پرش به محتوای اصلی
پرش به محتوای مقاله

اتصال دستور talk یونیکس به مدل‌های زبانی؛ بازگشت به رابط‌های متنی ۱۹۸۳

·۱ شهریور ۱۴۰۵۲ دقیقه مطالعه
تبدیل Unix talk ۱۹۸۳ به رابط کاربری هوش مصنوعی | اندرئوس فنولوسا
تبدیل Unix talk ۱۹۸۳ به رابط کاربری هوش مصنوعی | اندرئوس فنولوسا
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

استفاده از دستور talk یونیکس به عنوان یک Frontend برای LLM؛ این اولین بار است که یک ابزار ارتباطی ۴۰ ساله به‌جای شبیه‌سازی، مستقیماً به عنوان لایه نمایش برای استریمینگ توکن‌های AI به کار گرفته می‌شود.

تصور کنید به‌جای استفاده از مرورگر یا اپلیکیشن‌های مدرن، برای گفتگو با هوش مصنوعی از ابزاری استفاده کنید که در سال ۱۹۸۳ طراحی شده است. این تجربه اکنون به واقعیت تبدیل شده و مرز میان میراث رایانش کلاسیک و آینده‌ای مبتنی بر مدل‌های زبانی را از بین برده است.

در ۲۳ اوت ۲۰۲۶، توسعه‌دهنده‌ای به نام اندروز فنولوسا (Andros Fenollosa) موفق شد دستور قدیمی talk در یونیکس را به یک مدل زبانی بزرگ (LLM) — که شبیه کتابخانه‌داری است که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — متصل کند. دستور talk در ابتدا برای ارسال متن به‌صورت زنده و کاراکتر به کاراکتر میان دو کاربر در سیستم‌های مختلف طراحی شده بود. همان‌طور که در بحث‌های گذشته ما درباره‌ی رابط‌های متنی و ترمینال‌ها اشاره کردیم، این رفتار قدیمی دقیقاً با نحوه تولید توکن (Token) — یا همان تکه‌های کوچک متن که مدل تکه‌تکه می‌خورد — در پاسخ‌های استریمینگ مدل‌های زبانی هم‌خوانی دارد.

تبدیل Unix talk ۱۹۸۳ به رابط کاربری هوش مصنوعی مدرن توسط Andros Fenollosa

به نقل از گزارش منتشر شده در وب‌سایت en.andros.dev، معماری این پروژه بر پایه یک پل ارتباطی پایتونی به نام bridge.py استوار است. این سیستم از چندین لایه فنی برای عملکرد خود استفاده می‌کند:

  • پایانه مجازی (PTY): سرور، فرآیند talk را درون یک PTY اجرا می‌کند تا سیستم تصور کند یک کاربر واقعی در حال تایپ است.
  • Pyte: یک شبیه‌ساز ترمینال که ورودی‌های کاربر را از صفحه مجازی می‌خواند.
  • ثبت Utmp: کانتینر در هنگام اجرا، ترمینال خود را در فایل utmp ثبت می‌کند تا خطای «عدم ورود به سیستم» رخ ندهد.
  • تزریق استریمینگ: وقتی کاربر Enter را می‌زند، متن به API هوش مصنوعی ارسال شده و پاسخ به‌صورت کاراکتر به کاراکتر به ترمینال تزریق می‌شود.

این رویکرد در مدیریت جریان داده، یادآور راهکارهای پیشرفته‌تری است که برای پایداری عامل‌های هوش مصنوعی به کار می‌روند؛ برای مثال، استفاده از ماشین‌های لینوکس اختصاصی برای حذف تایم‌اوت‌ها روشی برای تضمین تداوم حافظه در محیط‌های مشابه است.

بر اساس مستندات این پروژه، سازگاری میان شبکه‌های دهه ۸۰ و هوش مصنوعی دهه ۲۰ صرفاً ساختاری است. توسعه‌دهنده با تعریف هوش مصنوعی به‌عنوان یک کاربر وارد شده به VPN، قطعه‌ای فراموش‌شده از تاریخ اینترنت را به یک رابط شاعرانه برای هوش مصنوعی زاینده (Generative AI) تبدیل کرد. این تلاش برای بهینه‌سازی تعامل، در راستای معماری‌های پیچیده‌تری است که برای کنترل حافظه و وضعیت عامل‌ها طراحی شده‌اند تا هزینه‌ها و پاسخ‌دهی مدل‌ها بهبود یابد.

این تجربه نشان می‌دهد رابط‌هایی که امروز برای تعامل با AI استفاده می‌کنیم، کاملاً قراردادی هستند. اگرچه ما به حباب‌های چت و فرمت‌های مدرن عادت کرده‌ایم، اما ماهیت استریمینگ مدل‌های زبانی اجازه می‌دهد آن‌ها در هر محیط متنی، حتی قدیمی‌ترین آن‌ها، جای بگیرند.

من به ایندی وب پیوستم؛ این‌ها چیزهایی بود که آموختم | آندروس فنولوسا

گام بعدی شما

  • بررسی نحوه عملکرد PTYها برای ایجاد رابط‌های قدیمی برای APIهای مدرن
  • آزمایش مدل‌های زبانی در محیط‌های ترمینال برای کاهش وابستگی به رابط‌های گرافیکی
  • مطالعه درباره پروتکل‌های ارتباطی اولیه یونیکس برای درک بهتر جریان داده در LLMها

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 تخصص در سیستم‌های میراثی (Legacy Systems)، نشان می‌دهد که زیرساخت‌های متنی قدیمی می‌توانند به عنوان لایه‌های کارآمد برای استقرار مدل‌های زبانی استفاده شوند. این موضوع اعتبار این فرضیه را بالا می‌برد که رابط‌های متنی ساده، سریع‌ترین راه برای تعامل با مدل‌های استدلالی هستند.

تأثیر برای ایران

این پروژه برای توسعه‌دهندگان ایرانی که در محیط‌های لینوکسی و سرورهای قدیمی فعالیت می‌کنند، یک ایده جذاب برای شخصی‌سازی رابط‌های مدیریتی با AI است.

·نگاه ما
تحریریه دات‌هوش

این پروژه ثابت می‌کند که «تجربه کاربری» در عصر AI لزوماً به معنای مدرنیزه کردن رابط‌ها نیست، بلکه بازگشت به سادگی متنی می‌تواند ماهیت تولید توکن در مدل‌ها را ملموس‌تر کند. در واقع، رابط‌های گرافیکی فعلی لایه‌ای از توهمِ «پاسخ کامل» را ایجاد می‌کنند، در حالی که رابط‌های قدیمی مثل talk، ماهیت گام‌به‌گام و احتمالی استنتاج را به‌خوبی به نمایش می‌گذارند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.