زندگی در آینده؛ از AGI و اضطراب هوش مصنوعی تا تایوان و «امپراتوری کالیفرنیا»

اگر بخواهیم یک جمله از گفت‌وگوی Naval Ravikant با Garry Tan، Daniel Francis و Farbood Nivi را به‌عنوان ایده مرکزی انتخاب کنیم، احتمالاً این جمله است: برای فهم آینده، باید تا حد ممکن در آینده زندگی کرد.

این گفت‌وگوی بیش از یک‌ساعته از تجربه روزمره کار با عامل‌های هوش مصنوعی شروع می‌شود، به AGI و ASI، آینده شغل‌ها، مدل‌های متن‌باز و بسته و کیفیت نوشتن با AI می‌رسد، سپس ناگهان وارد منشأ کووید، رقابت آمریکا و چین، دفاع از تایوان و در نهایت سیاست و جغرافیای کالیفرنیا می‌شود.

در ظاهر موضوع‌ها پراکنده‌اند؛ اما یک نخ مشترک آن‌ها را به هم وصل می‌کند: وقتی فناوری با سرعتی بسیار بیشتر از نهادهای اجتماعی، سیاسی و اقتصادی تغییر می‌کند، چه کسی می‌تواند خود را با جهان جدید هماهنگ کند و چه کسی جا می‌ماند؟

یادداشت: این نوشته خلاصه و تحلیل یک گفت‌وگو است، نه تأیید همه ادعاهای مطرح‌شده در آن. در بخش‌هایی که بحث به موضوع‌های علمی یا سیاسی مناقشه‌برانگیز می‌رسد، دیدگاه مهمانان را از وضعیت شواهد موجود جدا کرده‌ایم.

چه کسانی در این گفت‌وگو حضور دارند؟

این اپیزود با عنوان Live in the Future در ۲ ژوئیه ۲۰۲۶ منتشر شده است. Naval در کنار سه بنیان‌گذار نشسته است:

• Garry Tan، مدیرعامل Y Combinator؛
• Daniel Francis از Abel Police؛
• Farbood Nivi از A-LIST.

Naval از همان ابتدا تأکید می‌کند که موضوع اصلی، معرفی شرکت‌ها نیست. سؤال مهم‌تر این است که این افراد هنگام ساختن محصولات جدید چه چیزهایی درباره آینده یاد گرفته‌اند.

و تقریباً بلافاصله همه چیز به هوش مصنوعی برمی‌گردد.

۱. زندگی در سال ۲۰۲۸، با پول سال ۲۰۲۶

یکی از جذاب‌ترین ایده‌های گفت‌وگو این است که امروز می‌توان با هزینه زیاد، بخشی از تجربه‌ای را خرید که چند سال دیگر برای همه عادی خواهد بود.

Garry Tan درباره استفاده بسیار سنگین از مدل‌ها و عامل‌های هوش مصنوعی صحبت می‌کند و ایده‌ای تقریباً اغراق‌آمیز مطرح می‌کند: اگر امروز حاضر باشید مبلغ بزرگی برای توکن، مدل‌های frontier و اجرای مداوم agentها بپردازید، می‌توانید شبیه یک کاربر عادی در چند سال آینده زندگی کنید.

عددهایی که در گفت‌وگو درباره رشد inference یا افت هزینه‌ها مطرح می‌شوند پیش‌بینی‌اند، نه واقعیت قطعی. اما اصل ایده مهم‌تر از عدد است:

فناوری ابتدا برای گروهی کوچک، گران و عجیب است؛ بعد ارزان، فراگیر و بدیهی می‌شود.

این همان چیزی است که در اینترنت، تلفن هوشمند، فضای ابری و بسیاری از فناوری‌های قبلی دیده‌ایم. تفاوت AI در سرعت چرخه است. فاصله بین «دموی عجیب» و «ابزار روزمره» ممکن است به‌جای یک دهه، چند ماه یا چند سال باشد.

برای یک بنیان‌گذار یا متخصص، نتیجه عملی روشن است: اگر می‌خواهید بفهمید بازار دو یا سه سال بعد چگونه خواهد بود، فقط گزارش‌های آینده‌پژوهی را نخوانید؛ نسخه گران، ناقص و سختِ آن آینده را همین امروز استفاده کنید.

۲. سؤال اصلی دیگر این نیست که AI خوب است یا نه

گفت‌وگو خیلی زود از پرسش‌های عمومی فاصله می‌گیرد. کسی در این جمع نمی‌پرسد «آیا هوش مصنوعی مفید است؟»؛ این مرحله برای آن‌ها تمام شده است.

پرسش‌های جدید این‌ها هستند:

1. آیا مدل‌های متن‌باز برای اکثر کاربردها به‌اندازه کافی خوب می‌شوند؟
2. آیا مدل‌های frontier در دست چند شرکت محدود باقی می‌مانند؟
3. آیا دولت‌ها به‌دلیل اهمیت امنیتی AI دخالت مستقیم‌تری خواهند کرد؟
4. آیا هوش مصنوعی در سطح «متخصص انسانی» متوقف می‌شود یا به ASI می‌رسد؟
5. اگر ماشین از انسان بهتر شود، آیا ترکیب «انسان + ماشین» همچنان از ماشین تنها بهتر خواهد بود؟

این آخری از بقیه بنیادی‌تر است.

در بسیاری از فناوری‌های قبلی، ابزار انسان را تقویت می‌کرد. ماشین‌حساب، نرم‌افزار طراحی، موتور جست‌وجو و حتی نسل اول AI بهره‌وری انسان را بالا می‌بردند. اما اگر در یک حوزه، ماشین نه‌فقط از انسان، بلکه از انسان مجهز به ماشین هم بهتر شود، رابطه ما با ابزار عوض می‌شود.

نمونه‌ای که در گفت‌وگو مطرح می‌شود شطرنج است. مدتی ایده «شطرنج سنتاور» جذاب بود: انسان و موتور با هم می‌توانستند از موتور تنها بهتر بازی کنند. اما با قوی‌تر شدن موتورهای شطرنج، نقش انسان در بالاترین سطح کمتر شد.

سؤال ترسناک یا هیجان‌انگیز این است که آیا همین الگو در برنامه‌نویسی، پژوهش، طراحی، پزشکی و مدیریت نیز تکرار خواهد شد؟

۳. «آخرین کیلومتر خلاقیت»

Naval هنوز یک مرز مهم برای انسان می‌بیند: خلاقیت عمومی و توانایی تولید چیزی واقعاً جدید.

مدل‌های فعلی می‌توانند در بسیاری از کارها به سطح بسیار بالایی برسند، مسئله حل کنند، کد بنویسند، تحقیق کنند و میان حجم عظیمی از اطلاعات ارتباط پیدا کنند. اما پرسش Naval این است که آیا می‌توانند از فضای دانسته‌های قبلی بیرون بزنند و آن «آخرین کیلومتر» خلاقیت را طی کنند؟

این بحث با پیشرفت AI در مسائل ریاضی جدی‌تر می‌شود. وقتی مدل‌ها در حوزه‌ای مانند اثبات ریاضی ــ که فقط تکرار متن نیست و به ساختار استدلال نیاز دارد ــ پیشرفت می‌کنند، مرز میان «بازترکیب» و «کشف» مبهم‌تر می‌شود.

شاید مسئله در نهایت این نباشد که AI خلاقیت دارد یا نه؛ بلکه این باشد که چه مقدار از چیزی که ما خلاقیت انسانی می‌نامیم، قابل محاسبه و بازتولید است.

۴. اضطراب هوش مصنوعی بیشتر از خود AI، درباره سرعت تغییر است

در میانه گفت‌وگو اصطلاح AI anxiety مطرح می‌شود؛ اضطرابی که از آزمایشگاه‌های هوش مصنوعی تا کارمند معمولی و بنیان‌گذار استارتاپ قابل مشاهده است.

اما چند نوع اضطراب با هم ترکیب شده‌اند:

• ترس از عقب ماندن؛
• ترس از حذف شدن شغل؛
• ترس از تمرکز قدرت در شرکت‌ها یا دولت‌ها؛
• ترس از سوءاستفاده امنیتی؛
• و در شدیدترین حالت، ترس از هوشی که دیگر کنترل آن در دست انسان نیست.

یکی از دقیق‌ترین نکات گفت‌وگو این است که مشکل تاریخی فناوری معمولاً «نابودی همه کارها» نبوده؛ سرعت انتقال بوده است.

مکانیزه شدن کشاورزی در نهایت باعث نشد نیمی از جمعیت برای همیشه بیکار بمانند. اقتصاد شغل‌های جدید ساخت. اما آن انتقال دهه‌ها طول کشید. اگر AI همان جابه‌جایی را در چند سال ایجاد کند، جامعه زمان کمتری برای بازآموزی، تغییر قوانین، ساخت صنایع جدید و سازگار شدن فرهنگی دارد.

به بیان دیگر، شاید مهم‌ترین متغیر نه اندازه تغییر، بلکه مشتق آن باشد: چقدر سریع داریم تغییر می‌کنیم؟

۵. فعلاً AI بیشتر کار ایجاد کرده تا فراغت

یکی از تناقض‌های بامزه گفت‌وگو این است که کسانی که بیشترین استفاده را از AI دارند، کمتر کار نمی‌کنند؛ بیشتر کار می‌کنند.

چند نفر از مهمانان از اجرای هم‌زمان چند agent، برنامه‌نویسی مداوم و افزایش شدید خروجی خود صحبت می‌کنند. در این مرحله، AI برای آن‌ها جایگزین کار نیست؛ ضریب اهرم کار است.

این تجربه به یک قانون موقت منجر می‌شود:

در کوتاه‌مدت، احتمالاً کسی که از AI استفاده می‌کند جای کسی را می‌گیرد که از AI استفاده نمی‌کند؛ نه اینکه AI به‌تنهایی جای همه را بگیرد.

البته خود مهمانان هم تأکید می‌کنند که این قانون فقط تا زمانی معتبر است که انسان هنوز در حلقه ارزش افزوده داشته باشد.

اگر مدل‌ها بتوانند مسئله را تعریف کنند، ابزار بسازند، خروجی را ارزیابی کنند، خطا را اصلاح کنند و حتی agentهای لازم را خودشان تولید کنند، نقش انسان دوباره کوچک‌تر می‌شود.

۶. متن‌باز یا بسته؛ مسئله فقط کیفیت مدل نیست، مسئله قدرت است

بخش مهمی از گفت‌وگو به رقابت مدل‌های آمریکایی بسته و مدل‌های متن‌باز ــ به‌ویژه مدل‌های چینی ــ اختصاص دارد.

استدلال اصلی این است که اگر اختلاف کیفیت مدل متن‌باز با مدل frontier از یک سال به چند ماه کاهش پیدا کند، ساختار بازار تغییر می‌کند. شرکت‌ها و توسعه‌دهندگان برای بسیاری از کاربردها حاضر نیستند همیشه بالاترین قیمت را بپردازند، به‌خصوص وقتی مدل ارزان‌تر و قابل‌کنترل‌تر «به‌اندازه کافی خوب» باشد.

اما Naval یک نگرانی بزرگ‌تر دارد: تمرکز هوش مصنوعی در دست گروهی کوچک.

