در رویداد MIT Future Fest که در پاییز ۱۴۰۵ برگزار شد، تونی فادل، معمار برجسته و مغز متفکر محصولاتی چون iPod و Nest، دیدگاههای تند و در عین حال فنی خود را درباره موج اول گجتهای مبتنی بر هوش مصنوعی ارائه داد. او معتقد است محصولاتی نظیر Rabbit R1، Humane Ai Pin و Limitless نه به دلیل نقص در تکنولوژی، بلکه به دلیل عدم درک صحیح از نیازهای واقعی کاربر و نادیده گرفتن مقوله «اعتماد» با شکست مواجه شدند.
شکست در حل مسئله؛ وقتی تکنولوژی برای تکنولوژی ساخته میشود
تونی فادل با انتقاد از رویکرد تولیدکنندگان نوپا در حوزه هوش مصنوعی میگوید: «این محصولات صرفاً ویترینی از فناوری برای علاقهمندان به گجتها بودند؛ نه ابزاری که در زندگی روزمره گرهای از کار بگشایند.» از دیدگاه او، بزرگترین اشتباه این استارتاپها، تصور غلط درباره مفهوم «دستیار شخصی» است. اکثر مصرفکنندگان هرگز تجربه داشتن یک دستیار انسانی را نداشتهاند، بنابراین مفهوم «عامل هوشمند» (AI Agent) برای آنها مبهم و غیرکاربردی است. اعتماد به یک سیستم برای مدیریت حساسترین دادههای بانکی یا کاری، فرآیندی تدریجی است که گجتهای نسل اول در مدلسازی آن شکست خوردند.
معماری حریم خصوصی؛ چرا محاسبات لبه (On-Device) حیاتی است؟
یکی از مباحث کلیدی در تحلیل فادل، تقابل معماری ابری با پردازش محلی است. او معتقد است وابستگی محض به دیتاسنترها برای پردازشهای سنگین AI، برخلاف تصور جاری، راهکار پایدار نیست. فادل تأکید میکند:
- حفظ حریم خصوصی: با انتقال دادههای حساس به روی دستگاه (On-Device)، نیاز به خروج اطلاعات از حریم امن کاربر کاهش مییابد.
- بهینهسازی توان: برخلاف نقدها به مصرف باتری، سختافزار مدرن قدرت پردازشی کافی را در دستگاههای کوچک فراهم کرده است.
- اعتمادپذیری: کاربر تنها زمانی به یک دستیار هوشمند اعتماد میکند که کنترل کاملی بر دادههای خود داشته باشد، موضوعی که در اپل با استفاده از Face ID و پردازش محلی اثبات شده است.
چرا غولهای نرمافزاری به سمت تولید سختافزار رو آوردند؟
تونی فادل تحلیل جالبی درباره چرایی تمایل شرکتهایی مثل Meta به ساخت گجتهای پوشیدنی دارد. برخلاف اپل که اکوسیستم سختافزاری گستردهای در دست دارد، شرکتهای متمرکز بر سرویسهای نرمافزاری برای دسترسی به سنسورهای کاربر (میکروفون، دوربین، GPS) راهی جز تولید دستگاههای اختصاصی ندارند. فادل معتقد است این شرکتها با ساخت گجتهایی که به گوشی متصل میشوند، در واقع «شکاف دادهای» خود را پر میکنند، اما این استراتژی با چالشهای امنیتی جدی روبروست که در گزارشهای اخیر درباره آسیبپذیریهای مدل Muse نیز دیده شد.
چالشهای معماری گجتهای AI فعلی
- وابستگی به Cloud: اتکای بیش از حد به APIهای ابری که باعث تأخیر (Latency) و مخاطرات حریم خصوصی میشود.
- فقدان مدلهای محلی (Local LLMs): اکثر گجتها فاقد بهینهسازی برای اجرای مدلهای زبانی روی چیپستهای کممصرف هستند.
- نقض پروتکلهای اعتماد: عدم شفافیت در مدیریت مجوزهای دسترسی به سنسورهای محیطی.
نتیجهگیری و آینده مسیر
از نظر فادل، آینده از آنِ ابزارهایی است که نه به عنوان یک «گجت مستقل و عجیب»، بلکه به عنوان یکپارچهکنندهی قدرت محاسباتی در اکوسیستمهای موجود عمل کنند. وی به شرکتهایی که قصد ورود به این عرصه را دارند توصیه میکند که تمرکز خود را بر حل «دردهای واقعی» کاربر و ایجاد امنیت در لایه سختافزار متمرکز کنند، نه صرفاً در نمایش قابلیتهای خیرهکننده اما بیمصرف مدلهای زبانی.