خطر «نامرئی شدن» زبان‌های بومی در داده‌های آموزشی هوش مصنوعی

هوش مصنوعی دارد به دروازه اصلی ورود به اینترنت تبدیل می‌شود؛ متون را ترجمه می‌کند، دانش را خلاصه می‌سازد و محتوا را با سرعتی بی‌سابقه تولید می‌کند. اما این دروازه بسیار باریک است. برای گویشوران هزاران زبان بومی، انقلاب هوش مصنوعی در یک جهان موازی در حال وقوع است؛ جهانی که نه می‌تواند کلمات آنها را بفهمد، نه خط آنها را بشناسد و نه دانش فرهنگی‌شان را پردازش کند. خطر صرفاً این نیست که این جوامع از ابزارهای صرفه‌جویی در زمان محروم می‌شوند؛ خطر این است که زبان‌هایشان به صورت ساختاری برای نسل بعدی زیرساخت‌های دیجیتال «نامرئی» شوند.[5]

مقیاس این حذف بسیار عظیم است. محققان تخمین می‌زنند که از ۷۶۱۳ زبان زنده جهان، تقریباً ۲۰۰۰ زبان را می‌توان به عنوان «غول‌های نامرئی» طبقه‌بندی کرد؛ زبان‌هایی که از حیات جمعیتی بالایی برخوردارند و میلیون‌ها گویشور دارند، اما حضور دیجیتالی آنها تقریباً صفر است. از آنجا که مدل‌های زبان بزرگ (LLM) با استفاده از متون موجود در اینترنت آموزش می‌بینند، این غیبت دیجیتال مستقیماً به حذف از هوش مصنوعی منجر می‌شود. اگر زبانی دیجیتالی نشود، یک ماشین نمی‌تواند آن را بیاموزد.[1]

این حذف، محصول جانبی طبیعی اندازه یک زبان نیست. بلکه بازتابی از شکاف‌های تاریخی و زیرساختی است. دهه‌ها، اینترنت بر این فرض ساخته شد که کاربران با مجموعه‌ای محدود از کاراکترهای لاتین و دامنه‌های استاندارد ارتباط برقرار خواهند کرد. وقتی زبانی در سطح زیرساخت‌های بنیادی غایب باشد—فاقد صفحه‌کلید استاندارد، غلط‌یاب املایی یا اسکریپت‌های ایمیل شناخته‌شده باشد—نمی‌تواند پیکره‌های متنی عظیمی را که هوش مصنوعی مدرن نیاز دارد، تولید کند.[1][5]

پیامدهای این شکاف حیات-دیجیتالی عمیق است. وقتی سیستم‌های هوش مصنوعی مجبور می‌شوند به زبان‌هایی که به سختی می‌شناسند کار کنند، صرفاً با ظرافت شکست نمی‌خورند؛ بلکه دچار توهم می‌شوند. مدل‌های تجاری بزرگ سابقه مستندی در تولید متون نامفهوم، اختراع داستان‌های قبیله‌ای و انتشار اطلاعات نادرست درباره فرهنگ‌های بومی دارند، آن هم زمانی که به زبان‌های کم‌منبع پاسخ می‌دهند. برای جوامعی که برای احیای زبان‌های در معرض خطر خود می‌جنگند، این مواد جعلی می‌تواند فعالانه تلاش‌های آنها را تضعیف کند.[6]

علاوه بر این، این حذف چرخه‌ای از بی‌عدالتی معرفتی-دیجیتال ایجاد می‌کند. وقتی گویشوران نمی‌توانند به ابزارهای هوش مصنوعی دسترسی پیدا کنند، منابع آموزشی آنلاین بیابند یا در تجارت دیجیتال به زبان مادری خود مشارکت کنند، در موقعیت مصرف‌کنندگان منفعل محتوای تولید شده به زبان‌های غالب قرار می‌گیرند، نه خالقان فعال دانش. تنوع زبانی جهان عملاً در چند زبان پرمنبع خلاصه می‌شود.[1]

اما یک تلاش جهانی برای معکوس کردن این روند در جریان است. سازمان‌های بین‌المللی و جوامع بومی با درک این موضوع که شمول زبانی نمی‌تواند یک افزودنی دیرهنگام باشد، بسیج شده‌اند تا زیرساخت‌های لازم را از پایه بسازند. سازمان ملل متحد سال‌های ۲۰۲۲ تا ۲۰۳۲ را «دهه بین‌المللی زبان‌های بومی» اعلام کرده است، که چارچوبی برای تسریع حفظ و دسترسی عادلانه به کالاهای عمومی دیجیتال فراهم می‌کند.[2][5]

در سطح زیرساخت، یونسکو با کنسرسیوم یونیکد (Unicode Consortium) همکاری کرده است تا اطمینان حاصل کند که جوامع محروم دیجیتالی می‌توانند به محیط‌های دیجیتال به زبان خود دسترسی داشته باشند. یونیکد، که استانداردهای باز برای بین‌المللی‌سازی نرم‌افزار را توسعه می‌دهد، برای این تلاش حیاتی است. این همکاری با تضمین اینکه سیستم‌های نوشتاری زبان‌های جهان به درستی در دستگاه‌ها نمایش داده شوند، زمینه را برای شمول آتی در هوش مصنوعی فراهم می‌کند.[2][4]

با این حال، صرفاً دیجیتالی کردن یک زبان کافی نیست؛ این فرآیند باید توسط خود جوامع مدیریت شود. رهبران و محققان بومی تأکید می‌کنند که بهبود ترجمه و بازنمایی هوش مصنوعی بدون مشارکت کامل مردم بومی قابل حل نیست—اصلی که با شعار «هیچ چیز برای ما بدون ما» (Nothing For Us Without Us) همخوانی دارد.[3]

اعتماد و حاکمیت داده‌ها در این میان اهمیت فوق‌العاده‌ای دارند. از آنجا که قبایل مختلف سنت‌های فرهنگی متمایزی دارند، آموزش مدل‌های هوش مصنوعی بر اساس مواد بومی—به ویژه داستان‌های اجدادی و افسانه‌ها—در صورت عدم مدیریت دقیق، می‌تواند به پیامدهای ناخواسته‌ای منجر شود. به عنوان مثال، برخی داستان‌ها به طور سنتی فقط باید در فصول خاص یا برای مخاطبان خاصی روایت شوند. مدل‌های هوش مصنوعی، فاقد ظرافت‌های فرهنگی، اگر این اطلاعات حساس را بدون تمایز از وب جمع‌آوری کنند، به راحتی می‌توانند آن را نادرست مدیریت کنند.[6]

برای رسیدگی به این موضوع، ابتکارات جدید بر جمع‌آوری داده‌ها با رهبری جامعه متمرکز شده‌اند. شرکت‌کنندگان در اجلاس‌های اخیر یونسکو تأکید کرده‌اند که فناوری‌های جدید زبان بومی باید با محتوای مبتنی بر رضایت، بازخورد مثبت از گویشوران، و حداقل مجموعه‌داده‌های قابل قبول (minimum viable datasets) توسعه یابند. این رویکرد به جوامع قدرت می‌دهد تا ابزارهای خود را بسازند و مدیریت کنند و در عین حال یکپارچگی فرهنگی خود را حفظ نمایند.[3]

یکی از این ابتکارات، «مرکز رشد اشتراک‌گذاری داده‌های زبان بومی» (Indigenous Language Data Commons Incubator) است که توسط یونسکو با همکاری شرکای دانشگاهی و بخش خصوصی راه‌اندازی شده است. این برنامه از تیم‌های تحت رهبری بومیان در توسعه پروژه‌هایی حمایت می‌کند که حاکمیت داده‌ها و مدیریت جامعه بر داده‌های زبانی را تقویت می‌کنند. این مرکز رشد با تضمین اینکه جوامع خود مدیریت منابعشان را بر عهده بگیرند، قصد دارد آینده‌ای را خلق کند که در آن هوش مصنوعی به تنوع زبانی احترام بگذارد و از آن محافظت کند.[6]

نوآوری‌های فنی نیز به پر کردن شکاف داده‌ها کمک می‌کنند. دانشمندان کامپیوتر که با زبان‌های «بدون منبع» کار می‌کنند، رویکردهای جدیدی را توسعه می‌دهند که نیازی به میلیون‌ها جفت جمله موازی ندارند. این محققان به جای تکیه بر جمع‌آوری داده‌ها با زور و حجم بالا، ابزارهایی را برنامه‌نویسی می‌کنند که به صراحت قوانین گرامری و واژگان یک زبان خاص را به مدل‌های زبان بزرگ آموزش می‌دهند و به هوش مصنوعی اجازه می‌دهند تا از مجموعه‌داده‌های بسیار کوچک‌تر و با دقت تنظیم‌شده، ترجمه‌های دقیقی تولید کند.[6]

اهمیت این کار بسیار فراتر از حفظ واژگان است. زبان، ظرفی برای خرد فرهنگی منحصر به فرد، دانش سنتی و جهان‌بینی‌های متمایز است. وقتی زبانی با شرایط خود گویشورانش وارد قلمرو دیجیتال می‌شود، نه تنها زنده می‌ماند، بلکه شکوفا می‌شود و نسل‌های جوان‌تر را تشویق می‌کند تا آن را در زندگی روزمره دیجیتال خود بیاموزند و به کار ببرند.[6]

در نهایت، هوش مصنوعی دارای یک ظرفیت دوگانه است. می‌تواند کارآمدترین موتور حذف زبانی باشد که جهان تاکنون دیده است و نابرابری‌های تاریخی را در مقیاس جهانی رمزگذاری و تقویت کند. یا، اگر با چارچوب‌های اخلاقی و زیرساخت‌های فراگیر هدایت شود، می‌تواند به نیرویی قدرتمند برای احیای فرهنگی تبدیل شود. تصمیماتی که امروز در مورد مجموعه‌داده‌ها، استانداردها و استقلال جامعه گرفته می‌شود، تعیین خواهد کرد که این فناوری کدام مسیر را طی کند.[5]