ဉာဏ်ရည်ကို ကုန်စည်သဖွယ် ပြောင်းလဲလာသည့်ခေတ်
AI သည် လူ့ဉာဏ်ရည်နှင့် အတွေးအခေါ်ကို ပုံဖော်ထုပ်ပိုးနိုင်သော “ကုန်ပစ္စည်း” တစ်ခုသဖွယ် ပြောင်းလဲနေပြီး၊ ရိုးရှင်းသော အချက်အလက်ရှာဖွေခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းစွမ်းရည်များသည် ဈေးကွက်အတွင်း ပိုမိုလွယ်ကူစွာ ဝယ်ယူနိုင်လာကြောင်း ဆောင်းပါးတစ်ပုဒ်က သုံးသပ်ထားသည်။ သို့သော် မတူညီသော အယူအဆများ၊ မရေရာမှုများနှင့် ရှုပ်ထွေးသည့် အခြေအနေများအတွင်း ဆုံးဖြတ်ချက်ချနိုင်သော လူ့ဉာဏ်ရည်၊ အထူးသဖြင့် “central executive” စွမ်းရည်သည် ယနေ့ထက်တိုင် အစားထိုးရခက်သည့် အရင်းအမြစ်တစ်ခုအဖြစ် ကျန်ရှိနေသေးကြောင်း ဆိုထားသည်။
ဒူဘိုင်းမြို့တွင် ရေးသားသည့် Sami Mahroum ၏ ဆောင်းပါးအရ အမေရိကန် စိတ်ပညာရှင် George Miller သည် ၁၉၅၆ ခုနှစ်တွင် ထုတ်ဝေသည့် “The Magical Number Seven, Plus or Minus Two” စာတမ်း၌ လူ၏ working memory သည် တစ်ကြိမ်လျှင် အချက်အလက် ၇ ခုခန့်သာ သိမ်းဆည်းနိုင်ကြောင်း ဖော်ထုတ်ခဲ့သည်။ ထို့နောက် နိုဘယ်ဆုရှင် စီးပွားရေးပညာရှင် Herbert A. Simon ကလည်း bounded rationality သီအိုရီဖြင့် လူသားများသည် အချက်အလက်များ လွန်ကဲလာသည့်အခါ အကောင်းဆုံးအဖြေကို မရှာနိုင်ဘဲ “လုံလောက်ကောင်းမွန်သော” အဖြေကိုသာ ရွေးချယ်ရကြောင်း ရှင်းလင်းခဲ့သည်ဟု ဆိုသည်။ ၁၉၈၀ ပြည့်နှစ်များတွင် John Sweller ကလည်း cognitive load theory ဖြင့် working memory ၏ ကန့်သတ်ချက်ကို ကျော်လွန်သွားပါက စွမ်းဆောင်ရည် ကျဆင်းလာကြောင်း ထပ်မံတိတိကျကျ ဖော်ပြခဲ့သည်။
ဤအခြေအနေများကို အခြေခံ၍ ၂၀၀၀ ပြည့်နှစ်အစောပိုင်းတွင် heterodox စီးပွားရေးပညာရှင်များက အရင်းရှင်စနစ်သည် အဆင့်သစ်တစ်ခုသို့ ရောက်ရှိနေပြီဟု စတင်ငြင်းခုံလာကြသည်။ ၂၀၀၅ ခုနှစ်တွင် Université de Paris 8 Vincennes-Saint Denis မှ စီးပွားရေးပညာရှင် Carlo Vercellone က Karl Marx ၏ “general intellect” အယူအဆကို ကိုးကား၍ စက်ရုံအခြေပြု တန်ဖိုးဖန်တီးမှုမှ လူ့အသိဉာဏ် စုစည်းမှုက အဓိကမောင်းနှင်အား ဖြစ်လာသည်ဟုဆိုကာ “cognitive capitalism” ဟု ခေါ်ဝေါ်ခဲ့သည်။
