اگر سال ۲۰۲۵ سال بررسی حال و هوای هوش مصنوعی بود، سال ۲۰۲۶ سال عملی شدن این فناوری خواهد بود. تمرکز در حال حاضر از ساخت مدل‌های زبانی بزرگ‌تر و بزرگ‌تر به سمت کار سخت‌ترِ کاربردی کردن هوش مصنوعی در حال تغییر است. در عمل، این شامل استقرار مدل‌های کوچک‌تر در جایی که مناسب هستند، جاسازی هوش در دستگاه‌های فیزیکی و طراحی سیستم‌هایی است که به طور یکپارچه در گردش کار انسان ادغام می‌شوند.

کارشناسانی که TechCrunch با آن‌ها صحبت کرده است، سال ۲۰۲۶ را سال گذار می‌بینند، سالی که از مقیاس‌بندی بی‌رویه به تحقیق در مورد معماری‌های جدید، از دموهای پر زرق و برق به استقرار هدفمند، و از عامل‌هایی که استقلال را وعده می‌دهند به عامل‌هایی که واقعاً نحوه کار مردم را تقویت می‌کنند، تکامل می‌یابد.

مهمانی تمام نشده است، اما صنعت در حال هوشیار شدن است.

قوانین مقیاس‌بندی کافی نخواهند بود

در سال ۲۰۱۲، مقاله ImageNet الکس کریشفسکی، ایلیا سوتسکور و جفری هینتون نشان داد که چگونه سیستم‌های هوش مصنوعی می‌توانند با دیدن میلیون‌ها مثال، اشیاء را در تصاویر "یاد بگیرند" تشخیص دهند. این رویکرد از نظر محاسباتی پرهزینه بود، اما با GPUها امکان‌پذیر شد. نتیجه؟ یک دهه تحقیق فشرده در هوش مصنوعی، زیرا دانشمندان برای اختراع معماری‌های جدید برای وظایف مختلف تلاش کردند.

این امر حدود سال ۲۰۲۰ به اوج خود رسید، زمانی که OpenAI مدل GPT-3 را راه‌اندازی کرد، که نشان داد چگونه صرفاً بزرگ‌تر کردن مدل ۱۰۰ برابر، قابلیت‌هایی مانند کدنویسی و استدلال را بدون نیاز به آموزش صریح باز می‌کند. این نشان‌دهنده گذار به آنچه کیان کاتانفروش، مدیرعامل و بنیانگذار پلتفرم عامل هوش مصنوعی Workera، "عصر مقیاس‌بندی" می‌نامد بود: دوره‌ای که با این باور تعریف می‌شد که محاسبات بیشتر، داده‌های بیشتر و مدل‌های ترنسفورمر بزرگ‌تر به ناچار محرک پیشرفت‌های بزرگ بعدی در هوش مصنوعی خواهند بود.

امروزه، بسیاری از محققان معتقدند که صنعت هوش مصنوعی در حال رسیدن به محدودیت‌های قوانین مقیاس‌بندی است و دوباره به عصر تحقیق منتقل خواهد شد.

یان لِکون، دانشمند ارشد سابق هوش مصنوعی متا، مدت‌هاست که با اتکای بیش از حد به مقیاس‌بندی مخالفت کرده و بر نیاز به توسعه معماری‌های بهتر تأکید کرده است. و سوتسکور در مصاحبه‌ای اخیر گفت که مدل‌های فعلی در حال رسیدن به حد خود هستند و نتایج پیش‌آموزش مسطح شده‌اند، که نشان‌دهنده نیاز به ایده‌های جدید است.

کاتانفروش گفت: "من فکر می‌کنم به احتمال زیاد در پنج سال آینده، ما یک معماری بهتر پیدا خواهیم کرد که بهبود قابل توجهی نسبت به ترنسفورمرها داشته باشد. و اگر این کار را نکنیم، نمی‌توانیم انتظار پیشرفت زیادی در مدل‌ها داشته باشیم."

گاهی اوقات کمتر، بیشتر است

مدل‌های زبانی بزرگ در تعمیم دانش عالی هستند، اما بسیاری از کارشناسان می‌گویند موج بعدی پذیرش هوش مصنوعی سازمانی توسط مدل‌های زبانی کوچک‌تر و چابک‌تر که می‌توانند برای راه‌حل‌های خاص دامنه تنظیم شوند، هدایت خواهد شد.

اندی مارکوس، مدیر ارشد داده AT&T، به TechCrunch گفت: "مدل‌های زبانی کوچک تنظیم‌شده، روند بزرگی خواهند بود و در سال ۲۰۲۶ به یک عنصر اصلی مورد استفاده توسط شرکت‌های هوش مصنوعی بالغ تبدیل خواهند شد، زیرا مزایای هزینه و عملکرد، استفاده از مدل‌های زبانی بزرگ خارج از جعبه را هدایت خواهد کرد. ما قبلاً شاهد بوده‌ایم که کسب‌وکارها به طور فزاینده‌ای به مدل‌های زبانی کوچک متکی هستند، زیرا اگر به درستی تنظیم شوند، از نظر دقت برای برنامه‌های تجاری سازمانی با مدل‌های بزرگ‌تر و عمومی مطابقت دارند و از نظر هزینه و سرعت عالی هستند."

ما این استدلال را قبلاً از استارتاپ هوش مصنوعی متن‌باز فرانسوی Mistral شنیده‌ایم: این شرکت استدلال می‌کند که مدل‌های کوچک آن در واقع بهتر عمل می‌کنند نسبت به مدل‌های بزرگ‌تر در چندین معیار پس از تنظیم دقیق.

جان نیسلی، استراتژیست هوش مصنوعی در ABBYY، یک شرکت هوش مصنوعی سازمانی مستقر در آستین، گفت: "کارایی، مقرون به صرفه بودن و سازگاری مدل‌های زبانی کوچک، آن‌ها را برای برنامه‌های سفارشی که دقت در آن‌ها اولویت دارد، ایده‌آل می‌کند."

در حالی که مارکوس فکر می‌کند مدل‌های زبانی کوچک در عصر عامل‌ها کلیدی خواهند بود، نیسلی می‌گوید ماهیت مدل‌های کوچک به این معنی است که آن‌ها برای استقرار بر روی دستگاه‌های محلی بهتر هستند، "روندی که با پیشرفت‌های محاسبات لبه تسریع شده است."

یادگیری از طریق تجربه

انسان‌ها فقط از طریق زبان یاد نمی‌گیرند؛ ما با تجربه نحوه کار جهان یاد می‌گیریم. اما مدل‌های زبانی بزرگ واقعاً جهان را درک نمی‌کنند؛ آن‌ها فقط کلمه یا ایده بعدی را پیش‌بینی می‌کنند. به همین دلیل است که بسیاری از محققان معتقدند جهش بزرگ بعدی از مدل‌های جهانی خواهد آمد: سیستم‌های هوش مصنوعی که یاد می‌گیرند چگونه اشیاء در فضاهای سه‌بعدی حرکت کرده و با هم تعامل می‌کنند تا بتوانند پیش‌بینی کرده و اقدام کنند.

نشانه‌هایی که سال ۲۰۲۶ سال بزرگی برای مدل‌های جهانی خواهد بود، در حال افزایش است. لِکون متا را ترک کرد تا آزمایشگاه مدل جهانی خود را راه‌اندازی کند و گفته می‌شود که به دنبال ارزش‌گذاری ۵ میلیارد دلاری است. DeepMind گوگل در حال کار بر روی Genie بوده و در ماه اوت آخرین مدل خود را راه‌اندازی کرد که مدل‌های جهانی عمومی تعاملی در زمان واقعی را ایجاد می‌کند. در کنار دموهای استارتاپ‌هایی مانند Decart و Odyssey، آزمایشگاه‌های World Labs فی‌فی لی اولین مدل جهانی تجاری خود، Marble را راه‌اندازی کرده است. تازه‌واردانی مانند General Intuition در ماه اکتبر دور اولیه ۱۳۴ میلیون دلاری را برای آموزش استدلال فضایی به عامل‌ها به دست آوردند، و استارتاپ تولید ویدئو Runway در ماه دسامبر اولین مدل جهانی خود، GWM-1 را منتشر کرد.

در حالی که محققان پتانسیل بلندمدت در رباتیک و استقلال را می‌بینند، تأثیر کوتاه‌مدت احتمالاً ابتدا در بازی‌های ویدیویی دیده خواهد شد. PitchBook پیش‌بینی می‌کند که بازار مدل‌های جهانی در بازی‌ها می‌تواند از ۱.۲ میلیارد دلار بین سال‌های ۲۰۲۲ تا ۲۰۲۵ به ۲۷۶ میلیارد دلار تا سال ۲۰۳۰ رشد کند، که توسط توانایی این فناوری در تولید دنیاهای تعاملی و شخصیت‌های غیرقابل بازی زنده‌تر هدایت می‌شود.

پیم دی ویت، بنیانگذار General Intuition، به TechCrunch گفت که محیط‌های مجازی نه تنها ممکن است بازی‌ها را متحول کنند، بلکه به زمینه‌های آزمایشی حیاتی برای نسل بعدی مدل‌های پایه تبدیل خواهند شد.

ملت عامل

عامل‌ها در سال ۲۰۲۵ نتوانستند انتظارات را برآورده کنند، اما دلیل اصلی آن این است که اتصال آن‌ها به سیستم‌هایی که کار در آن‌ها واقعاً اتفاق می‌افتد، دشوار است. بدون راهی برای دسترسی به ابزارها و زمینه، اکثر عامل‌ها در گردش کار آزمایشی گیر کرده بودند.

پروتکل زمینه مدل (MCP) Anthropic، یک "USB-C برای هوش مصنوعی" که به عامل‌های هوش مصنوعی اجازه می‌دهد با ابزارهای خارجی مانند پایگاه‌های داده، موتورهای جستجو و APIها صحبت کنند، بافت اتصالی گمشده را اثبات کرد و به سرعت در حال تبدیل شدن به استاندارد است. OpenAI و Microsoft به طور عمومی MCP را پذیرفته‌اند، و Anthropic اخیراً آن را به بنیاد جدید Agentic AI بنیاد لینوکس اهدا کرده است، که هدف آن کمک به استانداردسازی ابزارهای عامل منبع باز است. گوگل نیز شروع به راه‌اندازی سرورهای مدیریت شده MCP خود برای اتصال عامل‌های هوش مصنوعی به محصولات و خدمات خود کرده است.

با کاهش اصطکاک اتصال عامل‌ها به سیستم‌های واقعی توسط MCP، سال ۲۰۲۶ احتمالاً سالی خواهد بود که گردش کار عامل‌ها سرانجام از دموها به عملکردهای روزمره منتقل می‌شوند.

راجیو دام، شریک در Sapphire Ventures، می‌گوید این پیشرفت‌ها منجر به راه‌حل‌های عامل-اول خواهد شد که نقش‌های "سیستم سوابق" را در صنایع مختلف بر عهده می‌گیرند.

دام گفت: "همانطور که عامل‌های صوتی وظایف بیشتری را از ابتدا تا انتها مانند پذیرش و ارتباط با مشتری انجام می‌دهند، آن‌ها همچنین شروع به تشکیل سیستم‌های اصلی زیربنایی خواهند کرد. ما این را در بخش‌های مختلفی مانند خدمات خانگی، املاک و مستغلات و مراقبت‌های بهداشتی، و همچنین عملکردهای افقی مانند فروش، فناوری اطلاعات و پشتیبانی خواهیم دید."

تقویت، نه اتوماسیون

در حالی که گردش کار عامل‌محورتر ممکن است نگرانی‌هایی را در مورد اخراج‌های احتمالی ایجاد کند، کاتانفروش از Workera چندان مطمئن نیست که این پیام باشد: او گفت: "سال ۲۰۲۶ سال انسان‌ها خواهد بود."

در سال ۲۰۲۴، هر شرکت هوش مصنوعی پیش‌بینی می‌کرد که مشاغل را از نیاز به انسان‌ها خودکار خواهد کرد. اما این فناوری هنوز آنجا نیست، و در یک اقتصاد ناپایدار، این واقعاً یک گفتمان محبوب نیست. کاتانفروش می‌گوید سال آینده، ما متوجه خواهیم شد که "هوش مصنوعی به اندازه‌ای که فکر می‌کردیم خودمختار عمل نکرده است"، و گفتگو بیشتر بر نحوه استفاده از هوش مصنوعی برای تقویت گردش کار انسان، به جای جایگزینی آن‌ها، متمرکز خواهد شد.

او افزود: "و من فکر می‌کنم بسیاری از شرکت‌ها شروع به استخدام خواهند کرد"، و خاطرنشان کرد که او انتظار دارد نقش‌های جدیدی در حاکمیت هوش مصنوعی، شفافیت، ایمنی و مدیریت داده وجود داشته باشد. "من در مورد میانگین بیکاری زیر ۴ درصد در سال آینده بسیار خوش‌بین هستم."

دی ویت افزود: "مردم می‌خواهند بالای API باشند، نه زیر آن، و من فکر می‌کنم سال ۲۰۲۶ سال مهمی برای این موضوع است."

فیزیکی شدن

کارشناسان می‌گویند پیشرفت‌ها در فناوری‌هایی مانند مدل‌های کوچک، مدل‌های جهانی و محاسبات لبه، کاربردهای فیزیکی بیشتری را برای یادگیری ماشین امکان‌پذیر خواهد کرد.

ویکرام تانجا، رئیس AT&T Ventures، به TechCrunch گفت: "هوش مصنوعی فیزیکی در سال ۲۰۲۶ به جریان اصلی خواهد رسید، زیرا دسته‌های جدیدی از دستگاه‌های مجهز به هوش مصنوعی، از جمله رباتیک، وسایل نقلیه خودران، پهپادها و پوشیدنی‌ها شروع به ورود به بازار خواهند کرد."

در حالی که وسایل نقلیه خودران و رباتیک موارد استفاده آشکاری برای هوش مصنوعی فیزیکی هستند که بدون شک در سال ۲۰۲۶ به رشد خود ادامه خواهند داد، آموزش و استقرار مورد نیاز هنوز گران است. از سوی دیگر، پوشیدنی‌ها یک شکاف ارزان‌تر با پذیرش مصرف‌کننده ارائه می‌دهند. عینک‌های هوشمند مانند Ray-Ban Meta در حال ارسال دستیارهایی هستند که می‌توانند به سؤالات مربوط به آنچه می‌بینید پاسخ دهند، و فرم فاکتورهای جدید مانند حلقه‌های سلامتی مجهز به هوش مصنوعی و ساعت‌های هوشمند در حال عادی‌سازی استنتاج همیشه روشن و روی بدن هستند.

تانجا گفت: "ارائه‌دهندگان اتصال برای بهینه‌سازی زیرساخت شبکه خود برای پشتیبانی از این موج جدید دستگاه‌ها کار خواهند کرد، و آن‌هایی که انعطاف‌پذیری در نحوه ارائه اتصال دارند، در بهترین موقعیت قرار خواهند گرفت."