بررسی فرهنگ و محیط کاری OpenAI از نگاه یک مهندس سابق

کالوین فرنچ-اوون، یک مهندس و فارغ‌التحصیل دانشگاه MIT، فردی نیست که در دنیای تکنولوژی چهره‌ای ناشناخته باشه. او قبل از پیوستن به OpenAI، یکی از هم‌بنیان‌گذاران استارتاپ داده‌ای به نام سگمنت (Segment) بود؛ شرکتی که در سال ۲۰۲۰ توسط تویلیو (Twilio) به مبلغ قابل توجه ۳.۲ میلیارد دلار خریداری شد. این سابقه نشون میده که فرنچ-اوون با فضای استارتاپی و ساختن یک شرکت از صفر به خوبی اشناست. اما تجربه بعدی او، ورود به یکی از مهم‌ترین و پر سر و صداترین شرکت‌های تاریخ تکنولوژی یعنی OpenAI بود. او در یک پست وبلاگی که در روز سه‌شنبه منتشر کرد، تصمیم گرفت تا مشاهدات و تجربیات خودش رو از کار در این شرکت به اشتراک بگذاره. این کار رو کرد چون به گفته خودش، «دود و سر و صدای زیادی» اطراف OpenAI وجود داره اما گزارش‌های دست اول از اینکه کار کردن در اونجا واقعا چه حسی داره، خیلی کمه.

او در ماه می سال ۲۰۲۴ به OpenAI پیوست و تا ژوئن ۲۰۲۵، یعنی کمی بیشتر از یک سال، در این شرکت مشغول به کار بود. فرنچ-اوون سه هفته قبل از انتشار این مقاله، از سمت خودش استعفا داد. او در توییتی که در تاریخ ۱۵ جولای ۲۰۲۵ منتشر کرد، این خبر رو اعلام کرد و نوشت: «همونطور که میگن، یک خبر شخصی دارم. من همین الان بعد از عرضه کداکس (Codex)، شرکت OpenAI رو ترک کردم. بی‌نهایت از همه کسانی که در اونجا فرصت همکاری و یادگیری ازشون رو داشتم سپاسگزارم. هنوز دارم فکر میکنم که قدم بعدی چی باشه، اما چیزهای زیادی برای ساختن در این دنیا وجود داره.»

یکی از اولین نکاتی که فرنچ-اوون به اون تاکید میکنه اینه که دلیل ترک شرکت، هیچ‌گونه «درام شخصی» یا مشکلی از این دست نبوده. در واقع، او میگه که برای این تصمیم‌گیری دچار یک درگیری ذهنی عمیق بوده. به گفته او، رفتن از جایگاه یک «بنیان‌گذار برای کسب‌وکار خودت» به یک کارمند در یک سازمان سه هزار نفری، کار سختیه. او در حال حاضر حس میکنه که به یک «شروع تازه» نیاز داره و میخواد دوباره به دنیای بنیان‌گذاری استارتاپ‌ها برگرده. با این حال، او این احتمال رو هم رد نمیکنه که کیفیت کاری که در OpenAI انجام میشه، ممکنه روزی او رو دوباره به اونجا برگردونه. از نظر او، «سخته که ساختن چیزی به تاثیرگذاری هوش مصنوعی عمومی (AGI) رو تصور کرد، و مدل‌های زبان بزرگ (LLM) به راحتی نوآوری تکنولوژیک این دهه هستن.» او خودش رو خوش‌شانس میدونه که تونسته برخی از این پیشرفت‌ها رو از نزدیک ببینه و بخشی از عرضه محصولی به نام کداکس باشه. در نهایت، او تاکید میکنه که مشاهداتش، نظرات شخصی خودشه و نمایانگر دیدگاه شرکت OpenAI نیست. این شرکت جای بزرگیه و اینها فقط پنجره کوچکی از نگاه او به این مجموعه هستن.

رشد انفجاری و هرج‌ومرج ناشی از ان

اولین چیزی که به گفته فرنچ-اوون باید درباره OpenAI دونست، سرعت رشد فوق‌العاده اون هست. وقتی او در سال ۲۰۲۴ به شرکت ملحق شد، OpenAI کمی بیشتر از هزار کارمند داشت. یک سال بعد، وقتی او شرکت رو ترک میکرد، این عدد به بیش از سه هزار نفر رسیده بود. این یعنی نیروی کار شرکت در عرض فقط یک سال سه برابر شده بود. این رشد به قدری سریع بود که فرنچ-اوون با یک سال سابقه کار، جزو ۳۰ درصد کارمندان باسابقه شرکت محسوب میشد. این موضوع نشون میده که تقریبا همه افراد در سطوح مدیریتی، شغلی کاملا متفاوت با انچه ۲ تا ۳ سال پیش انجام میدادن، دارن.

فرنچ-اوون به صراحت میگه که وقتی شما با این سرعت رشد میکنید، «طبیعتا همه چیز از هم میپاشه.» این فروپاشی در بخش‌های مختلفی خودش رو نشون میده؛ از نحوه ارتباطات در سطح شرکت گرفته تا ساختارهای گزارش‌دهی، نحوه عرضه محصول، نحوه مدیریت و سازماندهی افراد، و فرایندهای استخدام. همه این سیستم‌ها تحت فشار این رشد سریع قرار میگیرن و دچار مشکل میشن. فرهنگ تیم‌ها هم به طور قابل توجهی با هم متفاوته. بعضی تیم‌ها همیشه با تمام سرعت در حال کار و اسپرینت هستن، بعضی دیگه مسئولیت اجرای فرایندهای بزرگ محاسباتی رو به عهده دارن و بعضی هم با یک سرعت پایدارتر و ثابت‌تری پیش میرن. در نتیجه، یک «تجربه واحد» از کار در OpenAI وجود نداره و بخش‌های تحقیقات (research)، کاربردی (applied) و بازاریابی (GTM) در افق‌های زمانی بسیار متفاوتی فعالیت میکنن.

