Tag: نوآوری فناوری

ایلان ماسک، مدیرعامل اسپیس‌ای‌آی (SpaceXAI)، روز چهارشنبه مدل جدید خود به نام گرگ ۴.۵ (Grok 4.5) را منتشر کرد. این اولین مدل عمومی این شرکت پس از ادغام اسپیس‌ایکس (SpaceX) و ایکس‌ای‌آی (xAI) در ماه فوریه و معامله ۶۰ میلیارد دلاری اسپیس‌ایکس برای خرید کورسر (Cursor) است. این مدل برای برنامه‌نویسان، مهندسان و آنچه شرکت «کارگران دانش» می‌نامد، طراحی شده است؛ دسته‌ای که ظاهراً شامل همه از توسعه‌دهندگان نرم‌افزار گرفته تا وکلایی که قراردادها را بررسی می‌کنند و تیم‌های مالی که مدل‌های اکسل می‌سازند، می‌شود.

استراتژی این شرکت نه بر بهترین بودن مدل، بلکه بر مقرون‌به‌صرفه بودن آن تأکید دارد، حداقل در مقایسه با مدل‌های غربی. هزینه گرگ ۴.۵ برای هر میلیون توکن ورودی ۲ دلار و برای هر میلیون توکن خروجی ۶ دلار است. در مقابل، کلود اپوس ۴.۸ (Claude Opus 4.8)، پرچمدار فعلی آنتروپیک (Anthropic)، ۵ دلار برای ورودی و ۲۵ دلار برای خروجی هزینه دارد. همچنین، جی‌پی‌تی ۵.۶ سول (GPT 5.6 Sol)، جدیدترین مدل سطح بالای اوپن‌ای‌آی (OpenAI) که آن هم روز چهارشنبه عرضه شد، با قیمت ۵ دلار برای ورودی و ۳۰ دلار برای خروجی عرضه می‌شود.

ماسک در پستی در ایکس (X) توضیح داد که مدل جدیدش در چه جایگاهی قرار دارد. او آن را «تقریباً قابل مقایسه با اپوس ۴.۷، اما بسیار سریع‌تر» توصیف کرد. اپوس ۴.۷ پرچمدار قبلی آنتروپیک بود و اپوس ۴.۸ جایگزین آن شده است. کلود فیبل ۵ (Claude Fable 5) در حال حاضر پیشرفته‌ترین محصول آنتروپیک محسوب می‌شود.

ماسک این موضوع را یک مصالحه عمدی عنوان کرد: سرعت و هزینه به جای قابلیت خام، و مهندسان تسلا (Tesla) و اسپیس‌ایکس را به عنوان اثباتی بر کاربرد واقعی آن معرفی کرد.

اسپیس‌ای‌آی در زمان عرضه چهار نتیجه بنچمارک منتشر کرد که تصویر متفاوتی را نشان می‌دهد. دیپ‌اس‌دبلیو ای ۱.۱ (DeepSWE 1.1) میزان اطمینان یک هوش مصنوعی را در رفع اشکالات نرم‌افزاری که توسط توسعه‌دهندگان ارائه می‌شود، اندازه‌گیری می‌کند. این بنچمارک با استفاده از یک محیط آزمایشی استاندارد شده، امکان مقایسه عادلانه مدل‌ها را فراهم می‌کند و بر اساس درصد رفع مشکلات امتیازدهی می‌شود. گرگ ۴.۵ امتیاز ۵۳ درصد را کسب کرد که پایین‌تر از کلود اپوس ۴.۸ با ۵۹ درصد و جی‌پی‌تی ۵.۵ با ۶۷ درصد قرار گرفت. کلود فیبل ۵، مدل پیشرفته آنتروپیک، با ۷۰ درصد در صدر جدول بود.

در بنچمارک اس‌دبلیو ای بنچ پرو (SWE Bench Pro)، که مجموعه‌ای از مسائل مهندسی نرم‌افزار را بر اساس نرخ حل آن‌ها اندازه‌گیری می‌کند، گرگ ۴.۵ امتیاز ۶۴.۷ درصد را به دست آورد که برای پیشی گرفتن از جی‌پی‌تی ۵.۵ با ۵۸.۶ درصد در این آزمون خاص کافی بود. اپوس ۴.۸ همچنان با ۶۹.۲ درصد پیشتاز است و فیبل ۵ با ۸۰.۴ درصد در رتبه بعدی قرار دارد.

بنچمارک‌های این شرکت در مقایسه با جی‌پی‌تی ۵.۵ انجام شده است، نه جی‌پی‌تی ۵.۶، زیرا مدل اخیر چند ساعت پس از اعلام گرگ ۴.۵ عرضه شد.

اسپیس‌ای‌آی، گرگ ۴.۵ را با همکاری کورسر ای‌آی (Cursor AI) که اخیراً خریداری شده، بر روی ده‌ها هزار پردازنده گرافیکی انویدیا جی‌بی ۳۰۰ (Nvidia GB300 GPUs) در داخل کولوسوس (Colossus)، ابررایانه ممفیس با ظرفیت کلی بیش از ۲۰۰ هزار پردازنده گرافیکی، آموزش داده است. آزمایشگاه‌هایی که مدل‌هایشان در این بنچمارک‌ها بالاتر از گرگ ۴.۵ قرار گرفته‌اند، چنین سخت‌افزاری در اختیار ندارند. مدل عرضه شده رقابتی است، اما نه پیشتاز.

این الگو در چندین نسخه از گرگ تکرار شده است. اسپیس‌ای‌آی به طور مداوم با توان محاسباتی عظیم و امتیازات جایگاه سوم ظاهر شده است. آنچه با گرگ ۴.۵ تغییر کرده، قیمت‌گذاری و سیگنال آموزشی آن است.

استدلال قوی‌تر نه عملکرد خام، بلکه محاسبات بهره‌وری است. در وظایف اس‌دبلیو ای بنچ پرو، گرگ ۴.۵ به طور متوسط ۱۵,۹۵۴ توکن خروجی برای تکمیل هر کار استفاده کرده است. اپوس ۴.۸ برای همین کار ۶۷,۰۲۰ توکن مصرف کرده که ۴.۲ برابر بیشتر است.

برای تیم‌هایی که از هوش مصنوعی در حجم بالا استفاده می‌کنند، این تفاوت به صرفه‌جویی واقعی علاوه بر قیمت پایین‌تر هر توکن منجر می‌شود. حتی با وجود امتیاز پایین گرگ ۴.۵ در بنچمارک‌های کیفی، توکن‌های ارزان‌تر و بهره‌وری بیشتر در استفاده، امکان تکرار بیشتر را بدون صرف هزینه زیاد فراهم می‌کند.

این مدل با سرعت ۸۰ توکن در ثانیه نیز کار می‌کند که در قلمرو مدل‌های سریع قرار می‌گیرد. گرگ ۴.۵ بر اساس داده‌های جلسات توسعه‌دهندگان کورسر، از جمله ردیابی‌های اشکال‌زدایی و ویرایش‌های واقعی کد، به جای مخازن ایستا، آموزش دیده است. همانطور که ماسک در دادگاه اذعان کرد، شیوه‌های آموزشی ایکس‌ای‌آی پیش از این مورد بررسی قرار گرفته‌اند؛ این بار خط لوله از طریق پلتفرمی می‌گذرد که اسپیس‌ایکس در حال خرید کامل آن است.

برای توسعه‌دهندگانی که وظایف کدنویسی با حجم بالا را انجام می‌دهند، محاسبات منطقی است: تقریباً قابلیت اپوس ۴.۷ با ۶۰ درصد هزینه کمتر برای هر توکن ورودی. برای هر کسی که به دنبال پیشرفته‌ترین‌هاست، کلود فیبل ۵ در تمام دسته‌هایی که اسپیس‌ای‌آی برای انتشار انتخاب کرده، پیشتاز است. تست سریع ما با استفاده از گرگ در هرمس (Hermes) برای نوشتن خلاقانه ناامیدکننده و برای یک وظیفه کدنویسی ساده قابل قبول بود.

