کالبدشکافی «تفکر گسترده» در هوش مصنوعی: مدل‌های جدید گوگل چگونه حین صحبت کردن فکر می‌کنند؟

در ۱۵ سپتامبر ۲۰۲۶، گوگل با انتشار دو مدل جدید «جمنای ۳.۸ لایو» (Gemini 3.8 Live) و نسخه پیچیده‌تر آن یعنی «تفکر گسترده» (Extended Thinking)، ریتم بنیادین هوش مصنوعی صوتی را تغییر داد. سال‌هاست که استاندارد تعامل با دستیارهای صوتی، شامل یک درخواست و به دنبال آن یک تأخیر پردازشی بی‌صدا و مبهم بوده است. اکنون، مدل تفکر گسترده این سکوت را با روایت زنده جایگزین کرده و در حالی که وظایف پس‌زمینه را اجرا می‌کند، همزمان فکر کرده و صحبت می‌کند.[1][6]

این تغییر بیش از آنکه به معنای دستیابی هوش مصنوعی به «آگاهی» انسان‌گونه باشد، یک بازطراحی هوشمندانه در معماری سیستم است. بر اساس مستندات فنی گوگل، این مدل از فراخوانی توابع به صورت ناهمگام (Asynchronous function calling) استفاده می‌کند. این بدان معناست که در حالی که سیستم در حال دریافت داده‌ها از طریق یک رابط برنامه‌نویسی (API) یا جستجو در یک سند است، به طور پیوسته صدای خروجی را برای کاربر استریم می‌کند.[2][7]

در عمل، این قابلیت خود را به شکل نشانه‌های کلامی زودهنگام نشان می‌دهد. به جای اینکه سیستم هنگام هماهنگ کردن یک رزرو چندمرحله‌ای رستوران یا تحلیل یک کد برنامه‌نویسی متوقف شود، با عباراتی مانند «اجازه بدهید سریع آن را بررسی کنم...» مکالمه را قطع می‌کند یا به‌روزرسانی‌های مرحله‌به‌مرحله ارائه می‌دهد. این مدل می‌تواند یک پنجره زمینه ۱۲۸ هزار توکنی را پردازش کند و همزمان از ۹۷ زبان مختلف پشتیبانی کند، در حالی که جریان طبیعی مکالمه را حفظ می‌کند.[2][4]

معیارهای عملکردی نشان‌دهنده سیستمی هستند که برای جریان‌های کاری پیچیده بهینه‌سازی شده است، نه فقط گپ زدن‌های روزمره. گوگل گزارش داده است که مدل تفکر گسترده در شاخص کیفیت گفتار به گفتار موسسه Artificial Analysis امتیاز ۸۲.۶ را کسب کرده و در رتبه اول قرار گرفته است. این مدل همچنین در بنچمارک تکمیل وظایف عاملی (τ-Voice) به نرخ موفقیت ۶۸.۶ درصد دست یافته است که نشان می‌دهد این سیستم واقعاً می‌تواند وظایف را اجرا کند، نه اینکه فقط درباره آن‌ها حرف بزند.[2][5]

با این حال، با نگاهی شکاکانه باید محصول نهایی را از هیاهوی تبلیغاتی جدا کرد. در حالی که این مدل امروز برای توسعه‌دهندگان از طریق Gemini Live API و Google AI Studio با قیمت ۰.۰۰۵ دلار در دقیقه برای ورودی صوتی و ۰.۰۱۸ دلار برای خروجی در دسترس است، عرضه عمومی آن مرحله‌ای است. این سیستم در حال حاضر برای مشتریان سازمانی در حالت پیش‌نمایش خصوصی قرار دارد و به برنامه‌های Workspace مانند Docs و Gmail اضافه می‌شود، اما قرار نیست یک‌شبه جایگزین دستیار ساده روی تمام گوشی‌های اندرویدی شود.[2][3]

برای توسعه‌دهندگان، این موضوع یک پارادایم جدید در طراحی اپلیکیشن معرفی می‌کند. نشریه TechRepublic اشاره می‌کند که راهنمای API گوگل صراحتاً به برنامه‌نویسان هشدار می‌دهد که فرض نکنند فقط به این دلیل که هوش مصنوعی صحبتش را متوقف کرده، وظیفه‌اش تمام شده است. وضعیت تعامل سیستم حتی اگر مدل روایت خود را متوقف کند، در حالت «IN_PROGRESS» باقی می‌ماند که اساساً نحوه گوش دادن نرم‌افزارها به این عامل‌های هوشمند را تغییر می‌دهد.[7]

در نهایت، این شفافیت درنگ‌هنگام (Real-time) به عنوان یک مکانیسم جدید برای تشخیص خطا عمل می‌کند. با افشای زنجیره استنتاج از طریق صدای زنده، مدل به کاربران اجازه می‌دهد تا به ناظرانی فعال تبدیل شوند. اگر هوش مصنوعی شروع به تفسیر اشتباه یک درخواست کند یا از مسیر خارج شود، کاربر شکل‌گیری اشتباه را می‌شنود و می‌تواند فوراً برای اصلاح آن مداخله کند، به جای اینکه منتظر یک خروجی نهایی معیوب بماند.[2]

برای جلوگیری از سوءاستفاده در دورانی که صدای تولیدشده توسط ماشین از گفتار انسان غیرقابل تشخیص است، هر خروجی صوتی این مدل‌ها با واترمارک SynthID گوگل نشانه‌گذاری می‌شود. در شرایطی که صنعت فناوری به سمت هوش مصنوعی عاملی حرکت می‌کند که به نمایندگی از ما اقداماتی انجام می‌دهد، توانایی شنیدن «فکر کردن» ماشین ممکن است کاربردی‌ترین ابزار شفافیتی باشد که در اختیار داریم.[1][3]