⭐️ اثر پروانه‌ای | نویدِ کلهرودی و نگاهی متفاوت به ایران

این قسمت از پادکستِ «اثر پروانه‌ای» رو با حضورِ نوید کلهرودی، پژوهشگر و کارشناسِ علوم سیاسی، می‌دیدم. یک گفت‌وگوی طولانی و انتقادی درباره‌ی سیاست، شکاف‌های اجتماعی و نسلِ جدید. اون موقعی که این ویدیو در یوتیوب قرار گرفته بود، خیلی دیده شد و بخش‌هایی‌ش در اینستا هم Reel شد. این‌جا چند نکته‌ی جالبش رو می‌نویسم.

🔻 آدمِ پشتِ ماجرا
کلهرودی دکترای علوم سیاسی از دانشگاه تهرانه و بیش از ۱۳ سال سابقه‌ی تدریس داره. برخلافِ کلیشه‌ی رتبه‌های برتر، خودش رو محدود به کتابِ درسی نکرده و رمان و فیلم همیشه بخشِ بزرگی از زندگیش بوده. یک مدت روزنامه‌نگاری کرد ولی به‌خاطرِ بی‌سوادیِ سیاستمدارها و نخواستنِ «نردبان شدن» برای دیده‌شدنِ اون‌ها، کنار کشید. الان هم در کنارِ تدریس، کافه‌ای به اسمِ «شب‌های روشن» تو ورامین راه انداخته که کتاب امانت می‌ده و فیلم پخش می‌کنه.

🗂 چند محورِ اصلیِ بحث
کافه‌رفتن برای ایرانی‌ها راهیه برای این‌که نشون بدن هنوز زنده‌ان، و با «قربانی‌نکوهی» (سرزنشِ مردم برای زندگی کردن وسطِ بحران) مخالفه. به پزشکیان رأی داد، ولی صرفا برای گشایش‌های حداقلی. معتقده دولت هیچ ایده و افقِ کلانی نداره. ریشه‌ی آمریکاستیزی رو ترکیبی می‌دونه از کودتای ۲۸ مرداد، نفوذِ چپِ مارکسیستی، فلسفه‌ی هایدگر و آل‌احمد (غرب‌زدگی) و پیوندش با اسلامِ سیاسی. به تناقضِ کسایی که شعارِ ضدآمریکایی می‌دن ولی آیفون دست‌شونه هم کنایه می‌زنه.

💬 تاریخ و نسلِ جدید
رساله‌ی دکتریش درباره‌ی مفهومِ «شاهنشاه» در خیالِ اجتماعیِ ایرانی‌هاست. می‌گه نوستالژی (به پهلوی یا دهه‌ی ۶۰) وقتی شکل می‌گیره که جامعه افقی رو به جلو نمی‌بینه و به گذشته‌ی ایده‌آل‌شده چنگ می‌زنه. با ارجاع به کتابِ سقوطِ اصفهانِ طباطبایی، تقلیلِ علتِ سقوط به «گناه و فساد» رو مانعِ درکِ بحرانِ واقعی می‌دونه. درباره‌ی نسلِ Z هم برخلافِ برچسبِ «ابتذال»، این نسل رو اخلاقی‌تر و دارای مرزهای شفاف‌تری می‌دونه؛ تو کلاسش رپ گوش می‌دن و او در مقابل، قیصر و شجریان معرفی می‌کنه.

📊 احمدی‌نژاد و آینده
با استناد به کتابِ «پوپولیسمِ ایرانی» تحلیل می‌کنه که احمدی‌نژاد با شعارهای غیرقابل‌سنجش گسل‌های اجتماعی رو فعال کرد، ولی در سیاستِ خارجی به‌خاطرِ حلقه‌ی بسته‌ی هم‌دانشگاهی‌هاش شکست خورد. چشم‌اندازِ اقتصادی و اجتماعی رو تاریک می‌بینه و از احتمالِ حرکت به سمتِ فروپاشی و «دولتِ کاغذی» می‌گه. جنگ رو غیرقابل‌پیش‌بینی و وابسته به تصمیم‌های ترامپ می‌دونه، و باور داره هوش مصنوعی با خلقِ «تخیلاتِ سیاسیِ بدیع» بازیِ قدرت رو عوض می‌کنه.

اما خلاصه‌ی کل این حرف‌هاش اینه که مسئولیتِ مشکلات متوجهِ سیستمِ حکومتیه، نه مردمی که برای بقا دست‌وپا می‌زنن. بزرگ‌ترین دستاورد خودش رو هم در این مسیر، «خود بودن» و «تلاشِ موثر در اندازه‌ی یک معلم» می‌دونه و می‌گه هیچ‌وقت پستِ سازمانی نمی‌پذیره، چون سیستمِ اداریِ فعلی رو غیرقابلِ اصلاح می‌بینه. عملا ناامیده، ولی تلاش خودش رو هم باارزش می‌دونه، انگار یکی داره تو باتلاق غرق می‌شه ولی دست‌و‌پا زدن ارزش خودش رو داره به هر حال.

🔗 https://www.youtube.com/watch?v=WBTA_dF9hhI

✈️ @Mirage_Notes

قبلا برداشت عامی که می‌شد این بود که لایک خیلی تاثیر داره و مثلا موقعی که در رویدادها یا eventهای مختلف توئیتی گذاشته می‌شد، تشویق می‌شد که افراد پست جدید رو لایک کنند که با افزایش engagement، پست رویداد تو feed افراد بیشتری قرار بگیره،

تو وزن‌هایی که ریلیز شده، ولی تفاوت ارزش لایک، ریپلای و share به قدری مشهوده که دیگه به نظرم دیدگاه قدیمی fade می‌شه.

عملا ارزش Share Via Copy Link چهل برابر Like هست، تاثیر منفی Report روی اکانت هم ۴۶۸ برابر Like هست.
البته این وزن‌ها نهایتا در احتمال پیش‌بینی‌شده‌ی هر action ضرب می‌شن و خب اون احتمال‌ها ثابت نیستن.

✈️ @Mirage_Notes

⭐️ گرافیک بازی‌های ویدیویی چطور کار می‌کنه؟

این ویدیو از کانال Branch Education رو می‌دیدم، درباره‌ی این‌که چطور یک مشت صفر و یک در نهایت تبدیل می‌شن به یک صحنه‌ی سه‌بعدیِ واقعی تو بازی‌ها. ویدیو از یک صحنه‌ی ایستگاه قطار در Red Dead Redemption 2 شروع می‌کنه؛ صحنه‌ای که فقط خودش حدود ۲.۱ میلیون vertex، حدود ۳.۵ میلیون triangle و نزدیک به هزار texture و materia مختلف داره.

