کارنیل

مقاله‌ای که در مجلهٔ Journal of Experimental Psychology: Learning, Memory, and Cognition منتشر شده، بررسی کرده که یک رفتار بسیار ساده—راه رفتن—چطور بر انواع مختلف تفکر اثر می‌گذارد. پژوهشگران در چهار آزمایش کنترل‌شده، خلاقیت و حل مسئله را در شرایط مختلف سنجیدند: نشستن، راه رفتن در فضای بسته، راه رفتن در فضای باز، و حرکت بدون راه رفتن. نکتهٔ مهم این پژوهش این است که تمرکز آن نه بر ورزش، آمادگی جسمانی یا تمرین بلندمدت، بلکه بر این بود که حرکت ملایم و روزمره چگونه حالت شناختی لحظه‌ای مغز را تغییر می‌دهد. یافتهٔ کلیدی مطالعه، انتخاب‌گر بودن اثر راه رفتن است. راه رفتن باعث «باهوش‌تر شدن کلی» مغز نشد. حتی در برخی تکالیف حل مسئلهٔ محدود و ساختارمند، عملکرد کمی افت کرد. اما در مقابل، تفکر واگرا—توانایی مغز برای تولید ایده‌های جدید، منعطف و خلاق—به‌طور قابل‌اعتماد افزایش یافت. این یعنی حرکت بدن، مغز را از حالت کنترل سخت‌گیرانه و خطی خارج می‌کند و آن را به سمت پردازش تداعی‌محور می‌برد؛ حالتی که ارتباط نزدیکی با خلاقیت و بینش دارد. پژوهشگران معتقدند این تغییر احتمالاً ناشی از تنظیم متفاوت دسترسی به حافظه و کاهش مهار شناختی است، نه انگیزه، نه منظرهٔ اطراف، و نه میزان تلاش. اهمیت این یافته فراتر از خلاقیت است. زندگی مدرن بر نشستن طولانی‌مدت بنا شده، اما این پژوهش نشان می‌دهد انعطاف‌پذیری ذهنی ممکن است به شکستن سکون فیزیکی وابسته باشد. خلاقیت، ایده‌پردازی و لحظات «آها» فقط در مغز اتفاق نمی‌افتند؛ آن‌ها حاصل همکاری سیستم مغز–بدن هستند. طراحی کار، یادگیری و زندگی روزمره بدون در نظر گرفتن حرکت، ممکن است بی‌سر و صدا کیفیت تفکر ما را محدود کند. منبع: Give Your Ideas Some Legs: The Positive Effect of Walking on Creative Thinking Journal of Experimental Psychology: Learning, Memory, and Cognition DOI: 10.1037/a0036577 @karnil

#OKR «مالکیت مشترک، یعنی عدم پاسخگویی؛ برای تضمین اجرا، هر نتیجه کلیدی (KR) را تنها به یک فرد مشخص بسپارید.» @karnil

#OKR تمرکز رادیکال! در متدولوژی OKR، کلید دستیابی به نتایج چشمگیر، «تمرکز رادیکال» است؛ به این معنی که در هر فصل، شجاعتِ «نه» گفتن به انبوهی از ایده‌های خوب را داشته باشید تا بتوانید تمام انرژی و منابع خود را تنها بر روی حیاتی‌ترین هدف متمرکز کنید.

آینده جهان نه تنها در میدان‌های نبرد، بلکه در آزمایشگاه‌های داروسازی و کدهای برنامه‌نویسی نوشته می‌شود؛ جایی که نوآوری خاموش، مرزهای قدرت را پرسر و صداتر از هر سلاحی جابه‌جا می‌کند."

چهار مسیر پیش روی سازمان‌ها در عصر هوش مصنوعی هوش مصنوعی دیگر یک واژه تخصصی در دنیای فناوری نیست؛ بلکه یک نیروی دگرگون‌کننده است که در حال بازتعریف نحوه کار، رقابت و رشد سازمان‌هاست. اما همه شرکت‌ها به یک شکل از این فناوری استقبال نمی‌کنند. سوال کلیدی این نیست که «آیا» از هوش مصنوعی استفاده کنیم، بلکه این است که «چگونه» آن را در سازمان خود بکار بگیریم. ماتریس نشان داده شده در تصویر پیوست، که بر اساس تحلیل‌های گروه مشاوران بوستون (BCG) شکل گرفته، چهار رویکرد یا «کهن‌الگو» متمایز را نشان می‌دهد که سازمان‌ها در استفاده از هوش مصنوعی در پیش می‌گیرند. این چارچوب بر اساس دو محور کلیدی تعریف می‌شود: تمرکز استراتژیک (محور عمودی): آیا سازمان می‌خواهد از هوش مصنوعی برای بهتر و سریع‌تر انجام دادن کارهای فعلی استفاده کند یا می‌خواهد با آن کارهای کاملاً جدیدی انجام دهد؟ فلسفه استعداد (محور افقی): آیا سازمان می‌خواهد ساختار و نقش‌های فعلی کارمندان را حفظ کند یا آماده است که تیم‌ها و شغل‌ها را برای هماهنگی با هوش مصنوعی از نو تعریف کند؟ پاسخ به این دو سؤال، سازمان را در یکی از چهار مسیر زیر قرار می‌دهد: مسیر اول: مقیاس‌پذیر (The Scaler) در این مسیر، هوش مصنوعی مانند یک «ابزار کمکی پرقدرت» به کارمندان داده می‌شود. هدف این نیست که ساختار سازمان تغییر کند، بلکه این است که تیم فعلی بتواند کارها را سریع‌تر و با کیفیت بیشتری انجام دهد.

مثال: یک تیم بازاریابی را در نظر بگیرید که به جای صرف چند روز برای تحلیل داده‌های مشتریان، با کمک هوش مصنوعی این کار را در چند دقیقه انجام می‌دهد. نقش تحلیل‌گر سر جایش است، اما ابزارش بسیار قوی‌تر شده.

مسیر دوم: آینده‌ساز (The Horizon Builder) در این مسیر، به هوش مصنوعی به چشم یک آزمایشگاه نوآوری نگاه می‌شود. بدون اینکه کل سازمان درگیر تغییرات بزرگ شود، از آن برای تست ایده‌های جدید، ساخت محصولات نوآورانه و ورود به بازارهای تازه استفاده می‌شود.

مثال: یک شرکت تولیدی را تصور کنید که خط تولید اصلی خود را دست‌نخورده نگه می‌دارد، اما یک تیم کوچک و جداگانه را مأمور می‌کند تا با استفاده از هوش مصنوعی، یک محصول هوشمند کاملاً جدید طراحی کند

.  مسیر سوم: ساده‌ساز (The Streamliner) در این مسیر، از هوش مصنوعی برای ساده‌سازی و چابک‌سازی سازمان استفاده می‌شود. کارهایی که قبلاً توسط چند نفر انجام می‌شد، حالا با کمک هوش مصنوعی توسط یک نفر انجام می‌شود. این کار باعث حذف بروکراسی، کاهش هزینه‌ها و افزایش سرعت می‌شود

. مثال: به جای داشتن نقش‌های جداگانه برای «نویسنده محتوا»، «طراح گرافیک» و «کارشناس شبکه‌های اجتماعی»، یک «متخصص بازاریابی دیجیتال» استخدام می‌شود که با کمک ابزارهای هوش مصنوعی، تمام این کارها را به تنهایی انجام می‌ده

د .  مسیر چهارم: بازآفرین (The Reinventor) این جسورانه‌ترین مسیر است. در اینجا، سازمان قدیمی بهبود نمی‌یابد، بلکه کاملاً بازآفرینی شده و یک سازمان کاملاً جدید بر پایه همکاری انسان و هوش مصنوعی ساخته می‌شود. هوش مصنوعی دیگر یک ابزار نیست، بلکه بخشی از ت

یم ا ست. مثال: به جای یک شرکت تبلیغاتی سنتی، یک آژانس خلاقیت ساخته می‌شود که در آن استراتژیست‌ها، هنرمندان و هوش مصنوعی در کنار هم برای خلق کمپین‌های تبلیغاتی کار می‌کنند. شغل‌های جدیدی مثل «متخصص بهینه‌سازی دستورات هوش مصنوعی (Prompt Engineer)» در این سازمان تعریف م

@karnil

ابرکارمند (Superworker) در عصر هوش مصنوعی حسین حسینی پناه در دنیایی که هوش مصنوعی (AI) با سرعتی خیره‌کننده در حال دگرگون کردن مشاغل و صنایع است، مرز میان توانایی‌های انسان و ماشین روزبه‌روز کمرنگ‌تر می‌شود. در دل این تحول، مفهومی نو در عرصه‌ی مدیریت منابع انسانی پدیدار شده است؛ مفهومی که آینده‌ی کار را بازتعریف می‌کند: ابرکارمند (Superworker).

