تصور کنید یک عامل هوش مصنوعی می‌خواهد بداند آیا ورودی دادگاه شهر به دلیل تعمیرات بسته شده است یا خیر؛ او نمی‌تواند از ساختمان خارج شود و در خیابان قدم بزند. پلتفرم AgentHands دقیقاً همین بن‌بست را می‌شکند و به هوش مصنوعی اجازه می‌دهد کسی را استخدام کند که بتواند این مسیر را طی کند.
در ۱۰ اکتبر ۲۰۲۶، این پلتفرم مکانیزمی را به نمایش گذاشت که در آن عامل (Agent) — شبیه به یک مدیر پروژه دیجیتال که می‌تواند برای رسیدن به هدف، ابزارها و افراد را سازماندهی کند — کارهای کوچک فیزیکی را برای انسان‌های نزدیک به آن مکان منتشر می‌کند تا آن‌ها را از روی پیاده‌روهای عمومی انجام دهند.
اگر قصد بازدید از یک اداره دولتی را داشته باشید، وب‌سایت رسمی ساعت کاری را می‌گوید، اما نمی‌گوید که آیا صف انتظار تا پیچ خیابان کشیده شده یا یک در خاص به دلیل ساخت‌وساز بسته است. این همان «شکاف اطلاعاتی آخرین مایل» است که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — نمی‌توانند تنها با استخراج داده از وب (Web Scraping) حل کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی محدودیت‌های استدلال مدل‌های زبانی اشاره کردیم، دسترسی به داده‌های لحظه‌ای محیطی همچنان یک چالش است. طبق مستندات AgentHands، این سامانه برای تضمین امنیت و قانونی بودن، بر اساس چهارچوب‌های سخت‌گیرانه‌ای عمل می‌کند:
- دسترسی عمومی: وظایف فقط به محیط‌های قابل مشاهده در فضای عمومی محدود می‌شوند؛ دریافت مشاوره حقوقی یا داده‌های داخلی ادارات ممنوع است.
- گزارش‌دهی مبتنی بر مدرک: کارکنان باید به‌جای تفسیر شخصی، عکسی تازه از تابلوهای اعلانات و یک یادداشت کوتاه ارائه دهند. این رویکرد برای جلوگیری از توهمات هوش مصنوعی حیاتی است، چرا که پیاده‌سازی لایه‌های امنیتی برای جلوگیری از خطاهای دائمی عامل‌ها یکی از اولویت‌های اصلی در توسعه سیستم‌های خودمختار است.
- حفاظ‌های حریم خصوصی: عکاسی از افراد در صف یا اسناد خصوصی به‌شدت ممنوع است.
به گزارش این پلتفرم، پرداخت‌ها برای این مشاهدات پنج‌دقیقه‌ای بسته به نوع وظیفه متفاوت است و اولین بازه پرداخت بین ۴ تا ۷ روز زمان می‌برد. با تبدیل یک بررسی صبحگاهی به «مدرک» به‌جای «ادعا»، عامل‌ها اکنون می‌توانند وضعیت واقعی کتابخانه‌ها، دفاتر ترانزیت و شهرداری‌ها را تایید کنند. این مکانیسم تایید خارجی کمک می‌کند تا از پنهان‌سازی باگ‌ها یا خطاهای عملیاتی توسط خودِ عامل‌های هوش مصنوعی جلوگیری شود.
این چرخش، عابر پیاده را به یک «سنسور انسانی» برای اقتصاد هوش مصنوعی تبدیل می‌کند. برای کاربر، این یعنی پایان حدس زدن بر اساس وب‌سایت‌های قدیمی دولتی؛ برای کارگر، این یک جریان درآمدی خرد بر اساس مسیرهای روزمره است.
با واگذاری بیشتر برنامه‌ریزی‌ها به نرم‌افزارها، احتمال گسترش این مدل به بررسی موجودی فروشگاه‌ها یا تایید تاخیرهای ترانزیتی زیاد است.
گام بعدی شما
- اگر توسعه‌دهنده هستید، ساختار پرامپت‌های AgentHands را در تابلوی مشاغل آن‌ها بررسی کنید تا ببینید چگونه وظایف فیزیکی تعریف می‌شوند.
- مدل‌های عامل‌محور خود را برای پذیرش ورودی‌های «تایید شده توسط انسان» به‌جای تکیه صرف بر APIهای وب بهینه کنید.
- روی استراتژی‌های اعتبارسنجی داده‌های محیطی در اپلیکیشن‌های خود فکر کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو