به گزارش اول فارس، تصور کنید وارد یک شرکت تکنولوژی پیشرو می‌شوید که صندلی‌های آن را مهندسان ارشد پر کرده‌اند، مانیتورها روشن است و پروژه‌ها با سرعت فوق‌العاده‌ای جلو می‌روند؛ اما هیچ‌کس حتی یک خط کد را به صورت دستی تایپ نمی‌کند. این تصویری واقعی از فضای استارتاپ‌های نوین مبتنی بر ایجنت‌های هوش مصنوعی تحت مدیریت فیل چن است. فیل چن، متخصص ارشد یادگیری ماشین و محقق سابق Scale AI، گوگل دیپ‌مایند و OpenAI، اخیراً در فرآیند جذب نیرو برای شرکت جدیدش متوجه تغییرات شگرفی در معیارهای استخدام شده است.

به باور او، موفقیت در عصر جدید از دل ابهاماتی حاصل می‌شود که هیچ ارتباطی به سازوکارهای سنتی و کلاسیک برنامه‌نویسی ندارند. سیستم‌های آموزشی سال‌ها ذهن ما را برای حل مسائلی با پاسخ‌های قطعی تربیت کرده‌اند، در حالی که مدل‌های هوش مصنوعی به راحتی در هر وظیفه‌ای که دارای یک تابع زیان (Loss Function) مشخص باشد، بر انسان غلبه می‌کنند. در چنین شرایطی، فیل چن بر اساس تجربه خود، ۶ استراتژی طلایی را برای هدایت بازی در عصر ماشین‌ها پیشنهاد می‌دهد.

 سرمایه‌گذاری روی منابع نایاب و روابط واقعی انسانی

پیش از پیوستن به شرکت Scale AI، پیشنهادهای مالی بسیار وسوسه‌کننده‌ای به فیل چن داده شد، اما او کار در این استارتاپ را به دلیل جامعه متخصصان و تنوع پروژه‌هایش انتخاب کرد. این تصمیم مسیر زندگی حرفه‌ای او را تغییر داد، زیرا ارتباطات عمیقی با توسعه‌دهندگان زیرساخت مدل‌های زبانی بزرگ برای او ایجاد کرد و همین شبکه‌سازی، کلید ورودش به دیپ‌مایند و OpenAI شد.

امروز دسترسی به سرمایه آسان‌تر از هر زمان دیگری است، اما زمان، روابط عمیق انسانی و اعتبار حرفه‌ای به شدت نایاب شده‌اند. در دنیایی که با ابزارهای هوش مصنوعی و تکنیک‌های برنامه نویسی سریع (Vibe-coding) می‌توان کارهای موقت و درآمدزا انجام داد، برندگان واقعی کسانی هستند که روی خلق ارزش پایدار و ساخت شبکه‌ای از افراد معتبر سرمایه‌گذاری می‌کنند.

حرکت از نقش حل‌کننده مسئله به سمت کاشف چالش‌ها

تیم فیل چن در فرآیند استخدام متوجه شد که سوالات الگوریتمی کلاسیک مانند پلتفرم Leetcode یا تست‌های طراحی سیستم دیگر کارایی ندارند. به همین دلیل آن‌ها روش مصاحبه را تغییر دادند؛ کاندیداها در یک محیط کاملاً ناآشنا رها می‌شوند تا سرعت درک شرایط، توانایی تشخیص مسائل ارزشمند و هدایت فرآیند تا رسیدن به نتیجه سنجیده شود.

امروز ایجنت‌های هوش مصنوعی بهترین حل‌کننده مسائل هستند، بنابراین ارزش انسان در کشف صورت‌مسئله و مدیریت توکن‌ها و منابع اختصاص‌یافته به ماشین‌ها تعریف می‌شود. شهود سطح بالا و درک بافتار دنیای واقعی، وجه تمایز نیروهای کارآمد است.

تمرکز بر سخت‌ترین و جاه‌طلبانه‌ترین جنبه‌های مسائل

قانون معروف درس تلخ (The Bitter Lesson) در پژوهش‌های هوش مصنوعی نشان می‌دهد که در بلندمدت، مقیاس‌پذیر کردن روش‌های عمومی همواره بر بهینه‌سازی‌های جزئی غلبه می‌کند. چن معتقد است این قانون در مسیر شغلی نیز صادق است. با ساده شدن توسعه نرم‌افزار به کمک هوش مصنوعی، کارهای معمولی ارزش خود را از دست می‌دهند. کارجویان باید به سراغ سخت‌ترین و عمیق‌ترین چالش‌ها بروند و در شرکت‌هایی فعالیت کنند که با بزرگ‌ترین فرم مسئله خود دست‌وپنجه نرم می‌کنند.

 تمرکز شدید بر مایل آخر و جزئیات نهایی پروژه

آلفرد لین، سرمایه‌گذار مطرح سیلیکون‌ولی، معتقد است ۱۰ درصد پایانی هر پروژه‌ای در واقع شامل ۹۰ درصد کار و ۹۰ درصد پاداش است. امروز با هوش مصنوعی هر کسی می‌تواند با یک پرامپت ساده خروجی متوسط بسازد، اما تفاوت اصلی در ۱۰ درصد پایانی کار مشخص می‌شود. این موضوع نیاز به صیقل دادن، اصلاح معماری و وسواس روی جزئیات دارد. گاهی با پیشرفت سریع ایجنت‌ها، بهتر است از کدهای قبلی گذشت و پروژه را از ابتدا با ابزارهای نسل جدید بازنویسی کرد.

افزایش شانس موفقیت و تحلیل پتانسیل تیم‌ها

با استفاده از استعاره فوتبالی شاخص امید گل (xG)، چن بیان می‌کند که قرارگیری در موقعیت‌های مناسب شرط اول موفقیت است. او خود در سال‌های ۲۰۲۳ و ۲۰۲۴ فرصت‌های کاری متعددی از استارتاپ‌های موفقی مانند Anthropic و Cursor را رد کرد تا در خط مقدم آموزش مدل‌ها در دیپ‌مایند و OpenAI باشد. او تاکید می‌کند که برای انتخاب یک شرکت نوپا، نباید به ظاهر اولیه محصول نگاه کرد، بلکه پتانسیل تیم اهمیت دارد؛ چرا که محصول اولیه شرکتی مانند آنتروپیک در ابتدا تنها یک ربات ساده در اسلک بود که ضعیف‌تر از چت‌جی‌پی‌تی عمل می‌کرد.

دستیابی به ذهنیت پژوهشی با ابزارهای در دسترس

پژوهش در دنیای هوش مصنوعی دیگر محدود به دانشگاه‌های خاص یا آزمایشگاه‌های دور از دسترس نیست. علاقه مندان می‌توانند با تست مداوم مدل‌ها، کشف نقاط ضعف سیستم‌ها، شرکت در لیدربوردهای عمومی و استفاده از اعتبارهای رایگان ابری ایده پردازی کنند. از نظر چن، پژوهشگری یک طرز فکر متشکل از کنجکاوی، توان فنی بالا برای کلنجار رفتن با زیرساخت، درک کامل سیستم برای رفع باگ‌ها و اثبات نتایج کار است.