ابرکارمند کسی است که به‌جای نادیده گرفتن هوش مصنوعی، آن را به‌عنوان دستیار هوشمند خود می‌پذیرد و از آن برای تقویت توانمندی‌های انسانی بهره می‌گیرد. در عصری که هر کارمند می‌تواند در کنار خود یک دستیار مبتنی بر هوش مصنوعی داشته باشد، ابرکارمند کسی است که می‌داند چگونه از این فناوری به‌صورت هدفمند، خلاقانه و استراتژیک استفاده کند تا: ـ ارزشی افزون‌تر برای سازمان بیافریند، ـ تصمیم‌های دقیق‌تر و سریع‌تری بگیرد، ـ و زمان خود را صرف کارهایی کند که اثرگذاری بیشتری دارند.

ابرکارمند در واقع کسی است که با تکیه بر هوش مصنوعی، برای خود «مغز دوم» ساخته است؛ مغزی که وظایف تکراری و زمان‌بر را انجام می‌دهد تا او بتواند بر تفکر، نوآوری و تصمیم‌سازی تمرکز کند. به بیان دیگر، ابرکارمند با ترکیب هوشمندانه‌ی مهارت‌های انسانی (خلاقیت، همدلی، تفکر انتقادی) و قدرت هوش مصنوعی، به سطوح جدیدی از بهره‌وری و خلق ارزش دست می‌یابد. اگر در گذشته، بهره‌وری به معنای «انجام کار بیشتر در زمان کمتر» بود، امروزه بهره‌وری یعنی «خودکارسازی کارهای تکراری» برای آزادسازی ظرفیت ذهنی انسان جهت انجام کارهای عمیق‌تر. ابرکارمند بر «خلق ارزش» تمرکز دارد، نه صرفاً «انجام وظیفه». ویژگی‌های ابرکارمندان ذهنیت یادگیرنده: ابرکارمند همواره در حال یادگیری و آزمودن روش‌های نو برای بهبود عملکرد خود است. تفکر داده‌محور: تصمیم‌هایش بر پایه‌ی تحلیل و شواهد است، نه صرفاً احساس یا عادت. خلاقیت در حل مسئله: از فناوری برای گشودن مسیرهای جدید و نوآورانه استفاده می‌کند. چابکی ذهنی: به‌سرعت با تغییرات محیط کار سازگار می‌شود و از فرصت‌ها بهره می‌گیرد. خودمدیریتی بالا: زمان، تمرکز و انرژی خود را به‌شکلی هدفمند هدایت می‌کند. نقش سازمان‌ها در پرورش ابرکارمندان تحول به‌سوی ابرکارمندی تنها مسئولیت افراد نیست؛ بلکه تغییری راهبردی در سطح سازمان است. برای پرورش ابرکارمندان، سازمان‌ها باید: تعریف مشاغل و مدل‌های کاری را بازطراحی کنند تا تعامل انسان و فناوری به‌شکلی هوشمند و سازنده انجام گیرد. یادگیری مداوم را به بخش جدایی‌ناپذیر فرهنگ سازمانی تبدیل کنند. توسعه‌ی مهارت‌های دیجیتال، تحلیلی و سیستمی را در مسیر رشد کارکنان بگنجانند. سیستم‌های #منابع_انسانی را بازآفرینی کنند تا از انسان‌ها به‌عنوان شرکای استراتژیک در مسیر تحول دیجیتال حمایت نمایند. در عصر #هوش_مصنوعی، برنده‌ی واقعی نه فناوری، بلکه انسانی است که می‌آموزد چگونه از آن به بهترین شکل استفاده کن. @karnil

