# فصل ۰۷ — کار، مهارت و مرزهای سالم

<div dir="rtl">

# فصل ۰۷ — کار، مهارت و مرزهای سالم

## در این فصل چه یاد می‌گیری

سه سؤال هست که تقریباً هرکسی از خودش می‌پرسد: هوش مصنوعی شغلم را می‌گیرد؟ چقدر باید به آن تکیه کنم؟ و آیا واقعاً «مجانی» است؟ این فصل به هر سه، صادقانه جواب می‌دهد — نه با ترسِ آخرالزمانی، نه با هیجانِ تبلیغاتی. یاد می‌گیری چرا هوش مصنوعی معمولاً «کار» را عوض می‌کند نه اینکه یک شاغل را حذف کند، کدام مهارت با بهترشدنِ مدل‌ها ارزشش **بیشتر** می‌شود، اتکای بیش‌ازحد چه بلایی سرِ قضاوتت می‌آورد، و پشتِ هر گفت‌وگو با مدل چه هزینه‌ای برای انرژی و محیط پنهان است.

![دسته‌ای از میله‌های باریک که با هم بسته شده‌اند؛ یک گیرهٔ ماشینی چند میله را از دسته بیرون کشیده و یک دست بقیهٔ دسته را نگه داشته است](/lesson-assets/t6-s07-work-future/prompt/01-image-collaborate.png)

آخر این فصل می‌توانی:

- توضیح بدهی چرا هوش مصنوعی «کار» را عوض می‌کند نه اینکه «شاغل» را حذف کند
- یک مهارت را نام ببری که با بهترشدنِ مدل‌ها ارزشش بیشتر می‌شود، نه کمتر
- نشانهٔ اتکای بیش‌ازحد را در کارِ خودت بشناسی و یک مرزِ سالم برایش بگذاری
- بگویی هزینهٔ واقعیِ هر گفت‌وگو با مدل چیست و کجا اسراف است

## قبل از شروع

- **از ترم ۲:** «وارسی مهم‌ترین مهارت است» — همان چیزی که اینجا به مهارتِ ماندگار تبدیل می‌شود.
- **از فصل ۵ ترم ۱:** مرزهای مدل — ضعفش در حساب و منطقِ دقیق و بی‌خبری‌اش از لحظهٔ حال.
- **از فصل ۳ همین ترم:** مسئولیتِ استفاده به‌جای اتکا به ابزار — که اینجا به «مرزِ سالمِ استفاده» گره می‌خورد.

مثل همیشه فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

> 🧪 **آزمایشگاه:** [آزمایشگاه این فصل را باز کن](/lab/embed/hamhoosh/term-6-citizen/session-07-work-future) — این‌جا یک آزمایشِ کوچک می‌کنی: مدل را در حوزه‌ای که خودت خوب می‌شناسی به حرف می‌آوری و می‌بینی کجا با اطمینان اشتباه می‌کند. همان‌جا مرزِ سالمِ اتکا برایت روشن می‌شود.

## ۱. همکار، نه جایگزین

اول یک بدفهمیِ رایج را کنار بگذاریم. آدم‌ها می‌پرسند «آیا هوش مصنوعی شغلِ فلان را می‌گیرد؟»، انگار شغل یک چیزِ یکپارچه است که یا هست یا نیست. ولی تقریباً هر شغل یک **دسته از کارهای کوچک** است. کارِ یک مترجم فقط برگرداندنِ کلمه‌ها نیست؛ انتخابِ لحن، فهمِ ظرافتِ فرهنگی، وارسیِ دقت، مسئولیت در برابرِ مشتری و قضاوت دربارهٔ اینکه کدام معنا درست است هم هست. هوش مصنوعی پیش‌نویسِ خامِ ترجمه را سریع می‌دهد — ولی لحن و ظرافت و مسئولیت هنوز کارِ آدم است.

پس چیزی که واقعاً اتفاق می‌افتد این است: مدل بعضی از **کارهای** داخلِ یک شغل را برمی‌دارد، نه کلِ شغل را. تصویرِ درست، همان تصویری است که در ابتدای فصل دیدی — مدل چند میله را از دسته بیرون می‌کشد، ولی دست، بقیهٔ دسته و مسئولیتِ کلِ آن را نگه داشته.

این را هم صادقانه بگوییم، چون قرارمان صداقت است نه تعارف: بعضی کارها کوچک می‌شوند و بعضی به‌کل حذف می‌شوند، و این برای آدم‌های واقعی می‌تواند دردناک باشد. مشاغلی که تماماً از کارهای **تکراری و قاعده‌مند** ساخته شده‌اند بیشترین فشار را حس می‌کنند. ولی الگوی تاریخیِ ابزارهای قدرتمند بیشتر این بوده که ترکیبِ کارها را جابه‌جا می‌کنند، نه اینکه آدم‌ها را بی‌مصرف کنند. اینکه این بار هم همان‌طور شود هنوز معلوم نیست. کسی که یاد بگیرد با این ابزار **همکاری** کند و خروجی‌اش را داوری کند، جای بهتری دارد از کسی که یا انکارش می‌کند یا چشم‌بسته تسلیمش می‌شود. این همان تزِ کلِ این دوره است: مدل یک **همکار** است، نه یک جایگزین و نه یک اوراکل.

## ۲. مهارتی که می‌ماند

اگر مدل‌ها هر سال بهتر می‌شوند، پس چه مهارتی ارزشِ یادگرفتن دارد؟ جوابِ ضدِشهودی این است: هرچه مدل بهتر شود، **ترفندهای خاصِ پرامپت** کم‌ارزش‌تر می‌شوند (یادت هست ترم ۲ گفت مدل‌های امروز خودشان نیت را حدس می‌زنند)، ولی دو مهارت دقیقاً **باارزش‌تر** می‌شوند:

اول، **دانستنِ اینکه چه باید پرسید** — همان «نیت» از ترم ۲. مدلی که هر چیزی را می‌سازد فقط وقتی مفید است که تو بدانی چه می‌خواهی و چه سؤالِ درستی جلویش بگذاری. دوم و مهم‌تر، **وارسی** — نخِ مرکزیِ کلِ این دوره. وقتی مدل حجمِ عظیمی از خروجی تولید می‌کند، کسی که بتواند درستی‌اش را داوری کند طلاست. هرچه ماشین بیشتر می‌سازد، انسانی که بتواند بگوید «این تکه درست است، آن تکه غلط» ارزشِ بیشتری دارد، نه کمتر.

و زیرِ هر دوی این‌ها یک چیز نشسته: **دانشِ خودت**. تو فقط وقتی می‌توانی خطای مدل را بگیری که خودت آن حوزه را بشناسی. برای همین، یادگیریِ واقعی هنوز مهم است — نه با وجودِ هوش مصنوعی، بلکه دقیقاً **به‌خاطرِ** آن.

**قبل از ادامه، جواب بده:** اگر مدل‌ها هر سال بهتر شوند، ارزشِ مهارتِ وارسی بیشتر می‌شود یا کمتر؟ — بیشتر؛ چون خروجیِ ماشینیِ بیشتری هست که باید داوری شود، و داورِ خوب کمیاب است.

## ۳. اتکای بیش‌ازحد و مرزِ سالم

حالا خطرِ روی دیگرِ سکه. اگر برای **هر** کاری فکرکردن را به مدل بسپاری، یک اتفاقِ آرام و خطرناک می‌افتد: قضاوتِ خودت زنگ می‌زند. و وقتی قضاوتت کند شود، دیگر نمی‌توانی خطای مدل را بگیری — درست همان لحظه‌ای که بیشتر از همیشه لازمش داری. به این می‌گویند اتکای بیش‌ازحد، و بهترین راهِ دیدنش این است که خودت لمسش کنی.

در حوزه‌ای که خوب می‌شناسی از مدل چیزی بپرس. مثلاً اگر فوتبال را دنبال می‌کنی، این را امتحان کن:

</div>

```text
قانونِ آفساید در فوتبال را در دو جملهٔ کوتاه توضیح بده.
```

<div dir="rtl">

یک خروجیِ واقع‌نما (خروجیِ تو ممکن است فرق کند، چون مدل قطعی نیست):

</div>

```text
بازیکن وقتی آفساید است که در لحظهٔ پاس، از آخرین مدافعِ حریف به خطِ دروازه نزدیک‌تر باشد.
داور در این حالت بازی را متوقف می‌کند.
```

<div dir="rtl">

با اطمینانِ کامل گفت. ولی اگر فوتبال بلد باشی، چهار جای این جواب را می‌بینی که لنگ می‌زند:

- ملاک **آخرین** مدافع نیست، **یکی‌مانده‌به‌آخر** است — چون معمولاً دروازه‌بان آخرین نفر است.
- بازیکن باید از **توپ** هم جلوتر باشد؛ این شرط اصلاً گفته نشد.
- **هم‌ترازبودن** آفساید نیست.
- صرفِ ایستادن در موقعیتِ آفساید تخلف نیست، مگر بازیکن در بازی دخیل شود.

یعنی مدل یک نکته را غلط گفت و سه نکتهٔ ظریف را جا انداخت. حالا نکتهٔ ترسناک: اگر فوتبال بلد **نبودی**، این جوابِ مطمئن را کامل باور می‌کردی.

انصاف حکم می‌کند این را هم بگوییم. قانونِ آفساید آن‌قدر مشهور است که دستیارِ تو احتمالاً بندِ اول را درست می‌گوید. آنچه بیشتر اتفاق می‌افتد جا افتادنِ یکی دو بندِ **دیگر** است — معمولاً شرطِ توپ یا شرطِ دخیل‌شدن در بازی.

و همین حرفِ اصلیِ این بخش است: خطای مدل معمولاً یک غلطِ فاحش نیست که از دور دیده شود. یک **ناقصیِ ظریف** است، و فقط کسی می‌گیردش که خودش موضوع را بلد باشد. پس این آزمایش را حتماً در حوزهٔ **خودت** انجام بده، نه فوتبال — چیزی که واقعاً در آن وارد باشی. اگر آنجا هم جواب بی‌عیب بود، دو قدم عمیق‌تر برو و یک موردِ استثنایی یا لبه‌ای بپرس؛ درست همان‌جا مرز پیدا می‌شود.

> ✅ **وارسی:** جوابِ مدل را در حوزه‌ای که می‌شناسی با دانشِ خودت یا یک منبعِ معتبر بسنج. سه قانونِ ثابتِ این دوره دقیقاً برای همین لحظه‌اند: **«اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».** اطمینانِ لحنِ مدل هیچ ربطی به درستیِ حرفش ندارد.

پس مرزِ سالم چیست؟ ساده است: مدل را برای **پیش‌نویس، ایده و تکه‌کارِ خام** به‌کار بگیر، ولی **قضاوت و وارسیِ نهایی** را برای خودت نگه دار. و گاهی — حتی وقتی مدل می‌تواند — کار را خودت انجام بده، تا مهارتت زنگ نزند. اتکا اشکال ندارد؛ اتکای **کامل و بی‌وارسی** اشکال دارد.

## ۴. هزینهٔ واقعی: انرژی و محیط

آخرین تکه چیزی است که کمتر دیده می‌شود. وقتی با مدل حرف می‌زنی، جوابْ روی سرورهای بزرگ در مراکزِ داده تولید می‌شود، و آن سرورها برق مصرف می‌کنند و برای خنک‌ماندن اغلب به آب هم نیاز دارند. آموزشِ یک مدلِ بزرگ یک‌بار انرژیِ زیادی می‌بلعد، و بعد هر گفت‌وگوی تو یک تکهٔ کوچک — ولی **واقعی** — انرژی می‌برد. یک نفر که یک سؤال می‌پرسد ناچیز است؛ میلیون‌ها نفر که میلیاردها بار می‌پرسند، دیگر ناچیز نیست.

اینجا هم نه آخرالزمان، نه انکار. این بزرگ‌ترین ردِپای محیطیِ زندگیِ تو نیست، ولی «مجانی» هم نیست — فقط هزینه‌اش را تو مستقیم نمی‌پردازی. و این دقیقاً به مرزِ سالمِ بخشِ قبل وصل می‌شود: یک پرسشِ مرکزِ داده را خرجِ چیزی نکن که خودت در دو ثانیه جوابش را می‌دانی. ابزارِ قدرتمند را جایی به‌کار ببر که واقعاً کمک می‌کند. این هم صرفه‌جویی است، هم احترام — و هم بخشی از همان شهروندیِ آگاهی که کلِ این ترم درباره‌اش است.

## تمرین‌ها

قبل از تمرین، بدون نگاه‌کردن به بالا جواب بده: چرا هوش مصنوعی «کار» را عوض می‌کند نه «شاغل» را، و کدام مهارت با بهترشدنِ مدل‌ها باارزش‌تر می‌شود؟

**تمرین اجباری:** یک کارِ واقعی از زندگی یا شغلت را بردار و آن را به کارهای کوچک‌ترش بشکن. کنارِ هرکدام بنویس: این تکه را می‌شود به مدل سپرد (پیش‌نویس)، یا این تکه به **قضاوتِ خودت** نیاز دارد؟ بعد تکهٔ اول را واقعاً به مدل بده و خروجی‌اش را وارسی کن.

**تمرین ستاره‌دار ⭐:** یک کار پیدا کن که این روزها کاملاً به مدل سپرده‌ای. یک‌بار آن را بدونِ مدل و با دستِ خودت انجام بده، بعد با نسخهٔ مدل مقایسه کن. آیا قضاوتِ خودت چیزی گرفت که مدل جا انداخته بود؟ همین حسْ همان «مرزِ سالم» است.

## در فصل بعد

فصلِ بعد از هراس فاصله می‌گیرد و آرام حرف می‌زند: «ایمنی و اخلاق، بدونِ موعظه». یاد می‌گیری `alignment` یعنی چه — یعنی چطور رفتارِ مدل را با آنچه انسان‌ها واقعاً می‌خواهند هم‌تراز می‌کنند — و مهم‌تر، خطرهای **واقعی و همین‌حالا** را از هراسِ علمی‌تخیلی جدا می‌کنی. بعد از آن، فقط یک فصل می‌ماند: پروژهٔ پایانیِ کلِ دوره.

</div>

---
Source: https://yaadestan.com/courses/hamhoosh/lessons/t6/s07-work-future (یادستان, Yaadestan)
