Tag: نوآوری فناوری

Anthropic سرعت Claude Code را به طور چشمگیری افزایش داد

شرکت Anthropic اعلام کرد که سرعت پاسخ‌دهی Claude Code را به طور قابل توجهی بهبود بخشیده است. در بازه زمانی اوت تا اکتبر ۲۰۲۶، زمان لازم برای دریافت اولین توکن در جلسات محلی از ۴.۰۷ ثانیه به ۱.۳۳ ثانیه کاهش یافته که نشان‌دهنده افزایشی نزدیک به ۳ برابر است.

جزئیات بهبودها

این بهبود نه ناشی از یک مدل جدید یا یک پیشرفت فنی پیچیده، بلکه حاصل فشرده‌سازی داده‌های مکالمه و آغاز جلسات ابری پیش از اتمام تایپ توسط کاربران بوده است. این به‌روزرسانی در تاریخ ۱۷ اکتبر ۲۰۲۶ از طریق حساب کاربری ClaudeDevs اعلام شد و چندین محصول Claude را پوشش می‌دهد، اما بیشترین تاثیر آن در Claude Code مشاهده شده است.

معیار کلیدی در این ارزیابی، «تأخیر اولین توکن p90» است. تأخیر اولین توکن به مدت زمانی اشاره دارد که کاربر پیش از دریافت هرگونه پاسخی از مدل منتظر می‌ماند. برچسب p90 به این معنی است که ۹۰ درصد درخواست‌ها سریع‌تر از این رقم پاسخ دریافت کرده‌اند.

در جلسات محلی Claude Code، این رقم از ۴.۰۷ ثانیه به ۱.۳۳ ثانیه کاهش یافته است. در جلسات ابری، این کاهش مطلق حتی چشمگیرتر بوده و زمان از ۱۶.۹۹ ثانیه به ۶ ثانیه رسیده که تقریباً ۲.۸ برابر سریع‌تر است.

تأثیر بر سایر محصولات

این بهبودها تنها به ابزار کدنویسی محدود نمی‌شود. تجربه کاربری Claude در وب و Cowork نیز حدود ۱.۵ برابر بهبود یافته و زمان پاسخ‌دهی از ۳.۳۶ ثانیه به ۲.۱۷ ثانیه کاهش یافته است. API نیز سریع‌تر شده و زمان پاسخ‌دهی اولین توکن از ۱.۵۳ ثانیه به ۱.۰۱ ثانیه رسیده است.

روش‌های پیاده‌سازی

Anthropic برای دستیابی به این نتایج، داده‌های مکالمه در هر نوبت را پیش از ارسال به مدل، با استفاده از فرمت فشرده‌سازی gzip فشرده‌سازی کرده است. Gzip یک فرمت فشرده‌سازی قدیمی و شناخته شده است که حجم داده‌ها را کاهش داده و انتقال آن‌ها را از طریق شبکه سریع‌تر می‌کند. بیشترین بهره‌وری این روش در زمینه‌هایی با متن طولانی، مانند زمانی که توسعه‌دهندگان فایل‌های حجیم، گزارش‌ها و مکالمات طولانی را وارد می‌کنند، مشاهده می‌شود.

تغییر دوم بر روی جلسات ابری متمرکز است. پیش از این، جلسات ابری تنها پس از ارسال درخواست توسط کاربر فعال می‌شدند. اما اکنون، با شروع تایپ توسط کاربر، فرآیند آماده‌سازی جلسه آغاز می‌شود. این مکانیسم پیش‌اجرا به توضیح دلیل کاهش چشمگیر تأخیر در جلسات ابری کمک می‌کند؛ هزینه راه‌اندازی از بین نمی‌رود، بلکه در زمان صرف شده توسط کاربر برای نوشتن درخواست پنهان می‌شود.

برخی واکنش‌ها به این اعلامیه، به جدید نبودن فناوری gzip اشاره داشتند، هرچند بیشتر بازخوردهای کاربران بر خودِ افزایش سرعت متمرکز بود.

این اعلامیه پس از یک دوره کاری فشرده داخلی در ماه گذشته صورت گرفت که در آن بیش از ۳۰۰۰ به‌روزرسانی منجر به بهبودهای مشابه عملکرد در محصولات مختلف Claude شد. اعداد مربوط به Claude Code به نظر می‌رسد یکی از نتایج قابل مشاهده این تلاش گسترده‌تر باشد. زمان‌بندی این خبر نیز درست پس از انتشار اخباری مبنی بر اینکه Claude حدود ۹۰ درصد از کد خود را تولید می‌کند، صورت گرفته است.

برای توسعه‌دهندگان، تأخیر یک معیار بی‌اهمیت نیست. دستیارهای کدنویسی در چرخه‌های تکراری و سریع مورد استفاده قرار می‌گیرند: پرسیدن، خواندن، ویرایش، و دوباره پرسیدن. چند ثانیه صرفه‌جویی در هر نوبت، در صدها نوبت در طول یک روز کاری، انباشته می‌شود.

بهبود در جلسات ابری ممکن است در اینجا بیشترین اهمیت را داشته باشد. کاهش زمان از ۱۶.۹۹ ثانیه به ۶ ثانیه، تعیین‌کننده این است که آیا یک توسعه‌دهنده در جریان کار باقی می‌ماند یا در حین انتظار به تب دیگری می‌رود.

Anthropic با نمایش بهبودها در سطح p90 در تمامی بخش‌های محلی، ابری، وب، Cowork و API، نشان می‌دهد که سرعت را به عنوان یک ویژگی محصول در کل سبد محصولات خود، نه فقط در یک ابزار خاص، در نظر گرفته است.

البته محدودیت‌هایی نیز وجود دارد که باید در نظر گرفت. انتظار ۶ ثانیه‌ای برای جلسات ابری همچنان قابل توجه است و رویکرد پیش‌اجرا به این معنی است که منابع محاسباتی برای درخواست‌هایی که ممکن است برخی کاربران هرگز ارسال نکنند، فعال می‌شوند.

