تصور کنید می‌خواهید شهری را بسازید اما به‌جای طراحی نقشه و شبکه‌ی فاضلاب، مستقیماً سراغ رنگ‌آمیزی دیوارهای خانه‌ها می‌روید. بسیاری از توسعه‌دهندگان امروز دقیقاً همین اشتباه در دنیای هوش مصنوعی تکرار می‌کنند.
به نقل از یک ژورنال مهندسی که در ۲۹ ژوئیه ۲۰۲۶ منتشر شد، هرج‌ومرج فعلی در عرضه ابزارهای هوش مصنوعی باعث شده است که «سیستمِ پشتِ سیستم‌ها» نادیده گرفته شود. نویسنده ادعا می‌کند ریسک حلِ مشکل اشتباه، بسیار بیشتر از نوشتن کدهای ناکارآمد است و برای مقابله با این وضعیت، مفهوم لایه عملیاتی هوش مصنوعی (AI Operating Layer) را تعریف کرده است. این رویکرد در واقع پاسخی به این واقعیت است که تغییر در معماری سیستم‌ها اکنون راهکار جایگزین و کارآمدتری نسبت به مهندسی پرامپت برای رفع توهمات مدل‌ها شده است.
این پروژه در زمانی متولد شده که بازار از چارچوب‌های پراکنده و پلتفرم‌های عامل‌محور اشباع شده است. در حالی که اکثر برنامه‌نویسان مستقیماً به سراغ پیاده‌سازی می‌روند — یعنی یک مدل را انتخاب کرده و محصول را عرضه می‌کنند — این رویکرد جدید بر درک معماری پیش از استقرار تأکید دارد. همان‌طور که در تحلیل قبلی ما درباره‌ی مدیریت حافظه در مدل‌های زبانی اشاره کردیم، حرکت از اپلیکیشن‌های ساده به سمت یک اکوسیستم منسجم، کلید پایداری این سیستم‌هاست.
بر اساس گزارش dev.to، لایه عملیاتی هوش مصنوعی اکنون در مراحل زیربنایی خود قرار دارد که شامل موارد زیر است:
- معماری فنی و مستندات جامع
- پژوهش‌ها و نمونه‌های اولیه (Prototypes)
- مجموعه‌ای در حال رشد از ایده‌های سیستمی
این پروژه که در ابتدا به عنوان یک موتور سنتز تخصصی شروع شده بود، اکنون به چشم‌اندازی گسترده‌تر از یک «اکوسیستم دانش زنده» تبدیل شده است. این سیستم به‌گونه‌ای طراحی شده تا به‌جای ایستا بودن، به‌طور مداوم یاد بگیرد و قابلیت‌های جدید را با خود ادغام کند. برای کسانی که به دنبال تسلط بر این ابزارهای پیچیده هستند، استفاده از متدهای ساختاریافته‌ای مانند چارچوب 4D می‌تواند مسیر تبدیل شدن از یک کاربر ساده به متخصص هوش مصنوعی را هموار کند.
برای یک سازنده با دیدگاه تجاری، این تغییر به معنای جابه‌جایی ارزش است؛ یعنی ارزش دیگر در خودِ ابزار هوش مصنوعی نیست، بلکه در زیرساختی است که آن را مدیریت می‌کند. اثر درجه‌دوم این تحول، حرکت به سمت مهندسی «بنیاد-محور» (Foundation-first) است، جایی که توانایی ارکستراسیون حافظه و سیاست‌ها به اصلی‌ترین مزیت رقابتی تبدیل می‌شود.
موفقیت این طرح با عرضه یک محصول سنجیده نمی‌شود، بلکه معیار واقعی این است که آیا این زیربنای معماری می‌تواند از یک سیستم یادگیرنده و در حال رشد پشتیبانی کند یا خیر. نویسنده قصد دارد تمام شکست‌ها و بازطراحی‌های مسیر را به‌طور شفاف به اشتراک بگذارد تا فرآیند واقعی اکتشاف ثبت شود.
گام بعدی شما
- بررسی یادداشت‌های فنی نویسنده برای درک تفاوت بین «محصول‌محوری» و «معماری‌محوری» در AI.
- بازنگری در ساختار حافظه ابزارهای عامل‌محوری که در حال توسعه آن‌ها هستید.
- تمرکز بر لایه‌ی سیاست‌گذاری (Policy) پیش از انتخاب مدل نهایی.
اما این بحث معماری تنها نیمی از داستان است؛ چالش‌های سخت‌افزاری برای اجرای چنین لایه‌های عملیاتی را در گزارش‌های آتی بررسی خواهیم کرد.
گفتگو