وقتی مدلهای هوش مصنوعی بهجای رقابت، همکاری میکنند
مدلهای هوش مصنوعی حالا به بخشی جداییناپذیر از کار، تصمیمگیری و زندگی روزمره انسانها تبدیل شدهاند. اما گام بعدی این تحول، الزاماً ساخت مدلهای قویتر بهصورت مستقل نیست؛ بلکه همکاری همزمان چند مدل برای رسیدن به پاسخهایی دقیقتر، شفافتر و قابلاعتمادتر است.
به گزارش برندسازی به نقل از ایسنا، در مواجهه با پرسشهای پیچیده، انتخاب میان مدلهایی مانند GPT-۵.۲، Claude Opus ۴.۶ یا Gemini ۳.۰ معمولاً به ترجیح کاربر یا تجربههای قبلی محدود میشود. اما اگر این مدلها بتوانند همزمان تحلیل کنند، دیدگاههای متفاوت ارائه دهند و در کنار یکدیگر به نتیجه برسند، چه اتفاقی میافتد؟
این دقیقاً همان ایدهای است که شرکت Perplexity با معرفی قابلیت Model Council (مدل کانسیل) دنبال میکند؛ قابلیتی که بهجای تکیه بر یک «صدای واحد»، چند ذهن پیشرفته هوش مصنوعی را در قالب یک شورا گرد هم میآورد.
مدل کانسیل چیست؟
Model Council یک ویژگی نوآورانه است که امکان استفاده همزمان از چند مدل پیشرفته هوش مصنوعی را در یک پرسوجو فراهم میکند. بهجای دریافت یک پاسخ واحد، کاربر با مجموعهای از تحلیلها مواجه میشود که نقاط توافق، اختلاف و مزیتهای منحصربهفرد هر مدل را بهوضوح نشان میدهد.
در این رویکرد، خروجی صرفاً پاسخ نهایی نیست؛ بلکه فرآیند فکر کردن هوش مصنوعیها نیز تا حدی برای کاربر قابل مشاهده میشود. این موضوع، یک گام مهم در جهت افزایش شفافیت و کیفیت استفاده از هوش مصنوعی به شمار میآید.
این شورا چگونه کار میکند؟
کاربر بهجای جابهجایی میان پلتفرمهای مختلف، گزینه Model Council را انتخاب میکند و مدلهای موردنظر را (یا ترکیب پیشنهادی پرپلکسیتی) مشخص میسازد. سپس همه مدلها بهطور همزمان فراخوانی میشوند و پاسخهای مستقل خود را تولید میکنند.
نتیجه، در قالبی مقایسهای و کاربرپسند نمایش داده میشود؛ معمولاً بهصورت جدول یا ساختاری که بهسرعت نشان میدهد کجا اجماع وجود دارد و کجا نیاز به بررسی بیشتر احساس میشود.
چرا این مقایسه مستقیم مهم است؟
هر مدل زبانی بزرگ با دادهها و منطق متفاوتی آموزش دیده است. به همین دلیل، اختلاف نظر یا تفسیرهای متفاوت در پاسخها امری طبیعی است. گرد هم آوردن این مدلها، نهتنها احتمال خطا یا «توهم هوش مصنوعی» را کاهش میدهد، بلکه به کاربر امکان میدهد به نوعی خِرَد جمعی ماشینی دسترسی داشته باشد.
این رویکرد بهویژه برای کارهای حساس مانند تحلیل کسبوکار، پژوهش دانشگاهی، نگارش تخصصی و تصمیمگیریهای پرریسک ارزشمند است.
مزایا و محدودیتها
مدل کانسیل مزایایی مانند افزایش دقت، شفافیت بالاتر و صرفهجویی در زمان تحقیق را به همراه دارد. در عین حال، محدود بودن دسترسی به کاربران پریمیوم و زمان پردازش طولانیتر نسبت به استفاده از یک مدل واحد، از چالشهای آن محسوب میشود.
در عمل، این قابلیت برای جستوجوهای روزمره طراحی نشده، بلکه بیشتر شبیه تشکیل یک «شورای تخصصی»
