تصور کنید دستیاری دارید که به‌جای خواندن هزاران ایمیل کاری، با یک نگاه به عکس‌های سال گذشته شما می‌فهمد که عاشق سفر به مناطق مدیترانه‌ای هستید یا فرزندتان اکنون در چه سطحی از اسکیت‌سواری است. ماریسا مایر (Marissa Mayer)، مدیرعامل سابق یاهو، معتقد است گالری تصاویر شما داده‌های معنادارتری نسبت به صندوق ورودی ایمیلتان دارد.
طبق اعلام مایر در ۲۹ سپتامبر ۲۰۲۶، دستیار شخصی Dazzle با نادیده گرفتن برنامه‌های متنی مانند ایمیل‌ها و تقویم‌ها، پروفایل کاربر را کاملاً بر اساس رول دوربین (Camera Roll) می‌سازد. در حالی که اکثر عامل‌های هوش مصنوعی فعلی برای حدس زدن علایق شما به تاریخچه خرید یا دعوت‌نامه‌های تقویم تکیه می‌کنند، مایر استدلال می‌کند که عکس‌ها منبعی دست‌کم گرفته شده‌اند و هر گالری تصویری معادل میلیون‌ها کلمه ارزش دارد. این رویکرد تلاش می‌کند تا اصطکاک حریم خصوصی را کاهش دهد؛ چرا که کاربران معمولاً دسترسی به پیام‌های حساس را سخت‌تر از دسترسی به عکس‌ها می‌پذیرند.
زمینه و رقابت
ابزار Dazzle وارد بازاری شلوغ شده است. مایر در حال رقابت با موجی از ابزارهای مشابه است که طی ماه گذشته بازار را اشباع کرده‌اند، از جمله Muse و Instinct متعلق به شرکت متا (Meta). این رقابت در حالی شدت می‌گیرد که اپلیکیشن Muse متا پیش از این با جذب میلیون‌ها کاربر در آمریکای شمالی توانسته است جایگاه خود را در بازار دستیارهای هوشمند تثبیت کند.
مایر استدلال می‌کند که کاربران ممکن است در تحویل دادن کتابخانه عکس‌های خود احساس راحتی بیشتری کنند تا دادن دسترسی به داده‌های حساسی مانند ایمیل‌ها و پیام‌ها. او برای رفع نگرانی‌های امنیتی تأکید کرد که Dazzle اولویت را به حریم خصوصی می‌دهد و هرگونه اطلاعات شخصی را که هوش مصنوعی به عنوان «حساس» علامت‌گذاری کند، دور می‌ریزد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های چندوجهی اشاره کردیم، دسترسی به داده‌های بصری لایه‌ای از حریم خصوصی را می‌طلبد که Dazzle سعی دارد با حذف داده‌های حساس شناسایی‌شده، آن را مدیریت کند.
Dazzle در دسامبر ۲۰۲۵ مبلغ ۸ میلیون دلار سرمایه اولیه (Seed Round) جذب کرد تا موتور زمینه‌سازی بصری (Visual-first Context Engine) خود را توسعه دهد. این دستیار که از طریق یک اپلیکیشن اختصاصی یا پیام‌های متنی کار می‌کند، کاربرد خود را به دو حالت اصلی تقسیم می‌کند:
اجرای سریع وظایف
- تجزیه بصری: مدل عکس‌های اخیر را اسکن می‌کند تا داده‌های عملیاتی و قابل اجرا را استخراج کند.
- یکپارچگی با تقویم: این ابزار می‌تواند مستقیماً از روی عکس یک فلایر یا پوستر رویداد، برنامه کاربر را پر کند.
- کشف خدمات: برای مثال، مدل می‌تواند مشکلی را شناسایی کند — مانند عکسی از یک درب گاراژ خراب — و در یافتن یک تعمیرکار مناسب کمک کند.
کشف شخصی‌سازی‌شده
- نقشه‌برداری علایق: مدل با تحلیل کتابخانه تصاویر، سرگرمی‌ها، سلیقه غذایی، ترجیحات استایل و نحوه گذراندن زمان شما را استنتاج می‌کند — یعنی لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی است نه دوره‌ی آموزش آشپز.
- شناخت خانواده: مایر اشاره می‌کند که هوش مصنوعی می‌تواند بفهمد فرزندان کاربر به چه نوع چیزهایی علاقه دارند یا مثلاً آیا کاربر به اسکی علاقه دارد یا خیر.
- توصیه‌های سفارشی: پیشنهاد مقاصد تعطیلات یا هدایای تولد بر اساس شواهد بصری گذشته صورت می‌گیرد.
در یک دموی زنده، مایر نشان داد که مدل با اسکن عکس‌ها، علاقه خانواده‌اش به «اتاق‌های فرار» (Escape Rooms) را تشخیص داده و پیشنهاداتی دقیق برای مکان‌های محلی در منطقه خلیج سان‌فرانسیسکو ارائه کرده است که مایر پیش از آن هرگز درباره آن‌ها نشنیده بود. آزمایش‌ها نشان داد مدل می‌تواند سفرهای گذشته به اسپانیا و یونان را به هم وصل کند تا تعطیلات مدیترانه‌ای پیشنهاد دهد، هرچند بر اساس سفری در چهار سال پیش، سیسیلی را هم پیشنهاد کرد.
با این حال، مدل هنوز نقاط کوری دارد. Dazzle در منطق زمانی (Temporal Logic) دچار مشکل است؛ مثلاً وقتی درباره هدیه تولد سوال شد، سطح فعلی مهارت فرزند مایر در اسکیت‌سواری را فراموش کرده بود. با این وجود، ایده‌های بسیار شخصی مانند یک استودیو سفالگری محلی یا تور کایاک در خلیج تومالس (Tomales Bay) که دارای پدیده‌ی زیست‌تابی (Bioluminescent) است را پیشنهاد داد.
این محصول دنباله‌رو پروژه Sunshine در سال ۲۰۲۴ است که ابزاری به نام Shine برای اشتراک عکس‌ها عرضه کرده بود. اگرچه آن محصول به‌دلیل طراحی قدیمی و نرخ پایین استفاده بسته شد، اما مایر می‌گوید «مالکیت معنوی (IP) جالبی» که در آنجا توسعه یافت، راه را برای Dazzle هموار کرد.
برای کاربر عادی، این یک چرخش در نحوه «شناخت» هوش مصنوعی از انسان است. به‌جای ردپای دیجیتال تراکنش‌ها و قرارهای ملاقات، مدل شخصیتی را بر اساس تجربیات زیسته که در تصاویر ثبت شده‌اند، می‌سازد. این یعنی تبدیل هوش مصنوعی از یک منشی که زمان شما را مدیریت می‌کند به همراهی که سلیقه‌تان را می‌فهمد.
با این حال، موفقیت Dazzle به این بستگی دارد که آیا کاربران به اسکن بصری بیشتر از اسکن متنی اعتماد می‌کنند یا خیر. در حالی که مایر ادعا می‌کند هوش مصنوعی اطلاعات حساس علامت‌گذاری شده را دور می‌ریزد، اما صمیمیت و خصوصی بودن یک گالری عکس، استاندارد بالایی برای اعتماد ایجاد می‌کند. اگر این مدل موفق شود، رقبایی مثل Muse یا Instinct متعلق به متا را مجبور می‌کند استراتژی‌های جذب داده‌های خود را بازنگری کنند.
گام بعدی شما
- بررسی کنید آیا گالری عکس‌های شما الگوهای رفتاری مشخصی دارد که یک مدل چندوجهی (Multimodal) — مدلی که هم‌زمان متن و عکس را می‌فهمد، شبیه ما که با چند حس دنیا را می‌خوانیم — بتواند تحلیل کند.
- دنبال کنید که Dazzle چگونه از توصیه‌های ساده به برنامه‌ریزی فعال از طریق اتصال به سرویس‌های شخص ثالث حرکت می‌کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو