خلاقیت نمادین در برابر مدل‌های زایشی: شکافی که با پردازش پر نمی‌شود

تصور کنید هفته‌ای را صرف کلنجار رفتن با پیشرفته‌ترین ابزارهای جهان کنید و در نهایت بفهمید یک طراح انسانی در کمتر از یک روز، همان نتیجه را با هزینه‌ای کمتر می‌گیرد. این کابوسِ یک برنامه‌نویس باسابقه است که قصد داشت لوگویی ساده اما هوشمندانه برای برند خود طراحی کند.

طبق گزارش ۱۶ ژوئیه ۲۰۲۶ در وب‌سایت dev.to، این کاربر تلاش کرد تا یک «وردمارک» (wordmark) برای نام کاربری «phalkmin» طراحی کند. هدف این بود که حرف h به‌گونه‌ای طراحی شود که همزمان نقش یک «اسلش» (/) در مسیرهای لینوکس را داشته باشد و در انتهایش یک مکان‌نما (cursor) چشمک‌زن قرار بگیرد. او تقریباً یک هفته زمان گذاشت و هزاران توکن مصرف کرد، اما در نهایت دریافت که Gemini، ChatGPT و Claude همگی در اجرای این تکلیف شکست خوردند. این مدل‌ها نتوانستند هر دو معنا را به‌طور همزمان حفظ کنند، بدون اینکه خروجی‌های «کمدی» و توهم‌آمیزی تولید کنند. نتیجه این بود که مدل‌ها تنها مجموعه‌ای از توهم (Hallucination) — شبیه به دوستی که خاطره‌ای را اشتباه و با اطمینان تعریف می‌کند — تولید کردند.

این اتفاق در حالی می‌افتد که امروزه «کدنویسی بر اساس حس» یا Vibe Coding و توسعه مبتنی بر هوش مصنوعی در پورتفولیوهای شخصی رایج شده است. این رویکرد اگرچه سرعت توسعه را بالا می‌برد، اما همان‌طور که در بررسی خطاهای خاموش در برنامه‌نویسی مبتنی بر حس اشاره شد، نبود نظارت دقیق انسانی می‌تواند منجر به نتایج غیرقابل پیش‌بینی شود. بسیاری از سازندگان اکنون از ابزارهایی مثل Codex و Gemini CLI استفاده می‌کنند تا محصولات خود را سریعاً عرضه کنند و به این فلسفه پایبندند که «تمام‌شده بهتر از کامل است». همان‌طور که در تحلیل قبلی ما درباره‌ی محدودیت‌های مدل‌های مولد در درک ساختارهای پیچیده اشاره کردیم، سرعت در تولید، همیشه با دقت در اجرا همراه نیست.

زمینه و جزئیات بازطراحی

نویسنده این گزارش، در ابتدای سال جاری میلادی، سایت پورتفولیو خود را مجدداً راه‌اندازی کرد. این فرآیند صرفاً یک «vibe-coding» ساده نبود؛ بلکه شامل چندین روز به‌روزرسانی محتوا، تحقیق درباره بهترین روش‌ها (best practices) و صرف مقدار زیادی توکن در جلسات ایده‌پردازی با مدل‌های زبانی بود. این تلاش برای سرعت بخشیدن به عرضه محصول، تضاد میان سرعت توسعه و کمال‌گرایی را به خوبی نشان می‌دهد.

برای درک رفتار بازدیدکنندگان، نویسنده اجازه داد سایت برای چند ماه با یک پشته تحلیلی (analytics stack) خاص فعال بماند که شامل موارد زیر بود:

• Search Console گوگل
• ابزار Hotjar
• ابزارهای استاندارد تحلیل وب

اخیراً، نویسنده شروع به استفاده از Google Stitch کرد تا کل نحوه ارائه سایت و «برند» خود را بازنگری کند. هدف او این بود که بیش از ۲۰ سال تجربه در ساخت ابزارها و محصولات آنلاین را به‌صورت بصری نمایش دهد. این مسیر او را به این ایده رساند که به جای استفاده از هدرهای متنی ساده (نام-تیتر) که در سایت‌های vibe-coded رایج است، یک لوگوی اختصاصی طراحی کند.

مسیر رسیدن به شکست

پیشینه فنی نویسنده بسیار عمیق است و به زمانی بازمی‌گردد که لینوکس را از روی دیسک‌های نرم (floppy) نصب می‌کرد، مودم‌ها را به‌صورت دستی پیکربندی می‌نمود و در نوشتن اسکریپت‌های Shell تسلط داشت. چون Bash یکی از ابزارهای اصلی زندگی حرفه‌ای او بود، می‌خواست لوگوی جدیدش این تاریخچه را از دریچه‌ای مدرن منعکس کند.

با وجود این چشم‌انداز شفاف، نویسنده چندین مسیر فنی مختلف را برای رسیدن به نتیجه امتحان کرد:

• پرامپت‌نویسی بصری: او یک طرح اولیه (sketch) به عنوان مرجع فراهم کرد و دستورات بسیار دقیقی را به تولیدکننده‌های تصویر داد. Gemini و ChatGPT هر دو شکست خوردند و حتی زمانی که اصلاحات خاصی درخواست شد، باز هم توهمات جدیدی تولید کردند. این نوع چالش‌ها با تجربیات توسعه‌دهندگان از نقاط ضعف Gemini Flash در مدیریت جزئیات محیط‌های تخصصی همسو است.
• تولید کد: او از Claude خواست تا کد SVG بنویسد. از آنجایی که SVG در واقع کد است، این مسیر منطقی به نظر می‌رسید، اما مدل نتوانست هندسه (geometry) مورد نظر را به‌درستی اجرا کند.
• ابزارهای تخصصی: او از OpenDesign از طریق OpenRouter با استفاده از کلیدهای GLM استفاده کرد. پس از شارژ ۱۰ دلار اعتبار، او تقریباً ۶ دلار هزینه کرد اما نتایج به‌دست‌آمده حتی ذره‌ای بهتر از تلاش‌های قبلی نبود.

گره‌گشایی انسانی

نویسنده که حالا به‌شدت ناامید شده بود و حتی به فکر یادگیری نرم‌افزارهای Inkscape یا Figma افتاده بود تا لوگوی برداری (vector) را به‌صورت دستی بسازد، تصمیم گرفت به شبکه ارتباطات حرفه‌ای خود رجوع کند. او که طی دو دهه گذشته با برترین طراحان به‌عنوان همکار یا زیرمجموعه کار کرده بود، از یکی از دوستان طراح خود درخواست کمک کرد.

در کمتر از یک روز، این طراح انسانی موارد زیر را تحویل داد:

• یک لوگوی کامل که در هر دو حالت روشن (light mode) و تیره (dark mode) بهینه شده بود.
• مکان‌نمای چشمک‌زن دقیقاً همان‌طور که درخواست شده بود.
• یک مونوگرام اضافی به عنوان هدیه.

هزینه این مداخله انسانی تنها «یک فنجان قهوه» بود که قرار بود در آینده پرداخت شود؛ مبلغی که به گفته نویسنده، بسیار ارزان‌تر از اعتبارات دلاری مصرف‌شده در OpenRouter بود.

چرا مدل‌ها شکست خوردند؟

دلیل این شکست فنی در ماهیت مدل‌های مولد (Generative Model) نهفته است. این مدل‌ها بر اساس الگوهای آماری پیکسل‌ها کار می‌کنند. آن‌ها در تولید بافت‌ها و ترکیبات بصری — مانند «یک کلبه دنج در هنگام غروب» — عالی هستند، زیرا داده‌های آموزشی آن‌ها میلیون‌ها بار این الگوها را پوشش داده است. اما طراحی یک وردمارک که در آن یک حرف باید همزمان دو نماد باشد، یک «محدودیت نمادین» (symbolic constraint) است. مدل چیزی «شبیه به h» و چیزی «شبیه به اسلش» رندر می‌کند، اما نمی‌تواند منطقی را اجرا کند که هر دو معنا را به‌طور همزمان و دقیق در یک فرم نگه دارد.

تولید SVG نیز به این دلیل شکست می‌خورد که مدل‌های زبانی (LLM) فاقد «حلقه بازخورد ادراکی» (perception-action loop) هستند. یک طراح انسانی منحنی‌ای را می‌کشد، حس می‌کند وزن آن اشتباه است و سپس نقطه اتصال (anchor point) را جابه‌جا می‌کند تا تعادل برقرار شود. در مقابل، مدل یک گذر پیشرو (forward pass) ریاضی انجام می‌دهد و هندسه حاصل را به‌صورت کورکورانه تحویل می‌دهد.

شکاف در بینایی ماشینی

حتی زمانی که نویسنده رندرهای تولید شده را دوباره در چت قرار داد تا اصلاحات اعمال شود، نتایج باز هم ضعیف بود. دلیل این امر آن است که رمزگذارهای بینایی (vision encoders)، تصاویر را به نمایش‌هایی فشرده تبدیل می‌کنند که برای پاسخ به سوالات معنایی طراحی شده‌اند (مثلاً «آیا در تصویر سگی وجود دارد؟»).

قضاوت بصری و نوری در این فرآیند فشرده‌سازیe زنده نمی‌ماند. در حالی که مدل می‌تواند تأیید کند که لوگو کلمه «phalkmin» را می‌نویسد، اما نمی‌تواند «حس کند» که انتهای اسلش تنها چند پیکسل بیش از حد ضخیم است. همین عدم تعادل جزئی باعث می‌شود کل توازن بصری اثر فرو بپاشد.

این موضوع نشان می‌دهد که خلق یک نماد واقعی نیازمند «نیت» (intention) و «هویت» است که از طریق یک چرخه تکرارشونده از دیدن و اصلاح کردن صیقل یابد. هوش مصنوعی فعلاً فاقد قضاوت نوری و ادراک واقعی لازم برای مدیریت تعادل‌های بسیار ریز در تایپوگرافی حرفه‌ای است.

اگر در حال طراحی هویت یک برند هستید، از تکیه صرف به پرامپت‌های مولد برای طرح نهایی اجتناب کنید. در عوض، از هوش مصنوعی برای ایده‌پردازی‌های اولیه (brainstorm) استفاده کنید و برای اجرای عناصر نمادین، به یک طراح انسانی اعتماد کنید.

گام بعدی شما

• برای ایده‌پردازی اولیه و استخراج مفاهیم از هوش مصنوعی استفاده کنید، اما برای اجرای نهایی نمادهای برند، هرگز به پرامپت‌ها تکیه نکنید.
• اگر به دنبال دقت هندسی هستید، به جای تولید مستقیم تصویر، سعی کنید مدل را برای تولید ساختارهای ساده‌تر هدایت کنید و سپس دستی آن‌ها را اصلاح کنید.
• تفاوت بین «Sementic Accuracy» (درستی معنایی) و «Optical Balance» (تعادل بصری) را در ارزیابی خروجی‌های AI مدنظر قرار دهید.

اما این شکست در طراحی لوگو تنها بخشی از یک چالش بزرگ‌تر است؛ برای درک اینکه چرا مدل‌های استدلالی هنوز در هندسه ناتوان‌اند، تحلیل ما درباره معماری‌های Vision-Language را بخوانید.