تصور کنید به جای غرق شدن در فضای مجازی، شهر شما به یک نقشه بازی تبدیل شود و هر پیاده‌روی ساده، یک ماموریت برای کسب امتیاز باشد. ابزار Outland: TouchGrass دقیقاً همین کار را می‌کند تا اعتیاد به پیمایش بی‌هدف در شبکه‌های اجتماعی (Doomscrolling) را با تبدیل دنیای فیزیکی به یک بازی نقش‌آفرینی (RPG) باز دنیا درمان کند.
این پروژه که در ۹ اکتبر ۲۰۲۶ برای چالش هوش مصنوعی متن‌باز Hacktoberfest معرفی شد، از هوش مصنوعی زاینده (Generative AI) استفاده می‌کند تا کاربران را از پشت نمایشگرها بیرون بکشد و به دل محله‌هایشان بفرستد.
در حالی که اکثر برنامه‌های هوش مصنوعی تلاش می‌کنند کاربر را تا حد ممکن در محیط رابط کاربری نگه دارند، Outland رویکردی معکوس دارد؛ این ابزار از هوش مصنوعی استفاده می‌کند تا تجربه‌ای خلق کند که هدفش دور کردن شما از خودِ هوش مصنوعی است. این چرخش نشان‌دهنده تمایل فزاینده به دستیارهای هوش مصنوعی «محلی‌محور» است که سلامت انسان را بر نرخ بازگشت کاربر (Digital Retention) ترجیح می‌دهند. این رویکرد یادآور تلاش‌های مشابهی است که در پروژه HearWild برای بازگرداندن کاربران به طبیعت از طریق هوش مصنوعی محلی دیده بودیم.
همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های بینایی-زبانی و طبقه‌بندی بلادرنگ اشاره کردیم، Outland کاربرد متفاوتی از مفهوم مبنی‌سازی (Grounding) — یعنی متصل کردن پاسخ‌های مدل به واقعیت‌های بیرونی — را به نمایش می‌گذارد. این سیستم به جای طبقه‌بندی پیکسل‌ها، خلق و خوی و سطح انرژی کاربر را تحلیل کرده و آن‌ها را به مختصات جغرافیایی واقعی متصل می‌کند.
فلسفه «لمس چمن»
این پروژه برای هفته اول چالش Hacktoberfest با تم «Touch Grass» (اصطلاحی برای دعوت به بازگشت به دنیای واقعی) ساخته شده است. توسعه‌دهنده این پروژه، @lovely_puff، برنامه را برای حل یک مشکل مدرن و رایج طراحی کرد: چرخهٔ بررسی یک اعلان ساده که منجر به این می‌شود که یک ساعت بعد بیدار شوید و با تعجب بپرسید زمان کجا رفت.
هدف Outland ایجاد یک «تلنگر کوچک» برای انجام کارهای متفاوت است، بدون اینکه فشار سیستم‌های بازی‌وارسازی (Gamification) را وارد کند. این برنامه صراحتاً راه‌حل‌هایی مثل «اضطراب تداوم» (Streak Anxiety) یا ایجاد حس گناه برای استراحت در خانه در زمان‌های نیاز به ریکاوری را حذف کرده است. در عوض، به کاربر اجازه می‌دهد برای پنج دقیقه «شخصیت اصلی» داستان باشد و یک بعدازظهر کسالت‌بار را به یک ماموریت جانبی (Side Quest) تبدیل کند.
زیرساخت فنی
برای اینکه هوش مصنوعی مقاصد خیالی نسازد و دچار توهم نشود، یک خط لوله (Pipeline) خاص طراحی شده است. بر اساس مستندات پروژه در dev.to، این سیستم از اجزای زیر تشکیل شده است:
- Gemma: یک مدل با وزن‌های باز (Open Weights) — شبیه به دستور پخت غذایی که علناً منتشر شده تا هر کسی بتواند آن را تغییر دهد — که روایت‌های خلاقانه و ساختار ماموریت‌ها را تولید می‌کند. این مدل ترجیحات کاربر را به فعالیت‌های فضای باز شخصی‌سازی شده تبدیل می‌کند.
- SerpApi: ابزاری برای کشف مکان‌های واقعی و موجود تا مدل دچار توهم (Hallucination) — مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — نشود و پارکی با نامی «به‌طور مشکوکی مناسب» اختراع نکند.
- Node.js & Express: چارچوب بک‌اِند برای مدیریت منطق برنامه و قدرت بخشیدن به عملیات‌های سیستمی.
- JavaScript: زبان اصلی برای پیوند دادن مراحل تولید محتوا و مدیریت جریان داده‌ها در خط لوله.
مکانیزم تولید ماموریت
برای تولید یک ماموریت، کاربر ورودی‌های مشخصی را ارائه می‌دهد. هوش مصنوعی صرفاً حدس نمی‌زند، بلکه متغیرهای زیر را پردازش می‌کند:
- خلق‌وخو و سطح انرژی: برای اطمینان از اینکه ماموریت با وضعیت روحی و جسمی فعلی کاربر همخوانی دارد.
- زمان و بودجه در دسترس: فیلتر کردن فعالیت‌هایی که از نظر مالی یا زمانی واقعاً قابل اجرا هستند.
- ترجیحات اجتماعی: تعیین اینکه ماموریت یک عملیات انفرادی باشد یا یک فعالیت گروهی.
- سطح هرج‌ومرج (Chaos Level): معیاری منحصر‌به‌فرد برای تعیین اینکه ماجراجویی تا چه حد باید غیرمتعارف و عجیب باشد.
وقتی این ترجیحات با داده‌های مکانی واقعی از SerpApi ترکیب می‌شوند، Gemma یک ماموریت ساختاریافته می‌سازد. به نقل از گزارش‌های تست، برنامه ماموریتی به نام «ممیزی ریه سبز» (THE GREEN LUNG AUDIT) را در پارک Leisure Valley پیشنهاد داد. به جای یک پیشنهاد کلی و خسته‌کننده مثل «به پیاده‌روی برو»، برنامه تخمین زمان، درجه سختی و پاداش‌های XP (امتیاز تجربه) ارائه کرد.
حفاظ‌ها و قابلیت اطمینان
برای جلوگیری از «مهملات هوش مصنوعی» که در مدل‌های استنتاج رایگان رایج است، توسعه‌دهنده یک لایه اعتبارسنجی چندمرحله‌ای پیاده کرده است. سیستم هر ماموریت تولید شده را پیش از رسیدن به دست کاربر، از نظر ایمنی، مبنی‌سازی مکانی و شخصی‌سازی بررسی می‌کند. اگر نتیجه بیش از حد مبهم باشد یا سطح انرژی کاربر را نادیده بگیرد، برنامه یک مسیر «تلاش مجدد محدود» (Bounded Retry Path) را فعال می‌کند.
در مواقعی که مدل کاملاً شکست می‌خورد یا نتایج بسیار کلی تولید می‌کند، Outland به یک مخزن از ماموریت‌های پیش‌فرض (Fallback Pool) سوییچ می‌کند. این موضوع به دلیل ناپایداری احتمالی در استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند — یا در دسترس نبودن مسیر استنتاج ضروری است. این ماموریت‌های جایگزین صراحتاً به عنوان «غیر تولید شده توسط هوش مصنوعی» برچسب می‌خورند تا کاربر به جای یک توهم متقاعدکننده، یک پیشنهاد مفید دریافت کند.
از دمو تا محصول
این پروژه تفاوت حیاتی بین یک دموی جذاب و یک محصول کاربردی را برجسته می‌کند. در حالی که Gemma می‌تواند یک ماجراجویی را پیشنهاد دهد، سیستم پیرامونی باید تضمین کند که آن ماجراجویی واقعاً شدنی است. این امر مستلزم اعتبارسنجی سخت‌گیرانه تخمین‌های زمانی، محدودیت‌های بودجه و ترجیحات اجتماعی است.
توسعه این ابزار نشان داد که تولید متن توسط هوش مصنوعی ساده است، اما تولید چیزی که انسان واقعاً بخواهد انجام دهد، دشوار است. توسعه‌دهنده دریافت که سیستم باید «به دورِ» مدل ساخته شود، نه اینکه صرفاً به پرامپت‌ها به عنوان جادویی تکیه کند. در این مسیر، بررسی‌های کیفی و اعتبارسنجی مکان‌ها به مهم‌ترین بخش‌های برنامه تبدیل شدند. این تغییر رویکرد از کدنویسی صرف به سمت مدیریت دقیق تجربه کاربر، با متدهای جدید ساخت نرم‌افزار برای غیربرنامه‌نویسان که بر مدیریت محصول تاکید دارند، همسو است.
استفاده از مدل‌های وزن‌باز به دیگران اجازه می‌دهد پرامپت‌ها را بررسی کرده و منطق اعتبارسنجی را بهبود ببخشند. این رویکرد متن‌باز، آزمایش روی تغییر رفتار انسانی را جایگزین بهره‌وری صرف می‌کند. توسعه‌دهندگان می‌توانند مخزن پروژه را بررسی کنند تا پرامپت‌ها را تغییر دهند یا تنظیمات مدل‌های جایگزین را امتحان کنند.
برای کاربر عادی، این یعنی هوش مصنوعی از یک «چت‌بات در جعبه» به پلی برای ورود به دنیای فیزیکی تبدیل می‌شود. پیشنهادی کلی مثل «پیاده‌روی کن» به یک ماموریت ساختاریافته با درجه سختی و پاداش تبدیل می‌شود، مانند «ممیزی ریه سبز» در یک پارک محلی خاص.
اگر از روتین تکراری آخر هفته‌های خود خسته شده‌اید، می‌توانید مخزن متن‌باز این پروژه را در گیت‌هاب بررسی کنید تا ببینید مکانیزم‌های مبنی‌سازی (Grounding) چگونه در عمل پیاده شده‌اند.
گام بعدی شما
- اگر به برنامه‌نویسی علاقه‌مندید، مخزن گیت‌هاب پروژه را بررسی کنید تا ببینید مکانیزم‌های مبنی‌سازی (Grounding) چگونه در عمل پیاده شده‌اند.
- سعی کنید برای فعالیت‌های روزمره خود، پرامپت‌هایی بنویسید که محدودیت‌های زمانی و بودجه‌ای شما را به عنوان متغیر ورودی در نظر بگیرند.
- از مدل‌های کوچک‌تر برای کارهای محلی استفاده کنید تا سرعت استنتاج را افزایش دهید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو