تصور کنید اپلیکیشنی داشته باشید که دقیقاً برعکس تمام برنامه‌های گوشی شما عمل کند و هدفش این باشد که زمان حضور شما را در دنیای واقعی به حداکثر برساند. TouchGrass AI که در ۹ اکتبر ۲۰۲۶ منتشر شد، چالشی مستقیم برای «اقتصاد توجه» است و با استفاده از یک دستیار محلی، ماموریت‌های شخصی‌سازی‌شده‌ای برای فضای باز می‌سازد که کاربر را مجبور به آفلاین شدن می‌کند.
این پروژه به عنوان بخشی از هفته اول چالش هوش مصنوعی متن‌باز Hacktoberfest با عنوان «Touch Grass» معرفی شده است. در حالی که هوش مصنوعی مدرن طراحی شده تا کاربران را در حلقه‌های بی‌پایان چت و اعلان‌ها نگه دارد، TouchGrass AI این منطق را وارونه می‌کند. این ابزار برای دانشجویان، کارکنان دورکار و برنامه‌نویسانی ساخته شده که با خستگی دیجیتال دست‌وپنجه نرم می‌کنند. اصل حاکم بر این سیستم ساده است: استفاده کوتاه از هوش مصنوعی، رفتن به فضای باز، تجربه جهان و بازگشت تنها در صورت ضرورت. این رویکرد یادآور تلاش‌های مشابهی است که در پروژه TrailEcho برای جایگزینی نمایشگرها با هوش مصنوعی محلی در طبیعت دنبال شده بود.
همان‌طور که در بحث‌های گذشته ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اجرای مدل روی سخت‌افزار شخصی، لایه‌ی جدیدی از کنترل را به کاربر می‌دهد. به نقل از مستندات این پروژه در dev.to، سامانه بر پایه یک پشته (Stack) سبک و حریم‌خصوصی‌محور عمل می‌کند. در این ساختار، کاربر فعالیتی مثل پیاده‌روی، دوچرخه‌سواری یا دو را انتخاب می‌کند و مدت زمان را تعیین می‌کند؛ سپس هوش مصنوعی زاینده (Generative AI) — شبیه به یک طراح سفر که بر اساس سلیقه شما برنامه می‌ریزد — این ورودی‌ها را به یک ماموریت ساختاریافته تبدیل می‌کند.
ساختار ماموریت
هر ماموریت تولید شده صرفاً یک پیشنهاد نیست، بلکه یک برنامه کامل است. هوش مصنوعی برنامه‌ای شخصی‌سازی‌شده شامل موارد زیر می‌سازد:
- مرحله گرم کردن
- فعالیت اصلی در فضای باز
- یک چالش مشخص محیطی
- دوره سرد کردن
- انگیزه‌های سفارشی برای تداوم حرکت
معماری فنی
بر اساس مستندات فنی، جزئیات پیاده‌سازی این ابزار به شرح زیر است:
- مدل هوش مصنوعی: مدل Qwen 2.5 0.5B به دلیل اندازه کوچک و کارایی بالا انتخاب شده است.
- موتور استنتاج: از Ollama استفاده شده تا مدل به‌طور کامل روی دستگاه کاربر اجرا شود.
- بک‌اند: با Python و FastAPI برای مدیریت درخواست‌ها بین رابط کاربری و Ollama ساخته شده است.
- فرانت‌اند: یک رابط ساده با HTML/CSS/JavaScript.
- ذخیره‌سازی داده‌ها: بازتاب‌های کاربر و تاریخچه سفرها از طریق localStorage مرورگر ذخیره می‌شوند.
این برنامه دارای یک «حالت خروج از خانه» (Go Outside Mode) مجهز به تایمر است. پس از تولید ماموریت، کاربر تشویق می‌شود گوشی خود را قفل کرده و بر دنیای فیزیکی تمرکز کند. تنها پس از پایان تایمر، کاربر بازمی‌گردد تا وضعیت روحی، سطح انرژی و دشواری کار را ثبت کند. این یادداشت‌ها در بخشی به نام «سفر من» ذخیره می‌شوند.
یکپارچگی هوش مصنوعی محلی
توسعه‌دهنده با استفاده از یک مدل زبانی کوچک (SLM) — مثل یک دستیار جیبی که تخصصش محدود اما سریع است — تضمین کرده که برنامه نیازی به GPU قدرتمند یا اشتراک‌های پولی API نداشته باشد. این تصمیم، موانع مالی و سخت‌افزاری معمول در استقرار هوش مصنوعی محلی را از بین می‌برد. همچنین یک پنل اطلاعاتی برای شفافیت اضافه شده تا کاربران مدل و روش استنتاج (Inference) — یعنی همان لحظه تولید جواب توسط مدل — را مشاهده کنند.
این پروژه نشان‌دهنده چرخش به سمت «هوش مصنوعی قطع‌کننده» است. در اینجا مدل به‌جای اینکه خودش تبدیل به تجربه شود، ابزاری است که تجربه آفلاین را پشتیبانی می‌کند. این موضوع ثابت می‌کند که مدل‌های وزن‌های باز (Open Weights) — یعنی مدل‌هایی که دستور پختشان علناً منتشر شده — می‌توانند برای ساخت ابزارهایی به کار روند که فعالانه با اعتیاد به فناوری مقابله می‌کنند.
برای کاربر، این یعنی حریم خصوصی مطلق. چون تولید ماموریت به‌صورت محلی رخ می‌دهد و یادداشت‌ها در مرورگر می‌مانند، هیچ داده‌ای به ابر ارسال نمی‌شود. این رویکرد «حریم خصوصی در طراحی»، وزنه تعادلی در برابر ماهیت استخراج داده در اکثر هوش‌های مصنوعی مصرفی است. در نهایت، TouchGrass AI با مدل زبانی بزرگ (LLM) نه به عنوان یک مقصد، بلکه به عنوان یک پیش‌خوان دیجیتال برخورد می‌کند تا با کمترین هزینه محاسباتی، کاربر را به حرکت فیزیکی وادارد.
توسعه‌دهندگان می‌توانند از طریق مجوز MIT در گیت‌هاب به کد منبع دسترسی پیدا کنند تا پرامپت‌ها را تغییر دهند یا مدل‌های محلی سازگار دیگری را آزمایش کنند.
گام بعدی شما
- اگر از Ollama استفاده می‌کنید، مدل Qwen 2.5 0.5B را برای کارهای سبک تست کنید تا سرعت استنتاج محلی را تجربه کنید.
- برای کاهش خستگی دیجیتال، سعی کنید ابزارهای AI را فقط به عنوان «محرک» برای کارهای آفلاین به کار ببرید، نه جایگزین آن‌ها.
- کد منبع پروژه را در گیت‌هاب بررسی کنید تا ببینید چگونه یک رابط ساده FastAPI می‌تواند مدل‌های محلی را مدیریت کند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو