⭐️ تعدیل در صنعت آمریکا

تو صنعت tech آمریکا، تعدیل (شاید کلمه‌ی lay-off آشناتر باشه) روند مرسومی شده. شرکت‌های بزرگ چند وقت یک بار تعداد زیادی از کارمندهاشون رو تعدیل می‌کنند و دسترسی‌های سیستمی از جمله ایمیل شرکتی، Slack و حتی کارت ورود به ساختمان غیرفعال می‌شن.

این ویدیو رو امروز می‌دیدم، یکی از software engineerهای شرکت Amazon از روز قبل از تعدیل بزرگ (۱۶ هزارتا اخراج) شرکت شروع به فیلم گرفتن کرده تا آخر هفته‌ش که دیگه مشخص شده تیم‌شون تعدیل نشدن.

تقریبا قبل از کریسمس بود با یکی از مهندس‌های Microsoft درباره تعدیل‌ها صحبت می‌کردم، می‌گفت تعدیل روح و روان آدم رو به هم می‌ریزه، منتها شرکت‌ها پکیج خروج رو طوری ارائه می‌دن که در اون بازه‌ی بعدش شخص فرصت داره برای کار جدید پیدا کردن و روند نرمالی شده.

معمولا شرکت‌ها حین تعدیل، بین ۲ تا ۴ ماه حقوق، به اضافه ۱ یا ۲ هفته حقوق به ازای هر سال سابقه کار رو برای شخص واریز می‌کنند. بیمه درمانی برای چند ماه ادامه پیدا می‌کنه و بخشی از سهام شرکت که نزدیک به موعد نقد شدن هست هم ممکنه به افراد داده بشه.

طبق قانون WARN Act هم وقتی شرکت‌ها می‌خوان تعداد زیادی از کارمندهاشون رو همزمان اخراج کنند، باید از ۲ ماه قبل اطلاعیه داده بشه، که خب آمازون این کار رو کرده بود.

🔽 لینک ویدیو:
🔗 https://www.youtube.com/watch?v=GGzVIkazssI

✈️ @Mirage_Notes

⭐️ قدرت خودباوریِ متوهمانه

🔻 داستان اول
تا قبل از ۱۹۵۴، همه فکر می‌کردن دویدن یک مایل در کمتر از ۴ دقیقه از نظر فیزیکی غیرممکنه؛ حتی دانشمندها می‌گفتن قلب انسان قبل از رسیدن به خط پایان منفجر می‌شه. اما بنیستر که دانشجوی پزشکی بود این رو قبول نداشت و بالاخره این رکورد رو شکست. جالب این‌جاست که فقط دو ماه بعد، ۲۲ نفر دیگه هم تونستن این کار رو بکنن. یعنی سد واقعی فیزیکی نبود، بلکه یک محدودیت ذهنی بود که به محض شکسته شدن، بقیه هم فهمیدن که می‌تونن.

🔻 داستان دوم
بیل گیتس قطعا آدم خوش‌شانسی بود. تولد تو یک خانواده مرفه و دسترسی به یکی از معدود کامپیوترهای دنیا تو مدرسه در سن ۱۲ سالگی کم اتفاقی نیست، اما این شانس بدون کارِ سخت بی‌معنی بود. از ۲۰ تا ۳۰ سالگی هیچ آخر هفته یا تعطیلاتی نداشت و به گفته‌ی خودش روزی ۱۸ ساعت کار می‌کرد. مایکروسافت ۵ سال اول داشت فقط ضرر می‌داد تا این‌که بالاخره یک قرارداد طلایی با IBM بستن. مسیر موفقیت خطی نیست، بلکه نماییه؛ ترکیب کار به شدت سخت و در نهایت قرار گرفتن تو زمان و مکان درست.

🔻 داستان سوم
کارگردان معروف هالیوود، تارانتینو، می‌گه که ۸ سال تمام هیچ موفقیتی نداشت و همه‌چیز براش بن‌بست بود. از نظر منطقی باید بی‌خیال می‌شد، اما اون‌قدر متوهم بود که باور داشت بالاخره یه روزی می‌شه. تو همین زمینه، جو روگان تو ویدیو یه تعبیر خیلی جالب داره: «تفکر متوهمانه مثل یک فرشته‌ی نگهبان می‌مونه؛ تو اون سال‌های اول که هنوز استعدادی نداری و داری تازه مهارت کسب می‌کنی، این توهم ازت محافظت می‌کنه تا جا نزنی.»

وقتی بچه‌ایم رویاهای بزرگی مثل فضانورد شدن داریم، ولی بزرگ که می‌شیم جامعه مجبورمون می‌کنه استانداردهامون رو بیاریم پایین و منطقی باشیم. اما همیشه داشتن اون استانداردهای پایین رفتار درستی نیست. این داستان‌ها، ۳ مثال از خودباوری متوهمانه بودن که منجر به موفقیت غیرقابل انتظار شدن.

لینک ویدیو:
🔗 https://www.youtube.com/watch?v=V_Z8XoPVDBg

✈️ @Mirage_Notes

⭐️ WTF Happened in 2025?

سایت wtfhappened2025.com رو دیدم امشب، اتفاقات مهم هوش مصنوعی در سالی که گذشت رو ثبت کرده. در واقع رشدی که مدل‌ها از دسامبر ۲۰۲۵ تا الان داشتن غیرقابل پیش‌بینی و اتفاقات اون بازه تا الان رو به‌خصوص در سایت قرار داده.

۳ ماهی می‌شه هوش مصنوعی از یک ابزار کمکی به نیروی خودگردان تو بعضی تسک‌ها تبدیل شده، مخصوصا در زمینه‌ی Coding.

این سایت، به تقلید از سایت wtfhappenedin1971.com زده شده که تغییرات اقتصادی سال ۱۹۷۱ رو با نمودار نشون داده. سال ۱۹۷۱، رئیس جمهور آمریکا، ریچارد نیکسون، در یک سخنرانی تلویزیونی گفتش که دیگه پشتوانه‌ی دلار، طلا نخواهد بود و دلیلش هم هزینه‌های جنگ آمریکا با ویتنام و کاهش ذخایر طلا بود.

لینک سایت:
🔗 https://wtfhappened2025.com/

در عکس این پست هم روند پیشرفت مدل‌های بزرگ زبانی در انجام وظایف طولانی مدت رو می‌تونید ببینید. این‌که برای یک تسکی انسان چقدر زمان نیاز داره و کدوم مدل، قادر به انجام اون تسک هست.

✈️ @Mirage_Notes

⭐️ چطور مانع خودمون نشیم؟

لینک ویدیو:
🔗 https://www.youtube.com/watch?v=m-7NyTa_N-M

🔸 توهم فاصله با هدف، و تاثیر محیط

وقتی یه هدف بلندپروازانه داریم، ناخودآگاه فاصله‌ی زیادِ خودمون تا اون هدف رو می‌بینیم. همین باعث می‌شه مغزمون بهمون بگه تلاش کردن بی‌فایده‌ست. نتیجه‌ش؟ Overthinking، شک کردن به خودمون و در نهایت فرار به سمت سرگرمی‌های پوچ.

البته، دیدگاه ما درباره‌ی هدف هم ریشه در محیط ما داره. اگه تو محیطی باشی که همه سالی چند میلیون دلار درآمد دارن، باور می‌کنی که تو هم می‌تونی. ولی تو یه محیط با حداقل حقوق، همون هدف غیرممکن به نظر می‌رسه.

🟥 جسارتِ «بد» انجام دادن

ما همیشه فکر می‌کنیم کارِ سطح پایین، نتیجه‌ی سطح پایین می‌ده (Low Level Work = Low Level Results). به همین خاطر درگیر کمال‌گرایی می‌شیم و تا وقتی همه‌چیز عالی و بی‌نقص نباشه، اصلا شروع نمی‌کنیم. اما واقعیت اینه که روز اولِ هر کاری (مثل روز اول باشگاه) قرار نیست عالی باشه.

اون‌قدر که ما برای برنامه‌ریزی، تحلیل کردن و بی‌نقص بودن یه کار وقت تلف می‌کنیم، می‌تونستیم تو همون زمان اون کار رو انجام بدیم.

🟩 رها کردن و معجزه‌ی سکوت

ما تو دنیای امروز ۹۹٪ مواقع داریم از دنیای واقعی فرار می‌کنیم و مدام مغزمون رو با یه نویز پس‌زمینه (گوشی، شبکه‌های اجتماعی و...) درگیر نگه می‌داریم. آخرین باری که فقط تو سکوت نشستید کِی بوده؟ احتمالا یادتون نمیاد؛ شخصا خیلی کم پیش میاد برام پادکست یا موسیقی در حال پخش نباشه.

همین درگیریِ مداوم باعث می‌شه مغز هیچ‌وقت فرصت نکنه اطلاعات رو پردازش کنه. مشکلات تو ذهن‌مون مثل یه کلاف سردرگم تلنبار می‌شن و استرس و اضطراب تولید می‌کنن. در حالی که اگه به خودمون فضای سکوت بدیم، اکثر این مشکلات راه‌حل‌های خیلی ساده‌ای دارن.

این ویدیو و متنی که در ادامه‌ش نوشتم، درباره‌ی این‌که چرا انجام کارها، یا در واقع، به پایان رسوندن‌شون سخته هست.

✈️ @Mirage_Notes

🔗 Pull Requests Prompt Requests

مفهوم pull request سال ۲۰۰۵ به وجود اومد، مخصوصا برای استفاده در پروژه‌های open-source کدی و برای همکاری راحت‌تر بین developerها. هدف اصلی‌ش این بود که هر کسی از هر جای دنیا بتونه تغییرات مورد نظر خودش رو اعمال کنه و پیشنهاد بده، تا بعد از بررسی توسط مسئول پروژه، اون تغییرات به codebase اصلی اضافه بشه.

حالا تو سال ۲۰۲۶ و با حجم پیشرفت AI، یک مفهوم جدیدی معرفی شده به نام Prompt Request

🎙 چرا اصلا باید به این تغییر فکر کرد؟
چون اصلاح و توسعه، راحت‌تر از دی‌باگ و بررسی کد ناشناس شده. در واقع اون وقتی که شخص برای Code Review می‌ذاره ممکنه از وقتی که بعد از درک محتوا، برای توسعه‌ی کد می‌ذاره بیشتر باشه، و خب امنیت توسعه‌ی کد توسط خود شخص هم بیشتره

و خلاصه بعضی از پروژه‌های نرم‌افزاری دارن به این سمت می‌رن که دیگه نیاز به توسعه از سمت developerهای ناشناس ندارن و به‌جاش پیشنهادات متنی از developerها می‌گیرن و خودشون تغییرات رو ایجاد می‌کنند.

📊 RIP Pull Requests (2005-2026):
🔗 https://www.latent.space/p/ainews-rip-pull-requests-2005-2026

✈️ @Mirage_Notes

⭐️ نوستالژیِ کنکور

این ۲ هفته‌ای که گذشت از پرفشارترین بازه‌های زندگیم بود از نظر کاری، چندین ددلاین داشتیم و پشت سر هم هر روز باید کارهای مختلفی ارائه می‌دادم.

پنج‌شنبه صبح که ددلاین‌ها تموم شد لیست کارها رو نوشتم، این‌که چقدر وقت گرفتن و چند ساعت تونستم بخوابم هر روز، و هیچ وقتی در زندگیم مشابه این بازه نبود، جز چند هفته‌ی آخر منتهی به کنکور. این ۲ هفته میانگین ۳ ساعت و نیم تونستم هر شب بخوابم، فقط سال کنکور این‌طوری پیش میومد بخوابم.

کنکور سال ما همون سالی برگزار شد که کرونا اومد و همه‌جا قرنطینه بود، ۴ ماه منتهی به کنکور رو تقریبا با زیر ۱۰ نفر در ارتباط بودم و جز درس، کار دیگری برای انجام نداشتم. این ۲ هفته هم همین‌طوری بود، با این تفاوت که به خاطر شرایط زندگی در آمریکا با تعداد خیلی بیشتری در ارتباط بودم، ولی خیلی کمتر از بازه‌های دیگه‌ی این یک سال.

از دوران کنکور هم خاطرات خیلی خوبی در ذهنم باقی مونده، اون حجم focus و تلاش برای یک هدف خاص رو در دوران کارشناسی ابدا نداشتم، این ماه هم مشابه دوران کنکور شده بود که اهداف کاملا مشخص بودن و بدون وقفه براشون زمان می‌ذاشتم.

شاید یکی از کمیاب‌ترین چیزها در زندگی بزرگسالی، همین وضوحه؛ که بدونی دقیقاً کجایی، چی می‌خوای و وقتت باید کجا بره. کنکور این وضوح رو اجباری می‌کرد. این ۲ هفته هم همین‌طور بود برام.

✈️ @Mirage_Notes

⭐️ The Odyssey

همه‌ی بدبختی‌های زندگی رو کنار بذارید و تریلر فیلم جدید کریستوفر نولان رو ببینید، خود فیلم ۱۷ جولای اکران می‌شه، دقیقا ۲ ماه و ۲ هفته دیگه. بودجه‌ی فیلم هم تقریبا ۲۵۰ میلیون دلار هست که می‌شه گرون‌ترین فیلم نولان.

اودیسه قدیمی‌ترین داستان ادبیاتِ غربه. هومر این داستان رو تقریباً سه‌هزار سال پیش نوشته؛ داستانِ Odysseus که بعد از ده سال جنگِ Troy، ده سال دیگه تو دریا در راهِ خونه‌شه. نه به خاطرِ ضعف یا بدشانسی، به خاطرِ دشمنیِ خدایان. هر بار که بهِ Ithaca نزدیک می‌شه، یه بلایی سرش میاد. بلاهای مختلف از جمله گِردابِ مرگ همه در حالی که توی خونه‌ش، ادعا می‌کنن زنش رو عقد می‌کنن

پی‌نوشت: این بخش داستانش رو تو آزمایشگاه شنیدم و بعدش یکم درباره‌ش سرچ زدم.

لینک تریلر:
🔗 https://www.youtube.com/watch?v=f_bKjZeJBBI

✈️ @Mirage_Notes

⭐️ Claude Code Leak

روز آخر March یک اتفاق جالبی تو دنیای AI افتاد که خیلی این‌جا هم درباره‌ش صحبت شد.
یک اشتباه انسانی باعث شد که یکی از secretهای صنعت AI فاش بشه.

شرکت آنتروپیک (سازنده‌ی Claude) یک فایل source map رو به اشتباه تو یک دایرکتوری عمومی گذاشت. این فایل مسیر برگشت به کد اصلی رو باز می‌کرد؛ یعنی عملاً بیش از ۵۰۰ هزار خط سورس‌کد Claude Code در دسترس بود. تا آنتروپیک بفهمه و فایل رو حذف کنه، کد قبلاً چند بار mirror شده بود و روی GitHub پخش شده بود.

واکنش آنتروپیک؟ بیش از ۸۱۰۰ درخواست DMCA Takedown. یعنی استفاده از قانون حق مالکیت فکری آمریکایی که اجازه می‌ده از پلتفرم‌هایی مثل GitHub بخوای محتوایی که ادعا می‌کنی نقض کپی‌رایتته رو بدون نیاز به حکم دادگاه، فوری حذف کنن. پلتفرم هم موظفه سریع اقدام کنه وگرنه خودش مسئول می‌شه.

⭐️ اما چرا این لیک انقدر حساسه؟
چون چیزی که لیک شده مربوط به معماری داخلی مدل‌ها نیست، بلکه اون چیزیه که کنترل می‌کنه این مدل‌ها چطور با هم و با ابزارهای مختلف کار می‌کنن؛ همون چیزی که بهش agentic framework می‌گن. اینکه چطور context برای هر درخواست ساخته می‌شه و چطور AI می‌تونه مستقل تصمیم بگیره و ابزار استفاده کنه.

💳 یه سوال حقوقی جالب هم به وجود اومده
به نظر حدود ۹۰٪ از Claude Code توسط خود Claude نوشته شده. حالا سوال اینه که اگه کد رو AI نوشته، آنتروپیک دقیقاً چه حقی رو داره که ادعا کنه؟ دادگاه‌های آمریکا بارها گفتن آثار کاملاً خودمختار AI حق کپی‌رایت ندارن و انسان باید عنصر اصلی خلق اثر باشه.

👥 حالا جواب جامعه‌ی توسعه‌دهنده‌ها چی بوده؟ محصولی به نام Claw-Code
یه توسعه‌دهنده‌ی کره‌ای به کمک Codex، یه پیاده‌سازی مستقل از همون معماری نوشت به اسم Claw-Code؛ سریع‌ترین ریپازیتوری در تاریخ GitHub از نظر رشد. این پروژه ادعا می‌کنه هیچ فایل اختصاصی آنتروپیک توش نیست و یه بازنویسی مستقله. Elon Musk's xAI هم ازش استقبال کرده.

🔗 https://www.heise.de/en/news/Claude-Code-Leak-8100-Takedown-Requests-and-the-Birth-of-Claw-Code-11279674.html

✈️ @Mirage_Notes

⭐️ سوال تکراریِ PhD یا Industry؟

هفته‌ی پیش توئیتی از Wayne Chi، دانشجوی PhD کامپیوتر دانشگاه CMU تو feed توئیتر اومد برام، که داشت درباره‌ی تفاوت‌های research در دانشگاه و صنعت صحبت می‌کرد.

دیدگاه جالبی داشت، مخصوصا ازین بابت که بعد گرفتن مستر از USC، چندین سال تو آمازون کار کرده و بعدش تصمیم گرفته PhD رو هم در CMU بخونه.

🔻 یکی از نظراتش درباره این بود که «در industry research، سخته روی یه مسئله‌ی واحد برای مدت طولانی کار کنی. Timelineها عوض می‌شن و انگیزه‌های product تغییر می‌کنن.» به این اضافه کنید organization restructureهای بی‌پایان رو
عینا همین حرف در یکی از سمینارهای ماه گذشته‌ی دانشکده بیان شد، با این هدف که انگیزه‌ی دکتری گرفتن در دوران حال حاضر رو تعریف کنند.

🔺 یکی از کامنت‌های توئیت اشاره کرده به بلاگ پست معروف Karpathy درباره‌ی این‌که چه کسی باید PhD بگیره. Karpathy سال‌هاست این سوال رو با یک ساختار منظم‌تری جواب داده، ولی point جواب همونیه که Wayne Chi هم داره می‌گه.
برای کسایی که می‌خوان هم کار صنعتی بکنند و هم ریسرچ، پوزیشن Industrial PhD تعریف شده در حال حاضر؛ پوزیشنی که انعطاف آکادمیا، پول industry و compute واقعی رو شامل می‌شه. در ایران خیلی مرسوم نیست، ولی تو آمریکا و اروپا مدل رایجیه، البته که پوزیشن‌های فوق‌العاده رقابتی داره.

🔹 و نهایتا نکته‌ی آخر درباره‌ی این بود که در industry کمتر می‌تونی انتخاب کنی با کی کار کنی، ولی در عوض coauthorship dramaها و networkingهای بی‌نتیجه هم کمتره، در حالی که در PhD و آکادمیا، انتخاب collaboratorها عموما با خود شخص هست و دست بازتری داره، و می‌تونه با هر کسی علاقه‌منده کار کنه و یا اگر با کسی مایل نیست کار کنه، کار نکنه.

لینک توئیت:
🔗 https://x.com/iamwaynechi/status/2000310203032506559

پی‌نوشت: عکس از توئیتی هست که توسط Wayne در توئیت اصلی quote شده و درباره‌ش نظر داده.

✈️ @Mirage_Notes

⭐️ Hantavirus

یه کشتی تفریحی هلندی به اسم MV Hondius اول آپریل از اوشوآیای آرژانتین حرکت کرد. مسافرانش قرار بود تجربه‌ی سفر به جنوب رو داشته باشن. ولی ظاهراً یه زوج قبل از سوار شدن، در یک تور پرنده‌نگری از یک محل دفن زباله بازدید کرده بودن؛ همون‌جایی که احتمالاً با جوندگانِ حامل ویروسِ هانتا تماس پیدا کردن.

🔻 چی شد؟
۱۱ آپریل اولین نفر روی کشتی مُرد. همسرش بعد از پیاده شدن در جزیره‌ی سنت هلنا، ۲ روز بعد تو ژوهانسبورگ فوت کرد. نفر سوم هم روی عرشه مرد. تا الان ۸ نفر آلوده شدن، از جمله یک نفر که بعد از ترک کشتی خودش رفت پیش دکتر و در زوریخ تشخیص بیماری‌ش داده شد.
نگرانی اصلی این‌جاست که از بین همه‌ی گونه‌های هانتاویروس، فقط همین یکی، نوع آندس، می‌تونه بین انسان‌ها هم منتقل بشه.

🔻 چرا این خبر دنیا رو درگیر کرد؟
چون کشتی با حدود ۱۵۰ نفر مسافر از ملیت‌های مختلف (آمریکایی، هلندی، استرالیایی، انگلیسی و...) وسط اقیانوس بود و جایی برای تخلیه نداشت. کیپ‌ورد نتونست کمک کنه. حاکم منطقه‌ای جزایر قناری هم وتو کرد که کشتی بیاد، دولت مرکزی اسپانیا این وتو رو نادیده گرفت.
دیروز صبح کشتی به تنریف رسید. مسافرا با لباس‌های محافظ آبی از کشتی پیاده شدن و با پروازهای اختصاصی به کشورهاشون برمی‌گردن.
سازمان بهداشت جهانی گفته ۴۲ روز پایش لازمه، چون دوره‌ی نهفتگی ویروس تا ۸ هفته‌ست. مدیر WHO هم مستقیم خطاب به مردم تنریف گفت: «این کووید نیست.»

یادآوری مفیدی بود که پاندمی تروما داره.

✈️ @Mirage_Notes

⭐️ دستیار هوش مصنوعی Mira در تلگرام

هفته‌ی پیش متنی تو کانال‌های tech می‌دیدم با این تیتر که «تلگرام دستیار جدیدش بنام میرا رو معرفی کرد». ولی واقعیت اینه که Mira اصلاً محصول رسمی تیم توسعه‌ی تلگرام نیست.

🔻 داستانِ واقعی چیه؟
میرا (@mira) توسط The Open Platform ساخته شده، همون تیمی که Telegram Wallet رو توسعه داده. این یعنی Mira محصول خود تلگرام نیست، محصول نزدیک‌ترین شریک اکوسیستمیِ تلگرامه. همین رابطه، به علاوه‌ی آیدیِ رند @mira، باعث شده خیلیا تصور کنن این ربات رو خود پاول دورف منتشر کرده.

🔺 امکانات و اهمیتِ Integration قابلیت‌های رایگانش

جستجو، تحلیل تصویر، تبدیل صدا به متن، baseline مدل‌های امروزیه. نقطه‌ی تمایزش اتصال به بیش از ۲۰۰ سرویس خارجی، حافظه‌ی بلندمدت، و اجرای چندمرحله‌ای روی اکوسیستم TON هست. بخش پولی هم به خاطر هزینه‌ی بالای compute برای پردازش‌های سنگین با محدودیت‌های منطقی ارائه شده.

بخش جالبی که درباره‌ش می‌خوندم اینه که زیرساختش روی Cocoon اجرا می‌شه، یک شبکه‌ی محاسباتیِ محرمانه‌ی decentralized روی TON که خود شما هم می‌تونید روی GPU ران بگیرید (لینکش رو پایین پیام قرار دادم). یعنی ادعای حریم خصوصی در پردازش داده‌ها، نه فقط یه چت‌باتِ ساده با API.

Confidential Compute Open Network (COCOON) – Decentralized AI Inference on TON:
🔗 https://github.com/TelegramMessenger/cocoon

✈️ @Mirage_Notes

⭐️ متا، هوش مصنوعی و کارمندهای ناراضی

نیویورک تایمز یک گزارش جالبی منتشر کرده درباره‌ی اتفاقاتی که این روزها داخل متا افتاده. شرکت تصمیم گرفته خودش رو از یک شرکت اینترنتی به یک شرکت AI تبدیل کنه، و این گذار، روند سختی برای ۷۸ هزار کارمندش داشته.

ماه گذشته متا تو یک پست داخلی به کارمندهای آمریکایی‌ش اعلام کرد که از این به بعد هر چی تایپ می‌کنند، حرکت ماوس‌شون، جایی که کلیک می‌کنند و چیزی که روی صفحه می‌بینند، ضبط و track می‌شه. هدف؟ جمع‌آوری دیتا برای train کردن مدل‌های AI شرکت، که یاد بگیرند «آدم‌ها واقعا چطوری کارهای روزمره‌شون رو با کامپیوتر انجام می‌دن.»

🔻 وقتی یک نفر تو کامنت‌ها پرسید «چطوری می‌تونیم opt-out کنیم؟»، Andrew Bosworth که CTO شرکته جواب داد: «روی لپ‌تاپ شرکتی گزینه‌ای برای opt-out وجود نداره.» کارمندها با بیش از ۱۰۰ ایموجی عصبانی واکنش نشون دادن.

🤖 اما داستان فقط tracking نیست. متا داره استفاده از ابزارهای AI رو در performance review کارمندها لحاظ می‌کنه. یک داشبورد داخلی هم گذاشتن که میزان مصرف «توکن» هر کارمند رو نمایش می‌ده (هر توکن تقریبا معادل ۴ کاراکتر متن). کار به جایی رسیده که بعضی کارمندها انقدر AI agent ساختن، که مجبور شدن agentهایی بسازن که agentهای دیگه رو پیدا کنند، و agentهایی که agentها رو rate کنند :)

💳 و در نهایت، خبر تعدیل. متا اعلام کرده که ۱۰٪ نیروهاش (حدود ۸ هزار نفر) رو ۲۰ می تعدیل می‌کنه، تا هزینه‌های سنگین AI رو جبران کنه. بعضی کارمندها نگرانن که داشتن جایگزین‌های AI خودشون رو train می‌کردن. تو فضای داخلی شرکت، meme و سایت‌های شمارش معکوس تا روز تعدیل دست به دست می‌چرخه، یکی‌شون اسمش هست «Big Beautiful Layoff».

📑 این گزارش رو که می‌خوندم، یاد پست قبلی‌م درباره‌ی تعدیل آمازون افتادم. الگو داره یکم عوض می‌شه؛ قبلا تعدیل‌ها بیشتر برای بهینه‌سازی هزینه و correction بعد از over-hiring دوران کرونا بود، ولی الان داره به بهانه‌ی AI انجام می‌شه. Susan Li، به عنوان CFO متا، تو کال با سرمایه‌گذارها گفته: «ما واقعا نمی‌دونیم سایز بهینه‌ی شرکت در آینده چقدره.»

به قول استاد دانشگاه واشنگتن که تو مقاله نقل شده: «هنوز هیچ playbook ای برای AI در محیط کار وجود نداره.» و خب متا داره به سخت‌ترین شکل ممکن این playbook رو می‌نویسه.

🔽 لینک مقاله:
🔗 Meta’s Embrace of A.I. Is Making Its Employees Miserable

✈️ @Mirage_Notes

⭐️ هیچ‌چیز اهمیت نداره، وقتی همه‌چیز رایگانه

یک مقاله‌ی فوق‌العاده در The Atlantic خوندم از Noah Hawley (سازنده‌ی سریال Fargo)، که سال ۲۰۱۸ مهمون مراسم خصوصی Campfire جف بزوس بوده و حالا بعد از ۸ سال، تجربه‌ش رو نوشته.

🔻 مراسم Campfire چیه؟
یک رویداد سالانه‌ی خصوصی که بزوس ۸۰ نفر آدم خاص (سلبریتی، نویسنده، دانشمند) رو دعوت می‌کنه به یک resort در سانتا باربارا. جت‌های شخصی، امنیت اختصاصی از لاس‌وگاس، و سخنرانی‌هایی شبیه TED Talk با حضور قاضی دیوان عالی و نوبلیست‌ها. سوال مشترک اکثر مهمون‌ها این بود: «من اصلا اینجا چیکار می‌کنم؟»

🎙 لحظه‌ی کلیدی مقاله
همسر Hawley اون آخر هفته از روی چمن خیس لیز می‌خوره و مچ دستش می‌شکنه. روز آخر، Hawley برای اولین بار با بزوس رو در رو می‌شه و موضوع رو بهش می‌گه، نه برای شکایت، فقط یک ارتباط انسانی ساده بین دو پدر. واکنش بزوس؟ نه گفت متاسفم، نه پرسید چیزی نیاز دارید. فقط یک قیافه‌ی عجیب گرفت و دستیارش بلافاصله اومد و ازش دورش کرد.

نویسنده می‌گه: «وقتی فرصتی برای همدلی، حتی همدلیِ نمایشی، بهش داده شد، فرار رو انتخاب کرد.»

📑 تز اصلی مقاله Hawley می‌گه واقعا ثروتمند بودن یعنی این‌که همه چیز عملا رایگان بشه. هر دارایی‌ای رو می‌تونی به دست بیاری ولی هیچ‌چیزی رو نمی‌تونی از دست بدی، چون برای تریلیونرهای آینده، هیچ سطحی از ضرر، جایگاه و قدرت‌شون رو تغییر نمی‌ده. کلمه‌ی «شکست» برای این‌ها از معنا تهی شده.

📊 دهه‌ها پژوهش روان‌شناسی نشون داده استدلال اخلاقی از طریق consequence شکل می‌گیره؛ دیدن اثر کارهات روی بقیه و گرفتن فیدبک صادقانه. وقتی می‌تونی هر اشتباهی رو بخری و هر مخالفی رو اخراج کنی، اون مکانیزم پایه‌ای که بهت یاد می‌ده «بقیه آدم‌ها هم واقعی‌ان» خاموش می‌شه.

🟥 از نکات جالب دیگه‌ی مقاله، اشاره به شیفت فلسفی بعد از انتخابات ۲۰۲۴ بین تک‌بیلیونرها بود، علیه مفهوم empathy. ماسک، همدلی رو «ضعف بنیادینِ تمدن غرب» نامیده. و خب، اگر همدلی مشکله، نداشتنش دیگه نقص نیست، یک مزیته.

🔻 مقایسه‌ای هم گذاشته بین رابرباران قرن نوزدهم و بیلیونرهای امروز. اون‌ها هرچقدر بی‌رحم بودن، حداقل با دنیا درگیر بودن و از قدرتشون استفاده می‌کردن جهان رو شکل بدن. ولی بیلیونرهای امروز یک disassociation کامل دارن از واقعیتِ علت و معلول. دیگه نیازی نمی‌بینن دنیا رو تغییر بدن تا موفق بشن، چون موفقیتشون از پیش تضمین شده، فارغ از این‌که چه بلایی سر بقیه‌ی ما بیاد.

📊 لینک مقاله:
🔗 What I Learned About Billionaires at Jeff Bezos’s Private Retreat

✈️ @Mirage_Notes

📁 سوال مصاحبه کاری

۲۵ تا اسب داریم، تو هر مسابقه ۵ تا اسب می‌تونن بدوند، با کم‌ترین تعداد مسابقه می‌خوایم ۵ تا اسب سریع از بین این ۲۵ تا رو پیدا کنیم، چندتا مسابقه نیازه برگزار کنیم؟

✈️ @Mirage_Notes

📁 جوابِ سوال بالا

این یه سوال کلاسیک مصاحبه‌ی گوگله که معمولاً برای پوزیشن Business Operations Analyst (و گاهی نقش‌های مهندسی) ازش استفاده می‌شه. روی Glassdoor هم گزارش شده و سال‌هاست بحث‌برانگیزه، چون خیلی‌ها جواب اشتباه می‌دن (مخصوصاً جوابِ معروفِ ۷ که مالِ پیدا کردنِ ۳ تا اسبِ سریعه، نه ۵ تا).

🐎 فرض‌های مسئله
تو هر مسابقه حداکثر ۵ تا اسب می‌تونن بدوند.
کرنومتر در کار نیست، فقط ترتیبِ نسبیِ اسب‌ها تو هر مسابقه مشخص می‌شه.
اسب‌ها سرعتِ ثابت دارن (خسته نمی‌شن).

🎯 جواب: ۹ مسابقه

🧩 راه‌حل:

۱) ۵ مسابقه‌ی اول (مسابقه‌های ۱ تا ۵): ۲۵ اسب رو به ۵ گروهِ ۵تایی تقسیم می‌کنیم: A، B، C، D، E. هر گروه یه مسابقه می‌ده. حالا داخلِ هر گروه ترتیب رو می‌دونیم: A1 > A2 > A3 > A4 > A5 (همین‌طور برای B تا E)

۲) مسابقه‌ی ششم، مسابقه‌ی برنده‌ها: بینِ A1، B1، C1، D1، E1 مسابقه می‌ذاریم. فرض کنیم نتیجه بشه: A1 > B1 > C1 > D1 > E1 پس A1 قطعاً سریع‌ترینِ کلِ ۲۵ تاست.

۳) حذف کاندیداهایی که محاله تو Top 5 باشن:
کلِ گروهِ E حذف (چون E1 پنجم شده، یعنی حداقل ۴ تا اسب ازش سریع‌ترن).
از گروه D: اسب D1 چهارمه و خودش می‌تونه نهایتاً چهارم بشه، ولی D2 به بعد همه حذف. پس از گروهِ D فقط D1 می‌مونه.
از گروه C: فقط C1 و C2 می‌مونن (C3, C4, C5 حذف).
از گروه B: فقط B1, B2, B3 می‌مونن (B4, B5 حذف).
از گروه A هم A2, A3, A4, A5 همه کاندیدا هستن (چون A1 اولِ کل هست، بقیه‌ی گروهش هم می‌تونن تو Top 5 باشن).

کاندیداهای باقی‌مونده برای جایگاه‌های ۲ تا ۵:

A2, A3, A4, A5, B1, B2, B3, C1, C2, D1

پس ۱۰ اسب تا اسب برای ۴ جا داریم.

۴) مسابقه‌ی هفتم، تعیینِ جایگاهِ دوم: بعد از مسابقه‌ی ۶، فقط دو اسب شانسِ جایگاهِ دوم رو دارن: A2 و B1 (چون فقط A1 ازشون سریع‌تره؛ بقیه‌ی اسب‌ها حداقل ۲ اسبِ سریع‌تر بالای سرشون دارن). پس این اسب‌ها رو می‌دوونیم: A2, B1, C1, D1, E1
فرض کنیم نتیجه A2 > B1 > C1 > D1 > E1 هست، پس A2 دومِ کل می‌شه. حالا حذف‌های زنجیره‌ای این‌طوریه:
اسب A2 از B1 سریع‌تر شد پس ۲ اسب از B1 سریع‌ترن (A1, A2)، پس B4 حذف (چون ۵ اسب ازش سریع‌ترن: A1, A2, B1, B2, B3). اسب C1: نسبت به خودش ۳ اسبِ سریع‌تر هست، پس اسب C3 حذف.
اسب D1: نسبت به خودش ۴ اسبِ سریع‌تر داره، پس D2 حذف.
اسب E1: نسبت به خودش ۵ اسبِ سریع‌تر داره، پس خودِ E1 و کلِ گروهِ E حذف.
کاندیداهای باقی‌مانده برای ۳ جای باقی‌مانده: A3, A4, A5, B1, B2, B3, C1, C2, D1 می‌شه مجموعا ۹ تا.

۵) مسابقه‌ی هشتم، تعیینِ جایگاهِ سوم: کاندیداهای جایگاهِ سوم فقط A3 و B1 هستن (بقیه ≥۳ اسبِ سریع‌تر بالای سرشون دارن). این دو رو با قوی‌ترین بقیه می‌دوونیم: A3, B1, B2, C1, D1 فرض کنیم نتیجه: A3 > B1 > C1 > B2 > D1، پس اسب A3 سومِ کل می‌شه. حالا حذف‌های زنجیره‌ای این‌طوریه:
نسبت به اسب B1 الان ۳ اسبِ سریع‌تر داریم (A1, A2, A3) پس B3 حذف (۵ اسب ازش سریع‌ترن: A1, A2, A3, B1, B2).
اسب C1: نسبت به خودش ۴ اسبِ سریع‌تر داره پس C2 حذف.
اسب D1: نسبت به خودش ۵ اسبِ سریع‌تر داره پس خودِ D1 حذف.
کاندیداهای باقی‌مانده: A4, A5, B1, B2, C1 می‌شه دقیقاً ۵ اسب برای ۲ جای باقی‌مانده.

۶) مسابقه‌ی نهم، تعیینِ جایگاه‌های چهارم و پنجم: هر ۵ کاندیدای باقی‌مانده رو با هم می‌دوونیم: A4, A5, B1, B2, C1، نهایتا اسب اولِ این مسابقه = چهارمِ کل و اسب دومِ این مسابقه = پنجمِ کل

💳 جمع‌بندی: ۵ (مسابقه‌ی گروهی) + ۱ (مسابقه‌ی برنده‌ها) + ۳ (تعیینِ جایگاه‌های ۲ تا ۵) = ۹ مسابقه

هر مسابقه جایگاه یکی رو مشخص می‌کنه و تو هر مسابقه فقط ۲ اسب اصلاً شانسِ جایگاهِ بعدی رو دارن و مسابقه بینشون قضاوت می‌کنه؛ بقیه‌ی شرکت‌کننده‌ها برای جمع‌آوریِ اطلاعاتِ بیشتر و حذفِ زنجیره‌ای هستن.

جوابِ معروفِ «۷ مسابقه» که خیلی جاها دیده می‌شه، مربوط به نسخه‌ی ساده‌ترِ سواله که می‌خواد فقط Top 3 رو پیدا کنه.

🔗 25 horses, 5 race tracks. How many races you have to run to select top 5 horses?

✈️ @Mirage_Notes