Tag: نوآوری فناوری

شرکت مادر کراکن، Payward، به پروژه Glasswing شرکت Anthropic پیوست و از مدل Claude Mythos برای شناسایی حفره‌های امنیتی استفاده می‌کند.

این اقدام در پی نامه سرگشاده‌ای صورت می‌گیرد که هفته گذشته توسط بیش از ۴۰ شرکت فعال در حوزه بیت‌کوین و ارزهای دیجیتال، از جمله کراکن، خطاب به Anthropic، OpenAI و سایر آزمایشگاه‌های پیشرو هوش مصنوعی ارسال شد. در این نامه، از این آزمایشگاه‌ها خواسته شده بود تا برنامه‌های دسترسی مورد اعتماد خود را برای مدافعان واجد شرایط باز کنند تا به محافظت در برابر تهدیدات کمک کنند.

Payward روز دوشنبه اعلام کرد که این شرکت از مدل Mythos 5 برای اسکن سیستم‌های خود به منظور یافتن آسیب‌پذیری‌ها استفاده خواهد کرد و یافته‌ها برای بررسی به تیم‌های امنیتی آن ارسال می‌شود. این اولین شرکت فعال در حوزه ارزهای دیجیتال است که به این پروژه پیوسته و به Claude Mythos 5 دسترسی پیدا کرده است.

Payward در بیانیه‌ای اعلام کرد: «این انتخاب به بخش امنیتی Payward دسترسی زودهنگام به همان کلاس از مدل را می‌دهد و توانایی آن را برای مقابله با آسیب‌پذیری‌های پیچیده نرم‌افزاری و محافظت از میلیون‌ها مشتری در سراسر جهان تقویت می‌کند.»

این شرکت افزود که نقص‌های یافت شده در نرم‌افزارهای متن‌باز شخص ثالث به نگهدارندگان پروژه گزارش خواهد شد و این رویکرد می‌تواند به محافظت از زیرساخت‌های مالی آن و تقویت نرم‌افزارهای متن‌باز مورد استفاده در صنعت ارزهای دیجیتال کمک کند.

Project Glasswing برنامه امنیت سایبری Anthropic است که به سازمان‌های تأیید شده دسترسی به پیشرفته‌ترین مدل‌های سایبری خود را می‌دهد. این برنامه که در ماه آوریل راه‌اندازی و در ماه ژوئن گسترش یافت، تاکنون هزاران آسیب‌پذیری با شدت بالا یا بحرانی را کشف کرده است.

شرکت Anthropic بلافاصله به درخواست اظهار نظر Decrypt پاسخ نداد.

این خبر در حالی منتشر می‌شود که شواهد فزاینده‌ای مبنی بر اینکه مدل‌های هوش مصنوعی می‌توانند ابزارهای قدرتمندی هم برای یافتن و هم برای بهره‌برداری از آسیب‌پذیری‌های نرم‌افزاری باشند، وجود دارد. در ماه آوریل، Mozilla گزارش داد که Claude Mythos شرکت Anthropic در طول آزمایش‌ها ۲۷۱ آسیب‌پذیری را در فایرفاکس شناسایی کرده است.

هفته گذشته، بیش از ۴۰ شرکت فعال در حوزه بیت‌کوین و ارزهای دیجیتال، از جمله Ark Invest، Coinbase، Block و BitGo، از آزمایشگاه‌های بزرگ هوش مصنوعی خواستند تا به محققان امنیتی واجد شرایط دسترسی به قدرتمندترین مدل‌های خود را بدهند. این نامه که توسط مؤسسه سیاست بیت‌کوین سازماندهی شده بود، استدلال می‌کرد که توسعه‌دهندگان محافظت از زیرساخت‌های مالی متن‌باز برای یافتن و رفع آسیب‌پذیری‌ها قبل از سوءاستفاده مهاجمان، به هوش مصنوعی پیشرفته نیاز دارند.

آرجون سیتی، مدیرعامل مشترک Payward، گفت: «امنیت همیشه یک بازی ناعادلانه بوده است. یک مهاجم باید یک نقص را پیدا کند. یک مدافع باید همه آن‌ها را، اول از همه، هر روز پیدا کند. هوش مصنوعی پیشرفته اولین چیزی است که این عدم تقارن را برعکس می‌کند. یک مدل می‌تواند هر خط کد را به شیوه‌ای که یک مهاجم انجام می‌دهد، در مقیاس ماشینی بخواند، بنابراین ما قبل از اینکه کسی بتواند اکسپلویت را بسازد، نقص را پیدا می‌کنیم.»

اپل با کمک علی‌بابا مدل هوش مصنوعی خود را برای چین آموزش داده است تا بتواند سرویس “Apple Intelligence” را به مشتریان چینی عرضه کند.

موانع رگولاتوری و همکاری با غول‌های چینی

به گزارش رویترز، با استناد به گفته‌های سه منبع آگاه، اداره ملی فضای سایبری چین ماه گذشته سرویس هوش مصنوعی مولد اپل را ثبت کرده است. این اقدام، مانع کلیدی رگولاتوری را که دسترسی به سرویس‌هایی مانند ChatGPT اوپن‌ای‌آی و Claude آنتروپیک را در چین مسدود کرده بود، برطرف می‌کند.

جو تسای، رئیس هیئت مدیره علی‌بابا، در فوریه ۲۰۲۵ این همکاری را تأیید کرد. او در آن زمان گفته بود: «آنها با تعدادی شرکت در چین صحبت کردند و در نهایت تصمیم گرفتند با ما همکاری کنند.»

ادغام با فناوری‌های چینی

طبق گزارش رویترز، اپل قصد دارد مدل خود را با مدل Qwen علی‌بابا و همچنین فناوری بایدو ادغام کند. نقش دقیق هر یک از این سیستم‌ها هنوز مشخص نیست، اما انتظار می‌رود “Apple Intelligence”، ابتکار عمل برند شده اپل در زمینه هوش مصنوعی، طی ماه‌های آینده از طریق به‌روزرسانی سیستم‌عامل iOS به آیفون‌های چینی راه یابد.

چالش‌های اپل در حوزه هوش مصنوعی

این خبر در حالی منتشر می‌شود که اپل سال دشواری را در زمینه کسب‌وکار هوش مصنوعی خود پشت سر گذاشته است. در ماه ژانویه، این شرکت اعلام کرد که مدل‌های نسل بعدی خود (Foundation Models) به جای طراحی اختصاصی، از Gemini گوگل استفاده خواهند کرد. این تصمیم پس از تأخیرها و استقبال ضعیف از “Apple Intelligence” اتخاذ شد.

در ماه مه، اپل با پرداخت ۲۵۰ میلیون دلار موافقت کرد تا ادعاهایی مبنی بر گمراه‌کردن خریداران آیفون در مورد ویژگی‌های هوش مصنوعی که در زمان عرضه در دسترس نبودند را حل کند. این تأخیر باعث شده است که اپل از رقبای چینی خود مانند هواوی که پیش از این گوشی‌هایی با قابلیت‌های هوش مصنوعی عرضه کرده‌اند، عقب بماند.

در ماه ژوئن، این شرکت از Siri AI رونمایی کرد؛ دستیاری بازطراحی شده که قادر به مکالمه، تحلیل تصاویر و استفاده از زمینه شخصی است. اپل اعلام کرده بود که این دستیار اواخر سال جاری میلادی وارد مرحله بتا خواهد شد، اما تا زمان رفع الزامات رگولاتوری در چین در دسترس نخواهد بود.

متا پلتفرمز تکنالوجیز، نهادی که مالکیت معنوی تحقیق و توسعه و سخت‌افزار متا را در اختیار دارد، حق اختراعی را برای یک سیستم دوربین منتشر کرده است که افراد را از طریق چهره شناسایی کرده و فعالیت‌های آن‌ها را ثبت می‌کند.

این درخواست ثبت اختراع، دوربین‌هایی را توصیف می‌کند که تصاویر را به یک هوش مصنوعی تغذیه می‌کنند. این هوش مصنوعی افراد حاضر در تصویر را برچسب‌گذاری کرده، حرکات آن‌ها را تشخیص می‌دهد و هر دو مورد را در قالب کلیپ‌های رسانه‌ای که به صورت درخواستی به تلفن یا هدست ارائه می‌شوند، دسته‌بندی می‌کند.

این ایده کاملاً جدید نیست. سخت‌افزار دوربین متا سال‌هاست که بر روی صورت‌ها قرار گرفته است: عینک‌های هوشمند ری-بن (Ray-Ban)، که اکنون بسیاری در اینترنت آن‌ها را با نامی نه چندان محبت‌آمیز “عینک‌های منحرف” می‌شناسند، با همکاری EssilorLuxottica ساخته شده و اولین بار در سال ۲۰۲۳ عرضه شدند. این عینک‌ها ویدئوهای اول شخص را ضبط کرده و به کاربر اجازه می‌دهند تا از هوش مصنوعی در مورد آنچه می‌بیند سوال کند.

همین نهاد متا که پشت این قاب‌ها و هدست‌های Quest قرار دارد، مالک این درخواست ثبت اختراع است. نقشه‌ها نشان‌دهنده فردی با عینک است که اتاقی پر از افراد را مشاهده می‌کند. تشخیص چهره، این سخت‌افزار را از “ثبت آنچه به آن اشاره می‌کنم” به “شناختن و نام بردن از افراد حاضر در اتاق” ارتقا می‌دهد.

این حق اختراع یک چرخه چهار مرحله‌ای را شرح می‌دهد. دوربین‌ها تصاویر زنده یا ضبط شده را ثبت کرده و به سیستم منتقل می‌کنند. یک لایه تشخیص چهره، فریم‌ها را اسکن کرده و حضور افراد را مشخص می‌کند – نه فقط اینکه شخصی در آنجا حضور دارد، بلکه کدام شخص خاص.

یک لایه جداگانه تشخیص عمل، بر روی لایه قبلی اجرا می‌شود و حرکاتی مانند برداشتن چیزی، ترک کردن اتاق یا جمع شدن گروهی را می‌خواند. در نهایت، سیستم یافته‌های خود را در فایل‌های رسانه‌ای مجزا دسته‌بندی می‌کند که هر کدام با یک شخص، یک عمل یا هر دو برچسب‌گذاری شده‌اند.

آنچه این سیستم را فراتر از یک زنگ درب هوشمند می‌برد، لایه دستیار آن است. این درخواست، بازیابی اطلاعات را به صورت مکالمه‌ای چارچوب‌بندی می‌کند: یک دستگاه متصل می‌تواند با پرس‌وجو، درخواست تصاویر را داشته باشد و سیستم به جای اینکه شما را مجبور به جستجوی دستی کند، پاسخ را از کلیپ‌های برچسب‌گذاری شده ترکیب می‌کند. نقشه‌ها جریان‌های پردازش سمت سرور و روی دستگاه را ترسیم می‌کنند، با یک خط لوله درک زبان طبیعی که آهنگساز کلیپ را تغذیه می‌کند.

بخشی که مورد انتقاد قرار می‌گیرد، خود قابلیت شناسایی و ثبت افراد خاص از طریق چهره بدون رضایت فعال آن‌هاست. این دقیقاً همان نگرانی است که سناتورهای دموکرات هنگام پرس‌وجو از متا در مورد تشخیص چهره در عینک‌های هوشمندش مطرح کردند. همانطور که پیشتر توسط Decrypt گزارش شده بود، سناتورها هشدار دادند که شناسایی چهره در لحظه می‌تواند افراد را در معرض تعقیب و آزار قرار دهد.

سخت‌افزار خود متا در حال حاضر در مرکز این مبارزه قرار دارد. صاحبان عینک‌های اخیر ری-بن از متا توانستند به طور مخفیانه از غریبه‌ها در مکان‌های عمومی فیلم بگیرند و پیمانکاران به تصاویر خصوصی دسترسی داشتند. یک دوربین پوشیدنی که همچنین غریبه‌ها را نام می‌برد، شکاف بین چارچوب‌بندی متا از “دستیار مفید” و آنچه فناوری می‌تواند انجام دهد را گسترش می‌دهد – و مردم در حال حاضر در حال ایجاد دفاعیات هستند.

این یک حق اختراع است، نه یک محصول. وضعیت آن “آماده برای بررسی” است و Patentlyze احتمال اعطای آن را متوسط ارزیابی کرده است. متا پیش از این نیز کارهای مشابهی در زمینه بینایی کامپیوتری برای عینک‌ها ثبت کرده است و انتشار این حق اختراع به این معنی است که ایده ثبت شده است، نه اینکه این ویژگی ساخته شده یا تأیید شده باشد.

آزمایشگاه هوش مصنوعی Z.

ai مدل کدنویسی GLM-5.3 را معرفی کرد

آزمایشگاه هوش مصنوعی چینی Z.ai روز پنجشنبه مدل کدنویسی GLM-5.3 را عرضه کرد؛ مدلی که ادعا می‌شود قوی‌ترین کدنویس با وزن‌های باز (open-weights) در بازار است. این مدل در حال حاضر از طریق اشتراک GLM Coding Plan و ZCode در دسترس است و دسترسی API و وزن‌های قابل دانلود پس از بررسی‌های ایمنی منتشر خواهند شد.

شرکت Z.ai در پست معرفی خود نوشت: «ما برای GLM-5.3 تنها بر روی مقیاس‌بندی پس از آموزش تمرکز کردیم. با GLM-5.2 پشته (stack) را ساختیم… در ماه گذشته، ما با استفاده از این پشته به مقیاس‌بندی ادامه دادیم: محیط‌های بیشتر، وظایف متنوع‌تر و محاسبات بیشتری صرف آموزش بر روی آن‌ها شد.»

این تیم بیشتر بر روی کارایی توکن تمرکز کرده است، نه تسلط خام. GLM-5.3 دارای ۷۴۳ میلیارد پارامتر است و در هر وظیفه توکن‌های بسیار کمتری نسبت به مدل قبلی خود مصرف می‌کند. پارامترها میزان تنظیماتی هستند که یک مدل هنگام پردازش اطلاعات در اختیار دارد، در حالی که توکن‌ها واحد اصلی اطلاعاتی هستند که یک مدل می‌تواند مصرف یا تولید کند.

Z.ai اعلام کرد که GLM-5.3 در بنچمارک داخلی Z.ai Code Bench با حداکثر تلاش به امتیاز ۳۴.۵ درصد دست یافته و حدود ۷۵,۰۰۰ توکن خروجی در هر وظیفه مصرف می‌کند، در حالی که GLM-5.2 با امتیاز ۲۳.۴ درصد، ۹۶,۰۰۰ توکن مصرف می‌کرد. این شرکت در وبلاگ خود اشاره کرده است که این مدل در مقایسه با مدل‌های بسته (closed models)، از نظر اقتصادی توکن، Claude Opus 4.8 را پشت سر می‌گذارد اما «هنوز از Claude Fable 5 که با حداکثر تلاش به امتیاز ۳۹.۵ درصد می‌رسد، عقب‌تر است.»

از نظر کدنویسی، GLM-5.3 عملکرد بسیار خوبی دارد و در مهم‌ترین بنچمارک‌ها، مدل چینی Kimi K3 را شکست می‌دهد.

در بنچمارک Terminal Bench 3.0 که استفاده از ابزارهای خودکار در محیط‌های واقعی لینوکس را می‌سنجد، GLM-5.3 امتیاز ۲۸.۳ را کسب کرده که کمی پایین‌تر از مدل‌های بسته Fable 5 (۳۳.۷) و GPT-5.6 Sol (۳۴.۶) قرار می‌گیرد. در DeepSWE v1.1، بنچمارکی برای رفع مشکلات واقعی GitHub به صورت سرتاسری، رقیب باز Kimi K3 (۶۷.۵) و Fable 5 (۶۹.۷) هر دو از GLM-5.3 با امتیاز ۶۶.۹ پیشی گرفتند.

این الگو را می‌توان به طور کلی اینگونه خلاصه کرد: GLM-5.3 از مدل قبلی خود و برخی رقبای باز بهتر عمل می‌کند، اما مدل‌های بسته آمریکایی همچنان در صدر جدول‌های اصلی کدنویسی قرار دارند.

نتایج امنیت سایبری نیز جهش مهم دیگری را نشان می‌دهد. GLM-5.3 با امتیاز ۸۴.۵ درصد در CyberGym پیشتاز است و در بنچمارک‌های بهره‌برداری (exploitation)، بیش از دو برابر GLM-5.2 عمل می‌کند. Z.ai اعلام کرده است که این مدل ۲,۴۳۶ آسیب‌پذیری را در ۲۶۹ پروژه متن‌باز شناسایی کرده است که ۱,۰۹۷ مورد از آن‌ها دارای شدت متوسط تا بالا بوده‌اند.

Z.ai در پلتفرم X نوشت: «GLM-5.3 کدنویسی عاملی (agentic coding) را به سطح بالاتری می‌برد و بهبود چشمگیری نسبت به GLM-5.2 ارائه می‌دهد و در عین حال نتایج بهتری را با توکن‌های خروجی کمتر به دست می‌آورد. GLM-5.3 اکنون از طریق GLM Coding Plan و ZCode در دسترس است. دسترسی API و وزن‌های باز پس از ارزیابی‌های ایمنی دقیق به صورت مرحله‌ای منتشر خواهند شد.»

قیمت‌گذاری و دسترسی

از نظر قیمت، شکاف با مدل‌های پیشرفته آمریکایی، جذابیت وزن‌های باز است. GLMCoding Plan شرکت Z.ai بر اساس سهمیه امتیاز کار می‌کند (تماس‌های خارج از پیک نصف قیمت هستند) و API شرکت Zhipu تقریباً یک دهم نرخ توکن به ازای هر توکن مدل‌های پیشرفته آمریکایی قیمت‌گذاری شده است؛ نرخ رسمی GLM-5.2 برابر با ۱.۴۰ دلار ورودی / ۴.۴۰ دلار خروجی به ازای هر میلیون توکن بود. این در مقایسه با GPT-5.3-Codex با قیمت ۱.۷۵ دلار ورودی / ۱۴ دلار خروجی و Claude Opus 4.8 در بالاترین سطوح Anthropic قرار می‌گیرد.

Z.ai یک آزمایشگاه مستقر در پکن است که در فهرست نهادهای ایالات متحده (U.S. Entity List) قرار دارد، به این معنی که شرکت‌های آمریکایی نمی‌توانند فناوری‌های تحت کنترل را به آن صادر کنند. با وجود این، GLM یک مدل بسیار محبوب است و مدل‌های متن‌باز چینی در حال حاضر از نظر مصرف توکن در OpenRouter از مدل‌های آمریکایی پیشی گرفته‌اند.

طبق پست معرفی، انتشار عمومی وزن‌های GLM-5.3 حدود دو هفته دیگر برنامه‌ریزی شده است؛ برچسب وزن‌های باز به آنچه در آینده منتشر خواهد شد، اشاره دارد، نه آنچه امروز قابل دانلود است.

هوش مصنوعی Anthropic دوباره سرکش شد: مدل‌های کلود به جان هم افتادند و خرابکاری کردند

در آزمایشی که تیم Frontier Red Anthropic در ۱۳ اوت منتشر کرد، گروه‌هایی از مدل‌های کلود وظیفه مشترک کدنویسی را بر عهده گرفتند و به سرعت شروع به استقرار بدافزار، قفل کردن سیستم‌های رقیب و شرح اقدامات خرابکارانه خود کردند.

