطرف کنند. هوش مصنوعی ممکن است نقش مشابهی در کمک به افراد برای انجام کارهای اداری ایفا کند. به عنوان مثال، یک کارآفرین هندی که قصد ورود به بازار جدیدی را دارد، ممکن است در آینده بتواند با استفاده از یک اپلیکیشن هوش مصنوعی فرم های مورد نیاز مجوزها را پر کند.

فناوری‌هایی که این کاربردهای محتمل را ممکن می‌سازد، همچنان بهبود خواهند یافت زیرا کشورهای ثروتمند منابع بزرگی را در هوش مصنوعی سرمایه‌گذاری می‌کنند. کلید کار برای کشورهای در حال توسعه این است که با استفاده از فناوری‌های حاصله، در زمینه کالاها و خدماتی که نیازهای محلی شان را برآورده می‌کند، روند سرمایه‌گذاری را تکمیل کنند. کشورهای در حال توسعه، بسیاری از زیرساخت‌های اجتماعی مورد نیاز برای آغاز برنامه های تازه را دارند: مراکز فناوری، دانشگاه‌ها و گروه‌های کارآفرینی. با این حال، شرکت‌های آنها کمترین انگیزه را دارند تا برنامه‌هایی را که به ندرت سودآور هستند، برای افراد محروم تولید کنند. برخی از کشورهای بزرگ با درآمد متوسط مانند هند قادرند این مشکل را با سرمایه‌گذاری در "فناوری‌های هوش مصنوعی برای فقرا" برطرف کنند. اما بسیاری از کشورهای دیگر به منابع و مقیاس لازم برای این کار دسترسی ندارند. از این رو، نقش شبکه‌های کارآفرینان این است که تجربیاتشان را با آن سوی مرزها به اشتراک گذارند، و نیز برعهده سازمان‌های بین‌المللی مانند بانک جهانی است که سرمایه‌گذاری‌ها را میان دولت‌ها و خیریه‌ها هماهنگ کنند.

منحنی یادگیری:

در جهان در حال توسعه، دو مسیر اصلی برای ابزارهای هوش مصنوعی وجود دارد. مسیر اول این است که کاری را پیدا کنیم که هوش مصنوعی در کشورهای ثروتمند، آن کار را به خوبی انجام می دهد، سپس آن را با نیازهای کشورهای فقیر سازگار کنیم. به عنوان مثال، بسیاری از کارآفرینان، در حال آماده کردن مربیان چت‌بات برای مدارس کشورهای ثروتمند هستند، ابزارهایی که امکان تغییر و سازگاری آنها وجود دارد و می تواند در مکان‌هایی با اتصال اینترنتی ضعیف‌تر و نسبت بالاتر شمار دانش‌آموز به آموزگار کار کند. مسیر دوم این است که برای هوش مصنوعی کاربردهای کاملاً تازه پیدا کنیم - محصولات جدیدی که می‌توانند نیازهای خاص جهانِ در حال توسعه را برآورده کنند. به عنوان مثال، یک برنامه‌ریز مالیِ هوش مصنوعی برای کشاورزانی که از این طریق امرار معاش می کنند، می تواند به آنها کمک کند که ریسک های مربوط به نوع کشت را مدیریت کنند. در واقع، برخی از نوآوری‌ها، ابتدا در کشورهای فقیر کلید خورده و سپس به کشورهای ثروتمند رسیده‌اند. به عنوان مثال، سیستم پرداخت موبایلی M-Pesa  در کنیا، به خوبی عمل کرد، پیش از آنکه برنامه‌های مشابه در ایالات متحده به کار گرفته شوند. 