از نگاه او، دو سناریو هر دو ریسک دارند:

• اگر AI کاملاً باز و در دسترس همه باشد، توانایی‌های خطرناک نیز دموکراتیک‌تر می‌شوند.
• اگر AI در دست چند شرکت و دولت متمرکز شود، مسئله نظارت، کنترل، دسترسی نابرابر و سوءاستفاده قدرت جدی‌تر می‌شود.

این دوگانه یکی از دشوارترین مسائل سیاست‌گذاری AI است. «باز بودن» همیشه مترادف آزادی نیست و «بسته بودن» هم همیشه مترادف امنیت نیست.

۷. وقتی نرم‌افزار کالایی می‌شود، مزیت کجا می‌رود؟

یکی از بحث‌های اقتصادی جالب اپیزود درباره این است که AI چه بر سر مزیت تاریخی نرم‌افزار می‌آورد.

برای سال‌ها سرمایه‌گذاران عاشق نرم‌افزار بودند: هزینه نهایی پایین، مقیاس‌پذیری بالا، قفل‌شدن کاربر و حاشیه سود جذاب. سخت‌افزار در مقابل کسب‌وکاری دشوارتر و کالایی‌تر به‌نظر می‌رسید.

اما اگر بتوانید یک نرم‌افزار را با چند توضیح دقیق و چند ساعت تعامل با agent بسازید، بخشی از مزیت کمیابی نرم‌افزار از بین می‌رود.

در گفت‌وگو این ایده با جمله‌ای تند خلاصه می‌شود: AI دارد نرم‌افزار را می‌خورد.

از آن طرف، چین در بسیاری از زنجیره‌های سخت‌افزاری و تولید انبوه مزیت عمیقی دارد. در نتیجه یک سناریوی قابل‌توجه شکل می‌گیرد:

• نرم‌افزار سریع‌تر کالایی می‌شود؛
• سخت‌افزار همچنان به زنجیره تأمین و مقیاس تولید وابسته است؛
• و ارزش کمیاب‌تر به سمت پژوهش frontier، محاسبات عظیم، داده و زیرساخت AI منتقل می‌شود.

این اتفاق می‌تواند صنعت فناوری را از دورانی که یک تیم کوچک با چند لپ‌تاپ می‌توانست محصولی جهانی بسازد، به دورانی ببرد که بخشی از frontier به سرمایه‌گذاری در مقیاس نیروگاه و دیتاسنتر نیاز دارد.

۸. AI خوب می‌نویسد یا فقط زیاد می‌نویسد؟

یکی از انسانی‌ترین بحث‌های اپیزود، اختلاف نظر درباره نوشتن با AI است.

Naval از متن‌های واضحاً ماشینی بدش می‌آید. استدلال او فقط زیبایی‌شناختی نیست: نوشتن خوب بخشی از فکر کردن خوب است. اگر تمام فرایند بیان را برون‌سپاری کنید، ممکن است عضله فکر و بیان خود را نیز کمتر تمرین دهید.

او میان دو کاربرد تفاوت می‌گذارد:

• AI برای گفت‌وگو، تحقیق، بارش فکری، پیدا کردن مترادف و کشف ارتباط‌های جانبی؛
• AI برای تولید مستقیم متنی که قرار است یک انسان دیگر وقت بگذارد و بخواند.

در مقابل، Garry Tan معتقد است کیفیت فعلی AI را نباید سقف توانایی آن دانست. با corpus شخصی، ارزیابی چندمرحله‌ای، ابزارهای retrieval و مدل‌های بهتر، ممکن است خروجی به جایی برسد که تشخیص آن از نوشتن انسان دشوار شود.

این اختلاف در واقع درباره «آیا AI می‌تواند جمله خوب بسازد؟» نیست. پرسش عمیق‌تر این است:

وقتی هزینه تولید متن تقریباً صفر شود، ارزش متن از کجا می‌آید؟

احتمالاً از انتخاب، فشرده‌سازی، قضاوت، تجربه شخصی و چیزی که نویسنده واقعاً حاضر است پشت آن بایستد.

اگر یک AI بتواند در سه ثانیه پنج‌هزار کلمه تولید کند، کمیاب‌ترین چیز دیگر کلمه نیست؛ توجه خواننده است.

۹. «Agent من با Agent تو حرف بزند»

گفت‌وگو از نوشتن به یک آینده عجیب اما قابل‌تصور می‌رسد: اگر ایمیل، گزارش، خلاصه جلسه و حتی بخش‌هایی از مذاکره را AI تولید می‌کند، چرا انسان‌ها باید متن‌های تولیدشده توسط agent یکدیگر را بخوانند؟

شاید به‌جای اینکه AI من یک ایمیل طولانی برای تو بنویسد و AI تو آن را خلاصه کند، دو سیستم مستقیماً ساختار مورد نیاز را با هم مبادله کنند.

برای کارهای ماشینی، این مسیر منطقی است. APIها سال‌هاست همین کار را می‌کنند. تفاوت این است که agentها می‌توانند این ارتباط را از نرم‌افزارهای از قبل تعریف‌شده به وظایف بازتر و مبهم‌تر گسترش دهند.

در چنین جهانی، انسان فقط در نقاط تصمیم وارد می‌شود: هدف چیست؟ چه چیزی مطلوب است؟ کدام مصالحه را می‌پذیریم؟ چه چیزی ارزش ساختن دارد؟

و شاید همین‌جا نقش آینده انسان شکل بگیرد: نه انجام تک‌تک مراحل، بلکه تعریف خواسته و قضاوت درباره نتیجه.

۱۰. از AI به کووید؛ جایی که باید میان ادعا و شواهد فرق گذاشت

بحث درباره خطرات دموکراتیک شدن توانایی‌های زیستی، گفت‌وگو را به منشأ کووید می‌کشاند. در این بخش Naval ادعای بسیار قاطعی مطرح می‌کند و نقش نهادهای آمریکایی و چینی و پژوهش‌های مرتبط با کروناویروس‌ها را به منشأ SARS-CoV-2 پیوند می‌دهد.

این ادعا را نباید به‌عنوان یک نتیجه علمی قطعی بازنشر کرد.

آنچه با اطمینان بیشتری می‌توان گفت این است که ایالات متحده از طریق سازوکارهای پژوهشی، از جمله کمک‌های مالی مرتبط با EcoHealth Alliance، در گذشته از بخشی از تحقیقات کروناویروس‌ها در همکاری با مؤسسات چینی حمایت کرده بود. اما وجود این تأمین مالی به‌خودی‌خود اثبات نمی‌کند که ویروس عامل همه‌گیری در همان پروژه‌ها ساخته شده یا از آن‌ها به وجود آمده است.

در آخرین ارزیابی عمومی مهم سازمان جهانی بهداشت (WHO) در ژوئن ۲۰۲۵، گروه SAGO اعلام کرد که وزن شواهد موجود بیشتر به نفع سرریز طبیعی از حیوان به انسان است، اما به‌دلیل کمبود داده‌ها، فرضیه رخداد آزمایشگاهی نیز هنوز به‌طور کامل کنار گذاشته نشده است. بنابراین منشأ دقیق SARS-CoV-2 همچنان به‌طور قطعی بسته نشده و ادعای «طراحی مشترک آمریکا و چین» فراتر از چیزی است که شواهد عمومی فعلی ثابت می‌کنند.

این تمایز مهم است، چون خود موضوع گفت‌وگو نیز همین است: فناوری قدرتمند، در محیطی با اطلاعات ناقص و اعتماد عمومی پایین، به‌سرعت سیاسی می‌شود.

۱۱. چین، تایوان و محدودیت قدرت آمریکا

از اینجا بحث به رقابت آمریکا و چین و سپس تایوان می‌رسد.

Naval دیدگاهی خلاف جریان رایج سیاست خارجی آمریکا مطرح می‌کند: او نسبت به توان و حتی تمایل آمریکا برای ورود به جنگ مستقیم با چین بر سر تایوان تردید دارد. استدلالش ترکیبی از جغرافیا، موشک‌های زمینی، پهپادها، ظرفیت تولید صنعتی و فاصله لجستیکی است.

این بخش را باید به‌عنوان تحلیل و پیش‌بینی شخصی خواند، نه توصیف قطعی از آینده تایوان.

اما نکته مهم‌ترِ بحث درباره تایوان، خود تایوان نیست؛ درباره قدرت صنعتی است.

جنگ‌های بزرگ فقط با نرم‌افزار، مدل AI و سرمایه خطرپذیر اداره نمی‌شوند. آن‌ها به تولید انبوه، قطعه، موشک، کشتی، انرژی، مواد اولیه و زنجیره تأمین نیاز دارند. مهمانان از این زاویه هشدار می‌دهند که آمریکا ممکن است در فناوری frontier بسیار قدرتمند باشد، اما در بخشی از ظرفیت تولید فیزیکی نسبت به چین ضعف ساختاری داشته باشد.

این همان شکافی است که در اقتصاد AI نیز دیده می‌شود: دنیای دیجیتال می‌تواند در چند ماه تغییر کند، اما ساخت کارخانه، شبکه برق، معدن، بندر و زنجیره تولید سال‌ها زمان می‌برد.

۱۲. آیا آمریکا و چین واقعاً مجبورند دشمن باشند؟

یکی دیگر از خطوط بحث، مخالفت با این فرض است که رقابت آمریکا و چین الزاماً باید به جنگ تبدیل شود.

در گفت‌وگو میان رقابت اقتصادی و درگیری نظامی تفاوت گذاشته می‌شود. حتی کسی که از تعرفه، حفاظت از صنایع راهبردی یا مقابله با یارانه‌های دولتی چین دفاع می‌کند، لزوماً نتیجه نمی‌گیرد که جنگ راه‌حل منطقی است.

این تمایز برای دنیای AI هم کاربرد دارد. کشورها می‌توانند برای تراشه، مدل، دیتاسنتر، استعداد و زنجیره تأمین رقابت کنند و هم‌زمان منافع بزرگی در جلوگیری از یک درگیری مستقیم داشته باشند.

مسئله این است که فناوری‌های دوگانه ــ فناوری‌هایی که هم کاربرد اقتصادی دارند و هم امنیتی ــ مرز میان تجارت و امنیت ملی را کمرنگ می‌کنند. تراشه AI می‌تواند هم ابزار بهره‌وری باشد و هم بخشی از سامانه نظامی. مدل زبانی می‌تواند هم معلم شخصی باشد و هم ابزار سایبری.

هرچه AI مهم‌تر شود، سیاست فناوری نیز بیشتر به سیاست امنیت ملی نزدیک می‌شود.

۱۳. «امپراتوری کالیفرنیا»؛ جغرافیایی که نمی‌توان کپی کرد

بخش پایانی سیاست داخلی آمریکا به کالیفرنیا می‌رسد و یکی از عجیب‌ترین تعبیرهای اپیزود شکل می‌گیرد: California Empire.

ایده این است که کالیفرنیا مجموعه‌ای کم‌نظیر از مزیت‌ها را در یک ایالت جمع کرده است:

• آب‌وهوای مطلوب در بخش بزرگی از ساحل؛
• زمین‌های کشاورزی بسیار حاصل‌خیز؛
• بنادر مهم؛
• دانشگاه‌های سطح بالا؛
• صنعت سرگرمی؛
• Silicon Valley؛
• شبکه عظیم سرمایه و مهاجران متخصص؛
• و فرهنگی که هنوز بخش بزرگی از صنعت فناوری جهانی را تولید می‌کند.

مهمانان درباره مدیریت ایالت، هزینه‌ها، سیاست محلی و توان ساخت زیرساخت انتقادهای شدیدی دارند. اما همین‌جا تناقض اصلی کالیفرنیا نمایان می‌شود:

ممکن است یک سیستم حکمرانی ناکارآمد باشد و در عین حال روی یکی از ارزشمندترین تکه‌های جغرافیا و متراکم‌ترین شبکه‌های استعداد دنیا نشسته باشد.

به همین دلیل، پیش‌بینی افول کالیفرنیا بارها مطرح شده و بارها هم ساده‌تر از واقعیت از آب درآمده است. شرکت‌ها و افراد می‌توانند مهاجرت کنند، اما شبکه‌ای که طی چند نسل ساخته شده فوراً جابه‌جا نمی‌شود.

این نکته به بحث AI هم برمی‌گردد: مزیت واقعی فقط «داشتن مدل بهتر» نیست؛ اکوسیستم است. دانشگاه، سرمایه، تراشه، دیتاسنتر، مهاجرت استعداد، فرهنگ ریسک‌پذیری و بازار باید کنار هم قرار بگیرند.

۱۴. سفیدترین قرص اپیزود: ربات برای همه

بعد از یک ساعت بحث درباره ASI، جنگ، فروپاشی شغل‌ها و سیاست، گفت‌وگو به‌طور غیرمنتظره‌ای به رباتیک ختم می‌شود.

به‌جای UBI یا «درآمد پایه همگانی»، شوخی می‌کنند که شاید به UBR: Universal Basic Robot نیاز داشته باشیم؛ یک ربات برای هر فرد که کارهای ناخوشایند روزمره را انجام دهد.

پشت شوخی، یک نکته جدی وجود دارد. بخش بزرگی از ترس درباره اتوماسیون از این فرض می‌آید که اگر کار را از انسان بگیریم، چیزی از او کم کرده‌ایم. اما اگر ماشین ظرف بشوید، خانه را تمیز کند، حمل‌ونقل را انجام دهد و کارهای فیزیکی سخت را بگیرد، شاید بخشی از اتوماسیون مستقیماً کیفیت زندگی را بالا ببرد.

تفاوت میان آینده خوب و بد فقط در «قوی بودن AI» نیست. به این بستگی دارد که بهره‌وری حاصل از آن چگونه به زندگی روزمره مردم تبدیل شود.

۱۵. شاید کمیاب‌ترین چیز آینده «میل انسانی» باشد

در دقایق پایانی، یکی از مهم‌ترین ایده‌های کل اپیزود مطرح می‌شود: حتی اگر ماشین‌ها بسیار باهوش شوند، هنوز چیزی وجود دارد که جایگاه انسان را حفظ می‌کند؛ خواستن.

ماشین می‌تواند بهینه‌سازی کند، برنامه بنویسد، تحقیق کند و شاید روزی حتی ایده‌های علمی جدید بسازد. اما هدف نهایی از کجا می‌آید؟

چه چیزی باید ساخته شود؟

کدام مسئله ارزش حل کردن دارد؟

چه نوع زندگی مطلوب است؟

کدام اثر هنری برای ما معنا دارد؟

تا وقتی انسان چیزی می‌خواهد و سیستم‌های هوشمند ابزار تحقق آن خواسته‌اند، انسان همچنان بخشی از حلقه است. شاید نقش ما از «انجام‌دهنده» به «انتخاب‌کننده، هدایت‌کننده و داور» تغییر کند.

این آینده الزاماً آرام نیست؛ اما الزاماً هم به بی‌معنایی ختم نمی‌شود.

از این گفت‌وگو چه می‌توان یاد گرفت؟

اگر لایه شوخی، اغراق و سیاست را کنار بگذاریم، چند اصل عملی باقی می‌ماند.

