Tag: نوآوری فناوری

تیمی از دانشگاه تگزاس شرقی A&M راهکاری برای مقاومت بیت‌کوین در برابر کامپیوترهای کوانتومی ارائه داد

کامپیوترهای کوانتومی در حال حاضر قادر به شکستن بیت‌کوین نیستند، اما تیمی در دانشگاه تگزاس شرقی A&M منتظر وقوع این اتفاق نمانده و راهکاری برای مقابله با آن توسعه داده است.

محققان پردیس RELLIS این دانشگاه، در تاریخ ۱۲ سپتامبر ۲۰۲۶، پروژه‌ای به نام PQLN (مخفف Post-Quantum Lightning Network) را معرفی کردند. این اولین پیاده‌سازی عملی است که رمزنگاری مقاوم در برابر کوانتوم را به شبکه مقیاس‌پذیری لایه دوم بیت‌کوین، یعنی شبکه لایتنینگ، اضافه می‌کند. کد کامل این پروژه که شامل نزدیک به ۱۱ هزار خط کد اضافه شده به یک فورک از rust-lightning است، هم‌اکنون در GitHub در دسترس قرار دارد.

شبکه لایتنینگ به کاربران بیت‌کوین اجازه می‌دهد تا تراکنش‌های خارج از زنجیره اصلی (off-chain) را انجام دهند. این بدان معناست که می‌توانند پرداخت‌ها را بدون نیاز به انتظار برای تسویه هر تراکنش در بلاک‌چین اصلی، ارسال و دریافت کنند. این سرعت بالا با یک بده‌بستان همراه است: شبکه لایتنینگ به همان رمزنگاری منحنی بیضوی (به طور خاص secp256k1) متکی است که امنیت خود بیت‌کوین را نیز تامین می‌کند. اگر یک کامپیوتر کوانتومی به اندازه کافی قدرتمند بتواند این محاسبات را بشکند، هر دو لایه در معرض خطر قرار خواهند گرفت.

PQLN رمزنگاری موجود را حذف نمی‌کند، بلکه الگوریتم‌های مبتنی بر لاتیس (lattice-based) را بر روی آن لایه‌بندی می‌کند. دو ابزار مبتنی بر لاتیس در این مجموعه، ML-DSA برای امضاهای دیجیتال و ML-KEM برای تبادل کلید هستند. هر دو از خانواده الگوریتم‌هایی هستند که موسسه ملی استاندارد و فناوری ایالات متحده (NIST) برای سناریوهای مشابه در حال استانداردسازی آن‌ها بوده است.

این پیاده‌سازی پنج حوزه حیاتی عملیات شبکه لایتنینگ را پوشش می‌دهد: انتشار اخبار (نحوه اشتراک‌گذاری اطلاعات شبکه توسط گره‌ها)، انتقال همتا به همتا، صورت‌حساب‌ها، پیازهای پرداخت (لایه حریم خصوصی مسیریابی) و پیشنهادات از طریق چارچوب مشخصات BOLT. احمد کورت، یکی از نویسندگان مقاله، و همکارانش این سیستم را به گونه‌ای طراحی کرده‌اند که گره‌های ارتقا یافته همچنان بتوانند با گره‌های قدیمی (legacy) ارتباط برقرار کنند.

ارزیابی عملکرد و چالش‌ها

بنچمارک‌های PQLN نشان می‌دهند که تاثیرات منفی قابل مدیریت هستند. عملیات رمزنگاری اضافه شده، زمان پردازش هر عملیات را به ۰.۳۳ میلی‌ثانیه یا کمتر محدود می‌کند.

وضعیت پهنای باند کمی پیچیده‌تر است. دانلود اخبار تحت تنظیمات پیش‌فرض ML-DSA در PQLN، حدود ۱۰ برابر افزایش می‌یابد. با این حال، محققان یک طرح امضای جایگزین به نام Falcon را آزمایش کردند که این سربار را به حدود ۴ برابر کاهش می‌دهد.

آزمون‌های قابلیت همکاری، تمامی ۱۲ سناریوی ممکن ترکیب گره‌ها را پوشش دادند و گره‌های ارتقا یافته و قدیمی را در هر ترکیبی جفت کردند. نتیجه: صفر پرداخت ناموفق در تمام پیکربندی‌ها.

محدودیت‌های کلیدی

یک نکته مهم در طراحی PQLN وجود دارد. این سیستم ارتباطات و لایه‌های مسیریابی شبکه لایتنینگ را امن می‌کند، اما از وجوه واقعی کانال‌ها یا هرگونه عنصر بیت‌کوین در زنجیره اصلی (on-chain) محافظت نمی‌کند. دلیل این امر ساده است: تغییر نحوه پردازش رمزنگاری در لایه پایه بیت‌کوین نیازمند یک ارتقاء اجماع است، به این معنی که کل شبکه ماینرها و اپراتورهای گره باید با قوانین جدید موافقت کنند.

بحث‌ها در مورد PQLN در عرض چند روز پس از انتشار مقاله در arXiv، در پلتفرم‌های Delving Bitcoin و BitcoinTalk آغاز شد. انتشار کد منبع باز، همراه با یک گره نمونه اصلاح شده، موانع را برای سایر پیاده‌سازی‌های شبکه لایتنینگ جهت مطالعه و احتمالاً پذیرش این رویکرد کاهش می‌دهد.

وقتی تکالیف درسی شما شباهت مشکوکی به کار شخص دیگری پیدا می‌کند، بهترین اقدام معمولاً این است که پیش از انتشار خبر، خودتان آن را فاش کنید. این دقیقاً همان کاری است که متا اخیراً انجام داده است.

الهام‌گیری از OpenClaw

نَت فریدمن، مدیر محصول در آزمایشگاه‌های هوش فوق‌العاده متا (Meta Superintelligence Labs)، تأیید کرد که “Muse”، عامل هوش مصنوعی شخصی این شرکت که در هفته اول بیش از ۹۰۰ هزار بار دانلود شد، «به شدت از OpenClaw الهام گرفته است». OpenClaw یک چارچوب عامل متن‌باز و خودمیزبان است. شباهت‌ها به ساختارهای فایل فضای کاری و معماری‌های عامل نیز گسترش می‌یابد. با این حال، متا تأکید می‌کند که هیچ کدی مستقیماً کپی نشده و Muse از ابتدا ساخته شده است.

ظهور OpenClaw

OpenClaw اولین بار در حدود ژانویه ۲۰۲۶ به عنوان یک عامل هوش مصنوعی چندکاناله که به صورت محلی اجرا می‌شود، پدیدار شد. این پلتفرم به سرعت محبوبیت یافت، از جمله پذیرش قابل توجه در میان توسعه‌دهندگان در چین، و خود را به عنوان جایگزینی مردمی برای رویکردهای اول ابری که توسط شرکت‌های بزرگ فناوری ترجیح داده می‌شود، معرفی کرد.

کاتالیزور تصمیم‌گیری در متا

به نظر می‌رسد قرار گرفتن متا در معرض OpenClaw در همان دوره، تصمیم‌گیری‌های داخلی را تسریع کرده است. این شرکت شروع به خرید تعداد زیادی مک مینی برای اهداف توسعه کرد. نتیجه این تلاش، Muse بود که در ۸ سپتامبر ۲۰۲۶ راه‌اندازی شد.

قابلیت‌ها و قیمت‌گذاری Muse

این محصول از طریق یک اپلیکیشن اختصاصی iOS و Android، یک رابط وب در muse.ai و واتس‌اپ کار می‌کند. این ابزار وظایفی مانند ارسال ایمیل، رزرو سفر و مدیریت برنامه‌های بلندمدت را انجام می‌دهد. قیمت‌گذاری از یک سطح رایگان آغاز می‌شود و اشتراک‌های پولی با قیمت ۲۰ دلار در ماه و ۱۰۰ دلار در ماه برای نسخه‌های توانمندتر ارائه می‌شود. در ابتدا، تنها بزرگسالان در ایالات متحده می‌توانند به آن دسترسی داشته باشند.

واکنش بازار

واکنش بازار به معرفی Muse قاطع بود. سهام متا پس از پوشش خبری این راه‌اندازی، ۱۱.۴ درصد افزایش یافت. رقم ۹۰۰ هزار دانلود در هفته اول، اعتبار این فرضیه را افزایش می‌دهد. متا در حال حاضر زیرساخت توزیعی دارد که شامل واتس‌اپ است که بیش از دو میلیارد کاربر در سراسر جهان دارد.

معماری Muse

مدل‌های Muse Spark متا، عامل را در پشت صحنه تغذیه می‌کنند و به متا کنترل عمودی کاملی از لایه مدل تا رابط کاربری می‌دهند.

تنش در صنعت هوش مصنوعی

رابطه بین Muse و OpenClaw تنشی را برجسته می‌کند که دوران کنونی صنعت هوش مصنوعی را تعریف کرده است. پروژه‌های متن‌باز به عنوان زمینه‌های آزمایشی برای مفاهیمی عمل می‌کنند که شرکت‌های با منابع خوب می‌توانند سپس آن‌ها را در مقیاس تولید کنند. فلسفه طراحی خودمیزبان و محلی OpenClaw در نقطه مقابل معماری ابری یکپارچه Muse قرار دارد، اما DNA مفهومی آن به وضوح قابل مشاهده است.

اعتباربخشی به اکوسیستم متن‌باز

متا با اعتباربخشی عمومی به OpenClaw، خود را به عنوان یک مشارکت‌کننده حسن‌نیت در اکوسیستم متن‌باز معرفی می‌کند؛ شهرتی که آن را با دقت از طریق محصولاتی مانند Llama ایجاد کرده است.

سوئی قابلیت اشتراک‌گذاری داده‌های بلادرنگ بلاک‌چین را از طریق GraphQL فعال کرد

شبکه سوئی (Sui) با فعال‌سازی اشتراک‌گذاری داده‌ها از طریق GraphQL در شبکه اصلی خود (Mainnet)، امکان جدیدی را برای توسعه‌دهندگان فراهم کرده است تا داده‌های بلادرنگ بلاک‌چین، از جمله نقاط بررسی (checkpoints)، بلوک‌های تراکنش و رویدادها را از طریق یک رابط کاربری واحد و یکپارچه دریافت کنند.

این قابلیت با استفاده از اتصالات WebSocket از طریق نقطه پایانی wss://sui-mainnet.mystenlabs.com/graphql کار می‌کند و دارای ویژگی‌های داخلی مانند فیلتر کردن هم‌راستا با پرس‌وجو (query-aligned filtering)، اتصال مجدد خودکار و قابلیت بازیابی داده‌های گذشته از یک نشانگر (cursor) قبل از انتقال روان به جریان زنده است.

این راه‌اندازی، فصل پایانی مهاجرت از پروتکل JSON-RPC محسوب می‌شود. رابط برنامه‌نویسی کاربردی (RPC) مبتنی بر GraphQL سوئی در سال ۲۰۲۵ وارد مرحله بتا شد، در اوایل سال ۲۰۲۶ به طور عمومی در دسترس قرار گرفت و سیستم قدیمی JSON-RPC در اواخر جولای ۲۰۲۶ به طور کامل از گره‌های بنیادین (Foundation nodes) حذف شد.

اشتراک‌گذاری داده‌ها این روند را یک گام فراتر می‌برد. به جای پرس‌وجوی مکرر شبکه، برنامه‌ها یک اتصال WebSocket پایدار برقرار کرده و به‌محض وقوع، به‌روزرسانی‌ها را دریافت می‌کنند.

سیستم اشتراک‌گذاری از سه نوع داده اصلی پشتیبانی می‌کند: نقاط بررسی، بلوک‌های تراکنش و رویدادها. هر یک از این‌ها را می‌توان با استفاده از زبان پرس‌وجوی بومی GraphQL فیلتر کرد، به این معنی که توسعه‌دهندگان نیازی به دریافت تمام داده‌ها و سپس پردازش آن‌ها در سمت کلاینت ندارند.

