انتقال مدیریت ایجنت‌های هوش مصنوعی پرپلکسیتی به ویندوز با یکپارچه‌سازی انویدیا RTX

در ۱۴ سپتامبر ۲۰۲۶، پرپلکسیتی (Perplexity) یک به‌روزرسانی نرم‌افزاری را فعال کرد که لایه مدیریت، برنامه‌ریز و مسیریاب ابزارهای ایجنت هوش مصنوعی خود را مستقیماً به کامپیوترهای ویندوزی مجهز به کارت‌های گرافیک انویدیا RTX منتقل می‌کند. انتشار «کامپیوتر پرتابل پرپلکسیتی» (Perplexity Portable Computer) برای ویندوز، نشان‌دهنده یک تغییر ساختاری در نحوه عملکرد هوش مصنوعی مولد است. این سیستم به جای ارسال هر پرامپت و فایل به یک سرور ابری، یک مدل ۲۷ میلیارد پارامتری را به صورت محلی اجرا می‌کند؛ رویکردی که داده‌های حساس را روی دستگاه نگه می‌دارد و برای کارهای روزمره هیچ اعتبار ابری مصرف نمی‌کند.[1][3]

تفاوت بین یک چت‌بات محلی و یک ایجنت محلی در لایه مدیریت یا ارکستراسیون (Orchestration) نهفته است. یک چت‌بات استاندارد صرفاً توکن بعدی را در یک دنباله تولید می‌کند. اما یک ایجنت باید یک درخواست پیچیده را به مراحل قابل مدیریت بشکند، آن مراحل را به ابزارهای مناسب هدایت کند و یک صف وظایف پایدار را تا زمان اتمام کار حفظ کند. همان‌طور که زیما اسپیس (Zima Space) اشاره می‌کند: «بنابراین، تغییر اساسی صرفاً انتقال یک مدل زبانی بزرگ از سرور به دسکتاپ نیست، بلکه لایه مدیریت نیز همراه با آن منتقل شده است.»[4]

هسته اصلی نسخه ویندوز، یک مدل محلی به نام Qwen 3.8 27B است که پرپلکسیتی آن را به‌طور خاص برای کار با چارچوب اختصاصی ایجنت خود آموزش ثانویه (Post-train) داده است. چارچوب‌های عمومی ایجنت‌ها معمولاً فرض می‌کنند که در حال برقراری ارتباط با یک مدل پیشرفته و عظیم هستند که می‌تواند زمینه‌های طولانی را درک کرده و برای افق‌های زمانی بلندمدت برنامه‌ریزی کند. از آنجا که مدل‌های محلی تحت چنین فشارهایی قابلیت اطمینان کمتری دارند، پرپلکسیتی مدل و چارچوب را متناسب با یکدیگر شکل داده و لایه مدیریت را دقیقاً با مشخصات توانمندی این موتور ۲۷ میلیارد پارامتری تنظیم کرده است.[1][5]

وقتی کاربری از کامپیوتر پرتابل می‌خواهد تا پوشه‌ای از گزارش‌ها را بررسی کند، آن‌ها را با یادداشت‌های پروژه تطبیق دهد و یک خلاصه تهیه کند، برنامه‌ریز محلی کار را به عملیات‌های مجزا تقسیم می‌کند. سپس مسیریاب ابزار تصمیم می‌گیرد که آیا یک مرحله به دسترسی به فایل، جستجوی محلی یا اجرای کد نیاز دارد یا خیر. رابط‌های متصل به مایکروسافت اوت‌لوک، وان‌درایو، ورد، گوگل درایو، جیمیل، اسلک و گیت‌هاب به ایجنت اجازه می‌دهند تا بدون آپلود این اسناد در سرورهای شخص ثالث، زمینه (Context) را مستقیماً از گردش‌کار فعلی کاربر استخراج کند.[1][4]

