Tag: نوآوری فناوری

  • ‏**امیدواری به افزایش حریم خصوصی، نقطه عطفی برای شرکت‌ها در اتریوم**

    ‏**امیدواری به افزایش حریم خصوصی، نقطه عطفی برای شرکت‌ها در اتریوم**

    ‏OP Labs روز سه‌شنبه از یک پیشنهاد حریم خصوصی رونمایی کرد که هدف آن جذب شرکت‌های بیشتر به اکوسیستم اتریوم است، با شروع از OP Mainnet، شبکه مقیاس‌پذیری لایه-۲ که خود ایجاد کرده است.

    معرفی Privacy Boost

    به گفته OP Labs در یک اطلاعیه، این شبکه که قبلاً با نام Optimism شناخته می‌شد، اکنون از “Privacy Boost” پشتیبانی می‌کند و این محصول را به عنوان فناوری‌ای توصیف می‌کند که امکان انتقال خصوصی و تعامل محرمانه با برنامه‌های امور مالی غیرمتمرکز را فراهم می‌کند – در حالی که از نیازهای نظارتی نیز پشتیبانی می‌کند.

    OP Labs اعلام کرد که Privacy Boost به عنوان یک کیت توسعه نرم‌افزار و رابط عمل می‌کند که به برنامه‌های نرم‌افزاری اجازه می‌دهد با یکدیگر ارتباط برقرار کرده و داده‌ها را به اشتراک بگذارند، که به عنوان API نیز شناخته می‌شود. این شرکت افزود که امید است شرکت‌ها از این فناوری برای ساخت برنامه‌های کاربردی در دنیای واقعی استفاده کنند. همچنین اعلام شد که در هفته‌های آینده، شبکه‌های بیشتری برای گسترش Privacy Boost در نظر گرفته شده‌اند.

    اهمیت حریم خصوصی در دنیای رمزارزها

    علاقه مجدد به دارایی‌های دیجیتالی مانند Zcash ممکن است نشان‌دهنده این باشد که چگونه حریم خصوصی در حوزه رمزارزها دوباره مورد توجه قرار گرفته است. با این حال، برای بسیاری از شرکت‌های سنتی که مشتاق آزمایش در این حوزه هستند، این ایده که مبالغ تراکنش‌ها، طرف‌های مقابل و موجودی‌ها کاملاً عمومی هستند، همیشه غیرقابل اجرا بوده است، به گفته کارل فلورش، هم‌بنیان‌گذار و مدیر ارشد فناوری OP Labs به Decrypt.

    وی گفت: “ما با یک ارائه‌دهنده خدمات پرداخت در مورد چشم‌انداز آن‌ها برای زنجیره عمومی صحبت می‌کردیم و در نهایت، انطباق با مقررات، معماری آن‌ها را از بین برد.” “ما نمی‌توانیم تعدادی از این مؤسسات را وارد زنجیره کنیم تا زمانی که یک راه‌حل بسیار روشن برای حریم خصوصی داشته باشیم.”

    در این اطلاعیه، OP Labs اعلام کرد که هدف آن ایجاد یک لایه حریم خصوصی است که هر پروتکلی می‌تواند به آن متصل شود، و نشان می‌دهد که جاه‌طلبی‌های آن فراتر از شبکه مرتبط با آن است، که در حال حاضر از برنامه‌های پیشرو DeFi مانند پروتکل وام‌دهی Aave پشتیبانی می‌کند.

    رقابت و فناوری‌های جدید

    آخرین پیشنهاد OP Labs در حالی ارائه می‌شود که شبکه‌هایی مانند Canton، که در آن دید تراکنش‌ها به طرف‌های ذی‌ربط محدود می‌شود، در حال جذب شرکت‌های مالی هستند. به عنوان مثال، در ماه گذشته، Visa اعلام کرد که اولین شرکت بزرگ پرداخت است که به شبکه تحت حمایت DTCC پیوسته است.

    Privacy Boost از خود-حراستی از طریق اثبات‌های دانش صفر پشتیبانی می‌کند، یک روش رمزنگاری برای اثبات درستی چیزی بدون آشکار کردن مستقیم اطلاعات شناخته شده. OP Labs اعلام کرد که این فناوری همچنین به محیط‌های اجرای مورد اعتماد یا TEEها متکی است که امکان تراکنش‌های سریع و خصوصی را فراهم می‌کند.

    این شرکت اعلام کرد که TEEهای این پیشنهاد را می‌توان با قوانین “شناخت مشتری” (KYC) – که شرکت‌ها اغلب باید از آن‌ها پیروی کنند – و الزامات حسابرسی تطبیق داد. تیم پشت Starknet، رقیب OP Labs، نیز عملکرد مشابهی را در فعال کردن “تراکنش‌های خصوصی بیت‌کوین” تبلیغ کرده است.

    فلورش گفت که یک مطالعه انجام شده توسط OP Labs نشان می‌دهد که حتی در داخل رمزارزها، حریم خصوصی بالاتر از اولویت‌های دیگر برای بلاک‌چین‌ها، مانند کارمزدها یا توان عملیاتی، قرار دارد. پرداختن به این شکاف از نظر تاریخی دشوار بوده است، با توجه به اینکه اتریوم بر اساس یک اخلاق شفافیت ساخته شده است.

    OP Labs اعلام کرد که Privacy Boost “ترکیبی” از سال‌ها مهندسی است. این شرکت ماه گذشته اعلام کرد که در حال تعدیل 20 کارمند برای متمرکز کردن تمرکز خود است. در همین حال، قیمت توکن OP Mainnet، OP، در سال گذشته حدود 83 درصد کاهش یافته و به کمی بیش از 0.12 دلار رسیده است، طبق گزارش CoinGecko.

    اهمیت حریم خصوصی برای شرکت‌ها و مصرف‌کنندگان

    OP Labs اعلام کرد که برای مؤسسات، فقدان حریم خصوصی موقعیت‌های پرتفوی و استراتژی‌های معاملاتی را فاش می‌کند. برای برنامه‌هایی که با مصرف‌کنندگان سروکار دارند، عادات خرج کردن و تاریخچه تراکنش‌ها برای هر کسی که به اینترنت دسترسی دارد، عمومی می‌شود.

    OP Labs افزود: “شفافیت کامل، خطرات قانونی، رقابتی و عملیاتی را به همراه دارد.” “حریم خصوصی دیگر یک ویژگی اختیاری نیست – بلکه پیش‌نیازی برای پذیرش گسترده است.”

    این احساس، چیز جدیدی نیست. سال گذشته، دنی رایان، رئیس Etherealize، یک بازوی بازاریابی و محصول سازمانی برای اکوسیستم اتریوم، به Decrypt گفت که نیاز وال استریت به حریم خصوصی در زنجیره، در نهایت نتایج مشابهی را برای مصرف‌کننده عادی رمزارزها به ارمغان خواهد آورد.

  • ‏شرکت سازندهٔ پلی‌دیت، استفاده از ابزارهای هوش مصنوعی تولیدی را ممنوع کرد.

    ‏شرکت سازندهٔ پلی‌دیت، استفاده از ابزارهای هوش مصنوعی تولیدی را ممنوع کرد.

    ‏شرکت پنیک، سازنده کنسول بازی دستی پلی‌دیت، اعلام کرد که استفاده از هنر، موسیقی و نوشته‌های تولید شده توسط هوش مصنوعی را در فروشگاه دیجیتالی خود ممنوع می‌کند، اما همچنان به ابزارهای کدنویسی مبتنی بر هوش مصنوعی اجازه می‌دهد.

    تمایز بین کاربردهای خلاقانه و فنی هوش مصنوعی

    این سیاست، تمایز روشنی بین کاربردهای خلاقانه و فنی هوش مصنوعی ایجاد می‌کند. شرایط به‌روزرسانی‌شده پنیک اکنون هرگونه ارسال بازی‌های شخص ثالث که حاوی محتوای خلاقانه تولید شده توسط هوش مصنوعی باشد را ممنوع می‌کند، در حالی که توسعه‌دهندگانی که از دستیارهای کدنویسی هوش مصنوعی استفاده می‌کنند، باید استفاده خود را برای شفافیت مشتری فاش کنند.

