پژوهشگران آنتروپیک: اگر هوش عمومی مصنوعی تا سه سال دیگر محقق شود، آیا گرفتن دکتری و دنبال کردن مسیر استادی دانشگاه همچنان منطقی است؟
سخنرانی یکی از پژوهشگران شرکت آنتروپیک که مدتی از انتشار آن گذشته بود، بار دیگر مورد توجه قرار گرفته و بحث‌های گسترده‌ای را در شبکه اجتماعی ایکس برانگیخته است.
یاشا سول-دیکشتاین، پژوهشگر آنتروپیک و از محققان اولیه مدل‌های انتشار (Diffusion Models)، در ژوئن ۲۰۲۶ در کنفرانس فیزیک و هوش مصنوعی دانشگاه استنفورد سخنرانی‌ای با عنوان توصیه‌هایی به یک پژوهشگر جوان در نخستین و واپسین روزهای آنتروپوسن ایراد کرد. از نظر او، شتاب پیشرفت هوش مصنوعی نه‌تنها روش‌های انجام پژوهش علمی را متحول می‌کند، بلکه ممکن است الگوهای دیرپای برنامه‌ریزی برای فعالیت دانشگاهی را نیز زیر سؤال ببرد.
این دیدگاه در عصر کنونی هوش مصنوعی مسئله‌ای مهم و شایسته تأمل را مطرح می‌کند: وقتی فناوری ممکن است ظرف چند سال ساختار پژوهش علمی را عمیقاً دگرگون کند و سرعت این پیشرفت را به‌وضوح می‌بینیم، آیا هنوز می‌توان بر اساس تجربه چند دهه گذشته برای آینده شغلی برنامه‌ریزی کرد؟
ارزیابی سول-دیکشتاین بر مجموعه‌ای از داده‌ها درباره مقیاس محاسبات و توانایی‌های هوش مصنوعی استوار است. طی دهه گذشته، حجم محاسبات مورد استفاده برای آموزش بزرگ‌ترین مدل‌ها حدود ۱۰ میلیون برابر شده است. او معتقد است مدل‌های هوش مصنوعی در حدود هفت ماه گذشته شروع به حل برخی از مسائل ریاضی اردوش کرده‌اند که مدت‌ها ذهن ریاضی‌دانان را به خود مشغول کرده بود. اگر این روند رشد ادامه یابد، توان محاسباتی در سال ۲۰۳۰ ممکن است به حدود ۱۰ هزار برابر سطح سال ۲۰۲۵ برسد. از دید او، در شرایطی که رشد به‌صورت نمایی ادامه دارد، پیروی از الگوهای شغلی گذشته دیگر لزوماً ثبات مورد انتظار را فراهم نمی‌کند.
توصیه‌های او چند محور اصلی دارد: هوش مصنوعی را هرچه زودتر وارد فعالیت روزمره پژوهشی خود کنید و سراغ مسائلی بروید که با افزایش توان محاسباتی و قابلیت‌های مدل‌ها همچنان ارزش بیشتری پیدا می‌کنند؛ خطرهای مسیر سنتی دانشگاهی را از نو بسنجید و مدرک دکتری، پژوهش پسادکتری و دستیابی به کرسی استادی دارای دوره تصدی را گزینه‌هایی ذاتاً امن تلقی نکنید؛ از هوش مصنوعی برای برنامه‌نویسی، اجرا و راستی‌آزمایی کارها بهره بگیرید، اما قضاوت و تفکر مستقل درباره مسئله را کنار نگذارید.
یکی از برجسته‌ترین جمله‌های این سخنرانی چنین است: «نوشتن همان اندیشیدن است. اگر نوشتن را به دیگری واگذار کنید، در واقع اندیشیدن را هم به او سپرده‌اید.»
این دیدگاه بازتابی از برداشت سول-دیکشتاین درباره پژوهش علمی در عصر هوش مصنوعی نیز هست: استفاده از هوش مصنوعی برای افزایش بهره‌وری به معنای کنار گذاشتن تفکر مستقل نیست. پژوهشگران جوان در مواجهه با تغییرات بزرگی که ممکن است طی چند سال آینده رخ دهد، باید علاوه بر یادگیری استفاده از هوش مصنوعی، درباره مسیر پژوهشی و برنامه شغلی خود نیز تجدیدنظر کنند و بیندیشند که کدام توانایی‌ها همچنان اهمیت خواهند داشت و سرمایه‌گذاری بلندمدت روی کدام انتخاب‌ها ارزشمند است.
در ادامه، متن سخنرانی سول-دیکشتاین با حذف بخش‌هایی که به معنای اصلی لطمه نمی‌زند، آمده است:
۰۱. رشد نمایی هوش مصنوعی تازه آغاز شده است
عنوان سخنرانی امروز از آثار سانتیاگو رامون ای کاخال، برنده جایزه نوبل و یکی از بنیان‌گذاران علوم اعصاب مدرن، الهام گرفته شده است.
ابتدا به نمودار رشد تولید ناخالص داخلی جهان نگاه کنیم. ما معمولاً آینده را امتداد خطی وضعیت کنونی تصور می‌کنیم، اما اگر تغییرات بلندمدت تولید ناخالص داخلی را در مقیاس لگاریتمی بررسی کنیم، درمی‌یابیم که رشد نمایی مدت بسیار زیادی ادامه داشته است. هوش مصنوعی نیز مسیری مشابه را طی می‌کند.
اگر این ارزیابی را بپذیرید، باید درباره مسیر شغلی، پروژه‌های پژوهشی و برنامه‌های زندگی خود تجدیدنظر کنید.
فعالیت‌های انسان آثار ماندگاری بر زمین بر جای گذاشته‌اند. برای مثال، انقراض گسترده گونه‌ها در جریان است و مواد رادیواکتیو ناشی از آزمایش‌های هسته‌ای نیز در لایه‌های زمین باقی مانده‌اند. حتی میلیاردها سال بعد، این آثار ممکن است همچنان گواهی بر وجود انسان باشند. بر همین اساس، برخی از اعضای جامعه علمی پیشنهاد کرده‌اند دوره‌ای را که در آن انسان تأثیری عمیق بر محیط‌زیست زمین گذاشته است، «آنتروپوسن» بنامند.
با افزایش مداوم توانایی‌های هوش مصنوعی، ممکن است انسان به‌زودی دیگر تنها نیروی هوشمندی نباشد که می‌تواند در مقیاسی گسترده جهان را تغییر دهد. زمان پایان این عصر تا حد زیادی به مسیر توسعه هوش مصنوعی بستگی خواهد داشت.
در دهه گذشته، حجم محاسبات مورد استفاده برای آموزش بزرگ‌ترین مدل‌های هوش مصنوعی حدود ۱۰ میلیون برابر افزایش یافته است. برآورد تقریبی من این است که این مقیاس به‌تدریج به حجم محاسباتی نزدیک می‌شود که مغز انسان در طول یک عمر انجام می‌دهد.
توانایی‌های هوش مصنوعی نیز به‌سرعت در حال بهبودند. در یک مطالعه، وظایف نرم‌افزاری بررسی شدند که مدل می‌تواند آن‌ها را به‌طور مستقل با نرخ موفقیت ۵۰ درصد انجام دهد. توانایی مدل‌ها بر اساس مدت‌زمانی سنجیده شد که انسان برای انجام وظایف مشابه نیاز دارد. در کمتر از یک سال، بازه زمانی وظایفی که مدل‌ها از عهده آن‌ها برمی‌آیند حدود ۱۰ برابر افزایش یافت؛ رشدی که از پیش‌بینی قبلی من برای سال‌های ۲۰۲۶ تا ۲۰۲۷ نیز فراتر رفت.
تحولات مشابهی در ریاضیات نیز رخ داده است. پل اردوش مجموعه بزرگی از مسائل حل‌نشده ریاضی را بر جای گذاشت. در حدود هفت ماه گذشته، مدل‌های هوش مصنوعی حل برخی از این مسائل را آغاز کرده‌اند و مرزهای شناخته‌شده پژوهش ریاضی را گسترش داده‌اند.
این پیشرفت‌ها نشان می‌دهند که هوش مصنوعی نه‌تنها بهره‌وری در انجام وظایف موجود را افزایش می‌دهد، بلکه به‌تدریج وارد حوزه‌هایی می‌شود که پیش‌تر به کاوش و دستاوردهای پژوهشگران انسانی نیاز داشتند.
۰۲. هوش عمومی مصنوعی چه زمانی ممکن است محقق شود؟
یک سال پیش، نسخه اولیه این سخنرانی را در دانشگاه هاروارد ارائه کردم. آن زمان برخی معتقد بودند صحبت از تحقق قریب‌الوقوع هوش عمومی مصنوعی (AGI) بیش از حد افراطی است. اما اکنون می‌توان این مسئله را آشکارا و جدی بررسی کرد.
ریشی سوناک، نخست‌وزیر پیشین بریتانیا، زمانی تأکید کرد که رقابت بر سر هوش عمومی مصنوعی از نظر ژئوپلیتیکی اهمیتی بنیادی دارد. باراک اوباما، رئیس‌جمهور پیشین آمریکا، نیز گفته است تأثیر هوش مصنوعی از تأثیر تلفن‌های هوشمند فراتر خواهد رفت و سریع‌تر از آن آشکار خواهد شد. اریک اشمیت، مدیرعامل پیشین گوگل، پیش‌بینی کرده است که هوش مصنوعی طی چند سال آینده به سطح بالاترین توانایی‌های شناختی انسان خواهد رسید یا حتی از آن فراتر خواهد رفت.
اگرچه هوش مصنوعی هنوز به‌طور کامل جای برنامه‌نویسان را نگرفته است، بسیاری از وظایف آن‌ها را بر عهده گرفته و در نتیجه، ماهیت کارشان نیز در حال تغییر است.
اگر در صنعت هوش مصنوعی سان‌فرانسیسکو فعالیت کنید و از افراد بپرسید هوش عمومی مصنوعی چه زمانی محقق خواهد شد، بسیاری پاسخ می‌دهند که این اتفاق طی چند سال آینده رخ می‌دهد. حتی اگر برخی افراد بازه زمانی طولانی‌تری را محتمل بدانند، با پرس‌وجوی بیشتر ممکن است مشخص شود که منظورشان از آینده دور، تنها حدود ۱۰ سال است.
این وضعیت با بحث‌هایی که در دیگر حوزه‌های علمی جریان دارد، تفاوت زیادی دارد. برای مثال، اگر در زیست‌فناوری بپرسید چه زمانی می‌توان سرطان را درمان کرد، پژوهشگران معمولاً دشواری‌های موجود و دلایل زمان‌بر بودن این کار را توضیح می‌دهند. اما پژوهشگران هوش مصنوعی که با آن‌ها گفت‌وگو می‌کنم، اغلب معتقدند میان مدل‌های فعلی و ابرهوش، مانع فنی مشخصی وجود ندارد.
پدیده دیگری که شایسته توجه است، تغییر سرعت عبور از معیارهای ارزیابی هوش مصنوعی است. در گذشته، رسیدن به سطح عملکرد انسان در بسیاری از این معیارها بیش از ۱۰ سال زمان می‌برد، اما اکنون ممکن است معیارهای تازه تنها طی چند ماه تا چند سال پشت سر گذاشته شوند. من در طراحی معیار ارزیابی «بیگ‌بنچ» (BIG-Bench) مشارکت داشتم و حتی پیش از انتشار رسمی مقاله آن، برخی پژوهش‌ها در تعدادی از وظایف این مجموعه به نتایجی دست یافته بودند که از بهترین نتایج ثبت‌شده پیشین فراتر می‌رفت.
اگر فکر می‌کنید هوش مصنوعی در یکی از توانایی‌های کلیدی خود پیشرفت بیشتری نخواهد کرد، پیشنهاد می‌کنم این قضاوت را به شاخص‌هایی قابل‌اندازه‌گیری تبدیل کنید، معیارهای مشخصی برای ارزیابی بسازید و نتایج را به‌طور مستمر دنبال کنید. به این برداشت مبهم که «هوش مصنوعی هنوز به‌اندازه کافی هوشمند نیست» اکتفا نکنید.
روش‌های فعلی ما برای رسیدن به هوش عمومی مصنوعی آشکارا هنوز بسیار ناکارآمدند. ممکن است بهره‌وری مغز انسان در استفاده از داده‌ها چندین مرتبه بزرگی بیشتر از روش‌های کنونی باشد. اما ناکارآمد بودن یک روش به این معنا نیست که آن روش کار نمی‌کند.
چیزی که بارها مرا شگفت‌زده کرده، این است که با افزایش مقیاس برخی روش‌های نسبتاً ساده به‌اندازه یک مرتبه بزرگی، همچنان می‌توان به پیشرفت‌های چشمگیری دست یافت. بنابراین، در حال حاضر مانع بنیادی و مشخصی نمی‌بینم که بتواند جلوی ادامه این مسیر را بگیرد.
اگر این بازه‌های زمانی را جدی بگیریم، نخستین پرسش این است که چگونه اطمینان حاصل کنیم پژوهشی که انجام می‌دهیم، هنگام تکمیل شدن همچنان ارزشمند خواهد بود. باید مراقب وضعیتی باشیم که در آن دو سال برای دستیابی به پیشرفتی ظاهراً مهم وقت می‌گذاریم، اما وقتی کار به پایان می‌رسد، دیگران تنها با وارد کردن یک دستور به جدیدترین مدل پایه به نتایج بهتری دست پیدا می‌کنند.
به همین دلیل، پیشنهاد می‌کنم پروژه‌های پژوهشی هدفمند انتخاب کنید، با دیگران همکاری داشته باشید و کار را هرچه سریع‌تر پیش ببرید تا روند پژوهش شما بتواند با رشد توانایی‌های هوش مصنوعی همگام بماند.
ریچارد ساتن در سال ۲۰۱۹ مقاله درس تلخ را منتشر کرد که دیدگاهی مهم در اختیار ما می‌گذارد: در بلندمدت، روش‌های عمومی که می‌توانند از منابع محاسباتی به‌طور کامل بهره ببرند، اغلب از روش‌های اختصاصی متکی بر طراحی دستی مؤثرترند.
این تجربه دو جنبه دارد:
از یک سو، اگر پژوهش شما بتواند هم‌زمان با افزایش توان محاسباتی و سطح هوشمندی پیشرفت کند و حتی به نوبه خود قابلیت‌های هوش مصنوعی را توسعه دهد، ارزش آن ممکن است بسیار فراتر از انتظار باشد.
از سوی دیگر، اگر قرار باشد مسئله‌ای صرفاً با افزایش مقیاس مدل‌ها حل شود، باید جدی بررسی کنید که پس از پایان پژوهش شما، آیا این کار همچنان ارزش مستقل و متمایزی خواهد داشت یا نه.
در نهایت، ربات‌ها وارد آزمایشگاه‌ها خواهند شد و کارهای عملی را بر عهده خواهند گرفت. پیش‌بینی زمان دقیق این اتفاق دشوار است، اما اگر طی ۱۰ تا ۱۵ سال آینده هنوز ربات‌هایی نداشته باشیم که بتوانند آزمایش‌های فیزیکی را به‌جای انسان انجام دهند، شگفت‌زده خواهم شد.
افزون بر این، اگر یک نظریه برای مدتی طولانی نتواند نتایج آزمایش‌ها را به‌درستی پیش‌بینی کند، همین مسئله نشان می‌دهد که پژوهش نظری هنوز جای پیشرفت دارد. اگر هوش مصنوعی بتواند قدرت پیش‌بینی نظریه‌ها را افزایش دهد، این فرصت را خواهیم داشت که تعداد آزمایش‌های لازم را کاهش دهیم.
البته، میزان تأثیرگذاری این فناوری به کاربرد مشخص و سهولت استفاده از ابزارها بستگی دارد. اگر هزینه تعامل با هوش مصنوعی از مزایایی که به همراه می‌آورد بیشتر باشد، استفاده از آن دشوار خواهد بود و نمی‌تواند نقش واقعی خود را ایفا کند.
۰۳. هوش مصنوعی را به ابزاری روزمره در پژوهش تبدیل کنید
من هر روز از کلود (Claude) استفاده می‌کنم. برای من، این ابزار شبیه دانشجوی تحصیلات تکمیلی‌ای است که توان اجرایی بسیار بالایی دارد و با اشتیاق فراوان کار می‌کند، اما در حال حاضر در شهود پژوهشی و قضاوت همچنان کاستی‌های آشکاری دارد.
یک سال پیش، هنوز لازم بود تمام جزئیات کار آن را به‌دقت بررسی کنم. اکنون می‌توانم مسئله‌ای کلی را به آن بدهم، از آن بخواهم نمودارهایی تولید کند و سپس بر اساس نتایج تصمیم بگیرم که گام بعدی چه باشد. به نظرم این شیوه کار همچنان تغییر خواهد کرد.
تقریباً دیگر خودم کدنویسی نمی‌کنم و حتی به‌ندرت کدها را می‌خوانم، اما هر روز برای انجام وظایف پژوهشی از کد استفاده می‌کنم.
پیشنهاد می‌کنم تا جای ممکن از ابزارهای موجود هوش مصنوعی استفاده کنید؛ از جمله برای ایده‌پردازی، اصلاح و تکامل ایده‌های پژوهشی، تحلیل داده‌ها، تولید نمودارها و بررسی ایرادهای احتمالی مقاله‌ها و پژوهش‌ها.