یکی از کاربردی‌ترین ویژگی‌ها، بازیابی داده‌ها بر اساس نشانگر است. در صورت قطع اتصال یک برنامه، می‌تواند مجدداً متصل شده و از همان نقطه‌ای که متوقف شده بود، ادامه دهد. این سیستم داده‌های از دست رفته را به ترتیب تحویل می‌دهد و سپس به جریان زنده بازمی‌گردد.

این رویکرد همچنین نیاز توسعه‌دهندگان به مدیریت رابط‌های کاربری متعدد را از بین می‌برد. پیش از این، دسترسی به داده‌های تاریخی و دریافت به‌روزرسانی‌های زنده اغلب نیازمند ابزارهای مختلف و گاهی پروتکل‌های کاملاً متفاوتی بود. با اشتراک‌گذاری GraphQL، هر دو جریان از زبان پرس‌وجوی یکسان و نقطه پایانی یکسان استفاده می‌کنند.

این قابلیت، گزینه استریمینگ gRPC موجود سوئی را تکمیل می‌کند که برای ادغام‌های سطح پایین و با توان عملیاتی بالا مناسب‌تر است. اشتراک‌گذاری GraphQL رابط کاربری انعطاف‌پذیرتر و خواناتری را ارائه می‌دهد که ادغام آن در برنامه‌های وب و موبایل آسان‌تر است.

OpenAI از دو مدل جدید GPT-6 Sol و GPT-6 Luna رونمایی کرد. این اتفاق تنها چند دقیقه پس از آن رخ داد که Anthropic، رقیب دیرینه این شرکت، از مدل پرچمدار جدید خود Claude Opus 5.5 پرده برداشت.

مدل‌های Sol و Luna در سلسله‌مراتب محصولات OpenAI پایین‌تر از GPT-6 Astra قرار می‌گیرند؛ مدلی که این شرکت در تاریخ ۳ سپتامبر آن را «هوشمندترین و همسوترین مدل در جهان» نامیده بود. Astra همچنان انتخاب اول OpenAI برای وظایف پیچیده است، در حالی که Sol و Luna گزینه‌های ارزان‌تر و سریع‌تری هستند که برای کارهای روزمره طراحی شده‌اند.

این استراتژی شباهت زیادی به رویکرد Anthropic دارد. می‌توان Astra را معادل Fable، Sol را معادل Opus، Terra را معادل Sonnet و Luna را معادل Haiku (پس از ارتقاء) در نظر گرفت.

OpenAI همچنین برای حفظ رقابت‌پذیری، قیمت‌گذاری خود را تعدیل کرده است. هزینه استفاده از API برای هر دو مدل جدید در مقایسه با نرخ‌های تبلیغاتی GPT-5.6 به ازای هر توکن، ۵۰ درصد کاهش یافته است. توکن‌ها واحدهای متنی هستند که مدل‌ها می‌خوانند و می‌نویسند و معمولاً کمی کمتر از یک کلمه کامل هستند. شرکت‌ها به دلیل نحوه محاسبه هزینه‌ها در مقیاس بزرگ، به ازای هر میلیون توکن پرداخت می‌کنند.

معرفی GPT-6 Sol و GPT-6 Luna

OpenAI با معرفی GPT-6 Sol و GPT-6 Luna، گامی دیگر در جهت گسترش اکوسیستم GPT-6 برداشته است. این دو مدل جدید، با بهره‌گیری از پیشرفت‌های حاصل شده در GPT-6 Astra، بسیاری از نقاط قوت آن را در قالب مدل‌هایی سریع‌تر و مقرون‌به‌صرفه‌تر ارائه می‌دهند تا از کارهای در مقیاس بزرگ پشتیبانی کنند.

این شرکت همچنین اعلام کرده است که فرآیندهای Caching و Inference را کارآمدتر کرده است.

قیمت‌گذاری رقابتی

Sol اکنون با هزینه ۲ دلار به ازای هر میلیون توکن ورودی و ۱۰ دلار به ازای هر میلیون توکن خروجی عرضه می‌شود که نسبت به نرخ‌های قبلی (۴ دلار و ۲۰ دلار) کاهش یافته است. Luna نیز با کاهش قیمت به ۰.۱۰ دلار برای ورودی و ۰.۵۰ دلار برای خروجی، از ۰.۲۰ دلار و ۱.۲۰ دلار قبلی، در دسترس قرار گرفته است. در مجموع، OpenAI با این تغییرات، در مقایسه با Anthropic، در هر سطح قیمتی، پیشنهاد ارزان‌تری ارائه می‌دهد.

ارزیابی عملکرد

عملکرد این مدل‌ها بر اساس معیار AutomationBench که توسط Zapier توسعه یافته، سنجیده شده است. این معیار توانایی یک عامل هوش مصنوعی را در انجام یک گردش کار کامل تجاری با استفاده از ۴۷ ابزار در حوزه‌های فروش، بازاریابی، عملیات، پشتیبانی، مالی و منابع انسانی می‌سنجد و نتیجه را به صورت نرخ موفقیت گزارش می‌دهد. GPT-6 Sol در بالاترین تنظیمات استدلال خود، با هزینه ۰.۲۷ دلار به ازای هر وظیفه، امتیاز ۳۳.۲ درصد را کسب کرده است.

در مقابل، Claude Opus 5 در بالاترین تنظیمات خود، طبق آمار OpenAI، امتیاز ۲۶.۹ درصد را به دست آورده، اما هزینه آن بیش از ۱۱ برابر بیشتر بوده است. GPT-6 Sol همچنین در همین آزمون، از Claude Fable 5.1، پرچمدار گران‌تر Anthropic، پیشی گرفته است.

در آزمون Agents’ Last Exam که عامل‌های هوش مصنوعی را در کارهای طولانی و با ارزش اقتصادی در ۵۵ زیرصنعت ارزیابی می‌کند و نتایج را به صورت درصد تکمیل شده درجه‌بندی می‌کند، GPT-6 Sol در بالاترین سطح تلاش خود، امتیاز ۵۶.۴ درصد را کسب کرده است. OpenAI ادعا می‌کند که این نتیجه، بهترین امتیاز Claude Opus 5 را با ۶۰ درصد هزینه کمتر به ازای هر وظیفه، پشت سر گذاشته است.

“Reasoning effort” (تلاش استدلالی) قابلیتی است که OpenAI به مدل خود افزوده است؛ با افزایش این تنظیم، مدل زمان و قدرت محاسباتی بیشتری را صرف بررسی مجدد پاسخ‌های خود قبل از ارائه می‌کند که معمولاً دقت و هزینه را همزمان افزایش می‌دهد.

در زمینه استفاده کامپیوتری – جایی که یک عامل هوش مصنوعی مانند یک انسان با کلیک کردن، تایپ کردن و پیمایش نرم‌افزارها عمل می‌کند – GPT-6 Sol در محیط OSWorld 2.0، با امتیاز ۶۰.۵ درصد، تقریباً با امتیاز تلاش متوسط Claude Opus 5 (۶۰.۳ درصد) برابری کرده است، اما با هزینه‌ای حدود ۸۰ درصد کمتر. OSWorld وظایف طولانی و واقعی کامپیوتری را آزمایش می‌کند و بر اساس میزان صحیح انجام شدن کار، امتیاز نسبی را گزارش می‌دهد.

دسترسی

GPT-6 Sol و Luna هم‌اکنون در ChatGPT Work و Codex برای مشترکین طرح‌های Plus، Pro، Business، Enterprise و Edu در دسترس هستند. Luna همچنین از طریق اپلیکیشن دسکتاپ برای کاربران رایگان و طرح Go نیز قابل دسترسی است.

هیچ‌کدام از این دو مدل هنوز در اپلیکیشن ساده ChatGPT در دسترس نیستند و OpenAI اعلام کرده است که برای حفظ پایداری سرویس، عرضه تدریجی آن‌ها را در طول روز ادامه خواهد داد.

بلک‌راک، شرکتی که حدود ۱۵۰ میلیارد دلار دارایی دیجیتال را مدیریت می‌کند، تحقیقاتی منتشر کرده است که چارچوبی برای چگونگی دگرگونی اقتصاد دارایی دیجیتال توسط هوش مصنوعی ارائه می‌دهد. استدلال اصلی این است: با بلوغ هوش مصنوعی از مرحله توسعه زیرساخت به پذیرش انبوه، این فناوری بازار ارزهای دیجیتال را با خود همراه خواهد کرد، عمدتاً از طریق استیبل‌کوین‌ها و افزایش تقاضا برای قدرت محاسباتی.

مراحل تکامل هوش مصنوعی و تأثیر آن بر دارایی‌های دیجیتال

بلک‌راک تکامل هوش مصنوعی را در سه فاز متمایز ترسیم می‌کند: توسعه، پذیرش و دگرگونی. فاز توسعه، که در حال حاضر در جریان است، بر زیرساخت‌های فیزیکی مانند مراکز داده، تراشه‌های تخصصی و زیرساخت‌های انرژی لازم برای تأمین برق آن‌ها متمرکز است. پیش‌بینی می‌شود تا سال ۲۰۳۰، سرمایه‌گذاری سالانه در زیرساخت‌های هوش مصنوعی از ۷۰۰ میلیارد دلار فراتر رود که بیش از ۲ درصد تولید ناخالص داخلی ایالات متحده را تشکیل می‌دهد. این حجم عظیم سرمایه به دنبال راه‌های تسویه کارآمد است و بلک‌راک معتقد است دارایی‌های دیجیتال این نقش را ایفا خواهند کرد.

تا اواخر نوامبر ۲۰۲۵، ارزش بازار استیبل‌کوین‌ها از ۲۵۰ میلیارد دلار عبور کرد. استدلال بلک‌راک این است که با افزایش نقش سیستم‌های هوش مصنوعی در مدیریت تراکنش‌های مالی، تسویه معاملات و پرداخت‌های فرامرزی، نیاز به پول قابل برنامه‌ریزی که با سرعت دیجیتال حرکت کند، افزایش خواهد یافت. استیبل‌کوین‌ها با ترکیب ثبات ارزهای فیات با قابلیت برنامه‌ریزی و تسویه تقریباً آنی شبکه‌های بلاک‌چین، این نیاز را برآورده می‌کنند.

تمرکز سرمایه‌گذاری نهادی و نقش بیت‌کوین

رابی میچنیک، رئیس بخش دارایی‌های دیجیتال بلک‌راک، ارزیابی صریحی از جریان واقعی سرمایه نهادی ارائه داد. تمرکز اصلی بر بیت‌کوین و اتر است و اکثر توکن‌های دیگر در طبقه‌بندی کم‌اهمیت‌تری در تفکر نهادی قرار دارند.

بیت‌کوین هم از جایگاه خود به عنوان ذخیره ارزش و هم از جنبه عملیاتی بهره‌مند می‌شود. افزایش تقاضا برای قدرت محاسباتی مرتبط با هوش مصنوعی می‌تواند مستقیماً به عملیات استخراج بیت‌کوین که به سمت محاسبات با کارایی بالا و اجاره مراکز داده سوق پیدا می‌کنند، سود برساند. استخراج‌کنندگان در حال حاضر تأسیسات عظیمی با اتصالات برق پرظرفیت در اختیار دارند. همین زیرساخت که بلوک‌های بیت‌کوین را هش می‌کند، با تغییراتی می‌تواند نیاز سیری‌ناپذیر آموزش مدل‌های هوش مصنوعی و بارهای کاری استنتاج را برآورده سازد.

چارچوب “اخلال دیجیتال و هوش مصنوعی” بلک‌راک

چارچوب “اخلال دیجیتال و هوش مصنوعی” بلک‌راک که در ابتدا در نوامبر ۲۰۲۴ منتشر شد، جدول زمانی قابل استفاده‌ای را برای سرمایه‌گذاران ترسیم می‌کند. فاز اول، توسعه، مرحله‌ای است که ما اکنون در آن قرار داریم. فاز دوم، پذیرش، زمانی است که شرکت‌ها در صنایع مختلف شروع به ادغام هوش مصنوعی در فرآیندهای اصلی کسب‌وکار خود می‌کنند، نه صرفاً اجرای برنامه‌های آزمایشی. بلک‌راک انتظار دارد در این مرحله تقاضا برای دارایی‌های دیجیتال شتاب گیرد، زیرا استقرار گسترده هوش مصنوعی به طور تصاعدی تراکنش‌ها، تبادلات داده و ریزپرداخت‌های بیشتری را ایجاد می‌کند که از تسویه مبتنی بر بلاک‌چین بهره‌مند می‌شوند.

فاز سوم، دگرگونی، یک سرمایه‌گذاری بلندمدت‌تر است. بلک‌راک آینده‌ای را متصور است که در آن عامل‌های هوش مصنوعی به طور خودکار با یکدیگر تراکنش می‌کنند، سبدها را مدیریت کرده، معاملات را اجرا و پرداخت‌ها را بدون دخالت انسان تسویه می‌کنند.

منافع بلک‌راک و ماینرهای بیت‌کوین

بلک‌راک در این زمینه یک ناظر بی‌طرف نیست. با حدود ۱۵۰ میلیارد دلار دارایی دیجیتال تحت مدیریت تا اواسط سال ۲۰۲۶، این شرکت منافع قابل توجهی در این حوزه دارد. صندوق قابل معامله در بورس (ETF) iShares Bitcoin Trust این شرکت پس از راه‌اندازی در اوایل سال ۲۰۲۴ به یکی از سریع‌ترین ETFهای تاریخ تبدیل شد.

برای استخراج‌کنندگان بیت‌کوین، پیامدها فوری است. شرکت‌هایی که در حال حاضر خود را به عنوان “ارائه‌دهندگان زیرساخت هوش مصنوعی” معرفی می‌کنند تا صرفاً استخراج‌کننده، می‌توانند شاهد بهبود حاشیه سود و جریان‌های درآمدی پایدارتر باشند. نوسانات قیمت بیت‌کوین زمانی که نیمی از مرکز داده شما به یک شرکت هوش مصنوعی در قراردادی چندساله اجاره داده می‌شود، کمتر بحرانی می‌شود.

وردا، شرکت زیرساخت ابری هوش مصنوعی مستقر در هلسینکی، دور تامین مالی عظیمی را برای گسترش بازارهای جدید و تقویت عملیات مراکز داده خود جذب کرد.

وردا، شرکت زیرساخت ابری هوش مصنوعی مستقر در هلسینکی، دور تامین مالی عظیمی را برای تسریع گسترش خود به بازارهای جدید و تقویت عملیات مراکز داده‌اش به دست آورده است. این دور تامین مالی که در ابتدا ۱۱۷ میلیون دلار اعلام شده بود، پس از پیوستن بانک سرمایه‌گذاری نوردیک به ۱۵۵ میلیون دلار افزایش یافت و مجموع سرمایه جذب شده این شرکت را در دورهای مختلف به حدود ۲۰۰ تا ۲۱۹ میلیون دلار رساند.

بخش سهام این افزایش سرمایه توسط Lifeline Ventures رهبری شد و تامین مالی بدهی از سوی موسسات مالی نوردیک صورت گرفت.

وردا در سه ماهه اول سال ۲۰۲۶ نرخ درآمدی بیش از ۶۰ میلیون دلار را ثبت کرد و انتظار دارد تا اواسط سال به رقم ۱۰۰ میلیون دلار دست یابد. این شرکت در سال ۲۰۲۴ دور تامین مالی اولیه ۱۳ میلیون دلاری را جمع‌آوری کرد و در سال ۲۰۲۵ با دور سری A به ارزش ۶۴ میلیون دلار آن را دنبال کرد و به وضعیت جریان نقدی مثبت دست یافته است.

برنامه فعلی این است که تا پایان سال ۲۰۲۶ بیش از ۱۰۰ کارمند جدید استخدام شوند.

مراکز داده و شرکای کلیدی

وردا در فنلاند و ایسلند مراکز داده‌ای را اداره می‌کند که هر دو با انرژی ۱۰۰ درصد تجدیدپذیر تامین می‌شوند. این شرکت همچنین یک شریک منتخب NVIDIA (NVIDIA Preferred Partner) شناخته شده است که به آن امکان دسترسی به آخرین سیستم‌های پردازنده گرافیکی (GPU) انویدیا و پشتیبانی اکوسیستم آن را می‌دهد. وردا قصد دارد پردازنده‌های AGI CPU شرکت Arm را در کنار پردازنده‌های گرافیکی انویدیا در زیرساخت خود ادغام کند.

نقشه راه گسترش و جایگاه در بازار

نقشه راه گسترش وردا شامل بریتانیا، ایالات متحده و آسیا می‌شود. این شرکت که در سال ۲۰۲۰ با نام DataCrunch تاسیس شد، در اواخر سال ۲۰۲۵ نام خود را به وردا تغییر داد و خود را به عنوان جایگزینی اروپایی برای غول‌های ابری آمریکایی مانند AWS، Google Cloud و Microsoft Azure معرفی می‌کند. وردا یکپارچه‌سازی عمودی کامل شامل مراکز داده فیزیکی، شبکه‌سازی و ابزارهای توسعه‌دهنده را ارائه می‌دهد و همزمان با مقررات حاکمیت داده‌های اروپایی همسو است.

علی‌بابا از تراشه جدید Zhenwu M890 رونمایی کرد؛ گامی بلند در جهت خودکفایی در صنعت هوش مصنوعی

شرکت علی‌بابا از جدیدترین دستاورد خود در حوزه نیمه‌هادی‌ها، تراشه Zhenwu M890، پرده برداشت. این تراشه که توسط بازوی نیمه‌هادی علی‌بابا، T-Head، توسعه یافته است، طبق ادعای این شرکت، سه برابر قوی‌تر از نسل پیشین خود، Zhenwu 810E، عمل می‌کند. این شتاب‌دهنده که در اجلاس ابر علی‌بابا (Alibaba Cloud Summit) در هانگژو معرفی شد، برای آموزش و اجرای عامل‌های هوش مصنوعی خودکار و چندمرحله‌ای طراحی شده است؛ نوعی از هوش مصنوعی که صنعت آن را “عامل‌محور” (agentic AI) می‌نامد.

