شهریور
اخبار
عامل رابط کاربری علی‌بابا؛ مدلی که روی صفحه کار می‌کند
رقابت مدل‌های هوش مصنوعی وارد فاز تازه‌ای شده است. شرکت علی‌بابا مدلی معرفی کرده که به‌جای صرفاً جواب‌دادن، مستقیم روی صفحه‌ی گوشی و کامپیوتر کار می‌کند: لمس می‌کند، تایپ می‌کند و سوایپ می‌زند. در آزمون‌های موبایل، این مدل با فاصله‌ی چشمگیری از رقبای بزرگ جلو افتاده، اما تصویر کامل پیچیده‌تر از یک برد ساده است. نکته‌ی مهم‌تر شاید طراحی ایمنی آن باشد: پیش از هر کار حساس، از کاربر اجازه می‌گیرد.
لیست مطالب
۱) تفاوت یک دستیار با یک عامل
بیشتر مدل‌هایی که تا امروز با آن‌ها کار کرده‌ایم، در نهایت متن تولید می‌کنند. شما می‌پرسید و آن‌ها پاسخ می‌دهند؛ اجرای پاسخ با خود شماست. عامل رابط کاربری اما یک قدم جلوتر می‌رود: تصویر صفحه را می‌بیند، تصمیم می‌گیرد کجا را باید لمس کند، لمس می‌کند، نتیجه را دوباره می‌بیند و همین چرخه را تا رسیدن به هدف ادامه می‌دهد.
این تفاوت، تفاوت میان مشاور و کارمند است. مدل مکالمه‌ای به شما می‌گوید برای رزرو بلیت باید چه مراحلی را طی کنید؛ عامل رابط کاربری خودش وارد اپلیکیشن می‌شود و مراحل را طی می‌کند. مسئله‌ی فنی اصلی هم همین‌جاست: مدل باید در هر گام، از روی پیکسل‌های صفحه بفهمد اکنون کجاست و گام بعدی چیست، بدون آنکه به رابط برنامه‌نویسی اپلیکیشن دسترسی داشته باشد.
سختی این کار را نباید دست‌کم گرفت. یک اشتباه کوچک در تشخیص موقعیت دکمه، کل زنجیره را خراب می‌کند و بازگشت از خطا در محیط‌های واقعی بسیار دشوار است. به همین دلیل، آزمون‌های این حوزه معمولاً نمره‌های بسیار پایین‌تری از آزمون‌های متنی می‌دهند.
۲) عددهای آزمون موبایل
در آزمون استاندارد MobileWorld، مدل علی‌بابا نمره‌ی ۸۲٫۱ درصد گرفته است. برای مقایسه، کلود اوپوس ۴٫۸ در همین آزمون ۶۷٫۵ درصد ثبت کرده؛ یعنی اختلافی حدود ۱۴٫۶ واحد درصدی. فاصله با جی‌پی‌تی-۵٫۶ هم طبق گزارش‌ها حدود ۱۲ واحد درصدی است.
اما نمره‌ی جذاب‌تر مربوط به نسخه‌ی واقعی‌تر این آزمون است. در MobileWorld-Real که وظایف روی اپلیکیشن‌های زنده‌ی اندرویدی اجرا می‌شوند و نه در یک محیط شبیه‌سازی‌شده، این مدل به ۹۲٫۲ درصد رسیده است. در آزمون AndroidDaily هم نمره‌ی ۹۷٫۵ درصد ثبت شده است.
اهمیت تفکیک «آزمون شبیه‌سازی‌شده» و «آزمون روی دستگاه واقعی» بسیار زیاد است. محیط‌های شبیه‌سازی‌شده معمولاً تمیزتر و قابل پیش‌بینی‌ترند؛ دستگاه واقعی یعنی تبلیغ ناگهانی، بارگذاری کند، پنجره‌ی به‌روزرسانی و ده‌ها اتفاق غیرمنتظره‌ی دیگر. نمره‌ی بالا در محیط واقعی، سیگنال قوی‌تری از نمره‌ی بالا در آزمایشگاه است.
۳) تصویر کامل‌تر؛ جایی که مدل عقب می‌ماند
روایت «علی‌بابا از همه جلو زد» تنها نیمی از داستان است. در آزمون‌های دسکتاپ، تصویر متفاوت می‌شود. مدل در OSWorld-Verified نمره‌ی ۷۹٫۵ درصد گرفته است؛ نمره‌ای که بر پایه‌ی گزارش‌ها از برخی رقبا جلوتر است اما از کلود اوپوس ۴٫۸ با حدود ۸۳٫۴ درصد عقب می‌ماند.
شکاف در وظایف بلندمدت جدی‌تر است. در نسخه‌ی دوم آزمون OSWorld که کارهای طولانی و چندمرحله‌ای را می‌سنجد، مدل علی‌بابا حدود ۴۰ درصد گرفته در حالی که کلود اوپوس ۴٫۸ نزدیک ۵۴٫۸ درصد ثبت کرده است. در سنجه‌ی سخت‌گیرانه‌تر که فقط تکمیل کامل وظیفه را قبول می‌کند، هر دو عدد به‌شدت پایین می‌آیند.
در حوزه‌ی جست‌وجو و پژوهش وب هم فاصله به سود رقبا است. بنابراین جمع‌بندی منصفانه این است: این مدل در موبایل پیشتاز است، در وب تقریباً هم‌تراز، و در کارهای طولانی دسکتاپ هنوز عقب. تخصص، نه برتری همه‌جانبه.
این الگو خودش یک خبر است. تا امروز فرض غالب این بود که مدل بزرگ‌تر در همه‌ی حوزه‌ها بهتر است. حالا می‌بینیم یک مدل متمرکز می‌تواند در یک حوزه‌ی مشخص از مدل‌های بسیار بزرگ‌تر جلو بزند. برای مقایسه‌ی مشابه، نبرد چت‌جی‌پی‌تی و دیپ‌سیک نمونه‌ی خوبی است.
۴) داده‌ای که این مدل را ساخت
راز عملکرد موبایلی این مدل، احتمالاً در داده‌ی آموزشی آن است. طبق گزارش‌ها، فرایند آموزش بر پایه‌ی داده‌ی جمع‌آوری‌شده از بیش از صد دستگاه واقعی و حدود صدوپنجاه اپلیکیشن مختلف بنا شده است؛ نه بر پایه‌ی محیط‌های ساختگی.
تیم سازنده افزون بر این، یک مجموعه‌آزمون اختصاصی با بیش از چهارصد وظیفه ساخته تا عملکرد را در شرایط واقعی بسنجد. این رویکرد پرهزینه است اما نتیجه‌اش در همان شکاف میان نمره‌ی محیط شبیه‌سازی‌شده و نمره‌ی دستگاه واقعی دیده می‌شود.
درس این ماجرا برای کل صنعت روشن است: در وظایف تعاملی، کیفیت داده‌ی محیط واقعی از اندازه‌ی مدل مهم‌تر است. سرمایه‌گذاری روی جمع‌آوری داده‌ی درست، بازدهی بیشتری از افزودن پارامتر دارد.
۵) اجازه‌گرفتن؛ ویژگی‌ای که بیشتر از نمره‌ها اهمیت دارد
مهم‌ترین بخش این خبر شاید اصلاً به عملکرد مربوط نباشد. این مدل یک کنش تعریف‌شده دارد که با آن می‌تواند اجرای کار را متوقف کند و از کاربر تأیید بگیرد. این توقف پیش از عملیات حساس فعال می‌شود: پرداخت پول، حذف داده، یا دادن دسترسی‌های مربوط به حریم خصوصی.
چرا این مهم است؟ چون خطر عامل‌های رابط کاربری با خطر مدل‌های متنی از جنس متفاوتی است. یک پاسخ اشتباه متنی را می‌شود نادیده گرفت؛ یک کلیک اشتباه روی دکمه‌ی پرداخت یا حذف، برگشت‌ناپذیر است. عامل خودکاری که بدون توقف کار می‌کند، در واقع دارد اختیار برگشت‌ناپذیر را از کاربر می‌گیرد.
طبق گزارش‌ها، این مدل وظایفی را هم که غیرقانونی یا پرخطر تشخیص داده شوند رد می‌کند. ترکیب این دو سازوکار، همان الگویی است که احتمالاً به استاندارد این نسل از دستیارها تبدیل می‌شود: سرعت بالا، اما با نگه‌داشتن کنترل نهایی در دست انسان. بحث گسترده‌تر درباره‌ی مهار و کنترل مدل‌ها را در بخش اخبار هوش مصنوعی دنبال کنید.
۶) معنای این عرضه برای بازار
ورود جدی علی‌بابا به حوزه‌ی عامل‌های رابط کاربری، فشار رقابتی تازه‌ای ایجاد می‌کند. تا امروز، قابلیت کنترل کامپیوتر بیشتر به‌عنوان یک ویژگی جانبی در مدل‌های بزرگ عرضه می‌شد. حالا یک مدل تخصصی وارد شده که در حوزه‌ی خودش عدد بهتری می‌گیرد.
پیامد دوم به قیمت برمی‌گردد. مدل‌های خانواده‌ی کوئن معمولاً با هزینه‌ی به‌مراتب کمتری اجرا می‌شوند و اگر وزن‌ها در دسترس قرار بگیرند، امکان اجرای محلی هم مطرح می‌شود؛ چیزی که برای کاربردهای حساس به حریم خصوصی اهمیت زیادی دارد. گزارش‌ها درباره‌ی وضعیت انتشار وزن‌ها یکدست نیستند و بهتر است تا اعلام رسمی، این موضوع را قطعی فرض نکنیم.
پیامد سوم استراتژیک است. کنترل مستقیم رابط کاربری یعنی مدل می‌تواند با هر نرم‌افزاری کار کند، حتی نرم‌افزارهایی که رابط برنامه‌نویسی ندارند. این دقیقاً همان لایه‌ای است که سال‌ها مانع خودکارسازی در سازمان‌های بزرگ بوده است. برای درک ارزش اقتصادی این تحول، جایگاه هوش مصنوعی در کسب‌وکار را ببینید.
۷) محدودیت‌هایی که باید در نظر گرفت
نخستین محدودیت، ماهیت خود آزمون‌هاست. نمره‌های منتشرشده معمولاً توسط تیم سازنده گزارش می‌شوند و شرایط اجرا، تعداد تلاش مجاز و نحوه‌ی امتیازدهی می‌تواند نتیجه را جابه‌جا کند. تا زمانی که ارزیابی مستقل منتشر نشود، این عددها را باید با احتیاط خواند.
محدودیت دوم، شکنندگی در برابر تغییر رابط است. اپلیکیشن‌ها مدام به‌روزرسانی می‌شوند و جای دکمه‌ها عوض می‌شود. عاملی که امروز ۹۲ درصد می‌گیرد، ممکن است بعد از یک به‌روزرسانی بزرگ افت کند. پایداری در طول زمان، معیاری است که هنوز اندازه‌گیری نشده.
محدودیت سوم، مسئله‌ی دسترسی و حریم خصوصی است. عاملی که صفحه‌ی گوشی شما را می‌بیند، همه‌چیز را می‌بیند: پیام‌ها، اعلان‌ها، اطلاعات بانکی. حتی با وجود سازوکار اجازه‌گرفتن، این سطح از دسترسی نیازمند سیاست روشن درباره‌ی محل پردازش و نگهداری تصاویر صفحه است. برای شروع کار عملی با این ابزارها، آموزش‌های چت‌جی‌پی‌تی و راهنمای نوشتن پرامپت پایه‌ی خوبی می‌سازند.
۸) این تحول برای کاربر عادی چه معنایی دارد
برای کاربر معمولی، جذاب‌ترین کاربرد این فناوری همان کارهای تکراری و خسته‌کننده است: پرکردن فرم‌های طولانی، جابه‌جاکردن داده میان دو اپلیکیشنی که به هم وصل نمی‌شوند، پیگیری یک سفارش در چند سرویس مختلف، یا انجام یک زنجیره‌ی ثابت از کارها که هر هفته تکرار می‌شود.
اما پذیرش این فناوری بیش از آنکه به نمره‌ی آزمون‌ها وابسته باشد، به اعتماد وابسته است. کاربر باید بپذیرد که یک برنامه اجازه دارد صفحه‌ی گوشی‌اش را ببیند و روی آن عمل کند. تجربه‌ی سال‌های اخیر نشان داده که اعتماد با شفافیت ساخته می‌شود، نه با نمره‌ی بالا؛ کاربر باید بداند چه چیزی دیده می‌شود، کجا پردازش می‌شود و چه مدت نگه داشته می‌شود.
توصیه‌ی عملی هم روشن است: در شروع، از این عامل‌ها برای کارهای کم‌ریسک استفاده کنید. جست‌وجو، خلاصه‌سازی و دسته‌بندی، نقطه‌ی شروع مناسبی هستند؛ پرداخت و حذف داده، آخرین کارهایی‌اند که باید به یک عامل خودکار سپرده شوند. مروری بر محدودیت‌های واقعی هوش مصنوعی کمک می‌کند انتظارها واقع‌بینانه بماند.
پرسش‌های پرتکرار درباره‌ی عامل رابط کاربری علی‌بابا
عامل رابط کاربری با چت‌بات چه فرقی دارد؟
چت‌بات متن تولید می‌کند و اجرا با شماست. عامل رابط کاربری تصویر صفحه را می‌بیند و خودش لمس، تایپ و سوایپ می‌کند تا وظیفه را تا انتها انجام دهد.
آیا این مدل واقعاً از کلود و جی‌پی‌تی بهتر است؟
در آزمون‌های موبایل بله، با فاصله‌ای محسوس. اما در آزمون‌های دسکتاپ و به‌ویژه وظایف بلندمدت، همچنان از کلود اوپوس ۴٫۸ عقب است. برتری آن تخصصی است، نه همه‌جانبه.
منظور از آزمون روی دستگاه واقعی چیست؟
یعنی وظایف روی گوشی‌های اندرویدی و اپلیکیشن‌های زنده اجرا می‌شوند، نه در یک محیط شبیه‌سازی‌شده. نتیجه‌ی چنین آزمونی به کاربرد واقعی نزدیک‌تر است.
آیا این مدل بدون اجازه پول خرج می‌کند؟
طبق مستندات منتشرشده، مدل پیش از عملیات حساس مانند پرداخت، حذف داده یا اعطای دسترسی‌های حریم خصوصی متوقف می‌شود و تأیید صریح کاربر را می‌خواهد.
آیا می‌توان این مدل را روی سخت‌افزار شخصی اجرا کرد؟
گزارش‌های منتشرشده درباره‌ی وضعیت انتشار وزن‌ها یکدست نیستند. تا اعلام رسمی و روشن‌شدن شرایط مجوز، بهتر است امکان اجرای محلی را قطعی فرض نکنید.