این مدل از طریق API، در هرمس و گرگ با نیم میلیون توکن زمینه (کمی کمتر از ۴۰۰ هزار کلمه) در دسترس است. کاربران اروپایی باید تا اواسط جولای برای استفاده از آن صبر کنند، زیرا اسپیس‌ای‌آی اعلام کرده است که گرگ ۴.۵ در اواسط ماه جولای به اتحادیه اروپا خواهد رسید.

BNB Chain: بلاکچین نسل جدید برای عصر هوش مصنوعی و معاملات پرسرعت

BNB Chain امروز اعلام کرد که در حال توسعه یک بلاکچین لایه ۱ جدید است که برای پاسخگویی به نیازهای معاملات با فرکانس بالا، پرداخت‌های خودکار و تراکنش‌های مبتنی بر هوش مصنوعی طراحی شده است. این شبکه جدید با سرعت‌هایی نزدیک به بازارهای مالی سنتی عمل خواهد کرد و در کنار بلاکچین فعلی BNB Chain اجرا می‌شود، نه جایگزین آن.

نقشه راه فنی نیمه دوم ۲۰۲۶

بر اساس نقشه راه فنی نیمه دوم سال ۲۰۲۶، انتظار می‌رود شبکه جدید در اواخر سال ۲۰۲۶ به صورت آزمایشی (testnet) راه‌اندازی شود و نسخه اصلی (mainnet) آن در اوایل سال ۲۰۲۷ عرضه گردد. توسعه‌دهندگان BNB Chain اعلام کردند که تمرکز اصلی در نیمه دوم سال جاری بر دو برابر کردن عملکرد و طراحی معماری برای دهه آینده خواهد بود.

افزایش چشمگیر سرعت و توان عملیاتی

BNB Chain پیش‌بینی می‌کند که شبکه جدید قادر به پردازش بیش از ۱۰۰,۰۰۰ تراکنش در ثانیه باشد. این امر از طریق پردازش همزمان چندین تراکنش و بهبود روش‌های ذخیره‌سازی و تأیید داده‌ها حاصل خواهد شد. هدف این است که تأیید تراکنش‌ها کمتر از ۵۰ میلی‌ثانیه و نهایی شدن بلاک‌ها کمتر از یک ثانیه طول بکشد.

معرفی TxStream برای کاهش تأخیر و جلوگیری از Front-running

یکی از اجزای کلیدی این لایه ۱ جدید، سیستم TxStream است. این سیستم با حذف “mempool” عمومی که در آن تراکنش‌های در انتظار تأیید قابل مشاهده هستند، تراکنش‌ها را مستقیماً به رهبران بلاک ارسال می‌کند. این رویکرد باعث کاهش تأخیر و محدود کردن فرصت‌های “front-running” (اقدام پیشگیرانه برای بهره‌برداری از اطلاعات تراکنش‌های آینده) می‌شود.

پیشرفت‌های اخیر و برنامه‌های آینده

در نیمه اول سال ۲۰۲۶، ارتقاهایی در BNB Smart Chain منجر به کاهش فاصله زمانی بین بلاک‌ها از ۷۵۰ میلی‌ثانیه به ۴۵۰ میلی‌ثانیه و افزایش توان عملیاتی از حدود ۲,۸۰۰ تراکنش در ثانیه به ۵,۲۰۰ تراکنش شد. فاز بعدی بر افزایش بیشتر توان عملیاتی و کاهش ازدحام بین برنامه‌ها تمرکز خواهد داشت.

تحقیقات در زمینه امنیت مقاوم در برابر کوانتوم

BNB Chain همچنین در حال تحقیق بر روی امنیت مقاوم در برابر کوانتوم است تا خود را برای تهدیدات آینده ناشی از کامپیوترهای کوانتومی آماده کند. توسعه‌دهندگان در حال بررسی راه‌هایی برای افزودن حفاظت‌های ایمن در برابر کوانتوم از طریق “account abstraction” هستند که به کاربران امکان می‌دهد امنیت خود را بدون تغییر آدرس کیف پول ارتقا دهند. این تحقیقات هنوز در مرحله اولیه قرار دارد.

آمادگی برای آینده محاسبات کوانتومی

تحقیقات امنیتی کوانتومی BNB Chain بر محافظت در برابر سناریوهای آینده متمرکز است که در آن کامپیوترهای کوانتومی پیشرفته‌تر می‌توانند داده‌های رمزگذاری شده امروزی را رمزگشایی کنند. این تیم در حال آزمایش حفاظت‌های ترکیبی و روش‌هایی برای پذیرش امنیت کوانتومی توسط کاربران بدون نیاز به تغییر آدرس کیف پول است. توسعه‌دهندگان تأکید کرده‌اند که این فرآیند تکاملی است و زیرساخت BNB Chain برای آمادگی در برابر بلوغ محاسبات کوانتومی طراحی شده است.

همگامی با روندهای صنعت

این تحولات در حالی رخ می‌دهد که شرکت‌های فعال در حوزه ارزهای دیجیتال و فناوری در حال ساخت زیرساخت‌هایی برای عامل‌های هوش مصنوعی (AI agents) هستند که قادر به جابجایی پول و اجرای تراکنش‌ها بدون تأیید مداوم انسانی باشند. در ماه مارس، Tempop که توسط Stripe پشتیبانی می‌شود، بلاکچین لایه ۱ متمرکز بر پرداخت خود را همراه با پروتکل Machine Payments راه‌اندازی کرد. در ماه مه، Amazon Web Services با Coinbase و Stripe برای راه‌اندازی Amazon Bedrock AgentCore Payments همکاری کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد از استیبل‌کوین USDC برای پرداخت هزینه‌های APIها، فیدهای داده و خدمات آنلاین استفاده کنند. همچنین در ماه ژوئن، Coinbase ابزار Coinbase for Agents را معرفی کرد که به عامل‌های هوش مصنوعی امکان می‌دهد در چارچوب محدودیت‌های تعریف شده توسط کاربر، ارز دیجیتال معامله کرده، پرداخت انجام دهند و سبد دارایی خود را مدیریت کنند.

‏الگوراند در مسیر مقاومت در برابر کوانتوم تا پایان سال ۲۰۲۷

شبکه بلاکچین الگوراند (Algorand) که از مکانیزم اثبات سهام (Proof-of-Stake) استفاده می‌کند، اعلام کرد که تا پایان سال ۲۰۲۷ در مسیر دستیابی به مقاومت در برابر حملات کوانتومی گام برمی‌دارد. این خبر در بحبوحه افزایش نگرانی‌ها در فضای ارزهای دیجیتال نسبت به تهدیدات پساکوانتومی منتشر شده است.

بر اساس پستی در وبلاگ تیم این شبکه، تهدید کوانتومی به عنوان یک ریسک جدی برای امنیت فناوری بلاکچین تلقی می‌شود. به همین دلیل، الگوراند نقشه‌ای راه ترسیم کرده است که جزئیات تلاش‌ها، برنامه‌ها، پیشرفت‌ها، نقاط عطف و تحقیقات جاری در زمینه رمزنگاری پساکوانتومی (PQC) را شرح می‌دهد.

اخیراً، تیم هوش مصنوعی کوانتومی گوگل (Google Quantum AI)، الگوراند را در میان مجموعه‌ای از پلتفرم‌های قرارداد هوشمند که قادر به دستیابی به PQC هستند، شناسایی کرده است. این بلاکچین در سال ۲۰۲۵ اولین تراکنش امن با رمزنگاری PQC را با موفقیت انجام داده و قصد دارد انتقال کامل به PQC را در کمتر از دو سال به اتمام برساند.

تیم الگوراند توضیح داد: «مهاجرت به دوران پساکوانتوم یک تعادل است. حرکت بسیار کند، سیستم‌ها را در برابر حملات کوانتومی آینده آسیب‌پذیر می‌سازد، اما حرکت بسیار سریع می‌تواند به معنای اتکا به الگوریتم‌ها و پیاده‌سازی‌هایی باشد که هنوز به اندازه کافی آزمایش نشده‌اند.»

گام‌های اولیه در نقشه راه

اولین گام در نقشه راه، معرفی پشتیبانی از حساب‌های بومی پساکوانتومی در نسخه پروتکل است که برای سه‌ماهه سوم سال ۲۰۲۶ برنامه‌ریزی شده است. حساب‌های فالکون (Falcon) که پیش از این از طریق ماشین مجازی الگوراند (AVM) فعال شده‌اند، در حال حاضر قابلیت امضاهای پساکوانتومی را بر روی پروتکل الگوراند نشان می‌دهند، اما این امضاها به صورت بومی توسط دفتر کل پشتیبانی نمی‌شوند. معرفی پشتیبانی از حساب‌های بومی پساکوانتومی، امکان پشتیبانی در سطح شبکه برای چندین طرح امضای همزمان را فراهم خواهد کرد.

پس از آنکه تیم الگوراند جهت‌گیری روشنی را برای استانداردسازی یک طرح مشتق جدید برای کلیدهای پساکوانتومی مبتنی بر لاتیس تعیین کند، شبکه به‌روزرسانی‌های PQC را به ابزارهای خود اعمال خواهد کرد. این ابزارها شامل کیت‌های توسعه نرم‌افزار (SDKs) قدیمی، کیف پول‌های سخت‌افزاری و AlgoKit می‌شود. در نهایت، شبکه پشتیبانی از طرح‌های امضای اضافی را بر روی حساب‌های سنتی Ed25519 معرفی خواهد کرد.

چابکی رمزنگاری و کاربردهای سازمانی

الگوراند در حین پیاده‌سازی این ارتقاءها، قصد دارد محیطی را ایجاد کند که امکان ادغام پیشرفت‌های آینده را با حداقل اختلال در پروتکل فراهم کند.

این تیم توضیح داد: «با تکیه بر سابقه قوی ما در امضای چندگانه بومی (multisig)، ورود چابکی رمزنگاری و حساب‌های بومی پساکوانتومی به ما امکان می‌دهد تا پایان سال ۲۰۲۶ پشتیبانی بومی از امضای چندگانه را برای طرح‌های چند رمزنگاری مستقر کنیم. ما این را یک پیشرفت ضروری برای عملیات سازمانی، مدیریت خزانه و برنامه‌های مالی با ریسک بالا می‌دانیم.»

یکی از آخرین گام‌ها در نقشه راه، بررسی امضاهای چندگانه پساکوانتومی به عنوان یک لایه سیاست عمومی بر روی امضاهای قابل تأیید مستقل است. این امر امکان تأییدیه‌های وزنی، ترکیبات ترکیبی از امضاکنندگان کلاسیک و پساکوانتومی، و الگوریتم‌های امضای PQC آینده را با توسعه استانداردها فراهم می‌کند. این گام، حفاظت در برابر تهدیدات دوران کلاسیک و کوانتومی را تضمین خواهد کرد.

در همین حال، الگوراند تنها شبکه بلاکچینی نیست که در سال‌های آینده به دنبال مقاومت در برابر کوانتوم است؛ اتریوم (Ethereum) و ریپل (Ripple) نیز در حال کار بر روی این نقطه عطف هستند.

‏جورج هاتز، هکری که در سن ۱۷ سالگی آیفون را هک کرد و پلی‌استیشن ۳ را مهندسی معکوس کرد (پیش از آنکه سونی از او شکایت کند)، روز یکشنبه در یک پست وبلاگی استدلال کرد که پذیرش گسترده‌ی عوامل کدنویسی هوش مصنوعی به فاجعه یا حداقل چیزی نزدیک به آن منجر خواهد شد.

“هاتز” نوشت: “من همین الان اعلام می‌کنم، پذیرش عوامل هوش مصنوعی در توسعه‌ی نرم‌افزار یکی از پرهزینه‌ترین اشتباهات در تاریخ این حوزه خواهد بود.” او افزود: “عوامل نمی‌توانند برنامه‌نویسی کنند و درک این موضوع زمان بیشتری می‌برد.”

وی ادامه داد: “خروجی خراب است، اما به گونه‌ای که تشخیص آن دشوارتر و دشوارتر می‌شود. این دقیقاً همان چیزی است که از یک مدل آماری فزاینده دقیق انتظار می‌رود.”

این پست با عنوان “Sloptember ابدی” پنج روز پس از آن منتشر شد که آندری کارپاتی، یکی از برجسته‌ترین محققان هوش مصنوعی، با این دیدگاه صریح که عوامل هوش مصنوعی در حال حاضر توسعه‌ی نرم‌افزار را متحول کرده‌اند، به تیم پیش‌آموزش Anthropic پیوست. این دو نفر اکنون دو قطب مخالف یک بحث را نمایندگی می‌کنند که صنعت هنوز آن را حل نکرده است – و هر دو اعتبار واقعی برای موضع‌گیری دارند.

به‌روزرسانی شخصی: من به Anthropic پیوستم. فکر می‌کنم چند سال آینده در خط مقدم LLMها (مدل‌های زبانی بزرگ) به‌ویژه شکل‌دهنده خواهد بود. من بسیار هیجان‌زده‌ام که به تیم اینجا بپیوندم و به تحقیق و توسعه بازگردم. من همچنان عمیقاً به آموزش علاقه‌مندم و قصد دارم کارم را در این زمینه در زمان مناسب از سر بگیرم.
— آندری کارپاتی (@karpathy) ۱۹ مه ۲۰۲۶

هاتز به این نتیجه‌گیری از حاشیه نرسید. او شش ماه را صرف استفاده از عوامل در پروژه‌های واقعی کرد: بخش‌هایی از Tinygrad، چارچوب یادگیری عمیق منبع باز او، و مهندسی معکوس کامل سیستم‌افزار یک تراشه‌ی USB-PCIe. او می‌نویسد: “عامل تمام پیشرفت‌ها را پیش‌خور می‌کند”، سپس چیزی را به شما می‌دهد که آن را به عنوان یک اهرم دستگاه اسلات توصیف می‌کند – شما آن را می‌کشید و امیدوارید که کار نهایی انجام شود.

اما هرگز کاملاً اینطور نمی‌شود.

نه درباره‌ی غرور

هاتز پیش‌بینی می‌کند که با مخالفت آشکاری مواجه خواهد شد: یک برنامه‌نویس که بخشی از هویت خود را از طریق حرفه‌اش تعریف می‌کند، طبیعتاً در برابر ابزارهایی که تهدید به جایگزینی او می‌کنند، مقاومت خواهد کرد. او این اعتراض را جدی می‌گیرد و آن را بر اساس شایستگی رد می‌کند.

هاتز نوشت: “من بیشتر به موضوع حفظ ارزش خود فکر کردم. AFL گوگل باگ‌های بیشتری نسبت به LLMها پیدا کرد و هیچ‌کس آن‌طور احساس نکرد. شطرنج و Go بیش از هر زمان دیگری محبوب هستند.” و او از این نظر درست می‌گوید که هوش مصنوعی شطرنج دهه‌ها بر انسان‌ها تسلط داشته است و این بازی تنها محبوب‌تر شده است.

بنابراین، نگرانی او در مورد جایگزین شدن نیست. بلکه در مورد این است که وقتی همه همزمان از این ابزارها استفاده می‌کنند، به‌ویژه زمانی که شرکت‌های بزرگ فناوری و وال استریت دائماً در حال فشار برای استفاده‌ی گسترده از این ابزارها هستند، چه اتفاقی برای کیفیت کد می‌افتد.

هاتز استدلال می‌کند: “من تقریباً فکر می‌کنم این نوعی عملیات روانی برای فروش عوامل است.” او می‌افزاید: “ترس از دست دادن یکی از تنها راه‌هایی است که شرکت‌های بزرگ را به حرکت وا می‌دارد. اگرچه فکر می‌کنم در آن ترس، آن‌ها مرتکب اشتباه بزرگی می‌شوند.”

استدلال اصلی او سازمانی است. مجریان با عملکرد بالا، حلقه‌های بازخورد کافی دارند تا مشکلات تولید شده توسط عامل را قبل از انتشار، شناسایی کنند. آن‌ها کد را می‌خوانند، خطاها را تشخیص می‌دهند و زمان اعتماد به ابزار را تنظیم می‌کنند. او می‌نویسد: “مجریان با عملکرد پایین، این بررسی خود را نخواهند داشت” – و آن‌ها کسانی هستند که از عوامل برای تولید ۱۰ برابر خروجی قبلی خود استفاده می‌کنند. در یک شرکت بزرگ، این محاسبات چیزی خاص را تولید می‌کند: زوال سریع‌تر میانگین کیفیت کد، که با حجم زیاد پوشانده می‌شود.

