برچسب‌گذاری مدل‌های بزرگ هوش مصنوعی توسط جوانان شهرهای کوچک

نویسنده | Sleepy.md

در داتونگ، شانشی، شهری که زمانی با زغال‌سنگ تغذیه می‌شد و اکنون گرد و غبار زغال را از خود زدوده است، یک کلنگ تیز جایگزین معادن زغال شده و به سوی معدن دیگری نامرئی پیش می‌رود.

در داخل ساختمان اداری مرکز بین‌المللی جین‌ماو در منطقه پینگ‌چنگ دیگر هیچ شفت معدن یا کامیون زغال‌سنگ وجود ندارد. در عوض، هزاران ایستگاه کاری رایانه‌ای به‌طور فشرده چیده شده‌اند. مرکز هوشمند خدمات داده‌های کلان «سونیک ولی» شرکت شانگهای رون‌شون در چندین طبقه گسترده شده است، جایی که هزاران کارمند جوان با هدفون روی سر، به صفحه‌نمایش‌ها خیره شده و با کلیک، کشیدن و انتخاب مشغول کارند.

بر اساس داده‌های رسمی، تا نوامبر ۲۰۲۵، شهر داتونگ ۷۴۵٬۰۰۰ سرور را به بهره‌برداری رسانده، ۶۹ شرکت برچسب‌گذاری داده‌های فراخوانی را معرفی کرده، بیش از ۳۰٬۰۰۰ نفر را به کار گرفته و ارزش تولید آن به ۷۵۰ میلیون یوان رسیده است. در این معدن دیجیتال، ۹۴٪ از متخصصان بومی هستند.

این فقط داتونگ نیست. در اولین دسته از پایگاه‌های برچسب‌گذاری داده‌ها که توسط اداره ملی آمار شناسایی شده‌اند، شهرستان‌های منطقه غربی مانند شهرستان یونگه در شانشی، بیجی در گویژو و منگزی در یون‌نان فهرست شده‌اند. در پایگاه برچسب‌گذاری داده شهرستان یونگه، ۸۰ درصد از کارکنان زن هستند. اکثر آنها مادران خانه‌دار روستایی یا جوانان روستایی هستند که نمی‌توانند شغل مناسبی پیدا کنند.

صد سال پیش، کارخانه‌های نساجی منچستر در بریتانیا مملو از کشاورزان بی‌زمین بود. امروز، در صفحه‌نمایش‌های کامپیوتر این شهرهای دورافتاده، جوانانی که در اقتصاد واقعی جایی پیدا نمی‌کنند، جلوی آن‌ها نشسته‌اند.

آنها درگیر کاری آینده‌نگرانه اما بسیار ابتدایی بر اساس دستمزد قطعه هستند و خوراک داده‌ای لازم را برای غول‌های هوش مصنوعی در پکن، شنژن و سیلیکون‌ولی تولید می‌کنند.

هیچ‌کس در این مورد مشکلی نمی‌بیند.

یک خط مونتاژ جدید در فلات لوس

جوهر برچسب‌گذاری داده‌ها آموزش دادن جهان به ماشین‌ها است.

رانندگی خودران نیاز دارد چراغ‌های راهنمایی و عابران پیاده را تشخیص دهد، و مدل‌های بزرگ باید بین گربه‌ها و سگ‌ها تمایز قائل شوند. خودِ ماشین‌ها فاقد عقل سلیم هستند و باید یک انسان روی تصویر یک کادر بکشد تا به آن‌ها بگوید «این یک عابر پیاده است»، پیش از آنکه بتوانند پس از پردازش میلیون‌ها تصویر، آن را تشخیص دهند.

این شغل به تحصیلات عالی نیاز ندارد، فقط صبر و انگشتی که بتواند بی‌وقفه کلیک کند.

در دوران طلایی سال ۲۰۱۷، یک جعبهٔ ساده‌ی دوبعدی می‌توانست بیش از یک سنت هزینه داشته باشد و برخی شرکت‌ها حتی قیمت بالایی معادل نیم یوان پیشنهاد می‌کردند. یک برچسب‌زن با کلیک‌های سریع می‌تواند با کار کردن روزانه ده ساعت، پانصد تا ششصد یوان درآمد کسب کند. در مرکز شهرستان، این قطعاً شغلی پردرآمد و شایسته محسوب می‌شود.

اما با تکامل مدل‌های بزرگ، واقعیت تلخ این خط لوله شروع به آشکار شدن کرد.

تا سال ۲۰۲۳، قیمت واحد حاشیه‌نویسی ساده تصاویر به ۳ تا ۴ سنت کاهش یافته بود، افتی بیش از ۹۰٪. حتی برای تصاویر چالش‌برانگیزتر ابر نقاط سه‌بعدی، جایی که نقاط آن‌قدر متراکم‌اند که تشخیص لبه‌ها نیازمند بزرگ‌نمایی قابل‌توجه است، برچسب‌گذاران باید با دقت یک جعبه سه‌بعدی در فضا رسم کنند که شامل طول، عرض، ارتفاع و زاویه جهت‌گیری باشد تا به‌طور یکپارچه دور یک خودرو یا عابر پیاده قرار گیرد. با این حال، قیمت چنین جعبه سه‌بعدی پیچیده‌ای تنها ۵ سنت است.

پیامد مستقیم این سقوط قیمت، افزایش چشمگیر شدت نیروی کار است. برای حفظ حقوق ماهانهٔ دو تا سه هزار دلاری، حاشیه‌نویسان باید به‌طور مداوم و بی‌وقفه سرعت خود را بهبود بخشند.

این به هیچ وجه یک شغل اداری آسان نیست. در بسیاری از مراکز حاشیه‌نویسی، مدیریت آن‌قدر سخت‌گیرانه است که خفه‌کننده است؛ کارکنان اجازه ندارند در حین کار به تماس‌های تلفنی پاسخ دهند و تلفن‌های همراه باید در محفظه‌های نگهداری قفل شوند. سیستم با دقت تمام حرکات ماوس و زمان‌های بیکاری هر کارمند را ثبت می‌کند و اگر استراحتی بیش از سه دقیقه رخ دهد، هشداری در بک‌اند مانند شلاق فرود می‌آید.

حتی ناامیدکننده‌تر، نرخ تحمل است. نمره قبولی این صنعت معمولاً بالای ۹۵٪ است و برخی شرکت‌ها حتی ۹۸٪–۹۹٪ را الزامی می‌دانند. این بدان معناست که اگر شما ۱۰۰ کادر بکشید و دو اشتباه مرتکب شوید، کل تصویر برای بازنگری بازگردانده خواهد شد.

تصاویر پویا از فریم‌هایی تشکیل شده‌اند که در آن‌ها خودروهایی که در حال تغییر خط هستند مخفی می‌شوند و حاشیه‌نویسان را مجبور می‌کنند تا با تکیه بر تخیل خود هر یک را شناسایی کنند؛ در تصاویر ابر نقاط سه‌بعدی، هر شیئی که بیش از ده نقطه داشته باشد باید در یک جعبه محصور شود. در یک پروژه پیچیده پارکینگ، اگر خطوط بیش از حد طولانی باشند یا چیزی از قلم بیفتد، بازرسی کیفیت همیشه نواقص را پیدا خواهد کرد. معمول است که یک تصویر چهار یا پنج بار بازنگری شود. در نهایت، پس از صرف یک ساعت کار، تنها چند سنت به دست می‌آوری.

یک حاشیه‌نویس در استان هونان صورت‌حساب پرداخت خود را در شبکه‌های اجتماعی منتشر کرد که نشان می‌داد پس از یک روز کار، او بیش از ۷۰۰ کادر را با نرخ ۴ سنت برای هر کادر کشید و در مجموع ۳۰٫۲ یوان درآمد کسب کرد.

این یک صحنهٔ بسیار پراکنده است.

از یک سو غول‌های درخشان فناوری در کنفرانس‌ها بحث می‌کنند که چگونه هوش مصنوعی عمومی بشریت را آزاد خواهد کرد؛ از سوی دیگر، در شهرهای کوچک فلات لوس و در کوه‌های جنوب‌غربی، جوانان روزانه هشت تا ده ساعت به صفحه‌نمایش‌ها خیره می‌شوند، به‌طور مکانیکی هزاران و ده‌ها هزار کادر می‌کشند و حتی شب‌ها در خواب، انگشتانشان خطوط خطوط‌بندی را در هوا ترسیم می‌کنند.

