Tag: نوآوری فناوری

‏شرکت OpenAI از سرعت خود نمی‌کاهد. کمتر از دو هفته پس از راه‌اندازی GPT-5.4 – که خود تنها دو روز پس از GPT-5.3 منتشر شد – این شرکت روز سه‌شنبه دو مدل دیگر را عرضه کرد: GPT-5.4 Mini و GPT-5.4 Nano.

اینها نسخه‌های ساده‌شده مدل اصلی نیستند، بلکه ماشین‌هایی هستند که برای کارهایی طراحی شده‌اند که در آنها انتظار نیم دقیقه برای دریافت پاسخ، گزینه مناسبی نیست.

OpenAI آنها را “توانمندترین مدل‌های کوچک خود تا به امروز” می‌نامد و می‌گوید GPT-5.4 Mini بیش از دو برابر سریع‌تر از GPT-5 Mini است. اگر تا به حال دیده‌اید که یک دستیار کدنویسی قبل از ویرایش سه خط کد، 45 ثانیه فکر می‌کند، در این صورت جذابیت یک مدل سریع را درک می‌کنید.

ما GPT-5.4 mini و nano را معرفی می‌کنیم، که توانمندترین مدل‌های کوچک ما تا به امروز هستند.

GPT-5.4 mini بیش از 2 برابر سریعتر از GPT-5 mini است. برای کدنویسی، استفاده از کامپیوتر، درک چندوجهی و زیرمجموعه‌ها بهینه شده است.

برای کارهای سبک‌تر، GPT-5.4 nano کوچکترین و ارزان‌ترین مدل ما است…

— توسعه‌دهندگان OpenAI (@OpenAIDevs) 17 مارس 2026

چرا یک مدل با دقت کمتر عمداً منتشر می‌شود؟

پاسخ کوتاه: زیرا دقت همیشه گلوگاه نیست. اگر در حال اجرای یک چت‌بات خدمات مشتری هستید که هر روز به 200 سوال یکسان پاسخ می‌دهد، نیازی به مدلی که در آزمون‌های شیمی در سطح دکترا بهترین نمره را کسب کرده است، ندارید. شما به مدلی نیاز دارید که در کمتر از یک ثانیه پاسخ دهد و هزینه آن کسری از یک سنت برای هر پاسخ باشد. این فضایی است که این مدل‌ها برای آن ساخته شده‌اند.

اما این بدان معنا نیست که این مدل‌ها احمق یا غیرقابل اعتماد هستند. در معیارهای کدنویسی، GPT-5.4 Mini در SWE-Bench Pro – آزمونی که توانایی یک مدل را در رفع مشکلات واقعی GitHub اندازه‌گیری می‌کند – 54.4٪ کسب کرد، در حالی که GPT-5 Mini قدیمی 45.7٪ و GPT-5.4 کامل 57.7٪ کسب کردند.

در OSWorld-Verified، که نحوه عملکرد یک مدل در یک کامپیوتر رومیزی را با خواندن اسکرین‌شات‌ها آزمایش می‌کند، Mini به 72.1٪ رسید، که کمی کمتر از 75.0٪ مدل اصلی است – و هر دو از خط پایه انسانی 72.4٪ فراتر می‌روند. در همین حال، GPT-5.4 Nano در SWE-Bench Pro امتیاز 52.4٪ و در OSWorld امتیاز 39.0٪ را کسب می‌کند – که کمتر از Mini است، اما همچنان جهشی بزرگ نسبت به مدل‌های Nano قبلی محسوب می‌شود.

جری ماسای، معاون ارشد فناوری در Perplexity، پس از آزمایش هر دو مدل گفت: “GPT-5.4 گامی رو به جلو برای مدل‌های Mini و Nano در ارزیابی‌های داخلی ما است.” “Mini استدلال قوی ارائه می‌دهد، در حالی که Nano برای گردش‌های کاری مکالمه زنده پاسخگو و کارآمد است.”

مدل‌های کوچک‌تر، کارهای بزرگ‌تر

به جای هدایت هر کار از طریق یک مدل اصلی گران‌قیمت، اکنون می‌توانید سیستم‌هایی بسازید که در آنها مدل بزرگ برنامه‌ریزی و هماهنگی را انجام می‌دهد، در حالی که مدل‌های کوچک‌تر کارهای اصلی را به موازات انجام می‌دهند – جستجو در یک پایگاه کد در اینجا، خواندن یک سند در آنجا، یا پردازش یک فرم در جای دیگر. همانطور که در مقایسه GPT-5.4 با Grok 4.20 دیدیم، جایی که مدل در گردش کار قرار دارد به اندازه انتخاب مدل مهم است.

GPT-5.4 Mini با نرخ 0.75 دلار در هر میلیون توکن ورودی و 4.50 دلار در هر میلیون توکن خروجی از طریق API اجرا می‌شود. GPT-5.4 Nano حتی ارزان‌تر است: 0.20 دلار در هر میلیون توکن ورودی و 1.25 دلار در هر میلیون توکن خروجی – قیمتی که اجرای تعداد زیادی درخواست در روز را از نظر مالی برای استارت‌آپ‌ها واقع‌بینانه می‌کند. برای درک بهتر، Nano تقریباً چهار برابر ارزان‌تر از Mini در ورودی‌ها است.

برای کاربران معمولی ChatGPT، GPT-5.4 Mini امروز از طریق گزینه “Thinking” در منوی plus برای کاربران Free و Go در دسترس است. مشترکین پولی که به محدودیت‌های نرخ GPT-5.4 خود می‌رسند، به طور خودکار به Mini بازمی‌گردند. با این حال، GPT-5.4 Nano در حال حاضر فقط از طریق API در دسترس است – OpenAI به وضوح آن را به عنوان یک ابزار توسعه‌دهنده، نه یک ابزار مصرف‌کننده، معرفی می‌کند.

‏[بیانیه مطبوعاتی – کینگستون، سنت وینسنت و گرنادین‌ها، ۱۷ مارس ۲۰۲۶]
پلتفرم تبادل غیرحضانتی ChangeNOW از راه‌اندازی Private Send خبر داد، قابلیتی که برای جلوگیری از ارتباط مستقیم بین آدرس‌های فرستنده و گیرنده در بلاک‌چین‌های عمومی طراحی شده است.

Private Send که در NOW Wallet ادغام شده است، یک کلید روشن/خاموش را در جریان تراکنش معرفی می‌کند. به جای انتقال مستقیم کیف پول به کیف پول، وجوه از طریق زیرساخت ChangeNOW مسیریابی می‌شوند تا به آدرس نهایی برسند. برای گیرنده، تراکنش استاندارد به نظر می‌رسد، در حالی که آدرس فرستنده در تاریخچه تراکنش گیرنده ظاهر نمی‌شود.

پاولین شانگت، مدیر ارشد استراتژی در ChangeNOW، می‌گوید: «قرار بود بلاک‌چین‌های عمومی در مورد آزادی مالی باشند، نه نظارت مالی. با این حال، امروزه، شرکت‌های تجزیه و تحلیل، میلیاردها آدرس را به خوشه‌ها نقشه‌برداری می‌کنند و پروفایل‌هایی را برای کاربران عادی ایجاد می‌کنند. Private Send در مورد پنهان شدن از رگولاتورها نیست، بلکه در مورد متوقف کردن قرار گرفتن پیش‌فرض در معرض هر حرکتی است که انجام می‌دهید. با یک کلیک، پیوند مستقیم بین شما و گیرنده ناپدید می‌شود. همین است.»

نقش تجزیه و تحلیل بلاک‌چین

تجزیه و تحلیل بلاک‌چین به زیرساخت استانداردی در سراسر صنعت تبدیل شده است. یک تصور غلط رایج این است که نگهداری ارزهای دیجیتال در کیف پول‌های خود-حضانتی، ناشناس بودن را تضمین می‌کند. شرکت‌های تجزیه و تحلیل، میلیاردها آدرس را به خوشه‌های قابل شناسایی نقشه‌برداری می‌کنند و فعالیت کیف پول را به افراد یا نهادها مرتبط می‌کنند. Private Send در پاسخ به این محیط با معرفی یک واسطه در جریان تراکنش توسعه یافت. بلاک‌چین تراکنش را بدون ایجاد ارتباط مستقیمی بین فرستنده و گیرنده ثبت می‌کند.

ساختار جریان تراکنش

جزئیات کلیدی

موارد استفاده معمولی

Private Send یک سرویس میکس یا ابزار ناشناس‌سازی نیست. این سرویس کاملاً در چارچوب انطباق ChangeNOW فعالیت می‌کند و سابقه تراکنش نهایی را تغییر نمی‌دهد. این فقط مسیر رسیدن به مقصد را تغییر می‌دهد.

درباره ChangeNOW

ChangeNOW یک پلتفرم تبادل ارزهای دیجیتال غیرحضانتی است که برای سرعت، امنیت و آزادی کاربر ارزش قائل است. از زمان راه‌اندازی، این پلتفرم به بیش از ۸ میلیون مشتری در سراسر جهان خدمات ارائه کرده است و دسترسی به بیش از ۱۱۰ بلاک‌چین و ۷۰+ ارز فیات را ارائه می‌دهد. با ترکیب بهترین نرخ‌ها از پلتفرم‌های متمرکز و غیرمتمرکز برتر، ChangeNOW یک تجربه یکپارچه با راه‌اندازی ساده ارائه می‌دهد که در آن کاربران کنترل کاملی بر دارایی‌های خود دارند.

‏جهان در حال راه‌اندازی یک ابزار توسعه‌دهنده است که برای کمک به وب‌سایت‌ها در تأیید این موضوع طراحی شده است که عوامل هوش مصنوعی از طرف افراد واقعی عمل می‌کنند.

معرفی AgentKit

AgentKit که امروز در نسخه بتا راه‌اندازی می‌شود، سیستم هویت World ID جهان را با x402، یک پروتکل باز که توسط Coinbase و Cloudflare آغاز شده است، ادغام می‌کند.

این سیستم به عوامل هوش مصنوعی اجازه می‌دهد تا هنگام تعامل با وب‌سایت‌ها، APIها و خدمات آنلاین، مدرک رمزنگاری‌شده‌ای را ارائه دهند که نشان می‌دهد نماینده یک انسان منحصربه‌فرد هستند.

این انتشار با هدف رسیدگی به یک مشکل مداوم انجام می‌شود: عوامل هوش مصنوعی که وظایفی را بر عهده می‌گیرند که قبلاً مستقیماً توسط کاربران انجام می‌شد، از جمله رزرو، خرید بلیط کنسرت، دسترسی به APIها و مقایسه قیمت‌ها.

DC Builder، مهندس تحقیقاتی در بنیاد جهان، به Decrypt گفت: «در حال حاضر، خدمات زیادی وجود دارد که عوامل می‌توانند آن‌ها را اسپم کنند—پلتفرم‌های اجتماعی یا مواردی مانند فروش بلیط. به Ticketmaster فکر کنید: اگر به یک عامل اجازه دهید که بلیط رزرو کند، می‌توانید 100000 بلیط تولید کنید. حتی اگر آن‌ها پول پرداخت را داشته باشند، این یک تجربه کاربری عالی برای افرادی که با ربات‌ها رقابت می‌کنند، نیست.»

پلتفرم‌ها به طور فزاینده‌ای در تشخیص فعالیت‌های خودکار قانونی از شبکه‌های بزرگ ربات‌ها با مشکل مواجه هستند.

در اوایل این ماه، یک قاضی فدرال دستور دادگاهی را علیه توسعه‌دهنده هوش مصنوعی Perplexity صادر کرد و مرورگر Comet این شرکت را از خرید از آمازون از طرف کاربران مسدود کرد.

نحوه عملکرد AgentKit

AgentKit به افرادی که هویت خود را با استفاده از دستگاه orb جهان تأیید کرده‌اند، اجازه می‌دهد تا World ID خود را به یک عامل هوش مصنوعی واگذار کنند.

جهان که در اصل با نام Worldcoin شناخته می‌شد، در سال 2023 با هدف ارائه یک شناسه دیجیتال «اثبات انسانیت» جهانی و ارز دیجیتال برای کمک به تمایز انسان‌ها از ربات‌ها و گسترش دسترسی به اقتصاد دیجیتال راه‌اندازی شد.

به گفته جهان، شبکه آن شامل نزدیک به 18 میلیون فرد تأیید شده در بیش از 160 کشور است. در حالی که orb به کاربران با ارز دیجیتال در قالب توکن‌های Worldcoin (WLD) پاداش می‌دهد، به گفته Builder، توکن‌ها برای استفاده از AgentKit ضروری نیستند.

هنگامی که عامل هوش مصنوعی به World ID کاربر متصل شد، می‌تواند به صورت رمزنگاری‌شده ثابت کند که نماینده یک انسان است، بدون اینکه هویت فرد را فاش کند.

با گسترش به پروتکل x402، سایت‌ها می‌توانند قبل از اعطای دسترسی به خدمات یا APIها، مدرک را در کنار یا به جای پرداخت‌های خرد درخواست کنند.

Erik Reppel، رئیس مهندسی پلتفرم توسعه‌دهنده Coinbase، به Decrypt گفت: «آنچه این به شما اجازه می‌دهد این است که بر اساس این دانش برنامه‌ریزی کنید که آیا درخواست از یک انسان می‌آید یا یک عامل—یا یک عامل مرتبط با یک انسان. به عنوان فروشنده، شما فقط می‌توانید بگویید: «این مدرک انسانی ندارد، بنابراین من پرداخت را رد می‌کنم.»

سپس پلتفرم‌ها می‌توانند محدودیت‌ها را اعمال کنند یا منابع را بر اساس تعداد افراد منحصربه‌فردی که با یک سرویس تعامل دارند، و نه تعداد عوامل خودکار درگیر، تخصیص دهند.

Builder گفت: «با اثبات انسانیت، حداقل می‌دانید که حساب توسط یک نفر کنترل می‌شود و هزاران حساب وجود ندارند که همگی سعی در خرید چیزی داشته باشند. اما لازم نیست که بخش هویت حاوی اطلاعاتی در مورد خود افراد باشد—ما در پروتکل اثبات انسانی کاملاً ناشناس هستیم.»

Reppel افزود: «فکر می‌کنم در اینترنت موارد زیادی وجود دارد که مهم نیست انسان باشد یا عامل، و موارد زیادی در اینترنت وجود دارد که واقعاً، واقعاً مهم است که انسان باشد یا عامل. آنچه ما نیاز داریم راه‌های باز و قوی برای درک این است که کدام یک از این‌ها هستند—توانایی تشخیص اینکه چه زمانی با یک هوش مصنوعی، یک انسان یا هوش مصنوعی یک انسان خاص صحبت می‌کنید.»

در ماه فوریه، Coinbase یک کیف پول برای عوامل هوش مصنوعی در شبکه Base خود معرفی کرد که برای اجازه دادن به نرم‌افزارهای خودکار برای انجام پرداخت‌ها در حالی که کلیدهای خصوصی را در محیط‌های اجرای مورد اعتماد جدا نگه می‌دارد، طراحی شده است.

Builder گفت، فراتر از تراکنش‌ها، این فناوری می‌تواند به حفظ تعامل انسانی در اینترنت کمک کند، زیرا عوامل خودکار در سراسر اینترنت گسترش می‌یابند.

Builder گفت: «مردم به شبکه‌های اجتماعی می‌روند تا آن ارتباط انسانی را داشته باشند. اگر آن‌ها می‌خواهند با یک عامل تعامل داشته باشند، به ChatGPT، Claude یا یک سرویس دیگر می‌روند.»

‏میلیون‌ها بازیکنی که سال‌ها صرف اسکن نقاط دیدنی در حین بازی پوکمون گو کردند، به ساخت فناوری نقشه‌برداری کمک کردند که اکنون ربات‌های تحویل‌دهنده را در خیابان‌های شهر هدایت می‌کند، طبق گزارش اخیر نشریه MIT Technology Review.

این خبر در حالی منتشر می‌شود که توسعه‌دهندگان هوش مصنوعی و رباتیک در تلاشند تا به ربات‌ها درک دقیق‌تری از محیط اطرافشان بدهند تا بتوانند بدون اتکا به GPS به تنهایی در شهرها حرکت کنند.

در فوریه، Niantic Spatial با Coco Robotics، مستقر در سانتا مونیکا، کالیفرنیا، برای ارائه فناوری ناوبری برای ماشین‌های تحویل خودکار این شرکت همکاری کرد.

پوکمون گو که در سال ۲۰۱۶ منتشر شد، بازیکنان را به مکان‌های واقعی می‌فرستاد تا موجودات دیجیتالی را شکار کنند و از طریق دوربین تلفن‌هایشان با نقاط دیدنی تعامل داشته باشند.

بازیکنان همچنین می‌توانستند اسکن‌های اختیاری از نقاط دیدنی عمومی مانند مجسمه‌ها یا ساختمان‌ها را برای بهبود نقشه‌برداری فضایی سیستم ارسال کنند.

این فناوری نقشه‌برداری اکنون سیستم موقعیت‌یابی بصری (VPS) Niantic Spatial، مستقر در سان فرانسیسکو را تقویت می‌کند که موقعیت مکانی را با تجزیه و تحلیل نقاط دیدنی فیزیکی اطراف تعیین می‌کند. در می ۲۰۲۵، Niantic Spatial از Niantic Inc جدا شد و به یک شرکت مستقل تبدیل شد.

داده‌های کاربران و دقت سیستم

یک سخنگوی Niantic به Decrypt گفت: «VPS اولیه ما با استفاده از اسکن‌هایی ساخته شد که کاربران در بازی‌ها انتخاب می‌کردند، اما هیچ منبع واحدی این مدل را تعریف نمی‌کند. آنچه رویکرد ما را متمایز می‌کند، ترکیبی از مقیاس و جزئیات سطح زمین است و به طور فزاینده‌ای، داده‌هایی که مشتریان ما تولید می‌کنند، همان چیزی است که دقت را در محیط‌هایی که برای آنها مهم است، افزایش می‌دهد.»

Coco Robotics که در سال ۲۰۲۰ تأسیس شد، ربات‌های خودکار کوچکی را اداره می‌کند که سفارش‌های غذا و خرده‌فروشی را در محله‌های شهرهای لس آنجلس، شیکاگو، میامی و هلسینکی تحویل می‌دهند.

VPS در برابر GPS

به دلیل افزایش ترافیک، ساخت‌وساز و سایر خطرات، شرکت‌های رباتیک به طور فزاینده‌ای در حال بررسی سیستم‌های موقعیت‌یابی مبتنی بر دید هستند تا ناوبری GPS را تکمیل کنند.

با GPS، سیگنال‌ها می‌توانند از ساختمان‌ها منعکس شوند یا به طور کامل در خیابان‌های باریک ناپدید شوند و ناوبری دقیق را برای ماشین‌های خودکار دشوار کنند. VPS با مقایسه تصاویر دوربین با نقشه‌های بصری دقیق از محیط، این مشکل را برطرف می‌کند و می‌تواند داده‌های موقعیت مکانی بسیار قابل اطمینان‌تری را در شرایطی که GPS با مشکل مواجه است، ارائه دهد.

نگرانی‌ها در مورد داده‌ها

با این حال، منتقدان استدلال می‌کنند که مجموعه داده‌های پشت هوش مصنوعی فضایی Niantic توسط بازیکنانی ساخته شده است که ممکن است متوجه نشده باشند چگونه می‌توان از اسکن‌هایشان استفاده کرد.

یک کاربر در X نوشت: «۱۴۳ میلیون نفر فکر می‌کردند که در حال گرفتن پوکمون هستند. آنها در واقع در حال ساخت یکی از بزرگترین مجموعه‌های داده بصری در دنیای واقعی در تاریخ هوش مصنوعی بودند.»

کاربر دیگری نوشت: «حرکت اصلی نقشه نبود، بلکه طراحی مشوق‌ها بود. پوکمون گو میلیون‌ها بازیکن را به شکارچیان موارد خاص بدون حقوق تبدیل کرد و باعث شد که داده‌های خروجی مانند بازی احساس شوند.»

با وجود این نگرانی‌ها، Niantic تأکید کرد که مشارکت در اسکن داوطلبانه بوده است.

سخنگو گفت: «بازیکنان می‌توانستند اسکن‌های ناشناس از مکان‌های عمومی را برای کمک به بهبود VPS ارسال کنند. این اسکن کاملاً اختیاری بود و همچنان اختیاری است.» وی افزود که اسکن‌ها به حساب‌های بازیکنان متصل نیستند.

داستان واکسن سرطان سگ با کمک هوش مصنوعی

گرگ براکمن، هم‌بنیان‌گذار OpenAI، داستانی را که به‌طور گسترده‌ای به اشتراک گذاشته شده بود، در آخر هفته منتشر کرد که در مورد سگی که با واکسن سرطان mRNA شخصی‌سازی‌شده درمان شده بود و با کمک ChatGPT توسعه یافته بود، توجه زیادی را در سراسر جوامع فناوری و هوش مصنوعی به خود جلب کرد.

این پرونده حول محور رزی، یک سگ شار پی هفت ساله است که متعلق به پل کانینگهام، مشاور هوش مصنوعی استرالیایی است.

بر اساس پست‌هایی که به‌صورت آنلاین منتشر شده‌اند، به رزی تنها چند ماه فرصت زندگی داده شده بود، قبل از اینکه تحت درمان آزمایشی قرار گیرد، که کانینگهام گفت با کمک چت‌بات هوش مصنوعی توسعه یافته است.

کانینگهام در یک رشته توییت در نوامبر ۲۰۲۴ که این سفر را از ابتدا مستند کرد، نوشت: «در سال ۲۰۲۲، متوجه توده‌های عجیبی روی سرش شدم. آنچه دامپزشک «فقط زگیل» می‌دانست، در نهایت به سرطان مرحله آخر تبدیل شد.» دامپزشکان تخمین زدند که رزی بین یک تا شش ماه فرصت دارد و به کانینگهام گفتند که دیگر کاری از دستشان برنمی‌آید.

این گزارش پس از آنکه براکمن آن را با صدها هزار دنبال‌کننده خود به اشتراک گذاشت، به سرعت گسترش یافت و باعث پوشش خبری در چندین رسانه فناوری شد.

در حالی که خود درمان معتبر به نظر می‌رسد، نقش ChatGPT در توسعه واکسن مورد بحث قرار گرفته است و برخی از محققان در مورد اینکه چه مقدار از این فرآیند می‌تواند به‌طور واقع‌بینانه توسط یک مدل زبانی بزرگ انجام شود، سؤالاتی را مطرح کرده‌اند.

کانینگهام گفت که از رزی دست نکشیده است. در عوض، او تصمیم گرفت یک خط لوله تحقیقاتی از ابزارهای هوش مصنوعی مصرف‌کننده بسازد. او با ChatGPT شروع کرد و از آن برای طراحی یک برنامه حمله استفاده کرد.

این مدل به او گفت که به توالی‌یابی ژنومی، یک نمونه از بافت سالم و یک نمونه از تومور نیاز دارد و او را به سمت مؤسسات و تجهیزات خاصی هدایت کرد.

او در آن زمان نوشت: «طنزآمیزترین چیز این است که در یک جلسه چت قبلی با ChatGPT، این چت‌بات گفت که باید سعی کنم با الیتا یا دکتر مارتین تماس بگیرم و باید از دستگاه Illumina استفاده کنم.»

بنابراین او این مسیر را دنبال کرد.

یک مدیر در UNSW او را به دکتر مارتین اسمیت، رئیس مرکز ژنومیک راماکیوتی متصل کرد که موافقت کرد ژنوم رزی را با حدود ۳۰۰۰ دلار توالی‌یابی کند.

ده روز. عمق سی برابری در بافت سالم، ۶۰ برابر در تومور: نرخ عبور بالاتر برای جداسازی جهش‌های ایجادکننده سرطان مورد نیاز بود. این مرکز ۳۲۰ گیگابایت داده خام را برگرداند.

دانشگاه نیو ساوت ولز در ژوئن سال گذشته گزارش داد که اطلاعات ژنومی در رشته‌هایی از حروف A، T، C و G بیان می‌شود، بنابراین متخصصان اساساً به یک دسته از ۷۰۰۰۰۰ صفحه دو رو که فقط از آن چهار حرف تشکیل شده بود، رسیدند. این ژنوم رزی، اثر انگشت بیولوژیکی او بود.

سپس او بر روی c-KIT تمرکز کرد، پروتئینی که در مقالات منتشر شده در مورد تومورهای سلول ماست در سگ‌ها به خوبی مستند شده است.

او با استفاده از AlphaFold گوگل، نسخه رزی از این پروتئین را مدل‌سازی کرد و آن را با خط پایه سالم مقایسه کرد. به نظر می‌رسید که اشتباه است، به روش‌هایی جهش یافته که با آنچه در مقالات پیش‌بینی شده بود مطابقت داشت. سپس او به دنبال ترکیباتی موجود گشت که ممکن است به c-KIT یا پروتئین‌های مشابه آن حمله کنند و یکی را پیدا کرد: دارویی که در حال حاضر در ایالات متحده برای درمان سرطان دیگری در انسان استفاده می‌شود.

کانینگهام روز شنبه به برنامه استرالیایی Today Show گفت: «ما تومور او را برداشتیم، DNA را توالی‌یابی کردیم، آن را از بافت به داده تبدیل کردیم و از آن برای یافتن مشکل در DNA او استفاده کردیم و سپس درمانی بر اساس آن ایجاد کردیم. ChatGPT در سراسر این فرآیند به ما کمک کرد.»

با این وجود، فاصله زیادی بین یافتن درمان سرطان توسط ChatGPT و کمک ChatGPT در تحقیقات وجود دارد.

کانینگهام در نهایت با پروفسور پالی توردسون، مدیر مؤسسه RNA UNSW ارتباط برقرار کرد. کانینگهام در یک پست نوشت: «پروفسور اسمیت توالی‌یابی DNA/RNA را برای تبدیل بافت رزی به داده‌های خام انجام داد. پروفسور توردسون واکسن mRNA را مونتاژ کرد.» او در توییت دیگری افزود.

توردسون این موضوع را در رشته توییت‌های خود تأیید کرد: «افتخار می‌کنم که با UNSWRNA درگیر بوده‌ام و mRNA-LNP را برای رزی ساخته‌ام. تقاطع فناوری RNA، ژنومیک و هوش مصنوعی فرصتی را برای تغییر نحوه انجام پزشکی و ایجاد دسترسی عادلانه‌تر ایجاد می‌کند.»

اما دکتر اسمیت مردی پشت صفحه ChatGPT نبود. او استادی بود که یک مؤسسه RNA دانشگاه را اداره می‌کرد و کاری را انجام می‌داد که آزمایشگاهش برای آن ساخته شده بود.

و هنگامی که کانینگهام ساختار نهایی واکسن را شناسایی کرد – طرح مولکولی خاصی که در mRNA رمزگذاری می‌شود – او فاش کرد که کدام ابزار آن را طراحی کرده است. نه AlphaFold. نه ChatGPT. «ساختار نهایی واکسن برای رزی توسط Grok طراحی شد.»

با این حال، او در یک پست جداگانه اذعان کرد که «Gemini هم کارهای سنگینی انجام داد.»

از ChatGPT برای غربال کردن مقالات علمی و شناسایی محققانی که ممکن است بتوانند کمک کنند استفاده شد. این چت‌بات به مرکز راماکیوتی اشاره کرد و تجهیزات توالی‌یابی مناسب برای این کار را پیشنهاد کرد و عمدتاً به عنوان ابزاری برای پیمایش در مقالات تحقیقاتی عمل می‌کرد. این نقش می‌تواند مفید باشد، اما با طراحی واکسن یا انجام تجزیه و تحلیل علمی متفاوت است.

AlphaFold، یک سیستم یادگیری عمیق از Google DeepMind، ساختارهای پروتئینی سه بعدی را از توالی‌های اسید آمینه پیش‌بینی می‌کند. این اولین مدلی نیست که بر روی داده‌های بیولوژیکی آموزش داده شده است: ابتکارات منبع باز دیگری مانند AnkhorAlphaGenomework بر مبنای مشابهی کار می‌کنند.

کانینگهام از Alphafold برای مدل‌سازی پروتئین c-KIT رزی استفاده کرد. این رندر دارای امتیاز اطمینان ۵۴.۵۵ بود که دکتر کیت میچی، زیست‌شناس ساختاری UNSW، به‌طور علنی آن را کم توصیف کرد.

او خاطرنشان کرد که AlphaFold «می‌تواند اشتباه کند» و برای تأیید هر خروجی به کار آزمایشگاهی قابل توجهی نیاز است. دکتر اسمیت، مدیر ژنومیک UNSW، به‌طور علنی در همان رشته تأیید کرد که AlphaFold در واقع برای طراحی واکسن mRNA استفاده نشده است.

دکتر توردسون نیز در مورد چارچوب‌بندی محتاط بود.

او در X نوشت: «این ممکن است رزی را درمان نکرده باشد. مطمئناً زمان خرید، بله، اما برخی از تومورها پاسخ ندادند.»

تیم او اکنون در حال بررسی این موضوع است که آیا آن تومورها به طور متفاوتی جهش یافته‌اند، که این امر توضیح می‌دهد که چرا بخشی از درمان مؤثر بوده و بخش‌های دیگر مؤثر نبوده‌اند. واکسن نیز به تنهایی مؤثر نبود.

توردسون خاطرنشان کرد: «این درمان نیازمند تجویز همزمان یک مهارکننده بررسی است، که احتمالاً با تمام واکسن‌های سرطان شخصی‌سازی‌شده همراه است.»

iii) تخمین هزینه واقعی در پروژه‌های تحقیقاتی دشوار است زیرا همه ما زمان و منابع زیادی را صرف می‌کنیم. iv) درمان نیازمند تجویز همزمان یک مهارکننده بررسی بود (احتمالاً با تمام واکسن‌های سرطان شخصی‌سازی‌شده). v) بنابراین هزینه‌های کلی بسیار بالاست.

— پالی توردسون (@PalliThordarson) ۱۵ مارس ۲۰۲۶

استفاده از هوش مصنوعی برای درمان سرطان همیشه تاریخچه موفقیت‌آمیزی نداشته است.

در سال ۲۰۱۷، اسناد داخلی IBM نشان داد که Watson for Oncology، که به عنوان سیستمی که می‌تواند درمان‌های سرطان را بهتر از متخصصان انکولوژی انسانی توصیه کند، توصیه‌هایی را تولید می‌کرد که مهندسان خود آن را «ناامن و نادرست» می‌دانستند.

مرکز سرطان MD Anderson پس از صرف ۶۲ میلیون دلار برای آن، این پروژه را رها کرد. IBM در سال ۲۰۲۲ Watson Health را به‌طور کامل فروخت.

پرونده رزی در دسته شکست‌های هوش مصنوعی قرار نمی‌گیرد. به کسی آسیبی نرسید، علم اساسی تثبیت شده است و محققان درگیر دارای اعتبارنامه‌های شناخته‌شده هستند.

خود پلتفرم mRNA توسط تحقیقات بالینی پشتیبانی می‌شود. ناراحتی بیشتر در نحوه چارچوب‌بندی داستان نهفته است. هنگامی که ابزارهای هوش مصنوعی اعتبار کارهایی را که توسط دانشمندان و مؤسسات تحقیقاتی انجام می‌شود، دریافت می‌کنند، می‌تواند درک عمومی از آنچه فناوری واقعاً انجام می‌دهد را مبهم کند.

محققانی که توالی‌یابی را انجام دادند، واکسن را تولید کردند و پروتکل‌های ایمنی را مدیریت کردند، در معرض خطر محو شدن در پس‌زمینه هستند.

این قسمت یادآوری می‌کند که هوش مصنوعی می‌تواند در کارهایی مانند پیمایش در مقالات علمی کمک کند، اما هنوز با تخصص و زیرساخت‌های مورد نیاز برای طراحی و تولید درمان‌های پزشکی فاصله زیادی دارد.

‏سام آلتمن می‌خواهد چت‌بات ChatGPT به زبان رکیک صحبت کند. بنا بر گزارش‌ها، مشاوران شرکت او می‌خواهند جلوی این کار را بگیرند.

مخالفت مشاوران با این طرح

به گزارش وال‌استریت ژورنال، شورای متخصصان رفاه و هوش مصنوعی OpenAI در ماه ژانویه موضع خود را روشن کرد: طرح این شرکت برای اجازه دادن به مکالمات اروتیک در ChatGPT ایده بدی است. یکی از اعضای شورا، با اشاره به کاربرانی که پس از ایجاد پیوندهای عاطفی شدید با این چت‌بات خودکشی کرده‌اند، هشدار داد که OpenAI در معرض خطر ایجاد یک “مربی خودکشی جنسی” قرار دارد.

اما ظاهراً OpenAI عقب‌نشینی نکرد و به شورا گفت که راه‌اندازی این قابلیت را به تأخیر می‌اندازد، اما متوقف نمی‌کند.

این طرح که آلتمن اولین بار در ماه اکتبر در X مطرح کرد، به بزرگسالان تأیید شده اجازه می‌دهد از ChatGPT برای مکالمات اروتیک مبتنی بر متن استفاده کنند – چیزی که سخنگوی شرکت به وال‌استریت ژورنال آن را “مطالب مستهجن به جای پورنوگرافی” توصیف کرد. طبق گزارش وال‌استریت ژورنال، هیچ تصویر، صدا یا ویدئویی وجود نخواهد داشت. فقط متن.

این تمایز منتقدان داخل و خارج از شرکت را آرام نکرده است. OpenAI قبلاً مورد انتقاد قرار گرفته است، حتی توسط کارمندان سابق مانند محقق امنیتی Jan Leike، به دلیل دور شدن از سیاست‌های ایمنی سختگیرانه در ازای “محصولات جذاب”، که برخی از آنها برای افزایش تعامل با برخی از کاربران طراحی شده‌اند که جایگزین روابط دنیای واقعی با چت‌بات شده‌اند.

مشکلات فنی

مشکلات فنی نیز به همان اندازه دشوار هستند. سیستم پیش‌بینی سن OpenAI – که قرار است از ورود افراد زیر سن قانونی به چت‌های بزرگسالان جلوگیری کند – در یک مقطع زمانی تقریباً 12 درصد از نوجوانان را به اشتباه به عنوان بزرگسال طبقه‌بندی می‌کرد، به گزارش وال‌استریت ژورنال. در حال حاضر، ChatGPT حدود 900 میلیون کاربر فعال دارد.

نرخ خطای 12 درصدی همان عددی بود که راه‌اندازی در ماه دسامبر و راه‌اندازی در سه ماهه اول سال 2026 را متوقف کرد. Fidji Simo، مدیر عامل برنامه‌های OpenAI، در یک جلسه توجیهی در ماه دسامبر، با اشاره به کار مداوم برای تکمیل سیستم تأیید سن، این تأخیر را تأیید کرد.

در آن زمان، Decrypt گزارش داد که بیش از 3000 کاربر قبلاً یک دادخواست Change.org را امضا کرده‌اند و خواستار راه‌اندازی این ویژگی شده‌اند، زیرا از مسدود شدن حتی بحث در مورد “بوسیدن و صمیمیت فیزیکی غیرجنسی” توسط ChatGPT ناامید شده بودند.

تناقض در زمان‌بندی

خشم شورا در ماه ژانویه فقط به محتوا مربوط نمی‌شد. پست آلتمن در ماه اکتبر در X تیم خودش را غافلگیر کرد – او این پست را تنها چند ساعت پس از اعلام شورای رفاه OpenAI منتشر کرد، نهادی که صراحتاً وظیفه داشت “چگونگی تعامل سالم با هوش مصنوعی برای همه سنین” را تعریف کند. زمان‌بندی، حداقل، یک تناقض بود.

OpenAI شورای متخصصان هشت نفره را در اکتبر گذشته تشکیل داد و محققانی از هاروارد، استنفورد و آکسفورد را گرد هم آورد. نقش آنها مشاوره به شرکت در مورد تأثیرات محصولاتش بر سلامت روان بود. تأثیر واقعی آنها بر تصمیمات شرکت، بر اساس جلسه ژانویه، در بهترین حالت ناچیز به نظر می‌رسد.

یک سخنگوی AlgorithmWatch هنگام اعلام شورا به Decrypt گفت: “به نظر می‌رسد این بخشی از الگوی معمول حرکت سریع، شکستن چیزها و تلاش برای رفع برخی از مشکلات پس از شرم‌آور شدن است.”

فشار رقابتی

فشار رقابتی بر OpenAI واقعی است. Grok، از xAI ایلان ماسک، در حال حاضر همراهان هوش مصنوعی را بازاریابی می‌کند. Character.AI پایگاه کاربری خود را بر اساس رمانس هوش مصنوعی بنا کرد، قبل از اینکه با شکایت‌هایی در مورد ایمنی نوجوانان مواجه شود – از جمله پرونده Sewell Setzer 14 ساله، که پس از تبادلات صریح چت‌بات خودکشی کرد. مدل‌های منبع باز به صورت محلی و بدون هیچ گونه محافظ شرکتی اجرا می‌شوند. OpenAI، با توجه به پایگاه کاربری خود، به مراتب بیشتر از هر کسی در این جمع در معرض مسئولیت است.

آلتمن ممنوعیت محتوا را به عنوان یک زیاده‌روی تلقی کرده است – او در X در ماه اکتبر نوشت: “ما پلیس اخلاقی منتخب جهان نیستیم.”

اما مشاوران خود او موضع خود را صریحاً بیان کرده‌اند، مهندسانش هنوز نمی‌توانند یک فیلتر سنی بسازند که کار کند، و تاریخ راه‌اندازی همچنان در حال تغییر است. معلوم می‌شود که رفتار با بزرگسالان مانند بزرگسالان، سخت‌تر از ارسال یک پست در X است.

Decrypt برای اظهار نظر در مورد ادعاهای گزارش وال‌استریت ژورنال با OpenAI تماس گرفت و در صورت دریافت پاسخ، این داستان را به‌روزرسانی خواهد کرد.

‏ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، می‌خواهد تعداد اجزای درگیر برای اعتبارسنج‌های شبکه‌ی مشتاق، کمتر شود.

او اخیراً در مورد درخواست ادغام «گره متحد» از تیم Status-im، که دو مؤلفه‌ی نرم‌افزاری جداگانه‌ی اتریوم را در یک برنامه‌ی واحد و آسان‌الاجرا ترکیب می‌کند، اظهار نظر کرد.

بوترین در X نوشت: «اجرای دو daemon و وادار کردن آن‌ها به برقراری ارتباط با یکدیگر، بسیار دشوارتر از اجرای یک daemon است.» «هدف ما این است که استفاده‌ی خودحاکم از اتریوم، تجربه‌ی کاربری خوبی داشته باشد. در بسیاری از موارد، این به معنای اجرای گره‌ی شخصی شما است. رویکرد فعلی برای اجرای گره‌ی شخصی، پیچیدگی‌های غیرضروری را اضافه می‌کند.»

باید در مورد بازنگری کامل جداسازی کلاینت‌های beacon/execution، گشاده‌رو باشیم.

اجرای دو daemon و وادار کردن آن‌ها به برقراری ارتباط با یکدیگر، بسیار دشوارتر از اجرای یک daemon است.

هدف ما این است که استفاده‌ی خودحاکم از اتریوم، تجربه‌ی کاربری خوبی داشته باشد. در بسیاری از موارد…
— vitalik.eth (@VitalikButerin)۱۵ مارس ۲۰۲۶

ادغام و تغییرات

کلاینت‌های جداگانه‌ی Beacon و execution در طول «ادغام» اتریوم در سال ۲۰۲۲ معرفی شدند، زمانی که شبکه از استفاده از اجماع اثبات کار (proof-of-work) پرمصرف به اثبات سهام (proof-of-stake) تغییر یافت.

اجرای یک گره‌ی اتریوم مستلزم آن است که کاربران دو برنامه‌ی پس‌زمینه‌ی جداگانه، که به آن‌ها daemon گفته می‌شود، را همزمان روی رایانه‌ی خود اجرا کنند. اعتبارسنج‌ها باید اطمینان حاصل کنند که به درستی پیکربندی شده‌اند تا با یکدیگر صحبت کنند. آنچه تیم Nimbus ساخته است و بوترین آن را تحسین می‌کند، این دو برنامه را در یک برنامه ادغام می‌کند.

بوترین افزود: «در بلندمدت، باید در مورد بازنگری کل معماری، گشاده‌رو باشیم.»

اعتبارسنجی و سهام‌گذاری

در یک شبکه‌ی اثبات سهام مانند اتریوم، اعتبارسنج‌ها باید از سخت‌افزار و کلاینت‌های نرم‌افزاری برای تأیید تراکنش‌ها در بلاک‌چین استفاده کنند. آن بلوک‌های تراکنش به دفتر کل اضافه می‌شوند و به منبع حقیقت در مورد میزان ETH موجود در کیف پول‌ها و اینکه آیا سکه‌ها خرج شده‌اند یا خیر، تبدیل می‌شوند.

بوترین سال‌هاست که از ایجاد دسترسی بیشتر به فرآیند اپراتور گره حمایت می‌کند و تجربه‌ی کاربری بهتر را با تنوع اعتبارسنج‌ها برابر می‌داند. این موضوع در سال ۲۰۲۴ مطرح شد، پس از آنکه ایلان ماسک، که اخیراً توییتر را به قیمت ۴۴ میلیارد دلار خریداری کرده و نام آن را به X تغییر داده بود، از هم‌بنیان‌گذار اتریوم پرسید چرا زیاد از این پلتفرم استفاده نمی‌کند.

او با استفاده از این پلتفرم به اشتراک گذاشتن یک پست وبلاگی را در حمایت از تمرکززدایی اعتبارسنج‌ها، با استناد به نگرانی‌ها در مورد استخرهای سهام‌گذاری اتریوم در مقیاس بزرگ که گره‌ها را روی سخت‌افزار یکسان اجرا می‌کنند و همان زمان از کار افتادگی را تجربه می‌کنند، پاسخ داد. به همین دلیل، او استدلال کرد که آن‌ها باید با مجازات‌های مالی سنگین‌تری روبرو شوند.

‏استیون اسپیلبرگ، کارگردان افسانه‌ای، در SXSW 2026 به مخاطبان گفت که با وجود ساخت فیلمی با عنوان «هوش مصنوعی»، هنوز از این فناوری در فرآیند فیلم‌سازی خود استفاده نکرده است.

اسپیلبرگ که فیلم‌شناسی‌اش شامل آثاری کلاسیک مانند «مهاجمان صندوق گمشده»، «آرواره‌ها» و «پارک ژوراسیک» است، گفت: «من هنوز هرگز از هوش مصنوعی در هیچ‌یک از فیلم‌هایم استفاده نکرده‌ام.»

او با وجود این‌که از این فناوری «در بسیاری از رشته‌ها» حمایت می‌کند، افزود: «در اتاق‌های نویسندگان من همه صندلی‌ها پر است. هیچ صندلی خالی با لپ‌تاپ روی آن وجود ندارد.»

این کارگردان که در حال تبلیغ فیلم علمی-تخیلی آینده خود، «روز افشاگری» است، موضعی قاطعانه علیه استفاده از هوش مصنوعی برای کارهای خلاقانه اتخاذ کرد و گفت: «من با هوش مصنوعی مخالفم اگر جایگزین یک فرد خلاق شود.»

فیلم‌های خود اسپیلبرگ اغلب با پیامدهای فناوری‌های جدید، از جمله هوش مصنوعی (که جای تعجب نیست در «هوش مصنوعی») و همچنین متاورس در «بازیکن شماره یک آماده» دست و پنجه نرم کرده‌اند. برای فیلم «گزارش اقلیت» در سال ۲۰۰۲، این کارگردان یک «نشست اندیشکده» از آینده‌نگران را برای ترسیم دنیای آینده آن تشکیل داد – که چندین فناوری که آن‌ها تصور کرده بودند، از جمله اسکنرهای عنبیه و «رابط کاربری فضایی»، متعاقباً وارد دنیای واقعی شدند.

صنعت سرگرمی و هوش مصنوعی

اظهارات اسپیلبرگ در حالی مطرح می‌شود که صنعت سرگرمی همچنان با پیامدهای هوش مصنوعی دست و پنجه نرم می‌کند، و استودیوها به گروه فزاینده‌ای می‌پیوندند که شرکت‌های هوش مصنوعی را به نقض حق چاپ متهم می‌کنند، حتی در حالی که با این فناوری آزمایش می‌کنند.

هفته گذشته، گزارش شد که نتفلیکس تا ۶۰۰ میلیون دلار برای خرید InterPositive، یک استارت‌آپ هوش مصنوعی که توسط بن افلک تأسیس شده است، پرداخت کرده است. این شرکت به فیلم‌سازان اجازه می‌دهد تا فیلم‌های موجود را تغییر دهند. این غول پخش جریانی اعلام کرده است که ابزارهای هوش مصنوعی مولد را «کمک‌های خلاقانه ارزشمند در صورت استفاده شفاف و مسئولانه» می‌داند و اولین بار سال گذشته از این فناوری برای تولید جلوه‌های ویژه در یک نمایش استفاده کرد.

در ماه دسامبر، بازیگران و کارگردانانی از جمله ناتالی پورتمن، کیت بلانشت و گی‌یرمو دل تورو از ائتلاف خالقان در مورد هوش مصنوعی حمایت کردند و خواستار استانداردهای قابل اجرا در مورد استفاده از هوش مصنوعی در سراسر صنعت شدند.

و همین ماه گذشته، سینماهای AMC یک فیلم کوتاه تولید شده توسط هوش مصنوعی را از نمایش در سینماهای خود به عنوان بخشی از تبلیغات قبل از نمایش مسدود کردند، که نشان می‌دهد بحث در مورد هوش مصنوعی – و اشتیاق مخاطبان به این فناوری – راه درازی تا حل شدن دارد.

‏شرکت لجر (Ledger) پشتیبانی از کیف پول سخت‌افزاری برای عامل‌های مون‌پی (MoonPay) را اضافه کرده است و به کاربران انسانی اجازه می‌دهد تا تراکنش‌های آغاز شده توسط عامل‌های هوش مصنوعی مستقر شده خود را تأیید و امضا کنند. این خبر را مون‌پی روز جمعه اعلام کرد.

این اعلامیه در حالی منتشر می‌شود که صنعت رمزارز از هوش مصنوعی در قالب عامل‌های خودکار هوش مصنوعی استقبال کرده است. ادغام لجر، معاملات، مبادلات و نقل و انتقالات تولید شده توسط عامل‌ها را از طریق یک امضاکننده امن هدایت می‌کند که نیاز به تأیید دستی در کیف پول سخت‌افزاری دارد.

آغاز راه

ایوان سوتو-رایت، مدیرعامل مون‌پی، به دکریپت (Decrypt) گفت: «ادغام لجر تنها آغاز راه است. ما قصد داریم از کیف پول‌های سخت‌افزاری بیشتری پشتیبانی کنیم و مشتاقانه منتظر همکاری با شرکای بیشتری در سراسر اکوسیستم هستیم. هر توسعه‌دهنده‌ای که در حال ساخت یک عامل است که نیاز به انتقال ارزش دارد، می‌تواند مون‌پی را به عنوان مسیر مالی در سراسر معاملات، بازی‌ها، تجارت، خزانه‌داری و فراتر از آن متصل کند.»

عامل‌های مون‌پی از دستگاه‌های لجر نانو اس پلاس (Nano S Plus)، نانو ایکس (Nano X)، نانو جن ۵ (Nano Gen5)، استکس (Stax) و فلکس (Flex) پشتیبانی می‌کنند. به گفته مون‌پی، عامل‌ها می‌توانند کیف پول‌ها را در بلاک‌چین‌هایی از جمله اتریوم (Ethereum)، سولانا (Solana)، آپتیمیسم (Optimism)، آوالانچ (Avalanche) و بیس (Base) شناسایی و با آن‌ها تعامل داشته باشند.

مون‌پی توضیح داد که تعویض خودکار برنامه لجر به یک عامل اجازه می‌دهد تا در شبکه‌های بلاک‌چین حرکت کند. مبادلات، پل‌ها و نقل و انتقالات همگی از طریق امضاکننده لجر برای تأیید در دستگاه هدایت می‌شوند.

امنیت در اولویت

ایان راجرز، مدیر ارشد تجربه لجر، در بیانیه‌ای گفت: «موج جدیدی از کیف پول‌های مبتنی بر خط فرمان (CLI) و عامل‌محور در حال ظهور است و این کیف پول‌ها نیز به امنیت لجر به عنوان یک ویژگی نیاز خواهند داشت.»

عامل‌های هوش مصنوعی در معاملات رمزارز در حال افزایش محبوبیت هستند، زیرا توسعه‌دهندگانی از جمله الیزا لبز (Eliza Labs)، فچ ای‌آی (Fetch AI) و کوین‌بیس (Coinbase) در حال ساخت سیستم‌هایی هستند که می‌توانند دارایی‌های دیجیتال را به طور خودکار ارسال، دریافت و مدیریت کنند. مون‌پی نرم‌افزار عامل‌های خود را در ماه فوریه راه‌اندازی کرد تا به سیستم‌های هوش مصنوعی امکان دسترسی به کیف پول‌های رمزارز و توانایی انجام تراکنش‌ها را بدهد.

با این حال، سپردن رمزارز خود به هوش مصنوعی با خطر همراه است و امنیت یک نگرانی مداوم بوده است، زیرا عامل‌ها همچنان در برابر حملات سایبری مانند حملات تزریق دستور آسیب‌پذیر هستند.

اریک رپل، رئیس مهندسی پلتفرم توسعه‌دهنده کوین‌بیس، پیشتر به دکریپت گفته بود: «امروزه، اکثر عامل‌ها با کیف پول‌ها فقط یک کلید خصوصی در جایی روی دیسک دارند و شما در حال حاضر شاهد سوء استفاده از این کیف پول‌ها هستید، یا مردم دسترسی خود را از دست می‌دهند وقتی عامل‌ها اشتباه می‌کنند.»

هوش مصنوعی عمومی: تعریف، پیش‌بینی‌ها و مناقشات

هوش مصنوعی عمومی (AGI) یکی از مهم‌ترین نقاط عطف در صنعت هوش مصنوعی است.

مدیران فناوری آن را پیش‌بینی می‌کنند، سرمایه‌گذاران میلیاردها دلار برای تحقیق در این زمینه هزینه می‌کنند و منتقدان در مورد خطرات احتمالی آن هشدار می‌دهند.

با این حال، تعریف دقیق AGI همچنان نامشخص است و محققان هنوز در مورد اینکه چه چیزی به عنوان “هوش عمومی” در نظر گرفته می‌شود، زمان احتمالی ظهور آن و چگونگی تشخیص آن پس از ظهور، اختلاف نظر دارند.

مالو بورگون، مدیرعامل مؤسسه تحقیقات هوش ماشینی، به دکریپت گفت: «تعاریف مختلفی وجود دارد. وقتی شروع به صحبت می‌کنیم که آیا این سیستم AGI است؟ آیا آن سیستم AGI است؟ دقیقاً چه چیزی با کدام تعریف به عنوان AGI واجد شرایط است؟ فکر می‌کنم این کار کمی دشوار است.»

شخصیت‌های برجسته‌ای از جمله سم آلتمن، مدیرعامل OpenAI، داریو آمودی، مدیرعامل Anthropic، و ایلان ماسک، مدیرعامل xAI، در مورد ظهور AGI اظهار نظر و پیش‌بینی‌هایی کرده‌اند.

ماسک در دسامبر در مصاحبه‌ای با پیتر دیاماندیس، رئیس اجرایی بنیاد XPRIZE، گفت: «فکر می‌کنم در سال ۲۰۲۶ به AGI خواهیم رسید. من مطمئن هستم که تا سال ۲۰۳۰، هوش مصنوعی از هوش تمام انسان‌ها فراتر خواهد رفت.»

برخلاف هوش مصنوعی مولد که اکثر مردم با آن آشنا هستند (به لطف ChatGPT)، هوش مصنوعی عمومی (AGI) عموماً به یک سیستم هوش مصنوعی اشاره دارد که می‌تواند دانش را در طیف وسیعی از وظایف در سطحی شبیه به انسان درک، یادگیری و اعمال کند، نه اینکه فقط یک عملکرد تخصصی را انجام دهد. این مفهوم به اوایل دهه ۱۹۵۰ و تحقیقات اولیه در زمینه هوش مصنوعی بازمی‌گردد.

از اوایل دهه ۲۰۰۰، محققانی مانند بن گورتزل، شین لگ و پیتر وس، اصطلاح “هوش مصنوعی عمومی” را برای تمایز هدف اصلی هوش مصنوعی در سطح انسان و با قابلیت‌های گسترده از سیستم‌های هوش مصنوعی باریک و موفق‌تر که در آزمایشگاه‌های تحقیقاتی و دانشگاه‌ها توسعه می‌یافتند، رواج دادند.

با این حال، بورگون گفت که دستیابی به “هوش در سطح انسان” یک هدف واحد نیست.

او گفت: «دلایل زیادی از تاریخ تکاملی ما، نحوه ساختار مغز ما، سرعت کند نورون‌ها و محدودیت‌های حافظه فعال ما و سرعت عملکرد مغز ما وجود دارد که باید انتظار داشته باشیم اگر بتوانیم سیستم‌های هوش مصنوعی را با این ویژگی‌ها طراحی کنیم، احتمالاً فضای عظیمی بالاتر از ما وجود دارد.»

پیشرفت‌های اخیر در مدل‌های زبانی بزرگ و هوش مصنوعی قدرتمند مانند Gemini، ChatGPT، Grok و Claude، که می‌توانند مقاله بنویسند، تصویر ایجاد کنند، کد تولید کنند و به سؤالات پیچیده پاسخ دهند، باعث شده است که بسیاری ادعا کنند AGI قبلاً به دست آمده است. اما بورگون گفت که این سیستم‌ها فاقد استقلال هستند.

بورگون گفت: «در اکثر تعاریف مردم از AGI، حس استقلال وجود دارد. اینکه این چیزها لزوماً فقط به عنوان ابزار و چت‌بات رفتار نمی‌کنند، بلکه این ماهیت عاملی را دارند که در آن می‌توانند وظایف را در طیف گسترده‌ای از محیط‌ها با میزان زیادی از استقلال انجام دهند.»

بن گورتزل، مدیرعامل SingularityNET و یکی از چهره‌هایی که در رواج اصطلاح AGI نقش داشته است، گفت که این تفسیر مفهوم را گسترش می‌دهد.

گورتزل به دکریپت گفت: «این اصطلاح اکنون در رسانه‌ها کاملاً گیج‌کننده شده است. مدیران عامل فناوری این را راحت می‌دانند که بگویند: “هی، ما قبلاً AGI را راه‌اندازی کرده‌ایم” و مردم همه چیز را بزرگ‌نمایی می‌کنند.»

گورتزل توضیح داد که از نظر تئوری، AGI به سیستم‌های هوش مصنوعی اشاره دارد که قادر به یادگیری و انجام طیف گسترده‌ای از وظایف فراتر از وظایفی هستند که صریحاً برای انجام آن‌ها آموزش دیده‌اند. او گفت که مدل‌های امروزی قدرتمند هستند، اما اساساً با هوش عمومی متفاوت هستند.

او گفت: «آنها با یادگیری انجام همه کارها به آنجا نمی‌رسند. آنها با داشتن کل اینترنت در پایگاه دانش خود به آنجا می‌رسند.»

او توضیح داد که در حالی که توسعه‌دهندگان هوش مصنوعی میلیاردها دلار برای ساخت مراکز داده هوش مصنوعی سرمایه‌گذاری می‌کنند تا محاسبات بیشتری را برای مدل‌های قدرتمندتر فراهم کنند، یک هوش عمومی واقعی باید تعمیم دهد و بینش‌های واقعاً جدیدی را تولید کند که فراتر از صرفاً ترکیب مجدد داده‌های آموزشی آن باشد.

گورتزل گفت: «اگر سیستم‌های شبکه‌های عصبی عمیق فعلی را بگیرید و آنها را تا سال ۱۹۰۰ روی موسیقی آموزش دهید، هرگز هیپ هاپ یا گریندکور را اختراع نخواهند کرد.»

گورتزل استدلال کرد که بعید است که انتقال به AGI به عنوان یک نقطه شکست واحد و واضح ظاهر شود.

او گفت: «نیازی نیست که یک مرز کاملاً مشخص بین AGI و قبل از AGI وجود داشته باشد»، و آن را با مناطق خاکستری زیست‌شناسی در مورد ویروس‌ها و رتروویروس‌ها مقایسه کرد. او افزود که ما هنوز می‌دانیم که یک سگ زنده است و یک سنگ زنده نیست، حتی اگر برخی از موارد حاشیه‌ای مانند ویروس‌ها “فازی” باشند.

کایل چان، محققی در Brookings که سیاست جهانی هوش مصنوعی را مطالعه می‌کند، گفت که این بحث به پوشش چندین سناریوی مختلف گسترش یافته است.

چان به دکریپت گفت: «این طیف وسیعی از آنچه ما از AGI منظورمان است وجود دارد. در یک انتها، شما این ایده را دارید که خودبهبودی بازگشتی و انفجار هوش است، و در انتهای دیگر، شما یک نسخه “پیش‌پاافتاده‌تر” دارید – هوش مصنوعی که می‌تواند کارهای زیادی را که انسان‌ها می‌توانند انجام دهند، انجام دهد، یا هوش مصنوعی به عنوان یک فناوری عادی مانند اینترنت یا رایانه‌ها.»

چان گفت که در حالی که آزمایشگاه‌های هوش مصنوعی آمریکایی در مورد پیامدهای وجودی AGI بحث می‌کنند، گفت‌وگو در چین بسیار متفاوت است.

او گفت: «AGI در چین، به‌ویژه از سوی سیاست‌گذاران، جامعه گسترده‌تر هوش مصنوعی، صنعت فناوری گسترده‌تر، چیز بزرگی نیست. اکثر مردم بر این متمرکز هستند که از این چیز پول درآورند، و به‌ویژه در بخش فیزیکی، که یک حوزه‌ای است که فکر می‌کنم چین و بسیاری از شرکت‌های فناوری آن احساس می‌کنند که نسبت به ایالات متحده برتری دارند، جایی که می‌توانند روباتیک یا سیستم‌های خودمختار، پهپادها، هر چیزی که با هوش مصنوعی کار می‌کند را بسازند، زیرا آنها زنجیره‌های تأمین سخت‌افزاری را دارند که ایالات متحده ندارد.»

چان اذعان کرد که در حالی که توسعه‌دهندگان هوش مصنوعی در چین به اندازه همتایان آمریکایی خود بر AGI متمرکز نیستند، اما همچنان در رادار آنها قرار دارد.

او گفت: «برخی از بنیانگذاران هوش مصنوعی چینی در مورد AGI صحبت می‌کنند، و برخی از آنها حتی در مورد چیزی شبیه ASI صحبت می‌کنند. اما به طور کلی، AGI واقعاً چیز بزرگی در چین نیست.»

پیش‌بینی‌ها در مورد زمان احتمالی ظهور AGI بسیار متفاوت است. برای محققانی که این فناوری را مطالعه می‌کنند، خود برچسب ممکن است کمتر از کاری که سیستم‌ها می‌توانند انجام دهند، اهمیت داشته باشد.

بورگون گفت: «اثرات و قابلیت‌های این سیستم‌ها چیست؟ این بیشتر چارچوب ذهنی است که ما اکنون می‌خواهیم در آن باشیم.»