تصور کنید تیمی کوچک در استانبول، بدون درگیر شدن در پیچیدگیهای زیرساختی، اپلیکیشنی بسازد که در بازار رقابتی آمریکا از اسپاتیفای پیشی بگیرد. این اتفاق برای استودیو FERASET رخ داد که با استفاده از یک استک توسعه سریع، به رتبه اول اپاستور ایالات متحده رسید.
بسیاری از مهندسان موبایل هنوز به لایههای مدیریتشده مثل Expo — که شبیه به یک جعبهابزار آماده برای ساخت سریع اپلیکیشن است و برنامهنویس را از درگیری با تنظیمات سختافزاری هر گوشی نجات میدهد — تنها به چشم ابزاری برای ساخت نمونههای اولیه (Prototype) نگاه میکنند. در اواخر سال ۲۰۲۲، باور رایج این بود — بهویژه در ترکیه — که Expo تنها برای دموها یا هکاتونهاست و توسعهدهندگان برای ساخت هر چیزی که «واقعی» باشد، باید به React Native CLI مهاجرت کنند. در حالی که برخی توسعهدهندگان کنترل کامل در React Native CLI را ترجیح میدهند، FERASET با Expo به عنوان یک «ضریب سرعت» برخورد کرد. آنها مسیر رشد Expo را با Next.js در اکوسیستم React مقایسه کردند: یک لایه مدیریتشده و دارای دیدگاه خاص (Opinionated) که سرعت توسعه را افزایش میدهد بدون آنکه محدودیتهایی برای برنامهنویس ایجاد کند.
همانطور که در تحلیل قبلی ما دربارهی Zyctra AI اشاره کردیم، برخی برای دور زدن محدودیتهای اپاستور به وباپلیکیشنها (PWA) روی آوردند، اما FERASET بر تجربه بومی (Native) تمرکز کرد تا بازار انبوه کاربران را تصاحب کند.
قمار روی سرعت
سعید کابان (Said Kaban)، مدیر فنی این استودیو، در یادداشتی توضیح میدهد که آنها درست در ابتدای موج هوش مصنوعی وارد میدان شدند. در آن زمان، ابزارهایی مثل ChatGPT، DALL-E و Midjourney سرتیتر خبرها بودند، اما اینها عمدتاً محصولات وب بودند. کاربران محدود به دسکتاپ یا مرورگرهای موبایل بودند. FERASET یک شکاف حیاتی را شناسایی کرد: نبود تجربهای صیقلخورده و بومی برای هوش مصنوعی در موبایل.
طبق اعلام کابان، سرعت تنها مزیت رقابتی آنها بود. او اشاره کرد که هر هفته تأخیر به معنای از دست دادن میدان به رقیبان بود. آنها به چارچوبی نیاز داشتند که اجازه دهد تیمی کوچک، محصول را سریعاً برای هر دو پلتفرم iOS و اندروید منتشر کند، بدون آنکه زمان خود را درگیر مسائل مربوط به زنجیره ابزارهای بومی (Native Toolchain) کنند. این استراتژی در اولین محصول آنها یعنی Music AI به سرعت جواب داد.
اپلیکیشن Music AI که برای تولید کاورهای صوتی با هوش مصنوعی ساخته شده بود، تنها در چهار هفته از اولین خط کد به تأیید اپاستور رسید. این برنامه به کاربران اجازه میداد کاورهای AI از آهنگها با صداهای مختلف بسازند یا صداهای سفارشی از خود یا عزیزانشان را آموزش دهند تا آنها را به خوانندگی وادارند. این محصول در نهایت در چارتهای اپاستور از اسپاتیفای پیشی گرفت و رتبه اول بازار آمریکا و چندین بازار اروپایی را به دست آورد.
مدل استودیویی برای مقیاسپذیری
تیم FERASET به جای ساخت یک «سوپر-اپ» واحد، مدل استودیویی را پیش گرفت. آنها دریافتند که فضای مصرفکننده هوش مصنوعی یک بازار تک-اپلیکیشنی نیست؛ کاربران مختلف برای تولید تصویر، ویدیو و ابزارهای خلاقانه خاص، تجربههای متفاوتی میخواهند. یک اپلیکیشن واحد نمیتواند تمام این نیازها را بهطور مؤثر پوشش دهد.
این رویکرد به تیمی تقریباً ۴۰ نفره در استانبول اجازه داد تا چندین اپلیکیشن متمرکز را با استفاده از یک کد مشترک در Expo مدیریت کنند. با فعالیت به صورت یک استودیو، آنها توانستند ابزارهای تخصصی را برای موارد استفاده خاص عرضه کنند و در عین حال، یک استک فنی یکپارچه را حفظ نمایند. این استراتژی تهاجمی برای تصاحب بازار، مشابه رویکرد Perplexity در بازار هند بود که با مدلهای جذب گسترده سعی در افزایش سریع سهم بازار خود داشت.
حل معضل هزینه استنتاج
با رشد سبد محصولات، هزینههای استنتاج (Inference) ابری — یعنی همان لحظهای که مدل واقعاً جواب تولید میکند، شبیه به خودِ آشپزی در مقابل یادگیری دستور پخت — برای کارهای سادهای مثل اصلاح پرامپتها، تولید متن و بررسی قوانین محتوایی، به شدت افزایش یافت. تیم متوجه شد که استفاده از مدلهای ابری پیشرفته (SOTA) برای این عملکردهای پایه، بیش از حد نیاز است و پرامپتهای کاربران بهطور غیرضروری از دستگاه خارج میشوند.
برای حل این مشکل، FERASET از مدلهای بنیادی (Foundation Model) اپل در iOS و Prompt API گوگل در ML Kit برای اندروید استفاده کرد. این مدلهای روی-دستگاهی (On-device) رایگان هستند، نیازی به کلید API ندارند و هیچ هزینه توکنی یا وابستگی به شبکه ندارند. با این حال، آنها متوجه شدند که هیچ راه تمیزی برای ادغام این قابلیتها در Expo وجود ندارد.
در پاسخ به این نیاز، آنها ابزار expo-ai-kit را ساختند و آن را بهصورت متنباز منتشر کردند. این ماژول به توسعهدهندگان اجازه میدهد بدون خروج از محیط مدیریتشده (Eject) یا استفاده از Bare Workflow، عمیقاً وارد کدهای Swift و Kotlin شوند، از طریق سیستم ماژول Expo با چارچوبهای هوش مصنوعی سطح پلتفرم ارتباط برقرار کنند و آن را به عنوان یک Config Plugin توزیع نمایند.
کتابخانه expo-ai-kit یک API جاوااسکریپتی است که استنتاج مدلهای زبانی را روی دستگاه ممکن میکند. یک پیادهسازی معمولی شامل بررسی در دسترس بودن مدل از طریق isAvailable() و سپس استفاده از sendMessage() با یک پرامپت سیستمی (System Prompt) برای اصلاح دستورات تولید تصویر یا بررسی دستورالعملهای محتوایی است. این کتابخانه همچنین از streamMessage برای نمایش تدریجی متن پشتیبانی میکند.
مزایای فنی کلیدی این رویکرد عبارتند از:
- هزینه صفر: حذف هزینههای API به ازای هر توکن برای کارهای پایهای که پیش از این در هر درخواست هزینه داشتند.
- تأخیر کمتر: حذف رفتوبرگشت دادهها به شبکه، که باعث کاهش زمان پاسخدهی برای کارهای ساده میشود.
- حریم خصوصی: باقی ماندن پرامپتهای کاربر روی دستگاه.
- مقیاسپذیری: با بهبود نسلهای تراشهها، کارهای بیشتری را میتوان از ابر به دستگاه منتقل کرد.
این کتابخانه تا کنون با دهها هزار دانلود هفتگی در npm، استقبال زیادی شده است.
غلبه بر مقاومتهای فرهنگی
انتقال فنی سادهتر از انتقال فرهنگی بود. در ترکیه، اکوسیستم توسعهدهندگان نسبت به استفاده از Expo برای اپلیکیشنهای در سطح تولید (Production-grade) تردید داشتند. استخدام مهندس متخصص Expo در ابتدا دشوار بود چون FERASET نمیتوانست صرفاً آگهی استخدامی برای «مهندس Expo» منتشر کند و کاندیداهای واجد شرایط بیابد.
استودیو برای حل این مشکل، نقش فعالی در جامعهسازی ایفا کرد:
- آموزش: آنها مهندسانی را یافتند که پذیرای ابزارهای جدید بودند و به آنها آموزش دادند که چرا Expo انتخاب درستی است.
- ترویج: آنها آموختههای خود را به اشتراک گذاشتند تا جامعه React Native و Expo را در ترکیه تقویت کنند.
- چشمانداز: آنها استدلال کردند که اکوسیستم React در نهایت همانطور که وب را فتح کرد، موبایل را هم خواهد برد.
پایداری در مقیاس میلیونی
یکی از بزرگترین غافلگیریها برای تیم، پایداری جریان کاری مدیریتشده Expo در مقیاس بالا بود. FERASET از قابلیت تولید بومی مداوم (Continuous Native Generation یا CNG) استفاده میکند که برای چرخه انتشار سریع آنها حیاتی است. این سیستم اجازه میدهد نسخههای مختلف (توسعه، پیشنمایش و تولید) را بهطور مداوم برای تست و ارسال به استور توزیع کنند.
با وجود پیچیدگی اپلیکیشنها و پایگاه کاربری در مقیاس میلیونی، آنها کاملاً در محیط مدیریتشده باقی ماندند. آنها دریافتند که مزایای جریانهای کاری مدیریتشده با رشد تیم، مقیاسپذیرتر میشود و هرگز از سیستم «بزرگتر» نشدند. علاوه بر این، ابزارهای بهروزرسانی و راهنمای مهاجرت Expo، چالش هماهنگسازی بهروزرسانی چندین اپلیکیشن که کد مشترک دارند را بهشدت کاهش داد.
گام بعدی شما
- اگر در حال توسعه اپلیکیشن AI هستید، بررسی کنید کدام بخشهای استنتاج را میتوانید با استفاده از مدلهای روی-دستگاهی (On-device) به موبایل کاربر منتقل کنید تا هزینههای API را کاهش دهید.
- کتابخانه expo-ai-kit را برای پیادهسازی قابلیتهای هوش مصنوعی بدون نیاز به سرور در پروژههای React Native بررسی کنید.
- استراتژی «استودیویی» (ساخت چندین اپلیکیشن کوچک و متمرکز بهجای یک سوپر-اپ) را برای تست سریعتر ایدههای AI در بازار ارزیابی کنید.
اما آینده توسعه با ورود عاملهای هوشمند تغییر میکند؛ FERASET در حال آماده شدن برای عصر کدنویسی عاملمحور (Agentic Coding) است و بهطور خاص منتظر عرضه Expo Agent است که هدف آن ادغام توسعه با کمک AI مستقیماً در چارچوب است. این رویکرد بهینه در توسعه، یادآور بهینهسازیهای فریمورک eve ورسل در ناوبری وب است که با کاهش مراحل عملیاتی، بهرهوری را افزایش میدهد. سعید کابان این حرکت را گامی آیندهنگرانه میبیند که با دلیل انتخاب اولیه آنها یعنی Expo همسو است.
این استودیو قصد دارد سبد محصولات خود را به تجربههای AI در زمان واقعی (Real-time) و تولید ویدیو گسترش دهد و تعهد خود به استک Expo را حفظ کند. از آنجایی که آنها اپلیکیشنها را تحت حسابهای توسعهدهنده مختلف منتشر میکنند، ممکن است این ابزارهای جدید با نامهایی متفاوت از FERASET ظاهر شوند.
برای تیمهای کوچک، درس این است: انتخاب استک نباید یک تصمیم بیش از حد مهندسیشده (Over-engineered) باشد. FERASET با اولویت دادن به سرعت انتشار نسبت به کنترل بومی، از یک استارتاپ محلی در استانبول به یک محصول جهانی در صدر چارتها تبدیل شد.
منتظر عرضه رسمی Expo Agent باشید تا ببینیم آیا چارچوبهای AI-native میتوانند زمان رسیدن از ایده به رتبه اول اپاستور را باز هم کوتاهتر کنند.
گفتگو