فراتر از خبر،نزدیک‌تر به حقیقت
قیمت‌ها
گوگل کنترل برنامه‌های مک را به Gemini سپرد؛ عامل هوشمند کارهای چندمرحله‌ای را انجام می‌دهد
هوش مصنوعی

گوگل کنترل برنامه‌های مک را به Gemini سپرد؛ عامل هوشمند کارهای چندمرحله‌ای را انجام می‌دهد

گوگل قابلیت Computer use را به برنامه Gemini برای مک اضافه کرد؛ عاملی که با مجوز کاربر در برنامه‌های دسکتاپ کلیک و تایپ می‌کند. عرضه فعلاً محدود به آمریکا و کاربران واجد شرایط است.

آیدین انصاری ۵ دقیقه مطالعه ۲۰ نوامبر ۲۰۲۶

تکنونما | هوش مصنوعی و رایانه | ۲۰ نوامبر ۲۰۲۶

گوگل روز ۱۹ نوامبر ۲۰۲۶ قابلیت تازه‌ای را برای برنامه Gemini در رایانه‌های مک معرفی کرد که به هوش مصنوعی امکان می‌دهد بخشی از کارهای تکراری کاربر را در محیط دسکتاپ انجام دهد. ویژگی جدید که Computer use نام دارد می‌تواند بر اساس دستور کاربر در برنامه‌ها و وب‌سایت‌ها جابه‌جا شود، روی گزینه‌ها کلیک کند، اطلاعات وارد کند و چند مرحله یک فرایند را دنبال کند. این قابلیت فعلاً به‌صورت محدود برای برخی کاربران واجد شرایط در آمریکا عرضه می‌شود.

تفاوت این ویژگی با چت‌بات معمولی

دستیارهای مکالمه‌ای معمولاً درباره یک کار توضیح می‌دهند یا متن پیشنهادی تولید می‌کنند. عامل دارای قابلیت استفاده از رایانه یک قدم جلوتر می‌رود: به‌جای ارائه فهرست راهنما، می‌تواند روی رابط واقعی نرم‌افزار کار کند. برای مثال کاربر می‌تواند بخواهد اطلاعات چند فایل را استخراج و در فرم‌های جداگانه ثبت کند. انجام چنین کاری مستلزم تشخیص پنجره‌ها، خواندن محتوا، انتخاب فیلد مناسب و اجرای مرحله‌به‌مرحله است.

گوگل چه کاربردهایی را معرفی کرده است؟

این شرکت نمونه‌هایی مانند تنظیم رنگ مجموعه‌ای از عکس‌ها، استخراج وزن و ابعاد از فایل‌های PDF برای تکمیل فرم‌های حمل کالا، آماده‌سازی ارائه از داده‌های چند منبع و ثبت گروهی اقلام فروش را مطرح کرده است. این موارد مثال‌های معرفی محصول هستند و لزوماً نشان نمی‌دهند سامانه در همه نرم‌افزارها و شرایط با دقت یکسان کار می‌کند. موفقیت واقعی هر فرایند به ساختار برنامه، دسترسی‌های داده‌شده و پیچیدگی تعامل بستگی دارد.

کار در پنجره جداگانه

برخلاف ابزارهایی که کنترل نشانگر اصلی کاربر را در دست می‌گیرند، گوگل می‌گوید عملیات Gemini در پنجره‌ای جداگانه و ایزوله در پس‌زمینه اجرا می‌شود. کاربر می‌تواند هم‌زمان در محیط اصلی مک به کار خود ادامه دهد و پیش‌نمایش اجرای مراحل را در رابط گفت‌وگو مشاهده کند. امکان توقف عملیات نیز در دسترس است. این معماری برای کاهش اختلال در کار جاری طراحی شده، اما همه ریسک‌های دسترسی نرم‌افزار به برنامه‌های دیگر را از بین نمی‌برد.

اجازه‌های دسترسی و تأیید کاربر

بر اساس اطلاعیه رسمی گوگل، کاربر تعیین می‌کند Gemini به کدام برنامه‌ها دسترسی داشته باشد و می‌تواند پیش از اقدام‌های حساس از آن تأیید بخواهد. کنترل مجوزها از الزامات اصلی هر عامل رایانه‌ای است؛ زیرا مدل ممکن است با اطلاعات خصوصی، پرونده‌های سازمانی یا فرم‌های مرتبط با حساب‌های مالی روبه‌رو شود. داشتن قابلیت مشاهده صفحه نباید با مجوز نامحدود برای تغییر داده یا ارسال پیام اشتباه گرفته شود.

