وابستگی به هوش مصنوعی: کجا مهارت را از دست می‌دهیم

یکی از آشناها که سه سال است با دستیار کد کار می‌کند، وسط یک مصاحبه‌ی فنی روی مسئله‌ای گیر کرد که دو سال پیش راحت حلش می‌کرد. زبان را بلد بود، الگوریتمش را هم. چیزی که رفته بود عادتِ ماندن پای مسئله‌ی حل‌نشده بود؛ همان ده دقیقه‌ی ناخوشایند پیش از پیدا شدن جواب.

این نه داستان ترسناکی درباره‌ی تکنولوژی است و نه دلیلی برای کنار گذاشتن ابزار. فقط یک قاعده‌ی قدیمی را یادآوری می‌کند: هر چیزی که مدام واگذار شود ضعیف می‌شود. سؤال درست «استفاده کنم یا نه» نیست؛ این است که کجا واگذاری بی‌هزینه است و کجا نیست.

فرق ابزار با عصا

ابزار کاری را که بلدید سریع‌تر می‌کند. عصا کاری را ممکن می‌کند که بدون آن از عهده‌اش برنمی‌آیید. هیچ‌کدام بد نیستند، ولی یکی‌شان اگر برداشته شود همان‌جا متوقف می‌شوید.

یک آزمون ساده: فردا سرویس بالا نمی‌آید. کدام کارهایتان کندتر می‌شود و کدام‌ها اصلاً انجام نمی‌شود؟ دسته‌ی دوم فهرست عصاهای شماست. لازم نیست دورشان بیندازید، ولی باید بدانید کدام‌اند.

مهارت‌هایی که زودتر زنگ می‌زنند

پنج مهارت زودتر از بقیه افت می‌کنند.

نوشتن. نوشتن فقط انتقال فکر نیست، خودِ فکر کردن است. وقتی همیشه پیش‌نویس را مدل می‌زند، مرحله‌ی سختِ «هنوز نمی‌دانم چه می‌خواهم بگویم» حذف می‌شود — همان که فکر را شکل می‌دهد. راه میانه‌اش در نوشتن مقاله بدون بی‌روح شدن هست.

استدلال. خواندن استدلال آماده حس فهمیدن می‌دهد بدون اینکه ساخته باشیدش. تفاوتش وقتی معلوم می‌شود که کسی یک قدم از زنجیره را زیر سؤال ببرد.

حل مسئله. بخش اصلی حل مسئله صورت‌بندی درست آن است؛ اگر همیشه صورت خام را تحویل بدهید، این عضله بی‌کار می‌ماند.

حافظه‌ی کاری. نگه داشتن چند تکه اطلاعات در ذهن و چرخاندنشان کنار هم، با خلاصه‌ی همیشه‌آماده کمتر تمرین می‌شود.

تحمل ابهام. شاید مهم‌ترین؛ کارهای جدی چند روز در وضعیت «نمی‌دانم» می‌مانند و ماندن در آن وضعیت خودش مهارتی است که با جواب فوری آب می‌رود.

چرا این با ماشین‌حساب فرق دارد و چرا ندارد

مقایسه با ماشین‌حساب بخشی‌اش درست است: هر دو برون‌سپاری شناختی‌اند و نگرانی درباره‌ی ماشین‌حساب هم روزی جدی بود. چیزی که به آن اثر گوگل می‌گویند از همین خانواده است.

ولی دو تفاوت هست. ماشین‌حساب یک مرحله‌ی مکانیکی را برمی‌دارد و جوابش قطعی است؛ مدل زبانی مرحله‌ی قضاوت را برمی‌دارد و جوابش محتمل است. دوم اینکه خطای مدل قانع‌کننده بیان می‌شود، پس تشخیص شما اهمیت دارد — موضوعی که اعتماد به خروجی و ضعف مدل‌ها در حساب کردن بازش کرده‌اند.

