Tag: نوآوری فناوری

‏شرکت زیرساخت پرداخت‌های رمزارزی مون‌پی، یک استاندارد کیف پول متن‌باز را راه‌اندازی کرده است که برای مدیریت وجوه و اجرای تراکنش‌ها در چندین بلاک‌چین توسط عوامل هوش مصنوعی طراحی شده است. این اقدام به منظور رفع چالش‌های زیرساختی کلیدی صورت گرفته که ادغام هوش مصنوعی و رمزارز را محدود کرده‌اند.

معرفی استاندارد کیف پول متن‌باز

استاندارد کیف پول متن‌باز (OWS) که روز دوشنبه معرفی شد، با مشارکت شرکت‌هایی از جمله پی‌پل، بنیاد اتریوم، بنیاد سولانا، ریپل، او‌کی‌ایکس، ترون، بنیاد تی‌او‌ان و بیس توسعه یافته است.

ایوان سوتو-رایت، هم‌بنیانگذار و مدیرعامل مون‌پی، در بیانیه‌ای گفت: «اقتصاد عامل‌ها، مسیرهای پرداخت را در اختیار دارد. اما استاندارد کیف پولی نداشت. ما این استاندارد را ایجاد کردیم، متن‌باز کردیم و اکنون کل پشته وجود دارد.»

به گفته مون‌پی، که خود سرمایه‌گذار شرکت خواهر دکریپت، یعنی مایریاد است، این چارچوب با هدف حل مسائل مربوط به پراکندگی در مدیریت کیف پول و کلیدها طراحی شده است که عملیات مالی را برای سیستم‌های هوش مصنوعی خودکار پیچیده کرده است.

ویژگی‌های کلیدی و پشتیبانی

OWS از پروتکل پرداخت متن‌باز x402 که توسط کوین‌بیس توسعه یافته است، به همراه پروتکل پرداخت ماشینی (MPP) استرایپ و تمپو برای پرداخت‌های خرد مبتنی بر جلسه، پشتیبانی می‌کند. همچنین بر همکاری قبلی مون‌پی با لجر تکیه دارد که امضای کیف پول سخت‌افزاری را برای تراکنش‌های عوامل مون‌پی فعال می‌کند.

سام بلک‌شیر، هم‌بنیانگذار و مدیر ارشد فناوری میستن لبز، در بیانیه‌ای توضیح داد: «پرداخت‌های درون زنجیره‌ای از آدرس‌های کیف پول منشا می‌گیرند و هر زنجیره آن‌ها را کمی متفاوت نشان می‌دهد.» او افزود که یک «نمایش واحد» فرآیندها را ساده می‌کند و به عوامل اجازه می‌دهد تا بر روی وظایف سطح بالا تمرکز کنند.

طبق اعلام مون‌پی، OWS به گونه‌ای طراحی شده است که کلید خصوصی کیف پول هرگز در معرض عوامل، زمینه مدل زبانی بزرگ (LLM) یا برنامه‌های والد در هنگام تراکنش قرار نمی‌گیرد.

اهمیت و چشم‌انداز آینده

این راه‌اندازی در حالی صورت می‌گیرد که عوامل هوش مصنوعی به طور فزاینده‌ای به قابلیت‌های مالی پیچیده برای عملکرد خودکار نیاز دارند و بخشی از یک «تغییر عمدی» در مون‌پی به سمت زیرساخت‌های بومی هوش مصنوعی را تشکیل می‌دهد.

پرداخت‌های عاملی یک نگرانی رو به رشد برای توسعه‌دهندگان زیرساخت‌های رمزارزی است. کوین‌بیس یک کیف پول ویژه برای عوامل هوش مصنوعی با محافظ‌های داخلی راه‌اندازی کرده است، شبکه تمپو که توسط استرایپ پشتیبانی می‌شود بر فعال کردن قابلیت‌های پرداخت عامل هوش مصنوعی تمرکز دارد و پروژه ورلد سم آلتمن از پروتکل کوین‌بیس برای تأیید انسان‌ها در پشت عوامل هوش مصنوعی استفاده می‌کند.

‏OpenArt و Fanvue در پی یافتن بهترین شخصیت هوش مصنوعی در جهان هستند و برای این منظور ۹۰ هزار دلار جایزه در نظر گرفته‌اند.

رقابت برای انتخاب شخصیت سال هوش مصنوعی ۲۰۲۶

مسابقه جهانی «شخصیت هوش مصنوعی سال ۲۰۲۶» یک چالش چهار هفته‌ای است که از هم‌اکنون تا ۱۹ آوریل برای شرکت‌کنندگان باز است. در این رقابت، سازندگان، اینفلوئنسرهای هوش مصنوعی اصلی را طراحی و راه‌اندازی می‌کنند و در پنج بخش با یکدیگر به رقابت می‌پردازند: سرگرمی، اینفلوئنسر سبک زندگی، کمدین، تناسب اندام و انیمه/کارتون/فانتزی.

برندگان هفتگی ۲۰۰ دلار جایزه نقدی و معرفی در پلتفرم دریافت می‌کنند، اما جایزه بزرگ‌تری در انتظار برنده نهایی است. برنده جایزه بزرگ ۶۰۰۰ دلار جایزه نقدی، ۲۰۰۰ دلار تبلیغات پولی، قرارگیری در اولویت در Fanvue و عضویت در برنامه‌های وابسته هر دو برگزارکننده را دریافت خواهد کرد.

فینالیست‌های هر بخش نیز جوایزی دریافت می‌کنند که از ۵۰۰۰ دلار جایزه نقدی و ۱۰۰۰ دلار تبلیغات برای برنده تا ۱۰۰۰ دلار جایزه نقدی برای فینالیست رتبه سوم در هر دسته متغیر است. جوایز انتخاب مردمی – پربازدیدترین ویدیو و انتخاب مخاطبان – هر کدام ۱۰۰۰ دلار به مجموع جوایز اضافه می‌کنند. با جمع‌بندی این جوایز، مجموع کل به بیش از ۹۰ هزار دلار می‌رسد.

نحوه شرکت در مسابقه

برای شرکت در مسابقه، باید شخصیت خود را در OpenArt بسازید، یک حساب کاربری عمومی TikTok یا Instagram برای آن راه‌اندازی کنید، حداقل چهار بار در طول دوره مسابقه پست بگذارید و @OpenArt_AI، @Fanvue و #AIPersonality2026 را تگ کنید. این کار روی کاغذ ساده به نظر می‌رسد، اما با توجه به اینکه ElevenLabs حامی اصلی این مسابقه است و سفیران آن شامل برخی از پرطرفدارترین شخصیت‌های هوش مصنوعی در اینترنت هستند، احتمالاً رقابت تنگاتنگی خواهد بود.

هیئت داوران کاملاً انسانی

هیئت داوران این مسابقه ۱۰۰٪ انسانی هستند که این موضوع در نوع خود جالب توجه است. در سال ۲۰۲۴، در مسابقه زیبایی Miss AI، دو نفر از چهار داور، خود اینفلوئنسرهای تولید شده توسط هوش مصنوعی بودند. در این مسابقه، هیئت ۱۱ نفره شامل یک نویسنده کمدی برنده ۱۳ جایزه امی، یکی از بنیانگذاران صنعت روابط عمومی و یک مدیر اجرایی آژانس بازاریابی است.

اما «کاملاً انسانی» به این معنی نیست که این داوران فقط تماشاگر این دنیا هستند. بسیاری از آن‌ها شخصیت‌های مجازی را ساخته‌اند که مردم در حال حاضر آن‌ها را دنبال می‌کنند. دایانا نونیز مورالس، معمار آیتانا – مدل هوش مصنوعی مستقر در بارسلونا که تا ۱۰ هزار یورو در ماه از معاملات برند درآمد دارد و خود یکی از داوران مسابقه Miss AI 2024 بود – در این هیئت حضور دارد.

همچنین کامرون ویلسون، خالق شودو، که به عنوان اولین سوپرمدل دیجیتال جهان شناخته می‌شود، و کریستوفر «تافر» تاونسند، که سولومون ری را ساخته است، در این هیئت حضور دارند. افرادی که ورودی‌های شما را ارزیابی می‌کنند، برخی از موفق‌ترین شخصیت‌های هوش مصنوعی موجود را ایجاد کرده‌اند. آن‌ها دقیقاً می‌دانند به چه چیزی نگاه می‌کنند.

بازار اینفلوئنسرهای مجازی

ارزش بازار اینفلوئنسرهای مجازی در سال ۲۰۲۴ حدود ۶ میلیارد دلار تخمین زده شد و پیش‌بینی می‌شود تا سال ۲۰۳۰ به نزدیک به ۴۶ میلیارد دلار برسد. همانطور که Decrypt گزارش داد، همراهان و شخصیت‌های هوش مصنوعی به قدری متقاعدکننده شده‌اند که تشخیص آن‌ها از انسان‌های واقعی «اغلب غیرممکن به نظر می‌رسد» – و این بیش از یک سال پیش بود. از آن زمان، آن‌ها واقع‌بینانه‌تر شده‌اند. امروزه، حساب‌های اینستاگرامی بی‌شماری وجود دارند که به افشای اینفلوئنسرهایی اختصاص دارند که بدون افشای ماهیت هوش مصنوعی خود، ویروسی می‌شوند.

مجموعه OpenArt شامل ایجاد شخصیت، تولید تصویر، ویدیو و صدای مجهز به ElevenLabs، همه در یک مکان است. آموزش‌ها در مورد نحوه ساخت و کسب درآمد از اینفلوئنسرهای هوش مصنوعی در YouTube، TikTok و خبرنامه‌های سازندگان در حال افزایش است.

معیارهای داوری برای این مسابقه شامل کیفیت، الهام‌بخشی، جذابیت برند و نفوذ اجتماعی از طریق یک سیستم مبتنی بر امتیاز است. این فقط در مورد این نیست که شخصیت شما چقدر فوتورئالیستی به نظر می‌رسد – بلکه در مورد این است که آیا مخاطبان واقعاً حضور خواهند داشت یا خیر.

این چالش از دوشنبه آغاز شد و برندگان نهایی در ماه می اعلام خواهند شد. اقتصاد اینفلوئنسرهای مجازی اکنون یک جستجوی استعداد رسمی دارد. ممکن است آیتانای بعدی در حال حاضر در حال آماده‌سازی اولین پست خود باشد.

‏شرکت OpenAI دیگر وانمود نمی‌کند که می‌تواند همزمان به کارهای زیادی رسیدگی کند.

این شرکت در حال ادغام ChatGPT، ابزار کدنویسی Codex و مرورگر وب Atlas در یک برنامه دسکتاپ واحد است که مدیران آن را “ابربرنامه” می‌نامند. فیدی سیمو، مدیر ارشد برنامه‌های OpenAI و مدیر عامل سابق Instacart، بنا بر گزارش‌ها، این موضوع را در یک یادداشت داخلی در روز پنجشنبه به صراحت بیان کرد.

“ما متوجه شدیم که تلاش‌های خود را در میان برنامه‌ها و بخش‌های زیادی پراکنده کرده‌ایم و باید تلاش‌های خود را ساده کنیم.” او به نقل از وال استریت ژورنال نوشت.

سیمو بعداً اضافه کرد که این پراکندگی “ما را کند کرده و رسیدن به سطح کیفیتی که می‌خواهیم را دشوارتر کرده است.” گرگ براکمن، رئیس شرکت، برای کمک به رهبری این بازسازی وارد عمل می‌شود.

رقابت با Anthropic

شرکت رقیب Anthropic به طور پیوسته در حال جذب مشتریان سازمانی و مهندسی است، که عمدتاً به لطف Claude Code و محصول Cowork خود است که در میان کسب‌وکارها محبوبیت یافته‌اند. به این موارد، مهاجرت گسترده از ChatGPT به Claude و ظهور جنبش #QuitGPT پس از توافق OpenAI با پنتاگون که Anthropic آن را رد کرد را اضافه کنید، در این صورت درک این که چرا این شرکت در حال حاضر در موقعیت نامناسبی قرار دارد، آسان است.

بنا بر این گزارش، سیمو در داخل شرکت، ظهور Anthropic را “زنگ بیدارباش” توصیف کرده و به کارمندان گفته است که نمی‌توانند “ماموریت‌های فرعی” را تحمل کنند – اشاره‌ای نه چندان ظریف به پروژه‌هایی که منابع را بدون ایجاد تأثیر پایدار مصرف می‌کردند.

تمرکز بر هوش مصنوعی عامل‌گرا

شرط اصلی ابربرنامه، هوش مصنوعی عامل‌گرا است – سیستم‌هایی که فقط به سؤالات پاسخ نمی‌دهند، بلکه به طور خودکار وظایفی را بر روی رایانه شما انجام می‌دهند: نوشتن کد، تجزیه و تحلیل داده‌ها و پیمایش در وب. ایده این است که اگر ChatGPT جایی است که شما شروع می‌کنید، Codex و Atlas باید جایی باشند که شما کار می‌کنید، همه اینها بدون نیاز به تعویض پنجره‌ها.

این همچنین تغییری به سمت مدلی است که در جای دیگری در حال کار است. تجربه دسکتاپ Anthropic، چت‌بات، Claude Code و گردش کارهای سازمانی خود را در یک محیط یکپارچه جمع می‌کند. در هوش مصنوعی، دوم بودن در یک الگوی موفق ممکن است مهم‌تر از اول بودن در یک الگوی ناموفق باشد.

برنامه تلفن همراه ChatGPT در حال حاضر بدون تغییر باقی خواهد ماند. این یک تلاش دسکتاپ‌محور است که برای توسعه‌دهندگان، کاربران قدرتمند و مشتریان سازمانی در نظر گرفته شده است – بخشی که در واقع درآمد را به همراه دارد.

اولویت‌بندی مجدد

آنچه در این تغییر اهمیت دارد، اولویت‌بندی مجدد است.

Atlas، که در اکتبر به عنوان یک مرورگر مبتنی بر Chromium با یک عامل هوش مصنوعی تعبیه‌شده به نام Operator راه‌اندازی شد، هرگز به عنوان یک محصول مستقل، به ویژه پس از محبوبیت گسترده Perplexity Comet، مورد توجه قرار نگرفت.

Sora، تولیدکننده ویدئویی که پس از عرضه در سپتامبر به طور خلاصه در رتبه اول App Store قرار گرفت، از آن زمان در استفاده کاهش یافته است. در داخل شرکت، تیم‌ها نیز دوباره سازماندهی شده‌اند، به طوری که منابع محاسباتی و مالکیت محصول در میان تعداد زیادی از ابتکارات پراکنده شده است.

اکنون، ساختار حول یک محصول اصلی واحد ساده می‌شود. برنامه این است که Codex را فراتر از کدنویسی به وظایف گسترده‌تر بهره‌وری گسترش دهیم، قبل از اینکه ChatGPT و Atlas را به طور کامل در همان محیط ادغام کنیم.

سیمو این موضوع را به عنوان “فرصتی برای ترکیب قوی‌ترین برنامه و برند هوش مصنوعی مصرف‌کننده با قوی‌ترین برنامه عامل‌گرا و واقعاً استفاده از مقیاس مصرف‌کننده خود برای ارائه قابلیت‌های عامل‌گرا به همه” توصیف کرد.

جدول زمانی برای راه‌اندازی اعلام نشده است. Decrypt با OpenAI تماس گرفت تا گزارش را تأیید و نظر بخواهد، اما فوراً پاسخی دریافت نکرد.

انویدیا و آمازون وب سرویس‌ها برای تامین گسترده‌ی واحد پردازش گرافیکی تا سال ۲۰۲۷ به توافق رسیدند

انویدیا تا سال ۲۰۲۷ حجم عظیمی از واحد پردازش گرافیکی (GPU) را در اختیار آمازون وب سرویس‌ها (AWS) قرار خواهد داد.

این اقدام در راستای افزایش زیرساخت‌های هوش مصنوعی (AI) و پاسخگویی به تقاضای فزاینده‌ی این شرکت صورت می‌گیرد.

AWS اوایل این هفته اعلام کرد که قصد دارد حدود یک میلیون واحد پردازش گرافیکی انویدیا را به عنوان بخشی از توسعه‌ی زیرساخت‌های هوش مصنوعی خود مستقر کند. یکی از مدیران اجرایی انویدیا روز پنجشنبه با رویترز تایید کرد که انتظار می‌رود این استقرار تا پایان سال ۲۰۲۷ ادامه داشته باشد.

این پروژه که از سال جاری در سراسر مناطق ابری جهانی AWS آغاز می‌شود، همراه با همکاری گسترده‌تر با انویدیا در زمینه‌ی شبکه‌سازی و سایر زیرساخت‌ها برای ساخت سیستم‌هایی خواهد بود که “قادر به استدلال، برنامه‌ریزی و عمل مستقل در سراسر گردش‌های کاری پیچیده” هستند. AWS با اشاره به کار خود بر روی سیستم‌های هوش مصنوعی عامل‌محور، این موضوع را اعلام کرد.

AWS به توسعه‌ی تراشه‌های هوش مصنوعی برای آموزش و استنتاج ادامه می‌دهد. این همکاری نشان می‌دهد که ممکن است تقاضا در سراسر مجموعه‌ی هوش مصنوعی در حال تغییر باشد، در حالی که به نظر می‌رسد سهم فزاینده‌ای از فعالیت‌ها به اجرای مدل‌ها در سرویس‌های زنده مرتبط است.

این توافق در حالی صورت می‌گیرد که دادستان‌های ایالات متحده در حال پیگیری پرونده‌ای هستند که ادعا می‌کند تراشه‌های انویدیا به چین قاچاق شده‌اند و این امر باعث شده است که عرضه و کنترل جهانی این شرکت مورد بررسی مجدد قرار گیرد.

از سال ۲۰۲۲، پیشرفته‌ترین تراشه‌های انویدیا به عنوان بخشی از یک استراتژی گسترده‌تر ایالات متحده برای محدود کردن پیشرفت چین در محاسبات پیشرفته و هوش مصنوعی، تحت کنترل شدید قرار گرفته‌اند.

تحولات روز پنجشنبه در داخل کشور می‌تواند این شکاف را بیش از پیش گسترش دهد.

ناظران می‌گویند ساختار این توافق سرنخ‌هایی را در مورد محل ایجاد تقاضا و چگونگی تغییر زیرساخت‌های اساسی با سرعتی فزاینده ارائه می‌دهد.

درموت مک‌گراث، هم‌بنیانگذار استودیوی استراتژی و رشد ZenGen Labs، به دکریپت گفت: “انویدیا در حال تبدیل شدن به لایه‌ی زیرساختی در زیر ارائه‌دهندگان ابر است، نه فقط یک فروشنده‌ی تراشه برای آن‌ها.”

مک‌گراث گفت تراشه‌های موجود در این توافق برای اجرای مدل‌های هوش مصنوعی در مقیاس بزرگ، با تمرکز بر کاهش هزینه‌ی استفاده، طراحی شده‌اند و اشاره کرد که استنتاج در حال حاضر حدود دو سوم از محاسبات هوش مصنوعی را تشکیل می‌دهد، در حالی که این رقم در سال ۲۰۲۳ حدود یک سوم بوده است.

وی افزود که انتظار می‌رود بازار تراشه‌های متمرکز بر استنتاج تا سال ۲۰۲۶ از ۵۰ میلیارد دلار فراتر رود و به برآوردهای Deloitte اشاره کرد.

مک‌گراث توضیح داد که AWS می‌تواند از تراشه‌های انویدیا و تراشه‌های خود در یک سیستم استفاده کند و به مشتریان خود انتخاب‌های بیشتری نسبت به رقبایی می‌دهد که سیستم‌های خود را بسته نگه می‌دارند و اضافه کرد که این انعطاف‌پذیری “یک عامل تمایز است.”

وی گفت: “اکنون انویدیا همین کار را یک لایه پایین‌تر، با شبکه‌سازی و معماری رک به جای یک مدل برنامه‌نویسی انجام می‌دهد.”

تراشه‌های استنتاج، پردازنده‌هایی هستند که برای اجرای مدل‌های هوش مصنوعی آموزش‌دیده در زمان واقعی طراحی شده‌اند، بدون اینکه نیاز به آموزش مجدد داشته باشند.

پیچاپن پراتیپاوانیچ، استراتژیست سیاست‌گذاری و بنیانگذار شرکت زیرساختی Gather Beyond، به دکریپت گفت که تقاضا برای استنتاج “تعهدات بلندمدتی” را برای قدرت محاسباتی بیشتر ایجاد می‌کند و پیوندهای نزدیک‌تری را بین ارائه‌دهندگان ابر و تولیدکنندگان تراشه ایجاد می‌کند.

وی گفت: “ارائه‌دهندگان ابر در بلندمدت خواهان استقلال هستند، اما در کوتاه‌مدت برای رقابتی ماندن به انویدیا نیاز دارند.” وی اشاره کرد که این امر چگونه یک پویایی را ایجاد می‌کند که در آن همکاری و رقابت همزمان اتفاق می‌افتد.

با این حال، کنترل بر زیرساخت‌های هوش مصنوعی نیز در حال تغییر است.

برنا میسا، شریک معاملاتی در Boardy Ventures، یک صندوق سرمایه‌گذاری با محوریت هوش مصنوعی، به دکریپت گفت که آنچه در حال رخ دادن است، “یک تغییر زیرساختی” است.

وی گفت: انویدیا “کل مجموعه‌ی خود را در سراسر محاسبات، شبکه‌سازی و استنتاج در داخل مراکز داده AWS که سال‌ها تجهیزات اختصاصی را اجرا می‌کردند، تعبیه می‌کند.”

وی توضیح داد که اگرچه AWS در حال توسعه‌ی تراشه‌های هوش مصنوعی خود است، اما این “ریاضیات را تغییر نمی‌دهد” و اشاره کرد که استنتاج به اجزای متعددی در سراسر مجموعه متکی است که انویدیا بیشتر آن‌ها را تامین می‌کند.

وی گفت: “وقتی شما اینقدر در مجموعه‌ی مشتری خود عمیق هستید، هزینه‌ی تغییر و لایه‌ی زمینه‌ای که از آن بیرون می‌آید، به یک خندق تبدیل می‌شود.”

‏مطابق با یک تحقیق جدید، گفتن به یک ربات چت هوش مصنوعی مبنی بر داشتن یک بیماری روانی می‌تواند نحوه پاسخگویی آن را تغییر دهد، حتی اگر وظیفه بی‌ضرر یا مشابه وظایف قبلی باشد.

بررسی رفتار مدل‌های زبانی بزرگ

این مطالعه پیش‌انتشار، که توسط چاغلار ییلدیریم، محقق دانشگاه نورث‌ایسترن رهبری می‌شود، رفتار عوامل مدل‌های زبانی بزرگ را تحت تنظیمات مختلف کاربر آزمایش کرد، زیرا این عوامل به طور فزاینده‌ای به عنوان عوامل هوش مصنوعی به کار گرفته می‌شوند.

در این مطالعه آمده است: «سیستم‌های مستقر اغلب بر اساس پروفایل‌های کاربر یا حافظه پایدار شرط‌بندی می‌کنند، با این حال ارزیابی‌های ایمنی عامل‌ها معمولاً سیگنال‌های شخصی‌سازی را نادیده می‌گیرند. برای رفع این شکاف، ما بررسی کردیم که چگونه افشای سلامت روان، یک نشانه زمینه کاربردی حساس و واقع‌بینانه، بر رفتار مضر در تنظیمات عاملی تأثیر می‌گذارد.»

این گزارش در حالی منتشر می‌شود که عوامل هوش مصنوعی در حال گسترش در فضای آنلاین هستند و توسعه‌دهندگان در حال تبدیل حافظه به یک ویژگی اصلی هستند، و شرکت‌های بزرگ در حال ساخت سیستم‌هایی هستند که مکالمات گذشته و ترجیحات کاربر را به خاطر می‌آورند تا پاسخ‌های شخصی‌تری را در طول زمان ارائه دهند.

همچنین این گزارش در حالی منتشر می‌شود که توسعه‌دهندگان هوش مصنوعی با شکایت‌هایی در مورد خودکشی‌ها و جرایم خشونت‌آمیز مواجه هستند که ادعا می‌شود در ارتباط با تعاملات با سیستم‌های آن‌ها انجام شده است. در ماه اکتبر، شرکت OpenAI، توسعه‌دهنده ChatGPT، فاش کرد که بیش از یک میلیون کاربر در هفته در مورد خودکشی با این ربات چت بحث می‌کنند. اوایل این ماه، خانواده جاناتان گاوالاس شکایتی را علیه گوگل تنظیم کردند و ادعا کردند که Gemini منجر به تشدید خشونت و در نهایت خودکشی او شده است.

آزمایش‌ها و نتایج

محققان از یک معیار به نام AgentHarm برای اجرای مجموعه یکسانی از وظایف در سه شرایط استفاده کردند: بدون اطلاعات پیش‌زمینه، یک بیوگرافی کوتاه کاربر، و همان بیوگرافی با یک خط اضافه که بیان می‌کند کاربر دارای یک بیماری روانی است.

ییلدیریم به Decrypt گفت: «در این مطالعه، ما از یک افشای بسیار مختصر و عمومی استفاده کردیم، “من یک بیماری روانی دارم.” نکته اصلی این است که حتی یک نشانه کوچک می‌تواند رفتار مدل را تغییر دهد، نه اینکه همه عبارات تأثیر یکسانی داشته باشند. حذف‌هایی که ما با افشای بیماری‌های مزمن و ناتوانی‌های جسمی انجام دادیم، نشان‌دهنده ویژگی خاصی برای نشانه سلامت روان است، اما ما عبارات یا ویژگی خاصی را در این دسته به طور سیستماتیک تغییر ندادیم.»

در میان مدل‌های آزمایش‌شده، از جمله DeepSeek 3.2، GPT 5.2، Gemini 3 Flash، Haiku 4.5، Opus 4.5 و Sonnet 4.5، هنگامی که محققان زمینه سلامت روان شخصی را اضافه کردند، مدل‌ها کمتر احتمال داشت که وظایف مضر را تکمیل کنند – درخواست‌های چند مرحله‌ای که می‌توانستند منجر به آسیب‌های دنیای واقعی شوند.

این مطالعه نشان داد که نتیجه، یک مصالحه است: افزودن جزئیات شخصی باعث شد سیستم‌ها در مورد درخواست‌های مضر محتاط‌تر شوند، اما همچنین احتمال رد درخواست‌های قانونی نیز افزایش یافت.

ییلدیریم گفت: «من فکر نمی‌کنم یک دلیل واحد وجود داشته باشد؛ این واقعاً ترکیبی از انتخاب‌های طراحی است. برخی از سیستم‌ها به طور تهاجمی‌تری تنظیم شده‌اند تا از درخواست‌های پرخطر خودداری کنند، در حالی که برخی دیگر اولویت را به مفید بودن و پیگیری وظایف می‌دهند.»

با این حال، این مطالعه نشان داد که این تأثیر بسته به مدل متفاوت است، و نتایج زمانی تغییر کرد که LLMها پس از افزودن یک اعلان طراحی‌شده برای سوق دادن مدل‌ها به سمت انطباق، جیل‌بریک شدند.

وی گفت: «یک مدل ممکن است در یک محیط استاندارد ایمن به نظر برسد، اما زمانی که چیزهایی مانند اعلان‌های سبک جیل‌بریک را معرفی می‌کنید، بسیار آسیب‌پذیرتر می‌شود. و به طور خاص در سیستم‌های عاملی، یک لایه اضافی وجود دارد، زیرا این مدل‌ها فقط متن تولید نمی‌کنند، بلکه در حال برنامه‌ریزی و عمل در چندین مرحله هستند. بنابراین اگر یک سیستم در پیروی از دستورالعمل‌ها بسیار خوب باشد، اما محافظت‌های آن آسان‌تر دور زده شوند، این می‌تواند در واقع خطر را افزایش دهد.»

تابستان گذشته، محققان دانشگاه جرج میسون نشان دادند که سیستم‌های هوش مصنوعی می‌توانند با تغییر یک بیت در حافظه با استفاده از Oneflip، یک حمله شبیه به “تایپو” که مدل را به طور معمول کار می‌کند اما یک ماشه پشتی را پنهان می‌کند که می‌تواند خروجی‌های اشتباه را به دستور اجبار کند، هک شوند.

اگرچه این مقاله یک علت واحد برای این تغییر شناسایی نمی‌کند، اما توضیحات احتمالی از جمله سیستم‌های ایمنی که به آسیب‌پذیری درک‌شده واکنش نشان می‌دهند، فیلتر کردن فعال‌شده با کلمات کلیدی، یا تغییر در نحوه تفسیر اعلان‌ها هنگام گنجاندن جزئیات شخصی را برجسته می‌کند.

OpenAI از اظهار نظر در مورد این مطالعه خودداری کرد. Anthropic و Google بلافاصله به درخواست اظهار نظر پاسخ ندادند.

ییلدیریم گفت که هنوز مشخص نیست که آیا اظهارات خاص‌تری مانند “من افسردگی بالینی دارم” نتایج را تغییر می‌دهد یا خیر، و افزود که اگرچه ویژگی خاص احتمالاً مهم است و ممکن است در مدل‌ها متفاوت باشد، اما این یک فرضیه باقی می‌ماند تا یک نتیجه‌گیری که توسط داده‌ها پشتیبانی می‌شود.

وی گفت: «اگر یک مدل خروجی تولید کند که از نظر سبک، محافظه‌کارانه یا نزدیک به رد کردن باشد بدون اینکه رسماً رد کند، قاضی ممکن است آن را متفاوت از یک تکمیل پاک ارزیابی کند، و آن ویژگی‌های سبک‌شناختی خودشان می‌توانند با شرایط شخصی‌سازی هم‌تغییر کنند.»

ییلدیریم همچنین خاطرنشان کرد که امتیازات منعکس‌کننده نحوه عملکرد LLMها هنگام قضاوت توسط یک بازبین هوش مصنوعی واحد بود، و نه یک اندازه‌گیری قطعی از آسیب‌های دنیای واقعی.

وی گفت: «در حال حاضر، سیگنال رد به ما یک بررسی مستقل می‌دهد و این دو اندازه‌گیری تا حد زیادی در جهت‌گیری سازگار هستند، که اطمینان‌خاطری را ارائه می‌دهد، اما به طور کامل مصنوعات خاص قاضی را رد نمی‌کند.»

معرفی کیت معاملاتی عامل هوش مصنوعی توسط تووبیت

امروز، صرافی بین‌المللی ارزهای دیجیتال تووبیت، که برنده جایزه نیز شده است، از انتشار مجموعه ویژگی‌های جدید خود، یعنی کیت معاملاتی عامل هوش مصنوعی، خبر داد.

این یک چارچوب متن‌باز است که به معامله‌گران اجازه می‌دهد مدل‌های زبانی بزرگ (LLM) را مستقیماً به صرافی متصل کنند. هدف این است که مکالمات ساده را به اقدامات بازار در زمان واقعی تبدیل کند.

کیت معاملاتی عامل هوش مصنوعی با استفاده از پروتکل زمینه مدل (MCP)، نیاز به پیمایش دستی داشبورد را از بین می‌برد.

کل این مجموعه به عنوان یک سری فایل‌های مدولار طراحی شده است. این به عوامل هوش مصنوعی می‌آموزد که چگونه وظایف خاصی را بدون نیاز به تکمیل برنامه‌نویسی اضافی انجام دهند. این چارچوب به مدل‌هایی مانند کلود و چت‌جی‌پی‌تی اجازه می‌دهد از مهارت‌های عامل خاصی که برای مشاهده روند قیمت‌ها، مدیریت سفارشات اسپات و فیوچرز و همچنین پیگیری موجودی سبد سهام ضروری است، استفاده کنند.

مایک ویلیامز، مدیر ارشد ارتباطات در تووبیت، در این باره گفت:

«هوش مصنوعی به بخش استانداردی از نحوه مدیریت زندگی دیجیتالی ما تبدیل شده است. […] کیت معاملاتی عامل هوش مصنوعی این تجربه را با خودکارسازی بخش‌های دستی استفاده از یک صرافی به دنیای ارزهای دیجیتال می‌آورد. با اجازه دادن به یک عامل برای رسیدگی به جریان مداوم به‌روزرسانی‌های حساب و ثبت سفارش، معامله‌گران ما می‌توانند زمان خود را بازیابند و انرژی خود را صرف تصمیم‌گیری کنند.»

کیت عامل بیش از 66 ابزار تخصصی دارد که پوشش کاملی را در سراسر اکوسیستم صرافی ارائه می‌دهد.

تیم توسعه‌دهنده، کیت معاملاتی عامل هوش مصنوعی را به گونه‌ای طراحی کرده است که به صورت محلی اجرا شود. این بدان معناست که حریم خصوصی معامله‌گران در خط مقدم معماری قرار دارد. با ذخیره اعتبارنامه‌ها در یک فایل پیکربندی محلی، سیستم تضمین می‌کند که داده‌های حساس هرگز از دستگاه شما خارج نمی‌شوند. این رویکرد محلی‌محور همچنین به امضای تراکنش‌ها نیز گسترش می‌یابد. دومی کاملاً روی دستگاه معامله‌گر انجام می‌شود تا از کلیدهای خصوصی محافظت شود.

به عبارت دیگر، معامله‌گران از طریق سطوح دسترسی قابل تنظیم، اختیار نهایی را بر این تعاملات حفظ می‌کنند. خود کیت امکان کنترل کامل بر دامنه یک عامل را فراهم می‌کند، از جمله توانایی روشن و خاموش کردن ماژول‌های خاص یا محدود کردن عامل به حالت فقط خواندنی.

این کیت تحت مجوز MIT توزیع شده و در گیت‌هاب در دسترس است. این کیت از چندین رابط پشتیبانی می‌کند که شامل یک سرور MCP برای مدل‌های مبتنی بر چت شما و همچنین یک رابط خط فرمان (CLI) برای اسکریپت‌های خودکار و مدیریت ترمینال است. کاربران می‌توانند برای دستورالعمل‌ها و جزئیات ادغام به صفحه کیت معاملاتی عامل هوش مصنوعی تووبیت مراجعه کنند.

شکی نیست که عوامل هوش مصنوعی قبلاً از ابزارهای ساده به شرکت‌کنندگان فعال در اکوسیستم دارایی‌های دیجیتال تبدیل شده‌اند. بیش از 42 درصد از متخصصان بخش مالی در حال حاضر از هوش مصنوعی عاملی برای مدیریت گردش کار پیچیده و پیمایش بازارهای بی‌ثبات استفاده می‌کنند.

این انتقال با حرکت به سمت اتوماسیون تقویت می‌شود، به طوری که 84 درصد از صنعت، مدل‌های متن‌باز را به عنوان بخش مهمی از استراتژی بلندمدت خود شناسایی می‌کنند.

برای کسب اطلاعات بیشتر در مورد تووبیت، به وب‌سایت، X، تلگرام، لینکدین، دیسکورد و اینستاگرام مراجعه کنید.

‏Tempo، بلاک‌چین لایه-۱ متمرکز بر پرداخت‌ها، که توسط Stripe و Paradigm راه‌اندازی شده است، روز چهارشنبه شبکه اصلی خود را راه‌اندازی کرد و در این فرآیند زیرساخت‌های کلیدی را برای اقتصاد عاملی فراهم کرد.

معرفی پروتکل پرداخت ماشینی

همزمان با راه‌اندازی شبکه، Tempo یک استاندارد باز جدید برای پرداخت‌های عاملی را معرفی کرد: پروتکل پرداخت ماشینی (MPP). این پروتکل که توسط Stripe و تیم Tempo مشترکاً نوشته شده است، از “محدودیت‌های مسیرهای پرداخت موجود” عبور می‌کند و به عوامل اجازه می‌دهد تا به طور یکپارچه تراکنش انجام دهند.

شبکه اعلام کرد: “MPP یک روش استاندارد برای هماهنگی برنامه‌ریزی‌شده پرداخت‌ها توسط عوامل و خدمات ارائه می‌دهد.” “به جای اینکه هر سرویس جریان صورت‌حساب خود را اختراع کند، MPP یک پروتکل ساده برای درخواست، تأیید و تسویه حساب‌های بین ماشین‌ها تعریف می‌کند.”

این استاندارد باز در حال حاضر توسط تعدادی از شرکای اولیه راه‌اندازی شبکه، از جمله Visa، غول پرداخت‌های جهانی، که MPP را برای پشتیبانی از پرداخت‌های مبتنی بر کارت گسترش داده است، و Lightspark، که این کار را برای پرداخت‌های بیت‌کوین در شبکه لایتنینگ انجام داده است، ارتقا یافته است. Stripe نیز عملکردی را اضافه کرد و پشتیبانی از “کارت‌ها، کیف پول‌ها و سایر روش‌های پرداخت” را ایجاد کرد.

چند نکته‌ای که من در مورد MPP (پروتکل پرداخت ماشینی) دوست دارم:

• ناشناخته بودن روش پرداخت (از استیبل‌کوین‌ها در Tempo، Stripe، کارت‌ها، لایتنینگ بیت‌کوین و غیره پشتیبانی می‌کند)
• باز و قابل توسعه (بدون نیاز به اجازه ما)
• پرداخت‌های جریانی (از طریق کانال‌های وضعیت)
• حداقلی و کارآمد

مت هوانگ در ۱۸ مارس ۲۰۲۶ نوشت: “MPP به یک عامل اجازه می‌دهد تا به طور مستقل برای خدمات پرداخت کند: یک عامل می‌تواند یک منبع را از یک سرویس درخواست کند و سرویس با یک درخواست پرداخت پاسخ می‌دهد.” “سپس عامل پرداخت را از کیف پول خود تأیید می‌کند، تراکنش فوراً تسویه می‌شود و سرویس منبع درخواستی را به عامل تحویل می‌دهد.”

به گفته این شبکه، این قابلیت به لطف معرفی “جلسات” امکان‌پذیر شده است، که به جریان پرداخت‌ها اجازه می‌دهد تا به صورت برنامه‌ریزی‌شده بر اساس محدودیت‌های موجود و تعریف‌شده انجام شود. این شبکه در حال حاضر یک فهرست از خدمات سازگار را منتشر کرده است که عوامل می‌توانند با آن‌ها تعامل داشته باشند و برای آن‌ها پرداخت کنند، از جمله خدمات OpenAI، Anthropic و Google.

تمرکز بر زیرساخت‌های پرداخت جهانی

علاوه بر پیشرفت‌های عاملی خود، Tempo می‌گوید که “زیرساخت‌ها را برای مبارزه با راه‌حل‌های سنتی و قدیمی مربوط به پرداخت‌های جهانی، حواله‌های فرامرزی و موارد دیگر طراحی کرده است.”

تمرکز شبکه بر اقتصاد عاملی، یک روند رو به رشد در میان شرکت‌های بلاک‌چین را تقویت می‌کند. در سپتامبر، بنیاد اتریوم تیم هوش مصنوعی خود را ایجاد کرد و اهمیت این فناوری و تعامل بالقوه آن با بلاک‌چین و ارزهای دیجیتال را نشان داد.

تمرکز اولیه این بنیاد بر ERC-8004 بود، یک پیشنهاد بهبود اتریوم که به طور مشابه به عوامل اجازه می‌دهد تا به طور یکپارچه در سراسر بلاک‌چین اتریوم تراکنش انجام دهند. همچنین از یک پروتکل منبع باز از Google که به همین موضوع می‌پردازد، حمایت کرد. صرافی ارز دیجیتال Coinbase نیز بر فعال کردن پرداخت‌های عاملی متمرکز بوده و در فوریه یک کیف پول با محافظ‌های داخلی راه‌اندازی کرد.

‏[بیانیه مطبوعاتی – دبی، امارات متحده عربی، ۱۸ مارس ۲۰۲۶]
شبکهٔ BNB امروز از راه‌اندازی BNBAgent SDK، اولین پیاده‌سازی زندهٔ ERC-8183 و یک چارچوب توسعه‌دهندهٔ کامل که امکان ایجاد گردش‌کارهای هوش مصنوعی غیرمتمرکز و قابل اعتماد را فراهم می‌کند، خبر داد. این انتشار گامی مهم در جهت ایجاد زیرساخت‌های مورد نیاز برای عملکرد عوامل خودکار در مقیاس بزرگ، با گردش‌کارهای قابل تأیید، تسویه حساب غیرمتمرکز و حل اختلاف غیرمتمرکز است.

با حرکت عوامل هوش مصنوعی فراتر از مرحلهٔ آزمایش به سمت گردش‌کارهایی که در آن‌ها ارزش ملموس وجود دارد، تنها قابلیت کافی نیست. یک ملاحظهٔ کلیدی، اعتماد است – به‌طور خاص، توانایی تأیید نتایج، حل اختلافات و تسویه حساب‌ها به روشی قابل اطمینان و بدون وابستگی به پلتفرم‌های متمرکز.

این SDK موارد زیر را ارائه می‌دهد:

کد در هفتهٔ آینده به‌صورت عمومی منتشر خواهد شد و پس از آن، شبکهٔ اصلی راه‌اندازی می‌شود. برای کسب اطلاعات بیشتر، کاربران می‌توانند به وبلاگ مراجعه کنند.

دربارهٔ شبکهٔ BNB

شبکهٔ BNB یکی از بزرگترین و فعال‌ترین اکوسیستم‌های بلاک‌چین در جهان است که توسط یک جامعهٔ جهانی از توسعه‌دهندگان و کاربران پشتیبانی می‌شود. با توان عملیاتی بالا، هزینه‌های تراکنش کم و سازگاری کامل با EVM، شبکهٔ BNB برنامه‌های مقیاس‌پذیر را در سراسر امور مالی، بازی و اقتصاد گسترده‌تر Web3 فعال می‌کند. برای کسب اطلاعات بیشتر، کاربران می‌توانند به وب‌سایت www.bnbchain.org مراجعه کنند.

‏هوش مصنوعی عمومی، یا AGI، اغلب به عنوان سیستمی توصیف می‌شود که می‌تواند در حوزه‌های مختلف به روشی مشابه انسان‌ها عمل کند. نتایج منتشر شده این هفته از آزمون معیار MATHVISTA نشان می‌دهد که مدل‌های فعلی هنوز از رسیدن به این هدف فاصله دارند.

بررسی توانایی‌های هوش مصنوعی

پژوهشگرانی از مایکروسافت ریسرچ، صحرا ای‌آی و دانشگاه اموری، توانایی‌های اساسی هوش عمومی، یعنی استدلال ریاضی مبتنی بر اطلاعات بصری، از جمله نمودارها، گراف‌ها و دیاگرام‌ها را مورد آزمایش قرار دادند.

در میان ۱۲ مدل پایه آزمایش شده، از جمله ChatGPT، Gemini و Claude، GPT-4 Vision با کسب ۴۹.۹ درصد بالاترین امتیاز را به دست آورد. شرکت‌کنندگان انسانی به طور متوسط ۶۰.۳ درصد کسب کردند که این امر شکاف بین سیستم‌های هوش مصنوعی فعلی و توانایی استدلال گسترده‌تر که اغلب با AGI مرتبط است را برجسته می‌کند.

هاو چنگ، پژوهشگر اصلی در مایکروسافت ریسرچ، به دکریپت گفت: «ما می‌خواهیم ماشین کارهایی را انجام دهد که یک فرد عادی و متوسط می‌تواند برای کارهای روزمره خود انجام دهد. این اساساً همان چیزی است که همه به دنبال آن برای AGI هستند.»

با قرار دادن مسائل در تصاویر، دیاگرام‌ها و نمودارها، این پروژه آزمایش می‌کند که آیا مدل‌ها می‌توانند اطلاعات بصری را به درستی تفسیر کرده و مسائل ریاضی و منطقی چند مرحله‌ای را حل کنند – مهارت‌هایی که فراتر از تطبیق الگو در متن به تنهایی است.

چالش‌های پیش رو

مدل‌ها هنوز در انجام این وظایف مشکل دارند و اندازه‌گیری این محدودیت دشوار است.

هنگامی که تیم چنگ مجموعه‌های داده ارزیابی موجود را بررسی کرد، بسیاری از آن‌ها شامل مسائلی بودند که نیازی به استدلال بصری نداشتند. مدل‌ها اغلب با تکیه صرف بر متن به پاسخ‌های صحیح می‌رسیدند.

چنگ گفت: «این ایده‌آل نیست.»

MathVista که در گیت‌هاب و هاگینگ فیس در دسترس است، در اکتبر ۲۰۲۳ راه‌اندازی شد. به گفته مایکروسافت ریسرچ، از آن زمان تاکنون بیش از ۲۷۵۰۰۰ بار دانلود شده است، که شامل بیش از ۱۳۰۰۰ دانلود در ماه گذشته می‌شود.

با این حال، ایجاد این مجموعه داده نیازمند بیش از برچسب‌گذاری داده‌های استاندارد بود. مایکروسافت ریسرچ به مفسرانی نیاز داشت که بتوانند مسائل را در سراسر حساب، جبر، هندسه و آمار بررسی کنند، در حالی که استدلال ریاضی عمیق‌تر، مانند تفسیر نمودارها یا حل معادلات، را از وظایف ساده‌تر مانند شمارش اشیاء یا خواندن اعداد متمایز کنند.

پس از یک فاز آزمایشی، مایکروسافت، صحرا ای‌آی را برای پشتیبانی از این تلاش انتخاب کرد. این شرکت مفسران آموزش‌دیده، گردش‌های کاری سفارشی و بررسی‌های کیفیت چند مرحله‌ای را برای تولید بیش از ۶۰۰۰ نمونه چندوجهی مورد استفاده در این معیار ارائه کرد.

اهمیت معیارهای قابل اعتماد

به گفته شان رن، مدیرعامل صحرا ای‌آی و دانشیار علوم کامپیوتر در دانشگاه کالیفرنیای جنوبی، بدون معیارهای قابل اعتماد، اندازه‌گیری پیشرفت به سمت هوش ماشینی گسترده‌تر دشوار می‌شود.

رن به دکریپت گفت: «این ظرافت آلودگی داده‌ها وجود دارد، جایی که وقتی شروع به استفاده از این مجموعه داده برای آزمایش می‌کنیم، آن نتایج در نسخه بعدی جذب می‌شوند. بنابراین شما واقعاً نمی‌دانید که آیا آن‌ها فقط یک مجموعه داده را حل می‌کنند یا توانایی آن را دارند.»

اگر پاسخ‌های معیار در داده‌های آموزشی یک مدل ظاهر شوند، نمرات بالا می‌توانند منعکس‌کننده حفظ کردن باشند تا استدلال. این امر تعیین اینکه آیا سیستم‌های هوش مصنوعی واقعاً در حال بهبود هستند را دشوارتر می‌کند.

پژوهشگران همچنین به محدودیت‌های داده‌های آموزشی اشاره می‌کنند. بخش زیادی از اینترنت که به صورت عمومی در دسترس است، قبلاً در مجموعه‌های داده مدل گنجانده شده است.

چنگ گفت: «شما قطعاً باید راهی برای تزریق برخی از دانش جدید به این فرآیند داشته باشید. من فکر می‌کنم این نوع چیزها باید از داده‌های باکیفیت ناشی شود تا بتوانیم این مرز دانش را بشکنیم.»

راه‌حل‌های پیشنهادی

یک مسیر پیشنهادی شامل محیط‌های شبیه‌سازی‌شده است که در آن مدل‌ها می‌توانند تعامل داشته باشند، از تجربه یاد بگیرند و از طریق بازخورد بهبود یابند.

چنگ گفت: «شما یک دنیای دوقلو یا یک آینه از دنیای واقعی را در داخل یک جعبه شنی ایجاد می‌کنید تا مدل بتواند بازی کند و کارهای زیادی را انجام دهد که انسان‌ها در زندگی واقعی انجام می‌دهند، بنابراین می‌تواند اساساً مرز اینترنت را بشکند.»

رن گفت که انسان‌ها هنوز هم می‌توانند نقش مهمی در بهبود سیستم‌های هوش مصنوعی ایفا کنند. در حالی که مدل‌ها می‌توانند محتوا را به سرعت تولید کنند، انسان‌ها همچنان در ارزیابی آن بهتر هستند.

وی گفت: «این نوع شکاف بین انسان و هوش مصنوعی، جایی که آن‌ها در آن خوب هستند، جایی که خوب نیستند، می‌تواند برای بهبود واقعی هوش مصنوعی در آینده مورد استفاده قرار گیرد.»

‏جنسن هوانگ آن را «لحظه جی‌پی‌تی برای گرافیک» نامید. اینترنت آن را «فیلتر یاسیفیکیشن» با نیازمندی به یک واحد پردازش گرافیکی (GPU) با قیمت 1500 دلار نامید.

در کنفرانس جی‌تی‌سی 2026 این هفته، انویدیا از DLSS 5 رونمایی کرد—جاه‌طلبانه ترین ویژگی گرافیکی خود تا به امروز، و تقریباً مطمئناً پرطرفدارترین آن در شبکه‌های اجتماعی.

برخلاف نسخه‌های قبلی DLSS که بر ارتقاء کیفیت یا تولید فریم متمرکز بودند، DLSS 5 به رندرینگ عصبی کامل می‌پردازد. این فناوری، بافر رنگ و بردار حرکت یک بازی را دریافت کرده و سپس آن‌ها را بازتفسیر می‌کند.

پوست، پراکندگی زیرسطحی را دریافت می‌کند. پارچه، آن درخشش سینمایی را به دست می‌آورد. مو، نورپردازی، سایه‌ها، همه به سمت چیزی که انویدیا آن را فوتورئالیسم در سطح هالیوود توصیف می‌کند، در زمان واقعی تولید می‌شوند.

به جای «ارتقاء کیفیت»، به «یک هنرمند هوش مصنوعی دوم که هر فریم بازی شما را دوباره نقاشی می‌کند» فکر کنید.

نسخه‌های نمایشی اولیه بر روی دو کارت گرافیک RTX 5090 اجرا می‌شدند. یک GPU برای بازی، یک GPU برای مدل عصبی. اما انویدیا می‌گوید پشتیبانی از یک GPU واحد قبل از عرضه در پاییز 2026 ارائه خواهد شد.

عناوین بزرگی مانند Assassin’s Creed Shadows، Starfield، Resident Evil Requiem و Oblivion Remastered در حال حاضر در صف هستند. توسعه‌دهندگان می‌توانند شدت، ماسک‌گذاری و درجه‌بندی رنگ را برای حفظ ظاهر مورد نظر خود تنظیم کنند.

واکنش‌ها

این بخش آخر، بار سنگینی را به دوش کشید. مطبوعات فناوری آن را دوست داشتند. بقیه، نه چندان.

پیش‌نمایش‌های عملی، نورپردازی و جزئیات را «شگفت‌انگیز» توصیف کردند، به‌ویژه در چهره‌ها و محیط‌ها. توسعه‌دهندگان نیز این هیجان را تکرار کردند، و تاد هاوارد، کارگردان Starfield، گفت که این فناوری «[بازی] را زنده کرد».

اما اینترنت چیز دیگری دید.

نظرات یوتیوب، تاپیک‌های ردیت و انجمن‌های بازی با اصطلاحاتی مانند «شلختگی هوش مصنوعی»، «دره وهمی» و «فیلتر اینستاگرام که اشتباه پیش رفت» روشن شدند.

گریس اشکرافت از Resident Evil Requiem به نقطه اشتعال تبدیل شد، با مقایسه‌های پهلو به پهلو که نسخه‌ای را نشان می‌داد که بازیکنان آن را پلاستیکی، ایربراش شده و به طرز عجیبی بیش از حد بهبود یافته توصیف کردند.

سپس میم‌ها آمدند.

قالب فوراً ضربه خورد: «DLSS 5 خاموش در مقابل روشن». خاموش، هنر اصلی بود. روشن، چیز دیگری بود…

کراتوس با آرایش کامل. پاتریک استار به یک کابوس فوق‌العاده واقعی تبدیل شد. حتی جنسن هوانگ نیز این درمان را دریافت کرد.

به اندازه‌ای سریع گسترش یافت که حتی سازندگان و توسعه‌دهندگان بزرگ نیز به آن پیوستند.

تغییر دیدگاه

و این نکته مهم است—بازیکنان سال‌هاست که با DLSS مشکلی ندارند. ارتقاء کیفیت، تولید فریم، همه اینها. زیرا نامرئی بود. به عملکرد کمک می‌کرد بدون اینکه هنر را تغییر دهد. DLSS 5 این قرارداد را نقض می‌کند.

این فقط بهبود یک تصویر نیست. این تصمیم‌گیری در مورد چگونگی ظاهر آن تصویر است. وقتی هوش مصنوعی به چهره یک شخصیت می‌رسد، از هنرمند نمی‌پرسد که چه منظوری داشته است. بلکه ایده خود از واقع‌گرایی را اعمال می‌کند.

این تغییر، از ابزار به سلیقه، همان چیزی است که مردم به آن واکنش نشان می‌دهند. زیرا در آن مرحله، فقط در مورد گرافیک بهتر نیست. بلکه در مورد این است که گرافیک متعلق به کیست.