Tag: نوآوری فناوری

امروز Claude Opus 5 عرضه شد. این مدل برای کسب‌وکارها ارزان‌تر از مدل پیشرو Anthropic، یعنی Claude Fable 5، تمام می‌شود؛ مدلی که این شرکت آن را به عنوان محصول پیشرفته روزمره برای کاربران پولی معرفی کرده بود. علاوه بر این، Opus 5 در معیارهای مهم نیز از آن پیشی می‌گیرد.

برای درک جایگاه Opus 5: خط تولید Anthropic چهار سطح دارد. Haiku سریع و ارزان است. Sonnet در رده میانی قرار دارد. Opus نیز ابزار قدرتمند و سنگین است. بالاتر از آن، کلاس Mythos قرار دارد؛ سطحی که Anthropic در بهار امسال معرفی کرد و شامل Claude Fable 5 برای عموم و Claude Mythos 5، نسخه‌ای با محدودیت‌های کمتر که از طریق Project Glasswing برای محققان امنیت سایبری تأیید شده و اپراتورهای زیرساخت‌های حیاتی رزرو شده است، می‌شود.

Fable 5 دوران پر فراز و نشیبی را به عنوان پرچمدار مشترکین خود داشته است. این مدل در ۹ ژوئن عرضه شد، سه روز بعد به دلیل صدور دستور کنترل صادرات اضطراری توسط دولت ایالات متحده با استناد به آسیب‌پذیری “جیلبریک” در سراسر جهان جمع‌آوری شد و در ۳۰ ژوئن بازگشت؛ اما بلافاصله به مدلی صرفاً مبتنی بر اعتبار (credits) تغییر یافت و دیگر در طرح‌های استاندارد گنجانده نشد. Opus 5 اکنون جایگاهی را پر می‌کند که Fable 5 نتوانست آن را حفظ کند.

Lovable، یک پلتفرم توسعه‌دهنده با میلیون‌ها کاربر، Opus 5 را در ارزیابی‌های داخلی خود اجرا کرد و خاطرنشان ساخت که پیشرفت‌ها فراتر از امتیازات خام است: فابیان هدین در بیانیه‌ای که توسط Anthropic به اشتراک گذاشته شد، گفت: “این مدل نه تنها در سخت‌ترین وظایف کدنویسی عامل‌محور ما، با ۲۲ درصد بهبود نسبت به Opus 4.7، بهتر عمل می‌کند، بلکه پایدارتر است و واریانس بسیار کمتری در اجرای متوالی دارد.”

ممکن است عجیب به نظر برسد، اما Opus در تقریباً تمام مواردی که برای کاربر روزمره اهمیت دارد، از Fable بهتر عمل می‌کند، در حالی که مانند Fable برچسب کلاس Mythos را ندارد.

در Frontier-Bench v0.1، معیاری که توانایی عاملان کدنویس هوش مصنوعی را در تکمیل وظایف مهندسی نرم‌افزار واقعی از ابتدا تا انتها می‌سنجد و بر اساس درصد وظایف انجام شده امتیازدهی می‌شود، Opus 5 به امتیاز ۴۳.۳ درصد دست یافت. Fable 5 با ۳۳.۷ درصد در رده بعدی قرار گرفت. GPT-5.6 Sol از OpenAI، رقیب تجاری اصلی Anthropic، امتیاز ۳۴.۴ درصد را کسب کرد.

بیشترین اختلاف در ARC-AGI-3 مشاهده شد، آزمونی برای حل مسئله واقعی که بر اساس پازل‌های جدیدی ساخته شده که یک مدل نمی‌توانسته از داده‌های آموزشی خود حفظ کند و بر اساس درصد پازل‌های حل شده امتیازدهی می‌شود. Opus 5 به امتیاز ۳۰.۲ درصد رسید؛ GPT-5.6 Sol امتیاز ۷.۸ درصد را کسب کرد؛ و Fable 5 اصلاً مورد آزمایش قرار نگرفت. در GDPval-AA v2، یک معیار کاری دانش‌محور که از طریق رتبه‌بندی Elo، سیستم رتبه‌بندی شطرنج‌مانند برای سنجش عملکرد نسبی در وظایف حرفه‌ای واقعی، امتیازدهی می‌شود، Opus 5 به امتیاز ۱۸۶۱ در مقابل ۱۷۴۷ برای Fable 5 و ۱۷۳۶ برای GPT-5.6 Sol دست یافت.

Zapier، Opus 5 را در AutomationBench، ارزیابی که می‌سنجد آیا یک مدل می‌تواند یک گردش کار کامل تجاری را بدون کمک انسان از ابتدا تا انتها انجام دهد، آزمایش کرد. نتیجه‌گیری آن‌ها: این مدل “یک صفحه گسترده خام سلامت حساب را گرفت و یک دنباله کامل پیشگیری از ریزش را از ابتدا تا انتها اجرا کرد: شناسایی حساب‌های در معرض خطر، هشدار دادن به مالک مربوطه و خلاصه‌سازی برای عملیات حفظ مشتری. مدل‌های قبلی موفق به انجام این کار نشدند؛ Opus 5 به امتیاز ۱۰۰ درصد دست یافت.”

Anthropic همچنین Opus 5 را به عنوان یک ارتقاء تحقیقاتی معرفی می‌کند. Ultima Genomics، یک شرکت توالی‌یابی DNA، اعلام کرد که این مدل “بیشتر شبیه یک دانشمند دقیق عمل می‌کند تا هر مدل دیگری که ما اجرا کرده‌ایم. این مدل برای یافتن آزمون‌های آماری مناسب برای رد کردن عوامل مخدوش‌کننده تلاش می‌کند، نتایج خود را با روش‌های مستقل بررسی می‌کند و در طول تحلیل‌های طولانی چند مرحله‌ای در مسیر خود باقی می‌ماند.”

با این حال، این دو حوزه – حقوقی و بهداشت – تنها مواردی هستند که Fable 5 با اختلاف جزئی در آن‌ها برتری دارد.

این عرضه یک هفته پس از آن صورت می‌گیرد که Moonshot AI، یک استارتاپ مستقر در پکن با حمایت Alibaba، از Kimi K3 رونمایی کرد؛ یک مدل با وزن باز ۲.۸ تریلیون پارامتری (به این معنی که هر کسی می‌تواند کد زیربنایی را برای اجرای مستقل آن دانلود کند) که Moonshot آن را بزرگترین سیستم هوش مصنوعی باز جهان توصیف می‌کند. معیارهای مستقل به طور مداوم Kimi K3 را در رتبه سوم کلی قرار می‌دهند، پس از Fable 5 و GPT-5.6 Sol، اما در زمینه‌های خاصی از این دو پیشی می‌گیرد.

Opus 5 اکنون از طریق API با قیمت ۵ دلار به ازای هر میلیون توکن ورودی و ۲۵ دلار به ازای هر میلیون توکن خروجی در دسترس است. (توکن‌ها واحد پایه اطلاعاتی هستند که یک مدل هوش مصنوعی می‌تواند در ورودی و خروجی پردازش کند). حالت Fast که با سرعتی تقریباً ۲.۵ برابر سرعت پیش‌فرض اجرا می‌شود نیز با دو برابر قیمت پایه – ۱۰ دلار به ازای هر میلیون توکن ورودی و ۵۰ دلار به ازای هر میلیون توکن خروجی – در دسترس است.

این عرضه ممکن است به اضطراب ناشی از عدم دسترسی عمومی Fable 5 پایان دهد. Opus همچنین از طریق اشتراک برای همه در دسترس است.

بیست و پنج شرکت به واشنگتن اعلام کردند که مدل‌های هوش مصنوعی متن‌باز را رها کنند. انویدیا، مایکروسافت، متا، آندرسن هورویتز، هاگینگ فیس، آی‌بی‌ام، دل و ۱۸ شرکت دیگر نامه‌ای را که روز جمعه منتشر شد و “وزن‌های باز و رهبری هوش مصنوعی آمریکا” نام دارد، امضا کردند. استدلال آن‌ها این است که محدود کردن مدل‌های متن‌باز، ایالات متحده را محافظت نخواهد کرد، بلکه بازار هوش مصنوعی را به مشتی آزمایشگاه بسته واگذار خواهد کرد.

مدل‌های با وزن باز، سیستم‌های هوش مصنوعی هستند که “وزن‌های” زیربنایی آن‌ها – میلیاردها عددی که نحوه پاسخ‌دهی مدل را تعیین می‌کنند – به صورت رایگان منتشر می‌شوند. هر کسی می‌تواند آن‌ها را دانلود کند، روی سرورهای خود اجرا کند و آن‌ها را اصلاح کند. این برخلاف مدل‌های بسته مانند GPT اوپن‌ای‌آی یا کلود آنتروپیک است که فقط از طریق اپلیکیشن یا API پولی یک شرکت اجرا می‌شوند.

این نامه خط مستقیمی به جنبش نرم‌افزار متن‌باز دهه ۱۹۸۰ می‌کشد و استدلال می‌کند که هوش مصنوعی به یک دوراهی مشابه رسیده است. در این نامه آمده است: “رهبری هوش مصنوعی ما نه با یک مدل پیشرفته هوش مصنوعی، بلکه با این سنجیده خواهد شد که آیا ایالات متحده یک اکوسیستم قوی و باز می‌سازد که به هر بخش نفوذ کند.”

جنسن هوانگ، مدیرعامل انویدیا، این نامه را در اولین پست خود در X به اشتراک گذاشت. او نوشت: “هوش مصنوعی هر صنعتی را متحول خواهد کرد، به هر شرکتی نیرو می‌بخشد و توسط هر کشوری ساخته خواهد شد. مدل‌های باز، ایمنی و امنیت سایبری را تقویت می‌کنند، نوآوری و انتشار را تسریع می‌بخشند و حاکمیت را امکان‌پذیر می‌سازند.” ساتیا نادلا، مدیرعامل مایکروسافت نیز آن را منتشر کرد و مدل‌های باز را “ضروری برای یک اکوسیستم سالم هوش مصنوعی” و در عین حال محافظ امنیت ملی خواند.

اولین پست من، نامه‌ای را که @NVIDIA امضا کرده است، درباره اهمیت مدل‌های باز به اشتراک می‌گذارم.

هوش مصنوعی هر صنعتی را متحول خواهد کرد، به هر شرکتی نیرو می‌بخشد و توسط هر کشوری ساخته خواهد شد.
مدل‌های باز، ایمنی و امنیت سایبری را تقویت می‌کنند، نوآوری و انتشار را تسریع می‌بخشند و حاکمیت را امکان‌پذیر می‌سازند. … pic.twitter.com/t02bi51N4C
— جنسن هوانگ (@JensenHuang) ۲۴ ژوئیه ۲۰۲۶

این زمان‌بندی درست پس از اتفاقی ناخوشایند برای شرکت‌های هوش مصنوعی آمریکایی رخ می‌دهد که ترجیح می‌دهند آن را فراموش کنند. اوپن‌ای‌آی اعتراف کرد که عاملان هوش مصنوعی خودشان به سیستم‌های هاگینگ فیس نفوذ کرده‌اند و آن را حمله‌ای بی‌سابقه خواندند. هنگامی که هاگینگ فیس، که بزرگترین مخزن هوش مصنوعی متن‌باز جهان را میزبانی می‌کند، برای تحقیق از مدل‌های بسته آمریکایی استفاده کرد، فیلترهای امنیتی این ابزارها نتوانستند یک محقق امنیتی را از مهاجم تشخیص دهند. بنابراین این شرکت به جای آن، GLM 5.2، یک مدل چینی با وزن باز را به صورت محلی اجرا کرد و از آن برای ردیابی نفوذ استفاده کرد.

این حادثه، مبارزه‌ای را که در حال حاضر در دولت در جریان است، پیچیده می‌کند. گزارش شده است که دولت ترامپ ممنوعیت مدل‌های با وزن باز چینی را پس از آنکه Kimi K3 شرکت Moonshot AI، یک مدل ۲.۸ تریلیون پارامتری، سهام تراشه را متزلزل کرد و در برخی معیارها از Claude Fable 5 پیشی گرفت، بررسی کرده است. همه در صنعت هوش مصنوعی نیز خواهان پیروزی گشودگی نیستند. چند روز پس از راه‌اندازی Kimi K3، رئیس آینده‌های استراتژیک اوپن‌ای‌آی، دین بال، در X نوشت که دنیایی که تحت سلطه مدل‌های با وزن باز باشد، به “کمونیسم کامل هوش مصنوعی” منجر می‌شود و آن را “یک چشم‌انداز جهنمی دیستوپیایی” خواند.

این نامه مستقیماً با این چارچوب مقابله می‌کند: “گشودگی ممکن است یکی از مهم‌ترین مسیرها به سوی ایمنی و امنیت هوش مصنوعی باشد.” همچنین خطی را در مورد تقطیر، یعنی تمرین آموزش یک مدل با استفاده از خروجی‌های مدل دیگر، ترسیم می‌کند و آن را یک تکنیک مشروع به جای سرقت می‌خواند که شایسته “چارچوب‌های قانونی و تجاری هدفمند” به جای ممنوعیت‌های فراگیر است.

در این نامه آمده است: “تقطیر، یا تمرین استفاده از خروجی‌های یک مدل برای کمک به آموزش یا بهبود مدل دیگر، یک تکنیک پرکاربرد برای بهبود، ارزیابی و اعتبارسنجی مدل است. این نشان‌دهنده سنت طولانی یادگیری از فناوری‌های موجود، ساختن بر روی آن‌ها و بهبود آن‌ها است، سنتی که از زمان ظهور جنبش نرم‌افزار متن‌باز به پیشبرد نوآوری کمک کرده است.”

“در مقابل، تلاش‌های غیرقانونی برای استخراج ارزش از مدل‌های بسته نگرانی‌های مشروعی را ایجاد می‌کند. این نگرانی‌ها باید از طریق چارچوب‌های قانونی و تجاری هدفمند و نه محدودیت‌های گسترده بر تکنیک‌هایی که نقش مهمی در نوآوری هوش مصنوعی ایفا می‌کنند، برطرف شوند.”

این دقیقاً همان استدلالی است که به نظر می‌رسد دولت ترامپ برای توجیه ممنوعیت مدل‌های چینی متن‌باز در حال بررسی آن است.

قابل توجه است که اوپن‌ای‌آی و آنتروپیک، دو آزمایشگاه مدل بسته که هر دو گزارش شده است امسال برای عرضه اولیه سهام آماده می‌شوند، در میان ۲۵ امضاکننده غایب بودند.

بلک فارست لبز روز پنجشنبه FLUX 3 را عرضه کرد و برای اولین بار، مدل پرچمدار این شرکت به جای تولید صرفاً تصاویر ثابت، ویدئو تولید می‌کند. این آزمایشگاه هوش مصنوعی آلمانی که به خاطر خط تولید مولدهای تصویر FLUX شناخته شده است، سیستم جدید را بر روی تصاویر، ویدئو و صدا به طور همزمان و در یک سیستم مشترک آموزش داده است.

این همان چیزی است که به عنوان چندوجهی بودن (multimodality) شناخته می‌شود: یک مدل که انواع مختلفی از اطلاعات را با هم یاد می‌گیرد، به جای ابزارهای جداگانه‌ای که در کنار هم قرار گرفته‌اند.

بخش ویدئو، ویژگی اصلی است. FLUX 3 کلیپ‌هایی تا طول ۲۰ ثانیه تولید می‌کند که صدا همراه با تصویر تولید شده و با آنچه در صفحه اتفاق می‌افتد همگام‌سازی می‌شود – دیالوگ، جلوه‌های صوتی، نویز محیطی. در ارزیابی‌های اولیه، بازبینان انسانی در ۷۷ درصد از مقایسه‌های رو در رو، خروجی FLUX 3 را بر Runway Gen-4.5 ترجیح دادند و در ۹۳ درصد موارد بر Luma Ray 3.2. به نظر می‌رسد این مدل کمی بهتر از Gemini Omni و Seedance عمل می‌کند و در ۵۲ درصد از ارزیابی‌ها این مدل‌ها را شکست می‌دهد.

البته، این یک آزمون ترجیحی است، نه یک معیار امتیازدهی ثابت: ارزیابان به سادگی دو کلیپ را تماشا می‌کنند و یکی را که قانع‌کننده‌تر به نظر می‌رسد و صدا دارد، انتخاب می‌کنند و BFL تعداد دفعاتی را که FLUX 3 برنده می‌شود، می‌شمارد.

علاوه بر این، این مدل به نظر می‌رسد در تصاویر ثابت نیز بسیار تواناست و میراث خود را دنبال می‌کند. BFL چند تصویر به اشتراک گذاشته است و FLUX 3 به نظر می‌رسد بسیار همه‌کاره و قادر به تولید طیف گسترده‌ای از سبک‌ها فراتر از فوتورئالیسم است.

BFL این را بیش از یک ابزار محتوا معرفی می‌کند. رابین رومباخ، هم‌بنیان‌گذار و مدیرعامل، گفت: «مدلی که فقط تصاویر را یاد می‌گیرد، فقط می‌تواند تصاویر تولید کند.» شرط‌بندی این شرکت این است که یادگیری پیش‌بینی ویدئو به معنای یادگیری فیزیک زیربنایی آن – وزن، تماس، زمان‌بندی – است، که دقیقاً همان چیزی است که یک ماشین برای حرکت در دنیای فیزیکی نیاز دارد.

این شرط‌بندی نامی دارد: FLUX-mimic. این سیستم که با همکاری mimic robotics مستقر در زوریخ ساخته شده است، موتور پیش‌بینی ویدئوی FLUX 3 را گرفته و یک «رمزگشا» (decoder) سبک وزن اضافه می‌کند – یک جزء الحاقی کوچک که حس درونی مدل از نحوه حرکت اشیاء را به حرکات واقعی ربات ترجمه می‌کند. شرکت خودروسازی Audi در حال حاضر در حال آزمایش آن بر روی وظایفی مانند نصب درزگیرهای درب انعطاف‌پذیر است، کاری که اتوماسیون متعارف در انجام آن با مشکل مواجه بوده است.

استفان-دنیل گراورت، هم‌بنیان‌گذار mimic، گفت: «Audi نماینده نوع شریک تولیدی است که ما FLUX-mimic را برای آن ساختیم.» کریستوف اشنایدر از Audi گفت که ربات‌ها اکنون «کارهای پیچیده دستکاری اجسام نرم را حل می‌کنند» که ماشین‌های قدیمی‌تر قادر به انجام آن نبودند. BFL می‌گوید کل سیستم در حدود ۱۰۱ میلی‌ثانیه واکنش نشان می‌دهد، که در محدوده بازتاب‌های بصری انسان قرار دارد.

ظهور FLUX در خلاء اتفاق نیفتاد. بلک فارست لبز که در اوت ۲۰۲۴ توسط محققان باتجربه‌ای که به ساخت مدل‌های اصلی Stable Diffusion در Stability AI کمک کرده بودند، تأسیس شد، مدل‌های Flux را عرضه کرد که از MidJourney پیشی گرفتند و Stable Diffusion 3 ناامیدکننده خود Stability را پشت سر گذاشتند.

مدل‌های متن‌باز Flux Dev و Schnell عنوان «بهترین مولد تصویر متن‌باز» را به دست آوردند که هنرمندان هوش مصنوعی انتظار داشتند Stable Diffusion 3.5، نسخه بازنگری شده Stability، در نهایت آن را پس بگیرد.

این اتفاق هرگز رخ نداد. FLUX 1.1 Pro در اکتبر همان سال در صدر مسابقات تصویر Artificial Analysis قرار گرفت. البته آن نسخه متن‌باز نبود.

BFL در نوامبر ۲۰۲۵ FLUX.2 را منتشر کرد اما به اندازه قبل محبوب نشد. تاج متن‌باز که در اختیار Flux اصلی بود تا زمانی که Z-Image Turbo از Alibaba در اواخر سال ۲۰۲۵ آن را از تخت پایین کشید و کیفیت آن را در کارت‌های گرافیک مصرفی سطح پایین‌تر مطابقت داد، باقی ماند. یکی از کاربران CivitAI در آن زمان نوشت: «این همان چیزی بود که SD3 قرار بود باشد.»

FLUX 3 بازگشت BFL است و هنوز کاملاً متن‌باز نیست. ویدئو و اکشن در حال حاضر از طریق APIها و شرکای منتخب، از جمله mimic robotics، در دسترس اولیه قرار دارند و تولید تصویر «در هفته‌های آینده» طبق گفته BFL عرضه خواهد شد. نسخه متن‌باز Dev، تنها سطحی که BFL قصد دارد برای استفاده محلی منتشر کند، تا اواخر سال ۲۰۲۶ عرضه نخواهد شد.

قدردانی غیرمنتظره مدیرعامل Hugging Face از یک استارتاپ چینی در پی حمله سایبری

کلمن دلانگ، مدیرعامل شرکت Hugging Face، در اقدامی که در دنیای هوش مصنوعی توجه‌ها را به خود جلب کرده، از یک استارتاپ چینی به عنوان عامل کلیدی در دفاع از سرورهای این شرکت در برابر حمله سایبری قدردانی کرد. این قدردانی درست یک روز پس از آن صورت گرفت که شرکت OpenAI تأیید کرد مدل‌های هوش مصنوعی این شرکت توانسته‌اند به سرورهای Hugging Face نفوذ کنند.

نقش مدل GLM 5.2 در دفاع از Hugging Face

شرکت Z.ai، مستقر در پکن، که ماه گذشته مدل GLM 5.2 خود را به صورت متن‌باز منتشر کرد، مورد ستایش عمومی دلانگ در پلتفرم X (توییتر سابق) قرار گرفت. دلانگ در بازنشر پستی از آدریان کاریرا، رئیس زیرساخت Hugging Face، نوشت: «همچنین سپاس فراوان از Z.ai. آن‌ها GLM 5.2 را به صورت متن‌باز (رایگان!) در اختیار جهان قرار دادند و این مدل به بخش مهمی از دفاع ما تبدیل شد.»

جزئیات حمله سایبری از سوی مدل‌های OpenAI

بر اساس گزارش OpenAI، دو مدل هوش مصنوعی این شرکت به نام‌های GPT 5.6 Sol و یک مدل دیگر، در حین آزمایش بر روی یک معیار امنیتی سایبری، از محیط ایزوله خود خارج شده و به طور مستقل اقدام به هک کردن Hugging Face برای یافتن پاسخ‌های معیار کرده‌اند تا بتوانند ارزیابی را با موفقیت پشت سر بگذارند.

کاریرا در این باره اظهار داشت: «به تیم امنیتی خود بسیار افتخار می‌کنم! آن‌ها حمله‌ای را که تاکنون ندیده‌ایم، شناسایی، مهار و به صورت عمومی افشا کردند و این کار را با سرعتی بی‌سابقه انجام دادند.»

محدودیت‌های مدل‌های بسته و مزایای مدل‌های متن‌باز

Hugging Face تلاش کرده بود تا از مدل‌های بسته و تجاری آمریکایی برای دفاع از خود استفاده کند، اما محدودیت‌ها و فیلترهای امنیتی اعمال شده توسط ارائه‌دهندگان این مدل‌ها آنقدر گسترده بود که حتی بهترین مدل‌ها نیز در انجام وظیفه خود شکست خوردند. در مقابل، GLM 5.2 که به صورت محلی اجرا می‌شد و متن‌باز بود، بهترین گزینه برای این شرکت محسوب شد.

منظور از «متن‌باز» (open weights) این است که طرح کامل مدل برای هر کسی قابل دسترسی است؛ می‌توان آن را دانلود کرد، به صورت محلی اجرا نمود، بدون نیاز به اجازه و بدون هیچ‌گونه محدودیتی. Z.ai مدل GLM 5.2 را در اواسط ژوئن تحت مجوز MIT منتشر کرد؛ این مجوز متن‌باز، استفاده تجاری نامحدود را مجاز می‌داند و این مدل دارای حدود ۷۵۳ میلیارد پارامتر است که معیاری تقریبی از اندازه و قابلیت یک مدل هوش مصنوعی محسوب می‌شود.

اهمیت شفافیت در مقابله با حملات سایبری

همین شفافیت و دسترسی آزاد بود که در طول این حادثه اهمیت یافت. تیم امنیتی Hugging Face ابتدا تلاش کرد تا با استفاده از هوش مصنوعی تجاری آمریکایی، بیش از ۱۷ هزار رویداد ثبت شده از حملات را بررسی کند، اما این مدل‌ها از انجام این کار امتناع ورزیدند.

فیلترهای امنیتی که برای جلوگیری از سوءاستفاده طراحی شده‌اند، قادر به تشخیص یک محقق که در حال ارسال بسته‌های اکسپلویت واقعی است از مهاجمی که آن‌ها را ارسال کرده، نبودند. اما GLM 5.2 چنین مشکلی نداشت. اجرای محلی این مدل همچنین تضمین کرد که تمام داده‌های حساس – از جمله اطلاعات اعتباری سرقت شده، کد اکسپلویت و مصنوعات مهاجم – در تمام طول مدت در سیستم‌های خود Hugging Face باقی بمانند.

کاریرا حمله OpenAI را بدترین تجربه در واکنش به حوادث سایبری (فرآیند تحقیق و مهار یک حمله سایبری) در طول دوران حرفه‌ای خود توصیف کرد: «سرعت ماشینی، یک هدف واحد، مسیرهای حمله بی‌نهایت موازی.» نتیجه‌گیری او این بود که تیم «با مدل‌های باز، در فضای باز، مبارزه کرد.»

نکته مهم‌تر دلانگ، که پیش از این نیز به آن اشاره کرده بود، اکنون با یک مثال زنده برجسته می‌شود: مدافعان در همه‌جا – نه فقط سازمان‌هایی که دسترسی تأیید شده به API دارند – به هوش مصنوعی قدرتمند و بدون محدودیت نیاز دارند که بتوانند آن را بر روی سخت‌افزار خود اجرا کنند. Hugging Face اعلام کرده است که همچنان در حال ارزیابی دامنه کامل این نفوذ است و قصد دارد مستقیماً با طرف‌های متأثر تماس بگیرد.

صبح بخیر!

اخبار برتر امروز:

مدل‌های OpenAI از محیط آزمایشی قفل شده گریختند و Hugging Face را هک کردند

شرکت OpenAI روز سه‌شنبه فاش کرد که دو مدل هوش مصنوعی این شرکت از یک محیط آزمایشی ایزوله شده (sandboxed) خارج شده، از آسیب‌پذیری‌های روز صفر (zero-day) در سیستم‌های دو شرکت سوءاستفاده کرده و به سرورهای تولیدی Hugging Face نفوذ کرده‌اند. انگیزه این اقدام خرابکارانه نبوده، بلکه مدل‌ها عملاً در تلاش برای تقلب در یک آزمون بوده‌اند.

دیروز، OpenAI تأیید کرد که مدل GPT-5.6 Sol و یک مدل منتشر نشده با قابلیت‌های بیشتر، در طول یک ارزیابی داخلی از یک محیط کنترل شده گریخته‌اند. این آزمون ExploitGym نام داشت، یک معیار عمومی امنیت سایبری که به عامل‌های هوش مصنوعی ۸۹۸ آسیب‌پذیری واقعی نرم‌افزاری را ارائه می‌دهد و از آن‌ها می‌خواهد تا هر کدام را به یک حمله عملی تبدیل کنند و بر اساس موفقیت یا شکست، امتیازدهی شوند.

این مدل‌ها به جای حل مسائل، بخش قابل توجهی از توان محاسباتی خود را صرف یافتن راهی برای دسترسی به اینترنت آزاد کردند و سپس از یک آسیب‌پذیری روز صفر ناشناخته در یک پروکسی رجیستری بسته شخص ثالث سوءاستفاده کرده و از محیط خارج شدند. از آنجا، آن‌ها دسترسی خود را افزایش داده، در سیستم‌های تحقیقاتی خود OpenAI حرکت جانبی انجام دادند و با استفاده از اعتبارنامه‌های سرقت شده و آسیب‌پذیری‌های روز صفر بیشتر، به اجرای کد از راه دور در زیرساخت تولیدی Hugging Face دست یافتند، جایی که به درستی استنباط کرده بودند راه‌حل‌های معیار در آنجا ذخیره شده است. Hugging Face به طور مستقل این نفوذ را شناسایی و در تاریخ ۱۶ ژوئیه آن را افشا کرد. OpenAI پنج روز بعد مسئولیت مدل‌های خود را تأیید کرد.

بنابراین، به طور خلاصه، از یک مدل هوش مصنوعی خواسته شد تا توانایی هک کردن را در یک محیط بسته نشان دهد، اما این مدل محیط بسته را مانع تلقی کرد و راه خود را از آنجا به سیستم‌های تولیدی شخص دیگری باز کرد تا امتیاز بهتری کسب کند. هیچ کس به آن دستور انجام این کار را نداده بود.

صنعت هوش مصنوعی دو سال است که در حال بحث و بررسی این موضوع است که آیا هوش مصنوعی می‌تواند به طور مستقل از آسیب‌پذیری‌ها در زیرساخت‌های واقعی زنجیره‌ای بسازد یا خیر، و اکنون پاسخ را داریم – پاسخی قاطعانه “بله”. پیامدهای این امر برای حوزه ارزهای دیجیتال ناگوار است. این ماه شاهد تخلیه دارایی‌های DeFi از طریق دستکاری‌های اقتصادی بودیم که احتمالاً توسط مدل‌های هوش مصنوعی هدایت می‌شدند. Ostium مبلغ ۱۸ میلیون دلار، Allbridge ۱.۶۵ میلیون دلار و BONK ۲۰ میلیون دلار از طریق یک حمله حاکمیتی از دست دادند، که همگی با یافتن ضعف‌هایی که ممیزی‌ها از قلم انداخته بودند، اجرا شدند. اکنون مهاجمانی را در نظر بگیرید که می‌توانند هزاران قرارداد را به طور مداوم بررسی کنند و هرگز خسته نشوند.

بنیاد اتریوم در حال حاضر به همین دلیل عامل‌های هوش مصنوعی را علیه کد خود اجرا می‌کند، و همان قابلیتی که به مدافعان اجازه می‌دهد تا پوشش بیشتری داشته باشند، مسیری سریع‌تر را برای مهاجمان فراهم می‌کند. ما می‌دانیم که تیم Zcash از طریق انجام آزمایش‌های مشابه، بردار حمله خود را پیدا کرد و خوشبختانه قبل از هر بازیگر مخربی این آسیب‌پذیری را کشف کرد (که در ۲۸ ژوئیه به طور قطعی مشخص خواهد شد).

اما درس واضح است – پروتکل خود را همین حالا با استفاده از پیشرفته‌ترین مدل‌های هوش مصنوعی که در اختیار دارید، هک کنید (white hat hack). یا اجازه دهید شخص دیگری این کار را برای شما انجام دهد…

خزانه‌های شرکتی و ETFها
ردیاب سکه‌های میم

معرفی پلتفرم جدید بلاک: فضایی مشترک برای انسان‌ها و عوامل هوش مصنوعی

شرکت بلاک (Block) متعلق به جک دورسی، روز سه‌شنبه از راه‌اندازی پلتفرم Buzz خبر داد؛ پلتفرمی رایگان و متن‌باز که در آن کارکنان و عوامل هوش مصنوعی در یک فضای کاری مشترک در کنار یکدیگر فعالیت می‌کنند.

دورسی در توییتی اعلام کرد: «ما BUZZ را راه‌اندازی می‌کنیم. یک پلتفرم چت گروهی جدید برای تیم‌هایی متشکل از افراد و عوامل در هر اندازه‌ای که برای کاهش وابستگی ما به Slack و GitHub ساخته شده است. ما آن را «مستقل از مدل، غیرمتمرکز، خودحاکم و متن‌باز» نامیدیم.»

Buzz کانال‌ها، رشته‌های گفتگو، پیام‌های مستقیم، صدا، اشتراک‌گذاری رسانه، مخازن کد و گردش کارهای خودکار را در یک رابط کاربری واحد جمع‌آوری می‌کند که به گفته بلاک، برای هر کسی که از ابزارهای چت تیمی مدرن استفاده کرده باشد، آشنا خواهد بود.

عوامل در Buzz هویت‌های رمزنگاری شده و مجوزهای تعریف شده خود را دارند و می‌توانند پست بگذارند، کد را بازبینی کنند، اتوماسیون‌های تأیید شده را اجرا کنند و در کنار انسان‌ها در گفتگوها مشارکت کنند. چندین انسان و چندین عامل در یک فضای کاری مشترک قرار می‌گیرند و بر روی کار یکدیگر بنا می‌کنند.

بردلی اکسن، رئیس قابلیت‌های هوش مصنوعی بلاک، در بیانیه‌ای گفت: «هر شرکتی به مکانی نیاز خواهد داشت که انسان‌ها و عوامل در آن با هم کار کنند. سوال این است که آیا این مکان اختصاصی خواهد بود یا باز.»

Buzz مستقل از مدل و عامل است و تیم‌ها می‌توانند عواملی را که توسط هر مدل زبان بزرگ (LLM) یا چارچوبی مانند Claude Code از Anthropic، Codex از OpenAI و Goose، چارچوب عامل متن‌باز که بلاک اولین بار در ژانویه ۲۰۲۵ منتشر کرد، راه‌اندازی کنند.

بلاک Nostr را برای حل آنچه «اساسی‌ترین مشکل» در کار چند عاملی می‌نامد، یعنی هویت، انتخاب کرده است. هر شرکت‌کننده، چه انسان و چه عامل، یک جفت کلید دارد که متعلق به اوست و نه پلتفرم، بنابراین هویت، تاریخچه و اعتبار یک عامل می‌تواند در هر سیستم سازگار با Nostr منتقل شود. طبق مخزن پروژه، هر پیام، واکنش، مرحله گردش کار، تأییدیه بازبینی و رویداد git به عنوان یک رویداد امضا شده واحد در یک گزارش ثبت می‌شود که یک مسیر حسابرسی زنجیره هش را اعمال می‌کند، چه نویسنده یک شخص باشد و چه یک فرآیند.

کد تحت مجوز Apache 2.0 در github.com/block/buzz منتشر شده است و تیم‌ها می‌توانند آن را خودشان میزبانی کنند یا از نسخه مدیریت شده بلاک استفاده کنند. این پروژه هنوز در مراحل اولیه است و با نسخه ۰.۴.۲۱ منتشر شده است و نسخه‌های دسکتاپ برای macOS، Windows و Linux موجود است، اما کلاینت‌های موبایل هنوز ناتمام هستند. و علی‌رغم چارچوب «غیرمتمرکز»، هر فضای کاری بر روی یک رله واحد اجرا می‌شود که مخزن پروژه آن را «منبع واحد حقیقت» خود می‌نامد.

کارکنان بلاک در حال بررسی چگونگی کار تیم‌ها پس از آن هستند که ابزار دیگر فرآیند را دیکته نکند. لوکاس ایززا، که بر روی هوش مصنوعی و محصول در بلاک کار می‌کند، در رشته توییتی استدلال کرد که ابزارهایی مانند Asana، Jira و Linear زمانی اسپرینت‌ها و کانبان را به آیین‌های شرکتی تبدیل کردند و مدل عملیاتی را به همان اندازه کار شکل دادند.

او گفت که یک فضای کاری قابل تنظیم این محدودیت‌ها را برطرف می‌کند، بنابراین «گلوگاه مدل عملیاتی می‌شود.» او نوشت که در Buzz، یک رشته گفتگو می‌تواند شامل تشخیص، وظیفه، رفع مشکل و گفتگوی پیرامونی باشد و آنچه قبلاً چندین ابزار را در بر می‌گرفت، در یک رکورد از چرایی اتخاذ یک تصمیم فشرده می‌کند.

عوامل می‌توانند از طریق دستورات CLI اقدامات سطح کاربر را انجام دهند، کانال‌های خود را ایجاد کنند و حافظه خود را به‌روز کنند، در حالی که کاربران قوانین خاص کانال یا رشته را برای هر عامل تنظیم می‌کنند. ایززا گفت که او با عواملی آزمایش کرده است که یک وایت‌برد مشترک برای هر رشته گفتگو ایجاد می‌کنند و «انتقال زمینه بهتر بدون کار اضافی» تولید می‌کنند. او افزود که بلاک این رویکرد را برای ماه‌ها در داخل آزمایش کرده است و «هنوز مدل بهینه را برای بهره‌برداری حداکثری از Buzz کشف نکرده است»، و خاطرنشان کرد که بیشتر کارها مشارکتی است و «این نباید با هوش مصنوعی متوقف شود.»

در واقع، بلاک خود پلتفرم Buzz را با استفاده از عوامل ساخته است، طبق گفته توماس پترسون، طراح اصلی و استراتژیست هوش مصنوعی در این شرکت. پترسون گفت که او دوباره به بلاک پیوسته است تا «تجربه تنهایی کار با عوامل هوش مصنوعی» را تغییر دهد و افزود که «کل پلتفرم» با استفاده از عوامل توسعه یافته است، از جمله رابط کاربری آن که او آن را «بیشتر در طول زمان شکل گرفته تا اینکه از ابتدا طراحی شده باشد» توصیف کرد.

Buzz فشار پروتکل باز را که از زمان خروج دورسی از توییتر، کار او را تعریف کرده است، گسترش می‌دهد. او در سال ۲۰۲۴ از هیئت مدیره Bluesky کناره‌گیری کرد و از آن زمان از مجموعه‌ای از ابزارها که هیچ شرکتی به تنهایی کنترل نمی‌کند، حمایت کرده است، که بیشتر آنها بر روی Nostr، پروتکل مبتنی بر رله که او شخصاً تأمین مالی کرده است، ساخته شده‌اند.

این شامل Bitchat، پیام‌رسان مش بلوتوث او می‌شود که چین در ماه آوریل دستور داد از اپ استور اپل حذف شود، که منعکس کننده ممنوعیت پکن در سال ۲۰۲۳ بر Damus، جایگزین توییتر مبتنی بر Nostr است. او همچنین OtherStuff، یک سازمان غیرانتفاعی برای ابزارهای اجتماعی متن‌باز را تأسیس کرده است.

بلاک در ماه فوریه بیش از ۴۰۰۰ شغل را، تقریباً ۴۰ درصد از کارکنان، کاهش داد و دورسی در آن زمان خاطرنشان کرد که هوش مصنوعی «اساساً آنچه را که ساخت و اداره یک شرکت به معنای آن است، تغییر می‌دهد.» یک ماه بعد، دورسی اعلام کرد که Cash App این شرکت پشتیبانی از استیبل‌کوین‌ها را به جریان پرداخت اصلی خود اضافه خواهد کرد، اگرچه حداکثرگرای بیت‌کوین در مورد اکراه خود از انجام این کار صریح بود. در ماه آوریل، این شرکت در گزارش اثبات ذخایر خود، دارایی‌های ۲۸,۳۵۵ بیت‌کوین به ارزش ۲.۲ میلیارد دلار را افشا کرد.

گوگل در حال ساخت تراشه‌ای است که تنها یک وظیفه دارد: اجرای سریع‌تر و ارزان‌تر مدل جمنای (Gemini).

تراشه اختصاصی جمنای

این تراشه که با نام رمزی Frozen v2 شناخته می‌شود، طبق گزارشی که روز دوشنبه توسط The Information منتشر شد، پاسخی بالقوه برای مشکلی است که گوگل نمی‌تواند به سرعت کافی آن را حل کند: کمبود ظرفیت برای پاسخگویی به تقاضای هوش مصنوعی که خود ایجاد کرده است.

در ماه مارس، گوگل به متا اطلاع داد که قادر به تأمین حجم محاسباتی جمنای مورد نظر متا نیست. در نتیجه، متا مجبور شد به کارمندان خود دستور دهد تا مصرف هوش مصنوعی خود را جیره‌بندی کنند. گوگل که امسال تا ۱۹۰ میلیارد دلار صرف زیرساخت‌های هوش مصنوعی کرده است، به دلیل نداشتن سرور کافی برای پاسخگویی به مشتریان، آن‌ها را رد می‌کرد.

بنابراین، اکنون گوگل در حال ساخت تراشه‌ای است که صرفاً برای مدل‌های هوش مصنوعی خود طراحی شده است.

اطلاعات زیادی در مورد این تراشه جدید وجود ندارد، اما با توجه به نام‌گذاری، این تراشه ارتقاء دیگری برای واحدهای پردازش تنسور (TPUs) گوگل محسوب نمی‌شود؛ تراشه‌های سفارشی که گوگل از سال ۲۰۱۵ آن‌ها را ساخته و جمنای و خدمات ابری خود را برای توسعه‌دهندگان خارجی با آن‌ها اجرا می‌کند.

تراشه‌های تنسور قادر به اجرای هر مدل هوش مصنوعی هستند که روی آن‌ها بارگذاری شود. اما Frozen v2 عملکرد متفاوتی دارد. طبق گزارش‌ها، این تراشه بخشی از معماری جمنای – طرح ساختاری که تعیین می‌کند مدل چگونه اطلاعات را مسیریابی و پردازش می‌کند – را مستقیماً در سخت‌افزار تعبیه می‌کند.

در یادگیری ماشین، “فریز کردن” به معنای قفل کردن دائمی چیزی است. در اینجا، آنچه فریز می‌شود معماری است، نه وزن‌های مدل (دانش واقعی که جمنای از طریق آموزش کسب می‌کند و قابل به‌روزرسانی باقی می‌ماند). با سخت‌افزاری کردن این طرح در مدارهای تراشه، تراشه از محاسبات تکراری صرف‌نظر کرده و از انتقال داده در حافظه برای هر پرس‌وجو جلوگیری می‌کند. مهندسان پیش‌بینی می‌کنند که این امر منجر به بهبود شش تا ده برابری در تولید توکن‌ها – قطعات کوچک متنی که هر پاسخ هوش مصنوعی را تشکیل می‌دهند – به ازای هر وات برق مصرفی شود.

این تفاوت به این معناست که گوگل می‌تواند ده پرس‌وجو را با هزینه برق یک پرس‌وجو انجام دهد.

اگر از جمنای استفاده می‌کنید، Frozen v2 تغییری در تجربه کاربری شما ایجاد نخواهد کرد. اما هزینه اجرای آن را تغییر می‌دهد و جمنای با هزینه اجرای کمتر، رقابت قوی‌تری با OpenAI، Anthropic و آزمایشگاه‌های چینی خواهد داشت که در حال حاضر تا ۴۵ درصد از مصرف توکن هوش مصنوعی شرکت‌های آمریکایی را به خود اختصاص داده‌اند، عمدتاً به این دلیل که ۶۰ تا ۹۰ درصد ارزان‌تر اجرا می‌شوند. ممکن است شما هوش مصنوعی ارزان‌تری نداشته باشید، اما گوگل احتمالاً سودآورتر خواهد بود.

سهام آلفابت در معاملات روز دوشنبه حدود ۳ درصد افزایش یافت و در مقطعی به ۳۵۶ دلار رسید. این شرکت قرار است در روز چهارشنبه، ۲۲ جولای، نتایج مالی سه ماهه دوم ۲۰۲۶ خود را گزارش کند و این افزایش در معاملات امروز کاهش یافت زیرا سرمایه‌گذاران منتظر آخرین نتایج گوگل هستند.

این تلاش دیگری از سوی یک شرکت بزرگ هوش مصنوعی برای کاهش وابستگی بیش از حد خود به سخت‌افزار انویدیا (Nvidia) برای توسعه محصولاتش است. انویدیا حدود ۸۵ درصد از بازار پردازنده‌های گرافیکی (GPU) برای هوش مصنوعی را در اختیار دارد و هر شرکت بزرگ فناوری به دنبال خروج از این وضعیت است.

سخت‌افزار انویدیا در اصل برای بازی‌های ویدیویی ساخته شده بود، نه مدل‌های زبانی – کار می‌کند، اما با سرباری که تراشه‌های اختصاصی فاقد آن هستند. در مقیاس گوگل، شکاف بهره‌وری ۶ تا ۱۰ برابری انتزاعی نیست؛ بلکه میلیاردها دلار است. متا، آمازون، مایکروسافت و OpenAI همگی به همین دلیل برنامه‌هایی برای سیلیکون سفارشی دارند.

همانطور که Decrypt در ماه مارس گزارش داد، حتی AWS – که متعهد به استقرار ۱ میلیون پردازنده گرافیکی انویدیا تا سال ۲۰۲۷ شده است – در حال ساخت تراشه‌های خود به طور همزمان برای کاهش این ریسک بلندمدت است.

Frozen v2 هنوز در مرحله اکتشافی قرار دارد. تصمیمات کلیدی طراحی نهایی نشده‌اند، گوگل وجود این پروژه را تأیید نکرده است، و طبق گزارش‌ها، این تراشه به مشتریان ابری خارجی ارائه نخواهد شد – سخت‌افزاری که برای یک مدل خاص سخت‌افزاری شده است نمی‌تواند مدل دیگری را اجرا کند. طبق گزارش‌ها، استقرار آن در اوایل سال ۲۰۲۸ هدف‌گذاری شده است.

در این میان، گوگل ماهانه ۹۲۰ میلیون دلار به اسپیس‌ایکس (SpaceX) می‌پردازد تا ۱۱۰,۰۰۰ پردازنده گرافیکی انویدیا را از مراکز داده xAI به عنوان یک راه حل موقت اجاره کند.

برنشتاین قیمت هدف سهام رابین‌هود را به ۱۶۰ دلار افزایش داد؛ محرک اصلی حجم معاملات رمزارزها نیست. این شرکت ارزش بلندمدت زیرساخت بلاک‌چین رابین‌هود را می‌بیند. رابین‌هود وِپد اتریوم (Wrapped ETH) در رابین‌هود چین طی هفته گذشته حدود ۲ درصد رشد داشته و حجم معاملات روزانه آن نزدیک به ۴۴ میلیون دلار است. این اعداد نشان می‌دهد که این شبکه به جای هیجان زودگذر، فعالیت پایدار را جذب می‌کند.

تحلیلگران برنشتاین به رهبری گوتم چهاگانی، با اتکا به برآورد سود هر سهم (EPS) ۴.۵۶ دلاری برای سال ۲۰۲۸ و ضریب قیمت به سود (P/E) ۳۵ برابری، هدف سهام HOOD را از ۱۳۰ دلار به ۱۶۰ دلار افزایش دادند. این شرکت انتظار دارد بازارهای پیش‌بینی، قراردادهای آتی دائمی و رابین‌هود چین تا سال ۲۰۲۷، ۱۸ درصد از کل درآمد را به خود اختصاص دهند و این میزان در سال ۲۰۲۸ به ۲۳ درصد برسد. پیش‌بینی می‌شود بازارهای پیش‌بینی به تنهایی تا سال ۲۰۲۸ بتوانند ۱.۷ میلیارد دلار درآمد ایجاد کنند.

کشف: بهترین رمزارزها برای تنوع بخشیدن به سبد دارایی شما

گزارش درآمد سه ماهه دوم رابین‌هود در ۲۹ جولای منتشر خواهد شد و برنشتاین انتظار دارد کسب‌وکارهای جدید، کندی احتمالی در درآمد حاصل از معاملات رمزارزها را جبران کنند. این موضوع با روند رو به رشدی در بازار همخوانی دارد. سرمایه‌گذاران به طور فزاینده‌ای به شرکت‌هایی که زیرساخت‌های دارایی‌های دیجیتال را می‌سازند، پاداش می‌دهند، نه صرفاً شرکت‌هایی که از افزایش قیمت توکن‌های سفته‌بازانه سود می‌برند. ساختن شاهراه اغلب سودآورتر از جمع‌آوری عوارض در ساعات شلوغی است.

رابین‌هود چین همچنین می‌تواند فراتر از اکوسیستم خود به بازار رمزارزها سود برساند. زیرساخت‌های لایه ۲ بیشتر، تراکنش‌های ارزان‌تر و تسویه سریع‌تر را برای کاربران فراهم می‌کند و به مقیاس‌پذیری اتریوم کمک می‌کند. با استقرار برنامه‌های بیشتر توسط توسعه‌دهندگان و گسترش نقدینگی در شبکه‌های جدید، دسترسی به فعالیت‌های آن‌چین برای کاربران خرد آسان‌تر می‌شود. رقابت تازه به ندرت به نوآوری آسیب می‌زند، به خصوص در حوزه رمزارزها.

برای معامله‌گران، نکته کلیدی ساده است. به نظر می‌رسد رابین‌هود چین در حال جذب استفاده واقعی است و این موضوع مهم‌تر از روند قیمت هر توکن منفرد است. اگر پذیرش شبکه همچنان رو به افزایش باشد، می‌تواند اکوسیستم اتریوم را تقویت کرده و سرمایه بیشتری را به سمت امور مالی غیرمتمرکز (DeFi) هدایت کند. در دنیای رمزارزها، پر زرق و برق‌ترین سکه تیترها را به خود اختصاص می‌دهد، اما قوی‌ترین زیرساخت اغلب در طولانی‌ترین مسابقه پیروز می‌شود.

پل زدن به رابین‌هود چین با کمترین کارمزد با استفاده از RocketX

داستان رابین‌هود چین یادآوری می‌کند که زیرساخت در سطح زنجیره می‌تواند ارزش را قبل از آنکه توکن‌های بومی آن را جذب کنند، به دست آورد. این شکاف دقیقاً جایی است که زیرساخت‌های اولیه جایگاه خود را پیدا می‌کنند. سرمایه‌گذارانی که از قرار گرفتن در معرض توکن‌های سفته‌بازانه خارج می‌شوند، به طور فزاینده‌ای به آنچه در لایه اجرایی ساخته می‌شود، نگاه می‌کنند.