ائتلاف کوانتومی برای مقابله با تهدید کامپیوترهای کوانتومی علیه بیت‌کوین

یک ائتلاف جدید متشکل از نه سازمان بلاک‌چین، در حال رسیدگی به مشکلی است که می‌تواند در نهایت حدود ۶.۴ میلیون بیت‌کوین را در معرض خطر قرار دهد؛ از جمله تخمین زده می‌شود ۱.۱ میلیون بیت‌کوین مرتبط با ساتوشی ناکاموتو نیز در این میان باشد. ائتلاف کوانتومی که این هفته راه‌اندازی شد، قصد دارد استانداردهای امنیتی مشترکی را پیش از آنکه کامپیوترهای کوانتومی قدرتمند بتوانند امضاهای دیجیتالی محافظ کیف پول‌های ارز دیجیتال را بشکنند، تدوین کند.

تهدید فزاینده کامپیوترهای کوانتومی

با پیشرفت سریع فناوری کامپیوترهای کوانتومی، نگرانی‌ها در مورد امنیت ارزهای دیجیتال افزایش یافته است. این کامپیوترهای پیشرفته قادرند الگوریتم‌های رمزنگاری پیچیده‌ای را که در حال حاضر از تراکنش‌های ارز دیجیتال محافظت می‌کنند، در مدت زمان کوتاهی رمزگشایی کنند. این امر می‌تواند منجر به سرقت گسترده دارایی‌های دیجیتال شود.

اهداف ائتلاف کوانتومی

ائتلاف کوانتومی با درک این تهدید، تلاش می‌کند تا با همکاری سازمان‌های پیشرو در حوزه بلاک‌چین، راهکارهایی برای مقابله با این چالش بیابد. هدف اصلی این ائتلاف، توسعه و پیاده‌سازی استانداردهای امنیتی جدید و مقاوم در برابر حملات کوانتومی است تا از دارایی‌های دیجیتال در برابر تهدیدات آینده محافظت شود. این تلاش‌ها شامل تحقیق و توسعه الگوریتم‌های رمزنگاری پساکوانتومی و همچنین به‌روزرسانی پروتکل‌های امنیتی موجود است.

اهمیت امنیت بیت‌کوین

بیت‌کوین، به عنوان بزرگترین و شناخته‌شده‌ترین ارز دیجیتال، بیشترین توجه را در این زمینه به خود جلب کرده است. با توجه به حجم عظیم بیت‌کوین در گردش و ارزش بالای آن، حفظ امنیت این شبکه از اهمیت حیاتی برخوردار است. ائتلاف کوانتومی بر این باور است که اقدام پیشگیرانه در حال حاضر، بهترین راه برای جلوگیری از بحران‌های احتمالی در آینده است.

۲۵ سال است که رمزنگاران به این موضوع مشکوک بودند که بذرهای رمزنگاری مرموز آژانس امنیت ملی آمریکا (NSA) ممکن است حاوی یک در پشتی باشند. هوش مصنوعی کلود (Claude) از شرکت Anthropic، این معما را در کمتر از ۳۰ دقیقه حل کرد و توضیحی به طرز شگفت‌آوری عادی را آشکار ساخت. برای دهه‌ها، برخی از برجسته‌ترین رمزنگاران جهان در پی یک شبح بوده‌اند. پنج منحنی ریاضی که برای محافظت از ارتباطات اینترنتی استفاده می‌شدند، حاوی اعداد مرموزی بودند […]

برت هریسون معتقد است که قیمت‌گذاری استنتاج هوش مصنوعی باید شبیه به معاملات باشد، نه یک آیتم منو.

مدیرعامل شرکت Architect Financial Technologies در حال ترویج ایده یک بازار مبتنی بر حراج برای استنتاج هوش مصنوعی است. استدلال او این است که اجازه دادن به ارائه‌دهندگان برای تعیین قیمت بر اساس هزینه‌های نهایی خود می‌تواند هزینه اجرای مدل‌های هوش مصنوعی را کاهش دهد.

شرکت Architect پلتفرمی را بر اساس این ایده، به نام Liquid Inference، در حدود ۷ اکتبر ۲۰۲۶ راه‌اندازی کرد.

استنتاج (Inference) بخشی از هوش مصنوعی است که اکثر کاربران با آن سروکار دارند. این لحظه‌ای است که یک مدل آموزش‌دیده، درخواست شما را دریافت کرده و پاسخی تولید می‌کند، و هر یک از این پاسخ‌ها هزینه‌ای برای پردازش (compute) دارد.

Liquid Inference این پردازش را به چیزی تبدیل می‌کند که ارائه‌دهندگان برای آن رقابت می‌کنند. ارائه‌دهندگان استنتاج در زمان واقعی برای وظایف ارائه مدل، پیشنهاد قیمت (bid) می‌دهند. سپس خریداران پیشنهادی را انتخاب می‌کنند که بهترین اولویت‌های آن‌ها را برآورده کند.

این اولویت‌ها محدود به قیمت نیستند. خریداران می‌توانند هزینه، تأخیر (latency) و نحوه پردازش داده‌های خود را بسنجند، بنابراین تیمی که به سرعت اهمیت می‌دهد می‌تواند انتخابی متفاوت از تیمی داشته باشد که به صورتحساب اهمیت می‌دهد.

منطق اقتصادی بر هزینه نهایی (marginal cost) استوار است. این هزینه ارائه یک درخواست اضافی است. ارائه‌دهنده‌ای که در ساعت ۳ صبح پردازنده‌های گرافیکی (GPUs) بیکار دارد، هزینه بسیار کمی برای پذیرش یک کار دیگر می‌پردازد، بنابراین می‌تواند پیشنهاد قیمت پایین ارائه دهد.

هریسون استدلال می‌کند که این قالب می‌تواند هزینه‌های استنتاج را به طور قابل توجهی کاهش دهد. استدلال او این است که مناقصه رقابتی، کشف قیمت را بهبود می‌بخشد، همانطور که در یک بورس سنتی اتفاق می‌افتد.

تا اواسط اکتبر ۲۰۲۶، این پلتفرم ۲۸ ارائه‌دهنده تأیید شده داشت که بیش از ۱۰۰۰ مدل را ارائه می‌دادند. قیمت‌ها در زمان واقعی به‌روزرسانی می‌شوند.

شرکت Architect همچنین تلاش کرده است تا موانع ورود را پایین نگه دارد. گزارش شده است که ارائه‌دهندگان می‌توانند مدل‌های خود را در مدت زمان متوسط حدود ۳ ساعت بارگذاری و ادغام کنند.

کاتالوگ شامل صدها مدل، هم با وزن باز (open-weight) و هم با وزن بسته (closed-weight) است. این پلتفرم همچنین از مدل‌های چندوجهی (multi-modal) پشتیبانی می‌کند، به این معنی که مدل‌هایی که ورودی‌های فراتر از متن ساده را پردازش می‌کنند.

در سمت خریدار، کاربران جدید یک موجودی اولیه از اعتبارات استنتاج دریافت می‌کنند. همچنین یک برنامه ارجاع (referral program) وجود دارد. پاداش‌ها به هزینه‌های تراکنش مرتبط هستند و به صورت اعتبارات بازگردانده می‌شوند که کاربران می‌توانند آن‌ها را برای استنتاج رایگان خرج کنند.

Liquid Inference از APIهای OpenAI و Anthropic پشتیبانی می‌کند. توسعه‌دهندگانی که در حال حاضر بر روی این رابط‌ها برنامه می‌سازند، نیازی به بازنویسی برنامه‌های خود برای امتحان یک تأمین‌کننده جدید نخواهند داشت.

شرکت Architect از صفر در زمینه هوش مصنوعی شروع نکرده است. این شرکت در حال حاضر ابزارهای مالی مرتبط با پردازش را ارائه می‌دهد، از جمله قراردادهای آتی (forwards) و اختیار معامله (options) برای پردازش.

قرارداد آتی، قیمتی را امروز برای چیزی که بعداً تحویل داده می‌شود، قفل می‌کند. اختیار معامله به شما حق، اما نه الزام، برای انجام آن معامله را می‌دهد. با اعمال این ابزارها به پردازش، خریداران و فروشندگان می‌توانند در برابر نوسانات هزینه قدرت پردازش، پوشش ریسک (hedge) کنند. Liquid Inference یک بازار شبیه به بازار نقدی (spot-style) را در کنار این ابزارهای با سررسید طولانی‌تر اضافه می‌کند.

این شرکت پیش از این دور تأمین مالی اولیه ۵ میلیون دلاری را جمع‌آوری کرده است. Liquid Inference مجموعه محصولات مالی مرتبط با هوش مصنوعی خود را گسترش می‌دهد.

ریشه‌یابی معمای ۲۵ ساله در امنیت اینترنت: هوش مصنوعی کلید حل رمز را یافت

برای بیش از دو دهه، یکی از مهم‌ترین رشته‌های اعداد در امنیت اینترنت بدون هیچ توضیحی باقی مانده بود. عدد اولیه (seed) پشت منحنی بیضوی NIST P-256، که با نام prime256v1 نیز شناخته می‌شود، به سادگی در استانداردها ظاهر شد و هیچ‌کس نمی‌توانست منشأ آن را بیان کند.

اکنون محققان Anthropic ادعا می‌کنند که پاسخ را یافته‌اند. آن‌ها با استفاده از مدل هوش مصنوعی Claude، این عدد اولیه را به یک مولد اعداد تصادفی معمولی ردیابی کرده‌اند که در تاریخ ۱۶ اوت ۱۹۹۷، ساعت ۰۱:۵۲:۳۴ UTC راه‌اندازی شده بود. داستان منشأ آن، که به طرز شگفت‌آوری پیش پا افتاده بود، تقریباً بهترین نتیجه‌ای است که یک رمزنگار می‌تواند امیدوار باشد.

بر اساس یافته‌های Anthropic، عدد اولیه P-256 (C49D360886E704936A6678E1139D26B7819F7E90) توسط lrand48/drand48 تولید شده است. این مولد اعداد شبه‌تصادفی استاندارد POSIX است که در آن دوران ابزاری رایج در سیستم‌های یونیکس محسوب می‌شد.

این مولد با یک مُهر زمانی یونیکس (Unix timestamp)، ۸۷۱۶۹۶۳۵۴، مقداردهی اولیه شده بود که معادل تاریخ اوت ۱۹۹۷ است. عدد اولیه P-256 با کاندیدای شماره ۱۸۴۲ از آن اجرای مولد مطابقت دارد. به بیان ساده‌تر، شخصی یک مولد تصادفی استاندارد راه‌اندازی کرده، اجازه داده تا کاندیداها را تولید کند و یکی از خروجی‌ها به عنوان عدد اولیه مورد استفاده قرار گرفته است.

این الگو در مورد سایر منحنی‌ها نیز صدق می‌کرد. اعداد اولیه منحنی‌های اول P-192، P-224، P-384 و P-521 با مُهر زمانی‌هایی بین مه ۱۹۹۷ و آوریل ۱۹۹۸ مطابقت داشتند. اعداد اولیه منحنی‌های دودویی نیز الگوهایی سازگار با مُهر زمانی‌های فوریه ۱۹۸۴ یا آوریل ۱۹۹۸ را نشان می‌دادند.

گزارش شده است که Claude در کمتر از ۳۰ دقیقه با بررسی عادات مولدهای اعداد شبه‌تصادفی (PRNGs) دهه ۱۹۹۰، روش تولید را بازیابی کرده است.

این یافته‌ها در تاریخ ۱۶ اکتبر ۲۰۲۶ اعلام شد. این اعلامیه پس از تکمیل چالش جایزه ۳۶,۸۶۴ دلاری که توسط فیلیپو والسوردا، رمزنگار، تعیین شده بود، صورت گرفت. تیم Anthropic این جایزه را دریافت کرد و سپس وجوه را به گروه تحقیقاتی امنیت اینترنت (ISRG) اهدا کرد.

اعداد اولیه در پاییز ۱۹۹۷ توسط جری سولیناس، ریاضیدان آژانس امنیت ملی (NSA)، به کمیته ANSI X9.62 ارائه شد. آن کمیته بر روی مشخصات امضای ECDSA کار می‌کرد. سپس NIST در سال ۲۰۰۰ در FIPS 186-2، با تکیه بر کار ANSI X9.62، P-256 را استاندارد کرد.

سوءظن‌ها پس از افشاگری‌های DualECDRBG در سال ۲۰۱۳ به شدت افزایش یافت. آن افشاگری‌ها نقش NSA در استانداردسازی رمزنگاری را زیر ذره‌بین قرار داد و عدد اولیه نامشخص P-256 به یک موضوع تکراری در آن بحث تبدیل شد.

روایت‌های پیشین حاکی از آن بود که اعداد اولیه، هش‌های SHA-1 عبارات طنزآمیز بوده‌اند. هیچ‌کس نتوانست این ادعا را تأیید کند، که باعث شد نظریه شوخی در همان دسته غیرقابل تأیید نظریه در پشتی (backdoor) قرار گیرد.

یافته اصلی اطمینان‌بخش است. تجزیه و تحلیل هیچ مدرکی دال بر ضعف‌های عمدی رمزنگاری در نحوه تولید اعداد اولیه پیدا نکرد.

یک منحنی دارای در پشتی (backdoored) نیازمند آن است که طراح آن تعداد زیادی از اعداد اولیه را جستجو کند تا یکی با ویژگی پنهان و قابل بهره‌برداری را بیابد. عددی که از lrand48 که در یک ثانیه خاص راه‌اندازی شده استخراج شده باشد، فضای بسیار کمی برای چنین نوع جستجویی باقی می‌گذارد. این تحقیق خاطرنشان می‌کند که این آنتروپی محدود، احتمال وجود در پشتی را کاهش می‌دهد.

یک نتیجه‌گیری کمتر دلگرم‌کننده نیز وجود دارد. اعداد اولیه با روش شفاف و “هیچ چیز زیر آستینم نیست” که رمزنگاران مدرن ترجیح می‌دهند، تولید نشده بودند. آن‌ها از یک ابزار معمولی، که در لحظه‌ای دلخواه راه‌اندازی شده بود، به دست آمده بودند و جزئیات ظاهراً هرگز برای عموم ثبت نشده بود.

سؤالی که دهه‌ها محققان انسانی را به چالش کشیده بود، توسط مدلی پاسخ داده شد که رفتار نرم‌افزارهای دهه ۱۹۹۰ را تشخیص داد. این نشان می‌دهد که دیگر اسرار قدیمی در رمزنگاری، آن‌هایی که در استانداردهای قدیمی و پارامترهای مستند نشده مدفون شده‌اند، ممکن است با ابزارهای مشابه ارزش بازنگری داشته باشند.

برای تیم‌های امنیتی، پیامدهای عملی بیشتر مربوط به اطمینان است تا تغییرات کد. P-256 سال‌هاست که همه‌جا حضور دارد و هیچ چیز در این کشف، خود منحنی را تغییر نمی‌دهد.

ایتر‌اسکن ابزار جدیدی برای تحلیل تراکنش‌های پیچیده اتریوم معرفی کرد

شرکت ایتر‌اسکن (Etherscan)، ارائه‌دهنده خدمات بلاک اکسپلورر برای بلاکچین اتریوم، از معرفی ابزار جدیدی به نام “Transaction Debugger” خبر داده است. این ابزار قادر است تراکنش‌های پیچیده اتریوم را به گزارش‌هایی ساده یا تفصیلی تبدیل کند و از داده‌های خود ایتر‌اسکن برای این منظور بهره می‌برد.

تحلیل عمیق تراکنش‌ها

این ابزار که برای استفاده در ابزارهای عامل (agent tools) مانند Claude Code و Codex طراحی شده است، روشی ساختاریافته برای تحلیل تراکنش‌های EVM (ماشین مجازی اتریوم) با استفاده از اطلاعات زنده از ایتر‌اسکن فراهم می‌کند. این رویکرد به عامل‌ها اجازه می‌دهد تا به جای اتکا به حافظه مدل در مورد قراردادهای هوشمند، از داده‌های دقیق و به‌روز بهره ببرند.

Transaction Debugger، فراخوانی‌های درون یک تراکنش را رمزگشایی کرده و مسیر اجرای واقعی را مشخص می‌کند. همچنین تغییرات در دارایی‌ها و مجوزها را تطبیق داده و ردیابی می‌کند که چه کسی به چه چیزی دست یافته و کدام قراردادها حق خرج کردن کدام توکن‌ها را به دست آورده‌اند. در صورت شکست تراکنش، این ابزار تحلیل جامعی از علت شکست ارائه می‌دهد.

گزارش‌های جامع و قابل تأیید

بر اساس اطلاعات منتشر شده توسط ایتر‌اسکن، خروجی این ابزار شامل خلاصه‌ای از تراکنش، جریان اجرای آن و مشاهدات امنیتی است. حالت‌های گزارش‌دهی از “ساده” (Simple) تا “امنیتی” (Security) متغیر است. هر گزارش شامل لینک‌های مستقیم به ایتر‌اسکن است و ایتر‌اسکن تمامی خروجی‌ها را به عنوان بازسازی‌های فقط خواندنی (read-only reconstruction) که از API این شرکت استخراج شده‌اند، معرفی می‌کند و کاربران را به تأیید آن‌ها از طریق بلاک اکسپلورر تشویق می‌نماید.

این ابزار قادر است یک تراکنش را به تنهایی بررسی کند یا دو تراکنش را در کنار هم مقایسه نماید. Transaction Debugger بر روی هر زنجیره EVM که ایتر‌اسکن پشتیبانی می‌کند، قابل استفاده است.

بخشی از مجموعه “Build with AI”

Transaction Debugger بخشی از مجموعه “Build with AI” ایتر‌اسکن است که در آگوست ۲۰۲۶ راه‌اندازی شد. معرفی عمومی این ابزار در تاریخ ۴ سپتامبر ۲۰۲۶ آغاز شد و راهنمایی‌های تکمیلی در ۱۶ اکتبر ۲۰۲۶ منتشر گردید.

سرور MCP ایتر‌اسکن دسترسی ساختاریافته و فقط خواندنی به داده‌های آن-چین (on-chain) را در بیش از ۶۰ زنجیره سازگار با EVM فراهم می‌کند. این شرکت بر جفت کردن دیباگر با سرور CLI یا MCP خود تأکید کرده است تا عامل‌ها بتوانند داده‌ها را به طور روان استخراج کنند.

دو ابزار مکمل نیز این مجموعه را تکمیل می‌کنند: Etherscan Flow که حرکت وجوه را ردیابی می‌کند و Contract Review که برای اعتبارسنجی قراردادها طراحی شده است. این دیباگر به طور عمدی از ردیابی گسترده کیف پول‌ها و جریان‌های وجوه چندمرحله‌ای اجتناب می‌کند و این وظایف را به Etherscan Flow محول می‌سازد.

نصب این ابزار برای توسعه‌دهندگانی که در محیط‌های عامل کار می‌کنند، تنها با یک دستور انجام می‌شود:
npx skills add https://github.com/etherscan/skills –skill etherscan-transaction-debugger -g -a ‘*’ -y

ایتر‌اسکن تأکید می‌کند که خروجی‌های دیباگر مستقیماً از API این شرکت استخراج می‌شوند تا از نتایج توهمی (hallucinated results) جلوگیری شود. عامل، روایت را تولید می‌کند، اما بلاک اکسپلورر به عنوان منبع حقیقت باقی می‌ماند که انتظار می‌رود کاربران آن را بررسی کنند.

استرالیا شرکتی نوپا با نام Apate.

ai با استفاده از هزاران عامل هوش مصنوعی، روزانه با ده‌ها هزار کلاهبردار درگیر می‌شود تا قبل از قربانی شدن افراد، اطلاعات حساب‌ها و کیف پول‌های آن‌ها را به دست آورد.

این شرکت استرالیایی باهوش، عاملان هوش مصنوعی خود را در نقش قربانیان آسیب‌پذیر مانند پدربزرگ‌ها و مادربزرگ‌ها قرار می‌دهد تا به تماس‌ها و پیام‌های کلاهبرداری پاسخ دهند. این اقدام همزمان با مشغول نگه داشتن گروه‌های کلاهبرداری، به استخراج اطلاعات بانکی آن‌ها کمک کرده و سپس این اطلاعات را برای مسدود کردن حساب‌ها به بانک‌ها و اپراتورهای مخابراتی می‌فروشد.

ایده اولیه Apate.ai از یک تماس کلاهبرداری واقعی نشأت گرفت. چند سال پیش، دالی کافر، بنیان‌گذار و مدیرعامل این شرکت، در یک پیک‌نیک خانوادگی تماسی از یک شماره ناشناس دریافت کرد. او برای سرگرم کردن فرزندانش وانمود کرد که قربانی است و به مدت ۴۴ دقیقه با کلاهبردار صحبت کرد. پس از پایان مکالمه، کافر متوجه شد که در این ۴۴ دقیقه، کلاهبردار نتوانسته با قربانیان واقعی تماس بگیرد. این موضوع او را به فکر انداخت که آیا می‌توان این فرآیند را خودکار کرد و در عین حال اطلاعات مفیدی به دست آورد.

کافر که استاد دانشگاه مک‌کواری سیدنی است، تحقیقات خود را با استفاده از یادگیری ماشین برای تجزیه و تحلیل تماس‌های کلاهبرداری در دانشگاه آغاز کرد. Apate.ai در سال ۲۰۲۴ تأسیس شد و ریشه در همین تحقیقات دارد. در حال حاضر، هزاران عامل هوش مصنوعی این شرکت در نقش افراد عادی با سنین، جنسیت‌ها و لهجه‌های مختلف، به زبان‌های گوناگون به تماس‌ها پاسخ می‌دهند، به پیامک‌ها و ایمیل‌ها جواب می‌دهند، روی لینک‌های کلاهبرداری کلیک می‌کنند و به گروه‌های اجتماعی می‌پیوندند. عاملان متنی همچنین در انجمن‌ها و گروه‌های سرمایه‌گذاری به دنبال فعالیت‌های مشکوک می‌گردند و با هویت‌های جعلی در گفتگوها شرکت می‌کنند.

برد جوف، هم‌بنیان‌گذار و مدیر بازرگانی Apate.ai، در مصاحبه با TechCrunch گفت: «اکثر شرکت‌ها پس از وقوع حادثه اقدام می‌کنند. اپراتورهای مخابراتی شماره‌ها را مسدود می‌کنند و کلاهبرداران شماره جدیدی پیدا می‌کنند؛ بانک‌ها تراکنش‌ها را رصد می‌کنند، اما در آن زمان کلاهبرداران قبلاً با مشتری تماس گرفته‌اند. ما مستقیماً به سراغ کلاهبرداران می‌رویم و قبل از اینکه کسی قربانی شود، اطلاعات را به دست می‌آوریم.»

عاملان Apate.ai تلاش می‌کنند تا اطلاعاتی را که کلاهبرداران معمولاً تنها پس از قربانی شدن افراد به دست می‌آورند، استخراج کنند: حساب‌های بانکی، کیف پول‌های رمزارزی، وب‌سایت‌های مخرب و برندهای مورد سوءاستفاده قرار گرفته. مشتریان این شرکت شامل بانک مشترک‌المنافع استرالیا (Commonwealth Bank of Australia)، اپراتور مخابراتی استرالیایی TPG Telecom و سایر اپراتورهای مخابراتی، شرکت‌های خدماتی و سازمان‌های دولتی هستند. این مشتریان می‌توانند وظایفی را به عاملان محول کنند، مانند به دست آوردن یک شماره حساب بانکی یا یک آدرس کیف پول رمزارزی.

در یکی از آزمایش‌ها با TPG، تماس‌های پرخطر به ربات‌های هوش مصنوعی چندزبانه هدایت شدند. در طول دوره آزمایش، بیش از ۲۸۰ هزار تماس کلاهبرداری منحرف شد و عاملان توانستند کلاهبرداران را تا ۵۴ دقیقه مشغول نگه دارند. همچنین بیش از ۲۰ هزار نهاد مورد سوءاستفاده قرار گرفته شناسایی شد و جزئیات هر مکالمه و سرنخ‌های مالی مورد تجزیه و تحلیل قرار گرفت.

در همکاری با بانک مشترک‌المنافع، از روش “کندوی عسل” (honeypot) استفاده شد؛ یعنی شماره تلفن‌هایی که به طور عمدی در دسترس گروه‌های کلاهبرداری قرار می‌گیرند و تماس‌های ورودی به آن‌ها توسط ربات‌های هوش مصنوعی پاسخ داده می‌شود.

Apate.ai ادعا می‌کند که عاملان این شرکت تاکنون در ۲.۵ میلیون مکالمه، مجموعاً ۱۷ سال از وقت کلاهبرداران را تلف کرده‌اند. جوف می‌گوید که TPG تاکنون نزدیک به ۵۹۰ هزار تماس را به عاملان Apate.ai هدایت کرده است (در مرحله آزمایشی بیش از ۲۸۰ هزار تماس). همچنین یک بانک استرالیایی که نامش فاش نشده، با استفاده از عاملان برون‌گرا، ۲۲ عملیات کلاهبرداری را مختل کرده است. با این حال، این آمار از سوی شرکت یا مشتریان ارائه شده و توسط شخص ثالث تأیید نشده است.

Apate.ai در ماه اوت سال جاری، دور تأمین مالی اولیه ۸.۱۵ میلیون دلاری را به رهبری Lobby Capital به پایان رساند و مجموع سرمایه جذب شده آن کمی کمتر از ۱۰ میلیون دلار است. این شرکت ۲۰ نفره در حال حاضر قصد دارد این سرمایه را صرف توسعه محصول و گسترش بین‌المللی، از جمله افتتاح دفتر در لندن و گسترش حضور در ایالات متحده کند.

جوف می‌گوید که حتی در مواد ارائه شده به سرمایه‌گذاران، بخش‌هایی از ناسزاهای کلاهبرداران به ربات‌ها نیز گنجانده شده است: «ما این را به عنوان نشانه‌ای از بی‌صبری آن‌ها تلقی می‌کنیم و هر ناسزا در Apate جشن گرفته می‌شود. ما احتمالاً یکی از معدود شرکت‌هایی در جهان هستیم که از ناسزا گفتن مردم به محصولمان خوشحال می‌شویم.»

گوگل با دستاورد جدید در محاسبات کوانتومی، نرخ خطای مرتبط را ۴۰ برابر کاهش داد و به دقت ۹۹.۹ درصدی دست یافت. این پیشرفت در حوزه‌ای صورت گرفته که قابلیت‌های نهایی آن می‌تواند رمزنگاری بیت‌کوین را تهدید کند. با این حال، این نتیجه به خطای کوانتومی مربوط می‌شود و هنوز باید در مقیاس بزرگ‌تر اثبات شود.

این موضوع تهدید فوری شبکه را بدون تغییر باقی می‌گذارد، اما ریسک کوانتومی بلندمدت بیت‌کوین را از یک مشکل صرفاً نظری مهندسی دورتر می‌کند. شکاف در حال کاهش است، اما همچنان قابل توجه است.

فوری: گوگل ممکن است روز “کیو” (Q-Day) بیت‌کوین را زودتر از انتظار فرا برساند؛ تراشه ویلو (Willow) خطاهای کوانتومی را ۴۰ برابر کاهش داد.

گوگل اعلام کرده است که تکنیکی به نام “کشت حالت جادویی” (magic state cultivation) اکنون بر روی تراشه ویلو این شرکت کار می‌کند و خطاها را حدود ۴۰ برابر با دقت رکورد ۹۹.۹۹ درصد کاهش می‌دهد. روز “کیو” لحظه‌ای است که یک…

تحقیقات گوگل بر روی “حالت‌های جادویی” متمرکز است، منبعی تخصصی که در محاسبات کوانتومی استفاده می‌شود و طبق گزارش اصلی، معمولاً حدود ۹۵ درصد از ظرفیت یک کامپیوتر کوانتومی را مصرف می‌کند. بهبود قابلیت اطمینان و تولید این حالت‌ها می‌تواند یک گلوگاه مهم در ساخت ماشین‌های بزرگ‌تر و مفیدتر را تسهیل کند.

اصلاح خطای کوانتومی برای یک سیستم تحمل‌پذیر در برابر خطا به اندازه کافی قدرتمند ضروری است، اما تهدید بیت‌کوین به هماهنگی بسیاری از قابلیت‌های پرتقاضا بستگی دارد. این نقطه عطف، استدلال برای آمادگی بلندمدت را تقویت می‌کند.

یک مقاله سفید گوگل که در ماه مارس منتشر شد، تخمین زد که شکستن امنیت بیت‌کوین به ۱۲۰۰ تا ۱۴۵۰ کیوبیت منطقی نیاز دارد. اینها کیوبیت‌های منطقی هستند، واحدهای تصحیح‌شده از خطا که برای محاسبات قابل اعتماد لازم هستند، نه صرفاً کیوبیت‌های فیزیکی خام نصب‌شده در پردازنده.

تراشه ویلو گوگل که در دسامبر ۲۰۲۴ معرفی شد، ۱۰۵ کیوبیت دارد؛ IBM گزارش ۷۰ کیوبیت منطقی را داده است، در حالی که QuEra الگوریتم‌هایی را با استفاده از حداکثر ۹۶ کیوبیت منطقی اجرا کرده بود. نقشه راه IBM هدف ۲۰۰ کیوبیت منطقی تا سال ۲۰۲۹ و ۲۰۰۰ کیوبیت تا سال ۲۰۳۳ را تعیین کرده بود، که این نقشه راه را به یک هدف آتی شرکت تبدیل می‌کند تا یک قابلیت فعلی.

یک تخمین منبع جداگانه مرتبط با گوگل که در گزارش‌های دیگر مورد بحث قرار گرفته است، این نیاز را تحت فرضیات خاصی کمتر از ۵۰۰,۰۰۰ کیوبیت فیزیکی قرار می‌دهد. این تخمین مشروط کیوبیت فیزیکی جایگزین رقم ۱۲۰۰ تا ۱۴۵۰ کیوبیت منطقی نیست.

به همین ترتیب، سناریویی که در آن یک ماشین پیشرفته می‌تواند در عرض نه دقیقه یک کلید خصوصی را از یک کلید عمومی فاش شده استخراج کند، یک قابلیت حمله فرضی را توصیف می‌کند، نه ماشینی که در حال حاضر وجود دارد.

قرار گرفتن در معرض عملی همچنین به این بستگی دارد که آیا کلید عمومی فاش می‌شود یا خیر. تجزیه و تحلیل گوگل از آسیب‌پذیری‌های کوانتومی در ارزهای دیجیتال به ریسک گسترده‌تر می‌پردازد، در حالی که پاسخ نهایی بیت‌کوین نیازمند یک مسیر مهاجرت فنی صحیح و هماهنگی بین کاربران، توسعه‌دهندگان و متولیان خواهد بود.

گزارش اصلی تخمین می‌زند که حدود ۶.۲۶ میلیون بیت‌کوین در آدرس‌های آسیب‌پذیر در برابر کوانتوم قرار دارد. این ریسک مشروط به توانایی ماشین‌های آینده در استخراج کلیدهای خصوصی از کلیدهای عمومی فاش شده است. بحث امنیت بلندمدت بیت‌کوین هم به قدرت سخت‌افزار کوانتومی آینده و هم به توانایی انتقال وجوه متأثر به ترتیبات امن‌تر مربوط می‌شود.

جیمسون لوپ (Jameson Lopp)، هم‌بنیان‌گذار و مدیر ارشد امنیتی Casa، می‌گوید که ماشینی به اندازه کافی قدرتمند برای رمزگشایی یک کلید عمومی بیت‌کوین ممکن است حداقل یک دهه دیگر فاصله داشته باشد. پیشرفت گوگل در تصحیح خطا، دلیل اهمیت برنامه‌ریزی برای این موضوع را تقویت می‌کند.

تا به امروز، Polymarket احتمال ۱ درصدی را برای این امکان تا پایان سال و ۱۱ درصد را تا پایان سال ۲۰۲۷ اختصاص داده است، همانطور که در مقاله منبع گزارش شده است. پیامد ماندگارتر این است که چالش مهاجرت پس از کوانتومی بیت‌کوین باید مدت‌ها قبل از ظهور یک ماشین معتبر با قابلیت حمله، مورد توجه قرار گیرد.

برای موقعیت‌دهی BTC، نتیجه گوگل یک رویداد امنیتی فوری یا یک سیگنال فروش مستقل را ایجاد نمی‌کند. این امر به ریسک بلندمدت وزن می‌بخشد: تصحیح خطا در حال پیشرفت است، اما جهش از یک نقطه عطف آزمایشگاهی به یک سیستم قابل اعتماد که بیت‌کوین را می‌شکند، همچنان نیازمند مقیاس، تحمل خطا و محاسبات پایدار است که ماشین‌های فعلی نشان نداده‌اند.

گوگل کوانتوم AI از کاهش ۴۰ برابری خطای کوانتومی خبر داد

تیم هوش مصنوعی کوانتومی گوگل در مقاله‌ای جدید در مجله Science اعلام کرد که تراشه کوانتومی Willow موفق به کاهش ۴۰ برابری نرخ خطای “حالت جادویی” شده و به دقت منطقی ۹۹.۹۹ درصد دست یافته است. این پیشرفت نه تنها هزینه ساخت کامپیوترهای کوانتومی کاربردی را کاهش می‌دهد، بلکه آستانه نظری شکستن رمزنگاری RSA-2048 و بیت‌کوین را نیز به طور قابل توجهی جلو می‌برد، هرچند که هنوز با واقعیت فاصله میلیون‌ها برابری وجود دارد.

پیشرفت در فناوری “کشت حالت جادویی”

گزارش Decrypt حاکی از آن است که تیم هوش مصنوعی کوانتومی گوگل در مقاله‌ای که روز پنجشنبه در مجله Science منتشر شد، پیشرفت قابل توجهی را در زمینه فناوری “کشت حالت جادویی” در پردازنده کوانتومی Willow آشکار کرده است. این تیم موفق شده است نرخ خطای حالت جادویی را حدود ۴۰ برابر کاهش دهد و به رکورد دقت منطقی T-state ۹۹.۹۹ درصد دست یابد. این پیشرفت مستقیماً بر توانایی کامپیوترهای کوانتومی در تهدید استانداردهای رمزنگاری موجود در سال‌های آینده تأثیر می‌گذارد.

کاهش ۴۰ برابری خطای کوانتومی توسط گوگل

گوگل اعلام کرده است که تراشه کوانتومی Willow آن با استفاده از “کشت حالت جادویی” توانسته است خطاها را حدود ۴۰ برابر کاهش دهد. این پیشرفت گزارش شده، یک گلوگاه فنی عمده در ساخت کامپیوترهای کوانتومی قابل اعتماد را برطرف می‌کند.

کامپیوترهای کوانتومی و تهدید رمزنگاری

کامپیوترهای کوانتومی بر اساس کیوبیت‌ها عمل می‌کنند، اما کیوبیت‌ها بسیار شکننده هستند و حرارت یا نویز الکترومغناطیسی می‌تواند محاسبات را مختل کند. تصحیح خطای کوانتومی می‌تواند عملیات منطقی پایه را مدیریت کند، اما برنامه‌های تجاری پیچیده به “حالت‌های جادویی” سطح بالاتر به عنوان منابع مصرفی یک‌بار مصرف نیاز دارند. گوگل با استناد به تخمین‌های علمی بیان کرده است که هزینه تولید حالت‌های جادویی در گذشته ممکن است ۹۵ درصد از توان محاسباتی کل کامپیوتر کوانتومی را به خود اختصاص می‌داده و فضای محاسباتی عملی را به شدت محدود می‌کرده است.

از سال ۲۰۰۴، صنعت از “تقطیر حالت جادویی” برای خالص‌سازی حالت‌های با خلوص بالا استفاده می‌کرده است، اما این امر نیازمند کارخانه‌های عظیم کیوبیت فیزیکی بوده است. در سال ۲۰۲۴، گوگل راه حل جایگزینی به نام “کشت حالت جادویی” را پیشنهاد کرد که در آن حالت‌های جادویی خام و ناخالص به ناحیه بسیار کوچکی از تراشه تزریق می‌شوند و از طریق مجموعه‌ای از بررسی‌ها، تلاش‌های معیوب مستقیماً دور ریخته شده و تنها حالت‌های بی‌نقص حفظ می‌شوند. در آزمایش‌ها، تنها حدود ۸ درصد از تلاش‌ها موفق به عبور از تمام بررسی‌ها شده‌اند، به این معنی که برای استخراج هر حالت جادویی واجد شرایط، تراشه مجبور است بیش از ۹۰ درصد از تلاش‌های اولیه را فعالانه دور بریزد.

محققان در سال ۲۰۲۵ پیش‌بینی کردند که کیوبیت‌های نویزی مورد نیاز برای شکستن رمزنگاری RSA-2048 را می‌توان به کمتر از ۱ میلیون کیوبیت فیزیکی کاهش داد، که نسبت به ۲۰ میلیون کیوبیت تخمین زده شده در سال ۲۰۱۹، کاهش ۲۰ برابری را نشان می‌دهد. در ماه مارس امسال، تیم هوش مصنوعی کوانتومی گوگل به همراه جاستین دریک، محقق بنیاد اتریوم، و دن بونه، رمزنگار دانشگاه استنفورد، در یک مقاله سفید مشترک اعلام کردند که تعداد کیوبیت‌های فیزیکی مورد نیاز برای شکستن رمزنگاری منحنی بیضوی بیت‌کوین ممکن است کمتر از ۵۰۰ هزار عدد باشد.

با وجود این پیش‌بینی‌های رو به کاهش، در حال حاضر هیچ کیف پول رمزنگاری به دلیل این موضوع مورد سرقت قرار نگرفته است. این آزمایش حداکثر از ۵۴ کیوبیت از ۱۰۵ کیوبیت تراشه Willow استفاده کرده است و مقاله به وضوح بیان می‌کند که برای تجزیه واقعی کلید RSA-2048، نرخ خطای حالت جادویی باید به حدود یک در ده میلیارد کاهش یابد، که این میزان نزدیک به ۱ میلیون برابر خالص‌تر از دقت ۹۹.۹۹ درصدی است که گوگل به تازگی به آن دست یافته است. گوگل اعلام کرده است که برنامه بعدی آن اجرای کشت حالت جادویی بر روی آرایه‌های سخت‌افزاری در مقیاس بزرگتر است و تیم پیش‌بینی می‌کند که با کاهش نویز سخت‌افزار پایه پردازنده Willow به نصف، نرخ خطای حالت جادویی می‌تواند به حدود دو در صد هزار کاهش یابد.

گوگل قصد دارد تا سال ۲۰۲۹ مهاجرت به رمزنگاری پساکوانتومی را تکمیل کند، شش سال زودتر از هدف دولت، و صنعت رمزنگاری باید همگام شود.

مدیرعامل VanEck گفته است: اگر بیت‌کوین نتواند در برابر کوانتوم مقاومت کند، ما خارج می‌شویم؛ پول قدیمی بازار به ZCASH منتقل می‌شود.

ساتوشی ناکاموتو در سال ۲۰۱۰ در مورد کامپیوترهای کوانتومی گفته بود: اگر به تدریج توسعه یابد، بیت‌کوین می‌تواند به رمزنگاری قوی‌تری منتقل شود.

بیت‌کوین‌کاربران میلیون‌ها نفر در یک خروجی بلاک‌چین واحد، بدون از دست دادن کنترل پول خود

اولاولووا اوسونتکون، توسعه‌دهنده بیت‌کوین، طرحی به نام “لیرتِری” (Layertree) را معرفی کرده است که می‌تواند میلیون‌ها دارنده بیت‌کوین را در یک خروجی واحد بلاک‌چین جای دهد، بدون آنکه کنترل پول خود را از دست بدهند. اما نکته اینجاست: قوانین فعلی بیت‌کوین هنوز اجازه پیاده‌سازی این فناوری را نمی‌دهند.

یک خروجی بیت‌کوین، میلیون‌ها مالک منفرد

در تاریخ ۱۵ اکتبر ۲۰۲۶، اولاولووا اوسونتکون، توسعه‌دهنده Lightning Labs، […]