«جایگزینی حدس با محاسبه»؛ رویکرد جدید در مدل‌های مهندسی سازه

تصور کنید یک عامل هوش مصنوعی برای طراحی پله، ارتفاعی را پیشنهاد دهد که با استانداردهای بین‌المللی کد مسکونی (IRC) در تضاد باشد؛ در اینجا یک توهم (Hallucination) — شبیه دوستی که خاطره‌ای را با اطمینان اما اشتباه تعریف می‌کند — از یک خطای دیجیتال ساده به یک ریسک فیزیکی و جانی تبدیل می‌شود. مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — در ترکیب مفاهیم و تولید خلاقانه عالی هستند، اما وقتی نوبت به دقت اعشاری، رعایت قوانین سخت‌گیرانه مهندسی و هندسه می‌رسد، به‌شدت غیرقابل اعتماد می‌شوند. در حوزه حساس مهندسی سازه، این شکست در دقت اعشاری یک مسئولیت حقوقی و فنی بزرگ است. این ناتوانی در محاسبات دقیق، ریشه در ساختار پردازش داده‌ها دارد که در تحلیل ما درباره شکاف توکن‌سازی و دلیل شکست مدل‌ها در ریاضیات به‌طور مفصل بررسی شده است.

به نقل از مستندات فنی این پروژه، برای کاهش این ریسک‌ها، توسعه سرورهای تخصصی پروتکل زمینه مدل (Model Context Protocol یا MCP) بر این اصل استوار است که به‌جای گسترش صرفِ دانش مدل، به هوش مصنوعی قدرت کنترل بر موتورهای محاسباتی قطعی (Deterministic) را بدهد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، تکیه بر حافظه داخلی مدل برای داده‌های حساس، همواره با خطا همراه است.

این تفکیک برای کاربردهای حساس به ایمنی حیاتی است. یک مدل زبانی می‌تواند مفهوم «پاگرد» را با فصاحت توضیح دهد، اما نباید به آن اعتماد کرد تا محاسبه کند آیا یک مسیر ۱۵ فوتی بر اساس محدودیت‌های هندسی خاص به پاگرد نیاز دارد یا خیر. پیاده‌سازی یک «ماشین‌حساب سازنده پله» در واقع تغییری بنیادین به سمت استفاده از ابزار (Tool Use) به‌عنوان روشی برای تأیید است. به‌جای آنکه از عامل بخواهیم ابعاد را بر اساس الگوهای موجود در داده‌های آموزشی‌اش تخمین بزند، او را مجبور می‌کنیم توابعی را فراخوانی کند که برای دقت ریاضی طراحی شده‌اند. این رویکرد به‌طور موثری عنصر «حدس زدن» را از فرآیند معماری حذف می‌کند. این رویکرد در واقع پاسخی به این چالش است که چرا حتی برترین ریاضیدانان معتقدند مدل‌های زبانی فاقد شهود خلاق برای اکتشافات بنیادین هستند و نمی‌توانند جایگزین منطق ریاضی شوند.

طبق گزارش‌های توسعه‌دهندگان، یکی از رایج‌ترین نقاط شکست در گردش‌کارهای عامل‌محور (Agentic)، زمانی رخ می‌دهد که کاربر طرح‌های پیچیده معماری را درخواست می‌کند. بدون ابزارهای اختصاصی، مدل‌ها اغلب در محاسبات تجمعی مورد نیاز برای تعیین طول تیرها (Stringer lengths) یا مجموع ارتفاعات دچار مشکل می‌شوند. با باز کردن توابع خاص از طریق MCP، بار سنگین محاسبات از پیش‌بینی احتمالی توکن بعدی (Probabilistic next-token prediction) به منطق تأییدشده منتقل می‌شود.

در این پیاده‌سازی خاص، سه ابزار کلیدی برای رفع رایج‌ترین نقاط شکست طراحی شده‌اند:

اول، ابزار calculate_stair_geometry است که فیزیک پایه پله‌ها را مدیریت می‌کند. این ابزار ارتفاع پله و عمق کف را محاسبه کرده و تضمین می‌کند که این مقادیر با الزامات سازه‌ای همراستا باشند. برخلاف یک دستور (Prompt) کلی، این تابع ثبات و یکپارچگی را در تمام مراحل فرآیند طراحی تحمیل می‌کند.

دوم، ابزار check_clearance_and_headroom است که به یکی از متغیرهایی می‌پردازد که در طراحی‌های مسکونی بیشترین نادیده گرفته شدن را دارد. اکثر مدل‌های چندمنظوره، ارتفاع آزاد بالای سر را بر اساس ارتفاعات معمول سقف حدس می‌زنند و اغلب شیب خاص تیر پله را نادیده می‌گیرند. با استفاده از یک ابزار قطعی، عامل می‌تواند تأیید کند که فرد هنگام بالا رفتن از پله‌ها، صرف‌نظر از چیدمان خاص، با مانع سقفی برخورد نخواهد کرد.

در نهایت، سیستم یک ابزار اعتبارسنجی کد (code-validation) را ادغام می‌کند که تمام ابعاد محاسبه‌شده را با پایگاه داده استانداردهای IRC تطبیق می‌دهد. این امر تضمین می‌کند که خروجی نهایی نه‌تنها از نظر ریاضی درست است، بلکه از نظر قانونی نیز معتبر و مطابق با مقررات است.

در نهایت، هدف از ادغام سرورهای MCP در مهندسی سازه، ایجاد یک سیستم ترکیبی است؛ جایی که مدل زبانی به‌عنوان رابط بصری، شهودی و هماهنگ‌کننده (Orchestrator) عمل می‌کند و ابزارهای MCP نقش مهندس سخت‌گیر را ایفا می‌کنند. این معماری تضمین می‌کند که طراحی نهایی بر پایه فیزیک و قانون بنا شده است، نه احتمال. با ادغام هرچه بیشتر هوش مصنوعی در محیط‌های ساخته‌شده، این حرکت به سمت تأیید قطعی برای تضمین اینکه کارایی هوش مصنوعی مولد به قیمت به خطر افتادن یکپارچگی سازه یا ایمنی انسان تمام نشود، ضروری خواهد بود.

در نهایت، هدف از ادغام سرورهای MCP در مهندسی سازه، ایجاد یک سیستم ترکیبی است؛ جایی که مدل زبانی به‌عنوان رابط بصری، شهودی و هماهنگ‌کننده (Orchestrator) عمل می‌کند و ابزارهای MCP نقش مهندس سخت‌گیر را ایفا می‌کنند. این معماری تضمین می‌کند که طراحی نهایی بر پایه فیزیک و قانون بنا شده است، نه احتمال. با ادغام هرچه بیشتر هوش مصنوعی در محیط‌های ساخته‌شده، این حرکت به سمت تأیید قطعی برای تضمین اینکه کارایی هوش مصنوعی مولد به قیمت به خطر افتادن یکپارچگی سازه یا ایمنی انسان تمام نشود، ضروری خواهد بود.

گام بعدی شما

• اگر توسعه‌دهنده هستید، بررسی کنید که کدام بخش‌های گردش‌کار شما بر «تخمین» مدل متکی است و آن‌ها را به توابع قطعی MCP منتقل کنید.
• استانداردهای IRC یا مشابه آن را در قالب پایگاه‌های داده ساختاریافته برای ابزارهای اعتبارسنجی مدل آماده کنید.
• مدل‌های استدلالی را برای مدیریت توالی فراخوانی ابزارها (Orchestration) به جای محاسبات ریاضی به کار ببرید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.