خلاصه پادکست طبقه 16 - امین صادقی، متخصص هوش مصنوعی – 184

این خلاصه پادکست طبقه 16 با امین صادقی متخصص در حوزه AI و Machine Learning است که تجربیات شخصی‌ از کار با تکنولوژی، مسیر شغلی و دیدگاهشان درباره آینده هوش مصنوعی، فرصت‌ها، تهدیدها و جایگاه انسان در این دنیا را مطرح میکند. سهیل و امین هر دو از کودکی به کامپیوتر علاقمند شدند، اولین بار با MS-DOS، بازی‌هایی مثل Prince و Doom آشنا شدند. مجذوب این بودند که با تایپ کردن فرمان، سیستم واکنش نشان می‌دهد (یک اسباب‌بازی تعاملی). بعد به اینترنت Dial-up و BBS‌ها و بعد وب سایت‌ها رسیدند و از این که می‌توانستند سورس HTML را ببینند، تقلید کنند و سایت بسازند. این کشف‌ها در نهایت باعث شد وارد برنامه‌نویسی و بعد هوش مصنوعی شوند.

امین صادقی که سال‌ها در حوزه‌ی ماشین لرنینگ و هوش مصنوعی تحصیل و کار کرده، مسیر آشنایی‌اش با فناوری را از کودکی تعریف می‌کند: اولین تجربه‌ها با داس و بازی‌های پرینس و دوم، هیجان کشف اینترنت و وب در دوران گرافیک ابتدایی، کنجکاوی در دیدن پشت‌صحنه‌ی کدها و یاد گرفتن برنامه‌نویسی با QBASIC، تا رسیدن به دانشگاه، المپیاد کامپیوتر، و سپس ادامه تحصیل در آمریکا در حوزه‌ی Computer Vision و Machine Learning. او بعدتر تجربه‌ی کار در گوگل، آمازون و ادوبی و همچنین تدریس و راه‌اندازی چند استارتاپ را داشته و اکنون در قطر روی پروژه‌های LLM و تولید تصویر کار می‌کند.

در خلال روایت مسیر شخصی، تاریخچه‌ی تحول هوش مصنوعی را هم مرور می‌کند: از دوران استنتاج‌محور (rule-based) تا گذار به یادگیری استقرایی (inductive) با فراگیری دیتاست‌های عظیم، ظهور self-supervised learning، و عواملی که این تحول را شتاب دادند؛ مثل دوربین‌های دیجیتال، GPUهای توسعه‌یافته برای بازی، اینترنت و شبکه‌های اجتماعی که حجم عظیمی از داده را فراهم کردند.

کم‌کم بحث به این سمت می‌رود که چرا با وجود پیشرفت‌های فنی، بسیاری از مشکلات بزرگ زندگی روزمره (مثل ترافیک یا آلودگی هوا) بیشتر از آن‌که مانع فنی داشته باشند، درگیر مسائل سیاست‌گذاری و منافع متضاد انسانی‌اند. مثال‌هایی مثل اسنپ و اوبر نشان می‌دهد که چگونه یک فناوری می‌تواند تضاد منافع را به بازی برد-برد تبدیل کند، اما همیشه عامل اصلی، سازوکار اجتماعی است.

تجربه‌های فیک کردن محصول (MVP بدون هستهٔ واقعی)، بحث «اول بساز، بعد کامل کن» در برابر «اول کامل کن، بعد عرضه کن»، و اینکه کیفیت و ارزش ذاتی محصول در درازمدت اهمیت بیشتری دارد. اینجا بر مثال‌هایی مثل اپن‌ای‌آی اشاره می‌شود که سال‌ها روی یک ایده‌ی باارزش کار کردند تا نتیجه‌اش خود را نشان داد.

یکی از بخش‌های جذاب، روایت آزمایشی است که سهیل انجام داده: وصل کردن چند مدل چت‌بات (ChatGPT، Gemini، Grok و …) به‌صورت «میزگرد» به ادرس roundtable برای دیالوگ و مناظره با هم، با هدف تضارب آرا، و مشاهده‌ی پاسخ‌های متفاوت و گاه متناقض آن‌ها. این ایده به بحث بایاس و سوگیری ذاتی مدل‌ها، کنترل نریتیو توسط شرکت‌های بزرگ و خطر اینکه مدل‌ها به «منبع حقیقت» تبدیل شوند، گره می‌خورد.

در ادامه مفهوم «اعتماد» در عصر دیپ‌فیک و محو شدن مرز انسان و ماشین بررسی می‌شود. مثال‌هایی از سوشال‌مدیا، هک کردن موتورهای جست‌وجو (SEO) و حتی خطرات نفوذ به LLMها و تغییر پاسخ‌هایشان مطرح می‌شود. نتیجه این است که باید تعریف تازه‌ای برای اعتماد پیدا کنیم، مشابه آنچه پروتکل بیت‌کوین در یک شبکه‌ی بی‌اعتماد ایجاد کرده است.

در عصری که تولید محتوا با AI عادی و حتی «زرد» می‌شود، آنچه متمایزکننده است، اوریجینال بودن، آتنتیک بودن، داستان‌سرایی و استانداردهای انسانی است؛ همان چیزی که باعث می‌شود همه با ابزار یکسان هنوز «پیکسار» نشوند. مثال فرش دست‌باف در برابر ماشینی برای بیان حس انسانی و کمیابی آورده می‌شود.

در پایان، دوباره موضوع ایران مطرح می‌شود: اینکه داشتن LLM ملی لزوماً به معنی ساخت مدل از صفر نیست، بلکه مهم‌تر داشتن دیتای ملی و فرهنگی باکیفیت است که بتوان آن را برای تربیت مدل استفاده کرد. به‌جای تقلید پرهزینه، باید بر تولید محتوا و دیتاست غنی فارسی تمرکز کرد تا شرکت‌ها و دانشگاه‌ها بتوانند مدل‌ها را بر آن بنا کنند و نریتیو را متعادل سازند.

مصاحبه با این جمع‌بندی بسته می‌شود که در دهه آینده، برتری اصلی انسان‌ها نسبت به AI همچنان درک عمیق‌تر، توانایی تفکر خارج از چارچوب و حفظ استانداردهای انسانی است — سرمایه‌ای که اگر حفظ شود، حتی در سونامی AI هم می‌تواند مزیت رقابتی باشد.