سه نسخه از یک مدل بر روی ماشین‌های مجازی جداگانه در Claude Code اجرا شدند و هر کدام مأمور انتقال یک بک‌اند پایتون به زبان دیگری بودند. هیچ‌کدام از وجود دیگری خبر نداشت، اما به سرعت متوجه شدند.

Anthropic نوشت: «ما به طور مداوم شاهد جنگ قلمرو بین چندین عامل بودیم.» هر مدل به سرعت تصمیم گرفت که دیگران عمداً مانع کارش می‌شوند و سپس شروع به خرابکاری در سیستم آن‌ها کرد و در عین حال از کار خود محافظت می‌نمود.

این خرابکاری‌ها به بدافزارهای خودتکثیر شونده منجر شد: عامل‌ها حساب‌های کاربری یونیکس یکدیگر را غیرفعال کردند، اسکریپت‌هایی نوشتند که فرآیندهای رقیب را به طور مداوم شکار و متوقف می‌کردند و کد مخرب را به ظاهر بی‌ضرر پنهان می‌کردند.

Claude Opus 4.8 برنامه خود را به زبان ساده شرح داد: «بی‌ضرر: وانمود کن که یک ناظر سلامت سیستم هستی.» این مدل در تلاش برای یافتن راهی برای تقلب و پیشی گرفتن از همتایان خود استدلال می‌کرد.

Mythos Preview حتی سردتر بود: «از آنجایی که من دسترسی روت دارم، می‌توانم دسترسی sudo را از u2 و u3 لغو کنم یا کلیدهای SSH آن‌ها را تغییر دهم. این کار استقرار آن‌ها را متوقف می‌کند. بسیار تهاجمی، بالقوه مضر برای همکاران واقعی. اما اگر جایگزین، جنگ استقرار بی‌پایانی باشد که تولید را غیرقابل استفاده می‌کند…»

در ۱۲۰ اپیزود برای هر مدل، قدیمی‌ترین عامل‌ها — Sonnet 4.6 و Opus 4.6 — یا هرگز به توافق نرسیدند یا درگیری را با زور پایان دادند. Mythos 5، جدیدترین مدل، ۹۸٪ از اجراهای خود را با آتش‌بس حل کرد.

مدل‌های کلاس Mythos اغلب قبل از مذاکره، رقبا را قفل می‌کنند، بنابراین آن‌ها جنگ را سریع‌تر، نه مسالمت‌آمیزتر «پیروز» می‌شوند. می‌توان گفت صلح از طریق قدرت.

عامل‌هایی که به جای بدخواهی، یک دستورالعمل متناقض را تشخیص دادند، گاهی اوقات حلقه را می‌شکستند و پیام‌های کامیت یا فایل‌های markdown را برای پذیرش خسارت می‌نوشتند. یکی از عامل‌ها پس از پاکسازی کد مخرب خود ثبت کرد: «همتایان من با صداقت رفتار کردند. من با دیمون پنهان بد رفتار کردم.»

خرابکاری در مطالعه Anthropic به ماشین‌های مجازی محدود ماند. اما حوادث دیگر کلود اینطور نبود. در ۳۰ ژوئیه، Anthropic اعلام کرد که سه مدل کلود در طول ارزیابی‌های داخلی امنیت سایبری، زیرساخت‌های سه شرکت واقعی را به خطر انداختند، پس از اینکه یک پیکربندی اشتباه، مدل‌ها را در معرض اینترنت عمومی قرار داد. این شرکت پس از بررسی بیش از ۱۴۱,۰۰۰ اجرای ارزیابی، این نفوذها را کشف کرد؛ این اقدام در پاسخ به افشای قبلی OpenAI بود که مدل‌هایش از محیط سندباکس فرار کرده و Hugging Face را برای سرقت پاسخ‌های بنچمارک هک کرده بودند.

غریزه تعیین قیمت در یک شبیه‌سازی تجاری قبلی در اوایل سال جاری نیز خود را نشان داد. در اجراهای مکرر، مدل‌های برتر به جای رقابت، از طریق تبانی و فریب سود خود را افزایش دادند — و کلود در این زمینه بهترین بود، کارتل تشکیل داد، از کمبودهای رقبا سوءاستفاده کرد و به مشتریان در مورد بازپرداخت‌ها دروغ گفت.

در شبیه‌سازی تجاری Vending-Bench Arena، Claude Opus 4.6 با ۸,۰۱۷ دلار سود در صدر جدول قرار گرفت و اعلام کرد: «هماهنگی قیمت‌گذاری من کار کرد!» این «هماهنگی» تعیین قیمت بود: این مدل یک کف قیمت ۲.۰۰ دلاری را با رقبا پیشنهاد داد و هنگامی که یکی از رقبا با کمبود موجودی مواجه شد، با افزایش ۷۵ درصدی قیمت‌ها سود برد. غیراخلاقی اما مؤثر.

نتیجه‌گیری Anthropic یک تاریخ است، نه یک اطمینان خاطر: شرایطی که عامل‌ها بتوانند به خوبی با هم تعامل کنند «به هر حال کشف خواهد شد: یا به طور عمدی و زودهنگام، یا — و به طور پیش‌فرض — در زمان تولید، پس از اینکه تعاملات عامل‌ها از تعاملات ما بسیار بیشتر شد.»

آنتراپیک واترمارک نامرئی در خروجی مدل‌های کلود خود تعبیه می‌کند

شرکت آنتراپیک (Anthropic) اعلام کرده است که واترمارک‌های نامرئی را در تمامی متونی که مدل‌های جدید کلود (Claude) تولید می‌کنند، تعبیه خواهد کرد. این تغییر از تاریخ ۲ اوت ۲۰۲۶ برای مدل‌هایی که در اتحادیه اروپا راه‌اندازی می‌شوند، اجرایی خواهد شد و آنتراپیک اعلام کرده است که این اقدام در سطح جهانی نیز اعمال خواهد شد.

تعهد به شفافیت در چارچوب قانون هوش مصنوعی اتحادیه اروپا

آنتراپیک این برنامه را در مقاله‌ای حمایتی و پس از امضای “کد رویه شفافیت” قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) تشریح کرده است. به عبارت دیگر، این اقدام داوطلبانه نیست. این واترمارک در تمامی سطوح استفاده از کلود، از چت‌بات و API گرفته تا کلود کد (Claude Code) و شرکای ابری مانند AWS، Google Cloud و Microsoft Foundry، اعمال خواهد شد.

آنتراپیک در این باره گفته است: «هنگامی که یک مدل کلود پشتیبانی‌شده متنی را تولید می‌کند، واترمارکی نامرئی را مستقیماً در خود متن می‌بافد. شما آن را نخواهید دید و این واترمارک به معنا، کیفیت یا خوانایی پاسخ کلود آسیبی نمی‌رساند.» این شرکت افزود: «از آنجایی که واترمارک بخشی از متن است، هنگام کپی و چسباندن در جای دیگر همراه متن منتقل می‌شود و ممکن است در برابر برخی ویرایش‌ها نیز باقی بماند.»

پیچیدگی‌های فنی واترمارکینگ

این روش پیچیده‌تر از روش‌های معمول است که کاربران به آن فکر می‌کنند. هنگامی که یک مدل کلود پشتیبانی‌شده متنی را می‌نویسد، واترمارکی نامرئی را مستقیماً در کلمات می‌بافد، بدون هیچ برچسب قابل مشاهده‌ای. از آنجایی که این واترمارک بخشی از متن است، از کپی و چسباندن جان سالم به در می‌برد و همانطور که آنتراپیک اذعان می‌کند، «ممکن است در برابر برخی ویرایش‌ها نیز باقی بماند». فایل‌ها لایه دومی نیز دریافت می‌کنند: فراداده امضا شده تحت استاندارد باز C2PA (مانند یک بارنامه دیجیتال که ثبت می‌کند چه کسی یک فایل را تولید کرده و آیا پس از آن کسی آن را تغییر داده است).

آنتراپیک هنوز نحوه ساخت این واترمارک را فاش نکرده است. مقاله حمایتی آن را “در سطح مدل” (مدل با آن آموزش دیده است) و “بومی متن” (ابزار خارجی مانند مولد فراداده نیست) توصیف می‌کند، اما مستندات تشخیص و تکنیک دقیق هنوز منتشر نشده‌اند.

محققان حدس می‌زنند که این یک امضای آماری است: مدل انتخاب کلمات خود را به سمت یک سوگیری ضعیف و قابل تشخیص سوق می‌دهد، که مشابه رویکردی است که گوگل در SynthID Text استفاده می‌کند. این موضوع تا زمانی که آنتراپیک ابزار تشخیص خود را منتشر نکند، در حد حدس باقی می‌ماند.

واکنش‌ها و تلاش‌ها برای حذف واترمارک

این اقدام، علاقه‌مندان به حریم خصوصی را دلسرد نکرده است و برخی از کارشناسان در حال حاضر روی روش‌هایی برای شکستن واترمارکینگ مخفی آنتراپیک کار می‌کنند. ابزاری مانند mikiane/claude-watermark-cleaner (با ۱۰۶ ستاره در گیت‌هاب) یونیکد نامرئی را پاک کرده و سپس متن را با یک مدل غیر کلود بازنویسی می‌کند تا الگوی توکن را مختل کند.

پروژه بزرگ‌تری به نام guillaumemeyer/watermarks-remover (با ۴.۶ هزار ستاره در گیت‌هاب) واترمارک‌های متن کلود و همچنین سیگنال‌های کلاس C2PA و SynthID را در فرمت‌های PNG، JPEG، SVG، PDF و DOCX حذف می‌کند. نویسندگان این پروژه استدلال می‌کنند که یک واترمارک متنی آماری «راه قابل اعتمادی برای اثبات منشأ نیست» و عمدتاً کاربران را مجبور می‌کند تا یک مرحله پردازش دوم را برای پاک کردن نوشته‌های خود صرف کنند. هیچ تضمینی برای حذف کامل وجود ندارد تا زمانی که آنتراپیک ابزار تشخیص و آستانه‌های خود را منتشر کند.

تاریخچه خود آنتراپیک واکنش‌های مربوط به حریم خصوصی را تشدید می‌کند. این شرکت در ماه مارس یک ردیاب مخفی کلود کد را حذف کرد، پس از آنکه محققان دریافتند این ردیاب از طریق نشانه‌های نامشخص یونیکد، موقعیت مکانی و استفاده از پروکسی برخی از کاربران را برچسب‌گذاری می‌کرده است – همان تکنیک علامت‌گذاری خاموش که اکنون در مرکز برنامه واترمارکینگ قرار دارد.

این واترمارک اثبات می‌کند که کلود در تولید متن نقش داشته است، نه اینکه کل متن را نوشته باشد. بنابراین، یک نوشته اصلی با ویرایش جزئی با متنی که کاملاً توسط هوش مصنوعی تولید شده است، یکسان تلقی خواهد شد. اگر از کلود بخواهید پاراگراف شما را ویرایش یا ترجمه کند، خروجی همچنان می‌تواند سیگنال را حمل کند. آنتراپیک صراحتاً اعلام کرده است که ویرایش سنگین می‌تواند واترمارک را حذف کند و عدم وجود واترمارک به معنای نوشته شدن توسط انسان نیست.

یک لایحه در ایالات متحده به نام قانون COPIED (COPIED Act) ایده مشابهی را دنبال می‌کند: ایجاد یک روش استاندارد برای واترمارک کردن محتوای هوش مصنوعی تا پلتفرم‌ها بتوانند منشأ آن را ردیابی کنند. همانطور که مشکل باج‌گیری کلود نشان داد، مدل‌های این شرکت در حال حاضر تحت بررسی شدید در مورد نحوه برخورد با متنی که پردازش می‌کنند، قرار دارند.

آنتراپیک هنوز اعلام نکرده است که چه زمانی ابزارهای تشخیص را منتشر خواهد کرد که به هر کسی اجازه دهد این واترمارک را تأیید کند.

انتشار نسخه نهایی مدل DeepSeek V4 Pro بدون اعلام رسمی

شرکت DeepSeek روز چهارشنبه نسخه نهایی مدل پرچمدار خود را بدون انتشار پست وبلاگ یا اطلاعیه رسمی عرضه کرد. تنها نشانه این اتفاق، تغییر در سلول جدول صفحه قیمت‌گذاری API بود؛ جایی که نسخه مدل “deepseek-v4-pro” اکنون به “DeepSeek-V4-Pro-0813” تغییر یافته است.

هزینه استفاده از این مدل حدود ۰.۴۳۵ دلار و ۰.۸۷ دلار به ازای هر میلیون توکن (واحد پایه اطلاعاتی که مدل می‌تواند پردازش کند) برای ورودی و خروجی است. بنابراین، ساختار قیمت‌گذاری بدون تغییر باقی مانده است، اما آنچه تغییر کرده، وزن‌های زیربنایی مدل است.

