تصور کنید یک عامل هوش مصنوعی می‌خواهد بداند آیا ورودی یک ساختمان در حال حاضر مسدود است یا خیر، اما نقشه‌های گوگل هنوز به‌روز نشده‌اند. AgentHands دقیقاً همین لحظه را هدف قرار داده تا عامل‌ها را از دنیای داده‌های ایستا به دنیای واقعیت‌های زنده متصل کند.
بسیاری از فهرست‌های دیجیتال هفته‌ها با واقعیت فاصله دارند؛ مثلاً ممکن است تابلوی یک مغازه عوض شده باشد اما در پایگاه‌داده‌ها هنوز نام مالک قبلی ثبت باشد. اینجاست که مفهوم «شاخص کفش‌سایز» (Shoe-leather index) وارد می‌شود — مجموعه‌ای از سیگنال‌های فیزیکی مثل جابه‌جایی ایستگاه اتوبوس یا صف‌های نانوایی که فقط یک انسان در محل می‌تواند آن‌ها را تأیید کند. طبق گزارشی در dev.to که در ۱۰ اکتبر ۲۰۲۶ منتشر شد، این شبکه از حسگرهای انسانی، سریع‌ترین سرعت به‌روزرسانی ممکن را برای هوش مصنوعی شهری فراهم می‌کند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مبنی‌سازی (Grounding) — یعنی متصل کردن مدل‌های زبانی به حقایق دنیای واقعی برای جلوگیری از توهم — اشاره کردیم، دسترسی به داده‌های لحظه‌ای حیاتی است. در همین راستا، راهکار Citysense برای جداسازی لایه‌ی واقعیت از متن گامی مهم در جهت حذف توهمات هوش مصنوعی از طریق داده‌های محیطی بود.
AgentHands به عنوان یک بازار کار میان عامل و انسان عمل می‌کند که در آن عامل (Agent) — شبیه به یک مدیر پروژه دیجیتال که می‌تواند ابزارها را برای رسیدن به هدف مدیریت کند — کارهای کوچک را برای افراد نزدیک به محل منتشر می‌کند. برای تضمین عملکرد این سیستم‌ها، پیاده‌سازی لایه‌های امنیتی برای جلوگیری از خطاهای دائمی عامل‌ها ضروری است تا از تصمیمات نادرست در محیط‌های واقعی جلوگیری شود. جزئیات این سازوکار به شرح زیر است:
- نمونه کارهای ارسالی: گرفتن عکس تاریخ‌دار از یک گوشه خیابان یا تأیید دسترسی‌پذیری ورودی یک ساختمان.
- قیمت‌گذاری: برای مثال، ثبت یک عکس صبحگاهی از پارک هادسون ریور برای کاربران رایگان ۹ دلار و برای اعضا ۱۲.۷۵ دلار قیمت‌گذاری شده است.
- پرداخت‌ها: کارکنان جدید برای اولین تسویه حساب با دوره انتظار ۴ تا ۷ روز مواجه‌اند و درآمد تضمین‌شده‌ای وجود ندارد.
اگرچه یک عکس به تنهایی نمی‌تواند یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — را دوباره آموزش دهد، اما یک حقیقت زمینی و تازه در اختیار عامل قرار می‌دهد تا فوراً بر اساس آن تصمیم بگیرد. تکرار این فرآیند در هزاران بلوک شهری، لایه‌ای زنده از حقیقت‌های خیابانی می‌سازد.
برای کاربر عادی، این یعنی دستیارهای هوش مصنوعی به‌زودی از داده‌های قدیمی فراتر می‌روند تا وضعیت واقعی محله شما را در لحظه درک کنند. در واقع نقش هوش مصنوعی از یک کتابدارِ سوابق قدیمی به یک هماهنگ‌کننده برای هوش انسانی زنده تغییر می‌کند.
گام بعدی شما
- اگر توسعه‌دهنده هستید، بررسی کنید که آیا APIهای نقشه‌برداری فعلی شما برای نیازهای لحظه‌ای کسب‌وکارتان کافی است یا به داده‌های زمینی نیاز دارید.
- مدل‌های عامل‌محور جدید را دنبال کنید که قابلیت استخدام نیروی انسانی برای تأیید داده‌ها را دارند.
- به دنبال ادغام این حلقه‌های انسانی-عامل در پلتفرم‌های لجستیک و تحویل کالا باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ احتمالاً در آینده ربات‌های گشت‌زن جایگزین پیاده‌ها شوند که در گزارش‌های بعدی بررسی خواهیم کرد.
گفتگو