نشست اطلاعاتی ۲۰۲۵: سیگنال‌ها در دل هیاهو: هوش مصنوعی، اطلاعات اوسینت و مزیت عملیاتی
چکیده: مؤسسه «ائتلاف اطلاعات و امنیت ملی » در تاریخ ۲۴ سپتامبر ۲۰۲۵ (۲ مهر ۱۴۰۴) یک وبینار تحلیلی برگزار کرد که در آن، سوزان ویلسون (رئیس مؤسسه ائتلاف اطلاعات و امنیت ملی)، دنیس ایگر (مشاور ارشد اطلاعات اوسینت در ارتش آمریکا)، ریچارد اسمیت (مسئول ارشد ادغام فعالیت‌های اطلاعاتی و هوش مصنوعی مولد در سازمان سیا)، ملیسا استیوالتی (مدیر اطلاعات اوسینت در شرکت گایدهاوس) و شان باتیه (مسئول ارشد فناوری در حوزه هوش مصنوعی پیشرفته، رایانش کوانتومی و رباتیک در شرکت «آمازون وب‌سرویسز») به بررسی تأثیر هوش مصنوعی و حجم عظیم و سریع اطلاعات اوسینت (اطلاعات منبع باز یا آشکار) بر حرفه، مأموریت و مزیت عملیاتی سازمان‌های اطلاعاتی و امنیتی پرداختند. در این نشست تاکید شد:
• افزایش حجم داده‌های منبع باز و استفاده از هوش مصنوعی مولد باعث تغییر کامل روش‌های سنتی جمع‌آوری و تحلیل اطلاعات شده است.
• تحلیل‌گران از تولیدکننده داده به ناظر و اعتبارسنج خروجی‌های ماشینی تبدیل شده‌اند؛ یعنی هوش مصنوعی داده‌ها را پردازش می‌کند و انسان صحت و زمینه را بررسی می‌کند.
• مهارت‌های تحلیلی، تفکر انتقادی و زبان خارجی همچنان حیاتی‌اند.
• فارغ‌التحصیلان علوم انسانی در کار با هوش مصنوعی موفق‌تر از رشته‌های فنی بوده‌اند.
• موفقیت در حوزه اوسینت، وابسته به ترکیب هوش مصنوعی با شهود و تجربه انسانی است تا تصمیم‌گیری‌های سریع‌تر و دقیق‌تر در میدان اطلاعاتی ممکن شود.
جان دایون: بعدازظهر همگی بخیر. ساعت یک است و جلسه امروز را دقیقاً سر وقت آغاز می‌کنیم. از حضور شما در این نشست تخصصی با عنوان «سیگنال‌ها در دل هیاهو: هوش مصنوعی، اطلاعات اوسینت و مزیت عملیاتی» سپاسگزارم. من جان دایون، معاون اجرایی مؤسسه «ائتلاف اطلاعات و امنیت ملی» هستم، و از شما برای شرکت در این برنامه تشکر می‌کنم.
چند نکته را یادآور می‌شوم: امروز برای طرح سؤالات، از کارت‌های پرسش استفاده خواهیم کرد که بر روی صندلی‌های شما قرار داده شده‌اند. لطفاً پرسش‌های خود را خوانا و کوتاه یادداشت کنید تا همکاران ما بتوانند آن‌ها را جمع‌آوری کنند.
همچنین مایلم از حامی این نشست تخصصی، شرکت «۱۰ ایکس نشنال سکیوریتی » [امنیت ملی در مقیاس ۱۰ برابری] تشکر ویژه‌ای داشته باشم که با حمایت سخاوتمندانه‌ی خود امکان برگزاری این جلسه را فراهم کرد.
اکنون اجازه دهید اعضای پنل امروز را معرفی کنم:
• دکتر دنیس ایگر، مشاور ارشد اطلاعات اوسینت در ارتش آمریکا
• ریچارد اسمیت، حامی توسعه اوسینت در سازمان سیا
• ملیسا استیوالتی، مدیر اطلاعات اوسینت در شرکت گایدهاوس
• شان باتیه، مسئول ارشد فناوری در حوزه هوش مصنوعی پیشرفته، رایانش کوانتومی و رباتیک در شرکت «آمازون وب‌سرویسز»
و ریاست این پنل بر عهده خانم سوزان ویلسون، رئیس مؤسسه «ائتلاف اطلاعات و امنیت ملی» است.
سوزان ویلسون: سپاسگزارم، جان دایون. حالا اجازه دهید گفت‌وگو را آغاز کنیم. می‌خواهم از هر یک از شما درخواست کنم تا در پاسخ به سؤال ابتداییِ جلسه، دیدگاه‌تان را در حداکثر دو دقیقه بیان کنید. این سؤال برای آغازِ بحث و تنظیم فضای گفت‌وگو طراحی شده است.
پرسش این است: «با توجه به مقیاس عظیم و سرعت بالای اطلاعات اوسینت (که بخش زیادی از آن به صورت ماشینی تولید می‌شود) در سال گذشته چه تغییری در شیوه‌های حرفه‌ای و مأموریتی شما ایجاد شده است؟»
ملیسا استیوالتی، لطفاً شما شروع کنید.
ملیسا استیوالتی: بسیار خوب، خوشحالم که در این نشست حضور دارم؛ هرچند به‌صورت ناگهانی دعوت شدم. صادقانه بگویم، شیوه‌های کار در حوزه اطلاعات اوسینت به‌سرعت در حال تحول است، و من از اینکه در جمعی پویا و منعطف فعالیت می‌کنم که حاضرند مهارت‌های خود را ارتقاء دهند، هوش مصنوعی بیاموزند، و با حجم عظیم داده‌ها مواجه شوند، بسیار خرسندم.
همکاری‌هایی که ما با شرکای فوق‌العاده‌مان داریم، چه در صنعت، چه در سطح بین‌الملل، و چه در گستره کلیِ اکوسیستم اطلاعات اوسینت، بسیار ارزشمند است. برای مثال، یکی از پرمخاطب‌ترین مطالب تخصصی ما در حال حاضر، «راهنمای مهندسی پرامپت » است. متخصصان ما (یعنی جامعه اوسینت) به‌شدت به این حوزه علاقه‌مند شده‌اند و در تلاش‌اند تا یاد بگیرند که چگونه می‌توانند ابزارهای نوظهور را به‌طور مؤثر به کار گیرند تا بتوانند با این موج عظیم داده‌ها که طی سال‌های اخیر افزایش یافته، به‌درستی مواجه شوند.
سوزان ویلسون: بسیار خوب، سپاسگزارم.
ریچارد اسمیت: ببینید، به نظرم نباید موضوع را فقط محدود به اطلاعات اوسینت کنیم. اگر شما هم مثل من پاییز سال ۲۰۲۲ را به یاد داشته باشید، آن دوره یکی از نقاط عطف تاریخی بود که احتمالاً بعدها همواره به آن رجوع خواهیم کرد. خود من آن زمان در دفتر کارم بودم که به یکی از همکارانم پیام دادم؛ همان روزی که اوپن‌ای‌آی چت‌جی‌پی‌تی را منتشر کرد. به او گفتم: «این فناوری طرز تعامل انسان‌ها با اطلاعات را به شیوه‌ای دگرگون خواهد کرد که هیچ‌کس انتظار نداشت به این زودی رخ دهد.»
در سازمان ما، نه فقط در طول سال گذشته بلکه حتی فراتر از آن، روش‌های کاری‌مان به‌شکل بنیادینی دگرگون شده‌اند؛ آن هم به‌واسطه‌ی استفاده از هوش مصنوعی برای تولید اطلاعات اوسینت. هوش مصنوعی اکنون با سرعت و مقیاسی اطلاعات را پردازش می‌کند که انسان‌ها به‌هیچ‌وجه از عهده‌اش برنمی‌آیند.
البته این تحول بدون چالش نبوده است. در واقع، ما صرفاً یک مشکل را با مشکل دیگری جایگزین کرده‌ایم: ما پیش‌تر نیاز به منابع انسانی فراوانی برای تولید اطلاعات داشتیم، اما اکنون ماشین‌ها را داریم؛ بدون آنکه نیروی انسانی ماهر و آموزش‌دیده‌ای برای بهره‌برداریِ مؤثر از این فناوری‌ها در اختیار داشته باشیم.
در نتیجه، شیوه‌های حرفه‌ای در حال تحول سریع هستند؛ که به‌نظر من اتفاق خوبی است. به‌زودی خواهیم دید که می‌توانیم به اطلاعاتی دست پیدا کنیم که تا پیش از این، هرگز امکان‌پذیر نبود.
دنیس ایگر: کاملاً درست است. اجازه دهید من هم نکته‌ای به این بحث اضافه کنم. وقتی به حجم عظیمِ اطلاعاتی که اکنون در دسترس است فکر می‌کنم، ذهنم به گذشته بازمی‌گردد؛ زمانی که سی سال پیش یک تحلیل‌گر جوان در یکی از نهادهای اطلاعاتی بودم. آن روزها کارم این بود که هر روز صبح بیایم و انبوهی از گزارش‌های کاغذی‌ای را که کنار میزم انباشته شده بود بررسی کنم.
همه می‌گفتند: «نگران نباش، به‌زودی چیزی به نام هارد درایو وارد می‌شود و می‌توانیم حجم زیادی از اطلاعات را روی آن ذخیره کنیم. کارها راحت‌تر می‌شود.» اما در واقع ما فقط داده‌های بیشتری جمع کردیم. بعد گفتند قدم بعدی چیست؟ و بعدتر، نوبت به فناوری‌های جدیدتری رسید.
اکنون به جایی رسیده‌ایم که می‌گویند: «همه چیز را روی فضای ابری بگذاریم»؛ که باز هم یعنی فقط اطلاعات بیشتر و بیشتر. در چنین شرایطی، ما ناچاریم شیوه‌ی کارمان را اساساً تغییر دهیم. ما باید به‌طور جدی به هوش مصنوعی به‌عنوان یک ابزار کلیدی نگاه کنیم. چون حجم داده‌ها به‌قدری بالاست که دیگر تحلیل‌گر انسانی به‌تنهایی قادر به پردازش آن‌ها نیست.
خوشبختانه شرکت‌های فناوری‌ای که امروز در اینجا حضور دارند، در خط مقدم این تحولات هستند و هوش مصنوعی در حال فراهم کردنِ این امکان است. اما نکته مهم این است که شیوه‌های حرفه‌ای ما نیز باید تغییر کنند؛ یعنی روش‌هایی که برای دستیابی به اطلاعات استفاده می‌کنیم باید بازنگری شوند.
یکی از چالش‌های اساسی این است که هنوز اعتماد کافی نسبت به خود هوش مصنوعی یا منابع داده‌ای که آن را تغذیه می‌کنند، در بین بخش زیادی از جامعه وجود ندارد.
بنابراین، در چنین شرایطی تردیدهایی مطرح می‌شود؛ مثلاً همان‌طور که ریچارد اسمیت اشاره کرد، وقتی هوش مصنوعی از منظر بهره‌وری، گزارش‌هایی را با سرعت بر پایه‌ی داده‌ها تولید می‌کند، این سؤال پیش می‌آید که «آیا می‌توان به این گزارش‌ها اعتماد کرد؟» در نتیجه، ماهیت کار تخصصی ما نیز تغییر می‌کند؛ از حالتی که کاملاً متکی به انسان بود، به حالتی تبدیل می‌شود که بخشی از آن را ماشین انجام می‌دهد و انسان صرفاً در چرخه‌ی بررسی و نظارت باقی می‌ماند.
در چنین مدلی، پرسش کلیدی این است که: «برای اطمینان از درستیِ خروجی چه اقداماتی باید انجام شود؟» به گمان من، این همان تحولی است که در طول یکی دو دهه اخیر شکل گرفته و همچنان نیز ادامه دارد.
سوزان ویلسون: و برای ایجاد آن اعتماد لازم، چه چیزی باید تغییر کند؟ آیا باید نقش انسان پررنگ‌تر شود؟
دنیس ایگر: بله، این پرسش بسیار مهمی است. من اخیراً در چند دوره تخصصی هوش مصنوعی شرکت داشتم و واقعیت این است که همه‌ی شرکت‌کنندگان یک دغدغه مشترک دارند: همه می‌خواهند بفهمند دقیقاً چه اتفاقی در «جعبه سیاهِ» پشت این فناوری‌ها رخ می‌دهد.
همه می‌پرسند: اطلاعات ورودی از کجا تأمین می‌شود؟ این مدل چگونه آموزش دیده؟ چگونه از آن بهره‌برداری می‌شود؟ به همین دلیل ما مرتباً این بحث را مطرح می‌کنیم که: بیایید داده‌هایی را که منشأ معتبر و قابل اتکا دارند، وارد مدل کنیم و ببینیم چه نتیجه‌ای می‌گیریم.
اما تا زمانی که سازوکار درونی این مدل‌ها (آنچه به آن «جعبه سیاه» می‌گویند) به‌درستی درک نشود، اعتمادسازی دشوار خواهد بود.
شان باتیه: من نیز مایلم به نکته‌ای اشاره کنم. من، شان باتیه، حدود دو ماه پیش به شرکت «آمازون وب‌سرویسز» پیوستم. پیش از آن، به مدت پنج سال در مأموریت‌های مرتبط با اطلاعات اوسینت فعالیت داشتم؛ به‌ویژه در حوزه پشتیبانی از روندهای هدف‌گذاری عملیاتی.
در این نقش، من فرصت نادری داشتم تا از نزدیک ببینم که «تِرِیدکرفت » [یعنی مجموعه روش‌ها و فنون تحلیلی] در خط مقدمِ عملیات، چگونه به‌مرور تکامل پیدا می‌کند. وقتی درباره کاربرد هوش مصنوعی مولد صحبت می‌کنیم، به نظرم لازم است حضار، به‌ویژه افرادی که در شرکت‌های خصوصی یا نهادهای دولتی فعالیت دارند، به یک نکته مهم توجه کنند: ما هر یک روش خاصی برای تحلیل داریم؛ هر سازمانی ساختار آموزشی و مکتب فکریِ خاص خود را دارد که در آن، «شیوه‌ی تحلیل» آموخته می‌شود. مثلاً بسیاری از شما احتمالاً با تکنیک «فرضیات رقابتی جایگزین » آشنا هستید، تکنیکی که یکی از اصول پایه‌ای در این حوزه به‌شمار می‌رود. با این حال، نحوه‌ی به‌کارگیری دانش و فنون تحلیلی در هر منطقه یا مرکز فرماندهی، می‌تواند تفاوت‌های جزئی اما مهمی با سایر مناطق داشته باشد.
با آنکه مسیر کلی تحلیل‌ها در میان نهادهای مختلف تقریباً هم‌سو بود، اما کیفیت نهایی نتایج، به‌شدت به میزان تبحر و تجربه‌ی تحلیل‌گری بستگی داشت که در این فرآیند، حضور فعال داشت. به نظر من، آنچه امروز شاهدش هستیم (به‌ویژه با ورود مدل‌های هوش مصنوعی مولد) این است که اگر بتوانیم «شهود و بینش تخصصی» افرادی که چند دهه در این حوزه فعالیت کرده‌اند را، وارد تعامل با این مدل‌ها بکنیم (البته به‌شرط آنکه به‌درستی در نهادهای مربوطه پیاده‌سازی شوند) آنگاه می‌توانیم مسیر یادگیری را برای نیروهای تازه‌وارد بسیار سریع‌تر و کوتاه‌تر نماییم.
من کاملاً مایلم در این‌باره بیشتر صحبت کنم؛ به‌ویژه با حضور همکارانم در این نشست. این مأموریت بسیار هیجان‌انگیز است و به‌گمانم ظرفیت‌های بسیاری برای رشد در آن وجود دارد.
سوزان ویلسون: بسیار خوب. عنوان این پنل «سیگنال‌ها در دل هیاهو» است. ما حدود یک یا دو هفته پیش در جلسات آماده‌سازی‌مان درباره این موضوع گفتگو کردیم. یکی از مصداق‌های «هیاهو» همان فضای منفی و بدبینی‌هایی است که بعضاً مطرح می‌شود. بنابراین ما تصمیم گرفتیم در آغاز این جلسه به آن اشاره کنیم و سپس تمرکز را بر روی جنبه‌های مثبتِ این تحولات بگذاریم.
اکنون سؤالی برای ریچارد اسمیت دارم که سایر اعضا نیز در صورت تمایل می‌توانند در ادامه به آن بپردازند:
همه ما می‌دانیم که اکنون بازیگران متخاصم می‌توانند به‌راحتی فضاهای رسانه‌ای را با محتواهای بسیار واقعی و تولیدشده توسط هوش مصنوعی اشباع کنند. در چنین محیطی که آلودگی اطلاعاتی به‌شدت افزایش یافته، ما چگونه باید شیوه‌های اطلاعات اوسینت را تطبیق دهیم تا همچنان بتوانند به‌طور مؤثر عمل کنند؟
ریچارد اسمیت: بله، راستش این، یکی از دغدغه‌های همیشگی من است. البته آنچه الآن می‌گویم صرفاً نظر شخصی من است. به عقیده من، ما بیش از حد روی موضوع «اطلاعات نادرست » تمرکز کرده‌ایم. به صراحت بگویم، این مسئله در فهرست اولویت‌های من، حتی جزو پنج نگرانیِ اول هم نیست.
نمی‌گویم که این مشکل وجود ندارد؛ چرا که بی‌تردید معضل مهمی است، اما این معضلِ امروز ما نیست. در حال حاضر ما مسائل مهم‌تری برای رسیدگی داریم. پیش‌تر هم اشاره کردم که ما اساساً «فرآیندهای دستی انسانی» را با «فرآیندهای ماشینی» جایگزین کرده‌ایم، و اکنون انسان‌ها بیشتر در نقش «ناظر» یا «تأییدکننده نهایی» وارد عمل می‌شوند. به نظرم انرژی ما باید بیشتر صرف پرداختن به این تحولات شود.
واقعیت این است که ما هنوز مهارت‌های لازم برای این مسیر را نداریم و تربیت نیروهایی با این توانمندی، زمان‌بر خواهد بود. همان‌طور که دنیس ایگر هم پیش‌تر اشاره کرد، بخش زیادی از افراد جامعه به‌طور کلی از قرار گرفتن در شرایط نامطمئن، احساس نارضایتی می‌کنند. اما باید بپذیریم که فضای کار با هوش مصنوعی، دقیقاً همین وضعیت را دارد: باید با «نااطمینانی» راحت باشیم.
ما قرار نیست به‌طور کامل درک کنیم که درون «جعبه سیاهِ» این مدل‌ها چه می‌گذرد؛ چرا که حتی بسیاری از طراحانِ این سیستم‌ها نیز دقیقاً از جزئیات عملکرد آن‌ها اطلاع ندارند. بنابراین باید به مرحله‌ای برسیم که در آن بیاموزیم، اعتماد کنیم، سازوکارها را اعتبارسنجی کنیم و در نهایت این ابزارها را به‌کار بگیریم.
در چنین شرایطی، تمرکز بیش‌ازحد بر مسئله‌ی اطلاعات نادرست، حداقل در فهرست اولویت‌های امروز من، جایگاهی ندارد.
سوزان ویلسون: بسیار خوب. آیا فرد دیگری هم نظری دارد؟
دنیس ایگر: بله، من هم با ریچارد اسمیت هم‌عقیده‌ام. وقتی درباره اولویت‌های اصلی صحبت می‌کنیم، من در ذهن خودم فهرستی دارم که بسیاری از مواردش را نمی‌توانم در این فضا به‌صورت علنی بیان کنم؛ اما به‌صراحت بگویم، من دغدغه‌هایی دارم که برای اجرای اطلاعات اوسینت در سطح عملیاتی (تاکتیکی) بسیار مهم‌تر هستند.
برای من مهم است که بدانم ارتش چگونه قرار است در سطح تاکتیکی از اطلاعات اوسینت استفاده کند؟ این نقش دقیقاً چه جایگاهی در ساختار حرفه‌ایِ نیروهای ما خواهد داشت؟ این‌ها، سؤالات کلیدی من هستند، نه صرفاً مقابله با اطلاعات نادرست یا جعلی .
البته نمی‌گویم که «اطلاعات نادرست» یا «جعلی» مشکل‌ساز نیستند؛ همیشه چنین مواردی وجود داشته‌اند. فقط امروز به‌دلیل گسترش بسترهایی مانند رسانه‌های اجتماعی، و الگوریتم‌هایی که باعث تقویت و گسترشِ سریعِ این نوع محتواها می‌شوند، میزان دیده‌شدنشان بیشتر شده است.
طبیعتِ فضای اطلاعاتی همین است: هرچه منابع، فناوری‌ها و داده‌های بیشتری وارد این فضا شوند، امکان مداخله و تزریق اطلاعاتِ مخرب نیز بیشتر می‌شود.
اما اگر ما بخواهیم این مشکل را واقعاً حل کنیم… [ایده‌ی من این است]: من به‌عنوان کسی که مسئولیتِ تحلیل‌گران را بر عهده داشته‌ام، به این نتیجه رسیده‌ام که باید کاری کنم تا آن‌ها وقت کمتری صرف بررسیِ اینکه «آیا این اطلاعات نادرست یا جعلی است؟» کنند و زمان بیشتری صرف «جمع‌آوری داده‌های مفید و کارآمد» نمایند.
اگر من راه‌حلی فناورانه داشته باشم (که برخی نمونه‌های آن همین حالا هم وجود دارند و ما برخی را بررسی کرده‌ایم) و اگر این راه‌حل‌ها بتوانند در مرحله‌ی ابتداییِ کار، تحلیل را برای من انجام دهند (که اساساً این همان چیزی است که هوش مصنوعی در حال انجام آن است)، آنگاه باید به آن اعتماد کرد. به‌نظرم این همان مسیری است که باید در آن قدم بگذاریم.
سوزان ویلسون: بله، کاملاً.
ملیسا استیوالتی: اجازه بدهید من دیدگاهی متفاوت را هم مطرح کنم. به باور من، پدیده‌ی اطلاعات «نادرست» و «جعلی» در حال گسترش است و این روند حتی فراتر از حوزه اطلاعات اوسینت ادامه دارد. این موضوع حالا دیگر به یک مسئله‌ی ملی و جهانی تبدیل شده است؛ به‌گونه‌ای که ما باید به نسل جوان، مهارت‌های پیشرفته‌ی سواد رسانه‌ای و دیجیتال آموزش دهیم تا بتوانند بین محتوای واقعی و جعلی تمایز قائل شوند.
فهمیدن اینکه چه چیزی اصیل و واقعی است، هنوز هم اهمیت دارد. با این حال، در ارتباط با اوسینت، بله، این مشکل وجود دارد، اما همان‌طور که ریچارد اسمیت گفت، شاید این هم جزوِ پنج اولویت اصلیِ من هم نباشد.
نکته مهم‌تر اینجاست: طی سه سال گذشته، شرکت‌هایی وارد این فضا شده‌اند که در زمینه‌ی شناسایی اطلاعات نادرست و دیپ‌فیک‌ها واقعاً عملکرد چشمگیری داشته‌اند. برخی از شما در همین جمع احتمالاً نماینده‌ی این شرکت‌ها هستید. به‌نظرم، ادغام این فناوری‌ها با اکوسیستم اطلاعات اوسینت، برای کمک به تحلیل‌گران بسیار حیاتی است.
اما یک نکته کلیدی دیگر هم هست: گاهی مهم نیست که یک محتوا واقعی است یا جعلی. آنچه اهمیت دارد این است که کدام روایت در حال انتشار است و این روایت چگونه بر مسئله‌ی مورد نظر تأثیر می‌گذارد. در چنین شرایطی، دنبال کردنِ حقیقت یا دروغ بودنِ محتوا ممکن است ما را از اصل موضوع منحرف کند. ما باید با آنچه واقعاً در برابرمان قرار دارد مواجه شویم؛ نه اینکه صرفاً صحت‌سنجی‌های بی‌پایان انجام دهیم.
سوزان ویلسون: دقیقاً، این همان «هیاهو»یی است که در عنوان نشست به آن اشاره کردیم. حالا سؤال بعدی برای شان باتیه است.
با توجه به اینکه هوش مصنوعی می‌تواند هم «تحلیل‌های معتبر»، و هم «اطلاعات ساختگی و گمراه‌کننده»، تولید کند، تحلیل‌گران چگونه می‌توانند اطمینان حاصل کنند که تصمیم‌گیرندگان، واقعیت را می‌بینند و نه روایتِ تحریف‌شده‌ی دشمن را؟ با توجه به تجربه‌ی دو ماه اخیر شما در «آمازون وب‌سرویسز» و مسئولیت قبلی‌تان، دیدگاه‌تان در این‌باره چیست؟
شان باتیه: بله، قطعاً. اجازه دهید کمی عقب‌تر بروم. از سال ۲۰۲۵ تا به امروز، ما با سیلی از محتواهای تولیدشده توسط هوش مصنوعی روبه‌رو بوده‌ایم. اما جنبه‌ی مثبتِ ماجرا این است (و مطمئنم برخی از حضار هم این تجربه را داشته‌اند) اگر کمی با دقت به متون تولیدشده توسط این مدل‌ها نگاه کنیم، هنوز هم می‌توانیم متوجه شویم که محتوای ارائه‌شده، ساخت یک ماشین است.
در ساختار زبانیِ متونِ تولیدشده توسط هوش مصنوعی، نوعی بی‌روحی یا «غیرطبیعی بودن» احساس می‌شود. این بیشتر یک «حس درونی» است تا چیزی که بتوان با «واژگان کمّی» توصیفش کرد، اما به‌وضوح قابل درک است. با این حال، ما متوجه شده‌ایم که عنصر نادر و ارزشمندِ «شهود انسانی» در نهایت در فرآیند تحلیل ایفای نقش می‌کند.
البته، الگوریتم‌هایی نیز وجود دارند که می‌توانند این «شهود» را به‌شکل کمّی اندازه‌گیری کنند و حتی پیش‌بینی نمایند که مثلاً یک واژه یا پیام خاص تا چه حد قابل‌پیش‌بینی بوده است. بنابراین از یک‌سو، ما پاسخی «فنی» برای مسئله داریم، و از سوی دیگر، پاسخی بر پایه‌ی «تجربه و شهود حرفه‌ای». و به‌نظر من، باید بین این دو رویکرد، نوعی هم‌زیستی و توازن برقرار شود.
اگر نگاهی به بازه زمانی بین سال‌های ۲۰۲۰ تا ۲۰۲۲ بیندازیم، یکی از حوزه‌هایی که ما در آن به‌روشنی شاهدِ کاربردِ هوش مصنوعیِ مخرب یا متخاصم از سوی دشمنان بودیم، «طراحی اهداف جعلی در میدان نبرد» بود. به‌عنوان مثال، در مناطق خاصی که مورد تمرکز ما بودند، اشیایی قرار داده می‌شدند که ظاهراً تهدید فیزیکی محسوب می‌شدند، اما در واقع چیزی جز بادکنک‌های بادی نبودند. و از روی تصاویر ماهواره‌ای هم به‌راحتی نمی‌توان این موضوع را تشخیص داد؛ به‌ویژه اگر منبع اصلیِ شما اطلاعات مکانی باشد.
از طرفی دیگر، نوع دیگری از اطلاعات وجود دارد، یعنی اطلاعات سیگنالی که ممکن است صرفاً یک عملیات فریب یا پرچم جعلی بوده باشد.
دلیل اینکه وارد جزئیات شدم، این است که این‌گونه فریب‌ها زمان و انرژیِ زیادی را از نیروی انسانیِ محدودِ ما می‌گیرند. اگر ابزارهایی که طی سه سال گذشته برای تحلیل سیگنال‌های میدان نبرد طراحی شده‌اند، در اختیارمان نبود، اجرای دستور فرمانده مبنی بر بررسیِ این داده‌ها، مستلزم صرف منابع و انرژی بسیار بیشتری بود.
اما اکنون چالش اصلی این است که رهبران عملیاتی (یعنی کسانی که درباره شیوه‌ی اجرای تحلیل تصمیم‌گیری می‌کنند) باید شناخت کافی از فناوری‌های نوین داشته باشند تا بتوانند نقش هوش مصنوعی را در تحلیل اولیه‌ی داده‌ها و شناسایی مؤلفه‌های کلیدی، درک و به‌درستی به‌کار گیرند.
در همین‌جا صحبت را به سایر اعضای تیم واگذار می‌کنم.
دنیس ایگر: مایلم نکته‌ای درباره همین موضوع و صحبت‌های ملیسا استیوالتی در مورد «شناسایی» مطرح کنم. وقتی از هوش مصنوعی و فناوری‌های مرتبط صحبت می‌کنیم، آنچه اغلب مطرح می‌شود «شناسایی اطلاعات جعلی یا گمراه‌کننده» است. اما این تنها، بخش ابتداییِ معادله است.
بخش اصلی و مهم‌ترِ ماجرا آنجاست که باید بفهمیم منشأ این اطلاعات کجاست؟ چه کسی آن را منتشر کرده؟ به چه کسانی متصل بوده؟ شبکه‌ی ارتباطیِ پشت آن چه شکلی دارد؟ چرا که تنها در این صورت است که می‌توانیم هدف‌گذاری مؤثرتری داشته باشیم.
حدود یک سال پیش، من مقاله‌ای از ام‌آی‌تی مطالعه می‌کردم که در آن به توانمندی‌هایی اشاره شده بود که دقیقاً با هدفِ «شناسایی و ردگیری منشأ اطلاعات جعلی» طراحی شده بودند؛ قابلیت‌هایی واقعاً قابل‌توجه و پیشرفته که در آینده می‌توانند نقش تعیین‌کننده‌ای در مقابله با تهدیدات اطلاعاتی ایفا کنند.
در این نمونه‌ی خاص [در مقاله]، نه‌تنها محتوا شناسایی می‌شد، بلکه فرآیند کاملِ چرخه‌ی انتشار آن نیز مورد تحلیل قرار می‌گرفت؛ از هویت منتشرکننده و محل بارگذاری گرفته تا بررسی میزان پذیرش یا عدم‌پذیرش آن در میان کاربران. چنین بینشی، مسیر را برای اعمال مداخلاتِ هدفمندِ اطلاعاتی هموار می‌سازد.
این دقیقاً همان قابلیتی است که هوش مصنوعی در اختیار ما قرار خواهد داد؛ آن هم با سرعت و کارایی بالا. به‌سادگی، شما اطلاعات را وارد می‌کنید و فوراً تصویری کامل از شبکه‌ی توزیع، باورپذیری و محل اثرگذاریِ آن به دست می‌آورید. بنابراین «شناسایی» فقط گام اول است؛ ما باید بتوانیم فراتر برویم و آن را به تحلیل عمیق و اقدام مؤثر برسانیم.
سوزان ویلسون: بله. حالا پیش از طرح سؤال بعدی، باید بگویم که ملیسا استیوالتی، شما از اعضای کنگره نیستید، درست است؟
ملیسا استیوالتی: خیر، نیستم.
سوزان ویلسون: اما می‌توانید در مورد پیش‌نویس قانون جدید کمی توضیح دهید؟
ملیسا استیوالتی: بله، حتماً. اگر از آن دسته افرادی هستید که پیگیر کمیته‌های تخصصی در کنگره آمریکا نیستید، خوب است بدانید که اخیراً «کمیته دائمی منتخب اطلاعاتی مجلس نمایندگان آمریکا» برای نخستین‌بار یک زیرکمیته‌ی ویژه برای اطلاعات اوسینت تشکیل داده است. تا جایی که من اطلاع دارم، این نخستین‌بار است که چنین ساختاری برای یک حوزه اطلاعاتی ایجاد می‌شود.
تشکیل چنین کمیته‌ای به‌خودی‌خود پیامی روشن برای جامعه اطلاعاتی محسوب می‌شود: اینکه زمان آن رسیده که فعالیت‌هایمان را با سیاست‌گذاری‌ها هماهنگ کنیم. این موضوع، جدی است، و کارهای زیادی در این مسیر باید انجام شود.
در پیش‌نویس قانون جدید «مجوز فعالیت‌های اطلاعاتی » که به‌اختصار IAA نامیده می‌شود، از بند ۶۰۱ تا ۶۱۰، که از صفحه ۸۳ یا ۸۵ آغاز می‌شود، بخش مفصلی به تحولِ اطلاعات اوسینت اختصاص یافته است. پیشنهاد می‌کنم حتماً آن بخش را مطالعه کنید. این بخش نه‌تنها تعریف تازه‌ای از اوسینت ارائه می‌دهد، بلکه مفاهیمی نظیر «اطلاعاتِ در دسترس عموم » و «اطلاعات تجاریِ قابل دسترس » را نیز تعریف می‌کند.
همچنین در آن پیشنهادهایی آمده که چگونه می‌توان از این منابع اطلاعاتیِ عمومی و تجاری به‌طور مؤثرتر بهره گرفت. فکر می‌کنم بروشورهایی هم روی برخی صندلی‌ها قرار داده شده که درباره‌ی برنامه‌های پیش رو، اطلاعات بیشتری ارائه می‌دهند. [با خنده] البته کمی تبلیغ هم هست، اما خب، می‌دانید که… در واقع، ما برای این جامعه [اوسینت‌کاران]، در حال تجربه‌ی روش‌های تازه‌ای هستیم. و وقتی می‌گویم «ما»، منظورم جامعه‌ی فعال در حوزه اوسینت است… نه از منظر شرکتی یا درآمدزایی؛ بلکه از موضع علاقه‌مندی به ارتقاء این اکوسیستم.
یکی از اقداماتی که ما به‌طور جدی دنبال می‌کنیم، شکستن «وضعیت موجود» است. تلاش ما بر این است که راه‌حلی بهتر برای رساندنِ اطلاعات عمومی و تجاریِ در دسترس، به افراد و نهادهایی که واقعاً به آن نیاز دارند (آن هم در قالبی مؤثر و قابل استفاده)، ارائه دهیم.
کمی پیش‌تر با دنیس ایگر در این زمینه صحبت می‌کردیم که میان استفاده‌ی صرف از داده‌های عمومی یا تجاری در حوزه امنیت ملی و آنچه واقعاً به‌عنوان «اطلاعات اوسینت» تعریف می‌شود، تفاوت بنیادینی وجود دارد. یکی از نکاتی که در پیش‌نویس «قانون مجوز فعالیت‌های اطلاعاتی» نیز به آن اشاره شده، همین مسئله‌ی تعریفِ دقیقِ این مفاهیم است. همچنین در این قانون، بر لزوم هماهنگیِ نزدیک با مسئولان ارشد داده و ایجاد شفافیت و تعامل مؤثر میان آن‌ها نیز تأکید شده است.
بحث‌های زیادی پیرامون تکرار یا هم‌پوشانیِ داده‌ها در حوزه اطلاعات اوسینت مطرح است، اما از نظر من این مسئله، دغدغه اصلی‌ام نیست. نمی‌دانم نظر شما چیست، اما به‌گمان من، «افزایش شفافیت»، به‌ویژه در حوزه‌ی استراتژی‌های گردآوریِ داده، می‌تواند بسیار مؤثر باشد؛ و ما هم به‌طور جدی در این زمینه فعالیت می‌کنیم.
در نهایت باید دید که نهاد «کنسرسیوم داده‌های جامعه اطلاعاتی » چه رویکردی اتخاذ می‌کند، و آیا پیش‌نویس قانون مجوز فعالیت‌های اطلاعاتی در نهایت به تصویب نهایی خواهد رسید یا نه. اما نکته مهم این است که همین وجودِ یک بخش مفصل در این قانون (که به اطلاعات اوسینت اختصاص یافته)، به‌شدت برای من امیدوارکننده است، و انگیزه‌ی مضاعفی به ما می‌دهد تا این حوزه را به‌سمت جلو سوق دهیم.
سوزان ویلسون: حالا که بحث اوسینت و توجه گسترده‌ای که به آن شده، مطرح شد، و با توجه به تعداد زیادی از دانشجویان و افراد تازه‌وارد به دنیای حرفه‌ای که در این جلسه حضور دارند، مایلم از هر یک از شما بخواهم تا درباره‌ی آینده‌ی نیروی کار در حوزه اطلاعات اوسینت، و اینکه این نسل جدید چگونه باید برای ورود به این مسیر آماده شود، نظرتان را بیان کنید.
دنیس ایگر: اجازه بدهید من نخستین کسی باشم که پاسخ می‌دهد.
پیش از آن، خیلی سریع می‌خواهم به موضوع «کمیته دائمی منتخب اطلاعاتی مجلس نمایندگان آمریکا» اشاره کنم چون واقعاً اهمیت زیادی دارد. برای کسانی مثل ما که سال‌هاست در این حوزه کار می‌کنیم، اینکه برای اولین بار یک زیرکمیته در «کمیته دائمی منتخب اطلاعاتی مجلس نمایندگان آمریکا» به‌طور اختصاصی برای اوسینت تشکیل شده، یکی از مهم‌ترین خبرهایی بود که تا به حال در این حوزه شنیده‌ایم.
راستش را بخواهید، امروز یکی از افراد حاضر در جمع (که نامی از او نمی‌برم)، هفت سال پیش مهم‌ترین حامیِ من در کنگره بود؛ زمانی که ما تلاش می‌کردیم حرکت اوسینت را آغاز کنیم. او نیروی محرکه‌ای بود که باعث شد این موضوع در «کمیته دائمی منتخب اطلاعاتی مجلس نمایندگان آمریکا» زنده بماند و پیگیری شود. حالا که پس از هفت سال شاهدِ به ثمر نشستنِ آن تلاش‌ها هستیم، این برای ما یک اتفاق و نقطه‌عطفِ بزرگ است.
رسیدن به همین مرحله، هفت سال زمان برد. انتشار پیش‌نویسی از قانون مجوز فعالیت‌های اطلاعاتی که بخشی از آن به‌طور کامل به اوسینت اختصاص دارد، خود نشان‌دهنده‌ی این است که بالاخره این حوزه، از منظر حرفه‌ای مورد توجه و درک قرار گرفته است.
ما در ارتش، گام‌های اساسی‌ای برای حرفه‌ای‌سازیِ نیروی انسانی در حوزه اوسینت برداشته‌ایم؛ از آموزش و ارتقای قابلیت‌ها گرفته تا بهره‌گیری از فناوری‌های جدید. ما تقریباً همه‌چیز را از نو تعریف کردیم. ما فقط در عرضِ سه‌و‌نیم سال، از جایی که هفت سال پیش ایستاده بودیم، به نقطه‌ای رسیدیم که توانستیم یک راهبرد جامع منتشر کنیم، زیرساخت‌ها را بسازیم، و شیوه‌های آموزشی را به‌شکل بنیادین متحول کنیم، تا این حوزه را حرفه‌ای و ساختارمند نماییم.
حالا باید مراقب باشیم تا این حرکت متوقف نشود یا به عقب بازنگردد.
من هنگام سفر به دانشگاه‌های مختلف، زیاد با دانشجویان صحبت می‌کنم. بسیاری از آن‌ها علاقه‌مند به فعالیت در نهادهای دولتی هستند؛ به‌ویژه در همین حوزه‌ی اطلاعات اوسینت. به همین دلیل، من همیشه بر این نکته تأکید می‌کنم: ما نیاز داریم که صنعت، دانشگاه و دولت، هم‌زمان و هماهنگ با یکدیگر همکاری کنند.
این همکاریِ سه‌جانبه مثل یک صندلیِ سه‌پایه است؛ اگر یکی از پایه‌ها حذف شود، کل ساختار دچار مشکل خواهد شد.
خوشبختانه امروزه دانشگاه‌های زیادی هستند که برنامه‌های آموزشیِ بسیار ارزشمندی در حوزه مطالعات اطلاعاتی و به‌ویژه اوسینت ارائه می‌دهند. آن‌ها نسل بعدیِ تحلیل‌گران و گردآورندگان اطلاعات را تربیت می‌کنند؛ افرادی که مشتاق‌اند وارد نهادهای دولتی شوند و در این مسیر فعالیت کنند.
حال وظیفه ماست که برای آن‌ها فرصت‌هایی فراهم کنیم؛ چون این دقیقاً همان جایی است که آن‌ها می‌خواهند باشند.
ملیسا استیوالتی: فقط از سر کنجکاوی می‌پرسم؛ در میان حضار امروز، آیا نمایندگانی از حوزه دانشگاهی حضور دارند؟ فکر می‌کنم برخی از غرفه‌های نمایشی، مربوط به مؤسسات علمی است. چه کسانی اینجا از بخش دانشگاهی آمده‌اند؟… بسیار خوشحال‌کننده است که چنین ترکیبی در این جلسه داریم؛ واقعاً جای تقدیر دارد.
دنیس ایگر، شما واقعاً تلاش‌های بزرگی برای پیوند دادنِ جامعه علمی به اکوسیستم اوسینت در ارتش انجام داده‌اید. مشاهده‌ی این فرایند و پیشرفت‌های حاصل‌شده واقعاً تحسین‌برانگیز بوده؛ این یک تلاش کاملاً هدفمند و با برنامه بوده است.
دنیس ایگر: من این تصمیم را کاملاً آگاهانه گرفتم. واقعاً باید از امیلی، همکارم در حوزه نوآوری، تشکر کنم. ما درباره‌ی تمام این مسائل به‌طور جدی صحبت کردیم و در نهایت تصمیم گرفتیم که طی یک بازه زمانیِ حدوداً هجده‌ماهه، به‌صورت هدفمند و برنامه‌ریزی‌شده با دانشگاه‌ها و مراکز علمیِ سراسر کشور وارد تعامل شویم. ما به تمام نقاط رفتیم. کاری که آن‌ها در زمینه‌های مختلف، نه‌فقط در «مطالعات اطلاعاتی» بلکه به‌طور خاص در حوزه اوسینت انجام می‌دهند، واقعاً شگفت‌انگیز است.
این دانشجویان کارهایی را به‌طور شهودی و طبیعی انجام می‌دهند که شاید برای جمع‌آورندگانِ اطلاعاتِ من در ارتش، سال‌ها زمان نیاز باشد تا بتوانند به آن سطح برسند؛ سطح توانمندی آن‌ها واقعاً تحسین‌برانگیز است.
ملیسا استیوالتی: آنچه به نظرم برای همه ما مهم است، این است که به این دانشجویان انگیزه بدهیم تا وارد این مسیر حرفه‌ای شوند. باید به آن‌ها یادآوری کنیم که می‌توانند عضوی از جامعه اطلاعاتی شوند و اوسینت می‌تواند حوزه تخصصی آن‌ها باشد. نیازی نیست کسی فکر کند تنها راهِ ورود به این فضا، شبیه جیمز باند شدن یا اجرای عملیات‌های مخفی است!
واقعیت این است که اوسینت خود یک حوزه پیچیده، تخصصی و در عین حال بسیار ارزشمند و پاداش‌دهنده است. اگر شما دانشجو هستید و در این جمع حضور دارید، به حوزه اوسینت فکر کنید. ما شما را می‌خواهیم، اینجا به شما نیاز داریم.
دنیس ایگر: این صحبت‌ها دقیقاً به نکته‌ای متصل می‌شود که ما سه نفر، کمی قبل‌تر هم درباره‌اش گفت‌وگو داشتیم. اگر می‌خواهیم دانشجویان جذب این حوزه شوند، باید کاری کنیم که اوسینت به‌عنوان یک «رشته‌ی حرفه‌ای مستقل» شناخته شود، درست همانند سایر شاخه‌های اطلاعاتی؛ نه اینکه به‌عنوان یک «افزودنی» یا «مهارت جانبی» تلقی شود.
اگر همچنان این روایت را تکرار کنیم که «اوسینت یک ابزار فرعی است»، چیزی است که «هر کسی می‌تواند انجامش دهد» و «زیاد جدی نیست»، آن‌وقت با یک چالش جدی روبه‌رو خواهیم شد. در چنین شرایطی، اقناع نسل جوان، به‌ویژه دانشجویان بااستعداد، برای پیوستن به این حوزه بسیار دشوار خواهد بود؛ چون آینده‌ای برای خود در آن نخواهند دید.
ما در ارتش، دیدگاه‌مان کاملاً متفاوت است. برای ما، اوسینت نقطه‌ی شروع و پایه‌ای‌ترین حوزه اطلاعاتی محسوب می‌شود. این همان جایی است که کار را از آن آغاز می‌کنیم و براساس همین نگاه، آن را به‌عنوان یک حرفه‌ی مستقل ساختار داده‌ایم.
اما اگر همچنان این تصور غلط را جا بیندازیم که اطلاعات عمومی یا اطلاعات تجاری جزئی از اوسینت هستند و هر کسی می‌تواند آن‌ها را انجام دهد، آن‌وقت اساسِ این حرفه دچار خدشه خواهد شد.
ما با یک مشکل جدی روبه‌رو هستیم.
چون این نگاه نادرست، بُعد حرفه‌ای و تخصصی بودنِ اوسینت را از بین می‌برد، جنبه‌ی فنی و مهارتیِ این کار را نادیده می‌گیرد، و این تصور را به‌وجود می‌آورد که هر کسی می‌تواند آن را انجام دهد. در حالی که ما دقیقاً به افراد متخصص و آموزش‌دیده برای این کار نیاز داریم. فکر می‌کنم پیش‌تر هم درباره این موضوع صحبت کرده بودیم.
ریچارد اسمیت: بله، و اجازه بدهید مستقیماً به پرسش شما پاسخ دهم، چون این موضوع از آن مسائلی است که در جلسات داخلی ما، بارها به‌صورت عمیق و حتی هستی‌شناسانه درباره‌اش بحث شده است.
می‌دانم در میان حضار، افرادی با مدارک تحصیلی در رشته‌های «استم » (علوم، فناوری، مهندسی، ریاضی) حضور دارند؛ قصد بی‌احترامی ندارم، اما باید نکته‌ای را با شما در میان بگذارم. بر اساس تجربه‌ی ما در طول دو سال گذشته در زمینه‌ی پیاده‌سازی هوش مصنوعی مولد ، بهترین استفاده‌کنندگان از این فناوری، نه فارغ‌التحصیلان «استم»، بلکه افرادی با پس‌زمینه «علوم انسانی» بوده‌اند.
نمی‌خواهم جایگاه هیچ‌کس را زیر سؤال ببرم، اما این فقط یک مشاهده‌ی واقعی است. بخشی از دلیلِ این مسئله به نوع مهارت‌هایی برمی‌گردد که واقعاً در این حوزه نیاز داریم. ما قبلاً هم به این نکته اشاره کرده‌ایم: فناوری در حال دگرگون ساختنِ نحوه‌ی تعامل ما با اطلاعات است، اما ما هنوز هم به مهارت تفکر انتقادی نیاز داریم؛ به توانایی تحلیل اطلاعات، داوری، و استنتاج منطقی بر اساس داده‌هایی که در اختیار داریم.
ما در طول دو سال و نیم گذشته، متوجه شدیم که مدل‌های هوش مصنوعی تقریباً به تمام سؤالات ما پاسخ می‌دهند. و در مواقعی که پاسخ دقیقی ارائه نمی‌دهند، معمولاً یکی از این دو دلیل وجود دارد: یا سؤال را به‌درستی نپرسیده‌ایم، یا اطلاعات کافی در اختیار مدل قرار نداده‌ایم تا بتواند پاسخ درستی بدهد.
به همین دلیل، برای آینده، ما به نیروهایی نیاز داریم که مهارت تحقیق و کاوش داشته باشند؛ کسانی که مهارت زبانی دارند، ذهنی تحلیلی و نقاد دارند. بله، ما همچنان به دانش‌آموختگان رشته‌های «استم» نیاز داریم، اما در آینده احتمالاً تمرکزِ صرف روی این رشته‌ها کاهش پیدا خواهد کرد.
