جاستین سان در گفت‌وگویی ضبط‌شده به‌مدت چهار ساعت با آلن شائو، طرحی هوش مصنوعی‌محور برای جوانانی ترسیم کرد که بدون پول یا حمایت حرفه‌ای قابل‌توجه شروع می‌کنند. او استدلال کرد که اولویت نخست باید ساختن داده‌های شخصیِ قابل جست‌وجو، مهارت‌های قابل انتقال و سامانه‌های تصمیم‌گیری باشد، نه دنبال‌کردن درآمد فوری.
این گفت‌وگو بر فردی ۲۰ساله و فرضی متمرکز بود که هیچ شبکه ارتباطی، منابع محدودی و حدود ۱٬۰۰۰ یوان درآمد قابل‌مصرف ماهانه دارد. پیشنهاد سان این بود که زندگی روزمره را «هوش مصنوعی‌محور» کند: فعالیت‌ها را ثبت کند، خروجی‌های کاری را حفظ کند، ایده‌ها را با چند مدل هوش مصنوعی بیازماید و تجربه انباشته‌شده را به اطلاعاتی تبدیل کند که در مشاغل، پروژه‌ها و مکان‌های مختلف دوباره قابل استفاده باشد.
این رویکرد، ثبت سوابق شخصی را در مرکز برنامه‌ریزی شغلی قرار می‌دهد. سان گفت کاربران باید داده‌های ساختاریافته‌ای درباره رژیم غذایی، ورزش، خواب، اندازه‌گیری‌های بدنی، ویدئوهای تمرینی، میزان دریافت روزانه انرژی و کالری مصرف‌شده جمع‌آوری کنند. او به‌جای پراکنده‌ماندن این سوابق در اپلیکیشن‌های مختلف، توصیه کرد آن‌ها را به‌صورت محلی نگه دارند و یادداشت‌ها را در قالب‌های قابل استفاده مجدد، مانند اسناد Markdown، گردآوری کنند.
سان گفت سابقه چندماهه داده‌های شخصی می‌تواند توصیه‌های تولیدشده توسط هوش مصنوعی را مرتبط‌تر کند و پیشنهاد داد افراد برای جمع‌آوری سوابق دیجیتال متنوع، دوره‌ای دو تا چهارماهه در نظر بگیرند. ارزش این کار کمتر در هر گزارش منفرد درباره تناسب اندام یا بهره‌وری است و بیشتر در ایجاد آرشیوی ماندگار نهفته است که عادت‌ها، نتایج، مهارت‌ها و اولویت‌های در حال تغییر فرد را منعکس کند.
داده‌های شخصی به‌عنوان دارایی قابل انتقال
چارچوب سان، اطلاعات ساختاریافته را دارایی‌ای می‌داند که می‌تواند همراه مالک خود جابه‌جا شود. نمونه‌های کاری، سابقه پروژه‌ها، روابط با مشتریان، دانش عملیاتی و مهارت‌های مستندسازی‌شده فرد را می‌توان آسان‌تر از اموال فیزیکی یا تعهدات ثابت و پرهزینه، به شغل، کشور یا کسب‌وکار جدید منتقل کرد.
او این دارایی‌های قابل انتقال را در برابر هزینه‌هایی قرار داد که تحرک را محدود می‌کنند؛ از جمله وام‌های مسکن بزرگ و مخارج انعطاف‌ناپذیر سبک زندگی. سان استدلال کرد برای افرادی که در آغاز مسیر شغلی خود هستند، انعطاف‌پذیری می‌تواند ارزشمندتر از مالکیت زودهنگام دارایی‌هایی باشد که به تعهدات مالی بلندمدت نیاز دارند.
این توصیه همچنین بازتاب‌دهنده نگرانی عملی درباره وابستگی به یک پلتفرم هوش مصنوعی واحد است. سان گفت افراد باید از APIها، یعنی ارتباطات نرم‌افزاری که به برنامه‌ها امکان می‌دهند با یکدیگر ارتباط برقرار کنند، برای پرس‌وجو از بیش از یک مدل هوش مصنوعی استفاده کنند. نگهداری سوابق در قالب‌های قابل‌انتقال، خطر از دست دادن دسترسی به اطلاعات مفید را در صورت تغییر محصول، قیمت‌گذاری یا قابلیت‌های مدل توسط یک پلتفرم کاهش می‌دهد.
استفاده از چند مدل همچنین بخشی از فرایند تصمیم‌گیری اوست. سان توضیح داد که از چند سامانه یک پرسش یکسان می‌پرسد، پاسخ‌هایشان را مقایسه می‌کند و سپس آن پاسخ‌ها را با نتایج دنیای واقعی می‌آزماید. این فرایند شبیه یک چرخه پژوهشی شخصی است: گردآوری گزینه‌ها، شناسایی اختلاف‌ها، انتخابی سنجیده و به‌روزرسانی سامانه بر اساس نتیجه.
به‌تعویق انداختن تعهد برای انتخاب‌های بهتر
سان از جوانان خواست پیش از ایجاد یک مجموعه مرجع گسترده، خیلی سریع خود را به یک حرفه، صنعت یا خرید بزرگ متعهد نکنند. او مثال تماشای ۱۰۰ خانه پیش از خرید یکی از آن‌ها را مطرح کرد و استدلال کرد که مواجهه مکرر، درک روشن‌تری از قیمت، کیفیت و بده‌بستان‌ها ایجاد می‌کند.
در حوزه حرفه‌ها، همین روش مستلزم استفاده از ابزارهای هوش مصنوعی برای بررسی شمار زیادی از نقش‌ها، صنایع و مدل‌های کسب‌وکار پیش از متعهد شدن زمان یا پول است. سان این فرایند را «کاوش نقشه» توصیف کرد؛ به این معنا که گردآوری اطلاعات پیش از تخصیص منابع انجام می‌شود.
حوزه‌های مورد علاقه او شامل ریاضیات، نجوم، زیست‌شناسی، داروسازی، خدمات داده، هوش مصنوعی و رمزارز بود. بااین‌حال، او بیش از انتخاب بخش‌های مُد روز بر شناسایی «نقاط گسست ارزش» تأکید داشت. این نقاط گسست می‌توانند جایی پدیدار شوند که داده وجود دارد اما هنوز پردازش نشده است، دانش تخصصی به یک محصول قابل‌استفاده تبدیل نشده است، یا سامانه‌های قدیمی مشتریان را با فرایندهای کند و پرهزینه روبه‌رو می‌کنند.
این دیدگاه می‌تواند بنیان‌گذاران آینده را از ادعاهای کلی درباره فناوری تحول‌آفرین دور کند و به سوی مسائل مشخص‌تر هدایت کند: تبدیل دانش پراکنده صنعت به مخازن قابل جست‌وجو، مستندسازی کارهای تکراری به‌عنوان یک فرایند، یا ایجاد ابزارهایی که دسترسی به تخصص‌های ویژه را آسان‌تر می‌کنند.
سان همچنین بازار بالقوه را در مقیاسی جهانی ترسیم کرد. ابزارهای ترجمه و همکاری مبتنی بر هوش مصنوعی می‌توانند موانع زبانی را برای تیم‌های کوچک کاهش دهند و به محصولات و خدمات اجازه دهند کاربرانی فراتر از یک شبکه محلی را هدف بگیرند. این ابزارها دشواری جلب اعتماد یا یافتن مشتری را از بین نمی‌برند، اما به افرادی با سرمایه اولیه محدود امکان دسترسی به مجموعه بزرگ‌تری از کاربران بالقوه را می‌دهند.
تناسب اندام وارد محاسبات اقتصادی می‌شود
مدیریت سلامت یکی از موضوعات اصلی این گفت‌وگو بود. مفهوم «عضله کم‌چربی» شائو، رویکردی عملی به تناسب اندام را توصیف می‌کرد که بر تمرینات قدرتی، رژیم غذایی، خواب و کنترل درصد چربی بدن استوار است، بدون آنکه هدفش دستیابی به حجم عضلانی افراطی باشد.
سان ظرفیت جسمانی را محدودیتی برای برنامه‌های بلندمدت می‌دانست. از نظر او، اگر سلامت نامناسب توان فرد برای حفظ تلاش در طول سال‌ها را کاهش دهد، سیستم‌های بهره‌وری و جاه‌طلبی‌های مالی کارایی کمتری خواهند داشت. او عضله را نوعی حساب متعلق به بدن توصیف کرد و انضباط تمرینی را به همان ذهنیت بلندمدتی پیوند داد که برای مهارت‌ها و پس‌انداز به کار می‌رود.
