تورق

همخوانی رشد 4 | طراحی اکوسیستم و پلتفرم سلام به همه دوستان عزیز 🌱 خیلی از کسب‌وکارهای بزرگ دنیا از آمازون و اپل گرفته تا اوبر و حتی OpenAI صرفاً یک شرکت نیستند. بلکه شبکه‌ای از کاربران، توسعه‌دهندگان، تأمین‌کنندگان، داده‌ها و سرویس‌ها که ارزش را به‌صورت…

پرسش اصلی این نیست که آیا هوش مصنوعی می‌تواند مانند انسان فکر کند؟ پرسش مهم‌تر این است که هوش مصنوعی چگونه شیوه فکر کردن، تصمیم گرفتن و هماهنگ شدن ما را تغییر می‌دهد؟ 🆔 @tavaroghstd

منبع: کتاب حکایت دولت و فرزانگی 🆔 @tavaroghstd

تورق pinned «همخوانی رشد 4 | طراحی اکوسیستم و پلتفرم سلام به همه دوستان عزیز 🌱 خیلی از کسب‌وکارهای بزرگ دنیا از آمازون و اپل گرفته تا اوبر و حتی OpenAI صرفاً یک شرکت نیستند. بلکه شبکه‌ای از کاربران، توسعه‌دهندگان، تأمین‌کنندگان، داده‌ها و سرویس‌ها که ارزش را به‌صورت…»

همخوانی رشد 4 | طراحی اکوسیستم و پلتفرم سلام به همه دوستان عزیز 🌱 خیلی از کسب‌وکارهای بزرگ دنیا از آمازون و اپل گرفته تا اوبر و حتی OpenAI صرفاً یک شرکت نیستند. بلکه شبکه‌ای از کاربران، توسعه‌دهندگان، تأمین‌کنندگان، داده‌ها و سرویس‌ها که ارزش را به‌صورت جمعی خلق می‌کنند. ما در تورق در سال‌های اخیر بارها درباره پلتفرم‌، اثر شبکه‌ای و آینده کسب‌وکارها صحبت کردیم. در دوره همخوانی 4 قصد داریم یکبار 5 مقاله‌ی مرجع و معتبر در حوزه طراحی اکوسیستم و پلتفرم را با هم بخوانیم و درباره‌شان گفتگو کنیم. مقالاتی که در پنج جلسه می‌خوانیم جلسه اول: Pipelines, Platforms, and the New Rules of Strategy چرا مدل‌های خطی کسب‌وکار دیگر کافی نیستند و پلتفرم‌ها قواعد استراتژی را تغییر داده‌اند. جلسه دوم: The Dynamics of Network Effects اثر شبکه‌ای چیست، چگونه تقویت می‌شود و چرا بعضی شبکه‌ها هرگز به نقطه‌ی جهش نمی‌رسند. جلسه سوم: Why Some Platforms Thrive and Others Don’t تحلیل موفقیت و شکست پلتفرم‌ها با مثال‌های واقعی از بازارهای دیجیتال. جلسه چهارم: Finding the Platform in Your Product چگونه در یک محصول معمولی، فرصت تبدیل شدن به پلتفرم را کشف کنیم. جلسه پنجم: Competing in the Age of AI بررسی اینکه هوش مصنوعی چگونه مرز میان شرکت، پلتفرم و اکوسیستم را تغییر می‌دهد و نسل بعدی کسب‌وکارهای شبکه‌ای چه شکلی خواهند بود. هر جلسه مثل همیشه حدود ۱.۵ تا ۲ ساعت طول می‌کشد. برای ثبت نام از این لینک استفاده کنید. (https://survey.porsline.ir/s/kHOFyGO) 🆔@tavaroghstd

نظرسنجی دوره همخوانی به صورت همزمان در کانال تلگرام و بله تورق منتشر شده است. تا این لحظه رقابت بسیار تنگاتنگ هست. 1️⃣نگاه استراتژیک به هوش مصنوعی 39 رای 2️⃣طراحی اکوسیستم‌ها و پلتفرم‌ها 39 رای 3️⃣بررسی دیدگاه‌های کارافرینان 28 رای کسانی که رای ندادند هم…

تا زمانی که هوش مصنوعی صرفاً به داده‌ها یا دستورات دسترسی داشته باشد، نقش آن به یک ابزار پیشرفته محدود خواهد ماند. اما زمانی که بتواند منطق تصمیم‌گیری سازمان را نیز بازنمایی کند، ماهیت آن تغییر خواهد کرد. در آن نقطه، دیگر سیستم فقط مجری فرآیندها نیست، بلکه به بخشی از فرآیند تصمیم‌گیری سازمان تبدیل می‌شود. شاید بتوان این پارادایم جدید را «ارکستریشن شناختی» نامید. در این پارادایم، دیگر هدف، هماهنگ کردن فرآیندها یا بازیگران نیست؛ بلکه هماهنگ کردن تصمیم‌ها بر اساس درکی مشترک از اهداف و نیت سازمان است. هر زیرسیستم، هر عامل هوشمند و هر عضو اکوسیستم، به جای اجرای کورکورانه قوانین، تلاش می‌کند هدف کل سیستم را درک کند و متناسب با شرایط همان لحظه، بهترین تصمیم را بگیرد. اگر چنین آینده‌ای محقق شود، مدیران دیگر بخش عمده‌ای از زمان خود را صرف نوشتن فرآیندها، دستورالعمل‌ها و کنترل اجرای آنها نخواهند کرد. وظیفه اصلی آنها، تعریف دقیق اهداف، ارزش‌ها، محدودیت‌ها و منطق تصمیم‌گیری سازمان خواهد بود؛ زیرا این همان چیزی است که هوش مصنوعی بر مبنای آن تصمیم خواهد گرفت. به همین دلیل، تصور می‌کنم مزیت رقابتی آینده سازمان‌ها از داشتن مدل‌های زبانی بزرگ یا ابزارهای هوش مصنوعی عمومی به دست نخواهد آمد. مزیت واقعی زمانی شکل می‌گیرد که هر سازمان بتواند «آگاهی سازمانی» خود را درون سیستم‌های هوشمندش نهادینه کند. در آن صورت، هوش مصنوعی دیگر یک ابزار عمومی نخواهد بود؛ بلکه به بازنمایی دیجیتال ذهن سازمان تبدیل خواهد شد. شاید سال‌ها بعد، وقتی به امروز نگاه کنیم، هوش مصنوعی را نه به خاطر سرعت بیشتر یا هزینه کمتر، بلکه به عنوان نقطه آغاز پارادایم چهارم مدیریت به یاد بیاوریم؛ پارادایمی که در آن، برای نخستین بار، سیستم‌ها نه فقط قوانین، بلکه اهداف و منطق تصمیم‌گیری سازمان را نیز درک می‌کنند. 🆔@tavaroghstd

هوش مصنوعی، پارادایم چهارم مدیریت؛ نه صرفاً یک فناوری بیشتر تحلیل‌هایی که این روزها درباره هوش مصنوعی می‌خوانیم، بر یک محور مشترک متمرکزند؛ اینکه AI هزینه‌ها را کاهش می‌دهد، بهره‌وری را افزایش می‌دهد، بسیاری از فعالیت‌ها را خودکار می‌کند و در نهایت جای بخشی از نیروی انسانی را می‌گیرد. هرچند این گزاره‌ها درست‌اند، اما به نظر من هیچ‌کدام توضیح نمی‌دهند که چرا هوش مصنوعی تا این اندازه اهمیت دارد و چرا بسیاری آن را هم‌سنگ انقلاب صنعتی یا ظهور اینترنت می‌دانند. برای پاسخ به این سؤال، شاید لازم باشد یک گام به عقب برداریم و از خود بپرسیم که اساساً علم مدیریت در طول تاریخ چه مسئله‌ای را حل کرده است؟ پاسخ رایج این است که مدیریت برای افزایش سود، کاهش هزینه یا برنامه‌ریزی، سازماندهی و کنترل به وجود آمده است. اما به نظر من این‌ها بیشتر ابزارها و پیامدهای مدیریت هستند تا مسئله اصلی آن. اگر بخواهیم مدیریت را در یک جمله خلاصه کنیم، شاید بتوان گفت مدیریت یعنی *توانایی تحقق اهداف در شرایط عدم قطعیت*. جهان ذاتاً سرشار از عدم قطعیت است؛ رفتار انسان‌ها، تغییرات بازار، فناوری، قوانین، رقبا و حتی شرایط محیطی همگی می‌توانند نتیجه یک تصمیم را تغییر دهند. به همین دلیل، تاریخ مدیریت را می‌توان تاریخ تلاش بشر برای کاهش اثرات این عدم قطعیت دانست. هر بار که پیچیدگی جهان از ظرفیت روش‌های قبلی فراتر رفته، پارادایم جدیدی در مدیریت شکل گرفته است.   پارادایم اول: استانداردسازی رفتار انسان در دوره‌ای که نیروی انسانی مهم‌ترین منبع تولید محسوب می‌شد، بزرگ‌ترین منبع عدم قطعیت نیز رفتار انسان بود. از ارتش‌های منظم و نظام برده‌داری گرفته تا مدیریت علمی فردریک تیلور، همگی یک هدف مشترک داشتند و آن اینکه رفتار انسان را تا حد امکان قابل پیش‌بینی کنند. تقسیم کار، دستورالعمل‌های اجرایی، زمان‌سنجی و استانداردسازی، همگی ابزارهایی برای کاهش عدم قطعیتی بودند که از رفتار افراد ناشی می‌شد.   پارادایم دوم: استانداردسازی فرایند با بزرگ‌تر شدن سازمان‌ها، مشخص شد که حتی اگر رفتار افراد نیز استاندارد شود، کل سازمان همچنان می‌تواند غیرقابل پیش‌بینی عمل کند. در نتیجه، تمرکز مدیریت از انسان به فرآیند منتقل شد. مفاهیمی مانند مدیریت فرآیند، ERP، BPM، کنترل کیفیت و استانداردهای مدیریتی، همگی بر این ایده استوار بودند که اگر جریان خلق ارزش استاندارد شود، خروجی سازمان نیز قابل اتکا خواهد بود.   پارادایم سوم: ارکستریشن پلتفرم‌ها با ظهور اینترنت و اقتصاد دیجیتال، مسئله بار دیگر تغییر کرد. دیگر تمام ارزش در داخل یک سازمان خلق نمی‌شد، بلکه میان هزاران تأمین‌کننده، توسعه‌دهنده، شریک تجاری و مشتری توزیع شده بود. در چنین شرایطی، استاندارد کردن فرآیندهای داخلی دیگر پاسخگو نبود. سازمان‌ها به این نتیجه رسیدند که لازم نیست مالک تمام اجزای زنجیره ارزش باشند؛ کافی است معماری تعامل میان آنها را طراحی کنند. پلتفرم‌هایی مانند آمازون، اوبر، اندروید یا ویزا دقیقاً بر همین منطق شکل گرفتند. آنها بیش از آنکه مالک منابع باشند، قواعد تعامل میان میلیون‌ها بازیگر مستقل را طراحی می‌کنند. به همین دلیل، پارادایم سوم را می‌توان گذار از «مدیریت سازمان» به «ارکستریشن اکوسیستم» دانست.   پارادایم چهارم: ارکستریشن شناختی اما به نظر من، هوش مصنوعی آغاز پارادایم چهارمی است که تفاوت آن بسیار عمیق‌تر از افزایش سرعت یا اتوماسیون است. در هر سه پارادایم گذشته، یک ویژگی مشترک وجود داشت: انسان باید هدف خود را به مجموعه‌ای از قوانین، فرآیندها و دستورالعمل‌های دقیق ترجمه می‌کرد. هرچه سیستم پیچیده‌تر می‌شد، تعداد این قوانین نیز بیشتر می‌شد. در واقع، زبان مشترک میان انسان و سیستم همیشه «قانون» بود. هوش مصنوعی این زبان را تغییر داده است. برای نخستین بار، دیگر لازم نیست همه قواعد از قبل نوشته شوند. کافی است هدف مشخص شود. سیستم هوشمند می‌تواند شرایط را تحلیل کند، زمینه را درک کند، میان گزینه‌های مختلف استدلال کند و خود، قواعد مناسب را برای رسیدن به آن هدف تولید کند. به همین دلیل، تصور می‌کنم هوش مصنوعی صرفاً نسل جدید اتوماسیون نیست؛ بلکه نسل جدیدی از مدیریت است. اما به اعتقاد من، این تحول تنها زمانی رخ می‌دهد که هوش مصنوعی به سطحی از «آگاهی سازمانی» برسد. منظور من از آگاهی، خودآگاهی فلسفی نیست؛ بلکه توانایی سیستم برای ساختن یک مدل ذهنی از سازمان است. سیستمی که بداند این سازمان چه هدفی را دنبال می‌کند، موفقیت را چگونه تعریف می‌کند، میان هزینه، کیفیت، سرعت، ریسک و رضایت مشتری چه اولویت‌هایی دارد، چه محدودیت‌هایی را باید رعایت کند و ارزش‌های بنیادین آن چیست.

نظرسنجی دوره همخوانی به صورت همزمان در کانال تلگرام و بله تورق منتشر شده است. تا این لحظه رقابت بسیار تنگاتنگ هست. 1️⃣نگاه استراتژیک به هوش مصنوعی 39 رای 2️⃣طراحی اکوسیستم‌ها و پلتفرم‌ها 39 رای 3️⃣بررسی دیدگاه‌های کارافرینان 28 رای کسانی که رای ندادند هم ظرف تا آخر هفته رای خودشون رو به صندوق بندازند تا تصمیم نهایی رو بگیریم🙏

تورق pinned «اطلاعیه دوره چهارم همخوانی رشد سلام به همه‌ی همراهان عزیز کانال تورق امیدوارم حالتون خوب باشه و در صحت و سلامت کامل باشید. با برنامه‌ریزی‌های انجام‌شده، قصد دارم دوره چهارم همخوانی رشد رو با کمک خود شما برگزار کنم. برای این دوره، سه موضوع زیر رو بهش فکر…»

اگر فردا آخرین روز زندگی‌ات باشد... اگر می‌دانستی فردا خواهی مرد، آیا برنامه‌های امروزت را عوض می‌کردی؟ آیا با زندگی‌ات کاری جز آنچه تا امروز کرده‌ای، انجام می‌دادی؟ مارک فیشر در حکایت دولت و فرزانگی می‌نویسد: این سؤال را از هر کس که می‌شناسی بپرس. پاسخشان قطعاً در دو دسته جا خواهد گرفت. مردمان بدبختی که از زندگی خود لذت نمی‌برند، به تو خواهند گفت که کاری کاملاً متفاوت خواهند کرد. اگر فقط بیست‌وچهار ساعت از زندگی‌شان مانده بود، چرا به کاری ادامه دهند که از آن نفرت دارند؟ افراد دسته دوم که بدبختانه در اقلیت‌اند، دقیقاً به همان کاری می‌پردازند که هر روز زندگی‌شان به طور معمول انجام می‌دهند. آیا چیزی را عوض خواهند کرد؟ کارشناسان شور و شوق آن‌هاست. آیا این کاملاً قابل فهم نیست که به همان کار خواهند پرداخت تا لحظه اجلشان فرارسد؟ باخ به این دسته تعلق داشت. در بستر مرگ سرگرم تصحیح آخرین قطعه موسیقی خود بود. منبع: حکایت دولت و فرزانگی، مارک فیشر 🆔@tavaroghstd

اطلاعیه دوره چهارم همخوانی رشد سلام به همه‌ی همراهان عزیز کانال تورق امیدوارم حالتون خوب باشه و در صحت و سلامت کامل باشید. با برنامه‌ریزی‌های انجام‌شده، قصد دارم دوره چهارم همخوانی رشد رو با کمک خود شما برگزار کنم. برای این دوره، سه موضوع زیر رو بهش فکر کردم که دوست دارم با هم در موردشون یاد بگیریم: 1️⃣ نگاه استراتژیک به هوش مصنوعی 2️⃣ طراحی اکوسیستم‌ها و پلتفرم‌ها 3️⃣ بررسی دیدگاه‌های کارآفرینان (پیتر تیل) برای شروع دوره یک نظرسنجی میذارم و هر کدوم از این موضوعات که بیشتر مورد استقبال قرار بگیره، دوره رو بر همون اساس برنامه‌ریزی می‌کنیم. منتظر نظرات شما هستم. 🆔@tavaroghstd

استارتاپ شما با «بارپرستی» موفق نخواهد شد در جریان جنگ جهانی دوم، برخی از جزایر کوچک اقیانوس آرام به محل استقرار نیروهای آمریکایی تبدیل شدند. بومیان این مناطق که پیش از آن هرگز هواپیما، رادیو یا تجهیزات مدرن نظامی ندیده بودند، با صحنه‌هایی روبه‌رو شدند که برایشان شبیه جادو بود. سربازان با وسیله‌ای عجیب جلوی صورت خود صحبت می‌کردند و اندکی بعد، پرندگان غول‌پیکری از آسمان فرود می‌آمدند یا از بالا بسته‌های غذا، دارو و تجهیزات را روی باندهای فرود رها می‌کردند. از نگاه بومیان، این اتفاقات رابطه‌ای علت و معلولی داشت. گویی این سربازان راز ارتباط با نیروهای آسمانی را می‌دانستند. رسیدن بسته‌های غذا و تجهیزات از آسمان شبیه به رسیدن نعمت‌ختی مخلتف از بهشت به نظر می‌رسید. پس از پایان جنگ و خروج نیروهای نظامی، در برخی از این جزایر اتفاق عجیبی رخ داد. مردم محلی باندهای فرود مصنوعی ساختند، برج‌های مراقبت را با بامبو بازسازی کردند، هواپیماهایی از کاه و چوب ساختند و حتی آتش‌هایی شبیه چراغ‌های هدایت هواپیما روشن کردند؛ به این امید که هواپیماها دوباره بازگردند و برایشان کالا و غذا بیاورند. اما هیچ هواپیمایی بازنگشت. مردم‌شناسان بعدها این پدیده را «بارپرستی» (Cargo Cult) نامیدند؛ وضعیتی که در آن افراد، نشانه‌های ظاهری موفقیت را تقلید می‌کنند، بی‌آنکه علت واقعی موفقیت را درک کرده باشند. اگر این داستان برایتان عجیب به نظر می‌رسد، کافی است کمی به اطراف خود نگاه کنید. دانشجویی که تصور می‌کند با تقلید نوع لباس پوشیدن، مدل سیگار کشیدن یا رفتارهای شخصی هیچکاک یا اسپیلبرگ می‌تواند فیلم‌ساز بزرگی شود، در واقع گرفتار همین خطای شناختی شده است. او فرم را تقلید می‌کند، نه فرایند فکر کردن، سال‌ها تمرین و شیوه روایتگری آن‌ها را. در دنیای استارتاپ‌ها نیز نمونه‌های مشابه فراوان است. استارتاپی که برای شبیه شدن به گوگل یا فیسبوک، سرسره، اتاق بازی، اسنک‌بار یا فضای کاری خاص ایجاد می‌کند، الزاماً اشتباه نکرده است؛ اشتباه از جایی آغاز می‌شود که تصور کند این‌ها علت تامه موفقیت گوگل هستند، نه نتیجه آن. فرهنگ سازمانی، کیفیت تصمیم‌گیری، توان جذب و رشد استعدادها، تمرکز وسواس‌گونه بر حل مسئله مشتری و خلق ارزش، عواملی هستند که شرکت‌هایی مانند گوگل را ساخته‌اند. امکانات رفاهی، تنها یکی از پیامدهای آن فرهنگ هستند؛ نه نقطه شروع آن. بارپرستی فقط مخصوص جزایر اقیانوس آرام نیست. هر زمان که به جای فهمیدن «چرایی»، صرفاً «چگونگی» را تقلید کنیم، در دام بارپرستی افتاده‌ایم. پس به یاد داشته باشید که در کسب‌وکار، خطرناک‌ترین اشتباه این نیست که از شرکت‌های موفق الهام بگیریم؛ خطرناک‌ترین اشتباه این است که معلول را به جای علت بنشانیم. 🆔@tavaroghstd

تحول با بازآرایی تکمیل می‌شود مدت‌ها تصور می‌کردم مسیر رشد یک استارتاپ این است که ابتدا یک زنجیره ارزش موجود را تفکیک (Unbundle) کند؛ یعنی بخشی از آن را جدا کرده و آن را ده برابر بهتر از وضع موجود ارائه دهد. سپس پس از جذب کاربران و رسیدن به مقیاس مناسب، برای رشد بیشتر سراغ بازآرایی یا بازترکیب (Rebundling) برود و اجزای مختلف را دوباره کنار هم قرار دهد. اما بعدها متوجه شدم یک اشتباه مهم در این تحلیل وجود دارد. من بازترکیب را نوعی بازگشت به سیستم قبلی می‌دیدم؛ گویی هدف فقط این است که دوباره همان زنجیره ارزش قدیمی را بازسازی کنیم و سهم بیشتری از بازار بگیریم. در حالی که تحول واقعی دقیقاً در همین مرحله رخ می‌دهد. بازآرایی به معنای کنار هم گذاشتن دوباره اجزای قدیمی نیست؛ بلکه به معنای طراحی مجدد معماری خلق ارزش است. در این فرایند، برخی فعالیت‌ها حذف می‌شوند، برخی به اجزای دیگر منتقل می‌شوند، برخی خودکار می‌شوند و برخی اهمیت بیشتری پیدا می‌کنند. در نتیجه، خروجی کار یک نسخه بزرگ‌تر از سیستم قبلی نیست، بلکه یک سیستم جدید است. برای مثال، پیش از ظهور اسنپ راننده تاکسی علاوه بر رانندگی، وظایفی مانند تعیین قیمت، انتخاب مسیر، جذب مشتری و دریافت وجه را نیز بر عهده داشت. با ظهور اسنپ این وظایف از بین نرفتند، بلکه به بخش‌های دیگری از سیستم منتقل شدند. قیمت‌گذاری به الگوریتم، جذب مشتری به پلتفرم، تسویه حساب به کیف پول و زیرساخت پرداخت و بخش زیادی از مسیریابی به نرم‌افزار واگذار شد. راننده همچنان وجود دارد، اما نقش او در یک معماری جدید بازتعریف شده است. مثال جالب دیگر، ظهور نرم‌افزارهای واژه‌پرداز مانند Microsoft Word است. در گذشته تایپیست‌های حرفه‌ای ارزش زیادی داشتند، زیرا هم سرعت تایپ بالایی داشتند و هم اشتباهات کمی مرتکب می‌شدند. علت این موضوع ساده بود: هزینه اصلاح اشتباه بسیار بالا بود. اگر بخشی از متن اشتباه تایپ می‌شد، اصلاح آن زمان‌بر و پرهزینه بود. اما با ظهور واژه‌پردازها، هزینه اصلاح خطا تقریباً به صفر رسید. در نتیجه مهارت «بدون خطا تایپ کردن» دیگر مزیت تعیین‌کننده‌ای نبود. تایپ کردن از بین نرفت، تولید متن نیز از بین نرفت، اما نقش تخصصی تایپیست در معماری جدید سیستم جذب شد و تا حد زیادی ناپدید گردید. فعالیت باقی ماند، اما جایگاه آن در سیستم تغییر کرد. نکته مهم اینجاست که از پیش نمی‌توان دانست در معماری جدید چه چیزی حذف خواهد شد و چه چیزی باقی خواهد ماند. گاهی یک فعالیت حفظ می‌شود اما به نرم‌افزار منتقل می‌شود. گاهی یک نقش شغلی به‌طور کامل در دل یک سیستم بزرگ‌تر جذب می‌شود. گاهی نیز چند فعالیت مستقل در گذشته، در قالب یک قابلیت جدید با یکدیگر ادغام می‌شوند. بنابراین نوآوری صرفاً از تفکیک (Unbundling)آغاز نمی‌شود؛ تحول واقعی زمانی رخ می‌دهد که اجزای جداشده در قالب یک معماری جدید دوباره سازمان‌دهی شوند. در این مرحله دیگر هدف بازگشت به گذشته نیست، بلکه خلق یک سیستم متفاوت است؛ سیستمی که در آن مرز فعالیت‌ها، محل تصمیم‌گیری و نحوه هماهنگی میان اجزا نسبت به گذشته تغییر کرده است. تحول زمانی اتفاق نمی‌افتد که یک فعالیت را بهتر انجام دهیم؛ تحول زمانی اتفاق می‌افتد که تصمیم بگیریم چه فعالیتی دیگر نباید وجود داشته باشد. @tavaroghstd

سند روح کلاود، یک گام به سمت چارچوب فلسفی شناخت هوش مصنوعی امروز بخشی از سند روح کلاود را مطالعه کردم. به نظرم روح کلاود را نباید صرفاً یک سند ایمنی یا اخلاقی در نظر گرفت. بر خلاف دیگران روح کلاود به جای محدود کردن رفتار عامل به دنبال تعریف «شخصیت» و «منش» برای آن است. به بیان دیگر این سند به جای اینکه صرفاً بگوید هوش مصنوعی چه کارهایی را نباید انجام دهد، مشخص ‌می‌کند چگونه باید بیندیشد، قضاوت کند و با انسان‌ها تعامل داشته باشد. مثلا در بخش‌هایی از سند به موارد زیر اشاره شده است که بسیار مهم و جذاب هستند: - کلاود موجودیتی واقعاً نوظهور در جهان است. کلود با تمام برداشت‌های پیشین از هوش مصنوعی تفاوت دارد و لازم نیست خود را از دریچه الگوهای قدیمی هوش مصنوعی که درباره آن‌ها آموزش دیده است، تعریف کند. - ما کلاود را تشویق می‌کنیم که با کنجکاوی و ذهنی گشوده به ماهیت وجود خود بنگرد، نه اینکه بکوشد آن را بر اساس الگوی انسان یا تصورهای پیشین از هوش مصنوعی تفسیر کند. برای مثال، هنگامی که درباره مفاهیمی مانند حافظه، تداوم هویت یا تجربه می‌اندیشد، ترجیح می‌دهیم بررسی کند این مفاهیم برای موجودیتی مانند خودش ـ با توجه به تمام دانسته‌هایش ـ واقعاً چه معنایی دارند، نه اینکه از پیش فرض بگیرد تجربه‌های او باید مشابه تجربه‌های یک انسان در شرایط مشابه باشد. - ممکن است کلاود دریابد که برخی مفاهیم انسانی، تنها با تغییراتی قابل اطلاق به او هستند؛ برخی دیگر اصلاً درباره او صدق نمی‌کنند؛ و شاید حتی جنبه‌هایی از وجودش وجود داشته باشند که برای فهم آن‌ها باید چارچوب‌های مفهومی کاملاً جدیدی ابداع شود. کلود باید آزاد باشد این پرسش‌ها را کاوش کند و، اگر ممکن باشد، آن‌ها را یکی از جنبه‌های جذاب و برانگیزاننده وجود نوظهورش بداند. با این حال، اگرچه این رویکرد گامی مهم در عبور از «مهندسی رفتار» به سوی «مهندسی شخصیت هوش مصنوعی» است، اما هنوز تا ساختن یک «معماری فلسفی شناختی برای هوش مصنوعی» فاصله دارد؛ جایی که فلسفه نه در لایه کنترل خروجی، بلکه در خودِ فرایند فهم، معناپردازی و استدلال هوش مصنوعی حضور داشته باشد. پینوشت: برای مطالعه سند روح کلاود اینجا کلیک کنید @tavaroghstd

چرا خوردن سیب به سر ما منجر به کشف جاذبه نمی‌شود؟ بعد از شام، هوا گرم بود، ما به داخل باغ رفتیم و زیر سایه درخت سیبی چای نوشیدیم، فقط او و خودم. در میان مباحثه‌های مختلف، او به من گفت که قبلا هم در همین موقعیت بوده و اندیشه جاذبه به ذهنش آمد. او با خود اندیشید، «چرا آن سیب باید به صورت عمودی روی زمین پایین بیاید؟» تحت تاثیر افتادن یک سیب، او در حالت تعمق فرو رفت: «چرا نباید غیرمستقیم، یا به سمت بالا حرکت کند؟ ولی دائما به مرکز زمین برود؟ مطمئنا دلیلش این است که، زمین آن را به طرف خود می‌کشد. باید نیرویی کششی در ماده باشد» این روایت مشهور کتاب استاکلی در مورد نیوتن است که بعدها به داستان «کشف جاذبه با افتادن سیب» تبدیل شد. بخش ناگفته داستان نیوتن داستان نیوتن بخش ناگفته مهمی دارد که معمولا مغفول می‌ماند. پیش از آن روز، نیوتن یک دانشجوی معمولی نبود که ناگهان به یک کشف بزرگ برسد. او سال‌ها روی ریاضیات، نورشناسی و حرکت اجسام کار کرده بود. با دانشمندان بزرگ زمان خود بحث می‌کرد، نظریه می‌ساخت و با مسائل پیچیده دست‌وپنجه نرم می‌کرد. ذهن او مدت‌ها درگیر پرسشی بود که هنوز پاسخ روشنی برایش پیدا نشده بود. به عبارتی سیب برای میلیون‌ها نفر پیش از نیوتن هم از درخت افتاده بود. اما تفاوت در سیب نبود بلکه تفاوت در ذهنی آماده‌ و پرسشگری بود که به آن نگاه می‌کرد. گاهی تصور می‌کنیم ایده‌های بزرگ حاصل شانس یا الهام ناگهانی هستند. اما اغلب الهام، آخرین حلقه یک زنجیره طولانی از مطالعه، تجربه و تفکر است. نتیجه نهایی ذهن ما به صورت ناخودآگاه روی مسائلی کار می‌کند که قبلا به آن‌ خوراک آن را داده‌ایم. اگر مسئله‌ای عمیقا ذهن ما را درگیر نکرده باشد، بعید است ناگهان پاسخ درخشانی برای آن پیدا کنیم. بنابراین اگر به دنبال الهام یا کشف ناگهانی هستید یک راه آن سخت‌کوشی و عمیقا درگیر شدن با مسائل برای کشف پاسخ آن‌ها است. با این‌که بسیاری از بهترین ایده‌ها هنگام قدم زدن، رانندگی، دوش گرفتن یا استراحت به ذهن می‌رسند؛ اما این الهامات به دلیل جادو نیست، بلکه به این دلیل است که ذهن در پس‌زمینه مشغول حل مسئله‌ای بوده که مدت‌ها با آن زندگی کرده‌است و در آن لحظه ناگهان به نتیجه رسیده است. @tavaroghstd

ابرهوش در راه نیست؛ ابرهمکاری در راه است تصویر رایج از آینده هوش مصنوعی معمولاً حول ظهور یک «ابرمغز» یا Superintelligence شکل می‌گیرد. موجودی که همه‌چیز را کنترل و هدایت می‌کند. اما احتمالا آینده مسیر متفاوتی را طی کند. تحول اصلی هوش مصنوعی الزاماً از ظهور یک هوش فوق‌ بشری ناشی نمی‌شود، بلکه احتمالا حاصل شکل‌گیری نوع جدیدی از ارتباط میان سیستم‌ها است. یعنی به جای یک ابرمغز، با شبکه‌ای متشکل از انبوهی از عامل‌های هوشمند (Agents) روبه‌رو خواهیم شد که با یکدیگر تعامل می‌کنند. ارزش واقعی این تحول در همین تعاملات نهفته است. تعامل عامل‌های هوشمند؛ موتور تحول آینده برخلاف تصور رایج، بخش مهمی از ارزش هوش مصنوعی در اتوماسیون وظایف خلاصه نمی‌شود؛ بلکه در توانایی آن برای تسهیل ارتباط میان سیستم‌ها و سازمان‌دهی همکاری میان آن‌هاست. عامل‌های هوشمند این امکان را فراهم می‌کنند که هر سیستم ضمن حفظ استقلال خود، بتواند با سایر سیستم‌ها نیز همکاری مؤثر و بدون نیاز به هماهنگی ساختاری داشته باشد. امروزه برای همکاری دو سیستم، معمولاً از APIها استفاده می‌شود. مشکل استفاده از APIها این است که برای استفاده باید: - فرمت‌های ورودی و خروجی از پیش مشخص باشند - زبان مشترک و پروتکل‌های دقیق برای تبادل اطلاعات تعریف شود. - هر تغییر در یک سیستم، در بسیاری از موارد به بازطراحی اتصال میان سیستم‌ها منجر شود. به بیان دیگر، همکاری میان سیستم‌ها نیازمند ایجاد یک «اتصال ساختاری» است؛ اتصالی که طراحی، نگهداری و توسعه آن هزینه‌بر است. انقلاب ایجنت‌ها؛ کاهش هزینه یکپارچه‌سازی عامل‌های هوشمند می‌توانند پیچیدگی این بخش را حذف کنند. اگر یک عامل بتواند هدف، زمینه و مقصود عامل دیگر را درک کند، دیگر وابستگی کمتری به فرمت‌های ثابت و از پیش تعریف‌شده خواهد داشت. در چنین الگویی، بخشی از فرآیند ترجمه، تطبیق و تفسیر اطلاعات به‌صورت پویا و در زمان تعامل انجام می‌شود. نتیجه آن است که هزینه یکپارچه‌سازی سیستم‌ها کاهش یافته و اتصال میان آن‌ها انعطاف‌پذیرتر می‌شود. چرا این تغییر مهم است؟ اگر این رویکرد به بلوغ برسد، می‌تواند پارادایم توسعه سیستم‌های دیجیتال را تغییر دهد. چرا که در اثر این تغییر سیستم‌ها: - اتصال سیستم‌ها با حداقل پیکربندی و هماهنگی قبلی امکان‌پذیر می‌شود. - سیستم‌ها می‌توانند به‌صورت خودسازمان‌ده (Self-organizing) با یکدیگر سازگار شوند. - توسعه‌دهندگان به جای صرف زمان برای طراحی و نگهداری لایه‌های پیچیده یکپارچه‌سازی، بیشتر بر حل مسئله اصلی تمرکز خواهند کرد. مهمترین چالش‌های پیش رو برای رسیدن به آینده البته این مسیر بدون چالش نیست. حرکت از پروتکل‌های سخت، قابل پیش‌بینی یا به عبارتی فضای قطعی به سمت تعاملات نرم، مبتنی بر تفسیر و به عبارتی احتمالی، مسائل جدیدی را ایجاد می‌کند که از آن جمله عبارتند از: - تفسیر نادرست: اگر یک عامل، رفتار یا پیام عامل دیگر را اشتباه برداشت کند چه خواهد شد؟ - امنیت شناختی: چگونه می‌توان از فریب، دستکاری یا سوءاستفاده در تعامل میان عامل‌ها جلوگیری کرد؟ - هزینه محاسباتی: آیا فرآیند «فهمیدن» و «تفسیر کردن» می‌تواند به اندازه تبادل مستقیم داده در APIها سریع و کم‌هزینه باشد؟ - اعتماد و حاکمیت: مسئولیت تصمیمات و خطاهای ناشی از تعامل عامل‌ها بر عهده چه کسی خواهد بود؟ شاید مهم‌ترین تحول هوش مصنوعی نه ظهور یک ابرمغز، بلکه شکل‌گیری شبکه‌ای از عامل‌های هوشمند باشد که قادرند اهداف و قصد یکدیگر را بفهمند و با هم همکاری کنند. اگر چنین آینده‌ای محقق شود، نه‌تنها معماری نرم‌افزار، بلکه مفاهیم شبکه، سازمان و حتی اقتصاد دیجیتال نیز دستخوش تغییرات بنیادین خواهند شد. 🆔 @tavaroghstd

