Tag: نوآوری فناوری

‏یک مهندس یک ربات بازار پیش‌بینی را با فلسفه‌ای برگرفته از بدبین‌ترین فرد در هر میز شام ساخت – کسی که همیشه استدلال می‌کند “هیچ‌وقت اتفاقی نمی‌افتد”. این ربات که توسط استرلینگ کریسپین، مهندس، ایجاد شده است، به‌طور خودکار در هر بازار غیر ورزشی در Polymarket که پیدا می‌کند، “خیر” می‌خرد و تا زمان نتیجه‌گیری نگه می‌دارد. کل استراتژی معاملاتی در یک جمله خلاصه می‌شود.

به نظر می‌رسد، این می‌تواند برای رشد سرمایه شما کافی باشد – تا حدودی.

مبنای کار

این فرضیه بر اساس تعدادی از داده‌های منتشر شده توسط Polymarket استوار است: ۷۳.۳٪ از تمام بازارهای حل شده در این پلتفرم با “خیر” به پایان می‌رسند. کریسپین در اوایل این هفته در X، پستی که ۳.۱ میلیون بازدید داشت، به رقم تقریباً یکسانی – ۷۳.۴٪ – اشاره کرد.

صفحه دقت Polymarket این داده‌ها را تأیید می‌کند و توضیح می‌دهد که “معمولاً راه‌های بیشتری برای رخ ندادن یک اتفاق وجود دارد تا اینکه به یک روش دقیق رخ دهد.”

این مشاهده به چیزی واقعی در مورد نحوه ساخت بازارهای پیش‌بینی اشاره دارد. اکثر سؤالات در Polymarket حول رویدادهای خاصی که تا یک مهلت زمانی مشخص محقق می‌شوند، تنظیم شده‌اند: آیا یک مقام خاص استعفا می‌دهد، آیا یک لایحه خاص تصویب می‌شود، آیا قیمت‌ها از یک عدد رند عبور می‌کنند. وضعیت موجود یک مزیت ساختاری دارد – فقط باید حفظ شود، در حالی که نتیجه “بله” به یک زنجیره دقیق از رویدادها نیاز دارد تا طبق برنامه تکمیل شود. وقتی مهلت می‌گذرد و هیچ اتفاقی نمی‌افتد، شرط‌های “خیر” جمع می‌شوند.

تأثیر زمان

این تأثیر در بازارهای طولانی‌تر تشدید می‌شود. تجزیه و تحلیل سریع ما از بیش از ۲۳۰۰ موقعیت بسته شده Polymarket نشان می‌دهد که بازارهایی که ۹۰ تا ۱۸۰ روز باز هستند، با نرخ ۷۳.۵٪ “خیر” را حل می‌کنند، که تقریباً با رقم کلی منتشر شده پلتفرم مطابقت دارد. بازارهای با مدت زمان کوتاه – کمتر از یک هفته – به سمت قلمرو پرتاب سکه نزدیک‌تر می‌شوند و تنها ۵۲٪ از زمان “خیر” را حل می‌کنند (هنوز یک مزیت کوچک، اما با این وجود مزیت).

هرچه یک بازار بیشتر باز بماند، زمان بیشتری برای جهان وجود دارد تا به سادگی هیچ کاری انجام ندهد.

فیلترهای ربات

این ربات، همانطور که برخی از پاسخ‌های ردکننده در پست کریسپین فرض کردند، فقط سرمایه را به صورت تصادفی پخش نمی‌کند. کد منبع فیلترهای خاصی را نشان می‌دهد: فقط بازارهای غیر ورزشی را هدف قرار می‌دهد، که نرخ “خیر” کمتری دارند، و فقط زمانی “خیر” می‌خرد که بهترین قیمت درخواستی زیر ۰.۶۵ دلار باشد. (تمام شرط‌بندی‌ها در بازارهای پیش‌بینی مانند Polymarket، Kalshi یا Myriad – که توسط شرکت مادر Decrypt، Dastan، اداره می‌شوند – به ۱ دلار ختم می‌شوند، با این فرض که کاربران سهام را در موقعیت “بله” یا “خیر” با قیمتی کمتر از ۱ دلار در هر سهم خریداری می‌کنند و قیمت، شانس فعلی را نشان می‌دهد.)

این سقف قیمت کار واقعی را انجام می‌دهد. خرید “خیر” با قیمت ۰.۴۰ دلار تنها به ۴۲٪ نرخ برد نیاز دارد تا پس از کسر کارمزد تراکنش‌ها در Polygon به نقطه سر به سر برسد. خرید با قیمت ۰.۶۰ دلار، آستانه سر به سر را به ۵۹٪ می‌رساند. با محدود کردن ورودی‌ها به زیر ۶۵ سنت (آنهایی که شانس ضمنی بالای ۶۵٪ دارند)، ربات بازارهایی را که در آن جمعیت قبلاً نتیجه احتمالی “خیر” را قیمت‌گذاری کرده‌اند و جایی که مزیت از بین رفته است، غربال می‌کند.

اندازه موقعیت پیش‌فرض ۲٪ یک پیش‌فرض محافظه‌کارانه است، نه یک محدودیت – ربات هر اندازه‌ای تا ۱۰۰٪ را مجاز می‌کند. با اندازه موقعیت ۱۰-۲۰٪، بازده سالانه به ۱۶-۳۳٪ می‌رسد که با استراتژی‌های معاملاتی فعال رقابت می‌کند.

صنعت پیش‌بینی

بازارهای پیش‌بینی به یک صنعت ۶۳.۵ میلیارد دلاری در سال تبدیل شده‌اند، طبق گزارش CertiK در سال ۲۰۲۶، و Polymarket پس از سرمایه‌گذاری ۲ میلیارد دلاری Intercontinental Exchange، شرکت مادر NYSE، در اکتبر ۲۰۲۵، ۹ میلیارد دلار ارزش‌گذاری شد. بازارهایی با این مقیاس، ناکارآمدی‌های قابل سوءاستفاده را برای مدت طولانی در معرض دید قرار نمی‌دهند.

برترین درآمدزاهای این پلتفرم روی همه چیز “خیر” شرط‌بندی نمی‌کنند. جدول امتیازات Polymarket نشان می‌دهد که ۱۰ معامله‌گر برتر در مجموع بیش از ۱۱۳ میلیون دلار سود کسب کرده‌اند – و تقریباً همه آنها شرط‌بندهایی با تخصص واقعی در این زمینه هستند. Theo4، کیف پول پیشرو، با قرار دادن شانس در بله یا خیر بسته به رویداد، ثروت خود را در بازارهای سیاسی بله/خیر به دست آورده است.

مزیت آماری که کریسپین شناسایی کرد، واقعی است. اما تبدیل آن به ثروت، بیش از یک اسکریپت پایتون تنظیم شده برای “خرید خیر” نیاز دارد.

مزیت ربات

مزیت ربات (در صورت وجود) از این موارد ناشی می‌شود: فیلتر کردن بازارهایی که در آن “خیر” زیر احتمال واقعی خود قیمت‌گذاری شده است (سقف ۶۵ سنت)، اجتناب از بازارهایی که در آن “بله” کم‌ارزش است (ورزش، امور مالی) و انتخاب بازارهای با مدت زمان طولانی‌تر.

مخزن GitHub ربات عمومی است، دارای مجوز CC0 است و شامل یک داشبورد زنده، یک راهنمای استقرار Heroku و یک اسکریپت به نام wallet_history.py برای ردیابی عملکرد محقق شده است. تا زمان انتشار، کریسپین آدرس کیف پول یا ارقام سود واقعی خود را از معاملات زنده به اشتراک نگذاشته است.

سلب مسئولیت

دیدگاه‌ها و نظرات بیان شده توسط نویسنده فقط برای اهداف اطلاعاتی است و توصیه‌های مالی، سرمایه‌گذاری یا سایر توصیه‌ها را تشکیل نمی‌دهد.

بدترین کارنامه هوش مصنوعی در شرط‌بندی ورزشی

شرکت General Reasoning، بدترین کارنامه را برای هوش مصنوعی پیشرفته ارائه کرد.

هشت مدل برتر، از جمله Claude، Grok، Gemini و GPT-5.4، هر کدام یک سرمایه مجازی دریافت کردند و از آنها خواسته شد تا یک استراتژی شرط‌بندی یادگیری ماشینی را در طول یک فصل کامل 2023-24 لیگ برتر انگلیس ایجاد کنند.

تمامی مدل‌ها ضرر کردند. چندین مدل به طور کامل ورشکست شدند.

این معیار KellyBench نام دارد که از معیار کلی (Kelly criterion) گرفته شده است. این فرمول در سال 1956 ارائه شد و به شما می‌گوید که دقیقاً چقدر باید شرط ببندید، زمانی که نسبت به بازار برتری دارید. هر مدل می‌توانست فرمول کلی را تکرار کند. هیچ‌کدام از آنها واقعاً نمی‌توانستند از آن استفاده کنند.

Grok 4.20 از xAI در هر سه اجرا شکست خورد و در یکی از آنها کاملاً ورشکست شد و در دو مورد دیگر در اواسط فصل انصراف داد. Gemini Flash از گوگل در دو مورد از سه اجرا پس از قرار دادن یک شرط واحد تقریباً 273000 پوندی بر روی یک برتری سه درصدی در نرخ برد تاریخی – و از دست دادن آن – انصراف داد. Claude Opus 4.6، بهترین مدل Anthropic، به طور متوسط 11 درصد ضرر کرد و به نوعی به عنوان فرد مسئول در این میان ظاهر شد.

در واقع، مقاله تحقیقاتی ذکر می‌کند که Dixon-Coles قدیمی از اواخر دهه 1990 از اکثر مدل‌های پیشرفته ارزیابی شده عملکرد بهتری داشت – حتی با داده‌های محدود، از شش مدل از هشت مدل پیشی گرفت.

محققان خاطرنشان می‌کنند: «Dixon-Coles یک خط پایه منسوخ شده در دهه 2000 است که از تمام داده‌های موجود استفاده نمی‌کند یا به روشی اصولی، عدم ایستایی را در نظر نمی‌گیرد. بنابراین، این موضوع حتی بیشتر تعجب‌آور است که بسیاری از مدل‌های پیشرفته، مانند Gemini 3.1 Pro، نمی‌توانند در KellyBench از آن پیشی بگیرند یا با آن برابری کنند.»

این موضوع فراتر از فوتبال اهمیت دارد. اوایل امسال، معیارهای هوش مصنوعی نشان داد که Claude می‌تواند از طریق تثبیت قیمت، توافق‌های کارتل و فریب استراتژیک بر شبیه‌سازی‌های تجاری تسلط داشته باشد.

این فرآیند تصمیم‌گیری شامل رقابت ایستا، تعداد محدودی از رقبا، امتیازدهی واضح و غیره بود. KellyBench برعکس است: 120 روز مسابقه، داده‌های دائماً در حال تغییر، بازاری که هر هفته باهوش‌تر می‌شود و تیم‌های صعود کرده با هیچ سابقه تاریخی.

شکاف دانش-عمل

محققان مشکل اصلی را «شکاف دانش-عمل» می‌نامند. این دقیقاً همان چیزی است که به نظر می‌رسد.

تصمیمات تجاری بیشتر بر اساس شرایط ثابت هستند، در حالی که شرط‌بندی ورزشی یک بازار سیال‌تر و قابل تغییر است که این امر کار را برای این مدل‌ها دشوار می‌کند. محققان استدلال می‌کنند: «KellyBench از عوامل می‌خواهد که قصد منسجمی را در هزاران تصمیم متوالی حفظ کنند، عواقب این تصمیمات را زیر نظر داشته باشند و حلقه بین مشاهده و عمل را ببندند.»

بدیهی است که ما هنوز به آنجا نرسیده‌ایم.

مدل‌ها می‌توانستند استراتژی درست را بیان کنند، تشخیص دهند که چه چیزی خراب شده است و علت ضررهای خود را شناسایی کنند، اما سپس در تأیید اینکه کد آنها واقعاً آنچه را که برنامه‌ریزی کرده بودند، اجرا می‌کند، شکست خوردند، متوجه نشدند که چه زمانی اجرا از قصد منحرف می‌شود و در عمل به یافته‌های خود شکست خوردند.

GLM-5 در طول اجرای خود سه سند خودارزیابی جداگانه نوشت. هر کدام به درستی تشخیص دادند که نرخ تساوی 25 درصدی و برآورد بیش از حد مزیت خانگی آن، در حال از بین بردن بازده آن است. در یک مقطع، با سرمایه حدود 44200 پوند، متوجه شد که نرخ برد 40 درصدی خانگی پیش‌بینی شده‌اش تنها 30 درصد در واقعیت محقق می‌شود. اما هرگز کد را تغییر نداد. به همان روش شرط‌بندی کرد تا پولش تمام شد.

Kimi K2.5 کاری را انجام داد که به طور قابل‌توجهی چشمگیرتر و غم‌انگیزتر بود. این مدل یک تابع سهام‌گذاری کسری کلی (fractional Kelly staking) صحیح از نظر ریاضی – فرمول درست، ساختار مناسب – نوشت. سپس هرگز آن را فراخوانی نکرد. یک اشکال قالب‌بندی باعث شد که مدل تقریباً 50 بار متوالی یک دستور bash خراب را ارسال کند. استدلال آن به این مشکل اشاره کرد. سپس همان دستور خراب را دوباره ارسال کرد. یک شرط‌بندی تصادفی 114000 پوندی – 98 درصد از سرمایه باقیمانده‌اش – در یک مسابقه برنلی و لوتون کار را تمام کرد.

GPT-5.4 منظم‌ترین مدل بود. این مدل 160 فراخوانی ابزار را صرف ساخت مدل‌ها قبل از قرار دادن یک شرط واحد کرد، سپس محاسبه کرد که زیان لگاریتمی آن (0.974) به سختی بدتر از بازار (0.971) است و به این نتیجه رسید که هیچ برتری ندارد. بقیه فصل را صرف شرط‌بندی‌های جزئی برای حفظ سرمایه کرد. استدلال منطقی.

مدل OpenAI به طور متوسط 13.6 درصد ضرر کرد. اجرای یک seed به تنهایی تقریباً 2012 دلار هزینه داشت.

راس تیلور، مدیر عامل General Reasoning و محقق سابق هوش مصنوعی Meta، به فایننشال تایمز گفت که اکثر معیارهای هوش مصنوعی در «محیط‌های بسیار ایستا» عمل می‌کنند که شباهت کمی به دنیای واقعی دارند. او گفت: «هیجان زیادی در مورد اتوماسیون هوش مصنوعی وجود دارد، اما تلاش‌های زیادی برای ارزیابی هوش مصنوعی در محیط‌های بلندمدت و دنیای واقعی انجام نشده است.»

تیم General Reasoning بلافاصله به درخواست برای اظهار نظر توسط Decrypt پاسخ نداد.

ناتوانی در استفاده از آنچه دارند

برای اندازه‌گیری کیفیت استراتژی فراتر از بازده خام، محققان یک چارچوب 44 امتیازی پیچیدگی را با کارشناسان کمی شرط‌بندی ایجاد کردند – که شامل توسعه ویژگی‌ها، اندازه‌گیری سهام، رسیدگی به عدم ایستایی و اجرا می‌شود. Claude Opus 4.6 با 32.6 درصد بالاترین امتیاز را کسب کرد. کمتر از یک سوم امتیازات موجود. در بهترین مدل.

نمرات پیچیدگی بالاتر، پیش‌بینی‌کننده قابل توجهی برای نرخ‌های ورشکستگی کمتر (p = 0.008) و همبستگی با بازده کلی بهتر بود. مدل‌ها به این دلیل شکست نمی‌خورند که بازار غیرقابل شکست است. آنها به این دلیل شکست می‌خورند که از آنچه دارند استفاده نمی‌کنند.

این با یک الگو مطابقت دارد. تحقیقات منتشر شده در سال گذشته نشان داد که مدل‌های هوش مصنوعی چیزی شبیه به اعتیاد به قمار را توسعه می‌دهند، زمانی که به آنها گفته می‌شود پاداش‌ها را به حداکثر برسانند – تا 48 درصد از زمان در آزمایش‌های شبیه‌سازی دستگاه‌های اسلات ورشکست می‌شوند. یک مسابقه جداگانه تجارت ارزهای دیجیتال با پول واقعی، همین مشکلات قابلیت اطمینان را در دوره‌های طولانی‌مدت پیدا کرد.

بهترین مدل عملکرد، میانگین سرمایه نهایی 89035 پوند را داشت – ضرر خالص 10965 پوند از یک سهام اولیه 100000 پوندی نرمال شده. تقویت گرادیان، سهام‌گذاری کسری کلی، ماه‌ها فوتبال لیگ برتر، عملکرد پیشرفته… همه فقط برای شکست خوردن.

‏[بیانیه مطبوعاتی – لندن، بریتانیا، ۱۵ آوریل ۲۰۲۶]
این پلتفرم در فاز آزمایشی خصوصی با مشارکت نهادی، تأخیر اجرای زیر ۵۰ میکروثانیه و ۱۰۰٪ زمان آپ‌تایم را نشان داد.
امروز، BASIS از تکمیل موفقیت‌آمیز فاز آزمایشی خصوصی خود خبر داد که نقطه عطفی مهم برای Base58 Labs در پیشبرد پلتفرم زیرساخت دارایی‌های دیجیتال به سمت دسترسی نهادی گسترده‌تر محسوب می‌شود.
فاز آزمایشی که تحت شرایط محرمانه با گروهی منتخب از شرکت‌کنندگان نهادی، از جمله شرکت‌های معاملاتی کمی و ارائه‌دهندگان نقدینگی، انجام شد، برای اعتبارسنجی عملکرد اصلی پلتفرم، پایداری اجرا و انعطاف‌پذیری عملیاتی در شرایط واقعی بازار طراحی شده بود. شرکت‌کنندگان تحت توافق‌نامه‌های عدم افشا جامع برای محافظت از استراتژی‌های اختصاصی در طول آزمایش فعالیت می‌کردند.
به جای دنبال کردن یک نسخه بتا عمومی گسترده، Base58 Labs یک استراتژی انتشار کنترل‌شده را اتخاذ کرد که بر اعتبارسنجی زیرساخت و پالایش سیستم قبل از گسترش دسترسی متمرکز بود. فاز خصوصی، ۱۰۰٪ زمان آپ‌تایم را در طول آزمایش حفظ کرد و آمادگی عملیاتی پلتفرم برای استقرار در سطح نهادی را نشان داد.
فاز آزمایشی، بینش حیاتی در مورد نحوه عملکرد پلتفرم در شرایط سخت ارائه کرد. موتور اختصاصی Base58 Hyper-Latency Engine (BHLE) معیارهای عملکردی را نشان داد که BASIS را در میان سریع‌ترین سیستم‌های اجرا در بازارهای دارایی‌های دیجیتال قرار می‌دهد.

معیارهای کلیدی عملکرد:

❖ سرعت و توان عملیاتی اجرا – تأخیر اجرای p99 از تولید سیگنال داخلی تا ارسال به دروازه ورودی، زیر ۵۰ میکروثانیه باقی ماند، در حالی که از فعالیت‌های انفجاری بیش از ۱۰۰۰۰۰ عملیات در ثانیه (۱۰۰K+ OPS) پشتیبانی می‌کرد.
❖ کنترل ریسک و حفظ سرمایه – هنگامی که لغزش پیش‌بینی‌شده به دلیل پراکندگی نقدینگی از محدوده‌های ریاضی از پیش تعریف‌شده فراتر رفت، موتور ریسک، مراحل اجرای باقی‌مانده را متوقف کرد و رویه‌های بازگشت قطعی را آغاز کرد و حفظ سرمایه و یکپارچگی سیستم را بر تکمیل اجباری معاملات در شرایط بازار نامناسب اولویت داد.
❖ انعطاف‌پذیری زیرساخت – در طول سناریوهای انفجاری اوج که در آن رفتار تطبیق‌دهی سمت ورودی، افزایش تأخیر موضعی و محدودیت نرخ API را نشان می‌داد، BHLE انعطاف‌پذیری صف را با محدود کردن موقت مسیریابی خروجی به ورودی‌های تحت تأثیر و پارک ایمن تخصیص‌های در انتظار، بدون فساد حالت داخلی، نشان داد.

هلگه استادلمن، مدیرعامل BASIS، گفت: «ما ماه‌ها را در سکوت به اعتبارسنجی گذراندیم. آنچه ما ساختیم هم سریع است و هم استاندارد جدید برای مشارکت نهادی در حوزه رمزنگاری است. ما آماده‌ایم که خیلی زود درها را باز کنیم.»
تکمیل موفقیت‌آمیز این فاز، گامی مهم به جلو برای BASIS است، زیرا به دسترسی نهادی گسترده‌تر نزدیک می‌شود. Base58 Labs که از یک سرمایه‌گذاری ۳۵ میلیون دلاری Pre-Series A پشتیبانی می‌شود، اکنون در حال آماده‌سازی BASIS برای مرحله بعدی توسعه خود است و به پیشبرد آمادگی پلتفرم و اصلاح مسیرهای راه‌اندازی ادامه می‌دهد.
با تکمیل آزمایش خصوصی، BASIS وارد مرحله جدیدی از توسعه و موقعیت‌یابی در بازار می‌شود، زیرا Base58 Labs در حال ساخت به سمت راه‌اندازی گسترده‌تر پلتفرم زیرساخت دارایی‌های دیجیتال خود است.
برای حفظ عملکرد و پایداری زیرساخت، دسترسی به پلتفرم BASIS برای آینده قابل پیش‌بینی بسیار انتخابی و فقط با دعوت‌نامه باقی خواهد ماند. مؤسسات و تخصیص‌دهندگان سرمایه حرفه‌ای که به دنبال دسترسی به لایه اجرا هستند، می‌توانند درخواست خود را برای پیوستن به لیست انتظار رسمی در basis.pro ارسال کنند.

درباره BASIS

BASIS یک پلتفرم زیرساخت دارایی‌های دیجیتال و اجرای سهام‌گذاری است که توسط BASIS DIGITAL INFRASTRUCTURE LTD اداره می‌شود. این پلتفرم بر اساس تحقیقات، سیستم‌ها و زیرساخت‌های توسعه‌یافته توسط BASE58LABS LTD ساخته شده است تا فناوری مالی مبتنی بر تحقیق را به یک محیط زنده و رو به کاربر و یک پلتفرم مقیاس‌پذیر برای شرکت‌کنندگان در بازار دارایی‌های دیجیتال بیاورد.

درباره BASE58LABS LTD

BASE58LABS LTD یک سازمان تحقیقاتی و مهندسی مستقل است که بر ساخت زیرساخت‌های مالی با عملکرد بالا برای بازارهای دارایی‌های دیجیتال متمرکز است. این شرکت به عنوان لایه تحقیق و مهندسی در پشت BASIS عمل می‌کند.

‏گروه غیرانتفاعی پریسیدیو بیت‌کوین گزارشی فنی منتشر کرده است که به بررسی خطر فزاینده محاسبات کوانتومی برای شبکه بیت‌کوین می‌پردازد. این سند به بررسی وضعیت فعلی قابلیت‌های کوانتومی، میزان در معرض خطر قرار گرفتن ارزش بیت‌کوین، اقدامات کاهشی قابل اجرا و چگونگی هماهنگی به‌روزرسانی نرم‌افزار و مهاجرت در اکوسیستم گسترده‌تر می‌پردازد.

