هوش مصنوعی (Artificial Intelligence) شاخه‌ای از علوم کامپیوتر است؛ علم و مهندسی ساخت سیستم‌های هوشمند. مجموعه‌ای از فناوری‌های بسیار گوناگون که ماشین‌ها را قادر می‌سازد تا به درک، یادگیری و عملکردی در سطح هوش انسان برسند.

این سیستم‌ها می‌توانند سخت‌افزاری باشند، (مثل استفاده از بازوهای رُباتیک در برخی از کارهای تکراری مانند بستن بطری‌های نوشیدنی)، می‌توانند نرم‌افزاری باشند، مثل الگوریتم‌هایی که الگوها را تشخیص می‌دهند و یا ترکیبی از هر دو. (مثل، مریخ‌نوردهای خودکاری که بر اساس رویدادهای خاص تصمیماتی مستقل می‌گیرند.)

تاریخچه هوش مصنوعی

درباره نفطه آغاز پژوهش‌ها در مورد هوش مصنوعی نظرات متفاوتی وجود دارد. اما ما خوب می‌دانیم که صحبت از هوش مصنوعی بدون کامپیوتر بی‌معناست؛ بنابراین، بحث درباره تاریخچه هوش مصنوعی بدون نگاه به تاریخ رایانه‌ها کامل نخواهد بود.

تقریبا از همان سال ۱۹۴۳ که اولین کامپیوترهای الکترونیکی متولد شدند، ایده استفاده از هوش مصنوعی نیز به وجود آمد. در سال ۱۹۵۶ پژوهش‌های دانشگاهی درباره هوش مصنوعی آغاز شد. در این سال جان مک‌کارتنی برای اولین بار در یک کنفرانس علمی از اصطلاح هوش مصنوعی استفاده کرد.

از همان زمان تا اوایل دهه ۱۹۷۰، با ‍پیشرفت و تکامل زبان‌های برنامه‌نویسی در طول زمان و با استفاده از قابلیت‌های نوین برنامه‌نویسی کامپیوترها، حوزه جدیدی به نام هوش مصنوعی به‌سرعت توسعه یافت. پس از این دوران و شرکت‌ها و موسسات دولتی و نظامی علاقه زیادی به استفاده و پژوهش درباره هوش مصنوعی پیدا کردند. با توسعه سخت‌افزارهای مخصوص هوش مصنوعی در سال ۱۹۸۶ این حوزه به تجارتی چندمیلیون‌دلاری تبدیل شد.

در سال‌های بعد هوش مصنوعی عمدتا برای استفاده در بازی‌ها و مسائل توسعه پیدا کردند. در سال‌های دهه نود ربات‌هایی با استفاده از هوش مصنوعی ساخته شدند که بازی‌های کامپیوتری انجام می‌دادند. این ربات‌ها در اواخر این دهه موفق شدند بزرگترین استادان شطرنج جهان را در این بازی شکست دهند.

از سال ۲۰۱۰ محصولات بسیار متنوعی با استفاده از هوش مصنوعی ساخته شد. این محصولات اعم از نرم‌افزاری و سخت‌افزاری، توسط شرکت‌هایی مانند اپل، گوگل و مایکروسافت راه‌اندازی شد.

اهداف هوش مصنوعی

اصلی‌ترین هدف هوش مصنوعی، توسعه ماشین‌های هوشمندی است که می‌توانند به‌تنهایی یاد بگیرند.

اما به‌طورکلی اهداف هوش مصنوعی را می‌توان به چند دسته اصلی تقسیم کرد. این اهداف اتفاقا بسیار شبیه اهدافی است که از هوش انسانی انتظار می‌رود.

۱- استدلال و حل مسئله:

اولین محققان هوش مصنوعی الگوریتم‌هایی را توسعه دادند که از شیوه استدلال گام‌به‌گام که انسان‌ها هنگام حل معماها یا استنباط منطقی از آن استفاده می‌کنند، تقلید می‌کرد. استدلال در هوش مصنوعی به ماشین‌ها کمک می‌کند تا منطقی فکر کنند و عملکردهایی مانند انسان را انجام دهند.

حل مسئله یک حوزه تحقیقاتی مهم در زمینه هوش مصنوعی است که به ماشین‌ها در حل مشکلات، یافتن راه‌حل‌های منطقی و پیش‌بینی بر اساس اطلاعات و داده‌های موجود کمک می‌کند. استدلال از اساسی‌ترین قابلیت‌های هوش، اعم از انسانی یا مصنوعی است که هم انسان و هم ماشین‌ها را قادر می‌سازد تا دانشی را که تا ‍پیش‌ازاین تبیین نشده بود، تولید کنند.

۲- مهندسی دانش:

بسیاری از مشکلاتی که انتظار می‌رود ماشین‌ها حل کنند، به دانش وسیعی در مورد جهان نیاز دارند. اشیاء و روابط بین اشیاء، موقعیت‌ها، زمان و مکان، رویدادها و علل و آثارشان همه‌وهمه دانشی است که نیاز به بازنمایی دارند. مهندسی دانش در تحقیقات هوش مصنوعی امری مهم است.

هستی‌شناسی مجموعه‌ای از اشیاء و رویدادها، روابط، مفاهیم و غیره که ماشین‌ها از آنها اطلاع دارد، از اهداف هوش مصنوعی و پایه‌ای برای همه دانش‌های دیگر است.

۳- برنامه‌ریزی:

موجودات هوشمند باید قادر به تعیین اهداف و دستیابی به آنها باشند تا بتوانند آینده را ترسیم کنند. قابلیت ارائه نمایشی از وضعیت جهان که قادر به پیش‌بینی نحوه تغییر رفتارها و روندهای پیرامون آن باشد از اهداف هوش مصنوعی است. با رسیدن به این هدف می‌توان انتخاب‌هایی انجام داد که از حداکثر سودمندی برخوردارند. قابلیت برنامه‌ریزی به سیستم هوشمند کمک می‌کند تا بتواند پیش‌بینی‌های خود را ارزیابی کرده و بر اساس این ارزیابی‌ها با محیط پیرامون خود سازگار شود.

۴- یادگیری:

یادگیری توسط ماشین یکی از اساسی‌ترین مفاهیم از تحقیقات هوش مصنوعی از بدو تولد آن است. مطالعه الگوریتم‌های رایانه‌ای که عملکرد ماشین را به طور خودکار از طریق تجربه بهبود می‌دهند، از دیگر اهداف هوش مصنوعی است.

۵- هوش اجتماعی:

هوش اجتماعی ظرفیت درک دیگران و رفتار منطقی و عاطفی دررابطه‌با دیگران است. مطالعه و توسعه سیستم‌هایی که اعمال انسانی را شناسایی، تفسیر، پردازش و شبیه‌سازی کنند از اهداف هوش مصنوعی است. هوش اجتماعی حوزه‌ای بینارشته‌ای است که علوم رایانه، روان‌شناسی و علوم‌شناختی را در بر می‌گیرد.

۶- خلاقیت:

خلاقیت حوزه‌ای فرعی از هوش مصنوعی است. در هوش مصنوعی خلاقیت به‌صورت نظری از دیدگاه روان‌شناسی فلسفی مورد بررسی قرار گرفته می‌شود و به‌صورت عملی به پیاده‌سازی سیستم‌های خاص با خروجی‌های بسیار مفید منجر می‌شود.

اصلی‌ترین شاخه‌های هوش مصنوعی

کاربردهای هوش مصنوعی فراوان است. بنابراین کاربردها و همچنین کارایی‌های هوش مصنوعی، این دانش در حوزه‌های متنوعی توسعه پیدا کرده است. شاخه‌های اصلی که امروز هوش مصنوعی در آن‌ها توسعه پیدا می‌کند این حوزه‌ها هستند:

۱- سامانه‌های خبره (Experts Systems)

سامانه‌ها یا همان سیستم‌های خبره، نرم‌افزارهای هوش مصنوعی و موفق‌ترین ارائه از توانایی‌های هوش مصنوعی هستند. برنامه‌های کامپیوتری که برای حل مسائل پیچیده طراحی شده‌اند. این سیستم‌ها دانش انسانی را در پایگاه دانش خود ذخیره و برای حل مسائلی که نیازمند کارشناسی انسان هستند از آنها استفاده می‌کنند. آنها برای حل مسائلی به کار می‌روند که برایشان الگوریتمی خاص یا دانشی صریحی وجود ندارد. سیستم‌های خبره قابلیت‌های زیادی دارند. آنها در دسترس و دائمی هستند. قابلیت اطمینان بالایی دارند و قدرت تبیین و یافتن پاسخ‌های سریع و کامل را در هر حالتی دارند. آنها پایگاه تجربه هستند و به انتقال دانش نیز سهولت می‌بخشند. مطالعات نشان داده که سیستم‌های خبره، نسبت به یک کارشناس انسانی، تصمیم‌گیرنده‌های بهتری هستند. چرا که توانایی نگهداری و بازیابی داده‌های واقعی را دارند و به‌وسیله احساسات تحت تأثیر قرار نمی‌گیرند. سامانه‌های خبره در زمینه‌های متنوعی همچون پزشکی، حسابداری، منابع انسانی و … به کار می‌روند.

۲- رباتیک (Robotics)

رباتیک شاخه‌ای از هوش مصنوعی است که از مهندسی برق، مهندسی مکانیک و علوم کامپیوتر برای طراحی، ساخت و کاربرد ربات‌ها تشکیل شده است. ربات‌ها ماشین‌های قابل‌برنامه‌ریزی‌ای هستند که معمولاً قادرند مجموعه‌ای از وظایف را به‌صورت خودکار یا نیمه‌خودکار انجام دهند. آنها قابل‌برنامه‌ریزی‌اند و از طریق حسگرها و محرک‌ها با دنیای فیزیکی در ارتباط هستند. ربات‌ها دارای ساختار و فرم مکانیکی و اجزای الکتریکی هستند که ماشین‌ها را کنترل می‌کنند. آنها حاوی سطوح مختلفی از برنامه‌های کامپیوتری‌اند که تعیین می‌کنند ماشین‌ها چه چیزی را چه زمانی و چگونه انجام دهند. روبات‌ها انواع بسیار گوناگون و خاصی دارند که در حوزه‌های وسیع و مختلفی به کمک انسان می‌آیند.

۳- یادگیری ماشین (Machine Learning)

یادگیری ماشین هوشمند کردن رایانه‌هاست بدون اینکه مستقیماً به آنها یاد بدهیم چطور رفتار کنند. رایانه‌ها می‌توانند با استفاده از حجم عظیمی از داده، به طور خودکار الگوهایی تکرارشونده را بدون دخالت انسان یاد بگیرند. یادگیری این الگوریتم‌ها به تقلید از شیوه یادگیری انسان انجام می‌شود و با بیشتر شدن تجربه رایانه، به‌تدریج دقت آن هم بالاتر می‌رود. در یک حالت کلی انواع یادگیری ماشین را به سه دسته تقسیم می‌کنند:

1. یادگیری تحت نظارت
2. یادگیری بدون نظارت
3. و یادگیری تقویتی.

یادگیری ماشین در دنیای امروز کاربردهای بی‌شماری دارد. ما خیلی وقت‌ها در فعالیت‌های روزمره از کمک یادگیری ماشین استفاده می‌کنیم؛ بدون اینکه لزوماً متوجه آن‌ها باشیم. علاوه بر این‌ها یادگیری ماشین در تجارت و کسب‌وکار هم کارایی‌های زیادی دارد. بخش عمده‌ای از سرویس‌های خدمات‌رسانی شرکت‌هایی مانند نتفلیکس، فیس‌بوک و گوگل، با استفاده از یادگیری ماشین انجام می‌شود.

۴- شبکه عصبی (Neural Network)

در ساخت این شبکه‌ها، از شبکه‌های عصبی بیولوژیکی (BNN) در طبیعت الهام گرفته شد. مدل این شبکه‌ها دقیقاً ازروی مدل مغز انسان به‌صورت توابع ریاضی روی کامپیوترها پیاده‌سازی شده است. تفاوت شبکه‌های عصبی مصنوعی با برنامه‌های کلاسیک گذشته در قابلیت یادگیری است. قبلاً باید برای کامپیوترها حالت‌های مختلف پیش‌بینی می‌شد اما امروزه ارائه با دادن نمونه‌ها به هوش مصنوعی، از او می‌خواهیم در موقعیت‌های پیش‌بینی‌نشده، مثل یک انسان باتجربه عمل کند.

۵- منطق فازی (Fuzzy Logic)

رایانه‌ها دارای بلوک‌های منطقی‌ای هستند که می‌توانند ورودی‌های دقیق و مشخصی را دریافت و خروجی‌های مشخصی را هم به‌عنوان خروجی صحیح یا غلط تحویل دهند. این شیوه معادل پاسخ بله یا خیر در انسان است. اما لطفی علی‌عسکرزاده، کاشف منطق فازی یا (Fuzzy Logic) مشاهده کرد که تصمیم‌گیری در انسان این‌گونه نیست و شامل طیف وسیعی از امکانات بین بله و خیر است.

منطق فازی روشی استدلالی است که به استدلال انسان شباهت دارد. رویکرد منطق فازی از شیوه تصمیم‌گیری در انسان تقلید می‌کند که شامل تمام احتمالات میانی بین ارزش‌های دیجیتال بله و خیر می‌شود. منطق فازی در هوش مصنوعی به مقابله با عدم قطعیت در مهندسی کمک می‌کند. این شیوه ممکن است استدلال دقیقی ارائه ندهد، اما استدلال قابل قبولی ارائه می‌دهد. منطق فازی برای اهداف تجاری و عملی مفید است.

۶- پردازش زبان طبیعی (Natural Language Processing)

این حوزه یکی از شاخه‌های پراهمیت در علوم رایانه و هوش مصنوعی است. پردازش زبان‌های طبیعی بر ارتباط انسان و رایانه، متمرکز است.

هدف پردازش طبیعی درک زبان انسان‌ها توسط ماشین‌ها است. در این شیوه ماشین‌ها مانند یک کودک تازه‌متولدشده زبان را فرامی‌گیرند و در مرحله بعد از آن برای ایجاد ارتباط استفاده می‌کنند. حتماً شما هم این تکنولوژی را در دستیارهای صوتی مثل Siri و Google Assistant دیده‌اید. در ماشین‌های ترجمه انگلیسی مثل گوگل ترنسلیت، سرویس زیرنویس خودکار یوتیوب و سرویس تصحیح گرامر Gmail هم از این فناوری استفاده شده است.

انواع هوش مصنوعی؛ هوش مصنوعی محدود و عمومی

هوش مصنوعی عمومی (Artificial General Intelligence) که از آن با عنوان هوش مصنوعی قوی یا هوش مصنوعی عمیق نیز یاد می‌شود، مفهومی است که در آن ماشین از هر نظر از هوش و یا رفتارهای انسانی تقلید می‌کند و توانایی یادگیری و به‌کارگیری هوش خود را برای حل هر مشکلی دارد. هوش مصنوعی عمومی (AGI) می‌تواند به‌گونه‌ای فکر کند، بفهمد و عمل کند که در هر موقعیتی با انسان قابل تشخیص نیست.

بر خلاف هوش مصنوعی عمومی، هوش مصنوعی محدود یا ضعیف (Artificial Narrow Intelligence) نوعی از هوش مصنوعی است که می‌تواند فقط یک کار خاص را انجام دهد. سیستمی از هوش مصنوعی که فقط در یک زمینه خاص و برای انجام وظایف تخصصی قابلیت دارد. هوش مصنوعی محدود هدف‌گرا است و برای انجام کارهای منحصربه‌فرد مانند تشخیص چهره و گفتار در دستیارهای صوتی مثل Siri در iPhone یا اتومبیل‌های بدون راننده گوگل و Uber استفاده می‌شود. این فناوری در انجام‌وظیفه خاصی که برای انجام آن برنامه‌ریزی‌شده است بسیار هوشمند است. اگرچه ممکن است این ماشین‌ها هوشمند به نظر برسند، اما به دلیل اینکه در عملکرد خود محدودیت دارند، از فناوری استفاده شده در آنها تحت عنوان هوش مصنوعی محدود یاد می‌شود. این سیستم‌ها فقط می‌توانند یاد بگیرند یا به آنها آموزش داده شود تا وظایف خاصی را انجام دهند. (Narrow AI) در یک دهه گذشته پیشرفت‌های بی‌شماری را تجربه کرده است که از دستاوردهای یادگیری ماشینی و یادگیری عمیق نیز برخوردار است. برای مثال امروزه سیستم‌های هوش مصنوعی در پزشکی برای تشخیص سرطان و سایر بیماری‌ها با دقت بسیار بالایی از راه شبیه‌سازی شیوه شناخت و استدلال انسانی استفاده می‌شود.

کاربردهای هوش مصنوعی

هوش مصنوعی در جوامع امروزی کاربردهای گوناگونی دارد و در دنیای امروز امری ضروری است. زیرا می‌تواند مشکلات پیچیده انسان را با روشی کارآمد حل کند. هوش مصنوعی زندگی انسان را راحت‌تر و سرعت آن را بیشتر کرده است. در اینجا به برخی از کاربردهای هوش مصنوعی در عصر حاضر اشاره می‌کنیم.

مراقبت‌های بهداشتی:

در پنج تا ده سال گذشته، هوش مصنوعی در صنعت مراقبت‌های بهداشتی تأثیر قابل‌توجهی گذاشته و آن را ارتقاء داده است. صنایع بهداشت و درمان از هوش مصنوعی برای تشخیص‌هایی بهتر و سریع‌تر از انسان استفاده می‌کنند. با کمک هوش مصنوعی به پزشکان در تشخیص بیماری‌ها، پیش از وخامت حال بیماران به آنها کمک‌های پزشکی می‌رسانند. مثلاً الگوریتم‌های هوش مصنوعی در ساعت‌های هوشمند فعالیت‌های حیاتی فرد را برای تشخیص مشکلات قلبی و سایر اختلالات کنترل می‌کنند و حتی وخامت حال بیماران را به اورژانس گزارش می‌دهند. علاوه بر این، هوش مصنوعی به افزایش سرعت ساخت داروها و دقت در تولید آنها کمک شایانی کرده است.

خدمات مالی و بانکداری:

خدمات مالی در سه دهه گذشته از هوش مصنوعی بهره زیادی برده است. در بانکداری، هوش مصنوعی برای مدیریت و نگهداری حساب‌ها، پیش‌بینی سهام در بازار و حتی پیشگیری از تقلب و تخلفات مالی بسیار مفید بوده است. شرکت‌های بزرگ از هوش مصنوعی برای پردازش و حسابرسی دقیق معاملات خود استفاده می‌کنند.

آموزش‌وپرورش:

امروزه هوش مصنوعی دستیاری برای معلمان به‌حساب می‌آید. چت‌بات‌ها می‌توانند به‌عنوان راهبران آموزشی به‌جای معلمان با دانش‌آموزان ارتباط برقرار کنند. تکنولوژی نمره دهی خودکار نیز به کمک معلمان آمده تا آنها زمان بیشتری برای تدریس داشته باشند.

هوش مصنوعی در آینده می‌تواند یک معلم مجازی شخصی برای دانش‌آموزان باشد که در هر زمان و مکانی به‌راحتی در دسترس خواهد بود.

حمل‌ونقل:

در سال‌های اخیر استفاده از هوش مصنوعی در صنعت حمل‌ونقل و گردشگری امری بسیار متداول شده است. هوش مصنوعی قادر است کارهای مختلفی را دراین‌رابطه انجام دهد. از برنامه‌ریزی برای سفر تا پیشنهاد هتل‌ها و پروازها و نشان‌دادن بهترین مسیرها به مسافران. شرکت‌های گردشگری از چت‌بات‌های مجهز به هوش مصنوعی استفاده می‌کنند که می‌توانند برای پاسخگویی بهتر، دقیق‌تر و سریع‌تر از انسان با مشتریان تعامل و نیاز آنها را برطرف کنند.

بازی و سرگرمی:

هوش مصنوعی جزء لاینفک بازی‌های ویدئویی از زمان شروع آن در سال ۱۹۵۰ بوده است. این فناوری انقلابی در سبک بازی‌های رایانه‌ای و ویدئویی به وجود آورده است. هوش مصنوعی در بازی‌های رایانه‌ای و ویدئویی با ایجاد استراتژی‌های هیجان‌انگیزتر و بازیکنان را نسبت به این بازی‌ها متمرکزتر و علاقه‌مندتر از پیش کرده است. بازیکنان حالا حریفان جذاب‌تری دارند. موجودات باهوش‌تری که در دنیای بازی‌های خود زندگی می‌کنند و رفتارهای هوشمندانه‌تر و جالب‌تری از خود بروز می‌دهند. هدف اصلی در این صنعت این است که با مدل‌سازی رفتار انسانی از کسالت و تکرار در بازی‌ها جلوگیری شود.

مثال‌هایی برای هوش مصنوعی

ما بی‌آنکه بدانیم در زندگی روزمره خود برای انجام بسیاری از کارها از هوش مصنوعی استفاده می‌کنیم.

فیلترهای مجازی در Snapchat و اینستاگرام و قفل گوشی‌های موبایل ما که فقط با قراردادن صورتمان جلوی صفحه باز می‌شوند، چند نمونه از برنامه‌های هوش مصنوعی هستند. در مثال اول فیلترهابا کمک هوش مصنوعی متوجه می‌شوند که چشم‌های شما کدام است و بعد آن را تغییر می‌دهند. در دومی هم با استفاده از تشخیص چهره متوجه می‌شود که شما صاحب گوشی هستید و می‌توانید به آن وارد شوید.

ویرایشگرهای متن در گوشی‌های همراه و موتورهای جستجوگر نیز برای ارائه بهترین تجربه نوشتاری به هوش مصنوعی تکیه دارند. در واقع این هوش مصنوعی است که در کیبرد گوگل به شما پیشنهاد می‌کند که کلمه بعدی‌ چیست یا غلط‌های املایی‌تان را می‌گیرد. این ویرایشگران از الگوریتم NLP برای تشخیص استفاده غلط‌های دیکته‌ای و نادرست از دستور زبان استفاده می‌کنند و اصلاحاتی را پیشنهاد می‌دهند. علاوه بر تصحیح خودکار، برخی از ابزارهای نوشتاری نیز درجه خوانایی و سرقت‌های علمی را کشف می‌کنند.

شبکه‌های اجتماعی مانند فیس‌بوک، توییتر و اینستاگرام برای کارهای مختلف به‌شدت به هوش مصنوعی متکی هستند. در حال حاضر، این شبکه‌های اجتماعی از هوش مصنوعی برای شخصی‌سازی آنچه در فیدهای خود می‌بینید استفاده می‌کنند. آنها با استفاده از هوش مصنوعی علایق کاربران را شناسایی کرده و محتوای مشابهی را برای تعامل با آنها توصیه می‌کنند.

محققان همچنین مدل‌های هوش مصنوعی را برای تشخیص کلمات کلیدی، عبارات و نمادهایی که مصداق محتوای غیراخلاقی در زبان‌های مختلف هستند طراحی کرده‌اند. به‌این‌ترتیب، این الگوریتم‌ها می‌توانند به‌سرعت پست‌هایی در رسانه‌های اجتماعی را که حاوی سخنان نامناسب هستند، حذف کنند. این شبکه‌ها همچنین از فناوری تشخیص چهره برای برچسب‌گذاری خودکار عکس افراد و از فیلترهای هوشمند برای دادن پاسخ سریع به پیغام‌ها استفاده می‌کنند.

لوازم‌خانگی هوشمند در حال حاضر برای صرفه‌جویی در مصرف انرژی از برنامه‌های هوش مصنوعی استفاده می‌کنند. به‌عنوان‌مثال، ترموستات‌های هوشمند مانند Nest از عادات روزانه ما و ترجیحات ما برای گرمایش سرمایش و تنظیم دمای خانه استفاده می‌کنند. با استفاده از همین الگوریتم‌ها، یخچال‌های هوشمند می‌توانند بر اساس آنچه در قفسه‌های یخچال وجود ندارد، برای ما لیست خرید تهیه کنند. نحوه استفاده از هوش مصنوعی در لوازم‌خانگی هنوز در حال تکامل است. با یافتن راه‌حل‌های بیشتر در هوش مصنوعی رفتار و عملکرد انسان برای سریع‌تر کردن رفع نیازها و حفظ محیط‌زیست تجزیه‌وتحلیل می‌شود.

اثر هوش مصنوعی (AI effect) چیست؟

کامپیوترها و ماشین‌ها به‌مرورزمان هوشمندتر می‌شوند. اعمالی که درگذشته انجام می‌دادند به امری روزمره تبدیل شده و دیگر اعمال هوشمندی به‌حساب نمی‌آیند. به این پدیده اثر هوش مصنوعی (AI effect) می‌گویند. زمانی که یک فناوری سطحی از هوشمندی خود را از دست می‌دهد.

به‌عبارت‌دیگر، اثر هوش مصنوعی زمانی رخ می‌دهد که مردم یک ابزار فناوری را دیگر به‌عنوان یک ابزار هوش مصنوعی معتبر به‌حساب نیاورند. این امر معمولاً زمانی اتفاق می‌افتد که این فناوری به بخش گسترده‌ای از زندگی روزمره مردم تبدیل شود.

برای مثال هوش مصنوعی تشخیص چهره به‌مرورزمان به‌سادگی تبدیل به تکنولوژی تشخیص چهره می‌شود و یا چت‌بات‌های هوش مصنوعی در آینده به‌سادگی فقط چت‌بات خواهند بود.

نتیجه‌گیری

هوش مصنوعی منحصر به کارآمدی و ساده‌سازی کارهای سخت نیست. به لطف یادگیری ماشینی و یادگیری عمیق، برنامه‌های هوش مصنوعی می‌توانند از نتایج داده‌ها در زمان واقعی آموزش ببینید، اطلاعات جدید را از منابع مختلف تجزیه‌وتحلیل کنند و بر اساس آن با سطح دقت بالایی که برای کسب‌وکارها ارزشمند است، سازگار شوند. این توانایی برای خودآموزی و بهینه‌سازی خود به این معنی است که هوش مصنوعی در آینده برای کسب‌وکارها مزایای با ارزشی می‌آفریند. به‌این‌ترتیب، هوش مصنوعی به کسب‌وکارها کمک می‌کند تا بتوانند با سرعت بالا و جریانی منظم، نوآوری و مزیت‌های رقابتی خود را گفته کنند.

پیش‌بینی‌ها نشان می‌دهد که اگر سازمان‌ها، دولت‌ها و کسب‌وکارها تا پنج سال آینده فناوری‌های خود را در زمینه هوش مصنوعی افزایش ندهند در خطر جدی قرار می‌گیرند.

شاید همین ده سال پیش برای بسیاری، تصور اینکه ماشین‌ها بتوانند یاد بگیرند و هر بار کارشان را بهتر از قبل انجام دهند هم ممکن نبود. بسیاری از تکنولوژی‌هایی که امروز از آن‌ها استفاده می‌کنیم یا در دنیای اطراف ما وجود دارند چند سال پیش تنها در کتاب‌های علمی – تخیلی موجود بودند.

تحقق بسیاری از رؤیاهای کتاب‌های علمی و تخیلی در این روزها مدیون هوش مصنوعی و یادگیری عمیق است؛ ماشین‌هایی که بدون راننده حرکت می‌کنند، ربات‌هایی که جواب‌های منطقی به حرف‌های آدم می‌دهند و دستگاه‌هایی که از روی چهره آدم‌ها را می‌شناسند.

در این مقاله از یادگیری عمیق، تاریخچه و کاربردهایش با شما حرف می‌زنیم. اول‌ازهمه ببینیم یادگیری عمیق چیست؟

یادگیری عمیق چیست؟

به‌صورت خلاصه تعریف یادگیری عمیق را می‌توان این‌گونه بیان کرد:

روش‌هایی از یادگیری ماشین بر پایه استفاده از شبکه‌های عصبی عمیق که از داده‌های موجود برای محاسبه رفتارها و خروجی‌های آینده استفاده می‌کند.

اگر به این تعریف نگاه کنیم می‌فهمیم که در واقع یادگیری عمیق یکی از روش‌های یادگیری ماشین است. در این روش ماشین‌ها یاد می‌گیرند که بر اساس مدل‌هایی شبیه شبکه‌های عصبی مغز انسان مفاهیم سطح بالا و انتزاعی را یاد بگیرند. استفاده از یادگیری عمیق کمک می‌کند که ماشین‌ها بتوانند تصمیم‌هایی شبیه تصمیم‌های انسانی بگیرند.

در یادگیری عمیق از چند لایه مختلف شبکه عصبی استفاده می‌شود. هرکدام از این لایه‌ها بخش‌هایی از اطلاعات ورودی را تحلیل می‌کنند. این لایه‌های چندگانه امکان پیش‌بینی را در یادگیری عمیق افزایش می‌دهند. تعداد این لایه‌های گاهی می‌تواند تا ۱۵۰ لایه برسد.

روش‌های یادگیری عمیق

در یادگیری عمیق از روش‌های متفاوتی استفاده می‌شود. این روش‌ها بسته به کاربردهای متفاوت یادگیری عمیق و نوع داده‌های ورودی و خروجی موردنیاز انتخاب می‌شود. از میان این انواع یادگیری عمیق ما چند شیوه بسیار مرسوم را در اینجا معرفی می‌کنیم.

شبکه‌های عصبی کلاسیک (Classic Neural Networks)

به این روش «شبکه عصبی کاملاً متصل» هم گفته می‌شود. این روش توسط فرانک روزنبلات و در سال ۱۹۵۸ ابداع شد. این روش را با پرسپترون‌های چندلایه می‌شناسیم. پرسپترون جایی است که این لایه‌های به یک لایه پیوسته متصل می‌شود.

شبکه‌های عصبی پیچشی (Convolutional Neural Networks)

این روش بیشتر از شبکه عصبی چشم گربه الهام گرفته است و بیشتر برای تحلیل داده‌های تصویری استفاده می‌شود. این الگوریتم یادگیری عمیق تصاویر ورودی را دریافت می‌کند و به هر یک از اشیا یا جنبه‌های موجود در تصویر وزن‌های قابل یادگیری می‌دهد. به این معنا که مشخص می‌کند هر کدام از اطلاعات موجود در آن تصویر چه قدر مهم است. این الگوریتم می‌تواند هرکدام از چیزهای موجود در تصویر را از هم متمایز کند.

شبکه‌های عصبی برگشتی (Recurrent Neural Networks)

یکی از مهم‌ترین کاربردهای این روش یادگیری ماشین، در نرم‌افزارهای تشخیص گفتار است. مهم‌ترین ویژگی این روش این است که یک حلقه بازگشتی دارد. این حلقه بازگشتی با استفاده از حافظه داخلی باعث می‌شود اطلاعاتی را که از لحظات قبلی به دست آمده در شبکه باقی بمانند.

رمزگذار خودکار (Auto Encoders)

این روش یکی از پرکاربردترین روش‌های یادگیری عمیق است. در این روش یک شبکه عصبی به شکلی آموزش داده می‌شود که بتواند ورودی‌های خود را بازتولید کند. از این روش در بازسازی تصاویر، رنگی کردن تصاویر سیاه‌وسفید، رفع نویز از تصاویر، کاهش ابعاد تصاویر استفاده می‌شود.

کاربرد یادگیری عمیق

یادگیری عمیق در بسیاری از چیزهایی که ما به طور روزمره از آن‌ها استفاده می‌کنیم کاربرد دارد. بسیاری از ابزارهای هوشمند، ربات‌ها، سامانه‌های توصیه‌گر و … از فناوری‌های یادگیری عمیق استفاده می‌کنند. در معرفی روش‌های یادگیری عمیق به برخی از کاربردهای این موضوع اشاره کردیم. در ادامه برخی از مشهورترین کاربردهای یادگیری عمیق را معرفی می‌کنیم.

• دستیارهای صوتی: الکسا، سیری، گوگل اسیستنت و سایر دستیارهای صوتی‌ای که به طور روزمره از آن‌ها استفاده می‌کنیم از یادگیری عمیق برای درک بهتر دستورات انسان استفاده می‌کنند.
• ترجمه: زیرنویس‌های خودکار ترجمه فیس‌بوک، تا نرم‌افزارهای ترجمه هم‌زمان و ابزارهای ترجمه‌ای مثل گوگل ترنسلیت همه از روش‌های یادگیری عمیق استفاده می‌کنند.
• پهپادها و ماشین‌های خودران: پهپادهای خودران و یا ماشین‌های بدون راننده با استفاده از سنسورهایی محیط اطرافشان را می‌بینند. آن‌ها برای اینکه بر اساس این مشاهدات تصمیم درست را بگیرند از یادگیری عمیق استفاده می‌کنند.
• بات‌های چت: در بسیاری از گفتگوهایی که روزانه با وب‌سایت‌ها یا خدمات‌دهندگان اینترنتی انجام می‌دهیم یک بات پاسخگوی ماست. این بات‌ها با فناوری یادگیری عمیق کار می‌کنند.
• تشخیص چهره: کامپیوترها امروز چهره ما را به‌خوبی می‌شناسند، آن‌قدر که می‌توانیم با نشان‌دادن صورتمان قفل تلفن همراه را باز کنیم یا حتی حساب بانکی باز کنیم. این فناوری‌های تشخیص چهره به کمک یادگیری عمیق کار می‌کنند.
• سامانه‌های توصیه‌گر: این سامانه‌ها موقعی که مشغول خرید اینترنتی هستید به شما محصولاتی را پیشنهاد می‌دهند که دوستشان دارید یا به آن‌ها احتیاج دارید. این سامانه‌ها با کمک یادگیری عمیق این توانایی را پیدا می‌کنند.
• توصیف عکس: افراد نابینا و کم‌بینا از نرم‌افزارهایی استفاده می‌کنند که عکس‌ها را برای آن‌ها توصیف می‌کنند. یادگیری عمیق باعث می‌شود این نرم‌افزارها بتوانند تصاویر را به‌دقت برای انسان‌ها توضیح دهند.
• ویدئوهای تقلبی (Deepfake): این‌ها یکی از پردردسرترین کاربردها یادگیری عمیق هستند. در این ویدئوها تصویر افراد عمدتاً مشهور و لحن صدای آن‌ها به طور کاملاً تقلبی بازسازی می‌شود.

یادگیری عمیق چه تفاوتی با یادگیری ماشین دارد؟

پاسخ به این سؤال می‌تواند بسیار ساده و هم‌زمان بسیار پیچیده باشد. ممکن است پاسخ‌ها به این سؤال به نظر پیش‌پاافتاده و بدیهی بیایند. اما یادگیری ماشین و یادگیری عمیق شباهت‌ها و تفاوت‌های مهمی دارند که در ادامه درباره آن‌ها حرف می‌زنیم.

اول‌ازهمه باید بگوییم که این دو کاملاً چیزهای متضادی از هم نیستند. در واقع یادگیری عمیق یکی از روش‌های یادگیری ماشین است. اما این روش با روش‌های معمول یادگیری ماشین تفاوت‌های مهمی دارد که باعث می‌شود یادگیری عمیق را به‌عنوان دانشی جداگانه بشناسیم.

به‌عنوان اولین تفاوت میان این دو می‌توان به این نکته اشاره کرد که یادگیری ماشین در واقع روش‌هایی است که ماشین‌ها از طریق آن‌ها می‌توانند کارها را بدون دخالت انسان انجام دهند. اما یادگیری عمیق در مور داین است که بتوانیم کامپیوترها را آموزش دهیم که با مدلی شبیه مغز انسان عمل کنند. به زبان دیگر همان‌طور که از اسمش برمی‌آید یادگیری عمیق، کامپیوترها میزان یادگیری عمیق‌تری از روش یادگیری ماشین خواهند داشت.

تفاوت مهم دیگر بین یادگیری ماشین و یادگیری عمیق تفاوت در مقیاس‌هاست. یادگیری ماشین معمولاً با تعداد محدودی داده هم کار می‌کند. اما یادگیری عمیق نیاز به حجم انبوهی از داده دارد. به همین دلیل هم یادگیری ماشین با ابزارهای معمول قابل انجام است اما یادگیری عمیق نیاز به منابع فراوانی برای ذخیره و تحلیل داده‌ها دارد.

این دو در کاربرد هم تفاوت دارند. یادگیری ماشین معمولاً به‌سختی می‌تواند تصاویر و ویدئوها را تحلیل کند اما یکی از مهم‌ترین کاربردهای یادگیری عمیق تحلیل تصاویر است. تفاوت دیگر در زمینه داده‌های ورودی هم مربوط به ساختاریافته یا نیافته بودن داده‌هاست. داده‌های مورداستفاده در یادگیری ماشین معمولاً داده‌های ساختاریافته‌اند اما در یادگیری عمیق عموماً از داده‌های غیرساختاریافته استفاده می‌شود.

جمع‌بندی

یادگیری ماشین از جمله دانش‌هایی است که زندگی و دنیای کسب‌وکار را تا حد زیادی در دوران ما دگرگون کرده است. در میان این دگرگونی‌ها یادگیری عمیق روشی انقلابی محسوب می‌شود. اگر یادگیری ماشین می‌تواند کاری کند که ماشین‌ها بتوانند به‌خوبی انسان‌ها کار کنند، یادگیری عمیق ابزاری در دست انسان‌هاست که می‌تواند کارها را بهتر از آن‌ها انجام دهد.

در این مقاله، کلیتون کریستینسن معمار تئوری «تخریب برهم‌زننده» و همكارانش برخی از برداشت‌های نادرست از این الگو را اصلاح می‌كنند و چگونگی تکامل نظرات در رابطه با این موضوع را توصیف و درباره سودمندی این نظریه بحث می‌كنند. آنها با تبیین این امر که تخریب بن‌افکن در معنای کلاسیک مشتمل بر چیست، بحث خود را آغاز می‌کنند، یک شرکت کوچک با پیشنهادی بدیع اما متواضعانه مشتریانی را که مورد بی‌توجهی قرار گرفته‌اند، هدف قرار می‌دهد و به‌تدریج به لایه‌های فوقانی بازار پیش می‌رود تا در نهایت رهبران صنعت را به چالش بکشد. آنها خاطرنشان می‌كنند كه «اوبر» Uber، كه معمولاً به‌عنوان یك نمونه موفق تخریب بن‌افکن شناخته می‌شود، در واقع متناسب با این قالب تعریف‌شده نیست. نویسندگان این مقاله توضیح می‌دهند كه اگر مدیران تفاوت‌های ظریف موجود در مفهوم تئوری تخریب بن‌افکن را نفهمند یا اصول بنیادی آن را به‌درستی اعمال نكنند، ممكن است انتخاب‌های استراتژیك مناسبی نداشته باشند. اشتباهات رایج، به‌گفته نویسندگان، شامل عدم مشاهده تخریب بن‌افکن به‌عنوان یک روند تدریجی (که ممکن است باعث شود شرکت‌ها به‌واسطه آن از تهدیدهای قابل توجه چشم‌پوشی کنند) و پذیرش کورکورانه شعار «برهم‌زننده باش، یا تخریب شو» است (که ممکن است در هنگام تلاش برای مواجهه با رقبای برهم‌زننده در بازار، منجر به گرفتن تصمیماتی شود که کسب‌وکارهایی با عملکرد مناسب را در معرض خطر نابودی قرار دهد). نویسندگان مقاله بر این اعتقادند که نظریه تخریب بن‌افکن محدودیت‌های مشخصی دارد. اما آنها اطمینان دارند که با ادامه تحقیقات، ظرفیت توجیه و پیش‌بینی‌پذیری نظریه بهبود خواهد یافت. نظریه نوآوری برهم‌زننده، که در سال 1995 ارائه شد، به‌عنوان یک روش قدرتمند برای تفکر درباره رشد مبتنی بر نوآوری تثبیت شده است. بسیاری از رهبران شرکت‌های کوچک و کارآفرین، آن را به‌عنوان ستاره راهنمای خود قلمداد می‌کنند. همچنین بسیاری از مدیران در سازمان‌های بزرگ و جاافتاده، از جمله اینتل، دانشگاه نیوهمپشایر جنوبی و سیلز فورس از این مدل تمجید کرده‌اند. متأسفانه، نظریه تخریب بن‌افکن در خطر تبدیل شدن به قربانی موفقیت خود است. با وجود انتشار گسترده، مفاهیم اصلی این نظریه به‌طرزی گسترده دچار سوء برداشت شده و اصول بنیادین آن پیاپی مورد سوء استفاده قرار گرفته است. علاوه بر این، به نظر می‌رسد اصلاحات مورد نیاز اساسی در این نظریه، طی بیست سال گذشته زیر نفوذ محبوبیت صورتبندی اولیه آن قرار گرفته است. در نتیجه، گاه به دلیل کاستی‌هایی که پیشتر درباره این نظریه مطرح شده است، از آن انتقاد می‌شود. یک نگرانی جدی دیگر نیز وجود دارد: براساس تجربه ما، افراد زیادی که از «تخریب بن‌افکن» صحبت می‌کنند، مطالعه کافی در این باره ندارند؛ این افراد اغلب اوقات این اصطلاح را آزادانه به‌کار می‌برند تا به مفهوم نوآوری در حمایت از هر کاری استناد کنند که قصد انجام آن را دارند. بسیاری از محققان، نویسندگان و مشاوران از «نوآوری برهم‌زننده» برای توصیف هر گونه شرایطی استفاده می‌کنند که یک صنعت متزلزل‌شده و گمانه‌های پیشین موفق در آن به چالش کشیده شده‌اند. اما چنین روشی برای استفاده از این نظریه، بسیار گسترده‌تر از حد قابل قبول است.

مشکل اطلاق مفهوم نوآوری برهم‌زننده به هر پیشرفت غیرمنتظره‌ای که الگوی رقابتی یک صنعت را تغییر داده، این است که انواع گوناگون نوآوری به رویکردهای استراتژیک گوناگونی نیاز دارند. به بیان دیگر، درس‌هایی که درباره موفقیت به‌عنوان یک شرکت نوآور برهم‌زننده (یا دفاع در برابر یک رقیب برهم‌زننده در بازار) آموخته‌ایم، برای هر شرکتی در بازاری که در حال تغییر است، کاربرد نخواهد داشت. اگر نظام فکری ما با برچسب‌ها و اطلاق‌هایی که به کسب‌وکارها می‌زنیم، آشفته شود یا نتوانیم بینش حاصل از پژوهش‌ها و تجربه‌های بعدی را در تئوری اصلی ادغام کنیم، در نتیجه ممکن است مدیران در نهایت از ابزارهای نامناسب برای تصمیمات خود استفاده کنند و شانس موفقیت خود را کاهش دهند. چنین رویکردی منجر به تضعیف سودمندی این نظریه در گذر زمان خواهد شد. در این مقاله تلاش شده تا بینشی مطلوب در این زمینه ایجاد شود. تحقیق این مقاله با کاوش در اصول اساسی نوآوری برهم‌زننده و بررسی اینکه آیا این موارد برای شرکتی همچون «اوبر» صدق می‌کند یا نه، شروع شده است. سپس به برخی از مشکلات رایج در این نظریه، چگونگی پیدایش آنها و نحوه کاربری صحیح این نظریه اشاره می‌شود. در ادامه به دنبال یافتن نقاط عطف مهم در تکامل تفکر و بینش موجود در رابطه با این نظریه هستیم و به‌عنوان نتیجه‌گیری، نشان می‌دهیم که چگونه می‌توان پیش‌بینی کرد که کدام کسب‌وکارها با به‌کارگیری این مدل، رشد خواهند کرد.

اول، یک جمع بندی سریع از ایده: «تخریب بن‌افکن» فرایندی را توصیف می‌کند که طی آن یک شرکت کوچک‌تر با منابع کمتر، قادر است موفقیت کسب‌وکارهای مسلط بر بازار را به چالش بکشد. به طور خاص، از آنجا که بازیگران اصلی بازار بر بهبود محصولات و خدمات خود برای تأمین تقاضای بزرگ‌ترین (و اغلب سودآورترین) مشتریان خود متمرکز هستند، از نیاز واقعی برخی از بخش‌های مشتریان فراتر می‌روند و نیازمندی بخش‌های دیگر را نادیده می‌گیرند. شركت‌‌های تازه‌واردی كه می‌خواهند تخریب بن‌افکن ایجاد ‌كنند، با هدف قرار دادن موفقیت‌آمیز نیازمندی بخش‌هایی از مشتریان كه نادیده گرفته شده‌اند، ضمن ارائه كارایی بیشتر -و اغلب با قیمت پایین‌تر- جایگاه خود را در بازار به دست می‌آورند. رقبای فعلی، با دنبال کردن سودآوری بالاتر در بخش‌هایی از بازار که تقاضای بیشتری در آن وجود دارد، تمایل به واکنش شدید به این شرکت‌های تازه‌وارد ندارند. سپس شرکت‌های برهم‌زننده، با حفظ مزایایی که موفقیت اولیه آنها را به همراه داشته است، به سمت لایه‌های فوقانی بازار حرکت می‌کنند و عملکردی را که مشتریان اصلی آن بخش از بازار به آن نیاز دارند، ارائه می‌کنند. هنگامی که مشتریان اصلی بازار که مهم‌ترین منبع درآمدی شرکت‌های بزرگ و مسلط بر بازار هستند، شروع به به‌کارگیری خدمات و محصولات شرکت برهم‌زننده می‌کنند، تخریب بن‌افکن رخ می‌دهد.

مدل نوآوری برهم‌زننده

در نمودار بالا، نحوه تقابل روند تغییر عملکرد محصول (نمودار قرمزرنگ، روند بهبود محصولات و خدمات را در طول زمان نشان می‌دهد) و روند تغییر تقاضای مشتریان (نمودارهای آبی‌رنگ، روند تغییر عملکرد مطلوب از نظر مشتریان را در بازار نشان می‌دهد) به تصویر کشیده است. زمانی که شرکت‌های مسلط بر بازار، خدمت یا محصولی باکیفیت (نمودار قرمزرنگ بالا) در بازار عرضه می‌کنند، تا نیازمندی بالادست بازار (جایی که بیشینه میزان سودآوری در آن وجود دارد) را تأمین کنند، از نیازمندی بخش‌های پایین‌دست و بدنه اصلی بازار فراتر می‌روند. این مسئله فرصتی برای شرکت‌های تازه‌وارد ایجاد می‌کند تا جایگاهی کم‌سودتر را با هدف قرار دادن بخش پایین‌دست بازار برای خود ایجاد کنند. شرکت‌های تازه‌وارد با حرکت بر خطر روند برهم‌زننده (نمودار قرمز رنگ پایین)، به‌تدریج عملکرد محصولات خود را بهبود می‌دهند و به لایه‌های بالایی بازار وارد می‌شوند که بیشینه سود قابل استحصال برای آنها وجود دارد و در این مسیر، شرکت‌های مسلط بر بازار را به چالش می‌کشند.

آیا اوبر یک نوآوری برهم‌زننده است؟

بیایید اوبر، یک شرکت حمل‌ونقل نوآور، را در نظر بگیریم که اپلیکیشن آن مشتریانی را که نیاز به دریافت خدمات حمل‌ونقل دارند به رانندگانی که مایل به عرضه این خدمات هستند، ارتباط می‌دهد. این شرکت در سال 2009 تأسیس شده و از رشد خارق‌العاده‌ای برخوردار بوده است (در صدها شهر از شصت کشور جهان فعالیت می‌کند و همچنان در حال گسترش است). اوبر موفقیت مالی فوق‌العاده‌ای را تجربه کرده است (در آخرین دور تأمین مالی انجام‌شده در شرکت اوبر، ارزشگذاری آن بالغ بر50 میلیارد دلار بوده است). تعداد زیادی کسب‌وکار مشابه، براساس مدل کسب‌وکاری آن ایجاد شده است (دیگر شرکت‌های نوپا در تلاش‌اند تا از مدل کسب‌وکاری «ایجاد بازار» اوبر تقلید کنند). اوبر به‌وضوح کسب‌وکار تاکسیرانی در ایالات متحد را متحول کرده است، اما آیا این کار تخریب بن‌افکن در کسب‌وکار تاکسیرانی است؟ طبق این نظریه، جواب منفی است. دستاوردهای مالی و استراتژیک اوبر، این شرکت را حائز جایگاه یک شرکت برهم‌زننده در بازار حمل‌ونقل نمی‌کند – اگرچه این شرکت تقریباً همیشه به این ترتیب توصیف می‌شود. دو دلیل مشخص برای عدم تناسب عنوان بر‌هم‌زنندگی برای شرکت اوبر وجود دارد.

نوآوری‌های برهم‌زننده از بخش‌های پایین‌دست بازار یا بازارهای جدید سرچشمه می‌گیرند

نوآوری‌های برهم‌زننده در دو نوع بازاری شروع می‌شوند که بازیگران اصلی صنعت از آن چشم‌پوشی می‌کنند. بخش‌های پایین‌دست بازار، با توجه به اینکه بازیگران اصلی معمولاً تلاش می‌کنند با ارائه محصولات و خدمات بهبودیافته خود، سودآورترین و پرتقاضاترین بخش‌های مشتریان را جذب کنند و توجه کمتری به پایین‌دست بازار و مشتریان کم‌تقاضا دارند. در حقیقت، پیشنهادهای بازیگران اصلی اغلب الزامات عملکردی مورد نیاز بخش کم‌تقاضای بازار را پشت سر می‌گذارد. این امر دریچه‌ای را برای شرکت برهم‌زننده ایجاد می‎‌کند تا به ارائه محصول «به‌اندازه کافی خوب» به مشتریان پایین‌دست بازار دست پیدا کند. در مورد بازارهای جدید، شرکت‌های برهم‌زننده بازاری را ایجاد می‌کنند که پیش‌تر وجود نداشته است. به بیان ساده، آنها راهی برای تبدیل غیرمصرف‌کنندگان بازار به مصرف‌کنندگان می‌یابند. برای مثال، «زیراکس» در روزهای ابتدایی ایجاد فناوری کپی‌برداری، مشتریان و شرکت‌های بزرگ را هدف قرار داد و قیمت‌های بالایی را برای تأمین عملکرد مد نظر آن بخش از مشتریان دریافت کرد. کتابداران مدارس، اپراتورهای لیگ بولینگ و دیگر مشتریان کوچک، با قیمت بسیار نازل، با ماشین‌های کاغذ کربنی یا میموگراف کار می‌کردند. سپس در اواخر دهه 1970، برهم‌زنندگان جدید بازار، دستگاه‌های کپی شخصی را تولید کردند و یک راه حل مقرون به صرفه برای افراد و سازمان‌های کوچک ارائه دادند و بدین شکل بازار جدیدی ایجاد شد. از این نقطه آغاز نسبتاً سطح پایین، سازندگان دستگاه‌های فتوکپی شخصی به‌تدریج موقعیت غالب را در بازار اصلی دستگاه‌های فتوکپی تصاحب کردند که اتفاقاً زیراکس برای آن ارزش قائل بود.

بر اساس تعریف موجود، یک نوآوری برهم‌زننده از یکی از این دو مسیر شروع می‌شود. اما اوبر منشأ هیچ یک نبوده است. دشوار است ادعا کنیم که این شرکت، یک فرصت کم‌قیمت را پیدا کرده است: این بدان معناست که ارائه‌دهندگان خدمات تاکسی با ساختن تاکسی‌های بسیار زیاد، با کابین بسیار لوکس و تمیز، نیازمندی تعداد زیادی از مشتریان را بیش از حد برآورده می‌کردند. اوبر در درجه اول غیر مصرف‌کنندگان را نیز هدف قرار نداد – افرادی که گزینه‌های موجود را بسیار گرانقیمت یا ناخوشایند می‌دانستند، به‌طوری که از حمل‌ونقل عمومی استفاده می‌کردند یا به‌جای آن سوار خودروی شخصی خود می‌شدند. اوبر در سانفرانسیسکو (یک بازار خوب کسب‌وکار تاکسیرانی) راه‌‎اندازی شد و مشتریان اوبر اغلب افرادی بودند که پیشتر از خدمت کرایه خدمات حمل‌ونقل استفاده می‌کردند. بی‌شک، اوبر تقاضای کل را افزایش داده است – این همان اتفاقی است که رخ خواهد داد، زمانی که یک راه‌حل بهتر و کم‌هزینه‌تر برای نیاز گسترده مشتری ایجاد شود. اما شرکت‌های بر‌هم‌زننده با هدف قرار دادن مشتریان پایین‌دست بازار و غیرمصرف‌کنندگان، فعالیت خود را در بازار شروع و سپس به بخش‌های اصلی بازار حرکت می‌کنند. اوبر دقیقاً در جهت مخالف حرکت کرده است: ابتدا برای خود به ایجاد موقعیت در بازار اصلی پرداخته و در پی آن به بخش‌هایی که از نظر تاریخی نادیده گرفته شده‌اند، وارد شده است.

شرکت‌های برهم‌زننده تا زمانی که کیفیت آنها به استانداردهای سطح بالای بازار نرسد، مورد توجه مشتریان اصلی قرار نمی‌گیرند

نظریه تخریب بن‌افکن، نوآوری‌های برهم‌زننده را از آنچه «نوآوری‌های پایدار» نامیده می‌شود، متمایز می‌کند. نوآوری‌های پایدار، محصولات خوب را از نظر مشتریان فعلی بازار، بهتر می‌کند: تیغه پنجم تیغ، تصویر تلویزیون واضح‌تر، آنتن‌دهی بهتر تلفن همراه. این پیشرفت‌ها می‌تواند پیشرفت‌های فزاینده یا پیشرفت‌های عمده تلقی شوند، اما همه این نوآوری‌ها شرکت‌ها را قادر می‌سازند تا محصولات بیشتری را به سودآورترین مشتریان خود بفروشند. از سوی دیگر، نوآوری‌های برهم‌زننده در ابتدا توسط بسیاری از مشتریان فعلی کم‌ارزش تلقی می‌شوند. به طور معمول، مشتریان فقط به دلیل ارزان‌تر بودن محصول یا خدمت تمایل به سوئیچ کردن ندارند. در عوض، آنها صبر می‌کنند تا کیفیت محصول یا خدمت به اندازه کافی بالا رود تا سطح مطلوب آنها را کسب کند. زمانی که این اتفاق افتاد، آنها محصول جدید را که قیمت پایین‌تری نیز دارد، انتخاب خواهند کرد. این گونه است که تخریب بن‌افکن قیمت‌ها را در بازار پایین می‌آورد. به‌نظر می‌رسد بیشتر عناصر استراتژی اوبر نوآوری‌های موجود را حفظ می‌کند. کیفیت خدمات اوبر به‌ندرت از تاکسی‌های موجود پایین‌تر توصیف شده است. در واقع، بسیاری می‌گویند کیفیت خدمات اوبر از تاکسی‌های عادی بهتر است. رزرو خودرو تنها به چند کلیک روی تلفن هوشمند نیاز دارد. پرداخت، غیرنقدی و راحت است و مسافران می‌توانند پس از آن به کیفیت خدمت ارائه‌شده امتیاز دهند که به اطمینان از تضمین استانداردهای بالا در ارائه خدمت کمک می‌کند. علاوه بر این، اوبر خدمات را به شیوه‌ای اطمینان‌بخش و دقیق ارائه می‌دهد و قیمت‌گذاری آن معمولاً با خدمات تاکسی (یا حتی کمتر از آن) قابل رقابت است. همان‌طور که معمولاً وقتی بازیگران اصلی بازار با تهدیدهای ناشی از مدل‌های کسب‌وکاری مبتنی بر نوآوری پایدار روبه‌رو می‌شوند، بسیاری از شرکت‌های تاکسیرانی انگیزه دارند که به شرایط موجود پاسخ دهند. آنها در حال استفاده از فناوری‌های رقابتی مانند اپلیکشن‌های کرایه خودرو و به چالش کشیدن قانونی بودن برخی از خدمات اوبر هستند.

چرا تصحیح مفهوم نوآوری برهم‌زننده موضوع مهمی است؟

خوانندگان هنوز ممکن است پرسش بالا را داشته باشند؛ چرا مهم است که ما از چه کلماتی برای توصیف اوبر استفاده می‌کنیم؟ بی‌شک، این شرکت صنعت تاکسی را به‌هم ریخته است: آیا این عبارت «برهم‌زننده» برایش کافی نیست؟ خیر. به‌کار بردن صحیح نظریه برای درک مزایای آن ضروری است. برای مثال، رقبای کوچکی که به احتمال زیاد در حاشیه کسب‌وکار و بازار شما فعالیت می‌کنند، باید نادیده گرفته شوند – مگر آنکه در یک مسیر برهم‌زننده قرار بگیرند، در این صورت آنها یک تهدید بالقوه هستند و هر دوی این چالش‌ها تفاوتی بنیادین با تلاش رقبا برای جلب مشتریان اصلی شما دارند. همان‌طور که مثال اوبر نشان می‌دهد‌، شناسایی نوآوری برهم‌زننده واقعی بسیار مشکل است. با این حال، حتی مدیرانی که درک مناسبی از نظریه تخریب بن‌افکن دارند، در هنگام تصمیم‌گیری‌های راهبردی خود تمایل دارند برخی از جنبه‌های ظریف آن را فراموش کنند. از این منظر، چهار نکته مهم که اغلب در تفسیر این موضوع نادیده گرفته یا دچار سوء برداشت می‌شوند، قابل طرح است:

1. تخریب بن‌افکن یک روند است

اصطلاح «نوآوری برهم‌زننده»، هنگامی گمراه‌کننده است که به‌جای اینکه به تکامل آن محصول یا خدمات در طول زمان بپردازد، در یک نقطه ثابت بر محصول یا خدمات تمرکز دارد. اولین رایانه‌های کوچک، برهم‌زننده بودند؛ نه فقط به این دلیل که هنگام ظهور در بازار از بخش‌های پایین‌دست به بازار وارد شده‌ بودند و بعدها در بسیاری از بازارها برتر از رایانه‌های mainframe شناخته می‌شدند، بلکه به‌واسطه مسیری که از حاشیه به جریان اصلی بازار طی کردند، تخریب بن‌افکن محسوب می‌شوند.

بیشتر نوآوری‌ها -چه برهم‌زننده باشه و چه نباشند- ظهور خود را در قالب یک آزمایش در مقیاس کوچک آغاز می‌کنند. شرکت‌های برهم‌زننده تمایل دارند به‌جای تمرکز صرف بر روی بهبود محصول، مدل کسب‌وکاری موجود را اصلاح کنند. هنگامی که آنها در تحقق این امر موفق می‌شوند، حرکت آنها از حاشیه (پایین‌دست بازار یا بازار جدید) به بخش اصلی بازار آغاز می‌شود و ابتدا سهم بازار رقبای فعلی را تضعیف می‌کنند و سپس سودآوری آنها را از بین می‌برند. این فرایند ممکن است زمانبر باشد و بازیگران اصلی بازار می‌توانند در دفاع از حریم بازار خود کاملاً خلاقانه عمل کنند. برای مثال، تقریباً پنجاه سال پس از افتتاح اولین فروشگاه تخفیف‌محور، شرکت‌های اصلی خرده‌فروشی هنوز هم فرایندهای سنتی کسب‌وکاری خود را اجرا می‌کنند. جایگزینی کامل، حتی اگر اصلاً اتفاق بیفتد، ممکن است دهه‌ها به طول انجامد، زیرا سود افزایشی و تدریجی تثبیت مدل قدیمی برای یک سال دیگر از سود ناشی از فروش دارایی‌ها در یک لحظه بیشتر است. این واقعیت که ایجاد تخریب بن‌افکن نیازمند زمان است، به توضیح این نکته می‌پردازد که چرا بازیگران اصلی غالباً رقبای برهم‌زننده را دست کم می‌گیرند. برای مثال، هنگامی که Netflix در سال 1997 راه‌اندازی شد، خدمات اولیه آن برای بیشتر مشتریان Blockbuster، که فیلم‌ها (به طور معمول نسخه‌های جدید) را اجاره می‌کردند، جذاب نبود. Netflix به‌طور انحصاری وب‌سایت آنلاین و موجودی زیادی از فیلم و محتوای ویدیویی در اختیار داشت، اما تحویل از طریق ایمیل در ایالات متحد به معنای این بود که فرایند انتخاب‌ و ارسال، چندین روز به طول خواهد انجامید. این سرویس فقط برای چند گروه مشتری جذاب بود: علاقه‌مندان به فیلم که به نسخه‌های جدید اهمیتی نمی‌دهند، کاربران فناوری‌محور که اولین کاربران سیستم‌های پخش DVD خانگی بودند، و خریداران آنلاین. اگر Netflix سرانجام ارائه خدمت به بخش گسترده‌تری از بازار را شروع نمی‌کرد، تصمیم Blockbuster برای نادیده گرفتن این رقیب تازه‌وارد، خطای راهبردی محسوب نمی‌شد؛ چرا که دو شرکت نیازهای بسیار متفاوتی را برای مشتریان (متفاوت) خود تأمین می‌کردند.

از آنجا که ایجاد تخریب بن‌افکن ممکن است به زمان نیاز داشته باشد، بازیگران اصلی بازار اغلب رقبای برهم‌زننده خود را نادیده می‌گیرند با این حال، از آنجا که فناوری‌های جدید به Netflix اجازه می‌داد تا به پخش ویدیو بر بستر اینترنت بپردازد، این شرکت در نهایت مورد توجه مشتریان اصلی Blockbuster قرار گرفت و محتوای متنوعی را با رویکردی مبنتی بر تقاضای کاربر، قیمت پایین، کیفیت بالا و کاربری آسان ارائه کرد. Netflix از طریق یک مسیر برهم‌زننده کلاسیک به این جایگاه رسید. اگر Netflix همانندUber با راه‌اندازی سرویسی، بازار هدف اصلی رقبا مسلط بر بازار را مورد تهاجم قرار می‌داد، احتمالاً پاسخ Blockbuster یک ضدحمله قوی و شاید موفق بود. اما عدم پاسخ مؤثر به مسیری که Netflix در آن قرار داشت، زمینه سقوط Blockbuster را فراهم کرد.

2. شرکت‌های برهم‌زننده، اغلب از مدل‌های کسب‌وکاری استفاده می‌کنند که در مقایسه با مدل‌های مرسوم، تفاوت‌های فراوانی دارند

صنعت بهداشت و درمان را در نظر بگیرید. پزشکان عمومی که در خارج از مطب خود کار می‌کنند، اغلب برای تفسیر علائم بیماران، تشخیص و تجویز دارو به سال‌ها تجربه و نتایج آزمایش‌های پزشکی اتکا می‌کنند. ما این را یک مدل کسب‌وکاری «فروشگاه راه‌حل» می‌نامیم. در مقابل، تعدادی از کلینیک‌های مراقبتی به‌راحتی و با به‌کارگیری آنچه ما مدل کسب‌وکاری «فرایند» می‌نامیم، مسیری برهم‌زننده را در پیش می‌گیرند: آنها پروتکل‌های استانداردی را برای تشخیص و درمان تعدادی اندک، اما رو به افزایش از اختلالات سلامتی دنبال می‌کنند.

یکی از نمونه‌های برجسته استفاده از یک مدل کسب‌وکاری ابتکاری برای ایجاد تخریب بن‌افکن، تلفن همراه هوشمند آیفون، محصول شرکت اپل است. محصولی که اپل در سال 2007 به بازار عرضه کرد، نوآوری پایدار در بازار گوشی‌های هوشمند بود: این محصول همان مشتریانی را می‌خواست که مورد علاقه شرکت‌های فعال در بازار بودند و موفقیت اولیه آن احتمالاً با برتری محصول توضیح داده می‌شود. رشد بعدی آیفون با تخریب بن‌افکن بهتر توجیه می‌شود – از طریق جایگزینی تلفن همراه به جای لپ‌تاپ به‌عنوان نقطه دسترسی اصلی به اینترنت. این موفقیت نه تنها از طریق بهبود محصول، بلکه از طریق معرفی یک مدل کسب‌وکاری جدید محقق شد. اپل با ایجاد یک شبکه تسهیل‌کننده که توسعه‌دهندگان نرم‌افزار را به کاربران تلفن همراه متصل می‌کرد، فضای رقابت را تغییر داد. آیفون، بازار جدیدی برای دسترسی به اینترنت ایجاد کرد و در نهایت توانست لپ‌تا‌پ‌ها را به‌عنوان دستگاه اصلی کاربران برای اتصال به اینترنت به چالش کشد.

3. برخی از نوآوری‌های مخرب موفق می‌شوند؛ بعضی نه!

سومین اشتباه رایج تمرکز بر نتایج به‌دست‌آمده است، این ادعا که یک شرکت به‌دلیل موفقیت خود، عامل ایجاد تخریب بن‌افکن است. اما موفقیت در تعریف مسیر تخریب بن‌افکن گنجانده نشده است: هر مسیر برهم‌زننده، منجر به پیروزی نمی‌شود و هر تازه‌وارد، پیروزمندانه مسیری برهم‌زننده را دنبال نمی‌کند. برای مثال، تعداد زیادی از خرده‌فروشی‌های مبتنی بر اینترنت (فروشگاه‌های اینترنتی) در اواخر دهه 1990 مسیرهای برهم‌زننده را دنبال کردند، اما تعداد کمی از آنها پیشرفت کردند. این شکست‌ها شاهدی بر کمبودهای نظریه تخریب بن‌افکن نیستند. آنها به‌سادگی نشانگر مرزهای کاربرد این نظریه هستند. این نظریه درباره چگونگی پیروزی در بازار اظهار نظر اندکی می‌کند، جز آنکه برای پیروزی حتماً به شانس نیاز دارید و باید از رقابت مستقیم با رقبای قدرتمند در بازار، که دسترسی بهتری به منابع دارند، پرهیز کنید. اگر هر موفقیت تجاری را «تخریب بن‌افکن» بنامیم، شرکت‌هایی که از راه‌های بسیار متفاوت در جایگاه برتر در حوزه فعالیت خود قرار می‌گیرند، به‌عنوان منابع بینشی مناسب جهت شناسایی استراتژی مشترک برای موفقیت شناخته خواهند شد. این امر ریسکی جدی ایجاد می‌کند: مدیران ممکن است رفتارهایی را که به احتمال زیاد با یکدیگر ناسازگار هستند، ترکیب کنند و مطابقت دهند و بنابراین، به احتمال زیاد به نتیجه مطلوبی نخواهند رسید. برای مثال، هر دو شرکت اپل و اوبر، موفقیت خود را مدیون مدلی مبتنی بر پلتفرم هستند: اوبر به‌صورت دیجیتالی کاربران را به رانندگان متصل می‌کند و آیفون توسعه‌دهندگان نرم‌افزار را به کاربران تلفن همراه؛ اما اوبر، با توجه به ماهیت خود به‌عنوان یک نوآوری پایدار، متمرکز بر گسترش شبکه و عملکرد خود به روش‌هایی است که آن را شرکتی بهتر از شرکت‌های تاکسیرانی سنتی می‌کند. از طرف دیگر، اپل با ایجاد اکوسیستم برنامه‌نویسان خود، راهی برهم‌زننده را دنبال کرد تا آیفون را بیشتر به یک رایانه شخصی تبدیل کند.

4. شعار «برهم‌زننده باش، یا تخریب شو» می‌تواند ما را گمراه کند

در صورت بروز تخریب بن‌افکن، شرکت‌های مسلط بر بازار باید به عامل برهم‌زنندگی پاسخ دهند، اما نباید با از بین بردن کسب‌وکارهایی که هنوز سودآورند، واکنش بیش از حد معقول نشان دهند. در عوض، آنها باید با سرمایه‌گذاری در نوآوری‌های پایدار به تقویت و تعمیق روابط خود با مشتریان اصلی‌شان ادامه دهند. علاوه بر این، آنها می‌توانند یک واحد سازمانی جدید ایجاد کنند، که فقط بر فرصت‌های رشد ناشی از تخریب بن‌افکن متمرکز باشد. تحقیقات نشان می‌دهد که موفقیت این واحد سازمانی جدید، تا حد زیادی به جدا بودن آن از کسب‌وکار اصلی شرکت بستگی دارد. این بدان معناست که برای مدتی، شرکت‌های مسلط بر بازار با شرایطی مواجه خواهند بود که دو عملیات بسیار متفاوت را مدیریت می‌کنند. بی‌شک، هر چه کسب‌وکار مستقل و برهم‌زننده رشد کند، مشتریان را از کسب‌وکار هسته شرکت خواهد ربود؛ اما مدیران ارشد شرکت‌ها نباید به فکر حل این مشکل پیش از ایجاد آن باشند.

آنچه لنز نوآوری برهم‌زننده می‌تواند آشکار کند

به‌ندرت پیش می‌آید که یک فناوری یا محصول، ذاتاً پایدار یا برهم‌زننده باشد. هنگامی که فناوری جدید توسعه می‌یابد، نظریه تخریب بن‌افکن آنچه را مدیران باید انجام دهند تعیین نمی‌کند، بلکه به آنها کمک می‌کند بین انتخاب یک مسیر پایدار و یک مسیر برهم‌زننده، یک انتخاب راهبردی داشته باشند. نظریه تخریب بن‌افکن پیش‌بینی می‌کند که وقتی شرکت تازه‌وارد با به‌کارگیری الگوی برهم‌زنندگی در رقابت مستقیم با رقبای مسلط بر بازار، محصولات یا خدمات بهتری ارائه می‌دهد، رقبای مسلط بر بازار برای دفاع از کسب‌وکار خود به استفاده از نوآوری‌، در فرایندهای عملیاتی خود سرعت می‌بخشند. در این حالت، یا شرکت‌های مسلط بر بازار با ارائه خدمات یا محصولات حتی بهتر با قیمت‌های رقابتی، شرکت تازه‌وارد را شکست می‌دهند یا یکی از آنها شرکت تازه‌وارد را تحت تملک خود درمی‌آورد. داده‌های موجود از پیش‌بینی این نظریه، این تحلیل کلان را پشتیبانی می‌کند که شرکت‌های تازه‌وارد در تلاش برای رسیدن به یک استراتژی پایدار جهت ایجاد یک کسب‌وکار مستقل، با ناملایمات جدی روبه‌رو می شوند. برای مثال، در مطالعه اصلی کریستینسن در صنعت دیسک درایو کامپیوتر، فقط 6% از شرکت‌های تازه‌وارد در تثبیت جایگاه خود در این بازار موفق بودند.

وقتی فناوری جدید ظهور می‌کند، نظریه تخریب بن‌افکن می‌تواند انتخاب‌های راهبردی را هدایت کند

عملکرد قوی اوبر نیازمند توضیح است. طبق نظریه تخریب بن‌افکن، اوبر یک داده پرت است و ما یک رویکرد عام برای پاسخگویی به چنین نتایج غیرمعمولی در اختیار نداریم. در مورد اوبر، ما معتقدیم که ماهیت ساختاریافته خدمات بازار تاکسیرانی، قسمت عمده‌ای از پاسخ است. شرایط ورود به بازار و ضوابط قیمت‌گذاری، توسط بسیاری از نهادهای نظارتی به‌طور دقیق کنترل می‌شوند. در نتیجه، شرکت‌های تاکسیرانی به‌ندرت دست به نوآوری می‌زنند. رانندگان منفرد راه‌های کمی برای نوآوری دارند، جز در پاسخ به موارد نقص در زنجیره خدمات اوبر. بنابراین، اوبر نسبت به شرکت‌های تاکسیرانی در یک موقعیت منحصربه‌فرد قرار دارد: اوبر می‌تواند کیفیت بهتری از خدمات را ارائه کند و دیگر رقبا دست‌کم در کوتاه‌مدت، شرایط سختی را برای رقابت با اوبر تجربه خواهند کرد.

تا این مرحله، ما فقط به این موضوع پرداختیم که اوبر در کسب‌وکار تاکسیرانی برهم‌زننده است یا خیر. تجارت لیموزین یا «ماشین تیره» داستان متفاوتی است و در اینجا احتمالاً اوبر در یک مسیر برهم‌زننده قرار دارد. گزینه UberSELECT این شرکت، خودروهای لوکس‌تری را به کاربر پیشنهاد می‌دهد و معمولاً گران‌تر از خدمات استاندارد آن است – اما اغلب ارزان‌تر از اجاره یک لیموزین سنتی است. این قیمت پایین، برخی از مصالحه‌ها را تحمیل می‌کند، زیرا UberSELECT در حال حاضر یکی از ویژگی‌های مشخص پیشگامان برجسته در این بازار را ندارد: یعنی امکان رزرو لیموزین از چند روز جلوتر. در نتیجه، این سرویس اوبر بر پایین‌دست بازار خدمات لیموزین متمرکز می‌شود: یعنی مشتریانی که مایل هستند راحتی کمتری در دریافت خدمت را به‌واسطه ترجیحات مالی بپذیرند. اگر اوبر بدون ریسک افزایش هزینه یا کاهش مزیت قیمتی خود، راه‌هایی برای مطابقت یا فراتر رفتن از سطح عملکرد رقبای فعلی در این بازار پیدا کند، چشم‌انداز مثبتی برای ورود به بخش اصلی بازار لیموزین خواهد داشت – و این کار را به صورت برهم‌زنندگی کلاسیک انجام داده است.

بینش ما با چه مسیری درباره تخریب بن‌افکن توسعه یافته است؟

در نقطه آغازین، نظریه نوآوری برهم‌زننده فقط گزاره‌ای درباره همبستگی بود. یافته‌های تجربی نشان می‌دهد که شرکت‌های مسلط بر بازار، در زمینه نوآوری پایدار عملکرد بهتری نسبت به تازه‌واردان دارند، اما در زمینه نوآوری برهم‌زننده عملکرد ضعیف‌تری دارند. دلیل این همبستگی در نقطه شروع مشخص نبود، اما عناصر این بخش از نظریه در طول مسیر، یک‌به‌یک پدیدار شدند.

برهم‌زنندگان هوشمند، محصولات خود را بهبود می‌بخشند و به سمت بازار بالادست حرکت می‌کنند

در ابتدا، محققان دریافتند که تمایل شرکت به تغییر راهبردهای کلان، عمیقاً تحت تأثیر منافع مشتریانی است که منابع مورد نیاز شرکت را برای بقا تأمین می‌کنند. به‌عبارت دیگر، شرکت‌های مسلط بر بازار (معقولانه) به حرف مشتریان فعلی خود گوش می‌دهند و در نتیجه بر نوآوری‌های پایدار تمرکز می‌کنند. محققان سپس به بینش لایه دوم در این زمینه دست یافتند: یعنی تمرکز شرکت‌های مسلط بر بازار بر مشتریان فعلی، در فرایندهای داخلی نهادینه می‌شود. در نتیجه، حتی برای مدیران ارشد سازمان نیز دشوار است تا سرمایه‌گذاری را به سمت نوآوری‌های برهم‌زننده هدایت کنند. برای مثال، مصاحبه با مدیران شرکت‌های فعال در صنعت درایو دیسک کامپیوتر نشان داد که در فرایند تخصیص منابع، فعالیت‌های مبتنی بر نوآوری‌های پایدار (که حاشیه سود بالایی داشتند و بازارهای بزرگ با مشتریان شناخته‌شده را هدف قرار می‌دادند) را در اولویت قرار می‌دادند، در حالی که بازار مترصد ایجاد نوآوری‌های برهم‌زننده (برای بازارهای کوچک‌تر و مشتریان کم‌درآمدتر) بود.

این دو دیدگاه به ما توضیح می‌دهد که چرا شرکت‌های مسلط بر بازار، به‌ندرت به نوآوری‌های برهم‌زننده پاسخ مؤثر می‌دهند (اگر اصلاً پاسخ دهند)؛ اما این مسئله دلیل این رخداد نیست که چرا شرکت‌های تازه‌وارد در نهایت بازارهای بالادست را برای به چالش کشیدن شرکت‌های مسلط بر بازار انتخاب می‌کنند. با این حال، معلوم می‌‎شود که همان نیروهایی که منجر به نادیده گرفته شدن تخریب‌های بن‌افکن در مراحل اولیه توسط شرکت‌های مسلط بر بازار می‌شوند، شرکت‌های تازه‌وارد برهم‌زننده را نیز وادار می‌کنند تا به تخریب بن‌افکن روی آورند.

چیزی که از بررسی‌ها قابل تشخیص است این است که اغلب، در پایین‌دست بازار و بازارهای جدید، تنها یک شرکت با پروفایل برهم‌زنندگی وجود ندارد، بلکه چندین شرکت مشابه تازه‌وارد که محصولاتی ساده‌تر، با کاربری راحت‌تر یا هزینه کمتر نسبت به محصولات و خدمات ارائه‌شده توسط شرکت‌های مسلط بر بازار دارند، در بازار حضور دارند. شرکت‌های مسلط بر بازار یک چتر قیمتی در بازار ایجاد می‌کنند، که به بسیاری از شرکت‌های تازه‌وارد اجازه می‌دهد تا از رشد سودآوری در بازار پایین‌دست برخوردار شوند. اما این شرایط تنها برای مدت مشخصی به طول می‌انجامد: همان‌طور که شرکت‌های مسلط بر بازار (منطقی، اما به اشتباه) بازار پایین‌دست را واگذار می‌کنند، در شرایط تهدید چتر قیمتی موجود در بازار را حذف می‌کنند که منجر به ایجاد جنگ قیمتی بین شرکت‌های تازه‌وارد در بازار خواهد شد. برخی از شرکت‌های تازه‌وارد در این شرایط از پا می‌افتند، اما بازیگران هوشمند -برهم‌زنندگان واقعی- محصولات خود را بهبود می‌بخشند و به سمت بازار بالادست حرکت می‌کنند، جایی که بار دیگر آنها می‌توانند با حاشیه سود قابل قبول در برابر رقبای تثبیت‌شده با بهای تمام‌شده بالاتر رقابت کنند. اثر برهم‌زننده، هر شرکتی -فعلی و تازه‌وارد- را به سمت بالادست بازار سوق می‌دهد.

با در نظر گرفتن این توضیحات، نظریه نوآوری برهم‌زننده فراتر از یک همبستگی ساده با نظریه علیت پیش می‌رود. عناصر اصلی این نظریه از طریق مطالعات بسیاری از صنایع، از جمله خرده‌فروشی، رایانه، چاپ، موتورسیکلت، خودرو، نیمه‌هادی، جراحی قلب و عروق، آموزش مدیریت، خدمات مالی، مشاوره مدیریت، دوربین و نرم‌افزارهای طراحی رایانه‌ای، مورد بررسی و تأیید قرار گرفته‌اند.

درک ناهنجاری‌ها

اصلاحات اضافی بر روی این نظریه انجام شده است تا برخی ناهنجاری‌ها یا سناریوهای غیرمنتظره‌ای را که این نظریه قادر به توضیح آنها نیست، برطرف کند. برای مثال، ما در ابتدا تصور می‌کردیم که هر نوآوری برهم‌زننده در پایین‌ترین لایه‌های یک بازار بالغ ریشه می‌گیرد. با این حال، به‌نظر می‌رسد که برخی اوقات شرکت‌های تازه‌وارد در بازارهای کاملاً جدیدی در حال رقابت هستند. این منجر به ایجاد تمایزی شد که در بخش‌های پیش درباره بازارهای پایین‌دست و بازار جدید مورد بررسی قرار گرفت.

شرکت‌های برهم‌زننده در پایین‌دست بازار (برای مثال خرده‌فروشان تخفیف‌محور) در کف هرم بازار حضور دارند و پیش از حرکت در بازار و حمله به بخش‌های بالادست، به یک شبکه ارزش در بازار متصل می‌شوند (خرده‌فروشان سنتی). در مقابل، تخریب بن‌افکن در بازار جدید، در یک شبکه ارزش کاملاً جدید ایجاد می‌شود و مشتریانی را هدف قرار می‌دهد که پیشتر از آن محصول و خدمت را استفاده نمی‌کردند. برای مثال، دو محصول رادیوی جیبی ترانزیستوری و رایانه شخصی را در نظر بگیرید: این دو بازار توسط تولیدکنندگان رادیوها و رایانه‌های رومیزی نادیده گرفته شدند، زیرا هدف آنها مشتریانی بود که مصرف‌کننده این کالاها نبودند. با فرض اینکه دو طیف متفاوت برای بازارهای هدف نظریه تخریب بن‌افکن وجود دارد که نوآوری برهم‌زننده می‌تواند در آنها آغاز شود، این نظریه قدرتمندتر و عملی‌تر شده است. ناهنجاری جذاب دیگر که در این تحلیل شناسایی شده، صنایعی بودند که دست‌کم تا همین اواخر در برابر نیروهای برهم‌زننده مقاومت کرده‌اند. آموزش عالی در ایالات متحد یکی از این موارد است. با گذشت سال‌ها -بیش از صد سال- انواع جدیدی از مؤسسه‌های آموزشی با رویکردهای آموزشی متفاوت ایجاد شده‌اند تا نیازهای بخش‌های مختلف جامعه، از جمله غیر مصرف‌کنندگان را برطرف کنند. انواع مؤسسه‌های آموزشی مانند کالج‌های ویژه معلمان، کالج‌های دوساله، بورسیه‌های ایالتی و از این دست، برای خدمات‌رسانی به افرادی راه‌اندازی شدند که تحصیلات چهارساله سنتی لیبرال برای آنها دور از دسترس یا غیرضروری بود.

بسیاری از این مؤسسه‌های آموزشی تازه‌وارد، با گذشت زمان تلاش می‌کردند تا پیشرفت کنند و جایگاه خود را تثبیت نمایند و در این مسیر ناگزیر به دنبال کردن مسیر سودآوری بودند: میل به رشد، رتبه آموزشی، اعتبار و توانایی انجام کارها به شیوه‌ای بهتر. بنابراین، آنها سرمایه‌گذاری‌های پرهزینه‌ای در فعالیت‌های پژوهشی، خوابگاه‌ها، امکانات ورزشی، دانشکده‌ها و… انجام دادند و به‌دنبال تقلید از مؤسسه‌های موفق‌تر و شناخته‌شده‌تر بودند. انجام این کار، از برخی جهات سطح عملکرد آنها را افزایش داده است؛ برای مثال، آنها می‌توانند محیط یادگیری و زندگی غنی‌تری را برای دانش‌آموزان فراهم کنند. با وجود این، وضعیت نسبی مؤسسه‌های آموزش عالی در گذر زمان به‌طور عمده بدون تغییر باقی مانده است؛ به استثنای چند مورد، بیست مؤسسه برتر، هنوز همان بیست مؤسسه برتر پیشین هستند و پنجاه مؤسسه بعدی، پس از چندین دهه، همچنان در لایه دوم رتبه‌بندی مؤسسه‌های آموزشی قرار دارند. از آنجا که به نظر می‌رسد هم مؤسس‌های کنونی و هم مؤسسه‌های آموزشی تازه‌وارد از یک طرح جامع یکسان پیروی می‌کنند، شاید تعجبی نداشته باشد که مؤسسه‌های آموزشی کنونی قادر به حفظ موقعیت خود باشند. آنچه تا به امروز انجام نشده است، آزمایش مدل‌های آموزشی جدیدی است که، به‌شیوه‌ای موفقیت‌آمیز، افراد غیرمصرف‌کننده نظام آموزش عالی فعلی را جذب کند.

اکنون این پرسش مطرح است که آیا یک فناوری نو یا مدل کسب‌وکاری وجود دارد که به مؤسسه‌های آموزشی تازه‌وارد اجازه دهد تا بدون تقلید از ساختار فعالیت و تحمیل هزینه‌های بالای مؤسسه‌های آموزشی شناخته‌شده و بنام بازار، به سمت کسب سهم از بازارهای بالادست حرکت کنند – یعنی یک مسیر برهم‌زننده را دنبال کنند؟ به‌نظر می‌رسد پاسخ مثبت است و نوآوری توانمندساز در این حوزه، پلتفرم‌های آموزش آنلاین است که به‌طرزی گسترده در دسترس قرار گرفته است. شهریه دوره‌های آنلاین با شیب تندی در حال سقوط است و قابلیت دسترسی و کیفیت در این سامانه‌ها، به‌سرعت در حال بهبود است. مبتکران این حوزه نیز، با سرعتی خیره‌کننده در حال ورود به بخش اصلی بازار آموزش هستند.

آیا آموزش آنلاین مدل مؤسسه‌های آموزشی فعلی را دچار تخریب بن‌افکن می‌کند، و اگر چنین است، چه زمانی؟ به عبارت دیگر، آیا مسیر پیشرفت آموزش آنلاین با نیازهای بازار اصلی آموزش تلاقی خواهد کرد؟ ما دریافتیم که شیب تند هر مسیر برهم‌زننده، تابعی از پیشرفت سریع فناوری توانمندساز در آن حوزه است. در صنعت فولاد، فناوری ریخته‌گری بهبود کندی را تجربه کرد و بیش از چهل سال طول کشید تا درآمد شرکت مینی میل Nucor، به بزرگ‌ترین سازندگان فولاد یکپارچه نزدیک شود. در مقابل، فناوری‌های دیجیتالی که به رایانه‌های شخصی اجازه می‌داد تا رایانه‌های کوچک را متحول کنند، خیلی سریع‌تر پیشرفت می‌کردند. شرکت Compaq تنها در مدت دوازده سال توانست درآمد خود را بیش از ده برابر افزایش دهد و با رهبر صنعت شرکت DEC برابری کند. درک اینکه چه چیزی باعث ایجاد تخریب بن‌افکن می‌شود برای پیش‌بینی نتایج مفید است، اما نحوه مدیریت تخریب‌های بن‌افکن را تغییر نمی‌دهد. تحولات ناشی از تخریب بن‌افکن سریع با عوامل دیگر تحول، تفاوت بنیادی ندارند. آنها نه سازوکار علیت متفاوتی دارند و نه نیاز به پاسخ‌های متفاوت. به همین ترتیب، تصور اینکه استراتژی‌های پذیرفته‌شده توسط برخی از افراد مشهور، نوع خاصی از تخریب بن‌افکن را ترسیم می‌کند اشتباه است. این استراتژی‌ها و رویکردها اغلب به این راحتی قابل دسته‌بندی نیستند. «تسلا موتورز» نمونه‌ای بارز و برجسته در این زمینه است. ممکن است یک تحلیلگر با بررسی این شرکت وسوسه شود و بگوید استراتژی شرکت تسلا، یک استراتژی مبتنی بر تخریب بن‌افکن است. اما جایگاه آن در بخش بالادست بازار خودرو است (با مشتریانی که حاضرند هفتادهزار دلار یا بیشتر، برای خرید یک خودرو هزینه کنند) و این بخش برای رقبای فعلی در بازار غیرجذاب نیست. جای تعجب نخواهد داشت که ورود تسلا، باعث جلب توجه و افزایش سرمایه‌گذاری رقبای شناخته‌شده در بازار به میزانی قابل توجه شده است. اگر نظریه تخریب بن‌افکن برای تسلا درست باشد، آینده تسلا باید در مسیر تملک توسط یک شرکت تولیدکننده بزرگ‌تر در صنعت خودرو یا یک نبرد طولانی‌مدت و فرسایشی برای کسب جایگاه قابل قبول در بازار رقم بخورد – که چنین نبوده است.

ما هنوز چیزهای زیادی برای یادگیری پیش روی خود داریم

ما مشتاق ادامه گسترش و پالایش نظریه نوآوری برهم‌زننده هستیم و کارهای زیادی پیش رو داریم؛ برای مثال، تبیین رویکرد پاسخ‌دهی مؤثر در برابر تهدیدات برهم‌زننده در بازار، در قالب چهارچوبی جامع و یکپارچه، همچنان نامعلوم و مبهم است. اعتقاد فعلی این است که شرکت‌ها باید یک واحد سازمانی جداگانه ایجاد کنند، که تحت حمایت رهبری ارشد سازمان برای کشف و بهره‌برداری از یک مدل نوآوری برهم‌زننده جدید فعالیت کند. گاه این رویکرد کار می‌کند و گاه نه؛ در موارد خاص، پاسخ ناموفق به تهدیدی برهم‌زننده را نمی‌توان ناشی از عدم درک، توجه کافی اجرایی، یا سرمایه‌گذاری ناکافی مالی دانست. چالش‌های ناشی از نقش‌آفرینی همزمان در قالب یک شرکت با رویکرد کلاسیک مسلط بر بازار و یک شرکت تازه‌وارد برهم‌زننده، به طور کامل شناسایی نشده است. نحوه مواجهه مناسب با این چالش‌ها نیز نیاز به تحلیل و بررسی بسیار دارد. نظریه تخریب بن‌افکن درباره نوآوری یا موفقیت کسب‌وکار، به‌طور کلی توضیح نمی‌دهد و هرگز توضیح نخواهد داد که عوامل و نیروهای بسیار زیادی بر این موضوع اثرگذارند و هر یک نیازمند مطالعه‌ای جداگانه‌اند. ادغام همه این عوامل در یک نظریه جامع، هدفی بلندپروازانه است و دستیابی به آن در آینده نزدیک، بعید به‌نظر می‌رسد. اما جای امیدواری وجود دارد: آزمایش‌های تجربی نشان می‌دهد که استفاده از نظریه تخریب بن‌افکن باعث می‌شود تا به‌طرزی قابل ملاحظه در پیش‌بینی‌ها درباره روند تغییر صنایع و جایگاه رقابتی کسب‌وکارهای نوپا، توفیق حاصل شود. با توجه به اینکه گروهی در حال گسترش از محققان و تحلیلگران، بر روی نظریه تخریب بن‌افکن مشغول به کار هستند و این نظریه را با دیگر دیدگاه‌ها و رویکردهای تحلیلی ادغام می‌کنند، این چشم‌انداز وجود دارد که درک کلان شرکت‌ها درباره نحوه جاری‌سازی موفق استراتژی نوآوری در سازمان به‌تدریج بهبود یابد.
سیاوش علیخانی