
من از ۱ اسفند ۱۴۰۱ بهصورت جدی کار با هوش مصنوعی را شروع کردم. آن زمان مدلهای زبانی جذاب بودند، اما هنوز کاملاً احساس میکردیم با یک ابزار طرف هستیم؛ ابزاری برای تولید متن، ترجمه، خلاصهسازی، پاسخ به سؤال و گاهی کمک در برنامهنویسی.
حالا در شهریور ۱۴۰۵ که این مقاله را مینویسم، شرایط کاملاً متفاوت شده است. مدلهایی مثل GPT-6 Astra و Claude Fable 5.1 دیگر فقط منتظر یک سؤال نیستند تا پاسخی تولید کنند. مدلهای جدید میتوانند روی مسئله فکر کنند، چند مرحله را دنبال کنند، با ابزارها کار کنند، کد بنویسند، فایل بررسی کنند و در بعضی سناریوها بخش بزرگی از یک فرایند را انجام دهند.
فاصله چیزی که در سال ۱۴۰۱ میدیدم با چیزی که امروز استفاده میکنم، فقط «بهتر شدن پاسخها» نیست. به نظرم با یک تغییر نسل روبهرو هستیم.
چند سال پیش رابطه ما با هوش مصنوعی تقریباً ساده بود:
انسان سؤال میپرسید و هوش مصنوعی پاسخ میداد.
امروز این رابطه آرامآرام تغییر کرده است:
انسان هدف را مشخص میکند، هوش مصنوعی مسئله را تحلیل میکند، برنامه میریزد، ابزار انتخاب میکند، کار را انجام میدهد و نتیجه را بررسی میکند.
به همین دلیل یکی از مهمترین تغییرات این سالها برای من حرکت از Chatbot به سمت AI Agent بوده است.
من بهعنوان برنامهنویس این تغییر را کاملاً در کار روزمره احساس کردهام. قبلاً از مدل سؤال میپرسیدم که «این خطا چیست؟»؛ امروز میتوانم یک پروژه را در اختیارش بگذارم تا فایلها را بررسی کند، محل خطا را پیدا کند، راهحل پیشنهاد دهد و حتی بخشی از تغییرات را اجرا کند.
گاهی تصور میکنیم مدلها فقط به این دلیل بهتر شدند که بزرگتر شدند یا GPU بیشتری در اختیار شرکتها قرار گرفت. محاسبات بیشتر مهم بوده، اما تمام ماجرا نیست.
دادههای بهتر، روشهای آموزش جدید، بازخورد انسانی، Post-training، دادههای مصنوعی، ابزارها، Agentها و ارزیابیهای سختتر همگی در این رشد نقش داشتهاند.
یک عامل دیگر هم بسیار مهم بوده است: مدلها وارد زندگی واقعی میلیونها انسان شدند.
برنامهنویس با آنها کد نوشت، دانشجو تحقیق کرد، مدیر گزارش ساخت، نویسنده متن ویرایش کرد و کسبوکارها آنها را وارد فرایندهای واقعی خود کردند. این استفاده گسترده باعث شد نقاط ضعف مدلها خیلی سریعتر آشکار شود.
کاربران نشان دادند مدل کجا اطلاعات اشتباه تولید میکند، کجا کد ضعیف مینویسد، چه نوع دستورهایی را اشتباه میفهمد و در چه شرایطی به حافظه، ابزار یا توانایی برنامهریزی بیشتری نیاز دارد.
البته این به این معنی نیست که هر گفتوگوی کاربران مستقیماً وارد آموزش مدل بعدی میشود. سیاست شرکتها و نوع سرویس متفاوت است. اما در مقیاس کلان، استفاده واقعی کاربران یک چرخه مهم ایجاد کرده است:
مدل → استفاده واقعی → کشف ضعفها → بازخورد و ارزیابی → مدل بهتر
به نظرم بخشی از سرعت پیشرفت امروز نتیجه همین چرخه است.

عبارت Artificial Intelligence سالها برای سیستمهایی استفاده میشد که تواناییهای محدودی داشتند. اما هرچه مدلها توانمندتر میشوند، یک سؤال برای من جذابتر میشود:
اگر سیستمی بتواند مسئله را بفهمد، اطلاعات جمع کند، برنامهریزی کند، کد بنویسد، نتیجه را آزمایش کند، از ابزار استفاده کند و خطای خودش را اصلاح کند، از چه نقطهای به بعد دیگر تفاوت آن با چیزی که ما «هوش» مینامیم فقط در منشأ آن است؟
شاید به همین دلیل عنوان این مقاله را گذاشتم:
هوش مصنوعی یا هوش معمولی؟
البته مدلهای امروز هنوز کامل نیستند. اتفاقاً یکی از عجیبترین ویژگیهایشان همین است که ممکن است یک مسئله بسیار پیچیده را حل کنند، اما در یک کار ظاهراً ساده اشتباه عجیبی داشته باشند.
در بعضی حوزهها عملکرد فوقالعاده دارند و در بعضی حوزهها هنوز شکنندهاند. بنابراین هنوز نباید توانایی بالا در چند کار را با هوش عمومی کامل یکی بدانیم.
یکی از مشکلات بحث AGI این است که حتی درباره تعریف آن توافق کاملی وجود ندارد.
برای بعضیها AGI یعنی سیستمی که بتواند تقریباً هر کار ذهنی انسان را انجام دهد. برای عدهای توانایی یادگیری در حوزههای مختلف مهم است و گروهی دیگر روی استقلال، برنامهریزی و انجام کارهای اقتصادی تمرکز دارند.
به همین دلیل ممکن است روزی یک مدل منتشر شود و عدهای بگویند:
AGI رسیده است.
در همان زمان عده دیگری با همان شواهد بگویند:
هنوز فاصله زیادی داریم.
شاید AGI برخلاف تصور عمومی یک تاریخ دقیق نداشته باشد. ممکن است بهتدریج وارد دورهای شویم که هر نسل از مدلها بخشی دیگر از تواناییهای عمومی انسان را پوشش دهد.
این بخش دیگر گزارش یک واقعیت نیست؛ پیشبینی شخصی من است.
با سرعتی که از ۱ اسفند ۱۴۰۱ تا امروز دیدهام، فکر میکنم تا پایان سال ۱۴۰۵ یا شاهد سیستمی خواهیم بود که بخش قابلتوجهی از صنعت آن را AGI مینامد، یا حداقل به نقطهای میرسیم که اختلاف درباره AGI بیشتر بر سر تعریف آن باشد تا کمبود آشکار توانایی مدلها.
ممکن است این پیشبینی اشتباه باشد. اتفاقاً یکی از چیزهایی که این چند سال به من یاد داده، این است که پیشبینی آینده هوش مصنوعی بسیار دشوار شده است.
اما یک چیز را بعید میدانم: اینکه سرعت فعلی پیشرفت ناگهان بیاهمیت شود.
چیزی که چند سال پیش عمدتاً ابزار نوشتن متن بود، امروز برنامهنویسی میکند، تحقیق انجام میدهد، تصویر و ویدئو تولید میکند، با ابزارها کار میکند و آرامآرام به سمت انجام مستقل فرایندها حرکت میکند.
برای من حتی سؤال «AGI چه زمانی میرسد؟» مهمترین سؤال نیست.
سؤال مهمتر این است:
اگر یک نیروی دیجیتال بتواند بخش بزرگی از کارهای دانشی را سریعتر و ارزانتر انجام دهد، زندگی و کسبوکار ما چه تغییری خواهد کرد؟
آیا برنامهنویسها حذف میشوند، یا برنامهنویسی که استفاده درست از AI را بلد است جای کسی را میگیرد که هنوز همان روشهای قدیمی را ادامه میدهد؟
آیا یک شرکت کوچک میتواند با چند Agent کاری را انجام دهد که قبلاً به یک تیم بزرگ احتیاج داشت؟
آیا یک نفر خواهد توانست چند محصول و کسبوکار را با کمک عاملهای هوشمند مدیریت کند؟
به نظر من این سؤالها از اسم نسخه بعدی GPT یا Claude مهمترند.
از ۱ اسفند ۱۴۰۱ تا امروز تقریباً بهطور مداوم با ابزارهای هوش مصنوعی کار کردهام؛ نه فقط برای گفتگو، بلکه در برنامهنویسی، حل مسئله، طراحی محصول و آزمایش ایدههای مختلف.
مهمترین چیزی که این تجربه به من یاد داده این است:
سرعت تغییر را دستکم نگیریم.
اگر امروز توانایی یک مدل را ببینیم و بر همان اساس درباره سه یا پنج سال آینده قضاوت کنیم، احتمالاً اشتباه بزرگی مرتکب میشویم.
هنگام نوشتن این مقاله، GPT-6 Astra و Claude Fable 5.1 تازه وارد نسل جدید رقابت مدلها شدهاند. شاید وقتی یک سال دیگر این نوشته را بخوانم، بخش زیادی از چیزهایی که امروز شگفتانگیز به نظر میرسند کاملاً عادی شده باشند.
و شاید آن زمان دیگر سؤال ما این نباشد:
«AGI چه زمانی میرسد؟»
بلکه بپرسیم:
«حالا که هوش مصنوعی تا اینجا رسیده، ما قرار است با آن چه کار کنیم؟»
رضا اسماعیل گل
توسعهدهنده وب، اپلیکیشن و محصولات دیجیتال
فعال در حوزه هوش مصنوعی و اتوماسیون کسبوکار
rezagol.ir