دعوت به کانال تلگرام
کانال بینا ویرا مرجع تخصصی اخبار هوش مصنوعی و تصاویر تولید شده با AI
عضویت در کانال

استارتاپ Simular که در حوزه توسعه عامل‌های هوشمند (agentic AI) برای سیستم‌های دسکتاپی فعالیت می‌کند، دور سری A خود را به ارزش 21.5 میلیون دلار به رهبری صندوق Felicis تکمیل کرد. سرمایه‌گذاران اولیه از جمله NVentures (شاخهٔ سرمایه‌گذاری انویدیا)، South Park Commons و چند سرمایه‌گذار دیگر نیز در این دور شرکت کردند. با این جذب سرمایه، مجموع سرمایهٔ جذب‌شده Simular به حدود 27 میلیون دلار می‌رسد (شامل دور_seed_ پیشین به ارزش 5 میلیون دلار).

تفاوت کلیدی Simular با بسیاری از رقبا در این است که این شرکت به‌جای کنترل مرورگر، روی کنترل کامل رایانه (Mac و Windows) تمرکز دارد. به عبارت دیگر، عامل‌های ساخته‌شده توسط Simular می‌توانند همان اعمال فیزیکی کاربر در فضای دیجیتال مانند حرکت موس، کلیک و وارد کردن داده را شبیه‌سازی و خودکار کنند؛ عملیاتی که فراتر از ساده‌سازی تعامل با صفحات وب است و سمت دسکتاپ و اپلیکیشن‌ها را شامل می‌شود. نسخهٔ 1.0 محصول این شرکت برای macOS همین هفته عرضه شده و هم‌زمان شرکت با مایکروسافت برای توسعهٔ عامل ویندوز همکاری می‌کند. Simular یکی از پنج شرکت پذیرفته‌شده در برنامهٔ Windows 365 for Agents مایکروسافت است (چهار شرکت دیگر: Manus AI، Fellou، Genspark و TinyFish).

تیم بنیان‌گذار و سابقه پژوهشی
بنیان‌گذاران Simular از پیشینهٔ تحقیقاتی و صنعتی قوی برخوردارند: آنگ لی (Ang Li) دانشمند یادگیری پیوسته و پیش‌تر از اعضای DeepMind گوگل است و در آنجا با جیاچِن یانگ (Jiachen Yang)، متخصص یادگیری تقویتی، آشنا شد. تجربهٔ آنها در پروژه‌های عملیاتی مانند بهبود محصولات گوگل و پروژه‌هایی نظیر Waymo باعث شده است که رویکردشان ترکیبی از پژوهش و کاربرد عملی باشد — نه صرفاً آکادمیک.

چالش فنی: توهم‌زایی (hallucination) مدل‌های زبانی و مقیاس‌پذیری عامل‌ها
یکی از بزرگ‌ترین مشکلات در مسیر عملیاتی‌سازی عامل‌های هوشمند، پدیدهٔ توهم‌زایی در مدل‌های زبان بزرگ (LLM) است؛ یعنی مدل‌ها گاهی اطلاعات نادرست تولید می‌کنند. هنگام اجرای وظایف عامل‌محور که ممکن است شامل هزاران یا میلیون‌ها گام مجزا باشد، هر خطای کوچک می‌تواند کل عملیات را باطل کند و با افزایش تعداد گام‌ها احتمال بروز خطا نیز زیاد می‌شود.

رویکرد Simular: ترکیب جستجو و قطعی‌سازی (نیمه‌خودکار، قابل بازرسی)
Simular برای کاهش این مشکل از رویکردی هیبریدی استفاده می‌کند. ایدهٔ اصلی این است که عامل ابتدا آزادانه مسیرهای حل مسئله را کاوش و بارها تکرار کند در حالی که کاربر انسانی به‌صورت میان‌مرحله‌ای خطاها یا جهت‌گیری را اصلاح می‌کند. وقتی یک «مسیر موفق» پیدا شد، آن مسیر به کدی قطعی تبدیل می‌شود که رفتار تکرارشونده و قابل پیش‌بینی دارد. به بیان دیگر، عامل از خلاقیت مدل برای پیدا کردن راه‌حل استفاده می‌کند و سپس آن راه‌حل را به کد تبدیل می‌کند تا در اجرای بعدی قابل اطمینان و قابل بازرسی باشد.

فناوری نوآورانه: عامل‌های نوروسیمبولیک برای کار با کامپیوتر
شرکت این معماری را «عامل‌های نوروسیمبولیک برای استفادهٔ کامپیوتر» توصیف می‌کند؛ به این معنی که محصول فقط یک «پوسته» روی مدل زبانی نیست که داده بفرستد و جواب بگیرد، بلکه ترکیبی از تکنیک‌های نمادین و یادگیری عمیق است تا خروجی‌ها هم خلاقانه باشند و هم در صورت نیاز قابل قطعی‌سازی. زمانی که یک گردش‌کار (workflow) تبدیل به کد قطعی می‌شود، کاربر می‌تواند آن را بازبینی، ممیزی و به‌طور مستقیم اعتماد کند — ویژگی‌ای مهم برای پذیرش در محیط‌های سازمانی.

موارد کاربرد و مشتریان اولیه
Simular می‌گوید بتای اولیه شامل مشتریانی مانند نمایندگی خودروها برای خودکارسازی جستجوی شماره شناسایی وسایل نقلیه (VIN) و انجمن‌های مالکین مسکن (HOA) برای استخراج اطلاعات قراردادی از فایل‌های PDF بوده است. پروژهٔ متن‌باز شرکت (در حال حاضر فقط برای macOS) نیز منجر به اتوماسیون‌هایی در حوزهٔ تولید محتوا، فروش و بازاریابی شده است. این نمونه‌ها نشان می‌دهند که کاربردهای عامل‌های دسکتاپی از پردازش اسناد تا فرایندهای تکراری کسب‌وکار گسترده‌اند.

سرمایه‌گذاران و چشم‌انداز
علاوه بر Felicis و NVentures، سرمایه‌گذاران دیگر این دور شامل Basis Set Ventures، Flying Fish Partners، Samsung NEXT، Xoogler Ventures و سرمایه‌گذار فرشتهٔ شناخته‌شده لنی راچیتسکی (Lenny Rachitsky) هستند. تیم Simular می‌گوید برنامه دارد نسخهٔ ویندوز را منتشر کند و انتظار دارد محبوبیت آن دست‌کم برابر یا بیشتر از نسخهٔ Mac باشد، هرچند جدول زمان‌بندی دقیق انتشار ویندوز هنوز اعلام نشده است.

جمع‌بندی و اهمیت برای آیندهٔ کار خودکار
ترکیب رویکرد نوروسیمبولیک با فرایند تبدیل گردش‌کارهای موفق به کد قطعی، راهکاری امیدوارکننده برای مقابله با مشکل توهم‌زایی LLMها و افزایش اعتمادپذیری عامل‌ها به شمار می‌آید. اگر این روش در مقیاس و در محیط‌های واقعی کسب‌وکار اثبات شود، می‌تواند قدم مهمی در راهِ آوردن عامل‌های هوشمند به میز کار کاربران عادی و سازمان‌ها باشد. Simular با پشتوانهٔ تیم تحقیقاتی و سرمایهٔ جدید، می‌تواند بازیگر مهمی در حوزهٔ عامل‌های هوشمند دسکتاپی و اتوماسیون مبتنی بر هوش مصنوعی باشد.

دستیار صوتی هوش مصنوعی

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

اسکرول به بالا