تصور کنید در شرکتی کار می‌کنید که در آن هیچ انسانی مسئول مدیریت فرآیندها نیست و هر بخش از سازمان، خودش را هر ثانیه بهینه‌تر می‌کند. اگر هنوز به هوش مصنوعی به چشم ابزاری برای سریع‌تر کردن کارهای انسانی نگاه می‌کنید، احتمالاً در حال تماشای فرصتی هستید که توسط شرکت‌های پسا-AGI بلعیده خواهد شد.
به نقل از تحلیل Avid Fayaz در ۲۵ سپتامبر ۲۰۲۶، شرکت‌هایی که بر پایه معماری پسا-AGI بنا شده‌اند، دیگر به دنبال کمک به انسان‌ها برای کار سریع‌تر نیستند؛ آن‌ها کل جریان کاری انسانی با سیستمی از عامل‌ها (Agents) — شبیه به کارمندانی دیجیتال که می‌توانند مستقل تصمیم بگیرند و ابزارها را به کار بگیرند — جایگزین می‌کنند که یکدیگر را ارزیابی کرده و بهبود می‌بخشند. این تغییر پارادایم زمانی رخ می‌دهد که سازمان به یک حلقه «خودبهبودبخش بازگشتی» تبدیل شود. این گذار در واقع بخشی از یک روند گسترده‌تر است که در آن محور رایانش از اپلیکیشن‌های سنتی به لایه زمینه و عامل‌های هوشمند منتقل می‌شود تا انعطاف‌پذیری عملیاتی افزایش یابد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل روی لایه‌های زیرین مدل برای سازمان‌های حساس حیاتی است. در دنیای پسا-AGI، این موضوع از یک ترجیح فنی به یک ضرورت اقتصادی تبدیل شده است.
تعریف آستانه AGI
باید ابتدا درک کنیم که AGI (هوش مصنوعی عمومی) فرا رسیده است، اما نه به شکل یک وضعیت کمال مطلق یا ابرانسانیت. در واقع، AGI یک «آستانه» از کلیت و خودمختاری است. ماشین‌ها اکنون می‌توانند در حوزه‌های مختلف استدلال کنند، خود را با مسائل ناآشنا وفق دهند و وظایف پیچیده را به صورت خودمختار انجام دهند.
در مورد این تعریف اغلب سردرگمی وجود دارد. از نظر تاریخی, AGI به معنای هوشی بود که قادر به فعالیت در حوزه‌های مختلف باشد، به جای اینکه به وظایف محدود و خاص (Narrow AI) محدود شود. با پیشرفت تکنولوژی، استانداردهای مردم تغییر کرد و آن‌ها شروع به انتظار قابلیت اطمینان تقریباً کامل یا ابرهوش مصنوعی (ASI) کردند. اما حقیقت این است که AGI در سطح عملیاتی، یعنی توانایی استدلال متقاطع و انطباق‌پذیری، اکنون در دسترس است.
شکاف «به اندازه کافی خوب»
بسیاری از کسب‌وکارهای فعلی در چارچوب «پیش از AGI» گیر کرده‌اند. آن‌ها با هوش مصنوعی برخورد می‌کنند انگار ابزاری است برای افزایش بهره‌وری نقش‌های موجود. این رویکرد، قابلیت‌های بنیادین مدل‌هایی مانند Astra را نادیده می‌گیرد؛ مدل‌هایی که می‌توانند در حوزه‌های مختلف استدلال کنند و با خودمختاری معناداری با مسائل ناشناخته مواجه شوند.
هوش مصنوعی برای بسیاری از مردم به آستانه «به اندازه کافی خوب» رسیده است؛ یعنی نقطه‌ای که می‌تواند در اکثر کارهای روزمره مبتنی بر کامپیوتر کمک کند. با این حال، شکاف بین این کاربرد و AGI واقعی، تفاوت بین «بهره‌وری» و «بازطراحی ساختاری کامل» است. در حالی که هوش مصنوعیِ «به اندازه کافی خوب»، انسان را در انجام کار فعلی سریع‌تر می‌کند، AGI این پرسش بنیادین را مطرح می‌کند که آیا اصلاً نیازی به حضور انسان در آن جریان کاری هست یا خیر.
معماری یک سازمان پسا-AGI
طبق گزارش avidfayaz.com، گذار به سازمان پسا-AGI نیازمند تجزیه کارهای تخصصی به سامانه‌های خودمختار است. به جای تطبیق هوش مصنوعی با جریان‌های کاری انسانی، این سازمان‌ها با تجزیه کار به سیستم‌هایی از عامل‌ها شروع می‌کنند که با هم همکاری می‌کنند، یکدیگر را ارزیابی می‌کنند و از عملکرد خود می‌آموزند.
در شرکت Infinite Ascent، این فرآیند با خودکارسازی نقش‌های خاص و سپس ایجاد یک سلسله‌مراتب نظارتی آغاز شد:
- لایه اجرا (Execution Layer): عامل‌های معاملاتی مستقیماً در بازارها فعالیت می‌کنند. این‌ها نخستین نقش‌هایی بودند که در سازمان خودکار شدند.
- لایه بازبینی (Review Layer): یک «هارنس متا» (Meta-harness) عملکرد عامل‌ها را ارزیابی کرده و رفتارهای موفق‌ترین عامل‌ها را تقویت و تثبیت می‌کند.
- حفاظ‌های اکتشاف (Exploration Guardrails): سیستم عمداً عامل‌های خلاق را — حتی اگر در کوتاه‌مدت بازدهی کمتری داشته باشند — حفظ می‌کند. این کار برای این است که فرآیند تکاملی صرفاً به یک «بهینه محلی» (Local Maximum) نرسد و به بهای از دست دادن اکتشاف، به تکرار رفتارهای فعلی محدود نشود.
- لایه زیرساخت (Infrastructure Layer): یک «دپارتمان IT» خودکار، سیستم‌های مورد استفاده عامل‌های معاملاتی و بازبین را ممیزی می‌کند، مشکلات را شناسایی کرده و کدها و زیرساخت‌های زیربنایی را بهبود می‌بخشد.
- لایه هوش (Intelligence Layer): داده‌های عملکردی برای تنظیم دقیق (Post-training) مدل‌های بازمتن استفاده می‌شود. این یادگیری‌ها دوباره به کل پشته (Stack) بازگردانده می‌شوند تا رفتارهای مؤثر در تمام سطوح تقویت شوند.
هوش پیش از نهادها
در حال حاضر یک عدم تقارن شدید میان توانمندی‌های مدل‌های پیشرو و سازمان‌هایی که حول آن‌ها ساخته شده‌اند وجود دارد. آزمایشگاه‌های تحقیقاتی مدل‌ها را از طریق ابزارهایی می‌فروشند که برای «بهره‌وری انسان» طراحی شده‌اند. این موضوع تا حدی ساختاری است: آزمایشگاه‌های پیشرو از تامین‌کننده افقی بودن سود می‌برند. اگر آن‌ها وارد لایه عملیاتی بازارهای عمودی خاص شوند، مستقیماً با شرکت‌هایی که به مدل‌هایشان وابسته هستند رقابت می‌کنند.
این وضعیت یک فرصت «آربیتراژ» ایجاد می‌کند. اکثر سازمان‌های قدیمی دارای داده‌های تاریخی جریان کاری و دانش سازمانی هستند، اما از AI فقط به عنوان ابزار بهره‌وری استفاده می‌کنند. در مقابل، شرکت‌های جدید می‌توانند از ابتدا بر پایه معماری‌های پسا-AGI ساخته شوند و از نیاز به بازسازی سیستم‌های خودمختار روی جریان‌های کاری و انگیزه‌های انسانیِ دهه‌های پیش، اجتناب کنند. مزیت پیشگام بودن در اینجا، در داده‌ها و تکرارهایی است که در حین بهبود مستمر سیستم انباشته می‌شوند. این تمایل به شخصی‌سازی عمیق باعث شده تا بسیاری از کسب‌وکارهای متوسط، پلتفرم‌های آماده را رها کرده و به سمت توسعه عامل‌های سفارشی حرکت کنند تا کنترل بیشتری بر فرآیندهای خاص خود داشته باشند.
تله مدل‌های بسته
اتکا به مدل‌های بسته مانند OpenAI یا Anthropic سه ریسک حیاتی برای این سازمان‌های خودمختار ایجاد می‌کند:
نخست، ریسک تمرکز؛ وقتی مدل‌ها در هر لایه سازمان جاسازی شوند، آزمایشگاه‌های سازنده نفوذ بیش از حدی پیدا می‌کنند. در محیط‌های پرریسک مانند امور مالی، امنیت سایبری یا دفاع، سازمان‌ها نمی‌توانند به تصمیمات متغیر یک توسعه‌دهنده خارجی درباره اینکه چه کاربردهایی «مجاز» یا «ایمن» است، تکیه کنند.
دوم، عدم تقارن اطلاعاتی؛ سازمان‌ها ارزشمندترین دارایی‌های فکری و جریان‌های کاری خود را در معرض سیستم‌هایی قرار می‌دهند که توسط شرکت دیگری کنترل می‌شود. شرکت‌های مدل‌ساز به‌طور اجتناب‌ناپذیری می‌آموزند که کدام جریان‌های کاری از نظر اقتصادی ارزشمند هستند و این به آن‌ها اجازه می‌دهد لایه زیرساخت را به سمت لایه اپلیکیشن حرکت داده و با کاربر رقابت کنند. گزارش مذکور به جنجال «ناویر-استوکس» (Navier-Stokes) به عنوان مثالی از «مشکل منشأ» اشاره می‌کند؛ جایی که ردیابی این موضوع که آیا بینش یک مدل مستقل بوده یا از داده‌های مشاهده شده مشتق شده، تقریباً غیرممکن است.
