هوش مصنوعی: معمار جدید قدرت در جهان

به گزارش نبأخبر،قدرت در روابط بین‌الملل، که پیش‌تر بر پایه‌های محکم اقتصادی، نظامی و ژئوپلیتیک استوار بود، اکنون در آستانه دگردیسی بنیادین قرار دارد. ظهور هوش مصنوعی نه به‌عنوان یک ابزار کمکی، بلکه به‌مثابه متغیری مستقل و تعیین‌کننده، ساختارهای سنتی هژمونی را بازتعریف کرده است. داده‌های کلان و الگوریتم‌های پیشرفته، به هسته مرکزی قدرت تبدیل شده‌اند و توانایی تحلیل، پیش‌بینی و کنترل را از ابزارهای فیزیکی به حوزه دیجیتال منتقل نموده‌اند. این گذار پارادایمی، نشان می‌دهد که مزیت رقابتی دیگر تنها در انباشت منابع طبیعی یا تسلیحات متعارف نیست، بلکه در دسترسی به زیرساخت‌های محاسباتی و هوش مصنوعی نهفته است. بنابراین، هوش مصنوعی با نفوذ در تمامی لایه‌های قدرت، معمار جدید نظم جهانی را شکل می‌دهد.

طبق گزارش‌ها، ۸۰٪ ارزش شرکت‌های فناوری از دارایی‌های نامشهود (داده/الگوریتم) است. الگوی خلق سرمایه از «زمان کار فیزیکی» به «استخراج داده‌های رفتاری» تغییر یافته است؛ سرمایه‌داری دیجیتال، انحصار را از «تولید» به «دسترسی به الگوریتم» منتقل کرده است. این گذار، نابرابری را نه بر اساس مالکیت کارخانه، بلکه بر اساس مالکیت زیرساخت‌های محاسباتی و داده‌ها بازتعریف می‌کند.

بسیاری از نظریه‌پردازان علوم اجتماعی، اقتصاد سیاسی و فیلسوفان تکنولوژی معتقدند که «استخراج داده‌های رفتاری» و بهره‌کشی از فعالیت کاربران بدون پرداخت مستقیم، شکل نوینی از سرمایه‌داری نظارتی و استثمار است که ساختارهای سنتی را دگرگون کرده است. سلطه در این نظام، دیگر فقط از طریق زور نظامی یا مالکیت کارخانه نیست، بلکه از طریق کنترل اطلاعات و رفتار اعمال می‌شود الگوریتم‌ها با تحلیل داده‌ها، رفتار کاربران را پیش‌بینی و حتی هدایت می‌کنند (مثلاً در خرید، رأی‌دهی یا مصرف محتوا). این نوعی «سلطه نرم» است که اراده فرد را بدون اجبار فیزیکی شکل می‌دهد.

«سرمایه‌داری نظارتی» (Surveillance Capitalism) اصطلاحی که شوشانا زوبوف (Shoshana Zuboff) در کتاب The Age of Surveillance Capitalism (2019) رواج داد، به فرآیندی اشاره دارد که در آن پلتفرم‌ها فعالیت‌های روزمره کاربران (کلیک، حرکت، حضور، خرید، تعامل) را به داده‌های رفتاری قابل پیش‌بینی و تجاری تبدیل می‌کنند.

این داده‌ها سوختِ مدل‌های تبلیغاتی، الگوریتم‌های توصیه‌گر، و آموزشِ هوش مصنوعی‌اند.

در این فرآیند:

• کاربر بدون قرارداد کاری یا دستمزد رسمی، به‌طور ضمنی نیروی تولید ارزش محسوب می‌شود.
• «کار داده» (data labor) جایگزین «کار فیزیکی» می‌شود.

بر این اساس بُعد استثماری حفظ می‌شود؛ فقط «موضوع بهره‌کشی» تغییر می‌کند به جای بدنِ کارگر، ذهن و رفتار دیجیتال او منبع ارزش می‌گردد. در نظریه‌ی سرمایه‌داری نظارتی (Surveillance Capitalism) و نیز سرمایه‌داری شناختی (Cognitive Capitalism) قدرت اقتصادی و سیاسی از مالکیت ابزار تولید، به مالکیت داده و الگوریتم انتقال یافته است وپلتفرم‌ها از طریق طراحی وابستگی رفتاری و کنترل الگوریتمی توجه، نوعی «سلطه نرم» (soft domination) اعمال می‌کنند و در نهایت کاربران نه‌تنها موضوع استثمارند، بلکه منبع بازتولید دائمی سلطه‌اند: هر کلیک، تصویر، یا مکالمه، داده‌ای تازه برای تثبیت برتری الگوریتمی شرکت‌ها تولید می‌کند.

در چارچوب نظری «سرمایه‌داری نظارتی» و «سرمایه‌داری شناختی»، تقابل با تمرکز قدرت داده‌ای در کشورهای در حال توسعه (از جمله ایران) مستلزم تقویت ظرفیت‌های حاکمیتی، فناورانه، اقتصادی و اجتماعی است. بر اساس ادبیات علمی و گزارش‌های بین‌المللی، مهم‌ترین راهبردها چنین‌اند:

1. حاکمیت داده (Data Sovereignty): تدوین و اجرای رژیم جامع حفاظت از داده‌های شخصی و بومی‌سازی ذخیره‌سازی داده‌ها؛ تجربه اتحادیه اروپا در GDPR نشان می‌دهد مقررات سخت‌گیرانه می‌تواند قدرت پلتفرم‌ها را محدود کند (European Commission, 2018).
2. توسعه زیرساخت ابری بومی: سرمایه‌گذاری در مراکز داده و خدمات ابری داخلی برای کاهش وابستگی به ابرقدرت‌های فناوری (UNCTAD, Digital Economy Report 2023).
3. قانون رقابت دیجیتال: جلوگیری از انحصار پلتفرمی با الگوگیری از Digital Markets Act اروپا (European Parliament, 2022).
4. حمایت از پلتفرم‌های بومی و متن‌باز: تقویت اکوسیستم نرم‌افزار آزاد برای کاهش وابستگی الگوریتمی (Fuchs, 2023).
5. توسعه هوش مصنوعی بومی: سرمایه‌گذاری در مدل‌های زبانی فارسی و زیرساخت GPU داخلی؛ گزارش UNESCO (2022) بر اهمیت تنوع زبانی در AI تأکید دارد.
6. اقتصاد داده عمومی (Data Commons): ایجاد مخازن داده ملی با دسترسی پژوهشی کنترل‌شده برای جلوگیری از تمرکز خصوصی (Couldry & Mejias, 2019).
7. سواد داده و رسانه‌ای: آموزش عمومی درباره اقتصاد توجه و الگوریتم‌ها؛ OECD (2021) سواد دیجیتال را عامل کاهش نابرابری داده‌ای می‌داند.
8. مالیات بر اقتصاد دیجیتال: استفاده از الگوهای OECD/G20 برای مالیات‌ستانی از ارزش استخراج‌شده دیجیتال (OECD, 2023).
9. تقویت همکاری‌های منطقه‌ای فناوری: مشارکت در بلوک‌های فناورانه جنوب جهانی برای اشتراک زیرساخت و داده (World Bank, 2023).
10. حمایت از استارتاپ‌های دانش‌بنیان: ایران دارای بیش از ۸۰۰۰ شرکت دانش‌بنیان ثبت‌شده است (گزارش معاونت علمی ریاست جمهوری، 2024) که ظرفیت بومی‌سازی الگوریتمی را فراهم می‌کند.
11. گسترش شبکه ملی اطلاعات و مراکز داده داخلی: به‌عنوان ظرفیت بالفعل برای کاهش وابستگی ترافیکی خارجی (گزارش وزارت ارتباطات، 2024).
12. تدوین منشور حقوق داده شهروندی: تعریف مالکیت و حق انتفاع کاربران از داده‌های خود (IMF, 2022).
13. شفافیت الگوریتمی: الزام پلتفرم‌ها به گزارش‌دهی درباره منطق تصمیم‌گیری الگوریتم‌ها (European AI Act, 2024).
14. توسعه صنایع نیمه‌رسانا و سخت‌افزار بومی (در حد امکان منطقه‌ای) برای کاهش وابستگی زیرساختی (UNCTAD, 2023).
15. تقویت پژوهش دانشگاهی در اقتصاد دیجیتال: پیوند دانشگاه–صنعت برای تولید دانش بومی در حوزه سرمایه‌داری داده‌ای.
16. ایجاد تعاونی‌های پلتفرمی (Platform Cooperatives): مالکیت جمعی داده توسط کاربران (Scholz, 2016).
17. دیپلماسی فناوری: تنوع‌بخشی به شرکای فناوری برای جلوگیری از وابستگی تک‌قطبی.
18. حمایت از رمزنگاری و حریم خصوصی پیش‌فرض برای کاهش استخراج ناخواسته داده (EFF Reports, 2023).
19. توسعه بازار داخلی تبلیغات و خدمات دیجیتال برای جلوگیری از خروج ارزش افزوده داده‌ای.
20. تقویت چارچوب حقوق رقابت و ضدانحصار ملی برای ممانعت از تمرکز الگوریتمی در بازیگران محدود داخلی.
21. تبدیل تهدید «وابستگی داده‌ای» به فرصت «رهبری منطقه‌ای» در حوزه امنیت سایبری و هوش مصنوعی بومی.
22. ایجاد صندوق‌های سرمایه‌گذاری خطرپذیر دولتی و خصوصی برای حمایت از پروژه‌های استراتژیک هوش مصنوعی.
23. همکاری با کشورهای همسو (مانند روسیه و چین) برای ایجاد بلوک‌های فناوری مستقل و کاهش انحصار آمریکا در هوش مصنوعی.
24. ایجاد «اینترنت ملی» امن و کنترل‌شده برای کاهش نفوذ اطلاعاتی و جلوگیری از مهندسی اجتماعی از طریق شبکه‌های اجتماعی جهانی.

