Tag: نوآوری فناوری

هوش مصنوعی به هسته مسائل رمزنگاری نرسیده است

استاد دانشگاه استنفورد، دن بونه، تاکید کرد: «ما هیچ فرضیه رمزنگاری خاصی را نمی‌شناسیم که امنیت آن کمتر از قبل باشد.» وی همچنین اشاره کرد که آمادگی در برابر محاسبات کوانتومی به هوش مصنوعی در مواجهه با ریسک‌ها برتری اولیه داده و چابکی رمزنگاری به سیستم‌ها اجازه می‌دهد تا در صورت بروز ضعف‌ها به سرعت سازگار شوند.

(پیش‌زمینه: جدیدترین لیست ۱۰۰ شرکت برتر هوش مصنوعی a16z منتشر شد: ۱ درصد پرداخت‌کنندگان برتر نزدیک به ۲۰ درصد هزینه‌ها را پوشش می‌دهند، محصولات بزرگسالان به دلیل محبوبیت بیش از حد حذف شدند)
(پیش‌زمینه تکمیلی: صندوق بین‌المللی پول رسماً نسبت به توکن‌سازی سهام هشدار داد! معاملات ۲۴ ساعته داغ است، اما نوسانات ۱.۵ برابر بیشتر از حالت سنتی و نقدینگی ناکافی است)

مقدمه
آخرین دستاوردهای ریاضیاتی OpenAI باعث نگرانی در صنعت شده است و برخی نگرانند که هوش مصنوعی ممکن است سیستم‌های رمزنگاری ما را نابود کند. اما مصاحبه اخیر a16z Podcast نشان می‌دهد که این نگرانی‌ها بیش از حد است. دن بونه، استاد رمزنگاری دانشگاه استنفورد، و تیم تحقیقاتی a16z crypto به طور واضح بیان کردند که پیشرفت‌های ریاضیاتی هوش مصنوعی به چالش‌های اساسی رمزنگاری دست نیافته است. بخش بزرگی از رمزنگاری مدرن بر این فرض استوار است که «مسائل ریاضی خاصی راه‌حل‌های کارآمدی ندارند» – و اگر الگوریتم کارآمدی وجود نداشته باشد، هوش مصنوعی هر چقدر هم که باهوش باشد، بی‌اهمیت است. این مقاله خلاصه‌ای از مصاحبه a16z crypto Podcast است.

پس از هشدارهای کارشناسان صنعت و نگرانی‌ها در مورد اینکه هوش مصنوعی ممکن است رمزنگاری را که ما به آن متکی هستیم، بشکند، ما با یک رمزنگار دانشگاه استنفورد و کارشناسان a16z crypto صحبت کردیم تا مشخص کنیم چه چیزی واقعیت دارد، چه چیزی گمانه‌زنی است، چه چیزی جای نگرانی دارد و چه چیزی نباید باعث اضطراب شود.

شرکت‌کنندگان در گفتگو:
در اینجا شش نتیجه کلیدی این گفتگو آورده شده است.

پیشرفت‌های هوش مصنوعی به رمزنگاری نرسیده‌اند

نتایج اخیر پیشرفت‌های چشمگیری را در زمینه‌های ریاضیات و علوم کامپیوتر نشان داده‌اند، اما شامل نتایج رمزنگاری نمی‌شوند.

«این‌ها پیشرفت‌های فوق‌العاده‌ای در ریاضیات و علوم کامپیوتر هستند، اما هیچ مسئله‌ای در مورد رمزنگاری در اینجا وجود ندارد. … بنابراین ممکن است فکر کنید، آیا این بدان معناست که این مدل‌ها در رمزنگاری واقعاً ضعیف هستند؟ ما نمی‌دانیم.»، دن بونه، ۰۳:۰۰

«ما هیچ مدرکی مبنی بر اینکه منحنی‌های بیضوی شکننده‌تر از قبل شده‌اند، نداریم. ما هیچ فرضیه رمزنگاری خاصی را نمی‌شناسیم که امنیت آن کمتر از قبل باشد.»، ادی لازارین، ۱۵:۱۹

رمزنگاری مدرن بر اساس مسائل دشوار بنا شده است

بخش بزرگی از رمزنگاری مدرن بر این فرض استوار است که مسائل ریاضی خاصی راه‌حل‌های کارآمدی ندارند. این ممکن است برای هوش مصنوعی با قابلیت‌های رو به رشد نیز صادق باشد.

«ما به طور کلی معتقدیم که الگوریتم‌های کارآمدی برای این مسائل وجود ندارد. منظورمان این نیست که فکر می‌کنیم ممکن است وجود داشته باشند و انسان‌ها به اندازه کافی باهوش نیستند که آن‌ها را پیدا کنند. ما فکر می‌کنیم که اصلاً وجود ندارند. اگر وجود نداشته باشند، هوش مصنوعی هر چقدر هم که باهوش باشد، بی‌اهمیت است. الگوریتم ناموجود را پیدا نخواهد کرد.»، جاستین تالر، ۱۶:۱۲

«ما باید فرض کنیم که برخی مسائل دشوار هستند. ما نمی‌توانیم اثبات کنیم که این مسائل دشوار هستند، زیرا این موضوع به یک مسئله معروف حل نشده در علوم کامپیوتر، یعنی مسئله P در مقابل NP، مربوط می‌شود. به نوعی، ما باید ابتدا این مسئله را حل کنیم تا بتوانیم واقعاً استدلال کنیم که مسائل رمزنگاری خاصی واقعاً، واقعاً دشوار هستند. … هیچ یک از مسائلی که این هفته منتشر شده‌اند، حتی نزدیک به حل مسئله P در مقابل NP نیستند. ما همچنان باید در رمزنگاری فرضیاتی را مطرح کنیم، درست است؟»، دن بونه، ۰۶:۰۰

هوش مصنوعی می‌تواند سرعت بررسی امنیتی را تسریع کند

تلاش برای شکستن رمزنگاری خود راهی است که محققان اعتماد خود را ایجاد می‌کنند. طرحی که در برابر حملات مداوم و جدی مقاومت کند، اعتماد را جلب می‌کند. هوش مصنوعی ممکن است سرعت این بررسی را تغییر دهد.

«در گذشته، زمانی که کسی فرضیه‌ای را مطرح می‌کرد و سیستمی را بر اساس آن می‌ساخت، معمولاً ۱۰ سال طول می‌کشید تا آن سیستم را مستقر کنیم، تا اعتماد ایجاد شود و به مردم زمان کافی برای تجزیه و تحلیل آن فرضیه داده شود. … و اکنون، ناگهان، می‌توانیم از این مدل‌ها برای تسریع چشمگیر این فرآیند استفاده کنیم. … اکنون می‌توانیم مدل‌ها را برای یک ماه اجرا کنیم، سعی کنیم آن‌ها را بشکنیم، و اگر مدل نتواند آن‌ها را بشکند، اعتماد ما به اعتبار آن فرضیه به شدت افزایش می‌یابد.»، دن بونه، ۱۲:۱۰

آمادگی در برابر کوانتوم مزیت اولیه را فراهم می‌کند

در حالی که نگرانی‌های اخیر حول محور هوش مصنوعی متمرکز شده‌اند، برخی از این سیستم‌ها به دلیل تهدید محاسبات کوانتومی قبلاً هدف مهاجرت قرار گرفته‌اند. این همپوشانی محدودیت‌هایی دارد.

«به دلیل نگرانی‌ها در مورد تهدید کوانتومی، مردم شروع به در نظر گرفتن رمزنگاری منحنی بیضوی به عنوان چیزی کرده‌اند که ممکن است به زودی شکننده شود. بنابراین، برای این نگرانی‌های کاملاً مشابه، ما در واقع درگیر، آماده و بسیاری از اقدامات کاهشی مورد نیاز را مستقر کرده‌ایم، فقط به این دلیل که در ابتدا برای تهدید دیگری بود.»، ادی لازارین، ۲۰:۵۲

«تهدید هوش مصنوعی به نوعی گسترده‌تر است، زیرا در واقع می‌تواند سیستم‌های پسا-کوانتومی ما را نیز بررسی کند و به نوعی آن‌ها را تضعیف کند، یا حتی ممکن است آن‌ها را به طور کامل بشکند.»، دن بونه، ۲۲:۰۸

چابکی رمزنگاری دفاع در برابر عدم قطعیت است

چابکی رمزنگاری به توانایی سیستم‌ها برای تغییر روش‌های رمزنگاری خود در هنگام تغییر شواهد یا نیازها اشاره دارد. این به مهندسان اجازه می‌دهد تا با یافته‌هایی که از قبل قابل پیش‌بینی نیستند، مقابله کنند.

«سیستم‌هایی که ما مستقر می‌کنیم می‌توانند به سرعت از یک طرح به طرح دیگر تغییر کنند، زمانی که طرح مورد استفاده ناامن تلقی می‌شود. چابکی رمزنگاری به نوعی دوست ما در دفاع در برابر شرایط غیرمنتظره است.»، دن بونه، ۲۲:۴۷

دن اشاره کرد که اتصالات اینترنت در حال حاضر از ترکیبی از روش‌های مختلف رمزنگاری استفاده می‌کنند:

«آن‌ها در واقع در حال حاضر از رمزنگاری چابک استفاده می‌کنند. آن‌ها هم از منحنی‌های بیضوی و هم از شبکه‌ها برای رمزگذاری استفاده می‌کنند. اگر منحنی‌های بیضوی را بشکنید، مشکلی نیست، زیرا هنوز در زیر سیستم مبتنی بر شبکه رمزگذاری شده است.»، دن بونه، ۳۸:۴۰

هوش مصنوعی می‌تواند به یافتن و رفع آسیب‌پذیری‌ها کمک کند

یکی از واضح‌ترین فرصت‌ها برای سازندگان، گنجاندن تست‌های امنیتی بیشتر در فرآیند توسعه است.

هنگام بحث در مورد سیستم‌های رمزنگاری پیچیده، جاستین اشاره کرد:

«سطح حمله بسیار بزرگ می‌شود، بله، من بسیار خوش‌بین هستم که این ابزارهای هوش مصنوعی که باعث وحشت مردم در مورد رمزنگاری می‌شوند، به ما در پاکسازی همه آسیب‌پذیری‌ها نیز کمک خواهند کرد. این یک مسئله بسیار دشوار است.»، جاستین تالر، ۲۸:۵۶

«پس از استقرار سیستم‌ها، توجه زیادی از رمزنگاران را به خود جلب می‌کنند، اما در آن زمان حمله به سیستم‌های رمزنگاری خیلی دیر شده است. و اکنون، از آنجایی که ما این مدل‌های هوش مصنوعی را در اختیار داریم، هر استارتاپی که قابلیت‌های رمزنگاری جدیدی را مستقر می‌کند، یا حتی هر شرکتی که هر نرم‌افزاری را مستقر می‌کند، می‌تواند این مدل‌ها را برای تجزیه و تحلیل رمزنگاری و آسیب‌پذیری‌های نرم‌افزار کلی آن به کار گیرد.»، دن بونه، ۳۵:۰۵

«آسیب‌پذیری‌ها را می‌توان از بین برد. آن‌ها را می‌توان از طریق طراحی اجتناب کرد، می‌توان آن‌ها را کاهش داد، و منبع اصلی ما برای کاهش آن‌ها، قابلیت‌های هوش مصنوعی، هر چند ماه یکبار به طور چشمگیری ارزان‌تر می‌شود.»، ادی لازارین، ۳۷:۱۰

محتوای نقل شده برای وضوح ویرایش شده است. سه نقطه نشان‌دهنده پاراگراف‌های حذف شده است.

حقیقت بی‌رحمانه VC: اکثر صندوق‌ها کمتر از ۴۰ درصد اصل پول را به سرمایه‌گذاران بازمی‌گردانند
a16z اعلام کرد که ۱۰۰ میلیارد دلار صندوق جدید را جمع‌آوری کرده است و بر هوش مصنوعی، امور مالی رمزنگاری و فناوری دفاعی تمرکز دارد
a16z صندوق رمزنگاری جدید ۲.۲ میلیارد دلاری “Crypto Fund 5” را راه‌اندازی کرد و اعلام کرد: مبانی Web3 در بالاترین حد تاریخی قرار دارد

شرکت TSMC در آستانه ثبت ششمین فصل سودآوری رکوردشکن؛ هوش مصنوعی موتور محرکه رشد

شرکت تولید نیمه‌هادی تایوان (TSMC) انتظار دارد ششمین فصل متوالی سودآوری رکوردشکن خود را اعلام کند. موتور محرکه این موفقیت، همان‌طور که انتظار می‌رفت، تقاضای بی‌وقفه برای تراشه‌هایی است که قدرت هوش مصنوعی را تأمین می‌کنند.

TSMC، بزرگترین تولیدکننده قراردادی تراشه در جهان، درآمد سه ماهه سوم سال ۲۰۲۶ خود را ۱.۴۹ تریلیون دلار جدید تایوان (NT$)، معادل تقریبی ۴۶.۷۱ میلیارد دلار آمریکا، اعلام کرد. این رقم نشان‌دهنده افزایش ۵۰ درصدی نسبت به مدت مشابه سال گذشته است.

این رقم از پیش‌بینی‌های خود شرکت نیز فراتر رفت. در ماه جولای، TSMC درآمد سه ماهه سوم را بین ۴۴.۶ تا ۴۵.۸ میلیارد دلار پیش‌بینی کرده بود و نتیجه واقعی از سقف این بازه فراتر رفت. همچنین، این رقم از برآورد LSEG SmartEstimate که ۱.۴۶ تریلیون دلار جدید تایوان بود، پیشی گرفت.

ماه سپتامبر نقش پررنگی در این موفقیت ایفا کرد. درآمد این ماه به تنهایی به ۵۱۱.۸۶ میلیارد دلار جدید تایوان رسید که ۵۴.۶ درصد نسبت به سال قبل افزایش داشته است.

سودآوری جایی است که روند رکوردشکنی ادامه یافته است. انتظار می‌رود سود خالص سه ماهه سوم حدود ۷۴۰.۸ میلیارد دلار جدید تایوان باشد که نشان‌دهنده افزایش ۶۴ درصدی نسبت به سال قبل و ششمین فصل متوالی سودآوری رکوردشکن خواهد بود.

برای درک بهتر، پنجمین رکورد سودآوری تنها یک فصل پیش به دست آمده بود. سود خالص TSMC در سه ماهه دوم سال ۲۰۲۶ به ۷۰۶.۶ میلیارد دلار جدید تایوان، معادل حدود ۲۲ میلیارد دلار آمریکا، رسید که ۷۷ درصد نسبت به سال قبل افزایش داشت.

درآمد سه ماهه دوم ۱.۲۷ تریلیون دلار جدید تایوان بود که ۳۶ درصد نسبت به سال قبل افزایش نشان می‌داد. بنابراین، درآمد از ۱.۲۷ تریلیون دلار جدید تایوان در سه ماهه دوم به ۱.۴۹ تریلیون دلار جدید تایوان در سه ماهه سوم افزایش یافته است که گامی قابل توجه در تنها سه ماه است.

درآمد نه ماهه اول سال ۲۰۲۶ مجموعاً ۳.۹۰ تریلیون دلار جدید تایوان بود که ۴۱.۱ درصد نسبت به سال قبل افزایش یافته است.

TSMC همچنین چشم‌انداز خود را برای کل سال افزایش داده است. این شرکت اکنون انتظار دارد رشد درآمد سال ۲۰۲۶ به دلار آمریکا کمی بیش از ۴۰ درصد باشد.

محاسبات با کارایی بالا (High-performance computing)، که شامل تراشه‌های هوش مصنوعی می‌شود، ۶۶ درصد از درآمد سه ماهه دوم TSMC را به خود اختصاص داده است.

گره‌های فرآیندی پیشرفته (Advanced process nodes)، به معنای ۷ نانومتر و کوچکتر، ۷۷ درصد از درآمد ویفر TSMC را در سه ماهه دوم تشکیل داده‌اند.

تحقیقات، عملکرد سه ماهه سوم TSMC را به تقاضای پایدار برای تراشه‌های محاسباتی با کارایی بالا مرتبط با هوش مصنوعی و فناوری‌های پردازش پیشرفته نسبت می‌دهد.

TSMC کنفرانس جامع گزارش نتایج سه ماهه سوم خود را در تاریخ ۱۵ اکتبر ۲۰۲۶، ساعت ۲ بعد از ظهر به وقت تایوان برگزار خواهد کرد. رقم درآمد پیش از این عمومی شده است، بنابراین تمرکز به اظهارات مدیریت در مورد مسیر پیش رو معطوف خواهد شد. انتظار می‌رود این کنفرانس بینش‌هایی را در مورد تعدیل احتمالی قیمت‌ها برای سال ۲۰۲۷ ارائه دهد. همچنین انتظار می‌رود هزینه‌های سرمایه‌ای برای حمایت از گسترش در تایوان، آریزونا و سایر مکان‌ها افزایش یابد.

توکن STRK استارک‌نت در ۳۰ روز منتهی به ۱۱ تا ۱۲ اکتبر ۲۰۲۶، حدود ۳۲۲ تا ۳۲۳ درصد افزایش یافت و در همین بازه زمانی، بیت‌کوین و اتر را به شدت پشت سر گذاشت.

محرک این رشد، راه‌اندازی یک محصول نبود، بلکه یک ایده بود: استارک‌نت در حال بررسی خروج از مدار اتریوم و تبدیل شدن به بلاک‌چین لایه ۱ مستقل خود است.

در حال حاضر، استارک‌نت به عنوان لایه ۲ اتریوم فعالیت می‌کند. این شبکه تراکنش‌ها را در شبکه خود پردازش کرده و سپس برای امنیت، آن‌ها را به اتریوم بازمی‌گرداند.

پیشنهادی که در کنفرانس Token2049 رونمایی شد، این وابستگی را قطع خواهد کرد. استارک‌نت از سیستمی که بر اتریوم متکی است، به یک زنجیره مستقل لایه ۱ منتقل خواهد شد. هدف اعلام شده جاه‌طلبانه است: تبدیل شدن به اولین شبکه کاملاً مقاوم در برابر کوانتوم تا سال ۲۰۲۷.

الی بن-ساسون، مدیرعامل، استقلال را مسئله‌ای مربوط به کنترل دانسته است. استدلال او این است که اجرای یک لایه ۱ مستقل به استارک‌نت اجازه می‌دهد تا جدول زمانی خود را برای ارتقاء امنیت، به ویژه در زمینه رمزنگاری پسا-کوانتوم، تعیین کند. به عنوان لایه ۲، برنامه زمانی شبکه تا حدی به تصمیمات اتخاذ شده در اتریوم گره خورده است.

این پیشنهاد مورد استقبال قرار گرفت. در ۹ اکتبر، STRK افزایش روزانه حدود ۴۰ درصدی را ثبت کرد و قیمت‌های درون روز از ۰.۱۲ دلار فراتر رفت.

فعالیت معاملاتی نیز به دنبال افزایش قیمت، رونق گرفت. حجم معاملات ۲۴ ساعته STRK در طول این روند صعودی، به طور مکرر به صدها میلیون دلار می‌رسید. حجم معاملات صرافی‌های غیرمتمرکز روزانه و معاملات آتی دائمی نیز افزایش یافت.

ارزش بازار STRK در گزارش‌های اخیر بین ۸۶۰ میلیون تا ۸۸۸ میلیون دلار گزارش شده است. در ۸ اکتبر، کارمزدها به بالاترین حد هفتگی خود یعنی ۱۳,۶۸۵ دلار رسیدند که حدود ۱۹۰ درصد نسبت به پایین‌ترین میزان هفته افزایش داشت.

ارزش کل قفل شده در دیفای (TVL) استارک‌نت، در دوره‌ای اخیر که کمی کوتاه‌تر از روند صعودی قیمت بود، حدود ۵ تا ۷ درصد افزایش یافت و اکنون در حدود ۱۶۸ میلیون دلار قرار دارد.

بنابراین، در حالی که قیمت توکن تقریباً چهار برابر شد، میزان سرمایه واقعی قفل شده در برنامه‌های کاربردی آن با ارقام تک رقمی رشد کرد.

با وجود این هیجان، زمینه اهمیت دارد. حتی پس از این افزایش، STRK همچنان بیش از ۹۷ درصد از بالاترین رکورد خود که در فوریه ۲۰۲۴ ثبت شد، فاصله دارد.

ریسک اصلی ساده است: انتقال به لایه ۱ هنوز فقط یک پیشنهاد است. این امر نیازمند کار فنی، تأیید حاکمیتی و بازخورد جامعه قبل از هرگونه تغییری است. هیچ جدول زمانی مشخصی برای راه‌اندازی وجود ندارد. در حال حاضر، استارک‌نت همچنان تراکنش‌های خود را در اتریوم تسویه می‌کند.

واگرایی بین قیمت و میزان استفاده نیز شایسته توجه است. ارزش بازار STRK اکنون چندین برابر TVL دیفای شبکه است. معامله‌گران باید نظاره‌گر باشند که آیا TVL، کارمزدها و فعالیت کاربران در هفته‌های آینده به این روند صعودی قیمت خواهند رسید یا خیر.

همچنین یک سوال استراتژیک بزرگتر برای اکوسیستم مقیاس‌پذیری اتریوم وجود دارد. یک راه‌حل برجسته که به طور علنی استقلال را بررسی می‌کند، مدل شبکه‌های لایه ۲ را به عنوان امتداد اتریوم به چالش می‌کشد. اگر استارک‌نت این مسیر را دنبال کند، به معنای چشم‌پوشی از تضمین‌های امنیتی است که در وهله اول لایه ۲ها را جذاب می‌کرد، و متقاعد کردن اعتبارسنج‌ها، توسعه‌دهندگان و سرمایه که یک زنجیره مستقل ارزش این معامله را دارد.

OpenAI حافظه کاری GPT-6.1 Sol را به طور پیش‌فرض افزایش داد

شرکت OpenAI حافظه کاری مدل GPT-6.1 Sol را به طور قابل توجهی افزایش داده است. این مدل اکنون با طول زمینه (context length) ۵۰۰,۰۰۰ توکن در پلتفرم‌های Codex و ChatGPT Work آغاز به کار می‌کند، که این رقم در گذشته ۲۷۲,۰۰۰ توکن بود.

افزایش چشمگیر حافظه کاری

این تغییر در تاریخ ۱۱ اکتبر ۲۰۲۶، کمتر از دو هفته پس از معرفی اولیه مدل اعمال شد. OpenAI با جابجایی نقطه پیش‌فرض از ۲۷۲,۰۰۰ توکن به ۵۰۰,۰۰۰ توکن، فضایی معادل ۲۲۸,۰۰۰ توکن اضافی را قبل از نیاز به تنظیمات دستی توسط کاربران فراهم کرده است.

حداکثر ظرفیت و تفکیک ورودی/خروجی

نقطه پیش‌فرض تنها یک نقطه شروع است. GPT-6.1 Sol از حداکثر پنجره زمینه ۱,۰۵۰,۰۰۰ توکن پشتیبانی می‌کند و کاربران می‌توانند این مقدار پیش‌فرض را برای استفاده بیشتر تغییر دهند. این سقف به دو بخش تقسیم می‌شود: تا ۹۲۲,۰۰۰ توکن می‌تواند به ورودی اختصاص یابد، در حالی که حداکثر ۱۲۸,۰۰۰ توکن برای خروجی در نظر گرفته شده است.

تغییرات قیمت‌گذاری

افزایش حافظه کاری پیش‌فرض همزمان با تعدیل قیمت‌ها صورت گرفته است. OpenAI هزینه‌های اضافی برای زمینه طولانی (long-context surcharges) را برای کاربران اشتراکی GPT-6.1 Sol حذف کرده است.

برای توسعه‌دهندگانی که از طریق API پرداخت می‌کنند، نرخ‌های اعلام شده ۲ دلار به ازای هر میلیون توکن ورودی و ۱۰ دلار به ازای هر میلیون توکن خروجی است. این قیمت‌ها با آنچه OpenAI برای مدل پیشین خود دریافت می‌کرد، مطابقت دارد.

بازخورد کاربران و اهداف توسعه

OpenAI این تعدیل را پاسخی به بازخورد کاربران عنوان کرده است. هدف از این تغییر، بهبود توانایی مدل در پردازش زمینه‌های طولانی و وظایف چند مرحله‌ای است.

معرفی و کاربرد GPT-6.1 Sol

GPT-6.1 Sol در تاریخ ۲۹ سپتامبر ۲۰۲۶ در رویداد DevDay شرکت OpenAI معرفی شد و به خانواده گسترده‌تر مدل‌های GPT-6 تعلق دارد. OpenAI این مدل را برای افرادی که در زمینه‌های کدنویسی پیچیده، استفاده سنگین از کامپیوتر و کارهای حرفه‌ای فعالیت دارند، عرضه کرده است. عملکرد آن با مدل پرچمدار GPT-6 Astra همسو توصیف شده، در حالی که هزینه اجرای آن به طور قابل توجهی کمتر است.

این مدل در ChatGPT Work و Codex در دسترس است و کاربران پلاس، پرو، بیزینس، اینترپرایز و اِدو (Plus, Pro, Business, Enterprise and Edu) را هدف قرار داده است. دسترسی به آن از طریق OpenAI API نیز امکان‌پذیر است.

کوین‌بیس مدعی شد مدل هوش مصنوعی کوچک‌ترش در شناسایی کلاهبرداری بهتر از مدل‌های گران‌قیمت عمل می‌کند

صرافی ارز دیجیتال کوین‌بیس اعلام کرده است که با آموزش یک مدل هوش مصنوعی نسبتاً کوچک، توانسته است در شناسایی کلاهبرداری‌ها عملکردی بهتر از برخی از گران‌ترین سیستم‌های هوش مصنوعی موجود در بازار داشته باشد.

هوش مصنوعی کوچک‌تر، عملکرد بهتر

کوین‌بیس در سری مقالات وبلاگ خود با عنوان “مالکیت هوش” که در تاریخ ۷ تا ۸ اکتبر ۲۰۲۶ منتشر شد، بیان داشت که نسخه تنظیم‌شده مدل Qwen3.5-9B از شرکت Alibaba، در تشخیص کلاهبرداری برای سرویس Onramp این صرافی، از مدل‌های پیشرفته‌تر بازار پیشی گرفته است. این مدل کوچک‌تر، هم سریع‌تر و هم بسیار ارزان‌تر برای آموزش بوده است.

عامل ریسک کلاهبرداری مبتنی بر LLM

این پروژه بر روی یک عامل ریسک کلاهبرداری مبتنی بر مدل‌های زبان بزرگ (LLM) متمرکز است که به طور خاص برای Onramp، سرویس خرید ارز دیجیتال کوین‌بیس، طراحی شده است. این عامل در بالای مدل‌های یادگیری ماشین موجود کوین‌بیس قرار می‌گیرد و تراکنش‌هایی را که قبلاً توسط این سیستم‌ها پردازش شده‌اند، بررسی می‌کند.

خروجی محدود و مؤثر

خروجی این عامل به طور عمدی محدود است. این عامل تنها سطح ریسک را برمی‌گرداند و هیچ اطلاعات دیگری ارائه نمی‌دهد، بنابراین سیستم‌های بالادستی بدون تغییر به کار خود ادامه می‌دهند.

نتایج قابل توجه در تست A/B

نتایج حاصل از تست A/B معنادار بوده است. کوین‌بیس اعلام کرد که این عامل توانسته است تراکنش‌های کلاهبردارانه را ۳۰ درصد کاهش دهد و ارزش دلاری کلاهبرداری‌ها را ۲۲ درصد پایین بیاورد. برآورد می‌شود که این صرفه‌جویی‌ها سه برابر هزینه اجرای مدل باشد.

معیار سنجش اختصاصی

برای مقایسه مدل‌ها، کوین‌بیس یک معیار سنجش اختصاصی برای کلاهبرداری در سرویس Onramp ایجاد کرده است. این معیار شامل ۱۶,۱۴۰ تراکنش است که از این تعداد، ۸۱۳ مورد موارد تأیید شده کلاهبرداری بوده‌اند.

رقابت با مدل‌های پیشرفته

کوین‌بیس مدل Qwen3.5-9B را با استفاده از یادگیری تقویتی تنظیم کرده است. سپس این مدل تنظیم‌شده در رقابتی مستقیم با سیستم‌های پیشرفته، از جمله Opus 4.5 از شرکت Anthropic، قرار گرفت.

مدل ۹ میلیارد پارامتری در چهار معیار کلیدی برتری داشت: دقت (precision)، بازیابی (recall)، امتیاز F1 (F1 score) و بازیابی وزنی دلاری (dollar-weighted recall). حاشیه برتری این مدل بین ۷.۵ تا ۳۵.۴ درصد بوده است.

سرعت و هزینه

سرعت نیز به نفع مدل کوچک‌تر بود. Qwen میانگین تأخیر (latency) ۰.۶۸۳ ثانیه را ثبت کرد، در حالی که این رقم برای Opus 4.5 برابر با ۱.۵۱۵ ثانیه بود. این کاهش ۵۵ درصدی را نشان می‌دهد.

هزینه آموزش مدل Qwen نیز قابل توجه است. کوین‌بیس اعلام کرد که هزینه آموزش این مدل کمتر از ۱۰۰ دلار با استفاده از یک پردازنده گرافیکی NVIDIA RTX PRO 6000 96GB بوده است.

یافته‌های غیرمنتظره در مدل‌های جدید

جالب‌ترین یافته ممکن است مربوط به عملکرد آخرین مدل‌های پیشرفته باشد. کوین‌بیس گزارش داد که مدل‌های Opus 5، Sonnet 5 و GPT-5.6 در معیار سنجش ۱۶,۱۴۰ تراکنشی، عملکرد ضعیف‌تری نسبت به نسل‌های قبلی خود داشته‌اند.

استراتژی کوین‌بیس

برای کوین‌بیس، نتیجه‌گیری استراتژیک به نظر می‌رسد. این شرکت به سمت استفاده از مدل‌های پس از آموزش‌دیده که برای مسائل خاص طراحی شده‌اند، گرایش دارد تا اینکه صرفاً به مدل‌های عمومی که در صدر جدول رهگیری قرار دارند، اتکا کند.

کاهش ۳۰ درصدی تراکنش‌های کلاهبردارانه به معنای عبور کمتر کارت‌های مسروقه و کاهش تعداد بازپرداخت‌ها (chargebacks) است. کاهش ۲۲ درصدی ارزش کلاهبرداری نیز به این معنی است که زیان‌های وارده کوچکتر خواهند بود.

ملاحظات و محدودیت‌ها

این یافته‌ها دارای ملاحظاتی هستند. معیار سنجش اختصاصی است، بنابراین افراد خارج از شرکت نمی‌توانند به طور مستقل نتایج را تأیید کنند. این یافته‌ها همچنین فقط برای یک وظیفه خاص در یک محصول خاص اعمال می‌شوند و الگوهای کلاهبرداری به طور مداوم با انطباق مهاجمان تغییر می‌کنند.

روند نزولی در مدل‌های پیشرفته‌تر نیز نیازمند بررسی دقیق در طول زمان است. این امر می‌تواند منعکس‌کننده چیزی خاص در نحوه پردازش این نوع قضاوت ریسک ساختاریافته توسط آن مدل‌ها باشد، یا ممکن است با به‌روزرسانی‌های آینده تغییر کند.

استرایپ، آغاز «تکینگی» را در اول ژانویه ۲۰۲۶ اعلام کرد

در حالی که اکثر شرکت‌ها روز اول سال نو را با برنامه‌های تعطیلاتی سپری می‌کنند، استرایپ تصمیم گرفته است که این روز را به عنوان آغاز رسمی «تکینگی» (Singularity) در نظر بگیرد. جان کِلیسون، یکی از بنیان‌گذاران این شرکت پرداخت، اعلام کرده است که اول ژانویه ۲۰۲۶ به عنوان نقطه شروع این پدیده در نظر گرفته می‌شود. او دو عامل کلیدی را برای این نام‌گذاری برمی‌شمارد: پیشرفت‌های سریع در حوزه هوش مصنوعی و افزایش چشمگیر تعداد شرکت‌های نوپا.

آغاز یک دوره جدید

این نام‌گذاری برای اولین بار در نامه‌ای به سرمایه‌گذاران که استرایپ در اواسط اوت ۲۰۲۶ ارسال کرد، ظاهر شد. این نامه، این تغییر را به عنوان یک «تغییر فاز» توصیف می‌کرد که عمدتاً ناشی از جهش در ایجاد شرکت‌های جدید با پشتوانه هوش مصنوعی بود. پاتریک و جان کِلیسون به همراه ویلیام گِیبریک، مدیر ارشد فناوری، این نامه را امضا کردند. این سه نفر اعلام کردند که قصد دارند پذیرش هوش مصنوعی را تسریع کرده و همزمان کنترل اقتصادی افراد بر کار خود را گسترش دهند.

خرید OpenRouter و سرمایه‌گذاری در زیرساخت هوش مصنوعی

این نامه تنها خبر منتشر شده نبود. استرایپ همزمان اعلام کرد که پلتفرم OpenRouter را که در مسیریابی بین مدل‌های هوش مصنوعی و اجرای بازاری برای آن‌ها نقش دارد، به مبلغ بیش از ۸ میلیارد دلار خریداری کرده است. بخش عمده این معامله به صورت سهام پرداخت خواهد شد.

در فوریه ۲۰۲۶، پاتریک کِلیسون پیش‌بینی کرده بود که سه ماهه اول سال جاری ممکن است به عنوان آغاز «تکینگی» به یادگار بماند. تا ماه اوت، این حدس و گمان به یک تاریخ مشخص در تقویم تبدیل شد. جان کِلیسون در مصاحبه‌ای در اکتبر ۲۰۲۶ اذعان داشت که این برچسب در ابتدا تا حدی با شوخی همراه بود، اما او آن را به سرعت فزاینده در ایجاد شرکت‌های جدید و تحولات جاری در آزمایشگاه‌های هوش مصنوعی مرتبط دانست.

رشد چشمگیر استرایپ

در نیمه اول سال ۲۰۲۶، استرایپ رشد درآمد ۴۱ درصدی را نسبت به سال قبل گزارش کرد. جریان نقدی آزاد نیز در همین دوره ۴۳ درصد افزایش یافت. برای درک بهتر، استرایپ در سال ۲۰۲۵ حجم پرداخت ۱.۹ تریلیون دلاری را پردازش کرده بود که نسبت به سال قبل ۳۴ درصد افزایش داشت.

قابل توجه‌ترین آمار از سوی استرایپ اطلس (Stripe Atlas) به دست آمده است. تا اکتبر ۲۰۲۶، گروه اطلس ۲۰۲۶ پنج برابر بیشتر از گروه ۲۰۲۵ درآمدزایی کرده بود. این گروه همچنین شامل تعداد بی‌سابقه‌ای از بنیان‌گذاران انفرادی است. استرایپ همچنین گزارش می‌دهد که ۸۸ درصد از شرکت‌های حاضر در لیست Forbes AI 50 بر روی پلتفرم آن بنا شده‌اند.

تا اکتبر ۲۰۲۶، عامل‌های کدنویسی (coding agents) به جای ادغام‌های دستی، به روش اصلی مشتریان برای استفاده از API استرایپ تبدیل شده‌اند.

جایگاه استراتژیک استرایپ

استرایپ در موقعیت منحصر به فردی قرار دارد. از آنجایی که پرداخت‌های طیف وسیعی از کسب‌وکارها را مدیریت می‌کند، می‌تواند ظهور و شروع درآمدزایی شرکت‌های جدید را پیش از آنکه داده‌های عمومی به روز شوند، مشاهده کند. خرید OpenRouter نشان‌دهنده مسیری است که استرایپ رشد را در آن می‌بیند. پلتفرمی که بین توسعه‌دهندگان و مدل‌های مختلف هوش مصنوعی قرار می‌گیرد، یک «گذرگاه عوارضی» طبیعی در اقتصادی است که محصولات به طور فزاینده‌ای بر اساس این مدل‌ها عمل می‌کنند. مالکیت این پلتفرم، استرایپ را به لایه زیرساخت هوش مصنوعی نزدیک‌تر می‌کند، نه فقط به صفحه پرداخت.

پرداخت بخش عمده به صورت سهام نیز حائز اهمیت است. این امر نشان می‌دهد که استرایپ با استفاده از سهام خود به عنوان ارز راحت است و صاحبان OpenRouter را به عملکرد آتی استرایپ گره می‌زند، به جای پرداخت نقدی فوری.

برای سرمایه‌گذارانی که بر فناوری‌های خصوصی نظارت دارند، اعداد و ارقام استرایپ محتوا و برندینگ «تکینگی» بسته‌بندی آن است. رشد ۴۱ درصدی درآمد و ۴۳ درصدی جریان نقدی آزاد در نیمه اول سال ۲۰۲۶، برای شرکتی که سال قبل ۱.۹ تریلیون دلار جابجا کرده، رشد قابل توجهی محسوب می‌شود. داده‌های اطلس، معیاری است که ارزش پیگیری دارد. شکاف درآمدی ۵ برابری بین گروه‌ها، یک تصویر لحظه‌ای در ماه اکتبر است و درآمد مراحل اولیه می‌تواند نوسان داشته باشد. با توجه به اینکه عامل‌های کدنویسی در حال حاضر روش اصلی اتصال مشتریان به API استرایپ هستند، رقبایی که محصولاتشان برای عامل‌ها دشوارتر است، ممکن است خود را در موقعیت نامناسبی بیابند.

در حالی که بسیاری در دنیای ارزهای دیجیتال همچنان در حال بحث درباره “حالت پناهگاه” هستند، تیمی از توسعه‌دهندگان Zcash می‌گویند که از قبل برنامه‌ای دارند.

برنامه Zakura برای امنیت پسا‌کوانتومی در Zcash

Zakura، شرکتی که گره کامل Zcash را می‌سازد، اعلام کرده است که انتظار دارد دستورالعمل‌های امضای پسا‌کوانتومی در ماه ژانویه به شبکه Zcash اضافه شوند. این دستورالعمل‌ها، که به عنوان “opcode” شناخته می‌شوند، به شبکه امکان تأیید نوع جدیدی از امضا را خواهند داد.

هدف از این اقدام، طبق پستی مهندسی از سوی Roman Akhtariev، دستیابی به “استخرهای شفاف کاملاً ایمن در برابر کوانتوم با امضاهای مبتنی بر هش” است.

Zcash از دو نوع تراکنش پشتیبانی می‌کند: تراکنش‌های محافظت‌شده (shielded) که فرستنده، گیرنده و مبلغ را پنهان می‌کنند، و تراکنش‌های شفاف (transparent) که مانند بیت‌کوین، به صورت عمومی قابل مشاهده هستند. یک آدرس شفاف حاوی هش کلید عمومی است که تا زمانی که مالک از آن تراکنش انجام ندهد و کلید را در زنجیره عمومی نکند، پنهان می‌ماند.

Zakura در توییتر خود در تاریخ ۸ اکتبر ۲۰۲۶ نوشت: “اینجا برنامه ما برای آدرس‌های شفاف قابل چرخش و غیرقابل ردیابی، ایمن در برابر کوانتوم است. با Zcash، امروز ممکن است. در حالی که دیگران نگران قابلیت چرخش آدرس‌های شفاف هستند، ما در حال حل مشکل قابلیت ردیابی هستیم.”

رویکرد Zakura: ترکیبی از چرخش آدرس و امضای مبتنی بر هش

رویکرد Zakura دو لایه دفاعی را ترکیب می‌کند. کیف پول‌ها پس از هر تراکنش به یک آدرس جدید تغییر مکان می‌دهند و کلیدهای عمومی را از دید پنهان نگه می‌دارند. همچنین، یک امضای پشتیبان مبتنی بر هش به نام WOTS اضافه می‌شود. طرح‌های مبتنی بر هش از محاسبات منحنی بیضوی که محققان نگرانند هوش مصنوعی یا کامپیوترهای کوانتومی بتوانند آن را بشکنند، اجتناب می‌کنند.

با این حال، چرخش آدرس یک مشکل حریم خصوصی ایجاد می‌کند. هنگامی که یک کیف پول از یک سرور می‌خواهد موجودی چندین آدرس را بررسی کند، سرور می‌تواند تشخیص دهد که این آدرس‌ها متعلق به یک کاربر هستند. Zakura ادعا می‌کند که این مشکل را با استفاده از “بازیابی اطلاعات خصوصی” (PIR)، یک تکنیک رمزنگاری که به کیف پول اجازه می‌دهد سوابق را بدون افشای اینکه کدام‌ها را درخواست می‌کند، بازیابی کند، حل می‌کند. این قابلیت در حال حاضر در کیف پول Vizor در حال راه‌اندازی است و کاربران می‌توانند با فعال کردن “پرس‌وجوهای خصوصی” در تنظیمات، آن را آزمایش کنند.

Zakura در پلتفرم X نوشت: “در حالی که دیگران نگران قابلیت اطمینان آدرس‌های شفاف در حال چرخش هستند، ما در حال حل مشکل قابلیت ردیابی هستیم.”

این اظهارات اشاره‌ای به جاستین دریک، پژوهشگر بنیاد اتریوم، دارد که این هفته از دارندگان خواست تا وجوه خود را با آرامش به آدرس‌های جدید منتقل کنند. با این حال، واکنش عمومی به فراخوان دریک، آرام نبود.

دریک هشدار داد که ریاضیات مبتنی بر هوش مصنوعی می‌تواند امضاهای ECDSA را که از بیت‌کوین و اتریوم محافظت می‌کنند، پیش از کامپیوترهای کوانتومی بشکند، “در بدترین حالت در عرض چند ماه نه سال.” ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، از آن زمان در این بحث شرکت کرده و گفته است که معتقد است “محتمل” است که پیشرفت‌های مبتنی بر هوش مصنوعی در ریاضیات بتوانند رمزنگاری را در دو سال آینده بشکنند.

برنامه Zakura تنها بخش شفاف Zcash را پوشش می‌دهد و در این پست اشاره‌ای به نحوه یا زمان فعال‌سازی این دستورالعمل‌ها در سراسر شبکه نشده است.

این تلاش‌ها در حالی صورت می‌گیرد که Zcash شاهد افزایش علاقه نهادی است، از جمله پیشنهاد یک صندوق قابل معامله در بورس (ETF) دیگر در ایالات متحده مرتبط با دوقلوهای وینکلواس و اولین صندوق قابل معامله در بورس (ETP) Zcash در اروپا. همچنین، این تحولات پس از یک ارتقاء با هدف سه برابر کردن سرعت پرداخت‌های خصوصی صورت می‌گیرد.

ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، معتقد است هوش مصنوعی چندین دهه به پیشرفت این شبکه کمک کرده است. او در کنفرانس “شبکه دولت ۲۰۲۶” در سنگاپور اظهار داشت که هوش مصنوعی با سرعتی چشمگیر، روند به‌روزرسانی پروتکل اتریوم را تسریع بخشیده است.

بوترین پیش‌بینی کرد که بدون کمک هوش مصنوعی، دستیابی به برخی از اهداف نقشه راه اتریوم ممکن بود تا سال‌های ۲۰۴۰ یا حتی ۲۰۵۰ به طول بینجامد. این مصاحبه در تاریخ ۹ اکتبر ۲۰۲۶ انجام شد و روز بعد گزارش گردید. تمرکز اصلی بوترین بر “نقشه راه لاغر” (Lean Roadmap) بود؛ طرح اتریوم برای بازنگری اساسی در پروتکل اصلی خود.

ادعای کلیدی او این بود که هوش مصنوعی اکنون بخش قابل توجهی از تحقیقات و کدنویسی مورد نیاز این نقشه راه را بر عهده گرفته است، از جمله دشوارترین وظایف. یکی از برجسته‌ترین نمونه‌ها، تأیید رسمی (formal verification) با استفاده از Lean 4 است. Lean 4 یک زبان برنامه‌نویسی و دستیار اثبات است که برای نوشتن اثبات‌های ریاضیاتی به کار می‌رود که کامپیوتر می‌تواند خط به خط آن‌ها را بررسی کند. طبق خلاصه تحقیقات، مشارکت هوش مصنوعی در Lean 4 نیاز به ممیزی دستی حجم عظیمی از کد توسط انسان را کاهش می‌دهد.

