نصائح مهنية للشباب في عصر الذكاء الاصطناعي: ما الذي لا يزال مهمًا عندما تصبح الوكلاء قادرة على البرمجة
توضح هذه المقالة لماذا أصبح النمو المهني في عصر الذكاء الاصطناعي أقل ارتباطًا بمجرد حل المشكلات الموكلة، وأكثر ارتباطًا باكتشاف المشكلات المهمة، واختيار البيئات الطموحة، وبناء نوع من السمعة التي يخلق فرصًا عالية الجودة. كما تؤكد أن البرمجة المعتمدة على الوكلاء تغيّر قيمة العمل التقني. إذ يصبح من الأسهل إنتاج مخرجات متوسطة الجودة، لذلك تزداد أهمية الحُكم السليم، والذوق، وفهم الأنظمة، والتنفيذ الدقيق في المرحلة الأخيرة. وبالنسبة للشباب الذين يدخلون مجال الذكاء الاصطناعي، فإن المسار العملي واضح: اقضِ وقتًا مع أشخاص متميزين، واعمل على مشكلات ذات معنى، ومارس التنفيذ العميق، وابدأ البحث من خلال تجارب صغيرة وعمليات تقييم. **في عصر الذكاء الاصطناعي، تكون الأفضلية لمن يستطيعون اختيار المشكلات الصحيحة وتقديم عمل يتجاوز المستوى الافتراضي.**
نصائح مهنية للشباب في عصر الذكاء الاصطناعي: ما الذي يظل مهمًا عندما تصبح الوكلاء قادرين على البرمجة
المقدمة
في عصر الذكاء الاصطناعي، يواجه الشباب سؤالًا مهنيًا مختلفًا عن الأجيال السابقة: إذا كانت النماذج قادرة على حل كثير من المهام المحددة بوضوح، فما أنواع العمل التي ستظل ذات قيمة؟
تستند هذه المقالة إلى منشور شاركه الباحث السابق في OpenAI وDeepMind وScale AI، فيل تشين. فكرته واضحة ومباشرة: نماذج الذكاء الاصطناعي تصبح بارعة للغاية في المهام التي يمكن تحديدها بوضوح وقياسها وتحسينها. والكثير من التدريب المدرسي يبدو مطابقًا لذلك تمامًا: مشكلة محددة، وإجابة معروفة، وقاعدة للتقييم.
لذلك، فإن العمل القيّم خلال العقد المقبل قد لا يكون هو العمل الذي يشبه الواجبات المنزلية أكثر من غيره. وغالبًا ما سيكون العمل الذي يصعب تقييمه داخل حلقة تدريب النموذج: اختيار المشكلة الصحيحة، وبناء العلاقات، وتطوير الحكم السليم، وإنجاز الخطوة الأخيرة، وتعلّم كيفية تحويل الفرص إلى نتائج حقيقية.
فيما يلي النسخة الإنجليزية المعاد صياغتها، مع الحفاظ على البنية الأصلية والأفكار الرئيسية، مع جعل اللغة أكثر سلاسة للنشر في المدونات.
ملاحظة المصدر
- المصدر الأصلي: مقالة BAAI Hub، والتي تشير إلى أن المحتوى جاء في الأصل من WeChat.
- تولى تنظيم المقالة 夏千斯.
- تضمنت الصفحة الأصلية شريطًا زخرفيًا بعنوان “follow academic headlines” وصورًا نهائية خاصة بالمنصة أو ترويجية. لم تُدرج هنا لأنها ليست ضرورية لفهم المقالة.
- تعذر تحميل رابط صورة أخيرة في صفحة المصدر أثناء المراجعة، كما أنها تبدو خارج متن المقالة الرئيسي، لذلك لم تُدرج.
- لم تتضمن المقالة الأصلية أي كتل برمجية أو جداول تقنية.
المقالة الرئيسية
تواصل نماذج الذكاء الاصطناعي التحسن في كل ما يمكن التعبير عنه على شكل دالة خسارة. وكثير من الواجبات المدرسية يشبه ذلك من حيث الجوهر: المشكلة محددة بوضوح، والإجابة معروفة، والنتيجة قابلة للتقييم.
ولهذا السبب، فإن العمل الأكثر قيمة خلال العقد المقبل سيكون على الأرجح هو العمل الذي لا يمكن تقييمه بسهولة داخل دورة تدريب النموذج.