چه کسانی فعلاً به این قابلیت دسترسی دارند؟

گوگل آغاز عرضه را برای کاربران شخصی بالای ۱۸ سال در آمریکا و با زبان انگلیسی اعلام کرده است. دسترسی به اشتراک Google AI Plus، Pro یا Ultra نیاز دارد. رایانه نیز باید از تراشه Apple Silicon و سیستم‌عامل macOS Sequoia نسخه ۱۵ یا جدیدتر استفاده کند. بنابراین کاربران مک اینتل، کاربران خارج از محدوده عرضه یا کسانی که اشتراک واجد شرایط ندارند، ممکن است فعلاً گزینه تازه را نبینند.

چالش اصلی دقت عامل‌های عملیاتی

در اجرای کار چندمرحله‌ای، یک اشتباه کوچک می‌تواند به مراحل بعد منتقل شود. اگر مدل مبلغ یا نام یک مشتری را در فرم اول اشتباه وارد کند، ادامه خودکار فرایند ممکن است همان خطا را تکثیر کند. به همین دلیل نظارت تصویری و تأیید پیش از اقدام حساس، علاوه بر مزیت امنیتی، یک ابزار کنترل کیفیت نیز هستند. معیار مناسب ارزیابی چنین محصولی فقط سرعت اجرا نیست؛ باید تعداد مراحل درست، امکان اصلاح و ثبت قابل‌ردیابی اقدامات را بررسی کرد.

مرز میان کار کم‌خطر و اقدام حساس

تغییر نام چند فایل یا مرتب‌کردن جدول معمولاً ریسک کمتری نسبت به ارسال اطلاعات شخصی، حذف فایل‌های مهم، تأیید پرداخت یا انتشار عمومی محتوا دارد. برای کاربردهای حساس، دسترسی محدود، نسخه پشتیبان و بازبینی نتیجه ضروری است. حتی اگر سامانه بتواند کلیک و تایپ را تقلید کند، این توانایی به معنای فهم کامل پیامد حقوقی یا مالی اقدام‌ها نیست. مسئولیت نهایی کارهای مجازشده همچنان نیازمند نظارت کاربر یا سازمان است.

چرا عرضه در مک اهمیت دارد؟

رایانه‌های شخصی محل اجرای انبوهی از وظایف غیرساخت‌یافته هستند که API یا اتصال استاندارد به یکدیگر ندارند. اگر عامل هوشمند بتواند از رابط گرافیکی آن‌ها استفاده کند، نیاز به ساخت یک اتصال اختصاصی برای هر کار کاهش می‌یابد. با این حال رابط‌های گرافیکی تغییر می‌کنند و ممکن است دکمه‌ها، پیام‌های خطا و پنجره‌های ناگهانی روند خودکار را مختل کنند. پایداری استفاده روزمره باید در عمل و در طیف متنوعی از برنامه‌ها سنجیده شود.

رقابت تازه میان سازندگان مدل

گوگل با ورود Computer use به برنامه مک می‌خواهد فاصله میان پاسخ‌گویی هوشمند و اجرای واقعی کار را کمتر کند. شرکت‌های دیگر نیز ابزارهای عامل‌محور ارائه داده‌اند یا در حال توسعه آن‌ها هستند. نقطه تمایز احتمالی محصولات تنها کیفیت مدل زبانی نخواهد بود؛ قابلیت اتصال به برنامه‌ها، امنیت مجوزها، قابلیت توقف، تشخیص خطا و قیمت خدمات هم در انتخاب کاربران نقش دارند.

چه محدودیت‌هایی باقی مانده است؟

گوگل زمان دقیق عرضه برای کاربران اروپا و زبان‌های دیگر را مشخص نکرده است. همچنین در اطلاعیه اولیه، داده‌های مستقل درباره نرخ موفقیت روی مجموعه‌ای نماینده از نرم‌افزارهای مک و وظایف واقعی منتشر نشده است. وعده انجام کار در پس‌زمینه نباید به‌عنوان تضمین موفقیت بدون نظارت یا دسترسی بی‌قیدوشرط به هر برنامه تعبیر شود. آزمون‌های عملی و تجربه کاربران پس از گسترش عرضه تصویر روشن‌تری فراهم خواهد کرد.

جمع‌بندی

Gemini برای مک از یک دستیار تولید پاسخ به سمت عاملی حرکت کرده که می‌تواند با پنجره‌ها و برنامه‌های واقعی تعامل کند. این تحول می‌تواند زمان انجام کارهای تکراری را کاهش دهد، اما هم‌زمان مدیریت مجوز و تأیید انسانی را به مسئله‌ای اساسی تبدیل می‌کند. در مرحله اول، عرضه محدود به کاربران واجد شرایط در آمریکاست و نتیجه‌گیری درباره کارایی عمومی آن به داده‌های تجربی بیشتری نیاز دارد.

منابع

هم‌رسانی تلگرام ایکس واتس‌اپ

کنجکاوی‌تان را ادامه دهید

سه مطلب تازه از تکنونما؛ از هوش مصنوعی تا گجت‌هایی که فردا در دست شماست.

همه روایت‌های تکنونما