در سال 2026، هوش مصنوعی از تبلیغات به سمت عملگرایی حرکت خواهد کرد

در سال 2026، هوش مصنوعی از تبلیغات به سمت عملگرایی حرکت خواهد کرد

In 2026, AI will move from hype to pragmatism

اگر سال 2025 سالی بود که هوش مصنوعی بررسی حسی را دریافت کرد، سال 2026 سالی خواهد بود که فناوری عملی می شود. تمرکز در حال حاضر از ساخت مدل‌های زبانی بزرگ‌تر و به سمت کار سخت‌تر ساختن هوش مصنوعی قابل استفاده تغییر کرده است. در عمل، این شامل استقرار مدل‌های کوچک‌تر در جایی است که مناسب هستند، جاسازی هوشمندی در دستگاه‌های فیزیکی، و طراحی سیستم‌هایی که به طور تمیز در جریان کار انسان ادغام می‌شوند. کارشناسان TechCrunch صحبت کردند که سال 2026 را به عنوان سال گذار می بینند، سالی که از مقیاس بندی brute-force به تحقیق در مورد معماری های جدید، از نمایش های پر زرق و برق تا استقرار هدفمند، و از عواملی که قول استقلال را می دهند تا عواملی که در واقع نحوه کار افراد را تقویت می کنند، تکامل می یابد. مهمانی تمام نشده است، اما صنعت شروع به هوشیاری کرده است.

قوانین مقیاس پذیری آن را قطع نمی کند

Scaling laws won’t cut it

در سال 2012، الکس کریژفسکی، ایلیا سوتسکور و جفری هینتون در مقاله ImageNet نشان دادند که چگونه سیستم‌های هوش مصنوعی می‌توانند با نگاه کردن به میلیون‌ها نمونه، تشخیص اشیاء در تصاویر را "یاد بگیرند". این رویکرد از نظر محاسباتی گران بود، اما با پردازنده‌های گرافیکی ممکن شد. نتیجه؟ یک دهه تحقیقات سخت‌کوه هوش مصنوعی در حالی که دانشمندان برای ابداع معماری‌های جدید برای وظایف مختلف کار می‌کردند. این در حدود سال 2020 به اوج خود رسید، زمانی که OpenAI GPT-3 را راه اندازی کرد، که نشان داد چگونه به سادگی 100 برابر بزرگتر کردن مدل، توانایی هایی مانند کدنویسی و استدلال را بدون نیاز به آموزش صریح باز می کند. این نشان‌دهنده گذار به چیزی است که کیان کتان فروش، مدیرعامل و بنیانگذار پلتفرم عامل هوش مصنوعی Workera، آن را «عصر مقیاس‌پذیری» می‌نامد: دوره‌ای که با این باور تعریف می‌شود که محاسبات بیشتر، داده‌های بیشتر و مدل‌های ترانسفورماتور بزرگ‌تر ناگزیر به پیشرفت‌های بزرگ بعدی در هوش مصنوعی می‌شوند. امروزه، بسیاری از محققان فکر می‌کنند صنعت هوش مصنوعی شروع به پایان دادن به محدودیت‌های قوانین مقیاس‌بندی کرده است و بار دیگر به عصر تحقیق تبدیل خواهد شد. Yann LeCun، دانشمند ارشد سابق هوش مصنوعی متا، مدت‌هاست که علیه اتکای بیش از حد به مقیاس‌بندی بحث کرده و بر نیاز به توسعه معماری‌های بهتر تاکید کرده است. و Sutskever در مصاحبه‌ای اخیر گفت که مدل‌های کنونی در حال افزایش هستند و نتایج پیش‌آموزش مسطح شده است، که نشان‌دهنده نیاز به ایده‌های جدید است. کتان فروش گفت: «به احتمال زیاد در پنج سال آینده، معماری بهتری پیدا خواهیم کرد که پیشرفت قابل توجهی در ترانسفورماتورها داشته باشد. و اگر این کار را نکنیم، نمی‌توانیم انتظار پیشرفت زیادی در مدل‌ها داشته باشیم.»

گاهی اوقات کمتر، بیشتر است

Sometimes less is more

گاهی اوقات کمتر، بیشتر مدل‌های زبان بزرگ در تعمیم دانش عالی هستند، اما بسیاری از کارشناسان می‌گویند که موج بعدی پذیرش هوش مصنوعی سازمانی توسط مدل‌های زبانی کوچک‌تر و چابک‌تر هدایت می‌شود که می‌توانند برای راه‌حل‌های خاص دامنه تنظیم شوند. اندی مارکوس، مدیر ارشد داده ATandT، به TechCrunch گفت: «SLM های تنظیم شده روند بزرگی خواهند بود و در سال 2026 به یک عنصر اصلی مورد استفاده شرکت های هوش مصنوعی بالغ تبدیل خواهند شد، زیرا مزیت های هزینه و عملکرد باعث استفاده از LLM های خارج از جعبه خواهد شد. قبلاً دیده‌ایم که کسب‌وکارها به طور فزاینده‌ای به SLM‌ها تکیه می‌کنند زیرا، اگر به درستی تنظیم شوند، از نظر دقت با مدل‌های بزرگ‌تر و تعمیم‌یافته برای برنامه‌های تجاری سازمانی مطابقت دارند و از نظر هزینه و سرعت عالی هستند. ما قبلاً این استدلال را از استارت‌آپ هوش مصنوعی فرانسوی Mistral دیده‌ایم: این استارت‌آپ استدلال می‌کند که مدل‌های کوچک آن پس از تنظیم دقیق، عملکرد بهتری نسبت به مدل‌های بزرگتر در چندین معیار دارند. Jon Knisley، استراتژیست هوش مصنوعی در ABBYY، یک شرکت هوش مصنوعی سازمانی مستقر در آستین، گفت: کارایی، مقرون به صرفه بودن و سازگاری SLM ها آنها را برای برنامه های کاربردی مناسب که در آن دقت در اولویت قرار دارد، ایده آل می کند. در حالی که مارکوس فکر می کند SLM ها در دوره نمایندگی ها کلید خواهند بود، Knisley می گوید ماهیت مدل های کوچک به این معنی است که آنها برای استقرار در دستگاه های محلی بهتر هستند، "روندی که با پیشرفت در محاسبات لبه تسریع شده است."

یادگیری از طریق تجربه

Learning through experience

یادگیری از طریق تجربه انسان ها فقط از طریق زبان یاد نمی گیرند. ما با تجربه نحوه کار جهان یاد می گیریم. اما LLM ها واقعا دنیا را درک نمی کنند. آنها فقط کلمه یا ایده بعدی را پیش بینی می کنند. به همین دلیل است که بسیاری از محققان بر این باورند که جهش بزرگ بعدی از مدل‌های جهانی حاصل می‌شود: سیستم‌های هوش مصنوعی که نحوه حرکت و تعامل اشیا در فضاهای سه بعدی را یاد می‌گیرند تا بتوانند پیش‌بینی کنند و اقداماتی انجام دهند. نشانه هایی که نشان می دهد سال 2026 سال بزرگی برای مدل های جهانی خواهد بود در حال افزایش است. LeCun متا را ترک کرد تا آزمایشگاه مدل جهانی خود را راه اندازی کند و طبق گزارش ها به دنبال ارزش گذاری 5 میلیارد دلاری است. DeepMind گوگل به Genie متصل شده است و در ماه آگوست آخرین مدل خود را که مدل‌های جهانی همه‌منظوره تعاملی در زمان واقعی می‌سازد، عرضه کرد. در کنار نمایش‌های استارت‌آپ‌هایی مانند Decart و Odyssey، آزمایشگاه‌های جهانی Fei-Fei Li اولین مدل تجاری خود را به نام Marble راه‌اندازی کرد. تازه واردانی مانند General Intuition در اکتبر 134 میلیون دلار برای آموزش استدلال فضایی به عوامل به دست آوردند و استارتاپ تولید ویدیو Runway در دسامبر اولین مدل جهانی خود را با نام GWM-1 منتشر کرد. در حالی که محققان پتانسیل طولانی مدت را در رباتیک و خودمختاری می بینند، تأثیر کوتاه مدت احتمالاً ابتدا در بازی های ویدیویی دیده می شود. PitchBook پیش‌بینی می‌کند که بازار مدل‌های جهانی بازی می‌تواند از 1.2 میلیارد دلار بین سال‌های 2022 تا 2025 به 276 میلیارد دلار تا سال 2030 افزایش یابد، که ناشی از توانایی این فناوری برای تولید جهان‌های تعاملی و شخصیت‌های غیربازیکن واقعی‌تر است. Pim de Witte، بنیانگذار General Intuition، به TechCrunch گفت که محیط های مجازی نه تنها ممکن است بازی را تغییر دهند، بلکه به زمینه های آزمایشی حیاتی برای نسل بعدی مدل های پایه تبدیل شوند.

ملت عامل

Agentic nation

نمایندگان ملت عامل نتوانستند در سال 2025 به هیاهوی تبلیغاتی دست پیدا کنند، اما دلیل بزرگ آن این است که اتصال آنها به سیستم هایی که در آن کار واقعاً اتفاق می افتد دشوار است. بدون راهی برای دسترسی به ابزارها و زمینه، اکثر عوامل در جریان کار آزمایشی به دام افتادند. پروتکل زمینه مدل Anthropic (MCP)، یک «USB-C برای هوش مصنوعی» که به عوامل هوش مصنوعی اجازه می‌دهد با ابزارهای خارجی مانند پایگاه‌های داده، موتورهای جستجو و API صحبت کنند، بافت همبند گمشده را ثابت کرد و به سرعت در حال تبدیل شدن به استاندارد است. OpenAI و مایکروسافت به طور عمومی MCP را پذیرفته اند و Anthropic اخیراً آن را به بنیاد جدید Agentic AI بنیاد لینوکس اهدا کرده است که هدف آن کمک به استانداردسازی ابزارهای عامل منبع باز است. گوگل همچنین شروع به ایجاد سرورهای MCP مدیریت شده خود برای اتصال عوامل هوش مصنوعی به محصولات و خدمات خود کرده است. با کاهش اصطکاک بین عامل‌ها به سیستم‌های واقعی MCP، احتمالاً سال 2026 سالی خواهد بود که جریان‌های کاری عامل در نهایت از دموها به تمرینات روزمره تبدیل می‌شوند. Rajeev Dham، یکی از شرکای Sapphire Ventures، می‌گوید که این پیشرفت‌ها منجر به راه‌حل‌های عامل اول می‌شود که «نقش‌های سیستم ثبت» را در سراسر صنایع به عهده می‌گیرند. Dham گفت: «از آنجایی که نمایندگان صوتی وظایف سرتاسر بیشتری از جمله دریافت و ارتباط با مشتری را انجام می دهند، آنها همچنین شروع به تشکیل سیستم های اصلی اساسی خواهند کرد. ما این را در بخش‌های مختلفی مانند خدمات خانگی، پروتکل و مراقبت‌های بهداشتی و همچنین عملکردهای افقی مانند فروش، فناوری اطلاعات و پشتیبانی خواهیم دید.»

تقویت، نه اتوماسیون

Augmentation, not automation

افزایش، نه اتوماسیون، در حالی که گردش‌های کاری بیشتر ممکن است نگرانی‌هایی را ایجاد کند که ممکن است به دنبال آن اخراج شود، کتان فروش از Workera چندان مطمئن نیست که این پیام باشد: «2026 سال انسان‌ها خواهد بود». در سال 2024، همه شرکت‌های هوش مصنوعی پیش‌بینی کردند که مشاغل را بدون نیاز به انسان، خودکار می‌کنند. اما این فناوری هنوز وجود ندارد، و در یک اقتصاد ناپایدار، این واقعاً یک لفاظی رایج نیست. کتان فروش می‌گوید سال آینده متوجه می‌شویم که «هوش مصنوعی آنطور که فکر می‌کردیم مستقل عمل نکرده است» و گفتگو بیشتر بر روی چگونگی استفاده از هوش مصنوعی برای تقویت گردش‌های کاری انسان متمرکز خواهد بود، نه جایگزین کردن آنها. او با اشاره به اینکه انتظار دارد نقش‌های جدیدی در حکمرانی هوش مصنوعی، شفافیت، ایمنی و مدیریت داده‌ها وجود داشته باشد، افزود: «و فکر می‌کنم بسیاری از شرکت‌ها شروع به استخدام خواهند کرد». من نسبت به میانگین بیکاری زیر 4 درصد در سال آینده بسیار خوشبین هستم. د ویت افزود: «مردم می‌خواهند بالاتر از API باشند، نه زیر آن، و من فکر می‌کنم سال 2026 سال مهمی برای این موضوع است.

فیزیکی شدن

Getting physical

کارشناسان می‌گویند که پیشرفت‌های فیزیکی در فناوری‌هایی مانند مدل‌های کوچک، مدل‌های جهانی و محاسبات لبه‌ای، کاربردهای فیزیکی بیشتری از یادگیری ماشین را ممکن می‌سازد. Vikram Taneja، رئیس ATandT Ventures به TechCrunch گفت: «هوش مصنوعی فیزیکی در سال 2026 وارد بازار خواهد شد، زیرا دسته‌های جدیدی از دستگاه‌های مجهز به هوش مصنوعی، از جمله روباتیک، AV، پهپادها و پوشیدنی‌ها وارد بازار می‌شوند. در حالی که وسایل نقلیه خودران و روباتیک موارد استفاده آشکار برای هوش مصنوعی فیزیکی هستند که بدون شک در سال 2026 به رشد خود ادامه خواهند داد، آموزش و استقرار مورد نیاز هنوز گران است. از سوی دیگر، پوشیدنی‌ها، قیمت کمتری را با خرید مصرف‌کننده فراهم می‌کنند. عینک‌های هوشمندی مانند Ray-Ban Meta شروع به ارسال دستیارهایی کرده‌اند که می‌توانند به سؤالات درباره آنچه که به آن نگاه می‌کنید پاسخ دهند، و عوامل شکل جدیدی مانند حلقه‌های سلامتی مجهز به هوش مصنوعی و ساعت‌های هوشمند استنتاج همیشه روشن و روی بدن را عادی می‌کنند. تانجا گفت: «ارائه‌دهندگان اتصال برای بهینه‌سازی زیرساخت‌های شبکه خود برای پشتیبانی از این موج جدید دستگاه‌ها کار خواهند کرد و آن‌هایی که در نحوه ارائه اتصال انعطاف‌پذیری دارند، بهترین موقعیت را خواهند داشت.»

• AI
• AI agents
• mcp
• physical ai
• small language models
• world models