Artificial Intelligence

هوش مصنوعی چندوجهی در ۲۰۲۶: از شعبده‌بازی تا زیرساخت

By Anurag Verma•June 7, 2026

هوش مصنوعی چندوجهی در ۲۰۲۶: از ترفندهای نمایشی تا زیرساخت

اولین باری که یک عکس تار از یک برد مدار را به یک مدل چندوجهی دادم و در خروجی، تحلیل خرابی در سطح قطعات را دریافت کردم، دیگر هوش مصنوعی بصری را یک ویژگی نمایشی ندانستم. آن دو سال پیش بود. امروز، هوش مصنوعی چندوجهی، که در آن یک مدل واحد به‌طور همزمان متن، تصویر، صدا و ویدیو را پردازش می‌کند، معماری پیش‌فرض برنامه‌های جدی هوش مصنوعی است، نه یک افزونه.

این تحول سریع‌تر از آنچه اکثر مهندسانی که می‌شناسم انتظار داشتند اتفاق افتاد. و اکنون با پیامدهای آن سرعت روبرو هستیم، هم خوب و هم پیچیده.

معماری فنی در عمل

در اواسط ۲۰۲۶، سه خانواده از مدل‌ها بر استقرارهای عملی تسلط دارند. GPT-5 شرکت OpenAI، که در آگوست ۲۰۲۵ منتشر شد، با یک روتر بلادرنگ عرضه می‌شود که به‌طور خودکار درخواست‌ها را بین یک مسیر استنتاج سریع و یک مسیر استدلال زنجیروار توزیع می‌کند. پردازش چندوجهی آن واقعاً بومی است، یعنی تصویر و متن فضای توکن مشترکی دارند و از طریق یک آداپتور به هم وصل نمی‌شوند. برای اکثر تیم‌های محصولی که با آن‌ها صحبت می‌کنم، همچنان انتخاب پیش‌فرض برای ویژگی‌های مواجه با مشتری است، زیرا API آن قابل پیش‌بینی است و قیمت‌گذاری با اکثر مدل‌های SaaS سازگاری دارد.

Gemini 2.5 Pro گوگل، که در مارس ۲۰۲۵ معرفی شد، کاری می‌کند که بقیه هنوز به‌خوبی به آن نرسیده‌اند: پردازش بومی تا حدود یک ساعت ویدیو، درک مستقل تراک‌های صوتی درون آن ویدیو بدون نیاز به هیچ رونوشتی، و ترکیب آن‌ها با داده‌های ساختاریافته در همان پنجره زمینه. برای هر پایپ‌لاینی که با فیلم‌های مراقبتی، جلسات ضبط‌شده یا پیاده‌سازی محصول سروکار دارد، Gemini 2.5 Pro در حال حاضر انتخاب عملی است، حتی با اینکه جانشین آن، Gemini 3.1 Pro، برای پروژه‌های جدید وارد تولید می‌شود.

کلود ۴ سانِت آنتروپیک، که این روزها ابزار اصلی من برای کارهای سند-محور است، در استدلال بصری چندنوبتی بدون آن انحراف زمینه‌ای که نسل‌های پیشین داشتند عمل می‌کند. اگر قراردادها، صورت‌های مالی، یا نقشه‌های مهندسی پردازش می‌کنید، تفاوت در ثبات عملکرد در طول نوبت‌ها محسوس است.

در طرف متن‌باز، شکاف با مدل‌های اختصاصی با سرعتی ناراحت‌کننده برای بازیگران مستقر دارد کم می‌شود. Qwen3-VL-235B علی‌بابا در چندین معیار چندوجهی شامل OCR، درک اسناد، پرسش‌و‌پاسخ روی ویدیو، و پایه‌گذاری فضایی دو و سه‌بعدی با GPT-5 برابری می‌کند یا از آن پیشی می‌گیرد. این مدل از ۳۲ زبان برای وظایف OCR پشتیبانی می‌کند. تیمی با بودجه محاسباتی لازم برای اجرای ۲۳۵ میلیارد پارامتر روی زیرساخت خودش، اکنون یک جایگزین واقعی برای پرداخت هزینه‌های API در استنتاج بصری با حجم بالا در اختیار دارد.

کجا واقعاً دارد استفاده می‌شود

استقرارهای سازمانی که دارند جا می‌افتند، جایی نیستند که سه سال پیش پیش‌بینی می‌کردم.

کنترل کیفیت در تولید واضح‌ترین برد است. مدل‌های چندوجهی فیدهای دوربین، لاگ‌های حسگر، و سوابق نگهداری را با هم یکپارچه می‌کنند تا پیش از آنکه خرابی‌ها رخ دهند، ناهنجاری‌ها را علامت‌گذاری کنند. مدل تنها به تصویر نگاه نمی‌کند، بلکه به‌طور همزمان روی تصویر و داده‌های سری زمانی استدلال می‌کند. تیم‌های سازمانی از کاهش قابل‌اندازه‌گیری در توقف‌های برنامه‌ریزی‌نشده گزارش می‌دهند در مقایسه با سیستم‌های بازرسی تک‌وجهی.

پشتیبانی مشتری حوزه دیگری است که در آن سیستم‌های چندوجهی از عوامل صرفاً متن‌محور به شکل‌هایی که از نظر تجاری اهمیت دارد پیشی می‌گیرند. یک عامل پشتیبانی که می‌تواند الگوی چراغ LED روتر مشتری را ببیند، کد خطا در یک اسکرین‌شات را بخواند، و سابقه سرویس حساب را در یک مرحله متقاطع بررسی کند، تیکت‌ها را سریع‌تر از هر جریان متن‌محوری حل می‌کند. بهبودهای تاخیر مستقیماً در امتیازات CSAT انباشته می‌شوند.

هوش اسناد، که در ابتدا قاتل اصلی OCR به‌علاوه NLP بود، کاملاً بازنشینی شده است. خطوط لوله چندوجهی مدرن با سطحی از درک ساختاری که سیستم‌های ترکیبی پیشین (خط لوله OCR که به یک مدل زبانی تغذیه می‌کرد) قادر به دستیابی آن نبودند، با فاکتورها، نمودارهای پزشکی، پرونده‌های نظارتی و نقشه‌های مهندسی کار می‌کنند. معماری آن نیز ساده‌تر است: یک فراخوانی مدل، نه سه تا.

بازار عامل هوش مصنوعی در سال ۲۰۲۵ به ۷.۶ میلیارد دلار رسید و بخش عمده این رشد در پیکربندی‌های چندوجهی است. جریان‌های کاری عاملی که رابط رایانه را می‌بینند، می‌خوانند و روی آن عمل می‌کنند، چیزی که صنعت آن را «استفاده از رایانه» می‌نامد، اکنون در شرکت‌هایی که انتظار نداشتم از پذیرندگان اولیه باشند، در محیط تولید ارسال می‌شود. کارشناسان بیمه، بازبینان اسناد حقوقی و تیم‌های تدارکات از نخستین کاربران واقعی هستند.

مشکلاتی که از بین نرفته‌اند

می‌خواهم درباره شیوه‌های شکست صادق باشم، زیرا چرخه هیاهو پیرامون هوش مصنوعی چندوجهی از آن‌ها چشم‌پوشی می‌کند.

توهم در کانال بصری در یک جنبه خاص از توهم در کانال متنی بدتر است: تشخیص آن دشوارتر است. وقتی یک مدل یک ارجاع را اختراع می‌کند، خواننده دقیق متوجه می‌شود. وقتی یک مدل یک قطعه را در یک نمودار فنی اشتباه شناسایی می‌کند، یا یک عدد دست‌نویس روی یک فرم را اشتباه می‌خواند، آن خطا بی‌سروصدا در خط لوله پایین‌دست منتشر می‌شود. تحقیقات منتشر شده در سال ۲۰۲۵ نشان می‌دهد که مدل‌های زبان-دیداری در مقایسه با سیستم‌های تشخیص هدف‌محور، بازیابی محدود و کالیبراسیون ناپایداری از خود نشان می‌دهند، به‌ویژه زمانی که تصاویر ورودی حاوی عناصری هستند که از نظر بصری شبیه به اشیاء توزیع آموزشی به نظر می‌رسند اما از نظر معنایی متفاوت هستند.

استدلال فضایی همچنان ناپایدار است. مدل‌ها محتوای تصویر را بسیار بهتر از موقعیت اشیاء نسبت به یکدیگر یا محدودیت‌های فیزیکی حاکم بر صحنه درک می‌کنند. مدلی که با اطمینان یک مجموعه مکانیکی را توصیف می‌کند، همچنان ممکن است روابط چپ-راست را اشتباه تشخیص دهد، که در برنامه‌ریزی جراحی یا دستکاری رباتیک مشکلی جدی است.

ناهماهنگی مودالیته، یعنی زمانی که مدل به یک مودالیته ورودی وزن بیش از حد می‌دهد و مودالیته دیگر را نادیده می‌گیرد، چالشی معماری پایدار است. اگر در کنار تصویر یک کپشن گمراه‌کننده به مدل داده شود، متن اغلب برنده می‌شود. این موضوع در بسترهای خصمانه سطح حمله‌ای ایجاد می‌کند که اکثر تیم‌های تولید هنوز به‌طور کامل به آن نپرداخته‌اند.

ارزیابی صادقانه من این است: هوش مصنوعی چندمودالیتی برای وظایف پرحجم و خوش‌تعریف با نظارت انسانی در حلقه، آماده استفاده در محیط تولید است. اما برای تصمیم‌گیری‌های کم‌حجم و پرمخاطره که خطا پیامدهای غیرقابل جبران دارد و هیچ‌کس ناظر نیست، هنوز قابل اطمینان نیست.

جهت‌گیری آینده

جهش معنادار بعدی افزودن مودالیته‌های بیشتر نیست، بلکه کاهش تأخیر و بهبود کالیبراسیون است. مدل‌هایی که می‌توانند زمان عدم اطمینان درباره یک ورودی بصری را به شما اعلام کنند، برای من ارزشمندتر از مدل‌هایی هستند که داده‌های حسگر یا بازخورد لمسی پردازش می‌کنند. اطمینان کالیبره‌شده در کانال بصری، دسته‌ای از کاربردهای پزشکی، حقوقی و مالی را که در حال حاضر برای خودکارسازی بیش از حد پرریسک هستند، باز خواهد کرد.

مدل‌های متن‌باز در سال‌های ۲۰۲۶ و ۲۰۲۷ فشار قیمتی قابل توجهی بر ارائه‌دهندگان API وارد خواهند کرد. Qwen3-VL و مدل‌های مشابه هزینه استنتاج را در بنچمارک‌های قابل مقایسه تا ۶۰ درصد نسبت به جایگزین‌های تجاری بسته کاهش داده‌اند. برای تیم‌هایی که توانایی میزبانی خودکفا دارند، اقتصاد ماجرا از آنچه دوازده ماه پیش بود، متفاوت است.

من اکنون دقیقاً به این دلیل بر پایه‌های چندوجهی می‌سازم که ابزارها از یک آستانه عبور کرده‌اند. انتزاعات به اندازه کافی پایدار شده‌اند که بتوان به آن‌ها متعهد شد. دیگر سوال این نیست که آیا از هوش مصنوعی چندوجهی استفاده کنیم یا خیر. سوال این است که آیا داده‌های برچسب‌گذاری‌شده و ظرفیت بررسی انسانی کافی دارید تا از آن به‌شکلی مسئولانه در حوزه خاص خود استفاده کنید.