در حالی که تمرکز صنعت هوش مصنوعی بر روی مدل‌ها و بنچمارک‌هاست، یک تغییر پارادایم عمیق در حال وقوع است: «هارنس» (Harness) یا همان لایه مهندسی پیرامون مدل، به میدان نبرد اصلی تبدیل شده است. ارزش واقعی سیستم‌های هوش مصنوعی نه در خود مدل، بلکه در لایه‌ای است که آن را به یک عامل قابل‌اعتماد، ایمن و کارآمد تبدیل می‌کند. هارنس شامل مجموعه‌ای از ابزارها و فرایندهاست که وظایفی مانند مدیریت حافظه، مسیریابی، ارزیابی و کنترل کیفیت را بر عهده دارد و به عنوان «سیستم‌عامل کوچک» برای کار با هوش مصنوعی عمل می‌کند. این تغییر نگاه، از «مدل‌محوری» به «سیستم‌محوری»، تمام لایه‌های صنعت هوش مصنوعی را تحت تأثیر قرار داده و سوالات جدیدی درباره آینده این صنعت مطرح کرده است.

به گزارش آی سی تی نیوز، در حالی که صنعت هوش مصنوعی سال‌ها بر روی مدل‌ها و بنچمارک‌ها متمرکز بوده است، فرمول جدیدی در میان مهندسان این حوزه رواج یافته: «عامل = مدل + هارنس» (Agent = Model + Harness). بر اساس این فرمول، اگر عامل هوش مصنوعی یک خودرو باشد، مدل «موتور» آن را تشکیل می‌دهد، اما «هارنس» همان «شاسی، چرخ‌ها، داشبورد و سیستم‌های ایمنی» است که موتور را به یک خودروی قابل‌استفاده تبدیل می‌کند.

هارنس چیست و چرا اهمیت دارد؟

هارنس به لایه‌ای از ابزارها و فرایندها گفته می‌شود که پیرامون یک مدل زبانی بزرگ (LLM) قرار می‌گیرد و وظایف حیاتی زیر را بر عهده دارد:

مدیریت حافظه و زمینه (Context): انتخاب و فشرده‌سازی اطلاعات مرتبط (تاریخچه مکالمه، اسناد، قوانین کسب‌وکار) برای قرارگیری در پنجره زمینه مدل.

معماری پرامپت: ساختاردهی و پویاسازی پرامپت‌ها با استفاده از سیستم پرامپت، مثال‌های چند‌شات و دستورالعمل‌های زنجیره‌ای.

مسیریابی و انتخاب مدل: ارسال وظایف پیچیده به مدل‌های بزرگ و وظایف ساده به مدل‌های کوچک‌تر، سریع‌تر و ارزان‌تر.

ارزیابی و کنترل کیفیت: ایجاد سازوکارهای خودکار و انسانی برای سنجش کیفیت خروجی‌ها و جلوگیری از توهم (Hallucination).

هماهنگی گردش‌کار: مدیریت توالی عملیات و یکپارچه‌سازی با سیستم‌های خارجی.

اهمیت هارنس به حدی است که برخی از مهندسان ارشد OpenAI مانند رایان لوپوپولو، پس از پروژه‌ای که در آن با یک تیم کوچک ۵ ماهه و بدون نوشتن حتی یک خط کد، بیش از ۱۰۰ هزار خط کد تولید کردند، به این نتیجه رسیدند که «عامل‌ها سخت نیستند؛ هارنس سخت است»

میدان نبرد جدید: مدل در برابر هارنس

اهمیت روزافزون هارنس، منجر به شکل‌گیری یک «مناظره بزرگ» در جامعه مهندسی هوش مصنوعی شده است: «مدل بزرگ» (Big Model) در برابر «هارنس بزرگ» (Big Harness)

طرفداران «مدل بزرگ» معتقدند که با قدرتمندتر شدن مدل‌ها، نیاز به هارنس‌های پیچیده از بین می‌رود. به عنوان مثال، نوام براون از OpenAI استدلال می‌کند که «مدل‌های استدلال‌کننده، پیچیدگی‌های اضافی را بی‌نیاز می‌کنند». در مقابل، طرفداران «هارنس بزرگ» بر این باورند که هارنس خود محصول است و با بهینه‌سازی آن، می‌توان عملکرد مدل‌ها را به طور چشمگیری بهبود بخشید. جری لیو، بنیان‌گذار LlamaIndex، به صراحت می‌گوید: «چارچوب مدل همه چیز است».

شواهد نشان می‌دهد که هر دو طرف تا حدی درست می‌گویند. از یک سو، مدل‌های جدیدتر به طور فزاینده‌ای قادر به انجام وظایفی هستند که قبلاً نیاز به هارنس‌های پیچیده داشتند. از سوی دیگر، تست‌های عملی نشان داده است که با بهینه‌سازی هارنس، می‌توان عملکرد ۱۵ مدل زبانی مختلف را در یک بعدازظهر به طور قابل‌توجهی بهبود بخشید، بدون اینکه خود مدل‌ها تغییری کنند.

هارنس؛ لایه‌ای استراتژیک برای آینده

هارنس به عنوان یک لایه استراتژیک در صنعت هوش مصنوعی در حال ظهور است، زیرا می‌تواند مزیت رقابتی پایدار ایجاد کند. با کاهش فاصله عملکردی بین مدل‌های برتر، هارنس به عاملی تعیین‌کننده در کارایی، هزینه و قابلیت اعتماد سیستم‌های هوش مصنوعی تبدیل می‌شود. شرکت‌هایی که هارنس خود را در «بسترهای واقعی کسب‌وکار» توسعه می‌دهند، می‌توانند به مزیتی رقابتی دست یابند که رقبا به سختی می‌توانند آن را کپی کنند، زیرا این هارنس‌ها با داده‌ها و بازخوردهای واقعی کاربران تکامل می‌یابند.

تحلیل ICTNews؛ تغییر مسیر هوش مصنوعی

تمرکز صنعت هوش مصنوعی بر روی هارنس، نشان‌دهنده بلوغ این فناوری و تغییر مسیر آن از «تحقیقات بنیادین» به «مهندسی سیستم‌های قابل اعتماد» است. در دنیایی که مدل‌ها به سرعت در حال کالایی شدن هستند، هارنس به «محل زندگی مالکیت فکری واقعی» و «میدان نبرد اصلی» تبدیل خواهد شد. شرکت‌ها و مهندسانی که این تغییر را درک کنند و بر روی توسعه هارنس‌های کارآمد، ایمن و متناسب با نیازهای خاص خود سرمایه‌گذاری کنند، در آینده صنعت هوش مصنوعی پیشتاز خواهند بود.