هزینه‌های هوش مصنوعی روزبه‌روز بالا می‌رود و هنوز هم کاربردی در بازی‌سازی ندارد!

به نظر می‌رسد که دوران پردازش ارزان و یارانه‌ای هوش مصنوعی رو به پایان است؛ اما تجربه‌ی توسعه‌دهندگانی که با این فناوری کار کرده‌اند نشان می‌دهد افزایش بهره‌وری حاصل از آن محدود بوده و توجیه هزینه‌های بالاتر را دشوار می‌کند.

طی چند سال گذشته تقریبا غیرممکن بوده که بتوان از بحث درباره‌ی هوش مصنوعی مولد در صنعت بازی‌های ویدیویی دور ماند. چه با شور و شوق به این موضوع نگاه کنید، چه با احتیاط و دغدغه‌های اخلاقی و چه با بدبینی مطلق و ترس از آینده، تفاوتی ایجاد نمی‌کند؛ این مسئله هرگز از کانون توجه و بحث‌های جاری در صنعت خارج نشده است. با این حال، بخش بزرگی از این گفت‌وگوها بیشتر شامل هیاهو بوده تا اطلاعات واقعی؛ دلیلش هم ساده است زیرا هیچ‌کس واقعا نمی‌دانست هوش مصنوعی تا چه اندازه می‌تواند در فرآیند توسعه بازی مفید باشد. افراد زیادی پیش‌بینی‌های گسترده و گاه اغراق‌آمیزی مطرح کردند؛ پیش‌بینی‌هایی که اغلب بازتاب‌دهنده دیدگاه شخصی آن‌ها نسبت به این فناوری بود. اما داده‌های واقعی و مستندی که از تجربه‌های عملی ادغام ابزارهای هوش مصنوعی در جریان‌های کاری خلاقانه به دست آمده باشد، بسیار محدود بوده است. در واقع حتی ابتدایی‌ترین پرسش‌ها درباره ظرفیت‌های هوش مصنوعی و نقش آن در صنعت نیز مدت‌ها مبهم باقی مانده بودند. این فناوری در چه حوزه‌هایی و تا چه اندازه می‌تواند بهره‌وری را افزایش دهد؟ چه کارهایی را می‌تواند انجام دهد و از انجام چه کارهایی ناتوان است؟ چه میزان کار اضافی برای نظارت بر خروجی‌های آن و تایید صحت آن‌ها لازم است؟ و از همه بنیادی‌تر، هزینه‌ی استفاده از آن چقدر خواهد بود؟

واقعیت هوش مصنوعی در صنعت بازی

افزایش بهره‌وری ناشی از ابزارهای هوش مصنوعی واقعی است؛ اما این افزایش یکدست نیست و به‌ شدت به نوع وظیفه بستگی دارد و وابستگی زیادی به نظارت انسانی دارد. در چند ماه گذشته به نظر می‌رسد نه فقط برای صنعت بازی، بلکه برای تقریبا تمام حوزه‌هایی که استفاده از هوش مصنوعی را امتحان کرده‌اند، پاسخ برخی از این پرسش‌ها کم‌کم در حال آشکار شدن است. شرکت‌ها مدتی است که با انواع مختلف ابزارهای مبتنی بر هوش مصنوعی کار می‌کنند. برخی آن را عمیقا در فرآیندهای کاری خود ادغام کرده‌اند و برخی دیگر تنها در حد آزمایش از آن استفاده کرده‌اند، اما تقریبا تمام شرکت‌های فعال در حوزه فناوری دست‌کم تجربه‌ای محدود از کار با این ابزارها داشته‌اند. در نتیجه، حجم تجربه‌های واقعی و داده‌های موجود درباره توانایی‌های هوش مصنوعی با سرعت زیادی در حال افزایش است و همین مسئله باعث شده مقدار مورد نیاز و بسیار ارزشمندی از واقع‌گرایی وارد این بحث شود.

نظر کلی به نظر می‌رسد این باشد که افزایش بهره‌وری ناشی از استفاده از ابزارهای هوش مصنوعی تا حدی واقعی است؛ اما این افزایش نه تنها نامنظم و ناپایدار است، بلکه به‌ شدت به نوع وظیفه وابسته بوده و نیازمند نظارت دقیق و ماهرانه انسان‌هاست. نوعی خوش‌بینی محتاطانه نسبت به توانایی برخی ابزارها برای افزایش بهره‌وری در حوزه‌های مشخص وجود دارد، اما نشانه چندانی دیده نمی‌شود که رویای دستیابی به دستاوردهای عظیم با هزینه‌ای ناچیز یا حتی نزدیک به صفر، در نهایت به واقعیت تبدیل شود. در واقع، هزینه دومین عاملی است که به شکل محسوسی مسیر این بحث را تغییر داده است. کمتر از یک سال پیش، توسعه‌دهندگانی که درباره‌ی کاربرد واقعی هوش مصنوعی ابراز تردید می‌کردند، اغلب برای اینکه حرفشان در میان مدیران ارشد شنیده شود با مشکل روبه‌رو بودند. فروشندگان و مبلغان این فناوری که رویای هوش مصنوعی را به شرکت‌ها فروخته بودند، پاسخ‌های از پیش آماده‌ای هم برای رد این نگرانی‌ها در اختیار مدیران قرار داده بودند؛ اینکه منتقدان صرفا می‌خواهند امنیت شغلی خود را حفظ کنند، یا اینکه هنوز متوجه نشده‌اند پیشرفت سرسام‌آور این فناوری به‌زودی تمام نگرانی‌های مربوط به کیفیت و قابلیت اعتماد را از میان خواهد برد.

مدل‌های پولی جدید و چالش توجیه اقتصادی

اما حالا صورتحساب‌های هوش مصنوعی، هم به معنای واقعی و هم به معنای استعاری، کم‌کم سررسید شده‌اند. امروزه در بسیاری از اتاق‌های هیئت‌مدیره، مدیران با ذهنی بازتر به این نگرانی‌ها گوش می‌دهند و دلیل اصلی آن این است که هزینه‌های واقعی استفاده از هوش مصنوعی در حال آشکار شدن است. طی چند ماه گذشته، تقریبا کل صنعت به سمت مدل قیمت‌گذاری مبتنی بر توکن حرکت کرده و به‌ تدریج از تعرفه‌های ثابت فاصله گرفته است. همزمان، بسیاری از شرکت‌ها دیگر از نرخ‌های به اصطلاح یارانه‌ای و تخفیف‌های اولیه‌ای که پیش‌تر دریافت می‌کردند، بهره‌مند نیستند. سرویس‌های کوپایلت (Copilot) مایکروسافت (Microsoft) از نخستین نمونه‌های بزرگ این تغییر بودند، اما این روند تقریبا در سراسر صنعت دیده می‌شود. هزینه واقعی استفاده از هوش مصنوعی بیش از گذشته مستقیما به مشتریان منتقل می‌شود، نه اینکه با ده‌ها میلیارد دلار سرمایه‌گذاری خصوصی پوشش داده شود. به همین دلیل، مدیرانی که سال گذشته اصرار داشتند هوش مصنوعی در تمام بخش‌های کسب‌ و کار شرکتشان ادغام شود، حالا تازه به فکر هزینه‌های بلندمدت این تصمیم افتاده‌اند.

البته این تغییرات بیش از همه روی موارد استفاده‌ای تاثیر می‌گذارد که حجم بسیار زیادی توکن مصرف می‌کنند؛ مواردی مانند تولید دارایی‌های پیچیده یا کار روی پایگاه‌های کد بسیار بزرگ که بار پردازشی زیادی دارند. این دسته از کاربردها با واقعی‌تر شدن قیمت‌ها و حذف تخفیف‌ها، به‌ سرعت در حال گران‌تر شدن هستند. با افزایش این هزینه‌ها، اینکه استفاده از هوش مصنوعی فقط بر پایه تبلیغات، هیجان یا ترس از عقب ماندن یا همان فومو توجیه شود، دیگر کافی نیست. اگر قرار است شرکت‌ها هزینه‌های بالایی برای این فناوری بپردازند، در مقابل باید افزایش بهره‌وری و صرفه‌جویی در هزینه‌ها به شکلی واقعی، قابل‌اندازه‌گیری و اثبات‌شدنی نیز مشاهده شود. این تغییرات تا حد زیادی از شور و شوق اغراق‌آمیزی که در بسیاری از شرکت‌ها بر بحث‌های مدیریتی پیرامون هوش مصنوعی حاکم بود، کاسته است. حالا که داده‌های واقعی حاصل از استفاده عملی از این فناوری کم‌کم در دسترس قرار گرفته‌اند، اگر بخواهیم منصفانه قضاوت کنیم، نتایج را می‌توان ترکیبی از موفقیت و ناکامی توصیف کرد.

همان‌طور که معمولا درباره فناوری‌های جدید و بحث‌برانگیز رخ می‌دهد، به نظر می‌رسد هوش مصنوعی هم آن‌قدر که سرسخت‌ترین منتقدانش می‌گویند بی‌فایده یا ضعیف نیست. در میان موج عظیم استارتاپ‌هایی که سعی دارند تقریبا هر نرم‌افزاری را به یک چت‌بات تبدیل کنند، ابزارهای واقعا مفیدی هم پیدا می‌شوند. همچنین به نظر می‌رسد بسیاری از توسعه‌دهندگان، بی‌سروصدا برخی قابلیت‌های هوش مصنوعی را وارد روند کاری روزمره‌ی خود کرده‌اند. برای مثال، بسیاری از برنامه‌نویسان حرفه‌ای با استفاده از ابزارهای هوش مصنوعی، بخش زیادی از کارهای تکراری و خسته‌کننده را حذف کرده‌اند. از سوی دیگر، ابزارهای بررسی خودکار کد نیز در شناسایی برخی باگ‌ها عملکرد نسبتا خوبی دارند. این‌ها همگی پیشرفت‌هایی واقعی، هرچند در مقیاسی محدود هستند.

محدودیت‌های بزرگ در مقابل دستاوردهای کوچک

البته که این دستاوردهای کوچک، فاصله بسیار زیادی با رویایی دارند که به مدیران فروخته شده بود. در حوزه‌ی هنر نیز وضعیت مشابهی دیده می‌شود. برخی هنرمندان معتقدند ابزارهای ویرایش تصویر مبتنی بر مدل‌های یادگیری عمیق، بخش‌های زمان‌بر و تکراری کارشان را سریع‌تر انجام می‌دهند. ابزارهای هوش مصنوعی همچنین در انجام برخی وظایف مدیریتی خسته‌کننده، مانند پیاده‌سازی متن جلسات یا تهیه خلاصه از آن‌ها، عملکرد قابل‌قبولی دارند. این مزایا را نمی‌توان نادیده گرفت؛ آن‌ها دستاوردهای کوچکی هستند که به کارکنان فرصت می‌دهند زمان بیشتری را صرف کارهای پیچیده‌تر، خلاقانه‌تر و ارزشمندتر کنند. اما این پیشرفت‌های محدود، فاصله زیادی با وعده‌هایی دارند که به مدیران ارشد داده شده بود. توسعه‌دهندگانی که مجبور شده‌اند ابزارهای پیشرفته‌تر هوش مصنوعی را وارد روند کاری خود کنند که در بسیاری از موارد این تصمیم از سوی مدیران ارشد به آن‌ها تحمیل شده، معمولا تجربه چندان مثبتی از این موضوع گزارش نمی‌کنند.

برای مثال، گفته می‌شود استفاده از عامل‌های هوش مصنوعی روی پایگاه‌های کد بازی‌ها خیلی زود به محدودیت‌های جدی برخورد می‌کند. این پایگاه‌های کد بیش از حد بزرگ، پیچیده و تخصصی هستند و هر قطعه کدی که این عامل‌ها تولید می‌کنند، باید با دقت بسیار زیاد توسط برنامه‌نویسان ارشد بررسی و تایید شود؛ کاری خسته‌کننده که زمان زیادی هم می‌گیرد. در بخش تولید محتوای هنری نیز، هوش مصنوعی مولد ظاهرا در حفظ یکپارچگی بصری میان دارایی‌های گرافیکی عملکرد ضعیفی دارد. تازه این مشکل، جدا از پرسش حقوقی مهمی است که هنوز پاسخی قطعی برای آن وجود ندارد و آن هم این است که آیا آثار تولیدشده توسط هوش مصنوعی اصلا قابلیت دریافت حق نشر را دارند یا خیر؟ بیشتر تفسیرهای حقوقی همچنان به این سوال پاسخ منفی می‌دهند؛ مسئله‌ای که برای هر استودیویی که بخواهد از چنین دارایی‌هایی در بازی‌های خود استفاده کند، یک دردسر بسیار بزرگ محسوب می‌شود.

مانند برنامه‌نویسان، هنرمندانی که با ابزارهای هوش مصنوعی مولد کار کرده‌اند نیز می‌گویند هنرمندان ارشد باید زمان قابل‌توجهی را صرف نظارت و بررسی خروجی‌های این ابزارها کنند؛ گویی یک نیروی کار بسیار سریع اما به‌ شدت غیرقابل‌اعتماد در تیم خود دارند؛ نیرویی که تازه هزینه نگهداری از او هم هر ماه بیشتر از قبل می‌شود. هوش مصنوعی مولد مانند داشتن یک کارمند تازه‌کار بسیار سریع اما بسیار غیرقابل‌اعتماد در تیم است. طرفداران هوش مصنوعی معمولا استدلال می‌کنند که این ابزارها به مرور زمان بهتر خواهند شد زیرا فناوری آن‌ها هنوز نسبتا نوپا است اما افزایش مداوم هزینه‌ها، ممکن است حتی پیشرفت خود فناوری را نیز تا حد زیادی بی‌اهمیت کند. تقریبا تمام تلاش‌هایی که برای بهبود چشمگیر این ابزارها انجام می‌شود، در نهایت به مصرف بیشتر توکن‌ها وابسته است. برای مثال، مدل‌های موسوم به «استدلال‌گر» (Thinking Models) در عمل از چندین مدل زبانی بزرگ تشکیل شده‌اند که برای رسیدن به پاسخ نهایی، بارها با یکدیگر تبادل اطلاعات می‌کنند. به همین دلیل، هر درخواست در این مدل‌ها چندین برابر بیشتر از چیزی که کاربر روی صفحه می‌بیند توکن مصرف می‌کند؛ موضوعی که مستقیما هزینه استفاده از آن‌ها را افزایش می‌دهد.

حتی اگر هزینه‌های پایه‌ی پردازش توکن‌ها و آموزش مدل‌های جدید در آینده کاهش پیدا کند (هرچند حجم عظیم سرمایه‌گذاری‌هایی که شرکت‌های فعال در حوزه هوش مصنوعی در حال برنامه‌ریزی برای آن هستند نشان می‌دهد هنوز فاصله زیادی تا کاهش واقعی هزینه‌ها وجود دارد)، این صرفه‌جویی‌ها تقریبا بلافاصله صرف تلاش‌های جدید برای پوشاندن ضعف‌های ذاتی سیستم‌های هوش مصنوعی مانند غیرقطعی بودن پاسخ‌ها و احتمال بالای خطا می‌شود. برای جبران این مشکلات، لایه‌های پردازشی بیشتری به سیستم‌ها اضافه می‌شود، چندین هوش مصنوعی وظیفه بررسی خروجی یکدیگر را بر عهده می‌گیرند که همگی نیازمند توان پردازشی بسیار بیشتری هستند. آنچه بیش از هر چیز از صحبت با افرادی که واقعا با این ابزارها کار کرده‌اند به چشم می‌آید، شکاف قابل‌توجهی در میزان اشتیاق میان توسعه‌دهندگان و مدیران ارشد است. از نظر تاریخی، چنین وضعیتی تقریبا همیشه نشانه هشدار برای هر فناوری جدید بوده است؛ زیرا پذیرش موفق و موثر فناوری‌ها معمولا از پایین به بالا شکل می‌گیرد، نه برعکس.

هنرمندان و مهندسان صنعت بازی معمولا از نخستین افرادی هستند که فناوری‌های جدید را با اشتیاق امتحان می‌کنند. آن‌ها ذاتا علاقه‌مند به آزمایش ابزارهای تازه هستند و اگر واقعا احساس کنند فناوری جدید مفید است، خودشان مدیران شرکت را برای سرمایه‌گذاری روی آن ترغیب می‌کنند. اما زمانی که دقیقا روندی معکوس شکل می‌گیرد، یعنی مدیران با تکیه بر واژه‌های پرزرق‌وبرق و تبلیغاتی سعی می‌کنند فناوری جدیدی را به تیم توسعه تحمیل کنند، در حالی که خود توسعه‌دهندگان تمایل چندانی به آن ندارند، معمولا نشانه خوبی نیست. احتمالا هیچ‌کس نیازی ندارد یادآوری شود که آخرین باری که صنعت بازی دقیقا چنین الگویی را تجربه کرد، ماجرای NFTها بود؛ فناوری‌ای که بسیاری آن را چیزی نزدیک به یک کلاهبرداری می‌دانستند و با وجود تمام تبلیغات گسترده، حضور کوتاه‌مدت و پرهیاهویش امروز بیشتر شبیه یک رویای آشفته به نظر می‌رسد.

نگاهی به آینده

صنعت بازی همیشه از روندهای جدید فناوری استقبال کرده است و بعید به نظر می‌رسد نگرانی‌های اولیه درباره جنبه‌های اخلاقی هوش مصنوعی بتواند مانع از پذیرش گسترده ابزارهای واقعا مفید مبتنی بر این فناوری در استودیوهای بازی‌سازی شود. اما تحول بنیادینی که برخی انتظارش را داشتند، در حال رخ دادن نیست. حالا که هزینه‌های واقعی استفاده از این فناوری آشکار شده، حتی سرسخت‌ترین حامیان هوش مصنوعی هم کم‌کم در حال فاصله گرفتن از محاسباتی هستند که نسبت میان هزینه و کارایی را بسیار امیدوارکننده نشان می‌داد؛ زیرا واقعیت، به‌ مراتب کمتر از آن چیزی است که تصور می‌کردند. در همین حال، دیدگاه فزاینده‌ای نیز هرچند گاهی با اکراه در حال شکل گرفتن است مبنی بر اینکه تعداد زیادی از مصرف‌کنندگان اساسا از آثار هنری یا موسیقی تولیدشده توسط هوش مصنوعی متنفر هستند. این مسئله عملا میخ محکمی بر تابوت بسیاری از کاربردهای احتمالی این فناوری محسوب می‌شود.

اگر هوش مصنوعی واقعا انقلابی در بهره‌وری و کاهش هزینه‌های توسعه ایجاد کرده بود، شاید برخی مدیران حاضر می‌شدند وارد این نبرد فرهنگی شوند و واکنش منفی مخاطبان را بپذیرند. اما اکنون که شواهد چندانی از چنین انقلابی دیده نمی‌شود، بعید است کسی بخواهد خود را درگیر چنین چالشی کند. با فروکش کردن تدریجی هیاهوی سال‌های اخیر، بیش از پیش به نظر می‌رسد که ابزارهای هوش مصنوعی در بلندمدت جایگاه خود را در صنعت پیدا خواهند کرد؛ اما این جایگاه بسیار محدودتر و تاثیر آن بسیار کمتر از چیزی خواهد بود که موج بزرگ تبلیغات و وعده‌های چند سال گذشته نوید می‌داد.

منبع: Gamesindustry