💬 خلاصه‌ی ایده اینه که GPU برای ساختن هر فریم، یک pipeline سه‌مرحله‌ای رو با سرعت وحشتناک تکرار می‌کنه:
1. Vertex Shading
2. Rasterization
3. Fragment Shading

یعنی اول مختصات سه‌بعدی اشیاء رو به تصویر دوبعدی دوربین تبدیل می‌کنه، بعد حساب می‌کنه هر مثلث روی کدوم پیکسل‌های مانیتور می‌افته، و در نهایت رنگ، نور، سایه و بافت هر پیکسل رو محاسبه می‌کنه.

🗂 مرحله‌ی اول: Vertex Shading

هر مدل سه‌بعدی، حتی اگر گرد و نرم به نظر بیاد، در واقع از تعداد زیادی مثلثِ تخت ساخته شده. مثلا یک لوکوموتیو در همین صحنه حدود ۷۶۲ هزار مثلث و ۳۸۲ هزار vertex داره.

پس GPU اول بررسی می‌کنه کدوم اشیاء اصلا داخل میدان دید دوربین هستن. مثلا از ۱۱۰۰ مدل موجود در صحنه، شاید فقط ۶۰۰تاشون واقعا در کادر دیده بشن. بعد برای هر vertex یک سری تبدیل ماتریسی انجام می‌ده:

از فضای مدل به فضای جهان
از فضای جهان به فضای دوربین
و در نهایت projection روی صفحه‌ی دوبعدی نمایشگر

خروجی این مرحله اینه که GPU می‌فهمه هر نقطه‌ی سه‌بعدی، روی صفحه‌ی دوبعدی کجا باید دیده بشه و چقدر از دوربین فاصله داره.

📊 نکته‌ی جالب اینه که کارت گرافیک‌ها دقیقا برای همین جنس محاسبات ساخته شدن. هزاران هسته‌ی پردازشی موازی دارن و می‌تونن تریلیون‌ها عملیات ضرب و جمع ماتریسی رو در ثانیه انجام بدن. برای همین می‌تونن میلیون‌ها مثلث رو ظرف چند میلی‌ثانیه پردازش کنن.

📈 مرحله‌ی دوم: Rasterization

بعد از این‌که مختصات دوبعدی رأس‌های مثلث‌ها مشخص شد، GPU باید بفهمه هر مثلث دقیقا روی کدوم پیکسل‌ها می‌افته. مثلا در نمایشگر 4K، با ۸.۳ میلیون پیکسل طرفیم.

اینجا مفهوم fragment به وجود میاد؛ یعنی یک پیکسل یا نمونه‌ی پیکسلی که ممکنه توسط یک مثلث پوشانده شده باشه و حالا باید برایش رنگ و نور محاسبه بشه.

مشکل مهم این مرحله اینه که خیلی از اشیاء پشت هم قرار گرفتن. مثلا بدنه‌ی قطار جلوی ساختمان ایستگاه رو گرفته، یا پشتِ خود قطار نباید دیده بشه. برای حل این مسئله از Z-Buffer استفاده می‌شه.

این‌جا Z-Buffer برای هر پیکسل یک عدد نگه می‌داره: فاصله‌ی نزدیک‌ترین شیء تا دوربین. اگر یک مثلث جدید بخواد روی همون پیکسل کشیده بشه، GPU عمقش رو مقایسه می‌کنه. اگر نزدیک‌تر بود، جای قبلی رو می‌گیره؛ اگر دورتر بود، دور ریخته می‌شه.

💬 یک مسئله‌ی دیگر هم لبه‌های دندانه‌داره. چون مثلث‌ها گاهی مورب از وسط پیکسل‌ها رد می‌شن، تصویر می‌تونه jagged بشه. برای نرم کردن این لبه‌ها از anti-aliasing استفاده می‌شه؛ مثلا در SSAA داخل هر پیکسل چند نمونه گرفته می‌شه و بر اساس این‌که چه درصدی از پیکسل توسط مثلث پوشانده شده، رنگ نهایی محاسبه می‌شه.

و نکته‌ی دیوانه‌کننده اینه که همه‌ی این مراحل برای هر فریم از اول تکرار می‌شن. اگر بازی ۱۲۰ فریم بر ثانیه اجرا بشه، GPU فقط حدود ۸.۳ میلی‌ثانیه برای ساختن هر فریم وقت داره.

🖼 مرحله‌ی سوم: Fragment Shading

تا اینجا فقط فهمیدیم هر شیء کجای تصویر قرار می‌گیره. اما تصویر هنوز واقعی نیست. حالا باید مشخص بشه هر پیکسل چه رنگی داشته باشه، چقدر روشن باشه، چقدر سایه بخوره، نور از کجا بهش برخورد کنه و آیا بازتاب خاصی دارد یا نه.

برای نورپردازی، GPU جهت تابش نور و جهت سطح رو مقایسه می‌کنه. هر مثلث یک بردار عمود بر سطح داره که بهش surface normal می‌گن. بعد زاویه‌ی بین نور و این نرمال محاسبه می‌شه. اگر سطح مستقیم رو به نور باشه، روشن‌تره؛ اگر زاویه‌دار یا پشت به نور باشه، تاریک‌تر می‌شه.

برای این‌که بخش‌های پشت به نور کاملا سیاه مطلق نشن، یک مقدار ambient light شبیه اپسیلون به معادله هم اضافه می‌شه؛ یعنی روشنایی محیطی. روزها بیشتره، شب‌ها کمتر.

🔻 اما اگر برای هر مثلث فقط یک normal داشته باشیم، سطح‌های منحنی زشت و چندضلعی دیده می‌شن. راه‌حل اینه که برای هر vertex یک normal جدا در نظر گرفته می‌شه و بعد بین این نرمال‌ها interpolation (یعنی درون‌یابی و محاسبه‌ی مقادیر میانی بین چند مقدار) انجام می‌دن. نتیجه اینه که نور روی سطح به‌صورت نرم و پیوسته تغییر می‌کنه و مثلا بدنه‌ی استوانه‌ای قطار واقعا گرد به نظر میاد، نه تکه‌تکه.

🤖 بخش آخر و مدرن ماجرا: Ray Tracing و DLSS

ویدیو بعدش توضیح می‌ده که تکنیک‌های جدیدتر مثل Ray Tracing جایگزین کامل pipeline قدیمی نشدن، بلکه بیشتر روی اون سوار شدن. بازی هنوز هندسه‌ی اصلی صحنه رو با همون روش vertex shading و rasterization می‌سازه، ولی برای سایه‌های نرم‌تر، بازتاب‌های واقعی‌تر و مسیر نور دقیق‌تر از ray tracing کمک می‌گیره.

بعد هم DLSS وارد می‌شه؛ یک سیستم مبتنی بر شبکه‌ی عصبی که تصویر کم‌رزولوشن‌تر رو می‌گیره و با کمک AI به تصویر 4K نزدیک می‌کنه. یعنی به جای این‌که همه‌چیز از اول با هزینه‌ی کامل 4K رندر بشه، بخشی از کار با هوش مصنوعی upscaling می‌شه.

📑 کارت گرافیک‌های جدید هم عملا سه نوع هسته‌ی تخصصی دارن:

هسته‌های CUDA یا shading برای pipeline اصلی
هسته‌های RT برای ray tracing
هسته‌های Tensor برای AI و DLSS

همین تقسیم کار باعث می‌شه یک فریم سنگین 4K در کمتر از ۱۰ میلی‌ثانیه ساخته بشه؛ در حالی که اگر همه‌ی کار فقط روی هسته‌های معمولی می‌افتاد، چند برابر کندتر می‌شد.

👥 جمع‌بندی

چیزی که از بیرون شبیه یک تصویر ساده در بازی می‌بینیم، پشت صحنه‌اش یک زنجیره‌ی عظیم از جبر خطی، هندسه، فیزیک نور، محاسبات موازی و هوش مصنوعیه. هر فریم بازی در واقع نتیجه‌ی میلیون‌ها مثلث، میلیون‌ها پیکسل، چندین بافر عمق، محاسبه‌ی نور و سایه، تکسچر، anti-aliasing، و گاهی ray tracing و DLSS هست.

خلاصه این‌که گرافیک بازی‌ها فقط کشیدن تصویر نیست، یک کارخانه‌ی محاسباتی فوق‌العاده سریع و دقیق هست که در هر ثانیه ده‌ها یا صدها بار از صفر تصویر جهان بازی رو دوباره می‌سازه.

🔗 https://www.youtube.com/watch?v=C8YtdC8mxTU

✈️ @Mirage_Notes

⭐️ وام ۳۰ ساله ثابت، قفل آرامش برای خریدار آمریکایی

یکی از تفاوت‌های مهم بازار مسکن آمریکا اینه که وام ۳۰ ساله با نرخ ثابت خیلی رایجه. یعنی وقتی خونه می‌خری، نرخ بهره و بخش principal و interest قسط برای ۳۰ سال قفل می‌شه. مالیات و بیمه ممکنه تغییر کنن، ولی خود نرخ وام عوض نمی‌شه.

برای خانواده‌ها این یعنی قابل پیش‌بینی بودن. اگر امروز با نرخ ۶.۵٪ وام گرفتی، بانک نمی‌تونه پنج سال بعد چون بازار بالا رفته، همون وام رو ۹٪ حساب کنه. اگر نرخ‌ها پایین‌تر بیاد، ممکنه refinance کنی. اگر بالا بره، همون نرخ قدیمی برات می‌مونه.

همچنین ARM یا وام با نرخ متغیر از بیرون جذابه، چون چند سال اول نرخ پایین‌تری می‌ده. مثلا ۵ سال یا ۷ سال اول ثابت می‌مونه، بعد rate طبق index و margin تنظیم می‌شه. مشکل دقیقا همون بعدشه. اگر درآمدت بالا نرفته باشه، قیمت خونه افت کرده باشه، یا نتونی refinance کنی، قسط جدید می‌تونه شوک درست کنه.

پس جواب سوال این نیست که «نرخ‌ها برای همه در آمریکا نامشخصه». برای کسی که fixed-rate گرفته، قسط اصلی خیلی روشنه. نامعلومی بیشتر مال خریدار جدید، refinancer و کسیه که ARM گرفته و نزدیک reset هست.

💳برای همین 30-year fixed فقط یک محصول بانکی نیست، یک جور بیمه روانی علیه آینده‌ست. گرون‌تر از ARM شروع می‌شه، ولی در عوض خیال آدم رو از بدترین سناریوی نرخ‌ها راحت‌تر می‌کنه.

✈️ @Mirage_Notes

⭐️ راهنمای یک نظریه‌پرداز برای ورود به تحقیقات Practical

چند ماه پیش این متن رو دیدم، نوشته‌ای درباره‌ی شباهت‌های بین تحقیقات تئوری و عملی. نویسنده خودش که در ابتدا در حوزه‌ی تئوری کامپیوتر کار می‌کرد و چند قضیه در ترکیبیات اثبات کرده، حالا در حوزه‌ی امنیت و حریم خصوصی مدل‌های زبانی به صورت practical فعالیت می‌کنه. این‌جا چند نکته‌ی جالبش رو ساده می‌نویسم.

🔽 داستان از این‌جا شروع شد
خیلی از محقق‌های جوون ازش می‌پرسن تجربه‌ی کار عملی چطوره و چطور می‌شه توش موفق شد. جوابش اینه که روند کار در هر دو حوزه خیلی شبیه همه، فقط ابزارها و رسانه‌ها فرق دارن.

🗂 تعیین فرضیه = اثبات یک قضیه
در تئوری، هدف اصلی اثبات یک قضیه‌ی خاص هست. در کار عملی، هدف، تثبیت یک فرضیه‌ی مشخصه؛ یعنی نشون دادن این‌که روش پیشنهادی، واقعاً همون چیزیه که ادعا می‌کنیم.

این‌ها رو نباید با مشارکت اصلی مقاله اشتباه گرفت. در هر دو حالت ممکنه مقاله یک الگوریتم یا روش جدید معرفی کنه. در مقاله‌ی تئوری، قضیه‌ای اثبات می‌شه که عملکرد الگوریتم رو تضمین می‌کنه. در مقاله‌ی practical، فرضیه‌ای تثبیت می‌شه که نشون می‌ده الگوریتم پیشنهادی روی چندین دیتاست بهتر از بقیه عمل می‌کنه.

🤖 اجرای baseline = فهمیدن اثبات‌های قبلی
در تئوری، باید اثبات‌های قبلی رو خوب بفهمی و بدونی هر کدوم کجا شکست می‌خوره. خیلی از کار تئوری دور همین می‌چرخه که محدودیت روش‌های قبلی رو پیدا کنی و با یک ایده‌ی جدید ازشون عبور کنی.

معادل این کار در تحقیقات عملی، اجرا و درک baselineهاست. درست مثل این‌که فقط وقتی محدودیت روش‌های اثبات قبلی رو عمیق بفهمی می‌تونی قضیه‌ی بهتری اثبات کنی، در کار practical هم برای طراحی یک الگوریتم بهتر، باید baselineها رو اجرا کنی و بفهمی کجا کار می‌کنن و چرا جاهایی شکست می‌خورن.

📑 جزئیات اهمیت داره
در هر دو حوزه، جزئیات مهمه و سازماندهی یک مزیت بزرگه.