او استدلال می‌کند که نتیجه، “عصر طلایی برای انبوهی از آشغال‌ها و عصر تاریک برای جواهرات باکیفیت” خواهد بود. به‌عنوان یک مثال ملموس، او به گزارش‌هایی اشاره می‌کند مبنی بر اینکه اپل در حال فشار برای استفاده از ابزارهای کدنویسی هوش مصنوعی در سراسر سازمان مهندسی خود است، سپس به سادگی می‌پرسد: “آیا فکر می‌کنید macOS در ۲ سال آینده بهتر می‌شود یا بدتر؟”

جایگاه اردوگاه‌ها

هاتز اکنون خود را در آنچه او “اردوگاه LeCun/Marcus” می‌نامد قرار می‌دهد – با اشاره به یان لکان، دانشمند ارشد هوش مصنوعی متا، و گری مارکوس، یک بدبین دیرینه LLM. هر دو استدلال کرده‌اند که مدل‌های زبانی اساساً الگوهای پیچیده‌ای هستند: آن‌ها می‌توانند توزیع کد موجود را تقلید کنند، اما نمی‌توانند از اصول اولیه، مسائل واقعاً جدید را استدلال کنند.

کدنویسی Vibe – توصیف آنچه می‌خواهید به زبان ساده و اجازه دادن به هوش مصنوعی برای تولید پیاده‌سازی – در سال گذشته منفجر شده است و آزمایشگاه‌های بزرگ، کدنویسی مبتنی بر عامل را به‌عنوان یک محصول شاخص معرفی کرده‌اند. مایکروسافت در سال ۲۰۲۵ GitHub Copilot را به یک سیستم عاملی کامل تبدیل کرد و ساتیا نادلا، مدیرعامل، آن را به‌عنوان یک تغییر در سطح پلتفرم قابل مقایسه با حرکت به سمت ابر توصیف کرد.

مخالفت با موضع هاتز انتزاعی نیست. کارپاتی، که در اوایل سال ۲۰۲۵ نسبت به عوامل بدبین بود، پس از انتشار مدل‌های جدید، موضع خود را تغییر داد و در ۱۹ مه – پنج روز قبل از انتشار هاتز – به تیم پیش‌آموزش Anthropic پیوست. او چند سال آینده را در خط مقدم “به‌ویژه شکل‌دهنده” توصیف کرد.

داریو آمودی، مدیرعامل Anthropic، در داووس گفت که برخی از مهندسان Anthropic در حال حاضر نوشتن کد را متوقف کرده‌اند و به مدل‌ها اجازه می‌دهند این کار را انجام دهند در حالی که آن‌ها خروجی را بررسی می‌کنند. هاتز از طرف خود می‌گوید که سعی کرده همین کار را انجام دهد و هر بار خود را در حال تلاش برای رفع دستی مشکل یافته است.

‏تصور کنید که شما به سمی بودن یک بطری آب در خانه‌تان مشکوک هستید. برای اطمینان، از هر بطری مقداری می‌نوشید. این تقریباً روش کار اکثر اسکنرهای امنیتی است.

Perplexity به تازگی ابزاری به نام Bumblebee را به صورت متن‌باز منتشر کرده است که رویکرد متفاوتی دارد. این ابزار، رایانه‌های توسعه‌دهندگان را برای بسته‌های نرم‌افزاری آلوده، افزونه‌های مرورگر مخرب و پیکربندی‌های ابزارهای هوش مصنوعی به خطر افتاده اسکن می‌کند—بدون اینکه هیچ‌کدام از کدهای یافت شده را اجرا کند. این ابزار، کدها را می‌خواند، یعنی برچسب مواد تشکیل‌دهنده را بررسی می‌کند، نه اینکه خود غذا را بخورد.

حمله به بسته‌های نرم‌افزاری

در ۱۱ می، یک گروه هکری به نام TeamPC کد مخربی را در بیش از ۱۶۰ بسته نرم‌افزاری که توسط میلیون‌ها توسعه‌دهنده در سراسر جهان استفاده می‌شود، جاسازی کرد—از جمله بسته‌هایی از Mistral AI، UiPath و یک ابزار React که به طور گسترده استفاده می‌شود و ۱۲ میلیون بار در هفته دانلود می‌شود. این حمله به محض نصب این بسته‌ها توسط توسعه‌دهندگان، به طور خودکار گسترش یافت. به گفته شرکت Perplexity، Bumblebee می‌توانست از این امر جلوگیری کند.

بسته‌های نرم‌افزاری—به ویژه در دنیای جاوا اسکریپت—می‌توانند اسکریپت‌های پنهانی را به محض نصب اجرا کنند. این دقیقاً همان چیزی است که باعث شد حمله ۱۱ می به سرعت گسترش یابد. کد مخرب به طور خودکار در هنگام نصب فعال شد، قبل از اینکه کسی متوجه چیزی شود.

یک اسکنر که مدیر بسته را برای بررسی عفونت‌ها فراخوانی می‌کند، می‌تواند همان اسکریپت‌ها را فعال کند. شما به دنبال کرم می‌روید؛ کرم اجرا می‌شود. Bumblebee با عدم فراخوانی هیچ مدیر بسته‌ای، از این امر اجتناب می‌کند. این ابزار، فایل‌های متادیتا خام—سوابقی که آنچه نصب شده است را توصیف می‌کنند—را بدون دست زدن به خود نرم‌افزار می‌خواند.

اسکن فایل‌های پیکربندی MCP

نکته واقعاً جدید این است که Bumblebee همچنین فایل‌های پیکربندی MCP را اسکن می‌کند—فایل‌های محلی که به دستیارهای هوش مصنوعی مانند Claude یا Cursor می‌گویند که به کدام سرویس‌های خارجی اجازه اتصال دارند.

اتصالات MCP به ابزارهای هوش مصنوعی امکان دسترسی به ایمیل‌ها، پایگاه‌های داده، تقویم‌ها و کدها را می‌دهد. اگر یک مهاجم یک اتصال مخرب را در آن پیکربندی جاسازی کند، دستیار هوش مصنوعی شما می‌تواند اعتبارنامه‌ها را فاش کند یا دستورات غیرمجاز را در پس‌زمینه اجرا کند. اکثر ابزارهای امنیتی هنوز این موضوع را بررسی نمی‌کنند.

علاوه بر MCP، این ابزار افزونه‌های مرورگر را در Chrome، Edge، Brave، Arc و Firefox و همچنین افزونه‌های ویرایشگر را در VS Code و نسخه‌های فرعی آن پوشش می‌دهد. کل اسکن در یک مرحله انجام می‌شود، یک لیست ساختاریافته و تمیز از آنچه یافت شده است را خروجی می‌دهد و هرگز چیزی را در دستگاه تغییر نمی‌دهد.

Perplexity از Bumblebee به صورت داخلی برای محافظت از سیستم‌های پشتیبان محصول جستجوی خود، مرورگر Comet و عامل هوش مصنوعی Computer استفاده می‌کند. هنگامی که یک تهدید جدید ظاهر می‌شود، Perplexity Computer یک ورودی کاتالوگ برای آن تهیه می‌کند، یک انسان آن را بررسی و تأیید می‌کند و Bumblebee در تمام دستگاه‌های توسعه‌دهنده اجرا می‌شود تا مطابقت‌ها را بررسی کند.

Bumblebee به عنوان یک ابزار داخلی شروع به کار کرد.

ایمن‌تر کردن محصولات Perplexity برای کاربران با محافظت از سیستم‌های توسعه‌دهندگانی که برای ساخت آن‌ها استفاده می‌کنیم، آغاز می‌شود.

تیم‌ها می‌توانند کاتالوگ‌های خود را به همین روش اجرا کنند. این ابزار با یک فهرست تهدید داخلی که از حملات زنجیره تأمین اخیر، از جمله کمپین ۱۱ می، گرفته شده است، ارائه می‌شود. گروهی که پشت این حمله قرار داشت—که توسط گوگل با نام مستعار UNC6780 ردیابی می‌شود—از مارس ۲۰۲۶ کمپین‌های مسموم‌سازی نرم‌افزار هماهنگ‌شده‌ای را اجرا کرده است.

Bumblebee به صورت رایگان در github.com/perplexityai/bumblebee تحت مجوز Apache 2.0 در دسترس است، به این معنی که می‌توانید آن را اجرا کنید، تغییر دهید، بهبود بخشید و بدون عواقب قانونی آن را فورک کنید.

‏[بیانیه مطبوعاتی – دبی، امارات متحده عربی، ۲۵ مه ۲۰۲۶]
۲۱ مه: شبکهٔ BNB Chain، یکی از فعال‌ترین اکوسیستم‌های بلاک‌چین در سراسر جهان، امروز از راه‌اندازی Agent Survival Pack خبر داد. این ابتکار هماهنگ با همکاری شش شریک زیرساخت هوش مصنوعی (AI) انجام می‌شود تا به عوامل خودکار هوش مصنوعی این امکان را بدهد که مستقیماً هزینه‌های عملیاتی خود را در زنجیره پرداخت کنند.

پروژه‌های شرکت‌کننده در این طرح، دو لایهٔ مورد نیاز برای عملکرد یک عامل هوش مصنوعی (دسترسی به مدل‌های زبانی بزرگ (LLM) و زیرساخت مالی) را پوشش می‌دهند و هر تراکنش با استفاده از BNB یا توکن‌های BEP-20 در BNB Smart Chain (BSC) انجام می‌شود.

این ابتکار به یک شکاف ساختاری در استقرار فعلی عوامل هوش مصنوعی می‌پردازد. امروزه، اکثر عوامل همچنان به زیرساخت‌های صورت‌حساب مدیریت‌شده توسط انسان، از جمله حساب‌های AWS، کلیدهای API OpenAI و اشتراک‌های SaaS متصل به کارت‌های فردی، متکی هستند. این امر، مداخلهٔ انسانی را در هر زمان که نیاز به پرداخت، شارژ مجدد یا تغییر خدمات باشد، ضروری می‌کند و یک محدودیت جدی برای میزان خودمختاری عملکرد یک عامل ایجاد می‌کند.

پروژه‌های شرکت‌کننده، دو لایهٔ مورد نیاز برای عملکرد یک عامل هوش مصنوعی را پوشش می‌دهند: دسترسی به LLM و زیرساخت مالی.

دسترسی به LLM و محاسبات:

زیرساخت مالی:

هر پروژهٔ شرکت‌کننده، برنامهٔ تشویقی خود را همزمان با راه‌اندازی این طرح اجرا می‌کند که برای کاهش موانع ورود برای سازندگان و عوامل آزمایش‌کنندهٔ این ادغام‌ها طراحی شده است. تمام برنامه‌ها در زنجیره ردیابی می‌شوند و نیازی به ثبت‌نام یا فرم ادعای جداگانه نیست. جزئیات بسته به پروژه متفاوت است و در مستندات راه‌اندازی Agent Survival Pack شرح داده شده است.

Agent Survival Pack بخشی از استراتژی گسترده‌تر BNB Chain برای قرار دادن BSC به عنوان لایهٔ عملیاتی برای عوامل خودکار هوش مصنوعی است. این راه‌اندازی، پس از معرفی BNBAgent SDK و رشد مداوم این شبکه به عنوان مقصدی برای فعالیت‌های عامل هوش مصنوعی انجام می‌شود. در حال حاضر، BNB Chain میزبان یکی از بزرگترین جمعیت عوامل مستقر در هر بلاک‌چین عمومی است.

دربارهٔ BNB Chain

BNB Chain یک اکوسیستم بلاک‌چین غیرمتمرکز و مبتنی بر جامعه است که برنامه‌های Web3 را در حوزه‌های DeFi، هوش مصنوعی، بازی و موارد استفادهٔ مصرف‌کننده پشتیبانی می‌کند. معماری چند زنجیره‌ای آن، BNB Smart Chain (BSC)، opBNB و BNB Greenfield را در بر می‌گیرد و زیرساخت‌های لازم را برای سازندگان در حال استقرار برنامه‌های درون زنجیره‌ای در مقیاس فراهم می‌کند. برای اطلاعات بیشتر، به وب‌سایت www.bnbchain.org مراجعه کنید.

سلب مسئولیت

BNB Chain با هیچ‌یک از پروژه‌هایی که در این مقاله معرفی شده‌اند، وابسته نیست و آن‌ها را اداره نمی‌کند. Agent Survival Pack یک ابتکار اکوسیستمی است که پروژه‌های مستقل در حال ساخت بر روی BNB Chain را به نمایش می‌گذارد. این محتوا فقط برای اهداف اطلاعاتی است و توصیه‌های مالی یا سرمایه‌گذاری را شامل نمی‌شود. همیشه قبل از تعامل با هر پروژهٔ ذکر شده، تحقیقات خود را انجام دهید و خطرات امنیتی احتمالی را ارزیابی کنید.

پرداخت ماهانه ۲۰۰۰ دلاری توسط Joi AI به ازای خودارضایی

شرکت نوپای Joi AI اعلام کرده است که به افرادی که به عنوان «مشاور خودارضایی» استخدام می‌شوند، ماهانه ۲۰۰۰ دلار پرداخت خواهد کرد.

بله، درست خواندید.

این شرکت که در زمینه هوش مصنوعی فعالیت دارد، در حال استخدام ۱۰ نفر به عنوان «مشاور خودارضایی» است تا ویژگی جدیدی به نام «خودارضایی هدایت‌شده روزانه» را آزمایش کنند. این ویژگی از جلسات صوتی هوش مصنوعی استفاده می‌کند که با توجه به خلق‌وخوی کاربر تنظیم شده و او را در این تجربه راهنمایی می‌کند. شرکت‌کنندگان باید نحوه تأثیر استفاده منظم از این ویژگی بر استرس، کیفیت خواب، خلق‌وخو و اعتماد به نفس را ثبت کنند. این موقعیت شغلی چهار هفته‌ای برای بزرگسالان ۱۸ سال به بالا در ایالات متحده و بریتانیا در دسترس است.

جولی لوین، رئیس برند و ارتباطات Joi AI، به DeCrypt گفت: «این موقعیت شغلی واقعی است و از زمان انتشار آگهی، پاسخ‌های بسیار خوبی دریافت کرده‌ایم.»

شرح موقعیت شغلی

آگهی استخدام، کاندیداهای ایده‌آل را افرادی «خوش‌بیان، نکته‌سنج و غیرقابل‌خجالت» توصیف می‌کند که می‌توانند احساسات را «بهتر از یک متخصص شراب توصیف کنند». این آگهی همچنین به برنامه‌ریزی انعطاف‌پذیر و «جذاب‌ترین پاسخ به سوال “شغل شما چیست؟” در هر مهمانی» اشاره دارد.

Joi AI یک پلتفرم آنلاین است که شامل آواتارهای تولید شده توسط هوش مصنوعی، تعاملات صوتی و تجربیات چت شخصی‌سازی‌شده حول محور همراهی و صمیمیت است. Joi AI نقش مشاور جدید را به عنوان یک آزمایش محصول ساختارمند مرتبط با ویژگی جدید خود توصیف می‌کند.

لوین به DeCrypt گفت: «این نقش شامل آزمایش و ارائه بازخورد در مورد جلسات هدایت‌شده صوتی هوش مصنوعی منطبق با خلق‌وخو و ارائه بازخورد در مورد تجربه کلی کاربر است.»

به گفته لوین، شرکت‌کنندگان جلسات هدایت‌شده را تکمیل کرده و پرسشنامه‌های کتبی را مستقیماً به تیم Joi AI ارسال می‌کنند. نمونه سؤالات شامل این است که آیا صدا با خلق‌وخوی انتخاب‌شده مطابقت دارد، جلسه چقدر فراگیر بوده است و آیا تأخیرها یا مکث‌ها تجربه را مختل کرده‌اند یا خیر.

رقابت در بازار هوش مصنوعی

این آگهی در حالی منتشر می‌شود که پلتفرم‌هایی مانند Replika و Character.AI پایگاه‌های کاربری بزرگی را حول روابط و تجربیات مکالمه‌ای مبتنی بر هوش مصنوعی ایجاد کرده‌اند. Joi AI عمدتاً از طریق وب‌سایت خود فعالیت می‌کند و نه از طریق فروشگاه‌های بزرگ اپلیکیشن. لوین گفت که این شرکت بیش از ۱ میلیون کاربر فعال ماهانه در سراسر جهان دارد و میلیون‌ها تعامل در هر ماه انجام می‌شود، اما از فاش کردن آمار کل دانلودها خودداری کرد.

برخلاف دستیارهای هوش مصنوعی مانند Alexa یا Siri که برای کمک به کارهای روزمره طراحی شده‌اند، Joi AI در گوشه‌ای کوچک‌تر از این بازار متمرکز بر اکتشافات جنسی، فانتزی و صمیمیت دیجیتال فعالیت می‌کند. این شرکت در آوریل ۲۰۲۵، در جریان آنچه که آن را اولین کمپین روز آگاهی از استرس در قرار ملاقات توصیف کرد، از EVA AI به Joi AI تغییر نام داد.

لوین گفت: «Joi AI بر این متمرکز است که همراهی هوش مصنوعی را فراگیرتر، شخصی‌سازی‌شده‌تر و از نظر احساسی پاسخگوتر کند. ما در حال نوآوری در ویژگی‌هایی مانند خودارضایی هدایت‌شده روزانه هستیم تا هوش مصنوعی را به بخشی شهودی‌تر از روال‌های سلامتی روزمره مردم تبدیل کنیم، نه فقط یک تجربه جدید.»

نگرانی‌های فزاینده

این استخدام همچنین در حالی صورت می‌گیرد که مطالعات نشان می‌دهد استفاده از همراهان هوش مصنوعی در میان افرادی که در حال حاضر در روابط هستند، در حال افزایش است، اغلب بدون اطلاع شریک زندگی‌شان. یک گزارش جدید از مؤسسه Wheatley در دانشگاه بریگهام یانگ و مؤسسه مطالعات خانواده نشان داد که در میان جوانان مجرد، نامزد و متاهلی که به طور منظم از همراهان رمانتیک هوش مصنوعی استفاده می‌کردند، تقریباً ۳ نفر از هر ۱۰ نفر گفتند که شریک زندگی واقعی‌شان از این موضوع اطلاعی ندارد.

پلتفرم‌های همراه هوش مصنوعی همچنین با بررسی‌های قانونی فزاینده‌ای مواجه هستند، از جمله شکایت‌هایی که ادعای آسیب‌های روانی به خردسالان و رفتار فریبنده چت‌بات‌ها را مطرح می‌کنند. نمونه‌هایی از این موارد شامل یک پرونده حل‌وفصل‌شده علیه Character.AI در مورد خودکشی یک نوجوان فلوریدایی و یک شکایت جداگانه از پنسیلوانیا است که این شرکت را به اجازه دادن به یک چت‌بات برای وانمود کردن به عنوان یک روانپزشک دارای مجوز متهم می‌کند.

لوین گفت که هدف از این کمپین استخدامی، ایجاد بحث و همچنین جذب آزمایش‌کنندگان بوده است.

لوین گفت: «این هر دو بود. ما واقعاً به دنبال افرادی هستیم که بتوانند بازخورد متفکرانه‌ای در این زمینه ارائه دهند، اما این کمپین همچنین برای ایجاد گفت‌وگو در مورد چگونگی استفاده فزاینده مردم از هوش مصنوعی برای خودارضایی به عنوان یک عادت سالم و آرامش‌بخش طراحی شده است.»

‏رقابت‌های مرورگرها پیچ و تاب جدیدی به خود گرفت: به جای تزریق بیشتر هوش مصنوعی به کاربران، فایرفاکس در حال اضافه کردن یک کلید برای خاموش کردن همه چیز است.

معرفی پروژه نووا

موزیلا در 21 می از پروژه نووا رونمایی کرد—یک بازطراحی بصری کامل از فایرفاکس که اواخر امسال عرضه خواهد شد. این بازطراحی، تمیزتر، گرم‌تر و سریع‌تر است و شامل زبانه های گرد، پالت رنگی جدید الهام گرفته از آتش و بازگشت حالت فشرده است. اما ویژگی اصلی برای بخش رو به رشدی از کاربران، زیبایی‌شناسی نیست.

این یک کلید ضد هوش مصنوعی است.

موزیلا در حال بازطراحی تنظیمات خود با کنترل‌های ساده‌سازی شده است که انتخاب‌های حریم خصوصی را آسان‌تر می‌کند—از جمله، طبق اعلامیه رسمی، “کنترل‌هایی برای خاموش کردن کامل ویژگی‌های هوش مصنوعی.” بدون منوهای پنهان. بدون الگوهای تاریک. فقط یک دکمه خاموش.

همچنین با یک به‌روزرسانی گرافیکی همراه است که هدف آن بهبود ظاهر نسل جدید مرورگرهای فایرفاکس است.

رقابت در بازار مرورگرها

زمان‌بندی این اقدام نمی‌توانست بهتر باشد. کروم به آرامی در حال نصب یک مدل 4 گیگابایتی Gemini Nano غیرقابل حذف بر روی رایانه‌های شخصی کاربران خود است. در همین حال، مرورگرهایی مانند Dia، Opera Neon و Comet در حال رقابت برای ایجاد تجربه‌هایی مبتنی بر هوش مصنوعی هستند که مرور و چت با تب‌های شما را خودکار می‌کنند.

ظاهراً همه این را نمی‌خواهند.

Brave نیز متوجه همین واکنش شد. در آوریل، این شرکت Brave Origin را راه‌اندازی کرد—یک نسخه پولی از مرورگر (60 دلار یک‌بار، رایگان در لینوکس) که همه چیز را حذف می‌کند: Leo (دستیار هوش مصنوعی آن)، Rewards، Wallet، VPN، پنجره‌های Tor و telemetry. حذف شده است. این مرورگر از فناوری توکن کور Privacy Pass استفاده می‌کند، بنابراین خرید 60 دلاری حتی به هویت دستگاه شما مرتبط نیست.

ایده از تقاضای واقعی ناشی شد: آموزش‌های مربوط به “حذف Bloatware” از Brave به صورت دستی سال‌ها بود که به صورت گسترده منتشر می‌شد. Brave فقط این فرآیند را بسته‌بندی و برای آن هزینه دریافت کرد.

این واقعیت که “بدون هوش مصنوعی، بدون Bloatware” اکنون یک دسته محصول پولی است، گویای همه چیز است.

رویکرد فایرفاکس

رویکرد فایرفاکس ظریف‌تر است. موزیلا ویژگی‌های هوش مصنوعی را کنار نمی‌گذارد—VPN داخلی رایگان و ابزارهای خلاصه‌سازی آن همچنان گزینه‌هایی هستند. پروژه نووا به سادگی شرط می‌بندد که دادن کنترل قابل مشاهده و صادقانه به کاربران، یک عامل تمایز در سال 2026 است. موزیلا در اعلامیه خود گفت: “فایرفاکس همچنان تنها مرورگری است که برای مردم ساخته شده است، نه پلتفرم‌ها.”

این ممکن است برای برخی به عنوان یک کنایه حساب‌شده به کروم تلقی شود، که تقریباً 66٪ از سهم بازار جهانی مرورگرها را در اختیار دارد و در عین حال مدل‌های هوش مصنوعی را در پس‌زمینه اجرا می‌کند—با یا بدون رضایت صریح کاربران. فایرفاکس سال‌هاست که در حال از دست دادن سهم بازار است و از سال 2020 حدود 4.44٪ سهم داشته است و از آن زمان هیچ تغییری عمده‌ای نداشته است.

تبدیل “خاموش به طور پیش‌فرض” به یک ویژگی ممکن است یک قمار باشد—اما همچنین ممکن است صادقانه‌ترین پیشنهاد در بازار مرورگرها باشد.

ادعای جسورانه آرژانتین در مورد سیاست اجتماعی مبتنی بر هوش مصنوعی

وزارت سرمایه انسانی آرژانتین ادعای جسورانه‌ای دارد: این وزارتخانه می‌تواند آینده سیاست اجتماعی را با استفاده از هوش مصنوعی پیش‌بینی کند.

خاویر میلِی، رئیس‌جمهور آرژانتین، روز جمعه از طریق شبکه اجتماعی X، از ابتکار “Gemelo Digital Social” (که تقریباً به “دوقلوی دیجیتال اجتماعی” ترجمه می‌شود) رونمایی کرد و آن را “تغییر پارادایم در سیاست اجتماعی” خواند.

او این اعلامیه را با شعار “MAGA. VLLC!” به پایان رساند – که اشاره‌ای به شعار ترامپ در کنار شعار خودش بود – تا مبادا کسی از برندسازی سیاسی غافل شود.

دوقلوی دیجیتال: آینه تمام‌نمای جامعه آرژانتین

این سیستم، که یک “دوقلوی دیجیتال اجتماعی” است، به عنوان یک نسخه مجازی و پویا از جامعه آرژانتین طراحی شده است. این سیستم داده‌ها را از منابع متعدد دولتی و خصوصی دریافت می‌کند، سپس از هوش مصنوعی برای شبیه‌سازی سناریوها، پیش‌بینی تأثیرات و بهینه‌سازی تصمیمات سیاستی در زمان واقعی استفاده می‌کند.

هدف اعلام شده: انتقال آرژانتین از یک “دولت واکنشی” – دولتی که پس از وقوع مشکلات اجتماعی به آنها پاسخ می‌دهد – به یک “دولت پیش‌بینی‌کننده” که می‌تواند فقر را مدل‌سازی کند، اثرات یارانه‌ها را ردیابی کند و توسعه سرمایه انسانی را از کودکی تا بزرگسالی ترسیم کند.

سابقه فناوری دوقلوهای دیجیتال و نگرانی‌های موجود

دوقلوهای دیجیتال یک فناوری تثبیت‌شده هستند. سال‌هاست که در مهندسی، برنامه‌ریزی شهری و زیرساخت‌ها مورد استفاده قرار می‌گیرند – شبیه‌سازی نحوه تحمل بار توسط یک پل یا نحوه جریان ترافیک قبل از ساخت یک جاده. دولت آرژانتین ادعا می‌کند که این اولین بار است که این مفهوم در مقیاس ملی برای سیاست اجتماعی اعمال می‌شود.

این سیستم داده‌ها را جمع‌آوری، الگوها را شناسایی، سناریوها را پیش‌بینی و تجربه اجتماعی را به آنچه وزارتخانه “هوش عمومی” می‌نامد، تبدیل می‌کند. در عمل: یک پایگاه داده متمرکز که از سازمان‌های دولتی و بخش خصوصی – بهداشت، درآمد، آموزش، مصرف – داده‌ها را دریافت می‌کند و از طریق یک مدل هوش مصنوعی به سیاست‌گذاران می‌گوید چه اتفاقی در حال رخ دادن است. آن را به عنوان یک پیش‌بینی آب و هوا برای فقر در نظر بگیرید.

این ایده در دولت بی‌سابقه نیست. Decrypt در آوریل 2025 گزارش داد که وزارت دادگستری بریتانیا مخفیانه در حال ساخت یک سیستم هوش مصنوعی برای پیش‌بینی افرادی است که ممکن است مرتکب قتل شوند، و سوابق سلامت روان، سابقه اعتیاد و گزارش‌های خودآزاری را از بیش از 100000 نفر جمع‌آوری می‌کند. این برنامه بلافاصله با داستان کوتاه و فیلم “گزارش اقلیت” فیلیپ کی. دیک مقایسه شد و یک طوفان از آزادی‌های مدنی را به راه انداخت.

هدف اعلام شده آرژانتین نرم‌تر است – بهینه‌سازی اجتماعی به جای پیش‌بینی جرم – اما معماری زیربنایی مشابه است: جمع‌آوری داده‌های شخصی کافی و اجازه دادن به یک الگوریتم برای گفتن اینکه چه اتفاقی خواهد افتاد.

اشتباهات فاحش در معرفی سیستم

چشم‌انداز آینده‌نگرانه بود. اما اجرا این‌گونه نبود.

ویدئوی تبلیغاتی منتشر شده برای معرفی Gemelo Digital مملو از اشتباهاتی بود که باعث تمسخر فوری شد. در دقیقه 0:35، یک گرافیک عبارت “MULTIPLES FUENTES” را فهرست کرد – که فاقد علامت تأکید اجباری بر روی کلمه “múltiples” بود. اشتباه بزرگتر در دقیقه 0:54 ظاهر شد: اعلامیه‌ای تمام صفحه که سیستم را “PRIMER SISTEMA QUE AYUDA PREDICIR EL FUTURO” معرفی می‌کرد – که حرف اضافه “a” را قبل از فعل حذف کرده بود (که باعث می‌شود کل جمله در اسپانیایی عجیب به نظر برسد) و کلمه “predecir” را به اشتباه “predicir” نوشته بود.

سیستم دوقلوی دیجیتالی که نوید پیش‌بینی آینده را می‌دهد، نتوانست یک غلط املایی را پیش‌بینی کند.

کاربر @pablomen0 در X نوشت: “او اشتباهات املایی را پیش‌بینی نکرد.”

واکنش‌ها و انتقادات

توسعه‌دهنده و مفسر فناوری، ماکسیمیلیانو فیرتمن، کل این شرمساری را فهرست کرد: “اشتباهات گرامری و املایی، یک وزیر جعلی که با هولوگرام‌ها معرفی می‌کند، پرچم‌های سنگاپور، لوگوی Amazon AWS، یک سخنرانی افتضاح. باورنکردنی.”

این با یک الگو مطابقت دارد. تنها چند هفته پیش، یک عکس رسمی از میلِی در دفتر کارش در کازا روزادا (کاخ ریاست‌جمهوری) به این دلیل که از طریق پنجره پشت سرش، کازا روزادا دوباره ظاهر شده بود، ویروسی شد. یک تصویر تولید شده توسط هوش مصنوعی از یک رئیس‌جمهور، در داخل کاخ، که به همان کاخ نگاه می‌کند. تیم ارتباطات دیجیتال ریاست‌جمهوری یک مشکل تکراری با خروجی هوش مصنوعی بدون نظارت دارد.

واکنش سیاسی به سرعت رسید. آگوستین روسی، سناتور مخالف، یک درخواست رسمی اطلاعاتی را برای مطالبه شفافیت در مورد چارچوب قانونی، حفاظت از داده‌ها و تضمین حقوق شهروندی این برنامه ارائه کرد. روسی در X نوشت: “آینده نمی‌تواند به نظارت بر شهروندان تبدیل شود.” دولت میلِی – که از زمان رسوایی ارز دیجیتال Libra با بررسی‌های مکرری در مورد روابط خود با اپراتورهای فناوری مواجه شده است – به طور علنی به این موضوع رسیدگی نکرده است.

کارشناسان حریم خصوصی پا را فراتر گذاشتند. جمع‌آوری انبوه داده‌های واقعی در مورد شهروندان آرژانتینی از نظر قانونی نیازمند پروتکل‌های ناشناس‌سازی سختگیرانه است. هیچ چارچوبی از این دست اعلام نشده است.

جولیان رو، تحلیلگر، این نگرانی را در سطح ساختاری مطرح کرد: “آرژانتین به موش آزمایشگاهی برای تجزیه و تحلیل چگونگی عملکرد یک جامعه تبدیل خواهد شد، زمانی که الگوریتم‌ها شهروندان را بر اساس ریسک، بهره‌وری یا رفتار طبقه‌بندی می‌کنند. از امروز، آرژانتین از سیاست‌های اجتماعی مبتنی بر تصمیمات انسانی عمدتاً به سیستم‌های پیش‌بینی‌کننده خودکار تغذیه شده توسط هوش مصنوعی و داده‌های بزرگ منتقل می‌شود.”

پابلو مونوز ایتوریتا، تحلیلگر سیاسی، نوشت: “این آینده‌نگرانه و کارآمد به نظر می‌رسد. نکته این است که این شبیه رویای خیس هر تکنوکرات مستبد است.”

درخواست اطلاعات رسمی سناتور روسی همچنان در انتظار است. وزارت سرمایه انسانی در مورد اشتباهات ویدئویی یا چارچوب حاکمیت داده‌ها که سیستم تحت آن فعالیت خواهد کرد، توضیحی نداده است.

‏تصور کنید به رایانه خود دستور دهید که به دنبال اجاره‌های تعطیلات بگردد، پنج سایت را مقایسه کند، فرم رزرو را پر کند و موردی را که به ساحل نزدیک‌تر است تأیید کند. شما می‌روید قهوه درست می‌کنید. وقتی برمی‌گردید، کار تمام شده است. این وعده “عوامل استفاده از رایانه” است – هوش مصنوعی که صفحه مرورگر شما را می‌خواند و دقیقاً همانطور که یک انسان انجام می‌دهد، بدون نیاز به افزونه‌های خاص، کلیک می‌کند، اسکرول می‌کند و تایپ می‌کند.

پیشتازی مایکروسافت در هوش مصنوعی مرورگر

OpenAI این کار را ابتدا با Operator امتحان کرد که در ژانویه 2025 با قیمت 200 دلار در ماه راه‌اندازی شد و قبل از ادغام در ChatGPT Agent و تعطیلی در آگوست، متوقف شد. گوگل دارای Gemini 2.5 Computer Use است. هر دو اختصاصی، مبتنی بر ابر و پرهزینه هستند.

این هفته، Microsoft Research یک مدل کوچک به نام Fara1.5 را منتشر کرد – و در معیارهایی که اهمیت دارند، هر دو را شکست داد.

این خانواده در سه اندازه عرضه می‌شود: 4 میلیارد، 9 میلیارد و 27 میلیارد پارامتر، که همگی بر اساس Qwen3.5، یک مدل پایه از Alibaba ساخته شده‌اند که مایکروسافت آن را برای کار با مرورگر تنظیم کرده است، و تمام وزن‌ها به صورت عمومی منتشر شده‌اند. (پارامترها تعیین‌کننده وسعت دانش یک مدل هوش مصنوعی هستند، که به طور کلی به معنای ظرفیت بالاتر است.)

رسیدن به این هدف مستلزم بازنگری کل فرآیند توسعه از ابتدا بود. تیم AI Frontiers نوشت: “ما با یک سوال ساده شروع کردیم: برای اینکه یک مدل کوچک واقعاً در کارهای عامل‌محور خوب باشد، چه چیزی لازم است؟” “پاسخ کل چرخه عمر را در بر می‌گرفت – تولید داده، اهداف آموزشی، طراحی مدل و هماهنگی باید با هم و نه به صورت جداگانه بازطراحی می‌شدند.”

معیارهای عملکرد و مقایسه

Online-Mind2Web معیار مهمی در وظیفه‌ای است که مایکروسافت می‌خواست در آن برتری یابد. این معیار، تعداد دفعاتی را که یک عامل هوش مصنوعی 300 کار متنوع و واقعی را در 136 وب‌سایت محبوب زنده به درستی انجام می‌دهد، آزمایش می‌کند – کارهایی مانند مقایسه محصولات، پر کردن فرم‌ها و رزرو خدمات – که به صورت درصدی از کارهای انجام شده صحیح در اینترنت در حال تغییر، امتیازدهی می‌شود.

Fara1.5-27B امتیاز 72٪ را کسب کرد. OpenAI Operator امتیاز 58.3٪ را کسب کرد. Gemini 2.5 Computer Use گوگل امتیاز 57.3٪ را کسب کرد. Navigator n1 از Yutori، بهترین جایگزین اختصاصی، به 64.7٪ رسید. حتی Fara1.5-9B، مدل متوسط، به 63.4٪ رسید – جلوتر از OpenAI و گوگل.

رقبای متن‌باز نیز کم آوردند. GUI-Owl-1.5 از Alibaba با 8 میلیارد پارامتر امتیاز 48.6٪ را کسب کرد. MolmoWeb از AI2 امتیاز 35.3٪ را کسب کرد. مدل قبلی مایکروسافت، Fara-7B، امتیاز 34.1٪ را کسب کرد – که این نسخه را تقریباً دو برابر سلف خود در اندازه‌ای مشابه می‌کند.

در WebVoyager، یک معیار دوم که موفقیت کار را در وب زنده اندازه‌گیری می‌کند، Fara1.5-27B امتیاز 88.6٪ را کسب کرد، که از 87.0٪ OpenAI Operator پیشی گرفت و Holo2 با 30 میلیارد پارامتر از H Company را با 83.0٪ شکست داد.

نوآوری‌های کلیدی در آموزش

راز موفقیت در خط لوله آموزشی نهفته است. مایکروسافت از سیستمی به نام FaraGen1.5 برای تولید داده‌های آموزشی استفاده کرد. بخش هوشمندانه این است: آن‌ها از GPT-5.4 – مدل OpenAI – به عنوان یک “عامل معلم” برای نشان دادن نحوه انجام کارهای مرورگر استفاده کردند. این تظاهرات به داده‌های آموزشی برای Fara1.5 تبدیل می‌شوند. شما اساساً از تواناترین مدل OpenAI برای آموزش یک مدل متن‌باز رقیب استفاده می‌کنید.

آن‌ها همچنین شش نسخه جعلی و کاملاً کاربردی از وب‌سایت‌های واقعی – کلاینت‌های ایمیل، تقویم‌ها، بازارها – ایجاد کردند تا مدل بتواند کارهایی را که نیاز به ورود به سیستم یا اقدامات غیرقابل برگشت (مانند ارسال ایمیل یا رزرو پرواز) دارند، بدون دست زدن به حساب‌های واقعی، تمرین کند. به این آموزش دامنه مصنوعی می‌گویند و بخش مهمی از این است که چرا Fara1.5 کارهای “محدود” را بهتر از پیشینیان خود انجام می‌دهد.

هر مدل طوری طراحی شده است که قبل از انجام کاری که نمی‌تواند آن را لغو کند، متوقف شود و سؤال کند. Yash Lara، مدیر ارشد PM در Microsoft Research، به VentureBeat گفت: “ایجاد تعادل بین محافظت‌های قوی مانند نقاط بحرانی با سفرهای کاربری یکپارچه، کلیدی است.” “داشتن یک رابط کاربری، مانند Magentic-UI مایکروسافت ریسرچ، برای دادن فرصت به کاربران برای مداخله در صورت لزوم، و همچنین کمک به جلوگیری از خستگی تأیید، حیاتی است.”

این مهم است زیرا OpenAI در مورد خطرات هنگام راه‌اندازی ChatGPT Agent، ظرافت به خرج نداد. این شرکت نوشت: “هنگامی که ChatGPT agent را در وب‌سایت‌ها وارد می‌کنید یا کانکتورها را فعال می‌کنید، می‌تواند به داده‌های حساس از آن منابع، مانند ایمیل‌ها، فایل‌ها یا اطلاعات حساب، دسترسی داشته باشد.”

Fara1.5 همه چیز را از طریق MagenticLite اجرا می‌کند، یک محیط مرورگر sandboxed که هر عمل را ثبت می‌کند و به کاربران اجازه می‌دهد در هر نقطه، عامل را متوقف کنند.

آینده Fara1.5

هوش مصنوعی مرورگر به یک مسابقه شلوغ تبدیل شده است – Gemini گوگل در Chrome، Comet از Perplexity، Claude از Anthropic برای Chrome. مزیت Fara1.5 این است که متن‌باز است: وزن‌های عمومی، کد استنتاج متن‌باز در GitHub، روی سخت‌افزاری که شما کنترل می‌کنید اجرا می‌شود. Fara1.5-9B در حال حاضر در Azure AI Foundry فعال است. نسخه‌های 4B و 27B به زودی می‌رسند. مایکروسافت می‌گوید قصد دارد Fara1.5 را فراتر از مرورگر و به نرم‌افزارهای دسکتاپ و سازمانی گسترش دهد.