دنیایی با ماشینهای متفکر نیازمند سبکهای جدید تفکر است. سبک تفکر پیشفرض ما در غرب علمی و عقلگرایانه است. آخرین باری که شنیدید کسی در یک جلسه درباره فرضیه یا نظریه صحبت میکند کی بود؟ آخرین باری که برای حل یک مسئله نشستید، به خودتان یادآوری کردید که از اصول اولیه فکر کنید کی بود؟ آخرین باری که یک آزمایش در کار یا زندگی شخصی خود امتحان کردید کی بود؟
حتی چارچوبهایی که برای درک تجارت استفاده میکنیم علمی هستند: بعید است که پروفسور مایکل پورتر از دانشکده بازرگانی هاروارد بدون الهام از فیزیک به دنبال یا یافتن پنج "نیرو" حاکم بر تجارت بوده باشد. چارچوب مشاغل انجام شده توسط کلی کریستنسن نزدیک به یک نظریه اتمی از ایدههای استارتاپی است.
ما علم و عقلگرایی را رمانتیک میکنیم زیرا بسیار موفق بودهاند. از زمان روشنگری، زمانی که گالیله، نیوتن، دکارت و کوپرنیک شروع به تفکر به این شیوه کردند، ما از عقلگرایی برای ایجاد مدرنیته استفاده کردهایم. این جایی است که موشکها و واکسنها را از آنجا میگیریم و چگونه کامپیوترها و گوشیهای هوشمند را به دست میآوریم.
اما فناوریهای جدید نیازمند سبکهای جدید تفکر هستند. با آشکار شدن عصر هوش مصنوعی، ما در حال دور شدن از چیزی هستیم که آندری کارپاتی، مهندس سابق تسلا و OpenAI، نرمافزار 1.0 مینامد—نرمافزاری که از دستورالعملهای نوشته شده توسط انسان تشکیل شده است و از یک سبک تفکر علمی و عقلگرایانه بهره میبرد.
در عوض، ما به سمت نرمافزار 2.0 حرکت میکنیم (تغییری که مایکل تیلور اخیراً در مورد آن نوشت)، جایی که ما هدفی را که میخواهیم به آن برسیم توصیف میکنیم و مدلی را برای دستیابی به آن آموزش میدهیم. به جای اینکه یک انسان دستورالعملهایی را برای پیروی کامپیوتر بنویسد، آموزش با جستجو در فضای برنامههای ممکن تا زمانی که برنامهای را پیدا کنیم که کار میکند، انجام میشود. در نرمافزار 2.0، مسائل علمی—که مربوط به نظریهها و قوانین رسمی است—به مسائل مهندسی تبدیل میشوند، که مربوط به دستیابی به یک نتیجه است.
این تغییر—از علم به مهندسی—تاثیر عظیمی بر نحوه تفکر ما در مورد حل مسائل و نحوه درک ما از جهان خواهد داشت. در اینجا برخی از یادداشتهای مقدماتی من در مورد نحوه به نظر من این تغییر چگونه انجام خواهد شد، آورده شده است.
۱. ذاتها در مقابل توالیها
در دنیای پیش از هوش مصنوعی، چه در حال ساخت نرمافزار یا تیمها بودید، یا در حال نوشتن کتاب یا طرحهای بازاریابی، باید مشکلاتی را که با آنها روبرو بودید به عناصر اصلیشان—ذاتشان—کاهش میدادید و از آنجا به جلو حرکت میکردید. در ساخت نرمافزار، باید کاربر اصلی خود و مشکلی را که میخواهید حل کنید، تعریف کنید؛ در نوشتن کتاب، به یک پایاننامه و یک طرح کلی نیاز دارید.
در دنیای پس از هوش مصنوعی، ما کمتر نگران ذات هستیم و بیشتر نگران توالی: زنجیره رویدادهای اساسی که منجر به وقوع یک چیز معین میشود. مدلهای زبانی این کار را انجام میدهند زمانی که پیشبینی میکنند چه کلمهای در یک رشته کاراکترها بعداً میآید. ماشینهای خودران نیز این کار را انجام میدهند زمانی که پیشبینی میکنند از یک توالی دادههای ویدیویی، عمقی و GPS کجا رانندگی کنند.
برای درک بهتر این موضوع، مورد یک ویژگی جلوگیری از ریزش برای یک تجارت SaaS را در یک دنیای پیش از هوش مصنوعی در نظر بگیرید. برای جلوگیری خودکار از ریزش یک مشتری، باید با قوانین صریح تعریف میکردید که یک مشتری که ممکن است ریزش کند چگونه به نظر میرسد—به عنوان مثال، اگر در یک تعداد مشخص از ماهها وارد برنامه شما نشده باشند، یا اگر کارت اعتباری آنها به زودی منقضی شود. این جستجو برای ذاتها است.
در دنیای پس از هوش مصنوعی، در مقابل، نیازی نیست که به طور صریح تعریف کنید که یک مشتری که در آستانه ریزش است چگونه به نظر میرسد، یا کدام مداخلاتی را ممکن است در چه شرایطی استفاده کنید.
تنها کاری که باید انجام دهید این است که توالیهایی را که منجر به ریزش میشوند، شناسایی کنید. برای هر مشتری که ریزش میکند، میتوانید 100 روز آخر دادههای کاربری آنها را وارد یک مدل طبقهبندی کنید که ورودیها را دستهبندی میکند. سپس میتوانید همین کار را برای مشتریانی که ریزش نکردهاند انجام دهید. شما یک مدل ایجاد خواهید کرد که میتواند تشخیص دهد چه کسی احتمالاً ریزش میکند، در تمام هزاران جایگشت آنها، بدون هیچ قانونی. این همان چیزی است که جستجو برای توالیها به معنای آن است.
۲. قوانین در مقابل الگوها
راه دیگری برای فکر کردن در مورد ذاتها در مقابل توالیها، به ویژه زمانی که صحبت از وظایف فکری و خلاقانه به میان میآید، به عنوان یک تغییر از جستجو برای قوانین به جستجو برای الگوها است.
در یک دنیای پیش از هوش مصنوعی، باید قوانین بازیای را که در آن بازی میکردید تعریف میکردید—از اصول اولیه فکر کنید و آنها را در شرایط خود اعمال کنید. در یک دنیای پس از هوش مصنوعی، باید مدلهایی را بسازید و از آنها استفاده کنید که الگوهای اساسی را تشخیص میدهند—الگوهایی که نمیتوان آنها را به قوانین ساده کاهش داد.
ساخت نرمافزار را در نظر بگیرید. پیش از هوش مصنوعی، باید دقیقاً مشخص میکردید که کاربر چه وظایفی را میخواهد بتواند انجام دهد و دقیقاً چگونه میخواهید سیستم رفتار کند، بنابراین میتوانید آن تعاریف را در قوانینی که توسط برنامهنویسان نوشته شده و توسط یک کامپیوتر قابل خواندن است، رمزگذاری کنید.
با این حال، در یک دنیای پس از هوش مصنوعی، به جای تعریف قوانین، باید به دنبال مثالها باشید. نیازی نیست که به طور صریح مشخص کنید که کاربران چه کاری میتوانند با برنامه شما انجام دهند و چه کاری نمیتوانند. میتوانید یک تابلوی الهام از عناصر رابط کاربری مورد علاقه خود ایجاد کنید، یا یک لیست سطح بالا از نحوه رفتار برنامه خود—و هوش مصنوعی الگوها را در ورودی شما شناسایی میکند و آنها را به یک مجموعه قوانین ترجمه میکند.