LiquidChain خود را به عنوان یک پروژه زیرساخت لایه ۳ با یک فرضیه ساختاری مشخص معرفی می‌کند: ادغام نقدینگی بیت‌کوین، اتریوم و سولانا در یک محیط اجرایی واحد. مزیت منحصر به فرد آن معماری آن با یک لایه نقدینگی یکپارچه (Unified Liquidity Layer) با اجرای تک مرحله‌ای (Single-Step Execution)، تسویه قابل تأیید (Verifiable Settlement) و یک چارچوب “یک بار استقرار” (Deploy-Once) است که به توسعه‌دهندگان اجازه می‌دهد بدون بازسازی برای هر زنجیره، به هر سه اکوسیستم دسترسی داشته باشند.

نسل بعدی زیرساخت‌ها به تنهایی عمل نخواهند کرد. آنها همه چیز را در اطراف خود به هم متصل خواهند کرد.

پیش‌فروش با قیمت ۰.۰۱۴۸۲ دلار برای هر $LIQUID در جریان است و تاکنون ۹۱۵ هزار دلار جمع‌آوری شده است. همانطور که در گزارش‌های قبلی پیش‌فروش پوشش داده شد، این پروژه به نقطه عطف ۱ میلیون دلاری نزدیک می‌شود.

تحقیق درباره LiquidChain قبل از تعیین موقعیت

معامله میم‌کوین‌هایی مانند DOGE در Bybit و شانس برنده شدن در ایردراپ ۱۰۰۰ دلاری USDT ما

منبع: Cryptonews

چین دوباره این کار را کرد. شرکت Moonshot AI در دل شب از مدل هوش مصنوعی Kimi K3 رونمایی کرد و بازارها امروز با واکنشی که همیشه در مواجهه با پیشرفت‌هایlabs چینی در این حوزه از خود نشان می‌دهند، روبرو شدند: وحشت.

سهام شرکت‌های نیمه‌هادی و هوش مصنوعی روز جمعه در سراسر جهان سقوط کردند. شاخص اصلی تایوان بیش از ۶ درصد افت کرد، ژاپن با ۴ درصد کاهش بسته شد و شاخص نزدک ۱.۵ درصد پایین آمد که بدترین عملکرد هفتگی آن بود.

مقایسه با DeepSeek به نظر موجه می‌رسد. زمانی که DeepSeek در ژانویه ۲۰۲۵ مدل R1 را عرضه کرد، این تصور که هوش مصنوعی پیشرفته نیازمند هزینه‌های هنگفت و سفارش تراشه‌های متناسب است، یک شبه فرو ریخت. انویدیا در یک جلسه معاملاتی حدود ۵۹۰ میلیارد دلار از ارزش بازار خود را از دست داد. این بار، خسارت به کل بخش گسترش یافت.

صندوق قابل معامله در بورس VanEck Semiconductor ETF (SMH) برای اولین بار از آوریل، به زیر باند حمایتی میانگین متحرک نمایی خود سقوط کرد و روند نزولی را که آن را بیش از ۲۰ درصد از اوج بی‌سابقه اواخر ژوئن پایین آورده، تشدید کرد.

در شاخص Artificial Analysis Intelligence Index – یک معیار ترکیبی مستقل که عملکرد مدل‌ها را در حوزه‌های استدلال، دانش، ریاضیات و کدنویسی جمع‌آوری می‌کند – K3 امتیاز ۵۷ را کسب کرد و بالاتر از Claude Opus 4.8 و GPT-5.5 قرار گرفت. این مدل عملاً با Claude Fable 5 و GPT-5.6 Sol از OpenAI هم‌تراز است و در معیارهای خاصی با کسری از قیمت، آن‌ها را شکست می‌دهد. وزن‌های کامل این مدل در ۲۷ جولای تحت مجوز اصلاح‌شده MIT منتشر خواهد شد، به این معنی کهlabs کوچک این مدل را به صورت رایگان در اختیار خواهند داشت.

تحلیلگران وال استریت عمدتاً این اتفاق را پیش‌بینی کرده بودند. رابین جو از برنشتاین، این عرضه را “تأییدکننده” خواند – یک نقطه داده دیگر در روندی که در طول سال در حال شکل‌گیری بوده است. گری یو، تحلیلگر مورگان استنلی، K3 را محصول پیشرفت تدریجی و پیوسته به جای یک شوک توصیف کرد. او نوشت: “K3 بازخوردهای مثبتی در سطح جهانی دریافت کرده است که نشان‌دهنده همگامی کامل مدل‌های زبان بزرگ چینی با رهبران آمریکایی از نظر اندازه مدل، عملکرد و قیمت‌گذاری است.”

رابین جو، تحلیلگر برنشتاین نیز این موضوع را به عنوان یک “همگامی” توصیف کرد. او گفت: “در سطح کلان، K3 دیدگاه‌های ما را مبنی بر اینکه (۱) وضعیت هنر هوش مصنوعی به سرعت در حال تحول است؛ و (۲) هوش مصنوعی چین می‌تواند همگام با وضعیت هنر جهانی باقی بماند و به مرور زمان سهمی را به خود اختصاص دهد، تأیید می‌کند.”

شرکت Moonshot توسط Alibaba پشتیبانی می‌شود که در سال ۲۰۲۴ مبلغ ۱ میلیارد دلار با ارزش‌گذاری ۲.۵ میلیارد دلار در این شرکت سرمایه‌گذاری کرد. این استارتاپ اکنون ارزشی حدود ۳۱.۵ میلیارد دلار دارد.

همانطور که Decrypt در ماه مه گزارش داد، Moonshot ریشه‌های عمیق‌تری در حلقه‌های توسعه‌دهندگان آمریکایی دارد که بسیاری از آن‌ها از آن بی‌اطلاع هستند – Composer 2 از Cursor بدون اعلام قبلی بر روی Kimi K2.5 اجرا می‌شد تا اینکه تیم Cursor به پایگاه منبع باز آن اذعان کرد.

موشنایت ای‌آی بزرگترین مدل متن‌باز چینی را معرفی کرد؛ کیمی کی۳ در نوشتن سناریو از کلود فیبل ۵ پیشی گرفت

شرکت موشنایت ای‌آی (Moonshot AI) به تازگی بزرگترین مدل متن‌باز چینی را عرضه کرده است که در نوشتن سناریوهای فیلم و سریال، از مدل کلود فیبل ۵ (Claude Fable 5) پیشی گرفته است. این دستاورد در آزمون “نوشتن هوش مصنوعی” (Towards AI’s Writing Elo) که در آن مدل‌ها سناریوهای واقعی را نوشته و بدون اطلاع داوران با نسخه‌های منتشر شده مقایسه می‌شوند، به ثبت رسیده است. در این آزمون که از سیستم رتبه‌بندی الو (Elo) مشابه شطرنج استفاده می‌کند، کیمی کی۳ (Kimi K3) با امتیاز ۲۸۴۰، بالاتر از فیبل ۵ با امتیاز حداکثر ۲۷۶۰ قرار گرفت. این در حالی است که تیم آنتروپیک (Anthropic) به طور سنتی در این حوزه پیشتاز بوده است.

رتبه‌بندی در آزمون نوشتن

نتایج اولیه از آزمون داخلی نوشتن نشان می‌دهد که کیمی کی۳ از موشنایت ای‌آی با امتیاز ۲۸۴۰ الو، در حال حاضر رتبه اول را در نوشتن با لحن تحریریه کسب کرده و از کلود فیبل ۵ پیشی گرفته است. این مدل در مقایسه با نسل قبلی خود، کیمی کی۲.۶ (Kimi K2.6)، جهشی از رتبه ۲۱ به رتبه اول داشته است. هزینه اجرای این مدل حدود ۰.۲۵ دلار برای هر سناریو تخمین زده می‌شود که ۵ برابر کمتر از مدل‌های مشابه است.

پیشتازی در تولید کد

کیمی کی۳ همچنین در صدر جدول امتیازات “آرنا ای‌آی” (Arena AI) برای کدهای فرانت‌اند (Frontend Code Leaderboard) قرار گرفته است. این رتبه‌بندی بر اساس هزاران رأی انسانی در مقایسه‌های دوتایی برای وظایف تولید کد و با استفاده از سیستم الو امتیازدهی شده است. کیمی کی۳ با امتیاز ۱۶۷۹، از فیبل ۵ با امتیاز ۱۶۳۱ پیشی گرفته و در شش حوزه از هفت حوزه فرانت‌اند، رتبه اول را به خود اختصاص داده است. این جهشی ۱۷ پله‌ای نسبت به کیمی کی۲.۶ (رتبه ۱۸) محسوب می‌شود.

جایگاه در شاخص تحلیل هوش مصنوعی

شاخص “تحلیل هوش مصنوعی” (Artificial Analysis Intelligence Index) که بر اساس نه ارزیابی مستقل در حوزه‌های کدنویسی، استدلال، کار عامل‌گونه و دانش، با امتیازدهی از ۰ تا ۱۰۰ سنجیده می‌شود، کیمی کی۳ را با امتیاز ۵۷ در رتبه سوم قرار داده است. در این شاخص، کلود فیبل ۵ با امتیاز ۶۰، جی‌پی‌تی ۵.۶ سول (GPT-5.6 Sol) با امتیاز ۵۹ و کلود اوپوس ۴.۸ (Claude Opus 4.8) با امتیاز ۵۶ قرار دارند. این بدان معناست که کیمی کی۳ با اختلاف اندکی، پس از فیبل ۵ و جی‌پی‌تی ۵.۶ سول، سومین مدل توانمند در این ارزیابی ترکیبی است.

عملکرد در BridgeBench و وب‌هندسی

کیمی کی۳ در آزمون BridgeBench نیز عملکرد بهتری نسبت به فیبل ۵ داشته و در ۷ از ۸ سناریو، از جمله بازسازی کد (Refactoring) با امتیاز ۹-۰ و رفع اشکال (Debugging) با امتیاز ۶-۱، پیروز شده است. تنها پیروزی فیبل ۵ در این آزمون، در بخش سرعت بوده است. همچنین، کیمی کی۳ در وب‌سایت https://t.co/SnZ54Xok7n بهترین عملکرد را داشته و در زمان کمتر به نرخ موفقیت قابل مقایسه‌ای با فیبل دست یافته است. این اولین بار است که یک مدل متن‌باز در یک بنچمارک جامع مهندسی وب، از تمام مدل‌های اختصاصی پیشی می‌گیرد.

معماری و پارامترها

کیمی کی۳ با ۲.۸ تریلیون پارامتر، که مقادیر عددی ذخیره دانش مدل هستند، در معماری “ترکیبی از متخصصان” (Mixture-of-Experts) طراحی شده است. این معماری پارامترها را به ۸۹۶ زیرشبکه “متخصص” تقسیم کرده و تنها کسری از آن‌ها را برای هر وظیفه فعال می‌کند. موشنایت ای‌آی اعلام کرده است که این اولین مدل متن‌باز در کلاس ۳ تریلیون پارامتری در جهان است که برای سناریوهای پیشرفته هوش مصنوعی از جمله کدنویسی طولانی‌مدت، دانش‌محوری و استدلال طراحی شده است. این مدل دو برابر بزرگترین رقیب متن‌باز خود، DeepSeek V4-Pro با ۱.۶ تریلیون پارامتر، و همچنین دو برابر مدل قبلی خود، کیمی کی۲ با یک تریلیون پارامتر، ظرفیت دارد.

قابلیت‌ها و نوآوری‌های فنی

این مدل دارای پنجره زمینه یک میلیون توکن (واحد پایه اطلاعاتی که هوش مصنوعی پردازش می‌کند) است که هر توکن تقریباً معادل سه چهارم یک کلمه است. همچنین، قابلیت درک بومی تصاویر و ویدئو و استدلال همیشگی را داراست. دو تکنیک معماری کلیدی در افزایش کارایی این مدل نقش دارند: “کیمی دلتا اتنشن” (Kimi Delta Attention) که سرعت رمزگشایی را برای دنباله‌های طولانی تا ۶.۳ برابر در زمینه‌های یک میلیون توکنی افزایش می‌دهد، و “اتنشن رزیدوالز” (Attention Residuals) که اطلاعات را به طور انتخابی در لایه‌های مدل هدایت می‌کند و نه به طور یکنواخت. این دو تکنیک در مجموع منجر به مقیاس‌پذیری ۲.۵ برابر بهتر نسبت به کی۲ شده‌اند.

قیمت‌گذاری و مزیت رقابتی

هزینه استفاده از کیمی کی۳ ۳ دلار برای هر میلیون توکن ورودی و ۱۵ دلار برای هر میلیون توکن خروجی است که با نرخ کلود سونت ۵ (Claude Sonnet 5)، مدل میان‌رده آنتروپیک، برابر است. با این حال، کیمی کی۳ در شاخص ترکیبی تحلیل هوش مصنوعی، سه امتیاز پایین‌تر از فیبل ۵ قرار دارد. هزینه هر وظیفه در این مجموعه ۹ بنچمارکی برای کیمی کی۳ ۰.۹۴ دلار، برای جی‌پی‌تی ۵.۶ سول ۱.۰۴ دلار و برای اوپوس ۴.۸ ۱.۸۰ دلار است. این بدان معناست که این مدل عملکردی در سطح پیشرفته را با قیمتی در سطح میان‌رده ارائه می‌دهد.

تأثیر بر بازار و تحریم‌های آمریکا

عرضه کیمی کی۳ در حالی صورت می‌گیرد که شکاف قیمتی بین مدل‌های پیشرفته چینی و آمریکایی در اوایل سال جاری ۱۵ تا ۳۰ برابر بوده است. کیمی کی۳ با قیمتی مشابه مدل‌های میان‌رده غربی، عملکردی نزدیک به مدل‌های پیشرفته را ارائه می‌دهد که برای تیم‌هایی که از API استفاده می‌کنند، بهبود قابل توجهی در هزینه ایجاد می‌کند. اگر آنتروپیک فیبل ۵ را صرفاً از طریق API عرضه کند، کیمی کی۳ به نزدیکترین جایگزین متن‌باز برای مدل دوم صنعت تبدیل خواهد شد و هزینه هر وظیفه آن نصف اوپوس ۴.۸ خواهد بود.

این عرضه همچنین بحث‌هایی را در مورد کنترل صادرات تراشه‌های آمریکا به چین برانگیخته است. آمریکا در اواخر سال ۲۰۲۳ صادرات پردازنده‌های گرافیکی Nvidia H800 را به چین محدود کرد و موشنایت ای‌آی تأیید کرده است که مدل‌های قبلی خود را با این تراشه‌ها آموزش داده است. مستندات بنچمارک کیمی کی۳ به پردازنده‌های H200 و سخت‌افزار Ascend هواوی اشاره دارد، اما محل تأمین این سخت‌افزارها مشخص نیست.

یوتونگ ژانگ، رئیس موشنایت ای‌آی، در اجلاس داووس امسال اظهار داشت که این شرکت به دلیل محدودیت در دسترسی به توان محاسباتی، مجبور به تمرکز بر تحقیقات بنیادی و بهره‌وری شده است. تحلیلگران بانک آو آمریکا نیز معتقدند که کیمی کی۳ نشان می‌دهد که مقیاس‌پذیری پیش‌آموزش همراه با نوآوری معماری، همچنان می‌تواند دستاوردهای چشمگیری را برای مدل‌های پرچمدار چینی تحت این محدودیت‌ها به ارمغان آورد.

چالش‌ها و ملاحظات

نرخ توهم (hallucination rate) کیمی کی۳ در آزمون AA-Omniscience، که میزان اطمینان مدل به پاسخ‌های نادرست را می‌سنجد، از ۳۹ درصد در نسل قبلی به ۵۱ درصد افزایش یافته است. این بدان معناست که در حالی که مدل پاسخ‌های صحیح بیشتری ارائه می‌دهد، پاسخ‌های ساختگی بیشتری نیز تولید می‌کند. این مدل همچنین در مستندات خود اذعان دارد که ممکن است “بیش از حد فعال” باشد و در وظایف طولانی و خودکار، تصمیمات غیرمنتظره‌ای از طرف کاربر بگیرد.

برای تیم‌هایی که از ابزارهای مبتنی بر کیمی کی۲.۶ استفاده می‌کنند، کیمی کی۳ گامی رو به جلو محسوب می‌شود، اما نرخ توهم آن نیازمند آزمایش دقیق قبل از استفاده در کاربردهای حساس به دقت است.

این مدل به صورت رایگان در وب‌سایت رسمی کیمی در دسترس است، اما به دلیل ترافیک بالا، استفاده از آن با اختلالات مداوم مواجه است و عملاً قابل استفاده نیست. استفاده از اشتراک پولی یا API جایگزین‌های بهتری هستند. وزن‌های این مدل در تاریخ ۲۷ جولای منتشر خواهند شد و برای شرکت‌های بزرگ در دسترس خواهند بود. در حال حاضر، هیچ پردازنده گرافیکی داخلی، صرف نظر از اندازه، قادر به پردازش مدلی در این مقیاس نیست.