GPT-4o LATENCY240msCLAUDE OPUS 4.7ONLINENVDA+1.2%MISTRAL LARGE 2STREAMINGOPENAI API99.97% UPTIMEGROQ MIXTRAL580 tok/sGEMINI 2.5 PROCTX 2MANTHROPIC STATUSOKTSMC+0.4%PERPLEXITYINDEXINGGPT-4o LATENCY240msCLAUDE OPUS 4.7ONLINENVDA+1.2%MISTRAL LARGE 2STREAMINGOPENAI API99.97% UPTIMEGROQ MIXTRAL580 tok/sGEMINI 2.5 PROCTX 2MANTHROPIC STATUSOKTSMC+0.4%PERPLEXITYINDEXING
پرش به محتوای مقاله

سازوکار NemoClaw: آموزش مهارت‌های جدید به عامل‌های هوش مصنوعی از طریق چت

·۱۳ خرداد ۱۴۰۵۶ دقیقه مطالعه
راهنما
نمودار استقرار عوامل خودتکامل‌یافته Hermes با NVIDIA NemoClaw برای تحقیق سریع‌تر و ایمن‌تر
نمودار استقرار عوامل خودتکامل‌یافته Hermes با NVIDIA NemoClaw برای تحقیق سریع‌تر و ایمن‌تر
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

ترکیب قابلیت «خود‌تکاملی» از طریق نوشتن فایل‌های مهارت در سیستم‌فایل با یک محیط اجرای کاملاً ایزوله (OpenShell) که دسترسی به اینترنت را می‌بندد؛ این اولین بار است که یادگیری در لحظه با امنیت سطح نظامی ادغام شده است.

اگر امروز برای مدیریت داده‌های حساس Slack و Outlook در عامل‌های هوش مصنوعی خود با مشکل امنیت دست‌وپنجه نرم می‌کنید، راهکار جدید NVIDIA دقیقاً برای شماست. طبق گزارشی که در ۲ ژوئن ۲۰۲۶ منتشر شد، چارچوب NemoClaw به این عامل‌ها (Agent) — که مثل کارمندانی دیجیتالی با مسئولیت‌های مشخص هستند — اجازه می‌دهد در لحظه و تنها از طریق چت، قابلیت‌های خود را ارتقا دهند.

همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهای مهاجرت Hermes Agent اشاره کردیم، چالش همیشگی دنیای AI، تعادل میان کاربردی بودن و امنیت است. این معماری جدید شبیه به دادن یک اتاق امن به یک کارآموز است؛ او به تمام پرونده‌های شرکت دسترسی دارد، اما چون اتاق هیچ پنجره‌ای ندارد و درها قفل هستند، هیچ داده‌ای به بیرون از ساختمان نمی‌رود.

این سیستم بر سه رکن اصلی استوار است:

  • مدل Nemotron-3-super-120b-a12b برای استدلال (Reasoning) — همان‌طور که یک شطرنج‌باز چند حرکت جلوتر را می‌بیند تا بهترین تصمیم را بگیرد.
  • ابزار Hermes Agent برای مدیریت حافظه.
  • محیط NVIDIA OpenShell برای اجرای امن دستورات.

استقرار عامل‌های خودتکامل Hermes و NVIDIA NemoClaw برای پژوهش سریع‌تر و ایمن‌تر

بر اساس مستندات فنی، محیط OpenShell از طریق یک سندباکس (Sandbox) — محیطی ایزوله شبیه به اتاق بازی کودکان که هر اتفاقی در آن بیفتد به بقیه‌ی خانه آسیبی نمی‌زند — امنیت داده‌ها را تضمین می‌کند. این کار از دو طریق انجام می‌شود:

  • مدیریت اعتبار: عامل هرگز توکن‌های واقعی Slack یا Outlook را نمی‌بیند و احراز هویت در سطح پروکسی انجام می‌شود.
  • بستن شبکه: دسترسی عامل به اینترنت عمومی به‌طور کامل قطع است و داده‌های عمومی فقط از طریق یک فرآیند جداگانه (ETL) وارد می‌شوند.

نکته‌ی خیره‌کننده‌ی این سیستم، «تکامل خودکار» است. به نقل از توسعه‌دهندگان، وقتی کاربر فرمت خاصی از گزارش‌دهی را در چت به مدل می‌آموزد، عامل یک فایل به نام SKILL.md در حافظه‌ی خود می‌سازد. برای اینکه این مهارت‌های آموخته‌شده با آپدیت‌ها پاک نشوند، از اسکریپت‌های snapshot.sh و restore.sh برای انتقال وضعیت مدل بین استقرارها استفاده می‌شود.

برای کاربر عملی، این یعنی تبدیل هوش مصنوعی از یک ابزار ایستا به یک دارایی در حال رشد. دیگر نیازی نیست با هر تغییر در فرآیندهای کسب‌وکار، کدها را بازنویسی کنید؛ کافی است نیاز جدید را در پنجره‌ی چت به بات یاد بدهید. این رویکرد، سد فنی برای نگهداری عامل‌های پیچیده در محیط عملیاتی را به‌شدت پایین می‌آورد.

گام بعدی شما

  • مخزن NemoClaw Community در گیت‌هاب را کلون کنید تا گردش کارهای خود را تست کنید.
  • کاتالوگ مهارت‌های تأییدشده را در وب‌سایت skills.sh بررسی کنید.
  • استراتژی ذخیره‌سازی مهارت‌ها در فایل‌های md را برای شخصی‌سازی عامل‌های خود به کار ببرید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این رویکرد با تکیه بر اعتبار مهندسی NVIDIA، ترس سازمان‌ها از نشت داده‌ها را با جداسازی لایه‌ی استنتاج از لایه‌ی دسترسی به شبکه حل می‌کند. نتیجه این است که پذیرش عامل‌های خودکار در صنایع حساس، از حالت آزمایشگاهی به کاربرد واقعی منتقل می‌شود.

تأثیر برای ایران

به دلیل باز بودن مخزن NemoClaw در گیت‌هاب، توسعه‌دهندگان ایرانی می‌توانند این معماری را به‌صورت محلی (Local) پیاده‌سازی کنند و بدون نیاز به APIهای ابری، عامل‌های امنی برای سازمان‌های داخلی بسازند.

·نگاه ما
تحریریه دات‌هوش

تحلیل ما نشان می‌دهد که NemoClaw چرخه حیات عامل‌های AI را از «چرخه استقرار» به «چرخه آموزش» تغییر می‌دهد. آنچه از این خبر می‌توان آموخت این است که آینده‌ی عامل‌های سازمانی نه در کدنویسی دقیق‌تر، بلکه در ایجاد مکانیسم‌هایی است که مدل بتواند تجربیات کاربر را به صورت فایل‌های ذخیره‌شدنی (Persistent) تبدیل کند تا نیاز به تنظیم دقیق (Fine-tuning) مداوم از بین برود.

منابع

گفتگو

شماره ۰۵۳پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت — به‌علاوه ۳ بخش جدید. بدون هیاهو، هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی
۰۰:۰۰تا شماره بعدیهفته‌ی ۵۳ بدون وقفه