اگر امروز روی آیندهٔ مالی OpenAI شرط‌بندی کرده‌اید، باید بدانید که مسیر عرضه سهام این شرکت در سال ۲۰۲۶ بسته شد. سام آلتمن در گفتگو با آلیسون شونتِل از مجله فورچون در ۱۵ سپتامبر ۲۰۲۴، عرضه عمومی سهام (IPO) را در این بازه زمانی «نابهنگام» توصیف کرد. آلتمن صراحتاً تأیید کرد که OpenAI در سال جاری میلادی به دنبال عرضه عمومی نخواهد بود و دلیل این تصمیم را نیاز به اولویت‌بندی کارهای حیاتی باقی‌مانده در زمینه‌های ایمنی، کنترل و همراستاسازی (Alignment) دانست.
همراستاسازی شبیه تنظیم کردن قطب‌نمای یک کشتی برای رسیدن به مقصد درست است، نه فقط سریع‌تر رفتن. این تصمیم در حالی می‌آید که صنعت در یک نقطه عطف متلاطم در مورد سرعت توسعه قرار دارد. در حالی که برخی از رهبران صنعت خواستار یک توقف استراتژیک برای کاهش ریسک‌های وجودی (Existential Risks) هستند، فشارهای سیاسی در ایالات متحده برای شتاب حداکثری فشار می‌آورند تا سلطه جهانی آمریکا بر این فناوری حفظ شود.
تصور کنید در مسابقه‌ای هستید که دونده‌های پیشرو بحث می‌کنند آیا برای یک بررسی ایمنی توقف کنند یا خیر، در حالی که مربی از کنار زمین فریاد می‌زند که سریع‌تر بدوید. این دقیقاً وضعیت فعلی آزمایشگاه‌های پیشرو هوش مصنوعی است. همان‌طور که در تحلیل‌های قبلی ما درباره امنیت مدل‌های بازمتن اشاره کردیم، تضاد میان سرعت توسعه و کنترل‌پذیری، بزرگ‌ترین چالش این دهه است.
بحث بزرگ بر سر سرعت توسعه
داریو آمودی از شرکت Anthropic اخیراً در مقاله‌ای با عنوان «سرعت در مرزها» (Pace the Frontier)، استدلال کرد که آزمایشگاه‌های پیشرو باید به دلایل ایمنی، عمداً سرعت خود را کاهش دهند. اگرچه آلتمن با این احساس و دیدگاه موافق است، اما واقعیت سیاسی کاملاً متفاوت است. در اجلاس All-In، دونالد ترامپ با دعوت از جنسن هوانگ به روی صحنه، صراحتاً اعلام کرد که ایالات متحده اجازه نخواهد داد رقابت هوش مصنوعی را ببازد.
دیوید ساکس، مسئول هوش مصنوعی (AI Czar) در دولت آمریکا، دیدگاه متفاوتی ارائه داد: او معتقد است آزمایشگاه‌های انفرادی در کاهش سرعت آزادند، اما دولت هرگز چنین محدودیت‌هایی را برای کل صنعت تحمیل نخواهد کرد.
این بحث به چندین دیدگاه ایمنی گسترش یافته است. گفتگوهای فعلی شامل استدلال‌هایی است که می‌گوید کاهش سرعت برابر با پذیرش شکست و ضرر است، یا اینکه ترس سریع‌تر از واقعیت‌ها پخش می‌شود. همچنین بحث‌های خاصی درباره توسعه مدل‌های بازمتن (Open-source) در جریان است. برخی منتقدان استدلال می‌کنند که فشار برای ایمنی صرفاً استراتژی‌ای برای آماده‌سازی برای IPO است، در حالی که برخی دیگر هشدار می‌دهند که هوش مصنوعی می‌تواند به دو روش متمایز به مسیر بدی برود.
ابزارهای جدید و به‌روزرسانی‌های API
به‌رغم بحث‌های سطح بالا درباره ایمنی، چرخه انتشار ابزارهای توسعه‌دهندگان همچنان تهاجمی است. OpenAI دو قابلیت مهم را به API خود اضافه کرده است:
- GPT-Live-1: مدل زیرساختی حالت صوتی جدید ChatGPT که اکنون برای ادغام در محصولات شخص ثالث در دسترس است. این مدل به‌ویژه برای خواندن کتاب‌ها، پرسش درباره اصطلاحات دشوار و دیکته کردن یادداشت‌ها کاربردی است.
- Agents API: یک چارچوب مدیریت عامل (Agent) — شبیه داشتن یک مدیر پروژه که کارهای پیچیده را بدون نیاز به نظارت لحظه به لحظه شما پیش می‌برد — که اجازه می‌دهد توسعه‌دهندگان بدون مدیریت زیرساخت‌های پیچیده، وظایف را به عاملی شبیه Codex بسپارند.
در همین حال، Anthropic ابزار Claude Code را به‌روزرسانی کرد تا یک مکانیزم تست را شامل شود. توسعه‌دهندگان اکنون می‌توانند یک وظیفه را با و بدون یک پلاگین اجرا کنند تا به‌صورت تجربی نتایج را مقایسه کرده و تعیین کنند که آیا یک مهارت خاص واقعاً عملکرد را بهبود می‌بخشد یا خیر. این قابلیت هم برای مهارت‌ها و هم برای پلاگین‌ها کار می‌کند.
به‌روزرسانی‌های دیگر شامل ChatGPT mini است؛ یک ویجت شناور کوچک برای شروع سریع چت‌ها و مشاهده به‌روزرسانی‌ها که از طریق بخش «Pets» در اپلیکیشن دسکتاپ قابل دسترسی است. همچنین Routines in Replit معرفی شده است که کارهای تکراری و دوره‌ای را با کمک هوش مصنوعی خودکار می‌کند.
ظهور عامل‌های شخصی
بازار به سمت «عامل‌های شخصی» پیش‌رونده حرکت می‌کند که به‌طور فعال (Proactive) عمل می‌کنند. Instinct، عامل جدیدی که مورد توجه سرمایه‌گذاران خطرپذیر است، سعی می‌کند پیگیری‌های بعد از جلسات را به‌طور خودکار و مستقل انجام دهد. با این حال، بازخوردهای اولیه از یک «شکاف اصطکاکی» خبر می‌دهند. یکی از کاربران اشاره کرد که اولین پیام دریافتی از این عامل — «من کارهای بعد از جلسه شما را تمام کردم، اینجا جواب بدهید تا جزئیات را بفرستم» — بیشتر شبیه دستور یک رئیس بود تا کمک یک دستیار مفید.
سایر بازیگران نوظهور در فضای عامل‌ها عبارتند از:
- Muse: عامل شخصی شرکت Meta؛ هرچند نگرانی‌های جدی درباره نحوه مدیریت داده‌ها توسط متا و قابلیت اعتماد آن‌ها به عنوان یک شریک حریم خصوصی وجود دارد. این چالش‌های عملیاتی در تست‌های استرس اخیر مدل Muse مشهود است که نرخ شکست بالایی را در مقیاس گسترده نشان داد.
- Underdog: یک هوش مصنوعی شخصی که برای حداکثر حریم خصوصی، طراحی شده تا کاملاً روی دستگاه (On-device) اجرا شود.
- Cognition's SWE-2: این عامل کدنویسی که بر پایه Kimi K3 است، گزارش شده که در حالی که با نصف هزینه عمل می‌کند، از Grok 4.6 پیشی می‌گیرد.
مکانیزم‌های پیاده‌سازی عامل‌ها
توسعه‌دهندگان در حال کلنجار رفتن با این مسئله هستند که آیا اپلیکیشن‌های عامل‌محور باید از «بات‌ها» (Bots) استفاده کنند یا «وظایف» (Tasks). برخی استدلال می‌کنند که هر دو روش ناقص هستند زیرا کاربر را مجبور می‌کنند کارها را سازماندهی کند. در عوض، تمرکز اکنون به سمت ارکستراسیون (هماهنگ‌سازی) بی‌درز تغییر کرده است. این رویکرد در عین حال ریسک‌های جدیدی ایجاد می‌کند، مشابه آنچه در بررسی‌های مربوط به «هوش مصنوعی سایه» و خطرات مدیریت خودمختار ارتباطات شرکتی مشاهده شده است.
- مدیریت زمینه: یکی از نقاط درد اصلی، نبود دید پیش‌فرض به این مسئله است که عامل‌ها چه چیزهایی را به خاطر می‌آورند. کاربران ترجیح می‌دهند قابلیت مشاهده و ویرایش فایل‌ها را داشته باشند تا بتوانند عامل را به‌صورت دستی هدایت کنند.
- بهینه‌سازی: برای کسانی که از Astra استفاده می‌کنند، یک نکته حرفه‌ای این است که از مدل بخواهند اسکرین‌شات‌های اپلیکیشن را به صورت یک صفحه تماس (Contact Sheet) کلاژ کند. این کار تعداد فراخوانی‌های خواندن تصویر را به حداقل رسانده و در مصرف پنجره متنی (Context Window) — که مثل میز کاری است که فقط جای چند ورق دارد — صرفه‌جویی قابل توجهی می‌کند. این روش برای fable نیز کاربرد دارد.
- داده‌های محلی: در سیستم‌عامل macOS، اکنون می‌توان از عامل‌ها خواست تا فایل
~/Library/Application Support/Knowledge/knowledgeC.dbرا بررسی کنند تا فعالیت‌های کاربر را استنباط کرده و حقایق جالبی را از داده‌های ثبت‌شده استخراج کنند.
تغییرات اکوسیستم و محک‌ها
جریان‌های کاری توسعه‌دهندگان سریعاً در حال تغییر است. tldraw اخیراً OpenAI را به چالش کشید تا ابزار Sketch در ChatGPT را بهبود بخشد. استیو، مؤسس tldraw، ادعا کرد که می‌تواند آن را ۱۰۰ برابر بهتر کند و تیبو از OpenAI به او تنها یک روز فرصت داد تا این ادعا را ثابت کند. نتیجه، یک پروتوتایپ کامل به سبک ChatGPT با ابزارهای ترسیم برتر بود.
در بخش زیرساخت، SF autoresearch اکنون اجازه آزمایش‌های یادگیری ماشین (ML) توسط عامل‌ها را می‌دهد که به‌طور متوسط ۲۵٪ در هزینه GPU صرفه‌جویی می‌کند. در اقتصاد اشتراکی، داده‌های تجربی از کاربری به نام کون چن نشان می‌دهد که Grok در حال حاضر بیشترین ارزش توکن را برای کاربران حرفه‌ای فراهم می‌کند؛ به‌طوری که برخی بازگشت سرمایه (ROI) ۴۰ برابری (تقریباً معادل ۱۲ هزار دلار ارزش توکن) را روی هزینه اشتراک خود دیده‌اند.
ابزارهای دیگری مانند Bolt Forge که مدل‌های GLM، DeepSeek و Kimi را ادغام کرده (رایگان تا ۱۴ اکتبر) و ChatGPT Work که یک عامل داده جدید را عرضه کرده است، وارد میدان شده‌اند.
عنصر انسانی
با takeover وظایف مدیریتی توسط عامل‌ها، نقش‌های جدیدی در حال ظهور است. Core Auto در حال استخدام کارآموزانی است تا به عنوان «لبه انسانی» (Human Edge) برای کسب‌وکارهایی عمل کنند که در غیر این صورت کاملاً توسط عامل‌ها اداره می‌شوند. این نشان‌دهنده آینده‌ای است که انسان‌ها صرفاً به عنوان ناظر یا حل‌کننده استثنائات در سامانه‌های خودکار عمل می‌کنند.
این تغییر با باز ارزیابی تعامل انسان و هوش مصنوعی همراه است. برخی کاربران متوجه شده‌اند که دیکته کردن دشوار است و تایپ کردن بخشی از مغز را «باز می‌کند» که صحبت کردن فعال نمی‌کند. برخی دیگر از مفاهیم صنعتی مانند «پوکایوکه» (Pokayoke) — استفاده از روش‌های ساده برای غیرممکن کردن وقوع خطاهای خاص — برای اصلاح پرامپت‌های خود استفاده می‌کنند.
در مورد ایمنی، دیدگاه‌ها همچنان قطبی است. دیوید بلامی، که هم مدل‌های پیشرو را آموزش داده و هم ویروس‌های سفارشی را در آزمایشگاه سنتز کرده است، استدلال می‌کند که ترس از ساخت ویروس‌های خطرناک توسط AI «کاملاً توهمی» (Total Bogus) است.
تحلیل این روندها نشان می‌دهد که تنش بین چشم‌انداز «عامل‌محور» و اعتماد کاربر در حال افزایش است. نبود شفافیت در مورد حافظه عامل‌ها و ناتوانی در ویرایش آسان آن زمینه، مانع اصلی پذیرش گسترده است. برای کاربر تجاری، ارزش از «چت با یک بات» به «مدیریت ناوگانی از عامل‌های متخصص» تغییر کرده است که احتمالاً توسط عامل‌های دیگر مدیریت می‌شوند.
اگر صنعت در این مسیر ادامه دهد، مزیت رقابتی از کسی که بزرگ‌ترین مدل را دارد به کسی منتقل می‌شود که لایه هماهنگ‌سازی (Orchestration) قابل‌اعتمادتری دارد. منتظر انتشار GPT-6 Astra و نحوه مدیریت حافظه بلندمدت آن باشید، زیرا این موضوع احتمالاً تعیین می‌کند که آیا عامل‌های شخصی از وضعیت «معمولی» به «ضروری» تبدیل می‌شوند یا خیر. در همین راستا، نتایج اخیر محک Vending-Bench نشان می‌دهد که Astra در حال تبدیل شدن به پیشرو در این رقابت است.
گام بعدی شما
- اگر توسعه‌دهنده هستید، Agents API را برای حذف مدیریت زیرساخت در پروژه‌های خود تست کنید.
- برای کاهش هزینه استنتاج در مدل‌های بصری، تکنیک Collage کردن اسکرین‌شات‌ها را در Astra امتحان کنید.
- در طراحی عامل‌های خود، به جای مدل «رئیس-مرئوس»، روی شفافیت حافظه و قابلیت ویرایش توسط کاربر تمرکز کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.
گفتگو