سوم، مسدود شدن حلقه بازگشتی؛ بهبود واقعی نیازمند توانایی آموزش مجدد (Post-train) و بازسازی هوش زیربنایی بر اساس داده‌های عملکرد است. در مدل‌های بسته، بازخوردها فقط می‌توانند «هارنس»، ابزارها و حافظه اطراف مدل را بهبود بخشند، نه خودِ هوش را. برای دستیابی به RSI (خودبهبودبخشی بازگشتی) واقعی، کنترل لایه مدل ضروری است تا داده‌های عملکرد به تغییرات در هر سطح از سیستم تبدیل شوند.
مرز مدل‌های با وزن باز (Open-Weight)
مدل‌های با وزن باز برای عصر پسا-AGI ضروری هستند زیرا اجازه تخصص‌یافتگی عمیق را می‌دهند. دو عامل که از یک مدل پایه شروع می‌کنند، می‌توانند از طریق تجربه و داده‌های منحصر به فرد خود به دو سیستم کاملاً متفاوت تبدیل شوند؛ مثلاً عامل A برای امور مالی و عامل B برای امنیت سایبری بهینه شود. هر دو همچنان هوش عمومی دارند، اما هر کدام توانمندی‌های خود را در وظایف خاص عمیق‌تر می‌کنند.
در این فضا، رهبری غرب توسط آزمایشگاه‌های چینی به چالش کشیده شده است. گزارش به مدل Kimi K3 از شرکت Moonshot اشاره می‌کند که یک مدل پیشرو با وزن‌های باز است و برای رقابت در استدلال، کدنویسی و کارهای دانشی طراحی شده است. برای مقابله با این روند، NVIDIA برنامه Nemotron را راه‌اندازی کرده است که وزن‌های مدل، داده‌های آموزشی، دستورالعمل‌ها و ابزارهای ارزیابی را فراهم می‌کند تا یک اکوسیستم باز را تقویت کند. این موضوع برای تاب‌آوری تکنولوژیک غرب حیاتی است.
هوش هیچ قله نهایی ندارد
این یک فرض غلط است که سیستم‌های ابرهوشمند از همان ابتدا در هر کاری تقریباً بی‌نقص خواهند بود. هوش قله نهایی ندارد. همان‌طور که فیزیکدانان قرن نوزدهم فکر می‌کردند فیزیک حل شده است و سپس نسبیت و مکانیک کوانتوم لایه‌های جدیدی از واقعیت را آشکار کردند، جست‌وجوی دانش نیز یک جست‌وجوی متناهی نیست.
هوش در سطح AGI پایان مسیر نیست، بلکه بنیاد است. یک مدل می‌تواند در حوزه‌های مختلف فوق‌العاده توانمند باشد و همچنان فضای زیادی برای بهبود در یک حوزه خاص از طریق تجربه داشته باشد. بنابراین، شرکت‌های پسا-AGI باید برای بهبود مستمر در لایه‌های اپلیکیشن، هارنس، کد و آموزش مجدد طراحی شوند.
تغییرات اقتصادی: از کمبود به فراوانی
این تحول، یک انقلاب تکنولوژیک استاندارد نیست. برخلاف راه‌آهن، برق یا اینترنت، سامانه‌های پسا-AGI دارای هوشی هستند که مستقیماً در بهبود خود مشارکت می‌کند. این «خودبهبودبخشی بازگشتی» (RSI) می‌تواند دوره اختلالات اقتصادی را به‌شدت فشرده کند و جهان را سریعاً از یک تعادل قدیمی به تعادلی جدید ببرد. در حالی که تحولات قبلی دهه‌ها زمان بردند، RSI ممکن است این گذار را از نظر شدت شدید، اما از نظر مدت زمان کوتاه کند.
وقتی هوش به یک عامل تولید ارزان و مقیاس‌پذیر تبدیل شود، گلوگاه‌های اصلی اقتصادی جابه‌جا می‌شوند. کمبود از «نیروی کار» به سمت موارد زیر منتقل می‌شود:
- محاسبات و انرژی: قدرت فیزیکی و سخت‌افزاری مورد نیاز برای اجرای ارتش‌های عظیم عامل.
- زیرساخت‌های فیزیکی: مراکز داده، زمین و مواد خام.
- سرعت رگولاتوری: مجوزها و مقرراتی که توسط انسان‌ها اداره می‌شوند و بسیار کندتر از حلقه AI حرکت می‌کنند.
حلقه بازگشتی تولید
هوش به یک ورودی بنیادی در تولید تبدیل می‌شود که در دو جهت رشد می‌کند: ما می‌توانیم مقادیر بیشتری از آن را مستقر کنیم و خودِ هوش نیز توانمندتر می‌شود. این یک حلقه بازگشتی با منابع فیزیکی ایجاد می‌کند: انرژی بیشتر منجر به محاسبات بیشتر می‌شود؛ محاسبات بیشتر منجر به هوش بیشتر می‌شود؛ و سپس این هوش بیشتر برای طراحی شبکه‌های انرژی کارآمدتر، بهینه‌سازی توزیع بار و باز کردن منابع جدید انرژی به کار گرفته می‌شود.
این روند به سوی یک فراوانی خارق‌العاده در بلندمدت اشاره دارد. سیستم‌های خودمختاری که تولید غذا، دارو، انرژی و زیرساخت‌ها را بهینه می‌کنند، باید ظرفیت ما را برای تولید نیازهای انسانی به‌طور چشمگیری گسترش دهند. مشکل اقتصادی تعریف‌کننده ممکن است از «مدیریت کمبود» به «مدیریت فراوانی» تغییر کند و فشارهای ضدتورمی یا کاهش قیمت (Deflationary) شدیدی در کل اقتصاد ایجاد کند.
هموار کردن مسیر برای مقیاس
تحقق این فراوانی نیازمند غلبه بر چالش‌های مکانیکی و نهادی عظیمی است. دنیایی از آزمایش‌ها و یادگیری‌های مستمر AI، به محاسبات، انرژی، مراکز داده و شبکه‌هایی بسیار بیشتر از اقتصاد فعلی AI نیاز دارد.
بسیاری از این محدودیت‌ها تکنولوژیک نیستند بلکه انسانی هستند. مجوزها و مقررات اغلب برای دنیایی طراحی شده‌اند که با سرعتی اساساً کندتر حرکت می‌کند. برای تحقق کامل عصر پسا-AGI، این سیستم‌های نهادی باید تکامل یابند.
خوشبختانه، هوشی که این منابع را مصرف می‌کند، می‌تواند برای گسترش آن‌ها به کار رود. AI می‌تواند در موارد زیر به کار گرفته شود:
- بهبود شبکه‌های انرژی و بهینه‌سازی توزیع بار.
- طراحی سخت‌افزار و زیرساخت‌های کارآمدتر.
- تسریع پژوهش‌های علمی برای باز کردن منابع جدید انرژی.
مسیر پیش رو
هدف نهایی برای تیم‌های فنی در این عصر، این است که نقش‌های فعلی خود را غیرضروری کنند. مهندسان با ساخت سیستم‌هایی که می‌توانند سلسله‌مراتب یک سازمان را به‌طور خودمختار مدیریت کنند، به جای نگهداری از مرزهای موجود، به سمت مرزهای جدید و حل‌نشده حرکت می‌کنند.
این یک پنجره آربیتراژ ایجاد می‌کند. شرکت‌های جدیدی که از روز اول معماری‌های پسا-AGI را می‌سازند، از «بدهی فنی» (Technical Debt) جریان‌های کاری انسانی دهه‌های پیش اجتناب می‌کنند. آن‌ها می‌توانند از شرکت‌های مستقری که صرفاً در حال تطبیق AI با ساختارهای قدیمی هستند، پیشی بگیرند.
دنیایی را تصور کنید که در آن عملِ «اداره یک کسب‌وکار» همان «بهبود آن کسب‌وکار» است. هر وظیفه‌ای که انجام می‌شود، داده‌های لازم برای انجام بهتر آن را تولید می‌کند و یک حلقه ترکیبی از فراوانی در انرژی، پزشکی و نرم‌افزار می‌سازد. عصر پسا-AGI توسط سازمان‌هایی تعریف خواهد شد که به هوش اجازه دهند خودمختار عمل کند، از عملکرد خود بیاموزد و از طریق RSI به‌طور مستمر بهبود یابد.
گام بعدی شما
- اگر مدیر فنی هستید، جریان‌های کاری خود را به جای «بهبود با AI»، به «تجزیه به وظایف مستقل» برای عامل‌ها تبدیل کنید.
- استراتژی استقرار مدل‌های بازمتن را جایگزین اتکای مطلق به APIهای بسته کنید تا امکان حلقه بهبود بازگشتی فراهم شود.
- روی زیرساخت‌های مدیریت داده‌های عملکردی (Performance Data) سرمایه‌گذاری کنید تا سوخت لازم برای تنظیم دقیق مدل‌های تخصصی را داشته باشید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و نقش آن‌ها در تأمین محاسبات این ارتش‌های عامل مراجعه کنید.
گفتگو