از اتاری تا online EVE ; مسیر دیپ مایند تا Agent های هوش مصنوعی

گوگل دیپ‌مایند در مطلبی که در ۲۱ اوت ۲۰۲۶ منتشر کرده، مسیر ۱۵ ساله تحقیقات خود در زمینه هوش مصنوعی و بازی‌ها را بررسی کرده است؛ مسیری که از بازی‌های Atari آغاز شد و با پروژه‌هایی مانند AlphaGo، AlphaZero، MuZero و AlphaStar ادامه پیدا کرد و حالا به تحقیقات روی Agentهای عمومی‌تر و محیط‌های پیچیده‌ای مانند EVE Online رسیده است.

هدف این تحقیقات دیگر صرفاً ساخت هوش مصنوعی‌ای نیست که در یک بازی امتیاز بالایی بگیرد. DeepMind اکنون روی سیستم‌هایی تمرکز دارد که بتوانند محیط را ببینند، زبان طبیعی را بفهمند، تصمیم‌گیری کنند، با محیط تعامل داشته باشند، از تجربه یاد بگیرند و در شرایط جدید خود را با وضعیت تطبیق دهند. نمونه مهم این رویکرد، SIMA 2 است که با مدل‌های Gemini ترکیب شده و از یک سیستم صرفاً دستورپذیر به یک Agent تعاملی‌تر تبدیل شده است.

Agent چیست؟

یک مدل زبانی معمولی عمدتاً به سؤال شما پاسخ می‌دهد؛ اما یک Agent می‌تواند برای رسیدن به یک هدف، چند مرحله را خودش برنامه‌ریزی کند، از ابزارهای مختلف استفاده کند، نتیجه اقدامات خود را بررسی کند و در صورت نیاز مسیرش را تغییر دهد.

مسیر DeepMind از کجا شروع شده است؟

DeepMind ابتدا از بازی‌های Atari استفاده کرد. سیستم DQN توانست با مشاهده مستقیم تصویر بازی، ۴۹ بازی مختلف Atari را یاد بگیرد؛ بدون اینکه برای هر بازی به‌صورت اختصاصی مهندسی شده باشد. این پژوهش در سال ۲۰۱۵ منتشر شد و یکی از نقاط مهم توسعه Deep Reinforcement Learning بود.

بعد از آن، پروژه‌های مهم‌تری شکل گرفتند:

• AlphaGo: شکست قهرمان جهان Go
• AlphaGo Zero: یادگیری از Self-Play، بدون داده انسانی
• AlphaZero: استفاده از یک رویکرد عمومی برای Chess، Shogi و Go
• MuZero: یادگیری بدون دانستن مستقیم قوانین محیط
• AlphaStar: رسیدن به سطح Grandmaster در StarCraft II

نکته مهم این است که DeepMind می‌گوید بعضی از ایده‌هایی که ابتدا در بازی آزمایش شدند، بعدها به مسائل خارج از بازی نیز کمک کردند؛ نمونه مهم آن ارتباط مسیر پژوهشی بازی‌ها با AlphaFold و پیشرفت در پیش‌بینی ساختار پروتئین است.

تغییر بزرگ از «بردن بازی» به «فهمیدن محیط»

در نسل قبلی، مسئله این بود: چطور AI را طوری آموزش دهیم که در یک بازی برنده شود؟

اما SIMA مسئله متفاوتی را دنبال می‌کند: آیا AI می‌تواند یک محیط دیجیتال را مانند انسان ببیند، بفهمد و در آن عمل کند؟

SIMA مخفف Scalable Instructable Multiworld Agent است؛ یعنی یک Agent که می‌تواند در محیط‌های مختلف، دستورهای انسانی را دریافت کند و به انجام آن‌ها بپردازد.

SIMA برخلاف بسیاری از سیستم‌های اختصاصی بازی، برای تعامل خود به API یا Source Code بازی وابسته نیست؛ بلکه مانند یک کاربر انسانی، محیط را از طریق تصویر مشاهده کرده و با Keyboard و Mouse با آن تعامل می‌کند.

