စက်မှုလုပ်ငန်းခွင်များမှ ကျွမ်းကျင်ပညာရှင်များသည် ဉာဏ်ရည်တုကိရိယာများကို အသုံးပြုရန် အပြိုင်အဆိုင် ယှဉ်ပြိုင်နေကြသည်နှင့်အမျှ စိတ်ရှုပ်စရာမေးခွန်းတစ်ခုသည် တိုင်းတာမှုဆိုင်ရာ အထောက်အထားနယ်ပယ်သို့ ထင်ကြေးပေးမှုများမှ ရွေ့လျားနေသည်- ကျွန်ုပ်တို့သည် ဤကိရိယာများကို ကူညီပေးရန် ရည်ရွယ်ထားသော ကျွမ်းကျင်မှုများ ဆုံးရှုံးနေပါသလား။

Nature တွင် ထုတ်ဝေသော အစီရင်ခံစာသည် အစောပိုင်းရလဒ်များ ထွက်ပေါ်လာသည်ကို တွေ့ရှိသည် — နှင့် ၎င်းတို့သည် အားရစရာမဟုတ်ပေ။ AI မောင်းနှင်သည့်စနစ်များကို မှီခိုအားထားမှုသည် သမားတော်များ၊ ဆော့ဖ်ဝဲအင်ဂျင်နီယာများနှင့် အခြားကျွမ်းကျင်လုပ်သားများ၏ စွမ်းရည်များကို ဆုတ်ယုတ်စေကာ အလိုအလျောက်စနစ်ခေတ်တွင် လူသားကျွမ်းကျင်မှုကို မည်သို့ထိန်းသိမ်းထားရမည်နှင့်ပတ်သက်၍ အရေးတကြီးမေးခွန်းထုတ်စရာဖြစ်လာသည်။ For more context on this story, see our ongoing more AI stories.

ဆရာဝန်တွေက AI မရှိရင် ပိုဆိုးတယ်။

အရှင်းဆုံး ဥပမာများထဲမှ တစ်ခုမှာ ဆေးပညာမှ လာပါသည်။ endoscopy အထူးပြု ပိုလန်သမားတော်များ၏ လေ့လာမှုတစ်ခုက အတွေ့အကြုံရှိ ဆရာဝန်များသည် AI လက်ထောက်ကို ကျင့်သားရလာပြီးနောက် ၎င်းကို အသုံးပြုခွင့် ဆုံးရှုံးသောအခါ ဘာဖြစ်သွားသည်ကို ဆန်းစစ်ခဲ့သည်။

အသက်မွေးဝမ်းကြောင်းများအတွင်း အူမကြီးစမ်းသပ်မှုပေါင်း 2,000 ထက်မနည်းပြုလုပ်ခဲ့သော သမားတော်များသည် အူမကြီးမှန်ပြောင်းပုံများကို အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာပေးသည့် AI စနစ်နှင့် adenoma ဟုခေါ်သော အူမကြီးကင်ဆာအမျိုးအစားကို ထင်ရှားစေသည်။ ကိရိယာကို အချို့သောရက်များတွင် ရနိုင်သော်လည်း၊ သဘာဝစမ်းသပ်မှုတစ်ခုကို ဖန်တီး၍ အခြားသူများတွင် မရနိုင်ပါ။

ရလဒ်များ ဆိုးရွားခဲ့သည်။ AI ကိရိယာကို မိတ်ဆက်ခြင်းမပြုမီ သုံးလတာကာလအတွင်း၊ အထူးကုများသည် အူမကြီးမှန်ပြောင်းကြည့်ခြင်း၏ ၂၈.၄ ရာခိုင်နှုန်းတွင် အနည်းဆုံး adenoma တစ်ခုကို တွေ့ရှိခဲ့သည်။ ကိရိယာကို မိတ်ဆက်ပြီးနောက်၊ ကော်လိုနီစကုပ်အတွက် adenoma ထောက်လှမ်းမှုနှုန်းသည် AI အကူအညီမပါဘဲ 22.4 ရာခိုင်နှုန်းသို့ ကျဆင်းသွားသည်။

တစ်နည်းအားဖြင့်ဆိုရသော် ဆရာဝန်များသည် AI စနစ်ကို စတင်အားကိုးလာသောအခါတွင် ၎င်းတို့၏ကိုယ်ပိုင်ရောဂါရှာဖွေရေးစွမ်းဆောင်ရည် ကျဆင်းသွားခဲ့သည်။ တွေ့ရှိချက်ကို The Lancet Gastroenterology and Hepatology တွင် ပြီးခဲ့သည့် အောက်တိုဘာလက ထုတ်ပြန်ခဲ့သည်။

လေ့လာမှု၏စာရေးဆရာများက ထိုကဲ့သို့သောကိရိယာများကို ဆက်တိုက်ထိတွေ့ခြင်းသည် ဆေးခန်းများကို AI အကူအညီမပါဘဲ သိမြင်မှုဆိုင်ရာ ဆုံးဖြတ်ချက်များချရာတွင် "စိတ်အားထက်သန်မှု၊ အာရုံစူးစိုက်မှုနည်းပြီး တာဝန်သိမှုနည်းသော" ဖြစ်လာစေသည်ဟု သုတေသီများက ကောက်ချက်ချခဲ့သည်။

စစ်တမ်းတစ်ခုက စိုးရိမ်ပူပန်မှုကို ကျယ်ကျယ်ပြန့်ပြန့်ပြသသည်။

ကျွမ်းကျင်မှု ဆုံးရှုံးမှာကို ကြောက်တာက လေ့လာမှုအနည်းငယ်မှာ ကန့်သတ်မထားပါဘူး။ ဇွန်လအစောပိုင်းက ထုတ်ပြန်ခဲ့သည့် US ကျန်းမာရေးစောင့်ရှောက်မှုလုပ်သားများ၏ စစ်တမ်းတစ်ခုအရ သူနာပြု ၇၀ ရာခိုင်နှုန်းနှင့် သမားတော် ၇၇ ရာခိုင်နှုန်းတို့သည် AI စနစ်များအပေါ် အလွန်အမင်းအားကိုးမှုကြောင့် ကျွမ်းကျင်မှုဆုံးရှုံးမည်ကို စိုးရိမ်နေကြကြောင်း တွေ့ရှိရသည်။

ထိုစိုးရိမ်မှုသည် ပေါ်ပေါက်လာသော အချက်အလက်ကြောင့် တရားမျှတပုံရသည်။ ကျွမ်းကျင်ပညာရှင်များသည် AI ကို ၎င်းတို့၏နေ့စဉ်လုပ်ငန်းခွင်များတွင် ပေါင်းစည်းလိုက်သည်နှင့်အမျှ ၎င်းတို့သည် နည်းပညာနှင့် လုပ်ဆောင်နိုင်သည့်အရာများနှင့် ၎င်းမပါဘဲ ၎င်းတို့လုပ်ဆောင်နိုင်သည့်အရာများကြား ကွာဟချက်မှာ ကျယ်ပြန့်လာနိုင်သည်။

Syracuse University မှ သတင်းအချက်အလက် သိပ္ပံပညာရှင် Kevin Crowston က စိန်ခေါ်မှုကို ရှင်းရှင်းလင်းလင်း ဘောင်ခတ်ထားပါသည်- "ဒီဖြစ်စဉ်က လူတွေ ထိန်းသိမ်းလိုတဲ့ ကျွမ်းကျင်မှုတွေနဲ့ AI ကိရိယာတွေဆီကနေ သူတို့ လိုချင်တဲ့ အရည်အချင်းတချို့ကို အတုယူနိုင်စွမ်း ရှိတယ်ဆိုတာ သိထားမှ ဖြစ်မယ်လို့ မျှော်လင့်ပါတယ်။

ဆော့ဖ်ဝဲအင်ဂျင်နီယာများသည် အလားတူပုံစံများကို ပြသသည်။

Deskilling Effect သည် ဆေးအတွက် အကန့်အသတ်မရှိပါ။ ကွန်ပျူတာသိပ္ပံတွင် ကျွမ်းကျင်မှုများ ပျောက်ဆုံးသွားခြင်း ရှိ၊ မရှိ စုံစမ်းစစ်ဆေးရန်၊ AI ကုမ္ပဏီ Anthropic မှ သုတေသီများသည် ဆော့ဖ်ဝဲအင်ဂျင်နီယာ ၅၂ ဦးပါဝင်သော ကျပန်းထိန်းချုပ်ထားသော စမ်းသပ်မှုကို ဒီဇိုင်းထုတ်ခဲ့သည်။

ပါဝင်သူအားလုံးကို အခြေခံကုဒ်ရေးနည်းကို လုပ်ဆောင်ရန် တောင်းဆိုခဲ့သည်။ အင်ဂျင်နီယာတိုင်းသည် ဝဘ်ကို ရှာဖွေနိုင်ပြီး ၎င်းကို ပြီးမြောက်ရန် လမ်းညွှန်ချက်များကို ဝင်ရောက်ကြည့်ရှုနိုင်သည်။ တစ်ဝက်သည် AI လက်ထောက်ကို အသုံးပြုရန်လည်း တောင်းဆိုခဲ့သည်။ လေ့လာမှုအား ကြိုတင်ပရင့်အဖြစ် ထုတ်ပြန်ခဲ့ခြင်းဖြစ်ပြီး အခြေခံကုဒ်ရေးနိုင်စွမ်းအပေါ် AI အကူအညီ၏ အကျိုးသက်ရောက်မှုကို ခွဲထုတ်ရန် ဒီဇိုင်းထုတ်ထားသည်။

တွေ့ရှိချက်များသည် AI သို့ စဉ်ဆက်မပြတ် သိမြင်မှုဆိုင်ရာ အလုပ်များကို ဖယ်ရှားခြင်းသည် ကျွမ်းကျင်ပညာရှင်များကို ထပ်ခါတလဲလဲ အလေ့အကျင့်ဖြင့် တီထွင်ခဲ့သော အရင်းခံအရည်အချင်းများကို အားနည်းသွားစေနိုင်ကြောင်း အထောက်အထားများ တိုးပွားလာစေသည်။ AI သည် လေးလံသော ကြွတက်မှုကို ကိုင်တွယ်သောအခါ၊ လူသား လေ့ကျင့်သူသည် ကျွမ်းကျင်မှုကို တည်ဆောက်ထိန်းသိမ်းရန် အခွင့်အလမ်းနည်းပါးလာသည်။

Deskilling ၏ မက္ကင်းနစ်

သုတေသီများက ကျွမ်းကျင်မှုကို ဖြည်းဖြည်းချင်း လုပ်ဆောင်ခြင်းဟု ဖော်ပြသည်။ ကိရိယာတစ်ခုသည် အလုပ်တစ်ခုကို စိတ်ချယုံကြည်စွာ ကိုင်တွယ်သောအခါ၊ အရင်းခံကျွမ်းကျင်မှုနှင့် အလုပ်သမားတစ်ဦး၏ ထိတွေ့ဆက်ဆံမှု ကျဆင်းသွားသည်။ အချိန်ကြာလာသည်နှင့်အမျှ၊ အာရုံကြောလမ်းကြောင်းများနှင့် တရားစီရင်ခြင်းတို့သည် နှစ်ပေါင်းများစွာ အလေ့အကျင့်များမှတဆင့် ရင့်ကျက်လာကြသည်။

ဆေးပညာအရ၊ အထူးသဖြင့် အန္တရာယ်ရှိနိုင်သည်။ တစ်ချိန်က သံသယဖြစ်ဖွယ်တစ်ရှူးများကို တွေ့ရှိရန် စိတ်အားထက်သန်သော အမြင်အာရုံဆိုင်ရာ စီရင်ဆုံးဖြတ်မှုကို အားကိုးခဲ့သော ဆရာဝန်တစ်ဦးသည် AI အကူအညီ လပေါင်းများစွာကြာပြီးနောက်၊ စနစ်၏ အချက်ပြမှုများအပေါ် မှီခိုလာနိုင်သည်။ အကယ်၍ စနစ်ပျက်ကွက်ခြင်း သို့မဟုတ် မရရှိနိုင်ပါက၊ ဆရာဝန်၏ စွမ်းဆောင်မှုသည် တစ်ချိန်က ပြုလုပ်ခဲ့သည့် စံနှုန်းနှင့် မကိုက်ညီတော့ပါ။

Oslo တက္ကသိုလ်မှ သမားတော် သုတေသနပညာရှင် Yuichi Mori သည် အူမကြီးလေ့လာချက်ကို ပူးတွဲရေးသားသူ Yuichi Mori က AI ကိရိယာများကို အသုံးပြုသူများသည် ၎င်းတို့၏ ကျွမ်းကျင်မှုအချို့ကို ဆုံးရှုံးနိုင်ခြေကို သတိထားသင့်ကြောင်း သတိပေးထားသည်။ "ယခုအချိန်တွင် ချေမှုန်းခြင်းအတွက် တိကျသေချာသော အဖြေမရှိပါ" ဟု ၎င်းက ဆိုသည်။ “လာမယ့်ဆယ်စုနှစ်အတွင်းမှာ အလွန်ပူပြင်းတဲ့ သုတေသန ခေါင်းစဉ်တစ်ခု ဖြစ်သင့်တယ်။”

Standard Testing သည် ပြဿနာကို အဘယ်ကြောင့် လွတ်သွားသနည်း။

Deskilling ကိုဖြေရှင်းရာတွင်အခက်အခဲ၏တစ်စိတ်တစ်ပိုင်းမှာ AI ကိုဖယ်ရှားမချင်း၎င်းကိုမမြင်နိုင်ပါ။ ကိရိယာကို အသုံးပြုနေချိန်တွင် စွမ်းဆောင်ရည် မက်ထရစ်များသည် ပြင်းထန်ပုံပေါ်ပြီး အောက်ရှိ လူသားစွမ်းရည်များ တဖြည်းဖြည်း ယိုယွင်းလာမှုကို ဖုံးကွယ်ထားသည်။

၎င်းသည် တုံ့ပြန်ချက်ကွင်းဆက်တစ်ခုကို ဖန်တီးပေးသည်။ အလုပ်သမားများသည် AI ဖြင့် ပိုမိုကောင်းမွန်စွာ လုပ်ဆောင်နိုင်သောကြောင့် ၎င်းတို့သည် ၎င်းကို ပိုမိုအသုံးပြုကြသည်။ များများသုံးလေ၊ အထောက်အကူမပြုသော ကျွမ်းကျင်မှုကို လေ့ကျင့်မှု နည်းပါးလေလေဖြစ်သည်။ ကျဆင်းလာသည်နှင့်အမျှ — ကိရိယာ ကျသွားသည်၊ အငြိမ်းစား သို့မဟုတ် အစားထိုးလိုက်သောအခါ — စွမ်းရည်သည် ယုတ်ညံ့သွားပေလိမ့်မည်။

အဆိုပါဖြစ်စဉ်သည် အဖွဲ့အစည်းများအား လေ့ကျင့်သင်ကြားခြင်းနှင့် အကဲဖြတ်ခြင်းတို့ကို မည်သို့ဖွဲ့စည်းသင့်သည်ဆိုသည့် မေးခွန်းများကိုလည်း ပေါ်ပေါက်စေသည်။ AI အကူအညီများ တက်ကြွနေချိန်တွင် ပရော်ဖက်ရှင်နယ် အရည်အချင်းကို ပိုမိုတိုင်းတာပါက၊ အကဲဖြတ်ချက်များသည် အလုပ်သမားများ မိမိဘာသာ အမှန်တကယ် လုပ်ဆောင်နိုင်သည့်အရာကို ကျော်လွန်သွားနိုင်သည်။

လူ့ကျွမ်းကျင်မှုကို ထိန်းသိမ်းစောင့်ရှောက်ခြင်း။

သုတေသီများနှင့် လုပ်ငန်းခွင်ကျွမ်းကျင်သူများသည် AI ခေတ်တွင် အရေးကြီးသော လူသားစွမ်းရည်ကို မည်သို့ထိန်းသိမ်းရမည်ကို ယခု အခြေအတင် ဆွေးနွေးနေကြပြီဖြစ်သည်။ ဖြေရှင်းနည်းများ မရှင်းလင်းသေးသော်လည်း အခြေခံမူများစွာ ပေါ်ထွက်နေပါသည်။

ပထမအချက်က အသိတရားက အရေးကြီးတယ်။ အရည်အချင်းမရှိသောအလေ့အကျင့်ကို တမင်တကာ ထိန်းသိမ်းထားရန် လူတစ်ဦးချင်းစီနှင့် အဖွဲ့အစည်းများကို တွန်းအားပေးခြင်းမျိုး ဖြစ်ပေါ်လာနိုင်သည်ကို ရိုးရှင်းစွာ အသိအမှတ်မပြုပါ။ ဒုတိယ၊ ကျွမ်းကျင်ပညာရှင်များသည် မည်သည့်အရည်အချင်းများကို ပြတ်သားစွာ ထားရှိရန်နှင့် မည်သည့်အရာကို လွှဲအပ်ရမည်ကို သတိရှိရှိ ရွေးချယ်မှုများ ပြုလုပ်ရန် လိုအပ်ပေမည်။ ကျွမ်းကျင်မှုတိုင်းသည် ခွန်အားအပြည့်ဖြင့် ထိန်းသိမ်းထားထိုက်သည်မဟုတ်သော်လည်း အချို့သော—အထူးသဖြင့် ဘေးကင်းမှု၊ ရောဂါရှာဖွေမှုနှင့် ဝေဖန်ပိုင်းခြားမှုဆိုင်ရာ စီရင်ချက်များနှင့် ဆက်စပ်နေသော-အချို့မှာ ထင်ရှားသည်။

