چه مزایای رقابتی هنوز در عصر هوش مصنوعی قابل دفاع هستند؟

عنوان اصلی: چگونه آینده‌ای آشفته را توجیه کنیم
نویسنده اصلی: خرید و فروش سیستماتیک
ترجمه: پگی، بلاک بیتس

یادداشت سردبیر: همچنان که هوش مصنوعی شروع به کدنویسی، بهینه‌سازی کد و حتی به تدریج در دست گرفتن فرآیند تولید نرم‌افزار می‌کند، یک تغییر ساختاری عمیق‌تر در شرف وقوع است: تقسیم کار، سازماندهی شرکت‌ها و حتی موانع دانشی ممکن است از نو تعریف شوند.

نویسنده‌ی این مقاله زمانی عضوی از یک تیم تقریباً ۲۰ نفره در یک صندوق پوشش ریسک بود، اما در طول پیشرفت شغلی‌اش تصمیم گرفت آن را به خاطر کارآفرینی ترک کند. از نظر او، سیگنال واقعی احساسات بازار نیست، بلکه جهش در توانایی فنی است. وقتی مدل‌ها بتوانند به طور مداوم کد قابل استفاده تولید کنند و قابلیت بهبود بازگشتی داشته باشند، منطق توسعه نرم‌افزار و تولید دانش از قبل شروع به تغییر کرده است.

این مقاله، از منظر امور مالی کمی، انواع مختلفی از «خندق‌های» کوتاه‌مدت را که ممکن است هنوز در عصر هوش مصنوعی وجود داشته باشند، از جمله داده‌های اختصاصی، اصطکاک نظارتی، تأیید مرجع و تأخیر در دنیای فیزیکی، تجزیه و تحلیل می‌کند. همچنین یک قضاوت اساسی را مطرح می‌کند: در دورانی بسیار نامطمئن، مهم‌تر از پیش‌بینی دقیق آینده، شناسایی مسیرها و اقدام قبل از بسته شدن پنجره است.

در زیر اصل مقاله آمده است:

وقتی مدل‌ها شروع به نوشتن کد می‌کنند، تغییر برگشت‌ناپذیر می‌شود

اولین باری که متوجه شدم این صنعت به نقطه عطف خود نزدیک می‌شود، در شغل قبلی‌ام بود. مثل این بود که صدای موسیقی پس‌زمینه آرام‌تر شود، در حالی که همه اطرافیانم هنوز وانمود می‌کردند که هیچ چیز تغییر نخواهد کرد.

در آن زمان، من تیمی متشکل از تقریباً 20 نفر را در یک صندوق پوشش ریسک مدیریت می‌کردم و کاری را انجام می‌دادم که سال‌ها انجام می‌دادم. از بیرون، این تقریباً یک مسیر شغلی رو به رشد و پیوسته بود. اگر آنجا می‌ماندم، احتمالاً به موفقیت‌های بیشتری دست پیدا می‌کردم. با این حال، در نهایت، من تصمیم گرفتم آن موقعیتی را که بسیاری از مردم آرزویش را داشتند، رها کنم و یک کسب و کار جدید را از صفر با تیمی متشکل از تنها چند نفر شروع کنم. این تصمیم در آن زمان تقریباً غیرقابل درک بود و حتی به عنوان نوعی «خودکشی شغلی» تلقی می‌شد.

اما در ماه‌های اخیر، اخراج‌های گسترده، کارآفرینی داوطلبانه پس از ترک شغل، و تعداد فزاینده‌ای از افراد که در طول روز کار می‌کنند و در عین حال بی‌سروصدا شب‌ها کدنویسی و روی پروژه‌ها کار می‌کنند، رخ داده است. همه این‌ها باعث شده آن تصمیمی که در آن زمان «دیوانه‌وار» به نظر می‌رسید، دیگر چندان دور از ذهن به نظر نرسد.

در این مدت، بسیاری از مردم از من پرسیده‌اند: سرانجام همه اینها به کجا خواهد انجامید؟ این مقاله پاسخی است که در حال حاضر می‌توانم ارائه دهم.

راستش را بخواهید، مطمئن نیستم که این تغییر در نهایت چقدر قابل توجه خواهد بود. اما یک چیز که علم مالی کمی به من آموخته این است: قرار گرفتن در مسیر درست اغلب کافی است.

