دو سال پیش، همراه با دخترم در دفتر یک مشاور تحصیلی نشسته بودم و برای اولین سال ورود او به دانشگاه آماده میشدیم. مشاور با تأکید فراوان به ما گفت که تنها رشتهای که اشتغال پس از فارغالتحصیلی را تضمین میکند، علوم کامپیوتر است. امروز، در حالی که دخترم تازه به نیمه مسیر تحصیل خود رسیده، آن توصیه به نقطهی مقابلِ حقیقت تبدیل شده است.
قوانین بازی به صورت آنی و در لحظه در حال تغییر هستند. والدین، دانشگاهها و کارفرمایان همگی با یک پرسش مشترک دستوپنجه نرم میکنند: یک آموزش معنادار و کارآمد در دنیای هوش مصنوعی واقعاً چه شکلی است؟
این ابهام و عدم قطعیت، دلیلی برای رها کردن دانشگاه نیست؛ بلکه انگیزهای است تا در کارکرد دانشگاه برای آمادهسازی دانشجویان جهت ورود به یک اقتصاد مبتنی بر هوش مصنوعی بازنگری کنیم. مؤسساتی که این مسیر را درست طی میکنند، لزوماً آنهایی نیستند که با عجله در حال افزودن رشتههای تحصیلی جدید در حوزه هوش مصنوعی هستند؛ بلکه مجموعههایی هستند که از پیش برای مواجهه با پیچیدگی بنا شدهاند.
دادهها به ما چه میگویند؟
مشاغل محاسباتی و توسعه نرمافزار در سطوح مقدماتی (Entry-level)، در زمره نخستین حوزههایی هستند که در حال ناپدید شدن میباشند. تنها در ماه آوریل سال ۲۰۲۶، هوش مصنوعی به عنوان عامل اصلی تعدیل بیش از ۲۱,۰۰۰ نیروی کار در ایالات متحده معرفی شد. داریو آمودی (Dario Amodei)، مدیرعامل شرکت آنتروپیک (Anthropic)، هشدار داده است که هوش مصنوعی میتواند تا پنج سال آینده تا نیمی از تمام مشاغل اداری و یقه سفید در سطوح مقدماتی را از بین ببرد.
منطق اقتصادی پشت این پیشبینی کاملاً سرراست است. همانطور که جفری هینتون (Geoffrey Hinton)، پیشگام برنده جایزه نوبل هوش مصنوعی مطرح کرده است: «آشکارترین راه برای پول درآوردن از هوش مصنوعی، جایگزین کردن کارگران با چیزی ارزانتر است.» مجمع جهانی اقتصاد پیشبینی میکند که ۳۹ درصد از مهارتهای شغلی کلیدی تا سال ۲۰۳۰ دستخوش تغییر خواهند شد؛ پدیدهای که زمان بسیار کوتاهی را برای همگام شدن در اختیار دانشگاهها میگذارد.
این اتفاق پیش از این نیز رخ داده است
در دهه ۱۹۵۰ میلادی، ناسا تیمهایی از ریاضیدانان را در اختیار داشت که عنوان شغلی آنها به معنای واقعی کلمه کامپیوتر (محاسبهگر) بود، زیرا دقیقاً همین کار را انجام میدادند. کاترین جانسون (Katherine Johnson)— که داستان زندگیاش در فیلم ارقام پنهان روایت شده است — در سال ۱۹۶۲ شخصاً مدار حرکت جان گلن به دور کره زمین را محاسبه کرد. اما تا دهه ۱۹۷۰، ظهور کامپیوترهای الکترونیکی این نقش شغلی را به طور کامل منحل و محو کرد.
دوروتی وان (Dorothy Vaughan) که سرپرستی بخش محاسبات را بر عهده داشت، برنامهنویسی کامپیوتر را به صورت خودآموز فراگرفت و تمام اعضای تیمش را آموزش داد. امروز نیز داستان مشابهی در حال شکلگیری است، اما در سطحی به مراتب گستردهتر از مشاغل و با سرعتی بسیار بالاتر.
آنچه پایدار میماند و فرونمیریزد
هوش مصنوعی در انجام وظایف تکرارپذیر — که اغلب همان میدان آموزشی و تمرینی اولیه برای نیروهای تازهاستخدامشده هستند — عملکرد فوقالعادهای دارد. در دنیایی که هوش مصنوعی میتواند در بسیاری از این وظایف عملکرد بهتری ارائه دهد، کارفرمایان به شکلی فزاینده به متفکران انتقادی، ارتباط برقرارکنندگانِ خوب و افرادی نیاز دارند که بتوانند به صورت بینرشتهای در دپارتمانهای مختلف شرکت کار کنند. این مهارتها که روزگاری مهارتهای نرم نامیده میشدند، برای هوش مصنوعی به مراتب سختتر بازسازی میشوند. شرکتهایی که میخواهند از هوش مصنوعی به بالاترین حد استفاده کنند به این ویژگیها نیاز مفرط دارند، در غیر این صورت خطر آن وجود دارد که هوش مصنوعی را در بزرگراههای مستقیم برانند، در حالی که جهان واقعی پر از پیچ و خم است.
جیمی دایمن (Jamie Dimon)، مدیرعامل جیپی مورگان چیس، این موضوع را به سادگی بیان کرده است: «توصیه من به مردم این است: تفکر انتقادی را تمرین کنید، یاد بگیرید که چگونه در یک جلسه خوب عمل کنید، چگونه ارتباط برقرار کنید و چگونه بنویسید؛ در این صورت مشاغل فراوانی برای شما وجود خواهد داشت.» دادههای مجمع جهانی اقتصاد نیز از این ادعا پشتیبانی میکنند؛ چرا که شاخصهای تابآوری، کنجکاوی و تفکر خلاق با سرعتی بالاتر از مدارک فنی در اولویتهای کارفرمایان در حال صعود هستند.
