⭐️ وقتی صندلیِ تیلور سوئیفت هم تبدیل به کالای کلکسیونی می‌شه

یک خبر می‌خوندم درباره‌ی حراج صندلی‌هایی که تیلور سوئیفت و تراویس کلس در یکی از بازی‌های Cleveland Cavaliers روش نشسته بودن. از اون خبرهاییه که اولش شبیه شوخی اینترنتیه، ولی واقعاً اتفاق افتاده.

ماجرا این بود که شرکت The Realest، به‌عنوان همکار رسمی احراز اصالت یادگاری‌های Cavaliers، این صندلی‌ها رو برای حراج گذاشت. قیمت پایه‌ی صندلی تیلور سوئیفت فقط ۱۰۰ دلار بود، ولی خیلی سریع پیشنهادها رفت بالا، اول از ۶۰۰ دلار گذشت، بعد به چند هزار دلار رسید، و در نهایت صندلی تیلور با ۷۰۰۰ دلار فروخته شد.

صندلی تراویس کلس هم برخلاف بعضی روایت‌های اولیه که می‌گفتن کسی بیشتر از ۵۰۰ دلار براش پیشنهاد نداده، در نهایت ۱۴۰۵ دلار فروش رفت. یعنی حتی عددهای حاشیه‌ای خبر هم تو فضای اینترنت مدام تغییر کردن و بعضی نسخه‌ها دقیق نبودن.

🎙 نکته‌ی جالب‌تر اینه که این اولین بار نیست یک چیز کاملا معمولی، فقط به خاطر تماس با یک سلبریتی، تبدیل به شیء گران‌قیمت می‌شه.

دستمال استفاده‌شده‌ی اسکارلت جوهانسون، بعد از حضورش در Tonight Show، برای خیریه حدود ۵۳۰۰ دلار فروخته شد. یک تکه نان تست نیمه‌خورده‌ی جاستین تیمبرلیک هم سال‌ها پیش در eBay حدود ۳۱۵۴ دلار قیمت گرفت. صندلی چوبی جی. کی. رولینگ، که بخشی از هری پاتر رو روی اون نوشته بود، در سال ۲۰۱۶ حدود ۳۹۴ هزار دلار فروخته شد.

💬 تفاوت این‌ها البته مهمه. صندلی رولینگ واقعا به خلق یک اثر فرهنگی بزرگ وصل بود، چیزی شبیه یک تکه از تاریخ ادبیات معاصر. ولی صندلی تیلور سوئیفت بیشتر نشون‌دهنده‌ی قدرت اقتصاد fandom و celebrity culture امروز ماست، این‌که حتی «جایی که یک نفر نشسته» هم می‌تونه تبدیل به کالای لوکس و قابل حراج بشه.

و خلاصه که در دنیای امروز، ارزش خیلی چیزها دیگه از جنس خودِ شیء نمیاد، از داستانیه که دورش ساخته می‌شه. یک صندلی معمولی، یک دستمال، یا یک نان تست، وقتی به اسم یک سلبریتی وصل بشه، از مصرف روزمره جدا می‌شه و وارد بازار عجیبِ خاطره، پرستش و کلکسیون می‌شه.

🔗 https://www.espn.com/nba/story/_/id/48985479/cleveland-cavaliers-taylor-swift-seat-auction-bid-eastern-conference-finals
🔗 https://www.youtube.com/watch?v=4KkleE-zckE

✈️ @Mirage_Notes

⭐️ وقتی بازیگرِ The Pitt می‌گه سال‌ها روح همسر سابقش تسخیرش کرده بود

این ویدیو از کانالِ Filmbaz رو می‌دیدم که اخبار و حواشیِ هفته‌ی آخرِ خردادِ سینمای جهان رو مرور می‌کرد، و از جالب‌ترین بخش‌هاش ادعای کاترین لا‌ناسا درباره‌ی روح همسر سابقش بود. این‌جا کوتاه ازش می‌نویسم.

لا‌ناسا (بازیگرِ سریالِ The Pitt) تو یک مصاحبه با W Magazine گفت روحِ دنیس هاپر مدت‌ها دست از سرش برنمی‌داشت. بعد از اون تقریبا همه‌ی رسانه‌های سرگرمی (People، EW، E!) بازنشرش کردن.

دنیس هاپر بازیگر و کارگردانِ مشهور (Easy Rider، Blue Velvet) بود که در ۲۰۱۰ بر اثرِ سرطان درگذشت. اون‌ها ۱۹۸۹ ازدواج کردن، یک پسر دارن و ۱۹۹۲ جدا شدن. لا‌ناسا آخرین همسری بوده که هاپر موقعِ مرگ در حالِ طلاق ازش نبوده، و خودش همینو دلیلِ این تجربه می‌دونه.

📁 لیست ادعاهاش
دیدنِ روحِ هاپر روی ویلچر، با همون ظاهرِ آخرین اسکارِ زندگی‌ش، که خیلی ترسناک بوده
حسِ حضورِ فیزیکی و پریدن از خواب، تا این‌که یک روز با صدای بلند گفت «دیگه منو تنها بذار» و متوقف شد
دیدنِ عکسی از هاپر تو یک گالری که توش در حالِ چشمک زدن بود، و تعبیرش به‌عنوانِ خداحافظی
آخرین بار در خواب، تو کافه‌ای در یونان، هاپر بهش گفت «حالم خوبه، دیگه درد ندارم» و بعد دیگه ندیدش

و خلاصه خبر سمی اون ماه هم این مصاحبه و ادعاهای مربوط بهش بود.

🔗 https://www.youtube.com/watch?v=2_1ckjbKkLc

✈️ @Mirage_Notes

⭐️ Abacus Medal | Shayan Oveis Gharan

مدال Abacus هر ۴ سال یک بار تو مراسم International Congress of Mathematicians به پژوهشگری اهدا می‌شه که دستاوردهای برجسته در زمینه‌ی Mathematical Aspects of Information Sciences داشته باشه.

زمینه‌هایی مثل علوم کامپیوتر نظری، الگوریتم، رمزنگاری، Computer Vision، بهینه‌سازی و امثالهم رو شامل می‌شه.

قبلا اسم این جایزه Rolf Nevanlinna Prize بود، از ۲۰۱۹ به Abacus Medal اسمش تغییر کرد. امسال هم جایزه به شایان اویس قرن رسید، استاد ایرانی-آمریکایی دانشگاه Washington.

اندکی درباره‌ی شایان اویس قرن:
- ورودی ۸۳ کارشناسی کامپیوتر شریف
- ورودی ۲۰۰۸ دکتری Management Science & Engineering دانشگاه Stanford
- مدال طلای جهانی المپیاد ریاضی سال ۲۰۰۴
- جایزه‌ی NSF Career Award سال ۲۰۱۶
- دبیر علمی دوره‌ی ۶ام رویداد WSS

و جالب این‌که تا چند سال پیش تو دانشگاه شریف کارگاه و جلسه داشتن، و اسم‌شون رو سرچ زدم کلی پیام مرتبط به جلسات‌شون تو هیستوری تلگرامم اومد.

🔗 http://quantamagazine.org/shayan-oveis-gharan-wins-2026-imu-abacus-medal-20260723/

✈️ @Mirage_Notes

⭐️ کاهش مصرف توکنِ یک AI Agent تا ۹۴٪

این بلاگ‌پست از Vivek Haldar رو می‌خوندم که یک مثالِ عملی و ملموس از مفهومِ «کامپایل کردن» agentها ارائه می‌داد، یعنی چطور یک فرآیندِ خودکار مبتنی بر LLM رو بهینه کرد و مصرف توکن و latency رو به شدت پایین آورد. این‌جا چند نکته‌ی جالبش رو می‌نویسم.

🔻 اصلا داستان چیه؟ Vivek یک skill داره که هر روز تو آرشیوِ بلاگ‌پست‌های قدیمی‌ش می‌گرده، یک مطلبِ ارزشمند برای بازنشر پیدا می‌کنه، چک می‌کنه که اخیرا بهش اشاره نکرده باشه، و یک پستِ کوتاهِ لینکدین به‌عنوان draft می‌نویسه. این draft هیچ‌وقت خودکار پست نمی‌شه؛ گاهی اصلا استفاده‌ش نمی‌کنه، ولی به‌عنوان یک نکته‌ی یادآوری کارش راه می‌افته.

نسخه‌ی اولیه کاملا با دستوراتِ natural language تو یک Agent Skill نوشته شده بود. منابعِ جستجو، چک کردنِ تاریخچه، معیارهای انتخاب و شکلِ نهاییِ draft. تو هر اجرا، agent (که الان Codex هست) باید این دستورات رو تفسیر می‌کرد، نقشه می‌کشید، ابزارها رو صدا می‌زد و state رو دنبال می‌کرد. این روشِ خوبی برای ساختِ نسخه‌ی اول بود، چون زبان طبیعی تغییر دادن فرآیند رو راحت می‌کرد.

🗂 وقتی فرآیند تثبیت شد
نکته اینه که بعد از این‌که یک skill بارها اجرا می‌شه و مدام همون مسیر رو طی می‌کنه، بیشترِ رفتارش دیگه اکتشافی نیست. این skill همیشه تو همون جاهای ثابت می‌گرده، همون content inventory رو می‌سازه، همون فیلترها رو اعمال می‌کنه و همون state رو ذخیره می‌کنه. هیچ‌کدوم ازینا لازم نیست هر صبح از صفر بازاندیشی بشه، خیلی‌هاش اصلا به LLM نیاز نداره.

در واقع فقط دو مرحله واقعا به LLM نیاز داره:
۱. انتخابِ یک کاندیدای خوب از بینِ inventoryِ فیلترشده
۲. نوشتنِ draftِ لینکدین بقیه‌ی همه‌چی می‌تونه کدِ معمولی و قطعی باشه.

💬 پس skill رو «کامپایل» کرده، و سپس Vivek اون skill رو به یک specialized harness تبدیل کرد. skill جدید عملا دیگه skill نیست، تبدیل شده به یک bootloader نازک که یک برنامه‌ی پایتون رو اجرا می‌کنه. اون برنامه منابع رو می‌گیره، inventory رو می‌سازه، پست‌های اخیر رو چک می‌کنه، فیلترها رو اعمال می‌کنه و کلِ فرآیند رو مدیریت می‌کنه، و فقط برای انتخاب و تولیدِ متن، LLM رو صدا می‌زنه.

نتیجه‌ش هم بهبودِ چشمگیر بود: ۹۴٪ کاهش در مصرف توکن ۸۷٪ کاهش در latency تقریبا همون کیفیتِ خروجی

نکته اینه که این صرفه‌جویی از عوض کردنِ مدل با یک مدلِ ارزون‌تر به دست نیومده، مراحل انتخاب و تولید هنوز همون مدل قبلی رو استفاده می‌کنن. صرفه‌جویی از حذفِ اون تماس‌هایی با مدل میاد که کارشون رو کدِ معمولی می‌تونست مستقیم‌تر انجام بده.

📑 حالا «کامپایل کردن» این‌جا یعنی چی؟
اون traceهای تاریخیِ اجرای قبلیِ skill رو داشت که نشون می‌داد agent واقعا چی کار کرده (planning، tool callها، انشعاب‌ها و stateها). این traceها، skill اصلی و نوشته‌های خودش درباره‌ی specialized harnessها رو به یک مدلِ قدرتمند داد و ازش خواست مشخص کنه کدوم مرحله‌ها واقعا به LLM نیاز دارن و کدوم‌ها اون‌قدر پایدار شدن که بشه کدشون کرد، و بعد harness رو بسازه.

به عبارتی، skill زبان طبیعی نقشِ یک specification سطح‌بالا رو داشت، در حالی که traceها جزئیاتِ عملیاتی رو تامین می‌کردن. به همین خاطره که Vivek میگه قیاسِ «کامپایلر» این‌جا مفیده: از یک نمایشِ منعطف و سطح‌بالا از هدف شروع می‌کنیم، و بعد از این‌که فرآیند به اندازه‌ی کافی اجرا شد و شکلِ واقعی‌ش مشخص شد، بخش‌های پایدارش رو به یک نمایشِ کارآمدتر «پایین می‌آریم».

نکته‌ی جالبِ آخرش این بود که چرا این تکنیک‌ها احتمالا از خودِ شرکت‌های بزرگِ مدل‌سازی نمیان: چون کارِ اون‌ها فروشِ توکنه، ترجیحا حجمِ زیادی توکن از گران‌ترین مدل‌هاشون. یک جمله‌ی قدیمی هست که میگه «خیلی سخته کسی رو به چیزی قانع کنی وقتی حقوقش به نفهمیدنِ اون بستگی داره.» تکنیکی که کیفیتِ خروجی رو حفظ می‌کنه ولی مصرف توکن رو ۹۴٪ کم می‌کنه، مستقیما در تضاد با اقتصادِ شرکتیه که درآمدش با مصرف توکن بالا می‌ره.

البته Vivek نمیگه هیچ‌کس داخلِ این شرکت‌ها به کارایی اهمیت نمی‌ده؛ ولی بین «ارزون‌تر کردنِ هر توکن» و «کمک به مشتری برای فهمیدن این‌که اصلا بیشترِ فرآیندش به توکن نیاز نداره» یک تفاوتِ مهم هست. پس این کار به کاربرها و سازنده‌های مستقل می‌رسه، و همین‌جا هم یک فرصتِ بزرگ برای founderهایی هست که ابزار و کامپایلر برای انتقال بخش‌های قطعیِ فرآیندها به کد می‌سازن.

✈️ @Mirage_Notes

⭐️ ۹ نفر از هر ۱۰ اروپایی حاضرن مهاجرت کنن | مقصدها کجاست؟

این گزارش رو از Euronews می‌خوندم، درباره‌ی یک نظرسنجی که شرکت بیمه‌ی دیجیتال Feather روی ۲۰۰۰ بزرگسال در فرانسه، آلمان، ایتالیا و بریتانیا انجام داده (هر کشور ۵۰۰ نفر). سوال اصلی این بود که اروپایی‌ها اگر بخوان از کشورشون برن، کجا رو انتخاب می‌کنن و چرا. این‌جا چند نکته‌ی جالبش رو می‌نویسم.

🔻 تصویر کلی
تقریبا نیمی از مردم این چهار کشور انتظار دارن یک روزی در کشوری دیگه زندگی کنن، و فقط ۱ نفر از هر ۱۰ نفر گفته قطعا مهاجرت نمی‌کنه. یعنی ذهنیت «موندن تا آخر» دیگه اکثریت نیست.

💬 چرا می‌خوان برن؟ دلیل اصلی بحران هزینه‌ی زندگیه. ۵۳٪ بریتانیایی‌ها، ۴۸٪ فرانسوی‌ها، ۴۳٪ آلمانی‌ها و ۳۲٪ ایتالیایی‌ها همین رو عامل اصلی فکر کردن به مهاجرت دونستن.

📍 مقصدها
اسپانیا برنده‌ی واضح این نظرسنجیه:
– بریتانیایی‌ها (۲۴٪) و ایتالیایی‌ها (۲۰٪) اسپانیا رو اولین گزینه گذاشتن
– فرانسوی‌ها اول کانادا (۱۷٪) و بعد ایتالیا (۱۴٪) رو انتخاب کردن
– آلمانی‌ها اهل دور شدن نیستن، اول اتریش (۱۷٪)، بعد اسپانیا و سوئیس (هر کدوم ۱۲٪)
– بریتانیایی‌ها برعکس، حاضرن خیلی دور برن: استرالیا (۱۹٪)، کانادا (۱۵٪) و نیوزیلند (۱۰٪)

🔺 نکته‌ی حاشیه‌ای
با وجود شهرت دبی به‌عنوان بهشت مهاجرها، فقط ۳٪ بریتانیایی‌ها بهش فکر می‌کردن. البته نظرسنجی اواخر ژوئن انجام شده، پس احتمالا حملات به امارات روی این عدد اثر گذاشته.

🔗 https://www.euronews.com/travel/2026/07/24/only-one-in-10-europeans-would-not-consider-moving-abroad-new-survey-reveals

✈️ @Mirage_Notes

🔻 بزرگ‌ترین مدل هوش مصنوعی Open Weight که فقط از ۳.۷٪ خودش برای هر تسک استفاده می‌کنه

این مقاله رو از ResearchAudio می‌خوندم درباره‌ی Kimi K3، مدلی که شرکت چینی Moonshot AI این هفته منتشر کرد و یک بحث قدیمی رو تموم کرد، اینکه یک مدل open نهایتا چقدر می‌تونه بزرگ بشه. جوابش شد ۲.۸ تریلیون پارامتر. اینجا چند نکته‌ی جالبش رو می‌نویسم.

🔻 عدد بزرگ تیتر خبره، ولی داستان اصلی جای دیگه‌ست. کل هنر این مدل اینه که با ۲.۸ تریلیون پارامتر ساخته شده، اما موقع کار کردن طوری رفتار می‌کنه که انگار یک‌دهم این اندازه‌ست. تقریبا همه‌ی تصمیم‌های طراحی‌ش به یک دشمن مشترک حمله می‌کنن، پهنای باند حافظه.

🗂 در یک نگاه، ۲.۸ تریلیون پارامتر کل هست، ولی فقط ۱۰۴ میلیارد برای هر توکن فعال می‌شه. ۸۹۶ expert داره، ولی برای هر توکن فقط ۱۶ تاشون بیدار می‌شن و ۲ تا همیشه روشنن. پنجره‌ی متنی یک میلیون توکن. قیمت ۳ دلار برای هر میلیون توکن ورودی و ۱۵ دلار خروجی. همچنین open weight هست، نه open source.

💬 سه لایه از هر چهار لایه، اصلا attention نیستن بخش گرون سرویس‌دهی به متن طولانی، محاسبه نیست، اون KV cache هست، یعنی رونوشت کامل هر توکنی که مدل تا حالا دیده. توی یک میلیون توکن، همین رونوشت کل هزینه‌ی GPU می‌شه. جواب Moonshot چیزیه به اسم KDA که به جای نگه‌داشتن کل رونوشت، یک حافظه‌ی ثابت داره و تصمیم می‌گیره چی رو پاک کنه و چی رو نگه داره. نتیجه اینکه از ۹۳ لایه، ۶۹ تاش linear attention با حافظه‌ی ثابته و فقط ۲۴ تا full attention واقعی دارن برای وقتایی که مدل به یادآوری دقیق نیاز داره.

📊 اقتصادِ ۸۹۶ متخصص
تقریبا همه‌ی اون ۲.۸ تریلیون پارامتر توی لایه‌های mixture of experts زندگی می‌کنن. برای هر توکن، یک router از بین ۸۹۶ متخصص، ۱۶ تا رو انتخاب می‌کنه و ۲ تا هم همیشه فعالن. جمعش می‌شه ۱۰۴ میلیارد پارامتر فعال، یعنی فقط ۳.۷٪ مدل. اون ۹۶.۳٪ باقی‌مونده سرد توی حافظه منتظر می‌مونه تا توکنی بیاد که بهش نیاز داشته باشه.

📑 چطور ۲.۸ تریلیون پارامتر توی ۱.۵ ترابایت جا می‌شه؟
با دقت استاندارد ۱۶ بیتی، وزن‌های این مدل حدود ۵.۶ ترابایت جا می‌خواستن. ولی فایل‌های Hugging Face فقط ۱.۵۶ ترابایتن. ترفند اینه که مدل رو بعد از آموزش فشرده نکردن، بلکه از همون اول با آگاهی از کوانتیزیشن و وزن‌های ۴ بیتی آموزش دادن. یعنی مدل یاد گرفته توی ۴ بیت زندگی کنه، نه اینکه بعدا بهش تحمیل بشه. البته این یعنی هزینه‌ی هاست کردنش کم‌تر شده، نه اینکه بتونید رو pc اجراش کنید، هنوز یک کلاستر با ۶۴ شتاب‌دهنده و حدود ۵ ترابایت حافظه می‌خواد.

