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، پاول دوروف، بنیان‌گذار تلگرام، جمله‌ای کوتاه در ایکس منتشر کرد: دانش‌آموزانی که می‌خواهند برای آینده آماده شوند، باید ریاضی را انتخاب کنند.

توضیح او این بود 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 زیر همان پست چیزی نوشت که خودش یک برند شخصی شده است: «فیزیک، همراه با ریاضی».

دوروف 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 است.

همین رد و بدل چندجمله‌ای در عرض چند روز میلیون‌ها بازدید گرفت. چرا؟ چون از زبان دو نفری بیرون آمد که هرکدام امپراتوری‌های میلیارد دلاری ساخته‌اند.

و چون 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» بماند؟

این مقاله قصد ندارد فقط آن توییت را بازنشر کند. هدف این است که ببینیم چرا این دیدگاه دقیقاً حالا مطرح شده، و هوش مصنوعی چه مهارت‌هایی را کم‌ارزش و چه مهارت‌هایی را پرارزش می‌کند.

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

قبل از هر ادعایی درباره‌ی ریاضی و فیزیک، یک الگوی تاریخی را باید دید؛ الگویی که بقیه‌ی این بحث روی آن سوار است: فناوری ارزش را نابود نمی‌کند، جابه‌جا می‌کند.

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 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 «پیاده‌سازی» با سرعتی بی‌سابقه در حال ارزان‌شدن است.

طبق گزارش آینده‌ی مشاغل ۲۰۲۵ مجمع جهانی اقتصاد، که بر نظرسنجی از بیش از هزار کارفرمای بزرگ در بیش از پنجاه اقتصاد تکیه دارد، تفکر تحلیلی همچنان مهم‌ترین مهارت پایه‌ای است؛ هفت از هر ده شرکت آن را ضروری می‌دانند.

در کنار آن، تفکر سیستمی و تفکر خلاقانه هم رشد سریعی در اهمیت دارند، دقیقاً چون هوش مصنوعی بخش بزرگی از وظایف تکراری شناختی را برعهده گرفته است. همین گزارش پیش‌بینی می‌کند تا ۲۰۳۰ نزدیک به ۳۹ درصد مهارت‌های اصلی نیروی کار تغییر کند.

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.

۲. چرا ریاضی همیشه ارزشمند بوده است

اگر ارزش همیشه به‌سمت لایه‌ی مفهومی‌تر می‌رود، سؤال بعدی این است: چه چیزی ذهن را برای آن لایه آماده می‌کند؟ پاسخ دوروف ریاضی بود — اما نه ریاضیِ فرمول.

ریاضی را معمولاً مجموعه‌ای از فرمول‌ها می‌شناسند، اما چیزی که دوروف 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 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. همان مهارتی که در مذاکره، تصمیم‌گیری استراتژیک، و حتی نوشتن یک استدلال حقوقی به کار می‌آید.
بهینه‌سازی: پیدا کردن بهترین جواب 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 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 تا حقوق، از پزشکی تا سیاست‌گذاری عمومی.

۳. ریاضی، نه رقیب هوش مصنوعی، بلکه پیِ 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 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 هست: 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 بیشتر می‌شود؛ فقط تعداد این افراد نسبت به کل جمعیت شاغل، کوچک‌تر و تخصصی‌تر خواهد بود.

۴. چرا ماسک بلافاصله فیزیک را اضافه کرد

اگر ریاضی زبان تفکر انتزاعی است، فیزیک همان زبان را روی دنیای واقعی پیاده می‌کند. اینجاست که پاسخ ماسک معنا پیدا می‌کند.

ماسک سال‌هاست از اصطلاحی به نام «تفکر بر پایه‌ی اصول اولیه» یا First Principles Thinking حرف می‌زند؛ رویکردی که ریشه‌اش به ارسطو برمی‌گردد.

این رویکرد 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 همین‌طور 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 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 پرسشگری است.

به همین دلیل 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

۵. فیزیک و تفکر سیستمی

تفکر بر پایه‌ی اصول اولیه فقط یک عادت ذهنی نیست؛ مجموعه‌ای از مهارت‌های عملی به همراه دارد. کسی که فیزیک خوانده، تمرین کرده جهانی را مدل کند که قیدها، اصطکاک‌ها و محدودیت‌های واقعی دارد.

او 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 گزینه‌ها را در ذهن بسنجد.

این‌ها دقیقاً همان چیزی هستند که یک بنیان‌گذار استارتاپ هر روز به آن نیاز دارد: کدام بخش از محصول واقعاً محدودیت فنی دارد و کدام بخش 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 سؤالاتی هستند که با ذهنیت مدل‌سازی فیزیکی، ساختاریافته‌تر پاسخ داده می‌شوند تا با حدس و گمان.

۶. هوش مصنوعی چطور مهندسی نرم‌افزار را تغییر می‌دهد

تا اینجا دیدیم ریاضی و فیزیک چه می‌سازند. حالا سؤال معکوس: هوش مصنوعی دقیقاً کدام بخش از کار را برمی‌دارد؟

برای دهه‌ها، مسیر کار این 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 دبی (فوریه‌ی ۲۰۲۴) ادعایی جنجالی مطرح کرد: وظیفه‌ی صنعت فناوری این است که فناوری‌ای بسازد که دیگر کسی مجبور نباشد برنامه‌نویسی کند.

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.

منتقدان یادآوری کردند که در سه دهه‌ی گذشته بارها اعلام شده فلان فناوری برنامه‌نویسی را نابود می‌کند، از زبان‌های سطح بالا تا ابزارهای بدون‌کد، و هربار تقاضای برنامه‌نویسان نه‌تنها کم نشد، بلکه بیشتر هم شد.

استدلال آن‌ها این است که زبان طبیعی برای بیان دقیق منطق، 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 است. آنچه واقعاً تغییر می‌کند، 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 هنوز جایگزینش نشده، تصمیم درباره‌ی این است که اصلاً چه چیزی باید ساخته شود، این راه‌حل با چه معماری مقیاس‌پذیر می‌ماند، کجای سیستم نقطه‌ی شکست خواهد بود، و نتیجه چقدر قابل‌اعتماد است.

به بیان دیگر، ارزش از «تایپ‌کردن دستورها» به‌سمت «قضاوت درباره‌ی دستورها» جابه‌جا شده است.

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 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 سیستمی هم در حال رشدند.

این نشان می‌دهد 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 خواهند داشت. کسی باید همان ابزارهای هوش مصنوعی را بسازد، تست کند و در زیرساخت واقعی اجرا کند.

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

سوم، خودِ هوش مصنوعی به مهندسی نیاز دارد. هرچه ابزارهای مبتنی بر هوش مصنوعی بیشتر می‌شوند، تقاضا برای مهندسانی که بتوانند آن‌ها را بسازند، آموزش دهند و اشکال‌زدایی کنند هم بیشتر می‌شود.

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

پنجم، علوم پایه به‌تنهایی کافی نیست. دانستن ریاضی و فیزیک، بدون مهارت ارتباطی، کار تیمی و درک کسب‌وکار، شرکت یا محصول موفقی نمی‌سازد. حتی ماسک و دوروف هم به‌شدت به مهارت اجرا، فروش و مدیریت تکیه کرده‌اند.

نکته‌ی جالب این‌جاست که حتی در خودِ صنعت فناوری هم اجماعی وجود ندارد. بیل گیتس در اظهارنظرهایی که رسانه‌ها گزارش کرده‌اند تأکید کرده که برنامه‌نویسی فراتر از تایپ‌کردن است و شکلی از تفکر عمیق محسوب می‌شود.

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 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 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 محصولی 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؛ 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.