اگر امروز گردش‌های کاری پیچیده‌ای را با عامل‌های هوش مصنوعی مدیریت می‌کنید، احتمالاً بزرگ‌ترین گلوگاه شما تمایل عامل‌ها به تکرار اشتباهات مشابه در جلسات مختلف است. Perplexity با معرفی Brain، سیستمی برای حافظه، قصد دارد این مشکل را با اولویت دادن به «آنچه عامل انجام داده» به‌جای «آنچه کاربر می‌پسندد» برطرف کند.
بیشتر حافظه‌های فعلی هوش مصنوعی بر افزایش تعامل (Engagement) تمرکز دارند و سلیقه‌ها یا نقشهای شما را ذخیره می‌کنند. اما Brain نگاهش به عملکرد (Performance) است. این سیستم با حافظه مانند ابزاری برای یادگیری مکانیک‌های خاص یک شغل برخورد می‌کند تا اطمینان حاصل شود که عامل مجبور نباشد یک زمینه (Context) مشابه را دوبار یاد بگیرد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن دیدیم، مدیریت داده‌های زمینه‌ای همواره چالش اصلی در پایداری مدل‌ها بوده است.
به گزارش marktechpost.com، سیستم Brain در حال حاضر در قالب پیش‌نمایش پژوهشی (Research Preview) برای مشترکان Perplexity Max و Enterprise Max عرضه شده است. این سیستم یک «گراف زمینه‌ای زنده» ایجاد می‌کند — که در واقع یک ویکی-پدیا برای مدل‌های زبانی بزرگ (LLM) است — و به‌طور خودکار در محیط اجرای (Sandbox) عامل بارگذاری می‌شود.
مکانیسم حافظه کاری
سیستم Brain روی دو محور متمایز حرکت می‌کند: حافظه درباره چیست و برای چه کاربردی است. در حالی که حافظه‌های سنتی پروفایل کاربر را برای افزایش جذابیت ذخیره می‌کنند، Brain سوابق قابل ردیابی از کار عامل را برای بهبود اجرا نگه می‌دارد.
شرکت Perplexity تفاوت بین این دو بُعد را به شرح زیر تبیین می‌کند:
- حافظه سنتی کاربر: روی کاربر تمرکز دارد. ترجیحات، سلیقه‌ها، سبک‌های کاری، مخاطبان و نقش‌ها را به خاطر می‌سپارد. هدف آن این است که کاربر احساس نزدیکی و تعامل بیشتری با عامل کند و در نهایت یک «پروفایل کاربر» تولید می‌کند.
- Brain (حافظه کاری): روی کارِ عامل تمرکز دارد. یاد می‌گیرد که عامل چه کاری انجام داد، چه چیزی موفقیت‌آمیز بود، کجا شکست خورد و چه اصلاحاتی صورت گرفت. هدف آن کمک به عامل برای مهارت بیشتر در انجام شغل است و در نهایت یک «گراف زمینه‌ای قابل ردیابی» تولید می‌کند.
این گراف به عامل Computer اجازه می‌دهد در شبکه‌ای از اطلاعات شخصی، شامل پروژه‌ها، افراد و ایده‌ها جست‌وجو و پیمایش کند. این سیستم هر شب به‌صورت تدریجی به‌روزرسانی می‌شود. در طول این فرآیند، سیستم جلسات کاربر، نتایج اتصال‌ها (Connectors)، تغییرات در اسناد منبع و هرگونه اصلاح انجام شده را ترکیب و سنتز می‌کند.
بهبود خودکار و بازگشتی
طراحی Brain برای بهبود بازگشتی (Recursive Self-Improvement) است. عامل یاد می‌گیرد کدام پروژه‌ها، اتصال‌ها و مصنوعات (Artifacts) به بهترین خروجی‌ها منجر می‌شوند. نکته کلیدی این است که مدل از اشتباهاتش درس می‌گیرد؛ مثلاً به خاطر می‌سپارد که چه زمانی یک منبع به بن‌بست رسید یا چه زمانی کاربر مجبور شد یک اصلاحیه ارائه دهد.
این چرخه بازخورد باعث می‌شود تعداد دفعات پاسخ‌گویی (Turns) و فراخوانی‌های مدل کمتر شود. Perplexity مصرف فعلی توکن‌ها را یک سرمایه‌گذاری می‌بیند؛ یعنی هزینه کردن توکن در حال حاضر برای یادگیری زمینه، منجر به مصرف بهینه‌تر توکن‌ها در آینده می‌شود. این زمینه‌ی به‌روز شده، سیگنال قوی‌تری به عامل Computer می‌دهد تا بداند چه کاری انجام دهد و کجا را جست‌وجو کند.
دستاوردهای عددی در عملکرد
شرکت Perplexity نتایج تست‌های داخلی اولیه را به اشتراک گذاشته است که کارایی این سیستم را برجسته می‌کند. این شرکت گزارش داد که برای کارهایی که عامل قبلاً با آن‌ها مواجه شده بود، دقت پاسخ‌ها ۲۵٪ افزایش یافت.
سایر معیارهای کلیدی عبارت‌اند از:
- بهبود ۱۶ درصدی در بازیابی (Recall) نتایج اولیه.
- کاهش ۱۳ درصدی هزینه برای کارهایی که نیاز به زمینه تاریخی داشتند.
این اعداد اندازه‌گیری‌های اولیه هستند. Perplexity بیان می‌کند که هرچه مدت استفاده از Brain بیشتر شود، نتایج بهبود می‌یابند، زیرا عامل‌ها در طول زمان دنیای کاربر را بهتر می‌شناسند.
کاربردهای دنیای واقعی
حافظه کاری در کجا بیشترین ارزش را فراهم می‌کند؟ این سه مورد عینی را در نظر بگیرید:
- علم داده: یک دانشمند داده هر هفته حسابرسی خط لوله (Pipeline) را اجرا می‌کند. Brain منابع قابل اعتماد و اصلاحات گذشته را به خاطر می‌سپارد. حسابرسی بعدی با نقشهای بهتر شروع می‌شود و در نتیجه بن‌بست‌های کمتری وجود دارد.
- پشتیبانی مشتری: یک تیم پشتیبانی تیکت‌ها را از طریق اتصال‌ها (Connectors) دسته‌بندی می‌کند. Brain یاد می‌گیرد کدام منابع خاص تیکت‌های قبلی را حل کردند و این امر اجازه می‌دهد تیکت‌های آینده سریع‌تر هدایت شوند.
- توسعه نرم‌افزار: توسعه‌دهنده در حال رفع باگ در مخازن (Repositories) مختلف است. Brain به خاطر می‌سپارد کدام فایل‌ها دفعه قبل مهم بودند و این به عامل Computer اجازه می‌دهد با فراخوانی‌های مدل کمتر، به علت اصلی مشکل برسد.
در هر سه مورد، صرفه‌جویی از «تاریخچه» می‌آید. عامل دیگر مجبور نیست یک زمینه را دوبار یاد بگیرد.
پیاده‌سازی مفهومی
اگرچه Perplexity هنوز API مربوط به Brain را منتشر نکرده، اما الگوی آن قابل مدل‌سازی است. هسته این سیستم مرحله «سنتز» (Synthesize) است. در یک مدل مفهومی پایتونی، عامل تمام وظایف و اصلاحات را در طول روز ثبت (Log) می‌کند. در شب، تابع synthesize این اصلاحات معلق را پردازش می‌کند تا درس‌های قابل استفاده ایجاد کند.
برای مثال، اگر در روز اول در حین رفع باگ یک مخزن، به عامل گفته شود «کشِ بیلد را نادیده بگیر»، این اصلاح ثبت می‌شود. پس از همگام‌سازی شبانه، عامل در روز دوم این درس را بازیابی می‌کند و مستقیماً از حالت «نیاز به بررسی» به حالت «صحیح» می‌رود.
تحلیل: تغییر پارادایم حافظه
این حرکت نشان‌دهنده گذار از «هوش مصنوعی شخصی‌سازی‌شده» به «هوش مصنوعی حرفه‌ای‌شده» است. با جدا کردن سلیقه کاربر از اجرای کار، Perplexity با عامل هوش مصنوعی مانند یک کارمند تازه‌کار برخورد می‌کند که در حین کار یاد می‌گیرد، نه یک دستیار دیجیتال که فقط رنگ مورد علاقه شما را می‌داند.
برای کاربران تجاری، این یعنی ارزش AI به‌طور خطی با حجم کاری که انجام می‌دهد رشد می‌کند. با این حال، برخی پرسش‌های باز باقی مانده است. اعداد گزارش‌شده داخلی و اولیه هستند، به این معنی که هنوز هیچ بنچمارک مستقلی وجود ندارد. همچنین، برنامه به‌روزرسانی شبانه به این معنی است که بهبودها آنی نیستند.
علاوه بر این، ذخیره تاریخچه کاری در یک گراف قابل ردیابی، پرسش‌های حاکمیتی (Governance) مهمی درباره داده‌ها ایجاد می‌کند که سازمان‌ها باید برای آن‌ها راهکار یابند. با این حال، قابلیت ردیابی Brain — که در آن هر ورودی حافظه به یک جلسه، فایل یا منبع متصل می‌شود — لایه لازم برای عیب‌یابی و اعتماد به عامل‌های خودمختار را فراهم می‌کند.
برای مشاهده این سیستم در عمل، کاربران باید نظارت کنند که کارایی عامل آن‌ها پس از اولین «همگام‌سازی‌های شبانه» در پیش‌نمایش پژوهشی چگونه تغییر می‌کند.
گام بعدی شما
- اگر کاربر Enterprise هستید، در پیش‌نمایش پژوهشی بررسی کنید که آیا عامل شما پس از اولین «همگام‌سازی شبانه»، در تکرار اشتباهات کاهش چشم‌گیری دارد یا خیر.
- برای پیاده‌سازی مشابه در پروژه‌های خود، روی ساخت یک لایه «سنتز شبانه» برای تبدیل لاگ‌های اصلاحی به دستورالعمل‌های دائمی تمرکز کنید.
- میزان کاهش تعداد توکن‌های مصرفی در کارهای تکراری را اندازه بگیرید تا بازگشت سرمایه (ROI) این حافظه را بسنجید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو