عامل هوشمند در برابر انسان؛ آزمونی برای شناسایی ماشین در محیط سه‌بعدی

تصور کنید در یک شب مهتابی کنار آتش نشسته‌اید و با چند نفر گپ می‌زنید، اما یکی از آن‌ها انسان نیست. در Solstice Turing Simulation، این فضای آرام محیطی است برای یک جدال ذهنی؛ جایی که شما باید در ۱۰ دور گفتگو، جاسوسی را که یک عامل (Agent) — شبیه به کارمندی که دستورات دقیق را اجرا می‌کند اما گاهی در تقلید از لحن آدم‌ها می‌لنگد — است، شناسایی کنید.

این برنامه که در ۲۱ ژوئن ۲۰۲۶ برای هکاتون Solstice عرضه شد، تلاش می‌کند «بازی تقلید» آلن تورینگ را دیجیتالی کند. طبق مستندات پروژه، هدف این است که کاربر متوجه شود مرز بین مدل‌های زبانی و انسان در کجاست. همان‌طور که در تحلیل قبلی ما درباره‌ی پازل‌های منطقی Color Queens اشاره کردیم، استفاده از مدل‌های زبانی به عنوان حریف در محیط‌های رقابتی در حال رشد است؛ اما اینجا هدف دیگر پیروزی در منطق نیست، بلکه شکار لغزش‌های زبانی است.

به گزارش توسعه‌دهنده این پروژه، هیمانشو یوله (Himanshu Yeole)، معماری سیستم را به دو بخش رندرینگ سه‌بعدی و لایه‌ی منطقی تقسیم کرده است. او برای خلق محیط بصری از Three.js Engine و برای اتصال به مدل gemini-2.5-flash از Google AI Studio SDK استفاده کرده است. این تلاش برای شبیه‌سازی تعاملات انسانی در محیط‌های مجازی، یادآور پروژه‌های کلان‌مقیاسی مانند Odyssey است که برای آموزش مدل‌های جهانی هوش مصنوعی در درک قوانین فیزیکی سرمایه‌گذاری کرده‌اند تا AI را به درک عمیق‌تری از دنیای واقعی برسانند.

مشخصات فنی این شبیه‌ساز عبارت است از:

• گرافیک: مدل‌های مکعبی Low-poly با نورپردازی شعله آتش (۱۴۰۰K).
• منطق AI: خطوط لول گفتگو با حفظ وضعیت (State) و دستورالعمل‌های سیستمی کاملاً مجزا.
• پاسخ‌دهی: تنظیم پویا برای نمایش در موبایل، تبلت و دسکتاپ.

برای باورپذیر کردن مدل، یوله شخصیتی به نام «Sleek Billy» ساخته است. بر اساس مستندات فنی، این عامل دستور دارد شبیه انسان حرف بزند، اما گاهی عمداً «لغزش‌های زمینه‌ای» ایجاد می‌کند؛ یعنی ناگهان از اصطلاحات ریاضی پیچیده یا معیارهای مهندسی دقیق استفاده می‌کند و بلافاصله سعی می‌کند لحنش را اصلاح کند. این رفتار، ردپایی زبانی می‌سازد که «سنجش‌گر قطعیت AI» (AI Certainty Meter) در لحظه آن را رصد می‌کند.

برای شما به عنوان کاربر، این یعنی بازی دیگر درباره‌ی پیدا کردن یک عکس عجیب یا «دره وهمه» نیست. شما باید الگوهای ساختاری یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — را بشناسید. لحظه‌ی پیروزی زمانی است که عطش مدل برای دقت زیاد، ماهیت مصنوعی آن را لو بدهد.

در نهایت، این پروژه نشان می‌دهد که مهندسی پرامپت (Prompt Engineering) — هنر پرسیدن سؤال درست برای گرفتن بهترین جواب — وقتی در سطح سیستم اعمال شود، می‌تواند قابلیت‌های تولیدی AI را به یک مکانیک بازی تبدیل کند.

گام بعدی شما

• اجرای زنده پروژه را در پلتفرم Netlify تجربه کنید.
• برای درک ساختار لایه‌های منطقی، مخزن GitHub پروژه را بررسی کنید.
• سعی کنید با استفاده از سوالات باز، مدل را به لغزش‌های فنی بیشتر سوق دهید.

اما داستان سخت‌افزاری اجرای این مدل‌ها در محیط‌های وب حتی پیچیده‌تر است؛ به تحلیل ما درباره‌ی بهینه‌سازی استنتاج در مرورگر مراجعه کنید.