humans& با جذب 480 میلیون دلار سرمایه بذری: ساخت یک «سامانه عصبی مرکزی» برای اقتصاد انسان+هوشمصنوعی
چتباتهای مبتنی بر مدلهای بزرگ زبانی امروز در پاسخدهی به سوالات، خلاصهسازی متون و حل مسائل ریاضی توانمند شدهاند، اما هنوز در حل چالشهای پیچیده و چندنفره همکاری واقعی—مثل هماهنگسازی اولویتهای متضاد، پیگیری تصمیمهای بلندمدت و حفظ همراستی تیمی—ضعیفاند. استارتاپ تازهتأسیس humans&، متشکل از فارغالتحصیلان Anthropic، Meta، OpenAI، xAI و Google DeepMind، معتقد است پر کردن همین شکاف، مرز بعدی توسعه مدلهای پایه است. این شرکت در سهماهگی راهاندازی، هفته جاری 480 میلیون دلار سرمایه بذری جذب کرد تا روی توسعه یک «سامانه عصبی مرکزی» برای دورهای که انسانها و هوش مصنوعی همراه هم کار میکنند، سرمایهگذاری کند.
هدف متفاوت: هوش اجتماعی به جای صرفاً بازیابی اطلاعات
بخش عمده پوششهای اولیه روی شعار humans& («هوش مصنوعی برای توانمندسازی انسانها») متمرکز بود، اما دستاورد بلندپروازانهتر این شرکت طراحی معماری جدیدی از مدلهای پایه است که بهجای تمرکز صرف بر بازیابی اطلاعات یا تولید کد، بر هوش اجتماعی و توانایی هماهنگی میان افراد و ابزارها تمرکز دارد. بهعبارت دیگر، humans& میخواهد مدلی بسازد که نه تنها جواب درست میدهد، بلکه میداند چه سوالی مطرح کند، چگونه گفتگو را مدیریت کند و چگونه فرایندهای گروهی را به پیش ببرد—کاری که چتباتهای امروزی بهخوبی از عهدهاش برنمیآیند.
محصولی در حال طراحی، نه صرفاً یک افزونه
تا امروز شرکت محصول نهایی منتشر نکرده و تیم توسعه میگوید محصول و مدل همزمان طراحی میشوند. هدف، ساختن راهحلهایی است که میتوانند جایگزین یا مکمل محیطهای چندنفره مانند پلتفرمهای ارتباطی (مثلاً Slack) یا ابزارهای همکاری مشترک (مثلاً Google Docs و Notion) شوند. humans& به دنبال تسهیل همکاری در سطوح سازمانی و مصرفکننده است: از کمک به گرفتن تصمیمات گروهی تا مدیریت جلسات، تقسیم وظایف و نگاهداشت تاریخچه تصمیمات.
روشهای آموزشی نوآورانه: RL طولافق و چندعامله
برای رسیدن به این اهداف، teams humans& از روشهای آموزشی متفاوتی بهره میبرد. دو مفهوم کلیدی که شرکت به آن اشاره کرده عبارتاند از:
– یادگیری تقویتی طولافق (long-horizon RL): آموزش مدل برای برنامهریزی، اقدام، بازنگری و پیگیری اهداف در بازههای زمانی طولانیتر بهجای تولید یک پاسخ یکباره.
– یادگیری تقویتی چندعامله (multi-agent RL): آموزش در محیطهایی که چندین عامل (هوش مصنوعی و/یا انسانها) در تعامل هستند تا مدل بتواند در موقعیتهای پیچیده تعاون و رقابت عمل کند.
علاوه بر این، توسعه حافظه بهتر و مدلهایی که توانایی نگهداری اطلاعات درباره کاربران و خود سیستم را داشته باشند، برای افزایش درک کاربری و پاسخدهی شخصیسازیشده از دیگر اولویتها اعلام شده است.
چرا زمانبندی مهم است؟
شرکتها اکنون از چت ساده به استفاده از عاملهای خودگردان (agents) و فرایندهای خودکارتر منتقل میشوند، اما جریانهای کاری هنوز بهدرستی ساماندهی نشدهاند و احساس نگرانی و تهدید نسبت به هوش مصنوعی در میان کارکنان وجود دارد. humans& میخواهد با تمرکز روی هماهنگی و ارتباط انسانی-هوشمصنوعی این خلا را پر کند و روایتی غیر از «هوش مصنوعی جایگزین مشاغل میشود» ارائه دهد.
موانع و ریسکها
مسیر پیشرو چندان آسان نیست. مهمترین چالشها شامل نیاز به سرمایهگذاری عظیم برای آموزش و مقیاسدهی مدلهای جدید (دسترسی به محاسبات و منابع)، رقابت شدید با بازیگران بزرگ مثل Anthropic، Google/DeepMind، OpenAI و Meta که خودشان در حال تعبیه قابلیتهای همکاری در ابزارهای موجود هستند، و ریسک جذب یا شکار استعدادها از سوی این شرکتها است. محصول humans& نهتنها باید با ابزارهای همکاری موجود رقابت کند، بلکه باید خود را در لایه هماهنگی سازمانی مستقر کند—کاری که شرکتهای بزرگ روی آن تمرکز کردهاند. تیم founders اعلام کردهاند پیشنهادهای خرید را رد کردهاند و به دنبال ساخت شرکتی نسلی هستند.
پیامدهای احتمالی
اگر humans& بتواند معماری مدّ نظرش را پیادهسازی کند، احتمال دارد ابزارهای همکاری و جریانهای کاری سازمانی را بازتعریف کند: از نگهداری دانش و تاریخچه تصمیمگیری تا تسهیل تصمیمگیری گروهی و یکپارچهسازی همزمان انسانها و عاملهای هوشمصنوعی. با این حال، تحقق این چشمانداز نیازمند پیمودن مسیر فنی دشوار و رقابتی بسیار شدید در بازار است.
تاریخ انتشار: 22 ژانویه 2026