این سیستم با رویکرد «اول-محلی» (Local-first) طراحی شده است، اما کاملاً محدود به پردازش محلی نیست. اگر وظیفه‌ای به اطلاعات به‌روز وب یا توانایی‌های استدلال قوی‌تری نیاز داشته باشد، مدیر محلی می‌تواند آن بخش خاص از گردش‌کار را به یکی از بیش از ۱۵ مدل پیشرفته ابری ارجاع دهد. نکته مهم این است که این ارجاع دارای محدودیت و کنترل است. سیستم پیش از ارسال هرگونه اطلاعات به خارج از دستگاه، صراحتاً از کاربر اجازه می‌گیرد. به گفته بخش تحقیقات پرپلکسیتی: «بنابراین داده‌های حساس هرگز بدون اجازه از دستگاه خارج نمی‌شوند و مدل‌های محلی هیچ هزینه پردازشی ندارند: این سیستم از پایه خصوصی و مقرون‌به‌صرفه ساخته شده است.»[1][3][5]

اجرای این معماری به سخت‌افزار قدرتمندی نیاز دارد. عرضه نسخه ویندوز به پردازنده‌های گرافیکی NVIDIA GeForce RTX و RTX PRO Workstation محدود شده است که حداقل به ۲۴ گیگابایت حافظه ویدیویی (VRAM) مجهز باشند. این آستانه حافظه، سیستم‌های گیمینگ معمولی را از پیکربندی‌های رده‌بالایی که قادر به نگهداری یک مدل ۲۷ میلیارد پارامتری در حافظه هستند (در حالی که فضای کافی برای پنجره زمینه ایجنت و خود سیستم‌عامل باقی می‌گذارند)، متمایز می‌کند.[1]

نسخه ویندوز، دسترسی به پلتفرمی را گسترش می‌دهد که در ابتدا در ۲۵ اوت ۲۰۲۶ منحصراً برای محیط‌های لینوکس روی NVIDIA DGX Spark راه‌اندازی شده بود. سیستم DGX Spark، یک ابرکامپیوتر هوش مصنوعی رومیزی و جمع‌وجور با قیمت ۴۶۹۹ دلار در ایالات متحده، به عنوان بستر آزمایشی معماری کامپیوتر پرتابل عمل کرد. با گسترش پشتیبانی به کامپیوترهای ویندوزی مصرف‌کنندگان، پرپلکسیتی و انویدیا در حال انتقال گردش‌کارهای مبتنی بر ایجنت از آزمایشگاه‌های تخصصی سازمانی به ایستگاه‌های کاری حرفه‌ای استاندارد هستند.[1][3]

پرپلکسیتی تنها توسعه‌دهنده‌ای نیست که ایجنت‌ها را به دسکتاپ می‌آورد. اکوسیستم گسترده‌تر متن‌باز نیز به سرعت از مدیریت محلی استقبال کرده است که پیشگامان آن چارچوب‌هایی مانند OpenClaw و Hermes Agent هستند. انویدیا، مایکروسافت و چندین شریک نرم‌افزاری دیگر فعالانه پشتیبانی از این ابزارها را گسترش داده‌اند و در تلاشند تا پیکربندی دستی را که پیش‌تر برای تطبیق مدل‌های محلی با سرورهای استنتاج لازم بود، کاهش دهند.[2]

چارچوب Hermes Agent که توسط Nous Research توسعه یافته، توجه چشمگیری را به خود جلب کرده و تا اوایل سال ۲۰۲۶ بیش از ۱۴۰ هزار ستاره در گیت‌هاب (GitHub) به دست آورده است. هرمس از طریق مهارت‌های خودتکامل‌یابنده متمایز می‌شود: وقتی ایجنت با یک کار پیچیده مواجه می‌شود یا بازخوردی دریافت می‌کند، آموخته‌های خود را ذخیره می‌کند تا بتواند در طول زمان سازگار شده و بهبود یابد. یک برنامه جدید ویندوزی برای هرمس، راه‌اندازی محلی با یک کلیک را در سیستم‌های RTX ارائه می‌دهد که پردازنده گرافیکی نصب‌شده را شناسایی کرده و مدل را از طریق یک نسخه یکپارچه و بهینه‌شده از llama.cpp اجرا می‌کند.[2][6][7]

چارچوب OpenClaw که قدیمی‌تر و بزرگ‌تر است، دارای ۳۴۶ هزار ستاره گیت‌هاب و کتابخانه‌ای متشکل از ۴۴ هزار مهارت ساخته‌شده توسط جامعه کاربری است. در حالی که هرمس بر خودبهبودی و حافظه پایدار تمرکز دارد، OpenClaw در دسترسی گسترده به کانال‌ها برتری دارد و به بیش از ۵۰ پلتفرم پیام‌رسان و ابزار سازمانی متصل می‌شود. انویدیا یک پشته مرجع سازمانی بر روی این چارچوب ساخته است که NemoClaw نامیده می‌شود و حفاظ‌های امنیتی و حریم خصوصی را برای استقرار در شرکت‌ها به آن اضافه می‌کند.[6][7]

برای مدیریت بار محاسباتی این ایجنت‌ها، انویدیا یک لایه نرم‌افزاری به نام PAIR معرفی کرده است که وظایف استنتاج را در میان چندین کامپیوتر در یک شبکه محلی توزیع می‌کند. اگر یک ایجنت وظیفه‌ای را به کارهای کوچک‌تر تقسیم کند، PAIR می‌تواند به جای انتظار برای پردازش متوالی همه چیز توسط یک پردازنده گرافیکی، آن درخواست‌ها را در میان چندین ماشین بیکار در یک خانه یا دفتر کوچک پخش کند.[2]

امنیت همچنان یک نگرانی اصلی در هنگام اعطای دسترسی به فایل‌سیستم محلی به یک ایجنت خودمختار است. ایجنتی که می‌تواند فایل‌ها را بخواند، کد بنویسد و دستورات را اجرا کند، به مرزهای سخت‌گیرانه‌ای نیاز دارد. برای رفع این مشکل، انویدیا OpenShell را ساخته است؛ یک محیط اجرایی که رفتار ایجنت را در سطح سخت‌افزار کنترل می‌کند. این محیط خروج غیرمجاز شبکه را مسدود می‌کند، نوشتن در فایل‌سیستم را محدود می‌سازد و فراخوانی‌های خطرناک سیستم را در سطح هسته متوقف می‌کند تا اطمینان حاصل شود که یک مهارت مخرب نمی‌تواند ماشین میزبان را به خطر بیندازد.[2]

کاربردهای عملی این معماری امن و اول-محلی از همین حالا در مشاغل مبتنی بر داده در حال ظهور است. در حوزه مالی، یک کاربر می‌تواند کامپیوتر پرتابل را هدایت کند تا خلاصه‌های کارگزاری و فرم‌های مالیاتی دو سال گذشته را برای شناسایی هزینه‌های تکراری تحلیل کند، در حالی که هر عدد به فایل محلی دقیق ارجاع داده می‌شود. در مهندسی نرم‌افزار، ایجنت می‌تواند درخواست‌های ادغام باز را در یک پروژه متصل گیت‌هاب بررسی کند، آن‌ها را بر اساس وضعیت سازماندهی کرده و مستندات قدیمی را برای بازبینی علامت‌گذاری کند.[1]

مدل اقتصادی هوش مصنوعی مولد زمانی که استنتاج به صورت محلی اجرا می‌شود، به طور بنیادی تغییر می‌کند. از آنجا که وظایف محلی اعتبارات ابری را مصرف نمی‌کنند، کاربران می‌توانند ایجنت‌ها را برای گردش‌کارهای پرحجم و تکراری مستقر کنند، بدون اینکه هزینه‌های صورت‌حساب به ازای هر توکن انباشته شود. هزینه اولیه یک پردازنده گرافیکی ۲۴ گیگابایتی جایگزین هزینه عملیاتی متغیر فراخوانی‌های API می‌شود و اتوماسیون مداوم مبتنی بر ایجنت را از نظر مالی پیش‌بینی‌پذیر می‌کند.[3][5]

مرز بین محاسبات محلی و ابری اکنون به جای یک محدودیت سخت، به یک کلید قابل کنترل توسط کاربر تبدیل شده است. در حالی که تولیدکنندگان سخت‌افزار معماری‌های حافظه یکپارچه را به دسکتاپ‌های مصرف‌کنندگان وارد می‌کنند، گلوگاه از پردازنده گرافیکی به خود مدل‌ها منتقل می‌شود. سوال بی‌پاسخ این است که آیا اکوسیستم وزن‌باز می‌تواند استدلال در سطح مدل‌های پیشرفته را در ابعادی فشرده کند که روی یک میز جا شود، یا اینکه وظایف پیچیده همیشه به یک سفر نهایی به فضای ابری نیاز خواهند داشت.