چرا در عصر هوش مصنوعی، ریاضی و فیزیک مهم‌تر از همیشه شده‌اند؟

Q: آیا برنامهنویسی در آینده دیگر لازم نیست یاد گرفت؟

خیر. آنچه تغییر میکند، نوع مهارت مورد نیاز است. نوشتن خطبهخط کد سادهتر میشود، اما طراحی سیستم، عیبیابی، و قضاوت دربارهی کیفیت و امنیت کد همچنان به دانش عمیق مهندسی نیاز دارد.

Q: چرا ماسک بهجای ریاضی، فیزیک را پیشنهاد داد؟

چون فیزیک، ریاضی را به مدلسازی دنیای واقعی، شناخت قیدها و تفکر بر پایهی اصول اولیه متصل میکند؛ رویکردی که ماسک آن را در ساخت تسلا و اسپیسایکس به کار برده است.

Q: دانشآموزی که علاقهی زیادی به ریاضی و فیزیک ندارد چه کند؟

تفکر تحلیلی و سیستمی را میتوان از مسیرهای دیگری هم تقویت کرد؛ اقتصاد، فلسفهی منطق، علوم داده و حتی برخی رشتههای علوم اجتماعیِ دادهمحور هم این مهارتها را میسازند. نکتهی اصلی، تمرین تفکر ساختاریافته است، نه لزوماً عنوان درس.

Q: آیا شرکتهای بزرگ فناوری واقعاً به این مهارتها اهمیت میدهند؟

بله. گزارش آیندهی مشاغل ۲۰۲۵ مجمع جهانی اقتصاد، بر اساس نظرسنجی از بیش از هزار کارفرمای بزرگ، تفکر تحلیلی را مهمترین مهارت پایهای کارفرمایان معرفی میکند و تفکر سیستمی و خلاقانه را هم در میان مهارتهای روبهرشد قرار میدهد.

مقدمه: یک توییت، یک بحث جهانی

نیمه‌شب یازدهم ژوئیه‌ی ۲۰۲۵ بود که پاول دوروف، بنیان‌گذار تلگرام، جمله‌ای کوتاه در ایکس منتشر کرد: دانش‌آموزانی که می‌خواهند برای آینده آماده شوند، باید ریاضی را انتخاب کنند. او توضیح داد که ریاضی به آدم یاد می‌دهد روی مغز خودش حساب کند، منطقی فکر کند، مسئله‌ها را تکه‌تکه کند و هرکدام را به‌ترتیب درست حل کند؛ همان مهارتی که به گفته‌ی او برای ساختن شرکت و مدیریت پروژه لازم است.

دقایقی بعد، ایلان ماسک، مدیرعامل تسلا و اسپیس‌ایکس، زیر همان پست چیزی نوشت که خودش یک برند شخصی شده است: «فیزیک، همراه با ریاضی». دوروف هم در پاسخ با او موافقت کرد و اضافه کرد که اگر کسی از قبل در ریاضی قوی باشد، رفتن به‌سمت فیزیک و علوم کامپیوتر راهی عالی برای پیاده‌کردن ریاضی در دنیای واقعی و تیزکردن تفکر منطقی و انتقادی است.

همین رد و بدل چندجمله‌ای، در عرض چند روز میلیون‌ها بازدید گرفت و به یکی از پرتکرارترین موضوعات بحث در جامعه‌ی فناوری تبدیل شد. چرا؟ چون این حرف از زبان دو نفری بیرون آمد که هرکدام امپراتوری‌های میلیارد دلاری ساخته‌اند، و درست در روزهایی مطرح شد که مدل‌های هوش مصنوعی داشتند کدنویسی، طراحی، و حتی بخشی از تحلیل داده را با سرعتی عجیب خودکار می‌کردند. اگر ماشین می‌تواند کد بنویسد، پس دانش‌آموز امروز چه چیزی باید یاد بگیرد که «ماشین‌ناپذیر» باقی بماند؟

این مقاله قصد ندارد فقط این توییت را بازنشر کند. هدف این است که ببینیم چرا این دیدگاه دقیقاً حالا مطرح شده، هوش مصنوعی چه مهارت‌های انسانی را کم‌ارزش و چه مهارت‌هایی را پرارزش می‌کند، چرا علوم پایه ممکن است در عصر هوش مصنوعی بازگشتی پرقدرت داشته باشند، آیا برنامه‌نویسی واقعاً دارد بی‌ارزش می‌شود یا فقط شکلش عوض می‌شود، و در نهایت دانش‌آموزان امروز واقعاً باید روی چه چیزی سرمایه‌گذاری کنند.

۱. چرا ریاضی همیشه ارزشمند بوده است

ریاضی را معمولاً به‌عنوان مجموعه‌ای از فرمول‌ها می‌شناسند، اما چیزی که دوروف در توییتش به آن اشاره کرد، فرمول نبود؛ او از تجزیه‌ی مسئله و استدلال گام‌به‌گام حرف زد. این دقیقاً همان چیزی است که ریاضیدانان قرن‌هاست روی آن کار می‌کنند: چطور یک مسئله‌ی بزرگ و مبهم را به قطعات کوچک‌تر و قابل‌حل تبدیل کنیم؟

چهار مهارت شناختی در قلب ریاضی قرار دارد که هیچ‌کدام محدود به کلاس درس نیست:

انتزاع (Abstraction): توانایی کنار گذاشتن جزئیات غیرضروری و دیدن ساختار زیرین یک مسئله. مدیری که یک مدل کسب‌وکار را می‌سازد، دقیقاً همین کار را می‌کند: از جزئیات روزمره فاصله می‌گیرد تا الگوی کلی را ببیند.
اثبات و استدلال منطقی: زنجیره‌ای از گزاره‌ها که هرکدام از قبلی نتیجه می‌شود. این همان مهارتی است که در مذاکره، تصمیم‌گیری استراتژیک، و حتی نوشتن یک استدلال حقوقی به کار می‌آید.
بهینه‌سازی: پیدا کردن بهترین جواب در میان محدودیت‌های موجود؛ دقیقاً کاری که یک کارآفرین هنگام تخصیص بودجه‌ی محدود بین بازاریابی، استخدام و توسعه‌ی محصول انجام می‌دهد.
تجزیه‌ی مسئله (Decomposition): شکستن یک مسئله‌ی بزرگ به زیرمسئله‌های کوچک‌تر؛ همان اصلی که در مهندسی نرم‌افزار به آن معماری سیستم می‌گویند و در مدیریت پروژه به آن ساختار شکست کار (WBS).

نکته‌ی مهم این است که این چهار مهارت به‌محض یادگیری، محدود به ریاضی نمی‌مانند. آن‌ها به‌عنوان یک «زبان تفکر» به هر حوزه‌ی دیگری منتقل می‌شوند؛ از مدیریت محصول گرفته تا حقوق، از پزشکی گرفته تا سیاست‌گذاری عمومی. این همان چیزی است که دوروف، بدون استفاده از اصطلاحات آکادمیک، سعی داشت بگوید.

۲. چرا ماسک بلافاصله فیزیک را اضافه کرد

اگر ریاضی زبان تفکر انتزاعی است، فیزیک همان زبان را روی دنیای واقعی پیاده می‌کند. ماسک سال‌هاست از اصطلاحی به نام «تفکر بر پایه‌ی اصول اولیه» یا First Principles Thinking حرف می‌زند؛ رویکردی که ریشه‌اش به ارسطو برمی‌گردد و می‌گوید به‌جای استدلال از طریق قیاس و مقایسه با گذشته، باید یک مسئله را به کوچک‌ترین اجزای واقعی‌اش تجزیه کرد و از صفر دوباره ساخت.

