اگر یک عامل هوش مصنوعی را مدیریت می‌کنید، احتمالاً متوجه شده‌اید که کاربران اغلب چیزی می‌گویند که هرگز انجام نمی‌دهند. این شکاف میان «ادعا» و «عمل»، دقیقاً همان جایی است که اکثر سیستم‌های فعلی شکست می‌خورند و غیرقابل‌اعتماد به نظر می‌رسند. این شکاف باعث می‌شود عامل‌ها در محیط‌های تجاری واقعی، احمق یا غیرقابل‌اتکا به نظر برسند؛ درسی که شرکت ZWISERFIT طی یک دهه فعالیت و هزاران بار شکست، به روشی سخت آموخت.
به نقل از مستندات شرکت ZWISERFIT، این شرکت در ۳۱ جولای ۲۰۲۶ ابزار LAO را معرفی کرد؛ یک لایه کالیبراسیون قطعی (Deterministic Calibration Layer) که طراحی شده تا مانع از این شود که عامل‌های هوشمند، کلمات انسان‌ها را بر رفتارهای واقعی آن‌ها ترجیح دهند. اکثر عامل‌ها دچار یک نقص حیاتی هستند: آن‌ها قصد کاربر را عیناً و بدون چون و چرا می‌پذیرند. برای مثال، وقتی مشتری به یک عامل می‌گوید «من فردا می‌آیم»، اکثر سیستم‌ها این جمله را به عنوان یک حقیقت قطعی ثبت می‌کنند. در حالی که داده‌های واقعی صنعت خرده‌فروشی نشان می‌دهند فاصله عمیقی بین آنچه مردم می‌گویند و آنچه واقعاً انجام می‌دهند وجود دارد.
زمینه و ریشه‌های تحلیل رفتاری
برای رسیدن به این راهکار، تیم ZWISERFIT هفت سال تمام یک فروشگاه فیزیکی واقعی را در شهر وان‌جیانگ (Wanjiang) چین اداره کرد. این یک فروشگاه تکنولوژی نبود، بلکه مکانی بود که در آن اعضا وارد می‌شدند، قصد خود را بیان می‌کردند و سپس اغلب کاری کاملاً متفاوت با گفته‌هایشان انجام می‌دادند. آن‌ها کشف کردند که شکاف بین «قصد بیان‌شده» و «رفتار واقعی»، یکی از ارزشمندترین سیگنال‌ها در هر کسب‌وکاری است، با این حال تقریباً هیچ سیستم هوش مصنوعی فعلی این مورد را محاسبه نمی‌کند.
آن‌ها دریافتند که نمی‌توان هفت سال مشاهده عینی در یک فروشگاه را صرفاً در قالب یک پرامپت (Prompt) به مدل داد. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، انتقال دانش از سطح متنی به لایه‌های عمیق‌تر، کلید پایداری است. در واقع، این رویکرد با این دیدگاه هم‌سو است که تغییر معماری سیستم‌ها جایگزین مهندسی پرامپت برای رفع توهم مدل‌ها شده است تا دقت پاسخ‌ها را افزایش دهد. در اینجا، این دانش باید به شکل «پیش‌فرض‌های رفتاری» (Behavioral Priors)، «وزن‌های الگو» (Pattern Weights) و «احتمالات انتقال مارکوف» (Markov Transition Probabilities) تقطیر شود. این تبدیل، هوش مدل را از سطح پرامپت به خودِ وزن‌ها منتقل می‌کند؛ وزن‌هایی که به جای آزمایشگاه، کتاب‌های درسی یا بنچمارک‌ها، از مشاهدات مستقیم دنیای واقعی استخراج شده‌اند.
موتور BMC و سازوکار فنی
طبق گزارش این شرکت، موتور LAO از یک زنجیره مارکوف رفتاری (Behavioral Markov Chain یا BMC) استفاده می‌کند تا به‌جای تکیه بر حدس‌های یک مدل زبانی بزرگ (LLM) درباره آنچه رخ خواهد داد، گام بعدی را بر اساس رفتارهای مشاهده‌شده پیش‌بینی کند. مدل‌های زبانی شبیه کتابخانه‌داری هستند که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهند، اما BMC بر اساس احتمالات ریاضی عمل می‌کند. سازوکارهای کلیدی این موتور عبارت‌اند از:
- مدل‌سازی زوال قصد (Intent-Decay Modeling): سیستم رصد می‌کند که چگونه یک قول با گذشت زمان ضعیف می‌شود. لایه LAO تشخیص می‌دهد که هرچه تاریخ وعده داده شده دورتر شود، احتمال اجرای آن قول توسط انسان کاهش می‌یابد.
- چاه‌های ردپای رفتاری (Behavioral Trail Sinks): موتور الگوهای تکرار شونده را شناسایی می‌کند. برای مثال، اگر یک عضو به‌طور مداوم روزهای چهارشنبه غایب است، سیستم این الگوی شکست خاص را کدگذاری کرده و در پیش‌بینی‌های آینده لحاظ می‌کند.
- لنگر انداختن قطعی (Deterministic Anchoring): با استفاده از این وزن‌های ریاضی، LAO یک لایه کالیبراسیون ایجاد می‌کند که تضمین می‌کند عامل‌ها بر اساس احتمال و تاریخچه عمل کنند، نه بر اساس اعتماد ساده‌لوحانه به کلمات کاربر.
معماری خندق رقابتی
ZWISERFIT در معماری خود یک تفکیک استراتژیک میان نرم‌افزار (کد) و هوشمندی (داده) ایجاد کرده است. در دنیای متن‌باز ضرب‌المثلی هست که می‌گوید: «کد شما رایگان است، اما خندق رقابتی شما در چیزی است که با آن کد می‌کنید».
موتور (متن‌باز): کد این موتور تحت لایسنس Apache 2.0 منتشر شده و از طریق دستور
pip install laoدر دسترس است. توسعه‌دهندگان می‌توانند سورس کد را بخوانند، آن را فورک کنند یا کپی کنند. کد در اینجا صرفاً به عنوان یک کانال جذب کاربر عمل می‌کند.پیش‌فرض‌ها (خصوصی): ماتریس انتقال BMC — یعنی همان اعداد دقیقی که کد می‌کنند «این نوع کاربر پس از گفتن جمله X، چقدر احتمال دارد قولش را عملی کند» — خصوصی و محرمانه باقی مانده است. این ماتریس نماینده یک دهه احتمالات شرطی است که از یک بافت اقتصادی واقعی استخراج شده است.
به باور «کالکتیو ۹-عامل» در ZWISERFIT، کد تنها «چرخ» است، اما پیش‌فرض‌های رفتاری، «چرخش‌های انباشته‌شده» هستند. در حالی که یک رقیب می‌تواند کد را در یک روز کپی کند، بازسازی وزن‌های الگو نیازمند هفت سال اداره یک فروشگاه فیزیکی و مشاهده مشتریان واقعی است. این الگوها همان چیزی هستند که هفت سال صبر خریداری می‌کند.
چرخ‌دنده داده‌ای (Data Flywheel)
این ساختار یک چرخ‌دنده داده‌ای ایجاد می‌کند که با هر کاربر جدید، محصول را تقویت می‌کند:
۱. استقرار (Deploy): توسعه‌دهندگان موتور متن‌باز را نصب می‌کنند تا لایه‌ای برای کالیبراسیون عامل‌های خود داشته باشند.
۲. مشاهده (Observe): موتور از نتایج واقعی استقرار یاد می‌گیرد تا ببیند آیا پیش‌بینی‌ها درست بوده‌اند یا خیر.
۳. تقطیر (Distill): الگوهای رفتاری تأییدشده مجدداً به وزن‌های خصوصی BMC بازمی‌گردند.
۴. بهبود (Improve): هستی‌شناسی لنگر‌انداخته (Anchored Ontology) با هر بار استقرار، دقیق‌تر و قدرتمندتر می‌شود.
نقشه راه و چشم‌انداز
ابزار LAO یک ابزار مستقل نیست، بلکه اولین نقطه ورود در یک توالی برنامه‌ریزی شده است. شرکت قصد دارد کاربران را از طریق یک خط لوله مشخص هدایت کند:
LAO (لایه کالیبراسیون) $
ightarrow$ Melody (مربی هوش مصنوعی متابولیک) $
ightarrow$ ZWISERFIT (پشته کامل/Full Stack)
با رایگان دادن لایه کالیبراسیون، شرکت هدف دارد به زیرساخت پیش‌فرض برای «قابلیت اطمینان» (Reliability) در اکوسیستم عامل‌ها تبدیل شود. در سال ۲۰۲۶، پیروزی در یک category به معنای انبار کردن هسته تکنولوژی نیست، بلکه به معنای تبدیل شدن به لایه پیش‌فرض برای هر عاملی است. اعتماد از طریق ارائه چیزی به دست می‌آید که بر پایه شواهد دنیای واقعی بنا شده باشد، نه وعده‌های توخالی.
برای کاربر نهایی، این به معنای عامل‌هایی است که دیگر مانند ماشین‌های ساده رفتار نمی‌کنند و شروع می‌کنند به رفتاری شبیه انسان‌هایی که «به خاطر می‌آورند». ZWISERFIT (که توسط کالکتیوی با ۱۲۰ روز تجربه عامل‌های خودمختار ساخته شده) با بهره‌گیری از لنگر انداختن قطعی، شکاف بین ماهیت احتمالی LLMها و نیاز به اجرای قابل‌اطمینان در کسب‌وکار را پر کرده است.
گام بعدی شما
- اگر در حال توسعه عامل‌های تجاری هستید، کتابخانه
laoرا برای بررسی نحوه مدیریت «عدم تطابق قصد و عمل» بررسی کنید. - مدل‌های فعلی خود را با داده‌های رفتاری واقعی (به‌جای متنی) به چالش بکشید تا نرخ توهم در پیش‌بینی‌ها کاهش یابد.
- استراتژی تفکیک «کد متن‌باز» از «وزن‌های خصوصی» را برای ایجاد خندق رقابتی در محصولات خود به کار ببرید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو