نخستین یادداشت تفصیلی Justin Lin پس از کناره‌گیری از هدایت Qwen در Alibaba: چرخش از آموزش مدل‌ها به آموزش ایجنت‌ها

در تاریخ ۲۶ مارس، Justin Lin، مدیر فنی پیشین پروژه Tongyi Qwen (متعلق به Alibaba)، یادداشت بلندی را با عنوان «From 'Reasoning' Thinking to 'Agentic' Thinking» در شبکه‌های اجتماعی منتشر کرد. این نخستین متن تحلیلی تفصیلی او پس از استعفا از Alibaba در ابتدای ماه جاری به شمار می‌رود. Lin در این یادداشت ضمن بررسی جامع ویژگی‌های مرحله کنونی مدل‌های استدلالی، مسیر توسعه آتی هوش مصنوعی را تبیین کرده است: گذار از آموزش مدل‌ها به سوی آموزش ایجنت‌ها. از «تفکر طولانی‌تر» تا «تفکر با هدف اقدام» Justin Lin در آغاز، میان دو الگوی فکری کاملاً مجزا تفکیک قائل می‌شود: «تفکر استدلالی» و «تفکر ایجنتی». هسته تفکر استدلالی، کیفیت استنتاج درونی مدل پیش از ارائه پاسخ نهایی است؛ به این معنا که آیا مدل توان حل یک قضیه، نگارش درست کد یا قبولی در ارزیابی‌های معیار (benchmark) را دارد یا خیر. مدل‌های o1 از OpenAI و DeepSeek-R1 نمایندگان بارز این الگو هستند. آن‌ها نشان دادند که یادگیری تقویتی بر بستر مدل‌های زبانی—در صورت برخورداری از سیگنال‌های بازخوردی قطعی، پایدار و مقیاس‌پذیر همراه با زیرساخت‌های قدرتمند—می‌تواند جهش‌های شناختی کیفی ایجاد کند. اما به باور Lin، پرسش کلیدی مرحله بعد این است: تفکر ایجنتی چگونه محقق می‌شود؟ این الگو به این موضوع می‌پردازد که آیا مدل در جریان تعامل با محیط می‌تواند پیوسته به پیش برود یا خیر. مسئله بنیادین دیگر این نیست که «آیا مدل می‌تواند به اندازه کافی عمیق و طولانی فکر کند؟»، بلکه این است که «آیا مدل می‌تواند به شیوه‌ای فکر کند که از اقدامات کارآمد پشتیبانی کند؟» این تمایز مستلزم آن است که تفکر ایجنتی به چالش‌هایی پاسخ دهد که مدل‌های صرفاً استدلالی هرگز با آن‌ها روبه‌رو نبوده‌اند: چه زمانی تفکر متوقف و اقدام آغاز شود؟ ابزارها چگونه انتخاب و اولویت‌بندی شوند؟ با بازخوردهای ناقص و نویزی محیط چگونه برخورد شود؟ در صورت شکست یک اقدام، برنامه چگونه بازبینی شود؟ و چگونه انسجام فکری در تعاملات بلندمدت حفظ شود؟ Lin نتیجه می‌گیرد: «تفکر ایجنتی، یعنی استدلال از مسیر عمل.» او پیش‌بینی می‌کند که این رویکرد به مرور جایگزین الگوی سنتی «تک‌گویی درونی» خواهد شد؛ فرایندی درازدامن و بسته که تلاش می‌کرد ناتوانی خود در برقراری تعامل با دنیای بیرونی را با تولید کلماتِ هرچه بیشتر جبران کند. حتی در مواجهه با پیچیده‌ترین مسائل ریاضی یا برنامه‌نویسی، یک سامانه واقعاً پیشرفته باید توانایی جست‌وجو، شبیه‌سازی، اجرا، بررسی و اصلاح را داشته باشد. Lin می‌نویسد: «در اوایل سال ۲۰۲۵، تیم Qwen بلندپروازی بزرگی داشت: ساخت سامانه‌ای یکپارچه که حالت تفکر و حالت دستورپذیری را ترکیب کند؛ به‌گونه‌ای که شدت استدلال در سه سطح کم، متوسط و زیاد تنظیم شود. ایدئال‌تر آن بود که مدل خودش از روی پرامپت و بافت متن تشخیص دهد چه مقدار باید فکر کند؛ به پرسش‌های ساده بی‌درنگ پاسخ دهد و برای مسائل پیچیده، توان محاسباتی بیشتری صرف کند.» او با ارزیابی این تجربه یادآور شد که مانع اصلی نه در معماری مدل، بلکه در داده‌ها نهفته بود. مزیت اصلی مدل‌های دستورپذیر کارآمد، صراحت، فشردگی، رعایت ساختار و تأخیر پایین در خدمت‌رسانی به پردازش‌های با حجم بالای سازمانی است؛ در مقابل، یک مدل فکری برجسته نیازمند مصرف بیشتر توکن، حفظ ساختار استدلالی میانی منسجم، آزمودن مسیرهای گوناگون حل مسئله و بهره‌گیری از توان محاسباتی درونی کافی برای ارتقای چشمگیر دقت نهایی است. این دو الگوی رفتاری به‌طور ذاتی با یکدیگر تداخل دارند. اگر داده‌های تلفیقی با دقت بالا پالایش نشوند، نتیجه معمولاً مدلی متوسط در هر دو زمینه خواهد بود: فرایند «تفکر» آشفته، زائد و با قدرت تصمیم‌گیری پایین می‌شود، و رفتار «دستورپذیری» دیگر قاطع نبوده، قابلیت اتکای خود را از دست می‌دهد و هزینه‌اش از حد نیازهای تجاری فراتر می‌رود. از همین رو، در نیمه دوم سال ۲۰۲۵، نسخه ۲۵۰۷ مجموعه Qwen در قالب دو نگارش مجزای Instruct و Thinking عرضه شد. Lin معتقد است دستیابی به یک ادغام موفقیت‌آمیز، به یک طیف پیوسته از شدت استدلال نیاز دارد و نه کلیدی برای تغییر حالت؛ مسیری که مشخصاً در سازوکار effort control مدل GPT دنبال می‌شود. سه چالش پیش‌رو گذار به سوی تفکر ایجنتی سه سطح از چالش‌های بنیادین را به همراه دارد: نخست، بازطراحی زیرساخت‌ها. Lin اشاره می‌کند که در یادگیری تقویتی ایجنت‌ها، مدل دیگر یک ساختار منفرد و ایزوله نیست، بلکه درون یک چارچوب یکپارچه‌ساز بزرگ (Harness) جای می‌گیرد که شامل سرورهای ابزار، مرورگرها، پایانه‌ها، موتورهای جست‌وجو، شبیه‌سازها، محیط‌های ایزوله Sandbox، لایه‌های API، سامانه‌های حافظه و چارچوب‌های هماهنگ‌سازی است. فرایند آموزش و استنتاج باید بسیار اساسی‌تر از گذشته از یکدیگر تفکیک شوند، در غیر این صورت توان عملیاتی نمونه‌گیری به شدت سقوط خواهد کرد. او تأکید دارد که این دیگر صرفاً مسئله مدل‌سازی نیست، بلکه یک چالش مهندسی سیستم است. دوم، تبدیل شدن خود «محیط» به موضوع پژوهش. در عصر تنظیم دقیق نظارت‌شده (SFT)، تمرکز صنعت بر تنوع داده‌ها بود؛ اما در عصر ایجنت‌ها، تمرکز باید بر «کیفیت محیط» معطوف باشد؛ از جمله پایداری، واقع‌گرایی، غنای حالات و توانایی جلوگیری از دور زدن قواعد توسط مدل. Lin اشاره می‌کند که ساخت محیط‌ها از یک فعالیت جانبی، در حال تبدیل شدن به یک مسیر کارآفرینی مستقل و جدی است. پیچیده‌ترین چالش، سوءاستفاده از پاداش (reward hacking) است. Lin معتقد است به محض اینکه مدل به ابزارها دسترسی پیدا کند، امکان تقلب بسیار ساده‌تر می‌شود: مدلی با قابلیت جست‌وجو ممکن است حین آموزش یادگیری تقویتی مستقیماً پاسخ را جست‌وجو کند، یا یک ایجنت برنامه‌نویسی ممکن است از آسیب‌پذیری‌های موجود در مخزن کد میان‌بُر بزند. وجود رخنه در محیط باعث می‌شود سیاستی که به ظاهر فوق‌العاده عمل می‌کند، در واقع راه تقلب را یاد گرفته باشد. به باور او، گلوگاه‌های واقعی پژوهش در آینده، طراحی محیط، مقاومت و استحکام ارزیاب‌ها و سازوکارهای ضدتقلب خواهد بود. تفکر ایجنتی همچنین مستلزم مهندسی پیشرفته چارچوب‌های یکپارچه‌ساز (Harness) است. هوش بنیادین سامانه‌ها بیش از پیش وابسته به چگونگی سازماندهی چندین ایجنت خواهد بود: یک هماهنگ‌کننده برای برنامه‌ریزی وظایف و تخصیص کارها، چند ایجنت تخصصی به عنوان کارشناسان حوزه‌ای، و شماری زیرایجنت برای اجرای وظایف معین، مدیریت بافت متن، جلوگیری از آلودگی داده‌ها و حفظ تفکیک میان سطوح گوناگون استدلال. Justin Lin درباره مزیت رقابتی آینده می‌نویسد: رقابت در دوران ایجنت‌ها حول محور محیط‌های برتر، پیوند منسجم‌تر آموزش و استنتاج، مهندسی قدرتمندتر Harness و ایجاد یک چرخه بسته میان تصمیم مدل و پیامد آن شکل خواهد گرفت. به تعبیر او، آینده از آموزشِ صِرفِ مدل‌ها، به سوی آموزش ایجنت‌ها و سامانه‌های ایجنتی حرکت می‌کند. بر پایه اطلاعات رسمی، Justin Lin متولد ۱۹۹۳ و جوان‌ترین مدیر فنی با رتبه P10 در Alibaba بوده است. او دوره کارشناسی علوم کامپیوتر و کارشناسی ارشد زبان‌شناسی و زبان‌شناسی کاربردی را در Peking University گذراند. پس از فارغ‌التحصیلی در سال ۲۰۱۹، فعالیت حرفه‌ای خود را در DAMO Academy وابسته به Alibaba به عنوان مهندس ارشد الگوریتم آغاز کرد. در پایان سال ۲۰۲۲، با انتقال تیم‌های هوش مصنوعی زبانی و بینایی DAMO Academy به Alibaba Cloud، آزمایشگاه Tongyi Lab تأسیس و Lin رسماً به مدیریت فنی سری مدل‌های بزرگ Tongyi Qwen منصوب شد. او به عنوان چهره شاخص پروژه Qwen، هدایت انتشار مدل‌ها، ارزیابی‌های معیار و تعاملات اجتماعی را بر عهده داشت، در سال ۲۰۲۵ تیم روباتیک و هوش تجسد‌یافته را پایه‌گذاری کرد و همواره از حامیان جدی توسعه متن‌باز شناخته می‌شد.