پایان دوران کپی-پیست؛ ویرایش مستقیم اسناد در قلب جمینای

وقتی هوش مصنوعی از فاز تولید به فاز ویرایش وارد می‌شود

تا همین دیروز، تعامل ما با مدل‌های زبانی بزرگ (LLM) شبیه به یک بازی «تولید کن و برو» بود. از جمینای (Gemini) می‌خواستیم یک پیش‌نویس برایمان بنویسد، متن را کپی می‌کردیم، به یک ویرایشگر متن می‌بردیم، دستی اصلاحش می‌کردیم و اگر به تغییری نیاز بود، دوباره به چت‌بات برمی‌گشتیم. این چرخه رفت‌وبرگشتی، قاتل بهره‌وری است. اما آپدیت جدید گوگل بالاخره دارد این سد را می‌شکند. حالا جمینای به جای اینکه فقط یک تولیدکننده متن باشد، در حال تبدیل شدن به یک محیط ویرایش یکپارچه است.

من همیشه معتقدم که قدرت واقعی در مدل‌های محلی (Local Models) نهفته است، اما نمی‌توان انکار کرد که گوگل با این حرکت، تجربه کاربری را به سمتی برده که دیگر نیازی نیست برای هر تغییر جزئی در یک فایل PDF یا سند متنی، محیط برنامه را ترک کنید. این یعنی یکپارچگی؛ چیزی که ما در دنیای ایجنت‌های خودران (Autonomous Agents) همیشه برای رسیدن به آن تلاش می‌کنیم.

پیش‌نمایش تعاملی؛ فراتر از یک پنجره ثابت

نکته هیجان‌انگیز اینجاست: گوگل صرفاً امکان ویرایش را اضافه نکرده، بلکه یک لایه «پیش‌نمایش تعاملی» (Interactive Preview) را به رابط کاربری آورده است. یعنی وقتی جمینای سندی را برای شما می‌سازد، آن سند در یک پنجره اختصاصی باز می‌شود که می‌توانید مستقیماً در همان‌جا با مدل حرف بزنید و تغییرات را در لحظه ببینید. این یعنی مدل، حالا به جای اینکه کل متن را دوباره بازتولید کند، روی همان context قبلی سوار می‌شود.

برای منی که با کدهای پایتون و پایپ‌لاین‌های پیچیده سر و کار دارم، این یعنی کاهش چشمگیر در مصرف توکن‌های بیهوده. به جای اینکه کل متن را دوباره به مدل بخورانم تا یک پاراگراف را عوض کنم، حالا با یک دستور ساده (Prompt) و اشاره به بخش خاصی از فایل، مدل می‌تواند همان نقطه را ترمیم کند. این همان چیزی است که معماری‌های مدرن ایجنتیک به آن نیاز دارند.

شکاف تکنولوژیک میان وب و موبایل

البته، بیایید کمی هم واقع‌بین و منتقد باشیم. گوگل در معرفی این قابلیت، یک شکاف معنادار بین وب و موبایل باقی گذاشته است. در نسخه وب، شما دسترسی گسترده‌ای به فایل‌های گوگل ورک‌اسپیس (Google Workspace) و حتی فایل‌های Markdown دارید. اما در نسخه موبایل، فعلاً همه‌چیز به فایل‌های PDF محدود شده است. این محدودیت، بوی همان دیوارهای بسته (Walled Gardens) را می‌دهد که ما طرفداران اوپن‌سورس همیشه از آن بیزاریم.

اینکه سخت‌افزار گوشی‌های هوشمند امروزی (حتی با تراشه‌های قدرتمند Snapdragon 8 Elite) توانایی پردازش مدل‌های سنگین‌تر را دارند، بر هیچ‌کس پوشیده نیست. پس چرا باید در نرم‌افزار محدود بمانیم؟ من دوست دارم روزی را ببینم که جمینای روی گوشی، همان‌قدر که در وب منعطف است، در گوشی هم به فایل‌های محلی من دسترسی کامل داشته باشد، بدون اینکه نیاز باشد داده‌هایم را به سرورهای ابری بفرستم.

آینده‌ای که در آن ایجنت‌ها سند می‌سازند

حرکت گوگل نشان می‌دهد که ما به سمت دنیای «ایجنت‌های سند‌نویس» حرکت می‌کنیم. دیگر قرار نیست من فقط با یک چت‌بات حرف بزنم؛ من قرار است یک پروژه را به دست یک ایجنت بسپارم و او فایل نهایی را برایم آماده کند. این قابلیت ویرایش مستقیم، اولین قدم جدی برای تبدیل کردن مدل‌های بزرگ به «ابزارهای مهندسی» است.

اگر گوگل بتواند این رابط ویرایش را به سمت APIهای بازتر ببرد تا توسعه‌دهندگان بتوانند مدل‌های فاین‌تیون شده خودشان را هم در همین محیط پیش‌نمایش ببینند، آن‌وقت بازی کاملاً عوض می‌شود. تا آن زمان، ما باید از همین ابزارهای موجود استفاده کنیم و ببینیم آیا این قابلیت، واقعاً در جریان کاری (Workflow) روزانه ما جای می‌گیرد یا فقط یک ویژگی فانتزی دیگر برای پر کردن منوهای تنظیمات است. پیشنهاد می‌کنم حتماً روی فایل‌های سنگین تستش کنید و ببینید مدل در مدیریت حافظه (VRAM) و پاسخ‌دهی چقدر سریع عمل می‌کند؛ من که در حال تست کردن آن با مستندات فنی‌ام هستم.