رفتن به محتوای اصلی
کارگزاران دسکتاپمک‌او‌اس· 6 دقیقه مطالعه· در فناوری

گوگل جمنای را به قابلیت کنترل بین‌برنامه‌ای در مک‌او‌اس مجهز کرد

گوگل نسخه دسکتاپ برنامه جمنای را در سیستم‌عامل مک‌او‌اس به‌روزرسانی کرده تا بتواند محیط نمایشگر را به‌صورت بصری پیمایش کند؛ قابلیتی که به این هوش مصنوعی امکان می‌دهد کلیک کند، تایپ کند و داده‌ها را میان نرم‌افزارهای مختلف جابه‌جا سازد. این نسخه قابلیت کاربری خودکار رایانه را بدون نیاز به رابط‌های برنامه‌نویسی مرسوم مستقیماً در اختیار کاربران عادی می‌گذارد.

به قلم کاوه کردی

این خبر را به اشتراک بگذارید

گوش‌ دهید

زمانی که شرکت آنتروپیک در اکتبر ۲۰۲۶ قابلیت «استفاده از رایانه» را برای مدل‌های کلود معرفی کرد، این سازوکار کاملاً محدود به محیط رابط برنامه‌نویسی توسعه‌دهندگان (API) باقی ماند. اکنون گوگل این حصار را برداشته و کنترل بین‌برنامه‌ای محیط دسکتاپ را مستقیماً از طریق برنامه جمنای در سیستم‌عامل مک به دست کاربران عادی رسانده است.[1]

این به‌روزرسانی که روز پنج‌شنبه اعلام شد، جمنای را از یک ربات چت متنی منفعل به نشانگری فعال تبدیل می‌کند. کاربران با اعطای دسترسی‌های سطح سامانه بخش «دسترسی‌پذیری» (Accessibility)، می‌توانند از هوش مصنوعی بخواهند نرم‌افزارها را باز کند، داده‌ها را بیرون بکشد و گردش‌های کاری چندمرحله‌ای را در سراسر محیط مک‌او‌اس اجرا نماید.[2][3]

بخش بازاریابی گوگل این ویژگی را یک «کارگزار هوش مصنوعی شخصی» توصیف می‌کند که می‌تواند امور اداری پیچیده را به دوش بکشد. با این حال، آنچه در عمل پیاده شده بیشتر شبیه یک ضبط‌کننده ماکرو با انعطاف بالا و پشتیبانی از زبان طبیعی است که برای ثبت تکراری داده‌ها و مدیریت فایل‌ها کاربرد دارد.[1]

گوگل در بیانیه رسمی خود اعلام کرد: «ما از مدل‌هایی که صرفاً به پرسش‌ها پاسخ می‌دهند، به سمت سامانه‌هایی حرکت می‌کنیم که می‌توانند از طرف شما اقدامات معنادار انجام دهند.» با این وجود، این شرکت تأکید کرده که ابزار مذکور فعلاً برای کارهای روزمره، ساختاریافته و قابل‌پیش‌بینی بهینه‌سازی شده، نه برای تصمیم‌گیری‌های کاملاً خودکار.[1]

این قابلیت در طول هفته جاری در دسترس مشترکان جمنای ادونسد با آبونمان ماهانه ۲۰ دلار قرار می‌گیرد. اجرای آن نیازمند مک‌او‌اس ۱۴ سونوما یا بالاتر است و از همان قابلیت‌های بینایی چندوجهی زیربنایی بهره می‌برد که مدل پرچمدار جمنای ۱.۵ پرو را قدرت می‌بخشند.[3][4]

پیمایش محیط کاربری بر پایه تصویر

برخلاف یکپارچه‌سازی‌های سنتی نرم‌افزاری که بر رابط‌های برنامه‌نویسی پنهان تکیه دارند، نحوه کارکرد جمنای مبتنی بر بینایی است؛ یعنی پیکسل‌های روی نمایشگر را می‌بیند، دکمه‌ها را تشخیص می‌دهد و مختصات لازم برای حرکت ماوس و کلیک کردن را محاسبه می‌کند.

این رویکرد بصری به هوش مصنوعی امکان می‌دهد با نرم‌افزارهای قدیمی و برنامه‌های تحت وب که فاقد رابط اختصاصی هستند تعامل داشته باشد. از نظر تئوری، اگر کاربر بتواند فیلد متنی یا دکمه ارسالی را روی مانیتور ببیند، جمنای هم قادر به تعامل با آن خواهد بود.[2]

برخلاف روش‌های متداول اتصال نرم‌افزارها، جمنای برای پیمایش محیط از نقشه‌برداری مختصات بصری بهره می‌گیرد.

نشریه ورج اشاره می‌کند که این شیوه در مقایسه با فراخوانی مستقیم API به طور ذاتی آسیب‌پذیر است؛ چراکه تغییری کوچک در چیدمان یک وب‌سایت، باز شدن پنجره‌ای ناگهانی یا تأخیر در بارگذاری نرم‌افزار می‌تواند زنجیره عملیات هوش مصنوعی را به هم بریزد.