این رشد سریع منجر به نوعی هرج‌ومرج هم شده. یکی از نتایج این هرج‌ومرج اینه که تیم‌های مختلفی ممکنه به طور همزمان روی پروژه‌های مشابهی کار کنن بدون اینکه از هم خبر داشته باشن. این موضوع به دلیل نبود ساختارهای ارتباطی کاملا جاافتاده اتفاق میفته. فرنچ-اوون به عنوان مثال اشاره میکنه: «من باید حداقل شش کتابخانه مختلف برای چیزهایی مثل مدیریت صف (queue management) یا حلقه‌های عامل (agent loops) دیده باشم.» این یعنی تیم‌های مختلف به جای استفاده از یک ابزار مشترک، هر کدوم ابزار خودشون رو از اول ساختن که این نشون دهنده نبود هماهنگی کامل و تکرار تلاش‌هاست.

یک جنبه دیگه از این هرج‌ومرج، تفاوت در سطح مهارت‌های کدنویسی هست. در OpenAI هم مهندسان باتجربه‌ای از گوگل حضور دارن که کدهایی مینویسن که میتونه به یک میلیارد کاربر سرویس بده، و هم دکترهای تازه‌فارغ‌التحصیلی که شاید تجربه کدنویسی در این مقیاس رو نداشته باشن. این تفاوت در مهارت، همراه با انعطاف‌پذیری زبان برنامه‌نویسی پایتون، باعث شده که مخزن کد مرکزی یا همون «مونولیت بک‌اند»، به تعبیر فرنچ-اوون «یک جورایی به یک انباری» تبدیل بشه که هر چیزی در اون ریخته شده. در نتیجه، مشکلات فنی زیاد پیش میاد و اجرای بعضی فرایندها ممکنه زمان خیلی زیادی ببره. با این حال، او اشاره میکنه که مدیران ارشد مهندسی از این وضعیت اگاه هستن و دارن برای بهبود این شرایط تلاش میکنن.

فرهنگ کاری منحصر به فرد OpenAI

با وجود هرج‌ومرج ناشی از رشد سریع، OpenAI فرهنگی داره که در نوع خودش بسیار خاص و جالبه. فرنچ-اوون چندین جنبه از این فرهنگ رو با جزئیات توصیف میکنه.

ارتباطات؛ همه چیز روی اسلک (Slack)

یکی از غیرمعمول‌ترین ویژگی‌های OpenAI اینه که «همه چیز، و منظورم واقعا همه چیزه، روی اسلک اجرا میشه.» فرنچ-اوون تاکید میکنه که در این شرکت «ایمیلی وجود نداره.» او تخمین میزنه که در تمام مدتی که اونجا کار میکرده، شاید در مجموع حدود ۱۰ ایمیل دریافت کرده باشه. این فرهنگ کاملا مبتنی بر اسلک، میتونه برای افراد مختلف تجربه‌های متفاوتی رو رقم بزنه. به گفته او، «اگه شما فرد منظمی نباشید، این سیستم رو فوق‌العاده حواس‌پرت‌کن پیدا میکنید. اما اگه کانال‌ها و نوتیفیکیشن‌هاتون رو مدیریت کنید، میتونید اون رو کاملا کارامد کنید.» این یعنی موفقیت در محیط کاری OpenAI تا حد زیادی به توانایی شما در مدیریت جریان بی‌پایان اطلاعات در اسلک بستگی داره.

فرهنگ از پایین به بالا و شایسته‌سالاری

یکی دیگه از ویژگی‌های برجسته OpenAI، به خصوص در بخش تحقیقات، فرهنگ «از پایین به بالا» (bottoms-up) اونه. فرنچ-اوون تعریف میکنه که وقتی برای اولین بار وارد شرکت شد و درباره نقشه راه (roadmap) برای فصل بعدی سوال کرد، جوابی که گرفت این بود: «چنین چیزی وجود نداره.» البته او اضافه میکنه که حالا این نقشه راه وجود داره، اما اصل ماجرا اینه که ایده‌های خوب میتونن از هر جایی بیان و اغلب از قبل مشخص نیست که کدوم ایده‌ها بیشترین نتیجه رو خواهند داشت. پیشرفت در OpenAI بیشتر از اینکه حاصل یک «نقشه جامع استادانه» باشه، به صورت تکراری و با به ثمر نشستن تحقیقات جدید اتفاق میفته.

این فرهنگ از پایین به بالا، باعث شده که OpenAI به یک محیط «بسیار شایسته‌سالار» (meritocratic) تبدیل بشه. در طول تاریخ شرکت، رهبران عمدتا بر اساس تواناییشون در ارائه ایده‌های خوب و سپس اجرای اونها ارتقا پیدا کردن. فرنچ-اوون اشاره میکنه که بسیاری از رهبرانی که فوق‌العاده توانمند بودن، در چیزهایی مثل ارائه در جلسات عمومی یا مانورهای سیاسی خیلی خوب نبودن. اما این مسائل در OpenAI کمتر از شرکت‌های دیگه اهمیت داره. در نهایت، «بهترین ایده‌ها معمولا برنده میشن.» البته او یک پاورقی هم اضافه میکنه که شرکت در حال حاضر در یک فاز تغییر قرار داره و مدیران ارشد زیادی از بیرون شرکت استخدام میشن که به نظر او این تزریق DNA جدید به نفع شرکته.

تمایل شدید به اقدام و تیم‌های سیال

در OpenAI یک «تمایل شدید به اقدام» (strong bias to action) وجود داره. این یعنی شما میتونید «فقط کارها رو انجام بدید.» غیرمعمول نبود که تیم‌های مختلف به طور مستقل به ایده‌های مشابهی برسن. فرنچ-اوون میگه که خودش در ابتدا روی یک پروژه داخلی موازی با چیزی شبیه به «کانکتورهای ChatGPT» کار میکرده. همچنین قبل از اینکه تیم تصمیم به عرضه کداکس بگیره، حدود ۳-۴ نمونه اولیه مختلف از اون در شرکت وجود داشت. این تلاش‌ها معمولا توسط تعداد کمی از افراد و بدون کسب اجازه شروع میشن و وقتی که امیدبخش به نظر میرسن، تیم‌ها به سرعت دور اونها شکل میگیرن.

این تمایل به اقدام با سیال بودن تیم‌ها تکمیل میشه. تیم‌ها در OpenAI بسیار انعطاف‌پذیرتر از جاهای دیگه هستن. فرنچ-اوون به عنوان مثال به فرایند عرضه کداکس اشاره میکنه. تیم اونها برای اینکه به تاریخ عرضه برسن، به کمک چند مهندس باتجربه از تیم ChatGPT نیاز داشتن. اونها جلسه‌ای با مدیران مهندسی ChatGPT گذاشتن و درخواستشون رو مطرح کردن. «روز بعد، ما دو نیروی کاردرست اماده داشتیم که وارد بشن و کمک کنن.» هیچ خبری از فرایندهای معمول شرکتی مثل «صبر کردن برای برنامه‌ریزی فصلی» یا «جابجایی نیروی انسانی» نبود. همه چیز خیلی سریع پیش رفت.

محققان به عنوان «مدیران اجرایی کوچک»

اندری (Andrey)، مدیر پروژه کداکس، به فرنچ-اوون گفته بود که باید به محققان به چشم «مینی-مدیران اجرایی» نگاه کرد. این یعنی در بین محققان یک تمایل قوی برای کار کردن روی پروژه شخصی خودشون و دیدن نتیجه اون وجود داره. یک نتیجه جانبی این فرهنگ اینه که بیشتر کارهای تحقیقاتی از طریق «به دام انداختن یک محقق با یک مسئله جذاب» (nerd-sniping) انجام میشه. اگه یک مسئله‌ای «خسته‌کننده» یا «حل‌شده» به نظر برسه، احتمالا کسی روش کار نخواهد کرد. در این فضا، مدیران تحقیقاتی خوب فوق‌العاده تاثیرگذار و البته کمیاب هستن. بهترین اونها موفق میشن بین تلاش‌های تحقیقاتی مختلف ارتباط برقرار کنن و اونها رو برای یک پروژه بزرگ‌تر مثل اموزش یک مدل جدید، کنار هم بیارن.

یک مکان جدی، رازآلود و زیر ذره‌بین

کار کردن در OpenAI با فشارهای خاصی همراهه. فرنچ-اوون میگه که «حجم عظیمی از موشکافی و نظارت» روی این شرکت وجود داره. او که از یک پس‌زمینه کسب‌وکار سازمانی (B2B enterprise) اومده بود، این موضوع براش یک شوک بود. او میگه که به طور مرتب خبرهایی رو در رسانه‌ها میدید که هنوز به صورت داخلی اعلام نشده بودن. وقتی به دیگران میگفت که در OpenAI کار میکنه، با یک نظر از پیش شکل‌گرفته درباره شرکت مواجه میشد. حتی تعدادی از کاربران توییتر ربات‌های خودکاری رو اجرا میکنن که بررسی کنن ایا قابلیت جدیدی در حال عرضه هست یا نه.

در نتیجه این نظارت شدید، OpenAI به یک «مکان بسیار رازآلود» تبدیل شده. فرنچ-اوون میگه: «من نمیتونستم به کسی بگم که دقیقا روی چه چیزی کار میکنم.» چندین فضای کاری (workspace) مختلف در اسلک با سطوح دسترسی متفاوت وجود داره و اطلاعاتی مثل درامد و هزینه‌های شرکت به شدت محافظت میشن.

این شرکت همچنین «جدی‌تر از اون چیزیه که شاید انتظار داشته باشید.» بخشی از این جدیت به این دلیله که «حس میشه همه چیز خیلی مهمه.» از یک طرف، هدف ساختن هوش مصنوعی عمومی (AGI) وجود داره که یعنی کارهای زیادی باید به درستی انجام بشه. از طرف دیگه، شما در حال ساخت محصولی هستید که صدها میلیون کاربر برای همه چیز، از مشاوره پزشکی گرفته تا روان‌درمانی، ازش استفاده میکنن. و از یک طرف سوم، شرکت در بزرگ‌ترین عرصه رقابتی دنیا قرار داره. فرنچ-اوون میگه: «ما به دقت به اتفاقاتی که در متا، گوگل و انتروپیک میفتاد توجه میکردیم و من مطمئنم که اونها هم همین کار رو میکردن.» علاوه بر این، تمام دولت‌های بزرگ دنیا این فضا رو با علاقه زیادی زیر نظر دارن.