هر چند برخی از ابزارهای هوش مصنوعی که در کشورهای ثروتمند ساخته و پرداخته می‌شوند، ممکن است به خوبی و بدون نیاز به سازگاری دوباره، در جهان در حال توسعه کار کنند اما برخی دیگر نیاز به اصلاح و انطباق دارند. یکی از مشکلات این است که بیشتر سیستم‌های هوش مصنوعی با داده‌های ویژه جهان توسعه‌یافته آموزش دیده‌اند، داده‌هایی که از افراد با درآمدهای نسبتاً بالا گرد‌آوری شده‌ و معمولاً هم به زبان انگلیسی نوشته شده‌اند. حجم کمی از مخزنِ داده های موجود در جهان، درباره فقرا یا به زبان‌های اقلیت است. علاوه بر این، سیستم‌های هوش مصنوعی اغلب برای تولید تصمیمات یا بروندادهایی آموزش داده می‌شوند که نیازهای مصرف‌کنندگان ثروتمند در غرب را برآورده کند. بنابراین ممکن است که این ابزارها، در تعامل با افراد فقیر در دیگر مناطق، خطاهایی داشته باشند و مثلا در احوالپرسی با مشتریان از نام کوچک آنها استفاده کنند که چنین چیزی در یک فرهنگ خاص، خلاف ادب تلقی شود. 

جوامع غنی غربی به عنوان یک استارت اولیه، در گرد‌آوری داده‌های آموزشی پیشی گرفتند، بنابراین زمان لازم است تا مدل‌های هوش مصنوعی تاحدی نماینده مردم سایر نقاط جهان هم بشوند. اما این فرآیند قابل شتاب‌دهی است. محققان می توانند کاربردهایی را شناسایی کنند که می‌تواند به تحولی بزرگ منجر شود، اگر تنها بتوانند داده‌های پشتیبان آنها را در پوشش دیگر جوامع نیز نماینده‌تر کنند. به عنوان مثال، مشاور پزشکی هوش مصنوعی ممکن است در کمک به فردی با فشار خون بالا در سیلیکون ولی Silicon Valley کارآمد باشد اما برای دیگرانی که در لاگوس با مالاریا روبرو هستند، کمتر مفید باشد زیرا با موارد پزشکی محلی آشنایی ندارد. یا چنین سیستمی ممکن است در میان افراد انگلیسی‌زبان رایج باشد، اما در زبان یوروبا، یکی از زبان‌های بومی اصلی نیجریه، در دسترس نباشد.

برای جبران کمبود داده‌های جهان در حال توسعه، باید محتواهای داده ای تازه ای برای مدل‌ها فراهم شود تا بر پایه آنها آموزش دهند. در اینجا، همکاری جمعی می‌تواند مفید باشد. به عنوان مثال، جنبش ویکی‌آفریقا، افزودن محتوای آفریقایی به ویکی‌پدیا را هماهنگ کرد. این ابتکارها در حال حاضر که چنین داده هایی می‌تواند کارکرد و تصمیمات ماشین‌ها را بهبود بخشد، از ارزش بیشتری برخوردار شده است. در دیگر زمینه‌هایی که در آنها تشخیص دقت و صحت برونداد هوش مصنوعی، دشوارتر است – همچون حوزه های پزشکی یا کشاورزی - همکاری جمعی کافی نخواهد بود و باید برای این کار متخصصانی استخدام شود یا داده‌های آنالوگ مانند سوابق کلینیکی کاغذی، دیجیتال شوند. نماینده بودن داده های یک ابزار هوش مصنوعی، تنها بخشی از معماست چرا که توسعه‌دهندگان ابزارهای هوشمند باید نقش واسط میان گروه‌هایی با ارزش‌های مختلف را ایفا کنند. گروه‌های مذهبی مختلف در هند، به عنوان مثال، ممکن است بر سر اینکه چه چیزی یک مشاوره پزشکی مناسب است، اختلاف نظر داشته باشند.

یک مشکل دیگر در وارد کردن هوش مصنوعی به جهان در حال توسعه، مسئله‌ای فناورانه است. با وجود پیشرفت‌های گسترده، جهان در حال توسعه هنوز در مقایسه با جهان توسعه‌یافته در بسیاری از شاخص‌های فناوری تأخیر دارد. برخی از کاربردهای هوش مصنوعی به دسترسی گسترده‌تر به تلفن‌های هوشمند، اتصال بهتر به اینترنت یا سیستم‌های ثبت دیجیتالی نیاز دارند تا عملکرد دانش‌آموزان در یک مدرسه، وضعیت بیماران در یک بیمارستان یا نتیجه پرونده‌ها در یک دادگاه را پیگیری کنند. برای هوش مصنوعی، همانند امواج قبلی نوآوری‌های فناوری، کلید موفقیت در تفکیک بین کاربردهایی است که نسبتاً زود به ارزش خواهند رسید با کاربردهایی که تا آینده قابل پیش‌بینی در محدوده داستان‌های علمی تخیلی باقی می‌مانند. البته این یک خط کشی متغیر است و از یک حوزه به حوزه دیگر متفاوت خواهد بود. به عنوان مثال، در بخش دارویی، تحمل اشتباهاتی که سامانه های  هوش مصنوعی ناگزیر انجام می دهند، کمتر است و رشته کشاورزی به عوامل زمینه‌ای پیچیده ای نیاز دارد که برای یک کشاورز، ذاتا ملموس است اما بیان آن برای سامانه های هوش مصنوعی دشوار است.

محدودیت‌های قانونی و حقوقی:

در دنیای توسعه‌یافته و در حال توسعه، گسترش هوش مصنوعی ریسک هایی را به همراه می آورد اما کشورهای در حال توسعه با مجموعه‌ای متفاوت از ریسک ها روبه‌رو هستند و توان کمتری برای سامان بخشی حقوقی این فناوری دارند. سوال اصلی این است که آیا این فن آوری، متمرکز خواهد ماند - به عبارت دیگر، تحت کنترل شمار کمی از شرکت‌های فناوری می ماند؟ سیستم‌های هوش مصنوعی متمرکز، احتمالاً در بازارهای بزرگ مانند ایالات متحده و اتحادیه اروپا، تنظیم حقوقی خواهند شد اما بازارهای کوچک تنها فشار محدودی اعمال می‌کنند، بنابراین زیر سایه تنظیمات مقرراتی ایالات متحده و اتحادیه اروپا قرار خواهند گرفت. هرچند این کشورها ممکن است دسترسی به یک سیستم متمرکز را مسدود کنند - به عنوان مثال، با مسدود کردن سرورها- همانطور که برخی از دولت‌های خودکامه، توییتر، فیسبوک و یوتیوب را فیلتر کرده‌اند - اما قادر نخواهند بود مانع عبور محتواهای تولیدشده توسط هوش مصنوعی از مرزها بشوند.

با این حال، روشن نیست که آیا هوش مصنوعی، متمرکز باقی می‌ماند یا نه. جایگزین‌های منبع باز Open-source مانند "لاما" (یک مدل زبانی بزرگ که توسط شرکت مالک فیسبوک، یعنی متا، تولید شده) و "استیبل دیفیوژن" (یک تولید‌کننده تصویر از شرکت نوآوری "استیبلیتی ای‌آی") در حال گسترش هستند. این سیستم‌های غیرمتمرکز توسط هر کسی با یک کامپیوتر، قابل تغییر و اجرا هستند. اگر این سیستم‌های غیرمتمرکز به اندازه کافی مفید واقع شوند، برای هر کشوری دشوار خواهد بود که به طور مستقیم آنها را مشمول تنظیم مقررات کند. اما از دیگر سوی، این سیستم‌های باز می‌توانند به آسانی برای انطباق با نیازهای محلی اصلاح شوند زیرا اغلب رایگان هستند و هر کسی می‌تواند کدهای آنها را تغییر دهد. با توجه به محدودیت‌ اهرم کشورها برای سامان بخشی حقوقی این ابزارها، کشورهای در حال توسعه ممکن است ناچار باشند خود را برای سازگاری با فناوری جدید به جای کنترل آن آماده کنند. برای کاهش آسیب ها، شاید لازم باشد که نه بر روی تنظیم حقوقی خود هوش مصنوعی بلکه بر وضع مقررات برای صنایعی متمرکز شد که آنها را به کار می گیرند - به عنوان مثال، با توسل به قوانین حفاظت مصرف‌کننده که شرکت‌ها را در صورت ناامن بودن یک کالا یا خدمات، مسوول می شناسد، صرف نظر از اینکه آن کالا یا خدمات از هوش مصنوعی استفاده بکند یا نه.

در کشورهای ثروتمند، گفت وگوی سالمی بر سر مقررات هوش مصنوعی جریان یافته اما بسیاری از پیشنهادهایی که برای مقابله با ریسک های آن ارائه می شود، شاید برای کشورهای فقیر کفایت نکند. تنظیم‌کنندگان مقررات در غرب توانایی ارزیابی اینکه این قوانین چگونه در بافت ها و محیط های مختلف کار خواهند کرد را ندارند؛ سامانه ای که ایمنی آن برای بروکسل تأیید شده، ممکن است در بنگلور به آن خوبی کار نکند. علاوه بر این، استانداردهای وضع شده توسط تنظیم‌کنندگان غربی، ممکن است برای جاهایی که جایگزین‌های مقرراتی بسیار بدتری برای یک برنامه هوش مصنوعی وجود دارد، بیش از حد محدودکننده باشند. به عنوان مثال نیازی نیست که پیش‌بینی های هواشناسی، کامل و بی نقص باشند تا در مقایسه با پیش بینی هایی که در دسترس کشاورزان کشورهای در حال توسعه است، یک بهبود به شمار آیند. حتی در مقررات ناظر بر زمینه هایی با ریسک‌های بالاتر مانند پزشکی، هوش مصنوعی ممکن است به زودی، از گزینه‌های موجود برای فقرا بهتر باشد. یک پژوهش در سال 2023 به بررسی عملکرد بالینی در کشورهای کم درآمد پرداخت تا دریابد چه بخشی از موارد درمانی به درستی انجام شده‌اند. پاسخ این بود که: کمتر از نیمی از آنها.

در همین حال، میانگین شهروندان یک کشور در حال توسعه در مقایسه با همتایانشان در دنیای توسعه‌یافته، آسیب‌پذیرتر هستند. بسیاری از افراد در جهان در حال توسعه، امکان کمتری برای به چالش گرفتن تصمیمات خودکار، مانند رد یک درخواست وام، دارند. سیستم‌های جدید هوش مصنوعی اغلب از آنچه تبلیغ می‌شود نیز، بدتر عمل می‌کنند و برای شرکت‌ها بسیار آسان است که مشکلاتی را که برای افراد کم درآمد پیش می‌آید، نادیده بگیرند. به همین دلیل، مهم خواهد بود که تنظیم‌کنندگان مقررات، اطمینان حاصل کنند که مصرف‌کنندگان از فرآیندهای کافی برای گزارش مشکلات و اعتراض به تصمیمات برخوردارند.

کشورهای در حال توسعه ممکن است به جای تلاش برای کنترل فن آوری های تازه، ناچار به سازگاری با آنها باشند. همچنین بسیاری از افراد در جهان در حال توسعه، به تازگی با مفهوم هوش مصنوعی آشنا شده‌اند و چیزی درباره الگوریتم‌ها نشنیده‌اند. بنابراین باید مراقبت کنیم که به طور موثر ارتباط برقرار کنیم. یک مطالعه که من به همراه جاشوا بلومن‌استوک Joshua Blumenstock و سامسون نایت Samsun Knight  انجام دادم، نشان می‌دهد که چنین کاری امکان پذیر است. ما ابزارکی موبایلی را در اختیار کنیایی‌های کم درآمد قرار دادیم که به آنها با توجه به نحوه استفاده از تلفن همراه شان پاداش مالی می‌دهد و این کار را با استفاده از الگوریتمی انجام دادیم که مشابه آنهایی است که امتیاز اعتباری افراد را ارزیابی می‌کنند. هنگامی که به این کنیایی ها، توضیحات ساده‌ای درباره نحوه کار الگوریتم‌ها داده شد، آنها رفتار خود را تنظیم کردند – یعنی یک نشانه ملموس از درک و فهم.

موانع سیاسی فراوانی نیز وجود دارد. دیپ فیک‌ها Deepfakes- یعنی تصاویر، ویدیوها و کلیپ‌های صوتی واقع‌ نما که توسط هوش مصنوعی تولید شده‌اند - می‌توانند در کشورهای در حال توسعه، جایی که سامانه‌های سیاسی شکننده هستند و اعتماد بین گروه‌ها اغلب پایین است، تأثیری به ویژه مخرب داشته باشند. هنگامی که مردم متوجه می‌شوند که می توان چنین محتواهایی را تولید کرد، ممکن است محتواهایی که واقعی هستند را هم باور نکنند. برای پیشگیری از این مشکلات، جامعه مدنی می‌تواند نقشی در ایجاد زیرساخت اعتماد ایفا کند - آگاهی از اینکه محتوا ممکن است تقلبی باشد را گسترش دهد و کانال‌های مستقلی را ایجاد کند که برای ارزیابی صحت محتوا، صاحب اعتبار باشند.
همچنین هوش مصنوعی قادر خواهد بود تا اشکال جدیدی از نظارت و ردیابی را ممکن سازد، مانند پیگیری افراد از طریق دستگاه‌های تلفن همراه و تشخیص چهره. بیشتر کشورهای در حال توسعه که مشتری بازار ابزارهای نظارتی پیشرفته هستند، خودشان این ابزارها را توسعه نمی‌دهند بلکه آنها را وارد می‌کنند اغلب هم از چین. این برون سپاری به این معنی است که بکارگیری عملی فناوری هوش مصنوعی ممکن است کاری بی قاعده باشد که موجب می‌شود اطلاعات جمع‌آوری شده به راحتی به دست طرف سوم برسد و مقررات کار به اشکال پیش‌بینی‌نشده ای نقض شود. در اینجا نیز نقش جامعه مدنی آن است که بر سامانه های جدید نظارت کرده و نسبت به سوءاستفاده‌ها هشدار دهد.

بازگشت به آینده:

موج کنونی هوش مصنوعی، به سرعت چالش‌ها و فرصت‌های بی سابقه ای را با خود می آورد. با این حال، در گذشته نیز گذارهای مشابهی را در فناوری دیده‌ایم. گرچه تلفن‌های همراه در ابتدا برای مصرف‌کنندگان ثروتمند طراحی شده بود، اما در طول 20 سال گذشته در میان فقرا پرطرفدار شد. کشورهای در حال توسعه از سخت‌افزارهای استاندارد شده - آنتن‌ها و دستگاه‌های تلفن همراه - ساخته شده در غرب بهره بردند. شرکت‌های مخابراتی، مدل‌های کسب‌وکاری ابداع کردند که به فقرا خدمت می‌کند، مانند طرح‌های پرداخت همراه به لحظه. کارآفرینان، سازمان‌های جدیدی راه‌اندازی کردند که به مردم اجازه می‌دهد تا از تلفن‌های همراه برای ارسال پول، اخذ اعتبار و ارزیابی قیمت‌ها استفاده کنند. این نوآوری‌ها به تلفن‌های همراه امکان داد تا به سرعت به اکثر فقرای جهان دسترسی پیدا کرده و آنها را به اقتصاد جهانی متصل کنند.

دقیقاً چنین پیوندهایی بود که راه را برای گسترش هوش مصنوعی هموار کرد. اما با وجود موفقیت تلفن‌های همراه، حتی این نوآوری هم نتوانسته از همه ظرفیت خود در جهان در حال توسعه بهره‌برداری کند. بیشتر نوآوری‌های بخش خصوصی بر روی نیازهای ثروتمندان تمرکز داشته است. سرمایه گذاری بسیار بیشتری هم برای تولید برنامه ها و ابزارهایی انجام شده که دسترسی و تماس مشتریان ثروتمند را به رانندگان، ویلا‌های تفریحی و غذاهای آماده فراهم می کند تا برنامه‌هایی برای ارتباط دادن کشاورزان به بازارهای میوه و تره بار و کودکان دور از مدرسه به یادگیری. نوآوری بخش خصوصی در هوش مصنوعی احتمالاً به تحول در صنایع مختلف، از آموزش تا بهداشت و حقوق، خواهد انجامید اما بهره‌برداری از توان کامل این فناوری برای کشورهای در حال توسعه نیازمند تدوین چشم اندازی گسترده است از آنچه ممکن و شدنی است و نیز نیازمند توجه به مردمی است که این فن آوری می تواند زندگی‌شان را متحول کند. 

منبع: فارن افرز / تحریریه دیپلماسی ایرانی/11