کنترل گوشی به دست هوش مصنوعی؛ ابزار Opposable با مصرف توکن به‌جای شما صفحه را لمس می‌کند

چرا باید خودتان از گوشی هوشمند استفاده کنید وقتی هوش مصنوعی می‌تواند این کار را برایتان انجام دهد؟ با معرفی ابزار Opposable، کاربردهای عجیب هوش مصنوعی به مرحله تازه‌ای رسیده است؛ ابزاری که روی گوشی‌های اندرویدی ضربه می‌زند، سوایپ می‌کند و متن‌ها را تایپ می‌نماید و در آیفون‌ها نیز از طریق رایانه واسط کنترل دستگاه را به دست می‌گیرد تا کاربران را از «زحمتِ» کار با گوشی خود معاف کند.

اگر حوصله ندارید رویدادی را در تقویم ویرایش کنید، تایمر بگذارید یا حالت تاریک (Dark Mode) را فعال نمایید، اکنون می‌توانید از یک ایجنت هوش مصنوعی روی رایانه خود (هر برنامه‌ای که از پروتکل MCP پشتیبانی کند) کمک بگیرید تا Opposable این کارها را روی گوشی متصل‌شده انجام دهد.

البته کاربر می‌تواند این کارها را مستقیماً روی رایانه شخصی‌اش انجام دهد، اما این کار مستلزم استفاده از دست‌ها است؛ کاری که سازندگان این ابزار گویا آن را بیهوده یا خسته‌کننده می‌دانند.

تیم توسعه‌دهنده Opposable هدف این برنامه را «مجهز کردن هوش مصنوعی به انگشت شست» توصیف می‌کند؛ قابلیتی که به یک ایجنت اجازه می‌دهد برنامه‌ها را باز کند، محتوای صفحه را بخواند، ضربه بزند و تایپ کند؛ آن هم در حالی که کاربر برای استفاده شخصی از این دستگاه‌ها به زحمت نخواهد افتاد.

بر اساس توضیحات منتشرشده در پست وبلاگی سازندگان این پروژه، نسخه اندروید Opposable از سرویس‌های دسترسی‌پذیری سیستم‌عامل برای بررسی صفحه استفاده می‌کند و اسکرین‌شات‌ها ورودی تصویری لازم را برای مدل هوش مصنوعی فراهم می‌سازند. سپس مدل با تحلیل این تصاویر، تشخیص می‌دهد برای اجرای دستور کاربر دقیقاً کدام بخش از صفحه را باید لمس کند.

پردازش تصویر در این سیستم توسط یک مدل زبانی-دیداری با نام GUI-Owl 1.5 2B و از طریق بستر llama.cpp انجام می‌شود. وظایف محوله را می‌توان هم به یک ایجنت هوش مصنوعی متصل به دسکتاپ سپرد و هم از ایجنت محلی مستقر روی خود گوشی بهره برد که بدون نیاز به رایانه کار می‌کند (البته حالت محلی تنها در دستگاه‌های اندرویدی در دسترس است؛ آیفون‌ها به رایانه کمکی نیاز دارند که نسخه بتای مک آن عرضه شده و گزینه‌ای مجهز به پشتیبانی سخت‌افزاری برای ویندوز و لینوکس نیز وعده داده شده است).

با این حال، هوش مصنوعی برای همه امور به کار نمی‌رود؛ حدود ۴۰ کار متداول (مانند تنظیم زنگ هشدار، ارسال پیامک یا خاموش و روشن کردن وای‌فای) به‌صورت کدهای ازپیش‌تعیین‌شده و بدون دخالت مدل هوش مصنوعی اجرا می‌شوند.

با وجود تمام این قابلیت‌ها، Opposable سرعت پایینی دارد و دقت عملکرد آن نیز با چالش روبه‌رو است. وب‌سایت این ابزار سه نمونه از وظایف اجراشده را نمایش می‌دهد که هیچ‌کدام دلیلی منطقی برای ترجیح دادن هوش مصنوعی بر چند ثانیه لمس ساده با انگشت ارائه نمی‌دهند.

در یکی از نمونه‌ها، از ابزار Claude Code از طریق پروتکل MCP برای فعال‌سازی تم تاریک سیستم و سپس تنظیم تایمر ۵ دقیقه‌ای استفاده می‌شود؛ فرآیندی که ۵۰ ثانیه طول می‌کشد و به ۱۷ فراخوانی ابزار (Tool Call) نیاز دارد. در نمونه دوم، از ترکیب Claude Code و MCP خواسته می‌شود تاریخ پرتاب فضاپیمای آپولو ۱۱ و سرنشینان آن را بیابد؛ کاری که نزدیک به دو دقیقه زمان می‌برد. هرچند تعداد فراخوانی‌های ابزار در این تست مشخص نشده، اما هزینه اجرای آن ۰٫۴۴ دلار است؛ هزینه‌ای غیرمنطقی برای اطلاعاتی که هر کاربری می‌تواند در چند ثانیه و به‌صورت رایگان با دستان خود پیدا کند. حتی پرسیدن همین سؤال از جمینای یا سیری روی خود گوشی، بسیار سریع‌تر و کاملاً رایگان پاسخ را ارائه می‌دهد.

این هزینه‌های نیم‌دلاری برای هر درخواست، در صورت استفاده مداوم از Opposable خیلی زود می‌تواند به رقمی چشمگیر تبدیل شود.

نمونه سوم یک دستگاه مجازی اندروید را نشان می‌دهد که بدون نیاز به ایجنت دسکتاپ و صرفاً با اتکا به ایجنت محلی نصب‌شده روی گوشی کار می‌کند. در این آزمایش، باز کردن برنامه ساعت و رفتن به برگه کرنومتر حدود ۹۶ ثانیه طول می‌کشد؛ رکوردی که سازندگان Opposable ظاهراً آن را یک دستاورد جذاب تلقی کرده و در وب‌سایت خود به نمایش گذاشته‌اند.

در زمینه توانایی واقعی این برنامه در تکمیل موفقیت‌آمیز دستورها نیز اطمینان چندانی وجود ندارد.

سازندگان در پست وبلاگی خود اشاره می‌کنند: «در ۸ وظیفه‌ای که مدل پیش‌تر برای آن‌ها بهینه‌سازی نشده بود و هر کدام دو بار در شبیه‌ساز اجرا شدند، سپردن وظیفه به‌صورت کامل در هر دور تنها ۳ و ۴ بار با موفقیت همراه شد.» این یعنی عملکرد سیستم بدون صرف توکن‌های متعدد حتی به ۵۰ درصد موفقیت هم نمی‌رسد.

در ادامه این گزارش آمده است: «هنگامی که کارها مرحله‌به‌مرحله به زیرهدف‌ها تقسیم شد و درستی هر اقدام از طریق ساختار دسترسی‌پذیری سیستم تأیید گشت، نرخ موفقیت در هر دو دور به ۶ مورد رسید.» بنابراین، حتی با هدایت قدم‌به‌قدم، سیستم باز هم تنها در سه‌چهارم وظایف موفق عمل می‌کند؛ آماری که برای ابزاری طراحی‌شده جهت صرفه‌جویی در زمان، چندان امیدوارکننده به نظر نمی‌رسد.

اینکه چرا کاربری باید حاضر شود چنین برنامه‌ای را روی گوشی اندرویدی خود نصب کند، جای تأمل دارد؛ فرآیندی که مستلزم نصب دستی فایل APK (سایدلود) و اعطای مجوزهای حساس دسترسی‌پذیری برای خواندن و لمس صفحه است. وب‌سایت رسمی Opposable حتی هشدار می‌دهد که این سازوکار می‌تواند به یک بحران امنیتی تبدیل شود: «هر کسی که توکن دسترسی را داشته باشد، می‌تواند گوشی را کنترل کند؛ بنابراین با آن مانند رمز عبور رفتار کنید.» با این وجود، سازندگان همچنان کاربران را به آزمایش برنامه تشویق می‌کنند.

شاید بتوان تصور کرد که چنین ابزاری برای افراد دارای معلولیت جسمی یا ناتوانی در کار با صفحه لمسی کاربردی است، اما در هیچ کجای وب‌سایت چنین هدفی مطرح نشده است. در عوض، Opposable صرفاً روشی برای «واگذاری کارهای روزمره گوشی» معرفی می‌شود تا دست کاربر برای انجام کارهای دیگر باز باشد؛ البته کارهایی به‌جز استفاده از همان گوشی که اکنون به‌آرامی تحت کنترل یک هوش مصنوعی دست‌وپاچلفتی قرار دارد.

بی‌تردید می‌توان با Opposable به هوش مصنوعی انگشت‌های مجازی داد، اما پرسش بنیادین این است: واقعاً چرا و به چه قیمتی؟ پیگیری‌ها برای دریافت پاسخی شفاف از تیم توسعه‌دهنده به نتیجه‌ای نرسید.

به‌روزرسانی: سازندگان Opposable در توضیحات تکمیلی اعلام کردند که محصول خود را یک ابزار دسترسی‌پذیری و توان‌بخشی برای افراد دارای معلولیت نمی‌دانند.

سخنگوی این شرکت توضیح داد: «ما این ابزار را به‌عنوان فناوری کمکی بازاریابی نمی‌کنیم، چراکه آن را برای چنین هدفی نساخته و آزمایش نکرده‌ایم. با این حال، اگر افراد دارای ناتوانی و معلولیت آن را مفید بدانند، آماده‌ایم نظراتشان را بشنویم و محصول را برای نیازهای آن‌ها بازطراحی کنیم.»

این سخنگو همچنین درباره علت سرعت بسیار پایین دموها عنوان کرد: «ویدیوهای نمایشی اجرای مدل کوچک ما را روی شبیه‌ساز اندروید و پردازنده لپ‌تاپ، بدون بهره‌گیری از شتاب‌دهنده سخت‌افزاری گوشی نشان می‌دهند.» به گفته سازندگان، عملکرد این ابزار روی خود گوشی‌های واقعی بهتر است؛ هرچند این تیم معترف است که آزمایش‌ها تاکنون در مقیاسی بسیار محدود انجام شده و قرار است در آینده ارزیابی‌های جامع‌تری صورت گیرد.