📌 مصاحبه با یک کارمند ۲۳ سالهٔ OpenAI که یادگیری عمیق (DL) را بدون تحصیل دانشگاهی آموخته است
داستانی جالب که آدم را به فکر فرو می‌برد؛ هم دربارهٔ آموزش و هم مسیر شغلی.
آشنا شوید با گابریئل پترسون. او فقط ۲۳ سال دارد، مدرسه را در یک شهر کوچک و دورافتاده در سوئد رها کرده، هرگز وارد دانشگاه نشده، اما همین حالا به‌عنوان پژوهشگر در OpenAI و در تیم Sora کار می‌کند.
🟡 ما در دوره‌ای زندگی می‌کنیم که انحصار دانشگاه‌ها بر دانش بنیادین متزلزل شده است.
آموزش سنتی معمولاً مسیری «از پایین به بالا» دارد. اگر بخواهی وارد یادگیری ماشین شوی، اول باید جبر خطی بخوانی، بعد آنالیز ریاضی، بعد آمار و احتمال. این مسیر طولانی است و اغلب باعث از دست رفتن انگیزه می‌شود، چون معلوم نیست این همه درس دقیقاً الآن به چه دردی می‌خورد.
از طرف دیگر، شرکت‌ها هم همیشه حاضر نیستند صبر کنند. برای مثال، Palantir حتی بدون عبور از دانشگاه‌ها، دانش‌آموزان دبیرستانی را استخدام می‌کند. داستان گابریئل نمونهٔ روشنی از همین روند است.
او مسیر کلاسیک «مدرسه ← کارشناسی ← کارشناسی ارشد» را طی نکرد. در عوض، از ChatGPT به‌عنوان یک منتور شخصی استفاده کرد. البته نه به این معنا که از چت‌بات بخواهد «به‌جای من کد بنویس». گابریئل از روشی استفاده می‌کند که خودش آن را «پر کردن بازگشتیِ شکاف‌های دانشی» می‌نامد.
ایدهٔ اصلی این روش، حرکت «از بالا به پایین» است. او یک پروژهٔ پیچیده را انتخاب می‌کند؛ مثلاً می‌خواهد بفهمد مدل‌های دیفیوژن چگونه کار می‌کنند. از ChatGPT می‌خواهد کد مربوطه را بنویسد. طبیعی است که در ابتدا تقریباً هیچ‌چیز را متوجه نمی‌شود.
در همین‌جا مرحلهٔ اصلی شروع می‌شود: او دربارهٔ تک‌تک بخش‌های نامفهوم سؤال می‌پرسد.
«این بلاک چه کاری انجام می‌دهد؟»
فرض کنید آن بلاک، ResNet است. می‌پرسد: «چرا این ساختار به یادگیری مدل کمک می‌کند؟» و باز هم عمیق‌تر می‌شود. اگر به مفهوم ناآشنایی برسد، از ChatGPT می‌خواهد مبانی ریاضی پشت آن مفهوم را توضیح دهد.
این همان «بازگشت» است: لایه به لایه، تا زمانی که همهٔ شکاف‌های دانشی پر شوند. او ریاضی را برای آیندهٔ نامعلوم نمی‌خواند؛ بلکه دقیقاً همان ریاضی‌ای را یاد می‌گیرد که همین الآن برای فهم و کار کردن کد لازم دارد.
🟡 اما یک فرد خارجیِ بدون مدرک دانشگاهی چطور ویزای آمریکا گرفت و در سیلیکون‌ولی استخدام شد؟
برای دریافت ویزای استعدادهای ویژه (O-1)، او از اعتبارش در Stack Overflow و توصیه‌ها و پاسخ‌هایی که میلیون‌ها بار دیده شده بودند، به‌عنوان مدرکی برای نشان دادن اثرگذاری‌اش در صنعت استفاده کرد.
توصیهٔ گابریئل صریح است: HR را فراموش کنید. رزومه و مدرک اهمیت چندانی ندارند، اگر بتوانید نتیجهٔ واقعی نشان دهید. استراتژی او این است: یک MVP یا دموی محصول بسازید و مستقیم به مدیران ارشد شرکت ایمیل بزنید و پیشنهاد بدهید که یک هفته رایگان برایشان کار کنید. این کار ریسک استخدام را برای کارفرما کم می‌کند و به شما فرصت می‌دهد خودتان را ثابت کنید.
پیام اصلی او این است:
اگر آماده‌اید فعالانه سؤال بپرسید و از این‌که هنگام یادگیری مفاهیم پایه جلوی یک هوش مصنوعی «احمق به نظر برسید» نترسید، شما همین حالا جزو ۱٪ برتر هستید؛ چون بیشتر مردم فقط با جریان حرکت می‌کنند و هیچ‌وقت عمیق نمی‌شوند.
🔜 مشاهدهٔ مصاحبهٔ کامل
#AI #ML #Interview #OpenAI
info@asr-gooyesh.com
داستانی جالب که آدم را به فکر فرو می‌برد؛ هم دربارهٔ آموزش و هم مسیر شغلی.
