قالب‌های ساختاریافته در برابر پرامپت‌های متنی برای طراحی داخلی هوشمند

اجبار کاربران به نوشتن پرامپت‌های پیچیده، در واقع یک شکست بنیادین در طراحی محصول است. این ادعای صریح سازنده AI Room Design در تحلیل دقیقی است که در ۷ سپتامبر ۲۰۲۶ منتشر شد و تأکید می‌کند که یک جعبه متن خالی، بزرگ‌ترین مانع میان کاربر و نتیجه‌ای مفید از هوش مصنوعی است.

بسیاری از مردم نمی‌توانند فضای یک اتاق را به‌گونه‌ای توصیف کنند که یک مدل تصویرساز بفهمد. وقتی از کسی می‌پرسند اتاق نشیمن را چطور بازطراحی کند، به‌ندرت یک پرامپت فنی می‌دهد؛ در عوض می‌گوید: «می‌خواهم گرم‌تر شود، اما نه خیلی مینیمال» یا «چیزی شبیه سبک ژاپاندی، اما راحت‌تر». برخی هم ساده می‌گویند: «نمی‌دانم چه سبکی می‌خواهم، فقط می‌خواهم این اتاق بهتر به نظر برسد».

برای یک طراح داخلی انسان، این جملات سرشار از اطلاعات مفید هستند، اما برای یک مدل هوش مصنوعی زاینده (Generative AI) — که شبیه نقاشی است که فقط دستورات دقیق را می‌فهمد و هرچه مبهم‌تر بگویید، هر چه دلش خواست می‌کشد — این عبارات مبهم‌اند. این شکاف باعث ایجاد یک «مالیات پرامپت» می‌شود؛ یعنی کاربر باید ابتدا یک زبان جدید یاد بگیرد تا ابزار برایش مفید شود. سازنده این پروژه ابتدا تصور می‌کرد سخت‌ترین بخش، تولید اتاق‌های زیباست، اما متوجه شد مدل‌های امروزی همین حالا این کار را عالی انجام می‌دهند. چالش واقعی، تبدیل سلیقه مبهم انسانی به ساختار و محدودیت‌هایی است که نتیجه را «کاربردی» کند.

این پروژه با تکیه بر روند هوش مصنوعی عمودی (Vertical AI)، از رابط‌های چت عمومی فاصله گرفته است. هدف این است که از کاربر نخواهیم مهندس پرامپت باشد و در عوض، منطق پرامپت‌نویسی را مستقیماً در معماری نرم‌افزار بگنجانیم. اصل ساده است: کاربر را مجبور به نوشتن پرامپت‌های بهتر نکنید، بلکه پرامپت‌نویسی را در دل محصول بسازید.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی تخصص‌گرایی مدل‌های زبانی اشاره کردیم، حذف لایه‌ی واسط بین قصد کاربر و اجرای مدل، کلید پذیرش انبوه ابزارهای هوش مصنوعی است.

شکست جعبه‌های متن باز

برای توسعه‌دهندگان، ساخت یک رابط ساده آسان است: یک جعبه متن با عبارت «اتاق رویایی خود را توصیف کنید» و یک دکمه «تولید». از نظر فنی این روش کار می‌کند؛ مدل بیشترین انعطاف را دارد و ظاهر برنامه ساده می‌ماند. اما در واقع، سخت‌ترین بخش محصول به دوش کاربر انداخته شده است.

برای گرفتن نتیجه‌ای باکیفیت از یک جعبه باز، کاربر باید چیزی شبیه به این بنویسد: «پالت رنگی خنثی و گرم، مبلمان بلوط روشن، صندلی‌های کوتاه، روکش کتان طبیعی، نورپردازی غیرمستقیم ملایم، دیوارهای گچی، دکوراسیون مینیمال، تأثیرات ظریف ژاپنی...». این سطح از دقت در دستوردهی یادآور الگوهای مهندسی پرامپت برای تولید تصاویر تجاری است که برای رسیدن به کیفیت استودیویی ضروری هستند، اما برای کاربر عادی دشوارند.

اما مردم این‌طور توصیف نمی‌کنند. آن‌ها توصیف می‌کنند که چه می‌خواهند: «بگذارید گران‌تر به نظر برسد»، «مبل را نگه دارید»، «می‌خواهم شلوغی کمتر شود» یا «دنج باشد اما همچنان مدرن بماند». کاربر نباید پیش از استفاده از محصول، مهندسی پرامپت (Prompt Engineering) — که مثل هنر سؤال درست پرسیدن از یک مشاور باتجربه است — را یاد بگیرد.

از نوشتن پرامپت به کامپایل پرامپت

مکانیزم اصلی این سیستم، تغییر از «نوشتن پرامپت» به «کامپایل پرامپت» است. در ابزارهای عمومی، کاربر پرامپت را می‌نویسد، اما در یک محصول تخصصی، خودِ محصول این کار را انجام می‌دهد. به‌جای یک فیلد ورودی، سیستمی به کار گرفته شده که قصد کاربر را به پارامترهای ساختاریافته تبدیل می‌کند:

• قصد کاربر: بیان یک خواسته (مثلاً «گرم‌تر شود» یا «سبک اسکاندیناوی می‌پسندم اما نمی‌خواهم حس سردی داشته باشد»).
• کنترل‌های رابط کاربری: ثبت محدودیت‌های خاص. این شامل نوع اتاق (مثلاً اتاق نشیمن)، سبک اصلی، هدف نهایی و اشیایی است که باید حفظ شوند (مثلاً «مبل فعلی») یا اضافه شوند (مثلاً «فضای ذخیره‌سازی مخفی بیشتر»).
• پارامترهای ساختاریافته: سیستم هر سبک را به مجموعه‌ای از محدودیت‌های طراحی مپ می‌کند. مثلاً «ژاپاندی» فقط یک برچسب نیست، بلکه مجموعه‌ای از داده‌هاست:
  • متریال: چوب طبیعی روشن، کتان، سنگ، سرامیک مات.
  • پالت: سفید گرم، بژ، قهوه‌ای ملایم.
  • مبلمان: ارتفاع کم، فرم‌های ساده، دکوراسیون محدود.
  • نور: نور طبیعی ملایم.
  • حس: آرام، گرم، مینیمال.
• کامپایل پرامپت: این پارامترها به یک مجموعه دستورات دقیق برای مدل تبدیل می‌شوند. بدین ترتیب، یک کلمه ساده مثل «ژاپاندی» به یک دستور تولید غنی تبدیل می‌شود.

این رویکرد ساختاریافته تضمین می‌کند که لایه‌ی تولید، ورودی‌های پیش‌بینی‌پذیری دریافت کند. این کار به توسعه‌دهنده اجازه می‌دهد خروجی را به‌صورت سیستماتیک تحلیل کند. برای مثال، سیستم می‌تواند صراحتاً تعریف کند که چه چیزهایی حفظ شوند (پنجره‌ها، درها، مبل) و چه چیزهایی تغییر کنند (نورپردازی، پوشش دیوارها، دکور، فضای ذخیره‌سازی)، در حالی که درخواست‌های سفارشی مثل «اجتناب از دیوارهای سفید خالص» را نیز اضافه کند. این نوع رویکرد به ایجاد یک لایه‌ی حافظه و انسجام شباهت دارد، همان‌طور که سیستم‌های طراحی برای حفظ ثبات در رابط‌های کاربری عصر هوش مصنوعی حیاتی تلقی می‌شوند.

شکاف میان الهام و بصری‌سازی

یکی از سخت‌ترین موانع فنی، تفاوت بین «تصویر الهام‌بخش» و «بصری‌سازی» است. یک مدل ممکن است اتاقی با کیفیت مجله و نورپردازی خیره‌کننده تولید کند که بصری زیباست اما از نظر معماری غیرممکن است.