نقشه راهی که بوترین توصیف کرد، صرفاً یک تنظیم جزئی نیست. اتریوم در حال حرکت به سمت معماری‌ای است که بر پایه STARKهای بازگشتی (recursive STARKs)، تأیید رسمی خودکار و مقاومت قوی‌تر در برابر کوانتوم بنا شده است. STARKها اثبات‌های رمزنگاری هستند که به یک طرف اجازه می‌دهند اثبات کند یک محاسبه به درستی انجام شده است، بدون اینکه همه مجبور به تکرار آن باشند. STARKهای بازگشتی نیز اثبات‌هایی هستند که می‌توانند اثبات‌های دیگر را تأیید کنند. مقاومت در برابر کوانتوم نیز به حفاظت از شبکه در برابر کامپیوترهای کوانتومی آینده اشاره دارد که می‌توانند رمزنگاری امروزی را بشکنند.

نقش هوش مصنوعی در پیشرفت اتریوم

بوترین معتقد است هوش مصنوعی در این زمینه نقش کلیدی ایفا می‌کند. خلاصه تحقیقات، هوش مصنوعی را به عنوان یک توانمندساز حیاتی توصیف می‌کند که اتریوم را به سمت این طراحی پیچیده‌تر هدایت می‌کند.

نقطه عطف بعدی در تقویم، ارتقاء “هگوتا” (Hegota) است که انتظار می‌رود حدود سال ۲۰۲۷ رخ دهد. این ارتقاء به عنوان آخرین فورک “عادی” در تاریخ اتریوم توصیف شده است. پس از آن، انتظار می‌رود تمرکز به سمت روش‌های پیشرفته رمزنگاری و تأیید رسمی معطوف شود و ادغام هوش مصنوعی نقشی محوری ایفا کند.

شواهد اولیه حاکی از آن است که هوش مصنوعی می‌تواند کارهای پروتکلی معنی‌داری انجام دهد. در اوایل سال ۲۰۲۶، آزمایش‌ها منجر به تولید یک نمونه اولیه از کلاینت اتریوم شد که حدود ۶۵ مورد از موارد نقشه راه را پوشش می‌داد. این نمونه اولیه همچنین با شبکه اصلی اتریوم (mainnet) همگام‌سازی شد.

این اولین بار نیست که بوترین امسال در مورد هوش مصنوعی اظهار نظر می‌کند. او در اوایل سال ۲۰۲۶، نقش دوگانه هوش مصنوعی در توسعه رمزارزها را مورد بحث قرار داد. از یک سو، هوش مصنوعی می‌تواند کارهای فنی را تسریع بخشد و از سوی دیگر، نگرانی‌های امنیتی در مورد آسیب‌پذیری‌ها را افزایش می‌دهد، از جمله این احتمال که همین ابزارها بتوانند به مهاجمان در یافتن سریع‌تر نقاط ضعف کمک کنند.

این تنش، جنبه تأیید رسمی را به‌ویژه جالب می‌کند. اگر هوش مصنوعی بتواند کد را به سرعت تولید کند، اثبات ریاضی صحت آن کد، به یک سازوکار حفاظتی طبیعی در برابر ریسک‌هایی که خود هوش مصنوعی ایجاد می‌کند، تبدیل می‌شود.

برای توسعه‌دهندگان، واضح‌ترین پیامد، تغییر در شرح وظایف است. اگر هوش مصنوعی بخش بیشتری از نوشتن اثبات و ممیزی کد را بر عهده بگیرد، محققان اصلی ممکن است زمان بیشتری را صرف تصمیم‌گیری‌های طراحی و زمان کمتری را صرف تأیید دستی کنند.

چارچوب زمانی ۲۰۴۰ تا ۲۰۵۰ که بوترین مطرح کرد، نشان می‌دهد که او هوش مصنوعی را عاملی می‌داند که تفاوت بین “روزی” و “این دهه” را ایجاد می‌کند. مسئله امنیت نیز همچنان پابرجا است. اتکا به هوش مصنوعی برای کد زیرساخت حیاتی، اهمیت حصول اطمینان از صحت تأیید را افزایش می‌دهد، زیرا یک خطای جزئی در یک بلاک‌چین پرکاربرد می‌تواند پرهزینه باشد.

آنچه در ادامه باید رصد کرد: پیشرفت در ارتقاء هگوتا، نتایج بیشتر از آزمایش‌های کلاینت‌های ساخته شده با هوش مصنوعی، و اینکه چه میزان از تأیید رسمی نقشه راه لاغر، در نهایت توسط ماشین تولید خواهد شد.

الرياضيات家初步評估：OpenAI 的數學手稿「有真東西」，但驗證尚需時日

在 OpenAI 公開 722 篇由其 AI 生成的數學手稿僅四天後，多家媒體採訪了三十多位數學家，他們的初步結論是：這些手稿中確實包含有價值的內容，但要準確分辨哪些成果是可靠的，可能需要數年時間。

OpenAI 於 10 月 7 日將這批由 AI 產出的數學手稿發布至 GitHub，但隔天就在更新記錄中撤回了三篇。

《The Verge》在採訪了三十多位數學家後得知，他們對這批成果的初步評價包括「令人驚訝」、「前所未有」和「超現實」。大多數受訪者認為，僅僅理解 OpenAI 所發布內容的深度和廣度就需要數年時間，同時也擔心在數學界尚未完全消化這些成果之前，OpenAI 就會推出下一批。

目前，尚無確切的數字能夠說明這些手稿的準確性。OpenAI 在其說明文件中提到，在評估過程中，模型被給予了約 4,000 道題目，經過 OpenAI 的歸組和篩選，最終形成了現有的目錄，包含 719 篇手稿，分為 372 組。然而，這些數字無法直接換算為成功率，因為歸組後，一道題目可能被併入其他組別。

手稿的驗證程度差異很大。使用 Lean 這種能夠讓電腦逐步檢查證明的程式語言進行形式化驗證的成果，在邏輯上更具說服力。OpenAI 在更新記錄中指出，約有 300 篇（佔 719 篇的 42%）的主要結果附帶了形式化驗證，不到一半。其說明文件也承認，沒有形式化驗證的結果可能存在問題。

此外，即使有形式化驗證，也並不意味著沒有問題。受訪者指出，電腦驗證的敘述不一定完全符合論文的主張，仍需要逐一核對。

倫敦帝國學院的 Kevin Buzzard 表示，在他的代數數論領域，僅有約 6 項成果一眼看上去值得關注，其中幾乎沒有經過 Lean 的驗證。他面臨的選擇是閱讀「可能不正確的垃圾內容」，或是等待他人閱讀和形式化驗證，才能確定結果的對錯。

一些研究者私下表示，部分論文似乎重複了他人已有的研究路徑，還有人提到原本需要數百頁才能闡述的結果被壓縮到了幾十頁。

同時，錯誤也已經出現。更新記錄顯示，一篇關於 Weil 類的論文中存在一個正負號錯誤，導致其論證無效，另外兩篇基於該論文並與 Hodge 猜想相關的論文也被一併撤回。另有 14 篇手稿被修改。所有這些成果都尚未經過同行評審。

撇開呈現方式不談，多位受訪者認為這些成果的整體水準很高。在 AI 出現之前，其中許多成果足以發表在頂尖期刊上，並為作者帶來教職。史丹佛大學的 Jared Duker Lichtman 甚至認為，有「數十項」成果足以讓作者成為菲爾茲獎（數學界最高榮譽之一）的有力競爭者，其中包括在黎曼猜想方面的進展、Hodge 猜想的特殊情況，以及四維 Kakeya 猜想。這是他個人的評估。

然而，OpenAI 在說明文件中註明，黎曼猜想和 Hodge 猜想這兩項成果並非通過其他成果所採用的固定流程完成，也沒有詳細說明其差異。黎曼猜想那篇論文的一個版本甚至經過了人工潤飾。

索邦大學的 Scott Armstrong 提醒，這些並非冷門問題，許多是幾代數學家嘗試數十年才未能解決的知名難題。

對部分數學家而言，OpenAI 此舉無疑讓他們的研究計畫一夜之間面臨被取代的風險。聖安德魯斯大學的 Colva Roney-Dougal 表示：「我的一群朋友和同事的研究經費申請剛剛被完全抹掉了。」Armstrong 知道有一個團隊的研究計畫幾乎被清空；紐約大學的 Tristan Buckmaster 也聽說有三個人的研究計畫被取消。

受影響最嚴重的群體是博士生、年輕研究者以及沒有終身職位的人，因為未解難題常常是博士論文、經費申請和求職的基礎。波蘭密茨凱維奇大學的 Bartosz Naskręcki 批評道：「這是一個社會問題，AI 實驗室完全無視。」

大多數受訪者並不反對 AI 從事數學研究，不少人自己也在使用 AI 工具。

他們的不安主要來自於 OpenAI 的做法：高調發布公告，初步撰寫論文，然後將剩餘的工作留給數學界去消化，同時迅速轉向下一個目標。數學家之間已在流傳下一波成果的消息，而 OpenAI 並未回應《The Verge》關於是否還有下一批的詢問。Armstrong 預計：「兩個月後會有東西把這次的影響蓋過去。」他自認為是對 AI 最樂觀的數學家之一，並且自己也在使用 AI，但他坦言「晚上有點難睡」，目前的目標是在「OpenAI 搶先之前」完成手上的研究。

GitHub برای مقابله با هجوم ترافیک هوش مصنوعی، زیرساخت ذخیره‌سازی خود را از نو می‌سازد

تهران، ایران – غول دنیای میزبانی کد، GitHub، در اقدامی بی‌سابقه تصمیم گرفته است تا زیرساخت ذخیره‌سازی اصلی خود را که میزبان میلیاردها خط کد است، از ابتدا بازسازی کند. این تصمیم در پی افزایش چشمگیر حجم داده‌ها و ترافیک ناشی از ابزارهای هوش مصنوعی اتخاذ شده است. GitHub اعلام کرده است که این تغییرات، که شامل انتقال داده‌ها به Azure Blob Storage مایکروسافت می‌شود، بدون ایجاد اختلال در خدمات برای کاربران و بدون نیاز به زمان توقف انجام خواهد شد.

افزایش بی‌سابقه حجم داده‌ها

بر اساس گزارش‌های GitHub، حجم کلی فعالیت‌های Git از ۲۱۸.۲ میلیارد عملیات در ماه سپتامبر ۲۰۲۵ به ۴۷۳.۳ میلیارد عملیات در ماه اوت ۲۰۲۶ رسیده است که بیش از دو برابر افزایش نشان می‌دهد. رشد در بخش ارسال کد (commit) حتی سریع‌تر بوده است؛ در سپتامبر ۲۰۲۶، توسعه‌دهندگان و عوامل هوش مصنوعی در مجموع ۷.۳۸ میلیارد ارسال کد انجام داده‌اند که بیش از پنج برابر نسبت به سال قبل است. GitHub تأیید کرده است که افزایش قابل توجه در گردش کار توسعه مبتنی بر عامل هوش مصنوعی از اواسط دسامبر ۲۰۲۵، دلیل اصلی این انفجار ترافیک بوده است.

فشار بر بخش نوشتن (write) نیز به طور مستقیم افزایش یافته است. تعداد pushها از ۶۹۰ میلیون در ماه به ۳.۳۵ میلیارد رسیده که نشان‌دهنده رشد ۴۹۰ درصدی سالانه است. تعداد pull requestهای ادغام شده نیز تقریباً چهار برابر شده و GitHub Actions در ماه سپتامبر ۳.۲۶ میلیارد بار اجرا شده که بیش از چهار برابر نسبت به سال قبل است. پرکاربردترین مخزن منفرد نیز در ماه اوت حدود ۱ میلیارد درخواست دریافت کرده است.

چالش‌های معماری قدیمی (Spokes)

معماری قدیمی GitHub که با نام Spokes شناخته می‌شود، هر مخزن را بر روی دیسک‌های سخت سرورهای فایل متعدد کپی می‌کرد. این رویکرد برای خواندن (read) کارآمد بود، اما در بخش نوشتن (write) با مشکل مواجه بود. پروتکل commit سه مرحله‌ای برای به‌روزرسانی مراجع (ref) نیاز به تأیید اکثر کپی‌ها داشت، که سرعت هر push را به کندترین کپی وابسته می‌کرد. این امر منجر به کندی در نوشتن، کاهش توانایی خواندن با کاهش تعداد کپی‌ها و حتی توقف کامل نوشتن در صورت عدم دستیابی به حد نصاب تأیید شد.

عوامل هوش مصنوعی این محدودیت‌ها را به اوج خود رسانده‌اند. GitHub به مواردی مانند ارسال مکرر commit توسط عامل‌ها، ایجاد شاخه‌های متعدد توسط هزاران عامل در یک مخزن، ادغام متمرکز بر روی یک مرجع اصلی و درخواست‌های مکرر CI/CD و اسکن کد اشاره کرده است.

معماری جدید: جداسازی ذخیره‌سازی و پاسخگویی به درخواست‌ها

معماری جدید GitHub با جداسازی “ذخیره داده‌ها” و “پاسخگویی به درخواست‌ها” طراحی شده است. داده‌های معتبر مخزن به Azure Blob Storage منتقل می‌شوند که دوام و تکثیر داده‌ها را تضمین می‌کند. بخش خواندن توسط گره‌های محاسباتی سبک‌وزن که با جریان ترافیک قابل مقیاس‌بندی هستند، مدیریت می‌شود و این گره‌ها صرفاً به عنوان حافظه پنهان (cache) عمل می‌کنند.

در بخش نوشتن، تنها مرحله “به‌روزرسانی مرجع” نیاز به هماهنگی دارد. مراحل پرهزینه‌تر مانند ذخیره اشیاء، بررسی یکپارچگی داده‌ها و اسکن برای انتقال نادرست داده‌ها، می‌توانند به صورت موازی با سایر عملیات نوشتن انجام شوند. وظایف نگهداری مانند فشرده‌سازی و جمع‌آوری زباله (garbage collection) به گره‌های پس‌زمینه مستقل منتقل شده‌اند تا از اشغال منابع ماشین‌های پاسخگویی به درخواست‌ها جلوگیری شود.

نتایج و چشم‌انداز آینده

GitHub اعلام کرده است که در تست‌های داخلی، توان عملیاتی نوشتن (write throughput) تا ۳۵ برابر افزایش یافته و ظرفیت خواندن نیز به طور مستقل قابل مقیاس‌بندی است. این نتایج مربوط به تست‌های داخلی است و هنوز در محیط عملیاتی واقعی اعمال نشده است.

GitHub تأکید کرده است که این تغییرات معماری، گلوگاه‌های نوشتن Git را برطرف کرده و محدودیت‌های ساختاری مانند تداخل خواندن و نوشتن و توقف عملیات را از بین می‌برد. پایداری سایر بخش‌ها به پروژه‌های مهندسی موازی GitHub، از جمله انتقال خدمات به Azure و جداسازی پایگاه‌های داده مشترک، بستگی دارد.

جزئیات مربوط به زمان‌بندی اجرای این پروژه و نتایج واقعی آن در گزارش‌های آتی GitHub منتشر خواهد شد.