آشنا شوید با گابریئل پترسون. او فقط ۲۳ سال دارد، مدرسه را در یک شهر کوچک و دورافتاده در سوئد رها کرده، هرگز وارد دانشگاه نشده، اما همین حالا به‌عنوان پژوهشگر در OpenAI و در تیم Sora کار می‌کند.
🟡 ما در دوره‌ای زندگی می‌کنیم که انحصار دانشگاه‌ها بر دانش بنیادین متزلزل شده است.
آموزش سنتی معمولاً مسیری «از پایین به بالا» دارد. اگر بخواهی وارد یادگیری ماشین شوی، اول باید جبر خطی بخوانی، بعد آنالیز ریاضی، بعد آمار و احتمال. این مسیر طولانی است و اغلب باعث از دست رفتن انگیزه می‌شود، چون معلوم نیست این همه درس دقیقاً الآن به چه دردی می‌خورد.
از طرف دیگر، شرکت‌ها هم همیشه حاضر نیستند صبر کنند. برای مثال، Palantir حتی بدون عبور از دانشگاه‌ها، دانش‌آموزان دبیرستانی را استخدام می‌کند. داستان گابریئل نمونهٔ روشنی از همین روند است.
او مسیر کلاسیک «مدرسه ← کارشناسی ← کارشناسی ارشد» را طی نکرد. در عوض، از ChatGPT به‌عنوان یک منتور شخصی استفاده کرد. البته نه به این معنا که از چت‌بات بخواهد «به‌جای من کد بنویس». گابریئل از روشی استفاده می‌کند که خودش آن را «پر کردن بازگشتیِ شکاف‌های دانشی» می‌نامد.
ایدهٔ اصلی این روش، حرکت «از بالا به پایین» است. او یک پروژهٔ پیچیده را انتخاب می‌کند؛ مثلاً می‌خواهد بفهمد مدل‌های دیفیوژن چگونه کار می‌کنند. از ChatGPT می‌خواهد کد مربوطه را بنویسد. طبیعی است که در ابتدا تقریباً هیچ‌چیز را متوجه نمی‌شود.
در همین‌جا مرحلهٔ اصلی شروع می‌شود: او دربارهٔ تک‌تک بخش‌های نامفهوم سؤال می‌پرسد.
«این بلاک چه کاری انجام می‌دهد؟»
فرض کنید آن بلاک، ResNet است. می‌پرسد: «چرا این ساختار به یادگیری مدل کمک می‌کند؟» و باز هم عمیق‌تر می‌شود. اگر به مفهوم ناآشنایی برسد، از ChatGPT می‌خواهد مبانی ریاضی پشت آن مفهوم را توضیح دهد.
این همان «بازگشت» است: لایه به لایه، تا زمانی که همهٔ شکاف‌های دانشی پر شوند. او ریاضی را برای آیندهٔ نامعلوم نمی‌خواند؛ بلکه دقیقاً همان ریاضی‌ای را یاد می‌گیرد که همین الآن برای فهم و کار کردن کد لازم دارد.
🟡 اما یک فرد خارجیِ بدون مدرک دانشگاهی چطور ویزای آمریکا گرفت و در سیلیکون‌ولی استخدام شد؟
برای دریافت ویزای استعدادهای ویژه (O-1)، او از اعتبارش در Stack Overflow و توصیه‌ها و پاسخ‌هایی که میلیون‌ها بار دیده شده بودند، به‌عنوان مدرکی برای نشان دادن اثرگذاری‌اش در صنعت استفاده کرد.
توصیهٔ گابریئل صریح است: HR را فراموش کنید. رزومه و مدرک اهمیت چندانی ندارند، اگر بتوانید نتیجهٔ واقعی نشان دهید. استراتژی او این است: یک MVP یا دموی محصول بسازید و مستقیم به مدیران ارشد شرکت ایمیل بزنید و پیشنهاد بدهید که یک هفته رایگان برایشان کار کنید. این کار ریسک استخدام را برای کارفرما کم می‌کند و به شما فرصت می‌دهد خودتان را ثابت کنید.
پیام اصلی او این است:
اگر آماده‌اید فعالانه سؤال بپرسید و از این‌که هنگام یادگیری مفاهیم پایه جلوی یک هوش مصنوعی «احمق به نظر برسید» نترسید، شما همین حالا جزو ۱٪ برتر هستید؛ چون بیشتر مردم فقط با جریان حرکت می‌کنند و هیچ‌وقت عمیق نمی‌شوند.
🔜 مشاهدهٔ مصاحبهٔ کامل
#AI #ML #Interview #OpenAI
info@asr-gooyesh.com
X (formerly Twitter)
gabriel (@gabriel1) on X
co-founder @getenergy_, previously research at @OpenAI & @midjourney
solving future of computer work with @getenergy_
solving future of computer work with @getenergy_
👏9❤2🤔2🤩1