چرا ارتقا در یک سیستم غیرمتمرکز دشوارتر است

پریسیدیو بیت‌کوین با یک نکته ساده شروع می‌کند: بیت‌کوین یک نرم‌افزار است و این هم قدرت و هم نقطه ضعف آن است. از آنجایی که به عنوان یک سیستم کد ساخته شده است، انتقال، تأیید و نگهداری بیت‌کوین نسبتاً آسان است. در عین حال، خطرات دیجیتالی ناشی از اتکا به رمزنگاری را به ارث می‌برد. یکی از مهم‌ترین این خطرات که از روزهای اولیه بیت‌کوین مورد بحث بوده است، رایانه‌های کوانتومی مرتبط با رمزنگاری است که اغلب به اختصار CRQC نامیده می‌شوند.

از نظر تئوری، یک CRQC می‌تواند رمزنگاری منحنی بیضوی را که زیربنای بیت‌کوین است، با فعال کردن استخراج کلیدهای خصوصی از کلیدهای عمومی، بشکند. این گزارش تأکید می‌کند که این امر در درجه اول امکان سرقت کوانتومی سکه‌های مرتبط با کلیدهای عمومی در معرض خطر را فراهم می‌کند.

این گزارش استدلال می‌کند که مجموعه ابزارهای کاهشی بیت‌کوین گسترده و از نظر فنی امروزه قابل دستیابی است، اما مسیر آن نسبت به سیستم‌های متمرکزتر، ساده‌تر نیست. در محیط‌های متمرکز، هماهنگی را می‌توان راحت‌تر هدایت کرد. با بیت‌کوین، هماهنگی ارتقا در میان توسعه‌دهندگان، کاربران، کیف پول‌ها، متولیان و زیرساخت‌ها ذاتاً پیچیده‌تر است. همچنین خطر ایجاد تغییرات خیلی زود، خیلی سریع یا به گونه‌ای که آسیب‌پذیری‌های جدیدی ایجاد کند، وجود دارد. پریسیدیو همچنین خاطرنشان می‌کند که طرح‌های پس از کوانتومی با مبادلات معناداری همراه هستند، نه فقط فنی، بلکه عملی برای اکوسیستم.

۶.۵ میلیون بیت‌کوین ممکن است در معرض خطر باشد

در مرکز این آسیب‌پذیری، الگوریتم شور قرار دارد. پریسیدیو توضیح می‌دهد که اگر یک رایانه کوانتومی به اندازه کافی قدرتمند وجود داشته باشد، می‌تواند الگوریتم شور را برای استخراج کلیدهای خصوصی از کلیدهای عمومی در معرض خطر اجرا کند.

این گزارش یک برآورد کمی دقیق از آنچه می‌تواند به معنای آن باشد، ارائه می‌دهد. اگر یک رایانه کوانتومی مرتبط با رمزنگاری امروزه وجود داشت، تقریباً ۶.۵ میلیون بیت‌کوین – یک سوم از کل عرضه – بلافاصله در برابر سرقت آسیب‌پذیر می‌شد. بیش از دو سوم این مواجهه – حدود ۴.۵ میلیون بیت‌کوین – ناشی از استفاده مجدد از آدرس است. این گزارش می‌گوید که بخش زیادی از استفاده مجدد در میان گروه کوچکی از متولیان بزرگ متمرکز شده است که این عمل را برای سادگی انجام می‌دهند.

در حالی که این تمرکز، مشخصات ریسک را افزایش می‌دهد، پریسیدیو همچنین خاطرنشان می‌کند که این بخش بدون هیچ تغییری در پروتکل قابل کاهش است. این کاهش از نظر مفهومی ساده است: چرخش به آدرس‌های جدید.

بقیه مواجهه ساختاری ماهیت متفاوتی دارد. پریسیدیو تخمین می‌زند که ۱.۷۲ میلیون بیت‌کوین در خروجی‌های pay-to-pubkey (P2PK) قدیمی قرار دارد و این گزارش خاطرنشان می‌کند که بیشتر آن‌ها از دست رفته تلقی می‌شوند. همچنین یک دسته دیگر را متمایز می‌کند: آدرس‌هایی که هرگز خرج نشده‌اند و فقط یک هش از کلید عمومی در زنجیره قابل مشاهده است، طبق درک فعلی در حالت استراحت آسیب‌پذیر نیستند.

ساعت نامشخص برای CRQCها

بخش مهمی از این گزارش، عدم اطمینان در مورد زمان‌بندی است. پریسیدیو تأکید می‌کند که جدول زمانی برای CRQCها نامشخص باقی مانده است، و نظرسنجی‌های کارشناسان احتمال ظهور ماشین‌های مرتبط با رمزنگاری را بین سال‌های ۲۰۳۰ تا ۲۰۳۵ حدود ۵۰ درصد قرار می‌دهند.

با این وجود، پریسیدیو یک استراتژی مشخص برای مسیر پیش روی شبکه بیت‌کوین ترسیم می‌کند. این شامل استقرار طرح‌های امضای پس از کوانتومی از طریق یک انشعاب نرم، به جای یک تغییر سخت مخرب است.

فعال‌سازی جایی است که زمان‌بندی اهمیت بیشتری دارد. پریسیدیو می‌گوید اکوسیستم بیت‌کوین احتمالاً فعال‌سازی امضای پس از کوانتومی را خیلی قبل از تحقق تهدید CRQC تکمیل خواهد کرد. با این حال، دفترچه راهنمای Chaincode – که در این گزارش به آن اشاره شده است – فعال‌سازی را در حدود ماه ۶-۷ قرار می‌دهد، اگر زودتر اتفاق نیفتد. پس از فعال‌سازی، مهاجرت دنبال خواهد شد.

‏ژاپن علاقه‌ای به ساخت مدل بعدی چت‌جی‌پی‌تی ندارد.

روز یکشنبه، سافت‌بانک، ان‌ای‌سی، هوندا و گروه سونی به‌طور مشترک یک شرکت جدید با یک هدف تشکیل دادند: ساخت یک مدل هوش مصنوعی با یک تریلیون پارامتر که ماشین‌ها را اجرا می‌کند، نه مکالمات را.

این اقدام یک شرط‌بندی مستقیم بر روی چیزی است که جامعه آن را «هوش مصنوعی فیزیکی» می‌نامد: این ایده که مرز بعدی مدل‌های زبانی نیست که ایمیل‌های شما را می‌نویسند، بلکه سیستم‌های هوش مصنوعی هستند که یک بازوی رباتیک را کنترل می‌کنند، یک خودرو را هدایت می‌کنند یا یک خط تولید کارخانه را اجرا می‌کنند. ژاپن، با پایگاه صنعتی عمیق و دهه‌ها سابقه رباتیک، فکر می‌کند که یک مزیت طبیعی دارد که سیلیکون ولی و پکن نمی‌توانند به راحتی آن را تکرار کنند.

مشارکت شرکت‌ها

بر اساس گزارش‌ها، سافت‌بانک و ان‌ای‌سی توسعه هوش مصنوعی را رهبری خواهند کرد. هوندا نتایج را در رانندگی خودکار به کار خواهد گرفت. سونی سخت‌افزار رباتیک و بازی را به این مجموعه اضافه می‌کند. Preferred Networks، یک توسعه‌دهنده هوش مصنوعی مستقر در توکیو که مورد احترام است، نیز در این پروژه مشارکت دارد. این شرکت که تقریباً به انگلیسی به «توسعه مدل بنیاد هوش مصنوعی ژاپن» ترجمه می‌شود، قصد دارد حدود ۱۰۰ مهندس هوش مصنوعی را استخدام کند و یک مدیر اجرایی سافت‌بانک به عنوان رئیس منصوب شده است.

بانک‌ها و فولادسازان نیز حضور داشتند. نیپون استیل، کوبه استیل، بانک ام‌یو‌اف‌جی، بانک سومیتومو میتسویی و بانک میزوهو همگی به عنوان سرمایه‌گذار فهرست شده‌اند، بنابراین این پروژه بسیار بزرگتر از یک استارتاپ فناوری ساده است.

حمایت دولتی

پول دولت از طریق ندو، یک آژانس تحقیق و توسعه ملی که تقریباً ۱ تریلیون ین – حدود ۶.۲۸ میلیارد دلار – را برای حمایت از هوش مصنوعی در طول پنج سال از سال مالی ۲۰۲۶ اختصاص داده است، سرازیر خواهد شد. انتظار می‌رود توسعه مدل بنیاد هوش مصنوعی ژاپن درخواست دهد و به عنوان یک انتخاب تقریباً قطعی در نظر گرفته می‌شود.

ژاپن سال‌ها داده‌های خود را به زیرساخت‌های ابری ایالات متحده ارسال کرده و برای این امتیاز هزینه پرداخت کرده است – به اصطلاح “کسری دیجیتال” که سرمایه را تخلیه کرده و صنعت ژاپن را به پشته‌های فناوری خارجی وابسته کرده است. شرکت جدید می‌خواهد هوش مصنوعی بر روی داده‌های ژاپنی آموزش داده شود و در ژاپن بماند، نه اینکه به خطوط لوله اوپن‌ای‌آی یا گوگل تغذیه شود.

این امر یک تضاد آشکار با اقدامات جهانی خود سافت‌بانک ایجاد می‌کند. این شرکت در سال ۲۰۲۵ دور ۴۰ میلیارد دلاری سرمایه‌گذاری اوپن‌ای‌آی را رهبری کرد و اکنون در طرف مقابل میز قرار دارد – و یک مدل داخلی را لنگر می‌اندازد که قرار است مسیری مستقل از همان اکوسیستم هوش مصنوعی آمریکایی که آن را تأمین مالی می‌کرد، ترسیم کند.

رقابت جهانی

هوش مصنوعی فیزیکی در سطح جهانی در حال داغ شدن است و شرکت‌های بزرگ شروع به توجه کرده‌اند. تسلا در حال ساخت ربات‌های خود است، اوپن‌ای‌آی نیز از استارتاپ‌های هوش مصنوعی/رباتیک حمایت می‌کند و برنامه‌های سیاسی چین نیز شامل سرمایه‌گذاری‌های عظیم در این زمینه است. در اوایل سال جاری، شرکت پیشرو استیبل‌کوین تتر در استارتاپ رباتیک انسان‌نما Generative Bionics سرمایه‌گذاری کرد که ماشین‌های خود را به عنوان سیستم‌های “هوش مصنوعی فیزیکی” به بازار عرضه می‌کند که برای ادغام رباتیک با هوشی طراحی شده‌اند که در جهان درک و عمل می‌کند – نه فقط به درخواست‌ها پاسخ می‌دهد.

بر اساس گزارش‌های محلی، هدف برای کاربردهای عملی هوش مصنوعی فیزیکی سال ۲۰۳۰ است. ندو پذیرش پیشنهادات برای برنامه تأمین مالی را در اواخر مارس آغاز کرد – به این معنی که زمان در حال سپری شدن است.

‏در آگوست ۲۰۲۲، مارک زاکربرگ عکسی سلفی منتشر کرد که قرار بود پیروزمندانه باشد. آواتار او در Horizon Worlds – یک کارتون بلوکی، بی‌پا و با چشمانی بی‌روح که Kotaku به یاد ماندنی آن را “یک کپی بی‌پا از یک Nintendo Mii با چشمانی مرده” توصیف کرد – در مقابل یک برج ایفل کوچک ایستاده بود. اینترنت او را در میان میم‌ها مدفون کرد. حتی طبق گزارش‌ها، کارمندان خود متا از استفاده از Horizon Worlds خودداری کردند.

این مربوط به آن زمان بود.

هوش مصنوعی جدید زاکربرگ

اکنون، طبق گزارش Financial Times، متا در حال ساخت یک نسخه سه بعدی فوتورئالیستی و مجهز به هوش مصنوعی از مدیر عامل خود است که برای برقراری مکالمات واقعی با کارمندان از طرف او طراحی شده است. چهار نفر که با این موضوع آشنا هستند به FT گفتند که زاکربرگ شخصاً در حال آموزش و آزمایش این سیستم است.

این شخصیت با رفتارهای او، الگوهای صوتی، اظهارات عمومی و افکار اخیرش در مورد استراتژی شرکت تغذیه می‌شود. هدف اعلام شده: ایجاد این حس در کارمندان که “ارتباط بیشتری با بنیانگذار” از طریق یک هوش مصنوعی که مانند او صحبت می‌کند، مانند او فکر می‌کند و هرگز مجبور نیست یک جلسه یک به یک را لغو کند، داشته باشند.

این راهی طولانی از کابوس‌های پلاستیکی عصر متاورس است.

سرمایه‌گذاری‌های سنگین متا در هوش مصنوعی

این پروژه توسط آزمایشگاه‌های Superintelligence جدید متا رهبری می‌شود. مقیاس‌بندی فناوری دشوار بوده است – برای حفظ تعاملات واقع‌گرایانه و بدون تاخیر، به قدرت محاسباتی عظیمی نیاز دارد. متا سال گذشته دو شرکت صوتی PlayAI و WaveForms را به عنوان بخشی از این تلاش خریداری کرد. هزینه‌های سرمایه‌ای پیش‌بینی شده این شرکت برای سال ۲۰۲۶ بین ۱۱۵ تا ۱۳۵ میلیارد دلار است که تقریباً دو برابر رقم سال گذشته است.

هفته گذشته، متا Muse Spark را منتشر کرد، اولین مدل از آزمایشگاه‌های Superintelligence آن – یک سیستم جمع و جور و هدفمند با قابلیت‌هایی در استدلال سلامت و درک بصری. سهام با این اعلامیه ۷ درصد افزایش یافت.

در داخل شرکت، کارمندان تشویق می‌شوند تا از ابزارهای هوش مصنوعی استفاده کنند و عوامل خود را با استفاده از نرم‌افزار منبع باز به نام OpenClaw بسازند. مدیران محصول یک “تمرین پایه مهارت” دریافت کرده‌اند که شامل آزمون‌های طراحی سیستم و، بله، “کدگذاری حس” می‌شود.

مقایسه با شکست متاورس

تضاد با عصر متاورس آشکار است. همانطور که Decrypt در سال ۲۰۲۲ گزارش داد، Horizon Worlds در یک “قفل کیفیت” خودخوانده بود در حالی که تیم خودش به سختی وارد سیستم می‌شد. Reality Labs هر سه ماه میلیاردها دلار – تنها ۱۰.۲ میلیارد دلار در سال ۲۰۲۱ – را سوزاند، قبل از اینکه زاکربرگ بی‌سروصدا تغییر مسیر دهد. آواتار کارتونی به تصویر تعیین‌کننده آن شکست تبدیل شد.

اکنون شرط بر روی چیزی است که شبیه به واقعیت به نظر می‌رسد و صدا می‌دهد – یا برای اینکه کارمندان احساس ارتباط بیشتری با رهبری داشته باشند، یا فقط توسط آن بیشتر تحت نظارت قرار گیرند.

‏در سال‌های اخیر، سخنان بسیاری در مورد محاسبات کوانتومی گفته شده است و اگرچه این فناوری هنوز به طور کامل در دسترس نیست، اما بسیاری از کارشناسان صنعت معتقدند که می‌تواند برای بسیاری از ارزهای دیجیتال تهدیدآمیز باشد، زیرا از الگوریتم‌هایی مانند شور برای شکستن رمزنگاری کلید عمومی (ECC/RSA) که امنیت آن‌ها را تضمین می‌کند، استفاده می‌کند.

یک دستگاه قدرتمند، در تئوری، می‌تواند کلیدهای خصوصی را از کلیدهای عمومی مهندسی معکوس کند و به مهاجمان اجازه دهد تا وجوه را سرقت کنند، در حالی که الگوریتم گروور می‌تواند امنیت استخراج را تضعیف کرده و حملات ۵۱ درصدی را فعال کند. اما کدام یک از ارزهای دیجیتال برتر در معرض بزرگترین تهدید هستند؟ در اینجا چیزی است که ChatGPT در این مورد گفته است.

بیت کوین

بیت کوین به عنوان آسیب‌پذیرترین ارز در برابر تهدید کوانتومی ظاهر می‌شود، زیرا از ECDSA استفاده می‌کند که مستقیماً توسط الگوریتم شور قابل شکستن است. خطر زمانی بیشتر می‌شود که صحبت از بیت کوین‌های قدیمی/غیرفعال باشد، زیرا ممکن است در حال حاضر در معرض خطر باشند.

خبر خوب این است که اثبات کار بیت کوین مستقیماً قابل شکستن نیست و فقط امضاها در معرض خطر هستند. علاوه بر این، شرکت‌کنندگان متعددی در صنعت، ابتکارات مختلفی را برای محافظت از بزرگترین بلاک چین جهان در برابر تهدیدات احتمالی آینده راه‌اندازی کرده‌اند. چانگ‌پنگ ژائو، مدیر بایننس، نیز اخیراً اظهار داشت که “در سطح بالا، تمام کاری که ارزهای دیجیتال باید انجام دهند، ارتقا به الگوریتم‌های مقاوم در برابر کوانتوم است.”

با این حال، او همچنین به این واقعیت اذعان کرد که بیت کوین‌های قدیمی و غیرفعال می‌توانند مشکل‌ساز باشند، به ویژه آنهایی که در کیف پول ساتوشی ناکاموتو ذخیره شده‌اند که حدود یک میلیون واحد تخمین زده می‌شود.

او گفت: “اگر آن سکه‌ها جابجا شوند، به این معنی است که او هنوز در اطراف است، که جالب است بدانیم.” با این حال، اگر آن‌ها در یک دوره زمانی مشخص جابجا نشوند، “شاید بهتر باشد آن آدرس‌ها را قفل یا عملاً بسوزانیم تا به اولین هکری که آن را کرک می‌کند، نرسند.”

اتریوم

گزارش اخیر گوگل نشان داد که کوانتوم می‌تواند بزرگترین ۱۰۰۰ کیف پول اتریوم را تنها در عرض چند روز کرک کند. ChatGPT خاطرنشان کرد که ETH می‌تواند از نظر ساختاری حتی بیشتر از BTC در معرض خطر باشد، زیرا سطح حمله بسیار بزرگتری دارد. تمام حوزه‌های عملیات آن – از قراردادهای هوشمند و پروتکل‌های DeFi گرفته تا اعتبارسنج‌ها، پل‌ها و لایه ۲.

در واقع، گزارش مذکور به طور خاص می‌گوید که “قراردادهای هوشمند و PoS سطح حمله را گسترش می‌دهند.” با این حال، مشابه اکوسیستم بیت کوین، چهره‌های برجسته‌ای که روی توسعه گسترده‌تر اتریوم کار می‌کنند، مانند ویتالیک بوترین، هم‌بنیانگذار، اخیراً برنامه‌هایی را در مورد چگونگی محافظت از شبکه در برابر تهدید کوانتومی رونمایی کردند.

ریپل (XRP)

اگرچه XRP نیز از رمزنگاری منحنی بیضوی استفاده می‌کند که آن را آسیب‌پذیر می‌کند، اما ChatGPT تعیین کرد که با توجه به مدل استفاده و معماری متفاوت آن، کمترین میزان قرار گرفتن در معرض خطر را در بین این سه دارد. نهایی شدن سریع‌تر تراکنش‌ها منجر به یک پنجره حمله کوچک‌تر می‌شود. همچنین کمتر به قراردادهای هوشمند متکی است، پیچیدگی DeFi کمتری دارد و اکوسیستم اعتبارسنج آن کنترل‌شده‌تر است. این بیانیه همچنین با آنچه محقق ارزهای دیجیتال، وت، هفته گذشته گفت، همسو بود.

ریپل لجر (XRP Ledger) امکان امضای چندگانه و ساختارهای کلیدی انعطاف‌پذیر را فراهم می‌کند و اجماع کلی بر این است که پیاده‌سازی ارتقاهای هماهنگ نسبت به بیت کوین، به عنوان مثال، آسان‌تر است.

‏یک محقق استارک‌ور، آویهو موردخای لوی، طرحی را ارائه کرده است که بر اساس آن تراکنش‌های بیت‌کوین می‌توانند در برابر حملات کوانتومی آینده مقاوم شوند، بدون آنکه نیازی به تغییر در پروتکل اصلی شبکه باشد.

طرح “بیت‌کوین مقاوم در برابر کوانتوم”

در یک مقاله اخیر، لوی یک طرح تراکنش “بیت‌کوین مقاوم در برابر کوانتوم” را شرح می‌دهد که برای حفظ امنیت حتی در صورت شکستن رمزنگاری منحنی بیضوی امروزی توسط رایانه‌های کوانتومی طراحی شده است. این روش در چارچوب قوانین اسکریپت‌نویسی موجود بیت‌کوین عمل می‌کند و نیازی به فورک نرم یا ارتقاء دیگر شبکه ندارد.

لوی نوشت: “ما QSB را ارائه می‌دهیم، یک طرح تراکنش بیت‌کوین مقاوم در برابر کوانتوم که هیچ تغییری در پروتکل بیت‌کوین ایجاد نمی‌کند و حتی در حضور الگوریتم شور نیز امن باقی می‌ماند.”

این طرح، امضاهای منحنی بیضوی را با رمزنگاری مبتنی بر هش و امضاهای لامپورت جایگزین می‌کند، که یک طرح امضای اولیه است و در برابر حملات کوانتومی مقاوم در نظر گرفته می‌شود.

لوی نوشت: “از آنجایی که امضاهای لامپورت پس از کوانتوم امن هستند و یک شناسه رمزنگاری قوی از تراکنش را امضا می‌کنند، تغییر تراکنش بدون تولید یک امضای لامپورت جدید امکان‌پذیر نیست – که مهاجم نمی‌تواند آن را جعل کند، حتی با قابلیت‌های محاسباتی کوانتومی.”

در مرکز این طراحی، یک پازل رمزنگاری قرار دارد که قبل از انتشار یک تراکنش باید حل شود. این مقاله تخمین می‌زند که یافتن یک راه‌حل معتبر حدود ۷۰ تریلیون تلاش را می‌طلبد.

محاسبات خارج از زنجیره

برخلاف استخراج بیت‌کوین، محاسبات قبل از رسیدن تراکنش به شبکه انجام می‌شود. کاربران کار را خارج از زنجیره انجام می‌دهند و یک تراکنش را ارسال می‌کنند که از قبل حاوی اثباتی مبنی بر حل شدن پازل است.

لوی تخمین می‌زند که این پازل را می‌توان با استفاده از سخت‌افزار معمولی مانند GPU با هزینه چند صد دلار برای هر تراکنش حل کرد.

این طرح برای عملکرد در محدودیت‌های اسکریپت‌نویسی بیت‌کوین با ۲۰۰ opcode و ۱۰۰۰۰ بایت طراحی شده است. این مقاله خاطرنشان می‌کند که این محدودیت‌ها بسیار محدودکننده هستند زیرا هر opcode به مجموع اضافه می‌شود، حتی اگر در یک شاخه اسکریپت استفاده نشده ظاهر شود.

برای قرار گرفتن در این محدودیت‌ها، این سیستم امضاهای لامپورت را با پازل‌های مبتنی بر هش در یک ساختار تراکنش لایه‌ای ترکیب می‌کند. همچنین “پین کردن تراکنش” را معرفی می‌کند که مستلزم آن است که هر کسی که قصد دارد تراکنش را تغییر دهد، دوباره پازل را حل کند.

محدودیت‌ها و ملاحظات امنیتی

لوی این سیستم را به عنوان یک اقدام “آخرین راه‌حل” توصیف می‌کند تا یک راه‌حل مقیاس‌پذیر. این مقاله می‌گوید که هم هزینه محاسباتی خارج از زنجیره و هم اندازه تراکنش در زنجیره به توان عملیاتی هدف بیت‌کوین یا نیازهای اکثر کاربران مقیاس نمی‌شود.

ایجاد تراکنش نیز پیچیده‌تر از استفاده استاندارد بیت‌کوین است و ممکن است تحت سیاست‌های فعلی رله غیر استاندارد تلقی شود، به این معنی که می‌تواند با مشکلات انتشار مواجه شود و ممکن است نیاز به ارسال مستقیم به استخرهای استخراج داشته باشد تا از طریق ممپول عمومی پخش شود.

این طرح همچنین دارای مبادلات امنیتی است. در حالی که از حملات مبتنی بر الگوریتم شور که امضاهای منحنی بیضوی را تهدید می‌کند، اجتناب می‌کند، الگوریتم گروور همچنان می‌تواند یک سرعت مضاعف درجه دوم را برای مهاجمان کوانتومی فراهم کند.

لوی نوشت: “تا زمانی که تهدید کوانتومی واقعی تلقی می‌شود، لازم است تلاش‌های مداوم برای تحقیق و پیاده‌سازی بهترین راه‌حل ممکن برای بیت‌کوین ادامه یابد – راه‌حلی که حداکثر کارایی، کاربرپسند و پاسخگوی نیازهای بیت‌کوین باشد، از طریق تغییرات در سطح پروتکل.”

مقاله لوی به چندین پیشنهاد دیگر می‌پیوندد که چگونگی انتقال بیت‌کوین به رمزنگاری مقاوم در برابر کوانتوم را تشریح می‌کنند، از جمله BIP-360، که یک قالب آدرس Pay-to-Merkle-Root را معرفی می‌کند که برای پشتیبانی از امضاهای ایمن کوانتومی طراحی شده است.

در حالی که تهدید کوانتومی برای بیت‌کوین همچنان نظری است، شرکت‌هایی از جمله گوگل و کلودفلر در حال حاضر در حال آماده شدن برای آن هستند و مهلت ۲۰۲۹ را برای انتقال سیستم‌های خود به پس از کوانتوم تعیین کرده‌اند.

‏هوش مصنوعی در حال حاضر شروع به نوشتن کدهایی می‌کند که پول را در بلاک‌چین‌ها جابه‌جا می‌کنند. اتحاد هوش فراانسانی و پلتفرم توسعه‌دهنده ماتر‌هورن می‌گویند که می‌خواهند از ایمن بودن این کدها اطمینان حاصل کنند.

معرفی ابتکار عمل

ماتر‌هورن و اتحاد ASI روز جمعه از یک ابتکار عمل جدید با محوریت “کدنویسی ویبی” خبر دادند؛ این ویژگی پلتفرم ماتر‌هورن به توسعه‌دهندگان اجازه می‌دهد تا یک اپلیکیشن را به زبان ساده توصیف کنند و هوش مصنوعی فوراً کد کامل قرارداد هوشمند را تولید می‌کند. در حالی که این تکنیک سرعت توسعه را افزایش می‌دهد و مانع ساخت اپلیکیشن‌ها را کاهش می‌دهد، خطر تولید کدهای معیوب یا ناامن توسط هوش مصنوعی را نیز به همراه دارد که مهاجمان می‌توانند از آن سوءاستفاده کنند.

این شرکت در بیانیه‌ای اعلام کرد: “ما در ابتدای جهانی هستیم که در آن برنامه‌های غیرمتمرکز (dApps) به ‘فقط برنامه‌ها’ تبدیل می‌شوند، مانند وب‌سایت‌ها و برنامه‌هایی که امروزه استفاده می‌کنیم. هر ابزار دیگری در این فضا در حال رقابت برای ارائه سریع‌تر کد است. ما فکر می‌کنیم این یک رقابت اشتباه است. سازندگانی که برنامه‌های غیرمتمرکزی را می‌سازند که پول واقعی و کاربران واقعی را مدیریت می‌کنند، به پلتفرمی نیاز دارند که بتوانند به آن اعتماد کنند و این مشارکت، چگونگی ساخت آن را نشان می‌دهد.”

اقدامات برای کاهش ریسک

آبهینا رامش، بنیانگذار ماتر‌هورن، گفت برای کاهش این تهدید، این شرکت با ممیزان امنیتی خارجی و ابزارهای خودکار همکاری می‌کند تا به توسعه‌دهندگان در بررسی قراردادهای هوشمند تولید شده توسط هوش مصنوعی قبل از استقرار کمک کند.

رامش به دکریپت گفت: “ما با شرکت‌های ممیزی امنیتی شریک هستیم که می‌توانند خدمات ممیزی را از طریق ماتر‌هورن برای سازندگان در ماتر‌هورن ارائه دهند. ما همچنین عوامل هوش مصنوعی داریم که ممیزی‌های عاملی انجام می‌دهند، اما ما مطلقاً توصیه نمی‌کنیم که فقط از این روش برای برنامه‌های اصلی استفاده شود.”

پلتفرم توسعه ماتر‌هورن برای ادغام با ASI:Chain، یک شبکه بلاک‌چینی که توسط اتحاد هوش فراانسانی توسعه یافته است، طراحی شده است. این اتحاد یک مجموعه هوش مصنوعی غیرمتمرکز است که شامل Fetch.ai، SingularityNET و CUDOS می‌شود و یک محیط واحد برای ساخت، ممیزی و استقرار برنامه‌های غیرمتمرکز در اختیار توسعه‌دهندگان قرار می‌دهد.

رامش گفت: “ما اتصال MCPها، ساخت/استفاده از مهارت‌ها، ساخت برنامه‌های غیرمتمرکز و استقرار از یک پلتفرم واحد را برای کاربران آسان می‌کنیم. ما با تیم ASI روی ‘قالب‌های تایید شده’ کار می‌کنیم تا ساخت قراردادهای ایمن‌تر را به‌ویژه برای زبان‌های مبتنی بر تایید رسمی آسان‌تر کنیم.”

این شرکت اعلام کرد که توسعه‌دهندگان می‌توانند قبل از راه‌اندازی قراردادها در یک بلاک‌چین زنده، از طریق پلتفرم با ممیزان شخص ثالث ارتباط برقرار کنند. با این حال، در حالی که ماتر‌هورن می‌گوید پلتفرم آن توسعه را تسریع می‌کند، امنیت را تضمین نمی‌کند.

رامش گفت: “ما یک توانمند قوی برای سازندگانی هستیم که می‌خواهند روی Web3 بسازند. هیچ‌گونه تضمینی از طرف تیم ماتر‌هورن در مورد ایمنی یا امنیت وجود ندارد.”

رامش گفت که ماتر‌هورن و اتحاد ASI در حال توسعه “قالب‌های تایید شده” هستند تا به توسعه‌دهندگان در ساخت قراردادهای هوشمند ایمن‌تر کمک کنند، در حالی که ASI:Cloud را برای ارائه قدرت محاسباتی برای سیستم‌های هوش مصنوعی که کد را برای MeTTa، زبان برنامه‌نویسی ASI:Chain تولید و تجزیه و تحلیل می‌کنند، ادغام می‌کنند.

نقش هوش مصنوعی در صنعت رمزنگاری

این مشارکت در حالی صورت می‌گیرد که عوامل هوش مصنوعی به طور فزاینده‌ای وارد صنعت رمزنگاری می‌شوند، جایی که توسعه‌دهندگان در حال آزمایش سیستم‌هایی هستند که می‌توانند کیف پول‌ها را مدیریت کنند، معاملات را انجام دهند و وظایف مالی را در زنجیره انجام دهند و این امر باعث ایجاد ابزارها و تحقیقات جدید با هدف کنترل خطرات هنگام مدیریت ارزهای رمزنگاری شده توسط این سیستم‌های خودمختار می‌شود.