نشانه‌های وابستگی به هوش مصنوعی

این‌ها را روی خودتان چک کنید. سه تای هم‌زمان یعنی وقت تنظیم رسیده:

• پیش از هر تلاشی پنجره را باز می‌کنید، حتی برای کاری که بلدید.
• خروجی را دیگر نمی‌خوانید؛ نگاه می‌اندازید و می‌فرستید.
• نمی‌توانید توضیح دهید چرا جواب درست است؛ فقط می‌دانید هست.
• وقتی سرویس در دسترس نیست، کار متوقف می‌شود نه کند.
• نوشته‌های خودتان دیگر شبیه خودتان نیست.

کدام کار را می‌شود بی‌خطر واگذار کرد

دو قاعده که واقعاً جواب می‌دهد

اولی: اول خودت تلاش کن، بعد بپرس. ده یا بیست دقیقه فقط خودتان روی مسئله باشید. آن‌وقت به‌جای گرفتن جواب، جواب را با فرضیه‌ی خودتان مقایسه می‌کنید و همان مقایسه در ذهن می‌ماند.

دومی: کاری را که در آن رشد می‌خواهید واگذار نکنید. می‌خواهید نویسنده‌ی بهتری شوید؟ پیش‌نویس با خودتان، بازخورد با مدل. می‌خواهید برنامه‌نویس شوید؟ منطق را خودتان بچینید — همان تأکید یادگیری برنامه‌نویسی از صفر.

مدل را مربی کن، نه پاسخ‌گو

بیشتر ما مدل را مثل موتور جست‌وجو به کار می‌بریم: سؤال، جواب، تمام. برای یادگیری نقشش را عوض کنید. این پرامپت را در نارنگی امتحان کنید:

نقش تو مربی است، نه پاسخ‌گو. من دارم [موضوع] را یاد می‌گیرم.
۱. جواب نهایی را نده، حتی اگر خواستم.
۲. هر بار یک سؤال بپرس که مرا جلو ببرد.
۳. اگر اشتباه گفتم، بگو کجا، ولی درستش را نگو.
۴. اگر دو بار گیر کردم، یک راهنمایی کوچک بده.
با یک سؤال شروع کن.

محدودیتش را هم بگویم: مدل‌ها بعد از چند پیام از نقش خارج می‌شوند و جواب کامل می‌دهند؛ باید یادآوری کنید یا از نو شروع کنید. جای معلم را هم نمی‌گیرد.

نگرانی درباره‌ی دانش‌آموزان

برای بزرگسالی که مهارتش را ساخته، واگذاری یعنی سرعت. برای نوجوانی که هنوز نساخته، یعنی نساختن. برای همین نگرانی درباره‌ی مدرسه جدی‌تر از محل کار است.

خبر خوب اینکه در ایران امتحان نهایی و کنکور هنوز حضوری است و دفاع پایان‌نامه شفاهی؛ فاصله‌ی «تحویل‌داده‌شده» و «فهمیده‌شده» دیر یا زود پیدا می‌شود. نقش والدین و معلم ممنوع کردن نیست، جابه‌جا کردن است: بعد از تلاش، نه به‌جای آن. راهکار در هوش مصنوعی برای معلم‌ها و مسیر پژوهش در هوش مصنوعی برای دانشجو آمده. ایده‌ی سختی مطلوب هم همین است: کمی سختی، شرط ماندگاری.

جمع‌بندی

وابستگی به هوش مصنوعی با یک تصمیم بزرگ اتفاق نمی‌افتد؛ با صد تصمیم کوچک که هر کدام منطقی بودند. جلوگیری‌اش هم چند قاعده‌ی ساده است که روی همان صد مورد اثر می‌گذارد.

اول خودتان تلاش کنید، بعد بپرسید. هر چیزی را که در آن رشد می‌خواهید نگه دارید و بقیه را واگذار کنید. ابزار برای این است که کار بیشتری بکنید، نه اینکه کمتر بتوانید.

برای ادامه:

• ۱۵ اشتباه رایج در کار با هوش مصنوعی
• آینده‌ی شغل‌ها: کدام مهارت‌ها می‌مانند
• یادگیری زبان با هوش مصنوعی