من اغلب از هوش مصنوعی می‌خواهم برایم یک داشبورد اختصاصی بسازد و چند صفحه نمودار تولید کند تا بتوانم از روی کنجکاوی، مسئله‌ای خاص را بررسی کنم. انجام چنین کاری در گذشته احتمالاً زمان بیشتری می‌برد، اما اکنون بسیار آسان‌تر شده است.
حتی اگر کلود بتواند بخش عمده کدهای پژوهشی ما را بنویسد، دانشجویان تحصیلات تکمیلی همچنان باید بفهمند کد چه کاری انجام می‌دهد؛ با این تفاوت که دیگر لازم نیست مانند گذشته تک‌تک خطوط آن را شخصاً بنویسند. این تغییر تا حدی شبیه گذار از برنامه‌نویسی با کارت‌های پانچ به پایتون است. استفاده از ابزارهای سطح بالاتر به این معناست که شاید دیگر نیازی نباشد تمام جزئیات داخلی رایانه را بدانید و بتوانید به‌جای آن روی مسائل سطح بالاتر تمرکز کنید.
نکته اصلی این است که باید بتوانید نتایج مدل را به چالش بکشید. برای مثال، پس از آنکه مدل نموداری تولید کرد، باید بررسی کنید که آیا نمودار از نظر منطقی سازگار است و نتیجه‌گیری آن معقول به نظر می‌رسد یا نه؛ نباید توضیحات مدل را بی‌درنگ بپذیرید. دانشجویان تحصیلات تکمیلی به‌ویژه باید بدانند که زمانشان بسیار ارزشمند است. هدف از استفاده از ابزارها این است که وقت خود را صرف کارهای مهم‌تر کنند، نه اینکه ثابت کنند قادرند همه مراحل فنی را به‌تنهایی انجام دهند.
همه را تشویق می‌کنم برای دریافت بازخورد درباره نوشته‌هایشان از هوش مصنوعی کمک بگیرند، اما نگارش پیش‌نویس اولیه را به آن نسپارند. دلیلش ساده است: نوشتن همان اندیشیدن است. اگر نوشتن را به دیگری واگذار کنید، در واقع اندیشیدن را هم به او سپرده‌اید. باید خودتان افکارتان را در قالب زبان سازمان‌دهی کنید تا مشخص شود واقعاً چه می‌خواهید بگویید، آیا استدلالتان معتبر است و کدام مسائل هنوز برایتان روشن نشده‌اند.
استفاده از هوش مصنوعی برای یافتن ایرادها، طرح مخالفت‌ها و بررسی استدلال‌ها بسیار ارزشمند است. اما اگر مستقیماً از آن بخواهید پیش‌نویس اولیه را تولید کند، ممکن است پیش از آنکه واقعاً پژوهش خود را درک کرده باشید، مقاله‌ای ظاهراً کامل در اختیار داشته باشید.
۰۴. اگر معتقدید هوش عمومی مصنوعی به‌زودی محقق می‌شود، باید برنامه‌ریزی شغلی خود را تغییر دهید
دلیل مستقیم شکل‌گیری این سخنرانی گفت‌وگویی با یک دانشجوی تحصیلات تکمیلی بسیار توانمند بود. او به من گفت که فکر می‌کند هوش عمومی مصنوعی ممکن است طی سه سال آینده محقق شود. اما چند دقیقه بعد، شروع کرد به برنامه‌ریزی برای آینده: طی چند سال دکتری خود را تمام کند، سپس دوره پسادکتری را بگذراند و بعد برای موقعیت استادی دانشگاه درخواست بدهد.
به نظر من، اینجا تناقضی آشکار وجود دارد. اگر باور دارید فناوری‌ای که جهان را تغییر می‌دهد به‌زودی از راه می‌رسد، باید سایر قضاوت‌ها و تصمیم‌های خود را نیز با این باور هماهنگ کنید.
نمی‌دانم پژوهش دانشگاهی در ۱۰ یا ۲۰ سال آینده چه شکلی خواهد داشت و بیشتر مشاغل در آن زمان چگونه خواهند بود. اما اطمینان دارم که وضعیت آن‌ها با امروز تفاوت زیادی خواهد داشت.