سه ساختار آموزشی که باید آنها را زیر نظر داشت
شمار مؤسسات آمریکایی که مدرک هوش مصنوعی ارائه میدهند از سال ۲۰۲۲ تاکنون تقریباً دو برابر شده است. اما اصرار بر راهاندازی رشتههای هوش مصنوعی ممکن است صرفاً حل کردن مسئلهی دیروز باشد. چالش عمیقتر، ساختارهای جزیرهای و سیلوهای سنتی (Silos) هستند که امضای آموزش عالی به شمار میروند؛ ساختارهایی که برای تربیت متخصصان در یک قلمرو واحد تنطیم شدهاند، آن هم درست در زمانی که جهان نقطهی مقابل آن را طلب میکند. در حالی که بسیاری از مؤسسات آموزشی برای انطباق خود تلاش میکنند، مدلهای موفقی وجود دارند که راهنمای خوبی برای تبیین یک آموزش عالیِ کارآمد هستند:
- مدل اول؛ ادغام محیط کار در برنامه درسی: دانشگاه نورثاسترن (Northeastern University) برنامه کارشناسی خود را حول محور طرح کارورزی مشترک (Co-op) بنا کرده است؛ جایی که دانشجویان ترمهای تحصیلی تئوری را به صورت متناوب با ترمهای کاری تماموقت و با حقوق در میان کارفرمایان و صنایع مختلف سپری میکنند. دانشجویان پیش از دریافت مدرک فارغالتحصیلی، مشاغل واقعی را در چندین محیط مختلف تجربه میکنند، پدیدهای که امروزه به معنای کار کردن دوشادوش ابزارهای هوش مصنوعی همزمان با تکامل آنها در محیطهای کاری است. همانطور که جوزف آئون (Joseph Aoun)، رئیس این دانشگاه میگوید: «دانش در حال تبدیل شدن به یک کالا است، اما تجربه اینگونه نیست.»
- مدل دوم؛ حک کردن یادگیری تجربی در معماری نهاد: دانشکده آتلانتیک (COA) در بار هاربرِ ایالت مِین، تنها و تنها یک رشته تحصیلی ارائه میدهد: اکولوژی انسانی. دانشجویان دوره آموزشی خود را به صورت بینرشتهای از پایه شخصاً طراحی میکنند. این دانشکده هرگز سیلوهای دپارتمانی سنتی را وارد مدل خود نکرد. دانشجویان روی پروژههای واقعی با چالشهای جدی کار میکنند: تحقیقات اکولوژیکی، سیاستگذاریهای جامعه محلی و طراحی پایدار. در این طرح، آموزش بر روی انجام دادن متمرکز است و نه فقط یادگیری درباره نحوه انجام دادن. لین بولگر (Lynn Boulger)، رئیس این مجموعه توضیح میدهد: «برنامه درسی ما از دانشجویان میخواهد که پیچیدگیها را بدون سانسور کردن یا تقلیل دادن مدیریت کنند. این دانشکده برای همین کار ساخته شده است.»
- مدل سوم؛ برچیدن ساختارهای ساختدهنده به جزیرههای آموزشی: در سال ۲۰۰۲، مایکل کرو (Michael Crow)، رئیس دانشگاه ایالتی آریزونا (ASU)، ۸۵ دپارتمان سنتی را منحل کرد و دانشگاه را حول ۳۵ واحد فرارشتهای از جمله دانشکده سیستمهای انطباقی پیچیده و دانشکده آیندههای جهانی بازسازی نمود. کرو هوش مصنوعی را بزرگترین برقرارکننده عدالت و برابری مینامد. شرکت OpenAI در سال ۲۰۲۴ با این دانشگاه وارد مشارکت شد و بیش از ۵۰۰ پروژه را در رشتههای مختلف فعال کرد. این دانشگاه سالها پیش از آنکه هوش مصنوعی به یک نقطه فشار تبدیل شود، چرخش راهبردی خود را انجام داد و اکنون فارغالتحصیلان آن در موقعیت ممتازی قرار دارند.
نتیجهگیری
دانشگاه تنها مسیر ارزشمند پیشرو برای بررسی نیست. مشاغل مهارتی و فنی (Skilled Trades) که برای مدتی طولانی کمتر از ارزش واقعیشان پنداشته میشدند، در زمره تابآورترین حوزهها در برابر آسیبهای هوش مصنوعی قرار دارند. برقکاران، لولهکشها و نجارها امروزه در مقیاسی به شدت وسیع مورد نیاز هستند؛ تقاضایی که رونق زیرساختهای هوش مصنوعی آن را مبرم و حیاتی ساخته است.
اما برای کسانی که دانشگاه را انتخاب میکنند، پرسشی که ارزش پرسیدن دارد این نیست که هوش مصنوعی به کدام رشته تحصیلی دست نخواهد زد؛ بلکه پرسش اصلی این است که آموزش باید چه نوع انسانی را تحویل جامعه دهد: فردی که میتواند فراتر از قلمروها فکر کند، با پیچیدگیها همنشین شود، در زمان جابهجا شدنِ زمین زیر پایش خود را وفق دهد و ابزارها را رهبری کند، به جای آنکه صرفاً پیرو و دنبالهروی آنها باشد.
گزارشی از فوربز