زمان‌بندی معرفی این تراشه کاملاً حساب‌شده به نظر می‌رسد. با توجه به ادامه محدودیت‌های صادراتی آمریکا که دسترسی شرکت‌های چینی به پردازنده‌های پیشرفته انویدیا را مسدود کرده است، علی‌بابا سرمایه‌گذاری بر روی توسعه سیلیکون داخلی خود را تنها مسیر مطمئن برای آینده می‌داند.

مشخصات کلیدی این تراشه قابل توجه است. Zhenwu M890 دارای ۱۴۴ گیگابایت حافظه روی تراشه (on-chip memory) است و پهنای باند بین تراشه‌ای ۸۰۰ گیگابایت بر ثانیه را ارائه می‌دهد.

این تراشه هم‌اکنون در سرور جدید ابر گره‌ای علی‌بابا، Panjiu AL128، مورد استفاده قرار گرفته است. این سیستم که با سوئیچ ICN Switch 1.0 همراه شده است، قادر است تا ۶۴ شتاب‌دهنده را در خوشه‌های بدون ازدحام (congestion-free clusters) به یکدیگر متصل کند.

T-Head نیز در صنعت تراشه تازه‌کار نیست. این زیرمجموعه تاکنون بیش از ۵۶۰ هزار تراشه سری Zhenwu را به بیش از ۴۰۰ مشتری، از جمله نام‌های بزرگی چون China Telecom و خودروساز FAW Group، عرضه کرده است. حدود ۶۰ درصد از ظرفیت تولید T-Head اکنون به مشتریان خارجی اختصاص دارد.

نقشه راه آینده

نقشه راه علی‌بابا شامل تراشه Zhenwu V900 است که برای سه‌ماهه سوم سال ۲۰۲۷ برنامه‌ریزی شده است. علی‌بابا تخمین می‌زند که این تراشه سه برابر قدرتمندتر از M890 خواهد بود. پس از آن، تراشه J900 برای سه‌ماهه سوم سال ۲۰۲۸ هدف‌گذاری شده است.

مدیرعامل علی‌بابا کلود به طور عمومی تاکید کرده است که تراشه‌های خودساخته، کارایی عملیاتی را بهبود بخشیده و آسیب‌پذیری‌های زنجیره تأمین را کاهش می‌دهند.

این واقعیت که مشتریان خارجی در حال حاضر بخش عمده‌ای از تولید T-Head را به خود اختصاص می‌دهند، نشان‌دهنده رشد اکوسیستم داخلی شرکت‌هایی است که مایلند بر روی سیلیکون هوش مصنوعی ساخت چین سرمایه‌گذاری کنند.

مهم‌ترین نقطه عطف بعدی که باید زیر نظر داشت، این است که آیا علی‌بابا می‌تواند به جدول زمانی تعیین‌شده برای V900 پایبند باشد. اگر تراشه‌ای که حدود نُه برابر قوی‌تر از 810E است، طبق برنامه در سه‌ماهه سوم سال ۲۰۲۷ عرضه شود، این نشان‌دهنده سرعت پیشرفتی خواهد بود که حتی انویدیا نیز به آن احترام خواهد گذاشت.

یاندکس مدل زبانی بزرگ AliceAI-Foundation-80B-A3B-Base را منتشر کرد؛ رویکردی نوین در هوش مصنوعی متن‌باز

شرکت یاندکس از انتشار مدل زبانی بزرگ خود با نام AliceAI-Foundation-80B-A3B-Base خبر داده است. این مدل که کاملاً از ابتدا توسعه یافته، تحت مجوز Apache 2.0 منتشر شده و وزن‌های آن در پلتفرم Hugging Face در دسترس عموم قرار گرفته است. این امر به توسعه‌دهندگان و شرکت‌ها اجازه می‌دهد تا بدون هیچ‌گونه محدودیتی، چه برای مصارف تجاری و چه غیرتجاری، از این مدل استفاده کنند.

معماری پیشرفته و کارایی بالا

AliceAI-Foundation-80B-A3B-Base از معماری “ترکیبی از متخصصان” (Mixture-of-Experts) بهره می‌برد. این مدل دارای ۸۰ میلیارد پارامتر کلی است که در ۵۱۲ “متخصص مسیریابی شده” و یک “متخصص مشترک” توزیع شده‌اند و در ۴۸ لایه سازماندهی شده‌اند. نکته قابل توجه این است که برای پردازش هر توکن، تنها ۳ میلیارد پارامتر از این مجموعه فعال می‌شود، که نشان‌دهنده کارایی و بهینه‌سازی بالای مدل است.

پنجره زمینه وسیع برای درک عمیق‌تر

یکی از ویژگی‌های برجسته این مدل، پنجره زمینه (context window) به طول ۲۶۲,۱۴۴ توکن است. این ظرفیت عظیم به مدل اجازه می‌دهد تا حجم بسیار زیادی از اطلاعات را در یک زمان پردازش کند؛ به عنوان مثال، می‌تواند یک رمان کامل، یک پایگاه کد نرم‌افزاری جامع، یا یک سند حقوقی طولانی را بدون نیاز به خلاصه‌سازی یا حذف بخشی از آن، درک و تحلیل کند.

مدل پایه برای نوآوری‌های آتی

نسخه منتشر شده از AliceAI-Foundation یک مدل پایه (base model) است و فاقد تنظیمات دقیق برای دستورالعمل‌ها یا مکالمه (instruction-tuned or chat-fine-tuned) است. این رویکرد به محققان و توسعه‌دهندگان این امکان را می‌دهد تا وزن‌های خام از پیش آموزش‌دیده را دریافت کرده و آن‌ها را مطابق با نیازهای خاص خود سفارشی‌سازی کنند.

ارزیابی عملکرد و بنچمارک‌های جدید

یاندکس همزمان با انتشار مدل، دو بنچمارک جدید به زبان روسی را معرفی کرده است: WikiWebFacts و HardMultiQA. مدل AliceAI-Foundation در بنچمارک WikiWebFacts امتیاز ۸۶.۵ و در HardMultiQA امتیاز ۶۷.۹ را کسب کرده است.

مقایسه با رقبا و مزیت رقابتی

مقایسه مستقل این مدل با DeepSeek-V4-Flash-Base، که یاندکس آن را رقیب مستقیم خود معرفی کرده، نشان می‌دهد که AliceAI-Foundation در دانش واقعی روسی، حقوق، پزشکی و کدنویسی، عملکردی برابر یا بهتر از مدل رقیب دارد. نکته حائز اهمیت این است که DeepSeek-V4-Flash-Base پارامترهای بسیار بیشتری را در هر توکن فعال می‌کند، در حالی که AliceAI-Foundation با فعال‌سازی پارامترهای کمتر، نتایج رقابتی را با هزینه محاسباتی پایین‌تر به دست می‌آورد. عملکرد این مدل در ریاضیات و کدنویسی نیز در مقایسه با مدل‌هایی با تعداد پارامترهای فعال بسیار بیشتر، قابل توجه بوده است.

آزادی استفاده تجاری تحت مجوز Apache 2.0

مجوز Apache 2.0 امکان استفاده تجاری، اصلاح، توزیع و صدور مجوز فرعی را فراهم می‌کند. این بدان معناست که شرکت‌ها می‌توانند AliceAI-Foundation-80B-A3B-Base را برداشته، آن را برای یک حوزه خاص تنظیم کنند، محصولی پیرامون آن بسازند و بدون نیاز به پرداخت هیچ‌گونه هزینه‌ای به یاندکس (به جز ذکر منبع)، آن محصول را به فروش برسانند.

زمان‌بندی انتشار

وزن‌های مدل در تاریخ ۱۸ سپتامبر ۲۰۲۶ منتشر شده و اعلامیه کامل و مستندات آن در تاریخ ۲۱ سپتامبر ارائه گردید.

یاندکس، AliceAI-Foundation را به عنوان پایه‌ای برای تلاش‌های آتی خود در جهت توسعه یک مدل استدلال یکپارچه با قابلیت‌های عاملیتی (agentic capabilities) قوی‌تر توصیف کرده است.

بیت‌ویو (Bitwise) اولین تجمیع اعتبارسنج (validator consolidation) را در Lido Core انجام داد و اکنون به عنوان اپراتور نود (node operator) تحت ماژول جدید Curated Module v2 لیـدو فعالیت می‌کند. این نقطه عطف، یکی از مهم‌ترین ارتقاهای ساختاری در لایه استیکینگ اتریوم از زمان ادغام (The Merge) محسوب می‌شود.

این تجمیع بخشی از یک مهاجرت گسترده‌تر است که هدف آن بازسازی حدود ۸.۴ میلیون اتر استیک شده، به ارزش تقریبی ۱۶.۵ میلیارد دلار در زمان اعلام، از اعتبارسنج‌های قدیمی به یک معماری سبک‌تر و کارآمدتر است.

برای درک اهمیت این موضوع، لازم است بدانیم اعتبارسنج‌های اتریوم تا کنون چگونه کار می‌کردند. در سیستم قدیمی، هر اعتبارسنج حداکثر ۳۲ اتر در تعادل مؤثر (effective balance) داشت. این بدان معنا بود که عملیات استیکینگ که استخرهای بزرگی از اتر را مدیریت می‌کردند، به هزاران اعتبارسنج مجزا نیاز داشتند که هر کدام پیام‌های تأیید (attestation messages) خود را در هر دوره (epoch) تولید می‌کردند.

هارد فورک Pectra اتریوم که در ماه مه ۲۰۲۵ فعال شد، قوانین را تغییر داد. از طریق EIP-7251، نوع جدیدی از اعتبارسنج به نام 0x02 معرفی شد که می‌تواند تا ۲۰۴۸ اتر در تعادل مؤثر را مدیریت کند. این مقدار ۶۴ برابر حد قبلی برای هر اعتبارسنج است.

مهاجرت CMv2 لیـدو از این قابلیت بهره می‌برد و اعتبارسنج‌های قدیمی 0x01 را به فرمت جدید 0x02 تجمیع می‌کند. نتیجه پیش‌بینی شده: کاهش تقریبی یک سوم در تعداد کل اعتبارسنج‌های لیـدو و افت تقریباً ۲۹ درصدی در پیام‌های تأیید در هر دوره.

مکانیزم EIP-7251 امکان انتقال تعادل بین اعتبارسنج‌ها را بدون نیاز به خروج کامل و واریز مجدد فراهم می‌کند.

اکتساب Chorus One

اوایل سال ۲۰۲۶، بیت‌ویو، Chorus One را که ارائه‌دهنده زیرساخت استیکینگ بود و پیش از این به عنوان اپراتور نود لیـدو فعالیت می‌کرد، خریداری کرد. این اکتساب هم توانایی فنی و هم رابطه موجود بیت‌ویو با اکوسیستم لیـدو را برای ایفای این نقش فراهم کرد.

فعالیت تحت CMv2

تحت CMv2، بیت‌ویو اولین تجمیع را در Lido Core تسهیل کرد و اکنون به عنوان یکی از اپراتورهای نود این ماژول فعالیت می‌کند. این ماژول جدید در مجموع ۳۴ اپراتور منتخب را پوشش می‌دهد و برای اولین بار، همه آن‌ها با الزامات وثیقه‌گذاری اتر (ETH bonding requirements) روبرو هستند.

بیت‌ویو جزئیات مربوط به تعداد اعتبارسنج‌هایی که تجمیع کرده یا حجم استیکی که در فاز اولیه مدیریت کرده است را فاش نکرده است.

جدول زمانی مهاجرت

Lido DAO چارچوب مهاجرت CMv2 را در ژوئیه ۲۰۲۶ تأیید کرد. فاز اولیه در همان ماه در شبکه اصلی (mainnet) فعال شد و اولین تجمیع‌های واقعی در سپتامبر ۲۰۲۶ اجرا شدند. انتظار می‌رود مهاجرت کامل تا سه ماهه اول سال ۲۰۲۷ به پایان برسد.

تأثیر بر شبکه اتریوم

کاهش تعداد اعتبارسنج‌ها و پیام‌های تأیید باید بار محاسباتی را بر لایه اجماع اتریوم کاهش دهد. کاهش ۲۹ درصدی ترافیک تأیید در هر دوره به معنای مصرف پهنای باند کمتر و پردازش سریع‌تر نهایی‌سازی (finality processing) است.

