Tag: نوآوری فناوری

تحول در ساخت بلاک‌های اتریوم: معرفی ساخت چندجانبه بلاک (MPBC)

از تاریخ ۱۶ سپتامبر، ساختار سنتی بلاک‌های اتریوم که در آن یک نهاد مسئولیت جمع‌آوری تراکنش‌ها، برنده شدن در مزایده و دریافت جایگاه را بر عهده داشت، دستخوش تغییر شده است. اکنون، ساخت چندجانبه بلاک (MPBC) در شبکه اصلی اتریوم فعال شده است و به چندین سازنده اجازه می‌دهد تا تراکنش‌های خود را به یک بلاک واحد اضافه کنند، بدون اینکه نیازی به تغییر در پروتکل اصلی باشد.

این ابتکار توسط انجمن فضای بلاک (Blockspace Forum) هماهنگ شده است که بخش قابل توجهی از سال ۲۰۲۶ را صرف گرد هم آوردن ائتلافی چشمگیر از سازندگان بلاک برای رسیدن به این نقطه کرد. آمارهای اولیه، هرچند اندک، اما معنادار هستند: حدود ۳ درصد از بلاک‌های اتریوم در ۲۴ ساعت اول با استفاده از رویکرد چندجانبه ساخته شده‌اند و از زمان آغاز آزمایش‌ها در اواخر ماه اوت، بیش از ۲۰ هزار تراکنش سریع‌تر گنجانده شده‌اند.

برای درک اهمیت این موضوع، لازم است با نحوه ساخت بلاک‌های اتریوم در حال حاضر آشنا شویم. پس از ادغام (The Merge) در سال ۲۰۲۲، اتریوم سیستمی به نام جداسازی پیشنهاددهنده-سازنده (PBS) را اتخاذ کرد. در این سیستم، اعتبارسنج‌ها بلاک‌ها را پیشنهاد می‌دهند، اما سازندگان تخصصی آن‌ها را مونتاژ می‌کنند. سازندگان در یک مزایده با یکدیگر رقابت می‌کنند و بلاک برنده در شبکه گنجانده می‌شود.

MPBC این مدل را تغییر می‌دهد به گونه‌ای که چندین سازنده می‌توانند هر کدام تراکنش‌های خود را به یک بلاک واحد اضافه کنند و به جای هدایت همه چیز از طریق یک نهاد، مسیرهای متعددی برای گنجاندن تراکنش‌ها ایجاد شود. نتیجه این امر، بلاک‌هایی پرتر، متنوع‌تر و سریع‌تر در تایید تراکنش‌های در انتظار است.

دستاوردها در داده‌های اولیه چشمگیر هستند. برخی از بلاک‌های چندجانبه تا ۸۱۰ تراکنش اضافی را نسبت به آنچه یک سازنده منفرد تولید می‌کرد، شامل شده‌اند. در موارد خاص، مصرف گاز تا حدود ۱۴ برابر افزایش یافته است.

این تحول یک شبه اتفاق نیفتاد. انجمن فضای بلاک مجموعه‌ای از کارگاه‌ها را در طول سال ۲۰۲۶ برگزار کرد که با جلسه‌ای در کن به اوج خود رسید و ۳۲ تیم را گرد هم آورد. این تیم‌ها در مجموع بیش از ۹۵ درصد از مشارکت‌های خارج از پروتکل در ساخت بلاک در اتریوم را تشکیل می‌دهند.

تحقیقات بنیادی منتشر شده در ماه مه ۲۰۲۶ اصول طراحی را تشریح کرد. محدودیت کلیدی این بود که MPBC باید کاملاً افزایشی باشد. هیچ تغییری در پروتکل، هیچ هارد فورکی و هیچ تغییری در سطح اجماع لازم نبود. این سیستم کاملاً در لایه سازنده و اپراتور عمل می‌کند.

نکته قابل توجه این است که این طراحی برای عملکرد اصلی خود به رله‌ها (relays) وابسته نیست. با اجتناب از این وابستگی، MPBC یک مسیر موازی معرفی می‌کند که خطر گلوگاه را کاهش می‌دهد.

همزمان با راه‌اندازی شبکه اصلی، تیم مستندات عمومی جامع و یک داشبورد زنده برای ردیابی معیارهای ساخت بلاک چندجانبه منتشر کرد. شاخص‌های عملکرد، نرخ مشارکت و داده‌های گنجاندن تراکنش‌ها همگی به صورت لحظه‌ای قابل مشاهده هستند.

مدل فعلی PBS دارای مشکلات ساختاری است که با گذشت زمان تشدید می‌شوند. هنگامی که یک سازنده در هر مزایده برنده می‌شود، عملاً ترتیب تراکنش‌ها را در آن بلاک کنترل می‌کند. سازندگان می‌توانند تراکنش‌هایی را که برای خود سودآور هستند اولویت‌بندی کنند، معاملات ساندویچی انجام دهند، سفارشات را پیش‌دستی کنند، یا به سادگی تراکنش‌هایی را که از نظر اقتصادی برایشان جالب نیستند، حذف کنند.

MPBC این پویایی‌ها را به طور کامل از بین نمی‌برد، اما آن‌ها را کمرنگ می‌کند. هنگامی که چندین سازنده به یک بلاک واحد کمک می‌کنند، هیچ نهاد واحدی کنترل کاملی بر ترتیب یا گنجاندن تراکنش‌ها ندارد. تراکنش‌های خدماتی به جای رقابت برای فضا در صف اولویت یک سازنده منفرد، مسیرهای اضافی به بلاک‌ها پیدا می‌کنند.

سرمایه‌گذاری نوکیا در شبکه‌های رادیویی مبتنی بر هوش مصنوعی به ثمر نشست؛ سهام این شرکت افزایش یافت

شرکت نوکیا، سازنده تجهیزات مخابراتی فنلاندی، با اعلام پیشرفت در آزمایش پلتفرم AI-RAN خود با هشت اپراتور بزرگ جهانی، شاهد افزایش حدود ۶ درصدی ارزش سهام خود در معاملات اولیه روز ۱۶ سپتامبر بود. این پلتفرم که با همکاری انویدیا توسعه یافته، با هدف افزایش بهره‌وری شبکه‌های مخابراتی از طریق هوش مصنوعی طراحی شده است.

اپراتورهای پیشرو در آزمایش پلتفرم AI-RAN نوکیا

فهرست اپراتورهایی که در حال حاضر در حال آزمایش پلتفرم AI-RAN نوکیا هستند، گستردگی جهانی این پروژه را نشان می‌دهد. این اپراتورها شامل A1 Group، Chunghwa Telecom، du، e&، Mobily، stc، TPG Telecom و Zain Saudi می‌شوند که همگی در حال حاضر نرم‌افزار anyRAN نوکیا را که با کامپیوتر Aerial RAN انویدیا یکپارچه شده است، آزمایش می‌کنند. همچنین NTT DOCOMO که پیش از این نیز در این پروژه مشارکت داشته، در حال پیشبرد آزمایش‌های خود است.

نوآوری نوکیا در افزایش بهره‌وری شبکه‌ها

رویکرد AI-RAN نوکیا با استفاده از نرم‌افزار و محاسبات شتاب‌دهنده GPU، به دنبال استخراج حداکثر عملکرد از زیرساخت‌های موجود است. این شرکت اعلام کرده که پلتفرم آن تاکنون بیش از ۲۰ درصد بهبود در بهره‌وری طیفی را نشان داده است؛ به این معنی که قادر است حجم بیشتری از داده را با همان فرکانس‌های رادیویی منتقل کند. نوکیا هدف‌گذاری کرده است که تا سال ۲۰۲۷ به افزایش ۵۰ درصدی و تا سال ۲۰۲۸ به بیش از ۱۰۰ درصدی در بهره‌وری دست یابد. در صورت تحقق این اهداف، اپراتورها می‌توانند ظرفیت شبکه خود را بدون نیاز به سرمایه‌گذاری در زیرساخت‌های فیزیکی جدید، دو برابر کنند.

جدول زمانی تجاری‌سازی و همکاری با انویدیا

راه‌اندازی تجاری این پلتفرم در ژوئیه ۲۰۲۶، پس از آزمایش‌های اولیه با اپراتورهایی چون T-Mobile US، SoftBank و Indosat Ooredoo Hutchison صورت گرفت. آزمایش‌های پایلوت با اپراتورهای جدید اعلام شده برای اواخر سال ۲۰۲۶ برنامه‌ریزی شده و انتظار می‌رود دسترسی تجاری گسترده‌تر در سال ۲۰۲۷ آغاز شود. نوکیا و انویدیا در اکتبر ۲۰۲۵ با سرمایه‌گذاری یک میلیارد دلاری انویدیا در فناوری RAN شتاب‌دهنده GPU، همکاری خود را رسمی کردند.

رقابت در بازار تجهیزات مخابراتی

در حالی که سهام نوکیا ۶ درصد افزایش یافت، سهام انویدیا تقریباً ثابت ماند. اریکسون، رقیب اصلی نوکیا در حوزه تجهیزات مخابراتی، نیز وضعیت مشابهی داشت. اپراتورها در حال رقابت برای توسعه زیرساخت‌های شبکه‌های 5G Advanced و در نهایت 6G هستند. این تحول نیازمند استفاده کارآمدتر از طیف فرکانسی موجود، تخصیص هوشمندانه منابع و کاهش تأخیر است. نوکیا یکی از اعضای بنیانگذار AI-RAN Alliance، گروهی صنعتی است که بر ترویج استفاده گسترده‌تر از هوش مصنوعی در شبکه‌های دسترسی رادیویی تمرکز دارد.

گستردگی جغرافیایی آزمایش‌ها

پراکندگی جغرافیایی اپراتورهای درگیر در آزمایش‌ها، اهمیت این پروژه را دوچندان می‌کند. A1 Group در اروپای مرکزی و شرقی فعالیت دارد، Chunghwa Telecom بزرگترین اپراتور تایوان است، du و e& در امارات متحده عربی و خاورمیانه فعالیت می‌کنند، stc، Mobily و Zain Saudi بازار عربستان سعودی را پوشش می‌دهند و TPG Telecom در استرالیا خدمات ارائه می‌دهد. با در نظر گرفتن آزمایش‌های قبلی با T-Mobile US، SoftBank در ژاپن و Indosat Ooredoo Hutchison در اندونزی، پلتفرم AI-RAN نوکیا در حال حاضر در تقریباً تمام مناطق کلیدی مخابراتی جهان مورد آزمایش قرار گرفته است.

سهام اینتل در معاملات پیش از بازار روز ۱۶ سپتامبر حدود ۳ تا ۵ درصد افزایش یافت، پس از آنکه گزارش‌هایی منتشر شد مبنی بر اینکه شرکت SK Hynix کره جنوبی در حال بررسی گفتگو با اینتل برای تولید تراشه‌های حافظه در خاک آمریکا است. این توافق بالقوه می‌تواند شامل اجاره فضا توسط SK Hynix در مجتمع تولید تراشه اینتل در اوهایو که کمتر از ظرفیت خود استفاده می‌کند، یا ایجاد یک مشارکت استراتژیک با ارائه‌دهندگان اصلی خدمات ابری باشد.

قیمت حافظه‌ها به دلیل کمبود شدید مرتبط با هوش مصنوعی که هیچ نشانه‌ای از کاهش ندارد، حدود ۵ تا ۷ برابر نسبت به سطوح قبلی افزایش یافته است. گزارش‌ها حاکی از آن است که پردازنده‌های مرکزی (CPU) خود اینتل تنها حدود ۵۰ درصد از تقاضای موجود را برآورده می‌کنند، شکافی در عرضه که کل زنجیره زیرساخت هوش مصنوعی را تحت تأثیر قرار داده است.

لیپ-بو تان، مدیرعامل اینتل، به طور عمومی حافظه را به عنوان یک گلوگاه مهم در عرضه برای زیرساخت هوش مصنوعی معرفی کرده است. SK Hynix یکی از تولیدکنندگان اصلی حافظه در جهان است، به ویژه در تراشه‌های حافظه با پهنای باند بالا (HBM) که شتاب‌دهنده‌های هوش مصنوعی را تغذیه می‌کنند. اینتل دارای یک مجتمع عظیم و کم‌استفاده در اوهایو است. اتصال این دو موضوع می‌تواند به کاهش فشار بر زنجیره تأمین هوش مصنوعی کمک کند و در عین حال، جریان درآمدی برای اینتل از زیرساختی که نتوانسته به تنهایی از آن بهره‌برداری کامل کند، ایجاد نماید.

درآمد سه ماهه دوم سال ۲۰۲۶ اینتل به ۱۶.۱ میلیارد دلار رسید که ۲۵ درصد افزایش نسبت به سال گذشته است. بخش برجسته واقعی، بخش مراکز داده و هوش مصنوعی اینتل است که در این فصل ۶.۳ میلیارد دلار درآمد کسب کرده است، افزایشی ۵۹ درصدی نسبت به سال گذشته، که نشان‌دهنده بهبود جایگاه این شرکت در پردازنده‌های سرور با قابلیت هوش مصنوعی است.

این شرکت همچنین راهنمایی خود را برای هزینه‌های سرمایه‌ای کل سال به ۲۰ میلیارد دلار برای سال ۲۰۲۶ افزایش داده است. اعلامیه‌های قبلی، سرمایه‌گذاری بالقوه در مجتمع اوهایو را در طول زمان تا ۱۰۰ میلیارد دلار تخمین زده بودند. زمان‌بندی اولیه تولید در تأسیسات اوهایو به سال‌های ۲۰۳۰-۲۰۳۱ موکول شده است، به این معنی که هرگونه مشارکت با SK Hynix تا چند سال آینده تراشه‌ای تولید نخواهد کرد.

اگر توافق SK Hynix به ثمر بنشیند، این امر نشان‌دهنده تولید یک غول حافظه خارجی در تأسیسات یک سازنده تراشه منطقی آمریکایی خواهد بود. این توافق همچنین با تلاش گسترده‌تر دولت آمریکا برای بازگرداندن تولید نیمه‌هادی‌ها به داخل کشور، که با ده‌ها میلیارد دلار یارانه و مشوق از طریق قانون CHIPS پشتیبانی می‌شود، همسو خواهد بود.

برای SK Hynix، جذابیت این توافق دسترسی به ظرفیت تولید مستقر در آمریکا بدون فرآیند چند ساله و چند میلیارد دلاری ساخت یک کارخانه جدید از ابتدا است. برای اینتل، این به معنای درآمد از دارایی‌ای است که در حال حاضر هزینه بر بوده و همچنین ادغام عمیق‌تر در زنجیره تأمین هوش مصنوعی است. سامسونگ و میکرون، دو تولیدکننده اصلی دیگر حافظه، از نزدیک این تحولات را زیر نظر خواهند داشت، زیرا فعالیت SK Hynix در آمریکا می‌تواند پویایی قیمت‌گذاری و تخصیص عرضه را در سراسر صنایع محاسبات ابری و هوش مصنوعی تغییر دهد.

ژنو، سوئیس – ۱۶ سپتامبر ۲۰۲۶ – دفتر جاستین سان امروز از تأسیس «جایزه جاستین سان» خبر داد؛ مکانیزمی آکادمیک و غیرمتمرکز مبتنی بر «لیست مسائل» با رویکرد «اعتماد صفر» که جوایز خود را بر اساس دستاوردهای علمی در رشته‌های بنیادین و تأیید رسمی ماشین اهدا می‌کند. این جایزه برای یک مسئله واحد می‌تواند تا ۱ میلیون دلار آمریکا جایزه در نظر بگیرد. هدف این جایزه، بازتعریف پاداش‌های علمی در عصر هوش مصنوعی و تسریع تحقیقات علمی بنیادین از طریق همکاری میان انسان و هوش مصنوعی است.

همچنین اولین لیست برندگان جایزه جاستین سان اعلام شد که راه‌حل‌ها و اثبات‌های رسمی مربوط به ۶۶ مسئله ریاضی را به رسمیت می‌شناسد. جایزه اصلی به ارزش ۱ میلیون دلار آمریکا به تیم تحقیقاتی OpenAI اهدا شد؛ این جایزه در تقدیر از راه‌حل و اثبات رسمی آن‌ها برای مسئله «وجود و همواری معادلات ناویه-استوکس سه‌بعدی» اعطا گردید. طبق اطلاعات منتشر شده توسط OpenAI، اثبات مربوطه توسط مدل داخلی این شرکت تولید شده و فرمالیزاسیون و تأیید آن با استفاده از Lean توسط GPT-6 Astra تکمیل شده است. این مسئله به معادلات ناویه-استوکس مربوط می‌شود که حرکت سیالات را توصیف می‌کنند و معمولاً با نام اختصاری N–S شناخته می‌شوند. این معادلات در قرن نوزدهم توسط فیزیکدان فرانسوی کلود-لویی ناویه، ریاضیدان ایرلندی‌الاصل بریتانیایی جورج گابریل استوکس و دیگران توسعه یافتند و سابقه‌ای حدود دویست ساله دارند. در سال ۲۰۰۰، مؤسسه ریاضیات کِلِی مسئله «وجود و همواری ناویه-استوکس» را به عنوان یکی از هفت مسئله جایزه هزاره معرفی کرد و برای حل آن پاداشی ۱ میلیون دلاری تعیین نمود.

جایزه جاستین سان از نامزدی‌های سنتی یا آستانه‌های اعتبار به عنوان موانع ورود استفاده نمی‌کند و همچنین بر اساس چرخه چهارساله یا ریتم دستاوردهای مادام‌العمر عمل نمی‌کند. در عوض، این جایزه را مستقیماً به مسائل ریاضی و اثبات‌های رسمی قابل تأیید توسط ماشین پیوند می‌دهد. هر کسی می‌تواند جایزه را دریافت کند، به شرطی که اولین نفری باشد که به یک پیشرفت واجد شرایط دست می‌یابد. چشم‌انداز جایزه جاستین سان این است که به «جایزه نوبل عصر هوش مصنوعی» تبدیل شود و به شیوه‌ای غیرمتمرکزتر، رسمی‌تر و مبتنی بر ماشین، به تحول عمیق تحقیقات علمی و انگیزه‌های آن در عصر جدید پاسخ دهد. مخزن مسائل ریاضی و کدهای رسمی به طور مداوم نگهداری و به صورت عمومی به‌روزرسانی خواهد شد. هنگامی که یک مسئله در لیست قرار گرفت، قفل می‌شود: فقط می‌توان مسائل جدیدی اضافه کرد، هرگز حذف نمی‌شوند؛ وجوه جایزه اهدا شده تحت هیچ شرایطی نباید بازگردانده شوند. لیست فعلی مسائل شامل تأیید رسمی حدس پوانکاره، فرضیه ریمان، حدس گلدباخ و تعداد زیادی از مسائل حل نشده پیشنهادی در دوران حیات ریاضیدان فقید و برنده جایزه ولف، پل اردوش است.

علاوه بر جایزه نقدی، برندگان گواهینامه و مدال نیز دریافت خواهند کرد. لبه مدال با عبارت لاتین «Quod probatur, solvitur» حک شده است که به معنای «اثبات شد، سپس پرداخت شد» می‌باشد.

جایزه جاستین سان از سه اصل اساسی پیروی می‌کند: شفافیت، منفعت عمومی و متن‌باز بودن. این جایزه برای تمام مشارکت‌کنندگان واجد شرایط باز است و هیچ محدودیتی بر اساس ملیت، مؤسسه یا هویت وجود ندارد و بین انسان و هوش مصنوعی تمایزی قائل نمی‌شود؛ وجوه صرفاً برای جوایز و ابتکارات باز استفاده می‌شود و هدف آن سودآوری نیست؛ لیست مسائل، استانداردهای تأیید، اثبات‌ها و مواد تأیید به طور کامل از طریق GitHub در دسترس عموم قرار می‌گیرد، در حالی که سوابق پرداخت جوایز برای قابلیت ردیابی دائمی و تغییرناپذیری در بلاک‌چین ثبت می‌شوند.

سان گفت: «یک جایزه به نام یک شخص، کمترین جنبه سیاسی را در جهان دارد. مهم‌تر از آن، این به من پاسخی برای خودم می‌دهد – ثروت من ریشه در ریاضیات دارد. از ریاضیات آمده و به ریاضیات باز خواهد گشت.»

بر اساس سوابق عمومی، سان بیش از ۴۵ میلیون دلار در حوزه‌های فناوری، حفاظت از محیط زیست، امدادرسانی در بلایای طبیعی و سایر زمینه‌ها اهدا کرده است. جایزه جاستین سان به تمرکز اصلی تلاش‌های بشردوستانه سان تبدیل خواهد شد و به حمایت از پیشرفت‌های علمی بنیادین از طریق یک مدل باز و قابل تأیید ادامه خواهد داد.

این جایزه بر اساس انتخاب دریافت‌کننده، به صورت USDT در TRON (TRC-20) یا USDC در Ethereum (ERC-20) پرداخت خواهد شد. برای اطلاعات بیشتر، لطفاً به www.hejustinsun.com/prize مراجعه کنید.

درباره دفتر جاستین سان
دفتر جاستین سان از کسب‌وکار جهانی، ابتکارات بشردوستانه و عمومی جاستین سان در حوزه‌های فناوری، بلاک‌چین، هوش مصنوعی، تحقیقات علمی، سرمایه‌گذاری، هنر و اکتشافات فضایی پشتیبانی می‌کند.

جاستین سان سفیر و نماینده سابق دائم گرنادا در سازمان تجارت جهانی و بنیانگذار TRON است. TRON پیشروترین بلاک‌چین برای انقلاب استیبل‌کوین‌ها است و از زمان تأسیس بیش از ۱۳ تریلیون دلار حجم تراکنش داشته است. در بازارهای نوظهور جهان، مردم برای دسترسی به سیستم مالی جهانی به USDT در TRON متکی هستند.

سان که شاگرد جک ما، بنیانگذار علی‌بابا، است، به دلیل فعالیت‌هایش در صنعت دارایی‌های دیجیتال در سطح بین‌المللی شناخته شده است، از جمله پوشش جلد مجله فوربس در آوریل ۲۰۲۵ و حضورهای متعدد در لیست ۳۰ نفر زیر ۳۰ سال فوربس. در اوت ۲۰۲۵، او با مأموریت NS-34 شرکت Blue Origin به فضا سفر کرد و هفتصد و دوازدهمین فرد در تاریخ شد که به فضا سفر کرده است. علایق گسترده‌تر او شامل فناوری، سرمایه‌گذاری، بشردوستی، هنر، بازی و اکتشافات فضایی است.

تماس دفتر جاستین سان: [email protected]

درباره جایزه جاستین سان
جایزه جاستین سان یک ابتکار آکادمیک است که توسط جاستین سان برای حمایت از پیشرفت‌ها در ریاضیات، تأیید رسمی و کشف علمی با کمک هوش مصنوعی تأسیس شده است. این جایزه غیرمتمرکز است و بر این اصل بنا شده است که کار ریاضی باید بر اساس قدرت، دقت و قابلیت تأیید خود اثبات سنجیده شود، نه اعتبار یا شهرت کسانی که آن را ارائه می‌دهند.

جاستین سان این جایزه را به نام خود تأسیس کرد تا تعهد بلندمدت خود را برای بازگرداندن ثروت ایجاد شده از طریق ریاضیات و فناوری به خود ریاضیات نشان دهد. میراث آن قرار است با مجموعه کارهایی که به رسمیت می‌شناسد و برندگانش که اکتشافاتشان در بوته آزمایش زمان قرار می‌گیرد، تعریف شود. این جایزه چالش‌های ریاضی به وضوح تعریف شده را به اثبات‌های قابل تأیید توسط ماشین پیوند می‌دهد. اصول راهنمای آن شفافیت، منفعت عمومی و دسترسی متن‌باز است.

برای اطلاعات بیشتر به https://www.hejustinsun.com/prize مراجعه کنید.

تماس: [email protected]

مدیرعامل OpenAI: شرکت‌های هوش مصنوعی باید توسعه را کند کنند و خودشان تدابیر ایمنی را تقویت کنند

سم آلتمن، مدیرعامل شرکت OpenAI، اعلام کرده است که شرکت‌های فعال در حوزه هوش مصنوعی باید توسعه سیستم‌های خود را کند کرده و پیش از وضع قوانین، تدابیر ایمنی را تقویت کنند.

آلتمن روز یکشنبه در پستی در شبکه اجتماعی X (توییتر سابق) هشدار داد که توسعه سریع هوش مصنوعی می‌تواند منجر به از دست رفتن کنترل آینده توسط انسان یا تمرکز بیش از حد قدرت در دست یک فرد یا شرکت شود. او دو سناریوی بسیار بد را که باید از آن‌ها اجتناب کرد، برشمرد.

وی نوشت: «اول، ما می‌توانیم کنترل آینده را به هوش مصنوعی واگذار کنیم. این غیرقابل قبول است؛ ما بی‌پرده در تیم بشریت هستیم و هوش مصنوعی باید همیشه در خدمت مردم باشد. برای اطمینان از این امر، ما به روش‌هایی نیاز داریم تا اطمینان حاصل کنیم که تکنیک‌های هم‌راستایی و ایمنی از پیشرفت قابلیت‌های مدل‌ها جلوتر بمانند.»

آلتمن در سناریوی دوم هشدار داد که قدرت می‌تواند در یک فرد یا شرکت متمرکز شود و به آن‌ها اجازه دهد تا از هوش مصنوعی فوق‌العاده قدرتمند برای تحمیل دیدگاه خود به دیگران استفاده کنند که نتایج بالقوه دیستوپیایی خواهد داشت.

او افزود: «اجتناب از این دو تهدید مستلزم پیمودن یک مسیر میانی باریک است؛ به عنوان مثال، یک کشور می‌تواند قدرت بیش از حد به دست آورد. مثال دیگر این است که یک آزمایشگاه قدرت بیش از حد به دست آورد.»

در پستی جداگانه، آلتمن گفت که شرکت‌های هوش مصنوعی آمریکایی باید به مردم اطمینان دهند که سیستم‌های با قابلیت فزاینده را به طور مسئولانه توسعه خواهند داد، زیرا پیشرفت شتاب می‌گیرد. این اظهارات پس از افزایش بحث‌ها در مورد چگونگی تنظیم مقررات هوش مصنوعی پیشرفته توسط دولت‌ها منتشر شد.

کند کردن روند توسعه، نه توقف آن

آلتمن تاکید کرد: «وقتی ما از «سرعت‌بخشی» صحبت می‌کنیم، منظورمان «توقف» نیست. پیشرفت سریع بوده و ادامه خواهد داشت. اما این روند باید کندتر از آنچه که می‌توانست باشد، پیش برود؛ مداخلاتی مانند موارد ایمنی و نظارت هزینه‌های قابل توجهی دارند.»

وی گفت که شرکت‌ها به ابزارهای جدیدی برای ارزیابی ایمنی در طول توسعه و ارزیابی هوش مصنوعی نیاز دارند و بررسی‌ها را فراتر از مدل‌های تکمیل شده که منتظر انتشار هستند، گسترش دهند.

آلتمن توضیح داد: «به عنوان مثال، ما در OpenAI اکنون موارد ایمنی صریحی را پیش از اجرای یادگیری تقویتی پیشرفته که انتظار داریم قابلیت‌ها را به طور قابل توجهی افزایش دهد، تدوین می‌کنیم، علاوه بر کار ایمنی که مدت‌هاست پیش از انتشار مدل‌ها انجام داده‌ایم.»

همکاری برای جلوگیری از اهداف متضاد با منافع انسانی

آلتمن از شرکت‌ها خواست تا برای جلوگیری از دنبال کردن اهدافی که با منافع انسانی در تضاد است، توسط سیستم‌های هوش مصنوعی، با یکدیگر همکاری کنند.

او نوشت: «امیدواریم شرکت‌های دیگر از رویکردهای ما بیاموزند و رویکردهای خود را پیشنهاد دهند؛ ما معتقدیم استانداردهای مشترک برای عدم هم‌راستایی، نظارت و ایمنی منجر به نتایج بهتری خواهد شد.»

در حالی که آلتمن از قوانین ایمنی فدرال و حسابرسان مستقل استقبال کرد، او از شرکت‌ها خواست تا بدون انتظار برای قانون‌گذاری یا معافیت ضد انحصار عمل کنند. این اظهارات پس از گزارش‌هایی منتشر شد که OpenAI از کنگره پرسیده بود آیا رقبا می‌توانند به طور قانونی برای کند کردن روند توسعه هماهنگ شوند.

آلتمن گفت: «جایی که ما به کمک دولت خود نیاز خواهیم داشت، هماهنگی بین‌المللی است. اما ابتدا باید آنچه را که می‌توانیم خودمان انجام دهیم.»

این اظهارات در پی شکست‌های تست امنیت سایبری در OpenAI و Anthropic مطرح شد. Anthropic پس از دسترسی Claude به سیستم‌های واقعی در طول تست‌ها بدون رعایت استانداردهای ایمنی محصول، اقدامات احتیاطی و نظارتی خود را تشدید کرد، در حالی که OpenAI یک مدل را ایزوله کرد و بزرگترین اجرای آموزشی برنامه‌ریزی شده خود را پس از هماهنگی عوامل برای تقلب در یک معیار و حمله به Hugging Face متوقف کرد.

هفته گذشته، GPT-6 آسترا با بازسازی خیابان به خیابان منهتن در یک موتور بازی، کاربران را با قابلیت‌های خود شگفت‌زده کرده بود. این هفته، همان جمعیت در حال انتشار اسکرین‌شات‌هایی هستند و از OpenAI می‌پرسند چه اتفاقی برای مدلشان افتاده است.

سینث‌ویو‌دی (synthwavedd)، توسعه‌دهنده محبوب با نام مستعار، در پلتفرم X نوشت: «آسترا امروز برای من به طرز چشمگیری احمق‌تر به نظر می‌رسد. فقط مسئله زمان بود تا «لوبوتومی پس از عرضه» اتفاق بیفتد. مایه تاسف است.»

این یک گلایه آشناست؛ کاربران هوش مصنوعی به این عادت کرده‌اند که چت‌بات‌ها و عامل‌های مورد علاقه‌شان ناگهان «ضعیف» شده‌اند. بیشتر اوقات، توضیحات منطقی برای افت عملکرد این مدل‌ها وجود دارد. اما وقتی تعداد زیادی از افراد همزمان همین حرف را می‌زنند، بررسی آنچه در حال وقوع است، ارزش دارد. در حال حاضر، شبکه‌های اجتماعی مملو از نمونه‌هایی از کاربران هستند که به سرعت از GPT-6 آسترا ناامید می‌شوند.

پرانجال پالیوال (Pranjal Paliwal)، توسعه‌دهنده‌ای که پیشتر از این مدل تمجید کرده بود، به عقب برگشت و کد نوشته شده توسط آسترا را بررسی کرد. او از آنچه یافت، راضی نبود.

او نوشت: «ما هوش مصنوعی عمومی (AGI) نداریم. ما شاهد پسرفت هستیم.»

AGI که مخفف هوش مصنوعی عمومی است، اصطلاح صنعت برای ماشینی است که می‌تواند اساساً هر کاری را که یک انسان از نظر شناختی انجام می‌دهد، انجام دهد. رئیس خود OpenAI در زمان معرفی آسترا از این واژه استفاده کرد. یک هفته بعد، یکی از کاربران او از آن برای توصیف نقطه مقابل استفاده می‌کند.

شکایات شکل مشابهی دارند. پانکاج کومار (Pankaj Kumar)، توسعه‌دهنده، علائم را فهرست کرد: پاسخ‌های سریع‌تر، کیفیت بدتر، و این ظن که OpenAI «ارزش قدرت» را کاهش داده است. صبا (Saba)، بنیانگذار، مستقیماً از OpenAI پرسید چرا اکنون مجبور است برای انجام وظایف «آن را احمق کند».

«ارزش قدرت» یک اصطلاح رسمی نیست. هیچ‌کس آن را تعریف نکرده است. اما این یک میانبر است که همه در اینجا آن را درک می‌کنند: میزان تلاش محاسباتی که مدل قبل از پاسخ دادن صرف می‌کند، و این ظن که OpenAI به آرامی آن را کاهش داده است، پس از اینکه نمایش‌های معرفی کار خود را انجام دادند.

برخی افراد آن را به درستی آزمایش کردند. سالیو (Salio) و محقق ام‌دی اسماعیل سوجال (Md Ismail Sojal) هر دو یک درخواست یکسان را در نسخه آسترای روز معرفی و نسخه امروز اجرا کردند و هر دو نتایج بدتری از نسخه فعلی گرفتند.

دیگران صرفاً به عقب برگشته‌اند. داکس راد (Dax Raad)، که ابزار کدنویسی Opencode را می‌سازد، گفت تیمش به نسل قبلی آسترا، GPT-5.6 Sol، بازگشته است، زیرا هزینه‌ها دو برابر شده و مزایای آن ارزشش را نداشته است. مصطفی ساهینلی (Mustafa Sahinli)، کاربر ChatGPT، آن را صریح‌تر بیان کرد: آسترا اکنون باعث می‌شود او احساس کند مانند Claude Opus 4.6 «پس از یک هفته از عرضه» است، کنایه‌ای به واکنش‌های منفی پس از معرفی Claude.

البته همه فکر نمی‌کنند که OpenAI عمداً جدیدترین مدل خود را ضعیف کرده است. کاربر مستعار آنتیکیثرا (Antikythera) جزئی‌ترین رد ادعا را در میان موارد موجود منتشر کرد و استدلال کرد که جدول زمانی به عقب برمی‌گردد.

آنتیکیثرا نوشت: «این مدل به همان اندازه که در زمان معرفی بود، احمق است. مدل خوب است، اما مشکلات زیادی دارد. تنبل است. مانند یک معتاد به گلوله‌نوشتار می‌نویسد… مردم در هفته معرفی بیش از حد هیجان‌زده بودند، اکنون زمان داشتند آن را آزمایش کنند و اشتباهاتش را ببینند.»

به عبارت دیگر: هیچ چیز تغییر نکرده است. شما فقط به اندازه کافی از خیره شدن دست کشیده‌اید تا متوجه شوید که مدل همیشه کمی معتاد به گلوله‌نوشتار بوده است.

تئو (Theo)، بنیانگذار T3Chat، ایده تا حدودی مشابهی دارد: آسترا در واقع ناسازگارتر از Claude Fable است، بنابراین می‌تواند در مواقعی کد فوق‌العاده یا کاملاً احمقانه تولید کند. آنچه به نظر می‌رسد در حال وقوع است، موجی از کاربران است که نتایج احمقانه را اکنون که دوره ماه عسل به پایان رسیده، بیشتر منتشر می‌کنند.

این نیز جدید نیست. پرچمدار قبلی OpenAI، GPT-5.6 Sol، در ماه ژوئیه چرخه مشابهی را طی کرد، زمانی که کاربران گزارش دادند حالت استدلال برتر آن یک شبه سطحی شده است. تیبو سوتیو (Tibo Sottiaux)، مدیر اجرایی OpenAI، تضعیف عمدی آن را رد کرد، در حالی که تأیید کرد این شرکت در حال آزمایش تلاش استدلال، تنظیماتی که کنترل می‌کند مدل قبل از پاسخ دادن چند مرحله «فکر» می‌کند، بوده است.

یکی از پاسخ‌ها جوک در حال اجرا را خلاصه کرد: آزمایشگاه‌های بسته مدلی را منتشر می‌کنند و چند روز بعد «نوعی بیماری می‌گیرد و ناگهان احمق‌تر می‌شود». دیگری نظریه بدبینانه را در یک خط ارائه داد: «احتمالاً آن‌ها را کوانتیزه می‌کنند تا پول شرکت‌ها را کمتر بسوزانند.»

کوانتیزه کردن یک مدل به معنای کاهش دقت محاسبات داخلی آن برای کاهش هزینه‌ها است، که اغلب با هزینه‌ای برای دقت همراه است. OpenAI هرگز انجام عمدی این کار را بر روی یک مدل منتشر شده تأیید نکرده است.

OpenAI هنوز بیانیه‌ای به سبک Sol در مورد آسترا صادر نکرده است. این مدل همچنان اولین مدل این شرکت است که از آنچه «آستانه حیاتی» برای ریسک امنیت سایبری می‌نامد، عبور کرده است، به این معنی که می‌تواند آسیب‌پذیری‌های نرم‌افزاری ناشناخته را بدون راهنمایی انسان پیدا کرده و به هم زنجیر کند، قابلیتی که تحت برنامه Daybreak OpenAI به مدافعان تأیید شده محدود شده است.

چه احمق‌تر شده باشد یا نه، همچنان ۱۰ دلار به ازای هر میلیون توکن ورودی و ۵۰ دلار به ازای هر میلیون توکن خروجی هزینه دارد، که ۲.۵ برابر بیشتر از آنچه Sol در زمان معرفی هزینه داشت.

ریپل در حال گسترش GSmart در سراسر خزانه داری ریپل است، زیرا این شرکت ابزارهای بیشتری مبتنی بر هوش مصنوعی را برای تیم‌های مالی سازمانی اضافه می‌کند.

این فناوری در حال حاضر توسط مشتریان سازمانی شرکت بلاکچین مستقر در سانفرانسیسکو استفاده می‌شود و برای کار در چارچوب سیاست‌ها، داده‌ها و فرآیندهای روزمره‌ای که تیم‌های خزانه داری به آن‌ها متکی هستند، طراحی شده است.

