تصور کنید ابزاری داشته باشید که تنها هدفش این باشد که شما هرچه سریع‌تر آن را ببندید و به پیاده‌روی بروید. OUTSIDE دقیقاً همین پارادوکس مدرن را هدف قرار داده است: استفاده از یک صفحه نمایش برای متقاعد کردن شما به کنار گذاشتن گوشی. این اپلیکیشن که به عنوان بخشی از هفته اول چالش هوش مصنوعی متن‌باز Hacktoberfest با عنوان «Touch Grass» (به معنای لمس چمن یا بازگشت به واقعیت) عرضه شده، محیط اطراف کاربر را به ماموریت‌هایی هدفمند و غنی از نظر حسی تبدیل می‌کند. فلسفه این ابزار ساده است؛ به‌جای آنکه هوش مصنوعی سعی کند شما را بیشتر آنلاین نگه دارد، به شما کمک کند تا سریع‌تر گوشی خود را در جیبتان بگذارید. همان‌طور که در بحث‌های گذشته ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، استفاده از مدل‌های محلی یا وزن‌باز می‌تواند کنترل بیشتری روی داده‌های کاربر ایجاد کند.
اکثر برنامه‌های هوش مصنوعی برای «درگیر کردن» کاربر بهینه شده‌اند تا هرچه بیشتر اسکرول کنید یا چت کنید. اما OUTSIDE این منطق را وارونه می‌کند و هوش مصنوعی را صرفاً یک پل موقت به دنیای فیزیکی می‌بیند. این رویکرد یادآور پروژه Outland است که با بهره‌گیری از مدل Gemma توانست محیط‌های شهری را به بستری برای بازی‌های نقش‌آفرینی تبدیل کند. این ابزار به‌طور خاص برای کارکنان دورکار، دانشجویان، افرادی که ساعت‌های طولانی پشت میز می‌نشینند و کاوشگران شهری که به دنبال دلیلی ساده برای گذراندن زمان آگاهانه در فضای باز هستند، طراحی شده است.
به نقل از مستندات توسعه‌دهنده، موتور محرک این برنامه مدل LLaMA 3.3 70B Versatile است؛ یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — که از طریق API استنتاج Groq فراخوانی می‌شود. سیستم به‌جای تولید متن‌های پراکنده و بدون ساختار، درخواست خروجی‌های ساختاریافته در قالب JSON می‌دهد تا کارت‌های ماموریت به‌صورت تعاملی، با لنگرهای حسی و نقاط عطف متوالی در قالبی پیش‌بینی‌پذیر نمایش داده شوند.
یک نکته فنی مهم در معماری این برنامه این است که اگرچه LLaMA 3.3 70B Versatile یک مدل با وزن‌های باز (Open Weights) — یعنی دستور پخت مدل علناً منتشر شده، نه فقط غذای آماده — است، اما سرویس استنتاج توسط Groq میزبانی می‌شود. این رویکرد به OUTSIDE اجازه می‌دهد تا از یک مدل با قابلیت‌های بسیار بالا استفاده کند، بدون اینکه کاربر مجبور باشد یک مدل حجیم را به‌صورت محلی روی سخت‌افزار شخصی خود اجرا کند.
کاربران تجربه خود را از طریق چهار ورودی اصلی تنظیم می‌کنند:
- منطقه کاوش: تعریف شده از طریق GPS، ورودی دستی نقاط شاخص یا یک شعاع جغرافیایی (Geofencing) قابل تنظیم.
- بازه زمانی: گزینه‌های مشخص شامل ماجراجویی‌های ۱۵، ۳۰، ۴۵، ۶۰ یا ۱۲۰ دقیقه‌ای.
- علاایق حسی: تم‌هایی مثل پوشش گیاهی و سایبان درختان، سکوت مطلق، شکار گنج حسی، سایه‌های شهری، ارتفاعات تند یا آسمان و گرگ‌ومیش.
- ترجیح زمین: جزئیات خاص درباره محیط برای هدایت دقیق‌تر پرامپت‌های مدل هوش مصنوعی.
پس از پردازش این ورودی‌ها، هوش مصنوعی تجربه‌ای ساختاریافته می‌سازد تا پیاده‌روی‌های معمولی را به ماموریت‌های حسی تبدیل کند. برای مثال، مدل ممکن است از شما بخواهد:
- سه الگوی مختلف از برگ‌ها را در مسیر انتخاب شده پیدا کنید.
- مشاهده کنید که نور خورشید چگونه در طول مسیر روی ساختمان‌ها و درختان تغییر می‌کند.
- بدون چک کردن گوشی، به صدای متمایز پرندگان گوش دهید.
- بوی خاک را بعد از بارش باران استشمام کنید.
- یک دقیقه کامل بدون تلاش برای عکس گرفتن، فقط به محیط اطراف خیره شوید و آن را مشاهده کنید.
برای پشتیبانی از این ماموریت‌ها، برنامه یک قطب‌نمای تعاملی، چک‌لیست ماموریت و یک «برگه جیبی» (Pocket Slip) قابل کپی برای ارجاع آفلاین ارائه می‌دهد تا کاربر حتی در صورت نبود اینترنت نیز به اهداف خود دسترسی داشته باشد.
بر اساس بررسی معماری برنامه، OUTSIDE برای جلوگیری از تبدیل شدن به یک ابزار نظارتی، فلسفه سخت‌گیرانه ضد-ردیابی، ضد-نظارت و ضد-اعتیاد را پیاده کرده است. توسعه‌دهنده از رویکرد «بدون پایگاه‌داده» (Zero-Database) استفاده کرده؛ به این معنا که هیچ دیتابیسی مثل PostgreSQL، MongoDB، SQLite یا Redis برای ذخیره داده‌های کاربر به کار گرفته نشده است.
در این برنامه هیچ سیستم احرازی هویتی وجود ندارد؛ برنامه به هیچ ثبت‌نام، ورود، ایمیل، رمز عبور یا کوکی‌های ردیابی نیاز ندارد. داده‌های مکانی صرفاً برای چند ثانیه در حافظه موقت (RAM) سمت کلاینت مدیریت می‌شوند و با رفرش شدن صفحه، کاملاً تبخیر و پاک می‌شوند.
برای کاربرانی که به دنبال ناشناسی بیشتر هستند، مکانیزم «تاری حریم خصوصی» (Privacy Fuzzing) تعبیه شده است. این قابلیت اجازه می‌دهد مختصات GPS کاربر حدود ۵۰۰ متر جابه‌جا (Blur) شود و سپس برای تولید ماموریت ارسال گردد. علاوه بر این، برنامه فاقد هرگونه ابزار تحلیلی (Analytics)، پیکسل‌های متا (Meta Pixels)، بیکن‌های ردیابی یا CDNهای صوتی شخص ثالث است.
پس از تولید ماموریت، برنامه یک «آیین قطع اتصال» (Disconnect Ritual) را آغاز می‌کند تا گذار از صفحه نمایش به دنیای واقعی، آگاهانه و عمدی باشد و نه ناگهانی. این فرآیند شامل یک انیمیشن تنفسی و صدای synthesized یک کاسه آواز است که به جای استریم فایل‌های صوتی خارجی، از طریق Web Audio API تولید می‌شود.
سپس صفحه به رنگ مشکی مطلق (OLED-black) در می‌آید و یک تایمر معکوس ساده نمایش داده می‌شود. این کار باعث کاهش انتشار نور و حواس‌پرتی می‌شود تا کاربر ماموریت را از حافظه دنبال کند. برای جلوگیری از اضطراب کامل، یک گزینه «نگاه سریع» (Emergency Peek) برای چک کردن سریع هدف ماموریت در صورت نیاز وجود دارد، در حالی که یک صدای زنگ بازگشت، پایان جلسه را اعلام می‌کند. کاربران سپس می‌توانند روی تجربه خود تامل کنند، بدون اینکه این تاملات در دیتابیسی ذخیره شود.
از نظر فنی، این برنامه با Next.js 14، TypeScript و Tailwind CSS ساخته شده است. برای حفظ امنیت، کلید API شرکت Groq در یک مسیر API سمت سرور (/api/generate-missions/route.ts) مخفی شده تا در بسته مرورگر (Browser Bundle) لو نرود و کلاینت بتواند بدون افشای کلید سری سرور، درخواست ماموریت‌ها را ارسال کند.
ساختار پروژه به کامپوننت‌های تخصصی تقسیم شده است:
AmbientSoundPlayer.tsxبرای پخش صداهای محیطی الهام گرفته از طبیعت.LocationGeofencePicker.tsxبرای پیکربندی منطقه.ScreenFreeModal.tsxبرای مرحله نهایی قطع اتصال.PrivacyBadgeModal.tsxبرای ارتباط معماری ضد-نظارتی با کاربر.PreferencesPanel.tsxوApiKeyModal.tsxبرای تنظیمات کاربر.MissionCard.tsxوNavbar.tsxبرای رابط کاربری اصلی.
منطق پشتیبان در دایرکتوری lib/ مدیریت می‌شود که شامل groqClient.ts برای ارتباط با مدل، mockMissions.ts برای داده‌های نمونه و soundSynthesis.ts برای تولید صدا است و تایپ‌ها در types/mission.ts تعریف شده‌اند.
برای تضمین پایداری، توسعه‌دهنده یک موتور جایگزین (Fallback) رویه‌ای پیاده کرده است؛ یعنی اگر API هوش مصنوعی در دسترس نباشد یا کلیدی تعریف نشده باشد، برنامه با استفاده از منطق محلی، ماموریت‌هایی را تولید می‌کند. این امر باعث می‌شود تجربه اصلی در طول توسعه در دسترس باشد و وابستگی به یک سرویس خارجی واحد کاهش یابد.
توسعه‌دهندگان می‌توانند با کلون کردن مخزن PriyankV25 در گیت‌هاب و نصب وابستگی‌ها از طریق npm install پروژه را اجرا کنند. در حالی که برنامه با سیستم جایگزین کار می‌کند، کاربران می‌توانند یک فایل .env.local با GROQ_API_KEY بسازند و GROQ_MODEL را روی llama-3.3-70b-versatile تنظیم کنند تا تولید زنده هوش مصنوعی فعال شود. سرور توسعه با npm run dev و بیلد تولیدی با npm run build و npm run start اجرا می‌شود.
این پروژه نشان می‌دهد که می‌توان از توان استدلالی مدل‌های زبانی برای خلق فعالیت‌های ساختاریافته در دنیای واقعی استفاده کرد، به‌جای آنکه صرفاً یک چت‌بات یا دستیار بهره‌وری دیگر بسازیم. در واقع، OUTSIDE ثابت می‌کند که شخصی‌سازی لزوماً به معنای داشتن یک پروفایل کاربری دائمی یا دیتابیس رفتاری نیست و می‌توان با احترام به حریم خصوصی، کاربر را به فعالیت فیزیکی ترغیب کرد.
این رویکرد به سمت «هوش مصنوعی زودگذر» (Ephemeral AI) حرکت می‌کند؛ ابزارهایی که ارزش فوری ایجاد می‌کنند و سپس ناپدید می‌شوند، به‌جای آنکه سعی کنند مالک هویت دیجیتال کاربر باشند. در اینجا هدف، افزایش تعداد جلسات یا زمان حضور در اپلیکیشن نیست، بلکه افزایش زمان حضور در فضای باز است. نوآوری باز اجازه می‌دهد توسعه‌دهندگان دوباره فکر کنند که نرم‌افزار باید برای چه چیزی بهینه شود. این فلسفه مشابه رویکرد HearWild است که با استفاده از هوش مصنوعی محلی تلاش می‌کند کاربران را با کاهش وابستگی به نمایشگرها، دوباره به طبیعت بازگرداند.
همچنین، نوآوری باز گسترش این نوع اپلیکیشن‌ها را آسان‌تر می‌کند. توسعه‌دهندگان آینده می‌توانند مدل‌های وزن‌باز جایگزین، ارائه‌دهندگان استنتاج متفاوت یا در نهایت استنتاج محلی (Local Inference) را بسته به سخت‌افزار، تأخیر، هزینه و الزامات حریم خصوصی بررسی کنند.
برای بررسی پیاده‌سازی این پروژه، به مخزن گیت‌هاب PriyankV25 مراجعه کنید تا ببینید چگونه مدل‌های وزن‌باز می‌توانند در نرم‌افزارهای ضد-اعتیاد به کار گرفته شوند. 🌿 OUTSIDE — اسکرول کمتر، کاوش بیشتر.
گام بعدی شما
- اگر توسعه‌دهنده هستید، مخزن گیت‌هاب PriyankV25 را بررسی کنید تا ببینید چگونه می‌توان بدون دیتابیس، تجربه‌ای شخصی‌سازی‌شده ساخت.
- از مدل‌های وزن‌باز برای ساخت ابزارهای تک‌منظوره (Single-purpose) استفاده کنید تا وابستگی به اکوسیستم‌های بسته را کم کنید.
- برای کاهش اعتیاد دیجیتال، مکانیزم‌های «قطع اتصال» (Disconnect Ritual) را در طراحی رابط کاربری خود بگنجانید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو