چرا آینده هوش مصنوعی به همکاری چند مدل با یکدیگر وابسته است؟

به نقل از بلاگ Perplexity این محصولات هوش مصنوعی جدید می‌تواند یک ابتکار جدید، یک عامل یا چیزی شبیه به آن باشد؛ اما این محصول هر چه که باشد، با قطعیت می‌توان گفت که هنوز از عهده انجام یک کار خاص برنمی‌آید.

حتی با در اختیار داشتن بهترین مدل هوش مصنوعی در جهان، این مدل نمی‌تواند به‌تنهایی بهترین عملکرد خود را به کاربر ارائه دهد.

چرا مدل‌ها نمی‌توانند به‌تنهایی، بهترینِ خود باشند؟

وضعیت مدل‌های پیشگام به‌قدری پیشرفته شده است که برای بهره‌گیری از بهترین توانایی‌های هر یک از آن‌ها، کاربر به مدل‌های مختلفی نیاز دارد که در کنار یکدیگر کار کنند؛ مثلاً بزرگ‌ترین نقطه‌ضعف مدل Claude این است که تنها فقط می‌تواند با سایر مدل‌های Claude همکاری می‌کند.

هیچ خانواده‌ای از مدل‌ها به‌تنهایی و بدون بهره‌گیری از توانایی‌های مدل‌های دیگر نمی‌تواند در بالاترین سطح خود عمل کند. هم‌زمان با قدرتمندترشدن مدل‌ها، شاهد تخصصی‌تر شدن آن‌ها نیز هستیم. وضعیت آینده هوش مصنوعی به‌گونه‌ای است که کاربر زمانی می‌تواند بالاترین حد بهره‌وری از هوش مصنوعی را به دست آورد که از مدل‌های مختلف در همکاری با یکدیگر استفاده کند.

در حوزه هوش مصنوعی به این فرایند «هماهنگ‌سازی» یا «ارکستراسیون» (orchestration) یا گاهی «ابزار مهار» (the harness) گفته می‌شود. هر نامی که داشته باشد؛ عملکرد برترِ ارکستراسیونِ چندمدلی، به‌مراتب بهتر از عملکردی است که هر خانواده از مدل‌ها به‌صورت انفرادی می‌تواند محقق سازد. فاز بعدی هوش مصنوعی نیز می‌بایست به‌صورت چندمدلیِ کلان باشد.

Computer چگونه ساخته شد

Computer که در ابتدا ASI نام داشت، به‌عنوان یک کارمند دیجیتال شناخته می‌شد. به‌عنوان‌مثال کاربر در پلتفرم Slack به این کارمند پیامی حاوی یک وظیفه کاری ارسال می‌کرد و او شروع به کار می‌کرد. او وظایف را تفویض کرده، عامل‌های فرعی (sub agents) برای تسک‌های مختلف ایجاد می‌کرد، فایل‌هایی می‌ساخت تا در مراحل بعدی به او کمک کنند، اطلاعات حیاتی را می‌یافت و در صورت نیاز، گهگاه گزارش کار (check-in) می‌داد.

ASI نسبت به سایر رقبای خود مانند Clawdbot که اکنون OpenClaw نامیده می‌شود، ایمن‌تر و به‌مراتب توانمندتر بود. این سامانه دارای یک فایلِ سیستم بود، به صدها ابزار متصل می‌شد، می‌توانست فایل‌ها را بخواند و بنویسد، کدنویسی کند، از ابزارهای رابط خط فرمان (CLI) استفاده کند، در اینترنت جست‌وجو کند و قادر بود هر وظیفه را به‌درستی در میان عامل‌های فرعی متناسب که از بهترین مدل برای آن وظیفه خاص بهره می‌بردند، ارکستراسیون کند. تمامی این فرایندها در یک محیط ایزوله توسعه (sandbox) امن در فضای ابری انجام می‌گرفت.

در واقع، ASI صرفاً یک کارمند دیجیتال از راه دور نبود. ASI با داشتن دسترسی به یک سیستم فایل، یک شل (shell) برای اجرای امن کد و یک مرورگر برای دسترسی به برنامه‌های تحت وب و رابط‌ها، ماهیتاً یک کامپیوتر بود و در نهایت Perplexity Computer نام گرفت.

آشنایی بیشتر با Perplexity Computer

چرا وب حائز اهمیت است

در سال ۲۰۱۱، شرکت گوگل این ایده را مطرح کرد که می‌توان کامپیوتری را تنها با اینترنت، فایل‌ها و یک ترمینال Bash روانه بازار کرد. نام این محصول Chromebook بود. گوگل به‌درستی درک کرده بود که مهم‌ترین بخش کامپیوتر، دسترسی آن به وب است.

وب مکانی است که ما در آن کار می‌کنیم و ارتباط برقرار می‌کنیم. همچنین، چه به معنای واقعی کلمه و چه به‌صورت استعاری، دستگاه ذخیره‌سازی ما محسوب می‌شود. وب دربردارنده مقادیر عظیمی از داده، اطلاعات و دانش است و برخی از آن‌ها به اشتراک گذاشته شده و برخی دیگر شخصی هستند.

اگر به وب به‌عنوان یک سیستم ذخیره‌سازی دانش نگاه کنید، این سیستم همواره در کارکرد «نوشتن» بسیار عالی عمل کرده است. اولین وبلاگ در اوایل دهه ۹۰ منتشر شد و از آن زمان تاکنون، انتشار و ذخیره‌سازی دانش در وب با رشد انفجاری همراه بوده است.

آنچه گوگل در مورد Chromebook دست‌کم گرفت این بود که بزرگ‌ترین مشکل وب به‌عنوان یک سیستم ذخیره‌سازی، در واقع کارکرد «خواندن» (Read) است. ما برای خواندن دانش از وب، به جست‌وجوی الگوریتمی متکی بوده‌ایم که در طول ۲۸ سال گذشته کم‌وبیش بدون تغییر باقی مانده است.

موتورهای جست‌وجو به‌عنوان روشی برای دسترسی به دانش، هرگز قادر به انجام تحقیقات عمیق، ترکیب‌سازی (synthesizing) یا خلاصه‌سازی نبوده‌اند. همچنین یک موتور جست‌وجو نمی‌تواند؛ مانند یک عامل عمل کند تا به دانشی در وب دست یابد که دسترسی به آن نیازمند انجام یک سری اقدامات (action) خاص است.

سپس هوش مصنوعی از راه رسید. Perplexity نخستین «موتور پاسخ‌گو» (answer engine) را ساخت و سایرین نیز از آن پیروی کردند. Perplexity نیز تمرکز خود را با تأکید ویژه‌ای بر «تحقیق عمیق» (Deep Research) بر روی «هوش مصنوعیِ دقیق» (Accurate AI) حفظ کرد. دلیل این امر آن است که وقتی هوش مصنوعی بتواند تمامی دانش موجود در وبِ باز را بیابد، تحلیل کند، روی آن استدلال کند و به طور دقیق ارائه دهد، مشکل «خواندن» بالاخره حل شده است. اگر اینترنت دیسکِ ذخیره‌سازی دانش بشری باشد، ابزاری مانند Perplexity می‌تواند کارکرد خواندن را تا حد زیادی پوشش دهد.

زمانی که وب به یک سیستم ذخیره‌سازی با قابلیت خواندن/نوشتنِ کاملاً کاربردی تبدیل شود و عامل‌هایی وجود داشته باشند که بتوانند در آن پیمایش کرده و وظایف را به انجام برسانند، تنها چیزی که کامپیوتر به آن نیاز دارد، عناصر شخصی‌سازی شده است.

«حافظه پایدار» (Persistent memory)یکی از عواملی است که سبب شخصی‌سازی کامپیوتر می‌شود. کامپیوتر فایل و ابزار دارد که متعلق به کاربر هستند، خصوصی هستند و بر اساس ترجیحات کاربر تنظیم شده‌اند. کامپیوتر باید قادر باشد به‌صورت منفرد از جانب و به نمایندگی از کاربر با این فایل‌ها و ابزارها کار کند.

کامپیوترها همچنین خلق هم می‌کنند. آن‌ها مصنوعات (artifacts) واقعی مانند کد، اسناد و فایل می‌سازند. فایل‌ها را ذخیره می‌کنند، بازیابی می‌کنند، فایل‌های جدید را می‌نویسند و به آن‌ها دسترسی پیدا می‌کنند. هوش مصنوعی قادر به انجام تمامی این کارهاست. در نهایت، زمانی که هوش مصنوعی در حال انجام تمامی این امور است، کاربر برای انجام این هر یک از این کارهای مختلف در کامپیوتر، به مدل‌های پیشگام متفاوتی نیاز دارد. هر کامپیوتری که مفید و کاربردی باشد، نیازمند مهارت‌های متنوعی است که بسیار فراتر از توانایی یک مدل منفرد برای اجرای بی‌نقصِ تمامی آن‌هاست؛ به همین دلیل است که ارکستراسیون برای کامپیوتر امری ضروری و بنیادین است.

این احتمال وجود دارد که با پیشرفت هوش مصنوعی، اهمیت کدهای سخت‌افزاریِ سیستم‌عامل به‌عنوان یک مزیت رقابتی پایدار برای سازندگان دستگاه‌ها کم‌رنگ‌تر شود. آنچه که می‌دانیم این است که کامپیوترها، در واقع همان سیستم‌های ارکستراسیون هستند.

چرا ارکستراسیون اهمیت دارد

«استیو جابز» می‌گفت: «نوازندگان سازهای خود را می‌نوازند؛ اما من، ارکستر را می‌نوازم.» هوش مصنوعی نیز شرایط مشابهی دارد. یک ویولن ویژگی‌های خاص خود را دارد و ما از صدا و مهارت نواختن آن شگفت‌زده می‌شویم. اما این ساز همچنان نمی‌تواند؛ مانند یک طبل بزرگ شیشه را بلرزاند و طبل نیز نمی‌تواند مانند سمفونی Mahler احساسات شما را دگرگون کند.

به‌نوعی می‌توان گفت که سازندگان مدل‌ها، ویولن‌های دوران ما هستند. از طرفی اکنون شاهد آن هستیم که مدل‌ها در حال تخصصی‌شدن هستند، نه تبدیل‌شدن به یک کالای عمومی. وقتی شما با استفاده از آن‌ها عامل می‌سازید، متوجه می‌شوید که هر کدام مانند هر کارمند خاص، استعدادهای متفاوتی دارند. یکی در استدلال بهتر است. دیگری در کدنویسی مهارت دارد و آن یکی در نگارش خلاقانه تواناتر است. آنچه اهمیت دارد این است که شما به‌عنوان کاربر نهایی چگونه آن‌ها را هماهنگ (ارکستراسیون) می‌کنید.

ارکستراسیون در میان مدل‌ها و خانواده‌های مختلف، تنها راه برای ساخت سیستمی است که به‌اندازه کافی همه‌کاره و منعطف باشد تا از عهده کارهای واقعی برآید. زمانی که برای تصمیم‌گیری به یک تحقیق عمیق نیاز دارید، مدلی را می‌خواهید که برای دقت و بازیابی اطلاعات بهینه‌سازی شده باشد. وقتی نیاز به نوشتن کد دارید، مدلی را ترجیح می‌دهید که بر روی میلیاردها خط‌کد و کدبیس‌های محیط عملیاتی آموزش دیده باشد. چه در حال مدیریت تیمی از انسان‌ها باشید، چه در حال رهبری یک سمفونی از نوازندگان، انجام کارهای باکیفیت همواره به همین منوال بوده است. عامل‌های هوش مصنوعی نیز از این قاعده مستثنی نیستند.

در خصوص جریان‌های کاری، عامل متمایزکننده همان «ابزار مهار» (harness) است. یک «برنامه‌ریز» (planner) اهداف پیچیده را به وظایف فرعی تقسیم می‌کند. یک «هماهنگ‌کننده» (orchestrator) آن وظایف را به عامل‌های مناسب تخصیص می‌دهد، قوانین را اِعمال می‌کند و بر اجرا نظارت دارد. «عامل‌های فرعی» (sub-agent) تخصصی، اقدامات متمرکزتر و تخصصی‌تر را انجام می‌دهند. یک «حافظه اشتراکی» (shared memory)، زمینه (context) و آموخته‌ها را برای حفظ پیوستگی در طی انجام وظیفه ذخیره می‌کند. به بیان دیگر، این هوشِ به‌کار‌رفته در این روند، همان کامپیوتر است.

تکامل بعدی کامپیوتر

۴۰۰ سال پیش، واژه «کامپیوتر» (به معنای محاسبه‌گر) به شاگردِ یک ستاره‌شناس اطلاق می‌شد. (همان کسانی که ستاره‌های دنباله‌دار را نام‌گذاری می‌کردند).

پس از آن کامپیوترها مکانیکی، الکترومکانیکی و سپس دیجیتال شدند. در حدود سال ۱۹۷۴، رابط کاربری گرافیکی (GUI) ابداع شد. با وجود GUI، توانستیم با روش‌های جدیدی با کامپیوتر کار کنیم. می‌توانستیم کارها را به آن بسپاریم و نتیجه را مشاهده کنیم. سپس، صفحه‌نمایش روی کیبورد تا شد تا به یک کامپیوتر شخصی و قابل‌حمل تبدیل شود.

این جمله که «تکامل بعدی کامپیوتر زمانی رخ داد که استیو جابز کامپیوتر شخصی را در جیب همه قرار داد» به یک میم (meme) تبدیل شده است. امروزه شاید دقیق‌تر باشد اگر بگوییم او یک صفحه‌نمایش را مقابل صورت همه قرار داد و حالا همه در حال اسکرول‌کردن هستند. در طی ۴۹ سال گذشته، GUI از «نحوه کنترل کامپیوتر توسط ما» به «نحوه کنترل ما توسط کامپیوتر» تغییر ماهیت داده است.

اما فرسودگی و خستگی از این مدل در حال افزایش است. هجوم جنون‌آمیز برای خرید Mac Mini در دوران تبِ OpenClaw نمونه‌ای بارز از این امر بود. رابط‌های کاربری گرافیکی ضروری هستند، اما نه اینکه همیشه ضرورت داشته باشند.

مدل‌های هوش مصنوعی بالاخره به‌قدری پیشرفته شده‌اند که کامپیوتر را به معنای واقعی خود بازگردانند؛ یعنی کارکردن به‌صورت خودمختار، دقیق و به‌صورت ناهمگام (asynchronously) تا ما را از اجبارِ تماشای کارکردن آن رها کنند.

ماوس، GUI و کیبورد همگی فناوری‌های مهمی هستند، اما آن‌ها تنها یک رابط کاربری محسوب می‌شوند؛ مگر اینکه بخواهید سوار یک «اسب کاملاً خودران» شوید، در آنجا باید بپذیرید که رابط کاربری هرگز به‌اندازه خود کامپیوتر اهمیت نداشته است.

آینده، متعلق به کامپیوتر است

مدل‌های هوش مصنوعی آن‌قدر توانمند شده‌اند که محصولات ساخته‌شده حول محور آن‌ها اکنون به یک گلوگاه برای نمایش پتانسیل واقعی‌شان تبدیل شده‌اند. رابط کاربری چت (chat UI) برای دریافت پاسخ مناسب است و عامل‌ها برای انجام وظایف انفرادی کارآمدند و این در حالی است که رابط کاربری برای کل جریان‌های کاری پیچیده، همواره خودِ کامپیوتر بوده است.

هوش مصنوعی اکنون در پردارش چندوجهی (multi-modal) بسیار قدرتمند است. این فناوری اشکال متعددی از داده‌ها را در یک سیستم منسجم درک کرده و تولید می‌کند. جنسن هوانگ، مدیرعامل انویدیا و دیگران نیز عنوان کرده‌اند که آینده هوش مصنوعی نیز باید چندمدلی (multimodel) باشد. حق با آن‌هاست؛ مدل‌های تخصصی باید مانند یک تیم با هم همکاری کنند. شاید دقیق‌تر باشد که بگوییم آینده هوش مصنوعی، «چندمدلی کلان» است. هم‌زمان با اینکه هوش مصنوعی عملکردهای بیشتری از خود کامپیوتر را جایگزین می‌کند، فعالیت مرکزیِ کامپیوتر، ارکستراسیون چندمدلی کلان خواهد بود.

ما تازه در ابتدای این مسیر هستیم. در سال ۲۰۲۵، به طور میانگین هر ۱۷ روز یک مدل پیشگام جدید وارد بازار می‌شد. با هر پیشرفت جدید در قابلیت‌های هوش مصنوعی، نوازنده دیگری روی صحنه می‌رود تا در ارکسترسمفونیک جای خود را بگیرد. رهبر ارکستر چوب خود را به صدا درمی‌آورد و کامپیوتر شروع به کار می‌کند.