معرفی الزامات وثیقه‌گذاری برای هر ۳۴ اپراتور منتخب، سطح مشارکت در زیرساخت استیکینگ لیـدو را افزایش می‌دهد و اپراتورها را ملزم می‌کند تا در کنار توانایی فنی خود، سرمایه را نیز در معرض ریسک قرار دهند.

سیرکل از راه‌اندازی Arc، یک بلاکچین لایه ۱ که از ابتدا برای استیبل‌کوین‌ها و عوامل هوش مصنوعی طراحی شده است، خبر داد. در حرکتی که ممکن است برای قبیله‌گرایان معمول در دنیای رمزارزها غافلگیرکننده باشد، مدیر ارشد محصول و فناوری این شرکت اعلام کرده است که هدف، جذب کاربران از اتریوم نیست.

نیکیل چاندوک در مراسم راه‌اندازی شبکه اصلی Arc در ۱۶ سپتامبر به صراحت گفت: «اگر تنها کاری که می‌کردیم این بود که فعالیت را از اتریوم به ARC منتقل کنیم، در واقع بازار را گسترش نداده بودیم.»

تز اصلی Arc این است که موج بعدی فعالیت اقتصادی روی زنجیره، نه از سوی انسان‌هایی که توکن‌ها را در صرافی‌های غیرمتمرکز مبادله می‌کنند، بلکه از سوی عوامل هوش مصنوعی که با سرعت ماشین تراکنش انجام می‌دهند، کارهای خود را تأیید می‌کنند و اعتبار خود را روی زنجیره می‌سازند، خواهد آمد.

برای پشتیبانی از این چشم‌انداز، سیرکل «Agent Stack» را توسعه داده است که پس از راه‌اندازی شبکه آزمایشی عمومی در اکتبر ۲۰۲۵، در ماه مه ۲۰۲۶ عرضه شد. این پشته به عوامل هوش مصنوعی امکان دسترسی به ابزارهای پایه‌ای مانند اثبات منشأ، سیستم‌های اعتبار سنجی و پرداخت‌های نانو را می‌دهد.

از نظر فنی، Arc از USDC به عنوان توکن گس بومی خود استفاده می‌کند، به جای ایجاد یک ارز جداگانه برای کارمزد. این یک انتخاب طراحی عمدی است: به این معنی که هر تراکنش در شبکه به یک استیبل‌کوین با پشتوانه دلار ارزش‌گذاری می‌شود و اصطکاک ناشی از نوسانات را که کارمزدهای گس را در شبکه‌هایی مانند اتریوم غیرقابل پیش‌بینی می‌کند، از بین می‌برد. این زنجیره همچنین از طریق آنچه سیرکل «Malachite consensus engine» می‌نامد، به نهایی‌سازی قطعی در کمتر از یک ثانیه دست می‌یابد، به این معنی که تراکنش‌ها در کمتر از یک ثانیه بدون هیچ ابهام احتمالی در مورد تأیید شدنشان، تسویه می‌شوند.

Arc تنها با حسن نیت راه‌اندازی نشده است. توکن شبکه ARC دارای عرضه اولیه ثابت ۱۰ میلیارد واحد است و سیرکل پیش‌فروش خصوصی ۲۲۲ میلیون دلاری ۷۴۰ میلیون توکن را به قیمت هر توکن ۰.۳۰ دلار تکمیل کرده است. این امر ارزش‌گذاری پروژه را پس از فروش حدود ۳ میلیارد دلار تخمین می‌زند.

لیست اعتبارسنجان شبیه به فهرست شرکت‌کنندگان در داووس

مجموعه اعتبارسنجان این شبکه شبیه به فهرست شرکت‌کنندگان در اجلاس داووس است. BlackRock، Visa و Mastercard در میان اعتبارسنجان نهادی هستند که در زمان راه‌اندازی از این شبکه پشتیبانی می‌کنند.

چارچوب‌بندی چاندوک ارزش بررسی دارد. استدلال این است که اتریوم در حال حاضر به پایگاه کاربری موجود خود به خوبی خدمات ارائه می‌دهد. اما به گفته چاندوک، این شبکه به دسته نوظهور عوامل هوش مصنوعی که نیاز به انجام تراکنش‌های مستقل، ایجاد اعتبار و تسویه پرداخت‌ها با ارزش پایدار و با سرعتی متناسب با نرم‌افزار، نه زمان واکنش انسان، دارند، خدمات ارائه نمی‌دهد.

تأکید بر عدم توسعه مستقیم برنامه‌ها نیز قابل توجه است. چاندوک سیرکل را به عنوان یک ارائه‌دهنده زیرساخت معرفی کرده است که ریل‌ها را می‌سازد و اجازه می‌دهد دیگران قطارها را بسازند. Agent Stack ابزارهای پایه‌ای را فراهم می‌کند. انتظار می‌رود توسعه‌دهندگان شخص ثالث و شرکت‌ها برنامه‌های عامل هوش مصنوعی واقعی را بر روی آن بسازند.

آنچه موقعیت Arc را قابل دفاع‌تر می‌کند، ادغام USDC است. سیرکل کنترل دومین استیبل‌کوین بزرگ جهان را از نظر ارزش بازار در اختیار دارد و تبدیل USDC به دارایی گس بومی، یک حلقه تقاضای داخلی ایجاد می‌کند. هر تراکنش عامل هوش مصنوعی در Arc کارمزدهای گس USDC را تولید می‌کند که سودمندی USDC را تقویت می‌کند، که به طور بالقوه منجر به پذیرش بیشتر USDC می‌شود و این امر Arc را به عنوان یک پلتفرم جذاب‌تر می‌کند.

پیش‌فروش ۲۲۲ میلیون دلاری با ارزش‌گذاری ۳ میلیارد دلاری نیز استاندارد بالایی را برای آنچه Arc باید ارائه دهد، تعیین می‌کند. خریداران اولیه توکن به قیمت ۰.۳۰ دلار، خواهان مشاهده فعالیت واقعی شبکه خواهند بود، نه فقط لوگوی اعتبارسنجان.