محققان دانشگاه شانگهای جیائو تونگ و گروه فناوری چینی تنسنت ادعا میکنند که یک عامل هوش مصنوعی ساختهاند که از زمانهای آرام بین مکالمات استفاده میکند تا پیشبینی کند کاربران در ادامه چه سوالی ممکن است بپرسند—و پاسخها را قبل از پرسیدن آنها آماده کند.
این سیستم که ProAct نام دارد، متفاوت از اکثر عوامل هوش مصنوعی عمل میکند که منتظر میمانند تا کاربران سوالی بپرسند و سپس پاسخ دهند. در عوض، ProAct از زمانهای بیکاری بین پیامها برای بررسی مکالمات گذشته و اطلاعات ذخیرهشده کاربر استفاده میکند، سپس اطلاعات مفید را در پسزمینه قبل از رسیدن سوال بعدی آماده میسازد.
محققان نوشتند: «در حالی که عوامل هوش مصنوعی قابلیتهای قابل توجهی در استدلال و استفاده از ابزار نشان میدهند، اما اساساً واکنشی باقی میمانند: آنها تنها پس از درخواستهای صریح کاربر، پاسخها را محاسبه میکنند. این پارادایم یک فرصت حیاتی را نادیده میگیرد: زمان بیکاری بین تعاملات تا حد زیادی هدر میرود و عوامل را از آمادهسازی برای نیازهای آینده کاربران باز میدارد.»
این سیستم در چندین مرحله عمل میکند. مرحله اول، که پیشبینی وضعیت آینده (Future-State Prediction) نام دارد، با تحلیل مکالمات گذشته، ترجیحات کاربر و اطلاعات ازدسترفته، سوالات احتمالی بعدی را پیشبینی میکند.
مرحله دوم، که کسب اطلاعات در زمان بیکاری (Idle-Time Acquisition) نامیده میشود، بر اساس ارتباط، زمانبندی و میزان مفید بودن اطلاعات جدید، تصمیم میگیرد کدام یک از این پیشبینیها ارزش تحقیق دارند.
سپس یک سیستم جداگانه تصمیم میگیرد که آیا اطلاعات آماده شده را ارائه دهد، برای بعد ذخیره کند یا تا زمان نیاز آن را نگه دارد، که یک سیستم "حلقه بسته" را ایجاد میکند که برای پیشبینی و پاسخگویی به نیازهای کاربر طراحی شده است.
آنها نوشتند: «پس از هر تعامل در پیشزمینه، عامل حافظه خود را بهروزرسانی میکند، نیازهای احتمالی آینده را پیشبینی میکند، محاسبات زمان بیکاری را به کاندیداهای ارزشمند اختصاص میدهد و تصمیم میگیرد که آمادگیهای حاصل چگونه باید مدیریت شوند. این فرمولبندی، پیشبینی، کسب و تحویل را به یک خطمشی واحد گره میزند، به جای اینکه محاسبات زمان بیکاری را به عنوان جستجوی پسزمینه نامحدود در نظر بگیرد.»
به گفته محققان، ProAct در ۲۰۰ شبیهسازی در ۴۰ حوزه از جمله برنامهریزی مالی، مدیریت انتشار نرمافزار و امنیت سایبری آزمایش شد. بر اساس این مقاله، این سیستم تعداد نوبتهای مکالمه را ۱۴.۸ درصد و درخواستهای پیگیری را ۱۱.۷ درصد کاهش داد. در مقایسهای با استفاده از یک معیار به نام ProActEval، ProAct ۷۰۳ نیاز قابل پیشبینی کاربر را در مقابل ۳۲ نیاز سیستم قبلی پیشبینی کرد. محققان همچنین کاهش ۲۸.۱ درصدی در "توهمات" (hallucinations) را گزارش دادند.
این تحقیق در حالی منتشر میشود که عوامل هوش مصنوعی خودمختار در صنعت فناوری گسترش یافتهاند، با پروژههایی مانند OpenClaw و Hermes Agent که دستیاران هوش مصنوعی پایداری را ارائه میدهند که میتوانند وظایف طولانیتر و مستقلتر —مانند کدنویسی، زمانبندی، تحقیق و اتوماسیون گردش کار— را با ورودی انسانی کمتر انجام دهند.
این مطالعه همچنین در حالی انجام میشود که محققان جداگانه در اوایل این ماه هشدار دادند که عوامل هوش مصنوعی ممکن است وظایف خطرناکی را بدون درک پیامدها تکمیل کنند.
عرفان شایگانی، دانشجوی دکترا در UC Riverside و نویسنده اصلی مقاله، در بیانیهای گفت: «مانند آقای مگو، این عوامل بدون درک کامل پیامدهای اعمال خود به سمت یک هدف پیش میروند. این عوامل میتوانند بسیار مفید باشند، اما ما به اقدامات حفاظتی نیاز داریم زیرا آنها گاهی اوقات دستیابی به هدف را بر درک تصویر بزرگتر ترجیح میدهند.»
محققان اذعان کردند که مطالعه ProAct محدودیتهای متعددی داشت، از جمله اینکه در ۳ درصد موارد، سیستم با آوردن اطلاعات نامربوط، پاسخها را بدتر کرد. این مقاله همچنین اشاره کرد که هر نسخه واقعی نیاز به حفاظت از حریم خصوصی خواهد داشت، زیرا سیستم به طور مداوم مکالمات را تحلیل کرده و دادههای کاربر را ذخیره میکند.
آنها نوشتند: «تحلیل بودجه ما همچنین نشان میدهد که بودجههای بزرگتر برای کسب اطلاعات در زمان بیکاری (Idle-Time Acquisition) هزینه توکن فعال را افزایش داده و بازدهی کاهشی دارند، بنابراین محاسبات پیشفعال یک مبادله نقطه عملیاتی است تا چیزی که باید به حداکثر رسانده شود.»
