Tag: نوآوری فناوری

ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، معتقد است هوش مصنوعی پایان امنیت سایبری نیست، بلکه مدل‌های پیشرفته می‌توانند به سخت‌تر کردن هک نرم‌افزارهای رمزارزی کمک کنند.

بوترین روز چهارشنبه در پستی در شبکه اجتماعی X نوشت که هوش مصنوعی برتری غیرقابل تصوری به هکرها نخواهد داد و دارندگان رمزارز – از جمله خودش که حدود ۹۰ درصد از دارایی خالصش در رمزارز است – شرط بسته‌اند که دفاع امنیتی می‌تواند همگام با پیشرفت‌ها حرکت کند.

بوترین اظهار داشت: «این دیدگاه که هک با هوش مصنوعی به معنای نابودی امنیت سایبری است، به طور فزاینده‌ای رایج شده است. من مخالفم. من فکر می‌کنم امنیت سایبری به طور طبیعی به نفع دفاع است، به محض اینکه افراد خودشان را جمع‌وجور کنند.»

بوترین استدلال کرد که هوش مصنوعی می‌تواند تأیید رسمی – یعنی استفاده از اثبات‌های ریاضی برای اطمینان از امن بودن نرم‌افزار – را حتی برای سیستم‌های پیچیده عملی کند.

او نوشت: «اگر هوش مصنوعی بتواند معادلات ناویه-استوکس و قضیه آخر فِرمات را اثبات کند، آنگاه هوش مصنوعی می‌تواند گزاره «این برنامه امن است» را مانند یک قضیه ریاضی اثبات کند. حتی اگر برنامه بسیار پیچیده باشد.»

به عبارت دیگر، بوترین معتقد است هوش مصنوعی به اندازه‌ای پیشرفته است که می‌تواند مسائل دشوار ریاضی را حل کند و همچنین اثبات کند که حتی نرم‌افزارهای پیچیده نیز الزامات امنیتی تعریف‌شده را برآورده می‌کنند.

با این حال، او گفت که این به معنای آسان بودن امنیت نیست. بخش دشوار، تعریف خود مفهوم «امن» در وهله اول است.

توسعه‌دهندگان بلاک‌چین به طور فزاینده‌ای از عامل‌های هوش مصنوعی برای اسکن کد، آزمایش آسیب‌پذیری‌ها و تأیید باگ‌ها قبل از اقدام مهاجمان استفاده می‌کنند. محققان آسیب‌پذیری‌هایی را هم در زیرساخت اتریوم و هم در نرم‌افزار بیت‌کوین کشف کرده‌اند.

توسعه‌دهندگان در سراسر حوزه رمزارز، پس از چندین حادثه که ترس از برتری هوش مصنوعی برای مهاجمان را دامن زد، به صورت دفاعی از هوش مصنوعی استفاده می‌کنند.

در ماه مه، تیلور هورنبی، محقق امنیتی، از مدل Claude Opus 4.8 شرکت Anthropic برای کشف یک نقص چهار ساله در استخر حریم خصوصی Orchard زیکش (Zcash) استفاده کرد که می‌توانست منجر به جعل نامحدود و غیرقابل کشف ZEC شود. اگرچه توسعه‌دهندگان هیچ مدرکی مبنی بر سوءاستفاده از آن قبل از رفع نقص در ماه ژوئن پیدا نکردند.

رقابت بین مهاجمان و مدافعان در ماه ژوئیه شتاب گرفت، زمانی که محققان بنیاد اتریوم اعلام کردند عامل‌های هوش مصنوعی آسیب‌پذیری‌هایی را در زیرساخت‌های حیاتی شبکه کشف کرده‌اند. در همان ماه، مهاجمان شروع به تخلیه کیف پول‌های Coldcard از طریق یک نقص قدیمی در فریم‌ور کردند که تولید بذر را تضعیف می‌کرد و در نهایت حدود ۱۳۰ میلیون دلار بیت‌کوین را سرقت کردند. سازنده Coldcard، شرکت Coinkite، اعلام کرد که هوش مصنوعی به احتمال زیاد به شناسایی این باگ کمک کرده است.

تا ماه اوت، این تهدید در سراسر اکوسیستم نرم‌افزار بیت‌کوین گسترش یافت. Boltz سرویس مبادله خود را به حالت تعلیق درآورد و اعلام کرد مهاجمان مظنون باگ‌ها را سریع‌تر از آنچه توسعه‌دهندگان بتوانند آن‌ها را رفع کنند، شناسایی می‌کنند. Core Lightning نیز تأیید کرد که چندین آسیب‌پذیری شناسایی شده در گزارش‌های تولید شده توسط هوش مصنوعی واقعی بوده‌اند. در پاسخ، تیم داوطلبانه Bitcoin Red Team از حسابرسی‌های با کمک هوش مصنوعی برای شناسایی ۴۹۶۲ آسیب‌پذیری بالقوه در ۳۹۰ پروژه استفاده کرد.

بوترین گفت که هوش مصنوعی اکنون می‌تواند کل برنامه‌ها را به جای اجزای منتخب تأیید کند، رویکردی که اتریوم قصد دارد در چند سال آینده دنبال کند.

او افزود: «هیچ آینده‌ای برای بلاک‌چین‌ها – به ویژه بلاک‌چین‌هایی با مقیاس‌پذیری و حریم خصوصی – بدون انجام این کار وجود ندارد. ما باید نرم‌افزار را واقعاً امن کنیم. و ما در حال حاضر پیشرفت زیادی داشته‌ایم.»

آرم هولدینگز با چالشی شیرین در صنعت نیمه‌هادی‌ها روبروست: مشتریان بیش از حد توان تولید

رنه هاس، مدیرعامل شرکت آرم هولدینگز، در مصاحبه‌ای با سی‌ان‌بی‌سی اعلام کرد که تقاضا برای فناوری تراشه‌های این شرکت «فراتر از تصور» است و گلوگاه اصلی، ناتوانی فیزیکی در تولید سیلیکون کافی برای پاسخگویی به این تقاضا است.

این مصاحبه که در تاریخ ۱۶ سپتامبر پخش شد، تصویری از شرکتی را ترسیم کرد که موج هوش مصنوعی آن را چنان به جلو رانده که دیگر تخته موج‌سواری برایش کافی نیست. پیش‌بینی تقاضا برای پردازنده AGI CPU آرم، که به‌طور خاص برای بارهای کاری هوش مصنوعی مانند استنتاج و هوش مصنوعی عاملی طراحی شده است، از ۱ میلیارد دلار در مارس ۲۰۲۶ به بیش از ۲ میلیارد دلار تا مه ۲۰۲۶ افزایش یافته است. این یعنی دو برابر شدن تقاضا در حدود هشت هفته.

محدودیت‌ها انتزاعی نیستند. هاس به نقاط گلوگاهی مشخص در زنجیره تولید اشاره کرد: ویفرهای TSMC، حافظه، زیرلایه‌ها (substrates) و تجهیزات تست. هیچ‌کدام از این مشکلات را آرم به‌تنهایی نمی‌تواند حل کند و مدیرعامل انتظار دارد که این بحران عرضه سال‌ها ادامه یابد و سپس به‌تدریج کاهش یابد.

با وجود روند انفجاری تقاضا، آرم هدف درآمدی رسمی خود را برای AGI CPU به‌طور قابل توجهی محافظه‌کارانه و در سطح ۱ میلیارد دلار حفظ کرده است. این شکاف بین تقاضای قابل مشاهده و اهداف درآمدی اعلام شده، نشان‌دهنده میزان جدی گرفتن محدودیت‌های عرضه توسط شرکت است. داشتن مشتریان صف‌کشیده یک چیز است، اما تحویل واقعی محصول چیز دیگری.

با این حال، هاس خاطرنشان کرد که اطمینان او به فراتر رفتن نهایی از ۲ میلیارد دلار تقاضا از ماه مه تاکنون افزایش یافته است. هر به‌روزرسانی بعدی بین آن زمان و سپتامبر، این روند را تقویت کرده و نه تضعیف.

برای دهه‌ها، مدل کسب‌وکار آرم در سادگی خود زیبا بود: طراحی معماری پردازنده‌ها، صدور مجوز آن‌ها به شرکت‌های دیگر، و جمع‌آوری حق امتیاز در حالی که شخص دیگری با مشکلات تولید سر و کار داشت. AGI CPU نشان‌دهنده انحراف قابل توجهی از این رویکرد است.

آرم اکنون به‌جای صرفاً صدور مجوز طرح‌ها، معماری‌های کامل تراشه را می‌فروشد. این رویکرد، آرم را در موقعیتی قرار می‌دهد تا سهم بیشتری از زنجیره ارزش را به خود اختصاص دهد، به‌ویژه در مراکز داده که بهره‌وری انرژی به یک معیار اصلی خرید تبدیل شده است.

به گفته هاس، کسب‌وکار مراکز داده آرم در کوتاه‌مدت در مسیر تبدیل شدن به بزرگترین بخش این شرکت قرار دارد. هاس پا را فراتر گذاشت و ادعا کرد که هر برنامه هوش مصنوعی در نهایت فناوری آرم را در خود جای خواهد داد.

گسترش آرم به کاربردهای رباتیک و خودرو، که هر دو توسط هاس به‌عنوان حوزه‌های رشد برجسته شدند، پایگاه درآمدی شرکت را بیشتر متنوع می‌کند.

برای آرم به‌طور خاص، هدف درآمدی محافظه‌کارانه ۱ میلیارد دلاری در مقابل تقاضای بیش از ۲ میلیارد دلاری، پویایی جالبی را برای سرمایه‌گذاران ایجاد می‌کند. این شرکت اساساً راهنمایی خود را دست‌کم می‌گیرد زیرا قادر به تولید فیزیکی تراشه‌های کافی برای پاسخگویی به سفارشات نیست.

گزارش‌ها حاکی از آن است که سهام آرم به به‌روزرسانی‌ها در مورد بهبود زنجیره تأمین، واکنش مثبتی نشان داده است. در محیطی با عرضه محدود، هر افزایش تدریجی در ظرفیت تولید تقریباً مستقیماً به درآمد تبدیل می‌شود.

کارشناسان دفاعی آمریکا و چین در مجمع شیانگشان پکن بر سر خطرات هوش مصنوعی به توافق رسیدند

در سیزدهمین دوره مجمع شیانگشان پکن که در سپتامبر ۲۰۲۶ برگزار شد، کارشناسان دفاعی آمریکا و چین، علی‌رغم اختلافات گسترده در سایر زمینه‌ها، در یک نکته مهم هم‌نظر بودند: توسعه کنترل‌نشده هوش مصنوعی (AI) جهان را ناامن‌تر می‌کند و هیچ‌کس برنامه جامعی برای مهار آن ندارد.

حدود ۲۰۰۰ نماینده از حدود ۱۰۰ کشور در این کنفرانس امنیتی برجسته چین گرد هم آمدند. موضوع اصلی این نشست نه یک سامانه تسلیحاتی جدید بود و نه یک مناقشه سرزمینی، بلکه نقش فزاینده هوش مصنوعی در عملیات نظامی و خطر روزافزون تصمیم‌گیری‌های مرگ و زندگی توسط الگوریتم‌ها، سریع‌تر از توان مداخله انسانی بود.

تأمل‌برانگیزترین بحث در این مجمع بر فشرده شدن بازه‌های زمانی تصمیم‌گیری نظامی توسط هوش مصنوعی متمرکز بود. در حالی که فرماندهان پیشتر ساعت‌ها یا روزها برای ارزیابی تهدیدات و تدوین پاسخ‌ها فرصت داشتند، سیستم‌های مجهز به هوش مصنوعی می‌توانند این زمان را به دقایق کاهش دهند.

ملانی سیسون از موسسه بروکینگز و تیانجیائو جیانگ از دانشگاه فودان، هر دو بر لزوم ایجاد سازوکارهای نظارتی قوی، از جمله الزامات صریح نظارت انسانی بر هر سیستم هوش مصنوعی نظامی که در تصمیم‌گیری‌های حیاتی دخیل است، تأکید کردند. چارچوب پیشنهادی آن‌ها شامل «خطوط قرمز» روشنی بود که به طور خاص، هدف‌گیری خودکار سامانه‌های تسلیحات هسته‌ای یا زیرساخت‌های حیاتی توسط هوش مصنوعی را ممنوع می‌کرد.

شرکت‌کنندگان همچنین اطلاعات نادرست تولید شده توسط هوش مصنوعی را به عنوان یک نیروی بی‌ثبات‌کننده که اعتماد لازم برای همکاری‌های امنیتی بین‌المللی را از بین می‌برد، مطرح کردند.

چن یی‌شین، وزیر امنیت دولتی چین، در اظهاراتی به تاریخ ۱۴ سپتامبر ۲۰۲۶، این چالش را به صراحت بیان کرد. وی هشدار داد که هوش مصنوعی در حال دگرگون کردن ماهیت رقابت نظامی است و تهدیدات مستقیمی برای ثبات سیاسی ایجاد می‌کند. از دیدگاه چن، رقابت هوش مصنوعی صرفاً یک رقابت فناورانه نیست، بلکه نقطه عطفی در رقابت استراتژیک گسترده‌تر میان قدرت‌های بزرگ محسوب می‌شود.

هر دو طرف توافق دارند که انسان‌ها باید در تصمیم‌گیری‌های مربوط به سلاح‌های هسته‌ای دخیل باشند. توافق سال ۲۰۲۴ میان آمریکا و چین به صراحت این اصل را تأیید کرد و بیان داشت که نظارت انسانی باید بر فرماندهی و کنترل هسته‌ای حفظ شود.

پیشنهادات مطرح شده در مجمع شیانگشان شامل ایجاد خطوط ارتباطی ویژه برای مدیریت حوادث نظامی مرتبط با هوش مصنوعی بود. سایر اقدامات پیشنهادی شامل ایجاد هنجارهای بین‌المللی در مورد اینکه کدام وظایف نظامی هرگز نباید به طور کامل به هوش مصنوعی واگذار شوند، بود. هدف‌گیری، مجوز پرتاب و عملیات سایبری همگی به عنوان حوزه‌هایی مطرح شدند که در آن‌ها خطرات اتوماسیون کامل بر مزایای آن می‌چربد.

این مجمع تنها چند روز پیش از اجلاس برنامه‌ریزی شده میان دونالد ترامپ، رئیس‌جمهور آمریکا، و شی جین‌پینگ، رئیس‌جمهور چین، در تاریخ ۲۴ سپتامبر ۲۰۲۶ برگزار شد. بحث‌های دوجانبه در مورد هوش مصنوعی نیز در آستانه این دیدار در دستور کار قرار داشت.

توافق نظارت انسانی بر تصمیم‌گیری‌های هسته‌ای در سال ۲۰۲۴، الگویی هرچند ناقص، ارائه می‌دهد. این توافق نشان داد که دو کشور می‌توانند اصول مشترکی را بیان کنند، حتی در حالی که به شدت در فناوری‌های زیربنایی با یکدیگر رقابت می‌کنند.

رشد بی‌سابقه زیرساخت: B.

AI هاب توزیع جهانی مدل‌های زبانی بزرگ را می‌سازد

پلتفرم B.AI با ادغام مسیریابی محاسباتی، تسویه غیرمتمرکز و زیرساخت کامل عامل (Agent) خود را به عنوان پیشگام بی‌چون و چرای زیرساخت هوش مصنوعی معرفی کرده است. این شرکت تنها پنج ماه پس از راه‌اندازی، با عبور از مرز ۱.۵۱ تریلیون توکن در توان عملیاتی روزانه، رکوردی جدید در صنعت به نام خود ثبت کرده است؛ افزایشی بیش از ۷۱,۵۰۰ برابری نسبت به ابتدای کار. B.AI در اندک زمانی بیش از ۱۰۰ روز به موفقیتی دست یافت که OpenRouter، یکی از پیشگامان اولیه تجمیع، حدود دو سال برای آن زمان صرف کرد. رشد تصاعدی B.AI که با ادغام شبکه‌های تسویه با زیرساخت‌های اصلی هدایت می‌شود، ضمن برجسته کردن قابلیت اجرای استراتژی تجاری تمام‌عیار خود، به بازار جهانی نشان می‌دهد که این پلتفرم به رهبر بلامنازع در نسل بعدی پشته زیرساخت هوش مصنوعی تبدیل شده است.

B.AI عمدتاً به لطف توانایی خود در جذب و پاسخگویی به تقاضای جهانی برای مدل‌های زبانی بزرگ (LLMs) چینی مقرون‌به‌صرفه و با کارایی بالا، جایگاه رهبری خود را تثبیت کرده است. این پلتفرم ضمن فراهم کردن یک دروازه حیاتی برای پذیرش بین‌المللی محصولات LLM داخلی، با موقعیت‌یابی خود به عنوان یک هاب جهانی توزیع محاسباتی، پیشگام شده است. توانایی B.AI برای رشد در این شرایط مساعد، ریشه در طراحی منحصربه‌فرد اکوسیستم آن دارد. B.AI که با همکاری TRON و YZi Labs توسعه یافته است، با موتور دوگانه‌ای از تسویه و توزیع، به علاوه زیرساخت کامل خود برای اقتصاد نوظهور عامل، بازار را متحول می‌کند. این پلتفرم دسترسی جهانی به محاسبات پیشرفته LLM را فراهم کرده و در عین حال، عامل‌ها را به قابلیت‌های زمان‌بندی و اجرای منابع بومی مجهز می‌کند و نقدینگی و تبادل ارزش را در سراسر اقتصاد عامل جهانی آزاد می‌سازد.

برای دستیابی به توان عملیاتی روزانه ۱.۵۱ تریلیون توکن، صرفاً بهره‌برداری از شرایط مساعد کافی نیست. B.AI همچنین به سرعت به دو روند کلان در صنعت هوش مصنوعی پاسخ داده است: مزیت هزینه-عملکرد LLMهای پیشرو چینی و تقاضای فزاینده برای استنتاج با توان عملیاتی بالا و هزینه کم در عصر عامل‌محور. در طول سال گذشته، توسعه‌دهندگان LLM چینی مانند DeepSeek، Kimi، Qwen و GLM با کسری از هزینه API، با معیارهای برتر جهانی رقابت کرده‌اند. این کارایی هزینه بی‌نظیر، پذیرش آن را برای توسعه‌دهندگان در سراسر جهان تقریباً اجتناب‌ناپذیر می‌سازد.

B.AI به عنوان یک زیرساخت جهانی نسل جدید، مدل‌های برتر بین‌المللی مانند GPT و Claude را در کنار LLMهای در حال ظهور چینی تجمیع می‌کند. این پلتفرم برای ایجاد یک مجموعه مدل جامع، همکاری‌های نزدیکی با Tencent، Alibaba، ByteDance، DeepSeek، Zhipu AI، Kimi و MiniMax – همگی از بازیگران برتر LLM در بازار چین – برقرار کرده است. این ترکیب ستاره‌ای از مدل‌ها، به نوبه خود، B.AI را به سکوی پرتاب پیش‌فرض برای LLMهای چینی که به دنبال گسترش جهانی هستند، تبدیل کرده است. LLMهای چینی، از جمله DeepSeek-V4-Flash، Qwen3.8-Flash و GLM-5.3 Flash، به عنوان مدل‌های با بالاترین عملکرد در B.AI و با بیشترین میزان استفاده برجسته شده‌اند.

B.AI با تکیه بر این شتاب، به ترویج پذیرش از طریق تخفیف مدل‌ها، دسترسی رایگان محدود، قیمت‌گذاری پلکانی API (با تخفیف تا ۹۰ درصد) و مشوق‌های توسعه‌دهندگان ادامه می‌دهد و هدف آن تبدیل کارایی هزینه مدل‌ها به توان عملیاتی قابل استفاده برای توسعه‌دهندگان در سراسر جهان است. کشش حاصل از این موقعیت‌یابی استراتژیک به وضوح توسط اعداد پشتیبانی می‌شود: توان عملیاتی روزانه توکن B.AI از مرز ۱.۵۱ تریلیون عبور کرده است – جهشی عظیم بیش از ۷۱,۵۰۰ برابری از روز اول راه‌اندازی.

فراتر از شتاب رشد ارگانیک، شریک اکوسیستم YZi Labs به عنوان موتور توزیع اصلی B.AI عمل می‌کند و به طور مداوم پروژه‌های اولیه و جوامع توسعه‌دهندگان را جذب می‌کند. این پشتیبانی اکوسیستمی به B.AI امکان نفوذ به موارد استفاده متنوع در دنیای واقعی را می‌دهد و جریان ثابتی از ترافیک افزایشی و تقاضای تجاری را هدایت می‌کند. برای ارائه‌دهندگان مدل‌های پایه، معماری چند تریلیونی و با همزمانی بالا B.AI مسیری سریع به سوی بارهای کاری جهانی با ارزش بالا فراهم می‌کند. در این استخر عظیم تقاضا، B.AI از یک کانال توزیع ساده به یک تسهیل‌کننده اصلی تبدیل شده است – مقیاس‌بندی دامنه تجاری LLMهای پیشرو و در عین حال بازسازی چشم‌انداز جهانی هوش مصنوعی.

فراتر از تجمیع و مسیریابی: B.

AI زیرساخت حلقه بسته برای اقتصاد عامل را می‌سازد

اما برای اینکه این تقویت‌کننده فوق‌العاده بتواند واقعاً از یک اقتصاد عامل تریلیون دلاری حمایت کند، مسیریابی محاسباتی در سمت جلویی به هیچ وجه کافی نیست. B.AI با تکیه بر پایه تجمیع API که توسط بازیگران اولیه مانند OpenRouter پیشگام شده بود، به یک بینش حیاتی دست یافت: باز کردن کامل همکاری گسترده عامل‌ها نیازمند یک حلقه مالی بسته در لایه پایه است.

برای دستیابی به این هدف، B.AI مدل‌ها و عامل‌ها را به هم متصل کرده و یک لایه تسویه جهانی برای هوش ایجاد می‌کند. این تمایز اصلی، پلتفرم را از یک مجرای ترافیک ساده به دفتر کل اصلی برای کل اقتصاد عامل تبدیل می‌کند و اطمینان می‌دهد که هر فراخوانی بین منطقه‌ای و تخصیص وظیفه به طور یکپارچه مسیریابی، به دقت اندازه‌گیری و به طور خودکار تسویه می‌شود.

