فهرست پنهان نوابغ هوش مصنوعی: شکار استعداد توسط مارک زاکربرگ

در سراسر سیلیکون ولی، درخشان‌ترین ذهن‌ها در حوزه هوش مصنوعی، درباره "فهرست" صحبت می‌کنند؛ مجموعه‌ای از بااستعدادترین مهندسان و پژوهشگران هوش مصنوعی که مارک زاکربرگ ماه‌ها صرف گردآوری آن کرده است.

لوکاس بایر (Lucas Beyer) در زمینه پژوهش‌های چندوجهی دید-زبان (multimodal vision-language) کار می‌کند و خود را "دانشمندی متعهد به خلق شگفتی" توصیف می‌کند. یو ژانگ (Yu Zhang) در زمینه تشخیص خودکار گفتار (automatic speech recognition) تخصص دارد و به جز مقالات تأثیرگذارش، حضور آنلاین چندانی ندارد. میشا بیلِنکو (Misha Bilenko) متخصص یادگیری ماشینی در مقیاس بزرگ است که از پیاده‌روی و اسکی نیز لذت می‌برد – یا به قول خودش در وب‌سایتش، "اعمال الگوریتم‌های جستجوی صعود از تپه (hill-climbing) و نزول گرادیان (gradient descent) در حوزه‌های واقعی جهان".

استخدام‌شدگان در "فهرست" معمولاً دارای مدرک دکترا از دانشگاه‌های نخبه‌ای مانند برکلی (Berkeley) و کارنگی ملون (Carnegie Mellon) هستند. آنها تجربه کار در مکان‌هایی مانند OpenAI در سان فرانسیسکو و Google DeepMind در لندن را دارند. اغلب در دهه ۲۰ و ۳۰ زندگی خود هستند – و همه همدیگر را می‌شناسند. آنها روزهای خود را به خیره شدن به صفحه‌نمایش می‌گذرانند تا انواع مسائل پیچیده‌ای را حل کنند که نیاز به مقادیر فوق‌العاده‌ای از قدرت محاسباتی دارند.

و استعدادهای قبلاً ناشناخته آنها هرگز تا این حد ارزشمند نبوده‌اند.

مدیران عامل غول‌های فناوری و سرمایه‌گذاران خطرپذیر قدرتمند، در حال نزدیک شدن به چند دوجین از پژوهشگران متخصص هستند؛ زیرا دانش تخصصی آنها کلید بهره‌برداری از انقلاب هوش مصنوعی است.

در این رقابت تسلیحاتی که به سرعت در حال اوج‌گیری است، هیچ‌کس به اندازه زاکربرگ به دنبال جذب افراد برجسته نیست. او تلاش کرده است تا به برترین آزمایشگاه‌های پژوهشی سیلیکون ولی هجوم ببرد و به تعداد معدودی از ستارگان، بسته‌های پرداخت ۱۰۰ میلیون دلاری پیشنهاد دهد، به امید اینکه آن‌ها را از شرکت‌هایشان خارج کند.

مدیرعامل میلیاردر متا می‌خواهد آن‌ها به آزمایشگاه جدید شرکتش که بر ابرهوش (superintelligence) – یا هوش مصنوعی که از انسان باهوش‌تر است – تمرکز دارد، بپیوندند، پس از آنکه نسخه اخیر مدل آن‌ها در ماه آوریل با استقبال چندانی مواجه نشد.

یکی از افرادی که با زاکربرگ، که شخصاً در حال جذب تیم رؤیایی خود از نیروهای بالقوه است، صحبت کرده، هدف شرکت را چیزی کمتر از "انتقال خون از برترین آزمایشگاه‌های هوش مصنوعی کشور" توصیف می‌کند.

