آخرین بروزرسانی در ۵ تیر ۱۴۰۵ توسط Dr.Arman
تصور کنید در حال انجام یک ماموریت پیچیده هستید و ناگهان متوجه میشوید ابزارهایی که در اختیار دارید، برای انجام کار کافی نیستند. اکثر ما در این لحظه متوقف میشویم یا به سختی با همان ابزارهای ناقص ادامه میدهیم، اما عاملهای هوش مصنوعی جدید شیائومی رویکرد متفاوتی دارند: آنها در میانه مسیر، ساختار و کد خود را از نو مینویسند تا پیروز شوند. این دقیقاً همان اتفاقی است که در دنیای HarnessX رخ میدهد؛ سیستمی که به جای بزرگتر کردن مغز هوش مصنوعی، به او یاد میدهد چگونه ابزارهایش را بهینه کند.
چرا این تحول همین حالا حیاتی است؟
شاید شما هم متوجه شده باشید که این روزها همه درباره بزرگتر شدن مدلهای زبانی (LLM) صحبت میکنند. انگار تنها راه رسیدن به هوش بالاتر، اضافه کردن میلیاردها پارامتر جدید است. اما واقعیت این است که در دنیای واقعی و کاربردهای تجاری، هوش مصنوعی شما فقط به اندازه «هارنس» (Harness) یا همان اسکلت نرمافزاریاش قوی است.
هارنس در واقع همان لایهای است که مدل هوش مصنوعی را به دنیای بیرون وصل میکند؛ شامل دستورات (Prompts)، ابزارهای جانبی، مدیریت حافظه و جریانهای کنترلی. مشکل اینجاست که تا امروز، این اسکلتها کاملاً استاتیک و دستی ساخته میشدند. یعنی اگر شما مدل خود را عوض میکردید یا هدف پروژه تغییر میکرد، باید ساعتها وقت میگذاشتید تا کدها را به صورت دستی بازنویسی کنید. اما شیائومی با معرفی HarnessX نشان داد که راه بهتری هم وجود دارد.
لایه پنهانی که هوش مصنوعی را فلج کرده است
بیایید صادق باشیم، مهندسی هارنس تا به امروز یک کابوس بوده است. شما با سه چالش بزرگ روبرو بودید: اول اینکه هارنسها صلب و سخت هستند و نمیتوانند از تجربههای گذشته یاد بگیرند. دوم اینکه بخشهای مختلف آنها (مثل دستورات و ابزارها) چنان در هم تنیده شدهاند که تغییر در یکی، کل سیستم را به هم میریزد. و سوم، مدل و اسکلت آن به صورت جداگانه بهینه میشوند که باعث میشود پتانسیل واقعی سیستم هدر برود.
شیائومی با HarnessX مفهوم «هارنس به عنوان یک شیء درجه یک» را معرفی کرد. این یعنی اسکلت هوش مصنوعی دیگر یک کد ساده نیست، بلکه یک موجودیت ماژولار و قابل تعویض است. شما میتوانید بدون دست زدن به مدل اصلی، بخشهای مختلف اسکلت آن را تغییر دهید، اضافه کنید یا حذف کنید. این یعنی انعطافپذیری در بالاترین سطح ممکن.
موتور AEGIS: مغز متفکری که کد مینویسد
اما HarnessX چگونه به صورت خودکار خودش را اصلاح میکند؟ پاسخ در سیستمی به نام AEGIS نهفته است. این موتور تکاملی، فرآیند اصلاح اسکلت را به یک مسئله یادگیری تقویتشده (Reinforcement Learning) تبدیل میکند. اما مهندسان شیائومی با چالشهای عجیبی مثل «هک کردن پاداش» یا «فراموشی فاجعهبار» روبرو بودند؛ جایی که هوش مصنوعی برای رسیدن به هدف، راههای میانبر احمقانهای پیدا میکرد که در درازمدت سیستم را خراب میکرد.
برای جلوگیری از این مشکلات، AEGIS از یک فرآیند چهار مرحلهای استفاده میکند: ابتدا «Digester» تمام ردپاهای اجرای قبلی را تحلیل میکند تا بفهمد کجا شکست خوردهایم. سپس «Planner» نقشهای برای تغییرات ساختاری میکشد. در مرحله بعد، «Evolver» کدهای جدید را مینویسد و در نهایت «Critic» و یک دروازه امنیتی، اجازه نمیدهند کدهای مخرب یا ضعیف وارد سیستم شوند.
