اگر امروز برای هر درخواست به مدل‌های هوش مصنوعی هزینه پرداخت می‌کنید، Lumina می‌خواهد این صورت‌حساب را به صفر برساند. این عامل خودگردان که در ۱۷ سپتامبر ۲۰۲۶ معرفی شد، برخلاف اکثر مدل‌ها، بدون استفاده از APIها یا چارچوب‌های موجود و از پایه ساخته شده است.
این پروژه تلاشی است برای شکستن بن‌بست‌های معماری و هزینه‌ای که مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — را محدود کرده است. طبق گزارش وب‌سایت dev.to، هدف Lumina عبور از «تلهٔ حفظ‌کردن» است؛ وضعیتی که در آن مدل‌ها آزمون‌ها را پاس می‌کنند اما هوش واقعی ندارند. این رویکرد در حالی پیش می‌رود که رقبا نیز در تلاش برای دستیابی به هوش عمومی هستند، چنان‌که اخیراً بحث‌ها پیرامون توانمندی‌های GPT-6 Astra در عبور از مرزهای AGI شدت گرفته است.
همان‌طور که در تحلیل قبلی ما درباره‌ی مدل‌های زبانی با پارامتر نامحدود اشاره کردیم، آینده به سمت وزن‌های پویا می‌رود. Lumina دقیقاً همین مسیر را دنبال می‌کند تا به‌جای وزن‌های استاتیک، به انطباق‌پذیری شبیه به مغز انسان برسد.
بر اساس مستندات این پروژه، Lumina چندین تئوری شناختی پیشرفته را در معماری ترکیبی خود جای داده است:
- انعطاف‌پذیری سیناپسی (Synaptic Plasticity): اجازه می‌دهد مدل اتصالات خود را به‌صورت پویا تغییر دهد.
- هوش سیال لوب پیشانی: شبیه‌سازی توانایی حل مسئله در انسان.
- اصل انرژی آزاد و تئوری فضای کاری جهانی: پیاده‌سازی مکانیسم‌های بیولوژیک برای پردازش اطلاعات.
برای اثبات این ادعاها، تیم توسعه کتابخانه AGI Gauntlet را برای محک‌زنی سخت‌گیرانه و رابط کاربری AGI Bench 2026 را برای مقایسه با مدل‌های تجاری مثل Google Gemini عرضه کرده است. این تلاش برای استانداردسازی سنجش AGI، همزمان با دغدغه‌های امنیتی پیش می‌رود؛ موضوعی که مرکز تحقیقاتی DeepMind را به دنبال ایجاد ساختاری برای حکمرانی بر ریسک‌های AGI سوق داده است.
به نقل از گزارش‌های منتشر شده، این پروژه قصد دارد «سد هزینه‌ای» را به‌طور کامل حذف کند. Lumina کاملاً بازمتن خواهد بود و هم API و هم رابط چت آن رایگان ارائه می‌شود. انتظار می‌رود وزن‌های باز (Open Weights) — یعنی دستور پخت مدل که علناً منتشر می‌شود — به‌زودی در Hugging Face قرار بگیرند.
این استراتژی چالشی مستقیم برای مدل‌های درآمدزایی مبتنی بر API است. با ترکیب دسترسی آزاد و مکانیسم‌های زیستی، هدف از صرفاً افزایش پارامترها به بازسازی کارایی هوش بیولوژیک تغییر کرده است. برای توسعه‌دهندگان، این یعنی جایگزینی توکن‌های گران‌قیمت با مدل‌های محلی که در لحظه یاد می‌گیرند. این تحول در حالی رخ می‌دهد که بیش از نیمی از سازمان‌ها پیش از این عامل‌های هوش مصنوعی را در محیط‌های عملیاتی خود پیاده کرده‌اند و اکنون به دنبال بهینه‌سازی هزینه‌ها هستند.
گام بعدی شما
- کتابخانه AGI Gauntlet را از طریق pip نصب کنید تا توانایی عامل‌های خود را بسنجید.
- مدل‌های پیشین این تیم یعنی Velocity Nova Prime و A.R.N.A.V Omni را در Hugging Face Spaces بررسی کنید.
- منتظر انتشار وزن‌های Lumina باشید تا امکان میزبانی شخصی را آزمایش کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو