هوش مصنوعی وارد عصر اجرا شد؛ آغاز رقابت تازه گوگل

رقابت غول‌های فناوری بر سر هوش مصنوعی وارد مرحله تازه‌ای شده است. پس از چند سال تمرکز بر ساخت مدل‌هایی که بهتر می‌نویسند، دقیق‌تر پاسخ می‌دهند و مسائل پیچیده‌تری را حل می‌کنند، اکنون سرعت انجام وظایف، هزینه پردازش و توانایی اجرای مستقل کارها به معیارهای اصلی رقابت تبدیل شده‌اند. معرفی مدل جدید Gemini 4 Hydrogen توسط گوگل نشان می‌دهد که آینده هوش مصنوعی احتمالاً بیش از آنکه به چت‌بات‌های پاسخ‌گو وابسته باشد، به عامل‌های هوشمندی تعلق خواهد داشت که می‌توانند مجموعه‌ای از وظایف را تا رسیدن به نتیجه دنبال کنند.

به گزارش فنابوم، گوگل در ۱۲ نوامبر ۲۰۲۶ از Gemini 4 Hydrogen رونمایی کرد؛ مدلی که برای برنامه‌نویسی، تحلیل اطلاعات، استفاده از ابزارهای دیجیتال و انجام وظایف چندمرحله‌ای طراحی شده است. این شرکت اعلام کرده که مدل جدید نسبت به نسل پیشین سریع‌تر عمل می‌کند و در برخی آزمون‌ها حتی عملکردی نزدیک به مدل‌های بزرگ‌تر و پرهزینه‌تر دارد. اهمیت این تحول در آن است که هوش مصنوعی قدرتمند دیگر الزاماً نباید به معنای پردازش گران‌قیمت و زمان انتظار طولانی باشد.

مدل جدید گوگل چه تفاوتی با نسل‌های قبلی دارد؟

در نسل‌های اولیه هوش مصنوعی مولد، کیفیت پاسخ مهم‌ترین معیار ارزیابی بود. کاربران از مدل‌ها می‌خواستند متنی بنویسند، مسئله‌ای را توضیح دهند یا تصویری تولید کنند. با پیشرفت فناوری، انتظارات تغییر کرد. اکنون شرکت‌ها می‌خواهند هوش مصنوعی بتواند اسناد متعدد را بررسی کند، اطلاعات مورد نیاز را پیدا کند، برنامه بنویسد، نتیجه کار خود را آزمایش کند و در صورت مشاهده خطا، مسیر دیگری را امتحان کند.

Gemini 4 Hydrogen دقیقاً برای پاسخ به همین نیاز معرفی شده است.

بر اساس اعلام گوگل، این مدل در تنظیمات پیش‌فرض خود وظایف را حدود ۲.۵ برابر سریع‌تر از Gemini 3.8 Flash انجام می‌دهد. همچنین امتیاز آن در آزمون برنامه‌نویسی Terminal-Bench 4.1 به ۵۷ درصد رسیده، در حالی که مدل پیشین در همین آزمون امتیاز ۱۸.۲ درصد را به دست آورده بود.

گوگل همچنین اعلام کرده میزان تولید ادعاهای ساختگی در ارزیابی‌های این شرکت نسبت به مدل قبلی بیش از پنج برابر کاهش یافته است. البته این ارقام نتایج آزمون‌ها و ارزیابی‌های مشخص هستند و به معنای آن نیستند که مدل جدید در تمام فعالیت‌های واقعی به همین نسبت بهتر یا سریع‌تر خواهد بود.

نکته جالب‌تر به مقایسه Hydrogen با مدل بزرگ‌تر Gemini 4 Argon مربوط می‌شود. در شاخص هوش Artificial Analysis، مدل Hydrogen در سطح پیش‌فرض پردازش امتیاز ۵۱ و Argon امتیاز ۵۰ کسب کرده‌اند. Hydrogen در بالاترین سطح پردازش خود به امتیاز ۵۴ نیز می‌رسد.

این نتایج نشان می‌دهند که مدل کوچک‌تر یا اقتصادی‌تر، لزوماً در تمام وظایف ضعیف‌تر نیست. با این حال، برتری در یک شاخص به معنای برتری مطلق در همه آزمون‌های تخصصی نخواهد بود.

پایان دوران استفاده از یک مدل برای همه کارها؟

یکی از مهم‌ترین بخش‌های معرفی اخیر گوگل، قابلیت جدیدی با نام Orchestrator است که در محیط توسعه Google Antigravity ارائه شده است.

ایده اصلی ساده است: چرا یک شرکت باید برای تمام مراحل یک کار از گران‌ترین و قدرتمندترین مدل استفاده کند؟

فرض کنیم یک تیم نرم‌افزاری قصد توسعه یک سامانه سازمانی را دارد. در مرحله نخست، طراحی معماری نرم‌افزار به تحلیل عمیق نیاز دارد. سپس صدها وظیفه کوچک‌تر مانند تولید کد، نوشتن آزمون، بررسی خطاها و اصلاح بخش‌های مشخص آغاز می‌شود.

در الگوی جدید، یک مدل قدرتمند می‌تواند طراحی و تصمیم‌گیری‌های پیچیده را بر عهده بگیرد، در حالی که مدل‌های سریع‌تر وظایف اجرایی را انجام دهند.

گوگل اعلام کرده Orchestrator می‌تواند در جریان یک فعالیت بین مدل‌های مختلف جابه‌جا شود. طبق ارزیابی این شرکت در Terminal-Bench 4.0، این روش در مقایسه مورد آزمایش به‌طور متوسط ۲۴ درصد سهمیه پردازشی کمتری مصرف کرده و کارها را ۱۹ درصد سریع‌تر تکمیل کرده است.

این رویکرد می‌تواند یکی از مسیرهای اصلی توسعه سامانه‌های چندعاملی باشد؛ سامانه‌هایی که در آنها چند عامل هوشمند با وظایف متفاوت، مانند برنامه‌نویس، تحلیلگر، آزمایشگر و ناظر، در یک فرایند هماهنگ فعالیت می‌کنند.

البته اجرای چنین ساختاری بدون نظارت خطراتی دارد. عامل هوشمندی که به فایل‌ها، نرم‌افزارهای سازمانی یا ابزارهای اجرایی دسترسی دارد، باید در چارچوب مجوزهای مشخص کار کند و اقدامات حساس آن قابل بررسی و کنترل باشند.

چرا هزینه هوش مصنوعی به مسئله اصلی تبدیل شده است؟

توسعه هوش مصنوعی در مقیاس تجاری با یک چالش اقتصادی جدی مواجه است: هر درخواست، هر مرحله تحلیل و هر بار استفاده از ابزارها هزینه دارد.

وقتی یک کاربر تنها یک سؤال مطرح می‌کند، هزینه پردازش ممکن است ناچیز باشد. اما زمانی که یک سامانه هوشمند برای انجام یک فعالیت ده‌ها بار مدل را فراخوانی می‌کند، اسناد متعددی می‌خواند و چندین مرحله آزمون و اصلاح انجام می‌دهد، هزینه عملیاتی اهمیت بیشتری پیدا می‌کند.

گوگل قیمت استفاده از Gemini 4 Hydrogen از طریق API را ۱.۵ دلار به ازای هر یک میلیون توکن ورودی و ۷.۵ دلار به ازای هر یک میلیون توکن خروجی اعلام کرده است.

این قیمت‌ها هزینه پایه پردازش توکن هستند و نباید با هزینه نهایی یک وظیفه اشتباه گرفته شوند. تعداد فراخوانی‌ها، طول پاسخ، میزان استدلال، استفاده از ابزارهای جانبی و تعداد دفعات اصلاح می‌توانند هزینه نهایی را تغییر دهند.

برای یک شرکت فناوری، پرسش اساسی دیگر فقط این نیست که کدام مدل هوشمندتر است؛ بلکه باید مشخص شود کدام مدل با هزینه کمتر، سرعت مناسب‌تر و میزان خطای قابل قبول، کار مورد نظر را انجام می‌دهد.

به همین دلیل احتمال دارد معماری سامانه‌های هوش مصنوعی سازمانی در سال‌های آینده از وابستگی کامل به یک مدل فاصله بگیرد و به ترکیبی از مدل‌های تخصصی با سطح توانایی متفاوت تبدیل شود.

موتور جست‌وجوی گوگل نیز در حال تغییر است

تأثیر مدل تازه گوگل به برنامه‌نویسی و شرکت‌های نرم‌افزاری محدود نمی‌شود. این شرکت هم‌زمان اعلام کرده که Gemini 4 Hydrogen را در موتور جست‌وجوی خود نیز به کار می‌گیرد.

به گفته گوگل، مدل جدید می‌تواند پرسش‌های طولانی و چندبخشی را بهتر تحلیل کند، هم‌زمان درباره موضوعات مرتبط جست‌وجو انجام دهد و پاسخ‌هایی همراه با جدول، تصویر و اطلاعات ساختاریافته ارائه کند.

این تحول برای تولیدکنندگان محتوا و ناشران اینترنتی نیز اهمیت دارد.

در الگوی سنتی جست‌وجو، کاربر عبارتی را وارد می‌کرد و برای دریافت اطلاعات وارد یک یا چند وب‌سایت می‌شد. اما با توسعه پاسخ‌های هوشمند، بخشی از فرایند جمع‌آوری و ترکیب اطلاعات ممکن است مستقیماً در صفحه نتایج جست‌وجو انجام شود.

گوگل اعلام کرده مدل جدید می‌تواند منابع و پیوندهای مرتبط بیشتری را شناسایی کند. با این حال، افزایش تعداد منابع معرفی‌شده الزاماً به معنای افزایش بازدید ناشران نیست. اثر واقعی این تغییر بر ترافیک وب‌سایت‌ها باید در داده‌های عملی اندازه‌گیری شود.

