عامل‌های هوش مصنوعی بسیار خبرساز شده‌اند، اما به‌اندازه‌ای که عرضه‌کنندگانشان می‌خواهند باور کنید توانمند نیستند.

تلاش‌ها برای ارزیابی عامل‌هایی که وظایف پیچیده بر عهده دارند نشان می‌دهد این سیستم‌ها معمولاً آن‌قدر قابل‌اعتماد نیستند که بدون نظارت دقیق کار کنند. LiveBench 2.0 نشان می‌دهد Claude Fable 5.2 و ChatGPT-6 Astra به‌ترتیب ۸۲٫۹ و ۷۵٫۶ مورد از ۱۰۰ وظیفه را با موفقیت انجام می‌دهند. همچنین، تلاشی از سوی شرکت زیرساخت هوش مصنوعی EON برای آزمایش عامل‌ها در محیطی شبیه‌سازی‌شده از یک شرکت نشان داد موفق‌ترین مدلی که آزمایش شد، یعنی Claude Opus 4.8، وظایف را با دقت ۷۶٫۸ درصد انجام می‌دهد.

اکنون استارتاپی به نام Plurai می‌خواهد با به‌کارگیری همان روش‌هایی که خودروهای خودران را به خیابان‌ها آوردند، این ارقام را بهبود دهد: شبیه‌سازی‌هایی مبتنی بر داده‌های مصنوعی و برگرفته از سامانه‌های دیجیتال خود شرکت‌ها که برای آماده‌سازی مدل‌ها جهت رسیدگی به موارد مرزی دشوار طراحی شده‌اند.

بنیان‌گذاران مشترک این شرکت، Ilan Kadar و Elad Levi، پیش‌تر در Nexar کار می‌کردند؛ شرکتی که فناوری رانندگی خودران توسعه می‌دهد. Kadar با Waymo همکاری داشت تا نرم‌افزار رانندگی یادگیری عمیق سرتاسری آن را شبیه‌سازی و ارزیابی کند.

Kadar به TechCrunch گفت: «وقتی موج عامل‌های هوش مصنوعی را دیدیم، همان الگو را مشاهده کردیم: ساخت یک نمونه نمایشی بسیار آسان است، اما ساخت چیزی که قابل‌اعتماد و مقرون‌به‌صرفه باشد [دشوار است]. چون همان الگو را دیدیم، به این فکر افتادیم که همین لایه شبیه‌سازی را بسازیم.»

این استارتاپ روز چهارشنبه اعلام کرد برای تحقق این هدف، ۱۳ میلیون دلار سرمایه‌گذاری اولیه جذب کرده است. این دور سرمایه‌گذاری به رهبری Team8 انجام شد و U&I، Velocity و Mercer نیز در آن مشارکت داشتند.

عامل‌های هوش مصنوعی، مانند مدل‌های سرتاسری که برای رانندگی خودروها آموزش دیده‌اند، سامانه‌هایی احتمالاتی هستند که در محیط‌های غیرقابل‌پیش‌بینی فعالیت می‌کنند. برای مثال، عامل‌هایی که مأمور رزرو سفر هستند ممکن است در مواجهه با درخواست مشتری، سیاست‌های هزینه‌کرد را نادیده بگیرند. یا عامل‌هایی که باید از یک پایگاه داده اطلاعات بگیرند، ممکن است پاسخ درستی ارائه دهند، اما ترکیب اطلاعات از چند مجموعه‌داده معمولاً کار را مختل می‌کند. گفت‌وگوی طولانی با یک ربات خدمات مشتری نیز ممکن است عامل را با انبوهی از اطلاعات زمینه‌ای سردرگم کند و به تصمیم‌های اشتباه بینجامد.

برای حل این مشکل، Plurai از سامانه‌های الکترونیکی شرکت، از جمله پایگاه دانش و ابزارهایی که عامل در محیط عملیاتی به آن‌ها دسترسی خواهد داشت، دوقلوی دیجیتال می‌سازد. سپس همه مسیرهای احتمالی عامل‌ها را ترسیم می‌کند و با استفاده از این نمودار، مدل را از طریق ارزیابی‌ها و راهکارهایی برای موارد مرزی احتمالی آماده می‌سازد. این پلتفرم در کنار ابزارهای عامل‌محور موجود مانند Claude Code، Codex، Copilot و Cursor کار می‌کند.

بااین‌حال، Kadar می‌گوید مزیت اصلی شرکت در استفاده از داده‌هایی است که گردآوری می‌کند تا مدل‌های کوچک open-weight را پس‌آموزش دهد و متناسب با نیازهای هر مشتری تنظیم کند. آزمایش‌هایی که با همکاری Nvidia و Nebius انجام شده‌اند، نشان داده‌اند مدل‌های این شرکت با هزینه کمتر از مدل‌های پیشرو میان‌رده عملکرد بهتری دارند.

او گفت: «می‌توانیم یک مدل زبانی بزرگ و یک وظیفه را بگیریم، با استفاده از شبیه‌سازی آن را به وظایف کوچک‌تری تجزیه کنیم، یک مدل [open-weight] را آموزش دهیم و بعد با کمک شبیه‌سازی بررسی کنیم که کیفیت آن از مدل پیشرو بالاتر است یا با آن برابری می‌کند؛ آن هم با کاهش هزینه‌ای به‌اندازه یک یا دو مرتبه بزرگی.»

Reah Miyara، پژوهشگر Google DeepMind که به‌عنوان سرمایه‌گذار فرشته از Plurai حمایت کرده است، گفت برتری این شرکت از درک شیوه‌های شکست در محیط عملیاتی و تولید داده‌های مصنوعی برای تنظیم مدل‌ها ناشی می‌شود. به گفته Miyara، درحالی‌که کسب‌وکارها می‌کوشند هزینه‌های هوش مصنوعی خود را بهینه کنند، رویکرد Plurai می‌تواند مزیتی واقعی باشد؛ زیرا مدیران فناوری اطلاعات متوجه شده‌اند که «مدل‌های پیشروِ توانمند، با داده‌های خاص من خارج از توزیع هستند و هزینه این فناوری‌ها در بلندمدت پایدار نیست.»

Plurai امیدوار است شباهت میان عامل‌های هوش مصنوعی در محیط‌های فیزیکی و دیجیتال بتواند پیش‌بینی‌کننده باشد: مدل‌های قدرتمند و عمومی هوش مصنوعی قابلیت‌های چشمگیری به ربات‌ها می‌دهند، اما این ربات‌ها هنوز آن‌قدر قابل‌اعتماد نیستند که به‌طور گسترده به کار گرفته شوند. در همین حال، ربات‌هایی که با مدل‌های هوش مصنوعیِ طراحی‌شده برای وظایف مشخص کار می‌کنند، همین حالا در میدان هستند؛ برای مشتریان کار می‌کنند و داده‌های ارزشمند دنیای واقعی را گردآوری می‌کنند.

Kadar گفت: «از نظر من، هرقدر هم مدل‌های OpenAI و Anthropic هوشمند باشند ــ و بسیار هوشمندتر هم خواهند شد ــ کسب‌وکار و سیاست‌های شما را نمی‌شناسند.»