۱. آینده را فقط پیش‌بینی نکن؛ نسخه اولیه‌اش را استفاده کن

اگر ابزارهای امروز گران، عجیب و سخت‌اند اما جهت حرکتشان واضح است، استفاده زودهنگام از آن‌ها مزیت شناختی می‌سازد. شما قبل از دیگران محدودیت‌ها، فرصت‌ها و رفتار جدید کاربران را می‌بینید.

۲. هزینه امروز را با قیمت امروز آینده مقایسه نکن

ممکن است یک workflow مبتنی بر agent در سال ۲۰۲۶ اقتصادی نباشد، اما اگر هزینه inference در چند سال بعد به‌شدت کاهش پیدا کند، همان workflow می‌تواند عادی شود. طراحی محصول باید گاهی بر اساس منحنی هزینه آینده انجام شود.

۳. کیفیت مدل تنها مزیت نیست

Harness، ابزار، حافظه، داده اختصاصی، eval، تجربه کاربری و integration می‌توانند فاصله میان «مدل خوب» و «محصول خوب» را بسازند.

۴. AI را جای فکر کردن نگذار

از AI برای گسترش فضای فکر استفاده کنید، نه برای حذف کامل قضاوت. در جهانی که تولید محتوا ارزان می‌شود، وضوح، فشرده‌سازی و داشتن دیدگاه واقعی ارزشمندتر می‌شوند.

۵. سرعت انتقال را جدی‌تر از پیش‌بینی نهایی بگیرید

ممکن است هیچ‌کس نداند ASI چه زمانی یا اصلاً به چه شکلی می‌رسد. اما برای تصمیم امروز لازم نیست پاسخ نهایی را بدانیم. کافی است ببینیم ابزارهای فعلی همین حالا چگونه بهره‌وری، استخدام، آموزش و ساخت محصول را تغییر می‌دهند.

۶. فناوری از سیاست و جغرافیا جدا نیست

AI روی تراشه اجرا می‌شود؛ تراشه در کارخانه ساخته می‌شود؛ کارخانه به انرژی، مواد، سرمایه و سیاست نیاز دارد. دنیای نرم‌افزار هرچقدر هم مجازی به‌نظر برسد، در نهایت روی زیرساخت فیزیکی و نهادهای واقعی سوار است.

جمع‌بندی

Live in the Future اپیزودی منظم و دانشگاهی نیست؛ یک گفت‌وگوی سریع میان چند نفر است که به‌شدت درگیر ساختن فناوری‌اند و دائماً میان تجربه روزمره، پیش‌بینی‌های بزرگ، شوخی و سیاست جابه‌جا می‌شوند.

همین بی‌نظمی بخشی از ارزش آن است. تصویری از لحظه‌ای می‌دهد که حتی افراد نزدیک به frontier نیز پاسخ مشخصی ندارند. آن‌ها هم‌زمان هیجان‌زده‌اند، مضطرب‌اند، بیشتر از همیشه کار می‌کنند و می‌دانند ابزاری که امروز استفاده می‌کنند احتمالاً چند ماه بعد قدیمی خواهد شد.

شاید بهترین نتیجه نه خوش‌بینی مطلق باشد و نه بدبینی مطلق.

در دوره‌ای که آینده با سرعت نزدیک می‌شود، مزیت با کسی است که زودتر آزمایش می‌کند، سریع‌تر یاد می‌گیرد و در عین استفاده از ماشین، قضاوت انسانی خود را حفظ می‌کند.

---

منابع و شنیدن گفت‌وگوی اصلی

• Live in the Future — Naval
• Independent assessment of the origins of SARS‑CoV‑2 — WHO/SAGO, 27 June 2025
• Statement on Misinformation about SARS-CoV-2 Origins — NIH
• متن این مقاله بر اساس نسخه خودکار پیاده‌سازی‌شده از گفت‌وگو تهیه شده است؛ در نام‌ها و عبارت‌های تخصصی ممکن است خطای transcription وجود داشته باشد.