خانه
دسته بندی ها
اخبار
پایان «پرسش و پاسخ»؛ اولین AI جهان که همزمان می‌شنود، می‌بیند و حرف می‌زند رونمایی شد!

پایان «پرسش و پاسخ»؛ اولین AI جهان که همزمان می‌شنود، می‌بیند و حرف می‌زند رونمایی شد!

اشتراک

تا امروز، هر بار که با سیری، الکسا یا حتی چت‌جی‌پی‌تی صحبت می‌کردید، در واقع مانند دو نفر بودید که با «بی‌سیم» (واکی‌تاکی) حرف می‌زنید: شما حرف می‌زنید، سکوت می‌کنید، بعد او جواب می‌دهد. بعد او سکوت می‌کند، شما دوباره حرف می‌زنید.

اما دیروز (11 می 2026)، شرکت Thinking Machines Lab به رهبری میرا موراتی (مدیرعامل سابق فنی OpenAI) رسماً از فناوری‌ای رونمایی کرد که این مدل «واکی‌تاکی» را برای همیشه بازنشسته می‌کند .

این شرکت مدل «تعاملی» (Interaction Model) به نام TML-Interaction-Small را معرفی کرده است؛ سیستمی که می‌تواند همزمان به شما گوش دهد، به چشمان شما نگاه کند، پاسخ بدهد، در پس‌زمینه جستجوی اینترنتی انجام دهد و حتی وسط حرف شما بپرد و چیزی بگوید .

طبق بیانیه رسمی این شرکت: «ما فکر می‌کنیم توانایی تعامل باید همراه با هوشمندی رشد کند؛ تعامل، یک ویژگی جانبی نیست، بلکه باید درون مدل قالب‌ریزی شود.»

در این خبر، جزئیات این انقلاب، چگونگی شکستن رکوردهای سرعت و واکنش غول‌های صنعت را بررسی می‌کنیم.

«مکالمه واقعی»؛ مرز باریک ۲۰۰ میلی‌ثانیه

برای درک بزرگی این تحول، ابتدا باید ببینیم مشکل مدل‌های فعلی کجاست.

استعاره «ایمیل» در مقابل استعاره «حضور فیزیکی»

مدل‌های فعلی: الگوی تعامل «نوبتی» (Turn-based)؛ شما می‌گویید، AI جواب می‌دهد
مدل تعاملی Thinking Machines: «جریانی» (Streaming)؛ همزمان

مدل‌های فعلی: در زمان صحبت شما، AI «کور و کر» است
مدل تعاملی Thinking Machines: در حین حرف زدن شما، مدام در حال تحلیل است

مدل‌های فعلی: واکنش به تغییرات ناگهانی فقط بعد از اتمام صحبت شما
مدل تعاملی Thinking Machines: در لحظه (مثلاً تصحیح تلفظ شما در وسط کلمه)

مدل‌های فعلی: احساس گذر زمان ندارد
مدل تعاملی Thinking Machines: دارد (می‌داند شما چقدر سکوت کردید)

کلید موفقیت: «ریز نوبت‌های ۲۰۰ میلی‌ثانیه‌ای»

معماری این مدل بر پایه «ریزنوبت‌های هم‌تراز با زمان» (Time-aligned Micro-turns) است .

هر ۲۰۰ میلی‌ثانیه، مدل ورودی (صدا، تصویر، متن) را بررسی می‌کند.
در همان بازه ۲۰۰ میلی‌ثانیه‌ای، خروجی (صدا، متن یا فرمان) تولید می‌کند.

این یعنی مرز بین «شنیدن» و «گفتن» به عددی کمتر از یک چشم به هم زدن کاهش یافته است .

معماری دوگانه: «تانک جلویی» و «نیروگاه پشتیبانی»

یکی از هوشمندانه‌ترین بخش‌های این پروژه، طراحی سیستم دو مدلی برای حل تناقض «سرعت در مقابل عمق» است.

مدل ۱: مدل تعاملی (انجام وظایف سطحی و سریع)

نام فنی: TML-Interaction-Small
مشخصات: معماری MoE با ۲۷۶ میلیارد پارامتر (زیرمجموعه فعال: ۱۲ میلیارد)
وظیفه: این مغز متفکر «تعاملات لحظه‌ای» است. تشخیص لحن شما، حس کردن سکوت‌هایتان، نگاه کردن به دوربین و متوجه شدن اینکه «آهان، داری کمرت رو قوز میدی» .

مدل ۲: مدل پس‌زمینه (انجام کارهای سنگین)

وظیفه: وقتی شما یک سوال سخت می‌پرسید یا دستور انجام یک کار چند مرحله‌ای را می‌دهید (مثل «خلاصه این مقاله رو پیدا کن و برام ایمیل کن»)، مدل تعاملی، کل مکالمه را بسته‌بندی می‌کند و به مدل پس‌زمینه می‌سپارد .

مدل پس‌زمینه در حالی که شما به گفتگو با مدل تعاملی ادامه می‌دهید (مثلاً جزئیات را اصلاح می‌کنید)، مشغول جستجو، محاسبه و فکر کردن است. نتیجه را دوباره به مدل تعاملی برمی‌گرداند تا آن را به زبان طبیعی و در زمان مناسب برای شما بازگو کند .

میرا موراتی در بیانیه‌ای کوتاه در این باره گفت:

«ما نمی‌خواهیم کاربر بین «دستیار سریع اما کودن» یا «دستیار باهوش اما کند» یکی را انتخاب کند. این مدل‌ها هر دو ویژگی را با هم دارند.»

کاربردهای واقعی: از باشگاه ورزشی تا خط تولید کارخانه

این فناوری صرفاً یک «چت‌بات سریع‌تر» نیست. قابلیت‌های چندحالته (Multimodal) بودن آن، این مدل را به یک دستیار دیداری-شنیداری تبدیل می‌کند.

نظارت تصحیحی (Coaching Real-time): تصور کنید یک برنامه آموزش ورزشی دارید. مدل از طریق دوربین گوشی شما را نگاه می‌کند. شما در حال انجام حرکت «شنای سوئدی» هستید. اگر کمرتان قوس بردارد، مدل فوراً بدون اینکه نیازی به سوال کردن شما باشد، می‌گوید: «مراقب باش کمرت رو صاف نگه دار» .
ترجمه همزمان بدون مکث: در یک کنفرانس بین‌المللی، شما به انگلیسی صحبت می‌کنید. مدل همزمان حرف شما را می‌شنود، بدون اینکه منتظر تمام شدن جمله شما باشد، ترجمه را به اسپانیایی پخش می‌کند. تداخل صداها مدیریت می‌شود .
کمک در حین برنامه‌نویسی: در دموهای منتشر شده، یک برنامه‌نویس در حال نوشتن کد است. مدل نگاه می‌کند، متوجه می‌شود برنامه‌نویس از یک کتابخانه deprecated استفاده کرده و بدون اینکه کاربر چیزی بپرسد، اخطار می‌دهد و کتابخانه جدید را پیشنهاد می‌کند .

افشای معمای «تیم انتقام‌جویان» و سرمایه ۲۰ میلیارد دلاری!

این دستاورد فنی در حالی به دست آمده که Thinking Machines ماه‌ها به عنوان یک «غول بی‌محصول» شناخته می‌شد. این شرکت در سال ۲۰۲۵ تنها با یک ایده، موفق به جذب ۲۰ میلیارد دلار سرمایه در دور Seed (نخستین مرحله سرمایه‌گذاری) شد که برای دنیای استارتاپی رقمی بی‌سابقه است .

تیم این شرکت متشکل از مهاجران ارشد OpenAI است:

میرا موراتی: مدیرعامل سابق فنی OpenAI.
جان شولمن: یکی از خالقان فناوری RLHF (یادگیری تقویتی با بازخورد انسانی) که پایه اصلی اخلاقیات ChatGPT است .
لیلیان ونگ: رئیس سابق تیم ایمنی OpenAI.
سومیت چینتالا: خالق فریمورک PyTorch (که از متا به این تیم پیوسته است) .

این تیم رویایی که از آن به عنوان «انتقام‌جویان هوش مصنوعی» یاد می‌شود، سرانجام اولین ثمره علمی خود را به جهان نشان داده است.

معرفی مدل تعاملی TML-Interaction-Small توسط Thinking Machines Lab را باید نقطه عطفی در پایان «عصر چت‌بات‌ها» و آغاز «عصر همکاران هوشمند» دانست.

این نوآوری برای صنعت سه معنای اساسی دارد:

تغییر رابط کاربری: دیگر قرار نیست با ماشین‌ها مثل دستگاه خودکار حرف بزنیم. تعامل به سمت «حضور مشترک» (Copresence) پیش می‌رود؛ جایی که AI در کنار شماست، تماشا می‌کند، گوش می‌دهد و در لحظه مناسب ورود می‌کند .
فشار به رقبا: OpenAI و گوگل مجبور خواهند شد نسل بعدی مدل‌های خود را با معماری «جریان پیوسته» (Streaming-native) بازطراحی کنند. معماری فعلی که مبتنی بر «پرسش و پاسخ» است، دیگر پاسخگوی نیازهای تعامل انسانی نخواهد بود.
تولد یک ابرقدرت جدید: با وجود فرار چند تن از بنیان‌گذاران تیم در ماه‌های اخیر، Thinking Machines نشان داد که ایده اولیه این شرکت در مورد «تعامل بنیادین» آنقدر قدرتمند است که حتی خروج نیروهای کلیدی نیز نتوانست آن را متوقف کند .

این مدل هم‌اکنون به صورت تحقیقاتی در اختیار چند شریک خاص قرار گرفته و قرار است تا پایان سال ۲۰۲۶ به صورت عمومی عرضه شود .

رأی مثبت0امتیازاترأی منفی

0 آرا: 0 موافق, 0 مخالف (0 امتیاز)