📢 آکادمی هوش مصنوعی آوید مایند
فرصتی برای برگزاری آکادمی اختصاصی برای سازمان‌ها

آوید مایند، آکادمی هوش مصنوعی خود را در حوزه‌های متنوعی از جمله فروش، مارکتینگ، توسعه کسب و کار، پشتیبانی، منابع انسانی و ... برگزار می‌کند.

📌 این دوره‌ها به گونه‌ای طراحی شده‌اند که مدیران و کارشناسان در صنایع مختلف بتوانند با بهره‌گیری از دانش و ابزارهای پیشرفته هوش مصنوعی، مهارت‌های خود را ارتقا داده و به بهبود عملکرد سازمانی خود بپردازند.

💡با شرکت در این دوره‌ها، فرصت‌های جدیدی برای نوآوری و رشد در دنیای دیجیتال پیش روی شما خواهد بود.

جهت ثبت درخواست برگزاری آکادمی برای سازمان خود به آیدی زیر پیام دهید:
@Hassan_Masdar

#هوش_مصنوعی #آکادمی
‌
@avidmind

مدیرعامل انتروپیک:

هوش مصنوعی تا یک سال دیگر کاملاً جایگزین برنامه‌نویسان می‌شود.

«دارو آمودی»، مدیرعامل شرکت انتروپیک (Anthropic) و خالق چت‌بات Claude، پیش‌بینی جسورانه‌ای درباره آینده دنیای مهندسی ارائه کرده است. او معتقد است که:

هوش مصنوعی تا ۶ ماه آینده قادر خواهد بود ۹۰ درصد از تمام کدهای برنامه‌نویسی را بنویسد و تا یک سال آینده ۱۰۰ درصد کدها توسط این فناوری نوشته خواهد شد.

آمودی با اشاره به پیشرفت سریع ابزارهایی مانند GitHub Copilot و Claude Code (محصول خود شرکت Anthropic)، ادعا کرده که:

این فناوری‌ها به سرعت در حال پیشرفت هستند و به زودی قادر خواهند بود تا ۱۰۰ درصد کدنویسی را انجام دهند.

@Modern_Learning_for_GenZ

چینی‌های با ارائه اولین عامل خودمختار هوش مصنوعی توسط کمپانی MANUS تحول عظیم و زلزله دیگری در اکوسیستم AI به راه انداخته‌اند.

مهمترین تفاوت Manus AI در خودمختاری آن است. برخلاف مدل‌های قبلی که واکنشی عمل می‌کنند و به دستورات مداوم نیاز دارند، Manus می‌تواند به طور مستقل برنامه‌ریزی، اجرا و اصلاح وظایف را انجام دهد.

این تحول پایه‌ای دارای چند بُعد کلیدی است:

۱. تغییر پارادایم از واکنشی به فعال: Manus فراتر از پاسخ به پرامپت‌ها می‌رود و می‌تواند مجموعه‌ای از اقدامات را برنامه‌ریزی کند، محیط خود را بررسی کند و تصمیم‌گیری کند.

۲. دموکراتیزه کردن اتوماسیون هوشمند: مشابه آنچه DeepSeek در حوزه استدلال انجام داد، Manus نشان می‌دهد که عامل‌های خودمختار می‌توانند بدون نیاز به زیرساخت عظیم یا هزینه‌های نجومی ساخته شوند.

۳. رویکرد ماژولار: به جای ساخت یک مدل واحد عظیم، Manus از ترکیب چندین مدل (Claude Sonnet، Qwen و غیره) استفاده می‌کند که می‌تواند الگویی برای توسعه آینده باشد.

@Modern_Learning_for_GenZ

چینی‌های با ارائه اولین عامل خودمختار هوش مصنوعی توسط کمپانی MANUS تحول عظیم و زلزله دیگری در اکوسیستم AI به راه انداخته‌اند.
(بررسی کلی MANUS)

مهمترین تفاوت Manus AI در خودمختاری آن است. برخلاف مدل‌های قبلی که واکنشی عمل می‌کنند و به دستورات مداوم نیاز دارند، Manus می‌تواند به طور مستقل برنامه‌ریزی، اجرا و اصلاح وظایف را انجام دهد.

این تحول پایه‌ای دارای چند بُعد کلیدی است:

۱. تغییر پارادایم از واکنشی به فعال: Manus فراتر از پاسخ به پرامپت‌ها می‌رود و می‌تواند مجموعه‌ای از اقدامات را برنامه‌ریزی کند، محیط خود را بررسی کند و تصمیم‌گیری کند.

۲. دموکراتیزه کردن اتوماسیون هوشمند: مشابه آنچه DeepSeek در حوزه استدلال انجام داد، Manus نشان می‌دهد که عامل‌های خودمختار می‌توانند بدون نیاز به زیرساخت عظیم یا هزینه‌های نجومی ساخته شوند.

۳. رویکرد ماژولار: به جای ساخت یک مدل واحد عظیم، Manus از ترکیب چندین مدل (Claude Sonnet، Qwen و غیره) استفاده می‌کند که می‌تواند الگویی برای توسعه آینده باشد.

درباره آینده هوش مصنوعی با توجه به ظهور هوش مصنوعی خودمختار شبیه MANUS، می‌توان به موارد زیر اشاره داشت:

۱. حرکت به سمت عاملیت واقعی: سیستم‌های هوش مصنوعی به تدریج از ابزارهای پاسخگو به دستیارهای واقعاً خودمختار تبدیل می‌شوند.

۲. چالش اقتصاد فعلی هوش مصنوعی: Manus مدل "اشتراک گران‌قیمت" را به چالش می‌کشد که شرکت‌هایی مانند OpenAI برای خدمات پیشرفته در نظر دارند.

۳. نگرانی‌های فزاینده امنیتی: با افزایش قدرت این عامل‌ها، مسائل امنیتی و کنترل آنها پیچیده‌تر می‌شود.

البته این فناوری هنوز در مراحل اولیه است و شکاف‌های قابل توجهی دارد. گزارش‌های مربوط به خطاهای حلقه‌ای و مشکلات اجرایی نشان می‌دهد که راه طولانی تا عاملیت کامل و قابل اعتماد وجود دارد.

در نهایت، Manus بیشتر نشان‌دهنده یک نقطه عطف مفهومی است - اثبات اینکه رویکرد خودمختار می‌تواند کار کند - تا یک محصول کاملاً تکامل‌یافته. درست مانند DeepSeek که مفهوم مدل‌های استدلالی ارزان‌تر را اثبات کرد، ارزش واقعی Manus ممکن است در الهام‌بخشی به نسل بعدی سیستم‌های خودمختار باشد.

@Modern_Learning_for_GenZ

ویژگی‌ها، معماری، دسترسی، مشکلات اولیه Manus AI و بیشتر

(بخش اول)

درباره Manus AI، یک عامل هوش مصنوعی که عملکرد بهتری نسبت به Deep Research اوپن‌ای‌آی دارد و قول می‌دهد لحظه‌ای مشابه "DeepSeek" باشد، بیاموزید.

۱۰ مارس ۲۰۲۵ · مدت مطالعه ۸ دقیقه

هوش مصنوعی Manus AI چین، که توسط استارتاپ Monica توسعه یافته، به عنوان یکی از اولین عامل‌های هوش مصنوعی کاملاً خودمختار - هوش مصنوعی که فقط به دستورالعمل‌ها پاسخ نمی‌دهد بلکه به طور مستقل وظایف را برنامه‌ریزی و اجرا می‌کند - موجی ایجاد کرده است.

از زمان راه‌اندازی در ۶ مارس ۲۰۲۵، Manus هم هیجان و هم تردید ایجاد کرده است. در حالی که برخی آن را دومین "لحظه DeepSeek" چین می‌نامند، دیگران در مورد اینکه آیا واقعاً به ادعاهای خود عمل می‌کند، سؤال دارند و به گزارش‌های اولیه از اشکالات، خطاهای تکراری و ناهماهنگی‌های عملکرد اشاره می‌کنند.

در این مقاله، توضیح خواهیم داد که Manus AI چیست، چگونه کار می‌کند، واقعاً چه کاری می‌تواند انجام دهد و آیا نشان‌دهنده یک پیشرفت است یا فقط یک آزمایش هوش مصنوعی با تبلیغات بیش از حد.

■ عامل Manus AI چیست؟

عامل Manus AI یک عامل هوش مصنوعی خودمختار است که می‌تواند وظایف چند مرحله‌ای را با حداقل ورودی انسان انجام دهد. به جای انتظار برای درخواست‌های مداوم کاربر و پاسخ واکنشی، Manus می‌تواند وظایف را به طور مستقل برنامه‌ریزی، اجرا و اصلاح کند.

ایده پشت Manus این است که فراتر از هوش مصنوعی پایه مبتنی بر چت‌بات برود و سیستمی ایجاد کند که بتواند به عنوان یک دستیار دیجیتال واقعی عمل کند که قادر به تصمیم‌گیری آگاهانه باشد.

به عنوان مثال، می‌تواند با یک پرامپت شروع کند و بدون نیاز به پرامپت‌های اضافی، یک داشبورد تولید کند.

توجه کنید که Manus داشبورد را می‌توان در یک URL عمومی دائمی منتشر کرد که می‌توانید از اینجا به آن دسترسی پیدا کنید.

خواه تحلیل تراکنش‌های مالی، غربالگری متقاضیان شغل یا جستجوی املاک اجاره‌ای، Manus برای پردازش مقادیر زیادی از اطلاعات، مقایسه گزینه‌ها و ارائه راه‌حل‌های ساختاریافته و بهینه طراحی شده است.

■ عامل هوش‌مصنوعی Manus AI چگونه کار می‌کند؟

عامل Manus AI به عنوان یک عامل هوش مصنوعی خودمختار با توانایی انجام موارد زیر عمل می‌کند:

-بازیابی اطلاعات و بررسی حقایق با استفاده از منابع آنلاین
- پردازش و تجسم داده‌ها، شامل تحلیل ساختارمند و داشبوردهای تعاملی
- اجرای کد و اتوماسیون، که به آن اجازه می‌دهد اسکریپت‌ها را بنویسد، آزمایش کند و مستقر کند.
- اتوماسیون وب، که تعامل با برنامه‌های کاربردی وب، پر کردن فرم‌ها و استخراج داده‌ها را امکان‌پذیر می‌سازد.

■ حال بیایید با جزئیات بیشتر توضیح دهیم که Manus AI چگونه کار می‌کند.

سیستم چند عامله و اجرای وظیفه
بر اساس کشفیات اولیه توسط Jian Liao، Manus AI از طریق یک حلقه عامل ساختاریافته عمل می‌کند، که وظایف را به صورت تکراری و مرحله به مرحله پردازش می‌کند. هر جلسه این فرآیند را دنبال می‌کند:

۱. تحلیل رویدادها: درک درخواست‌های کاربر و وضعیت فعلی وظیفه.
۲. انتخاب ابزارها: انتخاب ابزار یا فراخوانی API مناسب برای مرحله بعدی.
۳. اجرای دستورات: اجرای اسکریپت‌های شل، اتوماسیون وب یا پردازش داده در یک محیط sandbox لینوکس.
۴. تکرار: اصلاح اقدامات خود بر اساس داده‌های جدید، تکرار چرخه تا زمانی که وظیفه تکمیل شود.
۵. ارسال نتایج: ارسال خروجی‌های ساختاریافته به کاربر در قالب پیام‌ها، گزارش‌ها یا برنامه‌های مستقر شده.
۶. حالت آماده‌باش: ورود به حالت بیکار تا زمانی که ورودی بیشتر کاربر لازم باشد.

■ ویژگی‌های معماری اصلی

ویژگی‌های معماری اصلی Manus AI به آن امکان می‌دهد مانند یک انسان با کامپیوتر تعامل داشته باشد، اما در یک محیط کنترل شده. این ویژگی‌ها شامل:

- محیط sandbox لینوکس: Manus در یک فضای اجرایی کنترل شده عمل می‌کند، جایی که می‌تواند نرم‌افزار نصب کند، اسکریپت‌ها را اجرا کند و فایل‌ها را دستکاری کند.

- اجرای شل و خط فرمان: هوش مصنوعی می‌تواند دستورات شل را اجرا کند، فرآیندها را مدیریت کند و وظایف سیستم را خودکار کند.

- کنترل یکپارچه مرورگر وب: Manus می‌تواند در وب‌سایت‌ها پیمایش کند، داده‌ها را استخراج کند، با عناصر وب تعامل داشته باشد و حتی جاوااسکریپت را در کنسول مرورگر اجرا کند.

- مدیریت سیستم فایل: می‌تواند فایل‌ها را بخواند، بنویسد و سازماندهی کند، که آن را برای مدیریت گردش کارهای مبتنی بر اسناد مفید می‌سازد.

- قابلیت‌های استقرار: Manus می‌تواند برنامه‌ها را مستقر کند، از جمله راه‌اندازی وب‌سایت‌ها و میزبانی سرویس‌ها در URLهای عمومی.

@Modern_Learning_for_GenZ

ویژگی‌ها، معماری، دسترسی، مشکلات اولیه Manus AI و بیشتر
(بخش دوم)

■ امنیت و محدودیت‌ها

هر جلسه Manus AI به صورت جداگانه عمل می‌کند، که از دسترسی کاربران به محیط‌های اجرایی یکدیگر جلوگیری می‌کند. علاوه بر این، ابزارها و دستورات در sandbox قرار دارند، که خطر دسترسی غیرمجاز به سیستم را کاهش می‌دهد. Manus AI همچنین از ایجاد حساب‌های کاربری یا دور زدن اقدامات امنیتی بدون مجوز صریح محدود شده است.

با وجود خودمختاری، Manus AI همچنان به دلیل پنجره زمینه محدود خود، محدودیت‌هایی در مقدار داده‌هایی که می‌تواند یکباره پردازش کند، دارد.

■ معیارهای سنجش Manus AI

اگرچه هنوز داده‌های گسترده معیار سنجش نداریم، Manus AI با استفاده از معیار GAIA، یک آزمون طراحی شده برای اندازه‌گیری چگونگی مدیریت عامل‌های هوش مصنوعی در وظایف حل مسئله دنیای واقعی، ارزیابی شد. برای اطمینان از نتایج تکرارپذیر، Manus با استفاده از همان پیکربندی نسخه تولیدی خود ارزیابی شد.

نتایج نشان می‌دهد که Manus به طور قابل توجهی بهتر از مدل‌های قبلی پیشرفته (SOTA)، از جمله سیستم Deep Research اوپن‌ای‌آی عمل می‌کند:

این معیار عامل‌های هوش مصنوعی را در سه سطح دشواری ارزیابی می‌کند:

- سطح ۱ (وظایف پایه): Manus AI امتیاز ۸۶.۵٪ کسب کرد، بسیار بالاتر از Deep Research اوپن‌ای‌آی با ۷۴.۳٪، و بسیار بالاتر از SOTA قبلی با ۶۷.۹٪.

- سطح ۲ (وظایف متوسط): Manus عملکرد قوی خود را با ۷۰.۱٪ حفظ کرد، به طور جزئی از Deep Research اوپن‌ای‌آی (۶۹.۱٪) پیشی گرفت و نسبت به SOTA قبلی (۶۷.۴٪) بهبود یافت.

- سطح ۳ (وظایف پیچیده): Manus همچنین در این دسته پیشتاز است، با امتیاز ۵۷.۷٪، در مقایسه با ۴۷.۶٪ برای اوپن‌ای‌آی و ۴۲.۳٪ برای بهترین مدل قبلی.

این واقعیت که Manus AI در تمام سطوح دشواری پیشتاز است، نشان می‌دهد که ممکن است یکی از قابل‌ترین عامل‌های هوش مصنوعی خودمختار موجود باشد. با این حال، کاهش امتیازات در سطوح دشواری بالاتر نشان می‌دهد که حتی بهترین مدل‌های هوش مصنوعی هنوز با وظایف پیچیده چند مرحله‌ای استدلالی مشکل دارند.

اگرچه این معیارها تأثیرگذار هستند، عملکرد دنیای واقعی اغلب با آزمایش کنترل شده متفاوت است. قابلیت استفاده واقعی Manus AI به این بستگی دارد که چقدر خوب با وظایف غیرقابل پیش‌بینی کنار می‌آید و آیا خودمختاری آن منجر به بهبود عملی در گردش کارهای کاربر می‌شود.

■ چگونه به Manus AI دسترسی پیدا کنیم؟

دسترسی به Manus AI در حال حاضر به یک مرحله بتا و فقط با دعوت‌نامه محدود است.

■ آیا Manus AI یک "لحظه DeepSeek" است؟

عامل Manus AI می‌تواند یک "لحظه مانند لحظه DeepSeek" برای هوش مصنوعی باشد، DeepSeek-R1 منظر را تغییر نداد چون ما همه ناگهان تغییر کردیم. در واقع، بسیاری از ما در چند روز اول آن را امتحان کردیم و حتی نمی‌توانستیم از آن استفاده کنیم زیرا سرورهای آنها نمی‌توانستند بار را تحمل کنند و آنها هنوز هم امروز با این مشکل مواجه هستند. اما DeepSeek یک نقطه عطف بود زیرا سه چیز را ثابت کرد:

۱. ما می‌توانیم مدل‌های استدلالی قوی را با کسری از هزینه‌ای که فکر می‌کردیم لازم است، بسازیم.
۲. تراشه‌های پیشرفته هوش مصنوعی ممکن است به اندازه‌ای که تصور می‌کردیم حیاتی نباشند.
۳. هوش مصنوعی منبع باز دیگر عقب‌تر نیست. همتراز یا حتی برتر از مدل‌های اختصاصی بسته است.

من Manus AI را به عنوان یک لحظه DeepSeek بالقوه برای هوش مصنوعی عاملی به جای استدلال می‌بینم. این فرض را به چالش می‌کشد که عامل‌های هوش مصنوعی قدرتمند نیاز به زیرساخت‌های عظیم، اکوسیستم‌های بسته و هزینه‌های بالا دارند.

بر اساس کشفیات اولیه توسط Jian Liao، Manus با ترکیبی از Claude Sonnet، تنظیم‌های دقیق Qwen و عامل‌های هوش مصنوعی ماژولار کار می‌کند، و نشان می‌دهد که می‌توانید یک سیستم خودمختار بسیار قابل را بدون آموزش یک مدل اختصاصی عظیم از ابتدا بسازید.

این انتشار همچنین در زمان بسیار جالبی می‌آید، درست زمانی که شایعاتی مبنی بر این که اوپن‌ای‌آی قصد دارد سه عامل هوش مصنوعی پیشرفته با هزینه‌های اشتراک بین ۲,۰۰۰ تا ۲۰,۰۰۰ دلار راه‌اندازی کند، پخش می‌شود. اگر Manus AI به وعده خود مبنی بر دسترسی باز و کم هزینه به هوش مصنوعی خودمختار عمل کند، می‌تواند شرکت‌هایی مانند اوپن‌ای‌آی را مجبور کند که تجدید نظر کنند که آیا اتوماسیون هوش مصنوعی نیاز به قفل شدن پشت دیوارهای پرداختی گران قیمت دارد.

با این حال، هنوز نگرانی‌های معتبری وجود دارد، و ما آنها را در بخش بعدی بررسی خواهیم کرد.

@Modern_Learning_for_GenZ

ویژگی‌ها، معماری، دسترسی، مشکلات اولیه Manus AI و بیشتر
(بخش سوم)

مشکلات اولیه Manus AI

عامل Manus قبلاً به دلیل خطاهای حلقه‌ای، وابستگی بیش از حد به مدل‌های موجود و خطرات امنیتی مورد انتقاد قرار گرفته است. و در حالی که در تئوری هیجان‌انگیز است، اینکه آیا در مقیاس بزرگ واقعاً کار می‌کند هنوز یک سؤال باز است. اگر مسیر DeepSeek را دنبال کند، می‌تواند انقلابی در مفهوم اما ناامیدکننده در اجرا باشد، یک سیستم قدرتمند که تعداد کمی می‌توانند به طور قابل اعتماد از آن استفاده کنند.

به عنوان مثال، آزمایش‌کنندگان اولیه به چندین مشکل اشاره کرده‌اند:

- اشکالات و ناسازگاری‌ها: برخی از کاربران گزارش کرده‌اند که Manus حلقه می‌زند یا در چرخه‌های تکراری گیر می‌کند، و در تصمیم‌گیری پیچیده زمانی که وظایف به خوبی تعریف نشده‌اند، مشکل دارد.

- وابستگی بیش از حد به مدل‌های موجود: تحقیقات در مورد معماری آن نشان می‌دهد که Manus به شدت Claude Sonnet و تنظیم‌های دقیق Qwen را ادغام می‌کند، به جای استفاده از یک مدل اختصاصی منحصر به فرد. این نگرانی‌هایی را در مورد اینکه آیا واقعاً روش‌های جدید هوش مصنوعی را پیشگام است یا فقط فناوری‌های موجود را به طور هوشمندانه هماهنگ می‌کند، ایجاد کرده است.

- خطرات امنیتی و حریم خصوصی: توانایی Manus در اجرای دستورات، بازیابی فایل‌ها و تعامل با سیستم‌های خارجی باعث شده است برخی از کنترل‌های امنیتی آن سؤال کنند. اگر به درستی در sandbox قرار نگیرد، یک هوش مصنوعی خودمختار با دسترسی به داده‌های حساس می‌تواند آسیب‌پذیری‌های ناخواسته‌ای را ایجاد کند.

نتیجه‌گیری

عامل Manus AI یک حرکت جسورانه به سمت عامل‌های هوش مصنوعی خودمختار است، اما هنوز مشخص نیست که آیا واقعاً وعده هوش مصنوعی عاملی را که می‌تواند به طور قابل اعتماد وظایف پیچیده و واقعی را انجام دهد، محقق می‌کند.

مقایسه با DeepSeek-R1 منطقی است، اما نه به این دلیل که همه ناگهان به Manus تغییر خواهند داد. در عوض، مانند DeepSeek، Manus اقتصاد هوش مصنوعی را به چالش می‌کشد و نشان می‌دهد که عامل‌های خودمختار لزوماً به زیرساخت‌های عظیم یا مدل‌های اختصاصی برای عملکرد نیاز ندارند.

با این حال، فناوری هنوز شکاف‌هایی دارد. گزارش‌هایی از خطاهای حلقه‌ای، خطاهای اجرایی و وابستگی بیش از حد به مدل‌های موجود نشان می‌دهد که Manus هنوز کاملاً سیستم هوش مصنوعی انقلابی که ادعا می‌کند نیست. حداقل هنوز نه. اگر بتواند بر این مشکلات غلبه کند، می‌تواند یک تغییر دهنده بازی در اتوماسیون هوش مصنوعی باشد. اگر نه، خطر تبدیل شدن به یک آزمایش هوش مصنوعی با تبلیغات بیش از حد دیگر را دارد، که بیشتر برای آنچه نمایندگی می‌کند ارزشمند است تا آنچه واقعاً ارائه می‌دهد.

■ سوالات متداول

آیا Manus AI از زبان‌های دیگر به جز انگلیسی پشتیبانی می‌کند؟
بله، Manus AI امکان چندزبانه را پشتیبانی می‌کند، که به کاربران اجازه می‌دهد به زبان مورد نظر خود تعامل داشته باشند و خروجی دریافت کنند.

آیا Manus AI می‌تواند وظایف پردازش داده‌های بلادرنگ را انجام دهد؟
بله، Manus AI قادر به پردازش داده‌های بلادرنگ است، که آن را برای وظایفی که نیاز به اطلاعات به‌روز دارند، مانند تجزیه و تحلیل داده‌های زنده و نظارت، مناسب می‌سازد.

عامل Manus AI با چه پلتفرم‌ها و سیستم‌های عاملی سازگار است؟
عامل Manus AI یک سرویس مبتنی بر ابر است که از طریق مرورگرهای وب در دستگاه‌های مختلف، شامل دسکتاپ، لپ‌تاپ، تبلت و گوشی‌های هوشمند، صرف نظر از سیستم عامل، قابل دسترسی است.

آیا Manus AI از ورودی‌های چندوجهی پشتیبانی می‌کند؟
بله، Manus AI با قابلیت‌های چندوجهی طراحی شده است، که به آن اجازه می‌دهد انواع مختلفی از داده‌ها، از جمله متن، تصاویر و کد را پردازش و تولید کند. این به Manus امکان می‌دهد وظایف پیچیده‌ای را که نیاز به درک و تولید اشکال مختلف اطلاعات دارند، مدیریت کند.

آیا Manus AI می‌تواند محتوا را در وجوه مختلف تولید کند؟
بله، Manus AI می‌تواند محتوا را در قالب‌های مختلف ایجاد کند، مانند تولید گزارش‌های متنی، ایجاد نمایش‌های تصویری داده‌ها و نوشتن کد قابل اجرا، بسته به نیازهای وظیفه.

نویسنده بلاگ: الکس التیانو
التیانو یک ویراستار و نویسنده است که وبلاگ‌های هوش مصنوعی، آموزش‌ها و اخبار را پوشش می‌دهد و اطمینان حاصل می‌کند که همه چیز با استراتژی محتوای قوی و بهترین شیوه‌های سئو مطابقت دارد. او دوره‌های علوم داده را در مورد پایتون، آمار، احتمال و تجسم داده‌ها نوشته‌ است. همچنین یک رمان برنده جایزه منتشر کرده‌ و وقت آزادش را صرف فیلمنامه‌نویسی و کارگردانی فیلم می‌کند.

@Modern_Learning_for_GenZ

هوش مصنوعی در حال دگرگون کردن بازار کار است. به‌طوری که مدیران فناوری آن را بزرگ‌ترین تحول دوران ما می‌دانند. اما تحقیقات نشان می‌دهد این تحول به نفع نخبگان است و کارگران و کارمندانی با سطح مهارتِ متوسط و پائین به تدریج از بازار کار حذف می‌شوند.

@Modern_Learning_for_GenZ

ابتدا مایلیم به:

مهمترین گزارشات بین‌المللی در زمینه تحولات تاثیرگذار در زمینه اشتغال و مهارت‌های مورد نیاز آینده با ظهور هوش مصنوعی

بپردازیم. 👇👇👇

گزارش‌های معتبر درباره تأثیر هوش مصنوعی بر مشاغل آینده

■ مجمع جهانی اقتصاد
World Economic Forum

- عنوان: "گزارش آینده مشاغل ۲۰۲۳"
Future of Jobs Report 2023

- تاریخ انتشار: آوریل ۲۰۲۳
- منبع: مجمع جهانی اقتصاد
- توضیحات: گزارش تحلیلی درباره تغییرات بازار کار جهانی با تمرکز بر تأثیر هوش مصنوعی و فناوری‌های نوظهور

- لینک گزارش: https://www.weforum.org/reports/the-future-of-jobs-report-2023/


■ مؤسسه جهانی مکنزی
McKinsey Global Institute

- عنوان: "هوش مصنوعی، اتوماسیون و آینده کار"
(AI, Automation, and the Future of Work)
- تاریخ انتشار: ژوئن ۲۰۲۴
- منبع: مؤسسه جهانی مکنزی
- توضیحات: تحلیل جامع از تأثیر هوش مصنوعی بر مشاغل مختلف و نیروی کار جهانی

- لینک گزارش: https://www.mckinsey.com/featured-insights/future-of-work/ai-automation-and-the-future-of-work


■ سازمان بین‌المللی کار
International Labour Organization

- عنوان: "کار برای آینده بهتر"
(Work for a Brighter Future)
- تاریخ انتشار: ژانویه ۲۰۲۴
- منبع: سازمان بین‌المللی کار
- توضیحات: بررسی سیاست‌های جهانی برای مدیریت انتقال نیروی کار به عصر هوش مصنوعی

- لینک گزارش: https://www.ilo.org/global/topics/future-of-work/publications/WCMS_569528/lang--en/index.htm


■ سازمان همکاری و توسعه اقتصادی OECD

- عنوان: "آینده مهارت‌ها ۲۰۲۴"
(Future of Skills 2024)
- تاریخ انتشار: مارس ۲۰۲۴
- منبع: سازمان همکاری و توسعه اقتصادی
- توضیحات: تحلیل نیازهای مهارتی آینده بازار کار با توجه به گسترش هوش مصنوعی

- لینک گزارش: https://www.oecd.org/skills/future-of-skills/


■ دانشگاه استانفورد Stanford University

- عنوان: شاخص هوش مصنوعی ۲۰۲۴
AI Index Report 2024
- تاریخ انتشار: آوریل ۲۰۲۴
- منبع: انستیتو هوش مصنوعی انسان‌محور دانشگاه استنفورد
- توضیحات: گزارش جامع سالانه از وضعیت هوش مصنوعی شامل بخش تأثیر بر مشاغل

- لینک گزارش: https://aiindex.stanford.edu/report/

■ شرکت مشاوره دیلویت Deloitte

- عنوان: چشم‌انداز فناوری دیجیتال ۲۰۲۴
Digital Technology Outlook 2024
- تاریخ انتشار: فوریه ۲۰۲۴
- منبع: شرکت مشاوره دیلویت
- توضیحات: تحلیل روندهای فناوری دیجیتال و تأثیر آن بر محیط کار

- لینک گزارش: https://www2.deloitte.com/global/en/insights/focus/tech-trends.html

■ مؤسسه تحقیقاتی PwC

- عنوان: آینده اشتغال در عصر هوش مصنوعی
Future of Employment in the AI Era
- تاریخ انتشار: مه ۲۰۲۴
- منبع: مؤسسه تحقیقاتی PwC
- توضیحات: پیش‌بینی تغییرات مشاغل و بازار کار بر اثر هوش مصنوعی و اتوماسیون

- لینک گزارش: https://www.pwc.com/gx/en/issues/technology/essential-eight-tech/artificial-intelligence.html

■ بانک جهانی World Bank

- عنوان: مهارت‌های آینده: سرمایه‌گذاری در سرمایه انسانی برای توسعه اقتصادی
Future Skills: Investing in Human Capital for Economic Development
- تاریخ انتشار: اکتبر ۲۰۲۳
- منبع: بانک جهانی
- توضیحات: چارچوب‌های جدید برای آموزش و توسعه مهارت برای آمادگی نیروی کار آینده

- لینک گزارش: https://www.worldbank.org/en/publication/human-capital

■ دانشگاه صنعتی ماساچوست MIT

- عنوان: اقتصاد نوآوری: هوش مصنوعی و آینده کار
Innovation Economy: AI and the Future of Work
- تاریخ انتشار: سپتامبر ۲۰۲۳
- منبع: آزمایشگاه کامپیوتر و هوش مصنوعی MIT
- توضیحات: بررسی عمیق تأثیر هوش مصنوعی بر بازار کار و نابرابری شغلی

- لینک گزارش: https://workofthefuture.mit.edu/research/publications/

■ مرکز پژوهش‌های اقتصادی اروپا CEPR

- عنوان: تحول دیجیتال: مشاغل و مهارت‌های آینده در اروپا
Digital Transformation: Future Jobs and Skills in Europe
- تاریخ انتشار: ژوئن ۲۰۲۳
- منبع: مرکز پژوهش‌های اقتصادی اروپا
- توضیحات: تحلیل منطقه‌ای از تأثیر هوش مصنوعی بر مشاغل اروپایی و تغییرات ساختاری بازار کار

- لینک گزارش: https://cepr.org/publications/digital-transformation-future-jobs-and-skills-europe

@Modern_Learning_for_GenZ

در پست بعدی مایلیم:

لیستی از مهمترین گزارش‌های استراتژیک تاثیر هوش بر مشاغل تخصصی بپردازیم. 👇👇👇

@Modern_Learning_for_GenZ

گزارش‌های استراتژیک تأثیر هوش مصنوعی در مشاغل تخصصی
(بخش اول)

۱- آموزش دانش‌آموزان K-12

■ مؤسسه McKinsey Global

- عنوان: آینده یادگیری: تحول آموزش با هوش مصنوعی
The Future of Learning: Transforming Education with AI)
- تاریخ انتشار: اکتبر ۲۰۲۳
- منبع: مؤسسه McKinsey Global
- توضیحات: تحلیل جامع از تأثیر هوش مصنوعی بر محیط‌های یادگیری مدارس و بررسی تغییرات نقش معلمان و سیستم‌های آموزشی شخصی‌سازی شده

- لینک گزارش: https://www.mckinsey.com/industries/education/our-insights/the-future-of-learning-ai-transformation-in-education

■ یونسکو

- عنوان: هوش مصنوعی در آموزش: رویکردهای مسئولانه برای سیاست‌گذاری
AI in Education: Responsible Approaches for Policy
- تاریخ انتشار: فوریه ۲۰۲۴
- منبع: سازمان آموزشی، علمی و فرهنگی ملل متحد
- توضیحات: چارچوب اخلاقی برای استفاده از هوش مصنوعی در مدارس و تحلیل تأثیر بر دسترسی و برابری آموزشی

- لینک گزارش: https://www.unesco.org/en/artificial-intelligence/education-policy

■ موسسه HolonIQ

- عنوان: گزارش جهانی فناوری آموزشی در عصر هوش مصنوعی
Global EdTech Report in the AI Era
- تاریخ انتشار: دسامبر ۲۰۲۳
- منبع: مؤسسه تحقیقاتی HolonIQ
- توضیحات: پیش‌بینی‌های بازار و روندهای فناوری آموزشی تا ۲۰۳۰ و بررسی استارتاپ‌های تأثیرگذار در زمینه آموزش K-12

- لینک گزارش: https://www.holoniq.com/notes/global-edtech-ai-report-2023

■ مؤسسه آموزشی پیرسون

- عنوان: آموزش دیجیتال ۲۰۲۵: هوش مصنوعی در کلاس درس
Digital Education 2025: AI in the Classroom
- تاریخ انتشار: نوامبر ۲۰۲۳
- منبع: مؤسسه آموزشی پیرسون
- توضیحات: مطالعه موردی بر روی مدارس پیشرو در استفاده از هوش مصنوعی و تحلیل چشم‌انداز شغلی برای معلمان و مدیران مدارس

- لینک گزارش: https://www.pearson.com/en-us/news-and-research/digital-education-2025

۲- آموزش و تحقیقات دانشگاهی

■ مؤسسه MIT و دانشگاه هاروارد

- عنوان: دانشگاه‌های عصر هوش مصنوعی
Universities in the Age of AI
- تاریخ انتشار: مارس ۲۰۲۴
- منبع: مؤسسه MIT و دانشگاه هاروارد
- توضیحات: تحول نقش دانشگاه‌ها در اکوسیستم آموزشی آینده و تأثیر هوش مصنوعی بر پژوهش‌های دانشگاهی و روش‌های تدریس

- لینک گزارش: https://www.mit.edu/research/ai-higher-education-future

■ انجمن دانشگاه‌های اروپایی

- عنوان: آینده آموزش عالی در عصر دیجیتال
The Future of Higher Education in the Digital Age
- تاریخ انتشار: سپتامبر ۲۰۲۳
- منبع: انجمن دانشگاه‌های اروپایی
- توضیحات: تحلیل تغییرات ساختاری در مؤسسات آموزش عالی و بررسی مدل‌های کسب‌وکار نوآورانه برای دانشگاه‌ها

- لینک گزارش: https://www.eua.eu/resources/publications/digital-transformation-higher-education

■ شرکت مشاوره Elsevier

- عنوان: تحول تحقیقات علمی با هوش مصنوعی
Transforming Scientific Research with AI
- تاریخ انتشار: ژوئیه ۲۰۲۳
- منبع: شرکت مشاوره Elsevier
- توضیحات: تأثیر هوش مصنوعی بر روش‌های پژوهشی و انتشارات علمی و تغییرات در فرآیند داوری و ارزیابی پژوهش‌ها

- لینک گزارش: https://www.elsevier.com/connect/ai-and-the-future-of-scientific-research

■ سازمان OECD

- عنوان: چشم‌انداز جهانی آموزش عالی ۲۰۳۰
Global Outlook on Higher Education 2030
- تاریخ انتشار: ژانویه ۲۰۲۴
- منبع: سازمان همکاری و توسعه اقتصادی
- توضیحات: تحلیل تأثیر هوش مصنوعی بر اشتغال در بخش دانشگاهی و سناریوهای آینده برای مؤسسات آموزش عالی

- لینک: https://www.oecd.org/education/higher-education-outlook-2030

۳- پزشکی و سلامت

■ انجمن جهانی پزشکی

- عنوان: هوش مصنوعی در مراقبت‌های بهداشتی: تحول نقش‌های حرفه‌ای
AI in Healthcare: Transformation of Professional Roles
- تاریخ انتشار: نوامبر ۲۰۲۳
- منبع: انجمن جهانی پزشکی
- توضیحات: تأثیر بر تشخیص، درمان و مدیریت بیمار و تغییرات در نقش پزشکان، پرستاران و سایر متخصصان سلامت

- لینک گزارش: https://www.wma.net/publications/ai-in-healthcare-professional-roles

■ سازمان جهانی بهداشت

- عنوان: آینده کار در سلامت: چشم‌انداز ۲۰۳۵ (Future of Work in Health: Vision 2035)
- تاریخ انتشار: آوریل ۲۰۲۴
- منبع: سازمان جهانی بهداشت
- توضیحات: پیش‌بینی‌های تغییرات نیروی کار در بخش سلامت و ظهور نقش‌های جدید و تغییر در مهارت‌های مورد نیاز

- لینک گزارش: https://www.who.int/publications/future-of-work-in-health-2035

@Modern_Learning_for_GenZ

گزارش‌های استراتژیک تأثیر هوش مصنوعی در مشاغل تخصصی
(بخش دوم)

■ موسسه Deloitte

- عنوان: تحول دیجیتال در صنعت داروسازی
Digital Transformation in the Pharmaceutical Industry
- تاریخ انتشار: اکتبر ۲۰۲۳
- منبع: شرکت مشاوره Deloitte
- توضیحات: تأثیر هوش مصنوعی بر کشف دارو و آزمایش‌های بالینی و تغییر در نقش‌های تحقیق و توسعه دارویی

- لینک گزارش: https://www2.deloitte.com/insights/pharmaceutical-digital-transformation

■ انجمن رادیولوژی آمریکا

- عنوان: هوش مصنوعی و آینده تصویربرداری پزشکی (AI and the Future of Medical Imaging)
- تاریخ انتشار: دسامبر ۲۰۲۳
- منبع: انجمن رادیولوژی آمریکا
- توضیحات: تأثیر بر نقش رادیولوژیست‌ها و متخصصان تصویربرداری و پیش‌بینی‌های بازار کار تا ۲۰۳۰


- لینک گزارش: https://www.acr.org/research/ai-medical-imaging-future

۴- حقوق و خدمات حقوقی

■ انجمن وکلای آمریکا

- عنوان: عدالت هوشمند: هوش مصنوعی در سیستم حقوقی
Smart Justice: AI in the Legal System
- تاریخ انتشار: اوت ۲۰۲۳
- منبع: انجمن وکلای آمریکا
- توضیحات: تحلیل تأثیر بر خدمات حقوقی، دادگاه‌ها و مشاوره و تغییرات در آموزش حقوقی و صلاحیت‌های حرفه‌ای

- لینک گزارش: https://www.americanbar.org/content/ai-legal-system-report

■ مؤسسه حقوقی بریتانیا

- عنوان: آینده وکالت ۲۰۳۰
The Future of Legal Practice 2030
- تاریخ انتشار: ژوئن ۲۰۲۳
- منبع: مؤسسه حقوقی بریتانیا
- توضیحات: تأثیر هوش مصنوعی بر نقش‌های حقوقی سنتی و ظهور نقش‌های جدید در تقاطع حقوق و فناوری

- لینک گزارش: https://www.lawsociety.org.uk/research/future-of-legal-practice-2030

■ شرکت Thomson Reuters

- عنوان: تحول دیجیتال صنعت حقوقی
Digital Transformation of the Legal Industry
- تاریخ انتشار: فوریه ۲۰۲۴
- منبع: Thomson Reuters
- توضیحات: تغییرات در مدل‌های کسب‌وکار شرکت‌های حقوقی و بررسی فناوری‌های تأثیرگذار بر خدمات حقوقی

- لینک گزارش: https://www.thomsonreuters.com/institute/legal-ai-transformation

■ مرکز مطالعات حقوقی هاروارد

- عنوان: عدالت الگوریتمی: چالش‌ها و فرصت‌ها
Algorithmic Justice: Challenges and Opportunities
- تاریخ انتشار: سپتامبر ۲۰۲۳
- منبع: مرکز مطالعات حقوقی هاروارد
- توضیحات: تأثیر هوش مصنوعی بر تصمیم‌گیری‌های قضایی و مسائل اخلاقی و حقوقی در استفاده از هوش مصنوعی

- لینک: https://hls.harvard.edu/centers/algorithmic-justice-report

۵- مهندسی (به تفکیک)

۵-۱ مهندسی مکانیک و تولید

■ انجمن مهندسان مکانیک آمریکا

- عنوان: آینده مهندسی مکانیک در عصر دیجیتال
The Future of Mechanical Engineering in the Digital Age
- تاریخ انتشار: ژوئیه ۲۰۲۳
- منبع: انجمن مهندسان مکانیک آمریکا
- توضیحات: تغییرات در طراحی، تولید و نگهداری با هوش مصنوعی و مهارت‌های مورد نیاز مهندسان مکانیک در آینده

- لینک گزارش: https://www.asme.org/reports/future-mechanical-engineering-digital-age

■ مؤسسه McKinsey

- عنوان: تولید هوشمند ۲۰۳۰
Smart Manufacturing 2030
- تاریخ انتشار: نوامبر ۲۰۲۳
- منبع: مؤسسه McKinsey
- توضیحات: تحلیل اتوماسیون در بخش تولید و تأثیر بر نیروی کار و سناریوهای آینده برای مهندسی تولید

- لینک گزارش: https://www.mckinsey.com/industries/manufacturing/research/smart-manufacturing-2030

۵-۲ مهندسی برق و الکترونیک

■ انجمن IEEE

- عنوان: هوش مصنوعی و آینده مهندسی برق
AI and the Future of Electrical Engineering
- تاریخ انتشار: ژانویه ۲۰۲۴
- منبع: انجمن IEEE
- توضیحات: تأثیر بر طراحی مدار، سیستم‌های قدرت و مخابرات و ظهور تخصص‌های جدید در تقاطع هوش مصنوعی و مهندسی برق

- لینک گزارش: https://www.ieee.org/publications/ai-future-electrical-engineering

■ موسسه Gartner

- عنوان: معماری‌های محاسباتی آینده برای هوش مصنوعی
Future Computing Architectures for AI
- تاریخ انتشار: مارس ۲۰۲۳
- منبع: شرکت تحقیقاتی Gartner
- توضیحات: روندهای طراحی تراشه‌های اختصاصی هوش مصنوعی و چشم‌انداز شغلی برای مهندسان سخت‌افزار

- لینک گزارش: https://www.gartner.com/en/documents/future-computing-ai-architectures

۵-۳ مهندسی عمران و زیرساخت

■ انجمن مهندسان عمران آمریکا

- عنوان: زیرساخت‌های هوشمند: مهندسی عمران در عصر هوش مصنوعی
Smart Infrastructure: Civil Engineering in the AI Era
- تاریخ انتشار: اکتبر ۲۰۲۳
- منبع: انجمن مهندسان عمران آمریکا
- توضیحات: تأثیر بر طراحی، ساخت و نگهداری زیرساخت‌ها و تغییر در مهارت‌های مورد نیاز مهندسان عمران

- لینک گزارش: https://www.asce.org/publications/smart-infrastructure-ai-era

@Modern_Learning_for_GenZ

گزارش‌های استراتژیک تأثیر هوش مصنوعی در مشاغل تخصصی
(بخش سوم)

■ موسسه جهانی مکنزی

- عنوان: شهرهای هوشمند و آینده مهندسی شهری
Smart Cities and the Future of Urban Engineering
- تاریخ انتشار: آوریل ۲۰۲۴
- منبع: مؤسسه جهانی مکنزی
- توضیحات: تحلیل نقش هوش مصنوعی در برنامه‌ریزی و مدیریت شهری و چالش‌ها و فرصت‌های شغلی جدید

- لینک گزارش: https://www.mckinsey.com/industries/public-sector/our-insights/smart-cities-urban-engineering

۵-۴ مهندسی شیمی و مواد

■ انجمن مهندسی شیمی

- عنوان: انقلاب هوش مصنوعی در کشف مواد
AI Revolution in Materials Discovery
- تاریخ انتشار: می ۲۰۲۳
- منبع: انجمن مهندسی شیمی
- توضیحات: تأثیر بر فرآیندهای کشف، توسعه و تولید مواد و تغییر در مهارت‌های مورد نیاز مهندسان شیمی

- لینک: https://www.aiche.org/resources/publications/ai-materials-discovery

■ موسسه Deloitte

- عنوان: آینده صنایع فرآیندی با هوش مصنوعی
The Future of Process Industries with AI
- تاریخ انتشار: دسامبر ۲۰۲۳
- منبع: شرکت مشاوره Deloitte
- توضیحات: تحلیل اتوماسیون در صنایع شیمیایی و پتروشیمی و نقش‌های جدید در تقاطع هوش مصنوعی و مهندسی فرآیند

- لینک: https://www2.deloitte.com/insights/process-industries-ai-future

۶- کامپیوتر و مشاغل وابسته

■ موسسه Gartner

- عنوان: آینده توسعه نرم‌افزار ۲۰۳۰
The Future of Software Development 2030
- تاریخ انتشار: ژوئن ۲۰۲۳
- منبع: شرکت تحقیقاتی Gartner
- توضیحات: تأثیر برنامه‌نویسی به کمک هوش مصنوعی بر نقش توسعه‌دهندگان و تغییر در مهارت‌های مورد نیاز و ظهور نقش‌های جدید


- لینک گزارش: https://www.gartner.com/en/documents/future-software-development-2030

■ موسسه IDC

- عنوان: تحول مشاغل فناوری اطلاعات در عصر هوش مصنوعی
Transformation of IT Roles in the AI Era
- تاریخ انتشار: فوریه ۲۰۲۴
- منبع: شرکت تحقیقاتی IDC
- توضیحات: تحلیل تغییرات در نقش‌های سنتی IT و پیش‌بینی تقاضا برای نقش‌های جدید مانند مهندسان MLOps


- لینک گزارش: https://www.idc.com/research/it-roles-transformation-ai-era


■ مؤسسه Ponemon

- عنوان: امنیت سایبری در عصر هوش مصنوعی
(Cybersecurity in the Age of AI)
- تاریخ انتشار: نوامبر ۲۰۲۳
- منبع: مؤسسه Ponemon
- توضیحات: تأثیر هوش مصنوعی بر تهدیدات و دفاع سایبری و تغییر در مهارت‌های مورد نیاز متخصصان امنیت
- لینک گزارش: https://www.ponemon.org/research/cybersecurity-age-of-ai

@Modern_Learning_for_GenZ

گزارش‌های استراتژیک تأثیر هوش مصنوعی در مشاغل تخصصی
(بخش چهارم)

■ موسسه O'Reilly

- عنوان: گزارش روندهای علم داده و هوش مصنوعی
Data Science and AI Trends Report
- تاریخ انتشار: مارس ۲۰۲۴
- منبع: O'Reilly Media
- توضیحات: تحول نقش دانشمندان داده و مهندسان یادگیری ماشین و پیش‌بینی‌های تقاضای بازار کار تا ۲۰۳۰

۷- حسابداری و مالی

■ انجمن حسابداران رسمی آمریکا

- عنوان: آینده حسابداری در عصر هوش مصنوعی
The Future of Accounting in the AI Era
- تاریخ انتشار: اوت ۲۰۲۳
- منبع: انجمن حسابداران رسمی آمریکا
- توضیحات: تأثیر بر حسابرسی، مالیات و گزارشگری مالی و تغییر در مهارت‌های مورد نیاز حسابداران

- لینک گزارش: https://www.aicpa.org/resources/future-accounting-ai-era

■ مؤسسه PwC

- عنوان: بانکداری و خدمات مالی ۲۰۳۰
Banking and Financial Services 2030
- تاریخ انتشار: سپتامبر ۲۰۲۳
- منبع: مؤسسه PwC
- توضیحات: تحلیل تأثیر هوش مصنوعی بر خدمات بانکی و سرمایه‌گذاری و تغییر در نقش‌های مشاوران مالی و تحلیلگران

- لینک: https://www.pwc.com/financial-services/banking-2030-ai-impact

■ موسسه Deloitte

- عنوان: آینده بیمه در عصر هوش مصنوعی
The Future of Insurance in the AI Age
- تاریخ انتشار: ژانویه ۲۰۲۴
- منبع: شرکت مشاوره Deloitte
- توضیحات: تأثیر بر ارزیابی ریسک، قیمت‌گذاری و مدیریت ادعا و تغییر در نقش‌های سنتی بیمه

- لینک: https://www2.deloitte.com/insights/insurance-industry-ai-future

۸- رسانه و ارتباطات

■ مؤسسه رویترز

- عنوان: آینده روزنامه‌نگاری در عصر هوش مصنوعی
The Future of Journalism in the AI Era
- تاریخ انتشار: اکتبر ۲۰۲۳
- منبع: مؤسسه رویترز
- توضیحات: تأثیر بر تولید، تحقیق و توزیع محتوا و تغییر در نقش خبرنگاران و ویراستاران

- لینک: https://reutersinstitute.politics.ox.ac.uk/journalism-ai-future

■ انجمن بازاریابی آمریکا

- عنوان: تحول تبلیغات و بازاریابی با هوش مصنوعی
Transformation of Advertising and Marketing with AI
- تاریخ انتشار: آوریل ۲۰۲۴
- منبع: انجمن بازاریابی آمریکا
- توضیحات: تأثیر بر طراحی کمپین، تحلیل داده و شخصی‌سازی و ظهور نقش‌های جدید در بازاریابی دیجیتال

- لینک: https://www.ama.org/marketing-ai-transformation-report

■ مؤسسه WPP

- عنوان: آینده تولید محتوا در عصر ژنراتیو
The Future of Content Creation in the Generative Era
- تاریخ انتشار: دسامبر ۲۰۲۳
- منبع: مؤسسه WPP
- توضیحات: تأثیر بر صنایع خلاق، طراحی و تولید محتوا و تغییر در مهارت‌های مورد نیاز تولیدکنندگان محتوا


- لینک: https://www.wpp.com/reports/future-content-creation-generative-ai

@Modern_Learning_for_GenZ

آیا «مرگ مدرسه» فرا رسیده است؟
(بخش اول)

■ مقدمه:

○ آیا مدرسه، به شکلی که ما می‌شناسیم، در حال نابودی است؟

اعلام اخیر دونالد ترامپ مبنی بر انحلال وزارت آموزش و پرورش آمریکا و سپردن کنترل آموزش به ایالت‌ها و والدین، نشانه‌ای از تغییرات عمیق در نظام آموزشی غرب است. ترامپ معتقد است که دولت نباید در آموزش دخالت کند و سیستم مدارس دولتی ناکارآمد است. در همین راستا، او از مدل‌هایی مانند مدارس خصوصی، آموزش خانگی و برنامه‌های نوآورانه آموزشی حمایت می‌کند.

هم‌زمان، ایلان ماسک، کارآفرین پیشرو، مدت‌هاست که مدارس سنتی را ناکارآمد می‌داند. او با تأسیس مدرسه Ad Astra و سپس مدرسه X، مدل جدیدی از آموزش را معرفی کرده که بر حل مسئله، یادگیری عملی و کنار گذاشتن روش‌های سنتی تأکید دارد.

آیا این تحولات، آغاز یک عصر جدید آموزشی هستند؟ آیا مدارس دولتی و سیستم آموزشی کلاسیک به پایان خود نزدیک شده‌اند؟

■ مروری کوتاه بر تاریخ آموزش و پرورش:

○ مدرسه در عصر کشاورزی و صنعتی:
از خانواده تا کارخانه

در گذشته‌های دور، یادگیری در دل خانواده‌ها و از طریق رابطه استاد و شاگرد انجام می‌شد. اما با انقلاب صنعتی، نیاز به نیروی کار تخصصی موجب شد که مدارس عمومی، شبیه کارخانه‌ها طراحی شوند:

- برنامه درسی یکسان برای همه
- ساعت‌های مشخص، زنگ‌های کلاس، امتحانات استاندارد
- تربیت نیروی کار مطیع و سازگار با ساختار صنعتی

این مدل، تا قرن بیستم کارآمد بود، اما با ورود به عصر دیجیتال، مدارس با بحران ناکارآمدی روبه‌رو شدند.

○ چالش‌های مدارس در عصر دیجیتال:

- سرعت تغییرات از مدارس پیشی گرفته است.
در حالی که هوش مصنوعی، رباتیک و فناوری‌های نوین سرعت تحولات را افزایش داده‌اند، ساختار سنتی مدارس همچنان مبتنی بر حفظیات و شیوه‌های قدیمی است.

- فارغ‌التحصیلان بی‌مهارت و منفعل‌اند.
بسیاری از فارغ‌التحصیلان حتی مهارت‌های ابتدایی حل مسئله و تفکر انتقادی را ندارند. مدارسی که روزگاری برای تربیت نیروی انسانی کارآمد طراحی شده بودند، امروز نمی‌توانند پاسخگوی نیازهای بازار کار مدرن باشند.

- بحران کرونا و تحول آموزش
شیوع کرونا نشان داد که مدارس سنتی انعطاف‌پذیر نیستند. آموزش آنلاین به سرعت گسترش یافت و نشان داد که روش‌های جدید، کارآمدتر و کم‌هزینه‌تر از مدل‌های سنتی هستند.
آمریکا و حذف وزارت آموزش و پرورش: سیاستی برای پایان مدارس دولتی؟

ترامپ، که سیاست‌های او مبتنی بر کاهش نفوذ دولت در اقتصاد و جامعه است، وعده داده که وزارت آموزش و پرورش آمریکا را منحل کند. او معتقد است که مدارس دولتی، ناکارآمد، پرهزینه و ایدئولوژیک هستند و باید کنترل آموزش را به ایالت‌ها و خانواده‌ها سپرد.

■ این تغییر چه معنایی دارد؟

- افزایش مدارس خصوصی و غیردولتی:
اگر دولت نقش کمتری در آموزش داشته باشد، مدارس خصوصی، آموزش آنلاین و روش‌های جایگزین رشد خواهند کرد.

- افزایش آموزش خانگی:
بسیاری از والدین آمریکایی در سال‌های اخیر، به‌ویژه بعد از کرونا، ترجیح داده‌اند فرزندانشان را در خانه آموزش دهند. با حذف وزارت آموزش، این روند شتاب خواهد گرفت.

- تمرکززدایی از آموزش:
ایالت‌ها و حتی مناطق کوچک‌تر، بدون مداخله فدرال، می‌توانند مدل‌های آموزشی خود را پیاده کنند. این می‌تواند به تنوع آموزشی منجر شود، اما از سوی دیگر، باعث نابرابری نیز خواهد شد.

- کاهش کنترل بر محتوای آموزشی:
مدارس دولتی، تحت نظارت دولت فدرال، مجبور بودند استانداردهای آموزشی خاصی را رعایت کنند. با انحلال این وزارتخانه، مدارس آزادتر خواهند بود تا برنامه‌های درسی خود را تنظیم کنند.

این سیاست، اگر اجرایی شود، می‌تواند سیستم آموزشی آمریکا را به کلی متحول کند و مدل‌های جدید را جایگزین مدارس سنتی کند.

■ آیا مدل ایلان ماسک، جایگزین مدارس دولتی خواهد شد؟

ایلان ماسک، که خود منتقد سیستم آموزشی سنتی است، مدرسه X را برای فرزندانش و کودکان کارمندان منتخب شرکت‌هایش ایجاد کرده است.

○ ویژگی‌های مدرسه X:

- بدون کلاس‌های استاندارد:
دانش‌آموزان بر اساس علاقه و توانایی‌های خود یاد می‌گیرند، نه بر اساس سن و مقطع تحصیلی.

- تمرکز بر حل مسئله:
به جای حفظیات، دانش‌آموزان روی چالش‌های واقعی دنیای فناوری و مهندسی کار می‌کنند.

- بدون امتحان و نمره:
یادگیری مبتنی بر پروژه‌های عملی است، نه نمره‌های استاندارد.

- تأکید بر علوم، ریاضیات و فناوری:
آموزش بر پایه ریاضیات، فیزیک، برنامه‌نویسی و هوش مصنوعی طراحی شده است.

ایلان ماسک اعتقاد دارد که مدارس سنتی وقت دانش‌آموزان را هدر می‌دهند و باید آموزش بر اساس مهارت‌های واقعی و نیازهای آینده شکل بگیرد.

@Modern_Learning_for_GenZ

آیا مرگ مدرسه فرا رسیده است؟
(بخش دوم)

■ مدارس آینده: هوش مصنوعی، متاورس و یادگیری سفارشی‌شده

با تحولات جدید، آموزش در حال حرکت به سمت مدل‌های خلاقانه است:

- هوش مصنوعی، نقش معلمان سنتی را کاهش خواهد داد.
- مدارس مجازی و متاورسی، جای کلاس‌های فیزیکی را می‌گیرند.

- دانش‌آموزان، بر اساس مهارت‌های فردی خود، مسیر یادگیری‌شان را انتخاب خواهند کرد.

■ آیا مدرسه واقعاً مرده است؟

مدرسه، به شکل سنتی، در حال فروپاشی است. اما این به معنای پایان آموزش نیست. آینده آموزش به سوی مدل‌های خلاقانه، هوشمند و شخصی‌سازی‌شده حرکت می‌کند.

مدارس اگر نظام‌های آموزشی خود را با تحولات جدید سازگار نکنند، همان سرنوشتی را خواهند داشت که مکتب‌خانه‌ها در عصر صنعتی داشتند: نابودی!

@Modern_Learning_for_GenZ

کسانی که دیگر نمی‌خوانند، توان اندیشیدن را هم از دست می‌دهند.

■ کاتبی را تصور کنید که بعد از اختراع ماشین چاپ، مشغول نوشتن متنی بود که تا به حال بارها و بارها آن را نوشته بود. چه احساسی داشت؟ احتمالاً با خودش فکر می‌کرد «مشغول چه کار بیهوده‌ای هستم!» امروزه خیلی از آدم‌ها وقتی مجبور می‌شوند متنی بنویسند که طولانی‌تر از سی کلمه است، همچین حسی پیدا می‌کنند. به خودشان می‌گویند: چه کسی متنی چنین طولانی را خواهد خواند؟ نکتۀ تلخ ماجرا این است که چندان اشتباه فکر نمی‌کنند. انسان‌ها در خواندن متن‌های طولانی به مشکل خورده‌اند.

■ مجموعه‌ای از ناشران، محققان، کتابداران و نویسندگان سراسر جهان، ماه پیش، با انتشار «مانیفست خواندنِ لیوبلینا» اعلام کردند:

خواندنِ دیجیتال در حال تخریب عادتِ «خواندن عمیق» در میان ماست.

■ دستگاه‌های دیجیتال باعث شده‌اند انسان‌های امروزی، «بیشتر» از هر دورۀ دیگری در تاریخ بشریت بخوانند. اما آن‌ها دیگر مثل قبل نمی‌خوانند. خواندنِ دیجیتال، به شکلی روزافزون، به تجربه‌ای تکه‌تکه، کوتاه‌مدت، سطحی و گذرا تبدیل شده است. بنابراین شاید تعداد کلمات خیلی زیادی در روز بخوانیم، ولی همۀ آن‌ها در قالب متن‌های چند کلمه‌ای یا نهایتاً چند خطی است. حال اگر بخواهیم همان تعداد کلمه را در قالبِ یک متن واحد بخوانیم، با دشواری بسیاری مواجه می‌شویم. زیرا درک متنی طولانی نیازمند مهارت‌های «خواندن عمیق» است.

■ خواندن عمیق نقشی حیاتی در تمدن بشری داشته است. استیون پینگر، روان‌شناس و نویسندۀ آمریکاییمی‌گوید:

با رواج خواندنِ متن‌های طولانی در بین عموم مردم از اواخر قرن هفدهم، توانایی «همدردی» کردن با دیگران در میان انسان‌ها افزایش یافت.

■ مردم با خواندنِ متن‌های مفصل دربارۀ زندگیِ دیگر انسان‌ها، توانستند دنیا را از چشم آن‌ها ببینند و این توانایی تأثیر بسیار مهمی در نگرش آن‌ها دربارۀ موضوعاتی مثل برده‌داری، شکنجه، ساحره‌سوزی، استبداد و دیگر چیزها گذاشت. از نظر استیون پینکر، خواندنِ عمیق باعث «انقلاب نوع‌دوستانه»ای شد که بعدتر به رویدادهای دوران‌سازی مثل انقلاب آمریکا و انقلاب فرانسه منتهی گردید. آنچه خواندنِ متن‌های تکه‌پاره و کوتاه دیجیتال ما را از آن محروم می‌کند، دقیقاً همین توانایی دیدن دنیا از چشم دیگران است.

■ ماریان وولف، محقق آمریکایی، می‌نویسد:

ما در دنیای آنلاین دائماً در حال اسکرول‌کردن، نصفه‌نیمه خواندن یا ذخیره‌کردن متن‌هاییم تا در آینده‌ای نامعلوم آن‌ها را بخوانیم، چون این رسانه برای خواندنِ عمیق طراحی نشده است.

■ خواندن دیجیتال از دلایل مهم رواج «ساده‌گرایی» در دنیای امروز است. ساده‌گرایی یعنی تمایل به ساده‌کردن هر چیز پیچیده‌. اظهار‌نظرها و موضع‌گیری‌های یک‌خطی، شفاف و سرراست و فرارکردن از درک عمیق و چندوجهی مسائل. سایمون کوپر می‌گوید: استادِ ساده‌گراهای جهان، دونالد ترامپ است؛ کسی که هیچکس حتی توقع «همدلی» کردن را از او ندارد. اما ظهور این نوع سیاست‌مداران زنگ خطری برای جهان است. پینکر می‌گوید:

«هر وقت سیاستمداران شروع می‌کنند به ساده حرف زدن، منتظر جنگ باشید».

آنچه خواندید مروری است بر یادداشت سایمون کوپر در فایننشال تایمز با عنوان:

Skimming, scanning, scrolling
the age of deep reading is over

که در تاریخ ۱۹ اکتبر ۲۰۲۳ به انتشار رسیده است.

@Modern_Learning_for_GenZ

ظهور هوش مصنوعی و تأثیر آن بر مشاغل و از بین رفتن بسیاری از مهارت‌های متوسط و ضعیف، برای بسیاری افراد نگران‌کننده است.

کتاب "یوتوپیا برای واقع‌گرایان" (Utopia for Realists) نوشته روتگر برگمن (Rutger Bregman) راه‌حل‌هایی برای چالش‌های اقتصادی-اجتماعی آینده از جمله بیکاری ناشی از اتوماسیون و جایگزینی هوش مصنوعی، پیشنهاد می‌دهد.

@Modern_Learning_for_GenZ