در SIMA 2 این قابلیت‌ها یک مرحله جلوتر رفته‌اند. DeepMind می‌گوید SIMA 2 می‌تواند:

• دستور زبان طبیعی را درک کند؛
• درباره هدف خود Reasoning انجام دهد؛
• با کاربر گفت‌وگو کند؛
• در محیط‌های جدید تعمیم پیدا کند؛
• از تجربه خود برای بهبود عملکرد استفاده کند.

Reasoning یعنی سیستم صرفاً یک پاسخ از پیش تعیین‌شده ارائه نکند، بلکه برای رسیدن به هدف، مراحل و انتخاب‌های لازم را بررسی کند.

Generalization (تعمیم) یعنی اگر سیستم با یک محیط یا مسئله جدید روبه‌رو شد، الزاماً نیاز نداشته باشد برای آن محیط از صفر برنامه‌ریزی شود.

چرا EVE Online برای این تحقیقات مهم است؟

Google DeepMind با Fenris Creations، سازنده EVE Universe، همکاری تحقیقاتی دارد. EVE Online یک دنیای مجازی بسیار بزرگ و دائمی است که اقتصاد، تجارت، اتحادها، جنگ‌ها و تعاملات اجتماعی آن تا حد زیادی توسط بازیکنان شکل می‌گیرد.

DeepMind چهار ویژگی EVE را برای تحقیقات AI بسیار مهم می‌داند:

1. Continual Learning (یادگیری مستمر): AI باید بتواند مهارت‌های جدید یاد بگیرد بدون اینکه مهارت‌های قبلی را از دست بدهد.
2. Memory (حافظه): سیستم باید بتواند اطلاعات و تجربیات گذشته را در بازه‌های زمانی طولانی نگهداری و بازیابی کند.
3. Long-Horizon Planning (برنامه‌ریزی بلندمدت): برخی تصمیم‌ها فقط در چند ثانیه نتیجه نمی‌دهند؛ ممکن است اثر آن‌ها هفته‌ها یا ماه‌ها بعد مشخص شود.
4. Multi-Agent Dynamics (تعامل چندعامل): چند Agent یا انسان می‌توانند همزمان همکاری، رقابت، مذاکره و تصمیم‌گیری کنند.

این چهار مورد از مهم‌ترین مفاهیم خبر هستند؛ چون شباهت زیادی به چالش‌هایی دارند که در سیستم‌های واقعی و پیچیده نیز وجود دارند.

کاربرد واقعی این فناوری چیست؟

اینجا باید بین کاربرد مستقیم و کاربرد قابل‌انتقال تفاوت بگذاریم.

در حال حاضر نمی‌توان گفت SIMA 2 آمده تا Kubernetes را مدیریت کند یا Terraform بنویسد. چنین چیزی در خبر DeepMind اعلام نشده است.

اما معماری Agentic که DeepMind روی آن تحقیق می‌کند، با روندی که در ابزارهای عملی AI نیز دیده می‌شود، یک مفهوم مهم دارد: AI از یک ابزار پاسخ‌دهنده به سیستمی تبدیل می‌شود که می‌تواند وضعیت را مشاهده کند، تصمیم بگیرد، ابزار استفاده کند و نتیجه اقدام خود را بررسی کند.

برای مثال، AWS اکنون DevOps Agent را برای بررسی خودکار Incidentها توسعه داده است؛ این Agent می‌تواند Metrics، Logs، Traces، تغییرات کد و تاریخچه Deployment را بررسی کرده و برای Root Cause و Mitigation پیشنهاد ارائه کند.

بنابراین، ارزش خبری SIMA فقط در «بازی» نیست؛ بلکه در نشان دادن مسیری است که AI Agentها برای تعامل با محیط‌های پیچیده طی می‌کنند.

SRE چیست؟

SRE یا Site Reliability Engineering رویکردی برای حفظ Reliability و Availability سرویس‌هاست؛ یعنی اینکه سیستم تا حد ممکن پایدار بماند و در زمان خرابی سریع بازیابی شود.

• کاربرد اول – Root Cause Analysis: به جای بررسی دستی هزاران Log، Agent می‌تواند داده‌های مختلف را کنار هم قرار دهد. AWS CloudWatch Investigations برای همین منظور می‌تواند Metrics، Logs، Deployment Events و فرضیه‌های Root Cause را در یک Investigation جمع‌آوری کند.
• کاربرد دوم – جلوگیری از Incident: Agent فقط بعد از خراب شدن سیستم فعال نمی‌شود؛ می‌توان از تحلیل تاریخچه Incidentها برای شناسایی الگوهایی که احتمال خرابی آینده را افزایش می‌دهند استفاده کرد. AWS نیز در DevOps Agent قابلیت Proactive Incident Prevention را برای تحلیل الگوهای Incident و ارائه پیشنهادهای پیشگیرانه معرفی کرده است.

Backend Developer

Backend بخشی از یک نرم‌افزار است که منطق اصلی، Database، API و پردازش‌های سمت سرور را مدیریت می‌کند.

• کاربرد اول – Debugging: Agent می‌تواند Repository، Error Log، Stack Trace و تست‌ها را بررسی کرده و به Developer برای پیدا کردن مشکل کمک کند. این دیگر صرفاً یک ایده تحقیقاتی نیست؛ ابزارهای Agentic امروزی می‌توانند با فایل‌ها کار کنند، کد را تغییر دهند و آن را در محیط کنترل‌شده اجرا کنند. OpenAI در نسخه جدید Agents SDK چنین قابلیت‌هایی را برای اجرای کارهای چندمرحله‌ای و کار با فایل و کد ارائه کرده است.
• کاربرد دوم – Code Review و Testing: Agent می‌تواند تغییرات یک Pull Request را بررسی کند، تست‌های مرتبط را پیشنهاد دهد و مشکلات احتمالی را پیدا کند. OpenAI نیز Code Review را از نمونه‌های کاربردی Agentها معرفی کرده است.

AI Engineer

این گروه شاید مستقیم‌ترین ارتباط را با خبر داشته باشد. AI Engineer کسی است که مدل‌های AI را به سیستم‌ها و محصولات واقعی متصل می‌کند و برای آن‌ها Pipeline، Agent، Tool و Infrastructure می‌سازد.

• کاربرد اول – ساخت Agentهای چندمرحله‌ای: SIMA نشان می‌دهد یک Agent می‌تواند از الگوی Observe → Understand → Plan → Act → Evaluate (مشاهده → درک → برنامه‌ریزی → اقدام → ارزیابی) استفاده کند. این الگو می‌تواند در Agentهای خارج از بازی نیز استفاده شود.
• کاربرد دوم – Memory و Learning: یکی از چالش‌های مهم Agentهای واقعی این است که چگونه اطلاعات گذشته را به شکل مفید نگه دارند و در تصمیم‌های آینده استفاده کنند. DeepMind نیز در محیط EVE دقیقاً روی Memory و Continual Learning تمرکز کرده است.

Security Engineer

Security Engineer مسئول طراحی و حفظ امنیت سیستم‌ها، شبکه‌ها، نرم‌افزارها و داده‌هاست.

• کاربرد اول – تحلیل رخدادهای امنیتی: Agent می‌تواند حجم بزرگی از Logها و Eventها را بررسی کند و ارتباط بین رخدادهای ظاهراً جدا را پیدا کند. AWS در راهنمای DevSecOps خود استفاده از AI برای Log Analysis، تشخیص Incident و Root Cause Analysis را به‌عنوان کاربردهای عملی مطرح می‌کند.
• کاربرد دوم – Incident Response: در یک حمله امنیتی، سرعت تحلیل اهمیت زیادی دارد. AI می‌تواند برای Triage، جمع‌آوری شواهد و تحلیل اولیه کمک کند. اما اینجا یک نکته حیاتی وجود دارد: Agent نباید بدون محدودیت به سیستم‌های حساس دسترسی داشته باشد. OpenAI نیز برای Agentها بر Guardrails، کنترل دسترسی و Human-in-the-loop تأکید می‌کند.

DevOps، Kubernetes و Terraform؛ آیا SIMA مستقیماً کاربرد دارد؟

خیر، حداقل بر اساس این خبر نمی‌توان چنین ادعایی کرد. اما ایده Agent قابل انتقال است.

حوزه	کاربرد قابل تصور Agent	وضعیت
Monitoring	تحلیل Metrics و Alert	عملی و در حال استفاده
Log Analysis	پیدا کردن الگو و خطا	عملی
Incident Response	تحلیل Root Cause	عملی
CI/CD	بررسی Pipeline و Failure	قابل استفاده
Kubernetes	تحلیل وضعیت Cluster و Workload	قابل استفاده با Tool Integration
Terraform	بررسی تغییرات Infrastructure	قابل استفاده با Agent + Tool
Automation	اجرای Workflowهای چندمرحله‌ای	عملی
Security	Triage و تحلیل رخداد	عملی با محدودیت دسترسی

AWS مستند کرده که Agentهای عملیاتی می‌توانند به داده‌های واقعی زیرساخت مانند Lambda، DynamoDB، EKS، Certificateها و Configurationها دسترسی داشته باشند و با زبان طبیعی درباره وضعیت آن‌ها سؤال شوند.

بنابراین SIMA را نباید یک ابزار DevOps معرفی کرد؛ بلکه باید آن را بخشی از روند بزرگ‌تر حرکت AI به سمت Agentهایی دانست که قادر به تعامل با محیط و انجام وظایف چندمرحله‌ای هستند.

تحلیل اختصاصی سماتک؛ نکته مهم خبر برای بازار کار چیست؟

مهم‌ترین پیام این خبر برای متخصصان IT این نیست که «هوش مصنوعی وارد بازی‌سازی شده است». DeepMind سال‌هاست از بازی به‌عنوان محیط آزمایش AI استفاده می‌کند. پیام مهم‌تر این است که AI در حال حرکت از تولید پاسخ به سمت انجام کار است.

برای یک برنامه‌نویس، این یعنی صرفاً دانستن Syntax یک زبان برنامه‌نویسی در آینده ارزش کمتری نسبت به توانایی طراحی و مدیریت یک سیستم واقعی خواهد داشت. Developer باید بتواند مسئله را تعریف کند، Agent را به ابزار مناسب متصل کند، خروجی آن را ارزیابی کند و محدودیت‌های امنیتی آن را تعیین کند. مسیر توسعه Agentهای OpenAI نیز نشان می‌دهد که Tool Use، Sandbox، Memory، Observability و Guardrails به اجزای مهم این معماری تبدیل شده‌اند.

برای متخصصان DevOps و SRE نیز مفهوم مشابهی شکل گرفته است. در گذشته Automation عمدتاً بر اساس Script و Ruleهای از پیش تعیین‌شده انجام می‌شد؛ اما Agent می‌تواند بر اساس وضعیت لحظه‌ای سیستم تصمیم بگیرد که کدام ابزار یا مرحله بعدی لازم است. AWS نمونه‌های واقعی چنین رویکردی را در Incident Investigation و Autonomous Incident Response ارائه کرده است.

در نتیجه، بازار کار الزاماً به سمت «حذف برنامه‌نویس» حرکت نمی‌کند؛ بلکه بخشی از کارهای تکراری و عملیاتی به Agentها واگذار می‌شود و ارزش متخصصی که معماری، امنیت، زیرساخت، کدنویسی و نحوه کنترل AI را بلد است، بیشتر می‌شود.

برای یک دانشجوی IT یا برنامه‌نویسی، مسیر منطقی این نیست که فقط یک ابزار AI را یاد بگیرد. مسیر بهتر این است که ابتدا یک پایه فنی مثل Python، Linux، Git، شبکه و Backend داشته باشد و سپس سراغ Cloud، DevOps، API، LLM و Agentها برود. این ترکیب باعث می‌شود فرد نه فقط مصرف‌کننده AI، بلکه سازنده سیستم‌های AI محور باشد.

سماتک نیز در مسیرهای آموزشی خود حوزه‌هایی مانند Python، برنامه‌نویسی، شبکه، Linux و DevOps را پوشش می‌دهد؛ بنابراین این خبر را می‌توان به‌عنوان نمونه‌ای از اهمیت ترکیب این مهارت‌های پایه با فناوری Agentic AI دید.

از این خبر چه چیزی یاد می‌گیریم؟

اگر تازه وارد این حوزه شده‌اید، این اصطلاحات را به ترتیب یاد بگیریم:

Python → API → Linux → Git → Cloud → DevOps → Docker/Kubernetes → Machine Learning → LLM → AI Agents

برای مثال، اگر Python بلد باشید، می‌توانید Automation بنویسید. وقتی API را یاد بگیرید، می‌توانید سرویس‌های مختلف را به هم متصل کنید. با Linux و Cloud می‌توانید آن سیستم را روی زیرساخت واقعی اجرا کنید و با مفاهیم Agent می‌توانید به سیستم اجازه دهید بر اساس وضعیت محیط، تصمیم‌های چندمرحله‌ای بگیرد.

سماتک نیز دوره‌های Python و مسیرهای مرتبط با DevOps و شبکه را ارائه می‌کند. برای نمونه، در دوره Python پیشرفته این مجموعه موضوعاتی مانند API، Automation، Git و پروژه‌های عملی مطرح شده است.

جمع‌بندی

Google DeepMind در ۱۵ سال گذشته از بازی‌ها به‌عنوان محیطی برای آزمایش و توسعه هوش مصنوعی استفاده کرده و اکنون این مسیر را به سمت Agentهایی سوق می‌دهد که می‌توانند محیط را درک کنند، تصمیم بگیرند، عمل کنند و از تجربه خود استفاده کنند. همکاری با Fenris Creations و استفاده از EVE Universe نیز فرصتی برای مطالعه Memory، Continual Learning، برنامه‌ریزی بلندمدت و تعامل چندعامل در محیطی بسیار پیچیده است.

برای مخاطب فنی سماتک، اهمیت اصلی این خبر در خود بازی‌ها نیست؛ بلکه در آینده Agentic AI است. همان قابلیت‌هایی که در یک دنیای مجازی آزمایش می‌شوند—مشاهده محیط، تصمیم‌گیری، استفاده از ابزار، یادگیری از تجربه و برنامه‌ریزی بلندمدت—در حال ورود به توسعه نرم‌افزار، Cloud، DevOps، SRE و Security هستند. نمونه‌های عملی AWS و OpenAI نشان می‌دهند این تغییر از مرحله تحقیقاتی فراتر رفته و وارد ابزارهای مهندسی واقعی شده است.

سوالات شما

SIMA 2 دقیقاً چیست؟
SIMA 2 یک Agent تحقیقاتی Google DeepMind است که با استفاده از مدل‌های Gemini می‌تواند در محیط‌های سه‌بعدی، زبان طبیعی را درک کند، درباره اهداف خود Reasoning انجام دهد و با محیط تعامل داشته باشد.

آیا SIMA 2 یک ابزار DevOps است؟
خیر. DeepMind آن را برای تحقیقات AI در محیط‌های مجازی و بازی‌ها توسعه داده است. ارتباط آن با DevOps و سایر حوزه‌های IT بیشتر در مفهوم عمومی Agentها و قابلیت‌های قابل‌انتقال آن‌ها است، نه یک محصول مستقیم DevOps.

آیا Agentها جایگزین DevOps Engineer یا Developer می‌شوند؟
در حال حاضر بهتر است آن‌ها را ابزارهای افزایش توان متخصص در نظر بگیریم. Agent می‌تواند بخشی از تحلیل، Automation، Coding و Incident Response را انجام دهد، اما طراحی معماری، تعیین دسترسی‌ها، کنترل ریسک و تصمیم‌های حساس همچنان به نظارت متخصص نیاز دارد. AWS و OpenAI هر دو بر کنترل، Guardrails و معماری امن Agentها تأکید دارند.

چرا EVE Online برای DeepMind مهم است؟
چون EVE یک محیط بزرگ، دائمی و پویاست که در آن اقتصاد، همکاری، رقابت، تعامل اجتماعی و تصمیم‌های بلندمدت وجود دارد؛ بنابراین محیط مناسبی برای آزمایش قابلیت‌هایی مانند حافظه، یادگیری مستمر و برنامه‌ریزی بلندمدت است.

منابع اصلی و فنی

• Google DeepMind — From Atari to EVE Online
• Google DeepMind — SIMA 2
• AWS — DevOps Agent و Incident Response
• AWS — CloudWatch Investigations
• AWS — Generative AI در DevSecOps
• OpenAI — راهنمای ساخت AI Agentها
• OpenAI — Agents SDK و ابزارهای ساخت Agent
• OpenAI — نسل جدید Agents SDK و Sandbox