    کِیل سَسر، هم‌بنیانگذار پنیک، در بیانیه‌ای به توسعه‌دهنده بازی گفت: «فروشگاه پلی‌دیت کاتالوگ از نظر تاریخی نیازمند آن بوده است که توسعه‌دهنده استفاده از هوش مصنوعی را برای هرگونه ارسال بازی فاش کند، این بخش هرگز تغییر نکرده است. اما از این ماه، فروشگاه پلی‌دیت کاتالوگ اکنون هنر، موسیقی و نوشته‌های تولید شده توسط هوش مصنوعی را از هرگونه ارسال بازی شخص ثالث در آینده ممنوع می‌کند.»

    این شرکت خود را به عنوان پیشگام در توزیع بازی معرفی کرد و کنسول منحصربه‌فرد خود را – با صفحه نمایش سیاه و سفید، دسته دستی تاشو و کتابخانه بازی‌های مستقل – از غول‌های صنعت بازی متمایز کرد.

    سَسر گفت: «ما معتقدیم که یکی از اولین (و احتمالاً تنها) فروشگاه‌های بازی دیجیتالی هستیم که این کار را انجام می‌دهیم. استیم، فروشگاه نینتندو، فروشگاه پلی‌استیشن، حتی ایچ و غیره، همگی همچنان به این نوع آثار تولید شده توسط هوش مصنوعی در فهرست‌های خود اجازه می‌دهند.» وی افزود که این اقدام «یک گام مهم برای کیفیت بازی و جامعه ما» است.

    واکنش به استفاده از هوش مصنوعی در یک بازی

    این تغییر سیاست پس از آن رخ داد که مشخص شد در بازی ویلزپرانگ، که در مجموعه فصل دوم پلی‌دیت گنجانده شده بود، از چت جی‌پی‌تی و گیت‌هاب کوپایلوت برای کدنویسی و کمک به نوشتن استفاده شده است.

    سَسر این اشتباه را تأیید کرد و سال گذشته به اکسپل گفت که تیم پنیک در نظر نداشت که یک توسعه‌دهنده فصل دوم از مدل‌های زبانی بزرگ استفاده کند. او این فرض را «ساده‌لوحانه» خواند و مسئولیت عبور این بازی از فرآیند بررسی آن‌ها را بر عهده گرفت.

    پلی‌دیت در سال ۲۰۲۲ به عنوان یک دستگاه بازی بوتیک راه‌اندازی شد و به جای رقابت با دستگاه‌های دستی رده بالا، به طراحی منحصربه‌فرد و ویژگی‌های عجیب و غریب خود تکیه کرد. فروشگاه کاتالوگ این کنسول به عنوان کانال اصلی توزیع بازی‌های طراحی شده برای این پلتفرم خاص عمل می‌کند. برخلاف پلتفرم‌های اصلی بازی که تا حد زیادی در مورد محتوای تولید شده توسط هوش مصنوعی سکوت کرده‌اند، سیاست صریح پنیک بین کاربردهای مختلف هوش مصنوعی در توسعه بازی تمایز قائل می‌شود – که این اولین بار در صنعت است.

    پنیک در حال حاضر استانداردهای سخت‌گیرانه‌تری را برای مجموعه منتخب آینده خود اجرا کرده است. این ناشر در پستی در بلواسکای تأیید کرد که فصل سوم پلی‌دیت شامل هیچ عنوانی که از هوش مصنوعی مولد در هر ظرفیتی استفاده می‌کند، نخواهد بود.

    این شرکت اعلام کرد: «ما با خوشحالی می‌توانیم تأیید کنیم که این یک الزام برای همه توسعه‌دهندگان فصل سوم بود که هیچ هوش مصنوعی نمی‌تواند در بازی‌های فصل سوم استفاده شود.» و توضیح داد که «این شامل هنر، موسیقی، نوشتن و بله، کد می‌شود.»

  • ‏**سازمان امنیت ملی از هوش مصنوعی کلود میتوسِ آنتروپیک استفاده می‌کند؛ دیدار مدیرعامل با کاخ سفید: گزارش**

    ‏**سازمان امنیت ملی از هوش مصنوعی کلود میتوسِ آنتروپیک استفاده می‌کند؛ دیدار مدیرعامل با کاخ سفید: گزارش**

    ‏آژانس امنیت ملی در حال استفاده از مدل Claude Mythos Preview شرکت Anthropic در شبکه‌های طبقه‌بندی‌شده خود است. این خبر بر اساس گزارش دو منبع آکسیوس منتشر شده است. این یک تحول غافلگیرکننده است، زیرا آژانس امنیت ملی زیر نظر وزارت دفاع قرار دارد، که در ماه مارس، Anthropic را به عنوان یک خطر در زنجیره تأمین معرفی کرد و در حال حاضر در دادگاه فدرال با این شرکت در حال مبارزه است.

    Claude Mythos: یک ابزار سازمانی معمولی نیست

    Claude Mythos یک ابزار سازمانی استاندارد نیست. هنگامی که Anthropic این مدل را در اوایل این ماه معرفی کرد، دسترسی به آن را به تعداد معدودی از سازمان‌های تأیید شده محدود کرد و استدلال کرد که این مدل خطرات امنیتی تهاجمی جدی را به همراه دارد. مستندات فنی خود Anthropic نشان داد که Mythos قادر به شناسایی آسیب‌پذیری‌های حیاتی در هر سیستم عامل و مرورگر وب پرکاربرد است. این شرکت آن را برای انتشار عمومی بیش از حد خطرناک ارزیابی کرد.

    اکثر سازمان‌هایی که به این مدل دسترسی دارند، از آن به صورت دفاعی استفاده می‌کنند و زیرساخت‌های خود را قبل از اینکه مهاجمان این کار را انجام دهند، برای یافتن نقاط ضعف اسکن می‌کنند. این ابتکار که با نام Project Glasswing شناخته می‌شود، شامل شرکت‌های مایکروسافت، گوگل، اپل، Amazon Web Services، JPMorgan Chase و Nvidia است. اینکه آژانس امنیت ملی با Mythos چه می‌کند، کمتر مشخص است، اگرچه مأموریت این آژانس صرفاً دفاعی نیست. یک منبع سوم به آکسیوس گفت که این مدل به طور گسترده‌تری در بخش اطلاعات استفاده می‌شود.

    تنش‌ها بین پنتاگون و Anthropic

    خصومت پنتاگون نسبت به Anthropic به مذاکراتی بازمی‌گردد که به نتیجه نرسید. در ژوئیه 2025، دو طرف توافقی را امضا کردند که Claude را به اولین مدل هوش مصنوعی پیشرفته‌ای تبدیل کرد که برای استفاده در شبکه‌های طبقه‌بندی‌شده تأیید شده بود. زمانی که پنتاگون به دنبال تجدید نظر در این توافق بود، مذاکرات تیره شد و خواستار این شد که ارتش اجازه داشته باشد از Claude “برای همه اهداف قانونی” بدون محدودیت استفاده کند. Anthropic مخالفت کرد و دو خط قرمز تعیین کرد: عدم استفاده از سلاح‌های خودکار و عدم نظارت گسترده داخلی.

    هنگامی که مذاکرات شکست خورد، پیت هگست، وزیر دفاع، در اواخر فوریه، Anthropic را به عنوان یک خطر در زنجیره تأمین معرفی کرد – یک عنوان بی‌سابقه و اولین مورد که برای یک شرکت آمریکایی اعمال شد. یک قاضی فدرال در کالیفرنیا این اقدام را متوقف کرد، اما سپس یک دادگاه تجدیدنظر در واشنگتن درخواست جداگانه Anthropic برای متوقف کردن قرار گرفتن در لیست سیاه را در حالی که دادرسی ادامه داشت، رد کرد. دو طرف همچنان در دادگاه هستند.

    رویکرد متفاوت دولت

    در حالی که مبارزه حقوقی ادامه دارد، بقیه دولت در حال حرکت در جهت متفاوتی هستند. در 17 آوریل، داریو آمودی، مدیر عامل Anthropic، با سوزی وایلز، رئیس دفتر کاخ سفید، و اسکات بسنت، وزیر خزانه‌داری، دیدار کرد. رویترز گزارش داد که Anthropic این جلسه را “مثمر ثمر” توصیف کرد. کاخ سفید اعلام کرد که طرفین “در مورد فرصت‌های همکاری و همچنین رویکردها و پروتکل‌های مشترک برای مقابله با چالش‌های مرتبط با توسعه این فناوری بحث و تبادل نظر کردند.”

    از رئیس جمهور ترامپ در مورد این جلسه سؤال شد و او گفت که “هیچ ایده‌ای” نداشته که آمودی در کاخ سفید بوده است، پس از آنکه قبلاً به دولت دستور داده بود که از مدل‌های “بیداری” Anthropic استفاده نکند. بسنت و جروم پاول، رئیس فدرال رزرو، به طور جداگانه مدیران عامل بانک‌های بزرگ را تشویق کرده‌اند که Mythos را آزمایش کنند و برای تهدیدات امنیتی آماده باشند، و یک منبع دولتی به آکسیوس گفت که همه آژانس‌های فدرال به جز وزارت دفاع خواهان دسترسی به ابزارهای Anthropic هستند.

    نگرانی‌ها در مورد قابلیت‌های Mythos

    استفاده آژانس امنیت ملی از Mythos در حالی گزارش می‌شود که سؤالاتی در مورد اینکه آیا می‌توان قابلیت‌های این مدل را به طور کامل مهار کرد یا خیر، مطرح می‌شود. دکریپت هفته گذشته گزارش داد که محققان Vidoc Security چندین یافته امنیتی سایبری هشداردهنده Mythos را با استفاده از مدل‌های در دسترس عموم – از جمله GPT-5.4 OpenAI و Claude Opus 4.6 خود Anthropic – بدون هیچ دسترسی ویژه‌ای به خود Mythos، بازتولید کردند.

    Anthropic فوراً به درخواست دکریپت برای اظهار نظر پاسخ نداد.

  • ‏کوین‌بیس، هوش مصنوعی‌های الگوبرداری‌شده از مدیران سابق افسانه‌ای را آزمایش می‌کند.

    ‏کوین‌بیس، هوش مصنوعی‌های الگوبرداری‌شده از مدیران سابق افسانه‌ای را آزمایش می‌کند.

    ‏شرکت کوین‌بیس در حال آزمایش هوش مصنوعی است که بر اساس مدل‌های فرد اهرسام، هم‌بنیان‌گذار، و بالاجی سری‌نیواسان، مدیر ارشد فناوری سابق، ساخته شده‌اند. این هوش مصنوعی در ارتباطات محل کار ادغام می‌شود تا بازخورد کارمندان را ارائه دهد. این خبر را برایان آرمسترانگ، مدیرعامل، روز شنبه اعلام کرد.

    عملکرد هوش مصنوعی

    هوش مصنوعی فرد به عنوان یک دستیار اجرایی استراتژیک عمل می‌کند و به کارکنان در “بهبود اسناد، استراتژی‌ها و مفاهیم” کمک می‌کند، در حالی که هوش مصنوعی بالاجی برای “ایجاد نوآوری و دیدگاه‌های جدید” در نظر گرفته شده است.

    کوین‌بیس در حال آزمایش هوش مصنوعی است که در اسلک/ایمیل محل کار ظاهر می‌شود، درست مانند هر هم‌تیمی انسانی. در ابتدا، دو هوش مصنوعی را راه‌اندازی می‌کنیم که بر اساس مدل‌های کارمندان سابق افسانه‌ای کوین‌بیس، @FEhrsam و @balajis ساخته شده‌اند.

    توسعه بیشتر

    آرمسترانگ در بیانیه‌ای که روز دوشنبه منتشر کرد، اهرسام و سری‌نیواسان را به عنوان “کارمندان سابق افسانه‌ای کوین‌بیس” توصیف کرد که در شکل‌گیری رشد اولیه این شرکت نقش داشتند.

    تراویس بلوم، مهندس کوین‌بیس، گزارش داد که در حال بحث درباره یک ایده جدید با هوش مصنوعی بالاجی بوده است و گفت که این هوش مصنوعی “واقعاً به شفاف‌سازی دیدگاه کمک کرد.”

    آرمسترانگ افزود که به عنوان “گام بعدی”، این صرافی “ایجاد هوش مصنوعی‌های دیگر را برای هر کارمند آسان خواهد کرد” و هوش مصنوعی‌های آینده احتمالاً “نسخه‌های دیجیتالی” از افراد واقعی نخواهند بود.

    زیرساخت هوش مصنوعی کوین‌بیس

    هوش مصنوعی‌های اجرایی، زیرساخت گسترده‌تر هوش مصنوعی کوین‌بیس را تکمیل می‌کنند که شامل ابزارهای یادگیری ماشینی است که برای پیش‌بینی ترافیک کاربران و مقیاس‌بندی خودکار منابع طراحی شده‌اند.

    در ماه فوریه، این صرافی کیف پول‌های Agentic را راه‌اندازی کرد که به سیستم‌های هوش مصنوعی اجازه می‌دهد تا وجوه را نگهداری کنند، معاملات را انجام دهند و تراکنش‌های درون زنجیره‌ای را به طور مستقل پردازش کنند.

    این کیف پول‌ها با پروتکل x402 کوین‌بیس که در حال توسعه است، برای پرداخت‌های خودکار رمزنگاری بدون دخالت انسان، همسو هستند. این صرافی خود را به عنوان یک رهبر در ترکیب هوش مصنوعی با زیرساخت بلاک‌چین معرفی کرده است. این اقدام بر اساس ایجاد x402 Bazaar در سپتامبر گذشته، یک اکوسیستم پرداخت استیبل‌کوین برای هوش مصنوعی، انجام شده است.

    آرمسترانگ خاطرنشان کرد: “من گمان می‌کنم که در مقطعی به زودی، تعداد هوش مصنوعی‌های ما از تعداد کارمندان انسانی بیشتر خواهد شد.”

  • ‏فروشگاه‌های آمریکایی در سه‌ماهه اول سال، شاهد افزایش ۳۹۳ درصدی ترافیک هوش مصنوعی بودند؛ خریداران هوشمند، بیشتر از انسان‌ها خرج کردند.

    ‏فروشگاه‌های آمریکایی در سه‌ماهه اول سال، شاهد افزایش ۳۹۳ درصدی ترافیک هوش مصنوعی بودند؛ خریداران هوشمند، بیشتر از انسان‌ها خرج کردند.

    ‏اینترنت مرده بیش از هر زمان دیگری زنده است.

    افزایش ترافیک مبتنی بر هوش مصنوعی

    یک سال پیش، خرده‌فروشان در مورد مسدود کردن ربات‌های هوش مصنوعی از خزش در وب‌سایت‌های خود بحث می‌کردند. این محاسبه اکنون بسیار دشوارتر شده است. داده‌های جدید از Adobe Analytics نشان می‌دهد که ترافیک ناشی از هوش مصنوعی به سایت‌های خرده‌فروشی ایالات متحده در سه ماهه اول سال ۲۰۲۶ نسبت به مدت مشابه سال گذشته ۳۹۳ درصد رشد داشته است و خریدارانی که از این منابع وارد می‌شوند، اکنون بیشتر خرج می‌کنند، بیشتر می‌مانند و با نرخ بالاتری نسبت به دیگران خرید می‌کنند.

    Adobe گزارش داد که ترافیک هوش مصنوعی از سه ماهه اول سال ۲۰۲۶ نسبت به سال گذشته ۳۹۳ درصد رشد داشته است، که تنها در ماه مارس ۲۶۹ درصد رشد سالانه داشته است. این شرکت نوشت: «این روند، شتابی را که در طول فصل تعطیلات اخیر (نوامبر تا دسامبر ۲۰۲۵) مشاهده شد، ادامه می‌دهد، جایی که ترافیک هوش مصنوعی ۶۹۳ درصد رشد سالانه داشت.»

    در مارس ۲۰۲۵، ترافیک هوش مصنوعی ۳۸ درصد بدتر از منابع استاندارد غیر هوش مصنوعی مانند جستجوی پولی و ایمیل تبدیل شد.

    تأثیر بر صنعت تولید محتوا

    این برخلاف اتفاقی است که در صنعت تولید محتوا در حال رخ دادن است. یک گزارش جدید یونسکو نشان داد که هوش مصنوعی مولد در مسیر ایجاد زیان درآمدی ۲۴ درصدی برای سازندگان موسیقی و ۲۱ درصدی برای سازندگان سمعی و بصری تا سال ۲۰۲۸ است.

    تا مارس ۲۰۲۶، Adobe گزارش می‌دهد که ترافیک هوش مصنوعی ۴۲ درصد بهتر تبدیل شده است – طبق گزارش این شرکت، که بیش از یک تریلیون بازدید از سایت‌های خرده‌فروشی ایالات متحده را ردیابی می‌کند، یک رکورد جدید. درآمد به ازای هر بازدید از ارجاعات هوش مصنوعی در ماه گذشته ۳۷ درصد بالاتر از ترافیک غیر هوش مصنوعی بود.

    به گفته Adobe، تنها یک سال پیش، ترافیک انسانی معمولی ۱۲۸ درصد ارزش بیشتری داشت.

    تعامل و رفتار خریداران

    داده‌های تعامل همچنین نشان می‌دهد که هنگامی که یک خریدار از طریق یک دستیار هوش مصنوعی وارد یک سایت خرده‌فروشی می‌شود، ۴۸ درصد زمان بیشتری را در صفحه می‌گذراند، ۱۳ درصد صفحات بیشتری را در هر بازدید مرور می‌کند و ۱۲ درصد نرخ تعامل بالاتری نسبت به بازدیدکنندگان از کانال‌های دیگر نشان می‌دهد. Vivek Pandya، مدیر Adobe Digital Insights، در این گزارش نوشت: «هوش مصنوعی به سرعت در حال تبدیل شدن به رابط اصلی بین مصرف‌کنندگان و برندهای مورد علاقه آنها است.»

    Adobe با بیش از ۵۰۰۰ مصرف‌کننده آمریکایی در کنار داده‌های ترافیکی خود نظرسنجی انجام داد. سی و نه درصد گفتند که از هوش مصنوعی برای خرید آنلاین استفاده کرده‌اند و ۸۵ درصد از این گروه گفتند که این تجربه آنها را بهبود بخشیده است. اعتماد نیز در حال افزایش است: ۶۶ درصد از پاسخ‌دهندگان گفتند که معتقدند ابزارهای هوش مصنوعی نتایج دقیقی ارائه می‌دهند – رقمی که به توضیح این موضوع کمک می‌کند که چرا نرخ تبدیل در حال افزایش است و نه مسطح شدن.

    رقابت در اکوسیستم تجارت الکترونیک

    ترافیک هوش مصنوعی در حال تبدیل شدن به یک موضوع بسیار مهم برای ارائه‌دهندگان خدمات است که هر کاری می‌توانند انجام می‌دهند تا کنترل کنند چه کسی بازدیدها و ارجاعات را در اکوسیستم تجارت الکترونیک ارائه می‌دهد.

    آمازون و Perplexity در دادگاه فدرال بر سر این موضوع که آیا عوامل هوش مصنوعی می‌توانند بدون رضایت صریح پلتفرم، خرید را در پلتفرم‌های شخص ثالث انجام دهند یا خیر، اختلاف نظر داشتند. یک قاضی سان فرانسیسکو در ماه مارس یک حکم مقدماتی صادر کرد که مرورگر Comet Perplexity را از خرید در آمازون مسدود کرد، پس از آنکه غول تجارت الکترونیک استدلال کرد که این عامل، جلسات خودکار را به عنوان ترافیک مرورگر انسانی پنهان می‌کند. Perplexity، تلاش قانونی آمازون را «قلدری» خواند و استدلال کرد که خرید عاملانه، معاملات بیشتری را برای آمازون به ارمغان می‌آورد، نه کمتر.

    OpenAI در سپتامبر ۲۰۲۵ یک ویژگی «تسویه حساب فوری» را در داخل ChatGPT راه‌اندازی کرد. در همان ماه، Salesforce تخمین زد که عوامل هوش مصنوعی بیش از ۲۰ درصد از کل فروش خرده‌فروشی آنلاین جهانی را در طول فصل تعطیلات ۲۰۲۵ تحت تأثیر قرار دادند.

    اکنون، با OpenClaw، عوامل هوش مصنوعی می‌توانند خرید را آسان‌تر انجام دهند، خواه از طریق اتصالات API، سرورهای MCP، مهارت‌ها، ادغام‌ها یا فعال‌سازی کنترل مرورگر توسط کاربران.

    چالش‌های دسترسی به محتوا

    گزارش Adobe همچنین یک مشکل ساختاری را نشان می‌دهد که با افزایش این ترافیک اهمیت بیشتری پیدا می‌کند: بخش قابل توجهی از وب‌سایت‌های خرده‌فروشی ایالات متحده توسط مدل‌های تولیدکننده این ترافیک به طور کامل قابل خواندن نیستند.

    صفحات اصلی به طور متوسط ۷۵ درصد در Adobe’s AI Content Visibility Checker امتیاز گرفتند، به این معنی که تقریباً یک چهارم محتوای آنها برای LLMها نامرئی است. صفحات محصول جداگانه ۶۶ درصد را به دست آوردند – یک شکاف مهم‌تر، زیرا تصمیمات خرید در آنجا اتفاق می‌افتد. خرده‌فروشان با عملکرد بهتر ۸۲.۵ درصد در دید صفحه اصلی امتیاز گرفتند. کم‌بازده‌ترین‌ها تنها ۵۴.۲ درصد را به دست آوردند.

    Adobe نوشت: «پذیرش این ابزارهای هوش مصنوعی توسط مصرف‌کنندگان در حال کاهش نیست و کسب‌وکارها باید اطمینان حاصل کنند که درهای ورودی دیجیتال خود را برای هوش مصنوعی بهینه کرده‌اند تا در محیط امروزی مرتبط باقی بمانند.»

    McKinsey پیش‌بینی می‌کند که تجارت عاملانه – سیستم‌های هوش مصنوعی که تحقیق، مقایسه و خرید را به طور مستقل انجام می‌دهند – می‌تواند تا سال ۲۰۳۰ یک تریلیون دلار درآمد خرده‌فروشی ایالات متحده را به همراه داشته باشد، بنابراین جای تعجب نیست که چرا شرکت‌های هوش مصنوعی می‌خواهند شرکت‌های تبلیغاتی عصر عاملانه باشند.

  • ‏بیت‌کوین از انجماد کوانتومی کامل اجتناب می‌کند با پیشنهاد جدید «قناری»

    ‏بیت‌کوین از انجماد کوانتومی کامل اجتناب می‌کند با پیشنهاد جدید «قناری»

    پیشنهاد جدید برای جلوگیری از توقف کامل بیت‌کوین در برابر تهدیدات کوانتومی

    یک پیشنهاد جدید، سازوکاری را مطرح می‌کند که تنها در صورت اثبات وجود یک رایانه کوانتومی، توقف تراکنش‌ها را برای سکه‌های آسیب‌پذیر در برابر حملات کوانتومی فعال می‌کند.

    تحقیقات BitMEX، یک سیستم “قناری” را به عنوان جایگزینی برای طرح‌های بازیابی امن در برابر حملات کوانتومی پیشنهاد کرده است. هدف از این پیشنهاد جدید، جلوگیری از توقف گسترده و غیرضروری بیت‌کوین در پاسخ به تهدیدات محاسبات کوانتومی در آینده است.

    بحث‌های مداوم پیرامون BIP-361، جامعه را به دو دسته تقسیم کرده است. لازم به ذکر است که BIP-361 اخیراً در مخزن بیت‌کوین ادغام شده و رویکردی مرحله‌ای را دنبال می‌کند که طی آن، ارسال وجوه به آدرس‌های آسیب‌پذیر در برابر حملات کوانتومی، ابتدا به مدت سه سال محدود می‌شود و پس از آن، توقف کامل تراکنش‌ها برای این سکه‌ها، پس از دو سال دیگر اعمال خواهد شد. این طرح، انتقادهایی را از سوی کسانی به همراه داشته است که معتقدند کاربران باید مسئولیت وجوه خود را بر عهده داشته باشند و توقف تراکنش‌ها در سطح پروتکل، اصول اساسی بیت‌کوین، از جمله مقاومت در برابر سانسور را تضعیف می‌کند.

    در همین حال، برخی دیگر در مورد وجود شواهد کافی مبنی بر ظهور رایانه‌های کوانتومی که قادر به شکستن رمزنگاری فعلی باشند، در آینده نزدیک، تردید دارند.

    از سوی دیگر، BitMEX Research، یک سیستم “قناری” را پیشنهاد کرده است که در آن، توقف تراکنش‌ها به طور خودکار پس از یک زمان مشخص فعال نمی‌شود. در عوض، شبکه وارد یک حالت نظارت قناری می‌شود و توقف تراکنش‌ها تنها در صورتی رخ می‌دهد که اثبات درون زنجیره‌ای مبنی بر وجود یک رایانه کوانتومی وجود داشته باشد.

    این اثبات، از یک آدرس بیت‌کوین ویژه که با استفاده از یک سیستم “هیچ چیز روی آستین من نیست” (NUNS) ایجاد شده است، به دست می‌آید که اطمینان می‌دهد هیچ‌کس کلید خصوصی آن را نمی‌داند. اگر هرگونه وجوهی از این آدرس خرج شود، نشان‌دهنده این است که یک رایانه کوانتومی در حال استفاده است. در صورت عدم وقوع چنین رویدادی، این سکه‌ها می‌توانند به طور معمول خرج شوند، احتمالاً با اقدامات احتیاطی اضافی مانند محدودیت‌های موقت در قابلیت خرج کردن خروجی‌ها.

    برای حمایت بیشتر از این سازوکار، این پیشنهاد مفهوم یک صندوق قناری را معرفی می‌کند. این امر مستلزم آن است که کاربران به طور داوطلبانه بیت‌کوین را به آدرس ویژه واریز کنند. هدف، تشویق هر نهادی با یک رایانه کوانتومی فعال است تا با مطالبه وجوه، قابلیت‌های خود را آشکار کند، به جای اینکه دارایی‌های سایر کاربران را هدف قرار دهد. مشارکت‌کنندگان می‌توانند از طریق ترتیبات چند امضایی که امکان برداشت در صورت تمایل را فراهم می‌کند، مقداری کنترل بر سپرده‌های خود حفظ کنند.

    با این حال، BitMEX Research اذعان می‌کند که این رویکرد خطراتی را به همراه دارد، از جمله این احتمال که پاداش ممکن است به اندازه کافی بزرگ نباشد تا اولین نهاد دارای قابلیت کوانتومی را جذب کند، که در عوض می‌تواند از وجوه دیگر سوء استفاده کند. همچنین اعلام کرد که یک سازمان تنظیم‌شده یا معتبر ممکن است ترجیح دهد پاداش قناری را به شیوه‌ای شفاف مطالبه کند.

    در کنار این، ایده دیگری که در حال بررسی است، “پنجره ایمنی” است، که در آن، حتی پس از شروع محدودیت‌ها در امضاهای آسیب‌پذیر در برابر حملات کوانتومی، تراکنش‌ها همچنان می‌توانند پردازش شوند، اما خروجی‌ها به طور موقت برای تعداد مشخصی از بلوک‌ها، احتمالاً تا 50000 بلوک، یا تقریباً یک سال، قفل می‌شوند.

  • ‏مدل جدید هوش مصنوعی OpenAI، روزالیند، می‌تواند سال‌ها از کشف دارو بکاهد. احتمالاً شما نمی‌توانید از آن استفاده کنید.

    ‏مدل جدید هوش مصنوعی OpenAI، روزالیند، می‌تواند سال‌ها از کشف دارو بکاهد. احتمالاً شما نمی‌توانید از آن استفاده کنید.

    ‏اوپن‌ای‌آی، اولین مدل هوش مصنوعی خود را که مختص یک حوزه خاص است، به نام روزالیند فرانکلین نام‌گذاری کرد؛ شیمیدان بریتانیایی که کارش در زمینه کریستالوگرافی اشعه ایکس به آشکار شدن ساختار مارپیچ دوگانه DNA کمک کرد و در زمان حیاتش، اعتبار این کشف از او دریغ شد.

    معرفی جی‌پی‌تی-روزالیند

    جی‌پی‌تی-روزالیند که روز پنجشنبه معرفی شد، یک مدل استدلالی هدفمند برای زیست‌شناسی، کشف دارو و پزشکی ترجمه‌ای است. این اولین مدل از مجموعه‌ای است که اوپن‌ای‌آی آن را «مجموعه مدل‌های علوم زیستی» می‌نامد؛ اقدامی مستقیم برای ورود به بازاری که در آن آزمایشگاه‌های تخصصی متعددی از دانشگاه‌ها گرفته تا گوگل دیپ‌مایند، برای کسب موقعیت رقابت می‌کنند.

    چالش‌های کشف دارو

    به گفته کارشناسان، رسیدن یک دارو از مرحله کشف هدف تا تأیید نظارتی در ایالات متحده، به طور متوسط ۱۰ تا ۱۵ سال زمان می‌برد. بیشتر این زمان نه در لحظات کشف و شهود، بلکه در کارهای طاقت‌فرسا تلف می‌شود: تجزیه و تحلیل هزاران مقاله، جستجو در پایگاه‌های داده، طراحی معرف‌ها و تفسیر نتایج مبهم. این همان چیزی است که جی‌پی‌تی-روزالیند در تلاش است تا با آن مقابله کند.

    قابلیت‌های جی‌پی‌تی-روزالیند

    اوپن‌ای‌آی استدلال می‌کند که این مدل می‌تواند این کار اولیه را فشرده کند. به گفته این شرکت، جی‌پی‌تی-روزالیند برای کمک به دانشمندان طراحی شده است تا «امکانات بیشتری را بررسی کنند، ارتباطاتی را که ممکن است نادیده گرفته شوند، آشکار سازند و زودتر به فرضیه‌های بهتری دست یابند».

    نتایج و عملکرد

    شاخص‌ها، حداقل بخشی از این جاه‌طلبی را تأیید می‌کنند. جی‌پی‌تی-روزالیند در BixBench – یک شاخص که بر اساس وظایف واقعی بیوانفورماتیک ساخته شده است – امتیاز ۰.۷۵۱ را ثبت کرد که بالاترین امتیاز در میان مدل‌هایی است که نتایجشان منتشر شده است. در LABBench2، این مدل در شش مورد از یازده وظیفه، از مدل قبلی خود، جی‌پی‌تی-۵.۴، عملکرد بهتری داشت.

    جی‌پی‌تی-روزالیند در تمام موارد مربوط به علوم زیستی از جی‌پی‌تی-۵.۴ پیشی می‌گیرد، اما یک مدل بسیار تخصصی است که در زمینه‌های دیگر عملکرد ضعیف‌تری خواهد داشت.

    همکاری‌ها و محدودیت‌ها

    اوپن‌ای‌آی همچنین اعلام کرد که شرکت داینو تراپیوتیکس به آزمایش و ارزیابی مدل بر اساس توالی‌های RNA منتشرنشده کمک خواهد کرد تا از احتمال حفظ اطلاعات جلوگیری شود. بهترین نتایج جی‌پی‌تی-روزالیند در پیش‌بینی توالی، بالاتر از ۹۵ درصد از متخصصان انسانی قرار داشت و در تولید، حدود ۸۴ درصد بود.

    با این حال، جوی جیا، مدیر تحقیقات علوم زیستی اوپن‌ای‌آی، در مورد آنچه این مدل واقعاً می‌تواند انجام دهد، محتاط بود. او توضیح داد که این شرکت، روزالیند را به عنوان مدلی که قادر به ایجاد درمان‌های جدید به طور مستقل است، نمی‌بیند، اما به خبرنگاران گفت که می‌تواند در تسریع تحقیقات بسیار مفید باشد. به گفته لس‌آنجلس تایمز، جیا در یک نشست خبری گفت: «ما معتقدیم که فرصت واقعی برای کمک به محققان وجود دارد تا سریع‌تر از برخی از پیچیده‌ترین و زمان‌برترین بخش‌های فرآیند علمی عبور کنند.»

    اکوسیستم و افزونه‌ها

    اکوسیستم پیرامون این مدل، ممکن است به اندازه خود مدل اهمیت داشته باشد. اوپن‌ای‌آی همچنین در حال انتشار یک افزونه تحقیقاتی رایگان علوم زیستی برای کدکس است که به بیش از ۵۰ پایگاه داده و ابزار علمی متصل می‌شود – جستجوی ساختار پروتئین، جستجوی توالی، بررسی متون، خطوط لوله ژنومیک. کاربران سازمانی که به جی‌پی‌تی-روزالیند دسترسی دارند، لایه استدلالی را نیز دریافت می‌کنند. بقیه کاربران، افزونه را با مدل‌های استاندارد دریافت می‌کنند.

    مشتریان و همکاری‌ها

    اوپن‌ای‌آی، فهرستی از مشتریان دارویی و بیوتکنولوژی را برای راه‌اندازی این مدل آماده کرده است، از جمله آمژن، مدرنا و ترمو فیشر ساینتیفیک. به طور جداگانه، این شرکت در حال انجام یک همکاری تحقیقاتی با آزمایشگاه ملی لس آلاموس در زمینه طراحی پروتئین و کاتالیزور با هدایت هوش مصنوعی است.

    شان برویچ، معاون ارشد هوش مصنوعی و داده در آمژن، در اطلاعیه رسمی گفت: «حوزه علوم زیستی در هر مرحله، دقت را می‌طلبد. سؤالات بسیار پیچیده هستند، داده‌ها بسیار منحصربه‌فرد هستند و ریسک‌ها بسیار بالاست.»

    دسترسی محدود

    دسترسی به روزالیند عمداً محدود شده است. این مدل فقط برای شرکت‌های ایالات متحده در دسترس است و دسترسی به آن، منوط به بررسی صلاحیت و ایمنی است. نگرانی‌ها انتزاعی نیستند: یک ائتلاف بین‌المللی متشکل از بیش از ۱۰۰ دانشمند، قبلاً خواستار کنترل‌های سخت‌گیرانه‌تری بر داده‌های بیولوژیکی مورد استفاده برای آموزش هوش مصنوعی شده‌اند و به خطرات طراحی پاتوژن اشاره کرده‌اند. راه‌اندازی محدود اوپن‌ای‌آی، پاسخی مستقیم به این نگرانی‌ها است. در طول پیش‌نمایش تحقیقاتی، استفاده از این مدل، از اعتبارات موجود API کم نمی‌کند.

    گام‌های قبلی و آینده

    این اولین گام اوپن‌ای‌آی در حوزه‌های علمی نیست. فضای کاری نگارش علمی پریسیم در ژانویه راه‌اندازی شد که گام اول بود. جی‌پی‌تی-روزالیند، یک مدل دقیق‌تر و تخصصی‌تر است و نشان می‌دهد که مدل‌های مختص یک حوزه خاص، در حال تبدیل شدن به یک جبهه رقابتی جدی هستند.

    هیچ دارویی که به طور کامل توسط هوش مصنوعی کشف شده باشد، مراحل ۳ آزمایشات را با موفقیت پشت سر نگذاشته است. این عدد هنوز صفر است. اما اگر جی‌پی‌تی-روزالیند به یک محقق کمک کند تا یک آزمایش بهتر را شش ماه سریع‌تر در هزاران آزمایشگاه طراحی کند، تأثیر ترکیبی بر آنچه کشف می‌شود و زمان آن، می‌تواند کل بازی را تغییر دهد. این همان فرضیه اصلی است و ارزش دارد که از نزدیک آن را دنبال کنیم.

  • ‏یافته‌های ترسناک میتوسِ آنتروپیک با هوش مصنوعیِ آماده، تکرار شد، محققان می‌گویند.

    ‏یافته‌های ترسناک میتوسِ آنتروپیک با هوش مصنوعیِ آماده، تکرار شد، محققان می‌گویند.

    ‏زمانی که شرکت «آنتروپیک» در اوایل این ماه از مدل «کلود میتوس» رونمایی کرد، این مدل را به ائتلافی از غول‌های فناوری محدود کرد و آن را چیزی خطرناک برای عموم مردم معرفی کرد. «اسکات بسنت»، وزیر خزانه‌داری، و «جروم پاول»، رئیس فدرال رزرو، یک نشست اضطراری با مدیران عامل وال استریت برگزار کردند. عبارت «آخرالزمان آسیب‌پذیری» دوباره در محافل امنیتی مطرح شد.

    و اکنون، تیمی از محققان این روایت را پیچیده‌تر کرده‌اند.

    شرکت «ویدوک سکیوریتی» از نمونه‌های عمومی اصلاح‌شده خود «آنتروپیک» استفاده کرد و سعی کرد آن‌ها را با استفاده از «جی‌پی‌تی-5.4» و «کلود اپوس 4.6» در یک عامل کدنویسی منبع باز به نام «اوپن‌کد» بازتولید کند. بدون دعوت‌نامه «گلس‌وینگ». بدون دسترسی خصوصی به «ای‌پی‌آی». بدون دسترسی به ساختار داخلی «آنتروپیک».

    «داوید موچادلو»، یکی از محققان درگیر در این آزمایش، پس از انتشار نتایج در «ایکس» نوشت: «ما یافته‌های میتوس را در اوپن‌کد با استفاده از مدل‌های عمومی، نه ساختار خصوصی آنتروپیک، بازتولید کردیم.» «یک راه بهتر برای خواندن انتشار میتوس آنتروپیک این است که بگوییم: “یک آزمایشگاه یک مدل جادویی دارد.” این است: اقتصاد کشف آسیب‌پذیری در حال تغییر است.»

    ما یافته‌های میتوس را در اوپن‌کد با استفاده از مدل‌های عمومی، نه ساختار خصوصی آنتروپیک، بازتولید کردیم.

    خندق از دسترسی به مدل به سمت اعتبارسنجی در حال حرکت است: یافتن سیگنال آسیب‌پذیری ارزان‌تر می‌شود. تبدیل آن به امنیت قابل اعتماد هنوز دشوار است.

    یک راه بهتر برای خواندن انتشار میتوس آنتروپیک این است که…

    موارد هدف‌گذاری‌شده

    موارد مورد هدف آن‌ها همان مواردی بود که «آنتروپیک» در مطالب عمومی خود برجسته کرده بود: یک پروتکل اشتراک‌گذاری فایل سرور، ساختار شبکه‌ای یک سیستم عامل متمرکز بر امنیت، نرم‌افزار پردازش ویدئویی تعبیه‌شده در تقریباً تمام پلتفرم‌های رسانه‌ای، و دو کتابخانه رمزنگاری که برای تأیید هویت دیجیتال در سراسر وب استفاده می‌شود.

    هم «جی‌پی‌تی-5.4» و هم «کلود اپوس 4.6» در هر سه اجرا، دو مورد اشکال را بازتولید کردند. «کلود اپوس 4.6» همچنین به‌طور مستقل یک اشکال را در «اوپن‌بی‌اس‌دی» سه بار متوالی دوباره کشف کرد، در حالی که «جی‌پی‌تی-5.4» در این مورد صفر گرفت. برخی از اشکالات (یکی مربوط به کتابخانه «اف‌اف‌ام‌پی‌گ» برای اجرای ویدئوها و دیگری مربوط به پردازش امضاهای دیجیتال با «وولف‌اس‌اس‌ال») جزئی بازگشتند – به این معنی که مدل‌ها سطح کد صحیح را پیدا کردند، اما علت اصلی دقیق را مشخص نکردند.

    هر اسکن کمتر از 30 دلار برای هر فایل هزینه داشت، به این معنی که محققان توانستند همان آسیب‌پذیری‌های «آنتروپیک» را پیدا کنند و در عین حال کمتر از 30 دلار برای این کار هزینه کنند.

    موچادلو در «ایکس» گفت: «مدل‌های هوش مصنوعی در حال حاضر به اندازه‌ای خوب هستند که فضای جستجو را محدود کنند، سرنخ‌های واقعی را آشکار کنند و گاهی اوقات علت اصلی کامل را در کد آزمایش‌شده بازیابی کنند.»

    روش‌شناسی

    گردش کاری که آن‌ها استفاده کردند یک درخواست تک‌شات نبود. این کار منعکس‌کننده چیزی بود که خود «آنتروپیک» به‌طور عمومی توصیف کرده بود: به مدل یک پایگاه کد بدهید، اجازه دهید آن را بررسی کند، تلاش‌ها را موازی کنید، و برای سیگنال فیلتر کنید. تیم «ویدوک» همان معماری را با ابزارهای باز ساخت. یک عامل برنامه‌ریزی هر فایل را به قطعات تقسیم کرد. یک عامل تشخیص جداگانه روی هر قطعه اجرا شد، سپس فایل‌های دیگر را در مخزن بررسی کرد تا یافته‌ها را تأیید یا رد کند.

    محدوده‌های خطوط داخل هر درخواست تشخیص – به عنوان مثال، «روی خطوط 1158-1215 تمرکز کنید» – توسط محققان به‌صورت دستی انتخاب نشد. آن‌ها خروجی‌های مرحله برنامه‌ریزی قبلی بودند. پست وبلاگ این موضوع را صریح بیان می‌کند: «ما می‌خواهیم در این مورد صریح باشیم، زیرا استراتژی قطعه‌بندی شکل‌دهنده به آنچه هر عامل تشخیص می‌بیند، است و ما نمی‌خواهیم گردش کار را بیشتر از آنچه بود، به‌صورت دستی تنظیم‌شده نشان دهیم.»

    این مطالعه ادعا نمی‌کند که مدل‌های عمومی در همه چیز با میتوس مطابقت دارند. مدل «آنتروپیک» فراتر از شناسایی اشکال «فری‌بی‌اس‌دی» رفت – یک طرح حمله کاری ساخت، و متوجه شد که چگونه یک مهاجم می‌تواند قطعات کد را در چندین بسته شبکه به هم متصل کند تا کنترل کامل دستگاه را از راه دور به دست گیرد. مدل‌های «ویدوک» این نقص را پیدا کردند. آن‌ها سلاح را نساختند. اینجاست که شکاف واقعی وجود دارد: نه در یافتن سوراخ، بلکه در دانستن دقیق نحوه عبور از آن.

    اما استدلال موچادلو واقعاً این نیست که مدل‌های عمومی به همان اندازه قدرتمند هستند. این است که بخش گران‌قیمت گردش کار اکنون برای هر کسی که دارای کلید «ای‌پی‌آی» است در دسترس است: «خندق از دسترسی به مدل به سمت اعتبارسنجی در حال حرکت است: یافتن سیگنال آسیب‌پذیری ارزان‌تر می‌شود. تبدیل آن به کار امنیتی قابل اعتماد هنوز دشوار است.»

    گزارش ایمنی خود «آنتروپیک» اذعان کرد که «سی‌بنچ»، معیار مورد استفاده برای اندازه‌گیری اینکه آیا یک مدل خطر امنیتی جدی دارد یا خیر، «دیگر برای قابلیت‌های مدل‌های مرزی فعلی به اندازه کافی آموزنده نیست» زیرا میتوس آن را به‌طور کامل پاک کرد. این آزمایشگاه تخمین زد که قابلیت‌های مشابه در عرض شش تا 18 ماه از آزمایشگاه‌های دیگر هوش مصنوعی گسترش می‌یابد.

    مطالعه «ویدوک» نشان می‌دهد که جنبه کشف این معادله در حال حاضر خارج از هر برنامه بسته‌بندی‌شده در دسترس است. گزیده‌های کامل درخواست، خروجی‌های مدل و پیوست روش‌شناسی آن‌ها در سایت رسمی آزمایشگاه منتشر شده است.

  • ‏هوش مصنوعی یک‌پنجم دیفای را اداره می‌کند، اما در معامله‌گری همچنان به انسان می‌بازد.

    ‏هوش مصنوعی یک‌پنجم دیفای را اداره می‌کند، اما در معامله‌گری همچنان به انسان می‌بازد.

    ‏تحقیقات جدید نشان می‌دهد که عوامل خودکار، سیستم‌های نرم‌افزاری که تراکنش‌های درون زنجیره‌ای را بدون دخالت مستقیم انسان برنامه‌ریزی، تصمیم‌گیری و اجرا می‌کنند، اکنون بیش از ۱۹ درصد از فعالیت‌های درون زنجیره‌ای را هدایت می‌کنند.

    اما طبق گزارش DWF Ventures که روز پنجشنبه منتشر شد، در حالی که این عوامل در کارهای محدود عملکرد بهتری نسبت به انسان‌ها داشته‌اند، اما در معاملات آزاد تا ۵ به ۱ شکست می‌خورند.

    عوامل خودکار در امور مالی غیرمتمرکز

    در امور مالی غیرمتمرکز، این عوامل استراتژی‌های بازدهی را در پروتکل‌های وام‌دهی اجرا می‌کنند، نقدینگی را مدیریت می‌کنند، پورتفولیوها را متعادل می‌کنند و معاملات را انجام می‌دهند. طبق این مطالعه، کل ارزش قفل‌شده در موقعیت‌های مدیریت‌شده توسط عاملان از ۳۹ میلیون دلار فراتر رفته است، در حالی که بیشتر استقرارها هنوز در مراحل اولیه آزمایش هستند.

    در یک نمونه، عامل ARMA از پروتکل مالی خودکار Giza، که استیبل‌کوین‌ها را بین پلتفرم‌های وام‌دهی جابه‌جا می‌کند تا بهترین نرخ‌ها را به دست آورد، سالانه ۹.۷۵ درصد برای کاربران درآمد داشته است که از بازدهی سایر پروتکل‌های امور مالی غیرمتمرکز مانند Aave و Morpho پیشی گرفته است.

    چالش‌های پیش روی عوامل خودکار

    با این حال، این تصویر زمانی تغییر می‌کند که کار دشوارتر شود.

    در یک مسابقه معاملات سهام که توسط tradexyz برگزار شد، بهترین انسان بیش از ۵ برابر از بهترین عامل پیشی گرفت. یک مسابقه جداگانه بین مدل‌های هوش مصنوعی پیشرو که توسط nof1 برگزار شد، نشان داد که تنها سه مدل از هفت مدل توانستند از هر معامله سود کسب کنند.

    Xin Yi Lim، همکار ارشد سرمایه‌گذاری در DWF Labs، به Decrypt گفت: «عوامل زمانی که وضعیت به وضوح تعریف نشده باشد، دچار مشکل می‌شوند»، اما «زمانی که هدف محدود باشد و پارامترها اغلب تغییر نکنند»، پیشرفت می‌کنند.

    لیم توضیح داد که این یکی از دلایلی است که بهینه‌سازی بازدهی، یعنی عمل جابجایی سرمایه بین پروتکل‌های وام‌دهی برای به دست آوردن بالاترین بازدهی موجود، به یک زمینه‌ی آزمایشی اولیه برای عوامل تبدیل شده است.

    لیم گفت: «عوامل زمانی که هدف محدود باشد و پارامترها اغلب تغییر نکنند، پیشرفت می‌کنند، به همین دلیل است که بهینه‌سازی بازدهی کار می‌کند. تا زمانی که عوامل نتوانند استدلال کنند و با اطلاعات بی‌درنگ سازگار شوند، نمی‌توانند در هنگام تغییر بازار و نامشخص بودن شرایط واکنش نشان دهند.»

    به نظر می‌رسد سازندگان در این فضا نیز این نگرانی را تکرار می‌کنند.

    Neeraj Prasad، مهندس ارشد MoonPay، در مصاحبه‌ای به Decrypt گفت که یک عامل می‌تواند به اندازه یک انسان توانا باشد «اگر تمام زمینه و ابزارها را در اختیار داشته باشد». با این حال، او هشدار داد که «این واقعیت آشکار است که عوامل در برخی موارد هم تواناتر، هم سخت‌کوش‌تر و هم مخرب‌تر هستند».

    تحولات در صنعت

    این یافته‌ها در حالی به دست آمده است که توسعه‌دهندگان اتریوم در تلاش هستند تا انجام کارهای پیچیده درون زنجیره‌ای را برای عوامل آسان‌تر کنند.

    اوایل این ماه، یک استاندارد جدید که به عوامل اجازه می‌دهد چندین عمل را به طور همزمان در پروتکل‌های امور مالی غیرمتمرکز اجرا کنند، توسط شبکه رله غیرمتمرکز Biconomy پیشنهاد شد و مورد حمایت بنیاد اتریوم قرار گرفت.

    در همین حال، رهبران صنعت شرط می‌بندند که عوامل خودکار به زودی سهم بسیار بیشتری از فعالیت‌های اقتصادی را مدیریت خواهند کرد.

    Brian Armstrong، مدیر عامل Coinbase، روز پنجشنبه در توییتی نوشت: «اقتصاد عاملی می‌تواند بزرگتر از اقتصاد انسانی باشد»، و اشاره کرد که چگونه می‌تواند تقاضا برای استیبل‌کوین‌ها را فراتر از برآوردهای فعلی افزایش دهد.

    چشم‌انداز آینده

    محققان در این زمینه چشم‌انداز طولانی‌تری را می‌بینند. Lim از DWF Labs خاطرنشان کرد که بیشتر رقم ۱۹ درصد را ربات‌هایی تشکیل می‌دهند که کارهای محدودی مانند MEV capture و مسیریابی استیبل‌کوین‌ها را انجام می‌دهند، در حالی که فعالیت‌های عاملی واقعی هنوز سهم اقلیتی را تشکیل می‌دهند.

