مصاحبه با دکتر محمدعلی تبرزد

مهمان این شماره از نشریه بیت و بایت، دکتر محمدعلی تبرزد، از اساتید به‌نام دانشگاه آزاد شیراز هستند. ایشان با تجربه‌ای ارزشمند در تدریس و پژوهش، به‌عنوان یکی از چهره‌های شناخته‌شده و مورد احترام در حوزه مهندسی کامپیوتر فعالیت می‌کنند.

سوال اول: لطفاً خودتان را معرفی کنید و کمی درباره سوابق تحصیلی‌تان توضیح دهید.

سلام، من ورودی هفتاد و شش دانشگاه شیراز بودم. زمان ما خیلی معمول بود که لیسانس رو چهار ساله تموم می کردن اما من جزو کسانی بودم که لیسانس رو شش ساله خوندم که تا هشتاد و دو طول کشید. سال هشتاد و دو که رفتم ارشد دانشگاه تهران بودم، باز اونم یه سه سالی طول کشید تا هشتاد و پنج. هشتاد و پنج اومدم همین دانشگاه آزاد شیراز، دیگه بودم تا نود، از نود باز رفتم برای دکترا دانشگاه شیراز تا نود و شش، که میشه چند سال پیش.

من برای طرح خدمت اومدم دانشگاه آزاد شیراز. اون زمان خیلی معمول بود. نمیدونم الان می گیرن یا نه؟ اون موقع به جای سربازی شما دو سال یا سه سال می رفتی یه دانشگاه هیئت علمی می شدی. حقوق هیئت علمی بود، همه امکانات هیئت علمی بود، اسمش سربازی بود. فرصت خوبی بود برای کسایی که مهاجرت نمی کردن و می خواستن تو ایران بمونن. یا دو سال می رفتن خدمت یا سه سال می اومدن هیئت علمی می شدن. خب، خیلی بهتر بود. من هشتاد و پنج که اومدم، سه سالش حداقل طرح خدمت بود. یکی دو سال هم بعدش. خیلی برام مهم نبود برم ادامه دکترا رو. تا بعدش دیدم که خب، حالا لازمه دکترا برم بگیرم. دیگه سال نود رفتم برای دکترا.

سوال دوم: دلیل انتخاب این رشته چه بود؟

به طور کلی، نه فقط در سن هجده سالگی، همین الان که چهل و چند سال سن دارم، احساس می کنم Randomness که در جهان وجود دارد خیلی پیچیده تر از اون هست که فکر کنیم این ما هستیم که تصمیم می گیریم زندگیمون چه مسیری طی کنه. حتی همین حالا که در دانشگاه آزاد درس می دهم، آنقدر پارامترهای جانبی وجود دارد که در انتها این تصمیم که بخوام ده سال دیگر اینجا تدریس کنم، به راحتی می تونه به هر علتی تغییر کنه. مثل اینکه مشکلی پیش بیاید و مجبور شم دانشگاه رو ترک کنم یا حتی از ایران برم، یا شاید دانشگاه به این نتیجه برسه که اساتیدی مثل ما دیگه به دردش نمی‌خورن.

عملا برای من در اون سن همین رندومنس وجود داشت. در دوره ما، معمولا رشته ریاضی را به عنوان رشته اول انتخاب می کردند و به سمت رشته های خوب و پرمتقاضی مهندسی عمران، مکانیک و کامپیوتر می رفتند.

من در اولویت اول مهندسی عمران دانشگاه شیراز و در اولویت دوم کامپیوتر همین دانشگاه را انتخاب کرده بودم. در آن سال ظرفیت رشته عمران مثلا اگر سیزده نفر بود، من رتبه چهاردهم شدم و عملا به دلیل همین رندومنسی که یک نفر بیشتر این رشته را انتخاب کرده بود، به جای عمران کامپیوتر قبول شدم. من رشته اولم رو به این دلیل که تمایلی به رفتن به شهر دیگری نداشتم و بُعد فاصله برام خیلی مهم بود، انتخاب کردم. حتی بعدها یکی از گزینه هایی که برای تدریس داشتم، به عنوان هیئت علمی دانشگاه صنعتی شیراز بود که به همین علت پیگیری نکردم.

در اون زمان، ما اصلا نمی دونستیم کامپیوتر چی هست! در سال هفتاد و شش یعنی زمانیکه من وارد دانشگاه شدم، مرکز کامپیوتر دانشگاه شیراز کامپیوترهایی با نسخه خیلی قدیمی دویست و هشتاد و شش داشت، و سه کامپیوتر با نسخه چهارصد و هشتاد و شش به دانشجویان تحصیلات تکمیلی اختصاص داده بودند.

در اون سالهایی که با کامپیوترهای دانشگاه شیراز کار می کردیم، سرعت دانلود شبکه اینترنتی که ما داشتیم خیلی جذاب بود! مثلا در حد پنج بایت در ثانیه دانلود می کرد. در ایام عید که دانشگاه تعطیل می شد و خلوت بود، ما مجوز می گرفتیم که در بخش بمونیم و آن موقع سرعت به کیلو بایت در ثانیه هم می رسید و خوشحال بودیم که می توانستیم یک فایل پونزده مگابایتی رو در یک روز دانلود کنیم.

خب در زمانی که بحث کامپیوتر تازه بود و حتی کامپیوتر در دانشگاه های تخصصی اونقدر وجود نداشت چه برسه به اینکه کسی کامپیوتر شخصی داشته باشه؛ کسی نمیدونست که کامپیوتر چیه و آیا این رشته به درد میخوره یا نه اما مهندس های عمران سابقه قدیمی تر و شرایط و پرستیژ مشخصی داشتند و اولویت من عمران بود اما به خاطر همان رندومنسی که گفتم، مسیر من از عمران به کامپیوتر تغییر کرد.

سوال سوم: در طول تحصیلاتتان، بر روی چه پروژه یا تحقیقاتی مرتبط با حوزه هوش مصنوعی کار کرده اید؟

هوش مصنوعی به نظرم یه جور جعبه‌ابزار هست که در اختیار بقیه موضوعات قرار میگیره. قدیما هر الگوریتم یادگیرنده‌ای که طراحی می‌شد بهش هوش مصنوعی میگفتن، الان بهتره بهش بگیم هوش مصنوعی کلاسیک. مثلاً الگوریتم درخت هرس آلفا-بتا رو الانم بهش میگیم هوش مصنوعی. ایده‌ این بود که هوش انسان رو جوری در الگوریتم اپلای کنی که یک مقداری هوشمند بشه.

این رو توی برنامه‌نویسی‌هامون همیشه داشتیم و استفاده می‌کردیم، منتها اون موقع نسخه‌های خیلی ساده‌ترش بود. اینجوری نبود که مثل الان ساختار پیچیده‌ای داشته باشه یا انقدر پیشرفته باشه.

تز ارشدم، که بیشتر به آی‌تی مربوط می‌شد، درمورد سیستم های چند عامله بود که نوعی تصمیم گیری هوشمند محسوب میشه. مقالاتی که در طی دوران ارشدم دادم یک مقداری هوشمند بودند منتها هوش های اولیه و کلاسیکی مثل ژنتیک در آنها استفاده می شد. دوره دکترا رو که شروع کردم جدی تر سراغ هوش مصنوعی رفتم و روی شاخه های جدیدی کار کردم.

سوال چهارم: در طی تحقیقاتتان، آیا ابزار یا فناوری خاصی وجود داشته که به‌طور ویژه برایتان برجسته و تاثیرگذار باشد؟

ابزارهای مهندسی کامپیوتر با سرعت نمایی دارن تغییر می‌کنن و این فرق اصلیش با بقیه مهندسی‌هاست. قبلاً ما از ابزارهایی مثل متلب و R با کتابخونه‌های مخصوص به خودشون استفاده می‌کردیم، ولی حدود ده ساله که رفتیم سراغ ابزارایی مثل پایتون و کتابخونه‌های مختلف این زبان که فقط باید یه تابع رو فیت کنی. مثلاً یه کلاسیفایر رو با یه دستور (.fit) به کار ببری تا همه محاسبات انجام بشه. ابزار معروفی که الان تو پیاده‌سازی برای شروع استفاده می‌شه، مجموعه Scikit-learn هست که به نظرم یه کتابخونه خوب و کامله برای کسی که می‌خواد شروع به کدنویسی کنه. از طرفی، کتابخونه‌های هوش مصنوعی شدن ابزار اصلی‌مون. قبلاً شبکه‌های عصبی به خاطر ساختاری که داشتن، قوی نبودن و تو شبکه‌های fully connected لینک‌های زیادی وجود داشت که همین باعث می‌شد به خاطر زمان و داده زیاد نتونی اون رو آموزش بدی. با تغییر و تحول اساسی ساختارها و ورود به شبکه‌های عصبی کانولوشنی (CNN) که به جای یک ساختار کلی، ساختار محلی رو تو داده‌ها پیدا می‌کردن، امکان افزایش تعداد فیلترها فراهم شد و نتیجش این بود که با همون داده و زمان کم، مفهوم بیشتری تولید بشه.

تو این ساختار جدید، سخت‌افزارا و به‌خصوص کارت‌های گرافیکی (GPU) شدن غول‌هایی که دیگه قابل مقایسه با ده سال پیش نیستن (یه قانون کلاسیک هست که هر دو سال یه‌بار سرعت کامپیوترها دو برابر می‌شه) و عملاً شبکه‌های عصبی باعث شدن شرکت‌های گرافیکی هم از زمین بلند شن و تبدیل بشن به یه ابزار مهم تو این حوزه.

سوال پنجم: اگر با دیدگاه و تجربه امروزتان امکان بازگشت به گذشته را داشتید، چه کارهایی را انجام می‌دادید و چه تصمیماتی را احتمالا نمی گرفتید؟

به نظرم هیچوقت نباید از خودتون این سوال رو بپرسید. این سوال خودش یه تناقض داره، اگه قرار باشه با تفکر حال حاضرتون به ده سال قبل برگردید، تفکر ده سال قبلتون باید ده سال بزرگتر می‌بود و این امکان‌پذیر نیست! چون اون موقع تصمیم دیگه‌ای می‌گرفتید و به تفکر الان خودتون نمی‌رسیدید. عملاً یه باگ مفهومی پشت این موضوع هست و باید حواستون باشه هیچوقت افسوس این رو نخورید که من ده سال پیش باید یه سری کارها رو می‌کردم و نکردم.

من حتماً تو هجده سالگی یه سری تصمیماتی گرفتم که وقتی فکر می‌کنم می‌گم چه کار مسخره‌ای بوده و کلی از این تصمیمات رو می‌تونم تو زندگیم پیدا کنم، اما اولین چیزی که به خودم می‌گم اینه که من فقط تو اون زمان هجده ساله بودم که این تصمیم رو گرفتم و اگه برگردم به هجده سالگی، همین تصمیم رو دوباره می‌گیرم.

یه تصمیمی که خیلی‌ها افسوسش رو می‌خورن اینه که اگه بیست سال پیش بیت‌کوین خریده بودم، الان میلیاردر بودم. واقعیت اینه که اگه تو می‌تونستی آینده رو پیش‌بینی کنی این آدم نبودی! تو احتمالاً ساتوشی بودی. یا اگه سه سال پیش بیت‌کوین خریده بودم، الان سه برابر شده بود، تو این مورد هم، فردِ سه سال پیش این فکر رو نمی‌تونست بکنه که بیت‌کوین قراره شصت هزار دلار، هفتاد هزار دلار بشه. پس هیچوقت این افسوس رو نباید بخوریم.

الان من از رشته‌ام خیلی خوشحالم و به نظرم کامپیوتر تخصص من هست، یعنی من مطمئناً تو عمران یا مکانیک به اندازه‌ای که تو کامپیوتر موفقیت به دست آوردم، موفق نمی‌شدم.

من فکر می‌کنم کسانی تو این رشته موفق می‌شن که می‌تونن برای هر چیزی الگوریتم داشته باشن، یعنی از صبح که می‌خوای لباسی رو انتخاب کنی، تو ذهنت با یه الگوریتمی تصمیم بگیری که این پیراهن رو بپوشم، یا مثلاً امروز که می‌خوام برم بیرون باید این کارها رو انجام بدم و اگه نشد یه کار دیگه رو جایگزین کنم، مثل اینه که برای خودت مفهوم حلقه تو برنامه‌نویسی رو پیاده‌سازی کنی. به نظر من چنین شخصی می‌تونه تو همه حیطه‌های کامپیوتر موفق بشه چون ایده اصلی کامپیوتر الگوریتمی فکر کردنه. به نظر خودم، مغز من هم الگوریتمی بوده و شاید کار ایده‌آل برای من همین کاره.

شاید هم تو هجده سالگی عمران می‌خوندم و چیزی که بودم، صد برابر بهتر از الان بود یا حتی می‌تونستم نیمی از شیراز رو داشته باشم، نمی‌دونم! اما افسوس این رو نمی‌خورم و همین جا که هستم رو خیلی دوست دارم.

به نظرم، یه سرمایه‌ای تو زندگی آدم‌ها وجود داره که از همه چیز مهم‌تره. من همیشه در مورد اینکه بعضی‌ها می‌گن که کاش به جای یه خونه ده تا یا صد تا خونه داشتم، یا حتی راجع به چیزی که خودم تو ذهنم دارم، آیا من دوست داشتم مثلاً الان به خارج رفته باشم و تبدیل به یه غول تو زمینه کامپیوتر شده بودم؟ یه جوابی دارم که با اون زندگی می‌کنم و خوشحالم اینه که سرمایه زندگی آدم‌ها یه ارز جهانیه که این ارز جهانی برای همه ثابته و اون زمانه. یعنی شما سال‌های عمرتون رو می‌تونید خرج کنید، قیمت شما به سال‌های عمرتونه. چند وقت پیش با یه سری از همکارام این بحث بود که من اگه بخوام برای شما کادو تولد بخرم، کادو یه میلیونی ارزش بیشتری داره یا یه میلیاردی! ظاهر قضیه می‌گه کادو یه میلیاردی بیشتر می‌ارزه، اما جواب من به این سوال اینه که: کادو یه میلیونی چقدر زمان از من گرفته؟ و یه میلیارد از تو چقدر زمان گرفته؟ شاید تو یه میلیارد رو طی دو روز دربیاری و من یه میلیون رو تو یه ماه دربیارم. پس من یه ماه از عمرم رو دارم خرج تو می‌کنم و تو دو روز از عمرت رو خرج من می‌کنی.

در مورد هر چیز دیگه‌ای مثل پول درآوردن یا زندگی کردن، تو در هر حال داری زمانت رو خرج می‌کنی. فرقی نمی‌کنه میلیارد میلیارد درآمد داشته باشی یا میلیون میلیون! تو درواقع داری زمانت رو می‌فروشی و به‌جای اون پول دریافت می‌کنی. مثلاً هشت ساعت از وقت امروزت رو می‌فروشی و در عوض یه میلیون پول دریافت می‌کنی اما این هشت ساعتی رو که فروختی، در مقابلش چه چیزی گیرت اومده؟ پول که فقط یه اسکناس و عدد تو حسابت هست. تو باید به جای خرج این زمان چیزی بگیری که ارزش داشته باشه. به نظرم، خوشحال بودن خیلی مهم‌تر از هر چیز دیگه‌ایه.

ممکنه من که امروز اینجا نشستم و مثلاً حقوقم ده میلیون تو ماه هست، با این خیلی خوشحال باشم. اما تو دوستام کسایی رو می‌شناسم که حقوقشون مثلاً صد میلیونه اما هنوز حرص و حسرت می‌خورن و یه ساعتشون رو با غم پر می‌کنن و یه ساعت به مرگ نزدیک‌تر می‌شن. هرچند که من هم یه ساعت خوشحال‌تر هستم و همون یه ساعت رو به مرگ نزدیک‌تر می‌شم.

ارز مشترک رو همیشه زمان در نظر بگیرید. به نظرم این ارز، مشترک و جهانیه. یعنی فرقی نداره. کسی که تو آمریکا زندگی می‌کنه، قراره هشتاد سالگی بمیره و منی که تو آفریقا زندگی می‌کنم. جفتمون یه ارز تو دست داریم.

من این موضوع رو تو جهان عدالت می‌بینم. خیلی‌ها می‌گن تو جهان بی‌عدالتی وجود داره و باید ساختارش تغییر کنه، ولی در حقیقت جهان همیشه بر اساس یه ساختار هرمی عمل می‌کنه. نه کمونیسم جواب می‌ده و نه دموکراسی، این‌ها فقط اسم‌های زیبایی هستن که برای توجیه یه سیستم استفاده می‌شن، سیستمی که تو اون برده‌ها برای هرم قدرت کار می‌کنن و برای اونا پول درمیارن. این ساختار طبیعی هست و تو همه جا دیده می‌شه ولی مردم نمی‌تونن هرم قدرت رو بپذیرن و وقتی اسمش رو می‌شنون، اذیت می‌شن. به همین دلیله که به اونا گفته می‌شه همه با هم برابرن تا راحت‌تر کار کنن. مثل اینه که فکر کنی سوسیس و کالباس گوشت‌‌ خوشمزه‌ای هستن، اما اگه خودت بری ببینی که این‌ها از چی ساخته شدن، دیگه نمی‌تونی بخوری.

تو این ساختار، ارز رایج زمانه، و مهم اینه که چطور اون رو خرج کنی. ما هرکدوم حدود هشتاد سال زمان داریم. حالا باید فکر کنیم که این هشتاد سال رو چطور خرج کنیم. من اون رو صرف چیزی می‌کنم که خوشحالم کنه. اگه الان اینجا نشستم و تو دانشگاه درس می‌دم، مهم نیست چقدر حقوق می‌گیرم. مهم اینه که آیا بازخورد مفیدی می‌گیرم؟ آیا از این کار خوشحال هستم؟

من خوشحالم که اینجا هستم، چون چهار تا دانشجو دارم که به هر دلیلی به دانشگاه‌های دیگه نرفتن و اومدن اینجا. وقتی می‌بینم می‌تونم یه تلنگر به اونا بزنم و الان که بیست ساله هستن و قبل از اینکه شروع به دنبال پول دویدن کنن تا در نهایت تو شصت سالگی از درد ورم مفاصل نتونن پولشون رو خرج کنن. به اونا یادآوری کنم زمانتون رو هوشمندانه خرج کنید. پیشرفت شغلی و علمی داشته باشید، اما گم نشید. نباید زندگی رو فقط به پول و قدرت محدود کنید. ارز اصلی شما زمانه و در ازای اون باید شادی به دست بیارید. حالا یکی هست صدای شنیدن سکه‌هاش خوشحالش می‌کنه و باید تا آخر عمرش پول جمع کنه اما اگه این تو رو خوشحال نمی‌کنه، مثلاً سفر برای تو خوشحال‌کننده‌ست، زندگیت رو بر مبنای پول جمع کردن نذار.

به نظرم، زندگی کلاً دو سطح داره، یه سطح، حداقل نیازهای حیوانیه که از نظر من می‌شه تو روز سه وعده غذای سالم داشته باشی بخوری، دسترسی به آب سالم داشته باشی، خونه داشته باشی. این می‌شه حداقلی که لازم نیست شب تو خیابون یخ بزنی. از این سطح که عبور کنی، سطح رفاه زندگی‌ها لگاریتمی می‌شه. یعنی اگه به جای یه میلیارد، ده میلیارد داشته باشی، کیفیت زندگی‌ات ده برابر نمی‌شه. خوشبختی تو به شکل خطی رشد نمی‌کنه، بلکه چیزی شبیه به یه تابع لگاریتمیه.

یه کلکی که به آدما می‌زنن تا به دنبال اون هویجی که جلوی‌شون گذاشته شده بدوئن، اینه که براشون داستان موفقیت تعریف می‌کنن. می‌گن: “ببین ایلان ماسک به کجا رسید، چرا ما نرسیم؟” اما واقعیت اینه که چنین چیزی تقریباً غیرممکنه. چطور می‌تونی ایلان ماسک بشی؟ شانس اینکه از نظر آماری تو به ایلان ماسک تبدیل بشی، یه در هشت میلیارد است؛ یعنی عملاً صفر. با این حال، آدما رو با این ایده گول می‌زنن و تو هم تو این مسیر می‌دوی. بعد تو شصت‌سالگی متوجه می‌شی که نه، تو هرگز نمی‌تونستی ماسک بشی.

خیلی از کلاس‌های موفقیت همین منطق رو دنبال می‌کنن. می‌گن: “ببین فلانی چه کار کرده، تو هم همون کار رو بکن.” اما این ایده اشتباهه. تنها کاری که تو می‌تونی انجام بدی اینه که خوشحال باشی، همین. خودت خوشحال باشی و کسی که کنارت نشسته هم خوشحال باشه؛ همین کافیه.

حتی بعضی‌ها که واقعاً به جایگاهی شبیه ایلان ماسک می‌رسن، در نهایت زندگی آرام و خوشایندی ندارن. اونا مجبورند از صبح تا شب حواسشون به اطرافشون باشه که مبادا کسی بهشون ضربه بزنه یا آسیبی برسونه. مثالش ترامپ؛ فکر نمی‌کنم او زندگی لذت‌بخشی داشته باشه. من فکر می‌کنم از او خوشحال‌تر هستم.

سوال ششم: به‌عنوان کسی که هر سه مقطع تحصیلی را در دانشگاه دولتی گذرانده‌اید، چه تفاوت‌هایی میان جو دانشگاه‌های دولتی و آزاد مشاهده می‌کنید؟ به‌ویژه اینکه دانشگاه‌های دولتی اهمیت زیادی به مسابقات علمی مانند ACM و ICPC می‌دهند و علاوه بر اعزام تیم به مسابقات کشوری و جهانی، مسابقات درون‌دانشگاهی هم برگزار می‌کنند. این در حالی است که چنین فضایی در دانشگاه‌های آزاد کمتر دیده می‌شود، با اینکه دانشجویان مستعدی هم در این دانشگاه‌ها وجود دارند.

دو جریان اصلی این وضعیت رو تعیین می‌کنن. یکی جریان بالا به پایین هست که مربوط به مکانیزم مدیریتی می‌شه. مدیریت دانشگاه دولتی و آزاد فرق دارن. دانشگاه دولتی از بودجه نفت تغذیه می‌کنه و نیازی نداره زحمتی برای تأمین درآمد و هزینه‌هاش بکشه. یعنی بخشی از درآمد نفت به وزارت علوم داده می‌شه و وزارت علوم اون رو به دانشگاه‌های دولتی می‌ده. ولی دانشگاه آزاد از شهریه تأمین می‌شه. پس اولویتش کم کردن هزینه‌ها و پایین آوردن شهریه‌هاست. نتیجه اینه که دست دانشگاه آزاد بسته‌تره. مثلاً اگه بودجه دانشگاه شیراز رو با دانشگاه آزاد شیراز مقایسه کنید، با اینکه دقیقاً نمی‌دونم چقدره، می‌شه گفت که دانشگاه شیراز چندین برابر بیشتر درآمد داره. فرض کنید خرج روزانه شما یک میلیون تومن باشه و اگه سه میلیون درآمد داشته باشید، دو میلیون اون رو می‌تونید برای تفریح و لذت خرج کنید. دانشگاه شیراز هم همین‌طوره. یک میلیون خرج روزمره گی و دو میلیون بودجه اضافی داره که برای گرنت، خرید تجهیزات، شرکت در مسابقات و غیره استفاده می‌شه. استادان دانشگاه شیراز گرنت‌های زیادی دارن که بعضی از اون‌ها تا آخر سال استفاده نمی‌شه. این جریان از بالا به پایینه. اگه دانشگاه آزاد زیر نظارت وزارت علوم بره و پول نفت بگیره، دیگه مشکلی نداره و تفاوتی هم نداره.

جریان دوم از سمت دانشجوهاست. دانشجوهایی که وارد دانشگاه دولتی می‌شن، معمولاً با مکانیزم کنکور و علاقه به درس خوندن وارد می‌شن و تونستن تست‌های کنکور رو بزنن و نمره خوب بگیرن. اینجا، دانشجوها ممکنه چون مثلاً نتونستن برای کنکور آماده بشن یا سر جلسه استرس گرفتن وارد رشته های بدون آزمون بشن. به همین علت معمولاً اولویتشون درس خوندن نیست. به‌خصوص نسل جدید که تعداد زیادی شون برای درس خوندن نیومدن دانشگاه. تو کلاس‌هایی که سی نفر دانشجو هستن، مثلا سه نفر علاقه‌مند باشن و بقیه منتظرن که کلاس کی تموم می‌شه. هر از چندی دستشون رو بلند می‌کنن و می‌پرسن: «استاد، این مطالب توی میان‌ترم میاد؟» یا «کلاس کی تموم می‌شه؟» اصلاً در فضای یادگیری نیستن. حالا حساب کنید این وضعیت رو تو یک سال، دو سال، ده سال، بیست سال جلوی استاد دانشگاه بگذارید. یعنی مداوم تو محیطی زندگی کنید که تنها سوالی که از شما پرسیده می‌شه این باشه که «استاد، این مطالب تو امتحان میاد؟»

سال ۸۵ که من وارد دانشگاه آزاد شدم این‌طور نبود. سوالاتی می‌پرسیدن و ایرادهای منطقی وارد می‌کردن که جوابش رو همون جلسه نداشتم و باید مطالعه می‌کردم. نتیجه اینه که روال دانشجوها تغییر کرده و دیگه علاقه‌ای ندارن. استادها هم دیگه انگیزه‌ای ندارن که مثل قبل ادامه بدن. تیم مدیریتی و اجرایی دانشگاه هم همین استادها هستن که به پوزیشن‌های مدیریتی می‌رن. نتیجه اینه که مدیریت دانشگاه هم دیگه اهمیت نمی‌ده، مگر فشارهای سازمانی وجود داشته باشه. مثلاً الان فشارهایی هست که دانشگاه آزاد شاخص تولید علم کمی داره، بنابراین هر استادی که مقاله پژوهشی داشته باشه، بهتره. چند سال پیش این دغدغه نبود و دانشگاه آزاد شاخص پژوهشی براش مهم نبود. دغدغه اصلی درآمد بود که حقوق استادها و کارمندها رو چطور بده.

آیا امیدی هست که این روند بهتر بشه؟ من فکر می‌کنم ممکنه، ولی با فرض اینکه به نتیجه نرسه، پیگیری این موضوع کلی درس زندگی داره. اینکه تو محیطی که همه چیز مخالف شماست، مقاومت کنید و تلاش کنید، درس خیلی خوبیه، مخصوصاً برای افراد جوان که بتونن مداومت و اصرار داشته باشن که به هدف برسن. حتی اگه به نتیجه نرسن، این تجربه کمک می‌کنه که تو آینده تو کارشون موفق‌تر باشن. من فکر می‌کنم با توجه به وضعیت فعلی، باید عشق کار کردن و آکادمیک بودن رو تو رده‌های مدیریتی نشون بدیم تا ببینن که علاقه به کار آکادمیک وجود داره و علاقه‌مند بشن. نمی‌دونم به نتیجه می‌رسه یا نه. چیزی که مطمئنم اینه که تو این پروسه کلی چیز جدید یاد خواهید گرفت. حتی اگه به نتیجه نرسه، این تجربه ارزشمنده. توصیه می‌کنم این کار رو بکنید، حتی اگه به نتیجه نرسه.

دانشگاه شیراز رو دانشجوها از خاک بلند کردن. من تو دوره تغییرات دانشگاه شیراز بودم. قبل از ما کارمندها مسئول مرکز کامپیوتر بودن. اون زمان کارمندها یه ساعت در روز پرینت می‌گرفتن و فلاپی‌ها رو کپی می‌کردن. مدیر اونجا تصمیم گرفت کار رو به دست دانشجوها بسپاره. یه تیم بیست نفره دانشجویی کل پی‌سی‌ها رو تجهیز کرد. از همشون نسخه پشتیبان گرفتن. هر وقت خراب می‌شد، دوباره اونو بازیابی می‌کردن. شبکه رو مدیریت می‌کردن، ریموت وصل می‌شدن، باگ‌ها رو رفع می‌کردن و از اتاق سرور کارها رو انجام می‌دادن. سیستم کاملاً زیر و رو شد.

سوال هفتم: آیا در دوران دانشجویی خود تجربه یا خاطره‌ای خاصی دارید که همچنان در ذهن شما مانده باشد، چه خوب و چه چالش‌برانگیز؟ یا شاید لحظات تأثیرگذاری با اساتیدتان داشته‌اید که برای شما به‌یادماندنی شده باشد؟ اگر مایل باشید، خوشحال می‌شویم داستانی از این تجربیات را بشنویم.

از استادهای تأثیرگذار من تو دوره لیسانس، دکتر توحیدی تو دانشگاه شیراز بود که تا چند سال پیش هم برنامه‌نویسی درس می‌داد. زمان ما، درس‌های زیادی می‌دادن: سیستم‌عامل، برنامه‌نویسی و چند تا درس دیگه. مغز الگوریتمیکی داشتن و وقتی می‌خواستن برنامه‌نویسی رو توضیح بدن، ساختار و داستان پشتش رو می‌ساختن. مثلاً وقتی می‌خواستن یه مفهوم رو توضیح بدن، سعی می‌کردن از حالت‌هایی که ممکن بود به نتیجه نرسن هم بگن تا بدونیم چرا این روش خوبه و بقیه روش‌ها مناسب نیستن. مثلاً وقتی می‌خواستن حلقه فور رو یاد بدن، اول درباره نیاز به تکرار توضیح می‌دادن تا نیازش رو بفهمیم، بعد ساختارش رو حدس بزنیم و در نهایت حلقه فور رو که همون ساختار رو داره، معرفی می‌کردن.

دکتر توحیدی تأثیر زیادی رو من داشتن. من عموماً کلاس‌ها رو نمی‌رفتم یا یکی در میان می‌رفتم، ولی کلاس‌های ایشون رو همیشه سعی می‌کردم برم. زمان انتخاب رشته ارشد هم پیش ایشون رفتم و گفتم: “رتبه‌ام این شده، کجا برم؟” ایشون به من گفتن که حتماً تو هر مقطع تحصیلی یه محیط جدید رو تجربه کنم و از استادها و محیط جدید درس بگیرم. این باعث شد که من برم تهران و تو دانشگاه تهران ادامه تحصیل بدم.

اونجا هم یه استاد خیلی خوب داشتم که متأسفانه فوت کردن. دکتر کارو لوکس. ایشون هم خیلی باسواد بودن و سبک زندگی‌شون رو خیلی دوست داشتم. با اینکه خیلی باسواد بودن، هیچ‌وقت خودشون رو نمی‌گرفتن. اولین باری که دکتر لوکس رو دیدم، تو پله‌ها بود. نمی‌شناختمش، ولی یه پیرمرد خوشحال و مهربون با ریش بلند دیدم که دارن بالا میان. سلام کردم و برخلاف انتظارم خیلی گرم جواب داد. هر وقت در اتاقش رو می‌زدم، ایشون همیشه تو اتاق و مشغول خوندن چیزی توی کامپیوترشون بودند.

این افراد واقعاً تأثیرگذار تو زندگی من بودن. دکتر لوکس هم خیلی آدم بزرگی بود و خیلی زود به خاطر یه بیماری فوت کردن. ولی با وجود بزرگی و سوادشون، همیشه خاکی و مهربون بودن. آدم‌هایی که با وجود موفقیت‌هاشون خودشون رو گم نمی‌کنن، واقعاً ارزش زیادی دارن. این افراد می‌دونن که ارزش واقعی تو اخلاقیات و شخصیت آدم‌هاست، نه چیزایی که دارن.

سوال هشتم: از اونجایی که موضوع این شماره اختصاص داره به هوش مصنوعی بعنوان کسی که در زمینه هوش مصنوعی تحقیق می کند توضیح بدید این واقعاً به چه معناست؟ چگونه یک قطعه کد می‌تواند دارای هوش و ادراک باشد؟ و چجوری با یکسری فرمول های ریاضی این موضوع از نظریه به عمل تبدیل میشود؟

جزئیات این موضوع خیلی زیاده و برای درک دقیقش باید چند سال تو حوزه هوش مصنوعی مطالعه کرد. ولی اگه بخوام خلاصه بگم، ایده اصلی هوش مصنوعی اینه که سیستمی ایجاد کنیم که بتونه تصمیم‌هایی شبیه به انسان بگیره. تو ایده‌های کلاسیک، یه متخصص برنامه‌نویسی با استفاده از ساختارهای مشخص مثل درخت تصمیم‌گیری یا درخت هرس آلفا-بتا، الگوریتمی می‌نوشت که بتونه تصمیماتی شبیه به انسان بگیره. هرچی تصمیم‌ها بیشتر به تصمیمات انسانی نزدیک بودن، اون رو «هوشمندتر» می‌دونستن.

هدف همیشه این بوده که کارهایی که انسان انجام می‌ده رو سیستم‌ها انجام بدن. کم‌کم این ساختارها پیشرفته‌تر شدن و هوش‌ها قوی‌تر شدن، ولی در نهایت، پشت همه این سیستم‌ها یه استنباط هیوریستیک وجود داره. یه ایده اکتشافی هست. مثلاً تو خانواده‌ی یادگیری آماری (Statistical Learning)، گفته می‌شه که جامعه بزرگ دروغ نمی‌گه. بنابراین، اگه شما رفتار جامعه رو شبیه‌سازی کنید، می‌تونید پیش‌بینی کنید که رفتارهای آینده چطور خواهد بود. مثلاً اگه هزار نمونه رو بررسی کنید و ببینید تو اون‌ها یه رفتار خاص انجام می‌شه، پیش‌بینی می‌کنید که تو نمونه هزار و یکم هم همون رفتار اتفاق می‌افته.

خیلی از روش‌های هوش مصنوعی رو از طبیعت الهام گرفتن. مثلاً الگوریتم‌های ژنتیکی به رفتار ژن‌های موجودات نگاه می‌کنن و شبکه‌های عصبی از عملکرد سلول‌های مغزی انسان الهام می‌گیرن. ایده اینه که اگه انسان هوشمنده و این هوشمندی تو مغزش متمرکز شده که شامل نورون‌های عصبیه، پس اگه بتونیم ساختاری شبیه نورون‌های عصبی ایجاد کنیم (که همون شبکه عصبیه)، ممکنه به هوش دست پیدا کنیم. بعد این ساختارها رو طراحی و اجرا می‌کنن.

ایده‌ها معمولاً به این شکله: انسان‌ها یا مکانیسم‌های طبیعی موفق رو بررسی می‌کنیم و از اونا الهام می‌گیریم تا یه سیستم هوشمند طراحی کنیم. بنابراین، الگوریتم‌های هوشمند باید یه ایده اولیه داشته باشن که توضیح بده چطور می‌تونیم مفهوم هوش رو به کد تبدیل کنیم. بعد از اون، برای این ایده یه ساختار (Structure) طراحی می‌شه. مثلاً تو شبکه‌های عصبی، یه تابع مثل WX تعریف می‌شه یا تو الگوریتم‌های ژنتیکی، یه ژن برای اون ساخته می‌شه و اینا با هم ترکیب می‌شن.

حالا چطور یه کد می‌تونه هوشمند بشه؟ اگه کدی صرفاً تصادفی (Random) باشه، نمی‌تونه هوشمند باشه. ولی اگه یه ساختار مشخص و هدفمند به اون اضافه بشه، می‌شه گفت که این کد هوشمنده. هوشمند بودن یعنی چی؟ یعنی کدی که بتونه رفتاری که براش تعریف شده رو دوباره تکرار کنه.

مثلاً تو هیوریستیک آماری، رفتارهایی که از هزار نفر مشاهده شده، دوباره تکرار می‌شه. اگه این رفتار تو نفر هزار و یکم هم تکرار بشه، می‌گیم سیستم هوشمند عمل کرده. فرض کنید شما رانندگی یاد می‌گیرید. رفتارهایی که تو صد هزار کیلومتر رانندگی قبلی آموختید، اگه تو کیلومتر بعدی هم همون رفتارها رو تکرار کنید، به نظر می‌رسه که دارید کار هوشمندانه‌ای انجام می‌دید.

سوال نهم: شبکه‌های عصبی، که از مغز انسان الهام گرفته شده‌اندو یکی از بزرگ‌ترین نوآوری‌ها در یادگیری ماشین هستند. با توجه به اینکه این شبکه‌ها تفاوت‌های زیادی با مغز انسان دارند، به نظرتون چه وظایفی رو بهتر از مغز انسان انجام می‌دن و در چه زمینه‌هایی عملکردشون ضعیف‌تره؟

تفاوت اصلی شبکه‌های عصبی با مغز انسان در تعداد نورون‌ها و لایه‌هایش هست. ضعف اصلی شبکه‌های عصبی، حتی شبکه‌های عمیق، اینه که تعداد لایه‌هاشون هنوز به تعداد لایه‌های مغز انسان نمی‌رسه. مغز انسان لایه‌های بیشتری داره و هرچی تعداد لایه‌های شبکه عصبی بیشتر باشه، مفاهیمی که می‌تونه تشخیص بده، پیچیده‌تر می‌شن. مثلاً یه شبکه‌ای با چهار لایه می‌تونه چیزای ساده‌ای مثل خطوط و دایره‌ها رو پیدا کنه، اما شبکه‌ای با چهل لایه می‌تونه تشخیص بده که چیزی که می‌بینه، قسمتی از دم یک گربه‌ست. به عبارتی، می‌تونه مفهوم پیچیده‌تری مثل گربه و حتی قسمتی از اون رو تشخیص بده. بنابراین، هرچی لایه‌ها بیشتر باشه، توانایی شبکه عصبی برای تشخیص مفاهیم پیچیده بیشتر می‌شه.

مغز انسان به دلیل تعداد زیاد لایه‌ها و اتصال‌های نورون‌ها، از نظر مفهومی پیچیده‌تره و می‌تونه مفاهیم پیچیده‌تری رو تشخیص بده. قدرت شبکه‌های عصبی تو پردازش اطلاعاته. با اینکه لایه‌های کمتری دارن، می‌تونن تعداد زیادی از محاسبات رو تو کسری از ثانیه انجام بدن، در حالی که مغز انسان نمی‌تونه این کار رو بکنه. مثلاً چشم انسان بیشتر از ۳۰ یا ۶۰ فریم در ثانیه رو نمی‌تونه ببینه. حتی اگه ۱۲۰ فریم در ثانیه هم بهش نشون داده بشه، براش فرقی نمی‌کنه. ولی شبکه‌های عصبی می‌تونن میلیون‌ها داده رو تو هر ثانیه پردازش کنن. بنابراین، نقطه قوت شبکه‌های عصبی تو سرعت و پردازش موازیه.

با این حال، مغز انسان هنوز تو زمینه‌هایی مثل پیدا کردن مفاهیم پیچیده جلوتره. فعلاً می‌گیم شبکه‌های عصبی خلاقیت ندارن. مثلاً تو شبکه‌های دیپ‌فیک، می‌تونن عکس‌های جعلی از انسان‌ها بسازن، مثلاً صورتی رو روی بدن دیگه‌ای مونتاژ کنن. ولی ممکنه خطاهایی رخ بده، مثلاً تصویری تولید بشه که انسان توش سه دست داشته باشه، چون شبکه نمی‌دونه که انسان نباید سه دست داشته باشه.

تو مدل‌های زبانی مثل GPT هم، با اینکه جمله‌ها رو خوب می‌سازن، ولی باگ‌های مفهومی دارن. مثلاً ممکنه ارتباط مفهومی بین چیزهایی که می‌گه وجود نداشته باشه. بنابراین، ضعف اصلی هوش مصنوعی فعلاً تو درک مفاهیم پیچیده‌ست، که ما بهش می‌گیم خلاقیت. شاید اگه تعداد لایه‌ها و توان پردازش اونا بیشتر بشه، بتونن به این خلاقیت دست پیدا کنن.

عملکرد نورون‌ها و سلول‌های شبکه عصبی تقریباً مشابهه، ولی تفاوت‌هایی تو ساختار و ساده‌سازی‌هایی که انسان‌ها تو طراحی شبکه‌های عصبی انجام دادن، وجود داره. مثلاً، تو شبکه‌های عصبی از توابعی مثل سیگموید به عنوان تابع فعال‌سازی استفاده می‌شه، ولی مغز انسان دقیقاً از سیگموید استفاده نمی‌کنه. این تفاوت‌های جزئی وجود داره، ولی تفاوت اصلی همون تعداد لایه‌هاست که باعث می‌شه شبکه‌های عصبی هنوز نتونن به پیچیدگی مفاهیم مغز انسان برسن.

سوال دهم: یکی از اهداف نهایی دانشمندان این حوزه، دستیابی به هوش عمومی مصنوعی (AGI) است، مدلی که بتواند مانند یک انسان عمل کند. به نظر شما، آیا روزی دانشمندان خواهند توانست به این هدف دست پیدا کنند؟

من موافق نیستم که مغز انسان ویژگی‌هایی داره که نمی‌شه تو هوش مصنوعی اون‌ها رو ساخت. مثلاً مغز انسان ممکنه صد لایه داشته باشه و هوش مصنوعی سی لایه. یعنی ساختار هوش مصنوعی تو آینده می‌تونه از مغز انسان پیشی بگیره. اما بحث آن بخشی از مغز هست که مفاهیم خیلی پیچیده‌ای رو استخراج می‌کنه و به چیزی که ما انسان‌ها به عنوان خودآگاهی انسان می‌شناسیم، می‌رسه.

خودآگاهی یعنی اینکه یه موجود بتونه کارهایی رو انجام بده که به نفع خودش باشه. مثلاً تو فیلم‌های علمی تخیلی، ربات‌ها به این نتیجه می‌رسن که انسان‌ها براشون مفید نیستن و اونا رو از بین می‌برن یا ازشون بهره‌برداری می‌کنن. رسیدن به این سطح از خودآگاهی نیاز به لایه‌های زیادی داره تا به اندازه کافی عمیق بشه و تا کمتر از پنجاه یا شصت سال این اتفاق نخواهد افتاد.

اگه هم این اتفاق بیفته، نباید از الآن نگران باشیم. یه زمانی من هر روز صبح بیدار می‌شدم و به مدرسه می‌رفتم، همیشه نگران بودم که آیا وقتی شب برمی‌گردم، پدر و مادرم زنده هستن یا نه، یا شاید با یه بنر ترحیم و تسلیت مواجه بشم. این استرس هر روز با من بود و با خودم گفتم که باید یه بار بذاریم آدم‌ها یه بار بمیرن و هر بار به خاطر این مسئله نمیریم. نباید هزار بار منتظر مرگ باشیم. بله، ممکنه یه روز هوش مصنوعی بیاد و ما رو تبدیل به فارم کنه، ولی تا حالا که این اتفاق نیفتاده. فعلاً باید از لحظه و هزینه فعلی‌مون استفاده کنیم و اگه هم در آینده به فارم تبدیل شدیم، با لذت یه فارم خوشحال باشیم و نگران نباشیم.

سوال یازدهم: چه پیشنهادی برای دانشجویانی دارید که می‌خواهند کار ریسرچ را شروع کنند؟در واقع چه گپ ها و موضوعات بکری وجود داره که دانشجو ها هم بتوانند در ان زمینه فعالیت کنند؟

به نظرم این بیشتر به درد دانشجویان کارشناسی می‌خوره که به تحقیق و پژوهش علاقه دارن. خوشبختانه کلاس‌های تحصیلات تکمیلی معمولاً روزهای آخر هفته‌ست که دانشجویان کارشناسی کلاس ندارن. من تقریباً به هرکدوم از دانشجویانی که به سراغم میان و می‌گن می‌خواهیم کاری انجام بدیم، این جواب رو می‌دم.

حتماً نیاز دارید که مفاهیم پیشرفته علم رو یاد بگیرید و راه‌حلش اینه که به کلاس‌های آکادمیک تحصیلات تکمیلی برید. من به کلاس‌های حضوری اعتقاد زیادی دارم چون تعامل‌پذیر هستن. مثلاً اگه استاد مطلبی رو بگه که به نظرتون اشتباه باشه، می‌تونید بپرسید چرا این رو می‌گه. کلاس‌های آنلاین یوتیوب و آپارات هم خوب هستن، ولی تعامل‌پذیر نیستن.

فکر نمی‌کنم هیچ‌کدوم از استادا ناراحت بشن اگه شما تو کلاس‌شون حضور پیدا کنید و بگید می‌خواهید گوش کنید. معمولاً به ندرت پیش میاد که استادی بگه نه، اجازه نداری تو کلاس من گوش بدی.

به نظرم اگه می‌خواهید کار تحقیقاتی کنید، یک یا دو سال نیاز به تحصیلات آکادمیک دارید و می‌تونید این تحصیلات رو تو زمان خودش یعنی تو دوره ارشد انجام بدید یا اگر علاقمندید زودتر شروع کنید.

پرسش: آیا موضوع خاصی را پیشنهاد می‌کنید که دانشجوها حول محور آن کار کنند؟

الان بیشتر کارها با ابزار دیپ لرنینگ انجام می‌شه. اما من اصلاً دوست ندارم که موضوعات به یه جهت خاص محدود بشن. مثلاً یکی دوست داره تو حوزه شبکه‌های اجتماعی کار کنه، یکی دیگه تو حوزه مالی. اصلاً تنوع قشنگه. سایتی به اسم “Papers With Code” وجود داره که تو اون “State of the Art” رو خوب دسته‌بندی کرده.

ایده اصلی این سایت اینه که مقالاتی قرار بده که کدهاشون هم وجود دارن. این سایت دسته‌بندی‌های خوبی ارائه می‌ده. اما اگه بخوام موضوع خاصی رو پیشنهاد بدم، واقعاً دوست ندارم همه به یه نقطه متمرکز بشن. این سایت کلمات کلیدی (Keywords) خوبی تو هر زمینه پیشنهاد می‌ده و می‌تونید با استفاده از اونا، کنار هم قرار دادن‌شون و شروع به تحقیق کنید.

سوال دوازدهم: به نظرتان جایگاه چه دسته از افرادی در حوزه برنامه نویسی و کامپیوتر توسط AI اشغال نخواهد شد؟

از آینده واقعاً نمی‌شه خبر داشت و ممکنه تو آینده هوش مصنوعی انقدر پیشرفته بشه که بتونه جای همه انسان‌ها رو بگیره. تو قسمت مکانیکی ربات‌هایی هستن که می‌تونن دست و پا رو شبیه‌سازی کنن، ولی با قدرت بیشتر، یعنی اگه شما پنجاه کیلو یا صد کیلو بار بردارید، اون‌ها می‌تونن سیصد کیلو رو بلند کنن. از نظر فیزیکی قوی‌ترن. مشکل اونا تو تصمیم‌گیریه و به نظرم این مشکل به این دلیله که لایه‌های تصمیم‌گیری اونا کمه. اگه لایه‌های تصمیم‌گیری بیشتر بشه و مفاهیم رو بهتر استخراج کنن، این مشکل هم حل می‌شه. بنابراین نمی‌شه گفت که جای خلاق‌ها، نقاش‌ها و هنرمندا رو نمی‌گیرن.

حالا یه هنرمند یا نقاش هم تفاوتش با یه آدم عادی اینه که لایه‌های تصمیم‌گیری بیشتری داره و داده بیشتری رو تو طول زندگیش جمع کرده. مثلاً اگه یه نقاشی سبک مدرن بسازه که همه بگن “به به”، این تفاوت از کجا میاد؟ این از تجربه و محیطی که از کودکی تو اون بوده به دست اومده. بنابراین مدل‌سازی بهتری داشته و می‌تونه نقاش یا هنرمند بهتری باشه. احتمالاً استعدادش هم کمک کرده. مثلاً اگه آهنگ‌ساز باشه، شبکه ارتباطی بین دست و مغزش بهتر کار می‌کنه و انگشتاش سریع‌تر پیانو می‌زنن. باز هم اینا به نظرم قابل پیاده‌سازی تو هوش مصنوعی هستن.

فعلاً هوش مصنوعی جای کسی رو نمی‌گیره. هوش مصنوعی فعلی اگر چه تو بعضی جاها تصمیم‌گیری‌های خوبی می‌کنه، اما فعلا فقط به مهارت‌های پایه انسانی رسیده. مثلاً اوجش خودروهای اتوماتیک هستن که خودران هستن. مهارت رانندگی که هر آدمی با رسیدن به هجده سال می‌تونه گواهینامه بگیره، مهارت پایه‌ایه. هنوز جای نقش‌های مهم رو نگرفته. ولی اگه پیشرفت کنه، می‌تونه پردازش پیچیده‌تری داشته باشه و جای افراد مهم‌تر، و در نهایت هم جای همه رو بگیره.

تو پیش‌بینی‌هایی که می‌شه، نظرات مختلفی وجود داره. من خودم ایده خوبی ندارم که این پیش‌بینی‌ها چقدر دقیق هستن، ولی به راحتی چند ده سال طول می‌کشه تا به جایی برسه که از همه انسان‌ها بهتر باشه و به خودآگاهی برسه. اینا مفاهیم خیلی پیچیده‌ای هستن که به راحتی به دست نمیان، ولی اگه طبیعت طی میلیون‌ها یا میلیاردها سال انسان رو تولید کرده، هوش مصنوعی طی صد یا دویست سال تکامل پیدا کرده چون یه نیروی متخصص و کارشناس به اون یاد داده که چه کار کنه و مثل طبیعت به‌صورت تصادفی جستجو نکرده.

سوال دوازدهم: موقعیت ایران در حوزه هوش مصنوعی کجاست و از نظر علمی و فنی چقدر با دیگر کشورها فاصله داریم؟ آیا ایران توانسته همگام با مرزهای دانش جهانی پیش برود؟

دانش جهانی مجزا دیگه چون تقریباً به یه جهان واحد تبدیل شده، وجود نداره. یعنی شما به همه مقالات و تحقیقات جهانی در لحظه دسترسی دارید. به محض اینکه چاپ می‌شن، شما همون ماه یا ماه بعد می‌تونید اونا رو بخونید و بفهمید چی می‌گن، یعنی همه انسان‌ها به دانش دسترسی دارن به همون اندازه که مثلاً یه نفر تو آمریکا دسترسی داره، شاید یه کم کمتر به خاطر تحریم‌ها، ما هم دسترسی داریم.

از لحاظ هوش و استعداد هم سطح آی‌کیو، تفکر الگوریتمی و استعداد ریاضی یه چیز ژنتیکی‌ هست که میلیون‌ها سال طول می‌کشه تا تغییر کنه. مثلاً اگه قرار باشه میانگین آی‌کیو انسان‌ها از صد به صد و ده برسه، احتمالاً یه میلیون سال طول می‌کشه. حالا شاید این عدد دقیق نباشه، ولی به هر حال زمان خیلی زیادی نیاز داره.

ما دو مشکل داریم: یکی اینکه تا وقتی که پول نفت داریم، نیازی به تولید دانش نداریم، شما حتی اگه بهترین کدها رو بنویسید، تا وقتی که آشنایی نداشته باشید، احتمالاً کسی از شما استقبال نمی‌کنه. تو استارتاپ‌ها هم پروژه‌های محدودی به نتیجه می‌رسن که واقعاً استعداد پشتشونه.

این بیشتر به تقسیم بودجه‌ای که از ساختار هرم پولی ناشی از فروش منابع طبیعی میاید، برمی‌گرده. بنابراین علاقه‌ای به تولید دانش وجود نداره و این عدم علاقه باعث می‌شه که حتی باهوش‌ترین و باسوادترین افراد ما هم نتونن تو کشور بمونن. تو دانشگاه خودمون کلی بچه‌ها هستن که به نظرم استعدادهای خیلی خوبی دارن. خیلی از اونا که تو مقطع ارشد و دکترا اینجا تحصیل کردن، به کشورهای خوبی مهاجرت کردن و اونجا موفق هستن.

بعضی وقت‌ها وقتی سر جلسه دفاع ارشد می‌شینید، می‌بینید که دانشجویی با این امکانات کار عالی انجام داده که نشون‌دهنده استعداد خیلی بالای اونه. ولی وقتی حقوق مناسبی بهش ندیم، طبیعتاً بلند می‌شه و می‌ره جایی که قدرش رو بدونن. این فقط مختص ایران نیست. سیستم همه کشورهایی که منابع می‌فروشن، که معمولاً تو خاورمیانه متمرکز هستن، اینجوریه. چون ثروتمندن، نیازی به کار کردن ندارن، مثل کسی که پدر پولدار داره. پول همیشه تو جیبشونه و نیازی به کار کردن و زحمت کشیدن ندارن.

از طرف دیگه، کشورهایی که منابع ندارن و نمی‌تونن منابع بفروشن، باید اطلاعات بفروشن. مثلاً نفت خام رو ببرن و بنزین برگردونن. این یعنی فرآوری و از اون پول درآوردن. اینجا تکنولوژی به کار می‌آد و پول بین متخصص‌ها تقسیم می‌شه. من فکر می‌کنم مشکل ما استعداد نیست، مشکل سواد یا دانش هم نیست، بلکه مشکل انگیزه‌ست. چرا باید افراد اینجا بمونن با حداقل حقوق کار کنن؟! وقتی جاهای دیگه قدرشون رو می‌دونن و با حقوق‌های خوب یا بالا ممکنه اونا رو نگه دارن.

استعدادهای خوب ما معمولاً مهاجرت می‌کنن و نمی‌مونن چون آینده خودشون براشون مهمه.

سوال سیزدهم: اگر بخواهید یک نقشه راه برای افرادی که به این حوزه علاقه‌مند هستند پیشنهاد دهید، چه مسیری را توصیه می‌کنید؟ برای مثال، آیا بهتر است ابتدا به سراغ ریاضیات و مفاهیم پایه‌ای بروند، سپس روی مبانی هوش مصنوعی تمرکز کنند و در نهایت کدنویسی را یاد بگیرند؟ یا اینکه بهتر است مستقیماً با کدنویسی شروع کنند و در طول مسیر، مفاهیم و ریاضیات مرتبط را فرا بگیرند؟