روحیه عرضه محصول و تاثیرپذیری از توییتر

با وجود اندازه بزرگش، OpenAI هنوز مثل یک استارتاپ کوچک عمل میکنه و انگار نمیدونه که یک شرکت غول‌پیکر شده. این شرکت بسیار شبیه به متا در سال‌های اولیه فیس‌بوک عمل میکنه؛ یعنی با روحیه «سریع حرکت کن و همه چیز رو بشکن» (move-fast-and-break-things). جالب اینجاست که شرکت پر از کارمندانیه که از متا اومدن. این «روحیه عرضه محصول» (launching spirit) در تمام شرکت جریان داره.

یکی از جنبه‌های جالب فرهنگ OpenAI، توجه زیاد اون به توییتره. فرنچ-اوون میگه: «اگه شما چیزی مرتبط با OpenAI در توییتر منتشر کنید که وایرال بشه، شانس خوبی وجود داره که کسی اون رو بخونه و در نظر بگیره.» یکی از دوستانش به شوخی به او گفته بود: «این شرکت بر اساس حال و هوای توییتر اداره میشه.» به عنوان یک شرکت مصرف‌کننده، شاید این خیلی هم اشتباه نباشه. البته هنوز تحلیل‌های زیادی روی داده‌های استفاده، رشد کاربران و حفظ اونها انجام میشه، اما به نظر میرسه که «حال و هوا» (vibes) هم به همون اندازه مهمه.

ایمنی؛ فراتر از انچه به نظر میرسد

فرنچ-اوون به یکی از بزرگ‌ترین تصورات غلط درباره OpenAI هم اشاره میکنه؛ اینکه این شرکت به اندازه کافی نگران ایمنی نیست. این در حالیه که بسیاری از فعالان حوزه ایمنی هوش مصنوعی، از جمله کارمندان سابق خود OpenAI، از فرایندهای این شرکت انتقاد کردن.

اما فرنچ-اوون میگه که در داخل شرکت، تمرکز زیادی روی ایمنی عملی وجود داره. در حالی که برخی نگران خطرات تئوریک برای بشریت هستن، در داخل شرکت تمرکز بیشتری روی ریسک‌های عملی مثل «نفرت‌پراکنی، سو استفاده، دستکاری تعصبات سیاسی، ساخت سلاح‌های بیولوژیک، خودآزاری و تزریق پرامپت (prompt injection)» وجود داره. البته این به این معنی نیست که کسی روی خطرات بلندمدت مثل «انفجار هوش» یا «قدرت‌طلبی» کار نمیکنه؛ قطعا افرادی هستن که روی این ریسک‌های تئوریک تمرکز دارن. اما از دیدگاه او، این تمرکز اصلی شرکت نیست. همچنین تعداد زیادی از افراد در حال توسعه سیستم‌های ایمنی هستن. بخش زیادی از کارهایی که در این زمینه انجام میشه، منتشر نمیشه و به نظر فرنچ-اوون، OpenAI باید تلاش بیشتری برای انتشار این دستاوردها انجام بده.

یک سازمان بلندپرواز با ارزش‌های مشخص

OpenAI شاید «جاه‌طلبانه‌ترین سازمانی» باشه که فرنچ-اوون تا به حال دیده. شاید فکر کنید که داشتن یکی از برترین اپلیکیشن‌های مصرف‌کننده در دنیا کافی باشه، اما در این شرکت تمایل به رقابت در ده‌ها عرصه مختلف وجود داره: محصول API، تحقیقات عمیق، سخت‌افزار، عامل‌های کدنویسی، تولید تصویر و چندین مورد دیگه که هنوز اعلام نشدن. این محیط، یک «زمین حاصلخیز برای برداشتن ایده‌ها و اجرای اونهاست.»

یکی از چیزهایی که فرنچ-اوون بیشتر از همه قدردان اونه، اینه که شرکت «به حرفی که میزنه عمل میکنه»؛ به خصوص در مورد توزیع مزایای هوش مصنوعی. مدل‌های پیشرفته فقط برای یک سطح سازمانی با قراردادهای سالانه سنگین رزرو نمیشن. «هر کسی در دنیا میتونه وارد ChatGPT بشه و جواب بگیره، حتی اگه وارد حساب کاربریش نشده باشه.» یک API هم وجود داره که میتونید ثبت‌نام کنید و ازش استفاده کنید و بیشتر مدل‌ها، حتی اگه پیشرفته یا اختصاصی باشن، به سرعت در اختیار استارتاپ‌ها قرار میگیرن. فرنچ-اوون میگه: «میتونید یک رژیم جایگزین رو تصور کنید که خیلی متفاوت از چیزی که امروز داریم عمل میکنه. OpenAI برای این کار سزاوار اعتبار زیادیه و این هنوز هم بخشی از DNA اصلی شرکته.»