جمع‌بندی: بر اساس گزارش‌های UNCTAD (2023)، OECD (2023)، World Bank (2023) و ادبیات نظری زوبوف (2019) و فوکس (2023)، کشورهایی که هم‌زمان در سه سطح زیرساخت محاسباتی، تنظیم‌گری حقوقی و توان تولید دانش بومی سرمایه‌گذاری کنند، توان بیشتری برای کاهش وابستگی به پارادایم سرمایه‌داری نظارتی خواهند داشت.

منابع :

1. Zuboff, S. (2019) – The Age of Surveillance Capitalism:پلتفرم‌ها نظامی از «استثمار رفتاری» ایجاد کرده‌اند که بر پیش‌بینی و شکل‌دهی کنش انسان‌ها استوار است.
2. Couldry & Mejias (2019) – Data Colonialism: Rethinking Big Data’s Relation to Human Life:تعبیر «استعمار داده‌ها»؛ استخراج رفتارها همانند استخراج منابع طبیعی در استعمار کلاسیک است.
3. Fuchs, C. (2023) – Digital Capitalism:کاربران در پلتفرم‌ها بدون مزد، در حال تولید ارزش سرمایه‌دارانه‌اند؛ پدیده‌ای که باید به عنوان کار دیجیتال رایگان تحلیل شود.
4. UNCTAD Digital Economy Report (2023) – نشان می‌دهد تمرکز داده و زیرساخت هوش مصنوعی عملاً سلطه‌ی اقتصادی را بازتعریف کرده است.
5. Data & Society Research Institute. Reports on Data as Labor. (https://datasociety.net/)
6. New Left Review. Articles on Digital Labour and Exploitation. (https://newleftreview.org/)
7.  گزارش‌های مرکز پژوهش‌های مجلس شورای اسلامی درباره «اقتصاد دیجیتال و حاکمیت داده
8.  اسناد بالادستی «برنامه هفتم توسعه» با تأکید بر خودکفایی فناوری اطلاعات
9.  مقالات منتشر شده در «فصلنامه مطالعات راهبردی» درباره امنیت سایبری و هوش مصنوعی
10.  گزارش‌های مرکز آمار ایران درباره نفوذ اینترنت و استفاده از خدمات دیجیتال.

مصادیق آماری و منابع معتبر تا سال ۲۰۲5(مرتبط با مقاله)

۱. سهم دارایی‌های نامشهود در ارزش شرکت‌های فناوری

منبع:

• Ocean Tomo Intangible Asset Market Value Study (2020–2023)
• McKinsey Global Institute, Intangible Investments and Productivity (2022)

آمار:

• در سال 2023 حدود 90٪ از ارزش بازار شرکت‌های S&P 500 (شامل Google, Apple, Microsoft, Meta و Amazon) به دارایی‌های نامشهود مانند داده، نرم‌افزار، الگوریتم، برند و روابط کاربری وابسته است.
• در صنعت فناوری خاص‌تر، برآورد Ocean Tomo نشان می‌دهد بین 80 تا 93٪ ارزش شرکت‌های فناوری بزرگ ناشی از دارایی‌های نامشهود است.

۲. گذار از «زمان کار فیزیکی» به «استخراج داده‌های رفتاری»

منبع:

• Zuboff, Shoshana (2019), The Age of Surveillance Capitalism, Harvard University Press.
• Srnicek, Nick (2017), Platform Capitalism, Polity Press.
• OECD (2022), Data-Driven Business Models and Value Creation.

آمارهای کلیدی:

• Google در سال 2023 از بیش از 70 میلیارد داده فعال روزانه کاربران برای آموزش مدل‌های تبلیغاتی و هوش مصنوعی بهره‌برداری می‌کند، بدون پرداخت مستقیم به تولیدکنندگان داده.
• Meta (Facebook) بیش از 3 میلیارد کاربر فعال ماهانه دارد و هر کاربر میانگین 11 دقیقه داده رفتاری روزانه به پلتفرم تزریق می‌کند (Statista, 2023).
• طبق گزارش OECD (2022)، ۴ شرکت اول در حوزه تبلیغات دیجیتال (Google, Meta, Amazon, ByteDance) حدود 73٪ بازار جهانی تبلیغات داده‌محور را در اختیار دارند.

۳. انباشت انحصار در سطح «دسترسی به زیرساخت‌های محاسباتی و الگوریتمی»

منبع:

• UNCTAD, Digital Economy Report 2021 and 2023
• European Commission, Data Act & Cloud Concentration Report (2024)
• Forbes Cloud 100 & Statista Cloud Market Shares (2023)

آمارهای مربوط:

• سه شرکت اول در محاسبات ابری (AWS, Microsoft Azure, Google Cloud) در سال 2024 بیش از 66٪ از کل ظرفیت ابری جهان را کنترل می‌کنند.
• طبق گزارش UNCTAD (2023)، در حوزه AI infrastructure، بیش از 75٪ از پردازش مدل‌های هوش مصنوعی سطح بالا تنها در ده شرکت آمریکایی و چینی متمرکز است.
• برآورد Bank for International Settlements (2023): شاخص تمرکز محاسبات AI در بازار جهانی (HHI) = 0.43 → نشانگر تمرکز شدید مالکیت محاسباتی.

۴. بازتعریف نابرابری بر پایه مالکیت زیرساخت داده

منبع:

• World Bank Digital Development Report (2023)
• IMF Working Paper Digital Divides and Data Inequality (2022)
• MIT Digital Economy Lab (2023)

یافته‌ها:

• 10 کشور نخست جهان بیش از 97٪ ظرفیت پردازشی مدل‌های زبانی و داده‌های باز تجاری را در اختیار دارند.
• فقط 3٪ شرکت‌های کوچک و متوسط در کشورهای غیر OECD به زیرساخت محاسباتی با توان GPU و داده تربیت‌شده برای AI دسترسی دارند (World Bank, 2023).
• توزیع جهانی داده‌های مصرفی (digital footprint) بین شرکت‌های بزرگ و کاربران عادی نابرابر است و به شکلی قابل اندازه‌گیری شکاف قدرت الگوریتمی ایجاد کرده است.
  

  ---