مردم معمولاً خطرها و پاداش‌های احتمالی را می‌سنجند و مسیری را انتخاب می‌کنند که نسبتاً امن به نظر می‌رسد، حتی اگر مسیر دیگر پاداش بیشتری داشته باشد. اما اگر هوش مصنوعی واقعاً تغییرات گسترده اجتماعی ایجاد کند، شما از همین حالا با خطرهای سیستمی بزرگی روبه‌رو هستید. انتخاب‌های سنتی و ظاهراً امن ممکن است این خطرها را کاهش ندهند و در عوض باعث شوند فرصت دستیابی به دستاوردهای بالقوه بزرگ‌تر را از دست بدهید. بنابراین، پیشنهاد می‌کنم به‌جای دنبال کردن کورکورانه گزینه‌هایی که امن به نظر می‌رسند، کارهای جذاب و معنادار انجام دهید.
اگر زمان محدودی در اختیار دارید و تأثیر تحولات آینده نیز بسیار بزرگ خواهد بود، باید کارهایی را انتخاب کنید که به انجام دادنشان افتخار کنید. وقتی سال‌ها بعد به مسیر حرفه‌ای خود نگاه می‌کنید، احتمالاً می‌خواهید بدانید که در دستیابی به نتیجه‌ای مهم سهمی داشته‌اید. این یعنی باید به پژوهش‌هایی توجه کنیم که ممکن است مسیر توسعه هوش عمومی مصنوعی را به شکلی مثبت تحت تأثیر قرار دهند، نه اینکه صرفاً به دنبال نتایج کوتاه‌مدت باشیم.
برخی معتقدند توسعه هوش مصنوعی از محدوده تأثیرگذاری افراد خارج شده است. من این دیدگاه را نادرست می‌دانم. بر اساس روند کنونی، توان محاسباتی ممکن است تا سال ۲۰۳۰ به ۱۰ هزار برابر سطح سال ۲۰۲۵ برسد. در آن زمان، مقیاس محاسباتی امروز در نموداری با محور خطی تقریباً به صفر شبیه خواهد بود.
این یعنی هنوز در مراحل اولیه رشد نمایی قرار داریم. در چنین مرحله‌ای، تصمیم‌های کوچک ممکن است در بلندمدت تأثیرهای بسیار بزرگی داشته باشند.
در تاریخ نمونه‌های مشابه فراوانی وجود دارد. استانداردسازی پروتکل‌های ایمیل امکان تبادل اطلاعات میان سامانه‌های مختلف را فراهم کرد؛ فرایند هابر–بوش تولید انبوه آمونیاک مصنوعی را ممکن ساخت و کشاورزی و تولید مواد غذایی را به‌طور عمیقی تغییر داد؛ سازمان‌های اولیه پزشکی و حقوقی که در ایالات متحده شکل گرفتند نیز برای مدت طولانی بر ساختار نهادی این دو حوزه تأثیر گذاشته‌اند.
هیچ‌یک از این تحولات اجتناب‌ناپذیر نبودند. برخی انتخاب‌های فنی و ترتیبات نهادی در مراحل اولیه، در نهایت جهان امروز را شکل دادند. همین مسئله درباره هوش مصنوعی نیز صدق می‌کند. اینکه چه مسئله‌ای را برای پژوهش انتخاب می‌کنید، کجا کار می‌کنید، چگونه توانایی یا خطری را ارزیابی می‌کنید و آیا موضع اخلاقی خود را علنی می‌سازید یا نه، همگی می‌توانند بر مسیر آینده این فناوری تأثیر بگذارند.
به باور من، در مرحله‌ای از این تحول، انسان‌ها می‌توانند با مدیریت و هماهنگ کردن گروه‌هایی از عامل‌های هوش مصنوعی، کارهایی را انجام دهند که در گذشته حتی در طول یک عمر حرفه‌ای امکان تکمیلشان وجود نداشت. شاید بتوانید وظایفی را که پیش‌تر سال‌ها کاوش و تلاش می‌طلبیدند، تنها در یک هفته به پایان برسانید. این دوره شگفت‌انگیز خواهد بود.
اما فکر می‌کنم پس از آن ممکن است مرحله دیگری آغاز شود: هوش مصنوعی در شمار بیشتری از وظایف شناختی از انسان پیشی می‌گیرد و هوش انسان دیگر نمی‌تواند همان میزان پیشرفت اضافی را برای هوش مصنوعی فراهم کند. بنابراین، باید از فرصت کنونی تا جای ممکن استفاده کنیم، این ابزارها را به‌خوبی بیاموزیم و از آن‌ها برای انجام کارهای ارزشمندتر بهره ببریم.