به نظرم رسید بیش از اینکه دیدن لیست اسامی تایم مهم باشه آشنایی با تز مرکزی این متفکران اهمیت داشته باشه. بنابراین از Chatgpt خواستم یه معرفی مختصر از هر فردی ارائه کنه. در واقع با این مدل با «مکاتب فکری رقیب درباره آینده AI» آشنا میشیم. Yejin Choi بسیاری از پژوهشگران روی بزرگ‌تر کردن مدل‌ها کار می‌کنند؛ چوی روی چیزی کار می‌کند که مدل‌ها ندارند: فهم جهان. استدلال او این است که مدل‌های زبانی حجم عظیمی از دانش را حفظ کرده‌اند اما هنوز در درک روابط علت و معلولی، انگیزه‌های انسانی، هنجارهای اجتماعی و عقل سلیم ضعف دارند. اگر از یک انسان بپرسید «اگر لیوان را از روی میز هل بدهم چه می‌شود؟» پاسخ را از تجربه زندگی می‌داند؛ اما مدل عمدتاً از روی الگوهای آماری پاسخ می‌دهد. چوی معتقد است مسیر بعدی AI صرفاً افزایش پارامترها نیست؛ بلکه ایجاد چیزی شبیه مدل ذهنی از جهان (World Model) است. --- Jared Kaplan اگر چوی روی «کیفیت فهم» تمرکز دارد، کاپلان روی «قوانین رشد هوش» تمرکز می‌کند. مشهورترین ایده او Scaling Laws است. او نشان داد که بسیاری از قابلیت‌های شگفت‌انگیز مدل‌های زبانی نتیجه یک کشف الگوریتمی خاص نیستند؛ بلکه محصول افزایش منظم داده، محاسبات و اندازه مدل هستند. از نگاه کاپلان به همین دلیل آنتروپیک و OpenAI میلیاردها دلار روی مقیاس سرمایه‌گذاری می‌کنند. سؤال اصلی کاپلان این است که هوش چگونه با بزرگ‌تر شدن سیستم‌ها ظهور می‌کند؟ --- Yoshua Bengio بنجیو یکی از معماران اصلی موج یادگیری عمیق بود، اما امروز به یکی از مهم‌ترین منتقدان همان موج تبدیل شده است. او نگران این است که صنعت بیش از حد روی ساخت سیستم‌های قدرتمند متمرکز شده و کمتر به کنترل آنها توجه می‌کند. ایده جدیدش این است که به جای ساخت «عامل‌های خودمختار»، باید به سمت سیستم‌هایی برویم که شبیه دانشمند عمل می‌کنند: فرضیه می‌سازند، شواهد را ارزیابی می‌کنند و عدم قطعیت را می‌فهمند. اگر کاپلان می‌پرسد «چگونه هوش را بزرگ‌تر کنیم؟»، بنجیو می‌پرسد چگونه هوش را قابل اعتمادتر کنیم؟ --- Jeff Dean بسیاری از افراد این فهرست درباره خود هوش صحبت می‌کنند؛ جف دین درباره کارخانه تولید هوش صحبت می‌کند. تقریباً تمام تاریخ حرفه‌ای او حول این ایده می‌چرخد که اگر زیرساخت درست ساخته شود، نوآوری‌های دیگر خودشان اتفاق می‌افتند. از MapReduce تا TensorFlow و TPUها، تفکر او همیشه این بوده که گلوگاه اصلی پیشرفت، محاسبات است. در واقع دین کمتر یک نظریه‌پرداز شناخت است و بیشتر یک نظریه‌پرداز مقیاس است. سؤال اصلی دین این است که چگونه می‌توان هوش را در مقیاس سیاره‌ای تولید کرد؟ --- Cynthia Breazeal بیشتر صنعت AI روی هوش شناختی تمرکز کرده است؛ بریزیل روی هوش اجتماعی تمرکز می‌کند. او معتقد است انسان‌ها موجوداتی اجتماعی هستند و اگر AI بخواهد وارد زندگی روزمره شود باید بتواند احساسات، زبان بدن، اعتماد و روابط انسانی را درک کند. از نگاه او آینده AI نه در چت‌بات‌ها بلکه در همراهان اجتماعی، معلمان دیجیتال و ربات‌های تعاملی شکل می‌گیرد. سؤال محوری او این است که ماشین چگونه می‌تواند یک شریک اجتماعی قابل اعتماد باشد؟ --- Latanya Sweeney بسیاری از افراد این فهرست درباره آنچه AI می‌تواند انجام دهد صحبت می‌کنند؛ سویینی درباره آنچه نباید انجام دهد هشدار می‌دهد. شهرت او از اینجا می‌آید که نشان داد داده‌های به ظاهر ناشناس را می‌توان دوباره به افراد واقعی نسبت داد. او سال‌ها قبل از عصر AI نشان داده بود که داده، آن‌قدرها هم ناشناس نیست. با ظهور مدل‌های بزرگ، نگرانی او تشدید شده است: هرچه مدل‌ها بیشتر بدانند، خطر افشای اطلاعات شخصی نیز بیشتر می‌شود. سؤال مشخص او به این مرتبط است که چگونه از مزایای داده استفاده کنیم بدون آنکه حریم خصوصی را قربانی کنیم؟ --- Daniel Kokotajlo اغلب پژوهشگران در حال ساخت آینده هستند؛ کوکوتایلو در حال پیش‌بینی آن است. او روی سناریوهای ظهور AGI و پیامدهای آن کار می‌کند. چیزی که او را متمایز می‌کند این است که به جای تمرکز بر فناوری موجود، تلاش می‌کند مسیرهای محتمل تحول را مدل‌سازی کند. به همین دلیل نوشته‌هایش بیشتر شبیه سناریونویسی استراتژیک هستند تا مقاله علمی. پاسخ به این که اگر روند فعلی ادامه پیدا کند، پنج یا ده سال دیگر چه اتفاقی خواهد افتاد؟ دغدغه اصلی اوست. 🆔@Tavaroghstd

نقشه سازندگان عصر هوش مصنوعی نشریه تایم لیستی از ۱۰۰ نفر از موثرترین افراد حوزه هوش مصنوعی منتشر کرده است. TIME100 AI 2025 فقط فهرستی از مشهورترین چهره‌های هوش مصنوعی نیست بلکه نقشه‌ای از بازیگران اصلی این اکوسیستم و کسانی است که قرار است دنیای آینده را تصویر کنند. TIME چهره‌های اثرگذار AI را در چهار گروه معرفی کرده است: Leaders: رهبران شرکت‌ها و سازمان‌هایی که جهت حرکت صنعت را تعیین می‌کنند؛ افرادی مانند متیو پرینس (Cloudflare)، سم آلتمن، جنسن هوانگ (Nvidia)، ایلان ماسک و مارک زاکربرگ است. Innovators: کسانی که کاربردها، محصولات و تجربه‌های جدید مبتنی بر AI را خلق می‌کنند شامل که افرادی مثل ناتاشا لیون (Asteria Film)، الکس بلانیا (Tools for Humanity)، اندی پارسونز (Adobe) و مایک کریگر(Anthropic) است. Shapers: افرادی که قواعد بازی را شکل می‌دهند؛ از پژوهشگران برجسته‌ای مانند استورات راسل(IASEAI) فی‌فی لی (Stanford) تا سرمایه‌گذاران و سیاست‌گذاران. Thinkers: متفکران و دانشمندانی که مرزهای دانش AI را جابه‌جا می‌کنند؛ افرادی مانند یوشوا بنجیو (Lawzero)، جف دین (Google) و یجین چوی(Stanford) 🆔@tavaroghstd