مثال معروف او درباره‌ی باتری تسلا این تفاوت را روشن می‌کند. حدود سال ۲۰۱۲، قیمت هر کیلووات‌ساعت باتری در صنعت حدود ۶۰۰ دلار بود و همه فرض می‌کردند این قیمت به‌همین شکل خواهد ماند، چون همیشه همین‌طور بوده است. ماسک به‌جای پذیرفتن این فرض، پرسید باتری از چه موادی ساخته شده؟ کبالت، نیکل، آلومینیوم، کربن، چند پلیمر جداکننده و یک قوطی فولادی. وقتی قیمت این مواد را در بورس فلزات لندن حساب کرد، به رقمی نزدیک به ۸۰ دلار به ازای هر کیلووات‌ساعت رسید. فاصله‌ی بین این دو عدد، همان چیزی بود که بعدها استراتژی گیگافکتوری تسلا را شکل داد. او دقیقاً همین رویکرد را درباره‌ی هزینه‌ی ساخت موشک در اسپیس‌ایکس هم به کار برد و دریافت که هزینه‌ی مواد اولیه‌ی یک موشک تنها حدود دو درصد قیمت نهایی آن در بازار بوده است.

تفاوت میان تفکر قیاسی و تفکر بر پایه‌ی اصول اولیه همین‌جاست: تفکر قیاسی می‌گوید «چون قبلاً این‌طور بوده، بعداً هم همین‌طور خواهد بود». تفکر بر پایه‌ی اصول اولیه می‌پرسد «چه چیزی از نظر فیزیکی واقعاً درست است، و چرا فرض می‌کنیم غیر از این ممکن نیست؟». فیزیک، به‌عنوان علمی که هدفش کشف قوانین بنیادین طبیعت است، دقیقاً محل تمرین همین نوع پرسشگری است. به همین دلیل است که ماسک به‌جای ریاضی محض، فیزیک را پیشنهاد داد؛ فیزیک، ریاضی را به مدل‌سازی، پیش‌بینی و تصمیم‌گیری در دنیای واقعی وصل می‌کند.

«روش عادی زندگی‌کردن ما این است که با قیاس استدلال می‌کنیم. اما با اصول اولیه، چیزها را به بنیادی‌ترین حقایق تجزیه می‌کنید و از همان‌جا دوباره می‌سازید.» — ایلان ماسک

۳. هوش مصنوعی چطور مهندسی نرم‌افزار را تغییر می‌دهد

برای دهه‌ها، مسیر کار به این شکل بود: انسان مسئله را تعریف می‌کرد و انسان همان کد را هم می‌نوشت. امروز این مسیر در حال شکستن است. جنسن هوانگ، مدیرعامل انویدیا، در نشست حکومت جهانی در دبی (فوریه‌ی ۲۰۲۴) ادعایی جنجالی مطرح کرد: به گفته‌ی او، وظیفه‌ی صنعت فناوری این است که فناوری‌ای بسازد که دیگر کسی مجبور نباشد برنامه‌نویسی کند، و زبان برنامه‌نویسی همان زبان انسانی است. او در نشست تک‌ویک لندن در ژوئن ۲۰۲۵ همین ایده را تکرار کرد و گفت زبان برنامه‌نویسی جدید، «انسان» نام دارد، چون هرکسی زبان انسانی را بلد است.

این حرف بازتاب گسترده‌ای داشت، اما بازتاب انتقادی هم به همان اندازه قوی بود. منتقدانی از جمله تحلیل‌گران صنعت فناوری یادآوری کردند که در طول سه دهه‌ی گذشته، بارها اعلام شده که فلان فناوری برنامه‌نویسی را نابود می‌کند، از زبان‌های سطح بالا گرفته تا ابزارهای بدون‌کد، و هربار تقاضای برنامه‌نویسان نه‌تنها کم نشده، بلکه بیشتر هم شده است. استدلال منتقدان این است که زبان طبیعی برای بیان دقیق منطق، همان محدودیت‌های ریاضیات را ندارد؛ توضیح‌دادن یک الگوریتم پیچیده با جمله‌های فارسی یا انگلیسی، اغلب دشوارتر و مبهم‌تر از نوشتن خود کد است.

واقعیت جایی میان این دو قطب قرار دارد. آنچه واقعاً در حال تغییر است، لایه‌ی «پیاده‌سازی» است، نه لایه‌ی «تعریف مسئله». امروز ابزارهای هوش مصنوعی می‌توانند در چند ثانیه یک تابع، یک صفحه‌ی وب یا حتی یک اپلیکیشن ساده تولید کنند؛ کاری که پیش‌تر ساعت‌ها زمان می‌برد. اما چیزی که این ابزارها هنوز نمی‌توانند جایگزینش شوند، تصمیم این است که اصلاً چه چیزی باید ساخته شود، این راه‌حل با چه معماری باید مقیاس‌پذیر بماند، کجای سیستم نقطه‌ی شکست خواهد بود، و نتیجه‌ی تولیدشده چقدر قابل‌اعتماد است. به بیان دیگر، ارزش از «تایپ‌کردن دستورها» به‌سمت «قضاوت درباره‌ی دستورها» جابه‌جا شده است.

۴. مسیر تاریخی: از انقلاب صنعتی تا عصر هوش مصنوعی

این جابه‌جایی ارزش، پدیده‌ای تازه نیست؛ الگویی تکرارشونده در تاریخ فناوری است.

در انقلاب صنعتی، ارزش از مهارت دستی صنعتگر به‌سمت کسانی حرکت کرد که می‌توانستند ماشین طراحی و مدیریت کنند. صنعتگری که با دست پارچه می‌بافت، جای خود را به کسی داد که کارخانه‌ی نساجی را طراحی و اداره می‌کرد.

در عصر اطلاعات، با ورود کامپیوترهای شخصی و اینترنت، ارزش دوباره جابه‌جا شد: از کسی که فقط داده جمع‌آوری می‌کرد، به‌سمت کسی که می‌توانست داده را تحلیل و تفسیر کند.

در عصر ابر و نرم‌افزار، دسترسی به زیرساخت محاسباتی ارزان و همگانی شد، و ارزش به‌سمت کسانی رفت که می‌توانستند سیستم‌های پیچیده و مقیاس‌پذیر طراحی کنند، نه فقط کسانی که یک خط کد می‌نوشتند.

حالا در عصر هوش مصنوعی، لایه‌ی «اجرا» یا «پیاده‌سازی» با سرعتی بی‌سابقه در حال ارزان‌شدن است. طبق گزارش آینده‌ی مشاغل ۲۰۲۵ مجمع جهانی اقتصاد که بر اساس نظرسنجی از بیش از هزار کارفرمای بزرگ در بیش از پنجاه اقتصاد تهیه شده، تفکر تحلیلی همچنان مهم‌ترین مهارت پایه‌ای است که کارفرمایان از نیروی کار می‌خواهند؛ هفت از هر ده شرکت آن را ضروری می‌دانند. در کنار آن، تفکر سیستمی و تفکر خلاقانه هم جزو مهارت‌هایی هستند که رشد سریعی در اهمیتشان دیده می‌شود، دقیقاً به این دلیل که هوش مصنوعی بخش بزرگی از وظایف تکراری و روتین شناختی را برعهده گرفته است. همین گزارش پیش‌بینی می‌کند تا سال ۲۰۳۰ نزدیک به ۳۹ درصد مهارت‌های اصلی نیروی کار تغییر خواهد کرد.

الگو در هر چهار مرحله یکسان است: فناوری، لایه‌ی پایین‌تر و تکراری‌تر کار را می‌بلعد، و ارزش انسانی به‌سمت لایه‌ی بالاتر و مفهومی‌تر هل داده می‌شود.

۵. ریاضی، نه جدا از هوش مصنوعی، بلکه پی‌ی آن

نکته‌ای که در بحث‌های عمومی گاهی گم می‌شود این است: هوش مصنوعی خودش محصول مستقیم ریاضیات پیشرفته است، نه رقیب آن. هر مدل زبانی بزرگ، از نظر ریاضی، ترکیبی است از:

جبر خطی، برای نمایش کلمات و مفاهیم به‌صورت بردار در فضاهای چندبعدی و انجام میلیون‌ها ضرب ماتریسی در هر پاسخ؛
احتمال و آمار، برای این‌که مدل بتواند حدس بزند کدام کلمه‌ی بعدی محتمل‌تر است؛
حسابان و بهینه‌سازی، برای فرایند آموزش مدل از طریق گرادیان نزولی، همان روشی که وزن‌های میلیاردها پارامتر را تنظیم می‌کند؛
نظریه‌ی اطلاعات، برای اندازه‌گیری میزان عدم‌قطعیت و فشرده‌سازی داده.

به بیان دیگر، مهندسانی که این مدل‌ها را در آزمایشگاه‌هایی مانند OpenAI، DeepMind، انویدیا، گوگل و Anthropic می‌سازند، خودشان از عمیق‌ترین کاربران ریاضیات پیشرفته در دنیا هستند. این‌جا یک تناقض ظاهری وجود دارد: فناوری‌ای که قرار است بخشی از کار انسان را خودکار کند، خودش تنها به این دلیل وجود دارد که عده‌ای ریاضیات را به‌قدر کافی عمیق فهمیده‌اند که بتوانند آن را بسازند. هرچه هوش مصنوعی پیشرفته‌تر شود، تقاضا برای افرادی که بتوانند این ریاضیات را بفهمند، اصلاح کنند و به مرزهای جدید ببرند، نه کم، بلکه بیشتر می‌شود؛ فقط تعداد این افراد نسبت به کل جمعیت شاغل کوچک‌تر و تخصصی‌تر خواهد بود.

۶. فیزیک و تفکر سیستمی

اگر ریاضی زبان انتزاع است، فیزیک تمرین اعمال آن انتزاع روی جهانی است که قیدها، اصطکاک‌ها و محدودیت‌های واقعی دارد. کسی که فیزیک خوانده، یاد گرفته چطور یک پدیده‌ی پیچیده را مدل کند، رابطه‌ی علّی میان متغیرها را از هم‌بستگی صرف تشخیص دهد، محدودیت‌های یک سیستم را بشناسد، و مصالحه (Trade-off) میان گزینه‌های مختلف را در ذهن بسنجد.

این مهارت‌ها دقیقاً همان چیزی هستند که یک بنیان‌گذار استارتاپ هر روز به آن‌ها نیاز دارد: کدام بخش از محصول واقعاً محدودیت فنی دارد و کدام‌بخش صرفاً فرض غلط تیم است؟ اگر نرخ رشد کاربران را دو برابر کنیم، کدام بخش زیرساخت اول می‌شکند؟ اگر قیمت را ده درصد پایین بیاوریم، چه اتفاقی برای حاشیه‌ی سود و رفتار مشتری می‌افتد؟ این‌ها همه سؤالاتی هستند که با ذهنیت مدل‌سازی فیزیکی، ساختاریافته‌تر پاسخ داده می‌شوند تا با حدس و گمان.

