کدوحلوایی‌ای که شما را می‌بیند و جواب می‌دهد؛ هالووین با هوش مصنوعی!

تصور کنید شب هالووین، به خانه‌ای نزدیک می‌شوید که جلوی در آن یک کدوحلوایی نورانی قرار گرفته است. چشم‌های ترسناک، لبخندی شیطنت‌آمیز و نوری که در تاریکی می‌درخشد؛ درست شبیه صدها دکور هالووینی دیگر.

اما این بار اتفاق عجیبی می‌افتد.

کدوحلوایی متوجه حضور شما می‌شود، صدایتان را می‌شنود و وقتی از آن سؤالی می‌پرسید، پاسخی متناسب با چیزی که می‌بیند به شما می‌دهد!

نه کسی پشت پرده در حال صحبت است و نه لازم است صدای شما به یک سرور اینترنتی فرستاده شود.

این پروژه که Spooky, Sassy Pumpkin نام دارد، با استفاده از برد Arduino VENTUNO Q و چند مدل هوش مصنوعی ساخته شده است.

پروژه اصلی در Arduino Project Hub در ۱۵ اکتبر ۲۰۲۶ منتشر شد و وبلاگ رسمی آردوینو در ۲۹ اکتبر، در آستانه هالووین، آن را در میان پروژه‌های خلاقانه این مناسبت معرفی کرد.

این کدوحلوایی تنها یک دکور مناسبتی نیست؛ نمونه‌ای جالب از فناوری هوش مصنوعی محلی یا Edge AI است که نشان می‌دهد چگونه می‌توان پردازش تصویر، تشخیص گفتار و تولید پاسخ را روی یک دستگاه کوچک انجام داد.

کدوحلوایی‌ای که دیگر فقط لبخند نمی‌زند!

کدوحلوایی‌های معروف هالووین، یا Jack-o’-Lantern، معمولاً با یک چراغ یا شمع از داخل روشن می‌شوند و چهره‌ای ترسناک در تاریکی ایجاد می‌کنند.

اما سازنده Spooky, Sassy Pumpkin تصمیم گرفته به این دکور سنتی، توانایی تعامل با انسان اضافه کند.

در این پروژه از یک کدوحلوایی تزئینی پلاستیکی استفاده شده است؛ نه یک کدوحلوایی طبیعی.

داخل این بدنه، بلندگو و بخش‌هایی از تجهیزات قرار می‌گیرند و دوربین و چراغ نیز با یک نگهدارنده چاپ سه‌بعدی نصب شده‌اند.

هنگامی که بازدیدکننده مقابل کدو قرار می‌گیرد، سیستم حضور او را تشخیص می‌دهد و وارد حالت گوش‌دادن می‌شود.

کاربر می‌تواند سؤالی بپرسد و کدوحلوایی با لحنی کوتاه، نمایشی و ترسناک جواب بدهد.

جالب‌تر اینکه نور داخل کدو نیز با وضعیت مکالمه هماهنگ می‌شود؛ هنگام گوش‌دادن، فکرکردن و پاسخ‌دادن الگوهای روشنایی متفاوتی دارد.

کدوحلوایی هوشمند چگونه کار می‌کند؟

فناوری اصلی این پروژه ترکیبی از پردازش تصویر، تشخیص صدا و تولید گفتار است.

فرایند به زبان ساده چنین انجام می‌شود:

ابتدا دوربین محیط را بررسی می‌کند تا حضور چهره‌ای مقابل کدوحلوایی تشخیص داده شود.

پس از فعال‌شدن سیستم، میکروفون صحبت کاربر را دریافت می‌کند و مدل تشخیص گفتار، صدای او را به متن تبدیل می‌کند.

در مرحله بعد، یک مدل بینایی–زبانی یا Vision-Language Model (VLM) متن سؤال و تصویری از محیط را با یکدیگر تحلیل می‌کند.

این مدل می‌تواند پاسخی براساس سؤال و محتوای تصویر تولید کند.

در پایان، سیستم تبدیل متن به گفتار یا Text-to-Speech (TTS) پاسخ تولیدشده را به صدا تبدیل می‌کند و آن را از بلندگو پخش می‌کند.

هم‌زمان نورپردازی کدو نیز با وضعیت سیستم هماهنگ می‌شود.

نتیجه، شخصیتی تعاملی است که می‌تواند مخاطب را ببیند، صحبت او را دریافت کند و پاسخی کوتاه ارائه دهد.

البته چنین سیستمی واقعاً دارای احساس، آگاهی یا شخصیت مستقل نیست. رفتار آن حاصل مدل‌های هوش مصنوعی و دستورهایی است که برنامه‌نویس برایش تعریف کرده است.

مغز این کدوحلوایی چیست؟

مهم‌ترین قطعه پروژه، برد Arduino VENTUNO Q است.

این برد برای اجرای برنامه‌های هوشمند و پردازش محلی داده‌ها طراحی شده و از معماری دو‌بخشی بهره می‌برد.