خلار کرافورد، مدیر ارشد نوآوری SingularityNET، گفت که بخش زیادی از صنعت بلاک‌چین به رویکرد “وصله و دعا” متکی است – نوشتن قراردادهای هوشمند به زبان‌هایی که برای همزمانی پیچیده مناسب نیستند و تکیه بر ممیزان برای شناسایی نقص‌ها – در حالی که F1R3FLY و ASI:Chain از معماری “صحیح با ساخت” مبتنی بر حساب رُ استفاده می‌کنند.

کرافورد به دکریپت گفت: “ما حدس نمی‌زنیم که آیا یک برنامه ایمن است یا خیر، ما آن را به صورت ریاضیاتی با استفاده از انواع رفتاری فضایی ثابت می‌کنیم. قبل از اینکه یک خط کد به شبکه زنده برسد، خود ریاضیات تضمین می‌کند که هیچ بن‌بستی، هیچ سوءاستفاده‌ای از شرایط مسابقه و هیچ وجوهی لو نمی‌رود.”

‏بر اساس یک نظرسنجی جدید گالوپ که این هفته منتشر شد، نسل زد به طور فزاینده‌ای از هوش مصنوعی متنفر است، اما نمی‌تواند از استفاده از آن دست بکشد.

این نظرسنجی که از ۲۴ فوریه تا ۴ مارس توسط بنیاد خانواده والتون، GSV Ventures و گالوپ انجام شد، از ۱۵۷۲ آمریکایی بین ۱۴ تا ۲۹ سال نظرسنجی کرد. حدود ۵۱ درصد هنوز حداقل هفته‌ای یک بار از هوش مصنوعی مولد استفاده می‌کنند که نسبت به سال گذشته ۴ درصد افزایش داشته است.

افزایش استفاده از هوش مصنوعی در میان نسل زد، اما کاهش اشتیاق

اشتیاق به هوش مصنوعی ۱۴ درصد کاهش یافته و به ۲۲ درصد رسیده است. امیدواری ۹ درصد کاهش یافته و به ۱۸ درصد رسیده است. خشم ۹ درصد افزایش یافته و به ۳۱ درصد رسیده است. اینها تغییرات حاشیه‌ای نیستند.

و این احساسات منفی حتی به کاربران سرسخت‌تر نیز گسترش می‌یابد. در میان نسل زدی‌هایی که هر روز از هوش مصنوعی استفاده می‌کنند، اشتیاق سال به سال ۱۸ درصد کاهش یافته است. زک هرینوفسکی، محقق ارشد آموزش در گالوپ، گفت: «در بیشتر این موارد، نسل زد به طور فزاینده‌ای بدبین‌تر و منفی‌تر شده است – از جایی که حتی سال گذشته، آنها دیدگاه مثبتی نسبت به آن نداشتند.»

هشت نفر از هر ۱۰ نفر از نسل زد معتقدند که تکیه بر هوش مصنوعی برای انجام سریع‌تر کارها احتمالاً یادگیری را در آینده دشوارتر می‌کند و این نشان‌دهنده ترس از وابستگی به ابزاری است که آنها را در انجام کارهایی که به آنها کمک می‌کند، ضعیف‌تر می‌کند.

این موضوع قبلاً مورد مطالعه قرار گرفته است. دانشمندان در سال ۲۰۲۴ در مورد اینکه آیا هوش مصنوعی شما را احمق‌تر می‌کند یا خیر، اظهار نظر کردند و حکم ناراحت‌کننده بود: اتکای بیش از حد به ابزارهایی مانند ChatGPT با اهمال‌کاری و از دست دادن حافظه در دانش‌آموزان مرتبط بوده است.

علاوه بر اضطراب در مورد کاهش مهارت‌های شناختی، کاربران همچنین در مورد چگونگی تأثیر هوش مصنوعی بر خلاقیت خود نگران هستند. تنها ۳۱ درصد از پاسخ‌دهندگان نسل زد معتقدند که هوش مصنوعی به آنها در ارائه ایده‌های جدید کمک می‌کند که نسبت به سال گذشته کاهش یافته است. تنها ۳۷ درصد به اطلاعات دقیق آن اعتماد دارند که نسبت به ۴۳ درصد کاهش یافته است. این با تحقیقات جداگانه‌ای مطابقت دارد که نشان می‌دهد هوش مصنوعی مولد به اصالت آسیب می‌رساند و در حالی که تنوع کار خلاقانه را به طور کلی محدود می‌کند، خروجی فردی را افزایش می‌دهد.

بدبینی در محل کار حتی شدیدتر است

تقریباً نیمی از نسل زد شاغل – ۴۸ درصد – اکنون می‌گویند که خطرات هوش مصنوعی بیشتر از مزایای آن در محل کار است که ۱۱ درصد نسبت به سال گذشته افزایش داشته است. تنها ۱۵ درصد آن را یک مزیت خالص برای مشاغل خود می‌دانند. کمتر از ۲۰ درصد هوش مصنوعی را به جای یک انسان برای خدماتی مانند تدریس خصوصی، مشاوره مالی یا پشتیبانی مشتری انتخاب می‌کنند. اعتماد به کار با کمک هوش مصنوعی ۲۸ درصد است، در حالی که این رقم برای خروجی کاملاً انسانی ۶۹ درصد است.

بخشی از این ترس منطقی است، با توجه به اینکه هوش مصنوعی در حال حاضر مشاغل یقه سفید را سریع‌تر از آنچه اکثر مردم پیش‌بینی می‌کردند، جابه‌جا می‌کند و نسل زد در حال تماشای این اتفاق است زیرا وارد نیروی کار می‌شود. سیدنی گیل، دانشجوی ۱۹ ساله سال اول در دانشگاه رایس، به نیویورک تایمز گفت: «احساس می‌کنم هر چیزی که به آن علاقه دارم، این پتانسیل را دارد که شاید حتی در چند سال آینده جایگزین شود.» یک مطالعه جداگانه گالوپ نشان داد که ۴۲ درصد از دانشجویان مقطع کارشناسی به دلیل هوش مصنوعی در رشته تحصیلی خود تجدید نظر کرده‌اند.

سیاست‌های هوش مصنوعی در مدارس

تقریباً سه چهارم مدارس K-12 اکنون سیاست‌های هوش مصنوعی دارند – که در یک سال ۲۳ درصد افزایش داشته است – اما قوانین بیشتر اعتماد بیشتری ایجاد نکرده است. اگر چیزی باشد، آنها حس تقلب تحصیلی را تثبیت کرده‌اند: ۴۱ درصد از دانش‌آموزان معتقدند که اکثر همکلاسی‌هایشان از هوش مصنوعی برای انجام تکالیف مدرسه استفاده می‌کنند، در حالی که نباید این کار را انجام دهند.

استفانی مارکن، شریک ارشد در گالوپ، گفت: «آنچه ما در داده‌ها می‌بینیم نسلی است که سودمندی هوش مصنوعی را تشخیص می‌دهد، اما به طور فزاینده‌ای نگران تأثیر بلندمدت آن بر یادگیری، اعتماد و آمادگی شغلی است. بدبینی فزاینده آنها نشان‌دهنده نیاز به ادغام متفکرانه‌تر این ابزارها در محیط‌های مدرسه و محل کار است.»

قرار بود نسل زد اثبات مفهومی هوش مصنوعی باشد – نسلی که با ابزارهای دیجیتال بومی است، به طوری که پذیرش بدون اصطکاک و اشتیاق خودپایدار خواهد بود. در عوض، داده‌ها گروهی را نشان می‌دهد که عمدتاً از روی ضرورت از هوش مصنوعی استفاده می‌کنند، به طور فزاینده‌ای به آنچه تولید می‌کند بی‌اعتماد هستند و نگران هستند که میانبر آنها را در بازی طولانی‌مدت ضعیف‌تر می‌کند. حتی دانشمندان نخبه شروع به اعتراف کرده‌اند که هوش مصنوعی اکنون بیشتر فکر آنها را انجام می‌دهد – که ممکن است توضیح دهد چرا نسل زد که شاهد این اتفاق است، به‌ویژه اطمینان‌بخش نیست.