دل کندن از حقوقِ نیم‌میلیون دلاریِ شرکت‌های بزرگ برای زدنِ یه استارتاپ، قمارِ بزرگیه که فقط آدم‌های اهلِ ریسک جراتش رو دارن.

هومن محمدی، مهندس نرم‌افزار ارشد که سابقه‌ی کار تو غول‌هایی مثل متا، آمازون، تیک‌تاک و کوین‌بیس رو داره، از واقعیتِ حقوق‌های نجومی تو شرکت‌های تاپ دنیا می‌گه. اون به پدیده‌ای اشاره می‌کنه که خیلیا رو سر دوراهی می‌ذاره: رها کردنِ درآمدِ تضمین‌شده و امنِ سالانه نیم‌میلیون دلاری، برای ورود به دنیای مبهم و پرریسکِ استارتاپ‌ها با امید به خلقِ یه چیز بزرگ‌تر.

تو اقتصادِ رفتار و تئوریِ تصمیم‌گیری، به این حالت «نرخ تنزیلِ ذهنی برای پاداش‌های بزرگ» (Hyperbolic Discounting) می‌گن. روان‌شناسیِ ریسک نشون میده افرادی که سراغ کارآفرینی می‌رن، به‌جای امنیتِ مالیِ پایدار، بیشتر تحتِ تأثیرِ «انگیزه‌ی دستیابی به اثرِ بزرگ» (Impact Motivation) و پذیرشِ نااطمینانیِ ساختاری قرار می‌گیرند.

اپیزود ۲۰۵ طبقه ۱۶

کد زدن ارزون میشه، هنرِ حرف زدن با آدما گرون.

مسعود طباطبایی، مدیرعامل دیجی‌کالا، رو یه پارادوکسِ جالب تو دنیای کار دست می‌ذاره. اون می‌گه تا دیروز تخصص‌های فنی حرف اول و آخر رو می‌زدن، اما هوش مصنوعی داره این داستان رو برعکس می‌کنه. هرچی تخصص‌های سخت عمومی‌تر و دم‌دست‌تر می‌شن، مهارت‌های نرم مثل هنرِ گفتگو، مدیریتِ بحران و درکِ عمیقِ انسان‌ها به گران‌ترین داراییِ آدما تبدیل می‌شن.

تو اقتصادِ تکنولوژی به این حالت می‌گن «بازتعریفِ سرمایه‌ی انسانی» (Human Capital Redefinition). تحقیقات نشون میدن ابزارهای جدید، دانشِ محض رو به یه چیزِ عادی تبدیل می‌کنند؛ تو چنین شرایطی، مهارت‌های نرم تنها چیزی‌ان که برات یه «مزیتِ رقابتیِ غیرقابل‌تعویض» می‌سازن.

اپیزود ۱۹۹ طبقه ۱۶

اینستاگرام مسعود طباطبایی

بیسوادی دیگه ربطی به مدرک و دانشگاه نداره.

سید کامران باقری، مدیرعامل مرکز نوآوری اسمایلینو، دست می‌ذاره رو چیزی که این روزا خیلی‌ها پشت گوش می‌ندازن: «سواد هوش مصنوعی». اون می‌گه مهم نیست دانش‌آموزی، کارمندی، مدیری یا پدر‌مادر؛ هر کاره‌ای که هستی باید برگردی پای نیمکت و سوادِ هوش مصنوعی رو تو حوزه کاریِ خودت یاد بگیری. یعنی ابزارهای تخصصیِ رشته‌ت رو بشناسی و بفهمی فرصت‌های جدید دقیقاً کجا قایم شدن.

تو روان‌شناسیِ کار به این پروسه می‌گن «یادگیری‌زدایی و یادگیریِ مجدد» (Unlearning and Relearning). تو دنیایی که فناوری سریع عوض می‌شه، اونی برنده نیست که چیزای بیشتری از قبل بلده، بلکه اونیه که بلده سریع عادت‌های قبلی رو بریزه دور و ابزارهای جدید رو یاد بگیره.

اپیزود ۱۴۵ طبقه ۱۶

بدترین جای تلاش کردن اینه که دیگه به جمع‌های قدیمی نمی‌خوری و هنوز توی جمع های جدید هم راهت ندادن

سهیل علوی دست می‌ذاره رو اون بخش از مسیر که هیچ‌کس عکسش رو تو اینستاگرام نمی‌ذاره، اون روزایی که داری زحمت می‌کشی، از تفریح بقیه می‌زنی و دنیات عوض شده. دیگه حرفای رفقای قبلیت برات جذاب نیست، اما هنوز هم دستاوردِ ملموسی نداری که دوستای هم‌مسیر پیدا کنی. معلق بودن تو این دنیای خودت، آدم رو پر از شک می‌کنه. سهیل می‌گه چون آشنایی ای با این مرحله نداریم و بقیه هم درباره‌ش سکوت می‌کنن، فکر می‌کنیم عقب افتادیم و با افکار مون شروع می‌کنیم به خودمون ضربه زدن.

علوم شناختی به این برهه میگه «شکافِ تعلق» (Belonging Gap). وقتی از سیستم حمایتی قبلیت فاصله می‌گیری ولی هنوز شبکه‌ی جدیدت ساخته نشده، ذهن دچار انزوای شدید روانی می‌شه. این دردی که می‌کشی بخشی از فرآیندِ تغییره، نه نشونه‌ی اشتباه بودنِ راهت.

بحران‌ها نیومدن که بیزینست رو نابود کنند؛ اومدن که فرمولِ بازی کردنت رو عوض کنن

مسعود شاه‌مرادی از نگاهش به روزهای سختِ مدیریت می‌گه و معتقده تو هر خبرِ بدی، یه کلید برای نجات قایم شده. اون خاطره‌ی روزایی رو زنده می‌کنه که با شروعِ کرونا فروشِ خانومی خوابیده بود، اما با یه چرخشِ سریع رو تامین و پیش‌فروشِ الکل، بزرگ‌ترین تهدیدِ بیزینسشون رو تبدیل به نقطه عطف کردند؛ جهشی که مسیرِ برندشون رو تو دو ماه کلاً عوض کرد.

تو تفکرِ استراتژیک به این رویکرد «بازتعریفِ مسئله» (Reframing) می‌گن. مدیرانی که این قابلیت رو دارند، تو اوجِ نااطمینانی به‌جای گاردِ دفاعی، دنبالِ روزنه‌ای می‌گردند تا از خودِ فشارِ بحران برای لورج کردن و رشدِ تصاعدیِ سازمان استفاده کنند.

اپیزود ۱۴۵ طبقه ۱۶

حفظ کردن و دونستنِ فرمول‌ها دیگه تو شرکت‌های بزرگِ دنیا خریدار نداره؛ مهم اینه با چیزایی که AI بلده، چه شاهکاری می‌تونی خلق کنی.

رضا عابدی، مدیر ارشد مهندسی تو تسلا، یه توصیه‌ی صریح برای دانشجوها و استارتاپی‌هایی داره که رویای کار تو مجموعه‌های تاپِ دنیا رو دارند. اون می‌گه الان تمام دانشِ کتاب‌ها و دروسِ دانشگاهی توی هوش مصنوعی در دسترسه. پس سؤالِ اصلی برای یه مهندس برق، مکانیک یا نرم‌افزار این نیست که «چقدر بلدی؟»، بلکه اینه که «چطوری می‌تونی از این امکاناتِ آماده، بهینه‌ترین استفاده‌ی ممکن رو ببری و مسائلی رو حل کنی که هنوز هیچ الگوریتمی بهش نرسیده؟».

تو تفکرِ سیستم‌ها و مهندسی به این مهارت «ارکستراسیونِ فناوری» (Technology Orchestration) می‌گن. وقتی دانشِ پایه عمومی و رایگان می‌شه، مزیتِ واقعی برمی‌گرده به قدرتِ حلِ مسئله، بهینه‌سازی و ترکیبِ خلاقانه‌ی ابزارها برای رسیدن به بالاترین سطحِ کارایی.

اپیزود ۲۰۹ طبقه ۱۶
لینکدین رضا عابدی

مهاجرت جغرافیا رو عوض می‌کنه، اما آدمِ پشتِ پاسپورت همون آدمِ قبلیه

رضا عابدی، مدیر ارشد مهندسی تو تسلا، دست می‌ذاره رو توهمی که خیلی‌ها قبلِ رفتن دارن. اون می‌گه اگه اینجا زود از همه‌چیز خسته می‌شدی یا تکلیفت با خودت معلوم نبود، اون‌طرفِ دنیا هم با همون حس بیدار می‌شی. مهاجرت معجزه نمی‌کنه؛ هیچ مشکلی رو حل نمی‌کنه، فقط جنسِ چالش‌ها رو عوض می‌کنه. رضا معتقده خیلی وقت‌ها تازه موقع نگاه کردن به پشتِ سر یا تصمیم برای برگشتنه که با خودت صادق می‌شی و می‌فهمی واقعاً دلیلِ تصمیماتت چی بوده.

تو روان‌شناسی به این اشتباهِ ذهنی می‌گن «مغالطه‌ی درمانِ جغرافیایی» (Geographic Cure Fallacy). یعنی یادمون می‌ره که آدما موقع رفتن، الگوهای رفتاری و گیرهای درونی‌شون رو هم تو چمدون می‌ذارن و با خودشون می‌برن.

اپیزود ۲۰۹ طبقه ۱۶

نگار صابریان از مدیران ارشد شرکت Lyft، یکی از بزرگ‌ترین پلتفرم‌های تاکسی اینترنتی در آمریکاست. با پس‌زمینه‌ی مهندسی صنایع و ریاضی، سال‌هاست که در حوزه‌ی علم داده، تحقیق در عملیات و بهینه‌سازی فعالیت می‌کنه.

نگار بعد از تحصیل در دانشگاه صنعتی شریف و اخذ مدرک دکتری از University of Washington، سابقه‌ی کار به‌عنوان دانشمند تحقیق در عملیات در Apple و فعالیت تحلیلی و مدیریتی در McKinsey را در کارنامه خودس داره.

نگار توی Lyft روی تصمیم‌گیری‌های داده‌محور، الگوریتم‌های قیمت‌گذاری، تعادل میان عرضه و تقاضا (راننده و مسافر) و استراتژی‌های کلان رشد بازار کار کرده و نقش کلیدی در تصمیم‌گیری‌های مالی و عملیاتی این پلتفرم داشته.

https://youtu.be/qpiHnpP6yXU

شانس یه اتفاقِ جادویی نیست؛ برخوردِ آدمِ آماده با زمان و مکانِ درسته.

رضا عابدی، مدیر ارشد مهندسی تو تسلا، از نقشِ حیاتیِ محیط و شانس تو مسیرِ رشد می‌گه. اون معتقده آدم باید خودش رو تو محیطی بگذاره که مدام به چالش کشیده بشه؛ جایی که اون‌قدر مسیرها و آدم‌های جدید زیاده که هر روز از خودش بپرسه: «چرا من اون‌جا نیستم؟ چرا این آدم یا این مسیر رو نمی‌شناختم؟». رضا می‌گه شانس یعنی همون نقطه‌ی تقاطعِ زمان و مکان که می‌تونه پرتت کنه به جلو. اما برای این‌که اون شانس اتفاق بیفته، باید جرات کنی و خودت رو تو معرضِ موقعیت‌های مختلف قرار بدی تا بالاخره یکی از اونا همون درِ اصلی باشه.

تو ادبیاتِ کسب‌وکار و توسعه‌ی فردی به این پدیده می‌گن «سطحِ تماسِ شانس» (Luck Surface Area). طبق این نظریه، شانس حاصل‌ضربِ استعدادت تو میزانِ در معرضِ موقعیت قرار گرفتنته. هرچی محیطت بزرگ‌تر و پویاتر باشه، احتمالِ این‌که تو زمان و مکانِ درست قرار بگیری تصاعدی بالا می‌ره.

اپیزود ۲۰۹ طبقه ۱۶
لینکدین رضا عابدی
مطالعه بیشتر در مورد نظریه Luck Surface Area

ترس از این‌که هوش مصنوعی جای همه رو بگیره، بیشتر ناشی از جوّ مجازیه تا واقعیت

نگار صابریان (هد دیتاساینسِ لیفت، سابق اپل و مکنزی) می‌گه کارهای روتین جمع می‌شن، اما سپردن استراتژی به AI حالا حالاها طول میکشه. چون تصمیم‌گیریِ واقعی فقط داشتن دیتا نیست؛ کلی فاکتور و ظرافت انسانی هست که تو هیچ دیتابیسی ذخیره نمی‌شه و ماشین اصلاً بهشون دسترسی نداره.

تو علوم داده به این می‌گن «شکاف زمینه‌ای» (Context Deficit). تا وقتی ماشین درکی از پیچیدگی‌های دنیای واقعی نداشته باشه، تصمیم‌های بزرگ هنوز دستِ خودمونه

اپیزود ۲۱۰ طبقه ۱۶

این روزها دیگه فقط «مهندس خوب بودن» برای نگه داشتن شغلت کافی نیست

کوروش کوچکیان صبور (تک لید AI در متا) تو اپیزود ۲۱۱ می‌گه مهندسایی که فقط می‌خواستن کدهای خودشون رو بزنن و کاری به بقیه نداشته باشن، با اومدنِ AI دارن خریدارشون رو از دست میدن. الان تو شرکت‌های بزرگ اون مهندسی موفقه که بلده با بقیه‌ی تیم‌ها حرف بزنه، اطلاعات بگیره و مسئله‌های جدید حل کنه؛ وگرنه کد زدنِ تنها رو هوش مصنوعی هم بلده.

تو مدیریت بهش می‌گن «تعاملِ سازمانی» (Cross-Functional Collaboration). ابزارهای فنی مدام عوض می‌شن، اما تواناییِ وصل کردنِ آدم‌ها به هم، چیزیه که AI حالا حالاها نمی‌تونه جاش رو بگیره.

اپیزود ۲۱۱ طبقه ۱۶

گاهی اسمِ بزرگ یک شرکت توی رزومه، لزوماً به معنیِ فرصت بیشتر برای رسیدن به جایگاه های بالای مدیریتی نیست

نگار صابریان (مدیر ارشدِ علومِ داده تو لیفت، سابقاً اپل و مکنزی) تو اپیزود ۲۱۰ از دلیلِ اصلیِ خروجش از اپل می‌گه. اون معتقده اپل برای متخصص‌های داده جاییه که بری توش بازنشسته بشی؛ امنیت داری، ولی رشدت سقف داره. چرا؟ چون اون‌جا علمِ داده نقشِ «پشتیبان» داره و فقط بهت مسئله می‌دن که حلش کنی، بدون این‌که تو تعیینِ مسیر و گفتگو با مدیرای ارشد نقشی داشته باشی. ولی شرکت‌های واسطه‌ای و پلتفرمی مثل لیفت و اوبر بهشتِ متخصص‌های داده‌ان؛ چون همه‌چیز روی داده می‌چرخه و خودت می‌تونی مسئله‌های اصلیِ کسب‌وکار رو تعریف کنی

تو دنیای مدیریت بهش می‌گن نقشِ محوری در برابر نقشِ پشتیبان (Core vs. Support Role). وقتی تخصصِ یک فرد هسته‌ی اصلیِ بیزینس باشه، مسیرِ رشدش هم تا سطحِ تصمیم‌گیری‌های کلان هموارتر می‌شه

اپیزود ۲۱۰ طبقه ۱۶

برای بیزینس‌ها، خطر اصلی هوش مصنوعی جایگزینی نیروی انسانی نیست؛ حذف شدن از مسیرِ خرید مشتریه

کوروش کوچکیان صبور (متخصص ML تو متا) تو اپیزود ۲۱۱ از این می‌گه که با اومدن دستیار های هوش مصنوعی، رفتار خریدار عوض می‌شه. وقتی مردم کارهاشون رو به AI می‌سپارن. تو این فضای جدید، هوش مصنوعی سراغ فروشگاه‌ها و پلتفرم‌هایی می‌ره که اطلاعات و خدماتشون رو باهاش یکپارچه کرده باشن. مقاومت یک کسب‌وکار در برابر اتصال به این اکوسیستم، یعنی خارج شدن از دید واسطی که قراره به برای مشتری خرید کنه

تو دنیای فناوری به این موضوع آمادگی برای ایجنت‌ها (Agentic Readiness) می‌گن؛ شاخصی که نشون می‌ده زیرساختِ یک بیزینس چقدر برای تعامل با عوامل هوشمند آماده شده

اپیزود ۲۱۱ طبقه ۱۶
مطالعه بیشتر در مورد Agentic Readiness

دسترسی دادن به هوش مصنوعی برای مدیریت کارهای شخصی، ساختارِ مالکیتِ داده و حریم خصوصی رو وارد مرحله جدیدی کرده.

شیرین مجرد تو اپیزود ۲۱۲ از نحوه شکل‌گیری حافظه‌ی بلندمدت تو مدل‌هایی مثل چت‌جی‌پی‌تی می‌گه. وقتی به ابزار هوش مصنوعی اجازه خواندن ایمیل داده میشه، اون صرفاً متن رو نمی‌خونه، بلکه الگویی از شخصیت، ترجیحات و روابط کاربر می‌سازه. چالش اصلی اینجاست که با پاک کردن یک ایمیل یا لغو دسترسی، لزوماً آن تحلیل‌ها و پروفایل ساخته‌شده از حافظه سیستم پاک نمیشه و این اطلاعات می‌تونن سال‌ها باقی بمونن.

تو مدیریت داده بهش ردپای داده‌ای و تداوم حافظه (Data Lineage & Memory Retention) می‌گن؛ مفهومی که نشون می‌ده تصمیم امروزِ ما برای دسترسی دادن به داده‌ها، چطور روی حریم خصوصیِ سال‌های آینده اثر می‌ذاره.

اپیزود ۲۱۲ طبقه ۱۶
لینکدین شیرین مجرد

تو دنیایی که سرعت تغییرات تکنولوژی بالاست، تواناییِ رها کردنِ دانشِ قدیمی خیلی مهم‌تر از یادگیریِ مطالب جدید شده

تو اپیزود ۲۱۲ شیرین مجرد به اهمیتِ پذیرشِ سریعِ تغییرات اشاره می‌کنه. با حذفِ برخی نقش‌های سنتی توسط AI، وقت گذاشتن برای حسرت خوردن فقط فرصت‌های بعدی رو می‌سوزونه. کسانی که می‌تونن ذهنیات و مهارت‌های منقضی‌شده‌شون رو سریع رها کنند، راحت‌تر تو بازی جدیدِ بازار جا پیدا می‌نمایند.
تو دنیای توسعه شغلی به این مفهوم یادگیری‌زدایی (Unlearning) می‌گن؛ مهارتی که اجازه میده فرد بدون گیر کردن تو گذشته، ابزارهای جدید رو جایگزین عادت‌های قبلی کنه.

اپیزود ۲۱۲ طبقه ۱۶
اینستاگرام شیرین مجرد

من همیشه یه سری سؤال خیلی ساده درباره دنیا داشتم که هیچ‌وقت درست و حسابی جوابشون رو نفهمیدم. مثلاً اصلاً کامپیوتر از کجا می‌فهمه باید چی کار کنه؟ چرا بعضی مسئله‌ها رو حتی قوی‌ترین کامپیوترهای دنیا هم نمی‌تونن حل کنن؟ حالا این کامپیوتر کوانتومی دیگه چه صیغه‌ایه که همه دارن درباره‌ش حرف می‌زنن؟

واسه همین طبقه ۱۶ رو بهونه کردم و نشستم به صحبت با رامیس.

رامیس موثق، ریاضی‌دان، فیزیک‌دان نظری و پژوهشگر کامپیوترهای کوانتومیه که دکترای ریاضی خودش رو از دانشگاه ام‌آی‌تی گرفته، سال‌ها در شرکت‌های آی‌بی‌ام و گوگل روی فناوری‌های کوانتومی تحقیق کرده و الان مدیر ارشد بخش مالی کوانتومی در شرکت آیون‌کیو هست.

حالا امیدوارم بعد از دیدن این اپیزود شما هم مثل من نفهمید کامپیوتر کوانتومی دقیقاً چه صیغه‌ایه و چطوری کار می‌کنه، که حداقل توی این نفهمیدن تنها نباشم. 😂

https://youtu.be/ue57gElJNUM