بخش پردازشی اصلی آن از پردازنده Qualcomm Dragonwing IQ8 استفاده می‌کند که قابلیت اجرای سیستم‌عامل Ubuntu Linux را دارد.

در کنار آن، یک میکروکنترلر STM32H5 وظایف کنترلی بلادرنگ را انجام می‌دهد.

طبق اطلاعات پروژه، این برد دارای ۱۶ گیگابایت رم و واحد پردازش عصبی با توان محاسباتی اعلام‌شده ۴۰ TOPS است.

چنین ترکیبی به توسعه‌دهنده امکان می‌دهد مدل‌های هوش مصنوعی و وظایف سخت‌افزاری را روی یک پلتفرم هماهنگ اجرا کند.

در این پروژه، پردازنده اصلی وظیفه اجرای مدل‌های تشخیص صدا و تحلیل تصویر را بر عهده دارد؛ درحالی‌که میکروکنترلر الگوی روشنایی کدوحلوایی را کنترل می‌کند.

این تقسیم وظایف به حفظ پاسخ‌گویی بخش‌های سخت‌افزاری کمک می‌کند.

چرا این کدوحلوایی برای کارکردن به اینترنت نیاز ندارد؟

بخش جذاب پروژه به نحوه اجرای هوش مصنوعی مربوط می‌شود.

بسیاری از ابزارهای هوش مصنوعی برای تحلیل تصویر یا تولید پاسخ، اطلاعات را به سرورهای ابری ارسال می‌کنند.

اما در Spooky, Sassy Pumpkin، مسیر اصلی پردازش به‌صورت محلی طراحی شده است.

مدل تشخیص گفتار، مدل بینایی–زبانی و سامانه تبدیل متن به گفتار روی سخت‌افزار محلی اجرا می‌شوند.

به همین دلیل، برای انجام مکالمه‌های اصلی نیازی به ارسال صدای بازدیدکننده یا تصویر او به فضای ابری وجود ندارد.

این ویژگی می‌تواند از نظر حریم خصوصی مزیت داشته باشد؛ زیرا داده‌ها در جریان عملکرد اصلی پروژه از دستگاه خارج نمی‌شوند.

البته این به معنی تضمین کامل امنیت نیست. شیوه پیکربندی نرم‌افزار، دسترسی به شبکه و مدیریت اطلاعات ذخیره‌شده همچنان اهمیت دارند.

نکته مهم این است که هوش مصنوعی آفلاین الزاماً به معنی هوش مصنوعی ضعیف نیست.

پیشرفت پردازنده‌های مخصوص AI باعث شده اجرای برخی مدل‌های چندوجهی روی دستگاه‌های کوچک‌تر امکان‌پذیر شود؛ هرچند این مدل‌ها همچنان محدودیت‌های پردازشی و حافظه دارند.

پنج بخش هوشمند پشت یک چهره ترسناک

برای ساخت این پروژه از محیط Arduino App Lab استفاده شده است.

برنامه از پنج بخش اصلی تشکیل می‌شود:

۱. تشخیص حضور چهره مقابل دوربین.

۲. تبدیل صحبت کاربر به متن.

۳. تحلیل هم‌زمان تصویر و متن با مدل VLM.

۴. تبدیل پاسخ متنی به گفتار.

۵. رابط کاربری برای اجرای و بررسی برنامه.

برای تشخیص گفتار، از مدل کم‌حجم‌شده Whisper Small استفاده شده است.

مدل بینایی–زبانی انتخاب‌شده نیز Qwen3-VL-4B Instruct است که می‌تواند تصویر و متن را با هم پردازش کند.

طراح پروژه با تعریف شخصیت داستانی برای مدل، پاسخ‌ها را کوتاه و متناسب با فضای هالووین نگه داشته است.

این محدودکردن طول پاسخ‌ها علاوه بر جنبه نمایشی، دلیل فنی هم دارد: هرچه پاسخ کوتاه‌تر باشد، زمان تبدیل آن به گفتار کمتر می‌شود.

نورپردازی کدوحلوایی هم هوشمند است!

یکی از جزئیاتی که این پروژه را جذاب‌تر کرده، هماهنگی نور با حالت مکالمه است.

کدوحلوایی در زمان انتظار، نور چشمک‌زن ملایمی شبیه شعله شمع دارد.

هنگامی که به صحبت بازدیدکننده گوش می‌دهد، روشنایی تغییر می‌کند.

در زمان تولید پاسخ، نور الگویی شبیه تنفس دارد و وقتی کدوحلوایی شروع به صحبت می‌کند، پالس‌های سریع‌تر نور، حس حرف‌زدن را تقویت می‌کنند.

کنترل این رفتارها توسط میکروکنترلر و با استفاده از سیگنال PWM انجام می‌شود.

این هماهنگی میان صدا، تصویر و نور باعث می‌شود کاربر احساس کند با یک شخصیت تعاملی روبه‌روست؛ نه صرفاً یک بلندگو که صدایی ضبط‌شده پخش می‌کند.

آیا می‌توان این کدوحلوایی را در خانه ساخت؟

یکی از ویژگی‌های مثبت این پروژه، انتشار جزئیات فنی آن در Arduino Project Hub است.

در آموزش ساخت کدوحلوایی هوشمند در Arduino Project Hub، قطعات اصلی، روش مونتاژ، تنظیم نرم‌افزار، مدل‌های استفاده‌شده و کدهای لازم معرفی شده‌اند.

از مهم‌ترین تجهیزات موردنیاز می‌توان به برد Arduino VENTUNO Q، وب‌کم Logitech C270، بلندگو، چراغ M5Stack و یک کدوحلوایی تزئینی اشاره کرد.

برای نصب منظم قطعات، از نگهدارنده چاپ سه‌بعدی استفاده شده است.

البته این پروژه بیشتر مناسب علاقه‌مندانی است که با برنامه‌نویسی، قطعات الکترونیکی و اجرای مدل‌های هوش مصنوعی آشنایی دارند.

همچنین استفاده از سخت‌افزار پردازشی مخصوص AI ممکن است هزینه ساخت را نسبت به یک دکور هالووینی ساده افزایش دهد.

بنابراین نباید آن را یک اسباب‌بازی آماده و ارزان‌قیمت دانست.

محدودیت‌های واقعی این کدوحلوایی چیست؟

با وجود جذابیت پروژه، سازنده به چند محدودیت عملی اشاره کرده است.

یکی از چالش‌ها، تأخیر اولیه در فعال‌شدن سامانه تشخیص گفتار است؛ مسئله‌ای که ممکن است باعث شود بخشی از کلمات ابتدایی سؤال کاربر به‌درستی دریافت نشوند.

همچنین اجرای هم‌زمان بعضی بخش‌های تشخیص گفتار و تولید صدا می‌تواند باعث توقف یا تأخیر شود.

در نسخه فعلی، تشخیص چهره نیز برای فعال‌کردن مکالمه استفاده شده است؛ موضوعی که ممکن است هنگام استفاده از ماسک‌های هالووینی یا پوشاندن صورت، محدودیت ایجاد کند.

سازنده پیشنهاد کرده در نسخه‌های بعدی، از روش‌های بهتر برای فعال‌سازی صوتی، مدیریت هم‌زمان مدل‌ها و ایجاد مکالمه روان‌تر استفاده شود.

این محدودیت‌ها یادآوری می‌کنند که پروژه هنوز یک نمونه آزمایشی و آموزشی است؛ نه یک محصول تجاری کامل.

از کدوحلوایی ترسناک تا ربات‌های آینده

شاید در نگاه اول، ساخت کدوحلوایی سخنگو تنها یک سرگرمی مناسب هالووین به نظر برسد.

اما فناوری پشت آن کاربردهای بسیار گسترده‌تری دارد.

همین معماری کلی را می‌توان برای ساخت نمایشگرهای هوشمند، راهنماهای تعاملی موزه‌ها، تجهیزات آموزشی و ربات‌های کوچک استفاده کرد.

یک دستگاه که بتواند محیط اطراف را ببیند، صحبت انسان را دریافت کند و بدون نیاز دائمی به اینترنت پاسخ بدهد، می‌تواند در موقعیت‌های مختلف کاربرد داشته باشد.

تفاوت اصلی در طراحی سخت‌افزار، نرم‌افزار و شخصیت یا وظیفه‌ای است که برای سیستم تعریف می‌شود.

به همین دلیل، پروژه Spooky, Sassy Pumpkin نمونه جالبی از پیوند میان الکترونیک، هوش مصنوعی و طراحی تعاملی است.

هالووین امسال؛ وقتی کدوحلوایی هم حرفی برای گفتن دارد!

سال‌هاست که کدوحلوایی‌های هالووین با چهره‌های ترسناک و نورهای نارنجی شناخته می‌شوند.

اما این پروژه نشان می‌دهد حتی یک دکور سنتی نیز می‌تواند به بستری برای نمایش فناوری‌های تازه تبدیل شود.

کدوحلوایی هوشمند Arduino نه جادو می‌کند و نه واقعاً زنده است. تنها مجموعه‌ای از حسگرها، مدل‌های هوش مصنوعی و قطعات الکترونیکی است که به‌خوبی با یکدیگر هماهنگ شده‌اند.

بااین‌حال، نتیجه آن می‌تواند برای بازدیدکننده غافلگیرکننده باشد.

شاید ترسناک‌ترین بخش هالووین امسال دیگر چشم‌های نورانی کدوحلوایی نباشد؛ بلکه لحظه‌ای باشد که کدو به شما نگاه می‌کند و جواب سؤالتان را می‌دهد!

و اگر شب هالووین از کنار یک کدوحلوایی عبور کردید و ناگهان با شما حرف زد، قبل از فرارکردن بد نیست ببینید پشت آن چه بردی نصب شده است!