တတိယ၊ အဖွဲ့အစည်းများသည် ပင်မအသိဥာဏ်အလုပ်များကို အစားထိုးမည့်အစား AI တိုးမြှင့်မှုများပြုလုပ်ရန် အလုပ်အသွားအလာများကို ပြန်လည်ဒီဇိုင်းရေးဆွဲရန် လိုအပ်နိုင်သည်။ ကိရိယာကို တွေးခေါ်မှုကို ခွင့်ပြုမည့်အစား၊ AI သည် စနစ်မတိုင်ပင်မီ ကျွမ်းကျင်ပညာရှင်မှ အဖြေတစ်ခုရောက်ရှိရန် လိုအပ်ပြီး လူသား၏တရားစီရင်မှုကို စစ်ဆေးသည့်အနေဖြင့် AI ကို နေရာချထားနိုင်သည်။

AI ခေတ်အတွက် အဓိပ္ပါယ်ဖွင့်ဆိုရသော စိန်ခေါ်မှု

Nature အစီရင်ခံစာတွင် ဖယ်ထုတ်ခြင်းသည် တွေးခေါ်မှုဆိုင်ရာ စိုးရိမ်စရာမဟုတ်တော့ကြောင်း ရှင်းလင်းစေသည်။ သက်သေအထောက်အထားများသည် အစောပိုင်းကာလတွင် နယ်ပယ်အသီးသီးတွင် တသမတ်တည်းရှိနေသည်- လူသားများသည် သိမြင်မှုဆိုင်ရာလုပ်ငန်းကို AI သို့ လွှဲပြောင်းပေးသည့်အခါ အရင်းခံစွမ်းရည်များ အားနည်းသွားနိုင်သည်။

ယခုအခါ သန်းပေါင်းများစွာသော ပရော်ဖက်ရှင်နယ်များသည် AI ကို ၎င်းတို့၏နေ့စဉ်လုပ်ရိုးလုပ်စဉ်များတွင် ပေါင်းစည်းထားသောကြောင့်၊ လောင်းကြေးများသည် ပုဂ္ဂိုလ်ရေးအရသာမက လူမှုအဖွဲ့အစည်းဖြစ်သည်။ အကျိတ်ကိုတွေ့ရန် ထိတွေ့မှု ဆုံးရှုံးသွားသော ခွဲစိတ်ဆရာဝန်၊ လက်ထောက်မပါဘဲ အမှားရှာနည်းကို မေ့နေသော အင်ဂျင်နီယာတစ်ဦး၊ ဆေးခန်း၏ ပင်ကိုယ်မှိန်ဖျော့သွားသည့် သူနာပြုတစ်ဦး— ၎င်းတို့သည် စိတ္တဇအန္တရာယ်များမဟုတ်ပါ။

Mori မှတ်ချက်ပြုထားသည့်အတိုင်း၊ တိကျသောဖြေရှင်းချက်မရှိသေးပါ။ ဒါပေမယ့် ပထမအဆင့်အနေနဲ့ သုတေသီတွေက ခြိမ်းခြောက်မှုကို အလေးအနက်ထား လုပ်ဆောင်နေတာလို့ သဘောတူပါတယ်။ အစောပိုင်းရလဒ်များထွက်ရှိပြီး ၎င်းတို့သည် သတိပေးချက်ဖြစ်သည်- ကျွန်ုပ်တို့ကို ပိုကောင်းအောင်ပြုလုပ်ထားသည့် ကိရိယာများကို ပေါ့ပေါ့ဆဆအသုံးပြုပါက ယခင်ကထက် ကျွန်ုပ်တို့ကို စွမ်းဆောင်နိုင်မှုနည်းသွားနိုင်သည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →