تصور کنید دستیاری دارید که نه تنها برنامه غذایی شما را میشناسد، بلکه با نگاه کردن به عکس گاراژتان میفهمد چه دمبلهایی دارید و با تماشای ویدئوی تمرینتان، اشتباهات شما را اصلاح میکند. این دیگر یک تصور نیست؛ طبق گزارشی مفصل که در ۳۱ اوت ۲۰۲۶ در وبسایت dev.to منتشر شد، یک کاربر توانسته است Grok Bot را به یک مربی تخصصی به نام CoachBot تبدیل کند تا تغذیه و تمرینات قدرتیاش را بر اساس محدودیتهای واقعی زندگیاش مدیریت کند.
این اتفاق در حالی رخ میدهد که عاملهای هوش مصنوعی از چتهای ساده متنی به سمت تعاملات چندوجهی (Multimodal) — یعنی مدلی که مثل ما انسانها همزمان متن، عکس و صدا را میفهمد — حرکت میکنند. همانطور که در پوشش پیشین ما دربارهی دسترسی به Grok Bot در لینوکس از طریق Electron اشاره کردیم، تمرکز اکنون از «نحوه دسترسی» به «کاربردهای عملی و شخصیسازیشده با ریسک بالا» تغییر کرده است. برای اکثر مردم، توصیههای ورزشی کلی و تکراری هستند، اما این رویکرد، هوش مصنوعی را به مربیای تبدیل میکند که دقیقاً میداند شما چه تجهیزاتی دارید و چطور حرکت میکنید.
بستر شخصیسازی و چالشهای واقعی
انگیزه ساخت CoachBot از یک چالش رایج نشأت گرفت: حفظ سلامت و کنترل وزن در میان تغییرات شدید سبک زندگی. این کاربر پیش از داشتن فرزندان دوقلو، فردی بسیار فعال بود و روزانه سه ساعت ورزش میکرد. در آن مرحله از زندگی، کالریسوزی برای او یک فرآیند بدون تلاش و آسان بود. اما با ورود به دوران پدر بودن و تغییرات accompanying آن، پیدا کردن حتی ۲۰ دقیقه زمان برای ورزش در روز دشوار شد.
به گزارش این کاربر، او با وجود رعایت رژیم غذایی بدون گلوتن، پختن اکثر وعدههای غذایی در خانه و پرهیز کامل از غذاهای آماده یا بیرونبر، متوجه شد که وزنش همچنان در حال افزایش است. این ناامیدی با این احساس تشدید میشد که سن و بیولوژی بدن در برابر او ایستادهاند. او تلاش کرد از روشهای پژوهشی سنتی استفاده کند؛ او پادکستها را گوش داد، ویدئوها را تماشا کرد، پستهای وبلاگی را خواند و توییتها را دنبال کرد، اما هیچکدام نتایج مطلوبی نداشتند. دلیل این شکست آن بود که توصیههای موجود، برای سبک زندگی خاص و نیازهای جسمی منحصربهفرد او شخصیسازی نشده بودند.
نقشهبرداری از محیط با بینایی ماشین
کاربر برای شروع، عکسی از باشگاه خانگیاش که در گاراژ قرار داشت را به بات ارسال کرد. Grok Bot با تحلیل دقیق این تصویر، تجهیزات موجود را شناسایی کرد تا مطمئن شود هر تمرین پیشنهادی، از نظر فیزیکی برای کاربر با ابزارهای موجود قابل اجراست. این قابلیت، اصطکاک ناشی از دریافت روتینهای ورزشی کلی را از بین میبرد؛ روتینهایی که معمولاً نیاز به دستگاههایی دارند که کاربر اصلاً در اختیار ندارد.
علاوه بر شناسایی تجهیزات، کاربر محدودیتها و اهداف بسیار مشخصی را برای بات تعریف کرد:
- اهداف کاهش وزن: تعیین مقادیر و اهداف دقیق برای کاهش وزن.
- محدودیت زمانی: اعلام مقدار دقیق زمانی که هر روز برای ورزش در دسترس است.
- یادآورهای رفتاری: از آنجا که کاربر هنگام مشغول شدن به کارهای کامپیوتری، ورزش را فراموش میکرد، از بات درخواست کرد تا به طور فعال او را با پیامهای یادآوری مانند «پاشو برو بیرون و کمی ورزش کن» تحریک کند.
حسابرسی تغذیهای در لحظه
این بات در طول روز به عنوان یک ثبتکننده مستمر رژیم غذایی عمل کرد. کاربر در اولین روز ردیابی، یافتههای کلیدی و تکاندهندهای را گزارش کرد، بهویژه در مورد سردرگمی در مورد میزان مصرف پروتئین. در حالی که کاربر تصور میکرد دو برابر مقدار نیاز پروتئین مصرف میکند، تحلیل هوش مصنوعی نشان داد که او با یک کمبود شدید مواجه است.
- کمبود پروتئین: کاربر در صبحانه شیر سویا، در ناهار یک ماهی کامل (و در نهایت دو ماهی) و در شام بولونیز همراه با ماست یونانی مصرف کرده بود. با این حال، بات فاش کرد که او حتی به حداقل پروتئین لازم برای عضلهسازی و افزایش قدرت نمیرسد.
- اصلاحات کوچک: هوش مصنوعی به جای تغییرات رادیکال، پیشنهادهای کوچک و دقیقی داد؛ مثلاً اضافه کردن چند قاشق دانه چیا به ماست یونانی برای رسیدن به اهداف تغذیهای.