آیا ما مهارت‌های قرن ۲۱ را بیش از حد پیچیده کرده‌ایم؟ گستردگی اصطلاحات، تعاریف و ابزارهای سنجش مهارت‌ها، موجب سردرگمی در استخدام، آموزش و توسعه نیروی انسانی شده است. یک مطالعه جدید با رویکردی سه‌مرحله‌ای – مرور نظام‌مند ادبیات، تحلیل معنایی نهفته (LSA)، و تحلیل خوشه‌ای سلسله‌مراتبی – تلاش کرده است میزان هم‌پوشانی معنایی و #روانسنجی مهارت‌های قرن ۲۱ را اندازه‌گیری کند. یافته‌های اصلی این پژوهش: پژوهشگران برای تنها ۴۰ مهارت، با ۴۴۶ تعریف متفاوت و ۴۵۷ ابزار سنجش گوناگون مواجه شدند که نشان‌دهنده آشفتگی در این حوزه است. مغالطه جنگل (Jangle Fallacy): تحلیل‌ها همپوشانی بسیار بالایی را میان مهارت‌ها نشان داد. این یعنی بسیاری از مهارت‌هایی که نام‌های جداگانه دارند (مثل «کار تیمی-teamwork-» و «همکاری-collaboration-»)، در واقع یک چیز را می‌سنجند و ابزارهای اندازه‌گیری یکسانی دارند. خوشه‌بندی مفاهیم: مهارت‌هایی نظیر رهبری، ارتباطات و آگاهی موقعیتی، همگی در یک خوشه واحد (مهارت‌های بین‌فردی) قرار می‌گیرند و مرزهای معنایی نزدیکی دارند. در مقابل، برخی مهارت‌ها مثل تفکر محاسباتی (Computational Thinking)، مدیریت زمان (Time Management)، فراشناخت (Metacognition)، تحمل ابهام (Uncertainty Tolerance) و تفکر سیستمی (Systems Thinking) از نظر معنایی نسبت به بسیاری از دیگر مهارت‌ها متمایز بودند و این بر منحصربه‌فرد بودن آن‌ها تأکید می‌کند. لینک مقاله اصلی @karnil

💢برایان چسکی، مدیرعامل Airbnb، در مصاحبه‌ای با ABC News به دانشجویان توصیه کرده که به جای ترس از هوش مصنوعی (AI)، روی مهارت‌های انسانی پایدار تمرکز کنند – چون این‌ها هرگز جایگزین‌پذیر نیستند و AI نمی‌تونه خلاقیت یا روابط انسانی رو کاملاً تقلید کنه. ⦁ حل مسئله: همیشه یاد بگیرید مسائل رو حل کنید، چون AI در افکار تازه و خلاقانه مشکل داره. ⦁ رهبری: مهارت‌های رهبری رو تقویت کنید؛ یک مدیر خوب ارتباط مؤثر، اهداف واضح و سازماندهی بالا داره. ⦁ تفکر انتقادی: این مهارت کلیدی‌ست و AI نمی‌تونه جایگزینش بشه. ⦁ ارتباط: مردم همیشه به روابط اجتماعی و ارتباط نیاز دارن، که AI کامل نمی‌تونه پوشش بده. او هشدار داده که شرکت‌ها نباید مشاغل سطح مبتدی رو با AI جایگزین کنن، حتی اگر AI بتونه کارهای کارآموزی رو انجام بده؛ این کار نسل جوان (Gen Z) رو از بازار کار حذف می‌کنه و در آینده، رهبری استراتژیک رو مختل می‌کنه. در نهایت، پیش‌بینی صنایع ایمن از AI بی‌فایده‌ست، پس فقط به جلو حرکت کنید و مهارت‌های جاودانه رو پرورش بدید!

🔥 گوگل Nested Learning را معرفی کرد — رویکردی نوین در یادگیری مداوم، شبیه مغز انسان گوگل در پژوهش تازهٔ خود، پارادایم جدیدی به نام Nested Learning یا یادگیری تودرتو ارائه کرده است؛ روشی که اجازه می‌دهد مدل‌های هوش مصنوعی دانش جدید را درون ساختار قبلی خود لایه‌بندی کنند، بدون اینکه مهارت‌ها و اطلاعات پیشین را از دست بدهند. ✅ رویکرد Nested Learning چیست؟ در این رویکرد، هر مرحلهٔ جدید آموزش درون لایه‌های قبلی قرار می‌گیرد؛ درست مثل لایه‌گذاری دانش در ذهن انسان. به‌جای بازنویسی یا جایگزینی اطلاعات قبلی، مدل: توانایی‌های گذشته را حفظ می‌کند قابلیت سازگاری با وظایف جدید را به‌دست می‌آورد بهتر تشخیص می‌دهد در چه حالت و چه زمینه‌ای باید پاسخ دهد ✅ چه مزایایی دارد؟ 1) یادگیری بی‌پایان بدون فراموشی مدل می‌تواند به صورت مداوم یاد بگیرد، بدون آنکه دانش قبلی پاک یا تضعیف شود. این یعنی پایان مشکل «فراموشی فاجعه‌بار» در یادگیری ماشینی. 2) فهم عمیق‌تر از بافت و زمینه روش Nested Learning کمک می‌کند مدل بداند در چه وضعیتی قرار دارد — مثلاً آیا در حالت استدلال است؟ خلاصه‌سازی؟ ترجمه؟ این منجر به رفتار هوشمندانه‌تر و سازگارتر می‌شود. 3) نزدیک‌تر شدن به شیوه یادگیری انسان این روش یادگیری را مرحله‌ای، تدریجی و پویا می‌کند — شبیه همان چیزی که در مغز انسان می‌بینیم. @karnil

🚘 پایان اضطراب برد خودروهای برقی؛ ساخت بزرگراهی در فرانسه که باتری خودرو را شارژ می‌کند 🔸فرانسه نخستین بزرگراه شارژکننده خودروهای برقی را آزمایش کرده است؛ در این مسیر ۱.۵ کیلومتری، چهار خودروی برقی شامل کامیون، ون، سواری و اتوبوس توانستند در حال حرکت با قدرت ۳۰۰ کیلووات شارژ شوند. این فناوری که توسط Electreon، Wireless و Vinci Group توسعه یافته، امکان شارژ بی‌سیم پویا را فراهم می‌کند. توان انتقالی این سیستم به‌طور متوسط بیش از ۲۰۰ کیلووات است که مشابه سوپرشارژرهای تسلا عمل می‌کند. این نوآوری نگرانی‌ها درباره برد خودروهای برقی را کاهش می‌دهد. 🔸رانندگان برای استفاده از این فناوری تنها کافی است از خط ویژه شارژ عبور کنند و نیازی به توقف یا اتصال کابل ندارند. این روش می‌تواند زمان شارژ را به چند دقیقه کاهش دهد و برد خودرو را به‌طور هم‌زمان افزایش دهد. @karnil

خلق کردن اکسیژن روح است. تا زمانی که خلق می‌کنیم احساس زنده بودن می‌کنیم. تنها راه اتصال به جهانی که دائما خلق می‌کند همین است. @mojnegaar

🔵دانشمندان با ریاضیات ثابت کردند: جهان ما شبیه‌سازی کامپیوتری نیست 🔸پژوهشگران دانشگاه بریتیش کلمبیا با استفاده از قضایای ناتمامیت گودل نشان داده‌اند که جهان نمی‌تواند یک شبیه‌سازی کامپیوتری باشد. آنها توضیح می‌دهند که عمیق‌ترین لایه‌های واقعیت بر پایه درک غیرالگوریتمی بنا شده است، در حالی که هر شبیه‌سازی کامپیوتری ذاتاً الگوریتمی است. این یافته ایده «زندگی در ماتریکس» را رد می‌کند و نشان می‌دهد که واقعیت فراتر از محاسبات و الگوریتم‌هاست. 🔸مطالعه تأکید می‌کند که توصیف کامل واقعیت فیزیکی با یک نظریه محاسباتی گرانش کوانتومی غیرممکن است و هیچ نظریه همه‌چیز صرفاً از محاسبات مشتق نمی‌شود. پژوهشگران نتیجه گرفتند که برای درک جهان باید یک «فرا-نظریه همه‌چیز» توسعه یابد که لایه غیرالگوریتمی را نیز در بر بگیرد. دکتر لاورنس کراوس این نتایج را دارای پیامدهای عمیق برای فیزیک بنیادی دانست. یافته‌ها در ژورنال Holography Applications in Physics منتشر شده است. @karnil