گوگل برای کاهش این خطاها، پروتکل سفت‌وسختی تحت عنوان «حضور انسان در حلقه تصمیم‌گیری» تعبیه کرده است؛ به این صورت که جمنای پیش از انجام اقدامات غیرقابل‌بازگشت مانند حذف فایل‌ها، ارسال ایمیل یا نهایی‌کردن تراکنش‌های مالی، متوقف شده و از کاربر تأییدیه می‌خواهد.[1][3]

یکی از مدیران محصول گوگل در مصاحبه با تک‌کرانچ توضیح داد: «سامانه به شکلی طراحی شده که دستیار کمکی باشد، نه هدایت‌کننده خودکار.» کاربران در هر لحظه می‌توانند صرفاً با حرکت دادن ماوس فیزیکی یا فشردن کلید Escape، کارگزار را متوقف کنند.[2]

آزمایش‌های اولیه نشان می‌دهد این ابزار در کارهای مشخص و ساختاریافته عملکرد بسیار خوبی دارد؛ برای نمونه، انتقال ۵۰ ردیف اطلاعات مشتری از فاکتور PDF به یک برگه اکسل اختصاصی که شاید ۲۰ دقیقه از انسان وقت بگیرد، توسط جمنای در کمتر از ۴۵ ثانیه انجام می‌شود.

رقابت با اپل در زمین اختصاصی خودش

عرضه این قابلیت در مک‌او‌اس به‌جای پلتفرم کروم‌او‌اس خود گوگل یا سیستم‌عامل فراگیر ویندوز، یک مانور راهبردی حساب‌شده است؛ گوگل مستقیماً پایگاه کاربران حرفه‌ای و پردرآمد اپل را هدف قرار داده است.[4]

اپل بخش اعظم سال ۲۰۲۶ را صرف استقرار تدریجی بسته ابزارهای هوش مصنوعی اختصاصی خود (Apple Intelligence) کرده است. با وجود وعده ادغام عمیق و بین‌برنامه‌ای سیری بر پایه زمینه شخصی، این قابلیت‌های پیشرفته هنوز در مرحله بتای توسعه‌دهندگان باقی مانده‌اند.[4]

تحلیل‌گران بلومبرگ می‌گویند گوگل از همین تعلل بهره‌برداری کرده است. هدف گوگل این است که با ارائه یک کارگزار بین‌برنامه‌ای کاربردی در زمان فعلی، پیش از آنکه جایگزین بومی اپل کاملاً تثبیت شود، جمنای را به دستیار پیش‌فرض کاربران مک در فرایندهای کاری روزمره تبدیل کند.[4]

گوگل زمان‌بندی عرضه عمومی را جلو انداخته تا پیش از تکامل ابزارهای بومی اپل، جای پای جمنای را در مک‌او‌اس محکم کند.

نشریه وایرد در تحلیل خود می‌نویسد: «گوگل عملاً در حال ساختن یک سیستم‌عامل روی سیستم‌عامل اپل است.» از آنجا که جمنای به‌جای دسترسی عمیق به هسته سیستم (کرنل)، از دسترسی‌های استاندارد معلولان و ابزارهای کمکی استفاده می‌کند، اپل نمی‌تواند بدون مختل کردن دسترسی کاربران توانیاب، جلوی فعالیت آن را بگیرد.

این موضوع تنشی کم‌سابقه ایجاد کرده است؛ در حالی که اپل قوانین سخت‌گیرانه‌ای برای ایزوله‌سازی برنامه‌ها اعمال می‌کند تا از پایش نامحسوس فعالیت‌ها جلوگیری شود، ارزش کلیدی جمنای دقیقاً به همین دید سراسری و بدون محدودیت بر تمام برنامه‌ها وابسته است.

موازنه‌های امنیتی و حریم خصوصی

دادن توانایی خواندن نمایشگر و کنترل ورودی‌ها به یک هوش مصنوعی متصل به ابر، پیامدهای امنیتی بی‌سابقه‌ای به دنبال دارد. پژوهشگران امنیت سایبری پیش‌تر درباره خطرات حملات تزریق دستور (Prompt Injection) هشدار داده‌اند.[2]

اگر به جمنای دستور داده شود صفحه وبی آلوده را خلاصه کند، متن مخفی درون آن صفحه می‌تواند دستورات کارگزار را برباید؛ در این صورت مهاجم می‌تواند هوش مصنوعی را وادار به باز کردن نرم‌افزار مدیریت گذرواژه یا ارسال مدارک محرمانه دستگاه کند.

گوگل ادعا می‌کند سازوکارهای دفاعی قدرتمندی در برابر این تهدیدها ایجاد کرده است. برنامه جمنای در مک محتوای نمایشگر را تا حد امکان به‌صورت محلی پردازش می‌کند و مدل‌های بینایی ابری به گونه‌ای آموزش دیده‌اند که از دستورات جاسازی‌شده درون محتوای متفرقه چشم‌پوشی نمایند.[1][3]

علاوه بر این، برنامه برای ضبط نمایشگر نیازمند کسب اجازه صریح در هر نشست است. نشانگری ثابت در نوار منوی بالای صفحه هنگام پایش مانیتور یا اجرای ماکروها به رنگ بنفش می‌درخشد تا اطمینان حاصل شود که هیچ نظارتی به‌شکل مخفیانه رخ نمی‌دهد.[3]

با وجود این تضمین‌ها، احتمالاً پذیرش این ابزار در محیط‌های سازمانی با مقاومت روبه‌رو خواهد شد؛ بخش‌های فناوری اطلاعات که یک دهه گذشته را صرف بستن دسترسی‌ها کرده‌اند، تمایلی به استفاده از نرم‌افزاری ندارند که مثل یک کاربر ناشناس با سطح دسترسی بسیار بالا عمل می‌کند.[4]

طرح گرافیکی: نشانگر ویژه در نوار منو هنگام ضبط صفحه یا اجرای دستورات توسط جمنای کاربر را مطلع می‌سازد.

جهش صنعت به سوی کارگزاران خودکار

به‌روزرسانی جمنای برای مک بخشی از چرخش کلی صنعت فناوری از ربات‌های چت به سمت کارگزاران خودمختار است. رقابت دیگر بر سر تولید متن نیست، بلکه بر سر برون‌سپاری اقدامات دیجیتال است.

در همین هفته، اوپن‌ای‌آی نیز آزمایش کارگزاران پیش‌دستانه خود موسوم به داتس را برای مشترکان سرویس ۲۰ دلاری پلاس آغاز کرد. مایکروسافت هم به ادغام عمیق‌تر کوپایلوت در معماری ویندوز ۱۱ ادامه می‌دهد تا کنترل مشابهی بر برنامه‌ها ایجاد کند.[4]

چالش فنی مشترک این شرکت‌ها، پایایی و قابلیت اعتماد است. هوش مصنوعی اگر شعری نه‌چندان خوب بنویسد صرفاً مایه شگفتی است، اما اگر به دلیل اشتباه در خواندن مختصات یک پیکسل پوشه‌ای حیاتی را حذف کند، خسارتی غیرقابل‌جبران به بار می‌آورد.

تصمیم گوگل برای عرضه زودهنگام این ابزار نشان می‌دهد این شرکت به درک فضایی مدل‌های بینایی خود مطمئن است؛ سامانه‌ای که اکنون می‌تواند تفاوت میان یک دکمه واقعی ارسال و یک عنصر گرافیکی هم‌رنگ را تشخیص دهد.[2]

موفقیت کار با رایانه توسط جمنای مستقیماً به شکیبایی کاربران اولیه وابسته است؛ کاربرانی که باید کلیک‌های اشتباه و خطاهای گاه‌وبیگاه نرم‌افزار را در هزاران محیط دسکتاپ متفاوت تحمل کنند و هم‌زمان معیاری برای سنجش ابزارهای آینده اپل بسازند.

حامیان مصرف‌کنندگان 40%متخصصان امنیت سازمانی 30%تحلیل‌گران بازار فناوری 30%
حامیان مصرف‌کنندگان
این ابزار را جهشی چشمگیر در بهره‌وری و ابزاری برای تسهیل خودکارسازی نرم‌افزارهای پیچیده برای کاربران غیربرنامه‌نویس می‌دانند.
متخصصان امنیت سازمانی
هشدار می‌دهند که اعطای دسترسی‌های سطح بالای سیستمی به یک مدل زبانی، بستر آسیب‌پذیری غیرقابل‌کنترلی در برابر حملات تزریق دستور ایجاد می‌کند.
تحلیل‌گران بازار فناوری
عرضه این قابلیت را اقدامی راهبردی از سوی گوگل برای پیش‌دستی بر راهکارهای بومی اپل روی دستگاه‌های مک تلقی می‌کنند.

دیدگاه‌هایی که این گزارش پوشش نداده

  • مهندسان نرم‌افزار شرکت اپل
  • توسعه‌دهندگان ابزارهای دسترسی‌پذیری و معلولان

منابع

پوشش منابع

4 منبع

3 دیدگاه شناسایی‌شده

حامیان مصرف‌کنندگان 40%متخصصان امنیت سازمانی 30%تحلیل‌گران بازار فناوری 30%
  1. [1]Googleحامیان مصرف‌کنندگان

    Let Gemini tackle repetitive chores on your Mac

    مطالعه در Google →
  2. [2]TechCrunchحامیان مصرف‌کنندگان

    Google gives Gemini the ability to use your Mac for you

    مطالعه در TechCrunch →
  3. [3]9to5Googleتحلیل‌گران بازار فناوری

    Gemini app for Mac adds computer use to control desktop apps

    مطالعه در 9to5Google →
  4. [4]Bloombergمتخصصان امنیت سازمانی

    Google Pushes AI Agents to Apple Users With Mac Desktop Integration

    مطالعه در Bloomberg →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار فناوری با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.