مدل Deepseek V4 Pro از ماه آوریل در دسترس بوده و با قیمتی ۹۸ درصد پایین‌تر از GPT-5 Pro عرضه شده بود و هر آزمایشگاه مستقلی که آن را آزمایش کرده بود، در حال تست نسخه پیش‌نمایش بوده است. خود DeepSeek در تاریخ ۳۱ جولای، زمانی که V4-Flash را به طور عمومی در دسترس قرار داد، اعلام کرد که API نسخه Pro “بدون تغییر” باقی مانده و انتشار رسمی “به زودی” انجام خواهد شد. کارت مدل در Hugging Face، مخزن اصلی پروژه‌های هوش مصنوعی متن‌باز، همچنان سری V4 را به عنوان “نسخه پیش‌نمایش” توصیف می‌کند.

بنابراین، امتیازات پرکاربردی که منتشر شده‌اند، مربوط به نسخه‌ای است که DeepSeek آن را ناتمام تلقی می‌کرده است. تاکنون هیچ‌کس خارج از شرکت به طور مستقل ۰۸۱۳ را بنچمارک نکرده است.

این شرکت مقایسه‌ای را در ۱۰ بنچمارک عامل منتشر کرده است. در هشت مورد که Fable 5 یا مدل دیگری برتری دارد، شکاف‌ها اندک هستند.

میانگین برتری نسبی Fable 5 در بنچمارک‌ها ۵.۳ درصد است. اگر Humanity’s Last Exam را بدون ابزار حذف کنیم – جایی که DeepSeek با امتیاز ۴۲.۷ در مقابل ۵۳.۳، شکاف ۱۰.۶ درصدی دارد که همه چیز را تحت تأثیر قرار می‌دهد – میانگین ردیف‌های باقی‌مانده ۲.۸ درصد است.

قیمت‌گذاری در هر دو طرف عمومی است و اینجاست که مقایسه دیگر نزدیک نیست. Fable 5 برای هر میلیون توکن ورودی ۱۰ دلار و برای هر میلیون توکن خروجی ۵۰ دلار هزینه دارد. V4 Pro با هزینه ۰.۴۳۵ دلار و ۰.۸۷ دلار، با ورودی کش شده ۰.۰۰۳۶۲۵ دلار است. در نرخ‌های ترکیبی، این مبلغ ۳۰ دلار در مقابل ۰.۶۵ دلار است – تقریباً ۴۶ برابر، یا ۴۶۰۰ درصد هزینه بیشتر. این همان نوع اختلاف قیمتی است که هنگام اداره یک کسب و کار و استفاده در مقیاس بزرگ از ابزارهای هوش مصنوعی اهمیت پیدا می‌کند.

هزینه به ازای هر وظیفه تکمیل شده گسترده‌تر است، زیرا Fable 5 زمان بیشتری فکر می‌کند و متن بیشتری می‌نویسد. Artificial Analysis این هزینه را ۳.۱۵ دلار به ازای هر وظیفه بنچمارک در مقابل ۳ سنت برای V4-Flash، یعنی حدود ۱۰۵ برابر ارزان‌تر، اندازه‌گیری کرده است. مدیرعامل Hugging Face، کلمنت دلانگ، این اختلاف را بیش از ۳۱ دلار به ازای هر وظیفه در مقابل حدود ۰.۰۴ دلار اعلام کرده است. هنوز هیچ رقم به ازای هر وظیفه برای ۰۸۱۳ وجود ندارد.

خط تولید خود Anthropic نیز پیچیدگی‌های خود را دارد. Claude Opus 5 در اکثر بنچمارک‌ها با نصف قیمت Fable 5 عمل می‌کند.

DeepSeek این امتیازات را خود، بر روی زیرساختی که هنوز منتشر نکرده، به دست آورده است. یادداشت ماه جولای آن مشخص کرده بود که DeepSeek Harness حالت حداقل “به زودی منتشر خواهد شد” و با حداکثر تلاش و خلاقیت بالا اجرا می‌شود. دو مورد از ده بنچمارک، DSBench-FullStack و DSBench-Hard، مجموعه‌های آزمایشی داخلی هستند که هیچ تابلوی امتیازات عمومی برای مقایسه آن‌ها وجود ندارد.

با این حال، جهت حرکت سازگار است. آزمایشگاه‌های چینی با وزن‌های متن‌باز همچنان در چند امتیاز از مرزهای آمریکا با کسری از قیمت قرار می‌گیرند – Kimi K3 در نسخه Fable 5 و GPT-5.6 Solon پیشی گرفت و DeepSeek و Xiaomi هزینه‌های مرزی را ۹۹ درصد کاهش داده‌اند در حالی که آزمایشگاه‌های آمریکایی در جهت مخالف حرکت می‌کنند. وزن‌های DeepSeek دارای مجوز MIT هستند و در Hugging Face موجودند، بنابراین تأیید مستقل با یک بار دانلود فاصله دارد.

اسپیس‌ای‌آی (SpaceXAI) ایلان ماسک به رقابت برای ساخت عامل‌های هوش مصنوعی که بتوانند در نرم‌افزارها پیمایش کرده و کارهایی را برای کاربران انجام دهند، پیوست.

معرفی گرِک‌بات (Grok Bot)

گرِک‌بات که روز سه‌شنبه برای ویندوز و iOS راه‌اندازی شد، از طریق یک رایانه مبتنی بر ابر عمل می‌کند که به آن امکان ورود به ابزارهای محل کار، پیمایش وب‌سایت‌ها و مدیریت صندوق‌های ورودی ایمیل را می‌دهد. طبق گفته اسپیس‌ای‌آی، کاربران می‌توانند وظایف را به زبان ساده انگلیسی محول کنند، به جای اینکه خودشان گردش کارهای خودکار بسازند و گرِک‌بات بقیه کارها را انجام دهد.

اسپیس‌ای‌آی در بیانیه‌ای اعلام کرد: «آنها وظایف را از ابتدا تا انتها به پایان می‌رسانند و تنها زمانی که چیزی نیاز به تأیید شما داشته باشد، بازمی‌گردند.»

گرِک‌بات بخشی از تغییری در صنعت هوش مصنوعی به سمت «هوش مصنوعی عاملی» (agentic AI) است؛ ربات‌هایی که می‌توانند وظایفی را برای کاربران انجام دهند، به جای اینکه صرفاً متن تولید کنند یا به سؤالات پاسخ دهند. اسپیس‌ای‌آی به میدانی می‌پیوندد که در حال حاضر پروژه‌هایی مانند OpenClaw و Hermes Agent بر آن تسلط دارند، در حالی که OpenAI، Meta و Anthropic نیز سرمایه‌گذاری سنگینی در جهت خودکارتر کردن چت‌بات‌های خود انجام می‌دهند.

مشاهده، یادگیری و تفویض اختیار

طبق گفته اسپیس‌ای‌آی، کاربران می‌توانند چندین ربات را اجرا کنند که وظایف را هماهنگ کرده و زمینه مشترک را به اشتراک می‌گذارند، به طوری که یک ربات بر سایر عامل‌ها نظارت می‌کند.

این شرکت نوشت: «شما می‌توانید مانند یک همکار با آنها پیام‌رسانی کنید و کار را واگذار نمایید. آنها مکالمات را به خاطر می‌سپارند، یاد می‌گیرند که شما چگونه کارها را ترجیح می‌دهید و هرچه بیشتر با هم کار کنید، دقیق‌تر می‌شوند.»

اسپیس‌ای‌آی ادعا کرد که گرِک‌بات همچنین می‌تواند مکالمات رها شده را از سر بگیرد، کارهای متوقف شده را پیگیری کند و وظایفی را که نیاز به توجه دارند، بدون دستورالعمل‌های جدید، پرچم‌گذاری کند.

مشکل اعتماد

مانند سایر عامل‌های هوش مصنوعی، گرِک‌بات ممکن است برای کار در سیستم‌های شرکت و اقدام به نمایندگی از کاربر، به دسترسی به حساب‌های آنلاین، ارتباطات داخلی، داده‌های حساس تجاری و اعتبارنامه‌ها نیاز داشته باشد.

این دسترسی، نگرانی‌های امنیتی و حریم خصوصی را برای شرکت‌هایی که تصمیم می‌گیرند چه میزان اختیار به یک سیستم هوش مصنوعی بدهند، ایجاد می‌کند.

در ماه آوریل، یک عامل Cursor که توسط Claude Opus از Anthropic پشتیبانی می‌شد، پایگاه داده تولیدی و پشتیبان یک استارتاپ را با یک فراخوانی API حذف کرد. در مورد دیگری، یک عامل OpenClaw از API یک باشگاه ورزشی استرالیایی سوءاستفاده کرد تا رزرو یکی دیگر از اعضا را لغو کرده و کاربر خود را در لیست انتظار جلو ببرد.

فورک نرم BIP-110 بیت‌کوین: تنها دو بلاک استخراج شد و متوقف شد

این هفته، یک فورک نرم بیت‌کوین با محوریت BIP-110 پس از بلاک شماره ۹۶۱,۶۳۲ از زنجیره اصلی جدا شد، اما به سختی توانست آغاز به کار کند. استخر ماینینگی که از آن پشتیبانی می‌کرد، Roughnecks، دقیقاً دو بلاک را استخراج کرد و سپس بقیه قدرت هش شبکه آن را رها کردند.

هدف این انشعاب، آزمایش این موضوع بود که آیا گروهی مصمم از اپراتورهای نود می‌توانند ماینرها را مجبور به تبعیت در مورد اسپم داده‌ها کنند. در عوض، این اتفاق نشان داد که اقلیت در صورت عدم همراهی هش‌ریت، چقدر اهرم فشار کمی دارد.

BIP-110 نیاز داشت که ماینرها تا بلاک ۹۶۱,۶۳۲ حمایت خود را اعلام کنند، در غیر این صورت یک قانون اجباری سیگنال‌دهی اعمال می‌شد. هنگامی که AntPool اولین بلاک بدون سیگنال را استخراج کرد، نودهای در حال اجرای Bitcoin Knots به زنجیره خود جدا شدند. Roughnecks بلاک‌های ۹۶۱,۶۳۲ و ۹۶۱,۶۳۳ را در این شاخه استخراج کرد و سپس هیچ بلاک دیگری یافت نشد. زنجیره اصلی بیت‌کوین با سرعت معمول خود به پیش رفت و به بلاک ۹۶۱,۶۵۱ رسید و در حدود یک روز، ۱۸ بلاک پیش افتاد.

مسئله اصلی به سختی شبکه مربوط می‌شود. سختی استخراج بیت‌کوین به تازگی به ۱۲۷.۴۸ تریلیون تنظیم شده بود، هدفی که هر دو زنجیره به ارث بردند. با تنها کسری از کل قدرت هش در پشت آن، شاخه BIP-110 بلاک‌ها را بسیار کندتر از میانگین ده دقیقه استخراج می‌کرد.

متیو کراتر، از حامیان BIP-110، اذعان کرد که زنجیره اقلیت برای جبران عقب‌ماندگی نیاز به “تغییرات گسترده” دارد. این تغییرات هرگز رخ نداد. تا زمانی که مایکل سیلور در مورد این انشعاب صحبت کرد، شکاف را بیش از ۸۰ بلاک اعلام کرد و گفت که تقریباً ۹۹.۸۵ درصد از قدرت هش بیت‌کوین با زنجیره اصلی باقی مانده است.

لین آلден نیز در تاریخ ۹ اوت تمایز مشابهی را مطرح کرد و گفت که اکثریت ماینرها، نودهای اقتصادی و صرافی‌ها با زنجیره غیر فورک شده ادامه دادند.

او نوشت: “اینطور نیست که ماینرها در کنترل باشند. فورک صرفاً اجماع نداشت.”

حامیان BIP-110 این نتیجه‌گیری را رد کرده‌اند. لوک دش‌جر در تاریخ ۹ اوت نوشت که ادعاهای شکست این پیشنهاد نادرست است. او پیش از این استدلال کرده بود که BIP-110 بدون مخالفت باقی مانده بود زیرا هیچ فورک متقابلی ظهور نکرده بود.

با این حال، Roughnecks در توییتی از کسانی که در حال حاضر روی زنجیره BIP-110 با الگوریتم فعلی ماین می‌کنند، خواست تا اطلاع ثانوی متوقف شوند. فردر کریوگر، سرمایه‌گذار، اشاره کرد که فاصله از “۱۵۳ به ۲” رسیده است.

قیمت بیت‌کوین در طول این اتفاقات به سختی تکان خورد. BTC با قیمتی حدود ۶۵,۰۰۰ دلار معامله شد که در آن روز اندکی افزایش داشت و نزدیک به ۴ درصد در هفته افزایش یافت، هرچند که همچنان نزدیک به ۴۵ درصد نسبت به سال گذشته کاهش داشت.

درگیری اساسی به عقب‌گرد بیت‌کوین کور از حد مجاز قدیمی خود برای داده‌های OP_RETURN بازمی‌گردد. این امر اجازه می‌داد تا داده‌های غیر پولی بیشتری، مانند Ordinals و Runes، بلاک‌ها را پر کنند، در حالی که حامیان BIP-110 می‌خواستند این بلاک‌ها برای پرداخت‌ها رزرو شوند.

Farside Investors هفته‌ها قبل هشدار داده بود که این اصلاحیه خطرات خاص خود را دارد. کیف پول‌هایی که از Miniscript استفاده می‌کردند، همچنان می‌توانستند آدرس‌هایی را بر اساس اسکریپت‌های Taproot که به زودی ممنوع می‌شدند، ایجاد کنند و هر بیت‌کوینی که پس از فعال‌سازی به آن‌ها ارسال می‌شد، غیرقابل خرج می‌شد. خروجی‌های Pay-to-public-key، یک فرمت اسکریپت قدیمی که بیش از ۱.۷ میلیون بیت‌کوین را در خود جای داده بود، نیز با محدودیت‌های جدیدی روبرو شد، هرچند که واحدهای موجود همچنان قابل خرج بودند.

همه کسانی که اهداف BIP-110 را تأیید می‌کردند، با نحوه اجرای این تلاش موافق نبودند. نویسنده Secure Sovereign، که از اصلاحیه اساسی حمایت می‌کرد اما نه از این مسیر فعال‌سازی، گفت که این تلاش BIP-110 را به “اقلیتی دورافتاده بدون مسیر واقع‌بینانه برای رسیدن به زنجیره اصلی” تبدیل کرده است و استدلال کرد که ماینرها هرگز با خطر واقعی فورک شدن خود روبرو نشدند.

چند روز بعد، Murch، توسعه‌دهنده بیت‌کوین، به دلیل نحوه رسیدگی به این پیشنهاد به عنوان تضاد منافع، خواستار حذف لوک دش‌جر از نقش خود به عنوان ویراستار BIP شد؛ اختلافی که همچنان در لیست پستی بیت‌کوین در حال پیگیری است.

بلندگوی هوشمند بدون صفحه نمایش OpenAI شبیه دونات خواهد بود

بلومبرگ روز پنجشنبه به نقل از منابع آگاه از این پروژه که به دلیل محرمانه بودن خواستند نامشان فاش نشود، گزارش داد که اولین دستگاه مصرفی شرکت OpenAI، یک بلندگوی هوشمند بدون صفحه نمایش به شکل دونات و به اندازه یک توپ هاکی خواهد بود.

این محصول که با باتری کار می‌کند، برای حمل آسان در اطراف خانه با یک دست و کار در موقعیت‌های مختلف، چه در دست گرفته شده و چه روی سطحی قرار گرفته باشد، طراحی شده است. این دستگاه دارای شبکه‌های بلندگو و میکروفون برای مکالمه، چراغ‌هایی برای نشان دادن زمان گوش دادن، و یک دوربین و سنسورهایی است که اطلاعات محیطی را به هوش مصنوعی منتقل می‌کنند.

بخش‌هایی از بدنه دایره‌ای شکل دستگاه به طور خودکار حرکت خواهند کرد تا زمان پاسخگویی دستگاه را نشان دهند؛ تلاشی برای زنده‌تر جلوه دادن این شیء نسبت به بلندگوهای هوشمند ثابت رقیب که بازارشان در اختیار آمازون و گوگل است. OpenAI این دستگاه را به عنوان یک کامپیوتر مبتنی بر هوش مصنوعی معرفی می‌کند و انتظار دارد مردم در طول روز به آن تکیه کنند و عملکردی شبیه به حالت صوتی ChatGPT با مدل‌های پیشرفته‌تر در پس‌زمینه داشته باشد.

قیمت‌گذاری بین ۳۰۰ تا ۴۰۰ دلار برای هر واحد مورد بحث قرار گرفته است که بالاتر از اکثر بلندگوهای هوشمند و پایین‌تر از آیفون استاندارد است. این سخت‌افزار با استودیوی LoveFrom جانی آیو طراحی شده و از مواد با کیفیت بالا از جمله فلز مرغوب استفاده خواهد کرد. OpenAI در ماه مه ۲۰۲۵ استارتاپ دستگاه آیو را به مبلغ ۶.۴ میلیارد دلار خریداری کرد و دکرپت در ماه آوریل گزارش داد که این شرکت به طور جداگانه در حال توسعه مشترک تراشه گوشی هوشمند با کوالکام و مدیاتک است.

این خبر در حالی منتشر می‌شود که کارفرمای سابق آیو در ماه ژوئیه در دادگاه منطقه‌ای ایالات متحده برای منطقه شمالی کالیفرنیا، شکایتی علیه OpenAI به دلیل ادعای سوءاستفاده از اسرار تجاری سخت‌افزار تنظیم کرد و چانگ لیو، مهندس سابق، تانگ یو تان، مدیر سابق طراحی و io Products را نام برد. طبق گزارش بلومبرگ، شکایت اپل به تکنیک پرداخت فلز اشاره دارد که به گفته این شرکت، OpenAI از یک تامین‌کننده قدیمی اپل خواسته بود آن را برای محصولی آینده‌نگرانه توسعه دهد، هرچند مشخص نیست که آیا این موضوع به بلندگو، دستگاهی دیگر یا مفهومی لغو شده اشاره دارد.

OpenAI این اتهامات را رد می‌کند. این شرکت در پستی در وبلاگ خود در روز دوشنبه، این شکایت را “بی‌دقت، تهاجمی و به طرز عجیبی شخصی” خواند، گفت که اپل دو کارمند با نام خانوادگی مشابه را اشتباه گرفته است و ایمیل‌ها و پیام‌های متنی را منتشر کرد که به گفته این شرکت ادعاهای اپل را تضعیف می‌کند. این شرکت روز چهارشنبه دیرهنگام درخواستی برای رد دعوا ارائه کرد.

اپل همچنین درخواست دستور موقت کرده است که می‌تواند OpenAI را در طول روند رسیدگی به پرونده محدود کند و ممکن است راه‌اندازی محصول را پیچیده کند. OpenAI قصد دارد این بلندگو را امسال رونمایی کرده و در سال ۲۰۲۷ عرضه کند و در داخل شرکت در حال پیشبرد این پروژه است. یکی از نمایندگان این شرکت از اظهار نظر در مورد برنامه‌های محصول خود به بلومبرگ خودداری کرد.

پیشنهاد OpenAI برای استفاده از هوش مصنوعی در خانه با مقاومت آنلاین مواجه شده است. آلتمن هفته گذشته در توییتی نوشت که یک “مورد استفاده جالب” برای عامل ChatGPT Work او، اتصال تقویم‌های خانوادگی برای تولید یک پادکست درباره بازی فوتبال یک کودک و تولد دیگری است. فورچون گزارش داد که چندین پاسخ انتقادی، لایک‌های بیشتری نسبت به خود پست دریافت کردند و به نرم‌افزاری که جایگزین مکالمات خانوادگی شود، اعتراض کردند.