چهار توصیه برای ماندگاری شغلی در عصر هوش مصنوعی.

Every day, more and more people are becoming concerned about the impact artificial intelligence (AI) will have on their jobs. Here is a four-step suggested strategy for thriving in the age of AI:

1. Embrace. The first step is to acknowledge that AI will continue to have a significant impact on intellectual jobs. Embrace the changes AI brings and learn new skills to stay relevant. Bend with the wind.

2. Collaborate. Work alongside AI, leveraging its strengths to complement your own. Two heads are better than one.

3. Differentiate. If you want to be chosen over AI, you should highlight what sets you apart. For example, while AI can process data faster, your ability to understand nuanced human emotions and create innovative solutions is a unique advantage. Show your true colors.

4. Evolve. Your advantage over AI may not last long. As AI advances, so must you. You need to continually find new ways to excel. Stay ahead of the curve.

https://www.linkedin.com/feed/update/urn:li:share:7229207521587060736/

دیروز شرکت OpenAI جدیدترین مدل خود را که پیش‌نمایشی از مدل o1 است معرفی کرد. این مدل که قبلا با نام‌های *Q و توت‌فرنگی در رسانه‌ها مطرح شده بود، قدرت استنتاج و استدلال پیشرفته‌تری از مدل‌های قبلی ارائه می‌دهد. البته این فرآیند استدلال باعث کندتر بودن تولید پاسخ شده است. برای بررسی این مدل، یک سوال ساده‌ی استدلالی را از دو مدل ChatGPT o1-preview و ChatGPT 4o پرسیدیم. همانطور که مشاهده می‌کنید مدل جدید برخلاف مدل قبلی توانسته است به این سوال به درستی پاسخ دهد. البته این یک تست ساده برای یک بررسی اولیه است، درحالی‌که ادعا شده است که این مدل برای حل مسائل پیچیده‌ی ریاضی، کدینگ و علوم توانمندی قابل توجهی دارد. بعنوان نمونه، مدل 4o برای مسائل المپیاد ریاضی دقت ۱۳٪ را به‌دست آورده است، درحالی‌که نسل جدید به دقت ۸۳٪ رسیده است.

جایزه‌ی نوبل فیزیک سال ۲۰۲۴ به جفری هینتون و جان هاپفیلد برای اکتشافات و اختراعات بنیادی آنها که امکان یادگیری ماشین را با استفاده از شبکه‌های عصبی مصنوعی ممکن کرد اختصاص یافت. آقای هینتون در سال ۲۰۱۸ هم به همراه دو دانشمند دیگر جایزه‌ی تورینگ (معادل جایزه‌ی نوبل علوم کامپیوتر) را به‌دست آورده بود. ماشین بولتزمن و شبکه‌ی هاپفیلد که از مفاهیم فیزیک برای یادگیری ماشین استفاده می‌کنند، از دلایل اختصاص نوبل فیزیک به این دو دانشمند هستند.

https://www.nobelprize.org/prizes/physics/2024/press-release

هوش مصنوعی در جایزه‌ی نوبل شیمی ۲۰۲۴ هم حضور داشت. نیمی از این جایزه به Demis Hassabis و John M. Jumper از دیپ‌مایند بدلیل مدیریت پروژه‌ی آلفافولد اختصاص یافت. این سیستم برای پیش‌بینی ساختار سه‌بُعدی پروتئین‌ها با استفاده از یادگیری ماشین توسعه یافت. نیم دیگر این جایزه به David Baker بدلیل نقش وی در استفاده از تکنیک‌های محاسباتی برای طراحی پروتئین‌های جدید اختصاص داده شد.

https://www.nobelprize.org/prizes/chemistry/2024/press-release/

مدل o1 که ۴۰ روز پیش از حالت پیش‌نمایش خارج و نسخه‌ی کامل آن ارائه شد، یک ویژگی مهم دارد: مقیاس کردن در زمان استنتاج (inference-time scaling). منظور از این ویژگی چیست؟
همان‌طور که می‌دانیم روند پیشرفت مدل‌های زبانی به سمت مقیاس کردن در فاز آموزش بوده است: استفاده از داده‌های بیشتر و آموزش مدل‌های بزرگ‌تر برای به‌دست آوردن نتایج بهتر. مدل o1 مسیر دیگری را پیموده است: برای بهبود نتایج، به مدل اجازه داده می‌شود که در هنگام تولید خروجی (فاز استنتاج)، فرصت تولید خروجی بیشتر یا حتی تولید خروجی‌های مختلف و انتخاب از بین آنها داشته باشد.
به‌دلیل این ویژگی، مدل o1 برای مسائلی که بین تولید پاسخ و بررسی صحت پاسخ، فاصله وجود دارد (generation-verification gap) مناسب است. منظور، مسائلی است که تولید پاسخ، مشکل‌تر از بررسی صحت پاسخ است. به‌عنوان مثال، برای اثبات یک قضیه، تولید اثبات، مشکل‌تر از بررسی صحت یک اثبات است. ویژگی مقیاس کردن در زمان استنتاج این امکان را برای o1 فراهم می‌کند که با تولید اثبات‌های مختلف و بررسی صحت آنها به سمت اثبات درست حرکت کند.

یکی از منابع خوب برای پیگیری اخبار مربوط به هوش مصنوعی، هفته‌نامه‌ی Batch شرکت DeepLearning.AI آقای Andrew Ng است. تصمیم گرفتم با کمک NotebookLM هر هفته یک پادکست فارسی کوتاه از این منبع در کانال قرار دهم. پادکست مربوط به لینک زیر را در این فایل بشنوید.
https://www.deeplearning.ai/the-batch/issue-300/

پادکست اخبار هوش مصنوعی (۱۴ می ۲۰۲۵)، تولید شده از طریق NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-301/

پادکست اخبار هوش مصنوعی (۲۱ می ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-302/

پادکست اخبار هوش مصنوعی (۲۸ می ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-303/

این سند را امروز بازخوانی کردم و تغییراتی با توجه به پیشرفت‌های دو سال اخیر در آن اِعمال کردم.

آیا با ادامه دادن پادکست اخبار هوش مصنوعی موافق هستید؟
anonymous poll

بله، مفید است و گوش می‌دهم. – 107
👍👍👍👍👍👍👍 86%

خیر، صرف‌نظر می‌کنم. – 18
👍 14%

👥 125 people voted so far.

پادکست اخبار هوش مصنوعی (۴ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-304

مطالعه‌ای جدید از MIT نشان داده که افرادی که برای نوشتن انشا از ChatGPT استفاده کرده‌اند، فعالیت مغزی بسیار کمتری نسبت به افرادی داشته‌اند که خودشان متن را نوشته‌ یا از گوگل برای جستجو استفاده کرده‌اند.
یافته‌ی دیگر این بود که متن‌های تولیدشده توسط این کاربران تمایل به استفاده از واژگان و ایده‌های مشترک داشتند؛ استفاده از هوش مصنوعی نوعی اثر همگن‌سازی ایجاد کرده بود.

https://newyorkermag.visitlink.me/hWuRQz

پادکست اخبار هوش مصنوعی (١١ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-305

پادکست اخبار هوش مصنوعی (۱۸ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-306

پادکست اخبار هوش مصنوعی (۲۵ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-307