تصور کنید صاحب سه گربه هستید و می‌خواهید ظرف غذای هوشمندتان فقط برای گربه‌ای که رژیم خاصی دارد باز شود تا از پرخوری حیوان جلوگیری کنید، یا می‌خواهید زنگ درتان دقیقاً به شما بگوید کدام یک از حیوانات خانگی‌تان بیرون منتظر هستند. اما در واقعیت، سیستم هر گربه‌ای را ببیند، غذای گربهٔ اول را می‌ریزد. این کابوسِ عملیاتی، واقعیت فعلی قابلیت Pet Memory در سرویس Gemini for Home است.
به گزارش The Verge، اشتراک ۲۰ دلاری Google Home Advanced وعده می‌دهد دوربین‌های امنیتی را به ناظران هوشمند تبدیل کند، اما در عمل، هوش مصنوعی زاینده (Generative AI) — شبیه نقاشی که کلیات را می‌کشد اما در جزئیات چهره‌ها اشتباه می‌کند — هر گربه‌ای را همان حیوان اول می‌بیند. این یعنی Gemini می‌تواند صحنه را توصیف کند، اما در ساده‌ترین وظیفه یعنی شناسایی فردی حیوانات شکست می‌خورد.
اکوسیستم‌های خانه هوشمند سال‌هاست که هشارهای حرکتی ساده ارائه می‌دهند. ما شاهد پیشرفتی بوده‌ایم که از تشخیص حرکت ساده به توانایی تفکیک انسان از حیوان رسید. همان‌طور که در تحلیل قبلی ما درباره‌ی استراتژی‌های تهاجمی گوگل برای جمع‌آوری داده‌ها اشاره کردیم — مانند قرارداد ۱۰ میلیون دلاری برای خرید داده‌های Spirit Airlines — این شرکت اکنون سعی دارد از طبقه‌بندی کلی به سمت بازشناسی شخصی‌سازی‌شده حرکت کند. این رویکرد در راستای تلاش‌های گسترده‌تر گوگل برای ادغام داده‌های کاربر با مدل‌های هوش مصنوعی است، مشابه آنچه در دسترسی پیش‌فرض Gemini به داده‌های سازمانی گوگل برای محیط‌های کاری مشاهده کردیم.
تکامل تشخیص حیوانات
بازشناسی فردی حیوانات خانگی، آخرین گام در تکامل سریع دوربین‌های امنیتی است. سال‌ها پیش، اکثر دوربین‌های امنیتی استاندارد فقط می‌توانستند کاربران را از وجود یک «حرکت کلی» مطلع کنند. اما اکنون پیشرفت در یادگیری ماشین و هوش مصنوعی زاینده، هشارهای توصیفی‌تر را ممکن کرده است. به جای یک «هشدار حرکت» مبهم، دوربین‌ها می‌توانند دقیقاً بگویند چه چیزی دیده‌اند، بدون اینکه کاربر نیاز داشته باشد اپلیکیشن را باز کند و منتظر بارگذاری کلیپ ویدئویی بماند.
گوگل با سری Nest پیشرو بود. دوربین Nest Cam IQ که در سال ۲۰۱۷ عرضه شد، توانست انسان را از حیوان تشخیص دهد. بعدها گوگل تشخیص حیوانات را به کل خط تولید Nest گستراند و اخیراً توصیفات متنی مبتنی بر AI را اضافه کرد. رقبایی مثل Ring آمازون، Wyze و Apple Home (از طریق HomeKit Secure Video) نیز توصیفات مشابهی را اضافه کرده‌اند که شامل انواع حیوانات می‌شود، هرچند این توصیفات همیشه دقیق نیستند. با این حال، گوگل هوم نخستین شرکتی است که سعی می‌کند این هشدارها را با «نام» حیوان شخصی‌سازی کند.
هزینه و محدودیت‌های سخت‌افزاری
راه‌اندازی این قابلیت ساده است؛ کاربر جزئیات حیوان را به چت‌بات Ask Home می‌دهد و Gemini آن را در حافظه ذخیره می‌کند. اما این راحتی هزینه‌های خاص و پیش‌نیازهای سخت‌گیرانه‌ای دارد:
- اشتراک: نیاز به طرح Google Home Advanced با هزینه ۲۰ دلار در ماه.
- سخت‌افزار: فعلاً فقط با دوربین‌های داخلی Nest سازگار است. این قابلیت روی دوربین‌های بیرونی کار نمی‌کند، که همین موضوع مانع از استفاده از آن به عنوان یک «درب دیجیتال حیوانات» (که فقط برای حیوان خاص باز شود) می‌شود.
- ورودی داده: کاربر فقط نام و نژاد را وارد می‌کند. سیستم اجازه آپلود عکس، آموزش دستی یا هرگونه فرآیند پروفایل‌سازی بصری را نمی‌دهد.
شکست در شناسایی و توهمات بصری
در آزمونی که در یک خانه با حیوانات متنوع انجام شد — خانه‌ای که شامل گله‌ای از مرغ‌های آزاد و یک سگ بزرگ نژاد Wirehaired Pointing Griffon به نام Gus بود — تمرکز روی سه گربه قرار گرفت: Boone (یک گربه تاکسیدویی با پنجه‌های سفید)، Osa (یک بچه گربه تبی) و Smokey (یک گربه بزرگ خاکستری و سفید). نتیجه فاجعه‌بار بود؛ AI به‌طور مداوم هر سه گربه را به عنوان Smokey شناسایی کرد، چون او اولین گربه‌ای بود که در سیستم ثبت شده بود.
با وجود ارائه توصیفات فیزیکی دقیق به چت‌بات، سیستم اعلام کرد که نمی‌تواند جزئیات اضافی را پردازش کند. چون راهی برای اصلاح اشتباهات یا آپلود عکس مرجع وجود ندارد، مدل بر اساس منطقی شکننده عمل می‌کند که در حضور چندین حیوان از یک گونه، کاملاً فرو می‌پاشد.
این وضعیت منجر به توهم (Hallucination) — شبیه دوستی که با اطمینان خاطره‌ای را اشتباه تعریف می‌کند — در گزارش فعالیت‌ها می‌شود. در یک مورد، سیستم گزارش داد Smokey در گاراژ در حال غذا خوردن است. اما با بررسی فیلم مشخص شد Boone در رختشویخانه است و اصلاً گربه‌ای وارد گاراژ نشده بود. این نشان می‌دهد شناسایی غلط، خطرناک‌تر از نبودِ شناسایی است، چون هشارهای امنیتی دروغین می‌سازد و در مورد ایمنی حیوانات، نقاط کور خطرناکی ایجاد می‌کند.
فروپاشی اتوماسیون
شکست در شناسایی، مستقیماً روی اتوماسیون‌های خانه هوشمند اثر می‌گذارد. آزمایش‌کننده سعی کرد با قابلیت Help Me Create — که اتوماسیون‌ها را از روی یک توصیف متنی ساده می‌سازد — تشخیص دوربین Nest را به یک ظرف غذای هوشمند Aqara متصل کند.
هدف این بود که بر اساس گربه‌ای که حضور دارد، مقدار غذای متفاوتی ریخته شود و نیازی به تگ‌های RF یا قلاده‌های هوشمند نباشد. کاربر دستور داد: «هرگاه دوربین رختشویخانه Smokey را دید، صحنه Feed Smokey در Aqara را اجرا کن».
دو مشکل اساسی در این فرآیند رخ داد:
- فعال‌سازی اشتباه: چون AI تفاوت Boone و Smokey را نمی‌فهمید، ظرف غذا برای هر گربه‌ای که نزدیک می‌شد، فعال می‌شد.
- حلقه منطقی: برخلاف اتوماسیون‌های داخلی Aqara، اپلیکیشن گوگل اجازه نمی‌دهد تعداد دفعات اجرای اتوماسیون محدود شود. در نتیجه، با هر حرکت کوچک گربه کنار ظرف، دوباره غذا ریخته می‌شد و ظرف در پایان یک روز کاملاً لبریز از غذای خشک شد.
شکاف کاربردی
علاوه بر اتوماسیون، بررسی Home Brief (گزارش روزانه فعالیت‌ها) نیز ناامیدکننده بود. پس از درخواست جزئیات بیشتر درباره فعالیت حیوانات، AI توصیفات مبهمی مثل «تعاملات متعددی با حیوانات رخ داد» ارائه می‌داد که هیچ کاربرد عملی یا اطلاعات قابل اجرایی در اختیار کاربر قرار نمی‌داد.
با این حال، ضبط مداوم ویدیوها در این اشتراک همچنان ارزشمند است. برای صاحبان حیوانات، مرور دستی فیلم‌ها هنوز تنها راه قابل‌اعتماد برای ردیابی حیوان گم‌شده یا شناسایی ماده سمی است که حیوان خورده است. این موضوع به‌ویژه برای حیوانات بیرونی صادق است؛ برای مثال، ممکن است حمله یک باز (Hawk) همیشه هشدار حرکتی ایجاد نکند، بنابراین داشتن ضبط کامل یک روز برای پیدا کردن یک مرغ گم‌شده ضروری است.
طبق گزارش The Verge، شناسایی فردی حیوانات، مرتبه‌ای سخت‌تر از تشخیص کلی «حیوان» است. توصیفات فعلی هوش مصنوعی زاینده، لایه‌ای از هوشمندی ظاهری ایجاد کرده که فاقد دقت لازم برای اتوماسیون‌های حساس خانگی است. وقتی کاربر برای اینکه بداند حیواناتش قبل از تاریکی هوا به خانه برگشته‌اند یا خیر به خلاصه AI تکیه می‌کند، یک پاسخ مثبت کاذب می‌تواند منجر به خطرات جدی شود.
برای کاربر عادی، این یعنی هزینه ۲۰ دلاری ماهانه در حال حاضر بابت فضای ابری و ضبط ویدیو پرداخت می‌شود، نه بابت هوشمندی وعده داده شده. تا زمانی که گوگل یک فرآیند آموزش بصری واقعی — شبیه به نحوه کار FaceID برای انسان‌ها — پیاده نکند، Pet Memory بیشتر یک وسیله تفننی است تا یک ابزار کاربردی. این چالش در واقع بازتابی از دشواری‌های تبدیل بینایی ماشین به عمل است؛ موضوعی که گوگل در رویکرد جدیدش برای ربات‌های پیچیده با هدف رسیدن به AGI فیزیکی، سعی در حل آن دارد.
باید منتظر ماند و دید آیا گوگل قابلیت آپلود عکس را برای آموزش Pet Memory اضافه می‌کند یا این ویژگی را به دوربین‌های بیرونی گسترش می‌دهد تا مشکل «درب دیجیتال حیوانات» را حل کند.
گام بعدی شما
- اگر از دوربین‌های Nest استفاده می‌کنید، برای کارهای حساس امنیتی یا تغذیه، فعلاً روی گزارش‌های متنی AI تکیه نکنید و مستقیماً ویدیوها را چک کنید.
- منتظر به‌روزرسانی‌های احتمالی گوگل برای قابلیت آپلود عکس (Photo-upload) باشید تا مدل بتواند ویژگی‌های بصری هر حیوان را یاد بگیرد.
- برای اتوماسیون‌های دقیق حیوانات، از حسگرهای سخت‌افزاری یا قلاده‌های دارای تگ RF استفاده کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و پردازش لبه‌ای مراجعه کنید.
گفتگو