مرداد
اخبار
جنگ استعداد هوش مصنوعی؛ چرا پول دیگر پژوهشگران را نگه نمی‌دارد
کوچ پیاپی پژوهشگران ارشد میان اوپن‌ای‌آی، گوگل دیپ‌مایند، آنتروپیک و متا به عادی‌ترین خبر هفته‌های اخیر تبدیل شده است. نوام شیزر از گوگل به اوپن‌ای‌آی رفت، جان جامپرِ برنده‌ی نوبل به آنتروپیک پیوست و متا مدیرعامل یکی از مرموزترین استارتاپ‌های حوزه‌ی ابرهوش را از چنگ رقیب بیرون کشید. نکته‌ی عجیب ماجرا این است که حقوق‌های چند صد هزار دلاری و سهام پیش از عرضه‌ی عمومی هم دیگر جلوی این جابه‌جایی را نمی‌گیرد. گزارش‌های تازه می‌گویند انگیزه‌ی اصلی چیز دیگری است.
لیست مطالب
۱) وقتی پول دیگر حرف آخر را نمی‌زند
سال‌ها روایت غالب درباره‌ی رقابت آزمایشگاه‌های هوش مصنوعی ساده بود: هر شرکتی که چک بزرگ‌تری بنویسد، بهترین مغزها را می‌برد. این روایت هنوز نیمی از حقیقت است، اما نیم دیگرش دارد فرو می‌ریزد. طبق گزارش‌های منتشرشده در مرداد ۱۴۰۵، سطح دستمزدها در این صنعت به جایی رسیده که حتی نقش‌های غیرپژوهشی هم رقم‌های شگفت‌انگیزی می‌گیرند؛ برای نمونه گزارش شده که مسئول رویدادهای بازاریابی برند در یکی از آزمایشگاه‌های بزرگ سالانه میان ۳۲۰ تا ۴۰۰ هزار دلار دریافت می‌کند و مهندسان کرنل تراشه‌های تی‌پی‌یو تا مرز ۸۵۰ هزار دلار در سال پیشنهاد گرفته‌اند.
با وجود این ارقام، جابه‌جایی متوقف نشده است. برعکس، شدت گرفته. همین تناقض است که تحلیل‌گران را وادار کرده از پرسش «چه کسی بیشتر می‌پردازد؟» عبور کنند و به پرسش تازه‌ای برسند: «چه چیزی جز پول، یک پژوهشگر را سر جایش نگه می‌دارد؟» پاسخ این پرسش، بیش از هر جدول حقوقی، آینده‌ی رقابت میان اوپن‌ای‌آی، گوگل، آنتروپیک، متا و موج استارتاپ‌های تازه را تعیین می‌کند. اگر می‌خواهید تصویر کلی‌تری از بازیگران این میدان داشته باشید، مرور معرفی کامل اوپن‌ای‌آی نقطه‌ی شروع خوبی است.
۲) سه کوچ بزرگی که ترتیب بازی را به‌هم زد
مهم‌ترین نکته‌ی خبر این است که جابه‌جایی‌ها دیگر در سطح مهندسان میانی نیست؛ نام‌هایی که این روزها جابه‌جا می‌شوند، خودشان سازنده‌ی فصل‌های مهم تاریخ این حوزه‌اند.
نوام شیزر؛ از گوگل به اوپن‌ای‌آی
نوام شیزر یکی از نویسندگان مقاله‌ی بنیادین معماری ترنسفورمر و از چهره‌های کلیدی توسعه‌ی مدل‌های زبانی گوگل است. او پیش‌تر گوگل را برای ساخت استارتاپ خود ترک کرده و سپس با معامله‌ای پرسروصدا به گوگل بازگشته بود. طبق گزارش‌ها، در خرداد و تیر ۱۴۰۵ او این بار به اوپن‌ای‌آی پیوست؛ اتفاقی که در فضای رسانه‌ای بیش از یک استخدام معمولی تعبیر شد و به‌عنوان نشانه‌ای از جابه‌جایی مرکز ثقل پژوهش خوانده شد.