در نهایت، با وجود تمام انتقادهایی که در رسانه‌ها به OpenAI میشه، فرنچ-اوون معتقده که «همه کسانی که من اونجا دیدم، واقعا دارن تلاش میکنن کار درست رو انجام بدن.» از اونجایی که OpenAI تمرکز مصرف‌کننده داره، بیشتر از بقیه ازمایشگاه‌های بزرگ در دید عموم قرار داره و در نتیجه، حجم زیادی از تهمت‌ها رو هم تحمل میکنه. او همچنین توصیه میکنه که نباید به OpenAI به عنوان یک «بدنه یکپارچه» نگاه کرد. او این شرکت رو سازمانی میدونه که مثل پروژه لوس الاموس شروع شد؛ گروهی از دانشمندان و مخترعین که در حال بررسی لبه علم بودن. این گروه به طور تصادفی ویروسی‌ترین اپلیکیشن مصرف‌کننده تاریخ رو ایجاد کرد و بعدا جاه‌طلبی‌هایی برای فروش به دولت‌ها و شرکت‌ها پیدا کرد. در نتیجه، افرادی با سابقه و بخش‌های مختلف در این سازمان، اهداف و دیدگاه‌های بسیار متفاوتی دارن. هر چه بیشتر اونجا بوده باشید، احتمالا بیشتر مسائل رو از لنز «ازمایشگاه تحقیقاتی» یا «سازمان غیرانتفاعی برای خیر» میبینید.

پروژه کداکس: مطالعه موردی یک اسپرینت هفت هفته‌ای

بخش بزرگی از سه ماه اخر حضور فرنچ-اوون در OpenAI به عرضه محصولی به نام کداکس (Codex) گذشت. او این تجربه رو «بدون شک یکی از برجسته‌ترین نقاط دوران حرفه‌ای» خودش میدونه. کداکس یک دستیار کدنویسی مبتنی بر هوش مصنوعیه که در ماه می عرضه شد و با ابزارهایی مثل کرسر (Cursor) و کلاد کد (Claude Code) از شرکت انتروپیک رقابت میکنه.

برای درک بهتر شرایط، باید به نوامبر ۲۰۲۴ برگردیم. در اون زمان، OpenAI یک هدف برای سال ۲۰۲۵ تعیین کرده بود: عرضه یک عامل کدنویسی (coding agent). تا فوریه ۲۰۲۵، چند ابزار داخلی در شرکت وجود داشت که از مدل‌ها برای این منظور به شکل موثری استفاده میکردن. شرکت احساس میکرد که برای عرضه یک عامل مخصوص کدنویسی تحت فشاره، چون مدل‌ها به وضوح به نقطه‌ای رسیده بودن که برای کدنویسی خیلی مفید شده بودن و بازار هم پر از ابزارهای جدید کدنویسی شده بود.

فرنچ-اوون زودتر از مرخصی زایمان پدرانه‌اش برگشت تا در عرضه کداکس مشارکت کنه. یک هفته بعد از بازگشت او، دو تیم با هم ادغام شدن (که به گفته او کمی هم هرج‌ومرج داشت) و یک اسپرینت دیوانه‌وار شروع شد. کل این محصول، از ابتدا (اولین خطوط کدی که نوشته شد) تا انتها، فقط در هفت هفته ساخته شد.

او این اسپرینت رو اینطور توصیف میکنه: «اسپرینت کداکس احتمالا سخت‌ترین کاری بود که من در تقریبا یک دهه گذشته انجام دادم. بیشتر شب‌ها تا ساعت ۱۱ یا نیمه‌شب بیدار بودیم. هر روز صبح ساعت ۵:۳۰ با صدای نوزادم بیدار میشدم. ساعت ۷ صبح دوباره به دفتر میرفتم. بیشتر اخر هفته‌ها کار میکردم. ما به عنوان یک تیم به شدت تلاش کردیم، چون هر هفته اهمیت داشت. این من رو یاد دوران حضورم در YC (شتاب‌دهنده Y Combinator) مینداخت.»

او تاکید میکنه که «سخته که باور کرد این سطح از سرعت چقدر باورنکردنی بود. من ندیدم که سازمان‌های بزرگ یا کوچک از یک ایده به یک محصول کاملا عرضه‌شده و در دسترس عموم در چنین بازه زمانی کوتاهی برسن.» حوزه کاری این پروژه هم کوچک نبود. تیم اونها یک «کانتینر رانتایم» ساخت، بهینه‌سازی‌هایی روی دانلود مخازن کد انجام داد، یک مدل سفارشی رو برای مدیریت ویرایش‌های کد فاین‌تیون کرد، انواع عملیات مربوط به گیت (git) رو مدیریت کرد، یک سطح کاربری کاملا جدید معرفی کرد، دسترسی به اینترنت رو فعال کرد و در نهایت به محصولی رسید که استفاده از اون لذت‌بخش بود.

تیمی که این کار بزرگ رو انجام داد، یک تیم ارشد متشکل از حدود ۸ مهندس، حدود ۴ محقق، ۲ طراح، ۲ مدیر بازاریابی و ۱ مدیر محصول بود. فرنچ-اوون معتقده که اگه این گروه رو نداشتن، حتما شکست میخوردن. هیچ‌کس به راهنمایی زیادی نیاز نداشت، اما به هماهنگی زیادی احتیاج داشتن. او میگه: «اگه فرصت کار کردن با هر کدوم از اعضای تیم کداکس رو پیدا کردید، بدونید که تک تک اونها فوق‌العاده هستن.»

