ایجنتهایی که خودشون با کامپیوتر کار میکنن
هوش مصنوعیخلاصهٔ کاملتر
تو تازهترین گزارش a16z اومده که ایجنتهای کامپیوترکار — مدلهایی که مستقیم با مرورگر و نرمافزار کار میکنن، کلیک میکنن و فرم پر میکنن — دیگه از مرحلهٔ دمو رد شدن. بهترین مدل تو بنچمارک OSWorld-Verified یک سال پیش ۴۲ درصد کارها رو تموم میکرد و حالا رسیده به ۸۵ درصد، در حالی که آدمهای آزموندهنده حدود ۷۲ درصد میگیرن. نویسندهها میگن تقریباً هیچکس محصول مصرفی رو برای این کار به خدمت نمیگیره؛ تیمها روی APIهای خام سوار میشن و خودشون سندباکس و منطق تلاش مجدد رو میسازن.
به گفتهٔ گزارش، این ایجنتها تو کارهای «پروتکلمحور» بهترین جواب رو میدن: کارهای استاندارد و تکرارشونده با مسیر مشخص، مخصوصاً اون دم درازی از نرمافزارها که اصلاً API تمیز ندارن. نمونههاش هم واقعیه؛ یک پلتفرم داده ماهی ۱۵ تا ۲۰ میلیون تعامل با پورتالها رو خودکار کرده و ایجنت نقش ترمیمگر اسکرپرهای خراب رو داره، و یک شرکت یکپارچهساز ۲۷ گردشکار زنده داره که روزانه ۱۵۰۰ تا ۲۱۰۰ تیکت IT رو جلو میبره.
جای شکستنشون هم مشخصه: هر جا نشه فهمید خروجی درسته یا نه. مثالی که تو مقاله اومده اینه که اگه ایجنت شرط پرداخت «net 60» رو «net 30» بخونه، رکورد کاملاً منطقی به نظر میرسه و تا وقتی فاکتور اشتباه صادر بشه کسی نمیفهمه. مثال دوم ثبت خسارت تو پورتال بیمهست که پیام «دریافت شد» میگیره، ولی دو روز بعد کارشناس زنگ میزنه و ایجنت اصلاً خبر نداره. نویسندهها معتقدن مدل باهوشتر اینجور فرایندی رو درست نمیکنه؛ طراحی سیستم باید از اول جواب این حالتها رو داشته باشه.
بخش جالب گزارش اقتصاد ماجراست. اجرای ایجنت حدود ساعتی ۶ تا ۸ دلار درمیآد (بازهٔ ۳ تا ۱۵ دلار)، در برابر حدود ۱۰ دلار برای نیروی برونسپاری و ۳۰ تا ۴۵ دلار برای نیروی اداری آمریکا با احتساب همهٔ سربارها. الگویی که بیشتر از یک بار دیده شده اینم هست: ایجنت گردشکار رو یک بار اجرا میکنه، سیستم اون رو به کد قطعی و ارزون کش میکنه و مدل فقط وقتی برمیگرده که چیزی بشکنه. سرعت اما هنوز نقطهضعفه؛ کاری که آدم دو سه دقیقهای تمومش میکنه، ایجنت هشت تا ده دقیقه وقت میگیره.
جمعبندی نویسندهها اینه که لایهٔ اجرا داره تبدیل به کالای عمومی میشه و مزیت پایدار رفته بالاتر: دانش فرایند، دسترسیها و اعتبارنامهها، رانبوکها و مسیر ارجاع به آدم. تقریباً همهٔ سیستمهای امروزی تکایجنتن و هنوز چارچوب استانداردی برای معماری چندایجنتی وجود نداره. سه محور بعدی هم دقت، تأخیر و هزینهست؛ بعضی تیمها با تکیه بر درخت دسترسپذیری به جای اسکرینشات، تأخیر رو همین حالا کم کردن.
نکات کلیدی:
- امتیاز OSWorld-Verified تو یک سال از ۴۲٪ به ۸۵٪ رسیده، بالاتر از ۷۲٪ انسان
- بهترین کاربرد: کارهای تکراری و استاندارد روی سیستمهای قدیمی بدون API
- خطر اصلی جاییست که درستی خروجی قابل بررسی نیست
- هزینهٔ ساعتی ۶ تا ۸ دلار، تقریباً سربهسر با برونسپاری و خیلی ارزونتر از نیروی داخلی آمریکا
- مزیت رقابتی از مدل به شناخت فرایند و زیرساخت اطراف اون منتقل شده
