۶ استراتژی طلایی برای موفقیت شغلی در عصر هوش مصنوعی + تصویر

01

از 07

مدل‌های هوش مصنوعی هر روز بیشتر یاد می‌گیرند

چن مقاله خود را با یک جمله تأمل‌برانگیز آغاز می‌کند. او می‌نویسد که مدل‌های هوش مصنوعی در هر کاری که بتوان برای آن «تابع زیان» یا Loss Function تعریف کرد، به‌مرور بهتر می‌شوند. از نگاه او، آموزش در مدرسه و دانشگاه نیز تا حد زیادی بر همین منطق استوار است؛ دانش‌آموزان و دانشجویان با حل مسائل مشخصی روبه‌رو می‌شوند که پاسخ درست آنها از قبل مشخص است و عملکرد آنها نیز بر اساس همان پاسخ‌ها سنجیده می‌شود.

به همین دلیل، او معتقد است ارزشمندترین فعالیت‌های دهه آینده، کارهایی خواهند بود که امکان نمره‌دهی، ارزیابی یا استانداردسازی آنها در فرایند آموزش مدل‌های هوش مصنوعی وجود ندارد. به بیان دیگر، هرچه یک فعالیت کمتر قابل تبدیل شدن به یک مسئله استاندارد باشد، احتمال اینکه در آینده همچنان به انسان نیاز داشته باشد، بیشتر خواهد بود.

02

از 07

تمرکز بر منابعی که واقعاً کمیاب هستند

نخستین راهبرد فیل چن برای موفقیت شغلی در عصر هوش مصنوعی به انتخاب درست اولویت‌ها مربوط می‌شود. او معتقد است افراد باید زمان و انرژی خود را صرف منابعی کنند که واقعاً محدود هستند، نه چیزهایی که به‌ راحتی در دسترس قرار دارند.

چن برای توضیح این موضوع به تجربه شخصی خود اشاره می‌کند. او می‌گوید که پیش از پیوستن به Scale AI پیشنهادهایی با حقوق تضمین‌شده بسیار بالاتر از شرکت‌های فعال در حوزه معاملات الگوریتمی دریافت کرده بود، اما در نهایت تصمیم گرفت به Scale AI بپیوندد، چرا که تصور می‌کرد حضور در محیطی که افراد مستعد، پروژه‌های متنوع و فرصت‌های یادگیری فراوان دارد، در بلندمدت ارزش بیشتری نسبت به افزایش درآمد خواهد داشت.

به گفته چن، این تصمیم بعدها مسیر حرفه‌ای‌ او را تغییر داد. حضور در Scale AI باعث شد با شرکت‌های ارائه‌دهنده زیرساخت اجرای مدل‌های زبانی بزرگ آشنا شود و همین ارتباط‌ها در ادامه فرصت همکاری با گوگل دیپ‌مایند و سپس OpenAI را برای او فراهم کرد.

او همچنین تأکید می‌کند که بسیاری از همکاران آن دوران، امروز بنیان‌گذاران استارت‌آپ‌های موفق هستند و همان شبکه ارتباطی هنوز یکی از ارزشمندترین دارایی‌های حرفه‌ای او محسوب می‌شود.

از نگاه چن، دسترسی به سرمایه در دنیای امروز آسان‌تر از گذشته شده است، اما سه منبع زمان، روابط انسانی واقعی و اعتبار حرفه‌ای همچنان کمیاب باقی مانده‌اند.

به همین دلیل، او توصیه می‌کند که افراد پروژه‌هایی را انتخاب کنند که برای آنها معنا داشته باشد و بتوانند توانایی واقعی آنها را به دیگران نشان دهند. او معتقد است انجام کار باکیفیت به‌تنهایی کافی نیست و افراد باید مطمئن شوند نتیجه تلاش آنها توسط افراد معتبر و حرفه‌ای نیز دیده می‌شود؛ زیرا اعتبار، مهم‌ترین سرمایه‌ای است که فرصت‌های آینده را شکل می‌دهد.

همچنین چن نسبت به وسوسه کسب درآمد سریع با استفاده از ابزارهای هوش مصنوعی هشدار می‌دهد. به گفته او، برنامه‌نویسی مبتنی بر عامل‌های هوش مصنوعی باعث شده است ساخت محصولات ساده و کسب درآمد کوتاه‌مدت بسیار آسان‌تر شود، اما ارزش واقعی معمولاً در حل مسائل عمیق‌تر و ماندگارتر ایجاد می‌شود.

مرتبط: مدیرعامل انویدیا خطاب با کارکنان: هوش مصنوعی شغل‌تان را تهدید نمی‌کند

03

از 07

آینده متعلق به کسانی است که مسئله پیدا می‌کنند

دومین استراتژی فیل چن برای موفقیت شغلی در عصر هوش مصنوعی یکی از مهم‌ترین بخش‌های مقاله او به حساب می‌آید. او معتقد است در عصر عامل‌های هوش مصنوعی، ارزش از «حل مسئله» به «انتخاب مسئله» منتقل شده است.

چن توضیح می‌دهد که هنگام طراحی فرایند استخدام برای شرکت جدید خود، تیم او مدت زیادی درباره این موضوع بحث کرده است که چگونه می‌توان بهترین مهندسان را شناسایی کرد. آنها در نهایت به این نتیجه رسیدند که آزمون‌هایی مانند LeetCode یا حتی پرسش‌های کلاسیک طراحی سیستم، دیگر ارتباط چندانی با عملکرد واقعی افراد در محیط‌های کاملاً مبتنی بر عامل‌های هوش مصنوعی ندارند.

دلیل این موضوع نیز ساده است. در چنین شرکت‌هایی تقریباً هیچ توسعه‌دهنده‌ای، کدنویسی را خط به خط و به‌ صورت دستی انجام نمی‌دهد و عامل‌های هوش مصنوعی بخش بزرگی از فرایند تولید نرم‌افزار را بر عهده گرفته‌اند.

به همین دلیل، مصاحبه‌های استخدامی شرکت او به جای حفظ کردن الگوریتم‌ها یا نوشتن کد، توانایی افراد را در درک سریع محیط، تشخیص مسائل مهم و اجرای راه‌حل در همان شرایط ارزیابی می‌کند.

چن می‌گوید که عامل‌های هوش مصنوعی هر روز مسائل پیچیده‌تر و دقیق‌تری را حل می‌کنند، اما هنوز کسی باید تصمیم بگیرد کدام مسئله اصلاً ارزش حل کردن دارد. از نگاه او، مهم‌ترین مهارت آینده این است که افراد بتوانند از میان صدها مسئله موجود، مهم‌ترین آنها را انتخاب کنند و سپس زمان، منابع محاسباتی و نیروی انسانی را به بهترین شکل برای حل آن اختصاص دهند.

او در ادامه به دغدغه بسیاری از دانشجویان اشاره می‌کند که احساس می‌کنند عامل‌های هوش مصنوعی می‌توانند تمام تمرین‌های درسی آنها را انجام دهند و در نتیجه یادگیری مهارت‌های فنی دیگر فایده‌ای ندارد.

چن با این برداشت موافق نیست. او می‌گوید که تجربه مصاحبه با داوطلبان مختلف نشان داده است که حتی با وجود استفاده همگانی از عامل‌های هوش مصنوعی، فاصله عملکرد افراد همچنان بسیار زیاد است. برخی داوطلبان با تعداد بسیار کمتری درخواست، زمان کمتر و درک عمیق‌تر به پاسخ صحیح می‌رسند، در حالی که برخی دیگر حتی با وجود دسترسی به همان ابزارها نیز عملکرد ضعیفی دارند.

به اعتقاد او، بهترین افراد معمولاً کسانی هستند که تجربه حضور در محیط‌های واقعی حل مسئله را دارند؛ افرادی که یا پروژه‌های شخصی جدی اجرا کرده‌اند یا در شرکت‌های پررشد فعالیت داشته‌اند؛ محیط‌هایی که تعداد مسائل مهم همیشه از تعداد افرادی که بتوانند آنها را حل کنند، بیشتر است.

مرتبط: هوش مصنوعی مولد چه تاثیری بر فرصت‌های شغلی می گذارد؟

04

از 07

جاه‌طلبانه‌ترین نسخه هر مسئله را انتخاب کنید

سومین راهبرد فیل چن برای موفقیت شغلی در عصر هوش مصنوعی به انتخاب نوع مسئله مربوط می‌شود؛ موضوعی که او آن را یکی از مهم‌ترین عوامل موفقیت در عصر هوش مصنوعی می‌داند.

چن در این بخش به مفهوم شناخته‌شده «درس تلخ» یا Bitter Lesson در پژوهش هوش مصنوعی اشاره می‌کند؛ اصلی که می‌گوید در بلندمدت، روش‌های عمومی و مقیاس‌پذیر تقریباً همیشه از راهکارهای تخصصی و محدود عملکرد بهتری دارند. او معتقد است همین منطق را می‌توان به انتخاب شرکت، پروژه و حتی مسیر شغلی نیز تعمیم داد.

به گفته او، توسعه نرم‌افزار با کمک عامل‌های هوش مصنوعی بسیار ساده‌تر از گذشته شده است و امروز تقریباً هر فردی می‌تواند با چند دستور متنی، یک محصول اولیه تولید کند. بنابراین، ساخت ابزارهای ساده دیگر مزیت رقابتی محسوب نمی‌شود و ارزش واقعی زمانی ایجاد می‌شود که افراد روی پیچیده‌ترین و بلندپروازانه‌ترین نسخه یک مسئله تمرکز کنند.

چن توصیه می‌کند که هنگام انتخاب یک شرکت، ابتدا از خود بپرسید که آیا آن مجموعه واقعاً در حال حل بزرگ‌ترین نسخه از مسئله خود است یا فقط نسخه‌ای کوچک و محدود از آن را دنبال می‌کند. پس از آن نیز باید بررسی کرد که آیا تیم شرکت توانایی واقعی حل آن مسئله را دارد یا خیر.

او این توصیه را به انتخاب موقعیت شغلی نیز تعمیم می‌دهد. از نگاه چن، بهترین موقعیت شغلی جایی است که فرد به صورت مستقیم روی مهم‌ترین مسئله شرکت کار کند، نه اینکه تنها بخشی از یک فرایند فرعی را بر عهده داشته باشد.

به باور او، هوش مصنوعی باعث شده است که فاصله میان شرکت‌های معمولی و شرکت‌های پیشرو بسیار بیشتر از گذشته شود. به همین دلیل، حضور در تیمی که روی مسائل بنیادین کار می‌کند، می‌تواند تأثیر بسیار بیشتری بر آینده حرفه‌ای افراد داشته باشد.

مرتبط: هوش مصنوعی حالا مشاغل ابتدایی را هدف گرفته است

05

از 07

ده درصد پایانی بیشترین ارزش را خلق می‌کند

چهارمین استراتژی فیل چن برای موفقیت شغلی در عصر هوش مصنوعی به کیفیت اجرای پروژه‌ها مربوط می‌شود. او با اشاره به مقاله‌ای از آلفرد لین توضیح می‌دهد که ۱۰ درصد پایانی هر پروژه معمولاً ۹۰ درصد تلاش و ۹۰ درصد ارزش نهایی آن را ایجاد می‌کند.

چن معتقد است عامل‌های هوش مصنوعی امروز به‌راحتی می‌توانند خروجی‌هایی در حد متوسط تولید کنند. اگر از یک مدل بخواهید یک نرم‌افزار، وب‌سایت یا ابزار ساده بسازد، در مدت کوتاهی نتیجه‌ای قابل قبول ارائه می‌دهد. همین موضوع باعث شده است که کیفیت متوسط دیگر مزیت محسوب نشود.

از نگاه او، تفاوت میان یک محصول معمولی و یک محصول ماندگار در همان مرحله پایانی شکل می‌گیرد؛ جایی که توجه به جزئیات، معماری نرم‌افزار، تجربه کاربری، مقیاس‌پذیری، خلاقیت و پرداخت نهایی اهمیت پیدا می‌کند.

او تأکید می‌کند که هیچ محصولی از همان نسخه نخست کامل نیست و تقریباً همه پروژه‌های موفق حاصل بازنگری و اصلاح مداوم هستند.

چن همچنین چن به سرعت پیشرفت عامل‌های برنامه‌نویس اشاره می‌کند و می‌گوید که گاهی بهتر است توسعه‌دهندگان به جای صرف زمان طولانی برای اصلاح نسخه قدیمی، تجربه‌های قبلی را حفظ کنند و همان پروژه را با نسل جدید مدل‌های هوش مصنوعی دوباره از ابتدا پیاده‌سازی نمایند.

به اعتقاد او، افرادی که این روحیه را دارند و حاضر هستند اندکی بیشتر برای کیفیت نهایی زمان صرف کنند، در فرایندهای استخدام نیز عملکرد بسیار بهتری از خود نشان می‌دهند.

06

از 07

هم فرصت‌های بیشتری خلق کنید و هم از آنها بهتر استفاده کنید

پنجمین توصیه فیل چن برای موفقیت شغلی در عصر هوش مصنوعی با الهام از فوتبال بیان شده است. او از شاخص xG یا «گل مورد انتظار» استفاده می‌کند تا توضیح دهد مسیر شغلی نیز مانند یک مسابقه فوتبال است. در فوتبال، تیمی موفق‌تر است که هم موقعیت‌های بیشتری برای گلزنی ایجاد کند و هم درصد بیشتری از آن فرصت‌ها را به گل تبدیل کند.

چن می‌گوید که همین منطق درباره مسیر حرفه‌ای نیز صدق می‌کند. افراد باید تلاش کنند در موقعیت‌هایی قرار بگیرند که فرصت‌های ارزشمند بیشتری مقابل آنها قرار گیرد و در عین حال، هنگام انتخاب میان این فرصت‌ها بهترین تصمیم را بگیرند.

او برای توضیح این موضوع به تجربه شخصی خود اشاره می‌کند. به گفته چن، در سال ۲۰۲۳ پیشنهاد همکاری از شرکت Anthropic و Cursor را دریافت کرده بود. در آن زمان Anthropic حدود ۵۰ نیروی تمام‌وقت داشت و Cursor نیز تنها دو نیروی غیرمؤسس استخدام کرده بود.

با وجود جذابیت هر دو پیشنهاد، او تصمیم گرفت در گوگل دیپ‌مایند روی آموزش و اجرای مدل‌های مرزی فعالیت کند. یک سال بعد نیز دوباره پیشنهاد همکاری از هر دو شرکت را رد کرد و OpenAI را انتخاب کرد.

چن تأکید می‌کند که هیچ‌یک از این انتخاب‌ها لزوماً تنها تصمیم درست نبودند. هر سه مسیر می‌توانستند آینده حرفه‌ای بسیار موفقی برای او رقم بزنند، اما او شرکتی را انتخاب کرد که بیشترین هم‌خوانی را با علایق، فرهنگ کاری و اهداف بلندمدت داشت.

به باور او، مسیر شغلی یک رقابت کوتاه‌مدت نیست و فرصت‌ها دائماً ایجاد می‌شوند. مهم این است که افراد با ساختن اعتبار حرفه‌ای و گسترش شبکه ارتباطی خود، احتمال قرار گرفتن در برابر فرصت‌های ارزشمند را افزایش دهند.

او توضیح می‌دهد که پیشنهاد همکاری با Cursor به دلیل اعتباری بود که نزد افراد مشترک با بنیان‌گذاران این شرکت به دست آورده بود و پیشنهاد Anthropic نیز نتیجه سال‌ها فعالیت روی موضوعاتی بود که برای آن شرکت اهمیت داشت.

با وجود این، چن تأکید می‌کند که دیدن فرصت‌ها به‌تنهایی کافی نیست. افراد باید بتوانند با جمع‌آوری اطلاعات کافی، در زمان مناسب بهترین تصمیم را نیز بگیرند.

او در پایان این بخش به نکته مهم دیگری اشاره می‌کند و می‌گوید که بسیاری از افراد هنگام ارزیابی استارت‌آپ‌ها بیش از اندازه روی محصول فعلی تمرکز می‌کنند، در حالی که محصول تقریباً همیشه تغییر می‌کند. آنچه اهمیت دارد، کیفیت تیم و اندازه بازاری است که آن تیم قصد ورود به آن را دارد.

چن برای تأکید بر این موضوع یادآوری می‌کند که نخستین نسخه نمایشی Anthropic تنها یک ربات ساده در Slack بود که حتی از نظر او عملکرد ضعیف‌تری از ChatGPT داشت، اما کیفیت تیم باعث شد این شرکت بعدها به یکی از بازیگران اصلی صنعت هوش مصنوعی تبدیل شود.

مرتبط: هوش مصنوعی، کارکنان مسن‌تر را از بازار کار کنار می‌ زند

07

از 07

ورود به پژوهش از همیشه آسان‌تر شده است

آخرین استراتژی فیل چن برای موفقیت شغلی در عصر هوش مصنوعی به پژوهش اختصاص دارد. او می‌گوید که در ماه‌های اخیر افراد زیادی از او پرسیده‌اند که چگونه می‌توان وارد پژوهش در حوزه هوش مصنوعی شد. پاسخ او این است که برخلاف گذشته، امروز برای آغاز فعالیت پژوهشی الزاماً نیازی به حضور در یکی از آزمایشگاه‌های بزرگ دنیا نیست.

چن توضیح می‌دهد که پژوهشگران جوان می‌توانند از مدل‌های موجود استفاده کنند، معیارهای ارزیابی جدید طراحی نمایند، در جدول‌های رتبه‌بندی عمومی شرکت کنند و از اعتبارهای رایگان شرکت‌هایی مانند Modal برای آزمایش ایده‌های خود بهره ببرند.

او تأکید می‌کند که بیشتر ایده‌ها در مقیاس بزرگ شکست خواهند خورد، اما همین شکست‌ها مهم‌ترین ابزار یادگیری هستند و درک دلایل شکست، نخستین گام برای ساختن راهکارهایی است که واقعاً در مقیاس بزرگ کار می‌کنند.

چن در پایان مقاله خود می‌نویسد که پژوهشگر بودن بیش از آنکه یک عنوان شغلی باشد، یک ذهنیت است. از نگاه او، پژوهشگر کسی است که کنجکاوی لازم را برای آزمودن ایده‌های جدید داشته باشد، بتواند با محدودیت‌های زیرساختی مقابله کند، سامانه‌ها را با جزئیات کامل بشناسد، مشکلات را سریع برطرف کند و ارزش نتایج خود را به‌گونه‌ای توضیح دهد که منابع بیشتری برای ادامه کار در اختیار او قرار گیرد.

او معتقد است همه این مهارت‌ها را می‌توان خارج از آزمایشگاه‌های پیشروی هوش مصنوعی نیز آموخت و تمرین کرد.

در جمع‌بندی، فیل چن تأکید می‌کند که جهان همچنان سرشار از فرصت‌های تازه است، اما موفقیت در این جهان دیگر تنها به توانایی برنامه‌نویسی یا حل مسائل مشخص وابسته نیست. از نگاه او، آینده متعلق به افرادی خواهد بود که بتوانند مسائل مهم را زودتر از دیگران تشخیص دهند، روابط حرفه‌ای ارزشمند بسازند، اعتبار خود را حفظ کنند، از فرصت‌های مناسب استفاده نمایند و در نهایت، کیفیتی ارائه دهند که فراتر از توان خروجی‌های معمول هوش مصنوعی باشد.