۷. کارفرمایان دهه‌ی آینده چه چیزی را ارزشمند می‌دانند

سؤال قدیمی کارفرمایان این بود: «آیا بلدی کد بزنی؟» سؤال جدید، لایه‌ای عمیق‌تر دارد:

آیا می‌توانی مسئله‌ی درست را تعریف کنی، نه فقط راه‌حلی برای مسئله‌ی اشتباه؟
آیا می‌توانی با عدم‌قطعیت و داده‌ی ناقص، مدل‌سازی و تصمیم‌گیری کنی؟
آیا استدلال منطقی‌ات آن‌قدر محکم هست که بتوانی خروجی یک ابزار هوش مصنوعی را ارزیابی و اصلاح کنی؟
آیا می‌توانی سیستمی طراحی کنی که اجزای مختلف آن، از داده و مدل گرفته تا کاربر نهایی، هماهنگ کار کنند؟
آیا می‌توانی با ابزارهای هوش مصنوعی به‌عنوان همکار کار کنی، نه فقط به‌عنوان کاربر منفعل؟

طبق همان گزارش مجمع جهانی اقتصاد، مهارت‌های فناورانه مانند هوش مصنوعی و کار با داده‌های بزرگ سریع‌ترین رشد اهمیت را دارند، اما درست در کنارشان، تفکر تحلیلی و تفکر سیستمی هم جزو مهارت‌های در حال رشد قرار گرفته‌اند. این نشان می‌دهد که مهارت فناورانه به‌تنهایی کافی نیست؛ باید با ظرفیت شناختی بالاتر ترکیب شود.

۸. اما بیایید منصف باشیم: نقدهای این دیدگاه

هر ادعای «ریاضی و فیزیک مهم‌تر می‌شوند» باید کنار چند واقعیت دیگر هم گذاشته شود.

اول، برنامه‌نویسی ناپدید نمی‌شود. طبق گزارش مجمع جهانی اقتصاد، توسعه‌دهندگان نرم‌افزار همچنان جزو مشاغلی هستند که بیشترین رشد تقاضا را در سال‌های آینده خواهند داشت. کسی باید همان ابزارهای هوش مصنوعی را بسازد، تست کند، دیباگ کند و در زیرساخت واقعی اجرا کند.

دوم، مهندسی همچنان ضروری است. حتی اگر تولید کد ساده‌تر شود، یکپارچه‌سازی آن کد با سیستم‌های پیچیده‌ی موجود، مدیریت امنیت، عملکرد در مقیاس بزرگ و نگهداری بلندمدت، کاری تخصصی باقی می‌ماند که نیازمند دانش عمیق مهندسی است.

سوم، خودِ هوش مصنوعی به مهندسی نیاز دارد. پارادوکس جالب این است که هرچه ابزارهای مبتنی بر هوش مصنوعی بیشتر می‌شوند، تقاضا برای مهندسانی که بتوانند این ابزارها را بسازند، آموزش دهند و اشکال‌زدایی کنند هم بیشتر می‌شود. بدون این افراد، اصلاً «زبان انسان» به‌عنوان ابزار برنامه‌نویسی وجود نداشت.

چهارم، مهارت‌های عملی همچنان حیاتی‌اند. دانستن ریاضی محض بدون توانایی اجرا، محصولی تولید نمی‌کند. شرکت‌هایی مانند تسلا و اسپیس‌ایکس با وجود تکیه بر تفکر بنیادین، هزاران مهندس، تکنسین و متخصص اجرایی استخدام می‌کنند که کار روزمره‌ی ساخت و تولید را انجام می‌دهند.

پنجم، علوم پایه به‌تنهایی کافی نیست. دانستن ریاضی و فیزیک، بدون مهارت ارتباطی، توانایی کار تیمی، و درک کسب‌وکار، به تنهایی یک شرکت یا محصول موفق نمی‌سازد. حتی خود ماسک و دوروف، در کنار پس‌زمینه‌ی علمی‌شان، به‌شدت به مهارت اجرا، فروش و مدیریت تکیه کرده‌اند.

نکته‌ی جالب این‌جاست که حتی در خودِ صنعت فناوری هم اجماعی وجود ندارد. برخی چهره‌های شناخته‌شده، از جمله بیل گیتس، در اظهارنظرهایی که رسانه‌ها گزارش کرده‌اند، تأکید کرده‌اند که برنامه‌نویسی فراتر از تایپ‌کردن است و شکلی از تفکر عمیق محسوب می‌شود که به این زودی‌ها از میان نمی‌رود.