Vercellone ၏ အဆိုအရ အသိပညာ၊ tacit knowledge၊ လူမှုဆက်ဆံရေးအခြေပြု စီရင်ဆုံးဖြတ်နိုင်မှုနှင့် အတွေ့အကြုံအပေါ် မူတည်သော ဉာဏ်ရည်တို့ကို အရင်းအနှီးက အပြည့်အဝ ပိုင်ဆိုင်နိုင်ခြင်းမရှိကြောင်း ရေးသားထားသည်။ စက်ယန္တရားများနှင့် မတူဘဲ လူသားတို့ထံရှိ အသိပညာသည် လုပ်သားနှင့် ခွဲမရဘဲ ဆက်စပ်နေသဖြင့် စနစ်တကျ စာရင်းသွင်းကုဒ်ရေးနိုင်ခြင်း သို့မဟုတ် အလိုရှိသလို လွှဲပြောင်းနိုင်ခြင်း မရှိခဲ့ကြောင်း ဆိုသည်။
သို့သော် AI အထူးသဖြင့် large language models များ ပေါ်ထွက်လာပြီးနောက် ထိုကန့်သတ်ချက်များ ပြောင်းလဲလာသည်ဟု ဆောင်းပါးက ဆိုသည်။ ယခင်က လူ့ဉာဏ်ရည်ကို မဟာဗျူဟာမြောက် လုပ်ငန်းများ၏ နောက်ကွယ်မှ မမြင်ရသော အရာတစ်ခုအဖြစ်သာ ထင်မြင်ခဲ့ကြသော်လည်း ယခုအခါ စဉ်းစားသုံးသပ်နိုင်မှု၊ အကျဉ်းချုပ်နိုင်မှုနှင့် ပုံစံအသိအမှတ်ပြုနိုင်မှုတို့ကို AI က အချက်အလက်များစွာအပေါ် အလျင်အမြန် လုပ်ဆောင်နိုင်လာသည်။ ဆောင်းပါးက ဤဖြစ်စဉ်ကို လူ့အသိဉာဏ်ကို token အလိုက် ရောင်းချနိုင်သည့် “cognitive compression” သို့မဟုတ် “zipping” ဟု ခေါ်ဆိုထားသည်။
British စိတ်ပညာရှင် Alan Baddeley ၏ working memory မော်ဒယ်ကို ကိုးကား၍ လူ့ဉာဏ်ရည်ကို အလွှာ ၃ ခုအဖြစ် ရှင်းပြထားသည်။ ပထမအလွှာမှာ စာကြောင်းတစ်ကြောင်းကို ဖတ်ရှု၍ မှတ်သိမ်းကာ ဆက်လက်တည်ဆောက်နိုင်သည့် verbal processing စွမ်းရည်ဖြစ်ပြီး၊ ဒုတိယအလွှာမှာ မတူညီသော ရင်းမြစ်များမှ အချက်အလက်များကို စုစည်းကာ တစ်စုတစ်စည်းတည်း ဖြစ်အောင် ချိတ်ဆက်နိုင်သည့် စွမ်းရည်ဖြစ်သည်။ အပေါ်ဆုံးတွင်တော့ ရည်မှန်းချက်ချမှတ်ခြင်း၊ အာရုံစိုက်မှုခွဲဝေခြင်း၊ အခြေအနေသစ်များကို တုံ့ပြန်ခြင်းနှင့် အရေးကြီးမှု သတ်မှတ်ခြင်းတို့အတွက် တာဝန်ရှိသော “central executive” ရှိသည်ဟု ဖော်ပြထားသည်။ AI သည် ပထမနှစ်ခုကို ပိုမိုလွယ်ကူစွာ တုပနိုင်လာသော်လည်း ဦးစားပေးသတ်မှတ်ခြင်း၊ စီရင်ဆုံးဖြတ်ခြင်းနှင့် မရေရာမှုကို ကိုင်တွယ်ခြင်းတို့မှာ အပြည့်အဝ မလုပ်ဆောင်နိုင်သေးကြောင်း ဆောင်းပါးက ထောက်ပြသည်။