على مدى السنوات الست الماضية، عمل فيل تشين مع أشخاص في مراحل مختلفة جدًا من عمر الشركات: شركته الناشئة الخاصة، وHelm AI، وScale AI، وOpenAI، وGoogle. وقد تراوحت تلك البيئات من فرق صغيرة إلى مؤسسات كبيرة تضم أكثر من 100,000 موظف.
وبصفته مؤسسًا يبني شركة قائمة في جوهرها على الوكلاء، فقد قضى وقتًا طويلًا في التفكير في نوعية الأشخاص الذين تحتاج إليهم الشركة الآن، ونوعية المواهب التي ستحتاج إليها في المستقبل. فالشركة المبنية حول الوكلاء لا توظف بالطريقة نفسها تمامًا التي توظف بها شركة لا يزال معظم إنتاجها يعتمد على البشر الذين يكتبون كل شيء يدويًا.
وبالنسبة للأشخاص الطموحين في بدايات مسيرتهم المهنية، فإن هذا يغيّر النصيحة العملية. فما زالت بعض الأفكار الكلاسيكية صحيحة. والعبارة القديمة في عالم الشركات الناشئة: “عندما تنضم إلى سفينة صاروخية، لا...
لا تقلق كثيرًا بشأن المقعد المحدد بدقة» ما تزال تحمل قدرًا من الحقيقة. لكن مع صعود البرمجة الوكيلة، تغيّرت التفاصيل.
1. ركّز على الموارد النادرة حقًا
قبل انضمامه إلى Scale، تلقّى فيل عرضًا ذا مقابل نقدي أعلى من وظيفة في التداول الكمي. لكنه اختار Scale بدلًا من ذلك لأنه كان أكثر حماسًا للأشخاص هناك، وللمجتمع المحيط بالشركة، وللفرصة التي تتيح له رؤية العديد من المنتجات المختلفة وتطبيقات الذكاء الاصطناعي في العالم الحقيقي.
وقد أثمر ذلك الاختيار بطرق لم تكن واضحة في ذلك الوقت. فمن خلال Scale، تعرّض لمزوّدي الاستدلال لنماذج اللغة الكبيرة، وهو ما ساعده لاحقًا في التوجّه نحو DeepMind وOpenAI. كما التقى بزملاء طموحين أصبحوا لاحقًا جزءًا من شبكة أوسع من المؤسسين الذين خرجوا من Scale.
وعند النظر إلى الماضي، كانت العلاقات وفرص التعلّم أكثر قيمة مما كان سيمنحه المال الإضافي.
أصبح الوصول إلى رأس المال أسهل من أي وقت مضى. لكن قضاء الوقت مع أشخاص متميّزين ما يزال نادرًا. وكذلك العلاقات القوية، والثقة، والسمعة.
يبقى التميّز السابق في العمل ذي الصلة واحدًا من أقوى المؤشرات. والنصيحة العملية بسيطة: قدّم عملًا جيدًا، وتأكد من أن أشخاصًا ممتازين وجديرين بالثقة يمكنهم رؤيته.
كن شديد التعمد في كيفية تخصيص وقتك. فالمشروعات الدراسية، والمشروعات الجانبية، والتدريب العملي، والوظائف المبكرة، يجب ألا تكون مجرد عناصر تُضاف إلى السيرة الذاتية. بل ينبغي أن تكون موجّهة نحو مشكلات تهمك فعلًا.
ومع البرمجة الحدسية وبناء المنتجات بمساعدة الذكاء الاصطناعي، أصبح إطلاق المشاريع الصغيرة وملاحقة الفرص قصيرة الأجل أسهل من أي وقت مضى. وقد تدرّ بعض تلك الفرص المال بسرعة. لكن إذا كان الهدف هو قيمة دائمة، فمن الأفضل عادةً أن تقضي وقتك حيث تتراكم مكاسب التعلّم والعلاقات والسمعة.
الوقت، والعلاقات، والسمعة هي الموارد النادرة حقًا. تعامل معها على هذا الأساس.
2. تعلّم كيف تكتشف المشكلات، لا كيف تحلّها فقط
الشركة التي تعمل بشكل أصيل مع الوكلاء عليها أن تعيد التفكير في معنى القدرة الهندسية فعلًا.
عندما لا يعود الكود يُكتب أساسًا سطرًا بسطر يدويًا، تصبح المؤشرات التقليدية أضعف. فألغاز LeetCode وحتى كثير من أسئلة تصميم الأنظمة القياسية لا تُظهر دائمًا كيف سيؤدي الشخص في البيئة الحقيقية.
ويصبح السؤال الأهم: هل يستطيع هذا الشخص أن يفهم البيئة بسرعة، وأن يحدّد ما الذي يستحق الإصلاح فعلًا، وأن يحل المشكلة ضمن قيود واقعية؟
في المستقبل، سترتبط أهم المهارات باختيار المشكلات وتخصيص الموارد.
لقد أصبحت الوكلاء بالفعل قوية في التعامل مع المشكلات المعقّدة المحددة بوضوح. أما الأشخاص الأكثر تأثيرًا فسيكونون أولئك القادرين على تحديد المشكلات المهمة، ثم توجيه الوقت، والانتباه، والرموز، والحوسبة، والأشخاص نحو حلها.
يشعر كثير من الطلاب بالإحباط عندما يتمكن وكيل من حل واجباتهم. لكن المرشحين الأقوياء ما يزالون يختلفون كثيرًا في مدى كفاءتهم في الوصول إلى حل جيد. وغالبًا ما يجلب أفضل الأشخاص حدسًا عالي المستوى، ومعرفة بالمجال، وسياقًا إلى تعاونهم مع الوكيل.
ومن الناحية العملية، فإن المرشحين الأعلى إشارة غالبًا ما يكونون منغمسين بعمق في بيئات حقيقية لحل المشكلات. أحيانًا يأتي ذلك من مشاريع شخصية جادة. وأحيانًا يأتي من شركات سريعة النمو حيث توجد
هناك مشكلات أكثر أهمية بكثير من عدد الأشخاص المتاحين لحلّها.
3. اختر المشكلات الأكثر جدوى للعمل عليها
أحد أكثر النماذج الذهنية فائدة في أبحاث الذكاء الاصطناعي هو «الدرس المُرّ». والفكرة الأساسية فيه هي أنه، على المدى الطويل، تميل الأساليب العامة التي تتوسع مع القدرة الحاسوبية إلى التفوق على الأساليب المصممة يدويًا والمخصصة لمهام بعينها.
وهذا الدرس ينطبق أيضًا على المسارات المهنية واختيار الشركات.
لطالما خضعت نتائج الشركات والنتائج المهنية لقوانين القوة. ويجعل الذكاء الاصطناعي هذه القوانين تظهر بوتيرة أسرع، لأن بناء البرمجيات أصبح أسهل بكثير. وبات بإمكان كثير من الناس الآن بناء أنظمة بسيطة بسرعة. وهذا يعني أن القيمة المستدامة ستأتي بدرجة أقل من مجرد بناء شيء ما، وبدرجة أكبر من التركيز الشديد على المشكلات الطموحة حقًا.
عند اختيار شركة، لا يقتصر السؤال على ما إذا كانت تبدو مثيرة للاهتمام الآن. بل اسأل ما إذا كانت تعمل على مشكلة كبيرة بما يكفي لتكون ذات أثر، وما إذا كان لديها مسار حقيقي نحو حل تلك المشكلة.
وعند اختيار دور وظيفي، اسأل ما إذا كان هذا الدور يضعك قريبًا من حدود المشكلة التي تحاول الشركة حلها.
ينبغي أن يمنحك الدور الجيد قربًا من القرارات المهمة، والمفاضلات، والقيود. فهناك يتراكم التعلّم.
4. اجتز المرحلة الأخيرة بسرعة
بالنسبة إلى الشركات الناشئة، كتب ألفريد لين عن الـ10% الأخيرة: فقد تمثل الـ10% الأخيرة 90% من العمل، لكنها قد تمثل أيضًا 90% من المكافأة.
يجعل الذكاء الاصطناعي جودة المخرجات أكثر استقطابًا. فالعمل المتوسط أصبح أسهل إنتاجًا، لأن وكيلًا ذكيًا مع توجيه أولي بسيط يمكنه بالفعل توليد شيء قابل للاستخدام. وهذا يعني أن التميّز الحقيقي يأتي من ذوق فريد، وفهم عميق للمشكلة، واهتمام جاد بالتفاصيل.