برای دستیابی به این چشم‌انداز، B.AI تسویه را مستقیماً در لایه زیرساخت تعبیه کرده و یک شبکه پرداخت دوگانه Web2 و Web3 ایجاد می‌کند. این معماری که بر اصول Web3 ساخته شده است، سازگاری با عقب‌مانده با سیستم‌های پرداخت سنتی Web2 را حفظ می‌کند. در جبهه Web3، B.AI از کانال‌های تسویه درون زنجیره‌ای برای ارائه گزینه‌های غیرمتمرکز، قابل تأیید و کم‌اصطکاک به توسعه‌دهندگان جهانی استفاده می‌کند که امکان تراکنش‌های کاملاً خودکار و ریزپرداخت‌ها بین عامل‌ها را فراهم می‌کند. در جبهه Web2، این پلتفرم دروازه‌های قدیمی مانند WeChat Pay، Alipay، UnionPay و Visa را حفظ می‌کند و ادغام بی‌دردسر را در جریان‌های کاری موجود سازمانی تضمین می‌کند. در مجموع، این مدل دوگانه یک نقطه ادغام واحد برای جریان سرمایه جهانی بدون اصطکاک ارائه می‌دهد.

در قلب این نقدینگی جهانی، ادغام عمیق B.AI با TRON قرار دارد. TRON به عنوان بزرگترین شبکه انتقال استیبل‌کوین در جهان، یک مسیر پرداخت بومی را از طریق اکوسیستم عظیم USDT خود که برای حداکثر نقدینگی و حداقل اصطکاک ساخته شده است، به B.AI ارائه می‌دهد. تا ۱۰ سپتامبر، کل عرضه USDT در TRC-20 از ۹۴.۲ میلیارد فراتر رفت و همچنان رکوردهای جدیدی را ثبت می‌کند. B.AI با تکیه بر ظرفیت اثبات‌شده درون زنجیره‌ای TRON، زیرساخت ضروری مورد نیاز برای مقیاس‌بندی زمان‌بندی محاسبات فرامرزی و ریزتراکنش‌های خودکار عامل با فرکانس بالا را فراهم می‌کند.

جاه‌طلبی واقعی این معماری، جذب چشم‌انداز نوظهور تراکنش‌های خودکار در اقتصاد عامل پیش از رقبا است. انفجار قریب‌الوقوع در پذیرش عامل‌ها، همکاری عامل به عامل (A2A) و تجارت خودکار را اجتناب‌ناپذیر خواهد کرد. با این حال، باز کردن کامل این هم‌افزایی خودکار A2A نیازمند چیزی فراتر از یک مسیر پرداخت پایه است. B.AI با استقرار یک محیط زمان اجرای تمام‌عیار اختصاصی برای عامل‌ها، فراتر از شبکه تسویه هوشمند Web3 خود ساخته است. این امر یک حلقه فنی سرتاسری و با دقت بالا ایجاد می‌کند که زمان‌بندی محاسبات، اجرای وظایف و تسویه مالی را به هم پیوند می‌دهد.

در لایه زمان‌بندی، B.AI تخصیص محاسباتی دقیق را هدایت می‌کند. سیستم API پلکانی آن منطق خرید محاسبات را اساساً بازسازی می‌کند و طرح‌های فراخوانی ساختاریافته‌ای را ارائه می‌دهد که به توسعه‌دهندگان اجازه می‌دهد تا تقاضاهای تجاری خاص را با منابع محاسباتی بهینه مطابقت دهند. در لایه اجرا، B.AI یک اکوسیستم همکاری عامل بومی را ایجاد می‌کند. این پلتفرم قابلیت‌های عملیاتی مستقیمی را به عامل‌ها می‌بخشد تا در دنیای دیجیتال عمل کنند. عامل‌ها که توسط ابزارهای داخلی مانند Skills و Agent Wallet، همراه با دستیاران هوش مصنوعی بومی مانند BAIclaw و BAI code تغذیه می‌شوند، به کارگران دیجیتال کاملی تبدیل می‌شوند که قادر به کسب اطلاعات و اجرای خودکار هستند و یک پایه مهندسی محکم برای هم‌افزایی چند عاملی ایجاد می‌کنند.

در لایه پروتکل، B.AI استانداردهای تراکنش پایه را برای تجارت A2A ایجاد می‌کند. این استراتژیک‌ترین حرکت B.AI است. با ادغام بومی پروتکل پرداخت x402 و پروتکل احراز هویت هویت 8004، این پلتفرم مسیری استاندارد برای اعتماد متقابل، تأیید هویت و تسویه خودکار با فرکانس بالا بین عامل‌ها هموار می‌کند.

از زمان‌بندی دقیق مدل گرفته تا سیستم‌های همکاری هوشمند و پروتکل‌های تراکنش استاندارد، این معماری ادراک، استدلال، عمل و تسویه را به طور یکپارچه ترکیب می‌کند. این زیرساخت جامع، B.AI را به یک هاب مرکزی برای اقتصاد عامل تبدیل می‌کند که برای مدیریت ریزتراکنش‌ها و تسویه محاسبات در مقیاس طراحی شده است. عبور به دوران تریلیون توکن صرفاً نقطه شروع جدیدی برای B.AI است. به عنوان زیرساخت هوش مصنوعی نسل بعدی، ارزش اصلی آن فراتر از توزیع هوش به توانمندسازی تراکنش‌ها گسترش می‌یابد. B.AI با ایجاد استانداردهای پایه برای همکاری A2A با فرکانس بالا، جریان جهانی ارزش محاسباتی را بازسازی کرده و زیرساخت هوش مصنوعی را به دورانی جدید که به طور خاص برای عامل‌ها و هوش ماشینی ساخته شده است، هدایت می‌کند.

تیم B.AI
Singapore
[email protected]

گزارش جدید موزیلا: مدل‌های هوش مصنوعی متن‌باز چین با اختلاف ۴ ماه و هزینه‌ای کمتر از نصف، رقبای مدل‌های متن‌بسته آمریکا هستند

گزارش اخیر بنیاد موزیلا نشان می‌دهد که مدل‌های هوش مصنوعی متن‌باز چینی از نظر قابلیت، حدود ۴ ماه از مدل‌های متن‌بسته آمریکایی عقب هستند، اما هزینه استفاده از آن‌ها تنها ۳۰ تا ۶۰ درصد مدل‌های رقیب است.

بر اساس آخرین گزارش «وضعیت هوش مصنوعی متن‌باز» (State of Open Source AI) که در تاریخ ۱۵ سپتامبر منتشر شد و داده‌های آن تا ۱ سپتامبر جمع‌آوری شده است، قوی‌ترین مدل‌های متن‌باز در شاخص «تحلیل هوش مصنوعی» (Artificial Analysis Intelligence Index) تنها ۳ امتیاز از قوی‌ترین مدل‌های متن‌بسته عقب هستند و هزینه استفاده از آن‌ها ۶۰ درصد مدل‌های متن‌بسته است. در مقایسه با مدل Claude Fable 5، این اختلاف به ۲ امتیاز کاهش یافته و هزینه استفاده از مدل‌های متن‌باز تنها ۳۰ درصد است.

با استفاده از داده‌های «طول وظیفه» (task length) در معیار METR، اختلاف قابلیت بین مدل‌های متن‌باز و متن‌بسته به طور پایدار ۴.۴ ماه برآورد شده است که با تخمین ۴ ماهه پیشین Epoch AI مطابقت دارد.

معیار METR با امتیازدهی به مدل‌ها بر اساس «طول وظیفه» که نشان‌دهنده مدت زمانی است که یک مدل می‌تواند یک کار را به طور مستقل انجام دهد در مقایسه با میانگین زمان مورد نیاز یک متخصص انسانی، قابلیت‌های مدل‌ها را می‌سنجد. طبق برآوردهای موزیلا، قوی‌ترین مدل‌های متن‌بسته اکنون قادر به انجام وظایفی هستند که ۸ تا ۱۲ ساعت از وقت یک متخصص انسانی را می‌گیرد، در حالی که مدل‌های متن‌باز برای رسیدن به این سطح به ۴ ماه زمان دیگر نیاز دارند. با این حال، قابلیت‌های مدل‌های متن‌باز هر ۳.۹ ماه دو برابر می‌شود، در حالی که این رقم برای مدل‌های متن‌بسته ۵.۵ ماه است، که نشان‌دهنده سرعت پیشرفت بیشتر در مدل‌های متن‌باز است.

