دانشمند ارشد سابق گوگل می گوید انتخاب مدل هوش مصنوعی مناسب، روزبه روز اهمیت کمتری پیدا می کند و توضیح می دهد که چه چیزی در این میان واقعاً مهم تر است.
دانشمند ارشد سابق گوگل، فردی که نقش بسزایی در تبدیل شدن گوگل به غول بلامنازع هوش مصنوعی و موتور جستجوی امروزی داشت، اخیراً مصاحبه ای با «دیانا هو» (Diana Hu) از شتاب دهنده معروف Y Combinator انجام داده است. او در این گفتگو به صراحت توضیح داد که مدلی که افراد برای هوش مصنوعی استفاده می کنند، به تدریج اهمیت خود را از دست می دهد؛ در عوض، آنچه مدل را در یک سیستم بزرگ تر از ابزارها، بازیابی اطلاعات (Retrieval) و عوامل هوشمند (AI Agents) به کار می گیرد، به مسئله اصلی تبدیل شده است.
پاسخ های او در این مصاحبه حول محور «مهندسی بافت» (Context Engineering) و هنر «ارکستراسیون» (Orchestration) می چرخید؛ یعنی هماهنگ سازی ابزارها، سیستم های بازیابی و عوامل هوش مصنوعی برای خلق سیستم های هوشمند و توانمند.
انتخاب مدل هوش مصنوعی، روزبه روز کم اهمیت تر می شود
بسیاری از افراد و کسب وکارها مدام نگران این هستند که از کدام مدل هوش مصنوعی (مثل GPT-4، Gemini یا Claude) استفاده کنند و استرس تمام شدن توکن هایشان را دارند. پاسخ های جف دین نشان می دهد که این نگرانی ها احتمالاً باعث می شود افراد یک فرصت بسیار بزرگ تر را نادیده بگیرند: مهندسی بافت.
دیانا هو، مصاحبه کننده Y Combinator، اشاره کرد که پیشرفت در هوش مصنوعی دیگر صرفاً به معنای ساخت مدل های بزرگ تر نیست و به نظر او، این پیشرفت به طور فزاینده ای به سمت «مهندسی بافت» متمایل شده است.
جف دین با این موضوع موافقت کرد و این ایده را بسط داد.
دیانا هو پرسید:
«پیشرفت هوش مصنوعی در گذشته فقط به معنای داشتن مدل های بهتر بود. شما داده های بیشتری داشتید و مدل های بزرگ تری را با پارامترهای بیشتر آموزش می دادید.
اما در یک سال اخیر یا بیشتر، به طور فزاینده ای همه چیز به محیط پیرامون مدل مربوط می شود، نه فقط اندازه مدل، تعداد پارامترها یا داده های بیشتر. همه چیز به مواردی مانند بازیابی اطلاعات، ابزارها، حافظه و ابزارهای عاملی (Agent Tools) گره خورده است و شاید بتوان همه این ها را در مفهومی که افراد به آن “مهندسی بافت” می گویند، خلاصه کرد. درست است؟»
مدلی مانند Gemini که در مرکز قرار دارد و ابزارهایی مانند بازیابی اطلاعات، جستجو و حافظه را برای انجام وظایف مدیریت می کند.
گذر از مدل به سیستم های یکپارچه
جف دین با تایید این صحبت ها گفت که مدل هوش مصنوعیِ انتخابی، تنها یک بخش از پازل کاری است که افراد در حال انجام آن هستند. او تاکید کرد آنچه واقعاً اهمیت دارد، ابزارهای مختلفی است که مدل هوش مصنوعی می تواند از آن ها استفاده کند و نحوه دسترسی آن به اطلاعات مرتبط است. بنابراین، او اصرار دارد که به جای تمرکز مطلق بر خود مدل و انتظارِ انجام همه کارها از آن، رویکرد بهتر این است که مدل را به ابزارهای لازم برای انجام دقیق وظایف مجهز کنیم.
در دانش وب، ما دقیقاً همین الگو را در خدمات طراحی سایت و معماری سئو پیاده سازی می کنیم؛ به جای تمرکز صرف روی ظاهر یک قالب، سایت را به مجموعه ای از ابزارهای یکپارچه و ساختارهای فنی مجهز می کنیم تا موتورهای جستجو و هوش مصنوعی بتوانند محتوای شما را در بهترین “بافت” ممکن درک و استخراج کنند.
