تصور کنید یک تحلیلگر هوش مصنوعی نه تنها داده‌ها را جمع کند، بلکه متوجه شود منطق پژوهشی‌اش غلط است و خودش مسیر جست‌وجو را تغییر دهد. طبق اعلام Hugging Face در ۲۶ ژوئیه ۲۰۲۶، نسل جدیدی از مدل‌های عامل‌محور (Agentic) با معرفی مدل AREX، دقیقاً همین هدف را دنبال می‌کنند. این رویکرد تکاملی در ادامه تغییر اولویت‌های پژوهشی هاکینگ فیس به سمت مدل‌های جهانی و عامل‌ها قرار دارد که بر اهمیت استقلال عملیاتی مدل‌ها تأکید می‌کند.
این تحول در زمانی رخ می‌دهد که شرکت‌ها با خط‌لوله‌های ایستا دست‌وپنجه نرم می‌کنند؛ سیستم‌هایی که وقتی یک پژوهش پیچیده نیاز به تغییر تاکتیک دارد، شکست می‌خورند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی ریسک‌های نشت داده در مدل‌های OpenAI اشاره کردیم، تمرکز صنعت اکنون از صرفاً بازیابی داده به سمت «قابلیت‌های سیستمی» جابه جا شده است. یعنی مدل باید یاد بگیرد چطور با تکرار و اصلاح، بهتر پژوهش کند.
مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در مدل AREX دیگر فقط یک پاسخ‌دهنده نیست، بلکه یک برنامه‌ریز است.
بر اساس مستندات منتشرشده، دستاوردهای فنی این موج پژوهشی عبارت‌اند از:
- AREX: محدودیت پرس‌وجوی تک‌مرحله‌ای در پژوهش‌های عمیق را حل کرد. این مدل اجازه می‌دهد یک عامل (Agent) به‌صورت بازگشتی خروجی خود را ارزیابی کرده و برای حلقه بعدی، برنامه‌ریزی‌اش را اصلاح کند.
- SLAI T-Rex: آموزش کامل پارامتری خانواده DeepSeek-V4 را با استفاده از زیرساخت Ascend SuperPOD به نمایش گذاشت. این یعنی سازمان‌ها می‌توانند بدون اتکا به انحصاری‌ترین پشتهٔ نرم‌افزاری یعنی CUDA انویدیا، مدل‌های خود را مقیاس کنند.
- K12-KGraph: یک گراف دانش (Knowledge Graph) سازگار با برنامه آموزشی ایجاد کرد تا مدل‌های آموزشی دقیقاً طبق استانداردهای هر پایه تحصیلی و پیش‌نیازهای علمی پاسخ دهند.
به گزارش dev.to، این مقالات کاربرد عملی را بر دستاوردهای تئوریک ترجیح داده‌اند. برای مثال، پروژه SLAI T-Rex بیشتر از آنکه درباره معماری مدل باشد، درباره متنوع کردن زنجیره تأمین سخت‌افزاری است تا ثابت کند آموزش مدل‌های عظیم روی سخت‌افزارهای جایگزین ممکن است.
برای مدیران کسب‌وکار، این اتفاق به معنای باریک شدن «خندق رقابتی» GPUهای انویدیا است. اکنون سازمان‌ها می‌توانند برای زیرساخت‌هایی برنامه‌ریزی کنند که وابسته به یک فروشنده خاص نیست و در نتیجه هزینه و ریسک زنجیره تأمین کاهش می‌یابد.
علاوه بر این، ظهور عامل‌های خود-اصلاح‌گر مثل AREX نشان می‌دهد تحلیلگران هوش مصنوعی در حوزه‌های حقوقی، سیاست‌گذاری و تحقیقات بازار، به‌زودی در مرحله جمع‌آوری داده‌ها به نظارت انسانی بسیار کمتری نیاز خواهند داشت.
گام بعدی شما
- مخازن گیت‌هاب SLAI T-Rex و AREX را برای ارزیابی اثر تغییرات زیرساختی بر هزینه‌های استقرار رصد کنید.
- بررسی کنید آیا متدهای آموزش غیر-CUDA می‌توانند تأخیر استنتاج (Inference) — یعنی همان لحظه تولید جواب مدل — را در مقیاس صنعتی حفظ کنند یا خیر.
- مدل‌های استدلالی جدید را در گردش‌های کاری چندمرحله‌ای آزمایش کنید تا میزان کاهش نظارت انسانی را بسنجید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اثر این تغییرات بر بازار تراشه‌ها، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو