پل ارتباطی NeoMind کنترل ۳۰۰۰ دستگاه خانه هوشمند را به هوش مصنوعی لبه سپرد

تصور کنید خانه‌ای دارید که نه تنها دستورات شما را می‌فهمد، بلکه متوجه می‌شود سیستم تهویه شما ۴۰٪ بیشتر از حد نیاز کار می‌کند و بدون دخالت شما آن را بهینه می‌کند. این رویای «خانه هوشمند واقعی» اکنون با حذف وابستگی به سرورهای ابری و انتقال پردازش به سخت‌افزار داخلی محقق شده است. اکنون می‌توان ۳,۰۰۰ ادغام خانه هوشمند را توسط یک عامل هوش مصنوعی محلی مدیریت کرد، بدون اینکه حتی یک بایت داده از شبکه خانگی خارج شود.

طبق اعلام توسعه‌دهندگان در ۱۸ اوت ۲۰۲۶، انتشار پل ارتباطی NeoMind برای Home Assistant ثابت کرد که رایانش لبه (Edge Computing) — شبیه به داشتن یک مغز کوچک و سریع در هر اتاق به‌جای تکیه بر یک مرکز فرماندهی دوردست — می‌تواند شکاف بین اتصال ساده دستگاه‌ها و هوش واقعی محیطی را پر کند. در حالی که اکثر خانه‌های هوشمند بر اساس منطق ساده‌ی «اگر این اتفاق افتاد، آن کار را بکن» (if this, then that) عمل می‌کنند، این سیستم قابلیت استدلال روی الگوهای بلندمدت را دارد.

در حالی که Home Assistant پیش‌روترین پلتفرم متن‌باز برای اتصال دستگاه‌هایی مثل لامپ‌های Philips Hue، تسلا پاوروال (Tesla Powerwalls) یا پمپ‌های حرارتی Daikin است، اما فاقد قابلیت‌های استدلالی برای تحلیل الگوهای طولانی‌مدت یا پیشنهاد بهینه‌سازی است. Home Assistant می‌تواند گزارش دهد که «دمای پذیرایی ۲۴ درجه سانتی‌گراد است»، اما نمی‌تواند به‌طور مستقل تشخیص دهد که سیستم HVAC بر اساس الگوهای حضور افراد در سه هفته گذشته، ۴۰٪ بیشتر از حد نیاز در حال اجراست. همان‌طور که در تحلیل قبلی ما درباره‌ی کاهش تأخیر در پردازش‌های محلی اشاره کردیم، NeoMind «مغز» خانه را از سرورهای دوردست به سخت‌افزار داخلی منتقل می‌کند.

معماری هوش محلی

این سامانه به‌عنوان یک پل دوطرفه عمل می‌کند که در آن Home Assistant لایه‌ی دستگاه‌ها و NeoMind موتور شناختی است. این پل تمام موجودیت‌ها — از سنسورها، کلیدها، چراغ‌ها، کنترل‌های اقلیمی و دوربین‌ها — را به یک مدل داده‌ای ساختاریافته تبدیل می‌کند تا یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — بتواند آن‌ها را درک کند. این رویکرد در واقع بخشی از یک تغییر کلی در نحوه اجرای مدل‌های هوش مصنوعی است که در آن سرعت تبدیل ایده‌ها به محصول از طریق شتاب‌دهنده‌های سخت‌افزاری به شدت افزایش یافته است.

جریان داده‌ها در این معماری برای کنترل در لحظه (Real-time) حیاتی است:

• از Home Assistant به NeoMind: تمام موجودیت‌ها به همراه وضعیت فعلی، ویژگی‌ها و تاریخچه‌شان وارد می‌شوند. این امر به NeoMind اجازه می‌دهد خانه را به عنوان یک مدل داده‌ای ساختاریافته ببیند.
• از NeoMind به Home Assistant: دستورات تولیدشده توسط هوش مصنوعی از طریق REST API به دستگاه‌ها ارسال می‌شوند. برای مثال، درخواست پیچیده‌ای مثل «همه چیز در طبقه اول را بعد از نیمه‌شب خاموش کن» به مجموعه‌ای از فراخوانی‌های دقیق سرویس تبدیل می‌شود.

به گزارش مستندات فنی، وقتی کاربر دستوری به زبان طبیعی می‌دهد، عامل هوشمند قصد کاربر را تحلیل کرده و آن را به دستورات فنی تبدیل می‌کند. برای مثال، درخواست «نور پذیرایی را روی ۳۰٪ بگذار و چراغ مطالعه را روشن کن» ابتدا به یک فراخوانی خاص light.turn_on برای چراغ اصلی با ویژگی brightness_pct: 30 و سپس به یک فراخوانی دوم light.turn_on برای چراغ مطالعه تبدیل می‌شود.

پیاده‌سازی فنی و راه‌اندازی

بر اساس راهنمای منتشرشده در dev.to، راه‌اندازی این پل در چهار گام اصلی انجام می‌شود:

• نصب: استقرار NeoMind از طریق یک اسکریپت شل با استفاده از دستور curl -fsSL https://raw.githubusercontent.com/camthink-ai/NeoMind/main/scripts/install.sh | sh.
• فعال‌سازی افزونه: فعال کردن «Home Assistant Bridge» در مارکت‌پلیس (از طریق http://localhost:9375) و وارد کردن یک توکن دسترسی طولانی‌مدت (long-lived access token) که در بخش Profile $
  ightarrow$ Security در Home Assistant تولید شده است.
• پیکربندی مدل: انتخاب بین یک بک‌اند کاملاً محلی مثل Ollama (با استفاده از مدل llama3.1:8b در آدرس http://localhost:11434) برای حریم خصوصی حداکثری، یا مدل‌های ابری مثل gpt-4o-mini از طریق OpenAI برای استدلال‌های پیچیده‌تر.
• تعامل: استفاده از رابط چت برای پرس‌وجو از وضعیت خانه یا ایجاد قوانین. برای مثال، پرسش درباره مصرف انرژی می‌تواند فاش کند که خانه امروز ۱۴.۲ کیلووات ساعت برق مصرف کرده (۱۲٪ بیشتر از میانگین)، که در این میان سیستم HVAC ۶.۸ کیلووات ساعت و شارژر خودروی تسلا ۴.۱ کیلووات ساعت سهم داشته‌اند.

تبدیل دستگاه‌ها به داده‌های قابل‌فهم برای AI

سیستم NeoMind رجیستری موجودیت‌های Home Assistant را به یک ساختار مبتنی بر زبان Rust تبدیل می‌کند. هر موجودیت با شناسه (ID)، دامنه (Domain)، نام کاربرپسند، وضعیت و منطقه (Area) ردیابی می‌شود. ساختار HomeAssistantEntity به‌طور خاص موارد زیر را ردیابی می‌کند: entity_id (مثلاً "light.living_room_main")، domain ("light")، friendly_name، state، attributes (از طریق یک HashMap برای روشنایی یا دمای رنگ)، area ("Living Room") و device_class ("temperature" یا "humidity").

این مدل ساختاریافته به هوش مصنوعی اجازه می‌دهد تحلیل‌های پیچیده‌ای انجام دهد:

• پرس‌وجو از وضعیت: پاسخ به سؤال «کدام چراغ‌ها روشن هستند؟» با بررسی تمام موجودیت‌های light.*.
• تحلیل الگو: خواندن داده‌های سری زمانی از sensor.bedroom_humidity برای مشاهده تغییرات سطح رطوبت در طول یک هفته.
• پیشنهادات بهینه‌سازی: شناسایی اتلاف‌ها، مثل فن حمامی که شش ساعت در روز کار می‌کند در حالی که رطوبت به‌ندرت از ۵۵٪ می‌گذرد.
• اتوماسیون‌های ترکیبی: ترکیب داده‌های حضور افراد (person.*) با کنترل چراغ‌ها (light.*) برای خاموش کردن تمام چراغ‌ها زمانی که آخرین نفر خانه را ترک می‌کند.

اتوماسیون محاوره‌ای

برخلاف اتوماسیون‌های سنتی در Home Assistant که بر پایه کدهای خشک و طولانی YAML هستند و اغلب صلب (Rigid) می‌باشند، NeoMind اجازه می‌دهد قوانین از طریق گفتگو ساخته شوند. هوش مصنوعی یک قانون مبتنی بر JSON تولید می‌کند که شامل شرایط، اقدامات و دوره‌های استراحت (Cooldown periods) است. برای مثال، درخواست برای یک «روتین صبح بارانی» در ساعت ۷ صبح روزهای کاری، منجر به ایجاد یک شیء JSON می‌شود که ابتدا device:weather.home:condition را برای وضعیت "rainy" چک می‌کند و سپس چراغ ورودی را روشن کرده و یک یادآور Push Notification برای همراه داشتن چتر ارسال می‌کند.

این قوانین می‌توانند از تحلیل‌های هوش مصنوعی بهره ببرند. برای مثال، یک قانون «صرفه‌جویی هوشمند انرژی» می‌تواند هر ساعت یک عامل AI را فعال کند تا مصرف انرژی را تحلیل کرده و در صورت عبور یک دستگاه از میانگین ساعتی معمول خود، پیشنهاد خاموشی دهد. این یک جهش بزرگ نسبت به اتوماسیون‌های بومی HA است، زیرا خودِ قانون می‌تواند یک اکشن از نوع ai_agent را برای انجام استدلال در لحظه فراخوانی کند.

کنترل صوتی چنداتاقه‌ای

با ترکیب این پل و افزونه‌های صوتی — به‌ویژه CosyVoice TTS و ASR چندزبانه — کاربران می‌توانند یک دستیار صوتی کاملاً محلی بسازند. پرسشی مثل «هی NeoMind، کیفیت هوای اتاق خواب چطور است؟» به‌صورت محلی از ASR به متن تبدیل شده، با sensor.bedroom_air_quality تطبیق داده شده و از طریق TTS محلی بازگردانده می‌شود. هوش مصنوعی می‌تواند زمینه‌ای (Context) را ارائه دهد، مثلاً اشاره کند که سطح PM2.5 پس از روشن شدن تصفیه هوا در ساعت ۳ بعد از ظهر کاهش یافته است، بدون اینکه هیچ فایل صوتی از شبکه محلی خارج شود.

مقیاس‌پذیری و حریم خصوصی

NeoMind برای محیط‌های مختلف، از آپارتمان‌های کوچک تا پردیس‌های بزرگ، بهینه شده است تا روی سخت‌افزارهای لبه اجرا شود و ردپای منابع (Resource Footprint) آن کم باقی بماند:

• استودیو (~۲۰ موجودیت): پاسخ زیر ۵۰ میلی‌ثانیه، ۸۰ مگابایت رم.
• خانه ۳ خوابه (~۱۵۰ موجودیت): پاسخ زیر ۱۰۰ میلی‌ثانیه، ۱۵۰ مگابایت رم.
• ویلای بزرگ (~۵۰۰ موجودیت): پاسخ زیر ۲۰۰ میلی‌ثانیه، ۳۰۰ مگابایت رم.
• دفتر کوچک (~۱۵۰۰ موجودیت): پاسخ زیر ۵۰۰ میلی‌ثانیه، ۶۰۰ مگابایت رم.

برای استقرارهای عظیم، مانند یک پردیس هوشمند با بیش از ۵,۰۰۰ موجودیت، کاربران می‌توانند چندین نمونه NeoMind (یک نمونه برای هر instance از HA) اجرا کنند و آن‌ها را از طریق داشبوردهای مشترک و پرس‌وجوهای بین-نمونه‌ای هماهنگ کنند.

مزیت حریم خصوصی

با استفاده از مدل‌های محلی LLM از طریق Ollama (که از Llama 3، Mistral و Qwen پشتیبانی می‌کند)، نیاز به تله‌متری شرکت‌های ثالث از بین می‌رود. هیچ صوتی به ابر ارسال نمی‌شود، هیچ تله‌متری برای «گزارش به خانه» وجود ندارد و هیچ دسترسی خارجی به شبکه محلی (LAN) برقرار نمی‌شود. این امر یک دستیار کاملاً آفلاین ایجاد می‌کند که حتی در زمان قطع اینترنت نیز عمل می‌کند.

این تغییر نشان‌دهنده حرکتی به سمت «حاکمیت پردازشی» (Compute Sovereignty) برای خانه است. کاربران دیگر مجبور نیستند حریم خصوصی خود را با راحتیِ کنترل صوتی یا زمان‌بندی هوشمند معامله کنند. در مقایسه با سیستم‌های ابری مانند الکسا یا گوگل هوم، که در آن‌ها هر تغییر وضعیت به سرورهای خارجی ارسال می‌شود، NeoMind داده‌ها را به‌طور سخت‌گیرانه محلی نگه می‌دارد.

گام بعدی شما

• اگر از Home Assistant استفاده می‌کنید، پل NeoMind را نصب کنید و مدل Llama 3.1 را برای جایگزینی روتین‌های ابری امتحان کنید.
• برای تجربه یک دستیار صوتی کاملاً آفلاین، افزونه CosyVoice TTS را به سیستم خود اضافه کنید.
• بررسی کنید آیا مدل‌های محلی می‌توانند الگوهای مصرف انرژی خانه شما را دقیق‌تر از تنظیمات پیش‌فرض شناسایی کنند؟

برای اطلاعات بیشتر، این پروژه تحت لایسنس Apache 2.0 در آدرس github.com/camthink-ai/NeoMind در دسترس است. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های NPU در دستگاه‌های خانگی مراجعه کنید.