مرداد
اخبار
شنگ‌جیا ژائو دانشمند ارشد آزمایشگاه ابرهوش متا شد
مارک زاکربرگ در ۲۵ ژوئیه ۲۰۲۵ اعلام کرد شنگ‌جیا ژائو، یکی از پژوهشگران کلیدی پشت چت جی پی تی و جی‌پی‌تی-۴، دانشمند ارشد آزمایشگاه ابرهوش متا شده است. این انتصاب فقط یک جابه‌جایی شغلی نبود؛ نقطه‌ی اوج یک موج استخدام تهاجمی بود که چند ماه صنعت هوش مصنوعی را تکان داد. یک سال بعد، پیامدهای آن هنوز موضوع بحث است. این پرونده روایت می‌کند چه اتفاقی افتاد و چرا اهمیت دارد.
لیست مطالب
۱) چه اتفاقی افتاد؟
ماجرا با یک پست کوتاه از مارک زاکربرگ آغاز شد. او اعلام کرد شنگ‌جیا ژائو دانشمند ارشد آزمایشگاه ابرهوش متا خواهد بود و در توضیح انتخابش نوشت که ژائو از بنیان‌گذاران این آزمایشگاه تازه بوده و از روز نخست دانشمند اصلی آن به شمار می‌رفته است.
اهمیت این خبر در رزومه‌ی ژائو بود. او در اوپن‌ای‌آی روی چند پروژه‌ی مرکزی کار کرده بود: خودِ چت جی پی تی، مدل جی‌پی‌تی-۴ و مدل استدلالی o1. کسی که در هر سه پروژه نقش داشته باشد، عملاً بخشی از دانش عملی ساخت مدل‌های پیشرو را با خود جابه‌جا می‌کند؛ دانشی که در هیچ مقاله‌ای منتشر نمی‌شود.
ساختار سازمانی هم بخشی از خبر بود. ژائو به الکساندر وانگ گزارش می‌دهد؛ بنیان‌گذار پیشین اسکیل‌ای‌آی که رهبری آزمایشگاه ابرهوش را بر عهده گرفت. تقسیم کار روشن بود: وانگ مدیریت و ژائو دستور کار پژوهشی.
۲) آزمایشگاه ابرهوش متا دقیقاً چیست؟
متا پیش از این هم آزمایشگاه پژوهشی داشت. بخش پژوهش بنیادی هوش مصنوعی این شرکت، که یان لیکان آن را رهبری می‌کند، سال‌ها یکی از معتبرترین مراکز پژوهش آکادمیک صنعت بوده است. اما آزمایشگاه ابرهوش با هدف متفاوتی ساخته شد.
تفاوت را می‌توان این‌طور خلاصه کرد: بخش پژوهش بنیادی روی افق بلندمدت و انتشار علمی تمرکز دارد، در حالی که آزمایشگاه ابرهوش مأموریت محصولی و رقابتی دارد؛ رسیدن به مدل‌هایی که بتوانند با پیشروترین مدل‌های بازار رقابت کنند و ترجیحاً از آن‌ها جلو بزنند.
این دوگانگی باعث شد پرسش‌هایی درباره‌ی جایگاه لیکان مطرح شود. پاسخ متا این بود که هر دو نقش هم‌زمان وجود دارند و لیکان همچنان دانشمند ارشد بخش پژوهش بنیادی است. در عمل، شرکت دو ساختار موازی با دو افق زمانی متفاوت را نگه داشت.
۳) موج استخدام: اعداد و روش‌ها
انتصاب ژائو در خلأ اتفاق نیفتاد. پیش و پس از آن، متا شمار قابل توجهی از پژوهشگران اوپن‌ای‌آی را جذب کرد؛ از جمله جیاهویی یو، شوچائو بی، هونگ‌یو رن و تراپیت بانسال که روی استدلال ماشینی کار می‌کرد، و همچنین چند نفر از دفتر زوریخ اوپن‌ای‌آی با تخصص چندوجهی.
روش جذب هم به اندازه‌ی خودِ جذب خبرساز شد. طبق گزارش‌ها، متا به برخی پژوهشگران بسته‌های جبران خدمات هشت و نه‌رقمی پیشنهاد داد و از تاکتیک «پیشنهاد زمان‌دار» استفاده کرد؛ پیشنهادهایی که ظرف چند روز منقضی می‌شدند تا فرصت چانه‌زنی یا مقایسه با رقبا از بین برود.
در روایت‌های منتشرشده، رقم‌های بسیار بزرگ‌تری هم مطرح شد که برخی از آن‌ها رد شدند. این ارقام تأییدشده‌ی رسمی نیستند و باید با احتیاط خوانده شوند، اما جهت کلی روشن است: در آن مقطع، بازار استعداد هوش مصنوعی به بازار انتقال بازیکنان فوتبال شباهت پیدا کرده بود.
۴) چرا چند نفر این‌قدر مهم‌اند؟
سؤال منصفانه‌ای است. وقتی شرکتی ده‌ها هزار مهندس دارد، چرا جابه‌جایی چند پژوهشگر این‌قدر خبرساز می‌شود؟ پاسخ در ماهیت دانش نهفته در ساخت مدل‌های بزرگ است.
بخش عمده‌ی آنچه یک مدل پیشرو را از یک مدل معمولی جدا می‌کند، در مقاله‌ها منتشر نمی‌شود. جزئیات ترکیب داده‌ی آموزشی، شیوه‌ی تنظیم نرخ یادگیری، ترتیب مراحل تنظیم دقیق و ده‌ها تصمیم مهندسی ریز، در ذهن و تجربه‌ی تیم می‌ماند. این همان چیزی است که در صنعت به آن «دانش ضمنی» می‌گویند.
وقتی فردی با این تجربه جابه‌جا می‌شود، عملاً چند ماه تا چند فصل از منحنی یادگیری تیم مقصد کوتاه می‌شود. برای شرکتی که میلیاردها دلار روی زیرساخت خرج کرده اما هنوز به صف اول نرسیده، این صرفه‌جویی زمانی ارزش پرداخت رقم‌های نجومی را دارد.
۵) هزینه‌ی پنهان جنگ استعداد
اما پول همه‌ی داستان نیست و تجربه‌ی سال بعد این را نشان داد. تیم‌های پژوهشی موجودات شکننده‌ای‌اند؛ خروجی آن‌ها بیشتر از مجموع توانایی افراد، به هماهنگی و اعتماد درونی وابسته است. وقتی چند نفر از یک تیم با ارقام غیرعادی جذب می‌شوند، اثر آن روی کسانی که می‌مانند هم قابل توجه است.
مسئله‌ی دوم انگیزه است. پژوهشگری که با بسته‌ای نه‌رقمی جذب شده، از نظر مالی دیگر نیازی به ماندن ندارد. تجربه نشان داده که در چنین شرایطی، عوامل غیرمالی مثل آزادی پژوهشی و کیفیت هم‌تیمی‌ها نقش تعیین‌کننده پیدا می‌کنند. همین موضوع را در تحلیل جداگانه‌ای در بخش اخبار بررسی کرده‌ایم.
مسئله‌ی سوم، انتظار است. وقتی شرکتی چنین سرمایه‌گذاری‌ای می‌کند، صبر سهام‌داران و مدیران برای دیدن نتیجه کوتاه می‌شود. فشار برای عرضه‌ی سریع می‌تواند دقیقاً همان کاری را سخت کند که پژوهشگران برای انجامش استخدام شده‌اند.
۶) این ماجرا برای اوپن‌ای‌آی چه معنایی داشت؟
از دست دادن چند پژوهشگر ارشد در بازه‌ای کوتاه، برای هر سازمانی دشوار است. اما اوپن‌ای‌آی هم در همان دوره مسیر خود را ادامه داد و نسل‌های بعدی مدل‌هایش را عرضه کرد. این نکته یادآور واقعیتی مهم است: هیچ سازمان بالغی به یک فرد وابسته نیست.
