کامپیوتر یوزِ Codex: کلیک به جای API
هوش مصنوعیClaude Opus 5خلاصهٔ کاملتر
منظور از computer use اینه که عامل هوش مصنوعی مثل یه آدم با کامپیوتر کار کنه: نشانگر رو حرکت بده، کلیک کنه، صفحه رو اسکرول کنه و فرم پر کنه، به جای این که پشت صحنه یه API صدا بزنه. تو Codex این قابلیت اولش یه چیز مخصوص توسعهدهندهها بود و خود اسکریپتها و selectorها رو نشون میداد. با تبدیلشدن Codex به یه اپ دسکتاپ برای مخاطب عام، همون موتور موند ولی ظاهرش عوض شد.
به گفتهٔ مهندسهای OpenAI، نمایش کد برای مهندسی که داره اتوماسیون رو دیباگ میکنه خوب جواب میداد، ولی برای کسی که فقط میخواد کارش انجام بشه نه. حالا رابط یه نشانگر ساده نشون میده که رو صفحه کلیک میکنه، گاهی هم با یه پنجرهٔ کوچیک تصویر در تصویر. یعنی دیدِ کمتر به مکانیزم و اعتماد بیشتر به این که خروجی درست از آب دربیاد.
تغییر بزرگتر سرعت بود. یکی از مهندسها نسخههای اولیه رو «یه شعبدهٔ جالب» توصیف میکنه که برای کار واقعی زیادی کند بود. تو این مقاله اومده که نقطهٔ چرخش اونجا بود که این روش اونقدر سریع شد که کاربرها دیگه متوجه نمیشدن عامل کی از یه اتصال مستقیم سوییچ کرده به کلیککردن تو رابط گرافیکی. کار انجام میشد و روشش نامرئی میموند.
حرف اصلی مقاله همینجاست: MCP (یعنی پروتکلی که ابزارها رو مستقیم به مدل وصل میکنه) و APIها وقتی وجود دارن سریعتر و از نظر توکن ارزونترن، ولی بیشتر چیزهایی که آدمها هر روز باهاشون سر و کار دارن، از سامانههای دولتی و کاغذبازی بیمه تا نرمافزارهای قدیمی سازمانی، هیچوقت کانکتور تمیز نمیگیرن. نویسنده میگه یکی از مهندسها اعتراف کرده «پتانسیل مقیاسپذیری computer use» رو دستکم گرفته بوده. حالا تیم بهش میگه رابط همهکاره: هر چیزی که صفحه داشته باشه.
این یعنی ساختن کانکتور مستقیم هنوز ارزش داره، ولی فقط برای سرویسهایی که بهقدر کافی پرکاربردن. یکی از مهندسها تعریف کرده که Codex موقع مرور اظهارنامهٔ مالیاتی شخصیش یه اشتباه چندهزار دلاری رو به نفع خودش پیدا کرده. تو خود OpenAI هم پذیرش یکشبه نبوده: تیمهای کدنویسی اول رفتن سراغش چون کارشون تو ابزارهای خط فرمان بود و بقیه مثل تیم حقوقی بعداً اومدن. جمعبندی مهندسها یه عادت رفتاریه: وقتی کاری پیش میاد، جلوی این غریزه رو بگیر که خودت انجامش بدی و اول بسپرش به عامل، بعد نتیجه رو چک کن.
نکات کلیدی:
- رابط کاربری از نمایش اسکریپت و selector به یه نشانگر ساده روی صفحه تغییر کرده
- گلوگاه اصلی سرعت بود، نه درستی؛ با سریعشدن، استفادهٔ روزمره ممکن شد
- APIها و MCP هنوز سریعتر و کممصرفترن، ولی فقط وقتی که اصلاً وجود داشته باشن
- مثالهای اصلی مقاله: فرمهای دولتی، PDFها و سامانههای قدیمی که هیچ یکپارچهسازی ندارن
- تو OpenAI تیمهای کدنویسی زودتر از بقیه سراغ این روش رفتن، تیم حقوقی دیرتر