دایره مهندسان با تجربه عمیق در این نوع پژوهش هوش مصنوعی بسیار کوچک است. وفاداری آن‌ها به یکدیگر از شرکت‌ها فراتر می‌رود. آن‌ها در تصمیم‌گیری برای پیوستن به متا، تجربیاتشان را با هم مقایسه می‌کنند، اطلاعات تبادل می‌کنند و آینده خود را با هم برنامه‌ریزی می‌کنند. آن‌ها سعی می‌کنند بفهمند چه کسی به این آزمایشگاه می‌پیوندد – و چه کسی در "فهرست" قرار دارد. برخی به صورت بسته‌های پیشنهادی گروهی با هم تیم می‌شوند. دیگران در حال مذاکره برای پیشنهادات متقابل و پرسود برای ماندن در شرکت‌های فعلی خود هستند.

پس این افراد چه کسانی هستند – و چرا برخی از ثروتمندترین شرکت‌های جهان تصمیم گرفته‌اند که آن‌ها اینقدر ارزش دارند؟

در دنیای پنهان ساخت مدل‌های هوش مصنوعی قدرتمندتر، آزمایشگاه‌ها شروع به اقدامات شدیدی برای محافظت از دستاوردهای علمی خود کرده‌اند.

در Anthropic و OpenAI، پژوهشگران در طبقات جداگانه و با دسترسی محدود کار می‌کنند، جایی که اغلب پرده‌ها کشیده‌اند تا از دید کنجکاوها محافظت کنند. در Safe Superintelligence، تعداد کمی از کاندیداهایی که مصاحبه حضوری دارند، مجبورند تلفن خود را در یک قفس فارادی (Faraday cage)، یک محفظه که سیگنال‌های تلفن همراه و وای‌فای را مسدود می‌کند، بگذارند. رهبران Anthropic آنقدر نگران بودند که پژوهشگرانشان هدف جاسوسی خارجی قرار گیرند که یک بار از یک مأمور اداره تحقیقات فدرال (FBI) دعوت کردند تا از دفتر مرکزی بازدید کند و خطرات را به کارکنان توضیح دهد.

رهبر تیم ابرهوش (Superintelligence) منتخب زاکربرگ، الکساندر ونگ (Alexandr Wang)، ۲۸ ساله است که در نیومکزیکو به عنوان فرزند فیزیکدانان مهاجر چینی در آزمایشگاه ملی لس آلاموس (Los Alamos National Laboratory) بزرگ شد. او در کلاس نهم شروع به برنامه‌ریزی برای ایجاد یک شرکت کرد، زمانی که او و دوستش یک سند گوگل داک از ایده‌های استارت‌آپ ایجاد کردند. این ماه، متا ۱۴ میلیارد دلار برای سهمی در شرکت او، Scale AI، هزینه کرد – و زاکربرگ، ونگ را به یکی از گران‌ترین استخدام‌های تمام دوران تبدیل کرد.

متا به ده‌ها پژوهشگر در OpenAI پیشنهاد کار داده است. این استارت‌آپ نیز به حمله سریع زاکربرگ با بسته‌های چشمگیر خود پاسخ داده است.

با این حال، همه افراد در فهرست متا ۱۰۰ میلیون دلار دریافت نمی‌کنند، اگرچه هنوز هم مبالغ نجومی به دست می‌آورند.

یکی از جدیدترین استخدام‌های زاکربرگ، لوکاس بایر (Lucas Beyer) نام دارد، که قبلاً در DeepMind و OpenAI کار می‌کرده است. بایر در کودکی در بلژیک، آرزوی ساخت بازی‌های ویدئویی را داشت و شیفته هوش مصنوعی شد. در دانشگاه در آلمان، او بر مهندسی مکانیک تمرکز کرد و دستی در یادگیری ماشینی داشت.

اما زمانی که بیش از یک دهه پیش برای شغلی به عنوان مهندس نرم‌افزار در گوگل درخواست داد، رد شد و تصمیم گرفت مدرک دکترا بگیرد.

