هوش مصنوعی دیگر فقط ابزاری برای پاسخ دادن به سوالات نیست؛ بلکه حالا می‌تواند به‌صورت عامل هوشمند (AI Agent) عمل کند و همانند یک کاربر واقعی در مرورگر کار کند. گوگل با معرفی مدل جدید Gemini 2.5 Computer Use نشان داد که آینده تعامل انسان و سیستم‌های دیجیتال وارد مرحله‌ای جدید شده است.
این مدل می‌تواند به‌صورت خودکار با صفحات وب تعامل کند. از کلیک و تایپ گرفته تا اسکرول و جابه‌جایی عناصر گرافیکی (drag & drop).
در این مقاله، به‌صورت جامع به بررسی عملکرد، ویژگی‌ها، کاربردها، تفاوت‌ها با رقبا و تأثیر آن بر آینده هوش مصنوعی می‌پردازیم.
گوگل با Gemini 2.5 Computer Use دنیای تعامل انسان و ماشین را متحول کرد
مدل Gemini 2.5 Computer Use بخشی از خانواده هوش مصنوعی Gemini گوگل است. برخلاف مدل‌های سنتی که تنها از طریق API با نرم‌افزارها ارتباط می‌گرفتند، این مدل مستقیماً با رابط گرافیکی مرورگر (GUI) کار می‌کند.
به زبان ساده، این مدل می‌تواند صفحه مرورگر را “ببیند” و مانند انسان تصمیم بگیرد که روی چه چیزی کلیک کند یا در کجا متنی بنویسد.
این قابلیت باعث می‌شود که هوش مصنوعی نه‌تنها درک متنی، بلکه درک بصری و عملی نیز پیدا کند.
در واقع، گوگل در حال ساخت پایه‌ای برای نسل بعدی عامل‌های هوشمند است که قادرند کل فرآیندهای دیجیتال را بدون نیاز به مداخله انسان انجام دهند.
نحوه عملکرد مدل Gemini 2.5 Computer Use؛ حلقه هوشمند دید و عمل
فرایند عملکرد این مدل بسیار هوشمندانه طراحی شده است و در قالب یک حلقه چهارمرحله‌ای اجرا می‌شود:
- دریافت ورودی کاربر و اسکرین‌شات صفحه مرورگر
- تحلیل تصویر و درک درخواست کاربر توسط مدل
- تعیین بهترین عمل (کلیک، تایپ، اسکرول و…)
- اجرا و تکرار تا تکمیل وظیفه
این چرخه ادامه می‌یابد تا زمانی که مأموریت کاربر به‌صورت کامل انجام شود.
به این ترتیب، مدل می‌تواند فرآیندهای پیچیده را در وب به‌صورت مستقل انجام دهد.
ویژگی‌ها و قابلیت‌های منحصربه‌فرد Gemini 2.5 Computer Use
- انجام خودکار وظایف وب بدون نیاز به API
بزرگ‌ترین مزیت این مدل، حذف وابستگی به API است. بسیاری از وب‌سایت‌ها رابط برنامه‌نویسی در دسترس ندارند، اما Gemini 2.5 مستقیماً با صفحه وب تعامل می‌کند.
- پشتیبانی از ۱۳ عمل گرافیکی مختلف
از کلیک و تایپ گرفته تا کشیدن و رها کردن، مدل می‌تواند تقریباً هر کاری را که یک کاربر انجام می‌دهد تقلید کند.
- دقت بالا در درک بصری عناصر صفحه
مدل از سیستم بینایی کامپیوتری پیشرفته برای تشخیص دکمه‌ها، فیلدها، منوها و حتی آگهی‌های تبلیغاتی استفاده می‌کند و بهترین مسیر عمل را انتخاب می‌کند.
- بهینه برای مرورگرهای مدرن
در حال حاضر، Gemini 2.5 Computer Use برای مرورگرها بهینه‌سازی شده است و در پلتفرم‌های Google AI Studio و Vertex AI در حالت Preview در دسترس توسعه‌دهندگان قرار دارد.
کاربردهای واقعی Gemini 2.5 Computer Use در دنیای دیجیتال
- خودکارسازی ورود داده‌ها به سیستم‌های CRM
مدل می‌تواند اطلاعات را از چند وب‌سایت جمع‌آوری کرده و آن‌ها را در سامانه‌های مدیریتی مانند CRM وارد کند.
- پر کردن فرم‌ها و ثبت‌نام خودکار
از ثبت‌نام در وب‌سایت‌ها گرفته تا رزرو نوبت یا ارسال فرم‌های تماس، همه می‌توانند با این مدل خودکار شوند.
- تست خودکار رابط کاربری (UI Testing)
توسعه‌دهندگان می‌توانند از مدل برای بررسی عملکرد فرم‌ها، دکمه‌ها و مسیرهای کاربری در پروژه‌های وب استفاده کنند.
- جمع‌آوری اطلاعات از وب‌سایت‌ها (Web Scraping هوشمند)
مدل می‌تواند داده‌های موردنیاز را از سایت‌ها بخواند و تحلیل کند بدون اینکه نیازی به API وجود داشته باشد.
- سازماندهی داده‌ها در محیط‌های دیجیتال
دموی رسمی گوگل نشان داد که مدل قادر است یادداشت‌های به‌هم‌ریخته را با drag & drop مرتب کند. چیزی که پیش‌تر تنها با دخالت انسان ممکن بود.
مزایا و نوآوری‌های کلیدی مدل Gemini 2.5
- درک بصری سطح بالا: تشخیص دقیق موقعیت عناصر گرافیکی.
- عملکرد مشابه انسان: شبیه‌سازی رفتار واقعی کاربر در وب.
- کاهش خطای انسانی: انجام عملیات دقیق و تکرارشونده بدون خطا.
- افزایش بهره‌وری در محیط‌های کاری: صرفه‌جویی در زمان و هزینه نیروی انسانی.
- امنیت بالا: مدل تنها در محیط مرورگر کار می‌کند و به داده‌های سیستم‌عامل دسترسی ندارد.
محدودیت‌های فعلی Gemini 2.5 Computer Use
- تمرکز صرف بر مرورگر
فعلاً این مدل توانایی کنترل اپلیکیشن‌های دسکتاپ یا فایل‌های محلی را ندارد.
- احتمال تأخیر در وظایف سنگین
فرآیند تحلیل تصویر و تصمیم‌گیری ممکن است در صفحات سنگین کمی کند شود.
- نیاز به تأیید انسانی در وظایف حساس
برای اطمینان از ایمنی، برخی اقدامات باید با تأیید کاربر انجام شود.
- نسخه پیش‌نمایش (Preview)
این نسخه هنوز در حال آزمایش است و برای استفاده سازمانی گسترده باید منتظر نسخه نهایی ماند.
مقایسه Gemini 2.5 Computer Use با ChatGPT Agent و Claude Computer Use
| ویژگی | Gemini 2.5 | ChatGPT Agent | Claude Computer Use |
|---|---|---|---|
| تعامل مستقیم با مرورگر | بله | بخشی از طریق افزونه‌ها | بله |
| کنترل سطح سیستم‌عامل | خیر | در نسخه Enterprise محدود | جزئی |
| هوش بصری درک تصویر | بسیار بالا | متوسط | بالا |
| مرحله انتشار | Preview | Stable | Preview |
| پلتفرم اجرا | Google AI Studio / Vertex AI | ChatGPT / OpenAI API | Anthropic Console |
نتیجه مقایسه نشان می‌دهد که گوگل در حوزه تعامل بصری مرورگر از رقبا جلوتر است، هرچند ChatGPT هنوز در ادغام با اپلیکیشن‌های سیستمی عملکرد بهتری دارد.
نحوه استفاده توسعه‌دهندگان از Gemini 2.5 Computer Use
- ایجاد حساب در Google AI Studio یا فعال‌سازی API در Vertex AI
- ارسال درخواست به مدل
gemini-2.5-computer-use-preview-10-2025 - افزودن اسکرین‌شات و متن دستور به ورودی مدل
- دریافت پاسخ شامل تابعی برای انجام عمل (مثلاً کلیک یا تایپ)
- اجرای آن تابع با ابزارهایی مانند Playwright یا Selenium
گوگل مستندات دقیقی برای این کار ارائه داده است که کار توسعه‌دهندگان را بسیار آسان می‌کند.
آینده هوش مصنوعی عامل‌محور و نقش Gemini 2.5 در آن
معرفی این مدل تنها یک گام کوچک نیست؛ بلکه شروع تحولی عظیم است.
در آینده‌ای نه‌چندان دور، عامل‌های هوشمند مانند Gemini قادر خواهند بود:
- با اپلیکیشن‌های دسکتاپ تعامل کنند
- وظایف ترکیبی (وب + سیستم عامل) را انجام دهند
- فرآیندهای تجاری کامل را بدون دخالت انسان اجرا کنند
این یعنی ما به سمت دنیایی پیش می‌رویم که در آن هوش مصنوعی نه‌فقط مشاور، بلکه مجری کارها خواهد بود.
خرید اکانت چت جی پی تی برای تجربه دنیای عامل‌های هوش مصنوعی
مدل Gemini 2.5 Computer Use نشان داد که گوگل در مسیر ساخت عامل‌های واقعی هوش مصنوعی قدم برداشته است. عامل‌هایی که می‌توانند مانند انسان با محیط‌های دیجیتال تعامل کنند.
اگرچه این نسخه هنوز در مرحله آزمایشی است، اما پتانسیل آن برای خودکارسازی فرآیندهای وب، بی‌نظیر است. رقابت میان گوگل، OpenAI و Anthropic در این حوزه داغ‌تر از همیشه شده و کاربران در آینده نزدیک شاهد جهشی بزرگ در توانایی‌های هوش مصنوعی خواهند بود.
برای کسانی که می‌خواهند از نزدیک تجربه تعامل با هوش مصنوعی عامل‌محور را لمس کنند، خرید اکانت چت جی پی تی می‌تواند گزینه‌ای عالی باشد تا به امکانات پیشرفته‌تر و تجربه‌ای نزدیک به آینده تعامل انسان و ماشین دست یابند.