بشردوستی هوش مصنوعی چگونه کمک‌های خیریه‌ای را تغییر خواهد داد؟

در شرکت آنتروپیک، وعده‌ها و مخاطرات هوش مصنوعی به یک مسئله خانوادگی تبدیل شده است. داریو آمودی اخیراً هشدار داده که ابرهوش (superintelligence) می‌تواند بشریت را از میان ببرد. دانیلا، خواهر او و رئیس شرکت، در مقابل، درباره این موضوع هیجان‌زده است که هوش مصنوعی چگونه می‌تواند جان انسان‌ها را نجات دهد. او به اکونومیست می‌گوید که سلامت جهانی به یکی از محورهای تمرکز آنتروپیک تبدیل شده و این شرکت با سازمان‌های امدادی در سراسر آفریقا همکاری می‌کند تا از Claude در حوزه مراقبت‌های سلامت استفاده کند و امنیت غذایی را پیش‌بینی کند.

در حال حاضر، چنین تلاش‌هایی همچنان در مقیاس کوچکی انجام می‌شوند. شرکت‌های هوش مصنوعی امسال از طرح‌های توسعه‌ای به ارزش چند صد میلیون دلار خبر داده‌اند؛ رقمی که در مقایسه با مجموع کمک‌های جهانی، ناچیز است. بااین‌حال، این اقدامات در شرایطی در حال ظهورند که کمک‌های سنتی رو به کاهش گذاشته‌اند. کشورهای ثروتمند سال گذشته کمک‌های توسعه‌ای خود را ۲۳ درصد کاهش دادند و این کمک‌ها به ۱۷۴ میلیارد دلار رسید. «نان رانسوف» که در خیریه عمومی شرکت Stripe کار می‌کند، برآورد می‌کند که بنیاد OpenAI، بنیان‌گذاران آنتروپیک و کارکنان این شرکت‌ها در نهایت ممکن است سالانه مجموعاً ۳۷ تا ۱۰۰ میلیارد دلار صرف امور خیریه کنند. بخشی از این پول به کشورهای فقیر خواهد رفت.
اما این منابع مالی جدید چگونه به توسعه کمک خواهند کرد؟

شرکت‌های هوش مصنوعی ممکن است علاوه بر پول، فناوری نیز ارائه کنند. برای مثال، آنتروپیک با کمیته بین‌المللی نجات (IRC) و برنامه جهانی غذای سازمان ملل متحد همکاری می‌کند و دسترسی به Claude و پشتیبانی مهندسی در اختیار آنها قرار می‌دهد. به گفته «دیوید میلیبند»، رئیس IRC، یک پروژه مبتنی بر هوش مصنوعی در نیجریه، ترکیب و یکپارچه‌سازی داده‌های نامنظم بیماران، زمان صرف‌شده کارکنان پرستاری برای انجام برخی وظایف را حدود ۶۰ درصد کاهش داده است. چنین افزایش‌هایی در بهره‌وری، با کاهش ظرفیت در نتیجه کاهش کمک‌های مالی، اهمیت بیشتری پیدا می‌کنند؛ زیرا این سازمان طی سال گذشته مجبور شده است بیش از ۵۰۰ مرکز سلامت را تعطیل کند.

اما اقدامات گذشته برای استفاده از فناوری در حوزه کمک‌های توسعه‌ای هشداری جدی به همراه دارند؛ زیرا دسترسی ارزان‌تر به تخصص به‌تنهایی کافی نیست. در یکی از طرح‌هایی که به کودکان کشورهای فقیر لپ‌تاپ داده شد، استفاده از رایانه افزایش یافت، اما نمرات آزمون‌ها بهبود پیدا نکرد؛ زیرا این دستگاه‌ها به‌درستی در برنامه‌های درسی ادغام نشده بودند. ابزارهای سلامت دیجیتال نیز اغلب در مطالعات آزمایشی عملکرد خوبی داشته‌اند، اما نتوانسته‌اند در نظام‌های سلامت محلی دوام بیاورند.