🔹 نکته‌ی لایسنس
برخلاف K2 که تقریبا MIT بود، K3 یک لایسنس سفارشی open weight داره با دو تا تله، اگر از ۱۰۰ میلیون کاربر ماهانه یا ۲۰ میلیون دلار درآمد ماهانه رد بشی، باید Moonshot رو به‌وضوح ذکر کنی، و اگه دسترسی به K3 رو به‌عنوان سرویس بفروشی و از ۲۰ میلیون دلار عبور کنی، باید توافق جداگانه ببندی.

و خلاصه که هیچ‌کدوم از ایده‌های K3 به‌تنهایی جدید نیست، linear attention بود، mixture of experts بود، آموزش ۴ بیتی هم بود. کاری که Moonshot کرد اولین اثباتِ اینه که هر سه‌تای این‌ها با هم و در مقیاس ۲.۸ تریلیون پارامتر جون سالم به‌در می‌برن، اون هم با فاصله‌ی کمی از بهترین مدل‌های بسته و کسری از هزینه‌ی سرویس‌دهی. چیزی که باید منتظرش بود Moonshot نیست، اینه که آزمایشگاه‌های بسته آیا سر قیمت جواب می‌دن یا نه.

🔗 https://researchaudio.io/p/the-largest-open-model-ever-runs-on-3-7-percent-of-itself

✈️ @Mirage_Notes

⭐️ Branch Education | YouTube Channel

کانال Branch Education یکی از کانال‌های جالب یوتیوب برای فهمیدنِ پشت‌صحنه‌ی تکنولوژی‌های روزمره‌ست. با انیمیشن‌های سه‌بعدی دقیق و توضیح‌های مرحله‌به‌مرحله نشون می‌ده چیزهایی مثل کارت گرافیک، پردازنده، حافظه، اینترنت، باتری، نمایشگر، دوربین، موتور ماشین یا حتی گرافیک بازی‌ها واقعا چطور کار می‌کنن.

جنس ویدیوهاش نه صرفا معرفی محصوله و نه توضیح سطحی، بیشتر شبیه کالبدشکافی فنیه، ولی با زبانی که برای آدم کنجکاو غیرمتخصص هم قابل فهم بمونه.

🔗 https://www.youtube.com/@BranchEducation/videos

✈️ @Mirage_Notes

⭐️ سایت Rotten Tomatoes نمره فیلم نیست، درصد موافق‌هاست

این ویدیو یک سوءتفاهم رایج رو باز می‌کنه: وقتی می‌بینی یک فیلم ۸۰٪ Rotten Tomatoes گرفته، معنی‌ش این نیست که میانگین نمره منتقدها ۸ از ۱۰ بوده. یعنی ۸۰٪ نقدهای ثبت‌شده مثبت حساب شدن.

مثال ساده‌اش اینه: اگر ۱۰ منتقد یک فیلم رو ببینن و ۶ نفر بگن «قابل قبوله» و ۴ نفر بگن «افتضاحه»، فیلم می‌تونه Fresh بشه، حتی اگر هیچ‌کس عاشقش نشده باشه. برعکس، یک فیلم ممکنه ۵ نفر رو دیوانه‌وار جذب کنه و ۵ نفر رو نه، بعد با عدد پایین‌تر دیده شه. پس سیستم بیشتر میزان توافق رو می‌سنجه، نه شدت علاقه رو.

نکته دوم selection bias هست. هر منتقدی هر فیلمی رو نمی‌بینه و هر مخاطبی هم برای هر فیلم رأی نمی‌ذاره. پس هم score منتقدها و هم audience score تصویر کامل نیستن، تصویر آدم‌هایی هستن که وارد بازی شدن و رأی دادن.

ویدیو نقدش فقط غر زدن نیست. می‌گه Rotten Tomatoes به درد تصمیم سریع می‌خوره، مخصوصا وقتی وسط صدتا فیلم و سریال نمی‌دونی چی ببینی. ولی مشکل از جایی شروع می‌شه که یک درصد رو تبدیل می‌کنیم به حکم نهایی درباره ارزش هنری یک فیلم.

🔻 برداشت کاربردی به نظرم اینه که قبل از اینکه با عدد RT درباره یک فیلم دعوا کنید، average rating، تعداد نقدها، اختلاف critic و audience، و جنس نقدهای منفی رو ببینید. گاهی ۶۵٪ یعنی «همه تقریبا اوکی بودن»، نه «فیلم خیلی خوبه».

🔗 https://www.youtube.com/watch?v=WVtsuEULCK4

✈️ @Mirage_Notes

⭐️ داستان ساخت فیلم پدرخوانده

این ویدیو درباره‌ی پشت‌صحنه‌ی ساخت فیلم پدرخوانده به کارگردانی فرانسیس فورد کاپولا رو می‌دیدم. داستان جالبی داشت که هیچ‌جای دیگری درباره‌ش نخونده بودم.

🔽 ریشه‌های شکل‌گیری داستان
تا سال ۱۹۵۷، دولت آمریکا وجود مافیا و جرائم سازمان‌یافته رو افسانه می‌دونست، اما با دستگیری ده‌ها رئیس مافیا در گردهمایی آپالاچین، چهره‌ی واقعی‌شون افشا شد. بعد ازین داستان، ماریو پوزو، نویسنده‌ای ورشکسته که وقتش رو در کازینوها می‌گذروند، کتاب رو صرفاً برای کسب درآمد نوشت. پارامونت پیش‌نویس ۱۰۰ صفحه‌ای کتاب رو با مبلغ ناچیز ۱۲٬۵۰۰ دلار خرید. کتاب بعد از انتشار در ۱۹۶۹ رکوردهای فروش رو در آمریکا جابه‌جا کرد.

🗂 انتخاب کارگردان و بازیگران در اوج بی‌پولی
پارامونت در اوضاع مالی بد، بودجه‌ی ۳ میلیون دلاری برای فیلم تعیین کرد و دنبال یک کارگردان ارزان و ایتالیایی‌تبار بود. برای همین کاپولای ۳۲ ساله و ورشکسته رو انتخاب کردن. کاپولا با اصرار شریکش جورج لوکاس قبول کرد، ولی شرط گذاشت داستان رو طوری تغییر بده که زوال اخلاقی مایکل کورلئونه و تبدیل شدنش به یک هیولا رو نشون بده.

کاپولا اصرار داشت آل پاچینو (بازیگر گمنام و فقیر اون موقع) نقش مایکل رو بازی کنه. مدیران پارامونت مخالف بودن و حتی به تست بازیگری‌ش نمره‌ی صفر دادن، ولی کاپولا تسلیم نشد.

برای نقش ویتو کورلئونه، مارلون براندو انتخاب شد که اون موقع ستاره‌ای رو به افول بود. براندو با یک تست مخفیانه و خلاقیتش در تغییر فرم فک و صدا (با گذاشتن دستمال در دهنش)، مدیرهای پارامونت رو متقاعد کرد نقش رو بهش بدن.

💬 درگیری با مافیای واقعی
جالب‌ترین بخش داستان درباره‌ی درگیری با مافیاست! مافیای نیویورک به رهبری جو کلمبو و با تحریک فرانک سیناترا (که فکر می‌کرد شخصیتی برای تمسخرش نوشته شده) به شدت مخالف ساخت فیلم بودن تظاهرات ۱۰۰ هزار نفری راه انداختن، لوکیشن‌ها رو مسدود کردن و یک کامیون تجهیزات یک میلیون دلاری دزدیدن نهایتا تهیه‌کننده با کلمبو وارد مذاکره شد. شرط کلمبو فقط یک چیز بود: حذف کلمه‌ی «مافیا» از فیلم‌نامه (که اتفاقاً فقط یک بار در کل متن استفاده شده بود) بعد از این توافق، مافیا به حامی اصلی فیلم تبدیل شد و خیابون‌ها رو برای فیلم‌برداری مسدود می‌کرد بازیگر نقش «لوکا براسی» (لنی مونتانا) در دنیای واقعی بادیگارد رئیس مافیای نیویورک بود که وارد فیلم شد

آل پاچینو قبل از فیلم‌برداری صحنه‌ی ترور در رستوران، عمداً ۲۴ ساعت نخوابید و چیزی نخورد تا چهره‌اش به طبیعی‌ترین شکل، استرس و مرز بیهوشی رو نشون بده. سر اسبی که در تختخواب تهیه‌کننده‌ی هالیوودی قرار داده شد، واقعی بود (از کارخانه‌ی غذای سگ تهیه شده بود) و بازیگر اون صحنه (جان مارلی) از واقعی بودنش خبر نداشت، برای همین شوک و وحشتش در فیلم کاملاً واقعیه. بازیگران نقش سانی (جیمز کان) و کارلو در واقعیت از همدیگه متنفر بودن، در صحنه‌ی درگیری خیابانی خیلی از ضربات واقعی بود و دو تا از دنده‌های بازیگر نقش کارلو شکست.

🖼 موفقیت‌های تاریخی و حواشی اسکار
پدرخوانده در ۱۹۷۲ با بودجه‌ی ارتقایافته‌ی ۶ میلیون دلاری اکران شد و حدود ۲۵۰ میلیون دلار (معادل ۱.۸ میلیارد دلار امروزی) فروخت و به پرفروش‌ترین فیلم تاریخ تا اون زمان تبدیل شد. فیلم ۱۰ نامزدی اسکار گرفت و ۳ تا برنده شد (بهترین فیلم، بهترین بازیگر مرد، بهترین فیلم‌نامه‌ی اقتباسی). مارلون براندو در اعتراض به رفتار هالیوود با بومیان آمریکا، یک دختر سرخ‌پوست رو به جای خودش روی صحنه فرستاد تا جایزه رو رد کنه. آل پاچینو مراسم رو تحریم کرد، چون استودیو در بخش «بازیگر نقش مکمل» نامزدش کرده بود تا با براندو رقابت نکنه، در حالی که زمان حضورش در فیلم بیشتر از براندو بود.

نهایتا پدرخوانده فقط یک فیلم موفق نبود، نقطه‌عطفی بود که نشون داد سینمای جدی و هنری می‌تونه پرفروش‌ترین فیلم تاریخ هم بشه.

🔗 https://m.youtube.com/watch?v=tYRf9tU8Eg8

✈️ @Mirage_Notes

⭐️ کتابخونه پایتونی Flowmpeg

اخیرا به چالشی برخورده بودم در استفاده از FFmpeg برای کارهای روزمره، چالش‌ها رو لیست کردم و نتیجه‌ش این شد که یک کتابخونه‌ی پایتونی کوچیک بر پایه‌ی FFmpeg پیاده‌سازی کردم و در GitHub قرار دادم. درباره‌ش این‌جا کوتاه می‌نویسم.

کتابخونه‌ی Flowmpeg برای وقتی به‌خصوص به کار میاد که می‌خواید با FFmpeg کار جدی انجام بدید، ولی نمی‌خواید وسط یک دستور چند خطی با ۱۰ تا ورودی، filter label، map و option گم شید. user-friendlyتر از FFmpeg پیاده‌سازی شده و featureهای ترکیبی داره.

🔻 ایده اصلیش ساده‌ست، به جای اینکه از اول یک دستور FFmpeg خام بسازید، کار رو به شکل یک plan قابل فهم می‌سازید. بعد می‌تونید قبل از اجرا، خود دستور دقیق رو ببینید، توضیحش رو بخونید، dry-run بگیرید، یا همون plan رو از داخل پایتون اجرا کنید.

چیزی که برای خودم مهم بود این بود که کارهای مدیا inspectable باشن. مثلا trim، resize، extract audio، watermark، podcast voice cleanup، contact sheet، HLS، DASH، batch conversion، loudness، quality check و یک سری موارد دیگه، همه در قالب shortcut یا command قابل استفاده‌ست، ولی پشتش هنوز یک graph typed و قابل تست هست.

💳 فرقش با یک wrapper ساده اینه که فقط چند دستور آماده دور FFmpeg نمی‌پیچه. ورودی، خروجی، stream، filter، probe، progress، خطا، overwrite protection و UI محلی براش فکر شده. یعنی هم برای کار سریع ترمینالی جواب می‌ده، هم برای اسکریپت پایتونی، هم برای کسی که می‌خواد با یک UI لوکال و کارهاش رو عادت داره روی صفحات visual انجام بده.

خود FFmpeg که فوق‌العاده‌ست، تنها مشکلی که داشتم معمولا این بود که وقتی دستورها بزرگ می‌شدن، مرور و اعتماد کردن بهشون سخت می‌شد. حالا Flowmpeg قرار نیست FFmpeg رو جایگزین کنه، قراره FFmpeg رو قابل خوندن، قابل بررسی و قابل تکرار کنه.

🔗 https://github.com/Imanm02/flowmpeg

✈️ @Mirage_Notes

⭐️ مهارت پذیرش

این ویدیو از پانته‌آ وزیری رو می‌دیدم؛ کسی که دکترای مهندسی داره، مدیر ارشده و ۲۴ سال سابقه‌ی مهاجرت و کار و تحصیل تو آمریکا. کل ویدیو درباره‌ی مهارت پذیرش هست که می‌گه کلید موفقیتش تو ازدواج، شغل و مادری بوده. این‌جا چند نکته‌ی جالبش رو می‌نویسم.

🔻 پذیرش اصلا چیه؟
پذیرش یعنی برنامه‌ریزی برای زندگیِ واقعی که الان داری، نه اون زندگیِ ایده‌آلی که آرزوش رو داشتی. مثالش زمستونِ شیکاگوئه؛ اگه بیدار شی و هوا منفی ۳۰ باشه، نه با هوا دعوا می‌کنی نه خودت رو سرزنش می‌کنی. ناراحتیت رو می‌پذیری و از بینِ گزینه‌های موجود (لباس گرم، کار از خونه، یا حتی مهاجرت به شهرِ گرم‌تر) یکی رو انتخاب می‌کنی و مسئولیتش رو قبول می‌کنی.

نکته‌ی مهمش اینه که پذیرش ≠ دوست داشتنِ شرایط بد. مثلِ یک ژنرالِ جنگی که زیرِ آتیش فقط واقعیتِ میدون رو می‌پذیره و بعد تصمیم می‌گیره بجنگه یا عقب بکشه. با اشاره به Viktor Frankl هم می‌گه بینِ محرکِ بیرونی و واکنشِ ما یک فضای خالی هست که «آزادیِ انتخاب» اون‌جاست؛ پذیرش یعنی همون «مکثِ آگاهانه» تو این فضا.

🗂 فوایدش
کاهشِ استرس و افزایشِ تاب‌آوری (داشتنِ Plan B برای روزِ بعد از شکست، مثلِ تجربه‌ی اخراج‌شدنِ خودش)، بهبودِ روابط (آدم‌ها رو همون‌طور که هستن ببینیم، نه این‌که بخوایم عوض‌شون کنیم)، و رشدِ شخصی (فرق گذاشتن بینِ «موفقیتِ» تحمیلیِ بیرون و «رضایتِ» درونی).

🔺 سوءتفاهم‌های رایج
پذیرش یعنی تسلیم؟ نه، یعنی تغییرِ استراتژی؛ اگه پل نبود، شنا می‌کنی و از رودخونه رد می‌شی. همون مثبت‌اندیشیِ زرده؟ نه، دقیقا برعکس؛ قبول می‌کنی اوضاع خرابه تا پاسخِ درخوری بدی. یعنی شکست؟ نه، گاهی یک نبرد رو می‌بازی تا جنگ رو ببری (مثلِ انصرافش از MBA برای محافظت از خانواده).

❤ ۵ مهارت برای تقویتش
۱. خودشناسی (شناختِ ارزش‌ها و نقاط ضعف و قوت)
۲. مشاهده‌ی بی‌طرفانه‌ی افکار، روزی ۵-۱۰ دقیقه خلوت با خودت
۳. سوگواری برای آینده‌ای که قرار نیست اتفاق بیفته، تا پرونده‌ش تو ذهن بسته شه
۴. اولویت‌بندی و کمک خواستن، که اساسش «تواضعه»
۵. خودتنظیمی و کنترلِ هیجانات تو فضای بینِ محرک و پاسخ

خلاصه که، پیامِ پایانی‌ش به جوان‌هاست، می‌گه روحیه‌ی جنگندگی‌تون یک سرمایه‌ست و پذیرش به معنیِ سرکوبِ اون نیست. با بالا رفتنِ سن، ظرفیتِ روانیِ آدم مثلِ یک اقیانوس عمیق‌تر می‌شه و کمتر دچارِ تلاطم می‌شه. شاید بزرگ‌ترین مهارت همینه که واقعیت رو ببینیم، بعد آگاهانه انتخاب کنیم.

🔗 https://www.youtube.com/watch?v=TFHb74MKzWk

✈️ @Mirage_Notes

⭐️ وقتی tenure هم جلوی اخراج رو نمی‌گیره

ماجرای Lance Fortnow و Illinois Tech فقط یک پست ناراحت‌کننده لینکدین نیست. یک نمونه واضحه از اینکه فشار مالی روی دانشگاه‌های آمریکا چطور می‌تونه حتی امنیت شغلی استادهای tenured رو هم بلرزونه.

دکتر Fortnow آدم معمولی‌ای توی علوم کامپیوتر نیست. استاد نظریه محاسباته، ACM Fellow، برنده Nerode Prize بوده و founding dean کالج Computing در Illinois Tech حساب می‌شد. با این حال خودش نوشته که دانشگاه بعد از اعلام financial exigency، بیش از ۱۵۰ نفر از staff و faculty رو کنار گذاشته، از جمله خودش، و قرار شده این تصمیم از هفته بعد اجرایی شه.

در لحظه financial exigency یعنی دانشگاه رسما می‌گه بحران مالی اونقدر جدیه که با راه‌های سبک‌تر حل نمی‌شه. طبق تعریف AAUP، این باید بحران شدیدی باشه که کل کیفیت آموزشی دانشگاه رو تهدید کنه و بدون راه‌های کمتر خشن قابل حل نباشه. اهمیتش اینه که در چنین وضعیتی حتی اخراج استاد tenured هم از نظر آیین‌نامه‌ای ممکن می‌شه.

🔗 اما چرا Illinois Tech به این نقطه رسید؟
طبق سرچ‌هام دانشگاه و گزارش‌های محلی چند علت اصلی گفتن: افت بودجه پژوهشی، محدودیت‌های شدید روی دانشجوی خارجی و افت enrollment. این دانشگاه وابستگی زیادی به دانشجوی بین‌المللی داشت. طبق آمار Illinois Tech در پاییز ۲۰۲۵، ۴۲٪ دانشجوها international بودن. گزارش WBEZ هم می‌گه بین پاییز ۲۰۲۴ و ۲۰۲۵ حدود ۱۲۰۰ دانشجوی graduate خارجی کم شده، برای دانشگاهی که سال قبل حدود ۷۵۰۰ دانشجو داشته عدد بزرگیه.

🔹 نکته تلخ اینه که این دانشگاه تا همین چند سال قبل در ظاهر مسیر رشد داشت. Higher Ed Dive نوشته headcount از ۲۰۲۲ تا ۲۰۲۴ بیش از ۲۷٪ رشد کرده بود، ولی پاییز ۲۰۲۵ بیش از ۱۵٪ افت کرد. یعنی مسئله فقط «دانشگاه ضعیف بود» نیست، مسئله مدل درآمدیه که با یک شوک سیاستی و پژوهشی سریع می‌شکنه.

🔺 اساتید هم فقط با اصل بحران مشکل نداشتن، با شیوه مدیریت بحران مشکل داشتن. Faculty senate رای عدم اعتماد به president و provost داد و گفت پاسخ مدیریت کند، مبهم و غیرشفاف بوده. دانشجوها هم نگران کلاس‌های لغوشده، استاد راهنمای از دست رفته و حتی وضعیت ویزا و مسیر دکتری شدن.

وقتی دانشگاه بیش از حد روی شهریه دانشجوی خارجی، grant پژوهشی و رشد سریع حساب باز می‌کنه، بحرانش فقط به دفتر مالی محدود نمی‌مونه. آخرش کلاس، استاد، دانشجو، و حتی معنی tenure هزینه اون مدل رو می‌دن.

🔗 https://www.highereddive.com/news/illinois-institute-of-technology-lays-off-160-faculty-and-staff-members/826895/
🔗 https://www.wbez.org/education/2026/07/31/illinois-institute-of-technology-cuts-160-faculty-and-staff-just-before-fall-semester
🔗 https://www.iit.edu/oii/facts-and-reports
🔗 https://www.aaup.org/issues-higher-education/financial-crisis/policies-and-best-practices

✈️ @Mirage_Notes

⭐️ فینال ۹۸، جایی که یک بازیکن از یک تیم بزرگ‌تر شد

این ویدیوی پوشه درباره رونالدو نازاریو و فینال جام جهانی ۱۹۹۸ هست، همون بازی فرانسه و برزیل که باید تاج‌گذاری بهترین بازیکن دنیا می‌شد، ولی تبدیل شد به یکی از مرموزترین شب‌های تاریخ فوتبال.

رونالدو 🇧🇷 اون موقع فقط ۲۱ سالش بود، با ۴ گل و چند پاس گل برزیل رو تا فینال آورده بود و نایکی هم کل تصویر بازاریابی خودش رو روی اون بسته بود. مشکل از چند ساعت قبل بازی شروع شد. توی هتل، رونالدو حالش بد شد، تشنج کرد، از دهنش کف اومد، بازیکن‌ها ترسیدن و بعد بردنش کلینیک. تست‌ها چیز خطرناکی نشون نداد، ولی زاگالو اول اسمش رو از ترکیب کشید بیرون و قرار شد ادموندو بازی کنه.

🤔 نقطه عجیب اینه، ۷۲ دقیقه قبل از شروع بازی، فهرست رسمی بدون رونالدو رفت فیفا. حدود ۳۰ دقیقه بعد فهرست عوض شد و رونالدو برگشت توی ترکیب اصلی. بعد هم برزیل ۳-۰ باخت، رونالدو تو زمین تقریبا سایه خودش بود و همین شد سوخت اصلی شایعه‌ها.

🔻 شایعه نایکی: گفتن نایکی چون هم اسپانسر برزیل بود، هم رونالدو رو صورت اصلی تبلیغاتش کرده بود، فشار آورد که هر طور شده بازی کنه. بعدا تحقیق پارلمانی برزیل هم راه افتاد، ولی مدرک قطعی علیه نایکی درنیومد.

🔻 شایعه فروختن فینال: یک روایت عجیب می‌گفت برزیل بازی رو داده تا بعدا مسیر جام جهانی ۲۰۰۲ براش آسون‌تر شه یا میزبانی آینده بگیره. این بیشتر شبیه فیک‌نیوز اولیه اینترنت بود و ثابت نشد، ولی چون برزیل اونقدر بی‌جان باخت، خیلی‌ها جدیش گرفتن.

🔻 شایعه دارو یا تزریق اشتباه: بعضی‌ها گفتن مشکل از داروی آرام‌بخش، قرص، یا تزریق پزشکی قبل بازی بوده و همین باعث خواب‌آلودگی و افت بدنش شده. این از بقیه شایعه‌ها زمینی‌تره، چون خود ماجرا واقعا پزشکی بود، ولی باز هم نسخه قطعی ازش نداریم.

🔻 شایعه بحران عصبی: یک روایت هم می‌گفت فشار رسانه، انتظار کشور و وزن نایکی باعث فروپاشی روانی رونالدو شده. این یکی شاید از نظر انسانی قابل فهم‌تره، حتی اگر جزئیاتش دقیق ثابت نشده باشه.

برداشت من اینه که این داستان فقط درباره یک تشنج قبل از فینال نیست. درباره لحظه‌ایه که فوتبال، برند، دولت، رسانه و بدن یک آدم ۲۱ ساله همه افتادن روی هم. رونالدو برای مردم برزیل قهرمان بود، برای نایکی محصول، برای فدراسیون سرمایه، برای رسانه داستان، و برای خودش فقط یک بدن خسته که هنوز می‌خواست بازی کنه.

گاهی اسطوره بودن یعنی حتی وقتی نباید بری تو زمین، همه ازت می‌خوان بری. و همین‌جاست که فوتبال از بازی قشنگ، تبدیل می‌شه به صنعت.

🔗 https://www.youtube.com/watch?v=2vI-yZ_dkJw

✈️ @Mirage_Notes

⭐️ انتقامِ نمایشی لیلی آلن از دیوید هاربر

ماجرای لیلی آلن و دیوید هاربر از اون حاشیه‌هاییه که مرز بین زندگی خصوصی، انتقام و نمایش عمومی رو کاملا قاطی می‌کنه.

داستان از این قراره که لیلی آلن در یکی از اجراهاش با یک لباس بلند روی صحنه رفت که روی دنباله‌ی پارچه‌اش، فاکتورهای خرید لوکسی چاپ شده بود؛ فاکتورهایی که گفته می‌شه مربوط به خرج‌هایی بوده که دیوید هاربر در دوران خیانت برای زن‌های دیگه کرده.

🔻 نکته‌ی عجیب ماجرا اینه که لیلی آلن به جای مصاحبه، بیانیه یا افشاگری مستقیم، خیانت رو تبدیل کرد به بخشی از اجرای صحنه‌ای خودش. یعنی درد شخصی و تحقیر رابطه رو برداشت و به شکل یک لباس، یک تصویر و یک لحظه‌ی وایرال جلوی چشم همه گذاشت.

واکنش‌ها هم دوگانه بود. بعضی‌ها حرکتش رو شجاعانه و خلاقانه دیدن؛ انگار زنی که آسیب دیده، کنترل روایت رو پس گرفته و به جای قربانی موندن، خیانت طرف مقابل رو با زبان خودش افشا کرده. ولی بعضی‌ها هم گفتن این مدل افشاگری، هرچقدر هم حق با آدم باشه، زندگی خصوصی رو تبدیل به یک spectacle رسانه‌ای می‌کنه؛ چیزی که بیشتر برای وایرال شدن ساخته شده تا حل کردن یک بحران واقعی.

و جالب این‌که این خبر فقط درباره‌ی یک خیانت سلبریتی‌طور نیست. بیشتر نشون می‌ده که تو فرهنگ امروز، حتی فروپاشی یک رابطه هم می‌تونه تبدیل بشه به یک اجرا، یک استایل، یک پست وایرال و بخشی از برند شخصی آدم‌ها.

🔗 https://www.youtube.com/watch?v=hoP3kSbCrd8
🔗 https://www.youtube.com/watch?v=ezDVLv-dp7w

✈️ @Mirage_Notes

⭐️ کردیت‌کارت در آمریکا همیشه بدهی گرون نیست

بیرون از آمریکا خیلی‌ها فکر می‌کنن خرید با Credit Card یعنی همون لحظه رفتی زیر وام با بهره بالا. ولی ساختار کارت اعتباری فرق داره. کارت یک revolving credit هست، یعنی بانک بهت یک limit می‌ده، خرج می‌کنی، پس می‌دی، دوباره همون خط اعتبار آزاد می‌شه.

وام معمولی installment debt هست. مثلا وام خودرو یا دانشجویی این‌طوریه که یک مبلغ مشخص می‌گیری، قسط‌های مشخص داری، تهش صفر می‌شه. کردیت‌کارت اما هر ماه یک statement می‌ده. اگر statement balance رو کامل تا due date بدی، معمولا از grace period استفاده می‌کنی و برای خریدهای جدید بهره نمی‌دی.

دردسر از جایی شروع می‌شه که فقط minimum payment رو بدی و balance رو ماه بعد هم بکشی. اونجا کارت تبدیل می‌شه به یکی از گرون‌ترین بدهی‌های مصرفی. طبق G.19 فدرال رزرو، در می ۲۰۲۶ کارت‌هایی که بهره گرفتن میانگین نرخ حدود ۲۲.۱۵٪ داشتن.

برای همین آدم‌های زیادی در آمریکا کارت اعتباری رو برای ساختن credit score استفاده می‌کنن، نه برای وام گرفتن. خرید روزمره، پرداخت کامل، استفاده کم از limit و پرداخت به موقع. FICO هم payment history رو بزرگ‌ترین بخش score می‌دونه و بعدش میزان بدهی و utilization میاد.

🔻 و خب خلاصه از روزی اولی که اومدیم به ما گفتن کارت اعتباری اگر کامل و منظم تسویه شه، ابزار ساخت اعتبار و گرفتن reward هست. اگر بدهیش رو حمل کنیم، خیلی زود تبدیل می‌شه به وامی که هر ماه نفس بودجه رو تنگ‌تر می‌کنه.

✈️ @Mirage_Notes

⭐️ کاسکو | راز موفقیت یک غول خرده‌فروشی

این ویدیو رو می‌دیدم درباره‌ی تاریخچه و رازهای موفقیت فروشگاه‌های زنجیره‌ای Costco که محبوب‌ترین و احتمالا با کیفیت‌ترین مارکت آمریکا هست، این‌جا درباره‌ش یکم بیشتر می‌نویسم.

🔽 کاسکو از کجا شروع شد؟
سال پرایس در ۱۹۵۴ فروشگاه فدمارت رو در سن‌دیگو راه انداخت و ایده‌ی حق عضویت سالانه با کم‌ترین حاشیه‌ی سود رو پیاده کرد. بعد از اختلاف با مالک آلمانی فدمارت، در ۱۹۷۶ پرایس کلاب رو تأسیس کرد. جیم سینگال که از مدیران سابق فدمارت بود، در ۱۹۸۳ به همراه جف بروتمن، شرکت Costco Wholesale رو در سیاتل پایه گذاشتن. این دو شرکت در ۱۹۹۳ ادغام شدن و در ۱۹۹۷ نهایتاً با نام «Costco» شناخته شدن.

🗂 راز اصلی Costco اینه که مدل کسب‌وکار سود اصلی از فروش نیست، از حق عضویت سالانه‌ست (از سپتامبر ۲۰۲۴ پایه‌اش ۶۵ دلار و Executive ۱۳۰ دلار شده)، با حدود ۱۴۰ میلیون عضو در سراسر دنیا، حاشیه‌ی سود حداکثر ۱۴٪ روی کالاها (در مقایسه با ۵۰٪+ در رقبا)، با تنها حدود ۴ هزار قلم کالا (در برابر ۱۵۰ هزار قلم در والمارت)، با تمرکز بر بسته‌بندی بزرگ و تنوع کم، استفاده‌ی هوشمندانه از داده‌های کارت عضویت برای تحلیل سلیقه‌ی منطقه‌ای، سیاست مرجوعی فوق‌العاده انعطاف‌پذیر که فشار رو روی تأمین‌کننده‌ها می‌ذاره به جای این‌که فشار رو روی مشتری‌ها بذاره.

🤖 برند کرکلند
برند اختصاصی Kirkland Signature به تنهایی در ۲۰۲۴ حدود ۸۶ میلیارد دلار فروش داشت، یعنی بیشتر از کل درآمد سالانه‌ی نایک. این برند تقریباً یک‌سوم کل فروش کاسکو رو تشکیل می‌ده. شخصا مواد غذایی‌ش رو می‌گیرم که کیفیت‌شون در مقایسه با برندهای مشابه خیلی بالاست.

👥 فرهنگ سازمانی
حقوق پایه‌ی کارکنان حدود ۳۰ دلار در ساعت همراه با بیمه‌ی عالی و مزایای بازنشستگی، که باعث وفاداری بالا و نرخ ترک شغل پایین شده. هیچ بودجه‌ای صرف تبلیغات نمی‌شه! بازاریابی فقط دهان به دهان با اولویت اول مشتری، بعد کارمند، آخر سهام‌دار. در حال حاضر بیش از ۸۹۰ شعبه در سراسر جهان داره که بیشترشون در آمریکا و بقیه در کانادا، مکزیک، ژاپن، انگلیس و چند کشور دیگه هستن.

کاسکو نمونه‌ی کم‌یابی از یک سرمایه‌داری پایداره؛ سیستمی که در اون خریدار، فروشنده، کارمند و سهام‌دار همگی برنده‌ن. ترکیب حاشیه‌ی سود پایین، تمرکز بر کیفیت، و سرمایه‌گذاری روی نیروی انسانی، دقیقاً برعکس مدل رایج خرده‌فروشی آمریکاست و همین تفاوت، رمز ماندگاریشه.

🔗 https://m.youtube.com/watch?v=YO-0bj-jHp0

✈️ @Mirage_Notes