- یکپارچگی با خرید: بات برندهای خاصی از ماستهای پروتئینی را شناسایی کرد تا کاربر عادتهای خرید خود را تغییر دهد و حتی پیشنهاد داد که فرآیند سفارش این محصولات را مدیریت کند.
علاوه بر تحلیل دادهها، بات حمایت عاطفی نیز ارائه داد و اشاره کرد که چون این تنها روز اول است، کاربر نباید بابت نرسیدن به هدف پروتئین نگران باشد، زیرا همیشه فردایی هست.
تحلیل ویدئویی و اصلاح حرکات
قدرتمندترین قابلیت نمایشدادهشده، توانایی بات در «تماشای» و نقد محتوای ویدئویی بود. کاربر لینک یک ویدئوی ۲۰ دقیقهای تمرین تمامبدن با دمبل از یوتیوب را فرستاد و هوش مصنوعی یک «تحلیل شکاف» (Gap Analysis) بین محتوای ویدئو و تجهیزات واقعی کاربر انجام داد.
بر اساس مستندات dev.to، بات به این نتیجه رسید که دمبلهای ۵ کیلوگرمی کاربر با توجه به وزن فعلی او، برای تمرینات قدرتی کاملاً ناکافی هستند. کاربر به دلیل عرق کردن زیاد فکر میکرد که سخت تمرین کرده است، اما هوش مصنوعی شفافسازی کرد که او فقط به مزایای قلبی-عروقی (Cardio) رسیده و ضربان قلبش را بالا برده است، اما در واقع هیچ قدرت عضلهای اضافه نکرده است. این یک کشف تکاندهنده برای کاربر بود که به مدت دو ماه این تمرینات خاص را انجام میداد بدون اینکه بداند برای افزایش قدرت بیاثر هستند.
برنامهریزی تطبیقی
بات به جای نقد صرف، از لیست تجهیزاتی که قبلاً شناسایی کرده بود استفاده کرد. بات متوجه شد کاربر یک سیستم تمرینی تعلیقی TRX دارد و پیشنهاد داد حرکات دمبل را با تمرینات TRX جایگزین کند تا با استفاده از وزن بدن، مقاومت بیشتری ایجاد شود؛ چیزی که ارزش تمرینی بسیار بیشتری نسبت به دمبلهای ۵ کیلوگرمی داشت.
برای حل مشکل کاربر در دنبال کردن لیستهای متنی، بات در وب جستجو کرد و یک ویدئوی آموزشی خاص را پیدا کرد که دقیقاً با برنامه مبتنی بر TRX مطابقت داشت. این یک چرخه بسته ایجاد کرد: هوش مصنوعی تجهیزات را تحلیل کرد، عادت فعلی را نقد کرد و یک ابزار بصری برای اصلاح آن ارائه داد. بات این برنامه را برای روز چهارشنبه زمانبندی کرد و قول داد اگر ویدئوی اول بیش از حد ساده بود، ویدئوی دشوارتری پیدا کند.
این تجربه نشان میدهد که ما از «ردیابی» (Tracking) — جایی که انسان داده وارد میکند و خودش آن را تفسیر میکند — به سمت «حسابرسی» (Auditing) حرکت میکنیم؛ جایی که هوش مصنوعی محیط را مشاهده کرده و تفسیر را ارائه میدهد.
برای کاربر عادی، این یعنی سد ورود به مربیگری حرفهای بهشدت پایین میآید. دیگر نیازی نیست محدودیتهای خود را برای مربی انسانی توضیح دهید؛ فقط اتاق و روتین خود را به هوش مصنوعی نشان میدهید و او ناکارآمدیها را پیدا میکند. کاربر اشاره کرد که اگرچه هنوز نمیداند آیا وزن کم میکند یا قدرت میگیرد، اما اولین روز با CoachBot به او اعتمادبهنفس داد که در مسیر بهتری حرکت میکند.
با این حال، تکیه بر هوش مصنوعی برای سلامت و تغذیه خطراتی دارد. در حالی که توانایی بات در محاسبه گرمهای پروتئین یک پیروزی در بهرهوری است، صحت توصیههای فیزیولوژیک همچنان به دادههای آموزشی مدل زیربنایی وابسته است. تجربه کاربر با یک یادآور نهایی از سوی بات به پایان رسید: چون هدف گامهای روزانه را پر نکرده بود، بات او را به سمت تردمیل فرستاد تا ۲۰۰۰ گام بیشتر بردارد تا از «عصبانی شدن» بات جلوگیری کند.
در آینده منتظر یکپارچگیهای بیشتری باشید که در آن این باتها میتوانند مستقیماً به دادههای پوشیدنیهای سلامتی یا دوربینهای خانه هوشمند متصل شوند تا اصلاح فرم حرکات را در لحظه و حین تمرین ارائه دهند.
گام بعدی شما
- اگر از مدلهای چندوجهی استفاده میکنید، عکسی از محیط کاری یا ورزشی خود بگیرید و از مدل بخواهید نقاط ناکارآمدی را شناسایی کند.
- برای تحلیل رژیم غذایی، به جای وارد کردن دستی کالری، عکس وعدههای غذایی خود را برای تخمین پروتئین و ریزمغذیها ارسال کنید.
- لینک ویدئوهای آموزشی مورد علاقه خود را به بات بدهید و بخواهید بر اساس تجهیزات موجود در خانه، جایگزینهای مناسب را پیشنهاد دهد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell و قدرت استنتاج آنها مراجعه کنید.
گفتگو