مرداد
اخبار
هنک گرین و اعتراف به وابستگی به ChatGPT؛ توقف سه کانال یوتیوب
یکی از شناختهشدهترین چهرههای محتوای علمی یوتیوب پذیرفت که برای تحقیق فیلمنامههایش بیش از اندازه به ChatGPT تکیه کرده بود. ماجرا با چند کارت اصلاحیه در یک ویدیوی نیمساعته شروع شد و به عذرخواهی عمومی و توقف سه کانال رسید. این یک دعوای معمولی اینترنتی نیست؛ آزمونی است برای اعتماد، همان چیزی که سرمایهی اصلی محتوای علمی است.
لیست مطالب
۱) ماجرا از کجا شروع شد
روز ۳۰ ژوئیه ۲۰۲۶ قسمتی تازه روی کانال Complexly منتشر شد؛ یک گفتوگوی حدوداً ۵۵ دقیقهای با حضور سازندهای به نام Soupytime که عنوانی عامدانه شوخطبعانه داشت. ظاهر ماجرا هیچ نکتهی خاصی نداشت: همان قالب همیشگی، همان لحن پرانرژی و همان انبوه واقعیتهای ریز و درشت علمی که مخاطبان این کانالها سالهاست به آن عادت کردهاند.
اما اینبار چیزی در ویدیو میلنگید. بینندگان دقیقتر متوجه شدند در طول قسمت چند کارت اصلاحیه و فکتچک روی تصویر ظاهر میشود؛ کارتهایی که ادعاهای مطرحشده در همان لحظه را زیر سؤال میبردند. برای کانالی که تمام اعتبارش را روی دقت علمی بنا کرده، حضور پیاپی این کارتها خودش یک علامت هشدار بود.
چند ساعت بعد، جرقهی اصلی از جای دیگری زده شد. عدهای از مخاطبان روی یک عبارت انگشت گذاشتند: «I appreciate the pushback» — جملهای که در ماههای اخیر به یکی از امضاهای شناختهشدهی چتباتها تبدیل شده است. برای جامعهای که هر روز با متن تولیدشده توسط هوش مصنوعی سروکار دارد، این عبارت مثل اثر انگشت روی صحنهی جرم بود.
۲) خطاهایی که بینندگان بیرون کشیدند
موضوع فقط یک عبارت مشکوک نبود. طبق گزارشها، دستکم سه دسته ادعا در همان قسمت زیر سؤال رفت: نکاتی دربارهی بزاق گربه و نقش آن در تمیزکردن بدن، ادعایی دربارهی بینایی میگوی آخوندک (mantis shrimp)، و بحثی دربارهی شیرینکنندههای مصنوعی.
هر سه مورد از آن دسته «واقعیتهای جذاب» هستند که سالهاست در اینترنت دستبهدست میشوند و نسخهی سادهشدهشان معمولاً نادرست است. ماجرای بینایی میگوی آخوندک نمونهی کلاسیک است: این جانور گیرندههای رنگی بسیار بیشتری از انسان دارد، اما پژوهشهای بعدی نشان دادند این تعداد گیرنده لزوماً به معنای تفکیک رنگی بهتر نیست. دقیقاً همینجاست که یک مدل زبانی میتواند خطرناک شود: مدل، پرتکرارترین روایت اینترنت را بازتولید میکند، نه دقیقترین آن را.
این همان چیزی است که به آن «توهم» یا hallucination میگویند؛ پدیدهای که در پروندههای متعددی در بخش اخبار هوش مصنوعی به آن پرداختهایم و ریشهاش در همان نحوهی کار مدلهای زبانی است: پیشبینی محتملترین کلمهی بعدی، نه راستیآزمایی واقعیت.
۳) اعتراف؛ متنی که همهچیز را عوض کرد
روز ۳۱ ژوئیه، گرین بهجای سکوت یا توضیح مبهم، در انجمن طرفدارانش در ردیت پستی نوشت و ماجرا را پذیرفت. او تأیید کرد که برای تحقیق این فیلمنامه از ChatGPT استفاده کرده و بیش از حد به یادداشتهای تولیدشده تکیه کرده است.
مهمترین جملههای او چند خط ساده بود: «بیش از اندازه به هوش مصنوعی بهعنوان ابزار کمکی تحقیق تکیه کردهام»، «شرمندهام که اینهمه آدم را ناامید کردهام» و «شما باید مطمئن باشید که کلمات من، کلمات خودم است». او همزمان توضیح داد که آن عبارت جنجالی، بداهه و در جریان گفتوگو با مهمان برنامه گفته شده و متن تولیدشده توسط چتبات نبوده است.
گرین همچنین گفت از هوش مصنوعی بیشتر برای پیداکردن مقالهها و منابع استفاده میکرده، نه برای شکلدادن به نظرش. اما خودش هم پذیرفت که همین اندازه استفاده هم کافی بوده تا اعتماد به کارش خدشهدار شود. پست او تا صبح روز بعد نزدیک به سه میلیون بازدید گرفت.
۴) توقف سه کانال؛ تصمیمی که کسی انتظارش را نداشت
واکنش گرین در حد یک عذرخواهی متنی نماند. او اعلام کرد سه کانال از مجموعهاش را متوقف میکند: کانال شخصیاش (hankschannel) و دو کانال بازی واژگان روزانه با نامهای SMUSH و 4×3.
برای درک ابعاد این تصمیم باید به اعداد نگاه کرد: مجموعه کانالهای او روی یوتیوب حدود ۳۲ میلیون مشترک دارند و خودش بیش از ۱۲ میلیون دنبالکننده در شبکههای اجتماعی. توقف چند کانال روزانه در چنین مقیاسی، یعنی کنارگذاشتن بخش قابلتوجهی از یک جریان درآمدی پایدار.
نکتهی جالب اینجاست که این تصمیم بیشتر از آنکه واکنش به فشار بیرونی باشد، شبیه یک بازتنظیم شخصی بود؛ گرین در توضیحاتش به فشار سنگین تولید محتوا اشاره کرد — همان فشاری که در وهلهی اول او را به سمت میانبُر هوش مصنوعی هل داده بود.
۵) چرا این ماجرا در محتوای علمی حساستر است
یک اشتباه در ویدیوی سرگرمی، حداکثر یک کامنت طعنهآمیز میگیرد. اما در محتوای علمی، محصول نهایی چیزی جز اعتماد نیست. مخاطب سراغ چنین کانالهایی میرود چون فرض میکند کسی پیش از او زحمت راستیآزمایی را کشیده است.
وقتی این فرض بشکند، آسیب فقط به یک ویدیو نمیرسد؛ کل آرشیو زیر سؤال میرود. بینندهای که امروز فهمید یک ادعا نادرست بوده، فردا به ویدیوی سه سال پیش هم مشکوک میشود. این همان اثر دومینویی است که ترمیمش سالها طول میکشد.
اینجاست که فهم درست از تواناییها و محدودیتهای واقعی هوش مصنوعی از یک بحث نظری به یک ضرورت حرفهای تبدیل میشود. مدل زبانی ابزار خوبی برای خلاصهکردن، سازماندهی و پیشنهاد مسیر است؛ ابزار بدی برای تأیید نهایی یک ادعای علمی.
۶) واکنش دوقطبی جامعهی مخاطبان
واکنشها از همان ساعات اول دو دسته شد. گروهی صداقت او را ستودند و گفتند بیشتر سازندگان محتوا در سکوت همین کار را میکنند و کمتر کسی حاضر است بپذیرد. از نگاه این گروه، اعتراف علنی خودش نوعی خدمت به فضای رسانهای بود.
گروه دوم اما استدلال محکمتری داشتند: وقتی برند شما روی دقت علمی ساخته شده، سپردن مرحلهی تحقیق به ابزاری که ذاتاً مستعد ساختن واقعیت است، یک لغزش ساده نیست. برای این گروه، مسئله شخصیت هنک گرین نبود؛ مسئله این بود که خط قرمز کجاست.
این دوقطبی، بازتاب یک بحث بزرگتر است که این روزها در همهی حوزههای تخصصی جریان دارد — از روزنامهنگاری تا برنامهنویسی. همان بحثی که در مقالهی توهم توسعهدهندهی تنها در برابر مهندس واقعی از زاویهی دیگری به آن پرداختهایم.
۷) درسهای عملی برای تولیدکنندهی محتوا
مهمترین درس این ماجرا این نیست که «از هوش مصنوعی استفاده نکنید». درس واقعی این است که جای آن را در زنجیرهی تولید اشتباه انتخاب نکنید. چند قاعدهی ساده که این پرونده بهخوبی نشانشان میدهد:
جداکردن مرحلهی کشف از مرحلهی تأیید
استفاده از چتبات برای پیداکردن سرنخ، پیشنهاد کلیدواژه یا معرفی مقاله کاملاً منطقی است. اما هر ادعایی که قرار است روی آنتن برود باید از منبع اولیه — مقاله، کتاب، پایگاه دادهی معتبر — دوباره تأیید شود.
ثبت منبع در همان لحظه
یادداشتهای تولیدشده توسط هوش مصنوعی معمولاً منبع ندارند یا منبع نادرست میسازند. اگر کنار هر جمله لینک منبع ثبت نشود، چند روز بعد تشخیص اینکه کدام جمله راستیآزمایی شده تقریباً غیرممکن میشود.
شفافیت پیش از افشا
اعلام اینکه «در این ویدیو از هوش مصنوعی برای مرحلهی تحقیق استفاده شده» پیش از آنکه مخاطب خودش کشفش کند، هزینهاش صدها برابر کمتر است. تفاوت میان «شفاف بود» و «مچش را گرفتیم» تمام تفاوت ماجراست.
پرامپت بهتر، خطای کمتر
بخشی از خطاها از پرسیدن نادرست میآید. درخواست «منبع بده و اگر مطمئن نیستی بگو نمیدانم» نتیجهای کاملاً متفاوت با یک پرسش باز تولید میکند. اصول این کار را در راهنمای پرامپتنویسی برای مبتدیها و مجموعهی آموزشهای ChatGPT جمع کردهایم.
۸) تصویر بزرگتر؛ فشار تولید در برابر دقت
پشت این ماجرا یک واقعیت اقتصادی نشسته است. الگوریتمهای پلتفرمها انتشار مداوم را پاداش میدهند و سازندهای که هفتهای چند ویدیو منتشر میکند، همیشه در حال دویدن است. هوش مصنوعی دقیقاً همانجایی وارد میشود که وقت کم است و تقاضا زیاد.
به همین دلیل احتمالاً این آخرین پرونده از این جنس نخواهد بود. با فراگیرشدن ابزارهایی که شرکتهایی مثل اوپنایآی میسازند، مرز میان «کمکگرفتن» و «سپردن کار» هر روز مبهمتر میشود و صنعت محتوا هنوز استاندارد روشنی برای این مرز ندارد.
شاید ارزشمندترین بخش این ماجرا همین باشد: یک چهرهی شناختهشده، بهجای انکار، ایستاد و گفت اشتباه کرده است. برای صنعتی که تازه دارد قواعد بازیاش را مینویسد، این نوع صداقت بیشتر از هر آییننامهای کارساز است.
۹) پرسشهای پرتکرار دربارهی ماجرای هنک گرین و هوش مصنوعی
دقیقاً چه اتفاقی افتاد؟
در قسمتی که ۳۰ ژوئیه ۲۰۲۶ منتشر شد، بینندگان چند ادعای علمی نادرست و یک عبارت شبیه به خروجی چتبات پیدا کردند. گرین روز بعد در ردیت پذیرفت که برای تحقیق فیلمنامه از ChatGPT استفاده کرده و بیش از اندازه به آن تکیه کرده بود.
آیا او ویدیوهایش را با هوش مصنوعی مینوشت؟
خودش این را رد کرد. به گفتهی او استفادهاش محدود به مرحلهی تحقیق و پیداکردن منابع بوده و آن عبارت جنجالی هم بداهه در گفتوگو گفته شده است. اما پذیرفت که همین حد از اتکا هم کافی بوده تا خطا وارد کار شود.
کدام کانالها متوقف شدند؟
کانال شخصی او (hankschannel) و دو کانال بازی واژگان روزانه با نامهای SMUSH و 4×3. مجموعه کانالهای او روی یوتیوب حدود ۳۲ میلیون مشترک دارد.
چرا مدلهای زبانی چنین خطاهایی میسازند؟
چون این مدلها پایگاه دادهی حقیقت نیستند؛ محتملترین ادامهی متن را تولید میکنند. اگر روایتی نادرست اما پرتکرار در دادههای آموزشی وجود داشته باشد، مدل همان را با لحنی کاملاً مطمئن بازگو میکند.
چطور از هوش مصنوعی امن استفاده کنیم؟
مرحلهی کشف را به مدل بسپارید و مرحلهی تأیید را به منبع اولیه. هر عدد، تاریخ و نام خاص را جداگانه راستیآزمایی کنید، منبع هر ادعا را همان لحظه ثبت کنید و در متن پایانی شفاف بگویید کجا از ابزار کمک گرفتهاید.
