به گزارش کارگروه فناوری اطلاعات سایبربان ؛ در حالی که غولهایی مثل مایکروسافت، سلزفورس و سرویسناو مدعی عرضه ایجنتهای هوش مصنوعی (AI Agents) هستند، تحلیلهای فنی نشان میدهد این برنامهها هنوز در مرحلهای ابتدایی قرار دارند. رسیدن به یک «ایجنتیک آیآی» واقعی، یعنی سیستمی که بتواند اهداف بلندمدت تعیین کند، با محیط تعامل داشته باشد و استراتژیهای جدید بسازد نیازمند جهشهای بزرگ در دو حوزه «یادگیری تعزیزی» و «حافظه پیچیده» است.
هرج و مرج در بازار؛ نرخ شکست ۸۰ درصدی پروژهها
دادههای بازار نشان میدهد که بر خلاف هیاهوی تبلیغاتی، ایجنتها هنوز جایگاهی در میان کاربران واقعی پیدا نکردهاند. بر اساس مطالعهای که در دسامبر ۲۰۲۵ توسط شرکت سرمایهگذاری Menlo Ventures منتشر شد، سریعترین رشد در حوزه هوش مصنوعی مربوط به «کمکخلبانها» (Co-pilots) بوده است، نه سیستمهای مبتنی بر ایجنت مثل Agentforce.
جادسون آلتوف، مدیر تجاری مایکروسافت، در کنفرانس اخیر والاستریت فاش کرد که «نرخ شکست پروژههای هوش مصنوعی فوقالعاده بالاست و به بیش از ۸۰ درصد میرسد.» محققان دانشگاه استنفورد نیز تأکید دارند که مدلهای زبانی فعلی در برنامهریزیهای چندمرحلهای برای ایجنتها و حفظ ثبات در وظایف طولانیمدت به شدت ضعیف عمل میکنند.
مانع اول: در انتظار یادگیری تقویتی
برای اینکه یک ایجنت هوش مصنوعی بتواند بدون نظارت مداوم و به صورت خودمختار عمل کند، باید از سد یادگیری تقویتی عبور کند. نمونه درخشان این فناوری، AlphaZero گوگل دیمایند است که توانست بازی شطرنج و Go را از صفر بیاموزد.
پروژههای جدیدی در حال تلاش برای حل این مشکل هستند:
Agent-R۱: تیمی در دانشگاه علم و صنعت چین در نوامبر گذشته روشی برای آموزش مدلها جهت پیشبینی پاداش و تدوین سیاستهای عملیاتی مستقل برای ایجنتها ارائه دادند.
Sophia: محققان دانشگاه Westlake نمونهای اولیه ساختهاند که به یک ایجنت اجازه میدهد برای مدتهای طولانی با مرورگر وب تعامل داشته باشد، هرچند آنها معتقدند این حوزه هنوز در مراحل جنینی (Nascent) است.
DiscoRL: واحد دیمایند گوگل در مطالعهای در مجله Nature، برنامهای را معرفی کرد که خودش الگوریتمهای یادگیری تقویتی جدیدی را اختراع میکند تا ایجنتها بتوانند الگوریتمهای یادگیری را خودشان کشف کنند.
مانع دوم: بحران حافظه در ایجنتهای هوشمند
یکی از بزرگترین نقاط ضعف ایجنتهای فعلی، ناتوانی در حفظ رشته کلام در پروژههای طولانی است. گزارش وضعیت هوش مصنوعی استنفورد (آوریل ۲۰۲۵) نشان میدهد که در وظایف کوتاه (۲ ساعته)، هوش مصنوعی ۴ برابر بهتر از انسان عمل میکند، اما در وظایف طولانی (۳۲ ساعته)، عملکرد انسان ۲ برابر بهتر از ایجنتهای هوش مصنوعی است.
یویانگ هو از دانشگاه ملی سنگاپور معتقد است ایجنتها به نوع جدیدی از مدیریت حافظه نیاز دارند که بتواند از تعاملات قبلی برای وظایف آینده درس بگیرد. او مدعی است کنترل حافظه در نهایت باید به شکلی بازتعریف شود که ایجنتها نحوه ذخیره و بازیابی دادهها را از طریق یادگیری تقویتی بیاموزند.
هوش عمومی (AGI) حلال مشکلات ایجنتها نخواهد بود
بسیاری تصور میکنند با رسیدن به هوش عمومی، مشکل ایجنتها حل میشود. اما تحلیلها نشان میدهد حتی سیستمی مثل AlphaZero که در یک حوزه (شطرنج) نابغه است، در محیطهای پیچیده سازمانی مانند مدیریت صورتحسابها یا خدمات مشتریان که قوانین کاملاً مشخصی ندارند، کارایی ندارد.
بنابراین، با توجه به پیچیدگیهای بازطراحی حافظه و یادگیری تقویتی، رسیدن به ایجنتهای قابل اعتماد زمانبر خواهد بود. تخمینهای خوشبینانه حاکی از آن است که همانطور که ۵ سال طول کشید تا از مدل ترنسفورمر (۲۰۱۷) به ChatGPT (۲۰۲۲) برسیم، حداقل ۵ سال دیگر (تا سال ۲۰۳۰) زمان نیاز است تا شاهد حضور ایجنتهای واقعی در سازمانها باشیم.
