تصور کنید به جای خیره شدن به صفحه نمایش گوشی در میان جنگل، یک برگه کاغذی در دست دارید که دقیقاً می‌گوید همین هفته چه پرنده‌ای در این منطقه دیده شده است. پروژه This Week Outside دقیقاً همین تجربه را خلق می‌کند تا هوش مصنوعی را از محیط دیجیتال به مسیرهای پیاده‌روی منتقل کند. این ابزار که در ۱۲ اکتبر ۲۰۲۶ به عنوان بخشی از چالش Open-Source AI در Hacktoberfest منتشر شد، هدفش این است که تجربه تعامل با هوش مصنوعی را از پشت نمایشگر به دل طبیعت ببرد.
بسیاری از برنامه‌های فضای باز، کاربر را مجبور به تعامل مداوم با گوشی می‌کنند که باعث حواس‌پرتی از محیط می‌شود. این ابزار با انتقال تمام پردازش‌های سنگین به میز کار و تحویل یک برگه چاپ‌شده به کاربر، مدل رایج اپلیکیشن‌ها را وارونه می‌کند. این رویکرد در راستای موج «هوش مصنوعی محلی» (Local-first AI) است؛ همان‌طور که در تحلیل قبلی ما درباره‌ی توان عملیاتی مدل‌های زبانی روی مک‌مینی‌های M2 اشاره کردیم، بهینه‌سازی سخت‌افزاری برای اجرای مدل‌ها در لبه، اهمیت روزافزونی یافته است. این تلاش برای کاهش وابستگی به نمایشگرها، یادآور رویکرد TrailEcho در انتقال هوش مصنوعی به روی دستگاه است که پیش‌تر برای بهبود تجربه هایکینگ معرفی شده بود.
زمینه و طراحی
رابط کاربری این برنامه زیبایی‌شناسی خود را از سایت hacktoberfest.com وام گرفته است. این طراحی شامل یک بخش اصلی (Hero section) به رنگ سبز جنگلی با عبارت «چیزی وحشی در نزدیکی شماست»، پس‌زمینه‌هایی به رنگ کرم که یادآور کاغذهای قدیمی است و هنر استیکرهایی از پرندگان، قارچ‌ها و بلوط‌هاست. هدف نهایی این است که زمان حضور کاربر در مقابل صفحه نمایش، کوتاه‌ترین بخش از کل این تجربه باشد.
جزئیات فنی
به نقل از گزارش dev.to، این سامانه از طریق یک خط لوله (Pipeline) سه مرحله‌ای مشخص عمل می‌کند:
۱. بازیابی داده‌ها: برنامه نام شهر را از کاربر می‌گیرد، مختصات جغرافیایی را برای حفظ حریم خصوصی تا حدود ۱ کیلومتر گرد می‌کند و سپس از پایگاه داده iNaturalist برای یافتن مشاهدات دو هفته اخیر استعلام می‌گیرد. سپس این داده‌ها را با یک خط مبنای ۶۰ روزه مقایسه می‌کند تا گونه‌هایی را که «به تازگی ظاهر شده‌اند» شناسایی کند.
۲. بستر محیطی: سیستم یک پیش‌بینی ۷ روزه از Open-Meteo را ادغام می‌کند تا بهترین روز برای پیاده‌روی را شناسایی کرده (که با یک علامت ★ مشخص می‌شود) و زمان دقیق «ساعت طلایی» (Golden Hour) را برای عکاسی و مشاهده طبیعت تعیین کند.
۳. تولید محلی: یک مدل زبانی کوچک با وزن‌های باز (Open-weight) و حدود ۳ میلیارد پارامتر که از طریق Ollama، llama.cpp، LM Studio یا vLLM اجرا می‌شود، یک مقدمه دوستانه، یک ماموریت هفتگی و نکات خاص برای هر گونه (در مورد اینکه به چه چیزی باید نگاه کرد یا گوش داد) می‌نویسد.
معماری سیستم
این پروژه در قالب یک اپلیکیشن Flask (فایل app.py) سازماندهی شده است که چندین ماژول تخصصی را هماهنگ می‌کند:
inat.py: مسئولیت شمارش گونه‌های iNaturalist و مدیریت خط مبنای ۶۰ روزه را بر عهده دارد.weather.py: پیش‌بینی ۷ روزه Open-Meteo و امتیازدهی برای یافتن بهترین روز را مدیریت می‌کند.geocode.py: نام مکان‌ها را به عرض و طول جغرافیایی تبدیل می‌کند.llm.py: از طریق یک سرور سازگار با OpenAI، با مدل محلی ارتباط برقرار می‌کند.
پشته فنی (Tech Stack) به‌طور عمدی بسیار سبک طراحی شده است و از Python، Flask و جاوااسکریپت خام (Vanilla JS) بدون هیچ مرحله Build استفاده می‌کند. از آنجا که این ابزار از مدل‌های باز و داده‌های عمومی استفاده می‌کند، به هیچ کلید API نیاز ندارد و هیچ هزینه عملیاتی برای کاربر ایجاد نمی‌کند.
فلسفه نوآوری باز
سازنده پروژه اشاره می‌کند که معماری سیستم از فلسفه «داده‌ها تصمیم می‌گیرند، مدل تزیین می‌کند» پیروی می‌کند. این یک ضرورت است، زیرا یک مدل ۳ میلیارد پارامتری در مقایسه با مدل‌های پیشرو (Frontier Models) قابلیت اطمینان کمتری دارد و ممکن است گاهی در ارائه نکات مربوط به گونه‌ها دچار اشتباه شود. برای کاهش این ریسک، سیستم از یک اعتبارسنج (Validator) و یک سیستم جایگزین امن (Safe Fallback) استفاده می‌کند.
این رویکرد چهار مزیت کلیدی را فراهم می‌کند:
- حریم خصوصی: متن‌های هوش مصنوعی به‌صورت محلی نوشته می‌شوند؛ تنها مختصات گردشده و نام مکان‌ها از دستگاه خارج می‌شوند.
- هزینه: داده‌های باز به این معناست که هیچ صورت‌حساب یا سطح اشتراکی برای پرداخت وجود ندارد.
- انعطاف‌پذیری: کاربران می‌توانند تنها با تغییر یک متغیر، مدل یا سرور خود را تعویض کنند.
- کاربرد آفلاین: هنگامی که برگه چاپ‌شده با چک‌باکس‌ها و فضای خط‌کشی شده برای یادداشت‌های میدانی آماده شد، مسیر پیاده‌روی را به هیچ اتصالی نیاز نیست.
این رویکرد نشان‌دهنده چرخش به سمت «هوش مصنوعی نامرئی» است؛ جایی که مدل به جای اینکه خودش مقصد باشد، به عنوان کامپایلری برای تجربیات فیزیکی عمل می‌کند. برای کاربر، این بدان معناست که ارزش هوش مصنوعی با این معیار سنجیده می‌شود که هرچه سریع‌تر به او اجازه دهد دستگاه خود را کنار بگذارد. این پروژه ثابت می‌کند که مدل‌های ۳ میلیارد پارامتری برای کارهای کاربردی و محدود، وقتی بر پایه داده‌های سخت استوار باشند، کاملاً کافی هستند.
اگر می‌خواهید این رویکرد محلی را امتحان کنید، می‌توانید Dockerfile پروژه و جریان‌های کاری CI (که روی پایتون ۳.۱۰، ۳.۱۱ و ۳.۱۲ اجرا می‌شوند) را در مخزن Hacktoberfest 2026 بررسی کنید تا نمونه شخصی خود را مستقر نمایید.
گام بعدی شما
- اگر به اجرای مدل‌های محلی علاقه دارید، مخزن پروژه در Hacktoberfest ۲۰۲۶ را بررسی کنید.
- از Dockerfile پروژه برای استقرار نمونه شخصی خود روی پایتون ۳.۱۰ تا ۳.۱۲ استفاده کنید.
- سعی کنید مدل‌های مختلف ۳B را در Ollama جایگزین کنید تا کیفیت خروجی را مقایسه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو