بحران برندسازی در هوش مصنوعی؛ چرا نام‌گذاری‌های پیچیده کاربران را فراری می‌دهد؟

دنیای هوش مصنوعی با سرعتی باورنکردنی در حال پیشرفت است، اما پیچیدگی نام‌گذاری و برندسازی مدل‌های مختلف مانند گوگل جمینای، کاربران را سردرگم کرده است. غول‌های فناوری باید از تحمیل معماری فنی محصولات خود به کاربران دست بردارند و تجربه کاربری ساده‌تری ارائه دهند تا هوش مصنوعی واقعاً همه‌گیر شود. در حال حاضر، شکاف بزرگی میان قدرت فنی این ابزارها و نحوه ارائه آن‌ها به مخاطب عام وجود دارد؛ شکافی که اگر پر نشود، مانع از پذیرش گسترده این فناوری انقلابی خواهد شد.

بحران نام‌گذاری در غول فناوری؛ گوگل جمینای دقیقاً چیست؟

اگر از یک کاربر معمولی بپرسید «گوگل جمینای» چیست، احتمالاً پاسخ شفافی دریافت نخواهید کرد. آیا جمینای یک چت‌بات است؟ یک دستیار صوتی در گوشی‌های اندروید است؟ یا مجموعه‌ای از مدل‌های زبان بزرگ (LLM)؟ واقعیت این است که جمینای همه این موارد هست و همین موضوع ریشه اصلی مشکل است.

گوگل در طول یک سال گذشته، برندسازی هوش مصنوعی خود را بارها تغییر داده است. ابتدا با نام «بارد» (Bard) شروع کرد، سپس آن را به جمینای تغییر داد و اکنون نسخه دستیار صوتی گوگل (Google Assistant) را نیز با جمینای جایگزین کرده است. اما پس‌زمینه این برندسازی بسیار پیچیده‌تر است و کاربر را با کوهی از اصطلاحات فنی مواجه می‌کند:

• Gemini Nano: برای پردازش‌های روی دستگاه (بدون نیاز به اینترنت)
• Gemini Flash: برای پاسخ‌های سریع، سبک و کم‌هزینه
• Gemini Pro: برای کارهای عمومی، تحلیل‌های متوسط و کاربردهای پیشرفته
• Gemini Ultra: برای محاسبات بسیار سنگین و استدلال‌های پیچیده
• Gemini Advanced: اشتراک پولی برای دسترسی به برترین مدل‌های روز

این حجم از پسوندها و نام‌گذاری‌های فنی، کاربر را مجبور می‌کند قبل از استفاده از یک ابزار ساده، ابتدا درک کند که معماری محصول چگونه طراحی شده است. کاربر عادی تمایلی ندارد تفاوت میان یک مدل "Flash" و "Pro" را یاد بگیرد؛ او فقط می‌خواهد ایمیل خود را خلاصه کند یا یک برنامه سفر بنویسد.

مشکلی که کل صنعت هوش مصنوعی با آن دست‌وپنجه نرم می‌کند

گوگل در این مسیر اشتباه تنها نیست. صنعت هوش مصنوعی به طور کلی با بحران «درگیر کردن کاربر با معماری داخلی» مواجه است. شرکت‌های توسعه‌دهنده هوش مصنوعی به‌جای تمرکز بر «کاربرد» و نیازهای واقعی انسان، بر «نام مدل» و جزئیات فنی تمرکز کرده‌اند.

به عنوان مثال، شرکت OpenAI را در نظر بگیرید. کاربران برای انتخاب مدل مناسب در ChatGPT با فهرستی از گزینه‌های گیج‌کننده روبه‌رو می‌شوند: GPT-3.5، GPT-4، GPT-4o، GPT-4o mini و اخیراً مدل‌های سری o1 (مانند o1-preview و o1-mini). این نام‌گذاری‌ها بیشتر شبیه به شماره سریال قطعات خودرو هستند تا نام یک محصول مصرفی کاربرپسند.

شرکت آنتروپیک (Anthropic) نیز مدل‌های خود را به سه دسته Claude 3 Haiku (هایکو)، Sonnet (غزل) و Opus (اثر برجسته) تقسیم کرده است. اگرچه این نام‌ها شاعرانه و جذاب به نظر می‌رسند، اما برای کاربری که می‌خواهد یک فایل PDF را تحلیل کند، هیچ معنای ملموسی ندارند و او را مجبور به جستجو برای فهمیدن تفاوت این گزینه‌ها می‌کنند.

در دنیای محصولات مصرفی موفق، کاربران نیازی ندارند که بدانند زیر کاپوت دستگاه چه می‌گذرد. وقتی شما از موتور جستجوی گوگل استفاده می‌کنید، نیازی ندارید بدانید کدام الگوریتم یا کدام نسخه از سرورهای گوگل در حال پردازش جستجوی شماست؛ شما فقط پاسخ خود را می‌خواهید. اما در محصولات فعلی هوش مصنوعی، مهندسان تصمیم گرفته‌اند ساختار پیچیده پس‌زمینه (Backend) را مستقیم به رابط کاربری (Frontend) منتقل کنند. این کار باعث می‌شود کاربران عادی احساس سردرگمی و بیگانگی کنند.

راهکار چیست؟ از معماری فنی تا تجربه کاربری (UX)

برای اینکه هوش مصنوعی از یک ابزار جذاب برای علاقه‌مندان به فناوری (Tech Enthusiasts) به یک ابزار عامه‌پسند و همه‌گیر تبدیل شود، شرکت‌ها باید استراتژی برندسازی و طراحی محصول خود را به طور ریشه‌ای تغییر دهند. راهکارهای زیر می‌توانند این مسیر را هموار کنند:

۱. تمرکز بر هدف کاربر (Intent-based UI): به جای اینکه از کاربر خواسته شود بین مدل‌های مختلف دستی انتخاب کند، رابط کاربری باید بر اساس نیاز کاربر تغییر کند. سیستم باید گزینه‌هایی مانند «پاسخ سریع»، «تحلیل عمیق» یا «تولید تصویر» را ارائه دهد و خود در پس‌زمینه تصمیم بگیرد که کدام مدل برای این کار مناسب‌تر است.

۲. پنهان‌سازی پیچیدگی‌های فنی: مدل‌های هوش مصنوعی باید مانند موتور یک خودرو عمل کنند. سیستم باید به صورت هوشمند تشخیص دهد که برای یک پرسش ساده مانند «هوای امروز چطور است؟» از یک مدل سبک و ارزان (مانند Gemini Flash یا GPT-4o mini) استفاده کند و برای یک مسئله پیچیده ریاضی، بدون درگیر کردن کاربر، مدل قدرتمندتر (مانند Ultra یا o1) را فراخوانی کند. هزینه و سرعت باید توسط سیستم مدیریت شود، نه توسط ذهن کاربر.

۳. الگوبرداری از مدل‌های موفق سنتی: شرکت اپل در معرفی "Apple Intelligence" مسیر متفاوتی را در پیش گرفته است. آن‌ها نام مدل‌های زبانی خود را به رخ کاربر نمی‌کشند؛ بلکه ابزارهایی مانند "Writing Tools" (ابزارهای نگارش) یا ویژگی‌های بهبودیافته سیری (Siri) را معرفی می‌کنند. کاربر نیازی به دانستن نام مدل ندارد، او فقط می‌بیند که سیستم کارش را راه می‌اندازد.

در نهایت، پیروز میدان رقابت در بازار هوش مصنوعی شرکتی نخواهد بود که قوی‌ترین مدل را با پیچیده‌ترین نام روانه بازار کند، بلکه شرکتی است که بتواند این قدرت افسانه‌ای را در ساده‌ترین و بی‌صدا‌ترین شکل ممکن در اختیار کاربران بگذارد. هوش مصنوعی زمانی به تکامل می‌رسد که خودش را پشت کاربردهایش پنهان کند.