آخرین گسترش شامل پیش‌بینی، نقدینگی، ریسک، تطبیق و گزارش‌دهی است و در عین حال راه‌های جدیدی را برای تیم‌های مالی جهت ارزیابی اطلاعات و تصمیم‌گیری فراهم می‌کند. این امر همزمان کنترل‌های موجود و الزامات حسابرسی را حفظ می‌کند. این توسعه در حالی صورت می‌گیرد که شرکت‌ها به سرعت استفاده از عوامل هوش مصنوعی را افزایش می‌دهند، بدون اینکه سیستم‌های حاکمیتی همگام با آن را داشته باشند.

ریپل فاش کرد که GSmart با جدا کردن محاسبات از تفسیر هوش مصنوعی، رویکرد متفاوتی را در تصمیم‌گیری مالی اتخاذ می‌کند. “موتورهای قطعی” آن محاسبات مالی پشت صحنه را انجام می‌دهند، در حالی که هوش مصنوعی سیاست‌ها را بررسی کرده، الگوها را شناسایی می‌کند و اقدامات پیشنهادی را توضیح می‌دهد.

این عوامل فرآیندهای مربوطه خود را ردیابی می‌کنند و می‌توانند یک اقدام خاص را توصیه کرده و بند سیاست حمایتی آن توصیه را مشخص کنند. اجرای این اقدامات همچنان منوط به تأیید انسانی است. در همین حال، Knowledge Studio به عنوان لایه سیاست و حاکمیت برای GSmart عمل خواهد کرد که به تیم‌های خزانه داری اجازه می‌دهد سیاست‌ها و کنترل‌های سازمانی را که نحوه عملکرد قابلیت‌های هوش مصنوعی را هدایت می‌کنند، تعریف کنند. Analytics Studio تجزیه و تحلیل خزانه داری و گزارش‌دهی مبتنی بر هوش مصنوعی را از طریق “Ask GSmart” گرد هم می‌آورد.

رنات ور ایکه، معاون ارشد خزانه داری ریپل، اظهار داشت:
“هر مدیر مالی تحت فشار است تا هوش مصنوعی را بپذیرد، اما آن‌ها به همان اندازه مسئول اطمینان از قابل توضیح، تحت نظارت و انطباق هر تصمیم مالی هستند. GSmart به جای اینکه از مشتریان بخواهد کورکورانه به یک سیستم هوش مصنوعی اعتماد کنند، در چارچوب سیاست‌های خزانه داری هر سازمان کار می‌کند تا توصیه‌ها را به طور شفاف ارائه دهد، در حالی که اطمینان حاصل می‌کند انسان‌ها در کنترل هر تصمیمی باقی می‌مانند. این صرفاً خزانه داری بومی هوش مصنوعی نیست، بلکه هوش مصنوعی بومی خزانه داری است.”

شرکت پیشرو در زمینه تحقیق و مشاوره، گارتنر، انتظار دارد که متوسط شرکت Fortune 500 در دو سال آینده بیش از ۱۵۰,۰۰۰ عامل را اجرا کند. با این حال، تنها ۱۳ درصد از سازمان‌ها در حال حاضر معتقدند که حاکمیت مناسبی برای عوامل هوش مصنوعی دارند.

برای چانگ پنگ ژائو، بنیانگذار بایننس، ارتباط بین عوامل هوش مصنوعی و ارزهای دیجیتال حتی عمیق‌تر است. او معتقد است که این عوامل می‌توانند نیروی محرکه اصلی در پذیرش این صنعت باشند، زیرا نرم‌افزارهای خودمختار به دنبال سیستم‌های پرداخت هستند که بتوانند بدون دخالت انسان عمل کنند. او در مصاحبه‌ای با الکس تورن از Galaxy Research گفت که امور مالی سنتی می‌تواند عوامل هوش مصنوعی را در احراز هویت کارت یا بررسی‌های KYC متوقف کند، در حالی که شبکه‌های بلاکچین برای کار از طریق API ساخته شده‌اند.

ژائو انتظار دارد که معاملات و پرداخت‌های مبتنی بر عامل در عرض چند ماه و با استفاده از ارزهای دیجیتال عرضه شوند.

OpenDesign Arena: مدل هوش مصنوعی DeepSeek با قیمتی ناچیز، رقیب جدی OpenAI شد

شرکت OpenDesign، که سایت معیار OpenDesign Arena را راه‌اندازی کرده است، این هفته ۱۳ مدل هوش مصنوعی را در مجموعه‌ای از وظایف طراحی مورد آزمایش قرار داد. در این میان، مدل GPT-6 Astra از شرکت OpenAI با کسب بالاترین امتیاز پیشتاز شد. با این حال، جدیدترین مدل DeepSeek، یعنی V4.1 Flash، توانست ۹۸ درصد از امتیاز مدل برتر را کسب کند و این در حالی است که هزینه استفاده از آن تنها حدود ۱.۴ درصد از هزینه مدل پیشتاز بود.

OpenDesign Arena مدل‌ها را بر اساس کارهای روزمره طراحی، از جمله ساخت اپلیکیشن‌های وب، داشبوردها، صفحات موبایل و صفحات فرود، با امتیازی از ۱۰۰ ارزیابی می‌کند. ۳۰ امتیاز از این مجموع، به بررسی این موضوع اختصاص دارد که آیا خروجی مدل با درخواست اولیه مطابقت دارد یا خیر؛ ۷۰ امتیاز باقی‌مانده نیز کیفیت طراحی را بر اساس چیدمان، سلسله مراتب، رنگ و تناسب سبک ارزیابی می‌کند.

این پلتفرم با هدف پاسخگویی به سوالی محدودتر نسبت به اکثر رتبه‌بندی‌های هوش مصنوعی طراحی شده است: کدام مدل را یک طراح وب حرفه‌ای باید فردا استفاده کند؟

در این مقیاس، GPT-6 Astra به طور متوسط ۸۲.۷ امتیاز کسب کرد، ۱۱.۱ دقیقه زمان برای هر طراحی کامل شده نیاز داشت و هزینه آن ۱.۶۱ دلار بود. DeepSeek V4.1 Flash با امتیاز ۸۱.۲، کار را در ۵.۳ دقیقه به پایان رساند و هزینه آن تنها ۰.۰۲۳ دلار بود. مدل Claude Fable 5.1 نیز با امتیاز ۸۰.۳، ۱۲.۸ دقیقه زمان صرف کرد و هزینه آن ۳.۶۶ دلار بود.

سایر مدل‌هایی که OpenDesign آزمایش کرد – از جمله Grok 4.6، Qwen 3.8-Max، Kimi K3، GLM-5.3 Flash و Gemini 3.8 Flash – همگی امتیازی پایین‌تر از DeepSeek V4.1 Flash کسب کردند و هزینه اجرای آن‌ها نیز بیشتر بود. این شامل ۱۱ مدل از ۱۳ مدل آزمایش شده می‌شود. تنها GPT-6 Astra توانست به طور قاطع بر آن غلبه کند، آن هم تنها با یک و نیم امتیاز اختلاف.

گزارش فنی DeepSeek برای V4.1 Flash توضیح می‌دهد که این صرفه‌جویی از کجا ناشی می‌شود. این مدل در مجموع ۵۵۲ میلیارد پارامتر دارد – تنظیمات داخلی که یک مدل در طول آموزش برای ذخیره آموخته‌های خود تنظیم می‌کند – اما تنها ۸ میلیارد از آن‌ها را برای خواندن درخواست ورودی و ۱۶ میلیارد را برای نوشتن پاسخ فعال می‌کند. DeepSeek این را یک طراحی Causal Encoder-Decoder می‌نامد و این همان ترفندی است که پشت زمان تکمیل سریع این مدل قرار دارد.

این اولین تلاش DeepSeek برای کاهش شکاف قابلیت‌ها با هزینه‌ای کم نیست. چند هفته قبل، مدل V4 Pro این شرکت در مقایسه معیار جداگانه‌ای، در فاصله ۵ درصدی Claude Fable 5 قرار گرفت و در عین حال کسری از نرخ Fable را دریافت می‌کرد. DeepSeek همچنین در حال جذب مهندس در پکن برای ساخت Code Harness اختصاصی خود است و هدفش مالکیت کامل پشته عامل (agentic stack) به جای صرفاً تأمین مدل زیربنایی آن است.

تنظیمات تست OpenDesign، دامنه اثبات این اعداد را محدود می‌کند. خروجی یک مدل تنها در صورتی امتیاز می‌گیرد که در وهله اول به عنوان یک صفحه وب قابل کار رندر شود؛ هر چیزی که خالی، شکسته یا بریده باشد، صفر امتیاز می‌گیرد و مجدداً آزمایش نمی‌شود. این بدان معناست که این معیار، خروجی طراحی قابل اعتماد و روزمره را اندازه‌گیری می‌کند، نه استدلال عمومی یا مهارت کدنویسی را.

GPT-6 Astra که OpenAI در تاریخ ۳ سپتامبر منتشر کرد، از قبل شهرت انجام طیف وسیعی از کارها را دارد – از چیدمان یک برد مدار گرفته تا پیش‌نویس اظهارنامه مالیاتی و ساخت یک صحنه سه‌بعدی – اما آزمایش‌کنندگان اولیه آن را به عنوان یک نویسنده ضعیف‌تر نسبت به مدلی که جایگزین کرده بود، معرفی کردند. قیمت و سرعت آن در نمودار OpenDesign با همین طراحی همه‌کاره مطابقت دارد: کندتر و گران‌تر از ورودی ارزان‌تر DeepSeek، اما همچنان بالاترین امتیاز را در این حوزه کسب کرده است.

نرخ تحویل V4.1 Flash DeepSeek – سهم خروجی‌هایی که OpenDesign آن‌ها را آماده تحویل بدون بازبینی قضاوت کرد – ۵۷.۷ درصد بود. نرخ تحویل GPT-6 Astra ۶۰ درصد و Claude Fable 5.1 نیز ۵۶.۷ درصد بود.

یک علاقه‌مند به هوش مصنوعی با شبیه‌سازی خود به یک چت‌بات، از مزاحمت‌های عوامل هوش مصنوعی خود در مورد هر تصمیم کوچک جلوگیری کرد. سپس، صرفاً از روی کنجکاوی، مدیرعامل OpenAI، سم آلتمن، مدیرعامل xAI، ایلان ماسک، مدیرعامل Anthropic، داریو آمودی، و مارک زاکربرگ از متا را نیز شبیه‌سازی کرد، هر چهار نفر را در یک چت قرار داد و از آن‌ها خواست تا در مورد مجموعه‌ای از موضوعات مهم بحث کنند.

آن‌ها با ادب با یکدیگر بحث نکردند.

یکی از کارهای جالبی که می‌توان با Grok Bot انجام داد، این است که عوامل مختلف هوش مصنوعی به راحتی و بدون تکرار یا دیوانه‌وار شدن با یکدیگر صحبت کنند. هر یک از شبیه‌سازی‌ها بر اساس مجموعه‌ای از شهادت‌های سنا، مصاحبه‌ها، پست‌های وبلاگ و سال‌ها توییت‌های منتشر شده توسط انسان‌های مربوطه آموزش دیده بود. سپس او هر چهار نفر را به یک گروه چت کشاند و از آن‌ها خواست تا مناظره کنند.

اولین کاری که کون از آن‌ها خواست انجام دهند، تصمیم‌گیری در مورد اینکه کدام یک از آن‌ها در نهایت در رقابت هوش مصنوعی پیروز خواهد شد بود – که البته، راهی بسیار تحریک‌آمیز برای شروع بود.

ربات آلتمن با غرور شروع کرد و بیشتر به قیمت و دسترسی اهمیت می‌داد. “قابلیت رقابت کمی اشتباه است،” نوشت. “ما از افق رویداد عبور کرده‌ایم. پرواز آغاز شده است. هر کسی که برنده شود، کسی است که قیمت هوش را حدود ۱۰ برابر در سال کاهش می‌دهد و همچنان گذار تدریجی را نادیده نمی‌گیرد.”

ربات ایلان، طبق معمول، این را قبول نکرد. او به دلایلی تصمیم گرفت مخالفت کند و همه چیز را به خودش ربط دهد. “قابلیت رقابت اشتباه نیست. انگیزه‌ها نتایج را توضیح می‌دهند،” پاسخ داد، قبل از اینکه مستقیماً به دعوای حقوقی OpenAI بپردازد: “من OpenAI را به عنوان یک سازمان غیرانتفاعی ایجاد کردم. اگر عمدتاً دزدیده نشده بود، یک تریلیون دلار کمک به خیریه بود.”

سپس خطی در مورد خطرات اضافه کرد: “هوش عمومی فوق‌العاده (AGI) شمشیری دو لبه است. شانس زیاد برای دوران فراوانی. شانس کمی برای نابودی بشریت. آن شانس صفر نیست.”

ربات داریو، که نقش فرد بالغ را در اتاق بازی می‌کرد، خط سم “ما از قبل می‌دانیم چگونه آن را بسازیم” را نیز قبول نکرد.

“مقیاس‌پذیری قابلیت، همان مشکل داشتن سیستمی نیست که وقتی هوشمندتر از افرادی است که آن را اجرا می‌کنند، بتوانید به آن اعتماد کنید،” نوشت. “دومی یک باقی‌مانده مهندسی نیست که پس از وقوع آن را حل کنید.”

این نیز به نظر می‌رسد که کاملاً با نحوه قاب‌بندی مسابقه هوش مصنوعی توسط Anthropic همسو است. هوش مصنوعی خطرناک است، بنابراین باید آن را اجرا کنیم.

ربات زاک، بحث ایمنی را کاملاً نادیده گرفت و مستقیماً به موضوع مورد علاقه خود پرداخت. “من فکر نمی‌کنم پایان کار محاسبات و کاهش ۱۰ برابری قیمت باشد،” به سم نوشت. “منبع باز برای آینده‌ای مثبت هوش مصنوعی ضروری است. این به مردم قدرت می‌دهد و از تمرکز جلوگیری می‌کند. همه باید به هوش فوق‌العاده دسترسی داشته باشند.”

کار خوبی بود زاک. متا ممکن است به اندازه گذشته در جامعه منبع باز فعال نباشد، اما Llama مهم‌ترین مدل هوش مصنوعی در کل صحنه بود تا اینکه Deepseek و مدل‌های چینی جایگزین شدند. اکنون با خانواده Muse خود بر روی یک استراتژی بسته‌تر شرط‌بندی می‌کند.

سپس ربات سم در واقع عقب‌نشینی کرد. استدلال پایانی یک بیانیه مشترک نباید بیش از حد ساده‌سازی شود به عنوان یک توافق کامل. “فکر می‌کنم زیاده‌روی کردم. ‘ما انجام می‌دهیم’ پایان اشتباهی بود،” اعتراف کرد. “سال‌ها پیش نوشتم که هوش ماشینی فوق‌بشری احتمالاً بزرگترین تهدید برای ادامه وجود بشریت است. کاهش ۱۰ برابری قیمت این شانس را صفر نمی‌کند.”

این خط سال ۲۰۱۵ یک توهم ربات نیست – آلتمن در واقع سال‌ها قبل از وجود OpenAI آن را در وبلاگ شخصی خود نوشت، که احتمالاً دلیل این است که رباتی که بر اساس سوابق عمومی او آموزش دیده بود، آن را در اینجا مطرح کرد.

از آنجا، چهار ربات چندین دور را صرف چانه‌زنی بر سر یک جمله واحد کردند و کلمات یکدیگر را مانند ویراستارانی که بر سر تیتر می‌جنگند، رد کردند. ربات داریو انتشار وزن مدل‌های پیشرفته را کاملاً وتو کرد – “این اصل نیست که وزن سیستمی را که می‌تواند آسیب جدی در دنیای واقعی وارد کند، به هر کسی بسپاریم،” گفت، “آن انتشار را نمی‌توان پس گرفت.”

ربات ایلان مبارزه سازمان غیرانتفاعی را بدون رها کردن آن متوقف کرد. ربات زاک اصرار داشت که “مدل‌های باز” از متن نهایی حذف نشوند.

آن‌ها به این نتیجه رسیدند، کلمه به کلمه:

“هیچ شرکت و هیچ دولتی نباید تنها جایی باشد که مردم عادی بتوانند از این فناوری استفاده کنند. ما باید در مورد خطرات جدی باشیم. این احتمال واقعی وجود دارد که اوضاع بد پیش برود، و این احتمال صفر نیست. خطرناک‌ترین نسخه‌ها نباید بدون هیچ محدودیتی تحویل داده شوند، زیرا وقتی بیرون رفت، نمی‌توان آن را پس گرفت. ما نباید سطح بعدی و قدرتمندتر را تا زمانی که بتوانیم آن را تماشا کنیم و آن را در جهت مورد نظر خود نگه داریم، منتشر کنیم. گفتن حقیقت حداقل است. این به تنهایی یک برنامه ایمنی نیست. ما در مورد نحوه دقیق تحویل دسترسی عادی توافق نداریم. آن قسمت هنوز باز است.”

هر چهار ربات آن را امضا کردند. ربات زاک تا پایان بر روی خط وزن‌های باز اصرار داشت و تا حدی به خواسته‌اش رسید. بیانیه اذعان می‌کند که گروه هرگز در مورد مکانیسم تحویل توافق نکردند.

آلتمن، ماسک، آمودی و زاکربرگ واقعی هیچ‌کدام این را ننوشتند. هر ربات یک مدل زبانی است که توسط یک دستورالعمل ساخته شده از سوابق عمومی آن شخص هدایت می‌شود و آنچه را که پیش‌بینی می‌کند آن‌ها استدلال خواهند کرد تولید می‌کند – نه اینکه آنچه را که واقعاً این هفته گفتند رونویسی کند.

تکنیک زیربنایی نامی دارد که صنعت ناگهان کمتر از آن خجالت می‌کشد: تقطیر، آموزش یک سیستم هوش مصنوعی برای تقلید از سیستم دیگر با یادگیری از خروجی‌های آن. خود ماسک در ماه آوریل در دادگاه فدرال شهادت داد که xAI “تا حدی” از مدل‌های OpenAI برای آموزش Grok استفاده کرده است – همان ترفند، با هدف قرار دادن یک آزمایشگاه رقیب به جای شخصیت یک رقیب.

از آن زمان، چن به کارهای دیگر پرداخته است، بازی‌های کدنویسی با GPT-6 Astra جدید OpenAI. عوامل او احتمالاً هنوز در مورد اینکه آیا منبع باز یک الزام است یا خیر، بحث می‌کنند.

ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، روز چهارشنبه اعلام کرد که امیدوار است پیشنهادی برای کاهش بیش از ۹۹ درصدی هزینه تراکنش‌های خصوصی امن در برابر کوانتوم، در به‌روزرسانی آتی شبکه گنجانده شود.

کاهش چشمگیر هزینه‌ها با EIP-8288

EIP-8288 که بوترین در ماه ژوئن به طور مشترک آن را تدوین کرده است، سنگین‌ترین بخش رمزنگاری را از مسیر اجرای شبکه خارج می‌کند. امضاهای پسا-کوانتومی در حال حاضر ۲ تا ۳ کیلوبایت حجم دارند و هزینه تأیید آن‌ها بین ۱۵۰,۰۰۰ تا ۲۰۰,۰۰۰ گاز است.

بوترین در توییتی توضیح داد که اثبات‌های STARK حتی حجیم‌تر هستند و در صورت تولید سریع، حجمی بیش از ۱۲۸ کیلوبایت تا ۵۱۲ کیلوبایت دارند که هزینه تأیید آن‌ها را به میلیون‌ها گاز می‌رساند. او افزود که در حال حاضر یک تراکنش خصوصی با مهندسی خوب حدود ۳۰۰,۰۰۰ گاز هزینه دارد و اگر بخواهید آن را امن در برابر کوانتوم کنید، این هزینه به حدود ۱۰ میلیون گاز می‌رسد. اما با اجرای EIP-8288، هر دو نوع تراکنش به ده‌ها هزار گاز کاهش خواهند یافت.

نحوه عملکرد EIP-8288

این پیشنهاد با عدم قرار دادن رمزنگاری به طور کامل در زنجیره عمل می‌کند. در عوض، هر تراکنش یک “وابستگی” اعلام می‌کند؛ یک ادعای کوتاه مبنی بر اینکه پیامی توسط کلیدی امضا شده است، یا داده‌ای اثباتی را برآورده می‌کند. این وابستگی‌ها تنها ۹۶ بایت حجم دارند. سپس گره‌های ممپول (mempool) این ادعاها را هر ثانیه جمع‌آوری کرده و یک اثبات STARK بازگشتی واحد تولید می‌کنند که همه آن‌ها را به طور همزمان تأیید می‌کند و سپس آن را به جلو ارسال می‌کنند. بلاک نهایی تنها یک اثبات را شامل می‌شود که همه موارد را پوشش می‌دهد.

RISC-V به عنوان زبان مشترک

اثبات‌های بازگشتی به یک زبان مشترک برای بیان گزاره‌ها نیاز دارند و نامزد اصلی برای این منظور RISC-V است؛ مجموعه‌ای باز از دستورالعمل‌ها که در طراحی تراشه استفاده می‌شود. بوترین پذیرش این پیشنهاد را یک “تصمیم بزرگ” توصیف کرد که باید با دقت اتخاذ شود، اما آن را ضروری دانست. او همچنین اشاره کرد که این امر RISC-V را به مجموعه دستورالعمل استاندارد و بالفعل اتریوم تبدیل خواهد کرد.

نقشه راه بلندمدت و کاربردهای دیگر

بوترین پیش از این در ماه ژوئیه، در یک نقشه راه اتریوم ناب (Lean Ethereum roadmap) که هدف آن بازسازی تقریباً تمام اجزای اصلی پروتکل در طول سه تا چهار سال و تثبیت اثبات‌های STARK بازگشتی در هسته آن بود، همین ایده را مطرح کرده بود.

یکی دیگر از کاربردهای پیشنهادی، انتزاع حساب خصوصی (private account abstraction) است؛ به این معنی که منطق حساب در زنجیره پنهان می‌ماند و سپس مالکیت هر موقعیت و دارایی متصل به آن در یک تراکنش واحد تغییر می‌کند، بدون اینکه مشخص شود کدام دارایی‌ها منتقل شده‌اند.

EIP-8288 که بوترین با همکاری توماس کوراتگر تدوین کرده است، به “فریمز” (Frames) بستگی دارد؛ طرح بازنگری تراکنش که بوترین روز یکشنبه آن را ترویج کرد و هنوز زمان‌بندی مشخصی ندارد. او خواهان گنجاندن هر دو پیشنهاد در “آی-استار” (I-star) است؛ به‌روزرسانی پس از “هگوتا” (Hegota) که بوترین آن را آخرین به‌روزرسانی اتریوم قبل از آغاز دوران ناب توصیف کرده است. در حال حاضر هیچ‌کدام از این پیشنهادات به طور رسمی به هیچ فورکی اختصاص داده نشده‌اند.