دستیار هوش مصنوعی مانوس جدید از چین – بررسی جامع توسط هوشِکس

ما در تیم هوشِکس همیشه به دنبال کشف و آزمایش ابزارهای جدید در دنیای هوش مصنوعی هستیم. این بار تصمیم گرفتیم یک دستیار هوش مصنوعی نوظهور به نام مانوس را که توسط استارت‌آپ چینی «اثر پروانه» در شهر ووهان توسعه یافته، زیر ذره‌بین قرار دهیم. هوش مصنوعی مانوس با ادعای اینکه اولین دستیار هوش مصنوعی عمومی با قابلیت ترکیب چندین مدل هوش مصنوعی است، توجه ما را به خود جلب کرد. این ابزار که گاهی با نام هوش مصنوعی Manus AI نیز شناخته می‌شود، از مدل‌هایی مثل Claude 3.5 Sonnet و نسخه‌های تنظیم‌شده Qwen (توسعه‌یافته توسط علی‌بابا) استفاده می‌کند و می‌تواند به صورت مستقل در اینترنت جستجو کند، اطلاعات جمع‌آوری کند و وظایف پیچیده را به صورت خودکار انجام دهد.

ما در تیم هوشِکس تصمیم گرفتیم هوش مصنوعی مانوس را با آزمایش‌های دقیق و چالش‌برانگیز محک بزنیم. در این مقاله، تجربه عملی خود را از کار با هوش مصنوعی Manus AI به اشتراک می‌گذاریم. در اینجا، به بررسی جزئیات عملکرد این ابزار در انجام وظایف مختلف، نقاط قوت و ضعف آن، و مقایسه‌اش با ابزارهای مشابه مانند ChatGPT DeepResearch خواهیم پرداخت.

مانوس چیست و چطور کار می‌کند؟

هوش مصنوعی مانوس یک دستیار پیشرفته است که هدفش ارائه خدماتی فراتر از چت‌بات‌های معمولی به کاربران جهانی است. چیزی که هوش مصنوعی Manus AI را متمایز می‌کند، استفاده از ترکیبی از مدل‌های هوش مصنوعی و عامل‌های مستقل است که به آن اجازه می‌دهد وظایف پیچیده را به صورت خودکار و چندمرحله‌ای انجام دهد.

ویژگی‌های اصلی مانوس که ما بررسی کردیم:

• ترکیب مدل‌ها: مانوس از مدل‌های مختلفی مثل Claude 3.5 Sonnet و Qwen استفاده می‌کند و بسته به نوع وظیفه، بهترین مدل را انتخاب می‌کند.
• پنجره شفافیت (کامپیوتر مانوس): این قابلیت به ما اجازه داد مراحل انجام کار را ببینیم و در صورت نیاز، تنظیمات را تغییر دهیم.
• یادگیری پویا: هر بار که بازخورد می‌دادیم، مانوس عملکردش را بهبود می‌داد.
• خروجی قابل دانلود: نتایج را می‌توانستیم در فرمت‌های Word یا Excel ذخیره کنیم.
• دسترسی جهانی: رابط کاربری ساده و زبان پیش‌فرض انگلیسی، کار با آن را برای ما راحت‌تر کرد.

ما در تیم هوشِکس کنجکاو بودیم که ببینیم این ویژگی‌ها در عمل چطور کار می‌کنند. برای همین، سه وظیفه متنوع طراحی کردیم تا هوش مصنوعی مانوس را حسابی به چالش بکشیم.

آزمایش‌های تیم هوشِکس با مانوس

ما سه وظیفه مشخص برای هوش مصنوعی Manus AI تعریف کردیم و هر کدام را با دقت زیر نظر گرفتیم تا ببینیم این ابزار در دنیای واقعی چطور عمل می‌کند. در ادامه، جزئیات کامل هر آزمایش را شرح می‌دهیم.

آزمایش ۱: تهیه لیست خبرنگاران حوزه تکنولوژی در چین

هدف آزمایش:

ما از هوش مصنوعی مانوس خواستیم لیستی از خبرنگاران برجسته حوزه تکنولوژی در چین تهیه کند که شامل نام، رسانه‌ای که در آن کار می‌کنند، و نمونه کارهایشان باشد.

مراحل انجام کار توسط مانوس:

1. اولین تلاش: مانوس در عرض چند دقیقه یک لیست اولیه با ۵ خبرنگار و چند نام افتخاری به ما داد. اطلاعاتش درست بود، اما خیلی مختصر و ناقص به نظر می‌رسید.
2. بازخورد ما: ما به هوش مصنوعی Manus AI گفتیم که اطلاعات بیشتری بهمون بده؛ مثل اسم رسانه‌ها و لینک مقاله‌ها. مانوس اعتراف کرد که به دلیل محدودیت زمانی، کار را سریع انجام داده و برخی اطلاعات را جا انداخته است.
3. دومین تلاش: بعد از بازخورد، مانوس یک لیست جامع‌تر با ۳۰ خبرنگار آماده کرد. این بار نام رسانه‌ها (مثل TechNode و South China Morning Post) و حتی لینک برخی مقالات را آورد.
4. مشکلات مشاهده‌شده: وقتی مانوس سعی کرد به مقالات پشت دیوار پرداخت (Paywall) دسترسی پیدا کند، بارها با کپچا مواجه شد و نتوانست اطلاعات کامل را جمع‌آوری کند.

ارزیابی ما:

• نقاط قوت: سرعتش در ارائه خروجی اولیه خوب بود. این‌که می‌شد خروجی رو به شکل فایل Word ذخیره کرد، کلی کارمون رو راحت‌تر کرد. با بازخورد، دقتش به شکل چشمگیری بالا رفت.
• نقاط ضعف: برای دسترسی به محتوای پولی مشکل داشت و گاهی نیاز داشتیم چند بار راهنمایی‌اش کنیم تا نتیجه دلخواه را بگیریم.

تجربه ما:

ما در تیم هوشِکس حس کردیم که هوش مصنوعی مانوس مثل یک همکار تازه‌کار است؛ با راهنمایی درست، عملکردش بهتر می‌شود، اما هنوز به استقلال کامل نرسیده.

آزمایش ۲: جستجوی خانه دو خوابه در نیویورک

هدف آزمایش:

از هوش مصنوعی Manus AI خواستیم که خانه‌های دو خوابه در نیویورک رو پیدا کند که این ویژگی‌ها رو داشته باشد:

• آشپزخانه بزرگ
• فضای باز مثل بالکن یا تراس
• نزدیک مرکز منهتن
• حداکثر ۷ دقیقه پیاده‌روی تا ایستگاه قطار

مراحل انجام کار توسط مانوس:

1. اولین تلاش: مانوس سریع عمل کرد و لیستی از خانه‌ها آورد، اما فقط گزینه‌هایی با بالکن خصوصی را نشان داد. انگار معیار «فضای باز» را خیلی محدود تفسیر کرده بود.
2. بازخورد ما: بهش گفتیم که فضای باز می‌تواند حیاط مشترک یا تراس هم باشد، نه فقط بالکن خصوصی. همچنین ازش خواستیم نتایج را دسته‌بندی کند.
3. دومین تلاش: این‌بار هوش مصنوعی Manus لیستی جامع‌تر ارائه داد و نتایج رو در سه دسته «بهترین گزینه»، «مناسب‌ترین قیمت» و «گزینه‌های لوکس» مرتب کرد. مثلاً یک آپارتمان دو خوابه در Upper West Side با آشپزخانه باز و بالکن کوچک پیدا کرد که ۵ دقیقه با ایستگاه مترو فاصله داشت.
4. جزئیات بیشتر: مانوس حتی نقشه‌های گوگل را بررسی کرد تا مطمئن شود زمان پیاده‌روی دقیق است.

ارزیابی ما:

• نقاط قوت: سرعتش عالی بود و دسته‌بندی نتایج واقعاً به درد بخور بود. معیارهای ما را با دقت فیلتر کرد.
• نقاط ضعف: در ابتدا تفسیرش از «فضای باز» ناقص بود و نیاز به توضیح بیشتر داشتیم. اگر معیارها مبهم باشند، ممکن است دقیق عمل نکند.

تجربه ما:

ما در تیم هوشِکس از این آزمایش لذت بردیم. ما فهمیدیم که هوش مصنوعی Manus AI مثل یه مشاور املاک آنلاین عمل می‌کنه؛ با کمی راهنمایی می‌تونه دقیقاً چیزی رو که دنبالش هستیم پیدا کنه.

آزمایش ۳: پیشنهاد افراد برای لیست Innovators Under 35

هدف آزمایش:

از هوش مصنوعی مانوس خواستیم ۵۰ نفر را برای لیست Innovators Under 35 (که توسط MIT Technology Review منتشر می‌شود) پیشنهاد دهد، با تنوع جغرافیایی و زمینه‌های کاری.

مراحل انجام کار توسط مانوس:

1. برنامه‌ریزی: مانوس وظیفه رو به چند بخش تقسیم کرد: مرور لیست‌های قبلی MIT، جستجوی افراد نوآور زیر ۳۵ سال، و تضمین تنوع جغرافیایی و شغلی.
2. اولین تلاش: بعد از ۳ ساعت، فقط ۳ نام با جزئیات کامل (مثل زمینه کاری و دستاوردها) آورد. مثلاً یک نفر از هند را پیشنهاد داد که در زمینه انرژی پاک کار می‌کرد.
3. بازخورد ما: به هوش مصنوعی Manus AI گفتیم که ۳ نفر کافی نیست و باید ۵۰ نفر را کامل کند. همچنین ازش خواستیم تنوع بیشتری در زمینه‌ها و کشورها داشته باشد.
4. دومین تلاش: مانوس یک لیست ۵۰ نفره آورد، اما مشکلاتی داشت. مثلاً تعداد زیادی از افراد از دانشگاه‌های معروف مثل MIT و Tsinghua بودند و تنوع جغرافیایی کامل نبود. در بخش چین، بیشتر افراد از رسانه‌های چینی نظیر Xinhua انتخاب شده بودند.
5. مشکلات مشاهده‌شده: مانوس در دسترسی به مقالات علمی یا داده‌های تخصصی مشکل داشت و زمان زیادی صرف کرد.

ارزیابی ما:

• نقاط قوت: تلاشش برای تقسیم وظیفه به بخش‌های کوچکتر، واقعاً قابل تحسین بود. جستجوی گسترده‌ای انجام داد.
• نقاط ضعف: در وظایف پیچیده کند بود و تنوع لازم را به خوبی رعایت نکرد. برای داده‌های علمی هم به مشکل خورد.

تجربه ما:

ما در تیم هوشِکس حس کردیم که هوش مصنوعی مانوس برای این نوع وظایف سنگین هنوز آماده نیست. انگار نیاز به زمان و توسعه بیشتری دارد تا بتواند با اطمینان نتایج کامل ارائه دهد.

مقایسه مانوس با ChatGPT DeepResearch

تصمیم گرفتیم که عملکرد هوش مصنوعی Manus AI رو با ChatGPT DeepResearch مقایسه کنیم تا تفاوت‌های عملی اون‌ها رو بررسی کنیم.

نقاط قوت مانوس از نگاه ما:

• شفافیت: با پنجره «کامپیوتر مانوس»، می‌توانستیم ببینیم چه مراحلی را طی می‌کند و کجا به مشکل می‌خورد.
• مداخله‌پذیری: هر وقت لازم بود، می‌توانستیم وسط کار تنظیمات را تغییر دهیم.
• یادگیری: با هر بازخورد، هوش مصنوعی مانوس پیشرفت می‌کرد.

نقاط قوت ChatGPT DeepResearch:

• سرعت: وظایف را با سرعت بیشتری انجام می‌داد، به‌ویژه برای کارهای ساده.
• سادگی: برای سوال‌های روزمره یا مکالمات سریع، راحت‌تر بود.

نتیجه‌گیری ما:

ما در تیم هوشکس به این نتیجه رسیدیم که هوش مصنوعی Manus AI برای انجام تحقیقات و تحلیل‌های پیچیده، گزینه‌ی مناسبی است.اما اگر سرعت و سادگی بخواهیم، ChatGPT DeepResearch هنوز برتری دارد.

چالش‌هایی که در کار با مانوس دیدیم

در طول این آزمایش‌ها، چند مشکل اصلی را شناسایی کردیم:

• پایداری سرور: چند بار با خطای «سرور شلوغ است» مواجه شدیم که کارمان را متوقف کرد.
• دسترسی به محتوای پولی: هوش مصنوعی مانوس نمی‌توانست به مقالات یا داده‌های پشت دیوار پرداخت دسترسی پیدا کند.
• نیاز به راهنمایی: برای نتایج دقیق، مجبور بودیم چند بار بازخورد بدهیم.
• ضعف در وظایف پیچیده: وقتی کار بزرگ و چندلایه بود، هوش مصنوعی Manus AI کند و ناکارآمد عمل می‌کرد.

نگاه ما به آینده مانوس

ما فکر می‌کنیم هوش مصنوعی مانوس پتانسیل زیادی دارد. تیم توسعه‌دهنده گفته که روی پایداری سرور و دسترسی بهتر به داده‌ها کار می‌کنند. چیزی که برای ما جذاب بود، هزینه کمش بود: حدود ۲ دلار برای هر وظیفه، در مقایسه با ۲۰ دلار برای DeepResearch. اگر مشکلاتش برطرف شود، می‌تواند گزینه‌ای عالی برای تیم‌های کوچک و پژوهشگران باشد.

نتیجه‌گیری از تجربه ما

ما در تیم هوشِکس بعد از این آزمایش‌ها به این نتیجه رسیدیم که هوش مصنوعی Manus AI یک ابزار نوآورانه و امیدوارکننده است. شفافیت، قابلیت یادگیری و قیمت مناسبش نقاط قوت بزرگی هستند. اما برای اینکه به یک دستیار تمام‌عیار تبدیل شود، باید پایداری سرورش بهتر شود و در وظایف پیچیده قوی‌تر عمل کند. ما مشتاقیم ببینیم نسخه‌های بعدی هوش مصنوعی مانوس چه پیشرفت‌هایی خواهند داشت!