دین در ادامه پاسخ داد:
«بله، منظورم این است که مدل واقعاً تنها یک تکه از چیزی است که شما سعی در انجام آن دارید؛ یعنی ساخت یک سیستم جامع که بتواند مشکلات واقعاً جالب و پیچیده را حل کند.
این سیستم شامل مدلی است که می داند چگونه از ابزارهای مختلف استفاده کند. مدلی که شاید بداند چگونه اطلاعات مرتبط را بازیابی کند و احتمالاً تاریخچه ای از اطلاعاتِ بازیابی شده برای مشکلات گذشته را در اختیار دارد. چنین سیستمی می تواند اطلاعات را دقیقاً در بافت (Context) و ساختارِ فهمِ مدل قرار دهد.»
ارکستراسیون سیستم های چندعاملی (Multi-Agent) در حال تبدیل شدن به یک اولویت است
دین پاسخ خود را ادامه داد و مسیر بحث را به سمت ارکستراسیون (هماهنگ سازی) عوامل و سیستم های چندعاملی تغییر داد. این یعنی ایجاد هماهنگی بین عوامل هوش مصنوعی (AI Agents) در نحوه استفاده آن ها از ابزارها و بازیابی اطلاعات مرتبط برای حل مشکلات پیچیده.
او از یک مدل هوش مصنوعی با تمام داده های آموزشی اش (که حجم عظیمی از اطلاعات است) به عنوان مثال استفاده کرد و آن را در برابر هوش مصنوعی ای قرار داد که به مجموعه ای از اطلاعات نگاه می کند که مستقیماً به وظیفه فعلی اش مرتبط است. نکته ای که او به آن می رسد این است که مدل زمانی بهتر می تواند کارش را انجام دهد که سطح مناسبی از هماهنگی (Orchestration) در اختیار داشته باشد و این دقیقاً همان مسیری است که آینده به سمت آن در حرکت است.
او صحبت هایش را این گونه تکمیل کرد:
«نکته جالب اینجاست که در این روش، اطلاعات برای مدل بسیار شفاف است؛ برخلاف داده های آموزشی که مدل روی آن ها آموزش دیده و شبیه سوپی از تریلیون ها توکن است که با صدها میلیارد یا تریلیون ها پارامتر هم زده شده اند.
همه آن داده های عظیم، وضوح کمتری نسبت به “بافت واقعی و مستقیمی” دارند که مدل برای یک مشکل یا مورد استفاده خاص می بیند. بنابراین، من فکر می کنم توانایی درک این موضوع که چه ابزارهایی در دسترس هستند، کدام یک به مدل کمک می کنند تا فاز بعدی مشکل را حل کند، چگونه یک مشکل پیچیده را به توالی مشخصی از فراخوانی ابزارها (Tool Calls) تجزیه کنیم، یا شاید امتحان کردن چندین رویکرد برای حل مشکل و ارزیابی اینکه کدام یک جواب می دهد… این ها اهمیت بالایی دارند.
این هماهنگ سازی جامع در سیستم های پیچیده عاملی و چندعاملی، چیزی است که به نظر من روزبه روز مهم تر می شود و می توانم بگویم در دوران بسیار هیجان انگیزی قرار داریم.»
هماهنگ سازی عوامل تخصصی (مانند بازیاب داده، نویسنده محتوا، تحلیلگر) توسط یک هاب مرکزی برای حل یک مسئله پیچیده.
نکات طلایی جف دین برای مهندسی بافت بهتر
دیانا هو بحث را از همان جایی که دین درباره مهندسی بافت متوقف کرده بود، ادامه داد و از او خواست تا نکاتی را برای افرادی که می خواهند در مهندسی بافت بهتر شوند، ارائه دهد.
هو پرسید:
«فکر می کنم بخش جذاب درباره این حوزه خاص این است که در واقع همه افراد حاضر در این اتاق می توانند آن را انجام دهند. چون در گذشته، برای آموزش یک مدل، به حجم باورنکردنی ای از منابع، دسترسی به پردازنده های گرافیکی (GPU) و داده نیاز داشتید.
اما برای مهندسی بافت، همه افراد اینجا می توانند دست به کار شوند. شما فقط به یک رابط برنامه نویسی (API) برای مدلی مثل Gemini نیاز دارید و سپس می توانید روی سیستم اختصاصی خود برای بازیابی داده ها، فراخوانی ابزارهایتان و موارد مشابه کار کنید.
پس چه نکاتی برای افراد حاضر دارید؟ چگونه همه می توانند در مهندسی بافت پیشرفت کنند و به سطح استثنایی برسند؟»
دین در پاسخ گفت که «شکست خوردن»، بخشی از مسیرِ درک تغییراتی است که باید برای رسیدن به نتایج درست در حل مسئله اعمال شود. نکته جالب در پاسخ او این بود که او تلاش برای تنظیم پارامترهای خود مدل جهت حل بهتر مشکلات (که کار بسیار سخت و عظیمی است) را با راهکار ساده تر و موثرتر، یعنی «ایجاد دستورالعمل ها و مهارت های بهتر برای مدل» مقایسه کرد.
دین توضیح داد:
«بله، منظورم این است که یک راه واقعاً خوب برای انجام این کار، استفاده از این مدل ها، مهارها و ابزارها برای تلاش در جهت حل مشکلات است. در این مسیر، شما گاهی اوقات می توانید دقیقاً ببینید که مدل کجاها با شکست مواجه می شود.
و اغلب می توانید کاری کنید که مدل بهتر کار کند و در آن نوع خاص از مشکلات موفق شود؛ نه فقط با تنظیم پارامترهای مدل (که انجام آن از بیرون کار بسیار سختی است)، بلکه از طریق ایجاد دستورالعمل های بهتر (Guidelines) برای مدل، و نوشتن مهارت هایی تا مدل بداند چگونه از ابزارهای مختلفی که برای حل این دسته از مشکلات به شدت مفیدند، استفاده کند.
فکر می کنم وقتی این کار را انجام می دهید، در یک چرخه بهبود مستمر و خودکارِ سیستمی قرار می گیرید که برای حل مشکلات از آن استفاده می کنید. این یک راه بسیار عالی است تا بهتر درک کنید مدل برای توانمندتر شدن، به چه اطلاعات اضافی نیاز دارد.»
رنموداری که نشان می دهد چگونه تحلیل خطاهای مدل منجر به ایجاد دستورالعمل ها و مهارت های بهتر برای دستیابی به نتایج دقیق تر می شود.
نکات کلیدی
- مدل های هوش مصنوعی در حال تبدیل شدن به تنها یک جزء از یک سیستم بسیار بزرگ ترِ هوش مصنوعی هستند.
- مهندسی بافت (Context Engineering) به طور فزاینده ای حول محور هماهنگ سازی (Orchestration) ابزارها، بازیابی اطلاعات و عوامل هوش مصنوعی می چرخد.
- نتایج بهتر در هوش مصنوعی، اغلب از طریق بهبود سیستمِ پیرامون مدل به دست می آید، نه تلاش برای تغییر خود مدل.
- بهبود خروجی های هوش مصنوعی معمولاً به معنای درس گرفتن از اشتباهات و شکست ها، به منظور ایجاد دستورالعمل ها (Guidelines) و مهارت های بهتر برای ماشین است.
نتیجه گیری
همان طور که جف دین، یکی از بزرگ ترین مغزهای متفکر گوگل اشاره کرد، دوران تکیه بر یک ابزار جادویی یا یک مدل زبانی به تنهایی به سر آمده است. آینده متعلق به کسب وکارها و وب مسترانی است که می دانند چگونه ابزارهای مختلف را در یک سیستم یکپارچه با هم هماهنگ کنند. در دنیای سئو و دیجیتال مارکتینگ امروز، تولید محتوای انبوه با هوش مصنوعی دیگر مزیت رقابتی نیست؛ بلکه مزیت اصلی در «مهندسی بافت» است؛ یعنی اینکه چگونه سایت خود را ساختاردهی کنید تا ربات های هوش مصنوعی بتوانند اطلاعات شما را در بهترین و دقیق ترین شکل ممکن بازیابی و درک کنند.
ما در دانش وب با درک عمیق این تغییرات تکنولوژیک، خدمات سئو و طراحی سایت شما را نه برای الگوریتم های سنتی دیروز، بلکه برای سیستم های چندعاملی و هوش مصنوعی فردا معماری می کنیم. با ایجاد زیرساخت های فنی استاندارد و دستورالعمل های دقیق در کدهای سایت، کسب وکار شما را به منبعی قابل اعتماد برای ابزارهای بازیابی اطلاعاتِ AI تبدیل خواهیم کرد.