جان جامپر؛ از دیپ‌مایند به آنتروپیک
جان جامپر، برنده‌ی جایزه‌ی نوبل شیمی و یکی از سازندگان اصلی سامانه‌ی آلفافولد، نامی است که کمتر کسی تصور می‌کرد از گوگل دیپ‌مایند جدا شود. آلفافولد مسئله‌ی پیش‌بینی ساختار پروتئین را که نیم قرن معمای زیست‌شناسی بود تا حد زیادی حل کرد و به یکی از پرافتخارترین دستاوردهای دیپ‌مایند بدل شد. با این حال طبق گزارش‌ها، جامپر در خرداد ۱۴۰۵ به آنتروپیک پیوست. جدا شدن یک نوبلیست از آزمایشگاهی که او را به آن جایگاه رسانده بود، بیش از هر آمار دیگری نشان می‌دهد وفاداری سازمانی در این صنعت چقدر شکننده شده است.
سکان‌داری تازه در استارتاپ ابرهوش
پرونده‌ی سوم به شرکت «Safe Superintelligence» برمی‌گردد؛ استارتاپی که ایلیا ساتسکِوِر، هم‌بنیان‌گذار سابق اوپن‌ای‌آی، آن را با هدف ساخت ابرهوش ایمن پایه‌گذاری کرد. طبق گزارش‌ها متا موفق شد مدیرعامل وقت و هم‌بنیان‌گذار این شرکت، یعنی دنیل گراس، را برای آزمایشگاه ابرهوش تازه‌تأسیس خود جذب کند و پس از آن ساتسکِوِر خودش سکان مدیرعاملی را در دست گرفت. یعنی حتی شرکتی که کل هویتش را روی «تمرکز بدون حواس‌پرتی» بنا کرده بود هم از موج جذب نیرو در امان نماند.
به این فهرست باید یک مورد تازه‌تر را هم افزود: طبق گزارش‌ها لیلیان ونگ، از چهره‌های شناخته‌شده‌ی پژوهش ایمنی و هم‌بنیان‌گذار آزمایشگاه Thinking Machines، در اواخر تیر ۱۴۰۵ از این مجموعه جدا شد و تنها یک روز بعد دوباره به اوپن‌ای‌آی پیوست. فاصله‌ی یک‌روزه میان خروج و ورود، دقیقاً همان چیزی است که کارشناسان از آن با عنوان «اکوسیستم درهم‌تنیده» یاد می‌کنند.
۳) آمار ماندگاری؛ چه کسی واقعاً نیرو نگه می‌دارد؟
روایت‌های رسانه‌ای معمولاً روی نام‌های بزرگ متمرکز می‌شوند، اما تصویر دقیق‌تر را داده‌ها می‌دهند. بر پایه‌ی گزارش موسسه‌ی تحلیل استعداد سیگنال‌فایر که مرداد ۱۴۰۵ بازتاب گسترده‌ای یافت، نرخ ماندگاری دوساله‌ی کارکنان در آزمایشگاه‌های پیشرو چنین است: آنتروپیک حدود ۸۰ درصد، گوگل دیپ‌مایند حدود ۷۸ درصد، اوپن‌ای‌آی حدود ۶۷ درصد و متا حدود ۶۴ درصد.
تفاوت ۱۶ واحد درصدی میان صدر و ذیل این جدول در صنعتی که هر کارمند ارشدش میلیون‌ها دلار ارزش‌آفرینی می‌کند، عدد کوچکی نیست. معنای عملی‌اش این است که در متا از هر سه نفری که استخدام می‌شوند، بیش از یک نفر ظرف دو سال می‌رود؛ در حالی که در آنتروپیک این نسبت به یک نفر از هر پنج نفر کاهش می‌یابد. البته باید توجه داشت که این ارقام برآورد یک موسسه‌ی بیرونی است و شرکت‌ها معمولاً آمار داخلی خود را منتشر نمی‌کنند.
۴) جهت جریان استعداد؛ چه کسی از چه کسی می‌گیرد؟
نرخ ماندگاری تنها نیمی از داستان است؛ نیمه‌ی دیگر جهت جریان است. طبق همان گزارش، نسبت استخدام به ریزش نیرو در آنتروپیک حدود ۲٫۶۸ برابر، در اوپن‌ای‌آی ۲٫۱۸ برابر، در متا ۲٫۰۷ برابر و در گوگل تنها ۱٫۱۷ برابر گزارش شده است. یعنی گوگل با آنکه هنوز بیشتر از آنچه از دست می‌دهد جذب می‌کند، حاشیه‌ی امنش به‌شدت باریک شده است.
جالب‌تر از آن، آمار جریان دوطرفه است. طبق گزارش‌ها احتمال آنکه یک مهندس اوپن‌ای‌آی به آنتروپیک برود حدود هشت برابر بیشتر از مسیر معکوس است و در مورد گوگل دیپ‌مایند این نسبت به حدود یازده به یک می‌رسد. چنین اعدادی دیگر «رقابت» نیستند؛ یک جریان یک‌طرفه‌اند. برای درک اینکه این رقابت‌ها چگونه به کیفیت محصولات نهایی می‌رسند، مقایسه‌ی عملکرد چت‌جی‌پی‌تی و دیپ‌سیک مثال ملموسی به دست می‌دهد.
۵) چهار انگیزه‌ای که از حقوق مهم‌تر شده‌اند
پرسش اصلی همچنان باقی است: اگر پول هست، چرا می‌روند؟ جمع‌بندی گفت‌وگوی خبرنگاران با پژوهشگران و استخدام‌کنندگان این صنعت، چهار عامل تکرارشونده را نشان می‌دهد.
نخست، دسترسی به توان محاسباتی. برای یک پژوهشگر مدل‌های بزرگ، سهمیه‌ی پردازنده گرافیکی مهم‌تر از رقم فیش حقوقی است؛ چون بدون محاسبات، ایده روی کاغذ می‌ماند. دوم، اثرگذاری بر جهت فنی سازمان. هرچه شرکت بزرگ‌تر می‌شود، فاصله‌ی میان ایده‌ی یک پژوهشگر و تصمیم نهایی بیشتر می‌شود و همین باعث می‌شود آزمایشگاه کوچک‌تر جذاب‌تر به نظر برسد.
سوم، آزادی در انتخاب مسیر پژوهشی. بسیاری از این افراد حاضرند بخشی از درآمد را فدای امکان دنبال‌کردن رویکرد مورد علاقه‌شان کنند. و چهارم، چیزی که یک استخدام‌کننده در گفت‌وگو با رسانه‌ها آن را «کمی خودخواهی درباره‌ی تغییر دادن جهان» توصیف کرده است؛ یعنی میل به داشتن نقش تاریخی در فناوری‌ای که اقتصاد جهانی را بازتعریف می‌کند. این نگاه بلندپروازانه، در کنار واقعیت‌های فنی، دقیقاً همان چیزی است که در تحلیل پتانسیل‌ها و محدودیت‌های واقعی هوش مصنوعی بررسی شده است.
ترس پنهان؛ کاهش قدرت چانه‌زنی
عامل پنجمی هم هست که کمتر با صدای بلند گفته می‌شود: نگرانی از آینده. بسیاری از همین پژوهشگران روی سامانه‌هایی کار می‌کنند که هدفشان خودکارسازی بخش‌هایی از فرایند بهبود مدل است. اگر این سامانه‌ها موفق شوند، قدرت چانه‌زنی نیروی انسانی متخصص کاهش می‌یابد. به همین دلیل گزارش شده که حتی مهندسان ثروتمند این حوزه هم با مشاوران مالی درباره‌ی سناریوی «اگر این وضعیت تغییر کند چه؟» مشورت می‌کنند. یعنی بخشی از این جابه‌جایی‌ها را باید نوعی بیمه کردن آینده دانست، نه صرفاً طمع.
۶) مأموریت در برابر پول؛ دغدغه‌ای که مدیران را نگران کرده
شاید مهم‌ترین حرف تازه در این پرونده از زبان داریو آمودی، مدیرعامل آنتروپیک، مطرح شده باشد. طبق گزارش‌های مرداد ۱۴۰۵، او در جمع‌های داخلی ابراز نگرانی کرده که استخدام‌های تازه بیشتر «به‌خاطر پول» می‌آیند تا به‌خاطر مأموریت شرکت. نکته‌ی طعنه‌آمیز ماجرا اینجاست که همین شرکت در صدر جدول ماندگاری ایستاده است؛ یعنی برنده‌ی فعلی جنگ استعداد، خودش بیش از بقیه نگران کیفیت انگیزه‌ی نیروهایش است.
این نگرانی ریشه‌ی ساختاری دارد. آنتروپیک با تیمی هفت‌نفره آغاز شد و امروز طبق گزارش‌ها بیش از دو هزار و پانصد کارمند دارد. حفظ فرهنگ سازمانی در چنین شیب رشدی تقریباً ناممکن است؛ به‌گفته‌ی خود آمودی در یک گفت‌وگوی پادکستی در بهمن ۱۴۰۴، او «یک‌سوم تا شاید چهل درصد» وقتش را صرف مراقبت از همین فرهنگ می‌کند. وقتی مدیرعامل یک شرکت پیشرو نزدیک نیمی از زمانش را به مسئله‌ی انسانی اختصاص می‌دهد، یعنی این مسئله کم‌اهمیت‌تر از معماری مدل نیست.
۷) هزینه‌ی پنهان جابه‌جایی مداوم
گردش سریع نیرو فقط یک دردسر منابع انسانی نیست؛ اثر مستقیم بر خروجی فنی دارد. وقتی پژوهشگر اصلی یک پروژه در میانه‌ی راه می‌رود، دانش ضمنی او — همان چیزهایی که در هیچ مستندی نوشته نمی‌شود — با او می‌رود. جانشین باید ماه‌ها صرف بازسازی همان درک کند و در این فاصله، پروژه یا متوقف می‌ماند یا با کیفیت پایین‌تر ادامه می‌یابد.
در سطح صنعت، این پدیده یک پیامد جالب دیگر هم دارد: هم‌گرایی. وقتی افراد هر چند ماه میان آزمایشگاه‌ها جابه‌جا می‌شوند، ایده‌ها و شهودهای فنی هم با آن‌ها جابه‌جا می‌شود. نتیجه این است که فاصله‌ی کیفی میان مدل‌های رقیب کوتاه‌تر می‌شود و مزیت رقابتی هیچ شرکتی بیش از چند ماه دوام نمی‌آورد. برای شرکت‌ها این خبر بدی است، اما برای کاربر نهایی لزوماً بد نیست. اگر می‌خواهید بدانید این رقابت چه معنایی برای کسب‌وکارها دارد، اهمیت هوش مصنوعی در کسب‌وکار زاویه‌ی دیگری از ماجرا را باز می‌کند.
۸) برای کاربر و توسعه‌دهنده چه معنایی دارد؟
نخستین اثر ملموس این جنگ استعداد، سرعت عرضه است. رقابت شدید برای نگه‌داشتن آدم‌ها با رقابت شدید برای عرضه‌ی مدل تازه گره خورده و همین باعث شده چرخه‌ی به‌روزرسانی مدل‌های بزرگ به چند ماه کاهش یابد. برای کاربر یعنی ابزار بهتر با فاصله‌ی زمانی کمتر؛ برای توسعه‌دهنده یعنی نیاز به بازنگری مداوم در پشته‌ی فنی.
اثر دوم، کم‌رنگ‌شدن تفاوت‌های بنیادین میان مدل‌هاست. وقتی همان تیم‌ها بین شرکت‌ها می‌چرخند، انتخاب میان دو مدل پیشرو بیشتر به قیمت، سرعت و اکوسیستم ابزار وابسته می‌شود تا به برتری فنی مطلق. اثر سوم که کمتر به آن توجه می‌شود، تغییر بازار کار فنی است: تقاضا برای مهارت‌های واقعی مهندسی همچنان بالاست، اما تعریف «مهندس خوب» عوض شده. کسی که فقط بلد است از مدل خروجی بگیرد جای مهندسی را نمی‌گیرد که می‌داند آن خروجی را کجا و چگونه در یک سامانه‌ی واقعی بنشاند.
۹) در ماه‌های آینده به چه چیزی نگاه کنیم؟
سه نشانه را باید زیر نظر داشت. نخست، آمار ماندگاری در دوره‌ی بعدی گزارش‌ها؛ اگر فاصله‌ی آنتروپیک با بقیه حفظ شود، فرضیه‌ی «مأموریت مهم‌تر از پول» تقویت می‌شود و اگر کم شود، یعنی پول دوباره برنده شده است. دوم، رفتار متا؛ این شرکت با پرداخت‌های تهاجمی وارد میدان شد اما طبق گزارش‌ها چند تن از همان جذب‌شدگان بعداً به اوپن‌ای‌آی رفتند، که نشان می‌دهد جذب با نگه‌داشتن یکی نیست.
سوم، سرنوشت آزمایشگاه‌های کوچک و مستقل. اگر شرکت‌هایی مثل استارتاپ‌های تازه‌تأسیس بتوانند با وعده‌ی استقلال پژوهشی و سهم معنادار در تصمیم‌گیری، نیروهای درجه‌یک را نگه دارند، ساختار قدرت در این صنعت چندقطبی‌تر می‌شود. در غیر این صورت شاهد تجمیع دوباره‌ی استعدادها در سه یا چهار مجموعه‌ی بزرگ خواهیم بود. پیگیری این روند را می‌توانید از بخش اخبار هوش مصنوعی دنبال کنید.
پرسش‌های پرتکرار درباره‌ی جنگ استعداد هوش مصنوعی
چرا با وجود حقوق‌های بسیار بالا، پژوهشگران باز هم شرکت را ترک می‌کنند؟
به گفته‌ی کارشناسان، برای پژوهشگران ارشد چهار عامل از حقوق مهم‌تر شده است: دسترسی به توان محاسباتی، اثرگذاری بر جهت فنی، آزادی انتخاب مسیر پژوهش، و میل به داشتن نقش تاریخی در فناوری‌ای که اقتصاد جهانی را تغییر می‌دهد. وقتی این چهار مورد در جای فعلی تأمین نشود، پیشنهاد مالی بالاتر هم مانع رفتن نمی‌شود.
کدام شرکت بیشترین ماندگاری نیرو را دارد؟
بر پایه‌ی گزارش سیگنال‌فایر، آنتروپیک با نرخ ماندگاری دوساله‌ی حدود ۸۰ درصد در صدر است و پس از آن گوگل دیپ‌مایند با حدود ۷۸ درصد، اوپن‌ای‌آی با حدود ۶۷ درصد و متا با حدود ۶۴ درصد قرار می‌گیرند. این ارقام برآورد یک موسسه‌ی بیرونی است و شرکت‌ها رسماً آن را تأیید نکرده‌اند.
آیا ایلیا ساتسکِوِر به متا پیوسته است؟
خیر. طبق گزارش‌ها آنچه رخ داد این بود که متا مدیرعامل و هم‌بنیان‌گذار وقت شرکت Safe Superintelligence یعنی دنیل گراس را جذب کرد و پس از آن، ایلیا ساتسکِوِر خودش مدیرعاملی این شرکت را بر عهده گرفت. بنابراین ساتسکِوِر همچنان در همان مجموعه فعال است.
این جابه‌جایی‌ها چه تأثیری بر کیفیت مدل‌ها می‌گذارد؟
اثر کوتاه‌مدت آن معطل‌ماندن برخی پروژه‌ها و از دست رفتن دانش ضمنی تیم‌هاست. اثر بلندمدت اما هم‌گرایی است: چون ایده‌ها همراه افراد جابه‌جا می‌شوند، فاصله‌ی کیفی میان مدل‌های رقیب کوتاه‌تر می‌شود و مزیت انحصاری هیچ شرکتی بیش از چند ماه دوام نمی‌آورد.
برای ورود به این بازار کار باید از کجا شروع کرد؟
پیش از هر چیز باید سواد کار با مدل‌های زبانی را در سطح حرفه‌ای بالا برد. تسلط بر طراحی درخواست و ساختاردهی به گفت‌وگو با مدل، پایه‌ای‌ترین مهارت این مسیر است؛ برای شروع می‌توانید از راهنمای نوشتن پرامپت استفاده کنید و بعد سراغ مباحث تخصصی‌تر مانند ارزیابی مدل و بهینه‌سازی استنتاج بروید.
