پادکست لنی: چرا مهارت‌های نرم آینده‌ی کار را شکل می‌دهند؟

مخاطب هدف

این اپیزود از پادکست لنی برای افرادی که در حوزه‌ی فناوری، هوش مصنوعی و مدیریت محصول فعالیت می‌کنند، متخصصانی که در پی آینده‌ی شغلی خود هستند، و رهبرانی که به دنبال درک مهارت‌های ضروری در دنیای متحول شده‌ی کار هستند طراحی شده است. اگر به دنبال درک نقش مهارت‌های نرم در آینده‌ی شغل‌ها و تأثیر هوش مصنوعی بر بازار کار هستید، این اپیزود یک گفتگوی بسیار ارزشمند برای شما خواهد بود.

پیشنهاد (امتیاز: ۵ از ۵)

این اپیزود با حضور کارینا نگوین (Karina Nguyen)، محقق هوش مصنوعی در OpenAI، بررسی می‌کند که چگونه مهارت‌های نرم در دوران پیشرفت هوش مصنوعی ارزش بیشتری پیدا می‌کنند. کارینا به تجربیات خود در توسعه‌ی مدل‌های هوش مصنوعی اشاره می‌کند و توضیح می‌دهد که چرا انسان‌ها باید روی مهارت‌هایی تمرکز کنند که ماشین‌ها به‌سختی می‌توانند یاد بگیرند، مانند تفکر خلاق، توانایی حل مسئله و ارتباطات بین فردی.

اگر به دنبال شناخت مهارت‌هایی هستید که در عصر هوش مصنوعی به موفقیت شما کمک خواهند کرد، این اپیزود یک راهنمای فوق‌العاده است.

روایت اپیزود: چرا مهارت‌های نرم آینده‌ی کار را شکل می‌دهند؟

اپیزود با معرفی کارینا نگوین (Karina Nguyen) آغاز می‌شود. لنی توضیح می‌دهد که کارینا یکی از محققان کلیدی OpenAI است که در پروژه‌های بزرگی مانند Canvas، Tasks و مدل‌های زنجیره‌ی تفکر O1 مشارکت داشته است. پیش از پیوستن به OpenAI، او در Anthropic کار می‌کرد، جایی که در توسعه‌ی مدل‌های Claude 3 نقش داشت.

موضوع اصلی این اپیزود تأثیر هوش مصنوعی بر آینده‌ی کار و مهارت‌های انسانی است.

لنی اشاره می‌کند که طبق یک نظرسنجی، ChatGPT هم‌اکنون محبوب‌ترین ابزار کاری در میان متخصصان فناوری است، حتی بیشتر از Gmail و Slack.
او از کارینا می‌پرسد که با توجه به پیشرفت سریع هوش مصنوعی، کدام مهارت‌ها در آینده ارزشمندتر خواهند شد؟

هوش مصنوعی چقدر می‌تواند در مشاغل انسانی جایگزین شود؟

🔹 کارینا توضیح می‌دهد که هوش مصنوعی می‌تواند بسیاری از کارهای فنی، از جمله برنامه‌نویسی، طراحی و تحلیل داده را انجام دهد، اما در مهارت‌های خلاقانه و احساسی، همچنان ضعف دارد.

🔹 چرا برخی مهارت‌ها برای هوش مصنوعی دشوار هستند؟

مدل‌های زبانی مانند GPT در یادگیری قوانین و الگوها بسیار قوی هستند، اما در درک زیبایی‌شناسی، خلاقیت عمیق و درک احساسات انسانی دچار چالش‌اند.
به عنوان مثال، آموزش دادن به یک مدل که چگونه یک طراحی بصری زیبا و تأثیرگذار ایجاد کند، بسیار دشوارتر از آموزش نوشتن یک قطعه‌ی کد است.

🔹 بنابراین، او پیشنهاد می‌دهد که افراد روی مهارت‌هایی تمرکز کنند که ماشین‌ها به سختی قادر به یادگیری آن‌ها هستند، از جمله:
✔ تفکر خلاق (Creative Thinking)
✔ ارتباطات بین فردی (Interpersonal Communication)
✔ حل مسئله در شرایط پیچیده (Complex Problem-Solving)

چگونه مدل‌های هوش مصنوعی آموزش داده می‌شوند؟

لنی از کارینا می‌پرسد که بزرگ‌ترین سوء‌برداشت مردم در مورد نحوه‌ی ایجاد مدل‌های هوش مصنوعی چیست؟

🔹 کارینا توضیح می‌دهد که بسیاری فکر می‌کنند مدل‌های هوش مصنوعی مانند یک کتاب جامع هستند که همه‌ی اطلاعات را مستقیماً از اینترنت دریافت می‌کنند، اما در واقع، یادگیری مدل‌ها بیشتر شبیه به هنر است تا یک فرایند کاملاً علمی.

🔹 او به چالش‌های یادگیری مدل‌ها اشاره می‌کند:

یک مدل ممکن است درک نکند که بدن فیزیکی ندارد! به عنوان مثال، اگر به یک مدل آموزش دهید که بتواند زنگ هشدار تنظیم کند، اما هم‌زمان به آن بگویید که یک “بدن فیزیکی” ندارد، دچار تناقض می‌شود و ممکن است پاسخ‌های گیج‌کننده‌ای بدهد.

🔹 بنابراین، آموزش مدل‌های هوش مصنوعی نیاز به داده‌های باکیفیت و رویکردهای جدید در طراحی و آموزش دارد.

داده‌های مصنوعی و آینده‌ی آموزش مدل‌های هوش مصنوعی

🔹 یکی از چالش‌های بزرگ در توسعه‌ی مدل‌های هوش مصنوعی کمبود داده‌های واقعی و باکیفیت برای آموزش مدل‌ها است.

راه‌حل جدید در این زمینه استفاده از داده‌های مصنوعی (Synthetic Data) است.
در این روش، مدل‌های هوش مصنوعی داده‌هایی را ایجاد می‌کنند که بعداً برای آموزش مدل‌های بعدی استفاده می‌شود.

🔹 اما آیا این روش واقعاً کار می‌کند؟

کارینا توضیح می‌دهد که با استفاده از این داده‌های مصنوعی، مدل‌های هوش مصنوعی می‌توانند مجموعه‌ی وسیعی از سناریوها را تجربه کنند و مهارت‌های جدیدی یاد بگیرند.

چگونه محصولاتی مانند ChatGPT ساخته می‌شوند؟

لنی از کارینا می‌پرسد که چگونه تیم‌های OpenAI این مدل‌ها را به محصولاتی قابل‌استفاده تبدیل می‌کنند؟

🔹 کارینا توضیح می‌دهد که ساخت محصولاتی مانند ChatGPT شامل چند مرحله‌ی کلیدی است:
1️⃣ طراحی و تعریف هدف – مشخص کردن اینکه مدل چه کارهایی باید انجام دهد.
2️⃣ آموزش مدل با استفاده از داده‌های مختلف – از جمله داده‌های مصنوعی.
3️⃣ ارزیابی عملکرد مدل (Evaluations) – برای تشخیص کیفیت و دقت پاسخ‌ها.
4️⃣ بهینه‌سازی مدل بر اساس بازخورد کاربران – مدل‌ها با استفاده از تعامل کاربران بهبود می‌یابند.

🔹 یکی از تکنیک‌های مهم که در OpenAI استفاده می‌شود “توسعه‌ی سریع مدل‌ها” است.

به جای اینکه مدل یک‌بار آموزش داده شود و سپس استفاده شود، مدل‌ها دائماً در حال یادگیری و به‌روزرسانی هستند.
این کار به کمک داده‌های مصنوعی و بازخورد کاربران انجام می‌شود.

چه مهارت‌هایی در آینده‌ی کار اهمیت بیشتری خواهند داشت؟

🔹 کارینا پیش‌بینی می‌کند که با پیشرفت بیشتر هوش مصنوعی، اهمیت مهارت‌های نرم افزایش خواهد یافت.

✔ خلاقیت و نوآوری – زیرا ماشین‌ها هنوز نمی‌توانند به صورت مستقل و خلاقانه ایده‌پردازی کنند.
✔ مهارت‌های ارتباطی و اجتماعی – توانایی کار با تیم‌ها، مذاکره و متقاعدسازی.
✔ حل مسئله در محیط‌های پیچیده – به‌ویژه مسائلی که نیاز به درک انسانی دارند.

🔹 او توصیه می‌کند که افراد به‌جای نگرانی درباره‌ی جایگزینی توسط هوش مصنوعی، روی توسعه‌ی مهارت‌هایی تمرکز کنند که مکمل قابلیت‌های هوش مصنوعی هستند.

بخشی از صحبت‌های کارینا نگوین در این اپیزود:

“مدل‌های هوش مصنوعی در درک جهان به‌خوبی ما نیستند. انسان‌ها هنوز هم برای تفکر خلاق، طراحی، و درک احساسات غیرقابل جایگزینی هستند.”

نتیجه‌گیری کلی

🔹 هوش مصنوعی بسیاری از کارهای فنی را انجام خواهد داد، اما مهارت‌های انسانی همچنان حیاتی خواهند بود.
🔹 مهارت‌هایی مانند تفکر خلاق، ارتباطات، و حل مسئله ارزش بیشتری پیدا خواهند کرد.
🔹 آینده‌ی کار شامل همکاری میان انسان و هوش مصنوعی است، نه جایگزینی کامل انسان‌ها.

اگر به دنبال موفقیت در دنیای جدید کار هستید، یا از قوی شدن هوش مصنوعی احساس خطر می‌کنید، این اپیزود را از دست ندهید!

Lenny’s Podcast – OpenAI Researcher on Why Soft Skills Are the Future of Work (with Karina Nguyen)