در بسیاری از اتاق‌های تولید شده توسط هوش مصنوعی، مدل آزادی عمل زیادی دارد؛ پنجره‌ها جابه‌جا می‌شوند، درها غیب می‌شوند، اتاق ۳۰ درصد بزرگ‌تر می‌شود یا ارتفاع سقف تغییر می‌کند. حتی ممکن است دیواری در جایی ظاهر شود که هیچ دیواری وجود ندارد. برای کسی که فقط یک مودبورد در پینترست می‌سازد، این موضوع مشکلی ندارد، اما برای کسی که می‌خواهد تصمیمی برای خرید واقعی بگیرد، این خروجی بی‌فایده است. این چالش دقیقاً همان نقطه‌ای است که تصاویر رندر شده توسط هوش مصنوعی در ابزارهایی مثل DwellShift به دلیل عدم دقت در جزئیات اجرایی، برای نقشه‌های ساخت‌وساز ناکارآمد هستند.

طبق مستندات این پروژه، برای حل این مشکل، عکس اصلی اتاق نه فقط به عنوان مرجع بصری، بلکه به عنوان مجموعه‌ای از محدودیت‌های سخت در نظر گرفته می‌شود:

• تناسبات اتاق
• موقعیت پنجره‌ها و درها
• پرسپکتیو
• ساختارهای معماری اصلی
• مبلمانی که کاربر می‌خواهد حفظ کند

از مدل خواسته نمی‌شود یک «اتاق ژاپاندی زیبا» بسازد، بلکه باید تعیین کند «این اتاق خاص» اگر سبکش به ژاپاندی تغییر کند، چه شکلی می‌شود. هرچه خروجی هوش مصنوعی به تصمیم خرید نزدیک‌تر شود، مدل باید آزادی عمل کمتری داشته باشد.

هوش مصنوعی به مثابه فضای تصمیم‌گیری

طراحی داخلی به‌ندرت یک پاسخ «درست» واحد دارد؛ بلکه یک مسئله مقایسه‌ای است. کاربران اغلب تا زمانی که تمام گزینه‌ها را روی فضای واقعی خود نبینند، نمی‌دانند اسکاندیناوی را می‌پسندند یا ژاپاندی، مینیمالیسم گرم یا مدرن ارگانیک.

به‌جای چرخه خطی «تولید $ \rightarrow $ پسندیدن $ \rightarrow $ تولید مجدد»، گردش کار برای اکتشاف موازی طراحی شده است. سیستم عکس اصلی را می‌گیرد و آن را به‌طور هم‌زمان به چندین جایگزین محتمل تقسیم می‌کند تا کاربر بتواند مقایسه و تصمیم بگیرد.

این فرآیند به کاربران کمک می‌کند ترجیحاتی را پیدا کنند که بیان آن‌ها سخت بود. کاربر ممکن است بفهمد با اینکه فکر می‌کرد اسکاندیناوی می‌خواهد، اما نسخه ژاپاندی با فضای خاص اتاق او سازگارتر است. در اینجا هوش مصنوعی فقط محتوا تولید نمی‌کند، بلکه به کاربر کمک می‌کند در یک «فضای تصمیم‌گیری» جست‌وجو کند.

چالش بومی‌سازی

بومی‌سازی در هوش مصنوعی تخصصی، فراتر از ترجمه برچسب‌هاست. تغییر کلمه «مدرن» به «モダン» یا «طبیعی» به «ナチュラル» کافی نیست، زیرا انتظارات بصری از یک سبک در هر بازار متفاوت است.

کاربری در ژاپن که به دنبال دکوراسیون «طبیعی» است، زیبایی‌شناسی متفاوتی نسبت به کاربر آمریکایی در ذهن دارد. این موضوع در مورد سبک‌هایی مثل «لوکس مدرن»، «روستایی»، «مدیترانه‌ای» یا «مینیمالیست» کاملاً صادق است.

بومی‌سازی واقعی نیازمند فرمولی پیچیده است: زبان + واژگان طراحی محلی + ویژگی‌های مسکن منطقه + متریال‌های رایج + ترجیحات زیبایی‌شناختی فعلی. این کار تضمین می‌کند «نظر» هوش مصنوعی درباره یک سبک با بستر فرهنگی و واقعیت فیزیکی خانه‌های آن منطقه مطابقت داشته باشد.

مدل، محصول نیست

این پروژه یک درس حیاتی برای توسعه‌دهندگان دارد: مدل تنها یک ماده اولیه است، نه خودِ محصول. در حالی که بنچمارک‌ها روی واقع‌گرایی، پایبندی به پرامپت یا رزولوشن تمرکز می‌کنند، یک محصول مصرفی نیازمند ترکیبی از این موارد است:

• قابلیت مدل
• کیفیت ورودی
• محدودیت‌ها و ثبات
• طراحی تعامل (Interaction Design)
• دانش تخصصی حوزه (Domain Knowledge)
• اعتماد

با کدگذاری نظرات تخصصی — مثلاً اینکه چه متریالی با چه سبکی می‌سازد یا کدام بخش اتاق نباید تغییر کند — محصول آزادی مدل را کاهش می‌دهد. این موازنه، فشار کاری کاربر را کم و کاربردی بودن خروجی را زیاد می‌کند. یک محصول هوش مصنوعی تخصصی باید تصمیمات بیشتری را نسبت به یک چت‌بات عمومی برای کاربر بگیرد.

در نهایت، ارزش واقعی در کاهش هزینه اکتشاف برای تصمیمات گران‌قیمت دنیای واقعی است. پیش از مدل‌های مولد، نمایش چندین بازطراحی واقع‌گرایانه نیازمند نرم‌افزارهای حرفه‌ای، مهارت‌های رندرینگ یا طراحان گران‌قیمت بود. اکنون هزینه بررسی یک احتمال بصری به صفر نزدیک شده است. کاربران می‌توانند پیش از صرف هزینه فیزیکی، مبلمان، رنگ‌های دیوار، چیدمان و متریال‌ها را تست کنند.

بازاندیشی در فرآیند توسعه

اگر سازنده این محصول بخواهد آن را از ابتدا بسازد، روی رابط میان «قصد انسان» و «دستورات مدل» تمرکز بیشتری می‌کند. هدف این است که زمان کمتری صرف سؤال «چطور پرامپت کامل بنویسم؟» شود و زمان بیشتری صرف این شود که «کاربر واقعاً درباره خواسته‌اش چه می‌داند؟».

کاربران اغلب دانش تکه‌تکه دارند: «این را دوست دارم»، «از آن متنفرم»، «کمد بیشتر»، «خاکستری کمتر»، «روشن‌تر» یا «نه خیلی مینیمال». وظیفه محصول این است که این تکه‌ها را به چیزی تبدیل کند که مدل بفهمد. این یک مشکل مهندسی پرامپت نیست، بلکه یک مشکل طراحی محصول است.

وضعیت فعلی و مسیر آینده

پروژه AI Room Design در حال حاضر در حال آزمایش این قابلیت است که کاربران عکس‌های فضای فعلی خود را آپلود کنند تا سبک‌های مختلف را مقایسه کنند و جهت‌های بازطراحی را بسنجند. چالش اصلی، یافتن مرز درست بین خلاقیت هوش مصنوعی و محدودیت‌های دنیای واقعی است.

محدودیت زیاد، نتایج را پیش‌بینی‌پذیر و خسته‌کننده می‌کند و محدودیت کم، اتاق‌های زیبایی می‌سازد که هیچ ربطی به فضای واقعی کاربر ندارد. یافتن این تعادل بسیار جذاب‌تر از اتصال ساده یک مدل تصویرساز به دکمه آپلود است. آینده رابط‌های هوش مصنوعی مصرفی احتمالاً در جعبه‌های پرامپت بهتر نیست، بلکه در نرم‌افزارهایی است که اهداف کاربر را چنان خوب می‌فهمند که پرامپت‌نویسی نامرئی شود.

گام بعدی شما

• اگر توسعه‌دهنده هستید، به‌جای بهینه‌سازی پرامپت‌ها، روی ساختار تبدیل «قصد کاربر» به «پارامترهای فنی» تمرکز کنید.
• در طراحی ابزارهای تخصصی، آزادی عمل مدل را در برابر کاربردی بودن خروجی (Utility) قربانی کنید.
• برای پروژه‌های بصری، محدودیت‌های سخت معماری (مانند جای در و پنجره) را به عنوان ورودی‌های غیرقابل تغییر به مدل بدهید.

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