برای رسانه‌ها و کسب‌وکارهای محتوایی، پیام این تحول روشن است: انتشار اطلاعات عمومی و تکراری به‌تنهایی مزیت رقابتی پایداری ایجاد نمی‌کند. داده‌های اختصاصی، تحلیل‌های معتبر، تجربه دست‌اول و اطلاعاتی که در منابع دیگر به‌سادگی یافت نمی‌شوند، اهمیت بیشتری خواهند داشت.

این تحول برای کسب‌وکارهای ایرانی چه معنایی دارد؟

برای شرکت‌های ایرانی، مسئله هوش مصنوعی فقط دسترسی به جدیدترین مدل‌های جهانی نیست. ارزش اقتصادی این فناوری زمانی آشکار می‌شود که بتواند یک مشکل مشخص را در فرایندهای واقعی کسب‌وکار حل کند.

برای مثال، یک شرکت بازرگانی می‌تواند از عامل‌های هوشمند برای بررسی اسناد، مقایسه اطلاعات تأمین‌کنندگان و آماده‌سازی گزارش‌های مدیریتی استفاده کند. یک شرکت نرم‌افزاری ممکن است بخشی از آزمون و کنترل کیفیت کدهای خود را به ابزارهای هوشمند بسپارد. در واحد خدمات مشتریان نیز می‌توان بخشی از درخواست‌های تکراری را به سامانه‌ای سپرد که از اطلاعات معتبر داخلی استفاده می‌کند و موارد پیچیده را به اپراتور انسانی ارجاع می‌دهد.

اما موفقیت این کاربردها به چند عامل بستگی دارد: کیفیت داده‌ها، دسترسی قانونی و فنی به سرویس‌ها، هزینه واقعی استفاده، امنیت اطلاعات و توانایی نظارت بر خروجی‌ها.

برای شرکت‌هایی که با محدودیت دسترسی به خدمات خارجی یا هزینه پرداخت ارزی روبه‌رو هستند، ارزیابی مدل‌های قابل استقرار محلی، راهکارهای متن‌باز و معماری ترکیبی نیز می‌تواند اهمیت داشته باشد.

نکته دیگر آن است که نباید ادعاهای تبلیغاتی درباره عملکرد مدل‌ها مستقیماً به بهره‌وری واقعی سازمان تعمیم داده شوند. یک مدل ممکن است در آزمون‌های برنامه‌نویسی عملکرد چشمگیری داشته باشد، اما هنگام استفاده از داده‌های فارسی، اسناد تخصصی یا فرایندهای داخلی یک شرکت به ارزیابی و اصلاح بیشتری نیاز پیدا کند.

بهترین روش برای شروع، انتخاب یک فرایند محدود و قابل اندازه‌گیری است. زمان انجام کار، هزینه، خطاها و کیفیت نتیجه باید پیش و پس از استفاده از هوش مصنوعی مقایسه شوند. تنها در این صورت می‌توان درباره توسعه آن در مقیاس بزرگ تصمیم گرفت.

آینده هوش مصنوعی؛ رقابت بر سر انجام کار

معرفی Gemini 4 Hydrogen نشان می‌دهد که صنعت هوش مصنوعی از مرحله نمایش توانایی مدل‌ها به سمت رقابت بر سر کارایی عملی حرکت می‌کند.

مدلی که بتواند با هزینه کمتر و سرعت بیشتر وظایف مشخصی را انجام دهد، ممکن است برای بسیاری از کسب‌وکارها ارزشمندتر از مدلی باشد که در برخی آزمون‌های پیچیده امتیاز بالاتری کسب می‌کند اما استفاده روزانه از آن پرهزینه است.

البته هنوز محدودیت‌های اساسی باقی مانده‌اند. مدل‌های پیشرفته همچنان ممکن است اطلاعات نادرست تولید کنند، دستورالعمل‌ها را اشتباه تفسیر کنند یا هنگام انجام فعالیت‌های طولانی با خطا مواجه شوند. از همین رو، نظارت انسانی، کنترل مجوزها و ارزیابی مستقل عملکرد همچنان ضروری است.

با وجود این محدودیت‌ها، جهت حرکت صنعت روشن‌تر شده است: آینده هوش مصنوعی فقط متعلق به سامانه‌هایی نیست که بهترین پاسخ را می‌نویسند؛ بلکه متعلق به ابزارهایی خواهد بود که بتوانند در محیط واقعی، کاری مشخص را با دقت، سرعت و هزینه قابل قبول به نتیجه برسانند.

تحول اصلی هوش مصنوعی از پاسخ دادن به انجام دادن کارهاست؛ و رقابت تازه گوگل، یکی دیگر از نشانه‌های ورود صنعت فناوری به این مرحله است.