آیا هوش مصنوعی ستاره شبکه های اجتماعی را از بین می برد؟

به گزارش خبرنگار سرخ نیوز، شرکت ها در حال کسب درآمد از اینفلوئنسرهای مجازی هستند. کارشناسان Northeastern می‌گویند که هوش مصنوعی تولید تصویر نه تنها هزینه‌ها را کاهش می‌دهد، بلکه به شرکت‌ها اجازه می‌دهد تا کنترل قوی‌تری روی پیام‌رسانی خودشان داشته باشند.

ستاره های در حال ظهور اینستاگرام، نسل جدیدی از اینفلوئنسرهای شبکه های اجتماعی هستند. در واقع، بسیاری از آنها از نظر فنی، حتی هم انسان نیستند. لیل میکولا را در نظر بگیرید که با نام دیگر میکولا سوزا هم شناخته میشود. ستاره 19 ساله برزیلی-آمریکایی شبکه های اجتماعی بیش از 2.6 میلیون دنبال کننده در این پلتفرم جمع آوری کرده و به طور مرتب محتوای اسپانسر شده ای را با همکاری برندهایی مثل BMW و Pacsun منتشر میکند.

اما او جوانی نیست که به لس آنجلس نقل مکان کرده تا بتواند در اقتصاد تولیدکنندگان محتوا موفق شود. او در آنجا ایجاد شده و برای برهم زدن این اقتصاد طراحی شده است. به عبارت دیگر، او یک فرد مجازی است و با استفاده از تصاویر کامپیوتری (CGI) ساخته شده است.

از دیگر اینفلوئنسرهای مجازی قابل توجه شبکه های اجتماعی، میتوان به لو دو ماگالو، ستاره برزیلی با بیش از 6.8 میلیون دنبال کننده در اینستاگرام اشاره کرد. نونوری، یک مدل لباس آسیایی 19 ساله با بیش از 431000 دنبال کننده است و برمودا، خواهر بلوند میکولا است که بیش از 230000 فالوور اینستاگرام دارد.

بسیاری از این ستاره ها مدتی است که فعالیتشان را شروع کرده اند. لیل میکولا برای اولین بار در سال 2016 ظاهر شد. اما با ظهور ابزارهای هوش مصنوعی تولید تصویر مثل DALL-E 2 و Midjourney، ساخت اینفلوئنسرهای مجازی آسان‌تر از همیشه شده و شرکت‌ها در حال کسب درآمد از طریق آنها هستند.

همکاری آژانس‌ های مدل‌ سازی هوش مصنوعی با برندها

طبق گزارش Financial Times، آژانس‌های مدل‌سازی هوش مصنوعی مثل The Clueless در سال گذشته برای همکاری با برندها برای کمک به آنها در ایجاد آواتارهای سفارشی، وارد این بیزینس شده اند.

آیتانا لوپز، یک زن 25 ساله با موهای صورتی با بیش از 265000 فالوور در اینستاگرام، یکی از مشهورترین ستاره های مجازی Clueless است که با وجود اینکه تابستان گذشته ایجاد شده، به طور منظم هزاران دلار در معاملات برندهای تجاری به دست می آورد.

یاکوف بارت، استاد بازاریابی در دانشگاه نورث ایسترن و یکی از اعضای کمیته رهبری در موسسه هوش مصنوعی نورث ایسترن میگوید:

از دیدگاه بازاریابی و برندسازی، درک این پدیده آسان است. نه تنها هزینه ها را کاهش میدهد، بلکه به شرکت ها اجازه میدهد که کنترل قویتری بر روی پیام رسانی شان داشته باشند.

او می‌گوید:

برندها قطعاً آماده هستند تا از هر فناوری تبلیغاتی که برای آنها بازگشت سرمایه خوبی دارد، استفاده کنند. در برخی زمینه‌ها، استفاده از اینفلوئنسرهای مجازی یا مصنوعی زمانی کارآمدتر میشود که بازدهی آنها را از نظر تغییرات ذهنیت مصرف‌کننده بعد از تعامل با این اینفلوئنسرها در مقابل هزینه‌ صرف شده در نظر گرفته شود.

اما آیا این موضوع جایی برای اینفلوئنسرهای انسانی که برای امرار معاش به این پلتفرم‌ها متکی هستند باقی میگذارد؟

همچنین، آیا اینفلوئنسرهای هوش مصنوعی باید ملزم به اعلام این مطلب شوند که توسط کامپیوتر تولید شده اند؟

بسیاری از ستارگان هوش مصنوعی که امروزه در شبکه های اجتماعی فعال هستند، عمداً اعلام می‌کنند که توسط کامپیوتر تولید شده‌اند. برای مثال، بیوگرافی لیل میکولا در اینستاگرام می‌گوید:

ربات ۱۹ ساله‌ای که در لس آنجلس زندگی می‌کند.

بارت می‌گوید حساب‌های کاربری ممکن است به این دلیل این کار را انجام دهند که نوآوری این فناوری را برجسته کنند و به آنها کمک کنند که شاخص شوند.

او می‌گوید:

از آنجایی که مصرف‌کنندگان هر روز در صدها کانال مختلف با برندها بمباران می‌شوند، متمایز شدن سخت‌تر و سخت‌تر می‌شود.

اما متمایز کردن این فناوری بخاطر بازاریابی و افشای آن برای نشان دادن شفافیت، دو چیز کاملاً متفاوت هستند.

اینستاگرام در تلاش است که برچسب هایی را برای محتوای تولید شده توسط هوش مصنوعی در پلتفرم خود ارائه کند. در ماه سپتامبر، TikTok گزینه ای را اضافه کرد که به سازندگان اجازه میدهد محتوای ساخته شده با هوش مصنوعی خودشان را برچسب گذاری کنند و همچنین در حال بررسی خودکار کردن این برچسب ها است.

لایحه‌ای در کنگره وجود دارد که شرکت‌ها را ملزم می‌کند که محتوای ساخته‌شده با هوش مصنوعی را برچسب‌گذاری کنند. فرمان اجرایی پرزیدنت جو بایدن در مورد تنظیم هوش مصنوعی هم راهنمایی هایی را در مورد برچسبگذاری محتوای هوش مصنوعی ارائه میدهد.

اما اینفلوئنسر انسانی در شبکه های اجتماعی چه کار باید بکنند؟

بارت به سرعت به این نکته اشاره میکند که از نظر بازاریابی، با وجود توسعه این فناوری ها، هنوز هم انسانها همچنان نقش محوری را ایفا خواهند کرد.

در حالی که این آواتارها ممکن است این توهم را ایجاد کنند که باهوش هستند، اما اینطور نیستند. بارت توضیح می‌دهد، برای مثال، لیل میکولا، یک تیم کامل از انسان‌ها را پشت سرش دارد که در پس‌زمینه، او را هدایت میکنند.

علاوه بر این، اینفلوئنسرهای انسانی در شبکه های اجتماعی هم از ابزارهای هوش مصنوعی برای کمک به کاهش حجم کاریشان و همکاری با برندها استفاده میکنند.

بارت می‌گوید:

آژانس‌های زیادی وجود دارند که از ابزارهای پیشرفته هوش مصنوعی استفاده می‌کنند تا ارتباط میلیون‌ها اینفلوئنسر و هزاران برندی که به دنبال ارتباط با نوع دقیقی از اینفلوئنسرها هستند را هماهنگ کنند.

اما نگرانی هایی هم همچنان وجود دارد. در سال 2022، برند پوشاک Pacsun وقتی که اعلام کرد لیل میکولا جدیدترین سفیر آنها خواهد بود، با واکنش شدیدی مواجه شد. منتقدان این حرکت می‌گویند که این اینفلوئنسر، کلیشه‌ها و استانداردهای زیبایی غیرواقعی را تداوم می‌بخشد. آنها استدلال کردند که به جای آن باید یک انسان واقعی استخدام میشد.

اخیراً، تیم فرمول E ماهیندرا در این ماه اینفلوئنسر زن هوش مصنوعی خودش، «Ava Beyond Reality» را بعد از شکایت طرفداران به دلایل مشابه، اخراج کرد.

تومو لازوویچ، دانشمند تحقیقاتی ارشد در موسسه هوش مصنوعی تجربی در دانشگاه نورث ایسترن، این وضعیت را با اعتصابات هالیوود در تابستان و پاییز گذشته مقایسه کرد.

یکی از خواسته‌های بازیگران و نویسندگان این بود که محافظه ایی را برای چگونگی و زمان استفاده از هوش مصنوعی در فرآیند خلاقیت ایجاد شود.

لازوویچ می‌گوید:

جای تعجب نیست که ما شاهد این مشکل در فضای تولید محتوای آنلاین هستیم، جایی که شرکت‌ها تلاش می‌کنند از هوش مصنوعی مولد برای جایگزینی افرادی استفاده کنند که این محتواها را تولید می‌کنند.