این گفت‌وگو ماندگاری را در کنار سازگاری قرار داد. سان «ذهنیت موی زرد» را توصیف کرد؛ یعنی ادامه دادن با وجود انتقادها، و هم‌زمان از رویکردی با «ایگوی کوچک» دفاع کرد که پذیرای شواهد و ابزارهای جدید باقی می‌ماند. او ژانگ ییمینگ، بنیان‌گذار ByteDance، را نمونه‌ای از رهبری دانست که مایل است از افراد جوان‌تر یاد بگیرد و فناوری‌های نوظهور را به‌سرعت به کار گیرد.
نقش پیشنهادی کریپتو در اقتصاد هوش مصنوعی
سان کریپتو را راهی برای ماشین‌خوان کردن پول توصیف کرد تا سیستم‌های نرم‌افزاری بتوانند پرداخت‌ها را بر اساس قواعد قابل‌برنامه‌ریزی تسویه کنند. استدلال او بر عامل‌های هوش مصنوعی متمرکز بود که ممکن است نیاز داشته باشند داده بخرند، APIها را فراخوانی کنند، ظرفیت محاسباتی اجاره کنند یا بدون اتکا به تأیید دستی هر تراکنش، به سایر عامل‌های نرم‌افزاری پول بپردازند.
این کاربرد برای بیشتر مصرف‌کنندگان همچنان بیشتر جنبه آرمانی دارد تا روال روزمره، اما توجه را به یک چالش فنی واقعی جلب می‌کند: نرم‌افزار خودمختار به زیرساخت‌های پرداختی نیاز دارد که بتوانند به‌طور پیوسته، جهانی و در مبالغ نسبتاً کوچک فعالیت کنند. استیبل‌کوین‌ها و سیستم‌های تسویه مبتنی بر بلاک‌چین اغلب گزینه‌هایی برای این نقش معرفی می‌شوند، زیرا می‌توانند ارزش را میان کیف‌پول‌های تحت کنترل نرم‌افزار جابه‌جا کنند.
سان این دیدگاه را به نیاز برای دانش قابل جست‌وجو و مستندسازی‌شده مرتبط کرد. با تبدیل شدن سیستم‌های هوش مصنوعی به بخش بزرگ‌تری از پژوهش و خودکارسازی محیط کار، یافتن و استفاده مجدد از تخصص مستندسازی‌نشده ممکن است دشوارتر شود. افراد و شرکت‌هایی که تجربه خود را به فرایندهای ساختاریافته، سوابق قابل جست‌وجو و خروجی‌های عمومی قابل راستی‌آزمایی تبدیل می‌کنند، می‌توانند دانششان را برای مشتریان انسانی و ابزارهای هوش مصنوعی دسترس‌پذیرتر کنند.
جمع‌بندی گسترده‌تر این گفت‌وگو، اگرچه demanding بود، اما کاملاً ملموس و مشخص ارائه شد: پیش از تکیه بر حافظه، سوابق ایجاد کنید؛ پیش از تصمیم‌های برگشت‌ناپذیر، گزینه‌ها را مقایسه کنید؛ هزینه‌ها را آن‌قدر پایین نگه دارید که امکان جابه‌جایی و انعطاف‌پذیری حفظ شود؛ و مهارت‌هایی را توسعه دهید که بتوان آن‌ها را خارج از یک کارفرما یا پلتفرم واحد نیز نشان داد. سان برای جوانانی که وارد اقتصادی مبتنی بر هوش مصنوعی می‌شوند، این عادت‌ها را نقطه شروعی بادوام‌تر از تلاش برای پیش‌بینی توکن یا بخش فناوری برنده بعدی می‌دانست.
با اتوماسیون هوشمند، مسیر کریپتوییِ مبتنی بر هوش مصنوعی خود را ارتقا دهید—کشف کنید کپی‌تریدینگ مبتنی بر هوش مصنوعی و سیستم‌ها را به درآمدی مقیاس‌پذیر تبدیل کنید.
سلب مسئولیت: محتوای این صفحه صرفاً برای اهداف اطلاع‌رسانی عمومی ارائه شده و بیانگر دیدگاه‌ها یا توصیه‌های مالی Toobit نیست. ما هیچ تضمینی درباره دقت یا کامل‌بودن این اطلاعات ارائه نمی‌دهیم و در قبال هرگونه خطا، حذف یا پیامدی که از استفاده از آن ناشی شود، مسئولیتی نخواهیم داشت. سرمایه‌گذاری در دارایی‌های دیجیتال با ریسک همراه است؛ کاربران باید وضعیت مالی خود و ریسک‌های مربوطه را به‌طور مستقل ارزیابی کنند. برای جزئیات بیشتر، لطفاً به شرایط استفاده از خدمات و افشای ریسک.
