ویرگول
ورودثبت نام
فرزین
فرزینبرنامه‌نویس، یک عدد عاشق کتاب
فرزین
فرزین
خواندن ۴ دقیقه·۳ ماه پیش

چرا در عصر هوش مصنوعی «فهمیدن» به یک گلوگاه تبدیل شده است؟ ۵ درس از جفری لیت

وقتی کدها بیشتر از توان خواندن ما تولید می‌شوند

ما در حال ورود به دورانی هستیم که ایجنت‌های هوش مصنوعی (AI Agents) قادرند به سادگی پول‌ریکوئست‌های (PR) ۵۰ هزار خطی تولید کنند. جفری لیت، طراح-مهندس ارشد در Notion، در کنفرانس اخیر AI Engineer صحبت خود را با یک پرسش جنجالی شروع کرد: «آیا در دنیای امروز، هنوز لازم است انسان بفهمد کد چگونه کار می‌کند؟» او با شوخ‌طبعی به «سوگیری انتخاب» (Selection Bias) در آن سالن اشاره کرد؛ چرا که مخاطبان او مهندسانی بودند که ذاتاً به نقش انسان در طراحی اهمیت می‌دهند. اما واقعیت این است که ما با یک بحران جدی روبرو هستیم: کدها با سرعتی تولید می‌شوند که فراتر از توان پردازش مغز ماست. در این میان، چالش اصلی دیگر «نوشتن» نیست، بلکه عقب نماندن از درکِ خروجی‌های انبوهی است که توسط هوش مصنوعی ایجاد می‌شود.

بدهی شناختی: هزینه‌ی پنهانِ Vibe Coding

اصطلاح "Vibe Coding" این روزها در دنیای فناوری بسیار شنیده می‌شود؛ حالتی که در آن شما با تکیه بر هوش مصنوعی و بر اساس یک «حس کلی»، کدها را کنار هم می‌چینید و سیستم هم به ظاهر کار می‌کند. اما جفری لیت هشدار می‌دهد که این رویکرد منجر به «بدهی شناختی» (Cognitive Debt) می‌شود.

بدهی شناختی از بدهی فنی (Technical Debt) خطرناک‌تر است. در بدهی فنی، ساختار کد ضعیف است اما شما هنوز می‌دانید چه اتفاقی در حال رخ دادن است؛ در حالی که در بدهی شناختی، درک شما از سیستم تحلیل می‌رود. «فهمیدن» در واقع سوختِ اصلی برای برداشتن قدم‌های خلاقانه بعدی است. وقتی این بدهی زیاد شود، شما توانایی مشارکت فعال در پروژه را از دست می‌دهید.

«زمانی می‌رسد که متوجه می‌شوید هیچ ایده‌ای ندارید در لایه‌های زیرین چه می‌گذرد و عملاً دیگر نمی‌توانید در پروژه مشارکت کنید؛ چرا که بدهی شناختی شما از حد مجاز فراتر رفته است.»

تغییر پارادایم: فهمیدن برای مشارکت، نه فقط برای تأیید

بسیاری تصور می‌کنند ما باید کد را بفهمیم تا فقط «صحت» (Correctness) آن را چک کنیم. اما حقیقت این است که هوش مصنوعی در بررسی صحت کدها (تطبیق با مستندات یا تست‌ها) روز به روز قوی‌تر می‌شود و نقش انسان در این بخش در حال کم‌رنگ شدن است.

تفاوت بنیادین در اینجاست:

بررسی صحت (Correctness Checking): یک تصمیم صفر و یکی (تأیید یا رد) که هوش مصنوعی در آن عالی عمل می‌کند.

فهمیدن برای مشارکت (Understanding to Participate): ایجاد «ساختارهای مفهومی غنی» در ذهن که به مهندس اجازه می‌دهد ایده‌های جدید خلق کند و به صورت سیال، جهش‌های خلاقانه داشته باشد.

بدون فهم عمیق، شما صرفاً اپراتوری هستید که دکمه تایید را فشار می‌دهد، نه سازنده‌ای که آینده پروژه را ترسیم می‌کند.

تکنیک اول: تبدیلِ Diffهای خشک کد به مستندات آموزشی شخصی‌سازی شده

یکی از روش‌های جفری لیت برای مقابله با شکاف درک، استفاده از ابزار "Explain Diff" است. هوش مصنوعی می‌تواند به جای نشان دادن تغییرات خام فایل‌ها (Code Diff)، یک «برنامه درسی شخصی‌سازی شده» برای آن تغییر ایجاد کند:

پیش‌زمینه (Background): سیستم قبل از این تغییر دقیقاً چگونه کار می‌کرد؟

شهود قبل از جزئیات (Intuition before details): هدف مفهومی چیست؟ مثلاً در پروژه «باغ ذن» (Zen Garden)، هدف تغییر نمای بازی از بالا به پایین به ایزومتریک با ترفندهای ۲ بعدی بود.

فیگورهای تعاملی (Interactive Figures): هوش مصنوعی می‌تواند ابزارهای بصری کوچکی بسازد که در آن بتوانید با کشیدن سنگ‌ها در محیط بازی، تغییرات لحظه‌ای مختصات و لایه‌های Z را حس کنید.

کدنویسی ادیبانه (Literate Code): ارائه کد به همراه توضیحات روایی و داستانی (توضیح کد به زبان روایی) که منطق تغییرات را بازگو می‌کند.

تکنیک دوم: آزمون‌ها، تنظیم‌کننده‌های سرعتِ یادگیری

خواندن به تنهایی معمولاً منجر به «توهمِ فهمیدن» می‌شود. جفری لیت با الهام از مقاله‌ی معروف اندی ماتوشاک و مایکل نیلسن با عنوان "Books don't work"، از ایده «تکرار فاصله‌دار» (Spaced Repetition) استفاده می‌کند.

او از ایجنت هوش مصنوعی می‌خواهد که در انتهای هر توضیح کد، یک کویز تعاملی شامل ۵ سوال با درجه سختی متوسط طراحی کند. این آزمون‌ها مانند یک «تنظیم‌کننده سرعت» عمل می‌کنند تا مطمئن شوید با سرعتِ «تأیید کردن» پیش نمی‌روید، بلکه با سرعتِ «یادگیری» حرکت می‌کنید. قانون طلایی: هیچ کدی برای بازبینی (Review) به تیم ارسال نمی‌شود، مگر اینکه برنامه‌نویس بتواند در آزمونِ ساخته شده توسط ایجنت، نمره قبولی بگیرد.

تکنیک سوم: میکرو-ورلدها و بازگشت به رویای آلن کی

مفهوم «میکرو-ورلدها» (Micro-worlds) ریشه در ایده «مات‌لند» (Mathland) سیمور پاپرت دارد؛ محیطی که در آن یادگیری مفاهیم، مثل یادگیری زبان در یک کشور غریبه، به‌صورت غریزی اتفاق می‌افتد.

جفری لیت نشان داد که چگونه هوش مصنوعی می‌تواند «رابط‌های کاربری موقت» (Ephemeral UI) یا دیباگرهای بصری خاص بسازد. او برای درک بهتر یک مفسر زبان پرولوگ (Prolog)، از هوش مصنوعی خواست ابزاری بسازد که وضعیت داخلی سیستم را در هر گام روی یک تایم‌لاین بصری نمایش دهد. این دقیقاً تحقق رویای آلن کی است که کامپیوتر را ابزاری برای ارتقای توانمندی‌های فکری انسان می‌دید، نه جایگزینی برای آن.


قدرت‌مندتر شدن انسان، نه حذف او از چرخه

ما در دورانی هستیم که تولید کد تقریباً «رایگان» شده است. در این بازارِ فراوانی، ما باید «ثروت» خود را به جای تولید کد بیشتر، صرفِ «فهمِ عمیق‌تر» کنیم. هوش مصنوعی نباید ما را از چرخه خارج کند، بلکه باید با ساختن ابزارهای آموزشی، شبیه‌سازها و محیط‌های تعاملی، ما را عمیق‌تر از همیشه در مرکز چرخه خلاقیت قرار دهد.

در دنیایی که نوشتن کد دیگر مزیتی محسوب نمی‌شود، شما چگونه از ابزارهای هوش مصنوعی برای ارتقای درک و خلاقیت خود استفاده می‌کنید؟ آیا از سرعتِ هوش مصنوعی برای فرار از یادگیری استفاده می‌کنید، یا برای عمیق‌تر شدن در قلب سیستم؟

هوش مصنوعیai
۰
۰
فرزین
فرزین
برنامه‌نویس، یک عدد عاشق کتاب
شاید از این پست‌ها خوشتان بیاید