اگر امروز ساعت‌ها وقت صرف اجرای دستی آزمایش‌ها و تحلیل داده‌ها می‌کنید، باید بدانید که لایه‌ی «اجرا» در حال ناپدید شدن است. تصور کنید بتوانید یک معیار موفقیت تعریف کنید و یک هوش مصنوعی تمام شب را بیدار بماند تا ۱۰۰ آزمایش مختلف را اجرا و بهینه‌ترین نتیجه را پیدا کند.
این دقیقاً همان چیزی است که آندری کارپاتی در ۲۶ مه ۲۰۲۶ با معرفی پروژه autoresearch به نمایش گذاشت. عامل (Agent) — شبیه کارمندی دیجیتال که به جای اجرای خشک دستورات، برای رسیدن به هدف راهکارهای مختلف را امتحان می‌کند — اکنون می‌تواند کل چرخه پژوهش را به تنهایی مدیریت کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی عامل‌های هوش مصنوعی اشاره کردیم، ما در حال گذار از «نظارت بر ابزار» به «طراحی سیستم» هستیم. در این مدل جدید، انسان دیگر داخل حلقه نیست، بلکه بیرون از آن ایستاده و قوانین بازی را تعریف می‌کند.
طبق اعلام کارپاتی، این سیستم بر اساس یک حلقه بهینه‌سازی عمل می‌کند که در آن:
- کاربر یک فایل markdown شامل اهداف و محدودیت‌ها ارائه می‌دهد.
- عامل تغییراتی را در کد پیشنهاد می‌دهد و آزمایش‌های کوتاهی را اجرا می‌کند.
- نتایجی که معیار موفقیت را بهبود می‌بخشند حفظ شده و شکست‌ها دور ریخته می‌شوند.
- این چرخه در یک مک‌بوک مجهز به GPU، حدود ۱۰۰ بار تکرار می‌شود.
به نقل از مستندات پروژه، این لحظه برای کارهای دانشی شبیه به «اختراع GPS» است. همان‌طور که GPS مهارتِ «نقشه‌خوانی» را حذف کرد و تمرکز را روی «مقصد» گذاشت، autoresearch هم مهارتِ «اجرای تحلیل» را حذف می‌کند. حالا ارزش شما به توانایی‌تان در طراحی معیار بازمی‌گردد؛ طراحی معیار — مثل تعیین دقیقِ «طعم» در یک دستور پخت تا آشپز بداند چه زمانی غذا واقعاً آماده است — حالا مهارت کلیدی است. اگر معیار شما غلط باشد، هوش مصنوعی با بیشترین سرعت ممکن، شما را به سمت هدف اشتباه می‌برد.
گام بعدی شما
- مهم‌ترین معیاری که در پروژه فعلی‌تان دارید و ماشین می‌تواند آن را ردیابی کند، شناسایی کنید.
- سعی کنید یک «معیار غیرقابل تقلب» بنویسید که مدل نتواند با ترفندهای زبانی آن را دور بزند.
- این تنها آغاز ماجراست؛ اثر موج‌گونه‌ی این خودکارسازی بر معماری مدل‌های استدلالی را در گزارش بعدی بررسی خواهیم کرد.
گفتگو