چند سال پیش وقتی درباره هوش مصنوعی صحبت می‌کردیم، بسیاری از کاربردها به مواردی مثل:
- Classification
- Recommendation
- Computer Vision
- Prediction
محدود می‌شدند.
بعد مدل‌های زبانی بزرگ وارد شدند.
و ناگهان رابط استفاده از AI تبدیل شد به:
Chatbotها فراگیر شدند.
مدل‌ها شروع کردند به نوشتن:
- Code
- Article
- Documentation
- Summary
اما Chatbot احتمالاً پایان مسیر نیست.
در واقع ممکن است بعدها دوره Chatbotها را بیشتر به عنوان مرحله‌ای ببینیم که انسان‌ها یاد گرفتند چگونه با مدل‌های هوش مصنوعی تعامل کنند.
آینده احتمالاً بیشتر درباره سیستم‌هایی خواهد بود که:
- می‌بینند
- می‌شنوند
- اطلاعات بازیابی می‌کنند
- از ابزار استفاده می‌کنند
- برای کارها برنامه‌ریزی می‌کنند
- و بخشی از Workflow را اجرا می‌کنند
اما این آینده دقیقاً چه شکلی خواهد داشت؟
از Chatbot به AI System
اولین تغییر مهم این است که AI کمتر به شکل یک صفحه Chat مستقل دیده خواهد شد.
امروز معماری بسیاری از محصولات چنین است:
اما مسیر طبیعی‌تر این است:
یعنی AI تبدیل به یکی از اجزای داخلی نرم‌افزار می‌شود.
درست مثل:
- Database
- Cache
- Search
- Queue
احتمالاً در بسیاری از محصولات آینده AI دیگر یک Feature جداگانه با دکمه:
Ask AI
نخواهد بود.
بلکه در خود Workflow محصول قرار خواهد گرفت.
AI کمتر حرف می‌زند و بیشتر کار می‌کند
نسل اول ابزارهای Generative AI عمدتاً پاسخ تولید می‌کردند.
اما با Function Calling و AI Agentها معماری تغییر می‌کند:
مثلاً به جای اینکه از AI بپرسیم:
چطور این Bug را پیدا کنم؟
ممکن است سیستم:
- Repository را بررسی کند
- Testها را اجرا کند
- Logها را بخواند
- Bug را پیدا کند
- Patch پیشنهاد دهد
یعنی فاصله بین:
Advice
و:
Execution
کمتر می‌شود.
Agentها احتمالاً بخش مهمی از آینده هستند
AI Agent یکی از مهم‌ترین تغییرات معماری در سیستم‌های AI است.
Chatbot:
Agent:
Agent می‌تواند چند Step را مدیریت کند.
مثلاً:
یک گزارش رقبا آماده کن.
سیستم ممکن است:
را انجام دهد.
این مدل تعامل بسیار متفاوت از Chatbot ساده است.
اما همه‌چیز Agent نخواهد شد
مثل هر فناوری جدید، احتمالاً مدتی هر Workflow ساده‌ای با عنوان Agent معرفی خواهد شد.
اما Taskهایی که Flow مشخص دارند همچنان بهتر است با Code معمولی اجرا شوند.
مثلاً:
- Validate Payment
- Calculate Tax
- Reset Password
- Check Permission
لزومی ندارد LLM برای هر مرحله تصمیم‌گیری کند.
آینده احتمالاً ترکیبی از:
- Deterministic Software
- +
- AI Decision Making
خواهد بود.
نه جایگزینی کامل یکی با دیگری.
Multimodal AI
مدل‌ها دیگر فقط Text را پردازش نمی‌کنند.
سیستم‌های Multimodal می‌توانند انواع مختلف داده را در کنار هم درک کنند:
- Text
- Image
- Audio
- Video
- Documents
- Screen
مثلاً یک سیستم می‌تواند:
- Screenshot
- +
- User Question
دریافت کند و درباره UI توضیح دهد.
یا:
- Video
- +
- Audio
- +
- Text
را همزمان تحلیل کند.
رابط AI تغییر خواهد کرد
وقتی مدل بتواند:
- ببیند
- بشنود
- متن بخواند
- ابزار اجرا کند
رابط AI دیگر فقط Chat Box نخواهد بود.
ممکن است Interaction به شکل:
- Voice
- Screen
- Camera
- Document
- IDE
- Operating System
باشد.
AI به جای اینکه Application جداگانه‌ای باشد، می‌تواند در سطح Interface حضور داشته باشد.
AI در محیط توسعه نرم‌افزار
یکی از حوزه‌هایی که احتمالاً بیشترین تغییر را می‌بیند، Software Development است.
امروز AI می‌تواند:
- Code Complete
- Generate Function
- Explain Code
- Generate Tests
انجام دهد.
اما سیستم‌های آینده می‌توانند Context بیشتری از پروژه داشته باشند.
مثلاً:
- Repository
- Issues
- Documentation
- Tests
- CI/CD
- Logs
- Architecture
را همزمان بررسی کنند.
Developer Agent
فرض کنید به سیستم بگوییم:
این Issue را بررسی کن.
Agent ممکن است:
در این حالت Developer بیشتر روی:
- Architecture
- Review
- Requirements
- Decision Making
تمرکز می‌کند.
آیا AI برنامه‌نویس را حذف می‌کند؟
پیش‌بینی قطعی در این زمینه منطقی نیست.
اما چیزی که روشن‌تر به نظر می‌رسد این است که سطح Abstraction توسعه نرم‌افزار در حال تغییر است.
قبلاً توسعه‌دهنده می‌نوشت:
Machine Instructions
بعد:
Assembly
بعد:
High-level Languages
و امروز بخشی از توسعه می‌تواند به شکل:
انجام شود.
اما هنوز باید کسی مشخص کند:
- چه چیزی باید ساخته شود؟
- چرا؟
- با چه محدودیت‌هایی؟
- آیا نتیجه درست است؟
این بخش‌ها به سادگی با Autocomplete جایگزین نمی‌شوند.
نقش Developer تغییر می‌کند
ممکن است بخشی از زمان Developer از:
نوشتن تمام Code
به سمت:
- Design
- Review
- Testing
- AI Orchestration
- Architecture
- Evaluation
حرکت کند.
یعنی مهارت مهم آینده فقط:
چطور Code بنویسم؟
نیست.
بلکه:
چطور سیستمی طراحی کنم که انسان، نرم‌افزار و AI به شکل قابل اعتماد با هم کار کنند؟
خواهد بود.
Modelهای کوچک‌تر مهم‌تر می‌شوند
برای مدتی تمرکز صنعت تقریباً همیشه روی مدل‌های بزرگ‌تر بود.
- More Parameters
- More Compute
- More Data
اما بزرگ‌ترین Model همیشه بهترین انتخاب برای Product نیست.
سیستم‌های آینده احتمالاً ترکیبی از Modelهای مختلف خواهند بود.
مثلاً:
Model Routing
به جای ارسال تمام Requestها به یک Model، یک Router می‌تواند تصمیم بگیرد:
این معماری:
- Cost
- Latency
- Privacy
را بهتر مدیریت می‌کند.
مدل‌های تخصصی
مدل‌های عمومی قدرتمند هستند.
اما برای بعضی Domainها Modelهای تخصصی ممکن است مفیدتر باشند.
مثلاً:
- Code
- Legal
- Finance
- Medical
- Science
- Security
در آینده احتمالاً بیشتر شاهد ترکیب:
- General Models
- +
- Specialized Models
خواهیم بود.
Local AI رشد خواهد کرد
یکی دیگر از روندهای مهم اجرای Model روی دستگاه یا زیرساخت خصوصی است.
مثلاً:
- Laptop
- Phone
- Workstation
- Private Server
مزایای Local AI:
- Privacy
- Offline Usage
- Lower Network Latency
- Infrastructure Control
هستند.
با بهتر شدن:
- Hardware
- Quantization
- Inference Engines
- Small Models
اجرای AI روی Deviceهای عادی آسان‌تر می‌شود.
AI روی موبایل و دستگاه شخصی
در آینده ممکن است بخشی از AI مستقیماً روی Device اجرا شود.
مثلاً:
- Speech Recognition
- Summarization
- Personal Search
- Image Analysis
- Assistant Tasks
بدون اینکه تمام Data به Cloud ارسال شود.
این مدل:
On-device AI
نامیده می‌شود.
Cloud از بین نمی‌رود
با وجود Local AI، Cloud همچنان نقش مهمی خواهد داشت.
مدل‌های بسیار بزرگ به Infrastructure قدرتمندی نیاز دارند.
بنابراین معماری آینده احتمالاً:
- Local
- +
- Edge
- +
- Cloud
خواهد بود.
هر Task در مناسب‌ترین محل اجرا می‌شود.
Hybrid AI
یک معماری ممکن است چنین باشد:
Request
↓
Router
↓
┌──────────────────────┐
│ │
Local Model Cloud Model
│ │
Private Task Heavy Reasoning
│ │
└──────────┬───────────┘
↓
Responseدر این مدل Local و Cloud رقیب نیستند.
مکمل یکدیگر هستند.
RAG احتمالاً باقی می‌ماند
حتی اگر Modelها بسیار قدرتمندتر شوند، همچنان به اطلاعات اختصاصی و جدید نیاز داریم.
مدل نمی‌تواند از Training خودش بداند:
- Order 5421 چه وضعیتی دارد؟
- آخرین Policy شرکت چیست؟
- نسخه امروز Documentation چیست؟
بنابراین معماری‌هایی مانند:
- RAG
- Database
- API
- Tools
همچنان اهمیت خواهند داشت.
AI از مدل به سیستم تبدیل می‌شود
این شاید مهم‌ترین تغییر باشد.
در ابتدا تمام توجه روی:
Model
بود.
اما یک محصول واقعی AI شامل:
- Model
- RAG
- Tools
- Memory
- Database
- Prompts
- Validation
- Monitoring
- Evaluation
- Security
است.
یعنی Advantage محصول الزاماً فقط از Model نمی‌آید.
ممکن است دو شرکت از یک Model استفاده کنند، اما Product یکی بسیار بهتر باشد.
تفاوت در:
- Data
- Architecture
- UX
- Evaluation
- Tools
- Workflow
خواهد بود.
داده اختصاصی مهم‌تر می‌شود
اگر همه شرکت‌ها به Modelهای مشابه دسترسی داشته باشند، چیزی که آن‌ها را متمایز می‌کند می‌تواند Data اختصاصی باشد.
مثلاً:
- Customer History
- Internal Knowledge
- Domain Data
- Product Usage
- Operational Data
وقتی این Data با AI ترکیب شود، سیستم تخصصی‌تر می‌شود.
Personal AI
یکی از جهت‌های احتمالی آینده، AIهایی است که Context بیشتری از خود کاربر دارند.
مثلاً:
- Preferences
- Documents
- Projects
- Calendar
- Tasks
- Workflows
در نتیجه Assistant می‌تواند پاسخ عمومی را به پاسخ شخصی تبدیل کند.
مثلاً به جای:
امروز چه کار کنم؟
براساس Context واقعی کاربر تصمیم بگیرد.
Memory اهمیت بیشتری پیدا می‌کند
برای Personal AI، Memory مهم است.
سیستم باید بتواند تشخیص دهد:
- چه چیزی را نگه دارد؟
- چه چیزی موقت است؟
- چه چیزی حساس است؟
- چه چیزی دیگر معتبر نیست؟
Memory صرفاً ذخیره تمام Conversationها نیست.
یک سیستم Memory واقعی به:
- Selection
- Retrieval
- Expiration
- Permissions
نیاز دارد.
AI و Software Interface
امروز User برای انجام کار باید Interface را یاد بگیرد.
مثلاً:
- Menu
- Button
- Form
- Filter
- Dashboard
در آینده بخشی از Interaction می‌تواند Intent-based شود.
User می‌گوید:
فروش سه ماه اخیر را با سال قبل مقایسه کن.
AI خودش:
- Database Query
- Chart
- Analysis
- Summary
را انجام می‌دهد.
آیا UI از بین می‌رود؟
احتمالاً نه.
برای خیلی از کارها UI سریع‌تر و دقیق‌تر است.
مثلاً:
- انتخاب رنگ
- ویرایش Timeline
- کار با Spreadsheet
- طراحی Layout
آینده احتمالاً ترکیبی از:
- GUI
- +
- Natural Language
- +
- Automation
خواهد بود.
AI Native Software چیست؟
در گذشته AI معمولاً یک Feature به Product اضافه می‌شد.
- Existing Product
- +
- AI Button
اما AI-native Software از ابتدا با این فرض طراحی می‌شود که Model بخشی از معماری است.
مثلاً:
این موضوع می‌تواند طراحی Applicationها را تغییر دهد.
سیستم‌های Predictable مهم‌تر می‌شوند
هرچه AI مسئولیت بیشتری بگیرد، Reliability مهم‌تر می‌شود.
اگر AI فقط شعر تولید کند، خطا معمولاً مشکل بزرگی نیست.
اما اگر:
- Payment
- Database
- Infrastructure
- Business Process
را کنترل کند، خطا هزینه واقعی دارد.
بنابراین آینده AI فقط درباره مدل‌های باهوش‌تر نیست.
درباره سیستم‌های قابل اعتمادتر نیز هست.
Validation
Output مدل باید Validate شود.
این معماری به بخش استاندارد بسیاری از سیستم‌های AI تبدیل خواهد شد.
Guardrails
Agent نباید بدون محدودیت Action اجرا کند.
هرچه Agentها قدرتمندتر شوند، این لایه مهم‌تر می‌شود.
Evaluation تبدیل به بخش اصلی Engineering می‌شود
در نرم‌افزار سنتی Unit Test داریم.
در سیستم AI علاوه بر Test معمولی به:
- Evaluation Dataset
- Behavior Tests
- RAG Evaluation
- Tool Evaluation
- Agent Evaluation
نیاز داریم.
تغییر Prompt یا Model می‌تواند مثل تغییر Code باعث Regression شود.
AI Engineering به یک تخصص مستقل تبدیل می‌شود
ساخت Application با AI فقط Prompt نوشتن نیست.
مهارت‌هایی مثل:
- LLM Integration
- RAG
- Evaluation
- Agent Design
- Model Routing
- Observability
- Cost Optimization
- Security
اهمیت بیشتری پیدا می‌کنند.
می‌توان این مجموعه مهارت‌ها را بخشی از:
AI Engineering
دانست.
Cost یکی از عوامل معماری خواهد بود
AI Compute رایگان نیست.
هر Architecture باید:
- Token Cost
- GPU Cost
- Latency
- Throughput
را در نظر بگیرد.
بنابراین تیم‌های مهندسی بیشتر با سؤال‌هایی مثل این روبه‌رو خواهند شد:
آیا این Task واقعاً LLM می‌خواهد؟
و جواب خیلی وقت‌ها ممکن است:
نه.
باشد.
این پاسخ برای صنعت نرم‌افزار، با وجود سادگی، پیشرفت بزرگی محسوب می‌شود.
مدل‌های سریع‌تر و ارزان‌تر
یکی از جهت‌های مهم پیشرفت، فقط افزایش Intelligence نیست.
بلکه کاهش:
- Latency
- Memory
- Compute
- Cost
است.
یک مدل کمی ضعیف‌تر ولی:
- 10x cheaper
- 5x faster
ممکن است برای Product بسیار ارزشمندتر باشد.
AI در Backend
در آینده AI احتمالاً بیشتر وارد Backend Architecture می‌شود.
مثلاً:
LLM ممکن است نقش Orchestrator را داشته باشد.
اما Backend همچنان:
- Security
- Authorization
- Validation
- Transaction
- Business Rules
را کنترل خواهد کرد.
AI در سیستم‌های Enterprise
در شرکت‌ها، AI می‌تواند به سیستم‌هایی مثل:
- CRM
- ERP
- Knowledge Base
- Ticketing
- Analytics
- Internal Tools
متصل شود.
کارمند ممکن است به جای باز کردن پنج سیستم بگوید:
- مشتری X چه مشکلات بازی داشته
- و آخرین Invoice او چه وضعیتی دارد؟
Agent اطلاعات را از چند سیستم جمع می‌کند.
AI در Search
Search نیز تغییر خواهد کرد.
روش سنتی:
روش جدیدتر:
ولی Source همچنان مهم خواهد بود.
چون AI باید بتواند نشان دهد اطلاعات از کجا آمده‌اند.
Trust یکی از مسائل اصلی خواهد بود
هرچه AI بیشتر استفاده شود، سؤال مهم‌تر می‌شود:
چرا باید این پاسخ را باور کنم؟
سیستم‌های خوب باید بتوانند:
- Source ارائه کنند
- Uncertainty را نشان دهند
- از پاسخ بدون اطلاعات کافی خودداری کنند
نه اینکه با Confidence کامل هر چیزی را تولید کنند.
Human + AI
آینده لزوماً مسابقه:
Human vs AI
نیست.
در بسیاری از کاربردها معماری مناسب‌تر:
- Human
- +
- AI
است.
AI می‌تواند:
- Search
- Draft
- Analyze
- Automate
کند.
انسان:
- Review
- Decide
- Judge
- Take Responsibility
را انجام دهد.
Human-in-the-loop
در Taskهای حساس:
احتمالاً همچنان معماری مهمی باقی خواهد ماند.
Automation کامل همیشه هدف مناسب نیست.
AGI چطور؟
اصطلاح Artificial General Intelligence یا AGI معمولاً برای سیستم‌هایی استفاده می‌شود که توانایی‌های عمومی و گسترده‌ای در انجام وظایف شناختی دارند.
اما زمان‌بندی یا شکل دقیق رسیدن به چنین سیستم‌هایی مشخص نیست.
پیش‌بینی‌های بسیار متفاوتی در این زمینه وجود دارد.
از نگاه مهندسی، تصمیم منطقی‌تر این است که Architecture را براساس قابلیت‌هایی که واقعاً امروز قابل اندازه‌گیری هستند بسازیم.
نه براساس قابلیت‌هایی که شاید روزی وجود داشته باشند.
بزرگ‌ترین Model همیشه برنده نیست
آینده احتمالاً متعلق به یک Model واحد نیست.
ممکن است یک Application از چند Model استفاده کند:
- Embedding Model
- Vision Model
- Speech Model
- Small LLM
- Large LLM
- Reranker
هرکدام برای Task خاص.
AI Stack آینده
یک AI Application آینده ممکن است چنین Architectureای داشته باشد:
User
↓
Multimodal Interface
↓
AI Router
↓
┌────────────────────────────┐
│ │
Local Model │
Cloud Model │
RAG │
Database │
Tools │
Agents │
│ │
└──────────────┬─────────────┘
↓
Validation
↓
Guardrails
↓
Responseاین دیگر فقط:
LLM API Call
نیست.
یک Software System کامل است.
چه مهارت‌هایی در آینده مهم‌تر می‌شوند؟
برای Developerها، فقط یادگیری یک Framework خاص کافی نیست.
مفاهیم بنیادی‌تر اهمیت بیشتری دارند:
- Software Architecture
- APIs
- Databases
- Distributed Systems
- Security
- Testing
- AI Engineering
- Data
چون AI به این سیستم‌ها متصل می‌شود.
کسی که Backend را نمی‌فهمد، با اضافه کردن Agent ناگهان Backend Engineer نمی‌شود. فقط Bugها خلاق‌تر می‌شوند.
Prompt Engineering از بین می‌رود؟
احتمالاً شکل آن تغییر می‌کند.
امروز بخشی از کار:
Prompt Writing
است.
اما سیستم‌های آینده بیشتر از:
- Structured Context
- Tools
- Schemas
- Memory
- RAG
- Evaluation
استفاده خواهند کرد.
یعنی Prompt همچنان مهم است، اما فقط یکی از اجزای سیستم خواهد بود.
از Prompt Engineering به Context Engineering
یکی از تغییرهای مهم نگاه معماری این است که سؤال فقط این نیست:
چه Promptی بنویسم؟
بلکه:
چه اطلاعاتی، در چه زمانی و با چه ساختاری باید در اختیار Model قرار بگیرد؟
این می‌تواند شامل:
- System Instructions
- User Context
- Retrieved Documents
- Tool Results
- Memory
- Permissions
باشد.
آینده RAG
RAG احتمالاً از Vector Search ساده فراتر می‌رود.
سیستم‌ها می‌توانند ترکیبی از:
- Vector Search
- Keyword Search
- Graph Search
- SQL
- APIs
- Reranking
- Agents
استفاده کنند.
هدف فقط پیدا کردن نزدیک‌ترین Chunk نیست.
هدف پیدا کردن بهترین Context برای Task است.
آینده Agentها
Agentهای آینده احتمالاً:
- Toolهای بیشتر
- Memory بهتر
- Planning بهتر
- Evaluation بهتر
خواهند داشت.
اما مهم‌تر از آن، محدودیت‌های بهتری خواهند داشت.
Agent قدرتمند بدون Guardrail شبیه دادن دسترسی Production به Intern در اولین روز کاری است. شاید همه چیز خوب پیش برود. این «شاید» معمولاً برای تیم Security جذاب نیست.
آینده Local AI
Modelهای کوچک‌تر و Runtimeهای بهینه‌تر باعث می‌شوند AI روی Deviceهای بیشتری اجرا شود.
احتمالاً بیشتر شاهد:
- AI on Laptop
- AI on Phone
- AI on Edge Devices
- AI inside Applications
خواهیم بود.
Cloud همچنان باقی می‌ماند.
اما همه Requestها الزاماً به Cloud نمی‌روند.
آینده احتمالاً Hybrid است
اگر بخواهیم تمام مقاله را در یک معماری خلاصه کنیم:
این مسیر از یک Chatbot ساده بسیار فاصله دارد.
جمع‌بندی
آینده هوش مصنوعی احتمالاً فقط درباره Modelهای بزرگ‌تر نیست.
جهت مهم‌تر، تبدیل Model به بخشی از سیستم‌های واقعی است.
از:
Chatbot
به:
AI Assistant
و بعد:
AI Agent
و در نهایت:
AI-native Software
حرکت می‌کنیم.
در این مسیر مفاهیمی که در این مجموعه بررسی کردیم کنار هم قرار می‌گیرند:
- LLM
- Prompt Engineering
- Embeddings
- Vector Database
- RAG
- Fine-tuning
- Grounding
- Function Calling
- AI Agents
- Validation
- Production Engineering
- Local AI
هرکدام بخشی از یک Stack بزرگ‌تر هستند.
احتمالاً آینده متعلق به یک Model واحد یا یک تکنولوژی خاص نیست.
بلکه متعلق به سیستم‌هایی است که بتوانند:
- Model مناسب را انتخاب کنند
- به Data درست دسترسی داشته باشند
- از Tool مناسب استفاده کنند
- Action را کنترل کنند
- خروجی را Validate کنند
- و برای User ارزش واقعی ایجاد کنند
مهم‌ترین تغییر شاید این باشد:
AI از یک ابزار جداگانه به بخشی عادی از Software Engineering تبدیل می‌شود.
همان‌طور که امروز هیچ‌کس برای استفاده از Database در Application تیتر نمی‌زند:
این نرم‌افزار با Database ساخته شده!
ممکن است چند سال دیگر وجود AI در بسیاری از محصولات نیز آن‌قدر عادی شود که دیگر Feature محسوب نشود.
آن زمان سؤال مهم دیگر این نخواهد بود:
آیا از AI استفاده می‌کنیم؟
بلکه:
آیا از AI در جای درست، با معماری درست و برای حل مسئله‌ای واقعی استفاده می‌کنیم؟
و احتمالاً همین سؤال، از هر پیش‌بینی درباره تعداد Parameterهای مدل بعدی مهم‌تر است.