۶ توصیه شغلی محقق گوگل دیپ‌مایند و OpenAI برای عصر هوش مصنوعی

یک شرکت تکنولوژی پیشرو را در ذهنتان تصور کنید که مهندس‌های ارشد تمام صندلی‌هایش را پر کرده‌اند، مانیتورها روشن‌اند و پروژه‌ها با سرعت مافوق تصور جلو می‌روند؛ اما هیچ‌کس، هیچ‌کس حتی یک خط کد را به‌صورت دستی تایپ نمی‌کند! این تصویری از فضای استارتاپ مبتنی‌بر ایجنت‌های هوش مصنوعی به‌مدیریت فیل چن، متخصص ارشد یادگیری ماشین و محقق سابق Scale AI، گوگل دیپ‌مایند و OpenAI است.

فیل چن اخیراً در جریان جذب نیرو برای شرکت جدیدش متوجه شد که گرچه برخی از پندهای قدیمی دنیای فناوری در مورد مهارت‌های شغلی همچنان پابرجا هستند؛ اما موفقیت در عصر جدید از دل ابهامات و وظایفی حاصل می‌شود که هیچ ربطی به سازوکارهای کلاسیک ندارند. چن در مقاله‌ای همین تفاوت‌ها را زیر ذره‌بین می‌برد و با ضربه‌ای فلسفی و بیدارکننده به خواننده، نقشه‌ی راه شفاف‌تری برای افراد جاه‌طلب و تازه‌نفس ترسیم می‌کند.

مدرسه‌ها و دانشگاه‌ها سال‌هاست ذهن ما را برای حل مسائلی با پاسخ‌های قطعی تربیت کرده‌اند؛ سیستمی که با معیارها و نمره‌های دقیق ارزیابی می‌شود؛ اما هوش مصنوعی به‌سرعت در حال تصاحب و خودکارسازی همین قلمروست.

مدل‌های محاسباتی در هر وظیفه‌ای که بتوان برایش یک تابع زیان (Loss Function) تعریف کرد، به مهارت خیره‌کننده‌ای دست یافته‌اند. وقتی ماشین‌ها در حل مسائل فرموله‌شده و نمره‌پذیر بی‌نقص عمل می‌کنند، ارزش کار شما در دهه‌ی آینده به مهارت‌هایی گره می‌خورد که هوش مصنوعی نمی‌تواند در طول زمان آموزش خود، آن‌ها را یاد بگیرد.

در ادامه فیل چن براساس ۶ سال کار فشرده‌اش در خط مقدم توسعه‌ی هوش مصنوعی دنیا، ۶ استراتژی طلایی برای مسیر شغلی آینده‌ی جوانان پیشنهاد می‌دهد؛ توصیه‌هایی که به شما می‌گویند وقتی ماشین‌ها دست‌به‌کد شده‌اند، چطور باید رهبری بازی را به دست بگیرید.

 قبل از اینکه فیل چن به شرکت Scale AI بپیوندد، پیشنهادهای کاری وسوسه‌کننده‌ای از شرکت‌های مالی داشت؛ آن‌هم با حقوق‌های تضمین‌شده‌ای که رد کردنشان دیوانگی به‌نظر می‌رسید؛ اما او اسکیل ای‌آی را انتخاب کرد، چون مسحور کامیونیتی اعضای آن و تنوع پروژه‌هایی شده بود که می‌توانست خودش را درگیرشان کند.

همین انتخاب، مسیر شغلی چن را برای همیشه تغییر داد؛ زیرا به لطف کار در اسکیل‌ای‌آی مستقیماً با شرکت‌های ارائه‌دهنده‌ی زیرساخت‌های مدل‌های زبانی بزرگ ارتباط برقرار کرد و شبکه‌سازی، کلید ورودش به دیپ‌مایند و OpenAI شد.

جالب اینکه همکاران جاه‌طلب سابق چن در اسکیل، حالا گروهی از قدرتمندترین بنیان‌گذاران استارتاپ‌های موفق‌اند. او با نگاهی به گذشته با قاطعیت می‌گوید آن شبکه‌ی ارتباطی و فرصت‌های یادگیری، ارزشی هزاران برابر بیشتر از درآمد بالای شرکت‌های مالی در زندگی‌اش ایجاد کرده است.

به‌علاوه اگر سابقه‌ی درخشانی در انجام کارهای باکیفیت داشته باشید، قوی‌ترین سیگنال موفقیت را ارسال می‌کنید؛ به‌همین دلیل چن توصیه می‌کند وقتتان را روی کارهای عالی بگذارید و درعین‌حال مطمئن شوید که آدم‌های معتبری که خودشان هم کار درست و باکیفیت انجام می‌دهند، از کار شما باخبرند.

در هر موقعیتی که هستید، چه در دانشگاه، چه روی پروژه‌های شخصی، چه در دوره‌های کارآموزی، زمانتان را اولویت‌بندی کنید و فقط روی مسائلی متمرکز شوید که برایتان واقعاً معنادار هستند.

این روزها با ابزارهای هوش مصنوعی و وایب‌کدینگ Vibe-coding، خیلی راحت می‌شود فرصت‌هایی سریع و بی‌دردسر برای پول‌درآوردن پیدا کرد؛ اما جایزه‌ی اصلی و بزرگ‌تر همیشه نصیب کسانی می‌شود که به‌دنبال خلق ارزش واقعی و پایدارند.

فراموش نکنید؛ زمان، روابط انسانی و اعتبار تنها منابع محدودی هستند که باید تمام توجه و تمرکزتان را خرجشان کنید.

تیم فیل چن برای پیداکردن استعدادهای برتر در دریایی از کارجوها، ابتدا باید می‌فهمید چگونه می‌تواند مهارت مهندسانی را محک زد که قرار نیست کد بنویسند.

آن‌ها متوجه شدند سؤالات الگوریتمی کلاسیک مثل پلتفرم Leetcode و حتی تست‌های طراحی سیستم، دیگر هیچ ربطی به عملکرد واقعی فرد در محیط کار ندارند؛ پس سبک مصاحبه‌ی استخدامی‌شان را تغییر دادند.

در روش جدید، کاندیدا را در محیطی ناآشنا رها می‌کنند تا ببینند چقدر سریع شرایط را درک می‌کند، مسائل ارزشمندی برای حل‌کردن می‌یابد و در نهایت باتوجه‌به محدودیت‌های محیط، آن‌ها را به سرانجام می‌رساند.

در عصر جدید، حیاتی‌ترین مهارت‌ها به انتخاب مسئله و تخصیص منابع گره‌خورده‌اند. ایجنت‌های هوش مصنوعی امروز به‌قدری قدرتمندند که می‌توانند پیچیده‌ترین مسائل ازپیش‌تعریف‌شده را تکمیل کنند.

بنابراین، تأثیرگذارترین نیروهای کار، کسانی هستند که می‌توانند مشکلات کلیدی را تشخیص دهند، سپس زمان و توکن‌ها را به حل آن‌ها تخصیص دهند. کار شما دیگر رسیدن به جواب نیست، بلکه مدیریت هوشمندانه‌ی ماشین‌های حل‌کننده است.

کاندیداهای فوق‌العاده که با بهینه‌ترین زمان و توان ماشین را به جواب درست می‌رسانند؛ همان افرادی هستند که شهود سطح بالا و بافتار دنیای بیرون را به فرایند همکاری‌شان با ایجنت‌های هوش مصنوعی تزریق می‌کنند.

چن توصیه می‌کند خودتان را در محیط‌های حل مسئله غرق کنید؛ چه از طریق پروژه‌های شخصی جاه‌طلبانه، چه با پیوستن به شرکت‌های در حال رشدی که تعداد مسائل معنادار در آن‌ها، بسیار بیشتر از تعداد آدم‌هاست.

البته پیشنهاد چن برای این کارجویانی که فکر می‌کنند باوجود ChatGPT دیگر نیازی به تخصص ندارند هم مفید واقع می‌شود!

در یک دهه‌ی گذشته، قانونی مهم و واقع‌گرایانه به‌نام «درس تلخ» یکی از کارآمدترین چارچوب‌های فکری دنیای پژوهش هوش مصنوعی محسوب می‌شد. این قانون می‌گوید در بلندمدت مقیاس‌پذیر کردن روش‌های عمومی، همیشه بر بهینه‌سازی‌های جزئی و ترفندهای خاص برای یک تسک مشخص، غلبه می‌کند.

چن معتقد است قانون درس تلخ دقیقاً در انتخاب مسیر شغلی و شرکتی که در آن کار می‌کنید هم صدق می‌کند. در دنیای کسب‌وکار و مسیرهای شغلی، همیشه بخش اعظم ثروت و دستاوردها تنها به درصد کوچکی از برنده‌ها می‌رسید؛ اما حالا هوش مصنوعی پیشرفته، این فاصله را بیشتر و سریع‌تر می‌کند.

به‌توصیه‌ی چن، وقتی می‌خواهید شرکتی را برای کار انتخاب کنید، اول بررسی کنید و ببینید آیا آن تیم با جاه‌طلبانه‌ترین فرم مسئله‌ی خودش دست‌وپنجه نرم می‌کند یا خیر و اینکه اصلاً در واقعیت شانسی برای حل آن دارد؟

برای انتخاب نقش و سمت شغلی‌تان هم فقط یک متر و معیار داشته باشید: آیا این شغل شما را مستقیماً به خط مقدم درگیری با آن مسئله‌ی بزرگ می‌فرستد یا قرار است در حاشیه و پشت‌جبهه بمانید؟

آلفرد لین، سرمایه‌گذار افسانه‌ای سیلیکون‌ولی در مقاله‌ی مشهوری درباره‌ی استارتاپ‌ها می‌گوید: «۱۰ درصد پایانی هر پروژه‌ای، در واقع ۹۰ درصد کار و ۹۰ درصد پاداش را در خودش جای می‌دهد.» یعنی تمام‌کردن هر پروژه، رساندن آن به بالاترین سطح کیفیت و برطرف‌کردن تمام ایرادات، انرژی و زمان بسیار بیشتری می‌طلبد.

قاعده‌ی مدنظر آلفرد لین در عصر هوش مصنوعی، کارها را سخت‌تر می‌کند، چون امروز یک ایجنت هوش مصنوعی با پرامپتی شلخته و سرسری هم می‌تواند خروجی متوسط را به بازار کار تحویل دهد! حالا نتایج به‌شدت دوقطبی شده‌اند؛ یا خروجی شما در حد همان پرامپت‌های معمولی است، یا در لیگ برتر بازی می‌کنید.

بدین منظور باید با زاویه‌دیدی منحصربه‌فرد به برشی از مسئله نگاه کنید و روی جزئیات وسواس سیار زیادی داشته باشید؛ البته چن یادآوری می‌کند که برای عالی‌بودن در مایل آخر، به تمرین و تمرکز نیاز دارید. هیچ‌چیز در تلاش اول کامل نمی‌شود، پس مایل آخر یعنی تکرار و صیقل‌دادن.

فیل چن همچنین روی نکته‌ی بسیار مهمی دست می‌گذارد: ایجنت‌های کدنویس با چنان سرعتی پیشرفت می‌کنند که خیلی وقت‌ها بهتر است درس‌ها و تجربه‌های نسخه‌های قبلی کارتان را بردارید و همه‌چیز را از صفر با یک هوش مصنوعی نسل جدیدتر دوباره بسازید.

رویکرد پیشنهادی چن را روی پروژه‌های شخصی خودتان تمرین کنید. منتظر نمانید؛ خودتان پیش‌قدم شوید و زمان بیشتری صرف صیقل‌دادن کار، تمیزی معماری، مقیاس‌پذیری و خلاقیت کنید. چن در جلسات استخدامی به‌وضوح می‌بیند که چطور برخی کاندیداها با رعایت این وسواس مایل آخر، از دیگران متمایز می‌شوند.

شاید با مفهوم امید گل یا xG در فوتبال آشنا باشید؛ شاخصی که نشان می‌دهد یک تیم براساس موقعیت‌هایی که خلق کرده (فاصله تا دروازه، زاویه، موقعیت دروازه‌بان و غیره)، چقدر شانس گل‌زنی داشته است؛ در کنار آن، شاخص کارایی را هم داریم که یعنی تیم چقدر توانسته موقعیت‌ها را واقعاً به گل تبدیل کند.

چن استعاره‌های فوتبالی را وصف حل مسیر شغلی خودش می‌داند. سال ۲۰۲۳، او پیشنهاد کار در استارتاپ‌های آنتروپیک که هنوز تیمی ۵۰ نفره بود و Cursor را که فقط دو کارمند غیر مؤسس داشت، رد کرد. چون می‌خواست در دیپ‌مایند روی آموزش و توسعه‌ی مدل‌های پیشرو کار کند.

مسیرهای شغلی طولانی‌اند و فرصت‌ها می‌آیند و می‌روند. چن اصلاً باور ندارد که سوپر هوش مصنوعی (ASI) جایگزین تمام انسان‌ها در مشاغل فکری می‌شود؛ چراکه انسان‌ها توانایی منحصربه‌فردی در انتخاب مسائل معنادار برای حل‌شدن توسط هوش مصنوعی و تخصیص سرمایه برای حل این مسائل دارند.

قرار نیست هر فرصتی در زندگی حتماً به گل تبدیل شود؛ اما قرارگرفتن در موقعیت درست برای دیدن فرصت‌ها، اولین قدم برای گل‌زنی است. اینجا اهمیت اعتبار و تخصص روشن می‌شود.

مثلاً برای چن فرصت کار در Cursor بدین دلیل پیش آمد که در شبکه‌ی ارتباطی‌اش اعتبار بالایی داشت. پیشنهاد آنتروپیک نیز به این برمی‌گشت که او زمان شخصی و حرفه‌ای خودش را روی مسائلی سرمایه‌گذاری می‌کرد که برای تیم آن‌ها بسیار جذاب بود.

وقتی می‌خواهید استارتاپ یا شرکت نوپایی را برای کار انتخاب کنید، باید تیم و بازار آن را تحت‌نظر بگیرید. بسیار از کارجویان فقط به محصول فعلی شرکت نگاه می‌کنند و به آن می‌چسبند؛ درحالی‌که اگر تیم قوی باشد، محصول اولیه تقریباً همیشه تغییر می‌کند و به چیز بسیار بهتری تبدیل می‌شود.

یادتان باشد، اولین دموی شرکت بزرگی مثل آنتروپیک، فقط یک ربات ساده در پلتفرم اسلک بود که آن زمان حتی از ChatGPT هم ضعیف‌تر کار می‌کرد.

این روزها جوانان زیادی دوست دارند وارد حوزه‌ی پژوهش‌های هوش مصنوعی شوند. پژوهش‌های مدرن امروزی با قدرت پردازشی بالا راحت‌تر جلو می‌روند؛ ولی به‌عقیده‌ی چن بهترین نقطه‌ی شروع این است که به سراغ مدل‌های موجود بروید.

وقتی زیاد با مدل‌ها کار می‌کنید، در ذهنتان به شهود خاصی می‌رسید، مثلاً این مدل کجای راه به بن‌بست می‌خورد، یا چه زمانی اشتباه می‌کند. همین نگاه و شهود شخصی‌تان را به معیارهای سنجش و ارزیابی دقیق تبدیل کنید.

فضاهایی مثل لیدربوردهای عمومی بهینه‌سازی، بسترهای فوق‌العاده‌ای فراهم می‌کنند تا ایده‌هایتان را در محیطی ساختاریافته آزمایش کنید. برخی ارائه‌دهندگان خدمات ابری هم اعتبارهای رایگانی به دانشگاهیان و پژوهشگران اختصاص می‌دهند. از این فرصت‌ها استفاده کنید و ایده‌هایتان را همین حالا محک بزنید.

چن باور دارد که پژوهشگر بودن یک طرز فکر محسوب می‌شود، نه یک عنوان شغلی. بخش عمده‌ی کار یک محقق در آزمایشگاه‌های پیشرو، ترکیبی از چهار ویژگی زیر است:

• کنجکاوی زیاد برای کشف و جست‌وجوی ایده‌های جدید
• جنگندگی و کلنجار رفتن با زیرساخت‌های فنی برای پیاده‌سازی همان ایده‌ها
• درک کامل جزئیات کل سیستم و برای پیداکردن و رفع سریع باگ‌ها
• اثبات ارزش نتایج کاری که کرده‌اید و گرفتن سهم پردازش بیشتر

خبر خوب اینکه شما می‌توانید تمام این کارها را همین امروز انجام دهید، بدون اینکه لزوماً در یک لابراتوار پیشروی هوش مصنوعی حضور داشته باشید.

دنیای تکنولوژی هنوز هم پر از فرصت‌های بکر است. اگر می‌خواهید قفل این فرصت‌ها را باز کنید، تمرکزتان را روی پیداکردن مسائل جذاب بگذارید و نتایجی عالی و بی‌نقص تحویل دهید.