وفي المرحلة الأخيرة يظهر هذا الفرق بوضوح.
يتطلب إتقان التفاصيل النهائية تدريبًا. فلا شيء يكون مثاليًا من المحاولة الأولى، لذا فإن المرحلة الأخيرة تعني عادةً التكرار: صقل، واختبار، وإعادة بناء، وتبسيط، وتحسين.
ونظرًا إلى أن وكلاء البرمجة يتحسنون بسرعة، فليس أفضل مسار دائمًا هو الاستمرار في ترقيع النسخة نفسها بلا نهاية. ففي بعض الأحيان، يكون من الأفضل استيعاب الدروس من إحدى الدورات، ثم البدء من جديد باستخدام نموذج أحدث أو بنية أكثر نظافة.
يمكنك التدرب على هذا من خلال مشاريعك الخاصة. اقضِ وقتًا إضافيًا في تحسين البنية. وفكّر في قابلية التوسع. وأضف لمسة إبداعية بدلًا من التوقف عند «إنه يعمل». فالمشاريع الصغيرة تصبح أكثر قيمة بكثير عندما تُظهر حسن التقدير والإكمال، لا السرعة وحدها.
5. حسّن كلاً من xG وكفاءة التحويل
في كرة القدم، يشير xG إلى الأهداف المتوقعة. وهو يقدّر عدد الأهداف التي ينبغي أن يسجلها الفريق بناءً على جودة فرصه، باستخدام عوامل مثل المسافة، والزاوية، وموقع حارس المرمى.
وهذا تشبيه مهني مفيد.
بعض التحركات المهنية تزيد من xG الخاص بك: فهي تضعك في موقع تصبح فيه الفرص الكبيرة أكثر احتمالًا للظهور. لكن جودة الفرص ليست سوى نصف المعادلة. فأنت تحتاج أيضًا إلى كفاءة التحويل — أي القدرة على تحويل تلك الفرص إلى نتائج فعلية.
شارك فيل أنه في عام 2023 رفض عروضًا من Anthropic وCursor، واختار بدلًا من ذلك العمل على الاستدلال والتدريب لنماذج الحدود المتقدمة في DeepMind. وفي عام 2024، تجاوز هاتين الفرصتين مرة أخرى واختار OpenAI لأنها كانت أنسب لاهتماماته وثقافتها و
الأهداف في ذلك الوقت.
من منظور مهني، كانت تلك الفرص البديلة ذات xG مرتفع. لكن الخيار الأفضل يعتمد على اتجاهك الشخصي، والفريق، والسوق، وما الذي تحاول تعلّمه.
المسيرة المهنية طويلة. الفرص تأتي وتذهب. ليس الهدف أن تقول نعم لكل ما يبدو مثيرًا للإعجاب. الهدف هو أن تكون في أماكن يمكن أن تصلك فيها الفرص ذات المعنى — ثم تتخذ قرارات أفضل عندما تصل.
السمعة والخبرة لا تزالان مهمتين. بعض الفرص تأتي لأن الناس يثقون بالفعل في عملك. وأخرى تأتي لأنك قضيت وقتًا حقيقيًا في مشكلات تهتم بها فرق معيّنة.
في مرحلة ما، لا تعود الحياة مجرد رؤية الفرص. بل تصبح مسألة تحويلها إلى نتائج. وهذا يعني جمع معلومات كافية، وطرح أسئلة أفضل، واتخاذ قرارات في ضوء سياق أوسع.
بالنسبة للشركات الناشئة في مراحلها المبكرة، تكون أهم العوامل عادةً هي الفريق والسوق. كثير من المرشحين يبالغون في التركيز على المنتج الحالي. لكن إذا كان الفريق استثنائيًا، فإن المنتج سيتحوّل غالبًا مع الوقت إلى شيء أفضل بكثير.
6. يمكنك البدء في إجراء البحث الآن
كثير من الناس يسألون كيف يمكن دخول مجال أبحاث الذكاء الاصطناعي. ومنطلق مفيد هو ألّا تنتظر الإذن.
أنت لا تحتاج دائمًا إلى قدرة حوسبية بمستوى مختبرات الريادة لكي تبدأ. ومنطلق قوي هو استخدام النماذج الموجودة وتحويل حدسك الخاص إلى تقييمات. إذا كنت تعتقد أن نموذجًا ما يفشل في نوع معيّن من الاستدلال أو سير العمل أو المهمة، فصمّم تقييمًا بسيطًا يلتقط ذلك.
يمكن كذلك للوحات الصدارة العامة الخاصة بالتحسين ومجتمعات البحث المفتوحة أن تجعل الاستكشاف أكثر تنظيمًا. فهي تمنح الناس طريقة لاختبار الأفكار، ومقارنة الأساليب، والتعلّم من الإخفاق.
الحوسبة تساعد بالطبع. لكن البحث يبدأ قبل الحوسبة الضخمة. إنه يبدأ بالفضول، والتجارب الدقيقة، وعادة التساؤل عن سبب نجاح شيء ما أو فشله.
ستفشل كثير من الأفكار عند توسيع نطاقها. هذا طبيعي. وفهم سبب فشلها هو كيف تبني حدسك بشأن ما ينجح فعلاً.
في النهاية، كونك باحثًا ليس مجرد مسمّى وظيفي. إنه طريقة تفكير.
داخل مختبرات الريادة، يجمع البحث غالبًا بين عدة أمور:
- فضول قوي بما يكفي لاستكشاف أفكار جديدة.
- استعداد لمصارعة البنية التحتية إلى أن تعمل الفكرة فعلاً.
- فهم دقيق للأنظمة حتى يمكن تشخيص المشكلات بكفاءة.
- تواصل واضح حول سبب أهمية النتيجة، حتى يتمكن الفريق من تبرير تخصيص مزيد من الحوسبة والانتباه.
يمكنك التدرّب على هذه الأمور حتى لو لم تكن داخل مختبر ريادي.
لا يزال العالم يزخر بالعديد من الفرص المفتوحة. والمفتاح هو البحث عن مشكلات مثيرة للاهتمام، ثم تقديم عمل يتجاوز بوضوح المستوى الافتراضي.
الأسئلة الشائعة
ما النصيحة المهنية الأساسية للشباب في عصر الذكاء الاصطناعي؟
النصيحة الأساسية هي التركيز على العمل الذي يصعب على أنظمة الذكاء الاصطناعي تقييمه أو أتمتته مباشرة. ويشمل ذلك اختيار المشكلات المهمة، وبناء علاقات موثوقة، وتطوير حسن التقدير، وتنفيذ التفاصيل النهائية بإتقان.
لماذا يصبح اكتشاف المشكلات أكثر أهمية مع تحسّن وكلاء الذكاء الاصطناعي؟
أصبحت وكلاء الذكاء الاصطناعي قوية جدًا في حل المهام المحددة بوضوح. وهذا يجعل القدرة على تحديد المشكلة الصحيحة أكثر قيمة. أفضل الأشخاص سيعرفون ما الذي يستحق
الانتباه قبل أن يطلبوا من وكيل حلّها.
هل لا تزال البرمجة مفيدة إذا استمرّت البرمجة الوكيلة في التحسّن؟
نعم، لكن القيمة تتغيّر. فبدلاً من الاقتصار على كتابة الشيفرة يدويًا، يحتاج البناؤون إلى فهم الأنظمة، وتوجيه الوكلاء، وتصحيح النتائج، وتصميم معماريات أفضل، وتحديد ما ينبغي بناؤه أصلًا.
ماذا تعني «الموارد النادرة» في هذا السياق المهني؟
تشمل الموارد النادرة الوقت، والعلاقات، والسمعة، وإمكانية الوصول إلى أشخاص متميّزين للغاية. قد يصبح الوصول إلى المال والأدوات الأساسية أسهل، لكن الشبكات الموثوقة والتميّز المثبت يواصلان التراكم مع مرور الوقت.
ما المقصود بـ «الميل الأخير» في العمل في عصر الذكاء الاصطناعي؟
الميل الأخير هو المرحلة النهائية التي يتحوّل فيها الناتج العادي إلى ناتج ممتاز. ويشمل الاختبار، والصقل، والتبسيط، وتحسين المعمارية، وإضافة الحكم السليم الذي تفتقر إليه عادةً النتائج الأولية التي يولّدها الذكاء الاصطناعي.
هل يمكن للطلاب البدء في إجراء أبحاث الذكاء الاصطناعي من دون الانضمام إلى مختبر رائد؟
نعم. يمكن للطلاب أن يبدؤوا باستخدام النماذج الموجودة، وبناء تقييمات صغيرة، واختبار الفرضيات، والمشاركة في المعايير المفتوحة أو لوحات الصدارة. يبدأ البحث بالفضول والتجارب الدقيقة، وليس فقط بالمسمّى الوظيفي أو حجم القدرة الحاسوبية.
كيف ينبغي لشخص ما اختيار شركة ذكاء اصطناعي في مرحلتها المبكرة؟
انظر إلى الفريق، والسوق، وطموح المشكلة. المنتج الحالي مهم، لكن الفرق القوية غالبًا ما تغيّر المنتجات وتحسّنها مع مرور الوقت. وينبغي أيضًا أن يضعك الدور الجيد قريبًا من أهم مشكلة في الشركة.
الأدوات ذات الصلة
- OpenAI: شركة أبحاث ومنتجات في مجال الذكاء الاصطناعي تعمل على النماذج المتقدمة وأنظمة الذكاء الاصطناعي.
- Google DeepMind: مؤسسة أبحاث الذكاء الاصطناعي التابعة لغوغل، وتركّز على الذكاء الآلي المتقدم.
- Scale AI: شركة للبنية التحتية للبيانات والذكاء الاصطناعي، وترتبط بالعديد من سير عمل منتجات الذكاء الاصطناعي ونماذجه.
- Anthropic: شركة متخصصة في سلامة الذكاء الاصطناعي وأبحاثه، وتشتهر أساسًا بـ Claude.
- Cursor: محرّر شيفرة مدعوم بالذكاء الاصطناعي، ويُذكر كثيرًا في سياق البرمجة الوكيلة.
- Modal: منصة حوسبة بدون خوادم لتشغيل أعباء عمل الذكاء الاصطناعي والبيانات ووحدات معالجة الرسوميات.
- GitHub: منصة لنشر الشيفرة، وتطبيقات الأبحاث، والمعايير مفتوحة المصدر.
الروابط ذات الصلة
- Original BAAI Hub Article: الصفحة المصدرية الصينية الأصلية التي استُخدمت لهذا المقال المُعاد صياغته.
- Phil Chen’s X Article: Career Advice in the Age of AI: المقال الأصلي على X الذي استند إليه منشور BAAI.
- The Bitter Lesson: مقال ريتشارد ساتون المؤثر حول توسيع نطاق الأساليب العامة في الذكاء الاصطناعي.
- Alfred Lin: The Last 10%: منشور يوضح لماذا يمكن للمرحلة الأخيرة من التنفيذ أن تولّد معظم العائد.
- Vlad Feinberg: How to Land a Frontier Lab Job: نصائح مهنية للأشخاص الذين يطمحون إلى العمل في مختبرات الذكاء الاصطناعي الرائدة.
- KellerJordan/modded-nanogpt: مشروع عام للتحسين و
مستودع NanoGPT speedrun ذي الصلة بالممارسة العملية لبحوث الذكاء الاصطناعي.
- الموقع الرسمي لـ Modal: منصة حوسبة ذُكرت في سياق تسهيل تشغيل تجارب الذكاء الاصطناعي.
الملخص
تشرح هذه المقالة لماذا أصبح النمو المهني في عصر الذكاء الاصطناعي أقل ارتباطًا بمجرد حل المشكلات الموكلة إليك، وأكثر ارتباطًا بالعثور على المشكلات المهمة، واختيار البيئات الطموحة، وبناء نوع السمعة التي يخلق فرصًا عالية الجودة.
كما تؤكد أن البرمجة المعتمدة على الوكلاء تغيّر قيمة العمل التقني. فأصبح من الأسهل إنتاج مخرجات متوسطة المستوى، ولذلك تزداد أهمية الحُكم السليم، والذوق، وفهم الأنظمة، والتنفيذ الدقيق في المراحل الأخيرة.
أما بالنسبة إلى الشباب الذين يدخلون مجال الذكاء الاصطناعي، فالمسار العملي واضح: اقضِ وقتًا مع أشخاص متميزين، واعمل على مشكلات ذات معنى، وتمرّن على التنفيذ العميق، وابدأ بإجراء البحوث من خلال تجارب صغيرة وعمليات تقييم.
في عصر الذكاء الاصطناعي، تكون الأفضلية لمن يستطيعون اختيار المشكلات الصحيحة وتقديم عمل يتجاوز المستوى الافتراضي.