اعتراف به این موضوع واقعاً برایم دردناک است—یا بهتر است بگویم نوشتنش—اما انگار دوران واردکردن پرسش در Google، فشردن کلید Enter و بازکردن دستی چندین وب‌سایت برای کنار هم گذاشتن پاسخ، آرام‌آرام به پایان می‌رسد. شیوهٔ جست‌وجوی اطلاعات در اینترنت برای کاربران عادی طی چند سال گذشته به‌شدت دگرگون شده است و می‌دانم که من و شما هر دو گاهی به‌جای موتورهای جست‌وجوی سنتی سراغ ابزارهای مبتنی بر هوش مصنوعی می‌رویم. هرچند در آغاز به‌سختی می‌توانستم جذابیت چت‌بات‌هایی مانند ChatGPT و Claude را درک کنم، موتورهای جست‌وجوی مبتنی بر هوش مصنوعی داستان دیگری دارند.
برای نمونه، Perplexity را در نظر بگیرید. اگر یک چت‌بات هوش مصنوعی و یک موتور جست‌وجوی سنتی فرزندی داشتند، حاصل چیزی بسیار شبیه Perplexity می‌شد. این ابزار به‌جای آنکه فقط فهرستی از وب‌سایت‌ها را پیش رویتان بگذارد، وب را جست‌وجو می‌کند، اطلاعات را از منابع گوناگون بیرون می‌کشد و با کمک هوش مصنوعی همه‌چیز را در قالب پاسخی جامع و همراه با ارجاع به منابع کنار هم می‌چیند. در واقع، بخش بزرگی از جست‌وجو و کندوکاوی را انجام می‌دهد که در حالت عادی باید خودتان به‌صورت دستی انجام دهید. با اینکه اکنون به آسودگی و کارآمدی روش Perplexity پی برده‌ام، همچنان دربارهٔ آن ملاحظاتی داشتم. دقیقاً به همین دلیل بود که Vane، جایگزین متن‌باز Perplexity، بی‌درنگ توجهم را جلب کرد.
وِین؛ برداشتی متن‌باز از پرپلکسیتی
خویشاوند خودساختهٔ پرپلکسیتی
Vane که پیش‌تر با نام Perplexica شناخته می‌شد، یک موتور پاسخ‌گوی هوش مصنوعی رایگان، متن‌باز و «حریم‌خصوصی‌محور» است. افزون بر متن‌باز بودن، می‌توانید Vane را روی سامانهٔ خودتان میزبانی کنید؛ یعنی به‌جای اتکا به خدمات میزبانی‌شدهٔ شرکتی دیگر، نمونهٔ شخصی آن را روی رایانهٔ خود اجرا کنید. من نیز دقیقاً همین کار را انجام دادم و با استفاده از Docker آن را روی MacBook Air خود راه انداختم.
Vane در پشت صحنه بر پایهٔ سازوکاری شبیه Perplexity کار می‌کند. وقتی پرسشی را وارد می‌کنید، ابتدا آن را بررسی می‌کند تا بهترین شیوهٔ پاسخ‌گویی را تشخیص دهد. اگر پرسش به اطلاعاتی از وب نیاز داشته باشد، Vane با استفاده از SearXNG، یک موتور فراجست‌وجوی متن‌باز، نتایج مرتبط را گردآوری می‌کند؛ سپس یک مدل هوش مصنوعی با تکیه بر آن‌ها پاسخی همراه با ارجاع به منابع می‌سازد.
برای پرسش‌های پیچیده‌تر، Vane می‌تواند با بهره‌گیری از توانایی‌های پژوهشی خود یک گام فراتر برود: چندین جست‌وجو انجام دهد، اطلاعات را از منابع گوناگون گرد آورد و سپس یافته‌هایش را ارائه کند. Perplexity نیز روشی مشابه دارد، اما تفاوت اصلی این دو ابزار در چگونگی گردآوری اطلاعات است. Perplexity زیرساخت جست‌وجو و نمایهٔ عظیم وب خود را ساخته است، در حالی که Vane برای دریافت نتایج از موتورهای جست‌وجوی موجود به SearXNG متکی است.
Vane نیز مانند Perplexity در کنار پاسخ‌های تولیدشده با هوش مصنوعی، ارجاع به منابع را ارائه می‌دهد. بنابراین می‌توانید منشأ اطلاعات را پیدا کنید و ناچار نیستید هرچه هوش مصنوعی می‌گوید بی‌چون‌وچرا بپذیرید. Vane بسته به میزان پژوهشی که از آن انتظار دارید، سه حالت جست‌وجوی متفاوت در اختیارتان می‌گذارد: سرعت، متعادل و کیفیت.
همانند Perplexity، می‌توانید مشخص کنید که جست‌وجو در وب، گفت‌وگوها یا مقاله‌های دانشگاهی انجام شود. این ابزار از جست‌وجوی تصویر و ویدئو نیز پشتیبانی می‌کند و بخشی اختصاصی با نام Discover دارد که برای مرور مقاله‌های جالب و مطالب پرطرفدار در نظر گرفته شده است.
در وِین به یک مدل هوش مصنوعی محدود نیستید
جابه‌جایی میان مدل‌ها، بدون تعهد اشتراک ماهانه
پیش از آنکه به نتایج آزمایش Vane بپردازم، باید ابتدا مهم‌ترین نکته را روشن کنم. اگر پیش‌تر از Perplexity، به‌ویژه طرح رایگان آن، استفاده کرده باشید، احتمالاً متوجه شده‌اید که تقریباً هیچ اختیاری برای تعیین مدل هوش مصنوعیِ پشت جست‌وجوهایتان ندارید. Perplexity امکان دسترسی به مدل‌های گوناگون هوش مصنوعی را فراهم می‌کند، اما انتخاب دستی میان آن‌ها تنها با اشتراک Pro ممکن است که ماهانه ۲۰ دلار هزینه دارد. در طرح رایگان، پرسش‌های شما به‌طور خودکار به مدلی فرستاده می‌شوند که Perplexity انتخاب کرده است؛ بنابراین نمی‌توانید تعیین کنید کدام مدل درخواست‌هایتان را پردازش کند.
Vane در مقابل، آزادی عمل بسیار بیشتری در اختیارتان می‌گذارد. این ابزار از مدل‌های شرکت‌های بزرگی مانند OpenAI، Anthropic، Google و Groq پشتیبانی می‌کند و می‌توانید آن‌ها را با کلیدهای API خودتان به سامانه متصل کنید. حتی اگر بخواهید وابستگی به ارائه‌دهندگان ابری هوش مصنوعی را به‌کلی کنار بگذارید، می‌توانید مدل‌ها را با Ollama به‌صورت محلی اجرا کنید.
البته این موضوع لزوماً به معنای استفادهٔ رایگان از همهٔ مدل‌های هوش مصنوعی نیست. اگر به یک API پولی متصل شوید، همچنان باید هزینهٔ مصرفتان را بپردازید. تفاوت در این است که به‌جای پذیرفتن تعهد یک اشتراک ماهانهٔ دیگر، فقط به‌اندازهٔ مصرف واقعی خود هزینه می‌کنید.
بنابراین، اگر تنها گاهی به جست‌وجوی مبتنی بر هوش مصنوعی نیاز دارید، این روش ممکن است بسیار کم‌هزینه‌تر تمام شود. بااین‌حال، اگر در سراسر روز به‌طور گسترده به چنین خدماتی متکی هستید، احتمال دارد اشتراک ماهانه با مبلغ ثابت گزینهٔ به‌صرفه‌تری باشد؛ زیرا هزینه‌های API می‌توانند به‌سرعت روی هم انباشته شوند.
وِین بیشتر وقت‌ها از پس کار برمی‌آید
گاه‌وبیگاه، یک مسیر اشتباه
برای اینکه ببینم Vane در عمل چقدر خوب کار می‌کند، کار را با پرسشی نسبتاً سرراست دربارهٔ MakeUseOf آغاز کردم: از آن خواستم توضیح دهد این نشریه چیست و سه مقالهٔ تازه‌اش را پیدا کند. Vane توانست نمایی کلی و پذیرفتنی از وب‌سایت ارائه دهد و برای مطالبش نیز به منابع گوناگون ارجاع بدهد. بااین‌حال، در انجام بخش دوم درخواستم به مشکل خورد. به‌جای یافتن سه مقالهٔ تازه‌منتشرشده، یک صفحهٔ دسته‌بندی و یک صفحهٔ پوشش رسانه‌ای را هم در میان پیشنهادهایش گنجاند و حتی اذعان کرد که نمی‌تواند تاریخ انتشار سه مقالهٔ اخیر را با اطمینان تأیید کند.
سپس تصمیم گرفتم پرسش را کمی شخصی‌تر کنم و از Vane خواستم دربارهٔ خودم برایم بگوید. برخلاف انتظارم، کارش واقعاً خوب بود. صفحهٔ نویسندگی‌ام در MakeUseOf را پیدا کرد، به کارهایم در XDA Developers اشاره کرد و چند نشریهٔ دیگری را که برایشان نوشته‌ام، از جمله SlashGear، Laptop Mag و Android Police، به‌درستی شناسایی کرد. Perplexity هم عملکرد مشابهی داشت!
اما می‌خواستم ببینم Vane با موضوعی بسیار پیچیده‌تر از یک جست‌وجوی سادهٔ وب چگونه کنار می‌آید. بنابراین سراغ قابلیت‌های پژوهشی پیشرفته‌ترش رفتم و از آن خواستم پیامدهای حریم خصوصیِ استفاده از Perplexity، استفاده از Vane همراه با یک مدل ابری OpenAI و استفاده از Vane همراه با یک مدل Ollama با میزبانی محلی را با یکدیگر مقایسه کند.
این بار Vane پیش از تولید پاسخی مفصل، ۱۱ مرحلهٔ پژوهشی را پشت سر گذاشت و ۴۵ منبع گرد آورد. پاسخ چند نادرستی داشت، اما در مجموع کاملاً چشمگیر بود.
توانایی‌های پژوهشی وِین به‌طرز غافلگیرکننده‌ای چشمگیرند
پس از بررسی ۶۵ منبع…
Vane را با پرسشی فنی و تخصصی‌تر نیز آزمودم: چگونه می‌توان یک Kinect اصلیِ Xbox ۳۶۰ را به MacBook Air مجهز به Apple Silicon متصل کرد؟ این ابزار به‌درستی تشخیص داد که به آداپتور جداگانهٔ برق و USB نیاز است، درایور متن‌باز مناسب یعنی libfreenect را پیشنهاد کرد و مشکلات احتمالی سازگاری USB را نیز گوشزد کرد. حتی برای پاسخ به این پرسش ۶۵ منبع گرد آورد که به‌خودی‌خود چشمگیر بود.
چیزی که به‌ویژه پسندیدم، امکان دنبال‌کردن فرایند پژوهش Vane هم‌زمان با پیشرفت آن بود. این ابزار به‌جای آنکه تنها یک جست‌وجو انجام دهد و پاسخی تولید کند، پرسش را به بخش‌های کوچک‌تر تقسیم کرد، در پی اطلاعات مرتبط گشت و بر پایهٔ یافته‌های اولیه‌اش تصمیم گرفت در گام بعدی چه موضوعی را بررسی کند. برای نمونه، کار را با بررسی تفاوت میان مدل‌های Kinect آغاز کرد و سپس به سراغ سازگاری با Apple Silicon، نیازهای برقی و گزارش‌های مربوط به راه‌اندازی‌های موفق رفت.
فرایند پژوهش Vane شباهت زیادی به چیزی دارد که هنگام استفاده از Perplexity دیده‌ام. هر دو ابزار می‌توانند پرسش‌های پیچیده را به کارهای پژوهشی کوچک‌تر تقسیم کنند، چندین جست‌وجو انجام دهند و پیش از تولید پاسخ نهایی، یافته‌های تازه را بر دانسته‌های پیشین بنا کنند. اینکه Vane می‌تواند با بهره‌گیری از اجزای متن‌باز و درحالی‌که روی سخت‌افزار خودم اجرا می‌شود، بخش بزرگی از این تجربه را بازآفرینی کند، به‌ویژه تحسین‌برانگیز است.
بااین‌حال، وقتی دقیقاً همین پرسش را از Perplexity پرسیدم، پاسخ آن به‌وضوح کاربردی‌تر بود. برای نمونه، Vane پیشنهاد کرد libfreenect را از کد منبع کامپایل کنم، اما Perplexity یادآور شد که می‌توانم آن را به‌سادگی از طریق Homebrew نصب کنم. همچنین FreenectTD را پیدا کرد؛ پروژه‌ای که مشخصاً برای آسان‌ترکردن استفاده از دوربین‌های Kinect همراه با TouchDesigner در رایانه‌های Mac مجهز به Apple Silicon ساخته شده است. Vane با وجود گردآوری منابع بسیار بیشتر، این پروژه را از قلم انداخته بود.
راه‌اندازی واقعاً عذاب‌آور بود
راهکارهای دست‌ساز، دردسرهای خودشان را دارند
یکی از مزیت‌های بسیار دست‌کم‌گرفته‌شدهٔ ابزارهایی مانند Perplexity که بیشتر مردم از آن غافل‌اند، بی‌دردسر بودن استفاده از آن‌هاست. جز ساختن حساب کاربری و، در صورت نیاز، خرید اشتراک، عملاً کار دیگری لازم نیست انجام دهید. کافی است وب‌سایت را باز کنید، پرسشتان را بنویسید و پاسخ را بگیرید. نه نرم‌افزاری برای نصب وجود دارد، نه پیکربندی پیچیده‌ای که ناچار باشید از آن سر دربیاورید و نه حتی نیازی هست نگران اتفاقاتی باشید که پشت صحنه رخ می‌دهند.
متأسفانه دربارهٔ جایگزین‌های خودمیزبان، از جمله Vane، نمی‌توان همین را گفت. به‌ویژه برای کسی مثل من که تجربهٔ چندانی در کار با Docker یا مدیریت برنامه‌های خودمیزبان ندارد، به‌راه‌انداختن همه‌چیز می‌تواند حسابی دلهره‌آور باشد. فرایند راه‌اندازی Vane روی کاغذ نسبتاً سرراست به نظر می‌رسید، اما تجربهٔ من درست نقطهٔ مقابل آن بود. قرار بود فقط Docker را نصب کنم، یک فرمان را اجرا کنم و از طریق مرورگر به Vane دسترسی داشته باشم؛ بااین‌حال، کاری که انتظار داشتم نسبتاً زود تمام شود، به ساعت‌ها عیب‌یابی انجامید.
نخست اینکه هرچند در آغاز توانستم Vane را راه بیندازم، موتور جست‌وجوی همراه آن هیچ نتیجه سودمندی نشان نمی‌داد. چه درباره MakeUseOf می‌پرسیدم و چه تقریباً هر موضوع دیگری، پاسخ همیشه صفر نتیجه جست‌وجو بود. پس از کمی کندوکاو فهمیدم چندین ارائه‌دهنده جست‌وجویی که موتور زیربنایی آن، یعنی SearXNG، به کار می‌گیرد درخواست‌ها را مسدود می‌کنند یا خطا می‌دهند. سرانجام نسخه تازه‌تری از SearXNG را جداگانه نصب کردم و بالاخره همه‌چیز به کار افتاد.
همچنین با مشکلات شبکه‌ای روبه‌رو شدم که نمی‌گذاشتند از طریق مرورگر به Vane دسترسی پیدا کنم. تلاش‌هایم برای عیب‌یابی نیز آن‌قدر فضای ذخیره‌سازی مصرف کرد که در پایان، اندکی بیش از ۱۰۰ MB فضای خالی روی MacBook Air باقی مانده بود!
البته برخی از این مشکلات به پیکربندی خاص دستگاه من مربوط بودند و شاید تجربه شما بسیار روان‌تر باشد. بااین‌حال، باید به یاد داشت که آزادی عمل میزبانی شخصی، مسئولیت نگهداری از همه‌چیز را نیز بر دوش خودتان می‌گذارد.
Vane با همه توانایی‌های چشمگیرش، از نظر سهولت استفاده بی‌شک در برابر Perplexity دست پایین را دارد. بااین‌همه، در دیگر زمینه‌ها آن را جایگزینی توانمند و درخور بررسی می‌دانم؛ به‌ویژه اگر بخواهید بدون پذیرفتن هزینه اشتراک ماهانه‌ای دیگر، اختیار بیشتری بر مدل‌های هوش مصنوعی مورد استفاده‌تان داشته باشید.
منبع: این مطلب ترجمه و بومی‌سازی مقاله‌ای از MakeUseOf به قلم Mahnoor Faisal است. مشاهده مقاله اصلی