شب قبل از عرضه، پنج نفر از اعضای تیم تا ساعت ۴ صبح بیدار موندن تا مونولیت اصلی رو مستقر کنن (فرایندی که چندین ساعت طول میکشید). بعد از اون، ساعت ۸ صبح برای اعلامیه عرضه و پخش زنده به دفتر برگشتن. اونها پرچم‌های فعال‌سازی رو روشن کردن و شاهد سرازیر شدن ترافیک بودن. فرنچ-اوون میگه: «من هرگز ندیده بودم که یک محصول فقط با ظاهر شدن در نوار کناری سمت چپ، اینقدر سریع مورد استقبال قرار بگیره، اما این قدرت ChatGPT هست.»

از نظر شکل محصول، تیم روی یک فرمت کاملا «ناهمزمان» (asynchronous) به توافق رسید. برخلاف ابزارهایی مثل کرسر (که در اون زمان اینطور بود) یا کلاد کد، هدف کداکس این بود که به کاربران اجازه بده وظایف رو شروع کنن و به عامل اجازه بدن در محیط خودش کار کنه. شرط‌بندی اونها این بود که در نهایت، کاربران باید با یک عامل کدنویسی مثل یک همکار رفتار کنن: بهش پیام میدن، عامل مدتی برای انجام کارش وقت میذاره و بعد با یک درخواست ادغام کد (Pull Request) برمیگرده.

این یک ریسک بود، چون در حال حاضر مدل‌ها «خوب» هستن، اما «عالی» نیستن. اونها میتونن برای چند «دقیقه» کار کنن، اما هنوز برای چند «ساعت» اماده نیستن. کاربران هم درجات بسیار متفاوتی از اعتماد به توانایی‌های مدل‌ها دارن. فرنچ-اوون معتقده که در بلندمدت، بیشتر برنامه‌نویسی شبیه به کداکس خواهد شد.

یکی از بزرگ‌ترین تمایزهای کداکس نسبت به ابزارهای دیگه، توانایی اون در شروع چندین وظیفه به صورت همزمان و مقایسه خروجی اونهاست. این قابلیت به خصوص در کار با کدهای بزرگ خیلی مفیده. فرنچ-اوون به امار عمومی منتشر شده اشاره میکنه که نشون میده کداکس از زمان عرضه، ۶۳۰ هزار درخواست ادغام کد (PR) تولید کرده. این یعنی حدود ۷۸ هزار PR عمومی برای هر مهندس در ۵۳ روز از زمان عرضه. او با شگفتی میگه: «مطمئن نیستم که تا به حال در زندگیم روی چیزی به این تاثیرگذاری کار کرده باشم.» این امار به خوبی نشون دهنده مقیاس و تاثیرگذاری فوری محصولی بود که در یک اسپرینت ۷ هفته‌ای ساخته شد.

نگاهی به زیرساخت‌های مهندسی و کدنویسی

تجربه فرنچ-اوون در OpenAI به او دیدگاه عمیقی درباره نحوه کار مهندسی در این شرکت داده. او جزئیاتی رو در مورد ساختار کد، پلتفرم مورد استفاده و چالش‌های فنی به اشتراک میذاره.

یک مونوریپو (Monorepo) غول‌پیکر

OpenAI از یک «مونوریپو غول‌پیکر» استفاده میکنه که عمدتا به زبان پایتون نوشته شده، هرچند تعداد رو به رشدی از سرویس‌های مبتنی بر Rust و تعداد انگشت‌شماری سرویس Golang هم برای کارهایی مثل پراکسی‌های شبکه وجود داره. این ساختار باعث ایجاد کدهای عجیب و غریبی میشه، چون راه‌های زیادی برای نوشتن به زبان پایتون وجود داره. شما در این مخزن کد، هم با کتابخانه‌هایی که توسط کهنه‌سربازان ۱۰ ساله گوگل برای مقیاس‌های بزرگ طراحی شدن مواجه میشید و هم با نوت‌بوک‌های ژوپیتر یک‌بار مصرفی که توسط دکترهای تازه‌فارغ‌التحصیل نوشته شدن. تقریبا همه چیز حول محور FastAPI برای ساخت API و Pydantic برای اعتبارسنجی داده‌ها میچرخه، اما راهنماهای سبک کدنویسی (style guides) به صورت گسترده اعمال نمیشن.

اجرا روی پلتفرم آژور (Azure)

OpenAI همه چیز رو روی پلتفرم ابری مایکروسافت، یعنی آژور، اجرا میکنه. فرنچ-اوون با طنز میگه که از نظر او فقط سه سرویس در آژور وجود داره که میشه بهشون اعتماد کرد: سرویس کوبرنتیس آژور (Azure Kubernetes Service)، کاسموس‌دی‌بی (CosmosDB) که سرویس ذخیره‌سازی اسناد آژوره، و بلاب‌استور (BlobStore). او معتقده که در آژور معادل‌های واقعی برای سرویس‌های محبوبی مثل DynamoDB، Spanner، Bigtable، BigQuery، Kinesis یا Aurora از AWS وجود نداره. همچنین پیاده‌سازی‌های مدیریت هویت و دسترسی (IAM) در آژور بسیار محدودتر از چیزیه که در AWS پیدا میکنید. علاوه بر این، یک تمایل قوی برای ساخت ابزارهای داخلی به جای استفاده از سرویس‌های موجود وجود داره.

خط لوله استعداد از متا به OpenAI

وقتی صحبت از پرسنل مهندسی میشه، یک «خط لوله بسیار قابل توجه از متا به OpenAI» وجود داره. به گفته فرنچ-اوون، OpenAI از بسیاری جهات شبیه به متای اولیه هست: یک اپلیکیشن مصرف‌کننده فوق‌العاده موفق، زیرساخت‌های نوپا و تمایل به حرکت با سرعت بسیار بالا. بیشتر استعدادهای زیرساختی که از متا و اینستاگرام به OpenAI اومدن، بسیار قوی هستن.

نتیجه ترکیب این عوامل، یعنی زیرساخت‌های ساخته شده توسط مهندسان سابق متا، اینه که بسیاری از بخش‌های اصلی زیرساخت OpenAI یادآور متا هستن. به عنوان مثال، یک پیاده‌سازی داخلی از سیستمی شبیه به TAO (سیستم گراف داده‌ای فیس‌بوک) وجود داشت. همچنین تلاشی برای یکپارچه‌سازی هویت در لایه لبه شبکه (edge) در جریان بود.

چالش‌های فنی و درس‌های آموخته

در OpenAI، این اصل حاکمه که «کد برنده میشه.» به جای اینکه یک کمیته مرکزی معماری یا برنامه‌ریزی وجود داشته باشه، تصمیمات معمولا توسط تیمی گرفته میشه که قصد داره کار رو انجام بده. نتیجه اینه که تمایل زیادی به اقدام وجود داره، اما اغلب منجر به ایجاد بخش‌های تکراری در کدبیس میشه.

چندین حوزه وجود داشت که ترکیب یک تیم مهندسی که به سرعت بزرگ شده و کمبود ابزارها، مشکلاتی رو ایجاد کرده بود. به عنوان مثال، مونولیت بک‌اند (sa-server) به یک «انباری» برای هر نوع کدی تبدیل شده بود. سیستم یکپارچه‌سازی مداوم (CI) روی شاخه اصلی (master) خیلی بیشتر از حد انتظار خراب میشد. اجرای تست‌ها، حتی به صورت موازی و با در نظر گرفتن زیرمجموعه‌ای از وابستگی‌ها، میتونست حدود ۳۰ دقیقه روی GPU طول بکشه. این مشکلات غیرقابل حل نبودن، اما به گفته فرنچ-اوون، این یک یاداوری خوبه که این نوع مشکلات همه جا وجود دارن و وقتی شما به سرعت رشد میکنید، بدتر هم میشن. او البته به این نکته هم اشاره میکنه که تیم‌های داخلی تمرکز زیادی روی بهبود این وضعیت دارن.

یکی دیگه از چیزهایی که فرنچ-اوون یاد گرفت، نحوه انجام «محاسبات GPU» بود. اونها برای عرضه کداکس باید نیازمندی‌های ظرفیت بار رو پیش‌بینی میکردن و این اولین باری بود که او واقعا برای بنچمارک کردن GPUها وقت گذاشته بود. نکته اصلی اینه که شما باید از نیازمندی‌های تاخیر (latency) که دارید شروع کنید (مثل تاخیر کلی، تعداد توکن‌ها، زمان تا اولین توکن) به جای اینکه از پایین به بالا تحلیل کنید که یک GPU چه چیزی رو میتونه پشتیبانی کنه. هر نسخه جدید از مدل میتونه الگوهای بار رو به شدت تغییر بده.

رقابت، پول و چشم‌انداز آینده

محیط کاری OpenAI تنها به چالش‌های داخلی محدود نمیشه، بلکه به شدت تحت تاثیر رقابت شدید در دنیای هوش مصنوعی و حرکت‌های بزرگ مالی قرار داره.

جنگ بر سر استعدادها

رقابت برای جذب بهترین استعدادهای هوش مصنوعی بسیار داغه و متا یکی از رقبای اصلی OpenAI در این زمینه هست. متا به طور فعال در حال استخدام استعدادها از OpenAI بوده. به عنوان مثال، اخیرا محققان ارشد OpenAI مثل شنگجیا ژائو (Shengjia Zhao)، یکی از هم‌سازندگان ChatGPT، و شوچائو بی (Shuchao Bi)، یکی از هم‌سازندگان حالت صوتی ChatGPT، رو با پیشنهادهای مالی نجومی به خدمت گرفته. گزارش شده که این بسته‌های حقوقی در محدوده «نه رقمی» (یعنی صدها میلیون دلار) بودن. این حرکت‌ها نشون دهنده ارزش فوق‌العاده بالای این متخصصان در بازاره.

در پاسخ به این اقدامات، به نظر میرسه OpenAI هم در حال بازنگری در سیاست‌های جبران خدمات خودشه. مارک چن (Mark Chen)، مدیر ارشد تحقیقات OpenAI، در یک پیام اسلک که به بیرون درز کرد، اشاره کرده بود که شرکت در حال «بازنگری» در پرداخت‌ها در واکنش به این استخدام‌هاست. این نشون میده که جنگ بر سر استعدادها به یک عامل کلیدی در استراتژی‌های این شرکت‌ها تبدیل شد.

ارقام مالی خیره‌کننده

OpenAI در ماه مارچ یک دور جذب سرمایه به مبلغ ۴۰ میلیارد دلار رو با ارزش‌گذاری ۳۰۰ میلیارد دلار به پایان رسوند. این بزرگ‌ترین معامله خصوصی در تاریخ تکنولوژی بود که تا به حال ثبت شده. این ارقام نجومی نشون‌دهنده انتظارات بسیار بالای سرمایه‌گذاران از آینده این شرکته.

از طرفی، رشد کاربران هم فوق‌العاده بوده. در ماه مارچ، اعلام شد که ChatGPT بیش از ۵۰۰ میلیون کاربر فعال هفتگی داره و این عدد به سرعت در حال افزایشه. این مقیاس کاربری، OpenAI رو به سریع‌ترین محصول مصرف‌کننده در حال رشد تاریخ تبدیل کرده. این رشد عظیم همزمان با فشار برای نوآوری، محیطی پرفشار و هیجان‌انگیز رو ایجاد میکنه.

مسابقه سه اسبه به سوی AGI

از دیدگاه فرنچ-اوون، مسیر رسیدن به هوش مصنوعی عمومی (AGI) در حال حاضر یک «مسابقه سه اسبه» بین OpenAI، انتروپیک و گوگله. هر کدوم از این سازمان‌ها بر اساس DNA خودشون مسیر متفاوتی رو برای رسیدن به این هدف طی خواهند کرد: OpenAI با DNA مصرف‌کننده (consumer)، انتروپیک با DNA کسب‌وکار (business) و گوگل با DNA زیرساخت‌های فوق‌العاده قوی و داده (rock-solid-infra + data). او معتقده که کار کردن در هر کدوم از این سه شرکت، یک تجربه چشم‌گشا خواهد بود.

او به استخدام‌های بزرگ اخیر در متا و عرضه Grok 4 توسط xAI هم اشاره میکنه که در بنچمارک‌ها عملکرد خوبی داشته. همچنین به شرکت‌های جدیدی که توسط میرا موراتی (Mira Murati) و ایلیا سوتسکور (Ilya Sutskever) تاسیس شدن هم اشاره میکنه و میگه که اینها هم استعدادهای خوبی دارن. اما معتقده که این رقبا هنوز راه زیادی برای رسیدن به سه شرکت اصلی دارن.

افکار پایانی و درس‌های آموخته

در پایان، کالوین فرنچ-اوون به جمع‌بندی تجربه یک ساله‌اش در OpenAI میپردازه و میگه که در ابتدا برای پیوستن به این شرکت نگران بود. او مطمئن نبود که قربانی کردن ازادی، داشتن یک رئیس و تبدیل شدن به یک قطعه کوچک از یک ماشین بسیار بزرگ چه حسی خواهد داشت. به همین دلیل هم بود که پیوستنش به شرکت رو خیلی عمومی نکرده بود، تا اگه مناسبش نبود، راحت‌تر کنار بکشه.

او سه هدف اصلی از این تجربه داشت:

به دست اوردن درک شهودی از نحوه اموزش مدل‌ها و اینکه قابلیت‌های اونها به کدوم سمت میره.
کار کردن با افراد فوق‌العاده و یادگیری از اونها.
عرضه یک محصول عالی.

با نگاهی به این یک سال، او معتقده که این «یکی از بهترین حرکت‌هایی بود که تا به حال انجام داده.» او میگه: «سخته که تصور کرد در جای دیگه‌ای میشد بیشتر از این یاد گرفت.»

او یک توصیه هم برای بنیان‌گذارانی داره که احساس میکنن استارتاپشون به جایی نمیرسه:

شما باید یا ۱) عمیقا ارزیابی کنید که چطور میتونید شانس‌های بیشتری برای موفقیت ایجاد کنید یا ۲) برید و به یکی از ازمایشگاه‌های بزرگ بپیوندید. الان زمان فوق‌العاده‌ای برای ساختنه. اما همچنین زمان فوق‌العاده‌ای برای نگاه کردن به اینه که اینده به کدوم سمت میره.

فرنچ-اوون در انتهای نوشته‌اش از افراد زیادی تشکر میکنه. از همسرش لیا (Leah) که در طول شب‌های طولانی کاری ازش حمایت کرده و بیشتر مسئولیت مراقبت از فرزندشون رو به عهده داشته. از مدیرانش PW، GDB و Rizzo که به او فرصت دادن. از هم‌تیمی‌هاش در تیم SA که به او راه و چاه رو یاد دادن: Andrew، Anup، Bill، Jeremy، Kwaz، Ming، Simon، Tony و Val. و در نهایت از تیم اصلی کداکس که به گفته او «سفری تکرارنشدنی» رو براش رقم زدن: Albin، AE، Andrey، Bryan، Channing، DavidK، Gabe، Gladstone، Hanson، Joey، Josh، Katy، KevinT، Max، Sabrina، SQ، Tibo، TZ و Will. او میگه: «من هرگز این اسپرینت رو فراموش نخواهم کرد.»

تجربیات کالوین فرنچ-اوون یک تصویر کمیاب، صادقانه و متعادل از کار در قلب یکی از مهم‌ترین شرکت‌های جهان ارائه میده. تصویری از یک سازمان که با سرعتی سرسام‌اور در حال رشده، جایی که هرج‌ومرج و نوآوری دست در دست هم پیش میرن، و جایی که حس میشه سرنوشت اینده تکنولوژی در حال رقم خوردنه.

منابع