یک‌بار کسی گفت که نمای هوش مصنوعی مثل یک خودروی لوکس و پرهیاهوست، اما وقتی درش را باز می‌کنی، می‌بینی صد نفر داخلش دوچرخه رکاب می‌زنند، دندان‌هایشان را به هم می‌فشارند و با تمام قدرت رکاب می‌زنند.

هیچ‌کس فکر نمی‌کند که در این مورد مشکلی وجود داشته باشد.

دستگاه‌های آموزشی صنعتگر Piecework: «چگونه عشق بورزیم»

پس از عبور از گردن‌فلک شناسایی تصویر، مدل‌های بزرگ تحولی عمیق‌تر را پشت سر گذاشته‌اند و اکنون نیازمند یادگیری تفکر، گفتگو و حتی نشان دادن «همدلی» مانند انسان‌ها هستند.

این امر به ظهور حیاتی‌ترین و پرهزینه‌ترین بخش آموزش مدل‌های بزرگ‌مقیاس منجر شده است — RLHF (یادگیری تقویتی مبتنی بر بازخورد انسان).

به زبان ساده، این شامل ارزیابی پاسخ‌های تولیدشده توسط هوش مصنوعی توسط افراد واقعی است و به آن می‌گوید کدام پاسخ‌ها بهتر، همسوتر با ارزش‌های انسانی و ترجیحات عاطفی هستند.

دلیل اینکه ChatGPT «انسان‌مانند» به نظر می‌رسد این است که در پسِ آن، شمار بی‌شماری از حاشیه‌نویسان RLHF در حال آموزش آن هستند.

در پلتفرم‌های جمع‌سپاری، چنین وظایفی برای برچسب‌گذاری اغلب قیمت‌گذاری روشنی دارند: هزینه هر واحد ۳ تا ۷ یوان. علامت‌گذاران باید نمره‌های احساسی بسیار ذهنی را به پاسخ‌های هوش مصنوعی بدهند تا ارزیابی کنند که آیا پاسخ «گرم»، «همدلانه» یا «ملاحظه‌کننده احساسات کاربر» است.

کسی که ماهانه تنها چند هزار یوان درآمد دارد، در گل و لای واقعیت دست و پنجه نرم می‌کند و به‌سختی می‌تواند به احساسات خودش رسیدگی کند، اکنون در این سیستم موظف است به‌عنوان راهنمای عاطفی و داور ارزش‌های هوش مصنوعی عمل کند.

آنها مجبورند گرما، همدلی و سایر احساسات انسانی بسیار پیچیده و ظریف را به‌زور به نمره‌های سردی در بازهٔ ۱ تا ۵ تبدیل کنند. اگر نمراتشان با پاسخ‌های صحیح از پیش تعریف‌شده‌ی سیستم مطابقت نداشته باشد، دقتشان ناکافی تلقی شده و از دستمزد اندک کار تکه تکیه‌شان کسر خواهد شد.

این یک تخلیهٔ شناختی است. احساسات، اخلاق و شفقت انسانی که بسیار پیچیده و ظریف‌اند، به‌زور در قیف الگوریتم فشرده می‌شوند. در قلمرو یخ‌زده‌ی کمی‌سازی و مقیاس‌های استانداردسازی، آخرین ذرّه‌ی گرمای آن‌ها زدوده می‌شود. در حالی که از غول سایبری روی صفحه شگفت‌زده می‌شوید که شعر نوشتن، موسیقی ساختن، ابراز دلسوزی و حتی پوستی از حساسیت ملال‌آلود را آموخته است؛ خارج از صحنه، آن گروه از انسان‌های زمانی پرجنب‌وجوش از طریق قضاوت‌های مکانیکی روزانه به ماشین‌های امتیازدهی بی‌احساس تنزل یافته‌اند.

این محرمانه‌ترین بخش از کل زنجیره صنعت است که هرگز در هیچ‌یک از اخبار تأمین مالی یا اسناد فنی سفید ظاهر نمی‌شود.

هیچ‌کس فکر نمی‌کند که در این مورد مشکلی وجود داشته باشد.

دارنده مدرک کارشناسی ارشد ۹۸۵ در مقابل جوانان شهر کوچک

کارهای سطح پایین خط مونتاژ زیر گام‌های هوش مصنوعی له می‌شوند و باعث شده‌اند این نوار نقالهٔ سایبرنتیک به سمت بالا گسترش یابد و شروع به بلعیدن کارهای فکری سطح بالاتر کند.

اشتهای مدل‌های بزرگ تغییر کرده است. آنها که دیگر از جویدن عقل سلیم ابتدایی قانع نیستند، اکنون نیازمند بلعیدن تخصص انسانی و منطق پیشرفته هستند.

در پلتفرم‌های مختلف بزرگ جذب نیرو، نوع جدیدی از مشاغل پاره‌وقت به‌طور فزاینده‌ای ظاهر شده است، مانند «برچسب‌گذاری استدلال منطقی مدل بزرگ» و «مربی علوم انسانی هوش مصنوعی». این شغل پاره‌وقت آستانه‌ی بسیار بالایی دارد، اغلب نیازمند «دکتری یا بالاتر از دانشگاه‌های پروژه ۹۸۵/پروژه ۲۱۱» است و شامل حوزه‌های حرفه‌ای مانند حقوق، پزشکی، فلسفه و ادبیات می‌شود.

بسیاری از دانشجویان تحصیلات تکمیلی دانشگاه‌های معتبر جذب گروه‌های برون‌سپاری این غول‌های فناوری می‌شوند و به آن‌ها می‌پیوندند. با این حال، آنها به سرعت درمی‌یابند که این یک تمرین ذهنی ساده نیست، بلکه نوعی شکنجهٔ ذهنی است.

پیش از آنکه رسماً وظایفی را بر عهده بگیرند، باید ده‌ها صفحه از اسناد ابعاد امتیازدهی و معیارهای ارزیابی را مطالعه کنند و دو تا سه دور انوته‌سازی آزمایشی را پشت سر بگذارند. در صورت برآورده کردن استانداردها، در حین حاشیه‌نویسی رسمی، اگر دقت آن‌ها پایین‌تر از سطح متوسط باشد، صلاحیت خود را از دست داده و از چت گروهی اخراج خواهند شد.

خفه‌کننده‌ترین نکته این است که این استانداردها اصلاً ثابت نیستند. وقتی با پرسش‌ها و پاسخ‌های مشابه مواجه می‌شویم و آن‌ها را با همان روند فکری نمره‌دهی می‌کنیم، ممکن است نتایج کاملاً متضادی به‌دست آید. انگار داری روی یک برگه امتحانی بی‌پایان کار می‌کنی که پاسخ استاندارد ندارد. دقت را نمی‌توان تنها با تلاش شخصی یا مطالعه بهبود بخشید؛ انسان فقط می‌تواند بی‌وقفه درجا بچرخد و انرژی ذهنی و جسمی خود را تحلیل ببرد.

این شکل جدید بهره‌کشی در عصر مدل‌های بزرگ است—تلفیق کلاس‌ها.

دانش که زمانی به‌عنوان نردبان طلایی برای شکستن موانع و صعود به اوج دیده می‌شد، اکنون به خوراک دیجیتال پیچیده‌تری تبدیل شده که به الگوریتم‌ها برای جویدن عرضه می‌شود. در برابر قدرت مطلق الگوریتم‌ها و سیستم‌ها، دانشجویان کارشناسی ارشد دانشگاه‌های نخبه در برج‌های عاجی خود و جوانان شهرهای کوچک فلات لوس، به عجیب‌ترین مسیر همگرایی پا گذاشته‌اند.

آنها با هم به درون این چاه بی‌انتهای استخراج سایبری سقوط می‌کنند، از هاله‌هایشان تهی می‌شوند، تفاوت‌ها را محو می‌کنند و همگی به چرخ‌دنده‌های ارزان روی نوار نقاله تبدیل می‌شوند که هر لحظه قابل تعویض‌اند.

در خارج هم همین‌طور است. در سال ۲۰۲۴، اپل به‌طور مستقیم یک تیم ۱۲۱ نفرهٔ حاشیه‌نویسی صوتی هوش مصنوعی در سن دیگو را اخراج کرد. این کارمندان مسئول بهبود قابلیت‌های پردازش چندزبانه‌ی سیری بودند. آنها زمانی گمان می‌کردند در خط مقدم کسب‌وکار یک غول فناوری ایستاده‌اند، اما ناگهان به ورطه بیکاری سقوط کردند.

از نظر غول‌های فناوری، چه زنی میانسال باشد که یک فروشگاه مواد غذایی در یک شهرستان کوچک را اداره می‌کند و چه مربی منطقی با تحصیلات برجسته، اساساً همه‌ی آن‌ها «مصرف‌شدنی» هستند که هر زمان قابل تعویض‌اند.

هیچ‌کس فکر نمی‌کند که در این مورد مشکلی وجود داشته باشد.

برج بابل یک تریلیون دلاری، بنا شده با چند سنت استثمار

بر اساس داده‌های منتشر شده توسط مؤسسه تحقیقات اطلاعات و ارتباطات چین، بازار انوته‌سازی داده چین در سال ۲۰۲۳ به مقیاس ۶٫۰۸ میلیارد یوان رسید و انتظار می‌رود تا سال ۲۰۲۵ به ۲۰ تا ۳۰ میلیارد یوان برسد. پیش‌بینی می‌شود که تا سال ۲۰۳۰، فروش بازار جهانی برچسب‌گذاری داده و خدمات به ۱۱۷.۱ میلیارد یوان افزایش یابد.

پشت این اعداد، غول‌های فناوری مانند اوپن‌ای‌آی، مایکروسافت و بایت‌دانس قرار دارند که ارزش‌گذاری آن‌ها به تریلیون‌ها دلار می‌رسد.

با این حال، این ثروت سرسام‌آور به کسانی که واقعاً هوش مصنوعی را «تغذیه» می‌کنند، نرسیده است.

در صنعت برچسب‌گذاری داده چین، ساختار برون‌سپاری معکوس هرم‌مانند متداول مشهود است. در بالاترین سطح، غول‌های فناوری با چنگ و دندان الگوریتم‌های اصلی را در اختیار دارند؛ سطح دوم شامل ارائه‌دهندگان بزرگ خدمات داده است؛ سطح سوم شامل مراکز برچسب‌گذاری داده و شرکت‌های برون‌سپاری کوچک تا متوسط پراکنده در سراسر کشور است؛ و تنها در پایین‌ترین سطح است که سربازان پیاده‌نظامِ دستمزدیِ بر اساس تعداد قطعات – یعنی کارگران برچسب‌گذاری – را می‌یابیم.

هر لایه برون‌سپاری سهم قابل‌توجهی می‌برد. وقتی کارخانه‌های بزرگ قیمت واحد ۰٫۵ یوان ارائه می‌کنند، پس از چندین لایه استثمار، آنچه به دست یک کارگر برچسب‌زن در یک شهرک می‌رسد ممکن است کمتر از ۰٫۰۵ یوان باشد.

در کتاب خود «فئودالیسم فناورانه»، یانیس واروفاکیس، وزیر دارایی پیشین یونان، دیدگاه ژرفی ارائه داد: غول‌های فناوری امروزی دیگر سرمایه‌دار به معنای سنتی نیستند، بلکه «ابرپایگان» هستند.

آن‌ها مالک کارخانه‌ها و ماشین‌آلات نیستند، بلکه الگوریتم‌ها، پلتفرم‌ها و قدرت محاسباتی، سرزمین‌های دیجیتال عصر سایبر هستند. در این نظام فئودالی جدید، کاربران مصرف‌کننده نیستند، بلکه رعایای دیجیتال هستند. هر لایک، کامنت و مرور در شبکه‌های اجتماعی، کار رایگان تأمین داده‌ای است برای کلاودالیست‌ها.

در همین حال، کارگران برچسب‌گذاری داده در بازارهای نوظهور، پست‌ترین بردگان دیجیتال این سیستم هستند. آنها نه تنها باید داده‌ها را تولید کنند، بلکه باید داده‌های خام عظیم را پاک‌سازی، دسته‌بندی و ارزیابی کنند و آن را به خوراک باکیفیتی تبدیل کنند که مدل‌های بزرگ بتوانند آن را هضم کنند.

این یک جنبش مخفی محصورسازی شناختی است. مشابهٔ نحوهٔ وادار کردن کشاورزان به کارخانه‌های نساجی توسط قوانین محصورسازی اراضی در انگلستان قرن نوزدهم، موج هوش مصنوعی امروز نیز جوانانِ بی‌بهره از اقتصاد فیزیکی را پشت صفحه‌نمایش‌ها می‌راند.

هوش مصنوعی شکاف طبقاتی را از بین نبرده است؛ بلکه یک «نوار نقاله داده‌ها و خون و عرق» از شهرستان‌های کوچک در مرکز و غرب چین مستقیماً به مقرهای غول‌های فناوری در پکن، شانگهای، گوانگ‌ژو و شنژن ایجاد کرده است. روایت انقلاب فناوری همیشه باشکوه و عظیم است، اما بنیان آن همواره مصرف گسترده نیروی کار ارزان است.

به نظر نمی‌رسد کسی فکر کند در این مورد مشکلی وجود دارد.

فردایی بدون نیاز به انسان‌ها

وحشیانه‌ترین پایان به سرعت نزدیک می‌شود، هر لحظه سریع‌تر و سریع‌تر.

با ظهور قابلیت‌های مدل‌های بزرگ‌مقیاس، وظایفی که زمانی برای انجامشان نیاز به کار شبانه‌روزی انسان بود، اکنون خودِ هوش مصنوعی آن‌ها را بر عهده می‌گیرد.

در آوریل ۲۰۲۳، لی شیانگ، بنیان‌گذار ایدال آتو، در یک همایش فاش کرد که در گذشته، این شرکت سالانه تقریباً ۱۰ میلیون فریم از تصاویر رانندگی خودران را به‌صورت دستی برچسب‌گذاری می‌کرد و هزینه‌های برون‌سپاری آن به یک میلیارد نزدیک بود. با این حال، پس از به‌کارگیری مدل‌های بزرگ برای برچسب‌گذاری خودکار، کاری که قبلاً یک سال طول می‌کشید اکنون در حدود سه ساعت قابل انجام است.

کارایی هزار برابر انسان‌هاست و این دستاورد از همان سال ۲۰۲۳ محقق شد. فقط در ماه مارس گذشته، ایدیلز موتور حاشیه‌نویسی خودکار نسل بعدی MindVLA-o1 را منتشر کرد.

یک ضرب‌المثل تلخ و حقیقت‌آمیز خودتخریب‌گرانه در این صنعت رایج است: هرچه هوش بیشتر، مصنوعی‌تر. اما اکنون، یک سقوط صخره‌ای ۴۰٪–۵۰٪ در برون‌سپاری برچسب‌گذاری داده توسط غول‌های فناوری رخ داده است.

آن جوانانِ شهرهای کوچک که روزها و شب‌های بی‌شمار پشت کامپیوتر نشسته‌اند و چشم‌هایشان از فشار خونی شده، شخصاً یک هیولای عظیم‌الجثه را پرورش داده‌اند. و اکنون این غول در حال چرخش است و کاسه‌های برنجشان را در هم می‌شکند.

با تاریک شدن هوا، ساختمان‌های اداری در منطقه پینگ‌چنگ داتونگ همچنان به روشنایی روز می‌مانند. جوانان شیفت در لابی آسانسور بی‌صدا پوستهٔ خسته‌شان را با یکدیگر مبادله می‌کنند. در این فضای تاخورده که در اسارت چندضلعی‌های بی‌شمار است، هیچ‌کس به جهش حماسی معماری ترانسفورماتور در آن سوی اقیانوس اهمیت نمی‌دهد و هیچ‌کس غرش قدرت محاسباتی پشت صد میلیارد پارامتر را درک نمی‌کند.

نگاه‌شان به نوار پیشرفت قرمز/سبز پشت‌صحنه دوخته شده که «خط عبور» را نشان می‌دهد و حساب می‌کنند آیا این دستمزدهای ناچیزِ تکه‌کاری تا پایان ماه می‌توانند زندگی شایسته‌ای را کنار هم بسازند.

از یک سو، زنگ اختتام نزدک و پوشش مداوم رسانه‌های فناوری باعث شده است که غول‌ها جام‌های خود را به مناسبت ظهور AGI بالا ببرند؛ از سوی دیگر، این بردگان دیجیتال که هوش مصنوعی را با گوشت و خون خود تغذیه کرده‌اند، تنها در میان خوابی دردناک می‌توانند با اضطراب منتظر باشند که هیولایی را که خودشان با دستان خود پرورش داده‌اند، در یک صبح عادی بی‌اعتنا کاسه‌های برنج‌شان را از پایشان بردارد.

هیچ‌کس فکر نمی‌کند که در این مورد مشکلی وجود داشته باشد.