ထို့ကြောင့် AI ၏ အကြီးမားဆုံး သက်ရောက်မှုသည် ရိုးရှင်းသော အလိုအလျောက်စနစ် မဟုတ်ဘဲ အသိပညာလိုအပ်ချက် မြင့်မားသည့် အလုပ်အကိုင်များကို ဈေးပေါစွာ ပြုလုပ်နိုင်လာခြင်းဖြစ်ကြောင်း ဆိုထားသည်။ analyzer, researcher, policy adviser နှင့် strategy team များကဲ့သို့ အချက်အလက် စီမံခန့်ခွဲရေးအပေါ် အခြေခံသည့် လုပ်သားများ ပိုမိုအန္တရာယ်ရှိလာပြီး၊ လုပ်ငန်းစဉ်များကို ဦးဆောင်စီမံအုပ်ချုပ်ရသူများကတော့ ယခုတိုင် ပိုမိုလုံခြုံနေသေးသည်ဟု သုံးသပ်ထားသည်။
ဆောင်းပါးအရ knowledge economy သည် “expertise” သို့မဟုတ် ကျွမ်းကျင်မှုက ဈေးနှုန်းမြင့်မားမည့် ကမ္ဘာအတွက် စဉ်းစားခဲ့ခြင်းဖြစ်ပြီး cognition ကိုယ်တိုင်သည် infrastructure ဖြစ်လာမည်ဟု မျှော်မှန်းထားခြင်း မဟုတ်ကြောင်း ဖော်ပြထားသည်။ ယနေ့တွင်တော့ အသိဉာဏ်ကို မည်သူက ထုပ်ပိုးမည်၊ မည်သူက အရွယ်တင်စေမည်၊ မည်သူက ဖြန့်ချိမည်ဆိုသည့် အင်အားကို ထိန်းချုပ်နိုင်သူများက စီးပွားရေးအကျိုးအမြတ် ပိုမိုရရှိလာနေကြောင်း ဆိုသည်။
ဆောင်းပါးက “commonfare” အယူအဆကိုလည်း ဖော်ပြထားပြီး၊ အသိဉာဏ်တန်ဖိုးသည် စုပေါင်းထုတ်လုပ်မည့် အရာဖြစ်သဖြင့် ၎င်းကို အများပိုင်အကျိုးအမြတ်အဖြစ် စီမံသင့်ကြောင်း Vercellone နှင့် ၎င်း၏ စာရေးဖော်များက ၂၀၁၀ ပြည့်နှစ်များအတွင်း အလုပ်များစွာတွင် ငြင်းခုံခဲ့ကြောင်း ရေးသားထားသည်။ သို့သော် စျေးကွက်အင်အားကလည်း တူညီသည့် သဘောတရားကို အလိုအလျောက် ဖန်တီးနေပြီး AI model တစ်ခု လေ့ကျင့်ပြီးသွားလျှင် အသုံးပြုသူ ထပ်တိုးရန် စရိတ်သက်သာသဖြင့် ကုမ္ပဏီများသည် အလွန်အမင်း အရွယ်တင်ချဲ့ထွင်ရန် ကြိုးပမ်းလာကြောင်း ဖော်ပြထားသည်။ Nairobi ရှိ သုတေသနပညာရှင်တစ်ဦးသည် McKinsey ကဲ့သို့သော ကုမ္ပဏီကြီးတစ်ခု၏ partner တစ်ဦး လုပ်ဆောင်သည့် analytical task အချို့ကိုပင် လုပ်ဆောင်နိုင်လာမည်ဟု ဥပမာပေးထားသည်။
အခြားတစ်ဖက်တွင်လည်း သန်းနှင့်ချီသော analyst, researcher, lawyer, adviser များ၏ tacit knowledge များကို ကော်ပိုရေးရှင်းအနည်းငယ်ပိုင် AI model များ လေ့ကျင့်ရန်အတွက် ထုတ်ယူအသုံးပြုနေကြောင်း ဆောင်းပါးက အလေးပေးထားသည်။ ဤသည်မှာ capital က လူ့ဉာဏ်ရည်ကို ရိုးရှင်းသော commodity အဖြစ်သာ ပြောင်းလဲခြင်းမဟုတ်ဘဲ၊ အသုံးပြုလာသူများထံမှ လုယူသည့်သဘောမျိုးအထိ ရောက်နေကြောင်း နှိုင်းယှဉ်ထားသည်။
အထူးပြုဈေးကွက်အဆင့်တွင်လည်း AI သည် oncologist တစ်ဦး၏ ရှားပါးရောဂါပုံစံများကို သတိပြုမိနိုင်စွမ်း၊ geopolitical analyst တစ်ဦး၏ မဟာဗျူဟာအမြင်နှင့် M&A lawyer တစ်ဦး၏ လျှို့ဝှက်အန္တရာယ်ကို ခန့်မှန်းနိုင်သည့် အတွင်းသဘောတို့ကို တုပရန် လေ့ကျင့်ခံနေရကြောင်း ဖော်ပြထားသည်။ Bloomberg ၏ financial-analysis models နှင့် Harvey ကဲ့သို့သော legal-services platform များသည် ထိုကျွမ်းကျင်မှုများကို စုစည်းကာ စီးပွားဖြစ် AI ထုတ်ကုန်များအဖြစ် ပြောင်းလဲထားသည့် ဥပမာများဖြစ်ကြောင်း ဆောင်းပါးက ရေးသားထားသည်။
နောက်ဆုံးပိုင်းတွင် နိုဘယ်ဆုရှင် စီးပွားရေးပညာရှင် Daron Acemoglu နှင့် ၎င်း၏ စာရေးဖော်များ၏ working paper ကို ကိုးကားကာ AI က လူပျမ်းမျှထက် စဉ်ဆက်မပြတ် ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်လာပါက လူနှင့် အဖွဲ့အစည်းများအနေဖြင့် ကိုယ်ပိုင်ကျွမ်းကျင်မှုကို တည်ဆောက်ထိန်းသိမ်းရန် စိတ်အားထက်သန်မှု လျော့ကျလာနိုင်ကြောင်း သတိပေးထားသည်။ ၎င်းတို့က ဤအခြေအနေကို “knowledge collapse” ဟု ခေါ်ဆိုကြပြီး AI အောင်မြင်လွန်းလာသည့်အတွက် လူ့ဘက်က အတွေးအခေါ်စွမ်းရည်များ ထိန်းသိမ်းရန် အားနည်းသွားနိုင်ကြောင်း ဆိုထားသည်။
ဆောင်းပါး၏ သုံးသပ်ချက်အရ အဖွဲ့အစည်းများသည် AI ကို တဖြည်းဖြည်းချင်း လက်ခံအသုံးပြုရမည်ဖြစ်ပြီး အရေးကြီးသော ဆုံးဖြတ်ချက်များကို စက်များလက်သို့ အလျင်အမြန် မအပ်သင့်ကြောင်း ဆိုသည်။ ထို့ပြင် AI output များကို စိစစ်၊ အတည်ပြု၊ မေးခွန်းထုတ်နိုင်မည့် oversight စွမ်းရည်ကိုလည်း ကိုယ်တွင်း၌ ထိန်းသိမ်းထားရမည်ဟု တိုက်တွန်းထားသည်။
Marx ၏ Grundrisse တွင် လူ့အသိပညာသည် အရင်းရှင်စနစ်၏ အဓိက ထုတ်လုပ်မှုအင်အား ဖြစ်လာမည်ဟု ခန့်မှန်းထားခဲ့သော်လည်း၊ ယနေ့အခြေအနေမှာ ထိုအသိပညာကို subscription အဖြစ် အလိုအလျောက် ဈေးနှုန်းတပ်ရောင်းချကာ အချက်အလက်အလွန်များပြားနေသည့် အဖွဲ့အစည်းများထံ ပြန်လည်ရောင်းချနေခြင်းဖြစ်ကြောင်း ဆောင်းပါးက နိဂုံးချုပ်ထားသည်။ စဉ်းစားတွေးခေါ်နိုင်ခြင်း၊ မည်သူမျှ မထင်ခဲ့သည့် မေးခွန်းများကို မေးနိုင်ခြင်း၊ အခြားသူများ မမြင်သောအရာကို မြင်နိုင်ခြင်းနှင့် ယခင် မကြုံဖူးသည့် အခြေအနေမျိုးတွင် မည်သို့လုပ်ဆောင်ရမည်ကို သိနိုင်ခြင်းတို့သာ အမှန်တကယ် ရှားပါးလာနေသည့် အရည်အသွေးများ ဖြစ်လာကြောင်း ဆိုထားသည်။