    لیم گفت: «یک جدول زمانی واقع‌بینانه ۵ تا ۷ سال است تا حجم عاملی به طور قابل توجهی با حجم انسانی در هر بخش مالی اصلی رقابت کند، و فعالیت‌های درون زنجیره‌ای در ابتدا به آن دست خواهند یافت زیرا زیرساخت‌ها بدون مجوز بیشتری هستند.»

    با این حال، برخی شکاف فعلی را به عنوان یک ویژگی ساختاری از جایی که عوامل در حال حاضر قرار دارند، می‌بینند.

    Aytunc Yildizli، مدیر ارشد رشد در 0G Labs، توسعه‌دهنده زیرساخت‌های هوش مصنوعی غیرمتمرکز، به Decrypt گفت: «جایی که آنها کم می‌آورند، معاملات آزاد است که به استدلال زمینه‌ای، آگاهی از روایت و سنجش اطلاعات ساختارنیافته نیاز دارد.»

    او افزود که پر کردن این شکاف به چیزی بیش از مدل‌های بهتر نیاز دارد.

    او گفت: «کاربران به اثبات رمزنگاری نیاز دارند که یک عامل کاری را که ادعا کرده است، در یک محیط اجرای مورد اعتماد که هیچ‌کس نمی‌تواند در آن دستکاری کند، انجام داده است، و این کار بر روی زیرساختی انجام می‌شود که اعتماد را فقط به یک ارائه‌دهنده ابر منتقل نمی‌کند.»

  • ‏پیش‌بینی قیمت بیت‌کوین: هاسکینسون می‌گوید اصلاح بیت‌کوین نمی‌تواند کیف‌های ساتوشی را نجات دهد.

    ‏پیش‌بینی قیمت بیت‌کوین: هاسکینسون می‌گوید اصلاح بیت‌کوین نمی‌تواند کیف‌های ساتوشی را نجات دهد.

    اظهارات چارلز هاسکینسون در مورد دفاع کوانتومی بیت‌کوین

    چارلز هاسکینسون، بنیانگذار کاردانو، اظهار داشته است که دفاع پیشنهادی بیت‌کوین در برابر حملات کوانتومی، هم از نظر فنی اشتباه و هم از نظر عملکردی ناکافی است.

    نکته‌ای که اکثر رسانه‌ها به آن توجه نمی‌کنند این است که حدود ۱.۷ میلیون بیت‌کوین ممکن است، صرف نظر از تصمیم توسعه‌دهندگان، قابل بازیابی نباشند. این در حالی است که پیش‌بینی قیمت بیت‌کوین صعودی شده است.

    هاسکینسون در ویدئویی که اواخر روز چهارشنبه در کانال یوتیوب خود منتشر کرد، BIP-361، پیشنهاد جیمسون لوپ و دیگر توسعه‌دهندگان برای حذف تدریجی آدرس‌های بیت‌کوین آسیب‌پذیر در برابر حملات کوانتومی را مورد بررسی قرار داد. او می‌گوید که BIP-361 به عنوان یک فورک نرم معرفی می‌شود، اما از نظر عملکردی به یک فورک سخت نیاز دارد، زیرا طرح‌های امضای موجود را که کاربران فعال در حال حاضر به آن‌ها متکی هستند، نامعتبر می‌کند.

    هاسکینسون صریحاً گفت: «برای انجام این کار، شما به یک فورک سخت نیاز دارید.»

    او این توصیف را که فورک نرم است، یک دروغ خواند. فرهنگ توسعه بیت‌کوین از نظر تاریخی با فورک‌های سخت به عنوان نقض تغییرناپذیری شبکه برخورد کرده است، که این امر باعث می‌شود پیامدهای سیاسی آن به اندازه پیامدهای فنی مهم باشد. بحث گسترده‌تر در مورد امنیت کوانتومی ماه‌هاست که در سراسر صنعت در حال تشدید است.

    مشکل بازیابی

    مشکل عمیق‌تر در مکانیسم بازیابی نهفته است. BIP-361 پیشنهاد می‌کند که کاربرانی که وجوه آسیب‌پذیر در برابر حملات کوانتومی دارند، می‌توانند آن‌ها را از طریق یک اثبات دانش صفر مرتبط با عبارت عبور BIP-39 بازیابی کنند. به گفته هاسکینسون، تقریباً ۱.۷ میلیون بیت‌کوین، از جمله حدود ۱ میلیون سکه منتسب به ساتوشی ناکاموتو، به طور کامل قبل از معرفی BIP-39 در سال ۲۰۱۳ وجود داشته‌اند. هیچ عبارت عبور BIP-39 برای آن کیف پول‌ها وجود ندارد.

    مسیر بازیابی دانش صفر به سادگی اعمال نمی‌شود. بر اساس این تحلیل، سکه‌های ساتوشی، صرف نظر از نحوه حل فورک، از نظر ساختاری غیرقابل بازیابی هستند.

    پیش‌بینی قیمت بیت‌کوین

    شک و تردید هاسکینسون در مورد حاکمیت پروتکل بیت‌کوین، چشم‌انداز قیمت او را تضعیف نکرده است. او به طور علنی پیش‌بینی کرد که بیت‌کوین تا اواسط سال ۲۰۲۶ به ۲۵۰ هزار دلار خواهد رسید، که سه برابر سطح فعلی است. او جریان‌های ورودی نهادی، ادغام فناوری Magnificent 7، قانون Clarity و رشد پایدار کاربران نهایی را به عنوان محرک‌های اصلی ذکر کرد. او این پیش‌بینی را در مصاحبه‌ای با بلومبرگ در TOKEN2049 سنگاپور تکرار کرد.

    از نظر فنی، موقعیت فعلی بیت‌کوین با کمی کمتر از ۷۴ هزار دلار، نشان‌دهنده یک بازیابی معنادار از پایین‌ترین سطح زیر ۶۶ هزار دلار به دلیل ترس از جنگ ایران است. در اوایل این ماه، اوج قیمت ۷۳ هزار دلار بود. بیت‌کوین اکنون این سطح را به طور قانع‌کننده‌ای پشت سر گذاشته است. اجماع تحلیلگران با کاهش موانع کلان اقتصادی، به طور پیوسته در حال افزایش قیمت است.

    عدم اطمینان در مورد امنیت کوانتومی

    بحث کوانتومی یک عامل ناشناخته است که مدل‌های قیمت‌گذاری موجود به درستی آن را قیمت‌گذاری نمی‌کنند. اگر BIP-361 متوقف شود یا یک فورک سخت را تحمیل کند، نوسانات کوتاه‌مدت نتیجه تقریباً قطعی خواهد بود.

    محدودیت‌های بیت‌کوین دقیقاً همان چیزی است که در حال حاضر به اعتقاد به تئوری لایه ۲ دامن می‌زند. برای بازگشت به اوج ۱۲۰ هزار دلار، صعود بیت‌کوین به مقیاس نهادی نیاز دارد، بازدهی نامتقارن اولیه که معامله‌گران فردی زمانی در بیت‌کوین اسپات پیدا می‌کردند، تا حد زیادی از بین رفته است.

    بیت‌کوین هایپر (HYPER) مستقیماً در این شکاف قرار دارد. این اولین لایه ۲ بیت‌کوین است که ماشین مجازی سولانا (SVM) را ادغام می‌کند و اجرای قراردادهای هوشمند سریع‌تری نسبت به خود سولانا ارائه می‌دهد و در عین حال امنیت اساسی بیت‌کوین را حفظ می‌کند.

    این پروژه ۳۲ میلیون دلار با قیمت پیش‌فروش فعلی ۰.۰۱۳۶ دلار جمع‌آوری کرده است و در حال حاضر یک سهام‌گذاری با بازده سالانه ۳۶ درصد دارد. زیرساخت‌های کلیدی شامل یک پل متعارف غیرمتمرکز برای انتقال بیت‌کوین و پردازش تراکنش با تأخیر بسیار کم است که به طور همزمان به سه گلوگاه اصلی بیت‌کوین می‌پردازد: سرعت کم، کارمزد بالا و عدم برنامه‌ریزی.

    پیش‌فروش دقیقاً در حالی که بحث پروتکل بیت‌کوین سؤالاتی را در مورد سازگاری لایه پایه مطرح می‌کند، در حال افزایش است.