شان باتیه: بله، اگر بخواهم مستقیماً به سؤال پاسخ دهم، یکی از مهارت‌هایی که معمولاً تصور می‌شود با ظهورِ هوش مصنوعی دیگر ضرورتی ندارد (اما در واقع، اگر آن را داشته باشید، ارزش شما را دوچندان می‌کند) «دانش زبان خارجی» است.
می‌دانم ممکن است ساده به‌نظر برسد، اما ما واقعاً به افرادی در این حوزه نیاز داریم که هم در «پنج زبان اصلیِ هدف [در جامعه اطلاعاتی آمریکا] » مهارت داشته باشند، و هم در زبان‌های «کم‌منبع‌تر و نادرتر»، که تحلیل اطلاعات در آن‌ها بسیار ارزشمند است.
با اینکه مدل‌های هوش مصنوعی مولد مانند چت‌جی‌پی‌تی می‌توانند ترجمه‌ی خودکار انجام دهند، اما درک صحیح از «بافت معنایی» همچنان بسیار حیاتی است. من واقعاً شگفت‌زده شدم؛ پیش از آنکه به «آمازون وب‌سرویسز» ملحق شوم، در یکی از آخرین مأموریت‌هایم در یک سازمان دولتی، از من خواسته شد تا با گروهی دیدار کنم که به‌طور کامل به زبان چینیِ ماندارین صحبت می‌کردند. جالب آنکه هیچ‌یک از اعضای هیئت اعزامی، جز من، به این زبان تسلط نداشت.
خب این واقعاً چه چیزی درباره توانمندی‌های ما می‌گوید؟ واقعیت این است که ما باید نسبت به زبان و ساختار زبانیِ کشورهای دیگر اهمیت بیشتری بدهیم. باید بدانیم زیرمتن‌ها و مفاهیم پنهان در این زبان‌ها چیست، و چگونه می‌توانیم فراتر از زبان انگلیسی، به‌صورت زنده و مؤثر ارتباط برقرار کنیم.
سوزان ویلسون: بسیار عالی. حالا که صحبت از ورود افراد به این حوزه شد، باید بگویم چند نفر از کارآموزانِ تحصیلات تکمیلی مؤسسه «ائتلاف اطلاعات و امنیت ملی» در اینجا حضور دارند؛ همین افرادی که در حال جمع‌آوری کارت‌های پرسش شما هستند. آن‌ها هم‌اکنون در جستجوی فرصت‌های شغلی در جامعه اطلاعاتی هستند. لطفاً کارت‌های پرسش خود را به این کارآموزان توانمند بدهید تا به دست من برسند.
سؤال بعدی برای شماست، شان باتیه: ما در کدام بخش‌ها شاهد پیشرفت واقعی در همکاریِ میان-سازمانی هستیم؟ و در کدام بخش‌ها، سیاست‌گذاری‌ها، طبقه‌بندی‌های امنیتی یا شکاف‌های فناورانه مانع از تحققِ این همکاری‌ها در سطح کلان می‌شوند؟
شان باتیه: این سؤال را خیلی دوست دارم، و فکر می‌کنم شما دو نفر هم تجربه‌های خوبی در این زمینه دارید.
من در موقعیت نسبتاً خاصی قرار داشتم؛ اگر با برنامه «مِیون » آشنا باشید، این، پروژه‌ی اصلیِ وزارت دفاع آمریکا برای پیاده‌سازی هوش مصنوعی در محیط‌های عملیاتی جنگی بود. یکی از زیرمجموعه‌هایی که در آن سیستم استفاده می‌شد، اطلاعات اوسینت بود. و من کاملاً با حرف دنیس ایگر موافقم.
وقتی که یک حوزه اطلاعاتی را به‌عنوان یک تخصص جدی تلقی نکنیم، نتیجه‌اش این می‌شود که پیشرفتِ آن کاملاً وابسته به افراد و شخصیت‌ها می‌شود. قبلاً هم در صحبت ابتدایی‌ام اشاره کردم: اگر فرمانده‌ای در یک مقر فرماندهی دیدگاه باز و آینده‌نگر داشت، قطعاً اجازه می‌داد که پرسنلش با اوسینت کار کنند و روش‌های جدید را آزمایش نمایند.
اما کافی بود به منطقه‌ای دیگر بروم؛ جایی که فرماندهان چنین دیدگاهی نداشتند. در آنجا آن‌ها هیچ چیزی را جدی نمی‌گرفتند، اوسینت را بی‌ارزش و کم‌اعتبار می‌دانستند و ترجیح می‌دادند صرفاً به منابع اطلاعاتی سنتی تکیه کنند.
من هم البته در این زمینه جانب‌دار هستم؛ چون به‌شخصه پتانسیل عظیمی در اوسینت مشاهده کرده‌ام. واقعاً هم دیده‌ام که در برخی موارد، این اطلاعات نه‌تنها جان انسان‌ها را نجات داده، بلکه خسارات وارده به نیروهای آمریکایی را نیز به حداقل رسانده است.
به‌نظر من، عبور این طرح از «کمیته دائمی منتخب اطلاعاتی مجلس نمایندگان آمریکا» یک گام کلیدی به‌شمار می‌آید. برای کسانی که شاید با روند کار آشنا نباشند، باید بگویم اگر این بودجه تأیید شود، ابتدا از طریق «دفتر مدیر اطلاعات ملی »، و تحت قوانین موسوم به «عنوان ۵۰» (که مربوط به فعالیت‌های اطلاعاتی غیرنظامی است) تخصیص داده می‌شود. سپس از آنجا، بودجه به سازمان‌های اطلاعاتیِ معروف به «سه‌حرفی » براساس مأموریت‌های تعریف‌شده‌شان منتقل خواهد شد. هر یک از این سازمان‌ها نیز ساختار و پایگاه عملیاتی خاص خود را دارند.
از طرف دیگر، موضوع «عنوان ۱۰» نیز مطرح است که به اولویت‌های اطلاعات نظامی مربوط می‌شود. تمامی این موارد به‌صورت عمومی قابل جست‌وجو هستند، اما متون مرتبط، بسیار فنی و پیچیده‌اند. اگر راحت‌تر است، می‌توانید آن‌ها را به یک مدل زبانی هوشمند بسپارید تا برایتان تحلیل کند.
وقتی من روی یکی از این برنامه‌ها کار می‌کردم، بخش عمده‌ای از بودجه‌ای که استفاده می‌کردیم تحت پوشش «عنوان ۱۰» بود. این بدان معناست که بودجه باید از طریق دفتر وزارت دفاع تحت عنوان «معاونت اطلاعات و امنیت » عبور کند. این نیز به نوبه خود یعنی اینکه فقط سازمان‌هایی که به‌عنوان «نهادهای پشتیبانی رزمی » شناخته می‌شوند، اجازه دارند از این بودجه بهره‌مند شوند. گاهی بخشی از این منابع مالی هم به بخش‌های اطلاعاتیِ نیروهای نظامی مانند ارتش اختصاص داده می‌شود.
در میان این سازمان‌ها، سه نهاد اصلی، بیشترین نقش را دارند. با یک جست‌وجوی ساده می‌توانید با آن‌ها آشنا شوید:
• سازمان ملی جغرافیایی که نقش مدیریت ژئواینفرماتیک و عملکردی را ایفا می‌کند.
• آژانس امنیت ملی که دومین مدیر عملکردیِ کلیدی در این ساختار است.
این‌ها دو نهاد اصلی در بخش‌هایی هستند که به آن‌ها اشاره شد. اما درباره «اوسینت»، همیشه بحثی مطرح بود که آیا باید ذیل یک سازمان خاص قرار گیرد یا سازمانی دیگر. این موضوع همواره مورد اختلاف نظر بوده است.
در پایان باید بگویم، ما زیرساخت مناسبی برای حرکت به‌سوی تأمین بودجه در سال مالی ۲۰۲۶ ایجاد کرده‌ایم. اکنون چالش اصلی این است که آیا می‌توانیم یکپارچگیِ مأموریتی و عملیاتی را به‌درستی به نمایش بگذاریم یا خیر؟ یعنی آیا می‌توانیم با منابع موجود، مأموریت‌های تعریف‌شده را به‌شکل واقعی و کارآمد اجرا کنیم؟
ملیسا استیوالتی: بسیار دقیق و عالی بیان شد.
سوزان ویلسون: آیا کسی مایل است نکته‌ای اضافه کند؟
دنیس ایگر: من فقط خیلی سریع به موضوع «همکاری» اشاره می‌کنم. درباره سیاست‌ها صحبت نخواهم کرد، و مخصوصاً درباره بودجه بحثی نخواهم داشت. نه به این خاطر که مشکلی وجود دارد، بلکه ترجیح می‌دهم فرآیند بودجه‌ریزی را در اینجا کنار بگذارم.
ببینید، برای من، مسئله اصلی نه بودجه است، نه ارقام؛ بلکه تمرکز من بر یافتن راه‌حل و نگاه به آینده است. اما از منظر همکاری، باید بگویم در چند سال گذشته، حضور برخی افراد کلیدی در موقعیت‌های راهبردی در حوزه اوسینت، نقش بسزایی در پیشبرد این حوزه ایفا کرده است. اگر آن افراد در آن جایگاه‌ها نبودند، واقعاً نمی‌دانم امروز در چه وضعیتی قرار داشتیم.
در حال حاضر، همکاری گسترده و چشمگیری بین همه نهادها و سازمان‌ها در جریان است؛ چه تیم‌های «مرکز منابع اطلاعات اوسینت »، چه مجموعه «دفتر جامعه اطلاعاتی »، چه شاخه‌های مختلف نیروهای مسلح و چه سایر ارکان جامعه اطلاعاتی. همکاری‌ها عمدتاً حول این محور است که چگونه می‌توان فرصت‌هایی برای همکاری مشترک یافت، که در نهایت، منجر به کاهش هزینه‌ها نیز بشود.
یعنی در عمل، هر یک از ما بخشی از هزینه را می‌پردازیم، اما همگی از مزایای آن بهره‌مند می‌شویم. و به‌نظر من، هرچه به سمت آینده پیش می‌رویم، باید بیشتر و بهتر، از این مدل مشارکتی بهره بگیریم.
وقتی چهار سال پیش من وارد این سمت شدم، این سطح از همکاری وجود نداشت. تحقق چنین سطحی از مشارکت، مستلزم حضور افراد بسیار خاص در جایگاه‌های کلیدی بود.
درباره این بحث قدیمی هم که آیا اوسینت باید زیرمجموعه‌ی یک سازمان مستقل باشد یا نه، باید بگویم این موضوع احتمالاً هنوز هم برای سال‌ها محل مناقشه خواهد بود. دیدگاه شخصی من اهمیت چندانی ندارد. اما آنچه روشن است این است که باید به‌دنبال راهکارهایی برای استانداردسازی، بهبود همکاری، و پرداخت متمرکز باشیم تا همه از آن منتفع شوند. و خوشبختانه، این همان مسیری است که به‌نظر می‌رسد در حال پیمودن آن هستیم.
سوزان ویلسون: خب، در ادامهی همین بحث همکاری، چطور می‌توان بین آمریکا و متحدانش هماهنگی لازم برای مقابله با اطلاعات جعلی دشمن را در زمان واقعی ایجاد کرد؟
دنیس ایگر: باید بگویم که ما همین حالا هم، تا حد قابل‌توجهی، چنین کاری را انجام می‌دهیم. ما پروژه‌هایی داشته‌ایم که در آن‌ها با متحدان و شرکای خود، همکاری‌های گسترده‌ای در حوزه اوسینت داشته‌ایم و گام‌های مهمی در این مسیر برداشته‌ایم.
من شخصاً با برخی از شرکای بین‌المللی که فعالیت‌های قابل‌توجهی در این حوزه دارند، ارتباط برقرار کرده‌ام و با آن‌ها درباره فعالیت‌هایشان گفت‌وگو نموده‌ام. من حتی آن‌ها را با فناوری‌هایی آشنا کرده‌ام که می‌توانند برای همه ما مفید باشد.
اما یکی از مهم‌ترین اقدامات ما، وارد کردنِ آن‌ها به ساختار حکمرانیِ برنامه‌های اوسینت‌مان بوده است؛ چرا که آن‌ها نیز در حال انجام کارهای فوق‌العاده‌ای هستند. اگر واقعاً می‌خواهیم از عملیات‌های چندساحتی، و نقش متحدان در آن‌ها صحبت کنیم، باید این رویکرد همکاری را در حوزه اطلاعات اوسینت نیز دنبال کنیم.
ملیسا استیوالتی: بله، من کاملاً با این صحبت موافقم. در مورد اطلاعات نادرست و جعلی هم باید اشاره‌ای داشته باشم. ما پیش‌تر هم در بحث دیپ‌فیک‌ها کمی به آن پرداختیم. واقعیت این است که بارها و بارها دیده‌ایم که حوزه اوسینت اولین جایی است که در آن فناوری‌های جدید به‌کار گرفته می‌شوند. هوش مصنوعی هم ابتدا در همین فضا به‌کار گرفته شد. بنابراین اگر بتوانیم در همین لبه‌ی فناوری باقی بمانیم، قطعاً می‌توانیم به مقابله با این پدیده ادامه دهیم.
مایلم اینجا به نقش بسیار مؤثرِ ریچارد اسمیت اشاره کنم. او مثال بارزِ این است که اوسینت نه‌تنها «اولین گزینه اطلاعاتی» است، بلکه در پذیرش فناوری‌های نوین، پیشرو و پیش‌گام نیز هست.
در فضای منابع باز، پذیرش فناوری‌های جدید بسیار سریع‌تر و ساده‌تر اتفاق می‌افتد. وقتی به ورود هوش مصنوعی مولد فکر می‌کنم، باید بگویم که این فناوری در ابتدا کاملاً فضای ما را دگرگون کرد؛ شما اکنون از چت‌جی‌پی‌تی برای برنامه‌ریزی سفرهایتان استفاده می‌کنید، درست است؟ بله! اگر امتحان نکرده‌اید، حتماً امتحان کنید، عالی است!
اما تصور کنید سه سال پیش کسی می‌گفت از این ابزار برای چنین کاری استفاده خواهد کرد؛ اصلاً برای‌مان قابل تصور نبود. اما برای ریچارد اسمیت قابل تصور بود. او بود که توانست برای نخستین‌بار از طریق فضای منابع باز، هوش مصنوعی مولد را وارد ساختار اطلاعاتی کند. و این دستاورد، حقیقتاً چشمگیر بود.
اما حالا چالش ما این است که سطح انتظارات بسیار بالا رفته. من مجری این جلسه نیستم، اما واقعاً می‌خواهم از ریچارد اسمیت بپرسم که گام بعدی چیست؟
ریچارد اسمیت: ببخشید، سؤال خوبی بود. فکر می‌کنم در قالب یک پرسش دیگر بیشتر به آن خواهم پرداخت، اما در پاسخ به نکته شما و اشاره‌ای که دنیس ایگر هم پیش‌تر داشت، باید بگویم که راه مقابله‌ی ما دقیقاً همان چیزی است که دنیس ایگر گفت؛ ما باید واقعاً با یکدیگر متحد شویم.
من باز هم به گفته قبلی خودم برمی‌گردم: اگر نمی‌توانیم به سؤالی پاسخ دهیم، به‌این‌دلیل است که داده‌ی کافی در اختیار نداریم. و اگر داده‌ای نداریم، به‌این‌دلیل است که یا دانش آن را نداریم یا حاضر نیستیم آن را به اشتراک بگذاریم. این همان نقطه‌ای است که باید به آن برسیم. ما باید این مشکل را به‌طور جدی حل کنیم.
شان باتیه: ریچارد اسمیت، خیلی خوشحالم که این موضوع را مطرح کردید. درباره متحدان و شرکای بین‌المللی باید بگویم که، شاید شما تصور کنید که در سال ۲۰۲۵ می‌توانید به‌سادگی یک فایل را برای همتای خود در کشور متحد ارسال کنید، آن هم از طریق سیستم‌هایی که با آن‌ها کار می‌کنیم، درست است؟ اما نه، متأسفانه هنوز هم این امکان به‌سادگی وجود ندارد. واقعیتِ امروزِ ما این است که اغلبِ «فرآیندهای افشای اطلاعات» پیچیده و دست‌وپاگیر هستند.
همکاری با جامعه اطلاعاتی، بخش جدایی‌ناپذیری از این مسیر است. و البته نمی‌گویم که باید همه‌چیز را نادیده بگیریم یا از چارچوب‌ها خارج شویم. بلکه لازم است همچنان خطوط قرمز و مقررات حفظ شوند، اما بسیاری از این فرآیندها را می‌توان به کمک فناوری به‌صورت خودکار انجام داد. حالا که وارد بخش خصوصی شده‌ام، بهتر درک می‌کنم که چقدر راحت می‌توان با همکاران بین‌المللی تعامل کرد؛ و در عین حال، سازوکارهای امنیتیِ لازم هم برای جلوگیری از افشای ناخواسته‌ی اطلاعات فراهم است.
به همین خاطر، من معتقدم که ظرفیت‌های بزرگی در اختیار داریم. همان‌طور که دنیس ایگر اشاره کرد، ساختار سه‌گانه‌ی دانشگاه، صنعت و دولت یک زیربنای کلیدی است. در حال حاضر، بخش دانشگاهی و صنعتی توانسته‌اند اطلاعات کلیدی را با شرکای بین‌المللی به اشتراک بگذارند، و بهترین پژوهش‌هایی که دیده‌ام، نتیجه‌ی همین همکاری‌های نزدیک بوده‌اند.
در این زمینه، آنچه باید انجام دهیم این است که به‌شکل جدی‌تری به بازنگری در «فرآیندهای اداری» درون جامعه اطلاعاتی بپردازیم؛ ما نیازمند نوسازی هستیم. باید امکان به‌اشتراک‌گذاری داده‌ها فراتر از مرزهای فعلی فراهم شود. بدون اینکه وارد جزئیات فنی شویم، اصل ماجرا این است که ما به یک بستر فناورانه نیاز داریم که بتواند اشتراک داده‌ها را در مقیاس وسیع، امکان‌پذیر کند. چون با شیوه‌های دستی فعلی، ظرفیت ما محدود است؛ مثلاً چیزی در حدود پنج سند در ساعت، که البته اغراق‌آمیز است، ولی نشان می‌دهد چقدر عقب هستیم.
ما فناوری لازم را در اختیار داریم، فقط باید آن را منسجم کنیم. از منظر راهبردی هم اگر کمی فاصله بگیریم و موضوع را در سطح همکاری با متحدانمان (به‌ویژه در قالب گروه «پنج چشم » یا ناتو) بررسی کنیم، نکات مهمی روشن می‌شود. این اتحادها که پس از جنگ جهانی دوم شکل گرفتند، هر کدام تخصص منطقه‌ای ویژه‌ای دارند. پس لزومی ندارد همه‌چیز را از نو بسازیم؛ باید از ظرفیت‌های منطقه‌ای هر کشور بهره ببریم. مثلاً استرالیا درک بسیار دقیقی از منطقه آسیا-اقیانوسیه دارد و در همان منطقه زمانی نیز قرار گرفته است. بنابراین همکاری نزدیک‌تر در این حوزه‌ها کاملاً منطقی و عملی است.
اگر به ناتو هم نگاه کنیم، می‌بینیم که هر کشور عضو، حساسیت‌ها و اولویت‌های خاص خود را دارد. اما با وجود این تفاوت‌ها، یکی از مزایای بزرگِ همکاری با چنین مجموعه‌هایی این است که می‌توانیم اطلاعات غیرمحرمانه‌ی هر کشور را گردآوری کرده و از تجمیع آن‌ها، به بینش‌های نو و ارزشمندی دست یابیم. این یک تجربه‌ی هیجان‌انگیز، و یک فرصت مهم برای پیشبرد همکاری‌های اطلاعاتی در سطح بین‌المللی است.
در گذشته، آمریکا همواره محرک اصلیِ بسیاری از این تلاش‌ها بود، اما حالا وارد عصر تازه‌ای شده‌ایم که به‌راستی جای امیدواری دارد. من زمانی که در فرماندهی اروپا (یوکام) حضور داشتم، شاهد تغییر سیاست‌هایمان در زمینه‌ی نحوه‌ی تخصیص بودجه برای حمایت از ناتو بودم. و امروز، آنچه می‌بینیم این است که ناتو کم‌کم توانایی خود را در زمینه نوآوری و میزبانیِ مستقلِ فناوری‌ها افزایش می‌دهد. از نظر من، ما اکنون در دوره‌ای هیجان‌انگیز زندگی می‌کنیم.
دنیس ایگر: دقیقاً همین‌طور است. شان باتیه، در پاسخ به یکی از نکاتی که اشاره کردید، باید بگویم که در این فضا باید بسیار محتاط بود؛ من بارها در این‌باره صحبت کرده‌ام که نباید در طبقه‌بندی اطلاعات زیاده‌روی کنیم. اطلاعات اوسینت، ذاتاً غیرمحرمانه‌اند. البته این به‌معنای آن نیست که همه‌چیز را باید غیرمحرمانه در نظر گرفت؛ بسته به نیازهای اطلاعاتی، برخی داده‌ها ممکن است طبقه‌بندی شوند، و این کاملاً قابل درک است.
اما اگر بخواهیم سطح اشتراک‌گذاری اطلاعات را به حد مطلوب برسانیم، باید دقت زیادی در نحوه و سطح طبقه‌بندی اطلاعات داشته باشیم؛ چرا که همه‌ی شرکا و متحدانمان با همان زیرساخت‌ها و سامانه‌هایی که ما در اختیار داریم کار نمی‌کنند. حتی در داخلِ ساختارِ خودِ ما نیز، همه‌ی افراد دسترسی یکسانی به سامانه‌ها ندارند. در نتیجه، اگر بیش از حد طبقه‌بندی کنیم، عملاً باعث می‌شویم افراد نتوانند به اطلاعات مورد نیازشان دسترسی داشته باشند.
بنابراین ضروری‌ست که به این مسئله نگاهی جامع داشته باشیم. بخش زیادی از این موضوع به مدیریت ریسک بازمی‌گردد. گاهی ما بسیار محتاطانه عمل می‌کنیم و ترجیح می‌دهیم هیچ اقدامی نکنیم؛ فقط به‌خاطر اینکه کاری ممکن است اندکی خطر داشته باشد. در حالی که گاهی باید آن ریسک را پذیرفت تا بتوان حرکتِ رو به جلو داشت و به نتیجه رسید.
سوزان ویلسون: بسیار عالی، خوشحالم که این نکته را مطرح کردید. چون من در حال ارزیابی برای بازخورد مخاطبان هستم و اگر به سوالات حضار نرسم، احتمالاً نمره خوبی نمی‌گیرم! پس اجازه بدهید چند سوال را با پاسخ‌های کوتاه و دقیق دنبال کنیم.
دنیس ایگر، سوال اول خطاب به شماست. یکی از شرکت‌کنندگان پرسیده آیا گزارش یا خلاصه‌ای از نتایجِ تلاشِ یک‌ساله‌ی شما در زمینه‌ی «تعامل با دانشگاه‌ها» و «یادگیری از فعالیت‌های آنان در حوزه اطلاعات اوسینت» منتشر شده است؟
دنیس ایگر: در واقع، نه، ما تا به حال چنین خلاصه‌ای تهیه نکرده‌ایم. این نکته بسیار خوبی‌ست و به لیست کارهای من اضافه شد. من معمولاً این وظیفه را به کارشناس فناوری اطلاعاتم می‌سپردم، اما او اخیراً برای یک موقعیت شغلی مهم‌تر، سازمان ما را ترک کرده، پس خودم پیگیرش خواهم شد.
البته به‌نظرم این کار اهمیت زیادی دارد. باید بگویم که بسیاری از افراد نمی‌دانند که برخی دانشگاه‌ها در این حوزه چه دستاوردهای ارزشمندی داشته‌اند. نمی‌خواهم نام مشخصی ببرم، اما یکی از دانشگاه‌ها مرکزی برای اطلاعات اوسینت دارد که با همکاریِ شرکت‌های صنعتی، پروژه‌های فوق‌العاده‌ای را اجرا کرده است. دانشگاه دیگری، مرکزی با تمرکز بر امنیت داخلی ایجاد کرده که فعالیت‌های هدفمندی دارد. به‌طور کلی، من از پنج یا شش دانشگاه بازدید کرده‌ام که هر کدام مراکزی تخصصی با رویکردهای مشخص دارند. بنابراین تهیه‌ی گزارشی جامع از یافته‌های ما در این دانشگاه‌ها اقدامی بسیار مفید خواهد بود.
سوزان ویلسون: سوال بعدی نیز در همین راستاست: دانشگاه‌ها چطور می‌توانند برنامه‌هایی طراحی کنند که مهارت‌های مرتبط با فناوری‌های تبلیغاتی (اد-تک) و اطلاعات اوسینت را به‌درستی در خود جای دهند؟ کسی تمایل دارد به این سوال پاسخ دهد؟
ملیسا استیوالتی: اد-تک؟ بله، سوال مشخصی‌ست… به‌نظر می‌رسد افرادی که این سوال را مطرح کرده‌اند، به‌خوبی از ظرفیت‌های داده‌های اوسینت آگاه هستند.
دنیس ایگر: حالا همه من را با عنوان «دکتر ایگر» صدا می‌زنند، خیلی خوب! بله، در پاسخ باید بگویم بر اساس تجربه‌ی من، برای اینکه این اتفاق بیفتد، دانشگاه‌ها باید برنامه‌های دقیق و ساختارمندی طراحی کنند. در دانشگاهی که من به‌طور مرتب با آن در ارتباط هستم، دقیقاً چنین کاری انجام می‌شود.
آن‌ها با همکاری نزدیک با شرکای صنعتی، برنامه‌هایی آموزشی تدوین کرده‌اند که در آن، شرکت‌ها با استفاده از محصولات واقعی، مهارت‌های عملی را به دانشجویان آموزش می‌دهند. این نوع آموزشِ مبتنی بر تجربه، یکی از مؤثرترین روش‌ها برای تلفیق دانش دانشگاهی با نیازهای بازار کار است.
دانشجویانی که از این برنامه‌ها بیرون می‌آیند، آمادگی بسیار بالاتری دارند. به همین دلیل است که می‌گویم دانشگاه‌ها از بسیاری از فعالیت‌هایی که ما در حال حاضر انجام می‌دهیم، جلوترند؛ آن‌هم با فاصله‌ای چشمگیر. چون در فضای دانشگاهی، آزادی بیشتری برای انجام این نوع کارها وجود دارد. ضمن اینکه همکاری با صنعت هم نقش کلیدی دارد. شرکت‌ها اغلب به سراغ دانشگاه‌ها می‌آیند تا محصولات‌شان را آزمایش کنند. از آن‌ها می‌خواهند که بررسی کنند این ابزارها چطور کار می‌کنند، آیا قابل استفاده توسط دانشجویان هستند یا خیر، و تجربه‌ی کاربری آن‌ها چگونه است؛ مثلاً در حوزه «اد-تک» و حوزه‌های مشابه. به همین خاطر، می‌توان گفت دانشگاه‌ها به محیطی عالی برای آموزش عملیِ این نوع فناوری‌ها تبدیل شده‌اند.
سوزان ویلسون: خب، اگر کسی از حضار علاقه‌مند است بداند این دانشگاه دقیقاً کجاست، شاید بتواند بعداً با دنیس ایگر صحبت کند؛ البته احتمالاً پاسخ دقیقی دریافت نخواهد کرد!
ملیسا استیوالتی: من معتقدم که دانشگاه‌ها می‌توانند با همکاری نهادهای دولتی، آزمایشگاه‌هایی تخصصی تأسیس کنند. راهکارها و فرآیندهای متعددی برای این کار وجود دارد. اجازه بدهید اسم یک دانشگاه را هم ببرم؛ «دانشگاه میسیسیپی» مرکزی به نام «مرکز تحلیل روایت » دارد. فعالیت‌های آن‌ها در حاشیه و در تقاطع با حوزه اطلاعات اوسینت قرار می‌گیرد. آن‌ها با دولت همکاری کرده‌اند و این مرکز را راه‌اندازی نموده‌اند، و حالا دانشجویان در این آزمایشگاه مشغول کار و یادگیری هستند. این صرفاً یک مثال است (نه تایید یا مقایسه بین دانشگاه‌ها) ولی در کل، راه‌اندازی آزمایشگاه‌های تخصصی، ایده‌ای مؤثر و کاربردی است.
شان باتیر: وقتی کسی عبارت «اد-تک» را مطرح کرد، لبخند زدم، چون مشخص بود برخی فوراً متوجه منظور شدند و برخی دیگر سردرگم ماندند. اجازه بدهید توضیح خیلی کوتاهی بدهم؛ واقعاً کوتاه.
«اد-تک» به فناوری‌هایی گفته می‌شود که در پسِ تبلیغاتِ هدفمند عمل می‌کنند. وقتی گوشی همراه‌تان را باز می‌کنید و با تبلیغاتی مواجه می‌شوید که دقیقاً مطابق با علایق و موقعیت‌تان هستند، این یعنی داده‌هایی مانند موقعیت مکانی، زمان و بخشی از اطلاعات مربوط به پروفایل‌تان در حال جمع‌آوری توسط شرکت‌های تجاری است. منظور ما از «اد-تک» در این بحث، دقیقاً چنین نوع داده‌هایی‌ست که می‌تواند در آینده در مأموریت‌های اطلاعاتی هم نقش‌آفرینی کند.
این دسته از مهارت‌ها به‌خوبی قابل استفاده در برنامه‌های بین‌رشته‌ای هستند؛ مثل نظارت بر زنجیره تأمین یا درک نحوه انتشار سیگنال‌های الکتریکی. یعنی می‌توان از ظرفیت‌های موجود در دانشکده مهندسی برق نیز بهره گرفت. اما بُعد بازاریابی هم در این میان وجود دارد. فناوری تبلیغات («اد-تک») در واقع از دلِ تلاشِ شرکت‌ها برای به‌کارگیری رویکردهای بسیار هدفمند در تبلیغات متولد شد؛ اینکه چگونه می‌توانند هر فرد را به‌صورت جداگانه و بر اساس عادت‌ها و زمان‌بندی‌هایش هدف قرار دهند.
برای مثال، یک نفر ممکن است در حال تماشای یک سریال خاص در نتفلیکس باشد، در حالی که فرد دیگر هم‌زمان در حال خرید از آمازون است. این سطح از جزئیات و رفتارهای کاربری، هم‌اکنون در قالب «داده» جمع‌آوری می‌شوند؛ و حتی عکسِ این فرایند هم در حال رخ دادن است. نکته مهم این است که همه‌ی این داده‌ها در دسته‌ی اطلاعات اوسینت قرار دارند و دانستن این واقعیت می‌تواند منجر به تغییر رفتار افراد شود؛ چرا که حالا آن‌ها از حجم و ماهیت داده‌هایی که از آن‌ها رصد می‌شود، آگاه شده‌اند.
ملیسا استیوالتی: و البته، باید تأکید کرد که ما هیچ داده‌ای از شهروندان آمریکا جمع‌آوری نمی‌کنیم.
شان باتیر: درست است، ما هیچ‌گونه داده‌ای از شهروندان آمریکایی دریافت نمی‌کنیم.
دنیس ایگر: دقیقاً همین‌طور است.
سوزان ویلسون: حدود ۸ دقیقه دیگر زمان باقی‌ست، و سوال بعدی از سوی یکی از حضار مطرح شده: دیدگاه شما درباره‌ی توسعه‌ی توانمندی‌های «ضدهوش مصنوعی» برای مقابله با دشمنان چیست و این موضوع چه تأثیری بر جمع‌آوری و تحلیل اطلاعات اوسینت خواهد داشت؟
ریچارد اسمیت: بله، به‌نظرم این موضوع باید با جدیت کامل دنبال شود. باید برای آن تمرکز و منابع مشخصی اختصاص دهیم. با اینکه اهمیت این مسئله را رد نمی‌کنم، اما از منظر من، این هنوز در فهرست چالش‌های اصلی قرار نمی‌گیرد. همان‌طور که دنیس ایگر اشاره کرد، اغلبِ ما در مواجهه با ریسک‌ها بسیار محافظه‌کار هستیم، و بحث حرفه‌ای‌سازیِ اوسینت همچنان یکی از محورهای اصلی ماست.
پاسخم را با یک پرسش از حضار ادامه می‌دهم: چند نفر در این جمع معتقدند که انجام فعالیت اوسینت از درونِ یک «تأسیسات اطلاعاتی حساس و بخش‌بندی‌شده » اقدام درستی‌ست؟ این کاری‌ست که امروز انجام می‌دهیم؛ و اگر شما با آن مخالفید، حتماً باید بعداً مفصل صحبت کنیم.
واقعیت این است که ما باید همه‌چیز را از نو بازنگری کنیم. در پاسخ به سوال مطرح‌شده هم باید گفت، ما با طیفی از مسائل روبه‌رو هستیم. از یک سو، باید با تهدیداتِ مبتنی بر هوش مصنوعی مقابله کنیم؛ از سوی دیگر، باید با موج فزاینده‌ی اطلاعات نادرست و جعلی مواجه شویم. همچنین باید به‌شکل جدی‌تری به حرفه‌ای‌سازیِ این حوزه بپردازیم.
اما مسئله اساسی این است که شیوه‌ها و مکان‌هایی که امروز برای این فعالیت‌ها انتخاب کرده‌ایم، دیگر کارآمد نیستند. ما هنوز نتوانسته‌ایم با رویکردهای فعلی، به راه‌حلی مؤثر دست یابیم.
پس چرا فکر می‌کنیم هوش مصنوعی قرار است آینده را برای ما اصلاح کند؟
دنیس ایگر: بله، اجازه بدهید من پاسخ دهم. به‌نظر من، تمام کاربردهای هوش مصنوعی که ما برای مواجهه با چالش‌های حوزه اوسینت به‌کار می‌گیریم، مستقیماً به یکی از نکات اصلی‌ای که پیش‌تر مطرح کردم بازمی‌گردد: ما باید از هوش مصنوعی استفاده کنیم تا لایه‌های دوم، سوم و حتی چهارم یک مسئله را شناسایی کنیم.
تشخیص اولیه فقط گام اول است؛ ما باید بدانیم منشأ اطلاعات کجاست، چه گروهی از جمعیت را تحت‌تأثیر قرار می‌دهد و سپس (تنها در آن مرحله) می‌توانیم از هوش مصنوعی برای مداخله استفاده کنیم؛ مثلاً برای مقابله با یک روایت خاص یا هدف‌گیری دقیق‌ترِ آن محتوا.
برای ما، توانایی شناسایی این سطوحِ چندگانه از اهمیت اساسی برخوردار است. چون صرفِ اینکه بگوییم یک محتوا «اطلاعات نادرست» است، کافی نیست. باید بدانیم در پاسخ به آن دقیقاً چه اقدامی قرار است انجام دهیم. چه چیزی را باید وارد سیستم کنیم؟ و تا زمانی که ندانیم دقیقاً چه کسی یا چه گروهی هدف است، نمی‌توانیم یک واکنش مؤثر طراحی کنیم. و به‌نظرم این نکته، واقعاً کلیدی است.
سوزان ویلسون: سوال ماقبل آخر از طرف یکی از حضار مطرح شده و درباره «کنسرسیوم داده‌های جامعه اطلاعاتی» است. اگر این نهاد می‌توانست تنها یک یا چند مانع اساسی را برطرف کند، آن‌ها چه بودند؟
ملیسا استیوالتی: البته کسی در جمع حاضر نیست که مستقیماً از طرف کنسرسیوم داده‌های جامعه اطلاعاتی صحبت کند، اما من نکته‌ای را مطرح می‌کنم: «شفافیت». اگر این نهاد بتواند به ما در افزایش شفافیت در تعامل با تأمین‌کنندگانِ داده کمک کند، واقعاً تأثیر بزرگی خواهد داشت. چون در حال حاضر، ما یا سایر گروه‌های جمع‌آوری اطلاعات باید زمان زیادی را صرف بررسیِ این کنیم که کدام شرکت کدام مجموعه داده را ارائه می‌دهد. گاهی ناچاریم از چند تأمین‌کننده‌ی مختلف خرید کنیم؛ فقط به این خاطر که هر کدام بخش متفاوتی از داده‌ها را دارند؛ حتی اگر برخی از آن داده‌ها، همپوشانی داشته باشند.
پس موضوع فقط این نیست که «ما هر دو از یک شرکت خرید کرده‌ایم»؛ جزئیات بسیار ریزتر و پیچیده‌تری در میان است. اگر کنسرسیوم داده‌های جامعه اطلاعاتی بتواند فضایی ایجاد کند که در آن، جمع‌آورندگان داده به شفافیتِ بیشتر و دسترسی آسان‌تر برسند، این یک پیشرفت فوق‌العاده خواهد بود.
البته، چنین تغییری نیازمند جلب اعتماد صنعت است. چرا که ممکن است برخی شرکت‌ها نگران افشای اسرار تجاری یا روش‌های خاصِ کاری خود باشند. بنابراین، این درخواستی‌ست که از صنعت داریم تا در کنار ما قرار گیرد. شاید این همکاری در نگاه اول برای آن‌ها سود مالیِ مستقیم نداشته باشد، اما دست‌کم آن‌ها می‌توانند با افتخار اعلام کنند که در خدمت امنیت ملی هستند و بخشی از این مسیر محسوب می‌شوند.
دنیس ایگر: واقعاً خنده‌ام گرفت، چون قبلاً با هم درباره همین موضوع صحبت کرده‌ایم.
من دقیقاً به یاد دارم، بیرون ساختمان ایستاده بودیم و داشتیم درباره‌ی چالش شفافیت از منظر فروشندگانِ داده بحث می‌کردیم. و راستش را بخواهید، به نظرم این یکی از اساسی‌ترین مسائل است. من درک می‌کنم که شرکت‌ها برای کسب‌و‌کارشان زحمت کشیده‌اند و مدل تجاری خاصی ساخته‌اند، اما مثلاً اگر من به‌عنوان مصرف‌کننده‌ی داده بخواهم بدانم اطلاعاتی که دریافت می‌کنم دقیقاً از چه شرکت‌هایی جمع‌آوری شده یا در کدام فید داده‌ای گنجانده شده، این حق من است. چون باید بتوانم تطابق دهم که این داده‌ها با نیازهای مأموریتی‌ام هماهنگ هستند یا نه.
اگر آن اطلاعات از قبل در اختیارم باشند، پس مشکلی نیست؛ اما اگر نباشند، می‌توانم مشخصاً به فروشنده بگویم که دقیقاً چه نوع داده‌ای را نیاز دارم که در فید فعلی وجود ندارد.
مشکل اینجاست که اغلبِ شرکت‌ها تمایلی به شفاف‌سازی ندارند. نمی‌خواهند بگویند داده‌شان از کدام منبع تهیه شده، یا نمی‌خواهند اعلام کنند چه کسانی از اطلاعات آن‌ها استفاده می‌کنند؛ چون می‌خواهند ما محصولشان را بخریم. اما اجازه بدهید صادقانه بگویم (برای همه دوستان حاضر در این جمع که فروشنده یا فعال حوزه فناوری هستند)، خبر جدید این است که دیگر نمی‌توان به همان شیوه‌های قبلی ادامه داد. این مسیر برای آینده قابل دوام نیست.
نمی‌گویم باید فوراً مدل تجاری‌تان را تغییر دهید، اما برای خود من (و در این مورد پیش‌تر با ملیسا استیوالتی هم صحبت کرده‌ام) طی یک سال تا هجده ماه آینده، تمرکز اصلی‌ام بر شفاف‌سازیِ منشأ داده‌ها خواهد بود. اگر نتوانم بفهمم داده‌ای که از شما دریافت می‌کنم دقیقاً چیست و چه بخشی از نیازم را پوشش می‌دهد، به‌سادگی با شما همکاری نخواهم کرد.
ما دیگر توانایی ادامهی چنین روش‌هایی را نداریم. وقتی صحبت از تغییر و حرکتِ رو به جلو می‌شود، منظور دقیقاً چنین اقداماتی است. شفافیت، باید به‌عنوان یک اصل پذیرفته شود. چون من نمی‌توانم از سه شرکتِ مختلف، از هر کدام صد مجوز خریداری کنم، در حالی که یک‌سوم داده‌ها در همه‌ی آن‌ها مشترک است. این شیوه، نه منطقی‌ست و نه پایدار. بنابراین، ناچارم بررسی کنم که کدام شرکت برای نیاز من بیشترین ارزش را دارد؛ و همان را انتخاب کنم.
و بعد با شرکت‌های زیادی مواجه می‌شوم که می‌گویند «ما می‌خواهیم وارد همکاری شویم»، و پاسخ من ساده است: متأسفم، دیگر بودجه‌ای باقی نمانده است.
سوزان ویلسون: حدود سه دقیقه دیگر فرصت داریم. فکر می‌کنم شما به سوال آخر من هم پاسخ دادید، اما می‌خواهم ببینم شاید نکته‌ای برای اضافه‌کردن دارید یا خیر. شان باتیه، از شما شروع می‌کنم: اگر می‌توانستید تنها یک تغییر مهم در دوازده ماه آینده ایجاد کنید تا مزیت آمریکا در حوزه علوم و فناوریِ مبتنی بر هوش مصنوعی تقویت شود، آن تغییر چه بود؟
شان باتیر: بله، پیشنهاد من این است که شرکت‌ها و دانشگاه‌های پژوهشی حاضر در این نشست، توجه بیشتری به موارد استفاده‌ی عملی از مأموریت‌های موجود نشان دهند. شما می‌توانید با تماشای اخبار، تا حد زیادی به اولویت‌های روز پی ببرید.
من، چه زمانی که در دولت بودم و چه حالا که در آمازون وب‌سرویسز فعالیت می‌کنم، اولویت همیشگی‌ام این بوده که فناوری‌ها باید در خدمت «مأموریت» باشند. اگر ما بتوانیم بخشی از این اطلاعات اوسینت را در فضای غیرمحرمانه توسعه دهیم (همان‌طور که ریچارد اسمیت هم اشاره کرد) و آن را به‌عنوان نمونه در اختیار دولت بگذاریم، می‌توانیم نشان دهیم که این فناوری، دقیقاً چگونه از مأموریتِ امروز پشتیبانی می‌کند. این همان اطلاعاتی‌ست که ما در اختیار داریم و مایلیم درباره آن بیشتر گفتگو کنیم.
می‌دانم این حرف ساده به‌نظر می‌رسد، اما در پنج سال گذشته بارها شاهد بودم که تقاضاهایی برای داده یا همکاری دریافت کرده‌ام که هیچ پیوندی با مأموریت اصلی نداشته‌اند و در عمل بی‌فایده بوده‌اند.
پس اگر می‌خواهید تحقیقات یا محصول‌تان جدی گرفته شود، باید بتوانید آن را در قالب یک نیازِ حیاتی در بازه ۹۰ تا ۱۲۰ روز آینده تعریف کنید. این، یکی از مؤثرترین راه‌ها برای ورود به چرخه‌ی تصمیم‌گیری است.
سوزان ویلسون: دنیس ایگر، پاسخ قبلی‌تان بسیار پرشور بود. آیا نکته‌ای برای اضافه‌کردن دارید؟
دنیس ایگر: بله. از نگاه من، در ۱۲ ماه آینده و فراتر از آن، اگر بخواهم از منظر فناوری صحبت کنم، باید بگویم: شما باید با یک قابلیت «تخصصی و متمایز» به سراغ من بیایید.
متأسفم اگر حرفم برخی را ناراحت می‌کند، ولی واقعیت این است: تقریباً هر فروشنده‌ای که به سراغم می‌آید می‌گوید «ما بهترین هستیم»، «داده‌های ما منحصربه‌فرد است»، یا «ما تنها بازیگر این حوزه‌ایم». خبر جدید این است: نه، شما تنها بازیگر این حوزه نیستید!
نمی‌خواهم دلسردتان کنم، اما آنچه من واقعاً نیاز دارم، یک قابلیت خاص است؛ چیزی که در حال حاضر در اختیار ندارم. بیایید و دقیقاً به من بگویید که چگونه می‌توانید خلأهای موجود را پر کنید.
و این صرفاً یک فید داده‌ی دیگر نیست؛ واقعاً نیست. و ما باید دقیقاً در همین نقطه باشیم. به نظرم روند تحول در جریان است. امروز با افراد زیادی در همین‌باره صحبت کردم. پنج سال پیش که در این رویدادها شرکت می‌کردم، اگر در راهروها قدم می‌زدید، عمدتاً با شرکت‌های بزرگ مواجه می‌شدید؛ شرکت‌هایی که در زمینه‌ی هواپیما و تجهیزات نظامی فعال بودند و تلاش می‌کردند فناوری‌های مرتبط با هواگردها را بفروشند.
اما امروز، تقریباً همه چیز حول محور فناوری می‌چرخد. این همان مسیر تحول ماست. و اینجاست که باید حرکت کنیم. پس به همه شما تبریک می‌گویم، ولی در عین حال، به کمک‌تان نیاز داریم.
سوزان ویلسون: ریچارد اسمیت، نوبت شماست.
ریچارد اسمیت: بله، فکر می‌کنم حرفم را قبلاً زده‌ام. به نظرم، ما اکنون در یکی از حیاتی‌ترین مقاطع تاریخِ اوسینت قرار داریم؛ و این حرف سنگینی‌ست. چون همان‌طور که پیش‌تر گفتم، امروز فناوری‌هایی در اختیار داریم که می‌توانند به تقریباً هر سوالی که مطرح می‌کنیم پاسخ دهند.
مسئله این است که ما هنوز داده‌ها را برای خود نگه می‌داریم و به‌اشتراک نمی‌گذاریم. اگر بتوانیم زمینه و بستر لازم را برای این فناوری‌ها فراهم کنیم، اگر سوال درست را طرح کنیم و «پرامپت» مناسبی ارائه دهیم، مطمئن باشید که می‌توانیم پاسخ اکثر سوالات‌مان را دریافت کنیم. اما این تنها زمانی ممکن است که واقعاً بخواهیم این پل را پشت سر بگذاریم و راهی برای دسترسی‌پذیرکردنِ داده‌ها بیابیم.
سوزان ویلسون: ملیسا استیوالتی، لطفاً جلسه را جمع‌بندی کن.
ملیسا استیوالتی: بسیار خب. امروز درباره پیشرفت‌های گسترده‌ای صحبت کردیم که در این حوزه صورت گرفته و این پیشرفت‌ها واقعاً چشمگیر هستند. همچنین فکر می‌کنم دنیس ایگر بود که اشاره کرد بخشی از این پیشرفت‌ها، به‌شدت به اشخاص و ویژگی‌های فردی آن‌ها وابسته بوده‌اند. آنچه من واقعاً امیدوارم رخ دهد، این است که پیش‌نویس قانون «کمیته دائمی منتخب اطلاعاتی مجلس نمایندگان آمریکا» تصویب شود و این تحولات ساختاری مهم، به‌صورت رسمی در قوانین نهادینه شوند.
ما به تغییرات ریشه‌ای در این اکوسیستم نیاز داریم تا بتوانیم مسیر پیشرفت را به‌صورت پایدار ادامه دهیم. به‌نظرم اوسینت باید به جایگاهی برسد که هر فردی در حوزه اطلاعات بخواهد در این حوزه فعالیت کند؛ چون اینجا، خط مقدم و لبه‌ی دانش است. همچنین، روند حرفه‌ای‌سازی این حوزه باید با قدرت ادامه یابد.
من واقعاً مشتاقم ببینم که همه پیشرفت‌هایی که تا امروز حاصل شده‌اند، به‌شکلی نهادینه و تثبیت‌شده، زمینه‌سازِ جهشی بزرگ به‌سوی آینده شوند.
سوزان ویلسون: سپاسگزارم. لطفاً با یک تشویق گرم، از همه سخنرانان ما قدردانی کنید. بسیار متشکرم.