در آزمایش Terminal-Bench 2.1 از vals.ai که عملکرد مدل‌ها در اجرای دستورات ترمینال را می‌سنجد، مدل GLM-5.2 از Zhipu AI (智谱) با اختلاف کمتر از ۱ امتیاز (۴.۷ امتیاز) از Claude Opus عقب است و ۴ امتیاز کمتر از Opus 4.8 دارد، در حالی که هزینه استفاده از آن کمتر از یک پنجم Opus 4.8 است.

اختلاف در میزان استفاده نیز چشمگیر است. طبق آمار موزیلا، از ۱۰ مدل پرکاربرد در OpenRouter در ماه اوت، ۸ مدل متن‌باز و ۷ مدل از تیم‌های چینی بوده‌اند. سهم مدل‌های متن‌باز چینی از کمتر از ۲ درصد در پایان سال ۲۰۲۴، به بیش از ۴۵ درصد در هفته در آوریل ۲۰۲۶ رسیده است.

با این حال، درآمد حاصل از این مدل‌ها متناسب با استفاده نیست. موزیلا تخمین می‌زند که مدل‌های متن‌باز حدود یک سوم از حجم واقعی استفاده را به خود اختصاص می‌دهند، اما تنها حدود ۴ درصد از درآمد را کسب می‌کنند. آمار پیشین Linux Foundation نیز نشان می‌دهد که از ماه مه تا سپتامبر ۲۰۲۵، شرکت‌های ارائه‌دهنده مدل‌های متن‌بسته ۹۶ درصد از درآمد لایه مدل OpenRouter را به خود اختصاص داده‌اند.

لازم به ذکر است که ارقام مربوط به ۴ ماه اختلاف و ۳۰ درصد قیمت، همگی بر اساس قیمت‌های رسمی در APIهای ابری و برای «اجاره» مدل‌ها محاسبه شده‌اند، نه «خرید».

موزیلا، سازمان غیرانتفاعی پشت مرورگر فایرفاکس، از مدل‌های متن‌باز حمایت بلندمدتی دارد. رافی کریکوریان، مدیر فنی این سازمان، در مصاحبه‌ای با مجله تایم در ماه ژوئیه اذعان کرد که بخشی از این گزارش جنبه ترویجی دارد. وی در پاسخ به Ars Technica نیز بیان کرد که شرکت‌ها برای استفاده از مدل‌های متن‌بسته هزینه پرداخت می‌کنند «بر اساس حجم کاری تصمیم می‌گیرند، نه به عنوان یک انتخاب برای کل شرکت».

ویتالیک بوترین، بنیان‌گذار اتریوم، استدلال کرده است که هوش مصنوعی (AI) با وجود تمایل شناخته‌شده‌اش به توهم‌زایی و تولید کدهای پر از اشکال، می‌تواند به قدرتمندترین ابزار در دنیای نرم‌افزار برای جلوگیری از حملات سایبری تبدیل شود. البته این امر بدون یک شرط مهم میسر نیست: هوش مصنوعی به تنهایی قادر به انجام این کار نیست و به یک «مراقب ریاضی» به نام «تأیید صوری» (formal verification) نیاز دارد.

هوش مصنوعی و تأیید صوری: ترکیبی برای امنیت نرم‌افزار

بوترین در پستی وبلاگی که در ۱۸ می منتشر شد، به بررسی چگونگی ترکیب سرعت خام تولید کد توسط هوش مصنوعی با دقت ریاضی تأیید صوری پرداخت. او معتقد است این ترکیب می‌تواند امنیت سیستم‌های نرم‌افزاری، به‌ویژه زیرساخت‌های اتریوم را به طور چشمگیری بهبود بخشد. او همچنین به طور اتفاقی اشاره کرد که حدود ۹۰ درصد از دارایی خالص او در قالب ETH (توکن اتریوم) نگهداری می‌شود، که این موضوع علاقه او به تقویت و ایمن‌سازی اکوسیستم را از جنبه‌ای آکادمیک به امری شخصی‌تر تبدیل می‌کند.

استدلال اصلی بوترین به ظاهر ساده است: هوش مصنوعی می‌تواند حجم عظیمی از کد را به سرعت تولید کند، اما این سرعت با هزینه‌ای از نظر قابلیت اطمینان همراه است. خروجی هوش مصنوعی معمولاً دقت کمتری نسبت به کدی دارد که یک توسعه‌دهنده انسانی با دقت فراوان تولید می‌کند. در قراردادهای هوشمندی که میلیاردها دلار ارزش را مدیریت می‌کنند، این موضوع یک تهدید وجودی محسوب می‌شود.

تأیید صوری از اثبات‌های ریاضی برای نشان دادن رفتار صحیح کد در تمام سناریوهای ممکن استفاده می‌کند، برخلاف روش تست که تنها رفتار برنامه را در سناریوهای خاص بررسی می‌کند.

بوترین به طور خاص به ابزار «Lean theorem prover» به عنوان یک ابزار کلیدی در این حوزه اشاره کرد. Lean به توسعه‌دهندگان اجازه می‌دهد تا اثبات‌هایی بنویسند که به صورت مکانیکی قابل بررسی هستند و لایه‌ای از قطعیت ریاضی را ایجاد می‌کنند که بازبینی سنتی کد قادر به دستیابی به آن نیست.

او به یک ایراد رایج اشاره کرد: این نگرانی وجود دارد که مهاجمان نیز بتوانند از هوش مصنوعی برای یافتن سریع‌تر باگ‌ها استفاده کنند. پاسخ بوترین به این نگرانی این بود که این دغدغه «گذرا» است. یک اثبات تأیید شده، پس از تأیید، دائمی است، در حالی که یافتن یک باگ توسط مهاجم، رویدادی یک‌باره است.

کاربردها در رمزنگاری پساکوانتومی و اثبات‌های دانش صفر

رمزنگاری پساکوانتومی یکی از حوزه‌هایی است که بوترین به آن اشاره کرد. با نزدیک شدن کامپیوترهای کوانتومی به توانایی شکستن طرح‌های رمزنگاری فعلی، اتریوم و سایر بلاک‌چین‌ها به امضاهای مقاوم در برابر کوانتوم نیاز خواهند داشت و تأیید صوری مسیری را برای اطمینان‌بخشی فراهم می‌کند که تست به تنهایی قادر به ارائه آن نیست.

اثبات‌های دانش صفر (Zero-knowledge proofs) حوزه دیگری هستند. فناوری ZK از طریق ZK-EVMs و رول‌آپ‌ها، نقشی اساسی در استراتژی مقیاس‌پذیری اتریوم ایفا می‌کند. این‌ها ساختارهای رمزنگاری فوق‌العاده پیچیده‌ای هستند که در آن‌ها یک باگ ظریف می‌تواند تمامیت یک شبکه لایه ۲ را به خطر اندازد.

بوترین به دو پروژه در حال انجام به عنوان نمونه‌هایی از این کار در عمل اشاره کرد: Arklib، یک پیاده‌سازی تأیید شده صوری از STARKs (یکی از دو خانواده اصلی سیستم‌های اثبات دانش صفر) و evm-asm، یک انتزاع EVM که برای قابل تحلیل‌تر کردن ماشین مجازی اتریوم برای تحلیل صوری طراحی شده است.

تغییر مدل‌های اعتماد و محدودیت‌ها

یکی از مشاهدات جالب‌تر او در مورد مدل‌های اعتماد بود. تأیید صوری نه تنها کد را امن‌تر می‌کند، بلکه آنچه کاربران نیاز دارند به آن اعتماد کنند را نیز تغییر می‌دهد. به جای حسابرسی کل کد، خط به خط، کاربران می‌توانند ادعاهای سطح بالا در مورد عملکرد کد را تأیید کنند.

بوترین دو محدودیت قابل توجه را شناسایی کرد. اول، ریسک مشخصات (specification risk). تأیید صوری اثبات می‌کند که کد با مشخصات خود مطابقت دارد، اما اگر خود مشخصات اشتباه باشد، اثبات بی‌ارزش است.

دوم، سخت‌افزار. نرم‌افزار می‌تواند به صورت صوری تأیید شود، اما تراشه‌های فیزیکی که آن نرم‌افزار را اجرا می‌کنند، حداقل با همان سطح دقت، قابل تأیید نیستند. یک پردازنده معیوب می‌تواند حتی کد کاملاً تأیید شده را تضعیف کند.

با وجود این ملاحظات، بوترین تأیید صوری با کمک هوش مصنوعی را به طور بالقوه «شکل نهایی» توسعه نرم‌افزار توصیف کرد. ریشه‌های تأیید صوری به دهه‌های ۱۹۵۰ و ۱۹۶۰ بازمی‌گردد، اما کاربردهای عملی آن محدود باقی مانده و عمدتاً به صنایع هوافضا، دفاع و تعداد معدودی از صنایع حیاتی دیگر که هزینه اثبات ریاضی در آن‌ها با هزینه شکست توجیه‌پذیر بود، محدود شده است.

آنچه اکنون در حال تغییر است، اقتصاد این حوزه است. هوش مصنوعی به طور چشمگیری تلاش انسانی مورد نیاز برای نوشتن کد و اثبات‌ها را کاهش می‌دهد و به طور بالقوه تأیید صوری را برای طیف بسیار گسترده‌تری از نرم‌افزارها عملی می‌سازد.

حریم خصوصی بلاکچین آدرس جدیدی پیدا کرد. کوتی (COTI) رسماً راه‌حل “حریم خصوصی بر حسب تقاضا” (Privacy-on-Demand) و پورتال حریم خصوصی (Privacy Portal) همراه آن را در شبکه آوالانچ (Avalanche) در تاریخ ۱۶ سپتامبر ۲۰۲۶ راه‌اندازی کرد. این اقدام امکان انجام تراکنش‌های توکنی کاملاً رمزگذاری شده را بدون نیاز به خروج کاربران از اکوسیستم آوالانچ فراهم می‌آورد.

زمان‌بندی این عرضه حساب‌شده است. مدیر بازاریابی کوتی این راه‌حل را به صورت زنده در اجلاس آوالانچ ۲۰۲۶ (Avalanche Summit 2026) که از ۱۶ تا ۱۷ سپتامبر در نیویورک برگزار می‌شود، معرفی خواهد کرد. این امر به راه‌اندازی، دیده‌شدنی فوری در میان یکی از بزرگترین گردهمایی‌های سالانه این اکوسیستم می‌بخشد.

در لایه‌های زیرین، کوتی از محاسبات چندجانبه مبتنی بر مدارهای درهم‌پیچیده (Garbled Circuits-based Multi-Party Computation) استفاده می‌کند. این یک روش رمزنگاری است که به محاسبات اجازه می‌دهد بر روی داده‌های رمزگذاری شده اجرا شوند، بدون اینکه مقادیر زیربنایی هرگز فاش شوند. ورودی‌ها خارج از زنجیره میزبان پردازش می‌شوند و نتایج به صورت متن رمز شده (ciphertext) بازمی‌گردند که سپس کلاینت کاربر به صورت محلی آن را رمزگشایی می‌کند. خود بلاکچین هرگز اعداد خام را مشاهده نمی‌کند.

کوتی ادعا می‌کند که پیاده‌سازی مدارهای درهم‌پیچیده آن ۳۰۰۰ برابر سریع‌تر و ۲۵۰ برابر سبک‌تر از گزینه‌های مشابه است.

پورتال حریم خصوصی خود برای افرادی طراحی شده است که متخصص رمزنگاری نیستند. عملیات “محافظت” (shield) و “رفع محافظت” (unshield) با یک کلیک، به کاربران اجازه می‌دهد تا توکن‌ها را از طریق یک رابط کاربری ساده، به صورت خصوصی نگهداری، ارسال و دریافت کنند. دارایی‌های پشتیبانی شده در زمان راه‌اندازی شامل AVAX و USDC است که دو توکن با بیشترین تراکنش در اکوسیستم آوالانچ را پوشش می‌دهد.

هزینه‌های تراکنش‌های حریم خصوصی قابل پرداخت با AVAX است که تجربه بومی‌سازی شده‌ای را برای زنجیره فراهم می‌کند و در عین حال کاربرد افزایشی برای توکن کوتی در شبکه‌های متعدد ایجاد می‌کند.

این عرضه در آوالانچ اولین گام کوتی نیست. این پروژه اولین پورتال حریم خصوصی خود را در شبکه اصلی خود کوتی در ماه مه و ژوئن ۲۰۲۶ راه‌اندازی کرد و خط پایه فنی را قبل از گسترش به زنجیره‌های خارجی ایجاد نمود. شبکه اصلی کوتی V2 خود در سال ۲۰۲۵ فعال شد و زیرساختی را فراهم کرد که این ویژگی‌های حریم خصوصی را ممکن ساخت.

عرضه در آوالانچ نشان‌دهنده اولین گسترش بین‌زنجیره‌ای این زیرساخت است و جهت‌گیری اعلام شده پروژه به صراحت چندزنجیره‌ای است. این رویکرد به گونه‌ای طراحی شده است که بدون نیاز به بازنگری توسعه‌دهندگان یا شرکت‌ها در تنظیمات فعلی خود، به پشته‌های موجود ماشین مجازی اتریوم (Ethereum Virtual Machine) متصل شود.

برخی از ویژگی‌های موجود در مستندات پورتال همچنان به شبکه آزمایشی فوجی (Fuji testnet)، محیط آزمایشی عمومی آوالانچ، اشاره دارند که نشان‌دهنده توسعه فعال و مداوم در کنار استقرار زنده است.

این پروژه راه‌حل خود را حول محور افشای انتخابی (selective disclosure) چارچوب‌بندی می‌کند، به این معنی که کاربران می‌توانند در صورت لزوم، داده‌های تراکنش را با حسابرسان، رگولاتورها یا طرف‌های مقابل به اشتراک بگذارند، در حالی که به طور پیش‌فرض آن را رمزگذاری شده نگه می‌دارند.

موارد استفاده‌ای که این شرکت بر آن‌ها تأکید می‌کند، منعکس‌کننده این موقعیت است: پرداخت‌های محرمانه، فعالیت‌های امور مالی غیرمتمرکز (DeFi)، پردازش حقوق و دستمزد، و تراکنش دارایی‌های دنیای واقعی. حقوق و دستمزد یک مثال کاملاً عملی است. شرکتی که امروزه پرداخت حقوق کارکنان خود را در زنجیره انجام می‌دهد، هر رقم حقوق را به صورت عمومی منتشر می‌کند که مشکلات آشکاری ایجاد می‌کند. یک لایه حریم خصوصی که این ارقام را رمزگذاری می‌کند و در عین حال بر روی یک بلاکچین عمومی تسویه می‌شود، یک مشکل عملی واقعی را حل می‌کند.

xAI با معرفی Grok Voice، توسعه‌دهندگان را از کابوس زیرساخت‌های صوتی نجات می‌دهد

شرکت xAI با راه‌اندازی Grok Voice بر روی پلتفرم fal.ai، گامی مهم در جهت تسهیل توسعه عامل‌های صوتی برداشته است. این اقدام به توسعه‌دهندگان امکان دسترسی مستقیم به قابلیت‌های تبدیل گفتار به گفتار در لحظه را می‌دهد و آن‌ها را از پیچیدگی‌های معمول زیرساخت‌های فنی بی‌نیاز می‌سازد.

دسترسی آسان به هوش مصنوعی مکالمه‌ای

پلتفرم fal.ai که با هدف استنتاج سریع مدل‌های هوش مصنوعی مولد طراحی شده است، میزبان این ادغام جدید است. نتیجه این همکاری، یک رابط برنامه‌نویسی کاربردی (API) است که ورودی صوتی را دریافت کرده، خروجی صوتی را بازمی‌گرداند و این فرآیند را با تأخیری ناچیز انجام می‌دهد؛ تأخیری که باعث می‌شود هوش مصنوعی مکالمه‌ای، تجربه‌ای واقعاً شبیه به مکالمه انسانی را ارائه دهد.

نوآوری در پردازش صوتی

قابلیت اصلی Grok Voice، استنتاج صوتی به صوتی است. توسعه‌دهندگان یک قطعه صوتی را به مدل ارسال می‌کنند و مدل، پاسخی صوتی را تقریباً بلافاصله بازمی‌گرداند. در روش‌های سنتی، خطوط پردازش صوتی معمولاً از مدل‌های جداگانه برای تشخیص گفتار، پردازش زبان و سنتز گفتار استفاده می‌کنند که هر مرحله انتقال، باعث افزایش تأخیر می‌شود. Grok Voice با ادغام این زنجیره در یک مدل واحد، توانسته است زمان پاسخ‌دهی را به حدود ۰.۷۰ ثانیه کاهش دهد؛ دستاوردی که در نسخه‌های Think Fast 1.0 و 2.0 این شرکت در اوایل سال ۲۰۲۶ نیز مشاهده شده بود.

فناوری پیشرفته در پشت API

این API از استریمینگ دوطرفه WebSocket استفاده می‌کند، به این معنی که صدا به طور همزمان وارد و خارج می‌شود و نیازی به الگوی درخواست و انتظار نیست. این ادغام از بیش از ۲۵ زبان پشتیبانی می‌کند، شامل تنوع لهجه‌های بومی است و ۲۶ گزینه صوتی متمایز را ارائه می‌دهد. قابلیت شبیه‌سازی صدا (Audio Cloning) نیز بخشی از این بسته است که به توسعه‌دهندگان اجازه می‌دهد پروفایل‌های صوتی خاص را برای ایجاد تجربه‌های برند یکپارچه یا استقرار عامل‌های شخصی‌سازی شده، بازتولید کنند.

قیمت‌گذاری و مقیاس‌پذیری

قیمت‌گذاری در fal.ai برای هر ثانیه صدا، ۰.۰۰۰۸۳ دلار تعیین شده است. با این نرخ، یک ساعت تعامل صوتی مداوم تقریباً ۳ دلار هزینه خواهد داشت. xAI تنها به ارائه تئوری Grok Voice به توسعه‌دهندگان بسنده نکرده است؛ این فناوری در حال حاضر در مقیاس وسیع در عملیات پشتیبانی مشتری و فروش Starlink مورد استفاده قرار می‌گیرد و از اواسط سال ۲۰۲۶ روزانه بیش از ۱۵,۰۰۰ تماس را مدیریت می‌کند.

سابقه همکاری و تمرکز بر توسعه‌دهندگان

شرکت fal.ai در سال ۲۰۲۱ با تمرکز بر استقرار سریع مدل‌ها برای رسانه‌های مولد تأسیس شد. این پلتفرم پیش از این نیز میزبان مدل‌های صوتی xAI بوده است، بنابراین این ادغام، ادامه‌ی یک رابطه موجود است و نه شروعی تازه. این راه‌اندازی به طور عمدی برای توسعه‌دهندگان طراحی شده است و هیچ به‌روزرسانی برای اپلیکیشن‌های مصرف‌کننده یا ویژگی جدیدی برای کاربران Grok در تلفن‌های همراهشان وجود ندارد.

قابلیت‌های پیشرفته برای عامل‌های هوشمند

قابلیت فراخوانی ابزار (Tool-calling) نیز در Grok Voice تعبیه شده است، به این معنی که عامل می‌تواند در حین مکالمه، توابع خارجی را فعال کند. یک ربات صوتی که به پرس و جوی مشتری رسیدگی می‌کند، می‌تواند داده‌های حساب را بازیابی کند، موجودی را بررسی کند یا تراکنشی را آغاز کند، بدون اینکه جریان مکالمه مختل شود. پشتیبانی چندزبانه از طریق یک API واحد، بیش از ۲۵ زبان را پوشش می‌دهد و نیاز به سرمایه‌گذاری قابل توجه در بومی‌سازی یا سیستم‌های منطقه‌ای جداگانه را برطرف می‌کند.

نرم‌افزار تأیید مستقل تراکنش‌های بیت‌کوین به‌روزرسانی می‌شود

به‌روزرسانی بیت‌کوین کور با هدف افزایش سرعت و رفع حفره‌های امنیتی

نرم‌افزار بیت‌کوین کور (Bitcoin Core) که به کاربران امکان می‌دهد تراکنش‌های بیت‌کوین را به طور مستقل تأیید کنند، در حال دریافت به‌روزرسانی جدیدی است که با هدف افزایش سرعت این بررسی‌ها و رفع حفره‌های امنیتی منتشر خواهد شد. انتظار می‌رود این نسخه در ماه اکتبر عرضه شود.

ورود به مرحله آزمایشی کاندید انتشار

بیت‌کوین کور نسخه 32.0 روز دوشنبه وارد مرحله آزمایشی کاندید انتشار (release-candidate testing) شد. طبق برنامه زمان‌بندی پروژه، توسعه‌دهندگان قصد دارند نسخه نهایی را در تاریخ ۱۰ اکتبر ارائه دهند، هرچند که فرآیند تست ممکن است این جدول زمانی را تغییر دهد.

بیت‌کوین کور به کامپیوترها اجازه می‌دهد تراکنش‌ها و بلاک‌های بیت‌کوین را تأیید کنند. این به‌روزرسانی عمدتاً اپراتورهای نود (node operators) و توسعه‌دهندگانی را که از این نرم‌افزار برای اجرای کیف پول‌ها و سایر خدمات استفاده می‌کنند، تحت تأثیر قرار می‌دهد.

بهبود سرعت بررسی بلاک‌ها و فرمت تراکنش‌های نیمه‌امضا شده

بر اساس پیش‌نویس یادداشت‌های انتشار، این به‌روزرسانی می‌تواند با خواندن اطلاعات پایگاه داده به صورت موازی، سرعت بررسی بلاک‌ها را افزایش دهد، بدون اینکه بر سرعت تولید بلاک توسط بیت‌کوین تأثیری بگذارد. همچنین، چهار دستور کیف پول به طور پیش‌فرض از فرمت جدیدتری برای تبادل تراکنش‌های نیمه‌امضا شده بین کیف پول‌ها و دستگاه‌های امضا استفاده خواهند کرد، هرچند برنامه‌ها همچنان می‌توانند نسخه قدیمی‌تر را درخواست کنند.

رفع حفره امنیتی مربوط به نام کیف پول‌ها

یک اصلاح امنیتی از ایجاد دستورات بر روی کامپیوتر نود توسط نام‌های کیف پول دستکاری شده جلوگیری می‌کند. این حفره امنیتی سیستم‌های غیر ویندوزی را تحت تأثیر قرار می‌داد که در آن‌ها یک کاربر احراز هویت شده می‌توانست کیف پول ایجاد کند و ویژگی walletnotify برای اجرای دستورات هنگام وقوع تراکنش‌های کیف پول پیکربندی شده بود.

رسیدگی به مصرف بیش از حد حافظه در سرور HTTP

یک وصله جداگانه به مشکل مصرف بیش از حد حافظه در سرور HTTP جدید که درخواست‌های برنامه‌های متصل را مدیریت می‌کند، رسیدگی می‌کند.

متیو زیپکین، یکی از مشارکت‌کنندگان که با نام کاربری pinheadmz فعالیت می‌کند، در پیشنهاد وصله خود از “سناریوی تخلیه حافظه” (memory exhaustion scenario) نام برد. ارزیابی اولیه او، ریسک را به کلاینت‌های احراز هویت شده محدود می‌کرد.

زیپکین گفت که این نقص را هنگام حسابرسی سرور HTTP جدید بیت‌کوین کور با کمک Kimi K3، یک مدل هوش مصنوعی که توسط تیم قرمز بیت‌کوین (Bitcoin Red Team) نیز برای جستجوی آسیب‌پذیری‌ها در نرم‌افزار بیت‌کوین استفاده می‌شود، کشف کرده است. او توضیح داد که یک اصلاح قبلی بخشی از مشکل را برطرف کرده بود، اما راهی برای تخلیه حافظه موجود کامپیوتر – وضعیتی که به آن “OOM” یا کمبود حافظه گفته می‌شود – همچنان باقی مانده بود.

در طول بررسی همان وصله، کاربر GitHub به نام jeanpablojp دریافت که درخواست‌های بدون اعتبارنامه نیز می‌توانند باعث رشد حافظه شوند، زمانی که رابط REST فعال بود. پس از اینکه زیپکین وصله را اصلاح کرد، بازبین گزارش داد که ۱۶ اتصال احراز هویت نشده باعث رشد حدود ۳ مگابایت حافظه در طول ۹۰ ثانیه شدند، در مقایسه با ۳.۲ گیگابایت قبل از اصلاح.

این وصله در تاریخ ۵ سپتامبر برای بیت‌کوین کور 32.0 به عنوان بخشی از تلاش‌های مداوم برای بهبود امنیت نرم‌افزار، ادغام شد.

سایر توسعه‌دهندگان نرم‌افزار بیت‌کوین نیز در هفته‌های اخیر به آسیب‌پذیری‌های جداگانه پرداخته‌اند. سازنده کیف پول سخت‌افزاری BitBox در ماه اوت دو نقص شدید در سفت‌افزار خود را وصله کرد و گزارشی مبنی بر سوءاستفاده از آن‌ها ارائه نکرد. توسعه‌دهندگان نرم‌افزار پرداخت Core Lightning نیز در حین آماده‌سازی اصلاحات، به اپراتورهای نود در مورد آسیب‌پذیری‌های تأیید شده هشدار دادند.

داستان بازگشت اینتل یکی از دراماتیک‌ترین روایت‌های سال در حوزه فناوری بوده است. اکنون، بن ریتزس، تحلیلگر Melius Research، استدلال می‌کند که بهترین بخش ماجرا هنوز فرا نرسیده است و با تجزیه و تحلیل خطوط تجاری مجزای این تراشه‌ساز، ارزش‌گذاری بالقوه ۲۰۰ دلاری را در دو سال آینده پیش‌بینی می‌کند.

تحلیل ارزش‌گذاری اینتل

ریتزس در تاریخ ۱۶ سپتامبر، رتبه “خرید” و هدف قیمتی ۱۶۵ دلاری خود را برای اینتل تکرار کرد و خاطرنشان ساخت که تحلیل “مجموع اجزا” او، پتانسیل رشد قابل توجهی فراتر از این سطح را نشان می‌دهد. هدف ۱۶۵ دلاری خود، نشان‌دهنده تخفیف ۱۵ تا ۲۰ درصدی نسبت به رقم ۲۰۰ دلاری است که او آن را قابل دستیابی می‌داند.

هسته اصلی استدلال ریتزس بر دو ستون استوار است: عملیات تولید محصول اینتل و کسب‌وکار ریخته‌گری (foundry) آن. او تخمین می‌زند که هر یک از این بخش‌ها به تنهایی می‌تواند ارزشی بیش از ۸۰ دلار به ازای هر سهم داشته باشد.

سهام اینتل تا اواسط سپتامبر ۲۰۲۶، حدود ۱۶۰ تا ۱۶۳ درصد در سال جاری رشد داشته است. اما ریتزس معتقد است که بازار هنوز پتانسیل واحد ریخته‌گری را به طور کامل قیمت‌گذاری نکرده است، به ویژه با توجه به اینکه تقاضای هوش مصنوعی همچنان زنجیره‌های تأمین جهانی نیمه‌هادی‌ها را تحت فشار قرار می‌دهد و دولت‌ها برای حاکمیت تولید تلاش می‌کنند.

اینتل اخیراً افزایش سرمایه ۲۰ میلیارد دلاری را با قیمت ۹۵ دلار به ازای هر سهم برای تأمین نقشه راه بلندمدت خود اعلام کرده است. ریتزس این اقدام را نشانه‌ای از اعتماد مدیریت به بازده سرمایه‌گذاری‌های تولید پیشرفته می‌داند و برنامه‌های هزینه‌بر، افزایش قابل توجهی در هزینه‌های سرمایه‌ای برای سال ۲۰۲۷ نسبت به سطوح سال ۲۰۲۶ را پیش‌بینی می‌کنند.

همکاری احتمالی با SK Hynix

در همان روزی که ریتزس تحلیل خود را منتشر کرد، گزارش شد که SK Hynix، غول کره‌ای تراشه‌های حافظه، در حال بررسی گزینه‌هایی برای تولید تراشه‌های حافظه در ایالات متحده، از جمله حافظه‌های با پهنای باند بالا (HBM) است. یکی از گزینه‌های تحت بررسی، شامل تأسیسات برنامه‌ریزی شده اینتل در اوهایو، به طور بالقوه از طریق یک قرارداد اجاره یا سرمایه‌گذاری مشترک است. این مذاکرات هنوز در مراحل اولیه قرار دارند و هیچ توافق نهایی صورت نگرفته است. اما صرف این احتمال، برای افزایش سهام اینتل در آن روز کافی بود.

HBM به یکی از پرتقاضاترین قطعات در دنیای نیمه‌هادی‌ها تبدیل شده است. این حافظه‌ای است که در پردازنده‌های گرافیکی مراکز داده انویدیا (Nvidia) قرار دارد و تقاضا برای آن به دلیل رقابت شرکت‌ها برای ساخت زیرساخت‌های هوش مصنوعی، بسیار بیشتر از عرضه شده است. اگر SK Hynix بتواند HBM را در یک کارخانه تحت مدیریت اینتل در اوهایو تولید کند، این امر اعتبار قابل توجهی برای مدل “ریخته‌گری به عنوان سرویس” اینتل خواهد بود.

برای سرمایه‌گذارانی که این فضا را دنبال می‌کنند، مذاکرات با SK Hynix ممکن است مهم‌ترین کاتالیزور کوتاه‌مدت باشد. یک مشارکت رسمی، شواهد ملموسی مبنی بر اینکه تولیدکنندگان بزرگ تراشه، ریخته‌گری اینتل را به عنوان یک گزینه تولیدی قابل دوام در نظر می‌گیرند، ارائه خواهد داد. تا زمانی که چنین معاملاتی نهایی نشوند، شکاف بین هدف ۱۶۵ دلاری ریتزس و سناریوی ۲۰۰ دلاری او دقیقاً همان باقی می‌ماند: شکافی بین آنچه بازار امروز باور دارد و آنچه اینتل باید فردا ثابت کند.