پروتکل زمینه نوآورانه مدل (MCP) با هدف مقابله با داده های تکه تکه شده و تقویت کارآیی راه حل های دارای AI. آیا می تواند استانداردی برای ادغام هوش مصنوعی آگاه باشد؟
یکی از مهمترین چالش ها در نوآوری هوش مصنوعی (AI) امروز انزوا از داده های بزرگ (LLMS) از داده های زمان واقعی است. برای مقابله با این مسئله ، شرکت تحقیقاتی و ایمنی AI مستقر در سانفرانسیسکو ، Anthropic ، اخیراً از معماری توسعه منحصر به فرد برای تغییر شکل مجدد نحوه تعامل مدل های هوش مصنوعی با داده ها خبر داد.
شرکت جدید پروتکل زمینه مدل (MCP)، به عنوان یک پروژه منبع باز راه اندازی شده است ، برای تقویت کارآیی هوش مصنوعی از طریق “ارتباط دو طرفه بین برنامه های کاربردی AI و منابع واقعی ، داده های متنوع” طراحی شده است.
این معماری برای رفع ناامیدی روزافزون ساخته شده است: خروجی های منسوخ شده هوش مصنوعی ناشی از عدم اتصال به داده های زمان واقعی. انسان شناسی ادعا می کند که پروتکل یکپارچه می تواند توسعه و عملکرد هوش مصنوعی را برای مشاغل تقویت کند و از طریق آگاهی از متن در زمان واقعی ، آنها را مانند انسان تر کند. به گفته این شرکت ، هر منبع داده جدید تجاری نیاز به پیاده سازی های هوش مصنوعی سفارشی دارد و باعث ایجاد ناکارآمدی می شود. MCP به دنبال این است که با ارائه یک چارچوب استاندارد که توسعه دهندگان می توانند جهانی را اتخاذ کنند ، به این موضوع بپردازد.
“معماری ساده است: توسعه دهندگان می توانند داده های خود را از طریق سرورهای MCP در معرض دید خود قرار دهند یا برنامه های AI (مشتری MCP) ایجاد کنند که به این سرورها متصل می شوند. به جای حفظ اتصالات جداگانه برای هر منبع داده ، توسعه دهندگان می توانند در برابر یک پروتکل استاندارد بسازند. ” پست وبلاگبشر “با بلوغ اکوسیستم ، سیستم های هوش مصنوعی با حرکت بین ابزارها و مجموعه داده های مختلف ، زمینه را حفظ می کنند و ادغام های پراکنده امروز را با یک معماری پایدار جایگزین می کنند.”
مدل های هوش مصنوعی ، از جمله اما محدود به دستیار پرچمدار Anthropic Claude ، می توانند با ابزارهایی مانند Google Drive ، Slack و GitHub ادغام شوند. کارشناسان پیشنهاد می کنند که MCP این پتانسیل را دارد که ادغام های AI کسب و کار را به همان روشی که معماری خدمات گرا (SOA) (SOA) و سایر پروتکل ها باعث تغییر در قابلیت همکاری برنامه ها شده است ، تغییر دهد.
وی گفت: “داشتن یک پروتکل استاندارد صنعت برای خطوط لوله داده بین LLMS و منابع داده یک تغییر دهنده بازی است. مشابه REST و SQL در صنعت نرم افزار پروتکل های استاندارد مانند MCP می توانند به تیم ها کمک کنند تا برنامه های Genai را سریعتر و با قابلیت اطمینان بهتر بسازند. ” گیدئون مندلز ، بنیانگذار و مدیر عامل شرکت دنباله دار پلت فرم ارزیابی مدل AI ، به من گفت. “این به دنبال تحقق بازار در شش ماه گذشته است که یک مدل عالی LLM کافی نیست. “
Anthropic همچنین فاش کرد که پذیرندگان شرکت های اولیه از جمله Block و Apollo قبلاً MCP را در سیستم های خود ادغام کرده اند. در همین حال ، ارائه دهندگان ابزار توسعه مانند ZED ، Replit ، Codeium و Source Graph با MCP برای ارتقاء سیستم عامل های خود همکاری می کنند. این مشارکت با هدف کمک به مدل ها و نمایندگان هوش مصنوعی از طریق داده های زمان واقعی ، به طور مؤثرتر زمینه را بازیابی می کند ، و با بهره وری بیشتر ، خروجی های ظریف را برای کارهای سازمانی مانند برنامه نویسی تولید می کند.
ماشا لوین ، کارآفرین در محل اقامت به یک روش سرمایه گذاری ، به من گفت: “مدل های هوش مصنوعی که مانند انسان تر و خودآگاه تر هستند ، می توانند این فناوری را احساس کنند ، که می تواند پذیرش گسترده تری داشته باشد.” وی گفت: “هنوز هم در اطراف هوش مصنوعی ترس زیادی وجود دارد ، که بسیاری آن را صرفاً یک دستگاه می بینند. انسان سازی این مدل ها می تواند به سهولت این ترس ها و تقویت ادغام نرم تر در زندگی روزمره کمک کند. ”
لوین همچنین در مورد نزولی بالقوه هشدار داد. “این خطر وجود دارد که مشاغل ممکن است برای پشتیبانی بیش از حد به هوش مصنوعی متکی شوند و به آن اجازه می دهند تا به روش های شدید بر تصمیمات آنها تأثیر بگذارد ، که می تواند منجر به عواقب مضر شود.”
با این حال ، آزمایش واقعی برای MCP توانایی آن در دستیابی به پذیرش گسترده و پیشی گرفتن رقبای خود در یک بازار شلوغ خواهد بود.
Anthropic MCP در مقابل Openai و Perplexity: نبرد برای استانداردهای نوآوری AI
در حالی که رویکرد منبع باز MCP Anthropic یک پیشرفت قابل توجه برای نوآوری هوش مصنوعی است ، وارد یک منظره رقابتی می شود که تحت سلطه غول های فنی مانند Openai و سرگیجه است.
ویژگی “کار با برنامه ها” اخیر OpenAi برای ویترین های چتپپ ویترین قابلیت های مشابه را نشان می دهد ، اگرچه با تمرکز اختصاصی بر اولویت بندی مشارکتهای نزدیک بر روی استانداردهای باز. این ویژگی به ChatGPT اجازه می دهد تا داده ها و محتوا را از برنامه های دیگر دسترسی و تجزیه و تحلیل کند – اما فقط با اجازه کاربر ، نیاز به توسعه دهندگان برای کپی کردن و چسباندن دستی. در عوض ، ChatGPT می تواند داده ها را مستقیماً از یک برنامه بررسی کند و به دلیل ادغام آن با داده های اینترنتی در زمان واقعی ، پیشنهادات هوشمندانه و آگاهانه را ارائه دهد.
علاوه بر این ، این شرکت همچنین معماری داده های زمان واقعی خود را در ماه اکتبر با نام “API Realtime” معرفی کرد که دستیاران صوتی را قادر می سازد با کشیدن زمینه تازه از اینترنت ، به طور مؤثرتری پاسخ دهند. به عنوان مثال ، یک دستیار صوتی می تواند سفارش را از طرف کاربر یا بازیابی اطلاعات مربوط به مشتری برای ارائه پاسخ های شخصی قرار دهد. اوپای در یک گفت: “اکنون با API Realtime و به زودی با صدا در API تکمیل چت ، توسعه دهندگان دیگر مجبور نیستند چندین مدل را برای برقراری این تجربیات بخیه بزنند.” پست وبلاگبشر “در زیر کاپوت ، API Realtime به شما امکان می دهد یک اتصال مداوم WebSocket برای تبادل پیام با GPT-4O ایجاد کنید.”
به همین ترتیب ، پروتکل داده های زمان واقعی Perplexity برای هوش مصنوعی ، معروف به “PPLX-API، “دسترسی به مدل بزرگ زبان خود (LLM) را به توسعه دهندگان می دهد. این API به برنامه ها اجازه می دهد تا نمایش داده های زبان طبیعی را ارسال کرده و اطلاعات دقیق و واقعی را از وب دریافت کنند. از طریق یک نقطه پایانی API ، این امکان را برای بازیابی داده ها به روز و پاسخ های آگاه از متن برای برنامه های هوش مصنوعی فراهم می کند و به توسعه دهندگان این امکان را می دهد تا برنامه هایی را بسازند که با آخرین اطلاعات مطابقت داشته باشند.
“به طور معمول ، صنعت تمایل به استاندارد سازی در یک راه حل منبع باز دارد ، اما اغلب سالها طول می کشد. بسیار محتمل است که Openai سعی کند پروتکل های بیشتری را معرفی کند. ” “اما اگر MCP به عنوان اولین استاندارد در نوع خود ، تصویب گسترده ای را بدست آورد ، می توانیم تکنیک ها را ببینیم و بهترین شیوه ها شروع به استاندارد سازی در اطراف آن می کنند.”
آیا Anthropic MCP می تواند استانداردی را برای ادغام هوش مصنوعی آگاه تنظیم کند؟
علیرغم پتانسیل آن ، MCP انسان شناسی با چالش های قابل توجهی روبرو است. امنیت یک نگرانی اصلی است ، زیرا امکان دسترسی به سیستم های هوش مصنوعی برای دسترسی به داده های حساس سازمانی ، در صورت سرکوب سیستم ، خطر نشت را افزایش می دهد. علاوه بر این ، توسعه دهندگان متقاعد کننده که قبلاً در اکوسیستم های مستقر برای اتخاذ MCP وارد شده اند می تواند دشوار باشد.
مسئله دیگر ، اندازه دقیق داده ها است ، طبق گفته JD Raimondi ، رئیس علوم داده در شرکت توسعه فناوری اطلاعات. او به من گفت ، “انسان شناسی رهبر آزمایش هایی است که منجر به زمینه های بزرگ می شود ، اما صحت مدل ها بسیار رنج می برند. این احتمال وجود دارد که آنها با گذشت زمان بهتر شوند و از نظر عملکرد ، ترفندهای زیادی برای پذیرش سرعت وجود دارد. “
در حالی که Anthropic ادعا می کند که MCP توانایی AI در بازیابی و متناسب سازی داده ها را بهبود می بخشد ، عدم وجود معیارهای بتونی برای حمایت از این ادعاها ممکن است مانع تصویب شود. مردم شناسی گفت: “این که آیا شما یک توسعه دهنده ابزار هوش مصنوعی هستید ، شرکتی که به دنبال بهره گیری از داده های موجود است ، یا یک فرزندخوانده اولیه در حال کاوش در مرز است ، ما از شما دعوت می کنیم تا آینده AI Aware Aware را با هم بسازید.”
از آنجا که توسعه دهندگان قابلیت های MCP را آزمایش می کنند ، این صنعت در حال مشاهده خواهد بود تا ببیند آیا این استاندارد باز می تواند کشش مورد نیاز را برای تبدیل شدن به معیار ادغام هوش مصنوعی آگاه داشته باشد. مندلز نشان می دهد كه استاندارد سازی می تواند یك حرکات هوشمندانه برای تعامل با انسان شناسی باشد ، و به تیم ها اجازه می دهد تا با ترکیب های مختلف ابزارها آزمایش كنند تا بهترین موارد را برای نیازهای خود تعیین كنند. مندلز خاطرنشان كرد: “در حال حاضر ، خیلی زود است كه بگوییم بسیاری از فرآیندهای موجود در اکوسیستم هوش مصنوعی استاندارد هستند.” وی گفت: “با وقوع سریع نوآوری ، بهترین شیوه های امروز ممکن است تا هفته آینده منسوخ شود. فقط زمان می گوید آیا پروتکل مانند MCP می تواند در استاندارد سازی بازیابی داده های زمینه موفق شود. “