تلاش‌هایی برای کمک به اینفلوئنسرهای شبکه های اجتماعی برای تشکیل اتحادیه صورت گرفته است. برای مثال مجله Time گزارش داد که در سال 2021، SAG AFTRA توافقنامه اینفلوئنسرها را منتشر کرد:

معامله ای از پیش مذاکره شده که به اعضای آن که به عنوان اینفلوئنسر کار میکنند، برخی از محافظت ها را هنگام مذاکره در مورد قرارداد برای تولید محتوای اسپانسر شده، ارائه میدهد.

اما تأثیر واقعی هوش مصنوعی بر اقتصاد تولیدکنندگان محتوا هنوز هم مشخص نیست، چون هم برندها و هم اینفلوئنسرها به یادگیری نحوه استفاده بهینه از این فناوری ادامه میدهند.

علاوه بر این، لازوویچ در مورد اینکه چگونه از این ابزارهای تولید شده توسط هوش مصنوعی برای انتشار اطلاعات نادرست و ارتقای بازیگران بد استفاده خواهد شد، نگرانی هایی را دارد. والدین هم این ستاره‌های رسانه‌های اجتماعی را به خاطر آسیب‌های احتمالی که می‌توانند به نوجوانان وارد کنند، مورد انتقاد قرار دادهاند.

لازوویچ میگوید:

مثل بسیاری از ابزارهای هوش مصنوعی، این ابزار راه دیگری برای تقویت تعصبات موجود در جامعه ما خواهد بود.

مایکل آن دی ویتو، استاد شمال شرقی علوم کامپیوتر و مطالعات ارتباطات، اعتقاد دارد که مشکل از سطحی اساسی شروع میشود، به ویژه با حجمی از تصاویر و متنهایی که این ابزارهای هوش مصنوعی را آموزش میدهد.

او می‌گوید:

مسئله بزرگ‌تری که می‌بینم، و در واقع می‌توانم بگویم مسئله شرورانهتر، این است که تمام فناوری‌های هوش مصنوعی که در وهله اول برای تولید این اینفلوئنسرها استفاده می‌شود، بر اساس حجم عظیمی از نقض کپی رایت است. تا جایی که به اینفلوئنسرهای هوش مصنوعی مربوط میشود، این هسته اصلی مشکل است.

امروزه بسیاری از ابزارهای هوش مصنوعی موجود در بازار، مدل‌های زبان بزرگ یا LLM هستند. برای اینکه آنها کار کنند، باید حجم زیادی از دادهها را دریافت کنند تا بتوانند محتوای اصلی را تولید کنند.

در حال حاضر، شرکت‌های پشت ابزارهایی مانند DALLE-2 و Midjourney به دلیل نقض قوانین کپی رایت در آموزش مدل‌های هوش مصنوعیشان، مورد شکایت قرار گرفته‌اند.

این شرکت‌ها ادعا می‌کنند که می‌توانند مدل‌هایشان را بر اساس این داده‌ها آموزش دهند، چون همه این آموزش ها تحت قانون استفاده منصفانه قرار می‌گیرند. قانون استفاده منصفانه قانون کپی رایت ایالات متحده است که به یک طرف اجازه می‌دهد از اثر دارای حق نسخه‌برداری دیگری برای اهدافی مثل «انتقاد، نظر، گزارش اخبار، آموزش، با توجه به اتحاد حق چاپ، بورس تحصیلی یا تحقیق» استفاده کند.
این استدلال برای دی ویتو قابل قبول نیست.

او میگوید:

معیارهایی در مورد استفاده منصفانه وجود دارد. محدودیت هایی در مورد میزان نمونه گیری وجود دارد. آنها کل صفحات وب، کل ویدیوها را جمع آوری میکنند. آنها کنترل داخلی ندارند.

پس بهترین راه پیش رو چیست؟

دی ویتو می‌گوید که ما باید با کنار گذاشتن مدل‌های زبان بزرگ مثل DALLE 2 و Midjourney شروع می‌کنیم و مدل‌هایی را ایجاد ‌کنیم که بر روی مجموعه‌های داده‌های کوچکتر و خاص‌تر با ابزارهای نظارت قوی‌تر و با داده‌هایی که دقیق هستند و می‌توانند از نظر قانونی استفاده شوند، آموزش می‌بینند.

او می‌گوید: