Tag: نوآوری فناوری

‏جنسن هوانگ، مدیرعامل انویدیا، هفته گذشته در پادکست لکس فریدمن شرکت کرد و صریحاً گفت: «فکر می‌کنم به هوش عمومی مصنوعی (AGI) دست یافته‌ایم.» دو روز بعد، سخت‌گیرانه‌ترین آزمون در زمینه تحقیقات هوش مصنوعی، جدیدترین معیار هوش عمومی مصنوعی خود را منتشر کرد و تمام مدل‌های پیشرو کمتر از ۱٪ امتیاز کسب کردند.

نتایج ناامیدکننده

بنیاد جایزه ARC، ARC-AGI-3 را این هفته منتشر کرد و نتایج آن بسیار ناامیدکننده بود. Gemini 3.1 Pro گوگل با ۰.۳۷٪ در صدر قرار گرفت. GPT-5.4 از OpenAI با ۰.۲۶٪ در رتبه بعدی قرار گرفت. Claude Opus 4.6 از Anthropic موفق به کسب ۰.۲۵٪ شد، در حالی که Grok-4.20 از xAI دقیقاً صفر امتیاز کسب کرد. در همین حال، انسان‌ها ۱۰۰٪ از محیط‌ها را حل کردند.

این یک آزمون اطلاعات عمومی یا امتحان کدنویسی یا حتی سؤالات فوق‌العاده دشوار در سطح دکترا نیست. ARC-AGI-3 چیزی کاملاً متفاوت از هر چیزی است که صنعت هوش مصنوعی تاکنون با آن مواجه شده است.

این معیار توسط بنیاد فرانسوا شوله و مایک کنوپ ساخته شده است که یک استودیوی بازی داخلی را راه‌اندازی کرده و ۱۳۵ محیط تعاملی اصلی را از ابتدا ایجاد کرده‌اند. ایده این است که یک عامل هوش مصنوعی را وارد یک دنیای بازی‌مانند ناآشنا کنید، بدون هیچ دستورالعملی، بدون اهداف مشخص و بدون هیچ توضیحی در مورد قوانین. عامل باید کاوش کند، بفهمد چه کاری باید انجام دهد، یک برنامه ایجاد کند و آن را اجرا کند.

اگر این شبیه کاری است که هر کودک پنج ساله می‌تواند انجام دهد، در حال درک مشکل هستید. اگر می‌خواهید ببینید آیا از هوش مصنوعی بهتر هستید، می‌توانید با کلیک بر روی این پیوند، همان بازی‌هایی را که در این آزمون وجود دارد، انجام دهید. ما یکی را امتحان کردیم؛ در ابتدا عجیب بود، اما پس از چند ثانیه، به راحتی می‌توانید با آن کنار بیایید.

همچنین این واضح‌ترین نمونه از معنای «G» در AGI است. وقتی تعمیم می‌دهید، می‌توانید دانش جدیدی (چگونگی عملکرد یک بازی عجیب) را بدون آموزش قبلی در مورد آن ایجاد کنید.

چالش‌های پیشین و طراحی جدید

نسخه‌های قبلی ARC، پازل‌های بصری ایستا را آزمایش می‌کردند – یک الگو را نشان دهید، بعدی را پیش‌بینی کنید. در ابتدا سخت بودند. سپس آزمایشگاه‌ها قدرت محاسباتی و آموزش را به سمت آن‌ها پرتاب کردند تا زمانی که معیارها عملاً از بین رفتند. ARC-AGI-1 که در سال ۲۰۱۹ معرفی شد، به مدل‌های آموزش و استدلال در زمان آزمایش سقوط کرد. ARC-AGI-2 حدود یک سال دوام آورد قبل از اینکه Gemini 3.1 Pro به ۷۷.۱٪ برسد. آزمایشگاه‌ها در اشباع کردن معیارهایی که می‌توانند در برابر آن‌ها آموزش دهند، بسیار خوب عمل می‌کنند.

نسخه ۳ به‌طور خاص برای جلوگیری از این امر طراحی شده است. با خصوصی نگه داشتن ۱۱۰ محیط از ۱۳۵ محیط – ۵۵ محیط نیمه‌خصوصی برای آزمایش API، ۵۵ محیط کاملاً قفل شده برای رقابت – هیچ مجموعه داده‌ای برای حفظ کردن وجود ندارد. شما نمی‌توانید با منطق بازی جدیدی که هرگز ندیده‌اید، به زور وارد شوید.

امتیازدهی نیز پاس/رد نیست. ARC-AGI-3 از چیزی استفاده می‌کند که بنیاد آن را RHAE – بازده عمل نسبی انسان – می‌نامد. خط پایه، دومین عملکرد انسانی در اولین اجرا است. یک هوش مصنوعی که ده برابر بیشتر از یک انسان عمل می‌کند، برای آن سطح ۱٪ امتیاز می‌گیرد، نه ۱۰٪. این فرمول، جریمه ناکارآمدی را مربع می‌کند. پرسه زدن، برگشتن و حدس زدن راه خود به سمت پاسخ، به شدت مجازات می‌شود.

بهترین عامل هوش مصنوعی در پیش‌نمایش توسعه‌دهنده یک ماهه، ۱۲.۵۸٪ امتیاز کسب کرد. مدل‌های زبانی بزرگ (LLM) پیشرو که از طریق API رسمی آزمایش شدند، بدون هیچ ابزار سفارشی، نتوانستند ۱٪ را پشت سر بگذارند. انسان‌های معمولی تمام ۱۳۵ محیط را بدون آموزش قبلی و بدون هیچ دستوری حل کردند. اگر این معیار است، پس مدل‌های فعلی در حال عبور از آن نیستند.

بحث‌های روش‌شناختی

در اینجا یک بحث روش‌شناختی واقعی وجود دارد. گزارش ARC می‌گوید یک مهار سفارشی ساخته شده توسط Duke، Claude Opus 4.6 را در یک نوع محیط واحد به نام TR87 از ۰.۲۵٪ به ۹۷.۱٪ رساند. این بدان معنا نیست که Claude در ARC-AGI-3 به‌طور کلی ۹۷.۱٪ امتیاز کسب کرد؛ امتیاز معیار رسمی آن ۰.۲۵٪ باقی ماند، اما این تغییر همچنان قابل توجه است.

معیار رسمی، کد JSON را به عوامل تغذیه می‌کند، نه تصاویر. این یا یک نقص روش‌شناختی است یا نشان می‌دهد که مدل‌های امروزی در پردازش اطلاعات کاربرپسندتر از داده‌های ساختاریافته خام هستند. بنیاد شوله این بحث را تأیید کرده است، اما قالب را تغییر نمی‌دهد.

در این مقاله آمده است: «ادراک محتوای فریم و قالب API، عوامل محدودکننده عملکرد مدل‌های پیشرو در ARC-AGI-3 نیستند.» به عبارت دیگر، به نظر می‌رسد آن‌ها این ایده را رد می‌کنند که مدل‌ها به این دلیل شکست می‌خورند که نمی‌توانند وظایف را به درستی ببینند، و در عوض استدلال می‌کنند که ادراک در حال حاضر کافی است – و شکاف واقعی در استدلال و تعمیم نهفته است.

انتظارات و واقعیت

بررسی واقعیت AGI در هفته‌ای انجام شد که ماشین تبلیغاتی با تمام سرعت در حال اجرا بود. علاوه بر اظهار نظر هوانگ، Arm، مرکز داده جدید خود را «CPU AGI» نامید. سام آلتمن از OpenAI گفته است که آن‌ها اساساً AGI را ساخته‌اند و مایکروسافت در حال حاضر در حال بازاریابی یک آزمایشگاه است که بر ساخت ASI متمرکز است: تکاملی از آنچه پس از دستیابی به AGI حاصل می‌شود. به نظر می‌رسد این اصطلاح کشیده می‌شود تا هر چیزی را که از نظر تجاری مناسب است، معنا دهد.

موضع شوله ساده‌تر است. اگر یک انسان معمولی بدون هیچ دستوری می‌تواند آن را انجام دهد و سیستم شما نمی‌تواند، پس شما AGI ندارید – شما یک تکمیل خودکار بسیار گران‌قیمت دارید که به کمک زیادی نیاز دارد.

ARC Prize 2026، ۲ میلیون دلار را در سه مسیر رقابتی ارائه می‌دهد که همگی در Kaggle میزبانی می‌شوند. هر راه‌حل برنده باید منبع باز باشد. زمان در حال گذر است و در حال حاضر، ماشین‌ها حتی نزدیک هم نیستند.

‏ویراستاران ویکی‌پدیا اقدام به محدود کردن نحوه استفاده از هوش مصنوعی در این پلتفرم کرده‌اند. این اقدام در به‌روزرسانی سیاست‌های اخیر، استفاده از مدل‌های زبانی بزرگ را برای نوشتن یا بازنویسی مقالات ممنوع می‌کند.

نگرانی‌های فزاینده

این دستورالعمل جدید، منعکس‌کننده نگرانی‌های فزاینده در جامعه ویکی‌پدیا است مبنی بر اینکه متن تولید شده توسط هوش مصنوعی می‌تواند با استانداردهای این پلتفرم، به‌ویژه در مورد قابلیت تأیید و منابع معتبر، در تضاد باشد.

این به‌روزرسانی سیاست می‌گوید: «متن تولید شده توسط مدل‌های زبانی بزرگ اغلب چندین مورد از سیاست‌های اصلی محتوای ویکی‌پدیا را نقض می‌کند. به همین دلیل، استفاده از مدل‌های زبانی بزرگ برای تولید یا بازنویسی محتوای مقاله ممنوع است، مگر در موارد استثنایی که در زیر ذکر شده است.»

این سیاست همچنان استفاده محدود از ابزارهای هوش مصنوعی را مجاز می‌داند، از جمله پیشنهاد ویرایش‌های اساسی به نوشته‌های خود ویراستار، به شرطی که سیستم اطلاعات جدیدی را معرفی نکند. با این حال، به ویراستاران توصیه می‌شود که این پیشنهادات را با دقت بررسی کنند.

مجازات‌ها و تجدیدنظر

در حالی که سیاست جدید مجازاتی را برای استفاده از محتوای تولید شده توسط هوش مصنوعی ذکر نمی‌کند، اما طبق دستورالعمل‌های ویکی‌پدیا در مورد افشاگری، تکرار سوء استفاده، «الگوی ویرایش مخرب» را تشکیل می‌دهد و ممکن است منجر به مسدود شدن یا ممنوعیت شود. ویکی‌پدیا مسیری را برای ویراستاران فراهم می‌کند تا پس از یک فرآیند تجدیدنظر، حساب‌های خود را بازیابی کنند.

ویکی‌پدیا اعلام کرد: «مسدودیت‌ها را می‌توان با توافق مدیر مسدودکننده، لغو توسط سایر مدیران در صورتی که مسدودیت به وضوح غیرقابل توجیه باشد، یا (در موارد بسیار نادر) با تجدیدنظر در کمیته داوری، لغو کرد.»

دیدگاه‌های متخصصان

به گفته امیلی ام. بندر، استاد زبان‌شناسی در دانشگاه واشنگتن، برخی از کاربردهای مدل‌های زبانی در ابزارهای ویرایش ممکن است منطقی باشد، اما ترسیم مرز مشخص بین ویرایش و تولید متن می‌تواند دشوار باشد.

بندر به دکریپت گفت: «بنابراین یکی از کارهایی که می‌توانید با یک مدل زبانی انجام دهید، ساخت یک غلط‌یاب بسیار خوب است. فکر می‌کنم منطقی است که بگوییم اجرای یک غلط‌یاب بر روی ویرایش‌ها اشکالی ندارد. و اگر در حال انجام سطح بعدی، یعنی یک گرامر‌چک هستید، این هم می‌تواند خوب باشد.»

بندر گفت که چالش زمانی پیش می‌آید که سیستم‌ها فراتر از تصحیح گرامر رفته و شروع به تغییر یا تولید محتوا می‌کنند، و خاطرنشان کرد که مدل‌های زبانی بزرگ فاقد نوعی پاسخگویی هستند که مشارکت‌کنندگان انسانی به پروژه‌های دانش مشارکتی می‌آورند.

وی گفت: «استفاده از مدل‌های زبانی بزرگ برای تولید متن مصنوعی، یک ویژگی اساسی این سیستم‌ها این است که هیچ پاسخگویی، هیچ ارتباطی با آنچه کسی باور دارد یا از آن حمایت می‌کند، وجود ندارد. وقتی صحبت می‌کنیم، بر اساس آنچه باور داریم و در قبال آن پاسخگو هستیم، صحبت می‌کنیم، نه بر اساس یک مفهوم عینی از حقیقت. و این در مورد مدل‌های زبانی بزرگ وجود ندارد.»

بندر گفت که استفاده گسترده از ویرایش‌های تولید شده توسط هوش مصنوعی می‌تواند بر شهرت سایت نیز تأثیر بگذارد.

وی گفت: «اگر مردم به جای آن میانبرهایی را انتخاب کرده و چیزی را می‌سازند که شبیه یک ویرایش یا مقاله ویکی‌پدیا است و آن را در آنجا قرار می‌دهند، این امر ارزش و شهرت کلی سایت را کاهش می‌دهد.»

جوزف ریگل، دانشیار مطالعات ارتباطات در دانشگاه نورث‌ایسترن، که فرهنگ و حاکمیت ویکی‌پدیا را مطالعه می‌کند، گفت که واکنش جامعه منعکس‌کننده نگرانی‌های دیرینه در مورد دقت و منبع‌یابی است.

ریگل به دکریپت گفت: «ویکی‌پدیا نسبت به نثر تولید شده توسط هوش مصنوعی محتاط است. آن‌ها ویژگی‌های دقیقی را که منابع معتبر در مورد یک موضوع بیان می‌کنند، جدی می‌گیرند. هوش مصنوعی در این زمینه محدودیت‌های جدی داشته است، مانند ادعاهای «توهم‌آمیز» و منابع ساختگی.»

ریگل گفت که سیاست‌های اصلی ویکی‌پدیا همچنین نحوه مشاهده ابزارهای هوش مصنوعی توسط ویراستاران را شکل می‌دهد و خاطرنشان کرد که بسیاری از مدل‌های زبانی بزرگ بر اساس محتوای ویکی‌پدیا آموزش داده شده‌اند. در اکتبر، بنیاد ویکی‌مدیا اعلام کرد که بازدیدهای انسانی از ویکی‌پدیا حدود ۸ درصد نسبت به سال قبل کاهش یافته است، زیرا موتورهای جستجو و چت‌بات‌ها به طور فزاینده‌ای پاسخ‌ها را مستقیماً در پلتفرم‌های خود ارائه می‌دهند، نه اینکه کاربران را به سایت هدایت کنند.

در ژانویه، بنیاد ویکی‌مدیا توافق‌نامه‌هایی را با شرکت‌های هوش مصنوعی، از جمله مایکروسافت، گوگل، آمازون و متا، اعلام کرد که به آن‌ها اجازه می‌دهد از مطالب ویکی‌پدیا از طریق محصول سازمانی خود، یک سرویس تجاری طراحی شده برای استفاده مجدد در مقیاس بزرگ از محتوای آن، استفاده کنند.

ریگل گفت: «در حالی که استفاده از محتوای ویکی‌پدیا توسط مجوزهای ویکی‌پدیا مجاز است، اما هنوز هم در میان ویکی‌نویسان، نوعی بی‌میلی نسبت به سرویس‌هایی وجود دارد که محتوای جوامع را تصاحب می‌کنند و سپس خواسته‌های ناخواسته‌ای را به آن جوامع تحمیل می‌کنند تا با انبوهی از آشغال‌های هوش مصنوعی مقابله کنند.»

استثنائات و هشدارها

علیرغم ممنوعیت استفاده از مدل‌های زبانی بزرگ، ویکی‌پدیا به ابزارهای هوش مصنوعی اجازه می‌دهد مقالات را از نسخه‌های زبان‌های دیگر به انگلیسی ترجمه کنند، به شرطی که ویراستاران متن اصلی را تأیید کنند. این سیاست همچنین به ویراستاران هشدار می‌دهد که برای شناسایی محتوای تولید شده توسط هوش مصنوعی، فقط به سبک نوشتاری تکیه نکنند و در عوض بر این تمرکز کنند که آیا مطالب با سیاست‌های اصلی ویکی‌پدیا و سابقه ویرایش مشارکت‌کننده مطابقت دارد یا خیر.

این به‌روزرسانی می‌گوید: «برخی از ویراستاران ممکن است سبک‌های نوشتاری مشابهی با مدل‌های زبانی بزرگ داشته باشند. برای توجیه تحریم‌ها به شواهد بیشتری نسبت به نشانه‌های سبک‌شناختی یا زبانی نیاز است و بهتر است انطباق متن با سیاست‌های اصلی محتوا و ویرایش‌های اخیر ویراستار مورد نظر در نظر گرفته شود.»

همکاری تی-رکس نتورک و زاما برای راه‌اندازی زیرساخت محرمانگی درجه یک سازمانی برای توکنیزه کردن دارایی‌های دنیای واقعی

[بیانیه مطبوعاتی – پاریس، فرانسه، ۲۶ مارس ۲۰۲۶]
تی-رکس نتورک، لایه ارکستراسیون چند زنجیره‌ای دارایی‌های دنیای واقعی (RWA) که توسط گروه ایپکس پشتیبانی می‌شود و خدمات آن به دارایی‌هایی به ارزش ۳.۵ تریلیون دلار می‌رسد، با زاما، پیشگام در رمزنگاری کاملاً هم‌ریخت (FHE)، برای ادغام محرمانگی بومی در تی-رکس لجر، همکاری کرده است.

این همکاری یک گام اساسی در آوردن بازارهای مالی تنظیم‌شده به زنجیره است که با ترکیب تخصص رمزنگاری زاما با استاندارد ERC-3643، که در حال حاضر ۳۲ میلیارد دلار دارایی توکنیزه‌شده را ایمن می‌کند، انجام می‌شود. این ابتکار با تعهد اخیر گروه ایپکس برای پذیرش تی-رکس لجر به عنوان زیرساخت پیش‌فرض خود، با هدف ۱۰۰ میلیارد دلار دارایی توکنیزه‌شده تا ژوئن ۲۰۲۷، بیشتر تقویت می‌شود.

لایه گمشده برای پذیرش سازمانی بلاک‌چین

بلاک‌چین‌های غیرمتمرکز بر اساس طراحی، عمومی هستند. هر تراکنش، موجودی و موقعیت برای همه به طور دائم قابل مشاهده است. برای بازارهای مالی تنظیم‌شده، این یک مانع اساسی است. سال‌هاست که مؤسسات مالی با ساخت زنجیره‌های خصوصی به این موضوع پاسخ داده‌اند و به دنبال کنترل و محرمانگی‌ای بودند که زیرساخت‌های عمومی نمی‌توانستند ارائه دهند. با این کار، آن‌ها سیلوهای جدیدی ایجاد کردند، قابلیت همکاری را قربانی کردند و در نهایت به بهره‌وری کمی که فناوری بلاک‌چین وعده داده بود، دست یافتند.

مؤسسات نمی‌توانند خطر افشای داده‌های حساس سرمایه‌گذاران، موقعیت‌های پرتفوی و استراتژی‌های معاملاتی را در یک دفتر کل عمومی بپذیرند. با این حال، بدون دسترسی به زیرساخت‌های بلاک‌چین عمومی، کارایی و قابلیت همکاری وعده داده شده برای دارایی‌های دنیای واقعی (RWA) توکنیزه‌شده دست‌نیافتنی باقی می‌ماند. اکنون با محرمانگی و کنترل مستقیم در سطح توکن، آن‌ها می‌توانند در نهایت از دفاتر کل عمومی قابل همکاری بدون قربانی کردن انطباق و امنیت استفاده کنند. این یک گام مهم برای این مؤسسات برای مقیاس‌بندی RWA است.

محرمانگی، انطباق و قابلیت همکاری، ساخته شده در یک زیرساخت

تی-رکس لجر یک بلاک‌چین لایه ۲ خنثی برای اوراق بهادار دیجیتال سازگار و قابل همکاری است که به عنوان منبع واحد حقیقت در یک محیط چند زنجیره‌ای عمل می‌کند. این لجر که برای خدمت به توکن‌های صادر شده بر اساس استاندارد ERC-3643 ساخته شده است، هویت و انطباق را در یک زیرساخت واحد و قابل همکاری متحد می‌کند که برای اتصال به بلاک‌چین‌های عمومی اصلی طراحی شده است.

از طریق این مشارکت، زاما لایه محرمانگی بومی را برای تی-رکس لجر با استفاده از FHE، یک راه‌حل رمزنگاری که به قراردادهای هوشمند اجازه می‌دهد بدون نیاز به رمزگشایی داده‌ها، محاسبات را انجام دهند، ارائه می‌دهد. این امر به مؤسسات مالی امکان می‌دهد تا دارایی‌های دیجیتال را در بلاک‌چین‌های عمومی تی-رکس که به زودی راه‌اندازی می‌شوند، صادر، مدیریت و معامله کنند، در حالی که داده‌های حساس را محرمانه نگه می‌دارند، با همان اختیاری که از سیستم‌های مالی سنتی انتظار می‌رود.

این همکاری که در یک گروه کاری از انجمن ERC3643 متولد شد، یکی از مهم‌ترین موانع پذیرش سازمانی بلاک‌چین را برطرف می‌کند: فعال کردن کارایی زیرساخت‌های عمومی در عین حفظ محرمانگی مورد نیاز بازارهای مالی تنظیم‌شده. ادغام پروتکل FHE زاما در تی-رکس لجر، منجر به ایجاد یک بنیاد مقیاس‌پذیر، سازگار و حفظ‌کننده حریم خصوصی برای عملکرد مالی سازمانی در زنجیره می‌شود.

ایجاد استاندارد برای امور مالی محرمانه در زنجیره

جواکیم لبرون، هم‌بنیانگذار تی-رکس نتورک و نویسنده اصلی استاندارد ERC-3643، گفت: «تی-رکس لجر برای تبدیل شدن به لایه ارکستراسیون چند زنجیره‌ای مورد اعتماد برای RWAهای سازمانی ساخته شده است، اما اعتماد به معنای حریم خصوصی نیز هست. ادغام پروتکل FHE زاما مستقیماً در تی-رکس لجر به این معنی است که مؤسسات در نهایت می‌توانند به طور کامل در زنجیره فعالیت کنند بدون اینکه داده‌های محرمانه خود را در معرض دید جهان قرار دهند. این قطعه گمشده برای باز کردن مقیاس سازمانی واقعی است.»

دکتر رند هندی، هم‌بنیانگذار و مدیر عامل زاما، گفت: «هدف ما این است که زاما را به لایه محرمانگی برای بلاک‌چین‌های عمومی تبدیل کنیم و به مؤسسات و سرمایه‌گذاران اجازه دهیم با همان سطح حریم خصوصی که از خارج از زنجیره انتظار دارند، در زنجیره فعالیت کنند. این همکاری با تی-رکس نتورک نشان می‌دهد که محرمانگی یک ویژگی اختیاری برای پذیرش سازمانی بلاک‌چین نیست – بلکه یک زیرساخت اساسی است. با هم، ما بازارهای دارایی دیجیتال را قادر می‌سازیم تا با امنیت، کارایی و اعتماد مقیاس‌بندی شوند.»

محرمانگی سازمانی به عنوان یک زیرساخت مشترک

با تعبیه لایه محرمانگی FHE مستقیماً در تی-رکس لجر، تی-رکس نتورک و زاما در حال ایجاد حریم خصوصی به عنوان یک زیرساخت اصلی برای توکنیزه‌سازی سازمانی هستند، نه یک ویژگی مستقل. این بنیاد مشترک به مؤسسات تنظیم‌شده اجازه می‌دهد تا در اکوسیستم‌های بلاک‌چین عمومی شرکت کنند بدون به خطر انداختن امنیت عملیاتی یا یکپارچگی بازار.

این مشارکت نشان‌دهنده یک گام کلیدی به سمت پذیرش سازمانی در مقیاس بزرگ دارایی‌های دنیای واقعی توکنیزه‌شده است، جایی که انطباق، قابلیت همکاری و محرمانگی از ابتدا در زیرساخت ساخته شده‌اند.

درباره تی-رکس نتورک

تی-رکس نتورک بزرگترین اکوسیستم برای توکنیزه‌سازی RWA سازگار است که بر اساس استاندارد ERC-3643 ساخته شده است و بیش از ۳۲ میلیارد دلار دارایی توکنیزه‌شده دارد. تی-رکس که از سال‌ها همکاری در صنعت متولد شده است، برای حل چالش اصلی مقیاس‌بندی توکنیزه‌سازی در سراسر بلاک‌چین‌ها بدون نقض انطباق وجود دارد. از طریق تی-رکس لجر، یک لایه مرجع انطباق متقابل زنجیره‌ای متعارف، و تی-رکس اپ‌استور، که دارایی‌های ERC-3643 را به برنامه‌های بومی سازگار متصل می‌کند، تی-رکس نتورک دارایی‌های تنظیم‌شده را قادر می‌سازد تا با سرعت، اعتماد و کنترل به هر کجا که نقدینگی وجود دارد، منتقل شوند. مأموریت آن این است که توکنیزه‌سازی را از پروژه‌های آزمایشی جداگانه به یک سیستم مالی باز، متصل و سازگار تبدیل کند که در نهایت در مقیاس جهانی کار می‌کند.

درباره زاما

زاما یک شرکت رمزنگاری است که راه‌حل‌های رمزنگاری کاملاً هم‌ریخت (FHE) پیشرفته را برای بلاک‌چین می‌سازد. پروتکل آن محرمانگی را در بلاک‌چین‌های عمومی فعال می‌کند و به دارایی‌های دیجیتال اجازه می‌دهد تا به صورت خصوصی در زنجیره صادر، مدیریت و معامله شوند. زاما که توسط دکتر پاسکال پالیه، پیشگام FHE، و دکتر رند هندی، کارآفرین، تأسیس شده است، یکی از بزرگترین تیم‌های محققان و مهندسان FHE در جهان را گرد هم می‌آورد و از یک اکوسیستم جهانی از توسعه‌دهندگان که برنامه‌های محرمانه را می‌سازند، پشتیبانی می‌کند.

‏شرکت گوگل در یک پست وبلاگی که روز چهارشنبه منتشر شد، اعلام کرد که در حال معرفی یک جدول زمانی تا سال ۲۰۲۹ برای ایمن‌سازی عصر کوانتومی با مهاجرت به رمزنگاری پساکوانتومی (PQC) است.

تهدیدهای اصلی

این شرکت اعلام کرد که فوریت این اقدام ناشی از دو تهدید اصلی است، از جمله حملات “ذخیره-اکنون-رمزگشایی-بعداً”. این حملات به این صورت است که بازیگران بد، داده‌های رمزگذاری‌شده را در حال حاضر جمع‌آوری می‌کنند تا پس از قدرتمند شدن رایانه‌های کوانتومی، آن‌ها را رمزگشایی کنند.

تهدید دوم، خطر آینده‌ای است که رایانه‌های کوانتومی برای امضاهای دیجیتالی مورد استفاده در احراز هویت، مانند دارایی‌های رمزنگاری شده، ایجاد می‌کنند.

گوگل اعلام کرد: “این جدول زمانی جدید، نیازهای مهاجرت برای عصر PQC را با توجه به پیشرفت در توسعه سخت‌افزار رایانش کوانتومی، تصحیح خطای کوانتومی و برآوردهای منابع فاکتورسازی کوانتومی منعکس می‌کند.”

گوگل اعلام کرد که رایانه‌های کوانتومی یک “تهدید قابل توجه” برای استانداردهای رمزنگاری فعلی، و به طور خاص برای رمزگذاری و امضاهای دیجیتالی ایجاد خواهند کرد. این امر مستقیماً بر دارایی‌های رمزنگاری شده مانند بیت‌کوین و اتریوم تأثیر می‌گذارد، زیرا این دارایی‌ها از این امضاها و رمزنگاری برای ایمن‌سازی شبکه‌ها استفاده می‌کنند.

بحث‌های بیت‌کوین

بحث‌های مربوط به بیت‌کوین در سال گذشته در جریان بوده و جامعه به دو دسته تقسیم شده است. برخی استدلال می‌کنند که باید رمزنگاری را ارتقا داد و مهاجرت داوطلبانه به امضاهای مقاوم در برابر کوانتوم را فعال کرد، در حالی که دیگران می‌گویند مداخله، اصل اساسی بیت‌کوین را که کلیدهای خصوصی، سکه‌ها را کنترل می‌کنند، نقض می‌کند.

نیک کارتر، از طرفداران بیت‌کوین، گفت: “من مطمئن هستم که بیت‌کوین می‌تواند بر سر یک مسیر رو به جلو توافق کند، مجموعه‌ای از به‌روزرسانی‌ها را بنویسد و آزمایش کند، آن‌ها را به صورت نرم‌افزاری اعمال کند و در عرض سه سال، ۵۰ میلیون آدرس را به طور کامل منتقل کند. به خصوص با توجه به این که توسعه‌دهندگان اصلی چقدر فعال هستند.”

در ماه فوریه، ویتالیک بوترین، هم‌بنیانگذار اتریوم، یک نقشه راه مقاوم در برابر کوانتوم را برای این شبکه رونمایی کرد.

الکس تورن، رئیس تحقیقات شرکت گلکسی دیجیتال، اوایل این ماه گفت که این خطر “واقعی اما شناخته شده” است. وی گفت که همه کیف پول‌ها به یک اندازه آسیب‌پذیر نیستند و اکثر آن‌ها در حال حاضر در معرض خطر نیستند. وی افزود: “وجوه تنها زمانی در معرض خطر هستند که کلیدهای عمومی در زنجیره فاش شوند.”

مایکل سیلور، از طرفداران بیت‌کوین، در ماه فوریه گفت که صنعت “این موضوع را پیش‌بینی خواهد کرد” و این امر باعث ارتقاء هماهنگ نرم‌افزار در سراسر سیستم‌های بانکی جهانی، زیرساخت‌های اینترنت، پروتکل‌های رمزنگاری، دستگاه‌های مصرف‌کننده و شبکه‌های هوش مصنوعی خواهد شد.

در همین حال، گزارشی از شرکت آرک اینوست در ۱۱ مارس ادعا کرد که این تهدید احتمالاً سال‌ها یا دهه‌ها دورتر است. محققان نوشتند: “سیستم‌های کوانتومی امروزی فاقد قابلیت‌های لازم برای به خطر انداختن بیت‌کوین هستند. پیشرفت‌های معنادار ابتدا امنیت اینترنت را مختل می‌کند و پاسخ‌های هماهنگی را فراتر از بیت‌کوین ایجاد می‌کند.”

آن‌ها گفتند که این یک “پیشرفت تدریجی فناوری خواهد بود – نه یک رویداد ناگهانی ‘روز-کوانتوم’”، که به بازارها و شبکه بیت‌کوین زمان می‌دهد تا خود را وفق دهند.

با این حال، به نظر می‌رسد گوگل این اطمینان را ندارد.

انتشار الگوریتم فشرده‌سازی جدید گوگل

پژوهش‌های گوگل روز چهارشنبه از انتشار TurboQuanton خبر دادند، یک الگوریتم فشرده‌سازی که گلوگاه اصلی حافظه در استنتاج را حداقل 6 برابر کاهش می‌دهد، در حالی که هیچ کاهشی در دقت ایجاد نمی‌کند.

قرار است این مقاله در ICLR 2026 ارائه شود و واکنش‌ها در فضای مجازی فوری بود.

متیو پرینس، مدیرعامل Cloudflare، آن را لحظه DeepSeek گوگل نامید. قیمت سهام شرکت‌های تولیدکننده حافظه، از جمله Micron، Western Digital و Seagate، در همان روز کاهش یافت.

بهره‌وری در کوانتیزه‌سازی به خودی خود یک دستاورد بزرگ است. اما عبارت “بدون افت دقت” نیازمند توضیح است.

TurboQuant حافظه KV را هدف قرار می‌دهد—بخشی از حافظه GPU که هر چیزی را که یک مدل زبانی در طول یک مکالمه باید به خاطر بسپارد، ذخیره می‌کند.

با افزایش پنجره‌های متنی به میلیون‌ها توکن، این حافظه‌ها به صدها گیگابایت در هر جلسه می‌رسند. این گلوگاه واقعی است. نه قدرت محاسباتی، بلکه حافظه خام.

روش‌های فشرده‌سازی سنتی سعی می‌کنند این حافظه‌ها را با گرد کردن اعداد به سمت پایین کوچک کنند—به عنوان مثال، از اعداد اعشاری 32 بیتی به 16، 8 یا 4 بیتی. برای درک بهتر، آن را به کوچک کردن یک تصویر از 4K، به Full HD و سپس 720p تشبیه کنید. تشخیص اینکه در مجموع همان تصویر است، آسان است، اما جزئیات بیشتری در وضوح 4K وجود دارد.

نکته: آن‌ها باید “ثابت‌های کوانتیزه‌سازی” اضافی را در کنار داده‌های فشرده‌شده ذخیره کنند تا از احمق شدن مدل جلوگیری شود. این ثابت‌ها 1 تا 2 بیت به ازای هر مقدار اضافه می‌کنند که تا حدی باعث کاهش دستاوردها می‌شود.

TurboQuant ادعا می‌کند که این سربار را به طور کامل حذف می‌کند.

این کار را از طریق دو زیر الگوریتم انجام می‌دهد. PolarQuant اندازه را از جهت در بردارها جدا می‌کند و QJL (Quantized Johnson-Lindenstrauss) خطای باقیمانده کوچک باقی‌مانده را می‌گیرد و آن را به یک بیت علامت واحد، مثبت یا منفی، با صفر ثابت ذخیره‌شده، کاهش می‌دهد.

گوگل می‌گوید نتیجه این کار، یک تخمین‌گر از نظر ریاضیاتی بدون سوگیری برای محاسبات توجه است که مدل‌های ترانسفورماتور را هدایت می‌کند.

در بنچمارک‌ها با استفاده از Gemma و Mistral، TurboQuant عملکرد با دقت کامل را تحت فشرده‌سازی 4 برابری مطابقت داد، از جمله دقت بازیابی کامل در وظایف سوزن در انبار کاه تا 104000 توکن.

برای درک اهمیت این بنچمارک‌ها، گسترش متن قابل استفاده یک مدل بدون افت کیفیت، یکی از سخت‌ترین مشکلات در استقرار LLM بوده است.

نکات ریز

“بدون افت دقت” برای فشرده‌سازی حافظه KV در طول استنتاج اعمال می‌شود—نه برای وزن‌های مدل. فشرده‌سازی وزن‌ها یک مشکل کاملاً متفاوت و دشوارتر است. TurboQuant به آن‌ها دست نمی‌زند.

آنچه فشرده می‌کند، حافظه موقت ذخیره‌سازی محاسبات توجه در طول جلسه است، که قابل اغماض‌تر است زیرا از نظر تئوری می‌توان آن داده‌ها را بازسازی کرد.

همچنین شکافی بین یک بنچمارک تمیز و یک سیستم تولیدی که میلیاردها درخواست را پاسخ می‌دهد، وجود دارد. TurboQuant بر روی مدل‌های منبع باز—Gemma، Mistral، Llama—آزمایش شد، نه بر روی پشته Gemini خود گوگل در مقیاس بزرگ.

برخلاف دستاوردهای بهره‌وری DeepSeek، که نیازمند تصمیمات عمیق معماری از ابتدا بود، TurboQuant نیازی به آموزش مجدد یا تنظیم دقیق ندارد و ادعا می‌کند که سربار زمان اجرا ناچیز است. از نظر تئوری، مستقیماً وارد خطوط لوله استنتاج موجود می‌شود.

این بخشی است که بخش سخت‌افزار حافظه را ترساند—زیرا اگر در تولید کار کند، هر آزمایشگاه هوش مصنوعی اصلی با همان GPUهایی که در حال حاضر در اختیار دارند، کارآمدتر عمل می‌کند.

این مقاله در ICLR 2026 ارائه خواهد شد. تا زمانی که در تولید عرضه نشود، تیتر “بدون افت” در آزمایشگاه باقی می‌ماند.

‏شرکت گوگل دیگر به محاسبات کوانتومی به عنوان یک مشکل آینده نگاه نمی‌کند. این شرکت روز سه‌شنبه جدول زمانی رسمی‌ای را برای انتقال کل زیرساخت خود به رمزنگاری پساکوانتومی (PQC) تا سال ۲۰۲۹ منتشر کرد و این اقدام را فوری خواند و گفت که مرزهای کوانتومی “ممکن است نزدیک‌تر از آنچه به نظر می‌رسد، باشند.”

در این وبلاگ آمده است: “به عنوان پیشگام در هر دو حوزه کوانتومی و PQC، این مسئولیت ماست که با ارائه یک جدول زمانی بلندپروازانه، رهبری کنیم. کامپیوترهای کوانتومی تهدیدی جدی برای استانداردهای رمزنگاری فعلی، و به‌ویژه برای رمزگذاری و امضای دیجیتال، ایجاد خواهند کرد.”

این اطلاعیه که توسط هدر ادکینز، معاون مهندسی امنیت گوگل، و سوفی اشمیگ، مهندس ارشد رمزنگاری، امضا شده است، هدف سال ۲۰۲۹ را پاسخی به پیشرفت‌های سریع در سخت‌افزار کوانتومی، تصحیح خطا و برآوردهای منابع فاکتورسازی توصیف می‌کند.

به زبان ساده: ماشین‌هایی که از نظر تئوری می‌توانند رمزگذاری‌های امروزی را بشکنند، سریع‌تر از حد انتظار در حال واقعی شدن هستند.

تهدیدهای گوگل بر دو خطر مجزا استوار است. اولی در حال حاضر در حال وقوع است. حملات موسوم به “اکنون جمع‌آوری کن، بعداً رمزگشایی کن” به بازیگران بد اجازه می‌دهد تا امروز داده‌های رمزگذاری‌شده را بدزدند و روی آن بنشینند، با اطمینان از اینکه می‌توانند پس از قدرتمند شدن کامپیوترهای کوانتومی، قفل آن را باز کنند. این تهدید، تهدیدی در زمان حال است. دومی، آینده‌نگر است: امضاهای دیجیتال، که اساس رمزنگاری احراز هویت در سراسر اینترنت را تشکیل می‌دهند، باید قبل از ظهور یک کامپیوتر کوانتومی مرتبط با رمزنگاری (CRQC) جایگزین شوند.

برای رهبری با مثال، گوگل اعلام کرد که اندروید ۱۷ از حفاظت از امضای دیجیتال پساکوانتومی با استفاده از ML-DSA، الگوریتمی که اخیراً توسط مؤسسه ملی استانداردها و فناوری ایالات متحده (NIST) استاندارد شده است، استفاده خواهد کرد. این شرکت همچنین در حال گسترش PQC در سراسر Google Cloud و سیستم‌های ارتباطات داخلی خود است.

ضرب‌الاجل ۲۰۲۹

ضرب‌الاجل ۲۰۲۹ خودسرانه نیست. IBM نیز نقشه راه خود را دارد که سیستم‌های کوانتومی تحمل‌پذیر خطا را تا همان سال هدف قرار داده است. با توجه به اینکه هر دو شرکت به سمت این آستانه در حال رقابت هستند، سال ۲۰۲۵ نقطه عطفی در این زمینه بود – زمانی که پیشرفت‌های تصحیح خطا، معماری‌های پردازنده جدید و نتیجه‌ای از مؤسسه فناوری کالیفرنیا (Caltech) که بیش از ۶۰۰۰ کیوبیت اتمی را به‌طور همزمان به دام انداخت، بحث را از “اگر” به “چه زمانی” تغییر داد.

بیت‌کوین بر رمزنگاری منحنی بیضوی (یا امضاهای ECDSA) اجرا می‌شود، همان نوع ریاضیاتی که کامپیوترهای کوانتومی – که از چیزی به نام الگوریتم شور استفاده می‌کنند – می‌توانند در نهایت مهندسی معکوس کنند. این بدان معناست: با توجه به کلید عمومی شما، یک ماشین کوانتومی به اندازه کافی قدرتمند می‌تواند کلید خصوصی شما را استخراج کند.

کامپیوترهای معمولی برای شکستن چیزی شبیه به این، قرن‌ها زمان نیاز دارند. کامپیوترهای کوانتومی ممکن است این مشکل را به چیزی تبدیل کنند که در زمان عملی قابل حل باشد.

آسیب‌پذیری بیت‌کوین

آسیب‌پذیری بیشتر از آن چیزی است که اکثر مردم درک می‌کنند. طبق اعلامیه پروژه Eleven، یک استارتاپ متمرکز بر امنیت سایبری و رمزنگاری که روی محافظت از رمزنگاری در برابر حملات کامپیوترهای کوانتومی آینده کار می‌کند، بیش از ۶.۸ میلیون بیت‌کوین – به ارزش بیش از ۴۷۰ میلیارد دلار – در آدرس‌هایی قرار دارند که در برابر حملات کوانتومی آسیب‌پذیر هستند، از جمله سکه‌هایی از روزهای اولیه بیت‌کوین. برآورد جداگانه‌ای از Ark Invest و Unchained نشان می‌دهد که تقریباً ۳۵٪ از کل عرضه بیت‌کوین در انواع آدرس‌هایی قرار دارد که از نظر تئوری در برابر حمله کوانتومی آینده آسیب‌پذیر هستند.

محققان گوگل اخیراً دریافتند که شکستن رمزگذاری RSA ممکن است به ۲۰ برابر منابع کوانتومی کمتری نسبت به تخمین‌های قبلی نیاز داشته باشد – یافته‌ای که جدول زمانی امنیتی را برای هر چیزی که به ساختارهای ریاضی مشابه، از جمله بیت‌کوین، متکی است، فشرده کرد. برآوردهای قبلی تعداد کیوبیت‌های مورد نیاز برای شکستن بیت‌کوین را حدود ۲۰ میلیون تخمین می‌زد. محققان Iceberg Quantum اکنون پیشنهاد می‌کنند که این عدد می‌تواند به حدود ۱۰۰۰۰۰ کاهش یابد.

کامپیوترهای کوانتومی در پنج سال گذشته تقریباً ۱۰ برابر رشد قدرت داشته‌اند.

آیا باید وحشت کنیم؟

بنابراین، آیا همه ما باید وحشت کنیم و سکه‌های خود را بفروشیم؟ واقعاً نه – اما باید توجه کنیم.

اول از همه، گوگل نمی‌گوید که کامپیوترهای کوانتومی تا سال ۲۰۲۹ رمزنگاری را خواهند شکست. این شرکت به سادگی می‌گوید که قصد دارد قبل از آن‌ها آماده باشد.

همچنین، توسعه‌دهندگان بیت‌کوین در خواب نیستند. BIP 360، پیشنهادی که یک قالب آدرس مقاوم در برابر کوانتوم به نام Pay-to-Merkle-Root را معرفی می‌کند، اخیراً در مخزن بهبود رسمی بیت‌کوین ادغام شده است. این هیچ چیزی را فعال نمی‌کند – اما زمان را برای یک بازنگری جدی آغاز می‌کند.

جیمسون لوپ، هم‌بنیانگذار شرکت نگهداری بیت‌کوین Casa، معتقد است که حتی اگر کامپیوترهای کوانتومی سال‌ها از ایجاد یک تهدید واقعی فاصله داشته باشند، ارتقای پروتکل بیت‌کوین و انتقال میلیاردها دلار وجوه کاربران می‌تواند به تنهایی پنج تا ۱۰ سال طول بکشد.

لوپ در اوایل سال جاری به Decrypt گفت: “در حال حاضر، ما چندین مرتبه از داشتن یک کامپیوتر کوانتومی مرتبط با رمزنگاری فاصله داریم، حداقل تا جایی که می‌دانیم. اگر نوآوری در محاسبات کوانتومی با نرخ نسبتاً خطی مشابه ادامه یابد، سال‌ها طول خواهد کشید – احتمالاً بیش از یک دهه، شاید حتی چندین دهه – قبل از اینکه به آن نقطه برسیم.”

حاکمیت غیرمتمرکز بیت‌کوین به این معنی است که هیچ تیم واحدی نمی‌تواند یک کلید را فشار دهد. ماینرها، توسعه‌دهندگان کیف پول، صرافی‌ها و میلیون‌ها کاربر فردی همگی باید همزمان حرکت کنند.

گوگل می‌تواند ضرب‌الاجل ۲۰۲۹ را تعیین کند زیرا زیرساخت‌های خود را کنترل می‌کند. بیت‌کوین نمی‌تواند. و این عدم تقارن دقیقاً همان چیزی است که باعث می‌شود اعلامیه گوگل برای رمزنگاری مهم باشد – نه به عنوان یک حکم مرگ، بلکه به عنوان یک ضرب‌الاجل سخت که شبکه برای خود تعیین نکرده است و نمی‌تواند آن را نادیده بگیرد.

‏ناسا تمرکز برنامه‌ی آرتمیس خود برای ماه را به سمت ساخت یک پایگاه دائمی در سطح ماه تغییر می‌دهد.

تغییر استراتژی

این سازمان روز سه‌شنبه اعلام کرد که این تغییر منعکس‌کننده‌ی یک استراتژی گسترده‌تر برای ایجاد حضور پایدار انسانی بر روی ماه به عنوان «بنیادی برای یک پایگاه قمری پایدار و گامی بعدی به سوی مریخ» است.

در طی یک ارائه در رویداد «اشتعال» ناسا در واشنگتن دی‌سی، جارد آیزاکمن، مدیر ناسا، گفت که این سازمان فضایی بر عملیات سطحی برای پشتیبانی از آزمایش فناوری، تحقیقات علمی و آمادگی برای مأموریت‌های مریخ تأکید بیشتری دارد.

آیزاکمن گفت: «تغییر اولویت نیروی کار ناسا به سطح، مزایایی برای ایمنی، نمایش فناوری و علم دارد. سطح واقعاً زمین آزمایشی برای ابتکارات آینده‌ی مریخ است.»

بر اساس برنامه‌ی اصلاح‌شده، ناسا توسعه‌ی ایستگاه مداری گیت‌وی را متوقف کرده و بودجه و منابع مهندسی را به سمت زیرساخت‌های سطح ماه هدایت می‌کند. با این حال، آیزاکمن گفت که این اقدام «مانع از بازنگری در پایگاه مداری در آینده نمی‌شود.»

فازهای برنامه

در فاز اول، این سازمان از مأموریت‌های قمری نامنظم به یک رویکرد تکرارپذیر با استفاده از برنامه‌ی خدمات محموله‌ی قمری تجاری و ابتکار وسایل نقلیه‌ی زمینی قمری تغییر خواهد کرد. فرودهای رباتیک، مریخ‌نوردها، ابزارها و نمایش‌های فناوری را برای آزمایش تحرک، سیستم‌های قدرت، ارتباطات، ناوبری و سایر عملیات سطحی تحویل خواهند داد.

آیزاکمن گفت: «ما فرودهای قمری را از طریق برنامه‌های CLPS و LTV به طور چشمگیری گسترش خواهیم داد و مریخ‌نوردها، ابزارها و محموله‌های فناوری را تحویل خواهیم داد.» وی افزود، فاز اول مربوط به «حرکت از تلاش‌های نامنظم و سفارشی به یک رویکرد الگوبرداری‌شده است که از طریق آزمایش، یادگیری قابل توجهی ایجاد می‌کند.»

در فاز دوم، ناسا قصد دارد زیرساخت‌های نیمه‌قابل سکونت و تدارکات روتین را برای پشتیبانی از عملیات منظم فضانوردان بر روی ماه مستقر کند.

کانادا، ایتالیا و ژاپن در ساخت پایگاه قمری مشارکت خواهند داشت، از جمله مریخ‌نورد تحت فشار آژانس اکتشافات هوافضای ژاپن، ماژول سکونت چند منظوره ایتالیا و وسیله‌ی نقلیه‌ی کاربردی قمری کانادا.

در فاز سوم، ناسا زیرساخت‌های سنگین‌تری را که برای حفظ حضور طولانی‌مدت انسان بر روی ماه مورد نیاز است، تحویل خواهد داد، زیرا سیستم‌های فرود با قابلیت حمل بار وارد عمل می‌شوند.

آیزاکمن گفت: «پایگاه ماه یک شبه ظاهر نخواهد شد. ما تقریباً ۲۰ میلیارد دلار در هفت سال آینده سرمایه‌گذاری خواهیم کرد و آن را از طریق ده‌ها مأموریت، با همکاری شرکای تجاری و بین‌المللی، به سمت یک برنامه‌ی سنجیده و قابل دستیابی خواهیم ساخت.»

فراتر از ماه

ناسا اعلام کرد که قصد دارد Space Reactor-1 Freedom، یک فضاپیمای هسته‌ای، را تا سال ۲۰۲۸ به مریخ پرتاب کند. هدف این مأموریت آزمایش پیشرانش الکتریکی هسته‌ای است که مقامات می‌گویند برای حمل محموله‌های سنگین به مقاصد دوردست فضایی که در آن انرژی خورشیدی محدود است، مورد نیاز است.

اعلامیه‌ی ناسا در حالی منتشر می‌شود که یک مسابقه‌ی فضایی جدید در حال افزایش است و شرکت‌هایی مانند SpaceX ایلان ماسک مأموریت‌های خود را به ماه و مریخ دنبال می‌کنند.

سال گذشته، ماسک گفت که این شرکت قصد دارد موشک عظیم Starship خود را تا پایان سال ۲۰۲۶ به مریخ پرتاب کند و ربات‌های انسان‌نمای Optimus تسلا را حمل کند.

این تغییر همچنین برنامه‌های پروازی آینده‌ی ناسا را تغییر می‌دهد. آرتمیس ۳، که در اصل برای سال ۲۰۲۴ برنامه‌ریزی شده بود، اکنون برای سال ۲۰۲۷ برنامه‌ریزی شده است. آرتمیس ۴، که در سال ۲۰۲۸ دنبال خواهد شد، به عنوان «بازگشت بشریت به سطح ماه» معرفی می‌شود و با یک فرود قمری سرنشین‌دار پرتاب خواهد شد.

ناسا اعلام کرد که پس از آرتمیس ۵، قصد دارد به اعزام خدمه به ماه دو بار در سال تغییر رویه دهد.

کاخ سفید در X نوشت: «هدف فقط رسیدن به ماه نیست، بلکه ماندن است.» و افزود که آمریکا «هرگز دوباره ماه را رها نخواهد کرد.»

ناسا فوراً به درخواست Decrypt برای اظهار نظر پاسخ نداد.

‏شرکت OpenAI روز سه‌شنبه اعلام کرد که سرویس Sora، پلتفرم تولید ویدیوی هوش مصنوعی خود را تعطیل می‌کند و به این ترتیب، اپلیکیشنی که به کاربران اجازه می‌داد ویدیوهای کوتاه را از طریق دستورات متنی ایجاد کنند، متوقف خواهد شد.

این تصمیم به فعالیت این شرکت در زمینه تولید ویدیو پایان می‌دهد و به نظر می‌رسد شراکت برنامه‌ریزی‌شده‌ای را که با این فناوری در حوزه سرگرمی در نظر گرفته شده بود، مختل می‌کند.

تیم Sora در X (توییتر سابق) نوشت: «ما با اپلیکیشن Sora خداحافظی می‌کنیم. از همه کسانی که با Sora خلق کردند، آن را به اشتراک گذاشتند و حول آن اجتماع ساختند، سپاسگزاریم. آنچه شما با Sora ساختید، اهمیت داشت و می‌دانیم که این خبر ناامیدکننده است.»

OpenAI اعلام کرد که به زودی اطلاعات بیشتری از جمله جدول زمانی برای تعطیلی این اپلیکیشن و API آن و جزئیات چگونگی حفظ آثار کاربران را به اشتراک خواهد گذاشت.

پیامدهای این تصمیم

پیامدهای اعلام OpenAI به سرعت آشکار شد.

طبق گزارشی از Deadline، سرمایه‌گذاری یک میلیارد دلاری دیزنی که به Sora مرتبط بود، پس از اعلام OpenAI مبنی بر تعطیلی این اپلیکیشن، دیگر پیش نخواهد رفت.

OpenAI برای اولین بار Sora را در فوریه 2024 به عنوان یک مدل تبدیل متن به ویدیو معرفی کرد که می‌توانست دستورات نوشتاری را به کلیپ‌های کوتاه تبدیل کند.

این شرکت بعداً فناوری را با Sora 2، یک مدل پیشرفته‌تر که همراه با یک اپلیکیشن مستقل موبایل Sora منتشر شد، گسترش داد.

در حالی که ورود OpenAI به عرصه تولید ویدیو بسیار مورد انتظار بود، اما به طور مداوم برای این شرکت ضرر مالی به همراه داشت و گفته می‌شود روزانه حدود 15 میلیون دلار هزینه در بر داشت.

اپلیکیشن iOS سورا یک فید ویدیویی به سبک اجتماعی را معرفی کرد که در آن کاربران می‌توانستند کلیپ‌های تولید شده توسط هوش مصنوعی را ایجاد و به اشتراک بگذارند.

همچنین شامل «cameos» بود، قابلیتی که به کاربران اجازه می‌داد پس از ضبط یک ویدیوی کوتاه برای ثبت شباهت و صدای خود، خود را در صحنه‌های تولید شده توسط هوش مصنوعی قرار دهند.

نگرانی‌ها

Sora به سرعت با نظارت‌های زیادی مواجه شد.

کارشناسان حقوقی هشدار دادند که این سیستم می‌تواند شخصیت‌های قابل تشخیص و حق امتیازهای دارای کپی‌رایت را بازسازی کند و نگرانی‌هایی را در مورد مالکیت معنوی ایجاد کند.

پژوهشگران همچنین هشدار دادند که Sora می‌تواند برای انتشار اطلاعات نادرست مورد استفاده قرار گیرد و اشاره کردند که این سیستم فیلم‌های خبری با ظاهر واقع‌بینانه تولید کرده است که رویدادهایی را به تصویر می‌کشد که هرگز اتفاق نیفتاده‌اند، از جمله تصاویری از سم آلتمن، مدیرعامل OpenAI، که لباس گربه پوشیده است.

منتقدان همچنین استدلال کردند که ابزارهایی مانند Sora که برای تولید و توزیع رسانه‌های مصنوعی با کیفیت پایین، که به عنوان «AI slop» نیز شناخته می‌شوند، طراحی شده‌اند، می‌توانند اینترنت را پر کنند.

در دسامبر، OpenAI و دیزنی یک توافق‌نامه سه ساله را اعلام کردند که به این شرکت اجازه می‌داد حدود 250 شخصیت دیزنی از جمله Frozen، Star Wars و Marvel را برای استفاده در ویدیوهای تولید شده توسط هوش مصنوعی مجوز دهد.

آلتمن در آن زمان در بیانیه‌ای گفت: «این توافق نشان می‌دهد که چگونه شرکت‌های هوش مصنوعی و رهبران خلاق می‌توانند با همکاری مسئولانه، نوآوری را که به نفع جامعه است، ترویج دهند، به اهمیت خلاقیت احترام بگذارند و به آثار هنری کمک کنند تا به مخاطبان جدید و گسترده‌ای دست یابند.»

دیزنی اعلام کرد که به تصمیم OpenAI برای خروج از تجارت تولید ویدیو احترام می‌گذارد و به بررسی راه‌های دیگر برای همکاری با هوش مصنوعی مولد ادامه خواهد داد.

یک سخنگوی دیزنی گفت: «ما از همکاری سازنده بین تیم‌های خود و آنچه از آن آموختیم قدردانی می‌کنیم و به تعامل با پلتفرم‌های هوش مصنوعی ادامه خواهیم داد تا راه‌های جدیدی برای ملاقات با طرفداران در جایی که هستند، پیدا کنیم و در عین حال از فناوری‌های جدیدی که به مالکیت معنوی و حقوق خالقان احترام می‌گذارند، به طور مسئولانه استقبال کنیم.»

OpenAI فوراً به درخواست Decrypt برای اظهار نظر پاسخ نداد.

‏شرکت اِپیک گیمز روز سه‌شنبه اعلام کرد که بیش از ۱۰۰۰ کارمند خود را اخراج خواهد کرد و تیم سوینی، مدیرعامل این شرکت، به موضوع داغ فناوری، یعنی هوش مصنوعی، پرداخت.

اظهارات مدیرعامل

سوینی در یادداشتی به کارکنان که به صورت عمومی نیز منتشر شد، نوشت: «از آنجایی که هوش مصنوعی اکنون به یک موضوع مهم تبدیل شده است، باید اشاره کنم که این اخراج‌ها ارتباطی با هوش مصنوعی ندارند. تا جایی که هوش مصنوعی بهره‌وری را بهبود می‌بخشد، ما می‌خواهیم توسعه‌دهندگان فوق‌العاده زیادی داشته باشیم که محتوا و فناوری عالی را توسعه دهند.»

بازی محبوب بتل رویال فورتنایت که در سال ۲۰۱۷ راه‌اندازی شد، طبق گزارش‌ها در سال ۲۰۲۵ بیش از ۶۵۰ میلیون بازیکن ثبت‌شده در سراسر جهان داشت. با این حال، سوینی در این یادداشت گفت که کاهش تعامل با فورتنایت که از سال ۲۰۲۵ آغاز شد، باعث شده است که اِپیک «بسیار بیشتر از آنچه درآمد دارد» هزینه کند و این امر شرکت را مجبور به ایجاد کاهش‌های اساسی برای حفظ کسب‌وکار کرده است.

هوش مصنوعی و کاهش هزینه‌ها

اگرچه سوینی در مورد دلیل اشاره به هوش مصنوعی توضیح بیشتری نداد، اما یک دلیل می‌تواند به پذیرش این فناوری توسط شرکت مربوط باشد. در سال ۲۰۲۳، اِپیک گیمز با شرکت والو، سازنده استیم، بر سر استفاده از هوش مصنوعی مولد در بازی‌ها اختلاف نظر پیدا کرد، زیرا سازنده فورتنایت به بازی‌های توسعه‌یافته با استفاده از این فناوری در فروشگاه اِپیک گیمز خود اجازه عرضه داد.

این شرکت اعلام کرد که این اخراج‌ها بخشی از یک تلاش گسترده‌تر برای کاهش هزینه‌ها است و با کاهش قراردادها، کاهش هزینه‌های بازاریابی و خالی گذاشتن برخی از نقش‌ها، بیش از ۵۰۰ میلیون دلار دیگر نیز صرفه‌جویی خواهد شد. سوینی این لحظه را با لحظات قبلی در تاریخ شرکت، از جمله تغییر از بازی‌های دوبعدی به سه‌بعدی در دهه ۱۹۹۰ و سپس ورود به عناوین آنلاین مانند فورتنایت، مقایسه کرد.

سوینی نوشت: «شرایط بازار امروز شدیدترین شرایطی است که از آن روزهای اولیه تاکنون دیده‌ایم، با تحولات عظیمی در صنعت که با فرصت‌های عظیم برای شرکت‌هایی که در طرف دیگر برنده می‌شوند، همراه است. این همان چیزی است که ما برای بازیکنان خود در نظر داریم و هدف ما این است که توسعه‌دهندگان همفکر دیگر در صنعت را در این سفر همراه کنیم تا آینده‌ای بازتر و پر جنب و جوش‌تر از سرگرمی را با هم بسازیم.»

سوینی همچنین خاطرنشان کرد که نسل فعلی کنسول‌ها واحدهای کمتری نسبت به نسل قبل می‌فروشند و بازی‌ها به طور فزاینده‌ای با سایر سرگرمی‌های دیجیتال برای زمان بازیکنان رقابت می‌کنند.

صنعت بازی و هوش مصنوعی

از زمان راه‌اندازی عمومی چت‌جی‌پی‌تی و میدجرنی در سال ۲۰۲۲، صنعت بازی با این تصمیم دست و پنجه نرم کرده است که آیا هوش مصنوعی مولد را در توسعه بازی‌ها ادغام کند یا خیر. برخی از سازندگان دیدگاه‌های خصمانه‌ای داشتند: در دسامبر، دن هاوزر، توسعه‌دهنده سابق بازی گرند تفت آتو، این فناوری را با «بیماری جنون گاوی» مقایسه کرد.

با وجود مخالفت‌های عمومی با استفاده از هوش مصنوعی در بازی‌ها، گزارشی که سال گذشته توسط گوگل کلود منتشر شد، نشان داد که ۹ نفر از هر ۱۰ توسعه‌دهنده بازی گفته‌اند که در حال حاضر از عوامل هوش مصنوعی در کار خود استفاده می‌کنند. ناشران بزرگ بازی مانند الکترونیک آرتز، اسکوئر انیکس و کرافتون در سال‌های اخیر به طور علنی هوش مصنوعی را پذیرفته‌اند، زیرا اخراج‌ها در صنعت افزایش یافته است.

با این حال، سوینی خاطرنشان کرد که برخی از چالش‌ها مختص اِپیک گیمز است.

او نوشت: «با وجود اینکه فورتنایت همچنان یکی از موفق‌ترین بازی‌های جهان است، ما در ارائه جادوی مداوم فورتنایت با هر فصل با چالش‌هایی مواجه بوده‌ایم. ما تنها در مراحل اولیه بازگشت به موبایل و بهینه‌سازی فورتنایت برای میلیاردها گوشی هوشمند در سراسر جهان هستیم.»

اِپیک اعلام کرد که کارمندان آسیب‌دیده حداقل چهار ماه حقوق پایه، شش ماه مراقبت‌های بهداشتی با پرداخت شرکت برای کارگران آمریکایی و تسریع در واگذاری سهام تا ژانویه ۲۰۲۷ دریافت خواهند کرد.

برنامه‌های آینده

با وجود اخراج‌ها، اِپیک قصد دارد به سرمایه‌گذاری در فناوری خود ادامه دهد و سوینی خاطرنشان کرد که این شرکت در حال آماده شدن برای انتقال از آنریل انجین ۵ و آنریل ادیتور برای فورتنایت به سمت آنریل انجین ۶ به عنوان بخشی از فاز بعدی خود است. آنریل انجین به طور گسترده نه‌تنها در صنعت بازی، بلکه در پروژه‌های سرگرمی از هر نوع استفاده می‌شود.

سوینی گفت: «ما با پیشگامی در این صنعت، گلوله‌های زیادی را در نبردی متحمل شده‌ایم که تنها در روزهای اولیه برای خودمان و همه توسعه‌دهندگان نتیجه می‌دهد.»

اِپیک گیمز بلافاصله به درخواست دکریپت برای اظهار نظر پاسخ نداد.

سیستم‌های سنتی بلاک‌چین و نیاز به تعامل بی‌درنگ

سیستم‌های سنتی بلاک‌چین برای تعامل بی‌درنگ طراحی نشده بودند و این موضوع در سال‌های اخیر آشکار شده است.

برای مثال، شبکه‌هایی مانند نسخه‌های اولیه اتریوم، امنیت و تمرکززدایی را در اولویت قرار می‌دادند که اغلب به بهای سرعت تمام می‌شد. این امر منجر به تأخیر قابل توجهی شد و هر کسی که در تابستان دیفای سال ۲۰۲۰ حضور داشت، می‌تواند تنگناهایی را که ایجاد کرد، تأیید کند.

با این حال، با تکامل فناوری‌های مبتنی بر بلاک‌چین، دسته جدیدی از برنامه‌ها ظهور می‌کند که به پاسخگویی تقریباً فوری نیاز دارند. بازی‌های درون زنجیره‌ای، محصولات مالی تعاملی، بازارهای پیش‌بینی و موارد دیگر به اجرای سریع، اصطکاک کم و هزینه‌های قابل پیش‌بینی وابسته هستند.

معرفی PlayNance

PlayNance با هدف رفع این نیاز ایجاد شده است. این سیستم، تلاشی برای طراحی زیرساخت‌های قوی است که به‌طور خاص برای برنامه‌های بی‌درنگ و با توان عملیاتی بالا ساخته شده است. این موضوع به‌ویژه در زمینه‌های بازی که پاسخگویی و تجربه کاربری حیاتی است، مشهود است.

PlayNance یک اکوسیستم مبتنی بر بلاک‌چین است که برای پشتیبانی از برنامه‌های بی‌درنگ از طریق ترکیبی از مکانیسم‌های توکن، پلتفرم‌های کاربرمحور و زیرساخت‌ها طراحی شده است. این سیستم به‌جای تمرکز فقط بر یک لایه پروتکل، یک سیستم یکپارچه عمودی را ارائه می‌دهد.

سه مؤلفه اصلی

در خط مقدم، سه مؤلفه قرار دارند. PlayBlock به‌عنوان لایه اجرا طراحی شده است. این لایه، پردازش تراکنش‌ها را با تمرکز بر سرعت و توان عملیاتی بالا انجام می‌دهد. از سوی دیگر، G Coin توکن بومی است (که به تازگی وارد بازار شده است) و تراکنش‌ها و فعالیت‌های اقتصادی را در داخل اکوسیستم تسهیل می‌کند. این توکن همچنین به‌عنوان توکن کاربردی پروژه عمل می‌کند. در بالای این دو، یک لایه برنامه قرار دارد.

این سه لایه با هم برای ارائه یک سیستم قوی طراحی شده‌اند که در آن تعاملات به‌سرعت و با حداقل اصطکاک انجام می‌شوند، در حالی که همچنان در زنجیره ثبت می‌شوند.

PlayBlock: زیرساخت اصلی

لایه زیرساخت اصلی PlayNance، PlayBlock نام دارد. این لایه برای پشتیبانی از تراکنش‌های بی‌درنگ و با فرکانس بالا طراحی شده است. این لایه برای برنامه‌هایی که به به‌روزرسانی‌های سریع وضعیت و ورودی مداوم کاربر نیاز دارند، بهینه شده است، برخلاف شبکه‌های با هدف عمومی.

یکی از نکات اصلی PlayBlock، توان عملیاتی بالای آن است. این لایه، امکان رسیدگی به تعداد زیادی تراکنش را در فواصل زمانی بسیار کوتاه فراهم می‌کند. تأخیر در رسیدگی به تراکنش‌ها نیز کم است و هدف آن، نهایی‌سازی تقریباً فوری است. در نتیجه، اقدامات کاربر به‌سرعت تأیید می‌شوند.

در مقایسه با سیستم‌های لایه یک یا لایه دو سنتی که اغلب باید بین تمرکززدایی و سرعت اجرا تعادل برقرار کنند، PlayBlock برای اولویت‌بندی عملکرد و پاسخگویی طراحی شده است و این امر، طراحی‌ای را ایجاد می‌کند که منعکس‌کننده الزامات بازی و برنامه‌های مشابه است.

مدل اجرای PlayBlock برای رسیدگی به تعاملات مداوم و با فرکانس بالا به روشی قابل پیش‌بینی طراحی شده است. این لایه، به‌جای تکیه صرف بر نهایی‌سازی احتمالی – که در آن تراکنش‌ها پس از تأییدهای متعدد ایمن در نظر گرفته می‌شوند – بر پردازش فوری‌تر و قطعی‌تر تأکید دارد.

تراکنش‌ها – مانند هر عمل درون بازی – در یک خط لوله ساده پردازش می‌شوند که تنگناهایی را که معمولاً در سیستم‌های بلاک‌چین سنتی مشاهده می‌کنیم، کاهش می‌دهد.

این امر، به‌نوبه خود، به سیستم اجازه می‌دهد تا از محیط‌هایی پشتیبانی کند که در آن کاربران می‌توانند حجم بسیار زیادی از تعاملات سریع را ایجاد کنند، مانند انجام اقدامات متعدد در عرض چند ثانیه.

از نظر توان عملیاتی، معماری برای مقیاس‌بندی با توجه به تقاضا طراحی شده است و عملکرد را حتی با افزایش فعالیت حفظ می‌کند. با این حال، این تمرکز خاص بر سرعت و کارایی ممکن است شامل برخی مصالحه ها نیز باشد، مانند یک محیط اجرای کنترل‌شده‌تر در مقایسه با شبکه‌های باز و بدون مجوز.

GCOIN: توکن بومی

یکی از مهم‌ترین مؤلفه‌های کل سیستم Playnance، تمرکز آن بر فعالیت درون زنجیره‌ای است. با ثبت تعاملات مستقیماً در لایه بلاک‌چین، این پروتکل قادر است به کاربران و اپراتورها اجازه دهد تا نتایج را به‌طور مستقل تأیید کنند، به‌جای اینکه مجبور به تکیه بر سیستم‌های پشتیبان مبهم باشند.

این اکوسیستم همچنین شامل یک کاوشگر توکن و یک لایه تجزیه و تحلیل است که دیدی را در مورد معیارهای بسیار مهم ارائه می‌دهد. این موارد شامل داده‌های تراکنش است که به کاربران اجازه می‌دهد فعالیت را در سراسر شبکه، تعاملات در سطح بازی مانند مشارکت و نتایج، جریان‌های توکن و موارد دیگر را پیگیری کنند.

این سطح از شفافیت در محیط‌های بازی که در آن انصاف و اعتماد اغلب موضوعی نگران‌کننده است، بسیار مرتبط است. Playnance با افشای داده‌های قابل تأیید، تلاش می‌کند تا عدم تقارن اطلاعات را بین شرکت‌کنندگان و ارائه‌دهندگان پلتفرم کاهش دهد.

GCOIN برای عملکرد به‌عنوان واحد اصلی ارزش در داخل اکوسیستم و توکن کاربردی آن طراحی شده است. این توکن برای تسهیل تراکنش‌ها در برنامه‌ها استفاده می‌شود. نقش آن را می‌توان در چندین عملکرد درک کرد. به‌عنوان یک لایه تسویه حساب، تراکنش‌ها را بین شرکت‌کنندگان مختلف، که شامل کاربران، پلتفرم گسترده‌تر و اپراتورهای برنامه می‌شود، فعال می‌کند. به‌عنوان یک واسطه مبادله، می‌تواند توسط بازیکنان برای شرکت در بازی‌ها یا فعالیت‌های مختلف استفاده شود. به‌عنوان یک مکانیسم تشویقی، می‌تواند بر اساس نتایج یا تعامل، به‌عنوان پاداش توزیع شود.

جریان‌های توکن دقیقاً در اطراف این تعاملات ساختار یافته‌اند و بین برنامه‌ها، ارائه‌دهندگان زیرساخت و بازیکنان در گردش هستند.

G Coin با کاربرد مشخص در داخل اکوسیستم طراحی شده است، اما در زمینه گسترده‌تر ارزهای دیجیتال نیز وجود دارد و می‌توان آن را به‌صورت خارجی معامله کرد. در این راستا، پیش‌فروش در اواسط ماه مارس انجام شد و با استقبال قابل توجهی مواجه شد و GCOIN را به یک ارز دیجیتال کاملاً قابل معامله تبدیل کرد.

گردش GCOIN در داخل اکوسیستم Playnance با فعالیت کاربر در برنامه‌هایی که روی آن اجرا می‌شوند، مرتبط است. توکن‌ها به‌عنوان بخشی از تعاملات گیم‌پلی، بین بازیکنان، پلتفرم‌ها و اپراتورها جابه‌جا می‌شوند. این امر، به‌نوبه خود، یک حلقه مداوم از استفاده و توزیع مجدد را تشکیل می‌دهد. این جریان برای حفظ فعال بودن توکن در داخل سیستم پروتکل طراحی شده است، نه اینکه بیکار بماند.

به‌طور عملی، ارز دیجیتال از طریق مکانیسم‌های تعریف‌شده وارد اکوسیستم می‌شود و سپس به‌طور مکرر در طیف وسیعی از برنامه‌های مختلف استفاده می‌شود. البته گیم‌پلی به‌عنوان محرک اصلی تقاضا عمل می‌کند. این به این دلیل است که کاربران برای شرکت در فعالیت‌ها به توکن نیاز دارند. در عین حال، پاداش‌ها و پرداخت‌ها توکن‌ها را به کاربران بازمی‌گردانند و تعامل مستمر آن‌ها را تقویت می‌کنند.

این امر، مجموعه‌ای از حلقه‌های بازخورد اقتصادی را ایجاد می‌کند. برای مثال، افزایش فعالیت می‌تواند به‌راحتی منجر به استفاده بیشتر از توکن شود. این امر می‌تواند تقاضا را در برنامه‌ها حفظ کند. البته شایان ذکر است که چنین سیستم‌هایی به حفظ تعادل بین انتشار، استفاده و حفظ نیاز دارند.

لایه برنامه

لایه برنامه برای این پروتکل، نمونه‌های عملی از نحوه استفاده از زیرساخت‌ها و مدل توکن آن در سناریوهای دنیای واقعی ارائه می‌دهد. این محصولات نشان می‌دهند که چگونه سیستم، تعامل کاربر، اجرای بی‌درنگ و جریان‌های تراکنش را مدیریت می‌کند.

این سیستم به‌عنوان یک پلتفرم با هدف عمومی عمل می‌کند که برای میزبانی تجربیات تعاملی طراحی شده است. این سیستم به‌عنوان نقطه ورود برای کاربران عمل می‌کند و بسیاری از پیچیدگی‌های ناشی از تجربیات بلاک‌چین را انتزاع می‌کند. با ساده‌سازی تعامل و ورود، به‌عنوان یک برنامه پل‌ساز بین راه‌حل‌های وب سنتی و محیط‌های درون زنجیره‌ای عمل می‌کند.

PlayQuack نمونه‌ای عالی از یک بازی است که مستقیماً بر روی پشته Playnance ساخته شده است. این بازی می‌تواند دقیقاً نشان دهد که ورودی‌های سریع و مداوم کاربر چگونه می‌توانند تقریباً در زمان واقعی پردازش شوند. این بازی برای برجسته کردن اهمیت تأخیر کم و اجرای قابل پیش‌بینی طراحی شده است، زیرا نتایج به پاسخگویی فوری و نه تأییدهای تأخیری بستگی دارد.

Sharker برنامه دیگری در داخل اکوسیستم است که ساختار گیم‌پلی متفاوتی را ارائه می‌دهد. تغییرات در مکانیک‌ها در سراسر همه این برنامه‌ها نشان می‌دهد که چگونه یک زیرساخت یکسان می‌تواند به‌طور مؤثر چندین مدل تعامل را مدیریت کند و در عین حال در مورد رسیدگی به تراکنش‌ها نیز ثبات داشته باشد.

نتیجه‌گیری

PlayNance یک رویکرد طراحی جالب را ارائه می‌دهد که به‌وضوح حول عملکرد و قابلیت استفاده در برنامه‌های مبتنی بر بلاک‌چین متمرکز است. معماری آن بر اجرای سریع از طریق PlayBlock، یک اقتصاد مبتنی بر توکن از طریق GCOIN و پذیرش از طریق محصولات لایه برنامه تأکید دارد.