هوش مصنوعی در گوشیهای هوشمند در حال ورود به مرحله جدیدی است. طبق گزارش موسسه تحقیقاتی کانتِرپوینت (Counterpoint Research)، این صنعت در حال عبور از «دستیارهای هوش مصنوعی» سادهای است که صرفاً به سؤالات پاسخ میدهند و به سمت «گوشیهای عاملمحور» (Agent Phones) حرکت میکند؛ گوشیهایی که میتوانند قصد و نیت کاربر را درک کرده و کارها را به صورت خودکار کامل کنند. انتظار میرود نسل بعدی گوشیهای هوشمند به جای باز کردن تکتک اپلیکیشنها، چندین برنامه و سرویس را در پسزمینه با یکدیگر هماهنگ کنند تا کارهای روزمره سریعتر و آسانتر انجام شوند. این تغییر بزرگ میتواند نحوه تعامل مردم با دستگاههایشان و همچنین شیوه رقابت برندهای موبایل را در سالهای آینده بازتعریف کند. اما گوشیهای هوشمند چگونه انجام کارها را یاد میگیرند؟ با اِروتِک همراه باشید.
از دستیارهای هوش مصنوعی تا عاملهای هوش مصنوعی
دستیارهای هوش مصنوعی امروزی عمدتاً برای پاسخ به سؤالات، تولید متن یا ارائه پیشنهادات طراحی شدهاند. اما کانترپوینت معتقد است قدم بعدی بسیار کاربردیتر است. گوشیهای عامل محور به گونهای طراحی شدهاند که خواست نهایی کاربر را درک کنند و سپس اقدامات لازم را به صورت خودکار اجرا نمایند.
این عاملهای هوش مصنوعی (AI Agents) به جای اینکه از کاربر بخواهند بین چندین اپلیکیشن جابهجا شود، میتوانند کل فرآیند یک کار (Workflow) را به نیابت از او مدیریت کنند. این امر، نقش گوشی هوشمند را از دستگاهی که صرفاً اپلیکیشنها را اجرا میکند، به یک لایه سیستمعامل هوشمند تغییر میدهد که برنامهها و سرویسها را پشت صحنه با هم هماهنگ میسازد. در نتیجه، رقابت در آینده ممکن است کمتر به مشخصات سختافزاری و بیشتر به این بستگی داشته باشد که هوش مصنوعی تا چه حد میتواند کارهای دنیای واقعی را به طور قابلاعتماد انجام دهد.
چارچوبهای متنباز این تحول را سرعت میبخشند
یکی از بزرگترین محرکهای این انتقال، ظهور چارچوبهای متنباز «کِلا» (Claw) است. این چارچوبها یک لایه اجرایی مشترک را فراهم میکنند که به عاملهای هوش مصنوعی اجازه میدهد قصد کاربر را درک کنند، کارهای چندمرحلهای را پیش ببرند و در میان اپلیکیشنهای مختلف کار کنند.
کانترپوینت از OpenClaw به عنوان یک چارچوب متنباز پیشرو در این فضا یاد میکند. از آنجاییکه این چارچوبها به صورت رایگان و باز در دسترس هستند، سازندگان گوشیهای هوشمند دیگر نیازی به ساخت سیستمهای عامل هوش مصنوعی از صفر ندارند. این امر هزینههای توسعه و پیچیدگیهای مهندسی را کاهش میدهد و قابلیتهای پیشرفته هوش مصنوعی را در بخشهای مختلف قیمتی گوشیهای هوشمند قابلدسترسیتر میکند.
ارتباط «عامل با عامل» اتوماسیون را بهبود میبخشد
یکی دیگر از پیشرفتهای مهم، ارتباط «عامل با عامل» (Agent-to-Agent یا A2A) است. به جای تکیه بر یک دستیار هوش مصنوعی واحد، چندین عامل هوش مصنوعی میتوانند با یکدیگر ارتباط برقرار کنند، اطلاعات را به اشتراک بگذارند، وظایف را تفویض کنند و فرآیندهای کاری را هماهنگ سازند.
این رویکرد به از بین رفتن مرزهای سنتی اپلیکیشنها کمک میکند و به سرویسهای مختلف اجازه میدهد تا به شکل روانتری با یکدیگر کار کنند. نتیجه این کار، تجربهای یکپارچهتر است که در آن کاربران زمان کمتری را صرف مدیریت دستی برنامهها میکنند و زمان بیشتری را به گوشی اجازه میدهند تا کارهای روتین را مدیریت کند.
تغییر در نحوه رقابت شرکتهای سازنده
کانترپوینت بر این باور است که صنعت گوشیهای هوشمند در حال ورود به مرحله جدیدی است که در آن، نحوه اجرای کارها توسط هوش مصنوعی بسیار مهمتر از ویژگیهای مستقل هوش مصنوعی یا امتیازهای بنچمارک است. انتظار میرود دستگاههای آینده در فاکتورهایی مانند کیفیت اجرای وظایف، درک موقعیتی (Contextual)، یکپارچگی زیستبوم (اکوسیستم)، اتوماسیون هوشمند و قابلیت اطمینان کلی با هم رقابت کنند.
این تحقیق همچنین دو مسیر متفاوت را برای این «عاملمحور شدن» ترسیم میکند: شرکتهای اینترنتی احتمالاً عاملهای هوش مصنوعی خود را حول اکوسیستم اپلیکیشنهای موجود خود میسازند، در حالی که انتظار میرود سازندگان گوشیهای هوشمند، عاملهای هوش مصنوعی سیستممحور (Native) را مستقیماً در سیستمعامل ادغام کنند تا کنترل عمیقتری بر عملکردهای دستگاه و تعاملات بین اپلیکیشنی داشته باشند.
نمونه عینی: تکنو الاکلا (TECNO EllaClaw)
کانترپوینت به عنوان نمونهای از نحوه عملکرد این رویکرد جدید در عمل، به EllaClaw شرکت تکنو (TECNO) اشاره میکند. این ابزار که با استفاده از چارچوب هوش مصنوعی Ella، پلتفرم متنباز OpenClaw و معماری ارتباط «عامل با عامل» ساخته شده است، یک دستیار هوش مصنوعی سنتی را به یک عامل هوش مصنوعی تبدیل میکند که قادر است کارها را در چندین اپلیکیشن مختلف کامل کند.
قابلیتهای آن شامل اجرای وظایف بین اپلیکیشنی و یک «نگهبان گوشی با یک لمس» (One-tap phone caretaker) است که به رفع مشکلاتی نظیر تخلیه باتری، مصرف بیش از حد داده، نگهداری دستگاه و بهینهسازی روتین کمک میکند. تکنو همچنین به جای تمرکز صرف روی اندازه مدل هوش مصنوعی یا عملکرد بنچمارک، بر حل مشکلات کاربردی کاربران، به ویژه در بازارهای نوظهور تمرکز کرده است.
قدم بعدی چیست؟
کانترپوینت معتقد است که آینده گوشیهای هوشمند در گرو هوش مصنوعی کاربردی است که میتواند کارها را به سرانجام برساند، نه اینکه فقط به دستورات متنی پاسخ دهد. با پذیرش گستردهتر چارچوبهای متنباز مانند OpenClaw، انتظار میرود هوش مصنوعی عاملمحور فراتر از دستگاههای پرچمدار و گرانقیمت رفته و به گوشیهای هوشمند میانرده و اصلی بازار نیز راه پیدا کند. در سالهای آینده، موفقترین گوشیهای هوش مصنوعی لزوماً آنهایی نخواهند بود که بزرگترین مدلهای هوش مصنوعی را دارند، بلکه آنهایی هستند که مفیدترین، قابلاعتمادترین و هوشمندترین تجربیات روزمره را ارائه میدهند.
منبع: Gizmochina
