Aye-Aye: حافظهٔ شخصی اندروید بدون ارسال حتی یک بایت داده به ابر

تصور کنید حافظه‌ای دیجیتال داشته باشید که هر لینک و نقل‌قولی را در گوشی شما ثبت می‌کند، اما حتی یک بایت از اطلاعات را به هیچ سروری نمی‌فرستد. Aye-Aye، یک سیستم‌عامل حافظه برای اندروید، با اجرای ۱۰۰٪ محلی (Local) برای ایندکس‌گذاری ردپای دیجیتال شما، این رؤیا را به واقعیت تبدیل کرده است.

طبق یک تحلیل فنی که در ۱۰ جولای ۲۰۲۶ در وب‌سایت dev.to منتشر شد، این سامانه تاریخچه صفحه نمایش شما را بدون استفاده از تله‌متری ابری به یک پایگاه دانش تبدیل می‌کند. در دنیایی که اکثر قابلیت‌های «یادآوری» (Recall) محتوا را به سرورهای خارجی می‌فرستند، Aye-Aye حریم خصوصی را به عنوان یک محدودیت سخت تعریف کرده است. این رویکرد، بار محاسباتی را از مرکز داده به سخت‌افزار فیزیکی اندروید منتقل می‌کند تا از کابوس‌های امنیتی ابری جلوگیری شود. این تمرکز بر پردازش داخلی، یادآور رویکرد مشابه در ابزار Swipe Cleaner است که با پردازش محلی برای شناسایی داده‌های زائد گالری بهینه‌سازی شده است.

همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، انتقال پردازش به لبه (Edge) تنها راه واقعی برای تضمین حریم خصوصی است.

برای جمع‌آوری داده‌ها بدون دخالت کاربر، این سیستم از سه مکانیسم خاص استفاده می‌کند:

• قلاب‌های سرویس دسترسی (Accessibility Service Hooks): متن‌های ساختارمند روی صفحه را به‌صورت آنی جذب کرده و نویزهای رابط کاربری را فیلتر می‌کنند.
• شنود اعلان‌ها (Notification Listener): یک سرویس پس‌زمینه که هشدارهای برنامه‌های مجاز را روی یک خط زمانی محلی می‌راند.
• نویسه‌خوانی نوری آفلاین (Offline OCR) — شبیه به عینک‌های هوشمندی که متن‌های روی کاغذ را می‌خوانند و به کد تبدیل می‌کنند — که از طریق یک حباب شناور، متن را مستقیماً از پیکسل‌های تصاویر یا برنامه‌های مسدودشده استخراج می‌کند.

بر اساس مستندات توسعه‌دهنده، برای قابلیت جست‌وجو از یک رویکرد موتور دوگانه استفاده شده است. سیستم برای جست‌وجوهای کلمات کلیدی رمزنگاری‌شده از SQLCipher FTS5 و برای پرس‌وجوهای معنایی (Semantic) از یک مدل بردار معنایی (Embedding) — مثل کارت معرفی عددی برای هر واژه که همسایگانش را معرفی می‌کند — به نام bge-small با حجم بهینه ۳۷ مگابایت بهره می‌برد. این رویکرد تبدیل محتوا به فضای برداری، مشابه مکانیزمی است که در پروژه SpillTheReel برای بازیابی دقیق جزئیات ویدیوهای اینستاگرام به کار گرفته شده است. این دو با روش Reciprocal Rank Fusion (RRF) ترکیب شده‌اند تا کاربر بتواند محتوا را با مفاهیم انتزاعی پیدا کند، نه فقط کلمات دقیق.

لایه نهایی، یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — است که از روش تولید بازیابی‌افزا (RAG) استفاده می‌کند. این مدل کاملاً مبنی‌سازی (Grounding) شده است؛ یعنی فقط بر اساس تاریخچه ثبت‌شده روی صفحه پاسخ می‌دهد. این محدودیت باعث می‌شود توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — به‌طور کامل حذف شود.

از نظر کاربر، این یعنی یک آرشیو شخصی که آفلاین است و باتری و حریم خصوصی را حفظ می‌کند. چالش اصلی در اینجا مدیریت حافظه است، زیرا اجرای هم‌زمان جذب داده، OCR و استنتاج (Inference) — یعنی لحظه‌ای که مدل واقعاً جواب تولید می‌کند — روی دستگاه، نیازمند بهینه‌سازی شدید برای جلوگیری از داغ شدن گوشی است.

این معماری ثابت می‌کند که هوش مصنوعیِ «حافظه» برای کاربرد بالا، نیازی به بک‌اند ابری ندارد و فرض رایج صنعت مبنی بر نیاز به محاسبات عظیم سروری برای ایندکس‌گذاری صفحه را می‌شکند.

گام بعدی شما

• اگر توسعه‌دهنده هستید، فرم بتای موجود در appbuildersph.com را برای تست قلاب‌های دسترسی بررسی کنید.
• برای کاهش وابستگی به ابر، مدل‌های کوچک‌تر (SLM) را برای کاربردهای محلی مطالعه کنید.
• اثرات مصرف باتری در مدل‌های RAG محلی را با ابزارهای پروفایلینگ اندروید بسنجید.

اما داستان چالش‌های سخت‌افزاری در اجرای مدل‌های محلی حتی پیچیده‌تر است؛ به تحلیل ما درباره بهینه‌سازی‌های کوانتش وزن‌ها مراجعه کنید.