چیزی که واقعاً باعث شد بفهمم این تغییر برگشت‌ناپذیر است، مدل ChatGPT o1 بود.

قبل از آن، من همیشه به این سیستم‌ها به عنوان «LLM» اشاره می‌کردم، نه «AI». فکر نمی‌کردم واقعاً هیچ نوع قابلیتی شبیه به هوش داشته باشند. اما وقتی o1 از راه رسید، چیزی تغییر کرد: این مدل‌ها برای اولین بار می‌توانستند به طور پایدار از طریق دستورات ساختاریافته کد تولید کنند.

کد هنوز ناقص بود و ممکن بود دچار توهم یا سوءتفاهم شود. اما نکته کلیدی این بود: حالا می‌توانست کد مفیدی بنویسد.

قضاوت من ساده بود. زمانی که هوش مصنوعی بتواند کد قابل استفاده تولید کند، به صورت بازگشتی شروع به بهبود منطق خود کرده و توسعه نرم‌افزار را با سرعتی که به سختی می‌توانیم تصور کنیم، پیش می‌برد.

هر بار که این نکته را مطرح می‌کنم، یکی مدام استدلال می‌کند که «این کد هنوز اشکالاتی دارد و با استانداردهای تولید فاصله زیادی دارد.» اما این یک واقعیت را نادیده می‌گیرد: کد نوشته شده توسط انسان نیز دارای اشکالاتی است. ما برای اینکه خودمان دست از کدنویسی برداریم، نیازی به هوش مصنوعی نداریم که کد بی‌نقص بنویسد.

نقطه عطف واقعی زمانی است که میزان خطای کد نوشته شده توسط هوش مصنوعی کمتر از انسان باشد، در حالی که بسیار سریعتر باشد. در آن زمان، عمل نوشتن کد کاملاً به ماشین‌ها واگذار خواهد شد.

بعد از مشاهده‌ی قابلیت‌های o1 از نزدیک، تقریباً می‌توانم مطمئن باشم: در آینده تغییرات بسیار چشمگیری رخ خواهد داد.

خندقی که هنوز در عصر هوش مصنوعی وجود دارد

در ابتدا، من فکر می‌کردم هوش مصنوعی به تدریج صنعت مالی کمی را از بین می‌برد، اما این روند نسبتاً کند خواهد بود. دلیل آن ساده است: کد سطح سازمانی تقریباً هیچ داده عمومی برای آموزش ندارد.

در آن زمان، من مهندسی نرم‌افزار را به صورت یک هرم تصور می‌کردم: در پایین هرم، کارهای کدنویسی پایه قرار داشت؛ به سمت بالا، مهندسان ارشد با قابلیت‌های معماری قرار داشتند؛ و در سطوح بالاتر، توسعه‌دهندگان حرفه‌ای، مانند دانشمندان داده، توسعه‌دهندگان کمی و متخصصان مختلف صنعت، قرار داشتند. از لحاظ تئوری، هر چه تخصص عمیق‌تر باشد، آن حرفه امنیت بیشتری دارد.

ارزیابی اولیه من این بود که ظرف دو سال، برنامه‌نویسان پایه اولین کسانی خواهند بود که حذف می‌شوند؛ و پس از آنها مهندسان ارشد؛ در سطوح بالاتر، با جذب تدریجی دانش تخصصی توسط مدل‌ها، موقعیت‌های سطح بالاتر نیز تحت تأثیر قرار خواهند گرفت.

اما خیلی زود متوجه نکته‌ی دیگری شدم: شرکت‌های مدل‌سازی پیشرفته در نهایت مستقیماً متخصصان صنعت را استخدام می‌کردند تا دانش تخصصی را در مدل‌ها وارد کنند. به عبارت دیگر، دانش تخصصی در واقع یک خندق کوتاه‌مدت خواهد بود، اما در درازمدت، به تدریج توسط مدل‌ها جذب می‌شود.

طبق ارزیابی من در آن زمان، چندین نوع کسب‌وکار وجود داشت که بعید بود در پنج سال آینده به راحتی مختل شوند.

دسته اول: داده‌های اختصاصی

شرکت‌هایی که حجم زیادی از داده‌های اختصاصی دارند، جایگزینی‌شان دشوارتر است.

برای مثال، صندوق‌های پوشش ریسک بزرگ چنداستراتژیه (pod shop)، مانند موسساتی مانند Millennium، هر روز حجم عظیمی از داده‌ها را تولید می‌کنند: تحقیقات تحلیلگران، توصیه‌های سرمایه‌گذاری، بینش بازار، نتایج واقعی معاملات.

این داده‌ها می‌توانند برای اصلاح مداوم مدل‌ها مورد استفاده قرار گیرند و یک مزیت رقابتی ایجاد کنند که تکرار آن در خارج از سازمان دشوار است. تا زمانی که منابع داده یک شرکت به راحتی در دسترس مدل نباشد، همچنان یک محدودیت زمانی خاص را حفظ می‌کند.

دسته دوم: اصطکاک نظارتی

هر صنعتی که نیاز به تأیید قابل توجه نیروی انسانی داشته باشد، به راحتی مختل نمی‌شود. مثلاً بازارهای مالی سنتی.

برای ورود به این بازارها، باید: یک حساب کارگزاری باز کنید، مجوزها را دریافت کنید، اسناد قانونی فرامرزی را امضا کنید. معامله دارایی‌های دیجیتال آسان است، اما یک شرکت خارجی که می‌خواهد سنگ آهن را در چین معامله کند، به هیچ وجه ساده نیست.

تا زمانی که یک صنعت هنوز برای تأیید به امضاهای انسانی نیاز دارد، سرعت توسعه آن توسط فرآیندهای تأیید محدود خواهد شد.

دسته سوم: اقتدار به عنوان یک سرویس

اکنون، نوشتن نظر حقوقی توسط هوش مصنوعی دیگر یک چالش نیست. اما واقعیت این است که مردم هنوز حاضرند ده‌ها هزار دلار برای یک وکیل بپردازند تا مشاوره حقوقی ارائه دهد. دلیلش ساده است: نظرات هوش مصنوعی در حال حاضر فاقد اعتبار است.

همین منطق در مورد حسابرسی قراردادهای هوشمند نیز صدق می‌کند. از نظر فنی، هوش مصنوعی ممکن است همین الان هم سطح حسابرسان ارشد باشد یا حتی از آنها پیشی بگیرد. اما بازار هنوز ترجیح می‌دهد «مهر» یک شرکت حسابرسی شناخته‌شده را خریداری کند.

زیرا آنچه مشتریان واقعاً می‌خرند، خودِ نظر نیست، بلکه مرجعیتِ پشتِ آن نظر است.

دسته چهارم: دنیای فیزیکی

پیشرفت سخت‌افزار بسیار کندتر از نرم‌افزار است و رفع مشکلات سخت‌افزاری نیز دشوارتر است.

بنابراین، بعید است که صنایعی که مستقیماً با دنیای فیزیکی در تعامل هستند، در کوتاه‌مدت به سرعت توسط هوش مصنوعی مختل شوند. با این حال، به محض اینکه قابلیت‌های سخت‌افزاری به سطح قبلی برسند، همان منطق همچنان اعمال خواهد شد: ابتدا موقعیت‌های سطح پایین‌تر ناپدید می‌شوند و پس از آن موقعیت‌های سطح بالاتر.

این خندق‌ها واقعاً وجود دارند. اما باید اذعان کرد که آنها فقط تغییر را به تأخیر می‌اندازند تا اینکه آن را متوقف کنند.

بر اساس نشانه‌ها عمل کنید، منتظر قطعیت نباشید

وقتی آینده بسیار نامشخص و سرعت تغییرات زیاد است، مردم اغلب دو اشتباه مرتکب می‌شوند.

مورد اول، انتظار برای قطعیت قبل از اقدام است. مورد دوم صرفاً به کارگیری قیاس‌های تاریخی است، مانند: «این مثل حباب دات کام است.»

هر دو رویکرد می‌توانند منجر به خطاهای قضاوت شوند.

در شرایطی که اطلاعات ناقص است، رویکرد معقول‌تر، استدلال از طریق اصول اولیه است.

لازم نیست از تمام جزئیات آینده باخبر باشید. شما فقط باید جهت را تقریباً ارزیابی کنید، شرط‌های نامتقارن طراحی کنید، به این معنی که اگر اشتباه قضاوت کنید، ضرر قابل مدیریت است؛ اگر درست قضاوت کنید، سود بسیار زیادی خواهید برد.

در آینده‌ای نامعلوم، عدم تقارن همه چیز است.

یک روش تفکر عملی این است که ابتدا از خود بپرسید «شرایط لازم برای وقوع یک نتیجه خاص چیست؟» و سپس بپرسید که آیا این شرایط لازم قبلاً پدید آمده‌اند؟

با نگاهی به گذشته، پیش‌بینی این نقطه عطف هوش مصنوعی دشوار نبود. زیرا ورودی‌های کلیدی از قبل وجود داشته‌اند: کدی که می‌تواند خودش را بنویسد، مدل‌هایی که می‌توانند به صورت بازگشتی بهبود یابند، دانش نهادی که می‌توان آن را به جای پرورش، خریداری کرد.

تا زمانی که این سیگنال‌ها را با دقت مشاهده کنید، می‌توانید تقریباً جهت آینده را ارزیابی کنید.

شما حتی می‌توانید به برون‌یابی ادامه دهید.

ممکن است هنوز سناریوهای زیر را واقعاً ندیده باشیم: هوش مصنوعی که می‌تواند خودش را آموزش دهد، هوش مصنوعی که می‌تواند خودش را تکثیر کند، هوش مصنوعی که کاملاً مستقل عمل می‌کند.

اگر یک هوش مصنوعی بتواند از طریق یک سری اقدامات، قابلیت‌های خود را 0.1٪ افزایش دهد، ممکن است ناچیز به نظر برسد. اما تا زمانی که این عدد ۰ نباشد، به تقویت خود ادامه خواهد داد. این یک اثر قانون توان معمولی است.

در بازارهای مالی، به محض اینکه یک سیگنال آشکار می‌شود، معاملات اغلب از قبل شلوغ شده‌اند.

در سرمایه‌گذاری، شما عدم قطعیت را با باور اولیه جایگزین می‌کنید. در هر دو حوزه شغلی و کارآفرینی، اساساً یکسان است.

بنابراین سوال واقعی این نیست که در آینده چه اتفاقی خواهد افتاد، بلکه این است که من از قبل چه می‌دانم؟ این اطلاعات به چه سمت و سویی اشاره دارند؟ تفاوت هزینه بین اقدام الان و صبر کردن چقدر است؟

همچنین یک واقعیت اغلب نادیده گرفته شده وجود دارد که خودِ عمل، اطلاعات ایجاد می‌کند.

عمل در خلاء اتفاق نمی‌افتد. وقتی در دنیا اقدامی انجام می‌دهید، دنیا بازخورد می‌دهد. این بازخورد، اطلاعات جدیدی را به همراه دارد. اطلاعات، تکرار را هدایت می‌کند. تکرار منجر به اقدامات بهتر می‌شود. این مکانیسم اساسی پیشرفت است.

ساکن ماندن در بلاتکلیفی، نوعی زوال تدریجی است. از سوی دیگر، عمل به معنای کاوش است.

اگر فقط بخواهم از مزایای سیستم موجود بهره‌مند شوم، شاید بتوانم چند سال دیگر هم دوام بیاورم. اما من همیشه می‌خواستم کاری واقعاً متعلق به خودم انجام دهم، و احساس می‌کنم این پنجره به سرعت در حال بسته شدن است.

البته، بزرگترین صندوق‌های پوشش ریسک جهان همچنان عملکرد خوبی خواهند داشت، زیرا داده‌های اختصاصی دارند که تکرار آنها دشوار است. بازارهای مالی سنتی نیز هنوز توسط مقررات و فرآیندهای دستی محدود شده‌اند.

اما من معتقدم که در نهایت، این موسسات از هوش مصنوعی برای جایگزینی اکثر کارمندان خود، از جمله مدیران پرتفوی، استفاده خواهند کرد.

این اتفاق یک شبه نمی‌افتد، اما دیر یا زود اتفاق خواهد افتاد.

ارزیابی من در آن زمان این بود که تقریباً یک بازه زمانی ۴ تا ۵ ساله دارم. زمانی که شرکت‌های بنیادی هوش مصنوعی به اندازه کافی استعدادهای صنعتی را جذب کنند، ورود استارت‌آپ‌های جدید به این حوزه چالش‌برانگیز خواهد بود. در برخی بازارها، مانند بازار سهام ایالات متحده، این روند از قبل کاملاً آشکار است. سطح کارایی در چند سال آینده تقریباً غیرقابل تصور خواهد بود.

به زودی، دیگر جایی برای «مقام دوم» در این دنیا وجود نخواهد داشت. می‌توانم به کار کردن در موسسات سطح بالا ادامه دهم، اما ترجیح می‌دهم در زمینه‌ای فعالیت کنم که هنوز در آن برتری داشته باشم.

بنابراین، استعفا دادم و تمام وقتم را صرف کارآفرینی کردم. بعدها، آن شرکت به OpenForage تبدیل شد.

اکنون، این پنجره به سرعت در حال باریک شدن است. سرعت تغییرات دیگر تدریجی نیست. کاری که قبلاً ماه‌ها طول می‌کشید تا پیشرفت کند، حالا فقط چند هفته طول می‌کشد.

من باور ندارم که مشاغل در چند سال آینده به طور کامل از بین بروند. انسان‌ها هنوز به انسان‌ها نیاز دارند. ما موجودات اجتماعی هستیم و در حال حاضر، انسان‌ها هنوز به هوش مصنوعی اعتماد ندارند. اعتبارسنجی اعتبار هنوز باید از سوی انسان‌ها انجام شود.

در سال‌های آینده، حتی ممکن است شاهد مدیرعامل‌های هوش مصنوعی باشیم، اما احتمالاً همچنان به یک مدیرعامل انسانی برای تأیید تصمیمات هوش مصنوعی نیاز خواهد بود. این «اعتبارسنجی انسانی» به تدریج در ساختار سازمانی نفوذ خواهد کرد. مدیران انسانی بر گروهی از عوامل هوش مصنوعی نظارت خواهند داشت.

با این حال، منطق استخدام تغییر خواهد کرد. اگر مدیرعامل، دستور دادن به هوش مصنوعی را آسان‌تر از دستور دادن به شما بداند، بعید است که شما استخدام شوید و مشاغل کدنویسی پایه به طور فزاینده‌ای دشوار خواهد شد.

اگر می‌خواهید خودتان را غیرقابل جایگزین کنید، باید به دو چیز دست یابید. اول، از نظر زمانی از هوش مصنوعی پیشی بگیرید. برای مثال، برنامه‌ریزی استراتژیک بلندمدت، تصمیم‌گیری پیچیده، مدیریت چرخه چند ساله. دوم، هوش مصنوعی را در یک محدوده سیستمی، فراتر از مقیاس قرار دهید. زمینه هوش مصنوعی هنوز محدود است؛ آنها حقایق زیادی را می‌دانند اما برای درک اثرات موجی سیستم‌های پیچیده تلاش می‌کنند.

اگر بتوانید بلندمدت فکر کنید، اطلاعات را به سرعت جذب کنید، تصمیمات استراتژیک بگیرید و به طور مؤثر همکاری کنید، در آینده‌ای قابل پیش‌بینی، همچنان شغلی خواهید داشت.

نقطه عطف در واقع قبل از رسیدن قابل مشاهده است. با این حال، اکثر مردم یا نگاه نمی‌کنند، می‌بینند اما کاری نمی‌کنند، یا فقط وقتی سیگنال‌ها کرکننده می‌شوند، واکنش نشان می‌دهند. تا آن زمان، فرصت‌ها اغلب از قبل توسط بازار قیمت‌گذاری شده‌اند.

زمینِ در حال تغییر را نادیده نگیرید، در موقعیتی که مزیت خود را از دست می‌دهد، درنگ نکنید و در عین حال به خودتان نگویید که منتظر زمان بهتری برای اقدام باشید. فرصت واقعی به ندرت از قبل اطلاع داده می‌شود. تا زمانی که همه از آن آگاه شوند، اغلب پنجره بسته شده است.

سیگنال را دیدم، شرط را بستم. حالا، من در نتیجه‌ی آن شرط‌بندی زندگی می‌کنم - چه خوب و چه بد.

[ لینک مقاله اصلی ]