او ابتدا فیزیک کوانتومی را مطالعه کرد و چیز مفیدی یاد گرفت. بایر در برنامه AI Epiphany گفت: "فیزیک کوانتومی واقعاً کار من نیست." او به جای آن، بینایی کامپیوتر و درک رباتیک را انتخاب کرد. وقتی در سال ۲۰۱۸ وارد بازار کار شد، دو دوره کارآموزی تابستانی در گوگل گذرانده بود و این بار، شرکت به او پیشنهاد کار داد.

در واقع، استعدادهای او آنقدر مورد تقاضا بودند که از تمام مقاصد برتر هوش مصنوعی در صنعت – به جز یک مورد – پیشنهاد دریافت کرد.

او در آن برنامه گفت: "متا، هیچ‌وقت خبری ازشان نشد."

این روزها، بایر مستقیماً از مدیرعامل متا می‌شنود.

پس از شش سال به عنوان دانشمند پژوهشگر ارشد در Google Brain و DeepMind، بایر در سال ۲۰۲۴ برای تأسیس دفتر OpenAI در زوریخ، به همراه دو همکار خود، الکساندر کولسنیکوف (Alexander Kolesnikov) و شیائوهوا ژای (Xiaohua Zhai)، آنجا را ترک کرد.

حالا آن‌ها دوباره در حال جابجایی هستند – زیرا زاکربرگ همین الان هر سه نفر آن‌ها را استخدام کرده است.

بایر این هفته در ایکس نوشت: "بله، ما به متا می‌پیوندیم. خیر، ۱۰۰ میلیون دلار دریافت نکردیم."

با این هیاهو و جنون جابجایی، نوابغ هوش مصنوعی بیشتر شبیه بازیکنان آزاد NBA رفتار می‌شوند. اما در ورزش، معیارهای قابل دسترسی برای اندازه‌گیری عملکرد ورزشکاران ستاره وجود دارد، و مردم دقیقاً می‌دانند که بازیکنان مورد علاقه آن‌ها چقدر پول درمی‌آورند – و آیا واقعاً ارزشش را دارند یا خیر.

اندازه‌گیری ارزش پژوهشگرانی که اکثر مردم دقیقاً هیچ چیز درباره کار آن‌ها نمی‌دانند و نمی‌توانند درک کنند، دشوارتر است.

برخی سرنخ‌ها وجود دارد که به مدیران اجرایی و استخدام‌کنندگان کمک می‌کند تا استعدادها را ارزیابی کنند. آن‌ها می‌توانند در Google Scholar جستجو کنند و مقالات منتشر شده توسط پژوهشگران را مرور کنند و بررسی کنند که کارشان چند بار استناد شده است.

خود زاکربرگ روزهای خود را صرف بررسی مقالات تخصصی و عجیب، و جستجو برای مهندسان و دانشمندان برجسته برای استخدام در تیم ابرهوش حدوداً ۵۰ نفره خود می‌کند. او در یک گروه چت با دو مدیر اجرایی متا به نام "Recruiting Party ??" قرار دارد که در آن صدها نامزد بالقوه و تاکتیک‌های نزدیک شدن به آن‌ها – مانند اینکه آیا ترجیح می‌دهند از طریق ایمیل، پیامک یا واتس‌اپ با آن‌ها تماس گرفته شود – را بحث می‌کنند.

افرادی که از زاکربرگ یادداشت دریافت می‌کنند، چند ویژگی مشترک دارند. آن‌ها باید حساب دیفرانسیل و انتگرال، جبر خطی و نظریه احتمال را بلد باشند، مانند یکی از استخدام‌شدگان اخیر متا که می‌گوید شیفته طراحی الگوریتم‌هاست.

مدرک کارشناسی در علوم کامپیوتر اصلاً کافی نیست. این پژوهشگران مدرک دکترا از برنامه‌های نخبه – برکلی، استنفورد، کارنگی ملون، MIT – دریافت می‌کنند که منتخب‌ترین رشته‌های آن‌ها کمتر از ۱% متقاضیان را پذیرش می‌کنند و به یک سیستم تأمین‌کننده برای آزمایشگاه‌های هوش مصنوعی تبدیل شده‌اند.

پژوهشگران امروزی نیز زمان‌بندی عالی داشتند. وقتی بسیاری از آن‌ها یک دهه پیش کار دکترای خود را شروع کردند، به موضوعات خاص و تخصصی در رباتیک و هوش مصنوعی مولد می‌پرداختند. هیچ چیز جذابی درباره رشته‌های آن‌ها وجود نداشت. اما آن‌ها در حال کاوش در مرز هوش مصنوعی بودند – و حوزه‌های مورد علاقه آن‌ها به پیشرفت‌های انقلابی منجر شده است.

ژانگ (Zhang)، پژوهشگری در OpenAI که روی گفتار کار می‌کند، بیش از یک دهه پیش در حال اتمام اولین دوره کارآموزی خود بود که استادش به او توصیه‌ای عملی داد.

به ژانگ گفته شد: "شما نباید روی گفتار کار کنید،" او به دانشجویان کارنگی ملون سال گذشته گفت: "این یک حوزه مرده است." آن استاد به زودی برای کار روی تبلیغات به یاهو رفت.

چند ماه بعد، این حوزه به ظاهر مرده با پیشرفت‌هایی در یادگیری عمیق (deep learning) احیا شد، که روش جدیدی برای تحلیل و درک الگوهای گفتاری توسط کامپیوترها ایجاد کرد. اکنون، ژانگ از آن دسته مهندسانی است که هر آزمایشگاهی آرزویش را دارد – و زاکربرگ با او تماس گرفته است.

یکی از دلایلی که همه این شرکت‌ها حاضرند پژوهشگران را با پول غرق کنند، این است که حتی یک تیم فوق‌العاده از مهندسان هوش مصنوعی تنها کسری از هزینه زیرساخت‌های هوش مصنوعی مانند مراکز داده را در بر می‌گیرد.

تنها در سال جاری، متا قصد دارد حدود ۷۰ میلیارد دلار روی هوش مصنوعی سرمایه‌گذاری کند، در حالی که آمازون، مایکروسافت و آلفابت حتی بیشتر هزینه می‌کنند. در کنار سخت‌افزار، انسان‌ها یک معامله پرسود به نظر می‌رسند.

افراد در جامعه نزدیک هوش مصنوعی می‌گویند پژوهشگرانی که مهارت‌هایشان هرگز اینقدر پرسود نبوده، عمدتاً به وسیله پول‌های کلان انگیزه نمی‌گیرند.

تا همین اواخر، بسیاری از آنها کاملاً از استاد شدن راضی بودند. این روزها، آن‌ها به پژوهشگران در آزمایشگاه‌های هوش مصنوعی تبدیل می‌شوند – اما نه فقط به خاطر حقوق. بلکه به این دلیل است که تنها شرکت‌های فناوری با منابع به ظاهر نامحدود، قدرت محاسباتی، داده‌ها، زیرساخت‌ها و آزادی لازم برای اجرای آزمایشات و مقیاس‌بندی مدل‌های خود را ارائه می‌دهند.

الکسی افروس (Alexei Efros)، استاد دانشگاه کالیفرنیا، برکلی، که دانشجویان دکترای اخیرش شامل دانشمندان پژوهشگر در OpenAI، DeepMind و Anthropic هستند، گفت: "هدف دانشجویان و پسادکترای من هرگز انجام کارهای داغ و میلیونر شدن نبوده است. هدف این است که سعی کنند مسائل جالب، مهم و حل‌نشده را حل کنند."

این مسائل نیازمند پول و تراشه هستند. متا، OpenAI و گوگل هر دو را به وفور دارند.

اما برای پیروزی در نبردهای استخدامی، مدیران ارشد نیز باید خودشان درگیر شوند.

سم آلتمن (Sam Altman)، مدیرعامل OpenAI، متقاضیان استخدام را به بازی پوکر یا صرف شام در عمارت خود در راشن هیل (Russian Hill) سان فرانسیسکو دعوت کرده است، در حالی که گرگ براکمن (Greg Brockman)، رئیس سابق شرکت، میزبان مهمانی‌های تماشای "بازی تاج و تخت" (Game of Thrones) بود. ایلان ماسک (Elon Musk) یک بار یک مهمانی استخدامی در مقر سابق OpenAI برگزار کرد تا پژوهشگران را به پیوستن به xAI ترغیب کند. در گوگل، ساندار پیچای (Sundar Pichai)، مدیرعامل، و سرگئی برین (Sergey Brin)، یکی از بنیان‌گذاران، برای جذب نیروهای مهم وقت می‌گذارند.

پکیج‌های حقوق هشت و گاهی نه رقمی وسوسه‌انگیز هستند و پیشنهادهای زاکربرگ دلگرم‌کننده است، اما سابقه عقب‌ماندگی متا در هوش مصنوعی مولد برخی از افراد را مردد کرده است. هنگامی که این شرکت آخرین مدل خود را با استقبال کمی منتشر کرد، برخی از پژوهشگران متا خود را از این مدل دور کردند و پروژه، با نام Llama 4، را از بیوگرافی لینکدین خود حذف کردند.

زاکربرگ در تلاش‌های خود برای استخدام بزرگترین ستارگان این حوزه، از جمله ایلیا سوتسکِوِر (Ilya Sutskever)، هم‌بنیان‌گذار OpenAI، و مارک چِن (Mark Chen)، مدیر ارشد پژوهشی آن، موفقیت چندانی نداشته است.

بسیاری از داوطلبان خوشحالند که در خانه‌های زاکربرگ در پالو آلتو (Palo Alto) و دریاچه تاهو (Lake Tahoe) ملاقاتی داشته باشند. در خلوت، آن‌ها غیبت‌ها را مقایسه می‌کنند و شانس متا برای پیروزی در رقابت هوش مصنوعی را ارزیابی می‌کنند.

تعداد انگشت‌شماری از پژوهشگران که در زمینه هوش مصنوعی باهوش‌ترین هستند، چیزی را که یکی از آن‌ها آن را "دانش قبیله‌ای" توصیف کرده، ایجاد کرده‌اند که تقریباً غیرقابل تکرار است. پژوهشگران رقیب در خانه‌های گروهی یکسان در سان فرانسیسکو زندگی کرده‌اند، جایی که آن‌ها در مورد مقالاتی بحث می‌کنند که ممکن است سرنخ‌هایی برای دستیابی به پیشرفت بزرگ بعدی ارائه دهند.

هنگامی که بیل پیبلز (Bill Peebles)، دانشجوی دکترا در برکلی، پایان‌نامه خود را در سال ۲۰۲۳ ارائه داد، از دانشجوی دکترای دیگری به نام تیم بروکس (Tim Brooks) تشکر کرد.

او نوشت: "ما در مورد مسیرها و علایق پژوهشی بسیار همسو هستیم. امیدوارم در آینده بتوانیم کارهای بیشتری را با هم انجام دهیم."

همانطور که مشخص شد، آن‌ها این کار را خواهند کرد. پیبلز و بروکس هر دو به OpenAI رفتند و تیم مسئول انتشار مولد ویدئوی متن به ویدئو (text-to-video) انقلابی Sora آن را در سال ۲۰۲۴ رهبری کردند. بروکس از آن زمان به DeepMind رفته است، در حالی که پیبلز هنوز در OpenAI است – حتی پس از اینکه متا اخیراً سعی کرد او را استخدام کند.

و سپس زاکربرگ به سراغ نفر بعدی در "فهرست" رفت.