یا شاید شما یک تیم خلاق را اداره میکنید. در یک دنیای پیش از هوش مصنوعی، برای ایجاد انسجام، باید کار خود را به اصول و سیستمها کاهش میدادید تا نویسندگان و طراحان بتوانند به طور مداوم صدای و سبک برند شما را ثبت کنند.
در یک دنیای پس از هوش مصنوعی، لزوماً نیازی نیست که کار خود را به این شکل کاهش دهید. در عوض، میتوانید مثالهایی پیدا کنید که نشاندهنده سلیقه و صدای شما هستند و آنها را وارد مدلها کنید، که میتوانند الگوهایی را که پیدا میکنند بدون پیروی از قانون بازتولید کنند.
این تکنیک هر یک از اعضای تیم خلاق شما را با ابزاری مسلح میکند که میتواند سلیقه شما را تکرار کند—ابزاری که میتواند با مثالهای جدید تکامل یابد و آنچه را که قبلاً نمیتوانست به کلمات درآورد، ثبت کند.
ارز در این دنیا مثالهای خوب برای آموزش تطبیقدهنده الگو شما هستند، نه قوانین صریح برای پیروی.
۳. فرآیند در مقابل شهود
اگر به جای ذاتها به دنبال توالیها هستید، این کار را انجام میدهید تا بتوانید به جای فرآیند، شهود ایجاد کنید.
در یک دنیای پیش از هوش مصنوعی، برای ساخت یک برنامه، باید ایده خود را به یک فرآیند کاهش میدادید—مجموعهای از قوانینی که نرمافزار شما با آن عمل میکند تا به هدفی که تعیین کردهاید برسد. گاهی اوقات این کار آسان بود. به عنوان مثال، یک مدیر ارتباط با مشتری مانند Salesforce به طور طبیعی قابل کاهش به قوانین است.
در یک دنیای پس از هوش مصنوعی، میتوانید برنامههایی را برای وظایفی بسازید که نمیتوان آنها را به قوانین کاهش داد. به عنوان مثال، تشخیص نوری کاراکتر (OCR)، فناوریای که به کامپیوترها اجازه میدهد متن را در تصاویر تشخیص دهند، در نظر بگیرید. OCR در سطح انسان قابل کاهش به مجموعهای از قوانین نیست، اما رویکردهای یادگیری عمیق که اکنون در برنامههایی مانند ChatGPT رایج هستند، به شما امکان میدهند نرمافزاری ایجاد کنید که نوعی "شهود" برای تشخیص کاراکترها دارد.
بسیاری از بخشهای دیگر جهان وجود دارد که در آن این نوع فرآیند فکری شهودی مهم است، اما قبلاً نرمافزار قادر به لمس آن نبود. یک سرمایهگذار خطرپذیر را در نظر بگیرید که در حال ارزیابی یک ارائه استارتاپی است یا یک پزشک که در حال ارزیابی یک بیمار است. آنها ممکن است بتوانند فرآیند فکری خود را با کلمات بیان کنند، اما چیزی در زیر آن کلمات وجود دارد که اساساً غیرقابل توصیف است—و، تا همین اواخر، غیرقابل انتقال.
در یک دنیای پس از هوش مصنوعی، این متفاوت است. شهود قابل انتقال و قابل استفاده است. در ذهن هیچکس گیر نکرده است و لازم نیست که به فرآیند کاهش یابد.
۴. مجسمهسازی در مقابل باغبانی
اگر ماده خام برای کار خلاقانه به جای قوانین، ذاتها و فرآیندها به توالیها و شهود تبدیل شود، نحوه انجام کار شما به طور قابل توجهی متفاوت به نظر میرسد. بیشتر شبیه باغبانی به نظر میرسد تا مجسمهسازی.
در یک دنیای پیش از هوش مصنوعی، کار خلاقانه شبیه مجسمهسازی بود. چه کدنویسی میکردید یا مینوشتید، مسئولیت داشتید که یک بلوک مرمر را بگیرید و آن را، ذره ذره، به شکلی که در سرتان بود، شکل دهید. هر ضربه چکش مال شما بود و فقط مال شما، و هر خمیدگی در مواد محصول ذهن شما بود.