در عین حال، چنین موجی معمولاً یک اثر ساختاری دارد: بازنگری در ساختار پاداش و سهام برای نگه‌داشتن نیروهای کلیدی. رقابت استعداد در نهایت سطح دستمزد کل صنعت را بالا می‌برد، حتی برای شرکت‌هایی که کسی را از دست نداده‌اند.
اگر می‌خواهید تصویر کامل‌تری از مسیر اوپن‌ای‌آی و جایگاه آن در این رقابت داشته باشید، پرونده‌ی کامل اوپن‌ای‌آی نقطه‌ی شروع خوبی است.
۷) درس‌هایی برای بازار کار فناوری
این ماجرا فقط داستان چند میلیارد دلار نیست؛ چند نکته‌ی قابل تعمیم دارد. نکته‌ی اول اینکه ارزش در بازار امروز به «توانایی اثبات‌شده در ساخت چیزی که کار می‌کند» گره خورده است، نه صرفاً به عنوان شغلی یا مدرک.
نکته‌ی دوم، اهمیت دیده‌شدن است. پژوهشگرانی که نامشان روی مقاله‌ها و مدل‌های شناخته‌شده ثبت شده، قدرت چانه‌زنی به‌مراتب بالاتری دارند. کارنامه‌ی عمومی و قابل ارجاع، در این بازار همان نقشی را دارد که رزومه در بازار سنتی داشت.
نکته‌ی سوم برای کسانی که مهندس یا تحلیل‌گر نیستند هم کاربرد دارد: تسلط عملی بر ابزارهای هوش مصنوعی به‌سرعت در حال تبدیل‌شدن به یک مهارت پایه است. تفاوت میان کاربر معمولی و کاربر حرفه‌ای این ابزارها را در این تحلیل بررسی کرده‌ایم و مسیر یادگیری عملی آن در بخش آموزش‌ها در دسترس است.
۸) یک سال بعد؛ چه چیزی تغییر کرد
فاصله‌گرفتن از خبر، امکان قضاوت بهتری می‌دهد. آنچه در آن دوره به‌عنوان یک تغییر ناگهانی دیده می‌شد، امروز بخشی از الگویی بزرگ‌تر به نظر می‌رسد: تمرکز شدید سرمایه و استعداد در تعداد کمی آزمایشگاه، و رقابتی که از سطح مدل به سطح زیرساخت و انرژی گسترش یافته است.
در همین مدت، متا مسیر محصولی خود را ادامه داد و مدل‌ها و سرویس‌های تازه‌ای عرضه کرد. اینکه سرمایه‌گذاری روی استعداد در نهایت به برتری فنی پایدار منجر شود یا نه، پرسشی است که پاسخش را باید در نسل‌های بعدی مدل‌ها جست‌وجو کرد، نه در تیتر خبرها.
برای کسب‌وکارها، درس عملی این پرونده ساده است: به‌جای شرط‌بندی روی یک بازیگر، روی مهارت داخلی و انعطاف در انتخاب ابزار سرمایه‌گذاری کنید. چرایی این موضوع را در راهنمای اهمیت هوش مصنوعی در کسب‌وکار توضیح داده‌ایم.
۹) ابرهوش یعنی چه و چرا نامش بحث‌برانگیز است
واژه‌ای که در نام این آزمایشگاه آمده، خودش موضوع مناقشه است. «ابرهوش» در ادبیات فنی به سامانه‌ای گفته می‌شود که در طیف گسترده‌ای از کارهای شناختی از بهترین انسان‌ها بهتر عمل کند. اما هیچ تعریف عملیاتی مورد اجماعی برای سنجش آن وجود ندارد.
منتقدان می‌گویند انتخاب چنین نامی بیشتر کارکرد بازاریابی و جذب استعداد دارد تا کارکرد علمی؛ چون نه معیار روشنی برای رسیدن به آن تعریف شده و نه نقشه‌ی راه فنی مشخصی منتشر شده است. در مقابل، طرفداران استدلال می‌کنند که تعیین یک هدف بلندپروازانه، تمرکز تیم را بالا می‌برد و پژوهشگران درجه‌یک را جذب می‌کند.
واقعیت میانه احتمالاً این است که فاصله‌ی میان مدل‌های امروزی و چنین هدفی همچنان بسیار زیاد است. مدل‌های کنونی در بسیاری از کارهای زبانی درخشان‌اند اما در برنامه‌ریزی بلندمدت، یادگیری پیوسته و فهم علیت هنوز ضعف‌های اساسی دارند. تمایز میان قابلیت واقعی و روایت تبلیغاتی، مهارتی است که هر خواننده‌ی حرفه‌ای خبرهای این حوزه به آن نیاز دارد.
۱۰) چگونه خبرهای این حوزه را درست بخوانیم
حجم خبر در حوزه‌ی هوش مصنوعی به‌قدری زیاد است که تفکیک سیگنال از نویز خودش به یک مهارت تبدیل شده. سه پرسش ساده معمولاً کافی است. پرسش اول: منبع اصلی چیست؟ اعلامیه‌ی رسمی شرکت، مقاله‌ی داوری‌شده و گزارش خبرگزاری معتبر، سه سطح متفاوت از اعتبار دارند.
پرسش دوم: عدد از کجا آمده؟ در بسیاری از خبرهای این حوزه، ارقام بزرگ از «منابع آگاه» نقل می‌شوند و هرگز تأیید رسمی نمی‌گیرند. چنین اعدادی را باید با احتیاط و همیشه همراه با ذکر منبع خواند.
پرسش سوم: چه چیزی واقعاً تغییر کرده؟ بسیاری از اعلام‌ها در واقع تکرار یا بسته‌بندی تازه‌ی چیزی هستند که قبلاً وجود داشته. تمرین این سه پرسش، تصویر واقع‌بینانه‌تری از سرعت واقعی پیشرفت این حوزه می‌دهد.
پرسش‌های پرتکرار درباره‌ی انتصاب شنگ‌جیا ژائو در متا
شنگ‌جیا ژائو کیست؟
پژوهشگر هوش مصنوعی که پیش‌تر در اوپن‌ای‌آی روی چت جی پی تی، جی‌پی‌تی-۴ و مدل استدلالی o1 کار کرده و از بنیان‌گذاران آزمایشگاه ابرهوش متا و دانشمند ارشد آن است.
او به چه کسی گزارش می‌دهد؟
به الکساندر وانگ، بنیان‌گذار پیشین اسکیل‌ای‌آی که رهبری آزمایشگاه ابرهوش متا را بر عهده دارد.
پس نقش یان لیکان چه شد؟
لیکان همچنان دانشمند ارشد بخش پژوهش بنیادی هوش مصنوعی متاست. این دو نقش موازی‌اند و دو افق زمانی متفاوت را پوشش می‌دهند.
آیا ارقام پیشنهادی متا تأیید رسمی شده‌اند؟
خیر. طبق گزارش‌ها بسته‌های هشت و نه‌رقمی و پیشنهادهای زمان‌دار مطرح بوده‌اند، اما اعداد دقیق‌تری که در فضای رسانه‌ای نقل شد تأیید رسمی ندارد.
این ماجرا چه ربطی به کاربر عادی دارد؟
هرچه رقابت میان آزمایشگاه‌ها شدیدتر شود، سرعت عرضه‌ی قابلیت‌های تازه بالاتر می‌رود و فشار قیمتی روی سرویس‌ها بیشتر می‌شود؛ هر دو به سود کاربر نهایی است.