به نظرم راه‌حل نه کاملاً اینه و نه اون؛ بلکه جایی میان این دوتا قرار داره. روش قدیمی این‌جوری بود که شما اول کل یه ساختار رو یاد می‌گرفتید، مثلاً همه مباحث آمار و احتمالات مهندسی رو می‌خوندید، بعد که مسلط می‌شدید می‌رفتید سراغ هوش مصنوعی. این روش مربوط به زمانی بود که پیشرفت حوزه‌ها این‌قدر سریع نبود. شما وقت داشتید یکی دو سال بشینید و کلی مباحث پایه‌ای بخونید، چون علم کامپیوتر هم تو این فاصله تغییر زیادی نمی‌کرد. مثلاً اگه تو سال ۲۰۰۰ وارد کامپیوتر می‌شدید تا سال ۲۰۰۵، تفاوت خاصی تو الگوریتم‌ها ایجاد نشده بود. اما حالا سرعت پیشرفت اون‌قدر زیاده که دیگه وقت نمی‌کنید همه‌چیزو بخونید. اینکه همه‌چیز رو بخونید خوبه، چون علاوه بر دانش، دید بهتون می‌ده، ولی در شرایط فعلی امکانش وجود نداره. مطالعه ساختاری دو تا جنبه داره: اول، یادگیری دانش؛ و دوم، کاربرد اون دانش. متأسفانه، افراد اغلب به جنبه دوم توجهی نمی‌کنن. برای مثال، وقتی کتاب آمار و احتمالات مهندسی می‌خونید، معمولاً مدل‌ها رو حفظ می‌کنید؛ می‌دونید توزیع نرمال چیه، توزیع یکنواخت چیه، یا احتمال شرطی چطوری عمل می‌کنه. اما کمتر کسی به این فکر می‌کنه که احتمال شرطی کجا کاربرد داره یا چرا به چنین مدلی نیاز داشتیم. آیا تو زندگی روزمره‌تون جایی هست که از توزیع نرمال استفاده کنید؟ این نوع از درک عمیق و توجه به کاربردها معمولاً با مطالعه وسیع و کل‌نگر حاصل می‌شه. مثلاً من تو درس معماری کامپیوتر، خیلی اصرار دارم بگم چرا مانو [منظور نویسنده کتاب معماری کامپیوتر] این طراحی رو انجام داده. اینکه چرا بیست‌وپنج تا دستور گذاشته و نه سی‌تا؟ چرا این‌طور انتخاب کرده و طور دیگری انتخاب نکرده؟ هرچه بیشتر مطالعه کنید، بیشتر ایده می‌گیرید. شما باید یه هرم رو تصور کنید که از مفاهیم پایه‌ای پایین شروع می‌شه و به مباحث تخصصی بالای اون می‌رسه. حالا که وقت اون نیست که از پایین‌ترین سطح هرم مفاهیم شروع کنید و به آرومی پیش برید؛ پیشنهاد من اینه که از میانه هرم شروع کنید، یعنی نه از اصول کاملاً پایه‌ای و نه از موضوعات کاملاً تخصصی. اول مفاهیم اولیه و کلیدی رو پیدا کنید و اونا رو یاد بگیرید و هر وقت نیاز به عمق بیشتر داشتید، می‌تونید به مبانی پایه‌ای مثل آمار و احتمالات برگردید و مفهومی که نیاز دارید رو دوباره مرور کنید. برای ورود به حوزه هوش مصنوعی، خوندن سه تا شش درس در سطح کارشناسی ارشد باعث میشه تا دانش اولیه مناسبی به دست بیارید. این مسیر بهتون کمک می‌کنه تا بدون نیاز به مطالعه همه مفاهیم پایه‌ای، کارتون رو پیش ببرید. این مسیر استعداد مخصوص به خودش رو می‌خواد و به نظرم افرادی تو این‌ کار خیلی استثنا می‌شن که به همه‌چیز گیر می‌دن و هیچ مطلبی رو بدون دلیل و استدلال نمی‌پذیرن. مثلاً اگه من بگم این مدل یادگیری ماشین فلان کار رو انجام می‌ده، باید پیش خودتون بپرسید: چرا این کار رو انجام می‌ده؟ کدوم قسمت مدل باعث این نتیجه شده؟ اگه مدل رو دستکاری کنم چی می‌شه؟ این نوع سؤال‌ها خیلی مهمه. یه تجربه شخصی‌ام رو در مورد کنکور ارشد بگم. وقتی کنکور می‌دادم، به این فکر کردم که طراح سؤال یه انسانه و جواب درست رو می‌دونه. معمولاً طراحان دوست دارن جواب درست رو تو گزینه‌ای مخفی کنن که راحت پیدا نشه. برخلاف اینکه می‌گن احتمال درست بودن هر گزینه تو تست‌های چهارگزینه‌ای برابره، در عمل این‌طور نیست. من از کنکور سال‌‌های قبل نمونه‌گیری کردم و دیدم که مثلاً تو بعضی درس‌ها، جواب‌های صحیح بیشتر تو گزینه «ج» قرار دارن. وقتی این الگو رو پیدا کردم، تو درس سختی مثل معماری کامپیوتر که ضریبش برای گرایش من صفر بود، تمام گزینه‌ها رو «ج» زدم. نتیجه این شد که ۱۳ درصد معماری رو درست زدم، در حالی که اگه تصادفی جواب می‌دادم، باید صفر درصد می‌زدم. این تجربه نشون داد که مدل ذهنی طراح سؤال رو اگه بشناسید، می‌تونید بهتر عمل کنید. می‌خوام بگم، سؤال کردن پشت هر چیزی می‌تونه کلی دانش ایجاد کنه، چون در نهایت، جهانی که تو اون زندگی می‌کنیم، توسط انسان‌ها ارزیابی می‌شه. ما در حال برآورد و ارزیابی اون با مدل‌های آماری هستیم. انسان‌ها معمولاً گرایش و تمایل به یه سمت خاص دارن. این امر باعث می‌شه که اصل لوکالیتی تو جهان به وجود بیاد. فرض کنید که انسان‌هایی که به هم نزدیک هستن، هم‌سطح و هم‌فکرن. این یه گرایش لوکالیتیه که فرض رندوم بودن رو نقض می‌کنه. نتیجه اون اینه که اگه شما تو دانشگاهی نمونه‌گیری کنید، این نمونه با نمونه‌ای از شیراز یا با نمونه‌ای از ایران یا حتی جهان فرق داره. پشت این موضوع یه قانون لوکالیتی وجود داره که تو خیلی جاهای زندگی قابل مشاهده‌ست. اگه نگاهی به چراهای مسائل داشته باشیم، می‌تونیم تحلیل‌های خوبی از اون استخراج کنیم. حتی شاید بتونیم تمریناتی برای این تحلیل‌ها در نظر بگیریم، اما نمی‌دونم که این تحلیل‌ها به راحتی تغییر می‌کنن یا نه. به نظرم انسان‌ها می‌تونن تغییرات کوچک ایجاد کنن، ولی مخالف تغییرات بزرگ و بنیادی هستم. به نظرم انسان‌ها قادر به تغییرات بنیادی نیستن، چون اگه مغز انسان رو مثل یه شبکه عصبی در نظر بگیریم، اگه این شبکه عصبی برای سی سال با یه سری وزن‌ها تنظیم شده باشه، تغییر اون نیاز به تمرین و زمان داره. با تغییر یه سری پارامترها و نمونه‌ها، به این راحتی نمی‌شه تصمیمات اساسی گرفت. ولی تغییرات ریز قابل انجامه. به‌طور مثال، اگه شما ده بار تصمیمی بی‌هدف می‌گرفتید، می‌تونید یه بار به مدل پشت اون فکر کنید. اطلاعات وجود داره. استعداد هم وجود داره، اما ثابته. کسی نمی‌تونه IQ خودشو تغییر بده؛ نه می‌تونه اونو کاهش بده و نه افزایش بده. باز به گفته استادم استناد می‌کنم که پشتکار و عملکرد بخش عمده‌ای از موفقیت رو تشکیل می‌دن، به طوری که ایشون می‌گفتن حدود ۸۰ درصد از موفقیت به پشتکار بستگی داره و استعداد فقط ۲۰ درصد می‌تونه بر نتیجه نهایی شما تأثیر بذاره. تجربه و اطلاعات خیلی مهم هستن، اما ویژگی‌ای که شما رو از دیگران متمایز می‌کنه و برای یه سیستم اطلاعاتی ارزشمند می‌کنه، توانایی «فکر کردن خارج از چارچوب» است. این نوع تفکر برای سازمان‌های بزرگ خیلی مهمه. سازمان‌های بزرگ به دنبال افرادی هستن که به‌طور فکری متفاوت از دیگران عمل کنن. اگه شما مثل بقیه فکر کنید، تفاوتی ندارید. اما اگه بتونید متفاوت فکر کنید، این ویژگی جذابه. البته گاهی اوقات نظرات متفاوت ممکنه به محصول یا نتیجه نرسه، اما حداقل تنوع و واگرایی سیستم شما رو حفظ می‌کنه و این برای شما ارزشمند خواهد بود.

پرسش: از نظر شما رندوم چه معنی را می دهد؟ قبلا به رندوم بودن موارد اشاره فرمودید اما در اینجا گویا موافق چنین جیزی نیستید؟

اول باید مفهوم “رندوم” رو براتون توضیح بدم و بگم که چطوری به این نتیجه رسیدم. قبل از اینکه با کامپیوتر آشنا بشیم، یادمه که گفته می‌شد اعداد رندوم رو می‌شه با کامپیوتر تولید کرد. هنوز هم خیلی از ما از توابع رندوم برای تولید این اعداد استفاده می‌کنیم. فرضمون اینه که توزیع این اعداد یکنواخت هست، یعنی کاملاً تصادفی. ولی وقتی به پیاده‌سازی توابع رندوم نگاه می‌کنیم، می‌بینیم که این توابع معمولاً داده‌هایی رو از موقعیت‌های خاصی تو حافظه می‌خونن و با استفاده از پارامترهایی مثل زمان و چیزای دیگه، ترکیبی از اون‌ها رو تولید می‌کنن. بنابراین، اگه شما بدونید تو حافظه چی ذخیره شده و تو چه زمانی تابع رندوم رو فراخوانی می‌کنید، دقیقاً می‌تونید پیش‌بینی کنید که چه عددی تولید می‌شه. دیگه این عدد تصادفی نیست. این موضوع منو به این نتیجه رسوند که خیلی از چیزهایی که ما فکر می‌کنیم تصادفی هستن، در واقع تصادفی نیستن.

در واقع، کلمه “رندوم” زمانی استفاده می‌شه که مدل پشت یه پدیده رو نمی‌شناسیم، حتی اگه اون مدل کاملاً قطعی و دقیق باشه. هر وقت چیزی رو ندونیم، می‌گیم “رندوم”. پس، هیچ چیزی تو دنیا واقعاً رندوم نیست. حرکت اتم‌ها به طور دقیق مشخصه و تحت قوانین خاصی حرکت می‌کنن. حتی تو سطح اتمی، اگه چه رفتار اون‌ها پیچیده و نامشخص به نظر می‌رسه، باز هم در نهایت تحت قوانین ثابت و مشخص فیزیک قرار دارن. وقتی نمی‌دونیم مدل پشت یه اتفاق چیه، اون رو “رندوم” می‌نامیم.

تو دنیای واقعی، وقتی مدل پشت یه پدیده رو بدونیم، دیگه رندوم نیست. مثلاً اگه من برنامه‌ای بنویسم که یه عدد تصادفی تولید کنه و بدونم که چطوری این عدد تولید می‌شه (یعنی پیاده‌سازی تابع رندوم رو بدونم)، دیگه نمی‌تونم بگم که اون عدد تصادفیه. تو این حالت، اگه فقط پارامتر ورودی رو بدونم، دقیقاً می‌دونم که چه عددی تولید می‌شه. به همین دلیل، خیلی از هکرها سعی می‌کنن الگوریتم‌های تولید اعداد رندوم رو شبیه‌سازی کنن و از اون برای حملات استفاده کنن.

در نهایت باید بگم که توزیع‌های رندوم معمولاً یکنواخت نیستن. در واقع، خیلی از فرآیندهای رندوم تو دنیا رفتارهایی محلی دارن. یعنی تو بعضی نواحی، احتمال وقوع یه اتفاق بیشتره و تو نواحی دیگه این احتمال کمتره. مثلاً این توزیع‌ها به شکل منحنی زنگوله‌ای (نرمال) هستن. ولی چون بعضی وقت‌ها زمان یا اطلاعات کافی برای مدل‌سازی دقیق رفتارها نداریم، اونو رندوم یکنواخت می‌نامیم. بنابراین، هر وقت چیزی رو نمی‌شناسیم، به می‌گیم رندوم، و به صورت ضمنی یکنواخت، هست. در حالی که بیشتر اون‌ها توزیع‌های پیچیده‌ای دارن که اگه به درستی مدل‌سازی بشن، دیگه رندوم نیستن.

پرسش : طرفدار ایکیوی ثابت هستید؟

من واقعاً متخصص عصب‌شناسی نیستم، ولی مدلی که برای خودم دارم اینه که شبکه عصبی مغز ساختار ثابتی داره و خیلی تغییر نمی‌کنه و آی‌کیو همون ترکیب اولیه‌ست. یعنی ساختاری که به‌طور رندوم شکل گرفته یا از ساختار ژنتیکی پدر و مادر به ارث رسیده. مثلاً تعداد لایه‌ها، تعداد بازوهای هر نورون عصبی، پهنای اعصاب و نحوه اتصالشون به همدیگه‌ست که آی‌کیو رو تعریف می‌کنه. کسی که آی‌کیوی بالاتری داره، شاید مثلاً یه لایه بیشتر تو شبکه عصبی‌ش داشته باشه که باعث می‌شه ارتباط‌های پیچیده‌تری رو تشخیص بده. مثلاً به جای اینکه فقط دایره و مستطیل رو تشخیص بده، بتونه ارتباط بینشون رو هم بفهمه.

ولی فکر نمی‌کنم این ویژگی خیلی قابل تغییر باشه. البته یه آدم حداقل خیلی بزرگ‌تر از من، که بهش اعتقاد زیادی داشتم، می‌گفت این مهم‌ترین معیار نیست. دکتر لوکس معتقد بود پشتکار ۸۰ تا ۸۵ درصد مواقع شما رو به نتیجه می‌رسونه و فقط ۱۵ تا ۲۰ درصد استعداد کافیه. این‌طور نیست که اگه کسی آی‌کیوی بالایی داره، حتماً موفق می‌شه. مثال خرگوش و لاک‌پشت اینجا خیلی خوب صدق می‌کنه. خرگوش با اینکه سریع‌تره، معمولاً به خط پایان نمی‌رسه چون احساس نیاز به تلاش نمی‌کنه، ولی لاک‌پشت با پشتکارش موفق می‌شه. این مسئله تو زندگی هم زیاد پیش میاد.

در نهایت، آنچه اهمیت داره اینه که تو طول این هشتاد سال زندگی، مسیر زندگی رو جوری طی کنیم که ازش لذت ببریم و منابعی که در اختیار داریم رو به بهترین شکل ممکن استفاده کنیم.

یکی از موضوعاتی که گاها بهش فکر می‌کنم، مسئله حفظ محیط‌زیسته. مثلاً می‌گن تولید پلاستیک رو کاهش بدیم تا به زمین آسیب نرسه، یا تو مصرف آب شرب صرفه‌جویی کنیم. اما واقعیت اینه که این اقدامات در نهایت به نفع خود انسان‌هاست، نه کره زمین. زمین به وجود یا نبود انسان اهمیتی نمی‌ده؛ حتی اگه تمام انسان‌ها و موجودات روی اون نابود بشن، تو چرخه‌ای که طی میلیاردها سال ادامه داره، زمین دوباره ساختارهای جدیدی رو شکل می‌ده.

درکی که از جایگاه انسان تو جهان دارم، به ایده‌ای برمی‌گرده که تو یه پوستر دیدم. این پوستر به شکلی مفهومی نشون می‌ده که ما در مقایسه با وسعت کیهان، چقدر کوچک و ناچیز هستیم. کره زمین تو کهکشان جایگاه اندکی داره، کهکشان ما تو مجموعه کهکشان‌ها ناچیزه، و حتی جهان قابل مشاهده (Observable Universe) هم فقط بخشی محدود از کل جهانه. تو این ابعاد وسیع، جایگاه یه انسان با طول عمر هشتاد ساله، خیلی کوچیک‌تر از اونه که تأثیر عمیقی بر کل هستی داشته باشه.

با این حال، ما گاهی بیش از حد خودمونو جدی می‌گیریم. دائماً درگیر این هستیم که “اگه این تصمیم رو بگیرم چی می‌شه؟” یا “اگه این کار رو نکنم چه عواقبی داره؟” و گاهی خودمونو بابت اشتباهات یا انتخاب‌های گذشته سرزنش می‌کنیم. ولی وقتی از منظر بزرگ‌تری به زندگی نگاه می‌کنیم، درمی‌یابیم که این دغدغه‌ها و نگرانی‌ها تو مقیاس کلی جهان اهمیتی ندارن.

در نتیجه، به نظرم اونچه ارزشمنده، لذت بردن از مسیر زندگیه. باید زندگی رو جوری مدیریت کنیم که نیازهای اساسی مثل خوردن و خوابیدن برآورده شن، بخشی از زمان رو به پیشرفت و یادگیری اختصاص بدیم که حس خوشایندی از رشد به ما می‌ده، و بخش دیگه رو برای لذت‌های کوتاه‌مدت و تجربه‌های ساده اما عمیق مثل دیدن یه منظره زیبا، نوشیدن چای تو طبیعت، یا وقت گذروندن با دوستان کنار بذاریم.

این تقسیم‌بندی زندگی کمک می‌کنه تعادلی بین اهداف بلندمدت و لذت‌های کوتاه‌مدت ایجاد کنیم. مثلاً، مطالعه و تلاش امروز می‌تونه تو ده سال آینده به نتایج مطلوبی برسه، ولی همین امروز هم می‌تونیم از لحظه‌ای ساده مثل لذت‌بردن از طبیعت بهره ببریم.

در نهایت، باید به این نکته توجه کنیم که تأثیر ما بر جهان، حتی تو بهترین حالت، خیلی محدوده. حتی اگه فردی با قدرت و نفوذ بالا باشیم، مثل رئیس‌جمهور یه کشور بزرگ، تأثیر ما نهایتاً تو چارچوب سیاره زمین باقی می‌مونه و هیچ‌وقت از ابعاد کهکشان فراتر نمی‌ره.

اونچه اهمیت داره، ایجاد حس خوشبختی تو زندگی خودمونه؛ حس رضایتی که نه‌تنها از موفقیت‌های بلندمدت، بلکه از لذت‌بردن از لحظات کوتاه‌مدت هم به دست میاد. همین لحظات کوچک اما معنادار، می‌تونه مسیر زندگی ما رو ارزشمندتر کنه.

سوال چهاردهم: یک نگرش یا شاید یک نگرانی بعضی از دانشجویان کارشناسی برای انتخاب رشته ارشد و تعیین حوزه تخصصی خودشون دارن این هست که بطور مثال حوزه ای مثل هوش مصنوعی خیلی اشباع شده، رقابت شدیدی داره و در نتیجه این رو دلیلی در نظر میگیرن برای اینکه اصلا وارد چنین رشته هایی نشن اول که خواستم نظرتون راجب این تفکر بدونم؟ ثانیا چه معیارهایی وجود داره برای اینکه یک شخص با دید بازتری برای رشته و تخصص اینده اش تصمیم بگیره ؟

برای این موضوع افرادی رو نیاز دارید که با حوزه‌های مختلف در ارتباط باشن و بتونن بگن کدوم حوزه خوبه و کدوم هنوز اشباع نشده. شاید دکتر صفاری بیشتر با این حوزه‌ها آشنا باشه و بتونید از ایشان مشاوره بگیرید. من واقعاً نمی‌تونم چنین پیشنهادی بهتون بدم و بگم این حوزه خوبه. ولی راه‌حل معمول اینه که خیلی زیاد تخصصی نشید تو یه حوزه. اگه خیلی متخصص یه کار بشید، ممکنه دیگه کاری براتون نباشه. مثلاً من که اینجا کار می‌کنم و به من کد بدن، می‌تونم کد بزنم، بک اند هم اگه لازم شد بنویسم. فردا مدیر شبکه‌مون نبود، می‌تونم یه کمی کار شبکه انجام بدم. اگه سخت‌افزارم خراب بشه، می‌تونم دو تا لحیم انجام بدم. چند مهارته بودن خیلی کمک می‌کنه.

من تو کارآموزی خیلی اصرار دارم که بچه‌ها حتماً سخت‌افزار یا شبکه یاد بگیرن. خیلی‌هاشون می‌گن برنامه‌نویسی کنیم، ولی شما برنامه‌نویسی رو تو پروژه‌ها یاد گرفتید، برید یه چیز دیگه یاد بگیرید. حتی اگه خیلی هم یاد نگیرید، برای روزی که کامپیوترتون روشن نمی‌شه و صفحه آبی (Blue Screen) می‌ده، یه ایده‌ای دارید که چرا این اتفاق افتاده. مثلاً مشکل رم هست یا چیز دیگه.

چند حوزه‌ای بودن خیلی مفیده. همون داستانی که تخم‌مرغ‌هاتون رو تو چند سبد می‌ذارید. اگه یکی شکست، باز هم تخم‌مرغ دارید. اگه زندگیتون رو روی یه سایت بذارید و سایت شکست بخوره، همه چیز تمومه. ولی اگه مفهوم برنامه‌نویسی رو بلد باشید، می‌تونید سایت طراحی نکنید و به جای اون کد هوش مصنوعی بنویسید. اگه اون رو بلد نبودید، بک اند بنویسید. چون فقط نیاز دارید سینتکس رو تغییر بدید. اگه الگوریتم‌ها رو بدونید و سخت‌افزار رو بفهمید، می‌تونید بین حوزه‌ها سوئیچ کنید. چند حوزه‌ای بودن از همه چیز مهم‌تره.

به نظرم تو مقطع کارشناسی باید کمی از هر حوزه بلد باشید. ارشد کامپیوتر تکلیفش تقریباً مشخصه. ارشد کامپیوتر معماری، نرم‌افزار و هوش داره. دید شخصی من اینه که اصلاً قابل مقایسه نیستن با هم، یعنی به نظرم، اگه بخوام نمره بدم، ۸۰ درصد برای هوش و ۲۰ درصد رو بین اون دو تقسیم می‌کنم. تو رشته نرم‌افزار، خیلی از ایده‌ها هنوز همون ایده‌های ده، بیست یا پنجاه سال پیش هستن و کامپیوتر این‌قدر عمر طولانی رو قبول نمی‌کنه. در واقع، تکنولوژی که تو حوزه هوش استفاده می‌کنید، ممکنه سال ۲۰۱۹ معرفی شده باشه و سه یا چهار سال از اون گذشته باشه. به نظرم خیلی حوزه پویاتریه.

هوش می‌تونه به عنوان یه ابزار برای بقیه حوزه‌ها عمل کنه. اگه شما یه مهندس نرم‌افزار خیلی قوی بشید، بازاری که در اختیارتون هست محدوده. چقدر مهندس نرم‌افزار تخصصی می‌خوان؟ منظورشون از مهندس نرم‌افزار، برنامه‌نویس کامپیوتر نیست، بلکه تحلیلگر می‌خوان. تو یه سازمان صد نفره چند تحلیلگر و چند طراح می‌خوان؟! درصد خیلی کمی تحلیلگر و طراح نیاز دارن و بقیه لایه‌های برنامه‌نویسی هستن. این درصد اون‌قدر کمه که کسی که استعداد تحلیل و بررسی داره، از قبل این استعداد رو داره.

اگه شک دارید که تحلیل و بررسی حوزه خوبی برای شماست، نه، حوزه شما نیست. اگه هنوز شک دارید که باید تحلیل و بررسی کنید، نه، نباید این کار رو انجام بدید. شما باید از دوران دبستان تحلیل‌هاتون نسبت به بقیه برتری داشته باشه که شخصیت تحلیلگر داشته باشید. اگه تا حالا متوجه نشدید، احتمالاً تحلیلگر نیستید.

از طرف دیگه ما تو تکنولوژی پیشرفته سخت‌افزار زندگی نمی‌کنیم. مثلاً تو معماری کامپیوتر، اگه بهترین و به‌روزترین تکنولوژی‌های سخت‌افزاری رو یاد بگیرید، ما اصلاً تکنولوژی ساختشون رو نداریم. یعنی دستگاه‌ها و چیپست‌ها و آی‌سی‌ها رو نمی‌تونیم بسازیم. همه‌چیز روی کاغذ و سیمولاتوره. حتی اگه بتونیم پردازنده گیگاهرتز بسازیم، تو ایران نمی‌تونیم این سرعت رو داشته باشیم. پس هیچ‌وقت به تکنولوژی پیشرفته سخت‌افزار نمی‌رسیم. تنها چیزی که ابزار آماده داره، هوش مصنوعیه. تو شرایط فعلی، اعتبار بیشتری به هوش می‌دم. ولی رشته‌های مهندسی دیگه چقدر می‌تونن خوب باشن؟ نمی‌دونم.

حتی رشته‌ای مثل امنیت سایبری (Cybersecurity) و “Data Science”؟

در این‌ها هم از ابزارهای هوش استفاده می‌شه. تو امنیت سایبری هم دیگه روش‌های کلاسیک کارشناسان به کار نمیاد. یه زمانی بود که یه کارشناس می‌گفت این حمله دیداس هست و باید این کار رو بکنید. ولی الان همه مکانیزم‌ها اتوماتیک یاد می‌گیرن. باید بلد باشید از این ابزار کمک بگیرید و ابزار بسازید که آخرش همه‌ش می‌شه هوش مصنوعی.

سوال پانزدهم: این روزها خیلی‌ها، به‌خصوص در رشته کامپیوتر، به این فکر می‌کنند که دانشگاه دیگر مثل قبل کاربرد ندارد و مطالب درسی آن به‌روز نیست. از طرفی، شرکت‌های بزرگی مثل تسلا هم شرط داشتن مدرک دانشگاهی را برای استخدام برداشته‌اند. به همین دلیل، برخی معتقدند نیازی به دانشگاه رفتن نیست و با دوره‌های آنلاین سریع‌تر و بهتر میتوان به اطلاعات به‌روز دسترسی داشت. نظر شما درباره این طرز فکر چیست؟ آیا به نظرتان دانشگاه در حال از دست دادن جایگاه و اعتبار خودش است؟

تو دنیای امروز که جریان داده‌ها سریع پیشرفت می‌کنه، این تغییرات اتفاق می‌افته. این روند بعد از اومدن شبکه‌ها و افزایش ارتباطات بین آدما شدت گرفت. وقتی ارتباطات زیاد شد، حجم زیادی از داده‌ها در اختیار همه قرار گرفت و این باعث تغییرات ساختار شد. حالا که دسترسی به اطلاعات سریع‌تر و راحت‌تر شده، موافقم با اینکه راحت‌تر و با هزینه کمتر، می‌تونی مهارت‌های مورد نیازت رو یاد بگیری.

تقسیم‌بندی که من برای این موضوع دارم، که لزوماً درست نیست، این هست که برای حل یه مسئله، دو نوع تخصص نیاز داری. یکی اینکه مسئله خاص رو چطور حل کنی، یعنی یه مسئله با چه روش‌هایی حل می‌شه. نوع دیگه تخصص اینه که پشت مسئله رو تحلیل کنی و از اتفاقات جانبی جلوگیری کنی و مسائل مشابه رو هم حل کنی. یعنی اینکه تو حین حل مسئله، بتونی جوانب دیگه اون رو هم در نظر بگیری. خب، تخصص دوم به‌طور واضح گران‌تر و کمیاب‌تره.

آموزش‌های آنلاین مثل دوره‌های یوتیوب یا کلاس‌های موسسات و از اون واضح‌تر کلاس‌های کنکوری، برای خیلی از مسائل راه‌حل‌های کنکوری دارن، یعنی می‌تونی مسئله‌ای خاص رو حل کنی، بدون اینکه بدونی این مسئله چی بوده. اینکه تو برنامه‌نویسی ممکنه با Stack Overflow و کپی کردن کدهای آماده، باگی رو حل کنی یا در نهایت یه تغییراتی بدی، ولی چیزی که در نهایت داری یه چیز وصله پینه‌ای شده‌ست و اگه این مسئله تو شرایط متفاوتی قرار بگیره، ممکن هست به‌درستی کار نکنه. شرکت‌هایی که به این نوع تکنولوژی‌ها اهمیت می‌دن از نظر من یا اشتباه می‌کنن، یا اینکه لایه تفکر و آنالیز و سیستم‌های پیچیده‌شون رو به افراد باکیفیت می‌سپارن و صرفاً نوشتن فانکشنی که اونا نتیجه گرفتن رو به تو می‌سپارن.

حالا اگه بخوایم به سوال اصلی برگردیم، دلیل اینکه چرا تحصیل آکادمیک دیگه برای خیلی‌ها مفید به نظر نمی‌رسه اینه که آکادمیک و بیزینس دو حوزه متفاوت هستن. تو آکادمیک باید دانش و مدل‌سازی پشت علم کامپیوتر رو یاد بگیری. مثلاً وقتی تو دانشگاه کدنویسی یاد می‌دن، هدف فقط یاد دادن نوشتن حلقه “for” یا “while” نیست؛ بلکه باید بفهمی تفاوت این دو چیه. تو کلاس‌های دیگه، استاد ممکنه ازت بخواد یه حلقه بنویسی که اعداد یک تا ده، اعداد اول، یا اعداد کامل رو چاپ کنه. این کار رو می‌کنی، ولی مهم‌تر از اینکه فقط حلقه رو نوشته باشی اینه که درک کنی چرا این حلقه به این شکل کار می‌کنه یا چرا برای حل مسئله از “for” به‌جای “while” استفاده نشده.

برای حل یه مسئله خاص، نیازی به تحصیلات آکادمیک نداری. می‌تونی با شرکت تو دوره‌های آنلاین، دیدن ویدیوهای یوتیوب، یا مراجعه به منابعی مثل Stack Overflow خیلی سریع‌تر از چهار سال برنامه نویسی یاد بگیری. مثلاً اگه هدف این باشه که فقط یه فانکشن ساده بنویسی که دو ورودی بگیره و خروجی بده، می‌تونی این مهارت رو ظرف یه سال یاد بگیری. اما اگه بخوای به سطح تحلیل و طراحی برسی و بفهمی چرا ساختارهای برنامه‌نویسی به شکلی که هستن طراحی شدن، اون‌وقت نیاز به آموزش آکادمیک داری.

به نظرم کسی که به دانشگاه می‌ره، برای یاد گرفتن همین طرز تفکره. من به دانشجوها می‌گم در کنار دانشگاه دوره‌های عملی هم بگذرونن، چون ترکیب این دو مهارت تو چهار سال دانشگاه به‌تنهایی به دست نمیاد. تو دانشگاه قراره مفاهیمی رو یاد بگیری که کمک می‌کنن هر مسئله‌ای رو حل کنی، نه اینکه فقط یه مسئله خاص رو بلد باشی.

یه فارغ‌التحصیل دانشگاهی باید توانایی حل مسائل رو داشته باشه. اگه بهش بگن به‌جای سی، با جاوا یا پایتون کدنویسی کن، نباید بگه: «بلد نیستم.» باید بتونه مفاهیم رو به زبان‌های مختلف تعمیم بده. برنامه‌نویس کسی نیست که فقط یاد گرفته یه بار حلقه‌ای برای چاپ اعداد یک تا ده بنویسه و حالا اگه ازش بخوان یک تا پانزده رو چاپ کنه، نتونه.

تو دانشگاه، تو یه مهارت یاد می‌گیری؛ البته اگه واقعاً بخوای یاد بگیری. حالا کیفیت استادها و محیط آموزشی هم تأثیرگذاره. همیشه تو دانشگاه‌ها درصدی از استادها، مثلاً ۲۰ تا ۳۰ درصد، مفیدن. تو دانشگاه تهران که من درس خوندم، همین نسبت رو دیدم. حدود ۲۰ تا ۳۰ درصد استادها برای من مفید بودن، تو دانشگاه شیراز هم همین‌طور بود. این وضعیت تو بیشتر دانشگاه‌ها وجود داره.

اما همین ۲۰ تا ۳۰ درصد کافین. قراره از این استادها تجربه ۴۰ یا ۵۰ ساله‌ای که به صورت چکیده بهت منتقل می‌شه رو یاد بگیری. این تجربه هم عملیه و هم رفتاری. مثلاً می‌بینی استاد چطور یه مسئله رو حل می‌کنه یا وقتی ازش سوالی می‌پرسی، چطور جواب می‌ده. این رفتارها هم آموزشی هستن و کمک می‌کنن مسیر زندگی‌ات رو راحت‌تر پیش ببری. می‌تونی ببینی که اگه چهل یا پنجاه سال مثل این استاد زندگی کنی، به کجا می‌رسی، چه چیزهایی رو باید ازش یاد بگیری و چه مواردی رو کنار بذاری.

نگاه دانشگاهی یه دید استنتاجی و کلاسیکه. قراره تو اونجا مفاهیم رو یاد بگیری. ولی تو دوره‌های آموزشی خصوصی، معمولاً این مفاهیم رو آموزش نمی‌دن. این موسسات ساختار رو آموزش نمی‌دن و دلیلش هم واضحه: هدف اصلی اونا کسب درامده. موسسه‌ها می‌خوان دانشجوها خوشحال باشن تا ترم‌های بعد هم ثبت‌نام کنن. دانشجو زمانی خوشحال می‌شه که حس کنه چیزهایی رو یاد می‌گیره؛ پس سخت‌گیری نمی‌کنن و فقط چند مثال ساده میارن که دانشجو احساس کنه همه چیز رو یاد گرفته.

من زمانی مدیریت صنعتی درس می‌دادم و به من گفته می‌شد که زیاد سخت نگیرم تا دانشجوها راضی باشن. مثلاً اگه درس شبکه می‌دادم، فقط چند مثال ساده از شبکه رو می‌گفتم تا دانشجو لذت ببره و احساس کنه شبکه رو یاد گرفته. ولی تو دانشگاه، من درباره مدل پشت شبکه‌های کامپیوتری صحبت می‌کنم. ممکنه فقط درصد کمی از دانشجوها این مباحث رو بفهمن، ولی هدف من همون درصده که قراره طراح و تحلیل‌گر شن.

به طور کلی، آکادمیک مفاهیم انتزاعی و بنیادی رو آموزش می‌ده، در حالی که حوزه بیزینس بیشتر دنبال آموزش کاربردی و عملیه. هر دو لازم هستن، ولی قابل مقایسه نیستن. یه فرد کاملاً آکادمیک برای بعضی کارها مناسب نیست، و یه فرد کاملاً عملی هم فقط برای کارهای خاص مفیده. ولی کسی که تو هر دو حوزه تجربه داشته باشه، مثل یه الماس ارزشمنده. چنین فردی هم مسائل رو درک می‌کنه و هم می‌تونه اونا رو حل کنه.

سیستم آموزشی آکادمیک مثل جستجوی طلاست. اگه تو محیطی باشی که درصد بیشتری از استادها مفید باشن، شانس یادگیریت هم بالاتر می‌ره. مثلاً اگه تو دانشگاهی باشی که به جای ۲۰ تا ۳۰ درصد، ۷۰ تا ۸۰ درصد از استادها خوب باشن، احتمالاً بیشتر یاد می‌گیری. مشکل ما معمولاً سرفصل‌ها نیست؛ سرفصل‌ها اغلب خوبن، ولی مسئله اینه که استاد توانایی آموزش اونا رو داره یا نه. آیا استاد خودش مطلب رو بلده و اون رو به شکل منظم و قابل فهم ارائه می‌ده.

تفاوت دانشمند و استاد همین‌جاست. دانشمند مطلب رو بلده، ولی استاد باید بتونه اون رو به یه مطلب منطقی و قابل فهم تبدیل کنه. خیلی از استادها دانشمند خوبی هستن، ولی معلم خوبی نیستن. به همین دلیل، فقط 2۰ تا 3۰ درصد استادها می‌تونن واقعاً موثر باشن. این افراد رو هم معمولاً خارج از محیط آکادمیک پیدا نمی‌کنی.

اگه سوال این باشه که آیا دانشگاه چهار ساله مفیده؟ جواب اینه که به‌تنهایی کافی نیست. در کنار دانشگاه باید مهارت‌های عملی رو هم یاد بگیری. اما آیا جایگزینی دانشگاه با آموزش های آنلاین هم ممکن نیست.

سوال شانزدهم: تصویری که سینما و اکثر فیلم ها از برنامه‌نویس‌ها به نمایش می‌گذارن، غالباً فردی افسرده و درونگراست که در یک فضای ایزوله و با کمترین تعاملات، کار می‌کند. در حالی که در دنیای واقعی، به نظر می‌رسد موفقیت در این حرفه به‌شدت به مهارت‌های ارتباطی و نتورکینگ وابسته است. شما نقش نتورکینگ و تعاملات اجتماعی رو در پیشرفت شغلی برنامه‌نویس‌ها چطور می‌بینید؟خودتون در دوران دانشجویی به چه صورت و در چه محیط هایی با بقیه ارتباط برقرار میکردید؟

آن هوش اجتماعی که باعث شبکه‌سازی می‌شه به نظرم یه هدیه‌ست. من تو هوش اجتماعی قوی نیستم، سر کلاس با بچه‌ها خیلی ارتباط برقرار نمی‌کنم، به‌جزدانشجوهایی که خودشون ارتباط برقرار می‌کنن. به کسی که نشسته ته کلاس و داره با گوشی بازی می‌کنه کاری ندارم.

توی کلاس‌های دیگه مثلاً استاد خجسته سر کلاس کلی بحث‌های جدی و آتیشی درباره هواداران پرسپولیس و استقلال داشت و کلی تیم‌کشی می‌کرد. ببین چه شبکه‌ای می‌سازه! بچه‌ها با انگیزه میان سر کلاس تا کل‌کل کنن و چه شبکه‌سازی تو این بین اتفاق می‌افته. من خیلی مهارت‌های شبکه‌سازی ندارم و فکر می‌کنم این یه هنره که هرکسی ندارتش. من با دوستان صمیمی خیلی نزدیکم، ولی واقعاً نمی‌تونم شبکه بزرگی رو هندل کنم.

طبق تحقیقاتی که دیدم، شبکه‌ای که آدما دور و برشون دارن مثلاً از سه چهار نفر و ده نفر شروع میشه و نهایتاً تا صد و پنجاه لینک مستقیم می‌تونی شبکه‌سازی کنی. بعدش دیگه با واسطه‌ست، یعنی اگه دویست تا دوست داری، پنجاه تاش دوستت نیستن، بلکه با واسطه هستن.

از طرفی من با این دیدگاه مشکلی ندارم، مخصوصاً تو رشته‌هایی مثل مهندسی، تمرکز بر روی محاسبات ریاضی نیازه. ذهن افراد مهندسی، به‌ویژه تو رشته‌هایی مثل کامپیوتر، به حل مسائل پیچیده ریاضی متمرکز هست و معمولاً این افراد درون‌گرا هستن. درواقع درون‌گرایی تو چنین رشته‌هایی به نوعی ارزشه. اما تو شبکه‌سازی، درون‌گرایی ممکنه کار نکنه.

تو مسائل مهندسی معمولاً درون‌گراها موفق‌ترن. شما هر جا، فیلم، سریال، مجموعه یا شرکتی رو نگاه کنی، مهندس‌ها معمولاً درون‌گرا هستن چون کارشون تمرکز روی یه مسئله و حل کردنشه. تو نمی‌تونی هم‌زمان متمرکز نباشی و حواست هزار جا بره و مسئله رو هم خوب حل کنی، مگر اینکه چندوجهی باشی. چندوجهی بودن احتمالش خیلی کمه. مثلاً اگه احتمال تک‌وجهی خوب بودن یک در هزار باشه، احتمال دووجهی بودن یک در میلیونه.

با این حال، به نظرم اگه هوش اجتماعی یا هوش ریاضی داشته باشی یا نداشته باشی، به ساختار ذهنی‌ات بستگی داره. به همین خاطر، تلاش برای تغییر این ساختار تو مدت‌زمان کوتاه خیلی مؤثر نخواهد بود. شخصاً اعتقاد زیادی به این تغییرات ندارم و از اینکه به من بگن درون‌گرا هستم ناراضی نیستم. به نظرم درون‌گرایی مشکلی نیست، حتی می‌شه بهش افتخار کرد.

شاید مشکل زیادی درون‌گرا بودن این باشه که از استرس اینکه کار رو به نتیجه نرسونن، مثلاً وقتی پروژه‌ای دارن که باید کدنویسی شه، همیشه نگران هستن که نتونن پروژه رو برسونن و این نگرانی‌ها باعث می‌شه ساعت‌ها کد بزنن و دیگه وقتی برای شبکه‌سازی یا ارتباط با دیگران نباشه.

راه‌حل برای تقویت شبکه‌سازی درون‌گراها اینه که به‌تدریج زمانی برای ارتباطات اجتماعی اختصاص بدن. به جای اینکه خودشون رو مجبور کنن ناگهان شبکه‌سازی کنن، بهتره از نیم ساعت در روز شروع کنن و این زمان رو کم‌کم افزایش بدن تا شبکه‌سازی رو بتونن انجام بدن.

احتمالاً استادهای چندوجهی خوبی هم داریم. می‌تونید با اونا صحبت کنید و ببینید پیشنهادشون برای شبکه‌سازی چیه. ولی به نظرم این شبیه همون رویا فروشی است. یعنی یا مهارت هوش اجتماعی داری یا نداری. یا هوش ریاضی داری یا نداری. این‌ها همه برمی‌گرده به ساختار ذهنی‌ات و اینکه تو این بیست سی سال چطوری شکل گرفته. به نظرم باید از چیزایی که داریم حداکثر استفاده رو ببریم. این سوئیچ کردن از یه حالت به حالت دیگه رو خیلی روش فکر نکردم و فکر نمی‌کنم جواب بده.

سوال هفدهم: شما به عنوان یک استاد زمان زیادی را با دانشجوها تعامل دارید. نظرتان در مورد نسل Z چیست؟ چه تفاوت هایی با نسل های قبل دارن؟ تا به حال به چالش یا مشکل خاص برخوردید؟

مشکل از ساختار داده‌ها ناشی می‌شه؛ انقدر داده‌های زیادی در اختیار آدما قرار گرفته که افراد نسل جدید بمباران اطلاعاتی می‌شن. این افرادی که شما بهشون اشاره می‌کنید، از پنج سالگی‌شون بمباران اطلاعاتی شدن. من مثلاً اگه از سی سالگی بمباران اطلاعاتی شدم، ولی این نسل از ده سالگی تبلت دستشون بوده و تو انواع و اقسام شبکه‌های اجتماعی بمباران اطلاعاتی شدن. این بمباران اطلاعاتی باعث می‌شه که آدما نتونن متمرکز بشن. مثلاً یکی از چیزایی که حواس رو به راحتی سوئیچ می‌کنه، اینستاگرامه. هر پستی موضوعش با پست بعدی کاملاً متفاوته و این باعث می‌شه که نتونید روی چیزی تمرکز کنید. مثلاً یه خبر درباره جنگ می‌خونید و بهش فکر نمی‌کنید و سریع می‌رید سراغ نحوه ساختن یه توپ پلاستیکی و بعدش هم فکر می‌کنید ظهر چی بخورم؟ بمباران اطلاعاتی باعث می‌شه که تمرکز کاهش پیدا کنه.

این موضوع تقصیر هیچ‌کس نیست؛ این روند تکامل بشریته و همه‌جا اتفاق می‌افته. با بمباران اطلاعاتی آدما از حالت متمرکز به یه حالت وسیع ولی سطحی تبدیل می‌شن. ایراد دیگه‌ای که تو دانشجویان جدید می‌بینم، اینه که نظام آموزشی هم تست‌محور شده و همه‌چیز رو به صورت تستی حل می‌کنن. مثلاً تو دبیرستان دیگه مهم نیست که فرمول یه مسئله جبری چیه و از کجا اومده. اگه یه مسئله جبری بهتون بدن، می‌گن این‌جوری جوابش می‌شه، بدون اینکه به مدل پشتش کاری داشته باشن. این باعث می‌شه که افراد تستی بالا بیان و مفهومی یاد نگیرن. مکانیزم آموزشی دانشگاه‌ها هم به همین سمت می‌ره؛ چون از ابتدا همه‌چیز رو به صورت حفظی یاد می‌دن.

بمباران اطلاعاتی و آموزش تستی باعث می‌شه که افراد نتونن متمرکز بشن و مسئله حل کنن. این دلیل اصلیه که خیلی از دانشجویان جدید توانایی حل مسئله ندارن. می‌گن دانشجوها بی‌سواد و ناتوان شدن، ولی این‌طور نیست. از نظر ژنتیکی، آدما تو صد یا هزار سال ناتوان نمی‌شن. ضریب هوشی نمی‌تونه به این سرعت تغییر کنه. احتمالاً ضریب هوشی ما با ضریب هوشی آدما غارنشین خیلی فرقی نمی‌کنه. فقط اون‌ها اطلاعات در اختیارشون نبوده و از بچگی تعلیم ندیده بودن که تو سی سالگی مهندس آی‌تی بشن. شما از روز اولی که به دنیا می‌آید، چراغ بالای سرتون روشنه و ادیسون همه‌چیز رو قبلاً اختراع کرده. شما دیگه نیازی نیست چرخ یا برق رو از اول اختراع کنید. این تفاوت اصلیه.

برای حل مسئله، ما دانش عمقی می‌خوایم. نسل جدید دانش عمقی بهشون یاد داده نشده و مکانیزم آموزشی‌شون باگ داره. من الان تو این ساختار دیگه لذتی نمی‌برم از اینکه کسی سر کلاس بیاد و ته کلاس ساندویچ بخوره یا حرف بزنه. وقتی دستشون رو بالا می‌برن، تنها سوالشون اینه که این مطلب تو امتحان میاد یا نه؟ یا خیلی بخواد هوشمندانه‌تر بپرسه، می‌گه: «چه‌جوری از این سوال می‌دید؟» یعنی دنبال مدل‌سازی مغز من هم تا حدودی هستن.

با این حال، همین ترمی که دارم درس می‌دم، مثلاً سه چهار تا دانشجو هستن که دوست دارن چیزی یاد بگیرن. این انگیزه اصلی برای منه. جذابیت دانشگاه برای من اینه که اگه تو یه سال پنجاه تا صد تا دانشجو داشته باشم، از این تعداد پنج نفر هم خوشحال‌تر از دانشگاه بیرون برن، برای من ارزش داره. حتی تو مکانیزم‌های غلط آموزش و بمباران اطلاعاتی هم هنوز دانشجویان خوبی هستن.

سبک بازی عوض شده و نمی‌تونیم بگیم باید مثل قدیم باشه. هنوز خیلی‌ها برای حل مسئله و مهارت‌هاشون تلاش می‌کنن و به نظرم کیفیتشون خوبه. اینکه شبیه به من فکر نمی‌کنن، به معنای این نیست که کیفیتشون ایراد داره. من با آدما پونزده، بیست سال کوچیک‌تر از خودم کلی تعامل دارم و از اینکه این حجم دیتا رو دیدن، خوشم میاد.

یادمه که مامان و مامان‌بزرگ‌هامون هم می‌گفتن نسل جدید از دور خارج شده و دیگه درست نیستن. هر نسلی تغییرات خودش رو داره.

دنیا همینه و هر ده سال تو یه دوره‌ای زندگی می‌کنیم که اتفاقات جذاب خودش رو داره.

ما یک همه پرسی از دانشجویان در فضای مجازی ترتیب دادیم و اغلب متن های فرستاده حول محور تدریس خوب و ساختار بندی شده شما بود که غالبا هر ترم یک ساختار را دنبال میکند و از تسلط شما قدرانی کردند.

من پانزده-بیست ساله که دارم معماری درس می‌دم، یعنی معماری رو کامل می‌دونم چیه. به نظرم اینکه هر ترم مثل ترم قبل باشه خوب نیست، مگر اینکه علم تو فاصله بین ترم قبل و ترم فعلی خیلی تغییر نکرده باشه، یا مثلاً تو بازه پنج ساله هم تغییری نکرده باشه.

تو درس معماری کامپیوتر، رفرنسی که برای این درس داریم (مثل موریس مانو)، ده-پانزده ساله که تغییری نکرده. اون چیزی که می‌خواد درباره سخت‌افزار به دانشجو یاد بده، همونه؛ پایه و اساسش تغییری نکرده و همچنان می‌شه تو یه ترم اونو یاد گرفت. بله، تکنولوژی‌های ساخت سخت‌افزار قطعاً دارن تغییر می‌کنن، که ما تو این مورد بحثی نداریم، ولی تو این حد که کسی که می‌خواد فردا کدنویسی کنه بدونه دستور اسمبلی قراره چه شکلی اجرا بشه یا دیدی داشته باشه که چرا وقتی برق به کامپیوتر وصل می‌شه برنامه اجرا می‌شه. این ایده‌ها و مفاهیم، واقعاً تو ۲۰، ۳۰ یا حتی ۴۰ سال گذشته تغییر نکردن.

البته تو درس‌هایی که ماهیتاً داینامیک‌تر هستن، این ثابت موندن چندان مطلوب نیست. بیشتر درس‌های آکادمیکی که درباره‌شون صحبت می‌کنیم، معمولاً پایه‌هایی دارن که چند دهه قدمت دارن. مثلاً تو دنیای کامپیوتر، تنها چیزی که می‌تونم بگم تو ده-بیست سال اخیر واقعاً جابجا شده، شبکه‌های عصبیه. این مهم‌ترین چیزیه که می‌تونم بگم. یا مباحثی مثل فازی، هنوز همون قصه پنجاه سال پیش رو دارن. یادگیری آماری (Statistical Learnings)، همه رگرسیون‌ها، کلاسیفایرها (Classifiers)، KNN، همه این‌ها همون داستان سی-چهل سال پیش هستن. کاربردشون ممکنه یه کم تغییر کرده باشه، ولی مفهومشون همون اندازه قبلی باقی مونده. فقط تنظیم (Tune) شدن.

شبکه عصبی یکی از همون جرقه‌هایی بود که اتفاق افتاد. وقتی که CNN اومد و یه فیلتر لوکال ساختن، ضعف شبکه عصبی رو پوشوندن و بعد شبکه عصبی تونست دستش باز بشه، شروع به یادگیری کنه و وارد دیپ لرنینگ و شاخه‌هاش بشه. عملاً مهم‌ترین تغییر تو علم کامپیوتر و هوش مصنوعی تو ده سال اخیر، همین شبکه‌های عمیق بوده. بقیه موارد کلاسیک موندن؛ تغییرات‌شون فقط تو حد بهبود‌های جزئی بوده، اونم تو بازه‌های ده ساله.

تازه این وضعیت تو علمی مثل کامپیوتر که سرعت تغییراتش خیلی زیاده، رخ داده. احتمالاً تو علوم دیگه، سرعت تغییرات از اینم کمتره. حتی تو رشته‌های مهندسی، سرعت تغییرات کمتر از اینه. ولی تو علمی که سریعاً به‌روز می‌شه و جابجا می‌شه، خوبه که دائماً آپدیت بشه.

سوال هجدهم: چه عواملی باعث می‌شود که تعداد دانشجویان علاقه‌مند به پذیرش نقش‌هایی مانند دستیار آموزشی یا ارزیاب کمتر از انتظار باشد، و چگونه می‌توان انگیزه‌ی بیشتری برای مشارکت در این نقش‌ها ایجاد کرد؟

درباره‌ی دستیار آموزشی، شاید یه مشکلی که وزن زیادی بهش می‌دم، شبکه‌سازی منه.

اما از طرفی به کم‌انگیزگی دانشجویان مرتبط هست. ذهنیت من اینه که اگه کسی بخواد دستیار آموزشی باشه، خودش باید علاقه نشون بده و بخواد به‌عنوان (TA) یه درس فعالیت کنه. اما تعداد افرادی که با این انگیزه به من مراجعه می‌کنن خیلی کمه. این کار، نوعی فعالیت خیرخواهانه‌ست. یعنی آدما باید حاضر باشن در مقابل درآمدی که ندارن، وقت بذارن.

به‌ویژه حالا که دانشجو باید برای این کار مسیر زیادی تا دانشگاه صدرا طی کنه.

از سوی دیگه، درصد کمی از دانشجویان به‌دنبال یادگیری واقعی و عمیق نیستن، خیلی‌هاشون صرفاً برای گذروندن وقت یا دلایل دیگه تو دانشگاه حاضر می‌شن. کیفیت یادگیری برای بخش زیادی از اونا اهمیت نداره؛ همین که نمره قبولی بگیرن، خوشحال هستن.

حال، این دستیار آموزشی باید انگیزه کافی برای این دسته از دانشجوها داشته باشه. اضافه کردن دستیار آموزشی به درس مستلزم اینه که کسی واقعاً متقاضی این کار باشه. من شخصاً خوشم نمیاد کسی رو مجبور کنم، شخصیتم این‌جوریه که آدم زورگویی نیستم. شاید اگه بودم، بهتر بود، ولی رویکرد من این‌طوری نیست. معمولاً وقتی یه استاد به دانشجو می‌گه، دانشجو از احترامی که برای استاد قائل هست، معذب می‌شه و حتی با سختی هم که شده نهایتاً قبول می‌کنه.

مشکل دیگه اینه که شرایط زیرساختی مناسبی برای این کار نداریم. مثلاً دستیاران آموزشی نیاز به کلاس دارن، ولی کلاس‌های خالی کم داریم. حتی برای برگزاری کلاس‌های معمول هم با کمبود کلاس مواجه هستیم. تو ترم‌های اخیر این مسئله بیشتر هم شده و تعداد دانشجوها زیاد هست. حالا اگه بخوایم کلاس خالی برای دو ساعت در هفته پیدا کنیم و در اختیار دستیار بذاریم، این خودش کار سختیه.

سوال نوزدهم: چرا در کلاس هایتان، خصوصا معماری، تعامل کمی با دانشجویان دارید ؟

از این نظر که چرا غیر از تدریس کار دیگه‌ای نمی‌کنم، باید بگم وسواس منه. کلاً در مورد اینکه سرفصل رو باید تموم کنم وسواس دارم. مخصوصاً تو درس‌هایی که تو کنکور ارشد میاد. خودم خاطره خوبی از درس‌های دوره لیسانسم ندارم و برای ارشد مجبور شدم همه کتاب‌های مرجع رو از اول بخونم تا تازه بفهمم این درس چیه. انگار یه تجربه بد از اون زمان دارم. به همین دلیل، میشه گفت نوعی فوبیا از درس‌هایی که سرفصل‌هاشون نصفه‌ونیمه تدریس می‌شه دارم.

تو همه درس‌هام همین رویه رو دارم. مثلاً تو درس معماری، ترم‌های اول که درس می‌دادم، پنج تا شش فصل رو تدریس می‌کردم، اما حالا به سختی به چهار فصل می‌رسم. بعضی وقت‌ها حتی چهار فصل هم نمی‌تونم تموم کنم. این وسواس باعث می‌شه دیگه وقتی برای حاشیه رفتن نداشته باشم.

فکر می‌کنم مشکل اصلی همین فوبیاست. شاید هم هیچ اتفاق خاصی نیفته اگه دانشجو برای کنکور ارشد خودش بشینه بخونه، ولی من همچنان احساس می‌کنم که باید تو کلاس درس رو کامل یاد بگیره. این وسواس باعث می‌شه برخی فرصت‌ها رو از دست بدم، مثلاً همین تعامل‌هایی که می‌تونستم تو کلاس داشته باشم.

در کل، اون دسته از دانشجوهایی که هدفشون یادگیریه، خودشون سراغ من میان. معمولاً بعد از کلاس میان و سؤالات و ایده‌هاشون رو مطرح می‌کنن.

اما اگه بخوام مثلاً تعامل رو به صورت تعریف پروژه تعریف کنم، فکر می‌کنم این روش به حاشیه می‌ره. خیلی از دانشجویان زرنگ با کپی کردن پروژه ممکنه فقط برای گرفتن نمره یا گذروندن وقت این پروژه‌ها رو انجام بدن. این دیگه چیزی نیست که مدنظر منه.

بذارید یه حکایت براتون تعریف کنم: یه نفر می‌خواست یه غلام بخره. یه غلام خیلی گران‌قیمت دید که صاحبش می‌گفت این غلام مهارت خاصی داره؛ تشنه‌شناسه! هر کسی که تشنه باشه، غلام متوجه می‌شه. خریدار غلام رو خرید و برای امتحان مهارتش، مهمونی بزرگی ترتیب داد. تو مهمونی غذای شور درست کردن و آب هم سر سفره نگذاشتن. مهمونا غذا خوردن و تشنه شدن، اما غلام هیچ واکنشی نشون نداد. کم‌کم مهمونا شروع به اعتراض کردن و یکی از اونا خودش بلند شد و رفت آب بیاره. غلام همون موقع گفت “این شخص تشنه واقعی بود”.

به نظرم، تشنه واقعی خودش دنبال یادگیری میاد. این پروژه‌های کلاسی برای تشنه‌ها نیست، بلکه درصد زیادی از غیرتشنه‌ها رو جذب می‌کنه. اون دانشجویی که واقعاً علاقه‌منده، خودش میاد و می‌پرسه “می‌خوام فلان کار رو انجام بدم، چیکار کنم؟” منم راهنمایی می‌کنم.

پس می‌شه گفت دو عامل اصلی تو این موضوع تأثیر دارن: یکی وسواس من برای تموم کردن سرفصل‌ها و یکی اینکه رویکرد من بیشتر پیدا کردن تشنه واقعیه. این روش ممکنه خوب یا بد باشه، ولی برای من جواب می‌ده.

سوال بیستم: آیا روش تدریس شما برگرفته از تجربه‌ها یا استادان خاصی است؟

من در روش تدریس الگوریتمی و معلم بودنم سعی کردم شبیه همون استاد دوره کارشناسی‌ام، دکتر توحیدی، باشم. به نظرم او ساختار خیلی خوبی تو تدریس داشت؛ نیاز به مسئله رو اول ایجاد می‌کرد و بعد مسئله رو حل می‌کرد. یعنی مثلاً نیاز به حلقه “for” رو اول توضیح می‌داد و بعد کم‌کم اهمیتش رو نشون می‌داد. مثلاً اگه می‌خواست کاری کنه که پنج بار پرینت بگیره، پنج بار پرینت می‌گرفت تا دانشجوها خسته بشن و بپرسن چرا این کار رو می‌کنه. بعد توضیح می‌داد که برای جلوگیری از این کار نیاز به حلقه “for” داریم. این ساختار نیاز ساختن رو ازش یاد گرفتم و ایده تدریسم رو ازش گرفتم.

برای خوشحال بودن و سبک زندگی‌ام هم باز از دو استاد مهمی که داشتم تاثیر گرفتم. سعی کردم مزیت‌های خاص هرکدوم رو با هم ترکیب کنم. این دو نفر عملاً ایده‌های اصلی من رو شکل دادن.

آیا در پایان نصیحتی برای دانشجویان دارید؟

قبلاً گفتم همین که در واقع پول واقعی‌شون رو درست خرج کنن. یعنی اینکه پول واقعی که زمان هست رو تو مقیاس مناسبی خرج کنید که محصولش بشه یه شادی هشتاد ساله. برای هر کسی ممکنه لذت متفاوتی باشه؛ مثلاً یکی لذت می‌بره که سکه‌های پولش رو بشماره، یکی از کشف ناشناخته‌ها لذت می‌بره، یکی تو سفر، یکی تو حل مسائل پیچیده و بغرنج، یکی تو شبکه‌سازی. یه دستور به درد همه نمی‌خوره، ولی فصل مشترکشون اینه: چی خوشحالت می‌کنه؟ اون کار رو بکن. استرس گذشته رو نکش، غم آینده رو هم خیلی نخور، تو لحظه زندگی کن. از همش بهتره.

یه صحنه از فیلم پاندای کونگ فو کار هست، فکر می‌کنم پاندا زیر درخت هلو می‌خورد و استرس داشت. استاد اوگ وی یه جمله خوب گفت: “گذشته، گذشته. دیگه نمی‌شه کاریش کرد. آینده رو هم کسی ندیده، پس غمش رو نخور. تو حال زندگی کن.” درواقع “حال” ترجمه “Present” بود و می‌گفت به همین علت بهش می‌گن چون که هدیه فعلی‌تونه. این جمله جالب بود و واقعاً این استراتژی خیلی درسته. گذشته که گذشته، اگه افسوس بخوری، تغییر نمی‌کنه. آینده هم که پیش‌بینی‌ناپذیره و الان دیدیم یه مدل خیلی پیچیده روش سواره که ما نمی‌تونیم مدلش کنیم.

پس یه هفته آینده، یه ماه آینده چی خوشحالت می‌کنه؟ یه موقع تو حل مسئله خوشحالی، یه موقع با پول درآوردن خوشحالی، با هر چی خوشحالی. به نظر من باید زندگی رو سه قسمت کرد، یه درصدی برای آینده سیو کن، یه درصدی لذت‌های فعلی، یه درصدی لذت‌های آنی.