در یک دنیای پس از هوش مصنوعی، کار خلاقانه شبیه باغبانی است. وظیفه باغبان این نیست که یک برگ را از خاک بتراشد. بلکه ایجاد شرایط نور، خاک و آبی است که به یک گیاه اجازه رشد میدهد. این همان چیزی است که کدنویسی، به عنوان مثال، با ویرایشگر کد هوش مصنوعی Cursor شبیه آن است: این بیشتر در مورد ایجاد شرایط برای انجام کار است—با درخواست از مدل با آنچه میخواهید بسازید—تا تایپ کد تکه تکه.
۵. توضیحات در مقابل پیشبینیها
جستجو برای قوانین و ذاتها، وسواس با فرآیند و مجسمهسازی، در نهایت جستجو برای توضیحات است. توضیحات جام مقدس غرب هستند—آنها چیزی هستند که ما در علم، تجارت و زندگی به دنبال آن هستیم. سوالاتی را در نظر بگیرید که ما تمایل داریم از هر فرد موفقی بپرسیم: "آیا میتوانید توضیح دهید چگونه به اینجا رسیدید؟ رازهای شما چیست؟"
سوالاتی را در نظر بگیرید که ما از شرکتهای موفق میپرسیم: "چگونه رشد آنها را توضیح دهیم؟ چگونه لشکر طرفداران آنها را توضیح دهیم؟" هدف ما یافتن توضیحات است، زیرا آنچه را که میتوانید توضیح دهید میتوانید کنترل کنید.
اما به دست آوردن توضیحات به طرز مشهوری دشوار است. دلیل اینکه افراد باهوش تجاری کتابهایی مانند مانند زاکر فکر کن: پنج راز تجاری مدیر عامل درخشان غیرمحتمل فیس بوک مارک زاکربرگ—یک کتاب واقعی، به هر حال—نمیخوانند این است که ما میدانیم بعید است که حاوی توضیحات واقعی برای موفقیت مارک زاکربرگ باشد. زاکربرگ ممکن است بتواند برخی از آن را توضیح دهد، اما حتی او احتمالاً میگوید که شهود اساسیای را توسعه داده است که تصمیمگیری او را هدایت میکند که کاملاً قابل توضیح نیست.
در یک دنیای پس از هوش مصنوعی، ما پیشبینیها را بر توضیحات اولویت میدهیم، به ویژه در دامنههای پیچیده. هوش زاکربرگ ممکن است قابل کاهش به قوانین نباشد، اما اگر توالیهای مناسب برای آموزش شهود آن داده شود، میتواند در یک مدل محصور شود. این در علم نیز شروع به رخ دادن است. برندگان جایزه نوبل 2024 در فیزیک و شیمی دانشمندان کامپیوتری بودند که معماریهایی را برای پیشبینیهای بهتر ساختند، نه فیزیکدانانی که توضیحات بهتری ارائه داده بودند.
پیگیری پیشبینیها بر توضیحات مسائل علمی را به مسائل مهندسی تبدیل میکند. سوال این نیست که "این چیست؟" بلکه "چگونه چیزی بسازم که آن را پیشبینی کند؟"
تغییر از علم به مهندسی بزرگترین تقویت برای پیشرفت در این قرن خواهد بود. ما را فراتر از عقلگرایی روشنگری به روشهای کاملاً جدید دیدن جهان—و خودمان—منتقل میکند.
Dan Shipper بنیانگذار و مدیرعامل Every است، جایی که ستون Chain of Thought را مینویسد و میزبان پادکست AI & I است. میتوانید او را در X با نام @danshipper و در LinkedIn دنبال کنید، و Every را در X با نام @every و در LinkedIn دنبال کنید.