وقتی مدلهای کوچک، غولها را به چالش میکشند
شگفتانگیزترین بخش تحقیقات شیائومی، نتایج آن روی مدلهای کوچک است. ما همیشه فکر میکردیم برای کارهای پیچیده حتماً به مدلهای سنگین و گرانقیمت نیاز داریم. اما HarnessX ثابت کرد که با یک اسکلت درست، مدلهای کوچک میتوانند کارهای بزرگی انجام دهند. برای مثال، مدل متنباز Qwen3.5-9B با استفاده از این فناوری، در تستهای برنامهریزی شاهد بهبود خیرهکننده ۴۴ درصدی بود!
این یعنی به جای هزینه کردن میلیونها دلار برای استفاده از قویترین مدلهای بازار، شما میتوانید با بهینهسازی اسکلت مدلهای کوچکتر، به همان سطح از کارایی برسید. میانگین بهبود عملکرد در تمام مدلها حدود ۱۴.۵ درصد بوده است که در دنیای هوش مصنوعی، یک جهش بزرگ محسوب میشود.
داستانهایی از دنیای واقعی: از ویکیپدیا تا بنبستهای خرید
بیایید یک مثال ملموس بزنیم. در یکی از تستها، یک عامل هوش مصنوعی مدام در سایت ویکیپدیا شکست میخورد، چون مرورگرش نمیتوانست کدهای سنگین جاوااسکریپت سایت را بخواند. HarnessX به جای اینکه فقط دستور را عوض کند، متوجه مشکل شد و یک ابزار جدید نوشت که مستقیماً به API ویکیپدیا متصل شود. مشکل در یک لحظه حل شد!
در موردی دیگر، یک هوش مصنوعی در یک سایت فروشگاهی گیر افتاده بود و مدام صفحات را ورق میزد بدون اینکه خریدی انجام دهد. HarnessX یک «پردازشگر مشاور» طراحی کرد که تشخیص میداد عامل در حال تکرار یک حرکت بیهوده است و با تزریق یک هشدار در لحظه، او را مجبور کرد تصمیم نهایی را بگیرد و خرید را نهایی کند. اینها دقیقاً همان تفاوتهایی است که هوش مصنوعی را از یک ماشین ساده به یک همکار هوشمند تبدیل میکند.
تکامل همزمان: جادوی Cross-harness GRPO
یکی از مفاهیم پیشرفتهای که شیائومی معرفی کرده، تکامل همزمان مدل و اسکلت است. آنها از الگوریتمی به نام GRPO استفاده کردند (همان الگوریتمی که مدل معروف DeepSeek-R1 را با آن آموزش دادهاند). در این روش، مدل هوش مصنوعی یاد میگیرد که چگونه از استراتژیهای جدید اسکلتبندیاش استفاده کند. این یک رابطه دوطرفه است: اسکلت بهتر میشود و مدل یاد میگیرد چگونه از این بهتر شدن، بیشترین بهره را ببرد.
این یعنی ما در حال عبور از عصر «آموزش ایستا» به عصر «تکامل پویا» هستیم. جایی که هوش مصنوعی دیگر یک محصول تمامشده نیست، بلکه موجودی است که در حین کار، هر لحظه هوشمندتر و کارآمدتر میشود.
درس بزرگ شیائومی برای آینده شما
پیام HarnessX برای همه ما واضح است: بزرگتر همیشه به معنای بهتر نیست. اگر شما هم در حال توسعه پروژههای مبتنی بر هوش مصنوعی هستید یا به این حوزه علاقه دارید، باید نگاهتان را از مدلهای سنگین به سمت «مهندسی هوشمندانه محیط» تغییر دهید. بهینهسازی اسکلت نرمافزاری میتواند کلید طلایی شما برای کاهش هزینهها و افزایش سرعت باشد.
در نهایت، شیائومی قصد دارد کدهای این پروژه را به زودی منتشر کند. این میتواند شروع فصلی جدید برای مدلهای متنباز باشد تا ثابت کنند با یک لباس رزم درست، میتوانند حتی با بزرگترین قهرمانان دنیای AI رقابت کنند. نظر شما چیست؟ آیا فکر میکنید وقت آن رسیده که به جای مغزهای بزرگتر، به فکر ابزارهای هوشمندتر باشیم؟
منبع:
https://venturebeat.com/orchestration/xiaomis-harnessx-rewrites-its-own-ai-scaffolding-mid-task-and-smaller-models-gain-the-most
مطالب مرتبط