در تئوری، اگر لِم‌ها رو بی‌دقت اثبات کنی یا خیلی از مراحل اثبات رو رد کنی، احتمال زیادی هست که قضیه‌ت باگ داشته باشه. برای همین معمولا نیازه یک قضیه رو به چند روش مختلف اثبات کنی به عنوان sanity check.

در کار عملی هم همین‌طوره. اندازه‌گیری‌ها باید با دقت انجام بشن و نتایج رو باید چندین بار چک کرد. گاهی نیازه آزمایش‌های اضافی برای sanity check اجرا کنی که حتی به مقاله راه پیدا نمی‌کنن، فقط برای اطمینان از این‌که مشاهداتت منطقی‌ان.

یک نکته‌ی pro هم از تجربه‌ش درباره‌ی «نگاه کردن به داده‌ها»: مخصوصاً برای کار با LLMها که evalها و قضاوت‌ها ممکنه یکم نامتعارف باشن، این کار خیلی مفیده.

👥 جمع‌بندی

اگر یک تئوری‌پرداز هستید که می‌خواید وارد کار عملی بشید، خیلی از مهارت‌های لازم رو از قبل دارید: توجه به جزئیات، توانایی فهم عمیق کارهای قبلی، و توانایی ساختن روی اون‌ها. چالش اصلی فقط اینه که این مهارت‌ها رو به یک زمینه‌ی جدید منتقل کنید. به جای موشکافی اثبات‌ها، نتایج آزمایش‌ها رو موشکافی می‌کنید، و به جای پیدا کردن گپ در روش‌های اثبات، پیدا می‌کنید که baselineها کجا شکست می‌خورن.

دقت و سخت‌گیری همون می‌مونه، فقط رسانه عوض می‌شه. آزمایش‌ها رو با همون دقتی طراحی کنید که یک اثبات می‌نویسید، baselineها رو با همون دقتی نگاه کنید که به قضیه‌ها نگاه می‌کنید، و مطمئن باشید جعبه‌ابزار فکری‌ای که در تئوری بهتون کمک کرده، در کار عملی هم به همون اندازه کمک می‌کنه.

✈️ @Mirage_Notes

⭐️ تله‌ی توسیدید | وقتی قدرتِ نوظهور، قدرتِ حاکم رو می‌ترسونه

این ویدیو از کانال Deep Podcast رو می‌دیدم که مفهوم Thucydides Trap رو با ریشه‌اش تو جنگ‌های پلوپونزی توضیح می‌داد. خلاصه‌اش رو می‌نویسم، در واقع الگوش دقیقاً همون چیزیه که این روزها بین آمریکا و چین داره تکرار می‌شه.

🔻 پیش‌زمینه: یونان باستان یه کشور یکپارچه نبود، یه سری دولت‌شهر مستقل (پولیس) بودن که کلمه‌ی Politics هم از همین‌جا میاد. سال ۴۸۰ ق.م خشایارشاه به یونان حمله کرد، آتن رو فتح و آتیش زد، ولی نبردِ سالامیس و عقب‌نشینی ارتش ایران از نگاه یونانی‌ها یه پیروزی بزرگ بود.

🔻 بعد از این، آتن با ۱۷۰ دولت‌شهر یه پیمانِ امنیتی به اسم «اتحادیه‌ی دلوس» بست، یه چیزی شبیه ناتوی امروزی. اسپارت که تا اون موقع قدرت اول یونان بود، حس کرد هدفِ واقعیِ این اتحاد نه ایران، بلکه افزایش نفوذِ آتنه. در پاسخ، «اتحادیه‌ی پلوپونزی» رو راه انداخت. اسپارت قدرتِ نظامی بود، آتن قدرتِ اقتصادی و دریایی در حالِ رشد.

🔹 جرقه‌ی جنگ: درگیریِ کورکورا و کورینت (متحدِ اسپارت). آتن از کورکورا حمایت کرد چون نمی‌خواست ناوگانش دستِ اسپارت بیفته. اولتیماتومِ اسپارت رد شد و یه جنگِ ۳۰ ساله شروع شد که آخرش اسپارت با کمکِ هخامنشیان آتن رو شکست داد، دموکراسی برچیده شد، اقتصاد آتن نابود شد.

🤖 تزِ توسیدید: درگیریِ کورکورا و کورینت فقط یه بهانه بود. دلیلِ اصلی، تغییرِ توازنِ قدرت بود. اسپارت در حالِ زوال بود (جمعیتش نصف شده بود) و آتن متحدانش رو هم اقتصادی به خودش وابسته می‌کرد.

مفهومِ تله‌ی توسیدید: وقتی یه قدرتِ نوظهور بخواد جای قدرتِ حاکم رو بگیره، جنگ تقریباً اجتناب‌ناپذیره.

📊 سال ۲۰۱۲ گراهام آلیسون (دانشمندِ هاروارد) این مفهوم رو احیا کرد و رو رابطه‌ی آمریکا و چین اعمال کرد. اون ۱۶ مورد تاریخی رو بررسی کرد که توش یه قدرتِ نوظهور، قدرتِ حاکم رو تهدید کرده، و نشون داد ۱۲ موردش به جنگ ختم شده. بارزترین نمونه‌اش جنگِ جهانیِ اوله؛ آلمانِ نوظهور در برابرِ بریتانیا، روسیه و فرانسه.

🔺 نکته‌ی تامل‌برانگیز: تو جنگِ پلوپونزی با وجودِ پیروزیِ اسپارت، هر دو طرف به‌شدت ضعیف شدن و در نهایت هخامنشیان قدرتشون رو تثبیت کردن. تو جنگ‌های جهانی هم بریتانیا و آلمان هر دو تضعیف شدن و آمریکا قدرتِ بلامنازع شد. یعنی تو این تله، معمولاً نه قدرتِ حاکم برنده‌ست نه قدرتِ نوظهور، یه طرفِ سوم سود می‌بره.

📑 و سوالِ اصلی که ویدیو باهاش تموم می‌شه اینه که آیا آمریکا و چین می‌تونن بدونِ ورود به یه جنگِ ویرانگر، قدرتِ جهانی رو تقسیم کنن، یا مثلِ ۱۲ موردِ قبلی، تو تله‌ی توسیدید گیر می‌افتن؟ و اگر گیر افتادن، طرفِ سومی که سود می‌بره کیه.

🔗 https://www.youtube.com/watch?v=3HSGP5Vrjak

✈️ @Mirage_Notes

⭐️ چرا مردم بعضی کشورها خوشحال‌ترن؟

این ویدیو از کانال Bplus رو می‌دیدم، درباره‌ی این‌که چرا کشورهای اسکاندیناوی همیشه صدرِ «گزارش جهانی شادی» هستن. این‌جا چند نکته‌ی جالبش رو می‌نویسم.

🔽 اصلا این گزارش چیه؟
از سال ۲۰۱۲ هر سال «گزارش جهانی شادی» منتشر می‌شه که ۱۵۶ کشور رو بر اساس شادیِ شهروندهاشون رتبه‌بندی می‌کنه. فنلاند ۵ سال پیاپی شادترین کشور دنیا بوده و دانمارک، نروژ و سوئد هم همیشه بالای جدولن. نکته‌ی مهم این‌که قبلِ ۲۰۱۲ معیارِ اصلیِ توسعه GDP بود، ولی GDP شاخصِ کاملی نیست. مثلا جنگ و فروش سلاح می‌تونه GDP رو بالا ببره در حالی که مردم در رنجن. همین گزارش باعث شد کشورها به فکر شادی مردم بیفتن؛ امارات «وزارت شادی» ساخت و نیوزیلند تو ۲۰۱۸ بودجه‌ش رو بر اساسِ رفاه عمومی تنظیم کرد.

🗂 دلایل فرهنگی و سبک زندگی
با وجود زمستون‌های سرد و تاریک و طولانی، مردم این مناطق برای بقا به هم نزدیک‌تر شدن و شبکه‌های حمایتی قوی‌تری ساختن. سه مفهومِ فرهنگیِ مهم هست که این مسئله رو نشون می‌ده:
۱. هیگه (Hygge) در دانمارک: هنرِ لذت بردن از لحظه‌های ساده، روشن کردن شومینه و نشستن کنارِ عزیزان تو نورِ شمع.
۲. سیسو (Sisu) در فنلاند: ریشه در مقاومتِ فنلاند مقابلِ روسیه تو جنگ جهانی دوم داره، یعنی سرسختی و تسلیم‌نشدن در شرایطِ سخت.
۳. فریلوفتسلیو (Friluftsliv) در نروژ: یعنی وقت‌گذرونی تو طبیعت، پیاده‌روی، کوهنوردی، اسکی و ماهیگیری، حتی تو هوای خشن.

💬 دولت رفاه و اعتماد اجتماعی
این کشورها سیستمِ «دولت رفاه» دارن، اگه کسی شغلش رو از دست بده، بیمه‌ی بیکاری و برنامه‌های حمایتی نمی‌ذارن زیرِ خط فقر سقوط کنه و همین احساس امنیت، نگرانی رو کم و شادی رو زیاد می‌کنه. علاوه بر این، تو گزارش ۲۰۲۰ مشخص شد «فوت کوزه‌گری» شادیِ این کشورها، سطحِ بالای اعتماد اجتماعیه، اعتماد به هم، به نهادها و به دولت. همین باعث می‌شه تو بحران‌ها (زلزله، کرونا، بحران اقتصادی) جامعه سریع سراغِ راه‌حل‌های مشارکتی بره.

📊 برابری و قانونِ «یانته»
گزارش ۲۰۱۸ نشون داد آمریکا رتبه ۱۸ و چین رتبه ۸۴ هستن، یعنی GDP بالا لزوما شادی نمیاره و نابرابریِ طبقاتی رضایت رو کم می‌کنه. تو شمالِ اروپا یک کدِ اجتماعیِ نانوشته‌ی ۱۰ ماده‌ای به اسمِ قانون یانته (Jante Lov) هست که می‌گه «هیچ‌کس نباید فکر کنه از بقیه بهتره یا موفقیت و ثروتش رو به رخ بکشه». مثالِ جالبش ارلینگ هالند بود که به خاطرِ استفاده از جتِ شخصی برای رفتن به تمرینِ تیم ملی، شدید موردِ انتقادِ رسانه‌ها قرار گرفت. مزیتش اینه که نابرابری رشد نمی‌کنه، ولی منتقدها می‌گن تو کارهای رقابتی مثل ورزشِ قهرمانی یا کارآفرینی، انگیزه‌ی اول‌شدن رو کم می‌کنه.

و خلاصه که شادیِ اسکاندیناوی به یک عامل برنمی‌گرده، ترکیبیه از فرهنگِ سازگاری با سختی، دولتِ رفاه، اعتماد عمیقِ اجتماعی و تاکیدِ شدید بر برابری و پرهیز از فخرفروشی. هرچند این مدل‌ها منتقد هم دارن و هر کشوری باید ببینه در ازای این برابری، چی ممکنه از دست بده.

🔗 https://www.youtube.com/watch?v=B1pb8Cog_ZQ

✈️ @Mirage_Notes

🔻 به خاطر Passion یا به خاطر پول؟

بخش کوتاهی از صحبت پپ گواردیولا بعد از شکست ۲–۰ منچسترسیتی مقابل یوونتوس در ۱۱ دسامبر ۲۰۲۴ در رختکن:

Guys, I want to confess something. I am fucking divorced from the most beautiful woman on your planet, my wife, my ex-wife. I love her unbelievably, but we lost the passion. I love her? Yeah, absolutely. She loves me? Yeah, but we lost the passion.

How do you play football? Because you are paid? Or because of something inside? Where is the passion?

In your lives, whatever you are going to do, do it with passion. I don’t want good players. I want players with passion.

هر روز به دیدن این ویدیو نیاز دارم، هر ساعت.

✈️ @Mirage_Notes

⭐️ هری پاتر | داستان ساخت یک جهان بی‌کران

این ویدیو درباره‌ی مسیر عجیب ساخته شدن دنیای هری پاتره؛ از روزهای تاریک زندگی جی. کی. رولینگ، تا چاپ اولین کتاب، ورود به سینما و تبدیل شدنش به یکی از ماندگارترین جهان‌های داستانی تاریخ.

🔻 شروع ویدیو با جمله‌ی معروف دامبلدوره: «حتی در تاریک‌ترین زمان‌ها هم می‌توان شادی را پیدا کرد، اگر فقط یادمان بماند چراغ را روشن کنیم.»

و شاید همین جمله، خلاصه‌ی کل هری پاتره؛ داستانی پر از فقدان، ترس و تاریکی، ولی در نهایت درباره‌ی امید، دوستی و زنده نگه داشتن نور.

✍️ رولینگ قبل از هری پاتر

جی. کی. رولینگ از بچگی عاشق نوشتن بود، اما زندگی‌اش خیلی زود سخت شد. بیماری ام‌اس مادرش، مرگ او، ازدواج ناموفق، فقر، تنهایی و افسردگی، بخش بزرگی از جهان ذهنی هری پاتر رو ساختن. حتی دمنتورها هم از تجربه‌ی افسردگی خود رولینگ الهام گرفته شدن.

ایده‌ی هری پاتر در یک سفر قطار با تأخیر چندساعته به ذهنش رسید؛ پسربچه‌ای لاغر با عینک گرد که نمی‌دونه جادوگره. اما چاپ کتاب ساده نبود و ناشرها بارها ردش کردن. تا این‌که دختر ۸ ساله‌ی مدیر انتشارات بلومزبری فصل اول رو خوند و عاشقش شد، و همین باعث شد کتاب اول در ۱۹۹۷ چاپ بشه.

🎬 ورود به سینما

وارنر حق اقتباس رو خرید، ولی رولینگ شرط گذاشت که فضای بریتانیایی داستان حفظ بشه و بازیگرها هم بریتانیایی باشن. برای همین حتی رابین ویلیامز هم برای نقش هاگرید انتخاب نشد.

بعد از کنار رفتن اسپیلبرگ، کریس کلمبوس کارگردانی فیلم اول رو قبول کرد. دنیل ردکلیف، اما واتسون و روپرت گرینت هم بعد از تست‌های زیاد انتخاب شدن و عملا با نقش‌هاشون بزرگ شدن.

🧙‍♂️ از هاگوارتز تا پایان نبرد

۸ فیلم هری پاتر طی حدود ۱۰ سال ساخته شد. قسمت‌های اول حال‌وهوای کودکانه‌تر و گرم‌تری داشتن، ولی از «زندانی آزکابان» به بعد فضا تاریک‌تر و بالغ‌تر شد. ورود گری اولدمن، رالف فاینس، هلنا بونهام کارتر و تغییر دامبلدور بعد از مرگ ریچارد هریس هم مسیر مجموعه رو جدی‌تر کرد.

پشت‌صحنه هم پر از جزئیات جالب بود؛ از شمع‌های واقعی سالن هاگوارتز، تا ققنوس رباتیکی که ریچارد هریس فکر می‌کرد واقعیه، و فشار سنگین شهرت روی بازیگرهای نوجوان.

🔍 چرا ماندگار شد؟

هری پاتر فقط یک داستان جادویی نبود. رولینگ از زندگی خودش، اسطوره‌ها، تاریخ، مسیحیت، افسانه‌های قرون وسطی و تجربه‌ی تنهایی و سوگ الهام گرفت و جهانی ساخت که هم کودکانه بود، هم تاریک، هم پر از معنا.

و خلاصه که هری پاتر بیشتر از داستان یک پسر جادوگره؛ قصه‌ی عبور از تاریکی و ساختن یک پناهگاه خیالی برای میلیون‌ها آدمه. شاید برای همین هنوز هم برگشتن به هاگوارتز، حس برگشتن به یک جای امن رو داره.

🔗 https://www.youtube.com/watch?v=AMj41JCf8Vc

✈️ @Mirage_Notes

⭐️ در فیلم ارباب حلقه‌ها، بعد از نابودی حلقه چه بلایی سر یاران حلقه اومد؟

این ویدیو رو چند ماه پیش می‌دیدم بعد از rewatch فیلم‌های Lord of the Rings. داستان اینه که پایان فیلم سوم ارباب حلقه‌ها، پایان واقعی داستان نیست. بعد از نابودی حلقه، عصر چهارم سرزمین میانه شروع می‌شه؛ عصری که جادو کم‌کم محو می‌شه و جهان به دست انسان‌ها می‌افته. رفتم درباره عصرهای مختلف سرزمین میانه یکم خوندم و اتفاقات عصر چهارم به بعد رو این پایین خلاصه می‌کنم.

🔻 هابیت‌ها و پایان سارومان
فرودو، سم، مری و پیپین وقتی به شایر برمی‌گردن، می‌بینن سرزمین‌شون توسط «شارکی» اشغال شده؛ کسی که در واقع همون سارومانه. این بخش در فیلم حذف شده.
مری و پیپین مردم شایر رو برای شورش رهبری می‌کنن و در نهایت سارومان توسط گریما کشته می‌شه. اما چون از نژاد مایار بود، روحش نابود نمی‌شه؛ فقط برای همیشه بی‌قدرت و بی‌اثر باقی می‌مونه.

👥 سرنوشت فرودو و سم
فرودو با وجود پیروزی، هیچ‌وقت واقعا خوب نشد. زخم ویچ‌کینگ، نیش شیلاب و اثر روانی حلقه تا آخر همراهش موند. برای همین همراه گاندالف و بیلبو به والینور، سرزمین‌های نامیرا، رفت تا دور از رنج زندگی کنه.
سم اما در شایر موند، ازدواج کرد، صاحب ۱۳ فرزند شد و ۴۹ سال شهردار شایر بود. شایر رو با هدیه‌ی گالادریل دوباره آباد کرد. سال‌ها بعد، بعد از مرگ همسرش، چون مدتی حامل حلقه بود، اجازه پیدا کرد به غرب بره و دوباره فرودو رو ببینه.

❤ مری و پیپین
مری و پیپین به مقام‌های مهمی در شایر رسیدن و بعدها به روهان و گاندور رفتن. اونا آخر عمرشون رو در کنار آراگورن گذروندن و بعد از مرگ، در مقبره‌ی پادشاهان گاندور دفن شدن؛ افتخاری بزرگ برای دو هابیتی که داستان رو با شیطنت‌های ساده شروع کرده بودن.

👑 آراگورن و آرون
آراگورن ۱۲۲ سال پادشاهی کرد، گاندور و آرنور رو دوباره متحد کرد و سرزمین‌های ویران‌شده رو ساخت. در ۲۱۰ سالگی، با اختیار خودش تاج‌وتخت رو به پسرش سپرد و مرگ رو پذیرفت.
آرون بعد از مرگ آراگورن به لوتلورین رفت؛ جایی که حالا خالی و خاموش شده بود. روی همون تپه‌ای که با آراگورن پیمان عشق بسته بود، آخرین روزهایش رو گذروند و یک سال بعد از دنیا رفت.

🔹 لگولاس و گیملی
گیملی ارباب غارهای درخشان شد و در بازسازی گاندور نقش داشت. لگولاس هم به آبادانی سرزمین‌های گاندور کمک کرد.
بعد از مرگ آراگورن، لگولاس به غرب رفت و گیملی هم همراهش شد؛ اتفاق عجیبی هم محسوب می‌شه، چون گیملی تنها کوتوله‌ای بود که به سرزمین‌های نامیرا راه پیدا کرد.

📑 پایان عصر جادو
با نابودی حلقه، نازگول‌ها محو شدند، الف‌ها سرزمین میانه رو ترک کردن، کوتوله‌ها به اعماق زمین رفتن و انت‌ها کم‌کم به درختان معمولی تبدیل شدن.
در نهایت، سرزمین میانه به انسان‌ها رسید. انگار ارباب حلقه‌ها فقط پایان جنگ با سائورون نبود، پایان یک جهان جادویی بود که حالا فقط در افسانه‌ها باقی مانده.

🔗 https://youtu.be/Ktf_WqarWIA?si=q_FU447TPajURSdw

✈️ @Mirage_Notes

⭐️ بدهی آمریکایی‌ها بیشتر از همه خونه‌ست، نه کارت اعتباری

وقتی از بدهی مردم آمریکا حرف می‌زنیم، ذهن خیلی‌ها سریع می‌ره سمت کردیت‌کارت. ولی طبق گزارش Household Debt and Credit نیویورک فد، آخر سه‌ماهه اول ۲۰۲۶ کل بدهی خانوارها حدود ۱۸.۸ تریلیون دلار بوده و غول اصلیش وام مسکنه.

💳 ترتیب تقریبی اینه:
وام مسکن، ۱۳.۱۹ تریلیون دلار
وام خودرو، ۱.۶۹ تریلیون دلار
وام دانشجویی، ۱.۶۶ تریلیون دلار
کارت اعتباری، ۱.۲۵ تریلیون دلار
بدهی HELOC یا خط اعتبار روی خانه، ۴۴۶ میلیارد دلار
بدهی‌های مصرفی و retail card، حدود ۵۶۲ میلیارد دلار

یعنی mortgage به تنهایی حدود ۷۰٪ بدهی خانوار آمریکایی رو می‌سازه. کارت اعتباری خیلی پر سر و صداست، چون نرخ بهره‌اش بالاست و فشار ماهانه میاره، ولی از نظر حجم دلاری از مسکن خیلی کوچیک‌تره.

🎁 نکته مهم اینه که همه بدهی‌ها یک جنس ندارن. وام مسکن معمولا دارایی پشتش داره، وام خودرو دارایی‌ای داره که ارزشش سریع افت می‌کنه، وام دانشجویی روی درآمد آینده شرط می‌بنده، و کارت اعتباری اغلب مصرف روزمره رو با بهره بالا جلو می‌کشه.

برداشت من اینه که اگر می‌خواید اقتصاد خانوار آمریکا رو متوجه بشیم، فقط به مصرف‌گرایی با کارت نباید نگاه نکنیم. ستون اصلی فشار مالی آمریکایی‌ها خونه‌ست، بعد ماشین و دانشگاه. کارت اعتباری بیشتر مثل آژیر خطره، نه کل آتیش.

✈️ @Mirage_Notes

⭐️ مرگ Matthew Perry

این ویدیو درباره Matthew Perry هست، کسی که برای همیشه Chandler از Friends می‌مونه. اما داستان پشت چهره بامزه‌ش خیلی تاریک‌تر بود: تنهایی از بچگی، الکل از ۱۴ سالگی، شهرتی که قرار بود حالش رو خوب کنه و نکرد، و سال‌ها رفت‌وبرگشت بین ترک، مصرف و تلاش برای زنده موندن.

نکته مهم ویدیو اینه که Perry فکر می‌کرد اگر famous شه، اون حفره درونی پر می‌شه. ولی fame فقط چند لحظه صداهای ذهنش رو کم می‌کرد. خودش سال‌ها بعد در خاطراتش گفت دوست داره مردم بعد از مرگش بیشتر به کمکش به آدم‌های درگیر اعتیاد فکر کنن، نه فقط به Chandler.

🎙 پرونده مرگش از جایی پیچیده‌تر شد که در ۲۰۲۳ برای افسردگی سراغ ketamine therapy رفت. کتامین در فضای درمانی و زیر نظارت پزشک می‌تونه کاربرد داشته باشه، ولی بیرون از نظارت و با دوزهای اشتباه، مخصوصا برای آدمی با سابقه اعتیاد، خیلی خطرناک می‌شه.

👥 طبق پرونده DOJ، پزشک Salvador Plasencia از سابقه اعتیاد Perry خبر داشت، ولی بازم به Perry و دستیارش ketamine فروخت، حتی به دستیار غیرپزشک یاد داد تزریق کنه. دادستان‌ها گفتن Plasencia برای ۲۰ ویال و چند قرص و سرنگ، جمعا ۵۷ هزار دلار گرفت، در حالی که قیمت معمول هر ویال حدود ۱۵ دلار بود.

😶‍🌫️ بعد از گرون شدن مسیر پزشک، دستیار Perry یعنی Kenneth Iwamasa سراغ تامین ارزون‌تر رفت. در ۱۱ روز، ۵۱ ویال ketamine از مسیر Erik Fleming و Jasveen Sangha خرید. همون دستیار قبلا Perry رو چند بار بیهوش پیدا کرده بود و واکنش خطرناک بدنش رو دیده بود، اما تزریق‌ها ادامه پیدا کرد.

📊 ۲۸ اکتبر ۲۰۲۳، Iwamasa دست‌کم سه بار ketamine تزریق کرد و Perry چند ساعت بعد در جکوزی خونه‌اش در لس‌آنجلس مرد. پزشکی قانونی مرگ رو به اثر شدید ketamine مربوط دونست و drowning هم در ماجرا نقش داشت.

🔻 تا ۲۰۲۶، پنج نفر در این پرونده محکوم شدن: Iwamasa به ۴۱ ماه زندان، Sangha به ۱۵ سال، Plasencia به ۳۰ ماه، Fleming به ۲ سال، و پزشک دیگه Mark Chavez به ۸ ماه حبس خانگی و probation.

غم این پرونده اینه که Perry فقط با ماده مخدر شکست نخورد، با آدم‌هایی شکست خورد که باید مرز مراقبت و سوءاستفاده رو می‌فهمیدن. اعتیاد وقتی با پول، شهرت و دسترسی راحت به دارو قاطی می‌شه، آدم تنها نمی‌مونه، دورش پر از آدم‌هایی می‌شه که می‌تونن به جای کمک، سقوط رو سریع‌تر کنن.

🔗 https://www.youtube.com/watch?v=IYHUEPbVf2Y

✈️ @Mirage_Notes

⭐️ خلاصه کامل پادکست با محسن فیلم‌باز

این قسمت ۳۳ پادکست منگنه، میزبان «محسن یوسفی»، خالق کانال موفق و پرمخاطب «فیلم‌باز» در یوتیوب (با بیش از ۱۲۰ هزار سابسکرایبر) هست. تو این گفتگو، صفر تا صد مسیر یوتیوبر شدن، تیم‌سازی، مدل درآمدزایی و سلیقه سینمایی محسن بررسی می‌شه. این‌جا مهم‌ترین نکاتش رو می‌نویسم. شخصا فیلم‌باز رو زیاد دنبال می‌کنم و قبلا هم درباره‌ش در کانال زیاد نوشتم.

🔻 شروع مسیر و عبور از چالش‌های اولیه
محسن رشته‌ی مدیریت بازرگانی خونده. بعد از این‌که تو دوران کرونا شغلش رو از دست داد، با دیدن یک ویدیوی آموزشی درباره‌ی کسب درآمد دلاری از یوتیوب، تصمیم گرفت ایده‌ی یک‌ساله‌اش رو عملی کنه و کانال فیلم‌باز رو بسازه.

مسیر رشد اصلا ساده نبود. ۸ ماه طول کشید تا کانالش به درآمدزایی (مانیتایز) برسه و تو اون دوران با یک لپ‌تاپ ضعیف کار می‌کرد که رندر گرفتنِ ویدیوهای ساده ساعت‌ها زمان می‌برد. چون تو کرونا اکران فیلم‌ها متوقف شده بود، محتوای ترند هم برای ساخت ویدیو وجود نداشت. نقطه‌ی عطف کانال، ماه نهم و با ترند شدنِ سریال Squid Game رقم خورد. همون‌جا بود که قدرت «ترندها» تو رشد کانال رو فهمید.

🗂 تیم‌سازی و پشت‌صحنه‌ی تولید محتوا
کانال فیلم‌باز که اولش تک‌نفره بود، موقع ضبط این پادکست (چند ماه پیش) یک تیم ۵ نفره‌ست: محسن، دو نویسنده و دو تدوینگر. برای اخبار جمعه، نویسنده تا پنجشنبه صبح متن رو آماده می‌کنه، محسن بازنویسی و صداگذاری می‌کنه و تا عصر به دست تدوینگرها می‌رسونه تا ویدیو آخر شب آماده‌ی آپلود برای صبح جمعه بشه.

اخیرا یک کانال انگلیسی‌زبان هم راه انداخته که برای صداش از هوش مصنوعی (نسخه‌ی پولی با حفظ ثبات یک صدا) استفاده می‌کنه تا لهجه باعث افت کیفیت کار نشه.

💬 چرا محسن کانال فیس‌لس (بدون چهره) داره؟
برای ساخت ویدیوی موشکافیِ فیلم Interstellar قصد داشت جلوی دوربین بیاد و حتی دوربین و تجهیزات نورپردازی هم خرید؛ ولی نهایتا فهمید به خاطر تمرکز روی اجرا، لحن بیانش مصنوعی شده و حواس مخاطب از محتوای اصلی پرت می‌شه. جالبه که تو زمینه‌ی تجهیزات هم اصلا کمال‌گرا نیست و کارش رو صرفا با یک میکروفون USB ساده شروع کرده.

📊 سلیقه‌ی سینمایی، انیمه و نظرات شخصی
عشقش به سینما از ۸ سالگی و با پیدا کردنِ نوار ویدیویی فیلم «تایتانیک» شروع شد. طرفدار سرسختِ ژانر علمی‌تخیلی و فانتزیه و فیلم‌های «ارباب حلقه‌ها»، «ماتریکس» (بیشتر از ۱۰ بار) و Interstellar (۶-۷ بار) رو بارها دیده. به شدت از «ماتریکس ۴» ناامید شده و بهش نمره‌ی ۱ از ۱۰ می‌ده، چون معتقده به میراثِ سه‌گانه‌ی اصلی وفادار نبوده.

بازیگرهای مرد مورد علاقه‌اش دنیل دی-لوئیس و لئوناردو دی‌کاپریو هستن و بازیگر زن محبوبش (کراش قدیمی‌ش) جنیفر کانلی. تو دنیای انیمه هم به شدت تماشای Attack on Titan رو توصیه می‌کنه و داستان و پیچش‌های فصل سوم به بعدش رو یک شاهکار بی‌نظیر می‌دونه. سینمای ایران رو دنبال نمی‌کنه، چون معتقده حجم محتوای باکیفیت هالیوود و سینمای جهان اون‌قدر زیاده که کل وقتش رو پر می‌کنه.

📑 استراتژی‌های درآمدزایی از یوتیوب
برخلاف تصور عده‌ای، حدود ۹۰ تا ۹۵ درصد درآمد محسن از خود پلتفرم یوتیوب (تبلیغات AdSense) هست و اسپانسرها بخش کوچکی از درآمدش رو تشکیل می‌دن. درآمد کانالش به ازای هر ۱۰۰۰ بازدید (RPM) بسته به نوع محتوا متغیره، مثلا ویدیوهای خبری حدود ۶ دلار و ویدیوهای تحلیلی سنگین تا ۸ دلار.

جای‌گذاری تبلیغات میان‌ویدیو (که بهش می‌گن Mid-roll) رو هم به هوش مصنوعی یوتیوب نمی‌سپاره، خودش دستی هر ۷ دقیقه تبلیغ می‌ذاره، چون به خاطر سرعت بالای صحبت کردنش، هوش مصنوعی یوتیوب نمی‌تونه مکثِ مناسبی برای پخش تبلیغ پیدا کنه. یکی از ترفندهاش برای بالا نگه داشتنِ واچ‌تایم هم اینه که «اخبار سمی» (حواشی زرد سلبریتی‌ها) رو آخرِ ویدیو می‌ذاره تا مخاطب ترغیب بشه تا ثانیه‌ی آخر رو ببینه.

🤖 هوش مصنوعی و برنامه‌های آینده
باور داره هوش مصنوعی تو آینده توانایی فیلم‌سازی رو به خونه‌های مردم عادی میاره و انحصارِ ساختِ فیلم رو می‌شکنه. حتی خودش داستان‌هایی نوشته و قصد داره ۳ تا ۴ سال آینده با هوش مصنوعی یک فیلم کامل بسازه.

دموگرافی مخاطباش هم نشون می‌ده بیشترین بیننده‌های کانالش هم‌سن‌وسال‌های خودش (۲۵ تا ۳۵ سال و ۴۵ تا ۵۵ سال) هستن و نسل Z سهم کمتری داره. از برنامه‌های آینده‌ی کانال هم می‌شه به ترکیب تحلیل‌های روانشناختی با فیلم‌های سینمایی (تکرار تجربه‌ی موفقِ فیلم Good Will Hunting) و دعوت از مهمان‌های متخصص مثل دوبلورهای ایرانی اشاره کرد.

و خلاصه که مسیر محسن فیلم‌باز نشون می‌ده رشد تو یوتیوب یک‌شبه اتفاق نمی‌افته، ترکیبی از پشتکار تو ماه‌های اولِ بی‌درآمد، شناختِ درستِ ترندها، و مجموعه‌ای از تصمیم‌های ریز و حساب‌شده‌ست که کانال رو به این‌جا رسونده.

🔗 https://www.youtube.com/watch?v=wijFz80Y10M

✈️ @Mirage_Notes