۹. نقشه‌ی راه عملی برای دانش‌آموزان

اگر بخواهیم از این بحث یک توصیه‌ی عملی بیرون بکشیم، آن توصیه این نیست که «همه باید ریاضی بخوانند». توصیه‌ی دقیق‌تر ترکیبی چندلایه است:

ریاضی و آمار به‌عنوان زبان پایه‌ی تفکر ساختاریافته؛ نه صرفاً برای حل مسئله در امتحان، بلکه برای عادت‌دادن ذهن به تجزیه و اثبات.
احتمال و مدل‌سازی عدم‌قطعیت، چون بیشتر تصمیم‌های واقعی دنیا در شرایط اطلاعات ناقص گرفته می‌شوند، نه در شرایط قطعیت کامل کتاب درسی.
فیزیک، برای تمرین تفکر بر پایه‌ی اصول اولیه و مدل‌سازی سیستم‌های واقعی با قید و محدودیت.
علوم کامپیوتر، نه لزوماً برای حفظ‌کردن سینتکس یک زبان برنامه‌نویسی خاص، بلکه برای فهم منطق الگوریتمی، ساختار داده، و نحوه‌ی کار سیستم‌های نرم‌افزاری.
اقتصاد، برای فهم این‌که منابع محدودند و هر تصمیم هزینه‌ی فرصت دارد.
روان‌شناسی و رفتار انسانی، چون هر محصول یا کسب‌وکاری در نهایت باید با انسان‌های واقعی تعامل کند، نه با معادلات خالص.
مهارت ارتباطی و نوشتاری، چون در دنیایی که تولید محتوا و کد ارزان‌تر می‌شود، توانایی توضیح واضح یک ایده، مزیت رقابتی بزرگ‌تری پیدا می‌کند.
مهارت کار با ابزارهای هوش مصنوعی، نه به‌عنوان یک درس جداگانه، بلکه به‌عنوان زبانی که باید در کنار همه‌ی موارد بالا روان صحبتش کرد.

دلیل این‌که این ترکیب از تمرکز صرف روی یک رشته قوی‌تر است، ساده است: در دنیایی که ابزارها به‌سرعت عوض می‌شوند، تخصص باریک و تک‌بعدی زودتر منسوخ می‌شود، اما ترکیبی از تفکر ساختاریافته (ریاضی و فیزیک)، درک سیستم (علوم کامپیوتر و اقتصاد) و مهارت انسانی (ارتباط و روان‌شناسی) در برابر تغییرات فناورانه مقاوم‌تر است.

جمع‌بندی: هوش مصنوعی تفکر بنیادین را کم‌ارزش نمی‌کند، برجسته‌اش می‌کند

نتیجه‌ی این بررسی، جمله‌ای ساده مثل «همه باید ریاضی بخوانند» نیست؛ چون چنین جمله‌ای هم نادقیق است و هم بی‌انصافی در حق مسیرهای دیگر یادگیری. نتیجه‌ی دقیق‌تر این است: ظهور هوش مصنوعی، ارزش تفکر بنیادین را کم نکرده، بلکه آن را برجسته‌تر کرده است. ریاضی و فیزیک قدرتمندند، نه چون فرمول حفظ می‌کنند، بلکه چون ذهن را برای تجزیه، استدلال و مدل‌سازی تمرین می‌دهند؛ و هوش مصنوعی دقیقاً کسانی را تقویت می‌کند که از قبل بلدند چطور فکر کنند. کسی که یاد گرفته مسئله را درست تعریف کند، از هوش مصنوعی به‌عنوان تقویت‌کننده استفاده می‌کند؛ کسی که این توانایی را ندارد، فقط سرعت اشتباه‌کردنش بیشتر می‌شود.

نکات کلیدی

گفت‌وگوی دوروف و ماسک در ژوئیه‌ی ۲۰۲۵ بازتاب یک نگرانی واقعی صنعت فناوری بود: در دنیایی که هوش مصنوعی اجرا را خودکار می‌کند، چه مهارتی برای انسان باقی می‌ماند؟
ریاضی مهارت‌های انتقال‌پذیری مثل انتزاع، استدلال منطقی، بهینه‌سازی و تجزیه‌ی مسئله می‌سازد.
فیزیک این مهارت‌ها را با مدل‌سازی سیستم‌های واقعی و تفکر بر پایه‌ی اصول اولیه تکمیل می‌کند.
هوش مصنوعی بیشتر «پیاده‌سازی» را خودکار می‌کند، نه «تعریف مسئله» یا «قضاوت» را.
طبق گزارش مجمع جهانی اقتصاد (۲۰۲۵)، تفکر تحلیلی و سیستمی همچنان در صدر مهارت‌های موردنیاز کارفرمایان قرار دارند.
برنامه‌نویسی از بین نمی‌رود؛ اما نقش آن از «تایپ‌کردن کد» به‌سمت «طراحی، قضاوت و ارزیابی» جابه‌جا می‌شود.
بهترین مسیر برای دانش‌آموزان، ترکیبی از علوم پایه، علوم کامپیوتر، اقتصاد، روان‌شناسی و مهارت ارتباطی است، نه تک‌تمرکزی روی یک رشته.

پرسش‌های متداول

آیا برنامه‌نویسی در آینده دیگر لازم نیست یاد گرفت؟

خیر. آنچه تغییر می‌کند، نوع مهارت مورد نیاز است. نوشتن خط‌به‌خط کد ساده‌تر می‌شود، اما طراحی سیستم، عیب‌یابی، و قضاوت درباره‌ی کیفیت و امنیت کد همچنان به دانش عمیق مهندسی نیاز دارد.

چرا ماسک به‌جای ریاضی، فیزیک را پیشنهاد داد؟

چون فیزیک، ریاضی را به مدل‌سازی دنیای واقعی، شناخت قیدها و تفکر بر پایه‌ی اصول اولیه متصل می‌کند؛ رویکردی که ماسک آن را در ساخت تسلا و اسپیس‌ایکس به کار برده است.

آیا این یعنی هوش مصنوعی جایگزین ریاضیدان‌ها می‌شود؟

خیر. خود هوش مصنوعی محصول ریاضیات پیشرفته (جبر خطی، احتمال، بهینه‌سازی) است. هرچه این فناوری پیشرفته‌تر شود، به متخصصانی که این ریاضیات را بفهمند و توسعه دهند بیشتر نیاز خواهد بود.

دانش‌آموزی که علاقه‌ی زیادی به ریاضی و فیزیک ندارد چه کند؟

تفکر تحلیلی و سیستمی را می‌توان از مسیرهای دیگری هم تقویت کرد؛ اقتصاد، فلسفه‌ی منطق، علوم داده و حتی برخی رشته‌های علوم اجتماعیِ داده‌محور هم این مهارت‌ها را می‌سازند. نکته‌ی اصلی، تمرین تفکر ساختاریافته است، نه لزوماً عنوان درس.

آیا شرکت‌های بزرگ فناوری واقعاً به این مهارت‌ها اهمیت می‌دهند؟

بله. گزارش آینده‌ی مشاغل ۲۰۲۵ مجمع جهانی اقتصاد، بر اساس نظرسنجی از بیش از هزار کارفرمای بزرگ، تفکر تحلیلی را مهم‌ترین مهارت پایه‌ای کارفرمایان معرفی می‌کند و تفکر سیستمی و خلاقانه را هم در میان مهارت‌های روبه‌رشد قرار می‌دهد.