اهداکنندگان همچنین تمایل دارند جهان را از دریچه تخصص خود ببینند. نروژ، کشوری با ماهیگیران فراوان، زمانی بخش قابل‌توجهی از کمک‌های خود را به صنعت شیلات کنیا اختصاص داد؛ اما نتیجه آن ساخت کارخانه‌ای برای تولید ماهی منجمد بود که هرگز افتتاح نشد. خیرین هوش مصنوعی نیز ممکن است هر مشکلی را مسئله‌ای ببینند که باید با هوش مصنوعی حل شود، حتی اگر محدودیت واقعی در جای دیگری باشد.

مالاریا را در نظر بگیرید؛ بیماری‌ای که سالانه حدود ۶۰۰ هزار نفر را به کام مرگ می‌کشاند و بیشتر قربانیان آن در آفریقا هستند. دو واکسن مؤثر برای این بیماری در دسترس است و ۲۵ کشور آفریقایی آنها را وارد برنامه معمول واکسیناسیون کودکان کرده‌اند. اما «گاوی» (Gavi)، ائتلاف جهانی واکسن برای اجرای این برنامه با کمبود بودجه‌ای نزدیک به ۳۰ درصد مواجه است. مدل‌های هوش مصنوعی می‌توانند به هدفمندتر کردن کارزارهای واکسیناسیون کمک کنند؛ اما توکن‌های هوش مصنوعی نمی‌توانند هزینه واکسن‌ها را بپردازند یا آنها را به بازوی کودکان برسانند.

حتی در مواردی که هوش مصنوعی یکی از محدودیت‌های مهم را برطرف می‌کند، اهداکنندگان باید محدودیت‌های دیگری را که مانع پیشرفت می‌شوند نیز در نظر بگیرند. برای مثال، در غربالگری سرطان، هوش مصنوعی می‌تواند شناسایی افراد در معرض خطر را ارزان‌تر کند، اما این امر تقاضا برای خدمات آزمایشگاهی و درمان را که با کمبود ظرفیت مواجه‌اند، افزایش خواهد داد. در کنیا، در سال ۲۰۲۲ بیش از نیمی از بیمارستان‌های مورد بررسی خدمات غربالگری سرطان دهانه رحم ارائه می‌کردند، اما تنها حدود ۵ درصد آنها امکان درمان این بیماری را داشتند. نیکوکاران حوزه هوش مصنوعی باید به تأمین مالی امکانات و خدماتی نیز فکر کنند که برای به‌کارگیری عملی پیشرفت‌های مبتنی بر هوش مصنوعی ضروری هستند.

برچیده‌شدن آژانس توسعه بین‌المللی ایالات متحده (USAID) در سال ۲۰۲۵ نشان داد خدماتی که وابستگی زیادی به یک اهداکننده خارجی دارند، تا چه اندازه آسیب‌پذیرند. بشردوستی هوش مصنوعی نیز می‌تواند از طریق اعتبار رایگان استفاده از مدل‌ها و مهندسان خارجی، وابستگی ایجاد کند. وقتی این حمایت متوقف شود، «لئو آنتونی سِلی»، پژوهشگر MIT می‌پرسد: «چه کسی مالک داده‌ها و کد است و آیا تیم محلی می‌تواند به اجرای آن سیستم ادامه دهد؟»

در نهایت، آنچه اهمیت دارد کنترل محلی است. میلیبند به یک برنامه آموزشی IRC اشاره می‌کند که زمانی پایدار شد که عراق، اردن و لبنان آن را در برنامه‌های درسی ملی خود ادغام کردند. به همین ترتیب، بهترین پروژه‌های مبتنی بر هوش مصنوعی در نهایت باید به جایی برسند که اهداکننده و شاید حتی مدل هوش مصنوعی اهداکننده دیگر برای ادامه کار ضروری نباشد.

گزارش حاضر در نسخه October 3^rd2026 نشریه The Economist منتشر شده است.

برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.