Tag: نوآوری فناوری

‏شرکت‌های بزرگ فناوری از حوزه‌ی مالی سنتی در حال تمرکز بر ساخت سیستم‌های هوش مصنوعی (AI) بسته هستند، در حالی که زنجیره BNB در حال حاضر «مهارت‌های» آماده‌ی تولید را منتشر می‌کند که به‌طور خاص برای عوامل هوش مصنوعی خودکار طراحی شده‌اند. این مهارت‌ها به آن‌ها اجازه می‌دهند مستقیماً بر روی زیرساخت بلاک‌چین، و نه از طریق واسطه‌های متمرکز، فعالیت کنند. این قابلیت‌های تازه مستقر شده به عوامل هوش مصنوعی اجازه می‌دهند به داده‌های زنده درون زنجیره‌ای دسترسی داشته باشند، تراکنش‌های واقعی را اجرا کنند، کیف پول‌ها را به‌طور مستقل مدیریت کنند و هویت‌های دائمی درون زنجیره‌ای را با استفاده از استاندارد ERC-8004، یا «عوامل بدون اعتماد»، ایجاد کنند.

پیشرفت زنجیره BNB در اقتصاد عامل

با استفاده از این ابزارهای استاندارد اتریوم، عوامل هوش مصنوعی می‌توانند استراتژی‌های معاملاتی خودکار را پیاده‌سازی کنند، پرتفوی‌ها را متعادل کنند، در حاکمیت غیرمتمرکز شرکت کنند و تجزیه و تحلیل داده‌های مداوم را انجام دهند. در عمل، این بدان معناست که عوامل می‌توانند وظایفی مانند تبدیل 100 USDT به BNB در PancakeSwap را زمانی که به آستانه قیمت مشخصی رسیدند، اجرا کنند – تراکنش را به‌طور ایمن و خودکار، بدون دخالت انسان، تکمیل کنند.

زنجیره BNB به طور فزاینده‌ای به یک محیط اجرایی ترجیحی برای این نوع توسعه تبدیل شده است. چندین ویژگی ساختاری به این حرکت کمک می‌کنند، از جمله کارمزد تراکنش نسبتاً کم، زمان بلوک سریع‌تر و دسترسی به نقدینگی عمیق. معرفی استانداردهای عامل‌محور مانند ERC-8004 جذابیت شبکه را با ارائه چارچوبی برای هویت‌های دائمی و قابل تأیید درون زنجیره‌ای که برای نهادهای هوش مصنوعی طراحی شده‌اند، بیشتر کرده است.

در عین حال، حمایت از اکوسیستم و برنامه‌های شتاب‌دهنده سازندگان، تیم‌ها را به آزمایش و استقرار برنامه‌های کاربردی بومی عامل تشویق می‌کند.

رشد پروژه‌های متمرکز بر عامل

زیرساخت‌ها در حال حاضر در محیط‌های توسعه هوش مصنوعی پرکاربرد، از جمله Cursor، Claude Desktop، OpenClaw و سایر پلتفرم‌های سازگار با MCP، عملیاتی هستند.

گزارش شده است که ابتکاراتی مانند OpenClaw بیش از 600 سازنده را جذب کرده و از بیش از 200 پروژه متمرکز بر زیرساخت‌های عامل‌محور پشتیبانی کرده است که نشان‌دهنده افزایش علاقه توسعه‌دهندگان به این مفهوم است.

طرفداران، اقتصاد عامل را به عنوان یک روایت مهم در حال ظهور در حوزه رمزنگاری توصیف می‌کنند. در این دیدگاه، عوامل خودکار به‌طور شبانه‌روزی فعالیت می‌کنند، استراتژی‌های DeFi را مدیریت می‌کنند، راه‌اندازی NFTها را هماهنگ می‌کنند، در حاکمیت DAO شرکت می‌کنند، پشتیبانی خودکار از مشتری را ارائه می‌دهند و حتی آربیتراژ بین زنجیره‌ای را انجام می‌دهند.

برای توسعه‌دهندگان هوش مصنوعی، این تغییر نشان‌دهنده حرکت از نمونه‌های اولیه آزمایشی به عوامل کاملاً عملیاتی است که قادر به رسیدگی به ارزش واقعی درون زنجیره‌ای هستند. زنجیره BNB فعالانه از این انتقال با تأمین بودجه و شتاب‌دهی به تیم‌های اکوسیستم که در حال ساخت و منبع باز کردن نسخه‌های اولیه مهارت‌های عامل هستند، حمایت می‌کند.

در زمان نگارش این مقاله، Binance Coin (BNB)، توکن بومی صرافی Binance، با قیمت 635 دلار معامله می‌شود. این نشان‌دهنده کاهش 1 درصدی برای این ارز دیجیتال است که نتوانست از مقاومت نزدیک خود در 640 دلار در روز دوشنبه عبور کند.

طبق داده‌های CoinGecko، این روند قیمت باعث شده است که Binance Coin 53 درصد زیر بالاترین رکورد خود در 1369 دلار که سال گذشته به آن دست یافت، قرار گیرد، با زیان بیشتر 16 درصدی در بازه زمانی ماهانه، که منعکس‌کننده شرایط نزولی گسترده‌تر در بقیه بازار است.

معرفی
دو مدل تصویرسازی هوش مصنوعی که از تواناترین‌ها در حال حاضر هستند، این هفته با فاصله چند روز از هم معرفی شدند و نویدبخش تغییر نحوه تولید محتوا توسط کاربران هستند.

نانو بانا ۲ – نام داخلی گوگل برای Gemini 3.1 Flash Image – در ۲۶ فوریه عرضه شد و تقریباً بلافاصله بر فضای گفتمان هوش مصنوعی مسلط شد. این مدل، جانشین Nano Banana Pro است که پس از عرضه در نوامبر ۲۰۲۵، به استاندارد طلایی ویرایش تصاویر با هوش مصنوعی تبدیل شد. Seedream 5 Lite، جدیدترین محصول ByteDance در مجموعه تولید تصاویرش، چند روز زودتر عرضه شد.

در حالی که مدل اول با تبلیغات گسترده از سوی گوگل همراه بود، دومی تقریباً بدون هیچ اطلاعیه‌ای منتشر شد. با وجود این شکاف بزرگ در پوشش خبری، تفاوت در قابلیت‌ها کمتر بود.

هر دو مدل بر اساس ایده معماری اصلی یکسانی ساخته شده‌اند که به یک تولیدکننده تصویر، توانایی تفکر قبل از ترسیم را می‌دهد.

این به معنای ادغام جستجوی وب در زمان واقعی قبل از شروع تولید، و همچنین استدلال چند مرحله‌ای برای تفسیر دستورات پیچیده یا مبهم، و توانایی مدیریت تصاویر مرجع در گردش‌های کاری ویرایش گسترده است.

این یک تغییر واقعی نسبت به مدل‌های تولید یک سال پیش است، زمانی که Stable Diffusion به طور گسترده‌ای انقلابی تلقی می‌شد.

هر دو مدل تا رزولوشن 4K خروجی می‌دهند. هر دو از ورودی‌های مرجع چند تصویری برای گردش‌های کاری سازگاری پشتیبانی می‌کنند. هر دو می‌توانند انسجام بصری را در سراسر کاراکترها و اشیاء در یک جلسه واحد حفظ کنند.

هر دو می‌توانند متن سبک‌دار و خوانا را در داخل تصاویر تولید کنند، اگرچه نه به یک اندازه. و هر دو وارد بازاری شدند که قبلاً شامل GPT Image 1.5 از OpenAI، Flux.2 از Black Forest Labs، و مجموعه‌ای رو به رشد از مدل‌های چینی بود که به طور تهاجمی در قیمت و انعطاف‌پذیری رقابت می‌کردند.

اما کدام گزینه برای کاربر نهایی بهترین است؟ ما هر دو مدل را آزمایش کردیم تا به این سوال پاسخ دهیم.

قیمت‌گذاری

اولین چیزی که باید درک کرد، شکاف قیمتی است.

گوگل قیمت Nano را از طریق Gemini API با 60 دلار در هر میلیون توکن تصویر خروجی تعیین می‌کند. از نظر عملی، این به حدود 0.045 دلار برای یک تصویر 512 پیکسلی، 0.067 دلار در رزولوشن 1K، 0.101 دلار در 2K و 0.151 دلار در 4K می‌رسد.

Seedream مبلغ ثابتی 0.035 دلار برای هر تصویر دریافت می‌کند، صرف نظر از رزولوشن خروجی، بنابراین در هر اندازه‌ای بالاتر از 512 پیکسل، Seedream گزینه ارزان‌تری است.

در 4K، Nano بیش از چهار برابر بیشتر برای هر تصویر هزینه دارد. برای خطوط تولید با حجم بالا، این به سرعت ترکیب می‌شود.

دسترسی

دسترسی مسیرهای توزیع کاملاً متفاوتی را دنبال می‌کند. Nano در سراسر اکوسیستم مصرف‌کننده و توسعه‌دهنده گوگل، برنامه Gemini، حالت هوش مصنوعی جستجوی گوگل، Google Lens، AI Studio، Vertex AI و Google Flow برای ایجاد ویدیو فعال است. این در زیرساختی تعبیه شده است که صدها میلیون نفر در حال حاضر روزانه از آن استفاده می‌کنند.

Seedream از طریق برنامه‌های خلاقانه CapCut و Jianying ByteDance، از طریق پلتفرم‌های تجمیع‌کننده API شخص ثالث و از طریق Dreamina، رابط اختصاصی تولید تصویر ByteDance، به کاربران می‌رسد. یک تمایز کلیدی: Seedream را می‌توان به صورت محلی اجرا کرد. گوگل این اجازه را نمی‌دهد.

تجربه پلتفرم

تجربه پلتفرم تفاوت دیگری است که باید در نظر گرفته شود. Gemini در درجه اول یک چت‌بات است، و در درجه دوم یک تولیدکننده تصویر. تصاویر را بسیار خوب و سریع تولید می‌کند. ادعاهای سرعت گوگل در عمل صدق می‌کند.

اما شما در حال کار در یک رابط مکالمه‌ای هستید که برای گردش‌های کاری بصری تکراری طراحی نشده است.

Dreamina به طور خاص برای ایجاد تصویر ساخته شده است. این ابزار مخصوص مدیریت مرجع، ویرایش چند مرحله‌ای و کنترل ترکیب‌بندی را دارد.

همچنین، صف تولید Dreamina به طور قابل توجهی بیشتر از Nano از طریق رابط Gemini طول می‌کشد. برای یک آزمایش سریع یا یک تصویر واحد، Gemini شما را سریع‌تر به نتیجه می‌رساند. برای جلسات ویرایش چند دوره‌ای مداوم، ساختار Dreamina منسجم‌تر است.

تعدیل محتوا

از نظر تعدیل محتوا، Gemini از کار با افراد واقعی در اکثر سناریوها خودداری می‌کند – آن را به سمت ویرایش شباهت، دستکاری عکس شامل یک چهره عمومی، یا هر چیز پیشنهادی که شامل یک سوژه قابل شناسایی باشد، هدایت کنید، و آن رد می‌کند.

Seedream تحت قوانین بسیار آزادانه‌تری عمل می‌کند. ByteDance اجازه ویرایش تصاویر واقعی و کار با سوژه‌های قابل شناسایی را به روش‌هایی می‌دهد که گوگل با آن‌ها درگیر نمی‌شود، که این امر بخش قابل توجهی از دنبال‌کنندگان Seedream را در میان سازندگان محتوا توضیح می‌دهد.

به طور خاص در مورد API، هر دو مدل از عمق استدلال قابل تنظیم پشتیبانی می‌کنند. Nano به توسعه‌دهندگان اجازه می‌دهد تا سطوح تفکر را از Minimal تا High یا Dynamic تنظیم کنند، و به مدل اجازه می‌دهد قبل از متعهد شدن به یک رندر، از طریق دستورات پیچیده استدلال کند.

Seedream نظارت بر زنجیره تفکر را در معماری خود پیاده‌سازی می‌کند، در نتیجه وفاداری به دستور را برای وظایف تولید چند محدودیتی و از نظر فضایی پیچیده بهبود می‌بخشد.

هیچ یک از مدل‌ها استدلال را به طور کامل برای توسعه‌دهنده شفاف نمی‌کنند، اما هر دو در دستورات سخت‌تر از پیشینیان خود بدون آن بهتر عمل می‌کنند.

آزمایش هویت

این آزمایش بررسی می‌کند که آیا مدل‌ها می‌توانند یک هویت قابل تشخیص را در چندین تکرار ویرایش شده از یک تصویر واقعی حفظ کنند یا خیر. سوژه اصلی یک زوج واقعی بود که در یک مرکز خرید عکس گرفته شده بودند.

هدف این بود که لباس‌ها و عناصر دیگر را در عکس در پنج تکرار تعویض کنیم، در حالی که همان چهره‌ها، اندام‌ها و هویت بصری در سراسر آن قابل تشخیص باقی بماند.

چت‌بات Gemini از درگیر شدن با عکس واقعی خودداری کرد – که با خط‌مشی محتوای آن مطابقت داشت. آزمایش Nano Banana 2 مستلزم رفتن مستقیم از طریق API بود.

Nano:

نتایج Nano، در حالی که از نظر بصری پرداخت شده بود، انحراف قابل توجهی در هویت را در تکرارهای بعدی نشان داد.

هندسه صحنه حفظ شد – محیط تونل LED، چشم‌انداز پیاده‌رو کاشی‌کاری شده و قرارگیری علامت پس‌زمینه همگی منسجم باقی ماندند.

اما خود سوژه‌ها عملاً دوباره انتخاب شدند. در پایان تکرارها، زن دیگر اصلی نبود. مرد تقریباً به طور کامل در سراسر تکرارها جایگزین شد: محدوده سنی متفاوت، اندام متفاوت، ساختار صورت متفاوت، موهای متفاوت.

مدل چیزی زیبا تولید کرد، اما نه افرادی که واقعاً آنجا بودند. این را می‌توان تا حدودی اصلاح کرد اگر مراجعی که برای ویرایش اصلی استفاده می‌شوند بدون چهره‌هایی آپلود شوند که بتوانند مدل را گیج کنند.

Seedream:

Seedream در حفظ هویت در سراسر همان گردش کار، به طور قابل توجهی بهتر عمل کرد. ساختار صورت زن، هندسه لبخند و کج شدن سر او در چندین دور به تصویر منبع متصل ماند.

مرد بیشتر اندام اصلی و حضور فیزیکی خود را حفظ کرد. تداوم ژست بین دو سوژه نیز بهتر حفظ شد – قرارگیری بازو، نزدیکی و هم‌ترازی وضعیت همچنان ثابت ماند، که برای هر چیزی که نیاز به احساس یک صحنه واحد دارد، نه یک صحنه جدید، مهم است.

با این حال، نشانه‌های کوچکی وجود داشت، در صاف کردن ملایم پوست، تغییر شکل جزئی کمر و تخریب کیفیت کلی در سوژه‌ها.

اما این زوج قابل تشخیص باقی ماندند. برای یک گردش کار کمپین که در آن افراد یکسان باید در چندین خروجی خلاقانه ظاهر شوند، این تفاوت ناچیز نیست.

آزمایش گسترش تصویر

آزمایش گسترش تصویر، هر دو مدل را وادار کرد تا یک تصویر اتاق نشیمن مدرن مینیمالیستی را به 16:9 گسترش دهند، صحنه را به طور طبیعی به سمت چپ و راست گسترش داده و در عین حال سازگاری نور و منطق فضایی را حفظ کنند.

دستورالعمل، دیوارهای سفید، یک مبل بژ، یک میز قهوه چوبی و گیاهان داخلی را مشخص می‌کرد – یک خلاصه ساده با پارامترهای معماری واضح.

Nano:

Nano Banana 2 نتایج تمیز و یکپارچه‌ای را بدون هیچ گونه مصنوع یا نوارهای رنگی قابل مشاهده در مرزهای اصلی محصول تولید کرد. رنگ دیوار، تعادل نور روز و جنس کف همگی در سراسر گسترش ثابت ماندند.

جهت نور از منبع پنجره ضمنی به طور معقولی به قاب گسترش یافته ادامه یافت. از نظر فنی، ترکیب تقریباً بی‌عیب و نقص بود.

اما مدل چند عنصر را معرفی کرد که بخشی از صحنه نبودند، مانند یک سبد در سمت راست و یک ساختمان در پس‌زمینه. با این حال، در مقایسه با مدل‌های قبلی بسیار چشمگیر است.

Seedream:

Seedream در خروجی اصلی ساده‌تر بود، که ویرایش‌ها را آسان‌تر کرد.

سمت چپ گسترش یافته یک گیاه گلدانی بزرگ دوم و جریان پرده کامل را معرفی کرد که از نظر فضایی نسبت به منبع پنجره ضمنی توجیه شده بود.

سمت راست به یک دیوار ثانویه، هنر قاب‌بندی شده و یک کنسول چوبی کم ارتفاع گسترش یافت و زبان مواد مینیمالیستی را در سراسر آن حفظ کرد – چوب روشن، خنثی‌های نرم، هیچ چیز که با قوانین زیبایی‌شناختی اصلی در تضاد باشد. نورپردازی در سراسر قاب گسترش یافته از نظر جهت‌گیری منسجم باقی ماند.

صفحه سقف، قرارگیری چراغ آویز و الگوی استخوان شاه ماهی کف همگی هم‌ترازی منطقی را حفظ کردند. اتاق شبیه یک قاب گسترده‌تر قابل باور بود تا یک مفهوم بازسازی شده. ما هیچ مصنوع یا اشکال قابل توجهی را مشاهده نکردیم.

برای زمینه‌های تولید که در آن وفاداری فضایی و صداقت معماری مهم است، Seedream 5 Lite ابزار قابل اطمینان‌تری است. اگر واقع‌گرایی بیش از وفاداری اهمیت دارد، Nano Bana 2 می‌تواند گزینه بهتری باشد.

آزمایش تولید تصویر

این آزمایش از ویرایش و گسترش به قلمرو خالص تولید با یک خلاصه با ویژگی‌های بالا منتقل شد: یک تصویر بندانگشتی YouTube با عنوان “جنگ تصویر هوش مصنوعی” با زیرنویسی که هر دو مدل را نام می‌برد، یک طرح تقسیم صفحه با متن عنوان بزرگ و پررنگ در سمت چپ، رنگ‌های پرانرژی متضاد و قاب‌بندی 16:9.

تولید تصویر بندانگشتی به تایپوگرافی دقیق، سلسله مراتب ترکیبی عمدی و انرژی بصری فوری نیاز دارد – همه در یک زمان.

Nano:

Nano گرامر تصویر بندانگشتی را کاملاً درک کرد.

این یک ترکیب با تایپوگرافی با کنتراست بالا و بزرگ در سمت چپ، یک رویارویی دراماتیک تقسیم صفحه در سمت راست، تضاد رنگ نئونی اشباع شده بین نارنجی گرم و آبی الکتریکی، و یک تقسیم‌کننده رعد و برق مرکزی که پویایی مقابل را تقویت می‌کند، تولید کرد.

سلسله مراتب عنوان تمیز بود – “جنگ تصویر هوش مصنوعی” از نظر بصری با طرح‌بندی ضربه و جلوه‌های درخشش که در اندازه‌های کوچک صفحه نمایش تلفن همراه حفظ می‌شوند، غالب بود.

رندر متن دقیق بود، بدون اعوجاج املایی، بدون کاراکترهای نامفهوم و فاصله ثابت در سراسر آن. چهره‌ها فوق‌العاده دقیق و از نظر احساسی شدید بودند.

انرژی بصری بالا بود. دقیقاً شبیه یک تصویر بندانگشتی بود که برای کلیک شدن طراحی شده بود.

Seedream:

Seedream رویکرد متفاوتی داشت. به جای چهره‌های دراماتیک فوتورئالیستی، این کاراکترهای سبک‌دار – یک کاراکتر موز و یک کره عصبی درخشان – را برای نشان دادن هر مدل تولید کرد و به مقایسه، حس گرافیکی و شمایلی‌تری بخشید.

طرح‌بندی تمیزتر و خوش‌ساخت بود، با عنوان غالب، زیرنویس به وضوح خوانا و نام هر مدل در کادر برای اسکن فوری.

تایپوگرافی قوی بود: وزن ضربه تمیز، در مقیاس خوانا، بدون مصنوعات اصلی. جایی که Nano Banana به سمت نمایش و شدت احساسی متمایل شد، Seedream چیزی کمتر انفجاری، متمایزتر و مقیاس‌پذیر به عنوان یک هویت بصری تکراری تولید کرد.

این ممکن است یک انتخاب سبک باشد، اما به نظر ما، برای بهینه‌سازی CTR ویروسی تهاجمی، شدت سینمایی Nano Banana 2 برتری دارد.

آزمایش دستورالعمل

آزمایش نهایی اندازه‌گیری کرد که هر مدل با چه دقتی از یک دستورالعمل دقیق و چند عنصری بدون نقض یا سوءتفسیر هیچ محدودیتی پیروی می‌کند.

خلاصه: یک پرتره سینمایی از یک معمار زن 32 ساله روی یک پشت‌بام در غروب آفتاب، با پوشیدن یک بارانی بژ و عینک گرد، در دست چپ خود نقشه‌های معماری لوله‌شده را نگه داشته است، با خط افق شهر کمی خارج از فوکوس در پس‌زمینه، نورپردازی ساعت طلایی با نور لبه نرم، عمق میدان کم که یک لنز 50 میلی‌متری را شبیه‌سازی می‌کند، نسبت ابعاد عمودی 4:5، بافت پوست واقع‌گرایانه و دانه‌های فیلم ظریف. هر عنصر در آن لیست یک محدودیت است که می‌تواند به طور مستقل شکست بخورد.

Nano:

Nano یک زن قفقازی را تولید کرد که از دوربین دور نگاه می‌کرد – یک انتخاب روایی که در دستورالعمل مشخص نشده بود، که به سمت تفسیر خلاقانه بر پایبندی دقیق به محدودیت‌ها اشاره داشت.

بارانی بژ، عینک گرد و نقشه‌های معماری لوله‌شده در دست چپ همگی به درستی رندر شدند. پشت‌بام و خط افق تار شده وجود داشتند و از نظر فضایی متقاعدکننده بودند.

نورپردازی ساعت طلایی وجود داشت، اما در مقایسه با رنگ‌های گرمی که دستورالعمل برای آن درخواست کرده بود، کمی سرد بود. نور لبه کم‌رنگ بود تا به وضوح تعریف شده. عمق میدان به خوبی اجرا شد، اما فشرده‌سازی فضایی به شبیه‌سازی 35 میلی‌متری تا 40 میلی‌متری نزدیک‌تر بود تا یک 50 میلی‌متری واقعی.

دانه‌های فیلم حداقل بود تا جایی که قابل تشخیص نبود. بافت پوست واقع‌گرایانه بود اما سوگیری صاف‌کننده ملایم را که در سیستم‌های انتشار آموزش‌دیده زیبایی رایج است، حمل می‌کرد. اجرای کلی جامد، با چند جایگزینی آرام که در آن مدل انتخاب‌های خود را انجام داد.

Seedream:

Seedream یک زن آسیایی را تولید کرد که مستقیماً به دوربین نگاه می‌کرد – یک پیش‌فرض خنثی برای یک دستورالعمل که جهت نگاه را مشخص نکرده بود.

تمام عناصر مشخص شده وجود داشتند و به درستی پیاده‌سازی شدند. گرمای ساعت طلایی از نظر فیزیکی بیشتر وجود داشت (احتمالاً حتی اغراق‌آمیز)، با یک نور لبه به وضوح تعریف شده که سوژه را از پس‌زمینه جدا می‌کرد و با قصد دستورالعمل مطابقت داشت.

اجرای عمق میدان و فشرده‌سازی کانونی بیشتر شبیه یک شبیه‌سازی 50 میلی‌متری واقعی بود، با نسبت‌های طبیعی سوژه به پس‌زمینه. بافت پوست دقیق بود با حفظ کنتراست میکرو بهتر و مصنوعات صاف‌کننده کمتر از خروجی Nano Banana.

با این حال، یکی از نقشه‌های معماری به اشتباه تولید شد و بیشتر شبیه یک مصنوع بود تا یک عنصر مناسب در تولید.

از نظر ترکیب‌بندی، نتیجه Seedream متمرکزتر و از نظر فنی دقیق‌تر بود، با افزوده‌های تفسیری کمتر، اما Nano Banana یک تصویر واقع‌بینانه‌تر تولید کرد.

زوال عملکرد

در سراسر جلسات API گسترده که شامل حجم زیادی از نسل‌های متوالی بود، هر دو مدل زوالی را نشان دادند که در ابتدای گردش کار وجود نداشت.

Seedream شروع به تولید چهره‌های تار و نامشخص در سوژه‌هایی کرد که در نسل‌های قبلی به وضوح رندر شده بودند. Nano شروع به از دست دادن هویت سوژه به طور کلی کرد و کاراکترهایی را تولید کرد که هیچ ارتباط ثابتی با سوژه‌هایی که در ابتدای جلسه ایجاد شده بودند، نداشتند.

به نظر می‌رسید که هر دو مدل عمق استدلال خود را با افزایش طول جلسه کاهش می‌دهند – گویی هر چه بیشتر انجام داده بودند، تلاش کمتری را برای هر نسل صرف می‌کردند.

اینکه آیا این یک دریچه محاسباتی عمدی است، یک رفتار متعادل‌کننده بار تحت ترافیک سنگین API، یا چیزی در معماری است، از بیرون مشخص نیست.

اما به اندازه کافی ثابت است که در هر خط تولیدی که زنجیره‌های تولید طولانی را اجرا می‌کند، برنامه‌ریزی شود. هر دو مدل در ابتدای یک جلسه بهترین عملکرد را دارند. هر دو با حجم مداوم تخریب می‌شوند.

در حالت ایده‌آل، به جای انجام تکرارهای متوالی، از مدل بخواهید تعداد معقولی ویرایش را در یک تکرار واحد انجام دهد تا از تخریب جلوگیری شود.

اما این یک هنر است. ویرایش‌های زیاد در یک دور منجر به عدم پایبندی به دستورالعمل می‌شود. خیلی کم منجر به نیاز به تکرارهای متوالی می‌شود که سازگاری سوژه را کاهش می‌دهد.

نتیجه‌گیری

Nano در رندر متن، سرعت تولید خام، ادغام اکوسیستم و انرژی تولید برنده می‌شود. دقت متن، بارزترین مزیت آن است – بدون کاراکترهای نامفهوم، بدون فونت‌های ناسازگار، بدون متن تکراری.

سریع تولید می‌کند. در سراسر محصولاتی کار می‌کند که میلیاردها نفر در حال حاضر از آن‌ها استفاده می‌کنند. و ادغام دانش جهانی آن، جایی که مدل قبل از تصمیم‌گیری در مورد آنچه باید رندر شود، وب را جستجو می‌کند، خروجی‌هایی تولید می‌کند که به جای زیبایی‌شناختی عمومی، از نظر سرمقاله ریشه‌دار هستند.

اگر گردش کار شما در داخل اکوسیستم گوگل قرار دارد، اگر دقت متن در داخل تصاویر غیرقابل مذاکره است، یا اگر به تکرار سریع بدون کار با افراد واقعی نیاز دارید، Nano ابزار قوی‌تری برای آن شرایط خاص است.

Seedream در هزینه، طراحی پلتفرم، انعطاف‌پذیری محتوا، نظم ساختاری در وظایف فضایی و حفظ کاراکتر در سراسر ویرایش چند مرحله‌ای برنده می‌شود.

قیمت ثابت 0.035 دلاری آن را به پیش‌فرض عملی برای هر خط تولیدی که تصاویر را با حجم تولید می‌کند، تبدیل می‌کند. رابط هدفمند Dreamina برای جلسات خلاقانه مداوم منسجم‌تر از پوشش چت‌بات Gemini است.

خط‌مشی محتوای آزاد، موارد استفاده‌ای را باز می‌کند که گوگل با آن‌ها درگیر نمی‌شود. و برای گردش‌های کاری که نیاز به حفظ هویت ثابت در چندین تکرار از سوژه‌های واقعی دارند – تقاضای اصلی کار کمپین – Seedream در هر آزمایشی که انجام دادیم، بهتر عمل کرد.

‏چالش “آیا می‌تواند بازی Doom را اجرا کند؟” از مرز بعدی خود عبور کرد.

نورون‌های زنده در حال بازی

شرکت استرالیایی کورتیکال لبز، مستقر در ملبورن، با موفقیت خوشه‌هایی از سلول‌های مغزی زنده انسانی را برای پیمایش بازی کلاسیک سال ۱۹۹۳ آموزش داده است.

در یک ویدئویی که هفته گذشته در یوتیوب منتشر شد، محققان نورون‌های زنده انسانی را به نرم‌افزاری متصل کردند که گیم‌پلی را به سیگنال‌های الکتریکی تبدیل می‌کند و فعالیت عصبی را به کنترل‌های درون بازی ترجمه می‌کند، و به سلول‌ها اجازه می‌دهد حرکت کنند، به دشمنان واکنش نشان دهند و سلاح‌ها را شلیک کنند.

آلون لوفلر، دانشمند کاربردی در کورتیکال لبز، به دکریپت گفت: «در سال ۲۰۲۱، ما بازی پونگ را روی نورون‌ها اجرا کردیم. این یک نوع آزمایش اولیه بود تا ببینیم آیا می‌توانیم یک بازی جالب داشته باشیم که با مردم ارتباط برقرار کند. اما پاسخ شماره یک ما این بود که آیا می‌تواند بازی Doom را اجرا کند؟»

در داخل دستگاه CL1 این شرکت، حدود ۲۰۰ هزار نورون زنده انسانی وجود دارد که بر روی یک آرایه چند الکترودی کشت داده شده‌اند، که به محققان اجازه می‌دهد سلول‌ها را به صورت الکتریکی تحریک کنند و پاسخ‌های آن‌ها را در زمان واقعی تفسیر کنند.

Doom: یک معیار غیررسمی

برای دهه‌ها، Doom به عنوان یک معیار غیررسمی برای مهندسانی که سیستم‌های جدید را آزمایش می‌کنند، عمل کرده است.

از زمانی که شرکت توسعه‌دهنده بازی‌های ویدیویی id Software مستقر در تگزاس، کد منبع بازی را در سال ۱۹۹۷ به صورت عمومی منتشر کرد، توسعه‌دهندگان آن را به طیف گسترده‌ای از پلتفرم‌های غیرمنتظره منتقل کرده‌اند.

این بازی تیراندازی در پلتفرم‌های غیرمنتظره‌ای از جمله باکتری‌های روده و آزمایش‌های بارداری، شبکه‌های بلاک‌چین، فایل‌های PDF، ماشین‌های چمن‌زنی رباتیک و چالش‌های کپچا که در آن بازیکنان باید شیاطین را شکست دهند تا ثابت کنند انسان هستند، ظاهر شده است.

لوفلر گفت که تیم در ابتدا برای عملکرد سیستم‌ها به کد محاسباتی سطح پایین و بداهه متکی بود، اما در نهایت تصمیم گرفت یک پلتفرم را از ابتدا بسازد تا به محققان اجازه دهد از طریق کنترل‌های سطح بالا با استفاده از دستورات ساده پایتون با نورون‌ها تعامل داشته باشند.

هنگامی که کورتیکال لبز این پلتفرم را ساخت، توسعه سرعت گرفت.

لوفلر گفت: «این کار برای همکار، شان، که کد Doom را برای ما نوشت، چند روز طول کشید، نه ۱۸ ماه.»

آموزش نورون‌ها برای بازی

نورون‌ها از طریق سیگنال‌های بازخورد یاد می‌گیرند، زمانی که به درستی به سمت یک دشمن هدف‌گیری می‌کنند، پاداش‌های کوچکی دریافت می‌کنند و زمانی که با موفقیت یک هدف را شلیک و حذف می‌کنند، پاداش‌های بزرگ‌تری دریافت می‌کنند، که رفتارهای مرتبط با آن سیگنال‌ها را در طول زمان تقویت می‌کند.

سپس محققان کورتیکال لبز از هوش مصنوعی برای اصلاح نحوه رمزگذاری اطلاعات بازی در سیگنال‌های الکتریکی ارسال شده به نورون‌ها استفاده کردند.

لوفلر گفت: «سلول‌ها در واقع ورودی را یاد می‌گیرند. اما سپس هوش مصنوعی سعی می‌کند آن ورودی را بهبود بخشد تا سلول‌ها را وادار به انجام کاری کند که ما می‌خواهیم.»

در حالی که سلول‌ها در حین بازی Doom پیشرفت ثابتی نشان دادند، لوفلر تأکید کرد که نورون‌ها به ورودی‌ها واکنش نشان می‌دهند تا اینکه واقعاً بازی را درک کنند.

او گفت: «این سیستم در واقع نمی‌داند که در حال بازی Doom است. سیگنال‌های الکتریکی دریافت می‌کند و سپس پاسخ‌هایی را بیرون می‌دهد.»

لوفلر گفت که کار با نورون‌های زنده نیازمند رویکردی متفاوت از برنامه‌نویسی سنتی است.

لوفلر گفت: «این یک تغییر کامل در طرز فکر است. شما نمی‌توانید فقط این نوع سیستم محاسباتی معمولی را داشته باشید که در حال برنامه‌نویسی آن هستید. این کار باید با یک نگرش کاملاً جدید و یک روش کاملاً جدید برای نگاه کردن به چیزها انجام شود.»

او گفت که بازی به عنوان یک نمایش عمومی عمل می‌کند در حالی که محققان در حال بررسی کاربردهای عملی هستند.

لوفلر گفت که با وجود استفاده از نورون‌های مشتق شده از انسان، این سیستم شبیه به شناخت انسان نیست.

او گفت: «فقط به این دلیل که آن‌ها سلول‌های انسانی هستند، به این معنی نیست که یک انسان در آن ظرف وجود دارد. هیچ گیرنده دردی وجود ندارد. هیچ ساختاری وجود ندارد که بتواند عملکرد مرتبه بالاتر را امکان‌پذیر کند.»

با وجود این، او گفت که محققان شواهدی از سازگاری عصبی در خارج از مغز می‌بینند.

لوفلر گفت: «ما هنوز سازگاری با محیط را می‌بینیم. ما هنوز یادگیری را می‌بینیم. که توانایی‌های ذاتی نورون‌ها را برای سازگاری نشان می‌دهد.»

پروتئینی که ماست شما را غلیظ و پنیرتان را کش‌دار می‌کند، یک شغل جدید پیدا کرده است: جایگزینی پلاستیک بسته‌بندی.

محققانی از کلمبیا و استرالیا مطالعه‌ای را در نشریه «پلیمرها» منتشر کرده‌اند که جزئیات یک فیلم زیست‌تخریب‌پذیر را شرح می‌دهد که عمدتاً از کازئین کلسیم – همان پروتئینی که تقریباً 80 درصد شیر گاو را تشکیل می‌دهد – ساخته شده است و با نشاسته، مقداری خاک رس و یک چسبنده مصنوعی برای نگه داشتن همه چیز در کنار هم مخلوط شده است. نتیجه، یک فیلم بسته‌بندی است که در خاک در حدود 13 هفته به طور کامل تجزیه می‌شود، در حالی که تجزیه پلاستیک‌های معمولی قرن‌ها طول می‌کشد.

کازئین – پروتئین شیر – به طور طبیعی هنگام حل شدن و خشک شدن، شبکه‌های مولکولی متراکم تشکیل می‌دهد و ساختار پایه مناسبی به فیلم‌ها می‌دهد. اما به تنهایی، فیلم کازئین خالص پس از خشک شدن منقبض می‌شود و شکننده می‌شود، مانند یک تکه چسب خشک شده. محققان دریافتند که گلیسرول، یک نرم‌کننده رایج با درجه غذایی، مانند یک روان‌کننده در داخل پلیمر عمل می‌کند و آن را انعطاف‌پذیر نگه می‌دارد.

سپس نشاسته اصلاح‌شده را برای حجیم کردن آن و PVA – یک پلیمر زیست‌تخریب‌پذیر – برای بهبود چشمگیر استحکام و سازگاری بین سایر مواد اضافه کردند و voilà.

اما نکته کلیدی این ترکیب، بنتونیت است: یک ماده معدنی خاک رس آتشفشانی که به ذرات نانومقیاس آسیاب شده و در مخلوط معلق شده است. هنگامی که فیلم خشک می‌شود، آن ورقه‌های ریز خاک رس خود را در لایه‌های مسطح و همپوشانی در داخل ماده مرتب می‌کنند – مانند دیواری از کارت‌های انباشته شده که از میان فیلم عبور می‌کند.

بخار آب که سعی می‌کند از بسته‌بندی عبور کند، دیگر نمی‌تواند مستقیماً عبور کند – باید در یک هزارتوی از این موانع رسی حرکت کند و مسیری طولانی‌تر و پرپیچ و خم را دنبال کند. این اثر “انتشار پرپیچ و خم” دلیل کاهش نفوذپذیری بخار آب فیلم به میزان تقریباً سه مرتبه نسبت به فیلم‌های کازئین-نشاسته معمولی گزارش شده در مقالات علمی است. این کاهش هزار برابری است.

فیلم نهایی قبل از پاره شدن، بیش از دو برابر طول اصلی خود کشیده می‌شود. فیلم‌های کازئین-نشاسته مشابه بدون PVA یا بنتونیت بسیار سفت‌تر هستند. این بهبود در استحکام ناشی از لایه‌های سیلیکات بنتونیت است که به عنوان تقویت‌کننده داخلی عمل می‌کنند و تنش را به طور مساوی‌تری در سراسر ماده هنگام کشیدن یا خم شدن توزیع می‌کنند. آن را کمتر شبیه یک کیسه پلاستیکی استاندارد و بیشتر شبیه یک کامپوزیت تقویت‌شده با الیاف در نظر بگیرید – فقط از مواد غذایی به جای الیاف کربن ساخته شده است.

در جبهه میکروبیولوژی، کلنی‌های باکتری روی فیلم زیر آستانه تعیین شده توسط استانداردهای ISO برای کاربردهای بسته‌بندی غیر استریل باقی ماندند. این بدان معناست که این فیلم‌ها خواص ضد میکروبی صریحی ندارند، اما محیطی شبیه به ظرف پتری نیز ایجاد نمی‌کنند. محققان این موضوع را به عنوان یک جهت برای کار آینده مشخص کردند و خاطرنشان کردند که گنجاندن نانوذرات نقره یا سایر عوامل فعال می‌تواند فیلم را به قلمرو واقعاً ضد باکتریایی سوق دهد.

زیست‌تخریب‌پذیری با دفن نمونه‌های فیلم مستطیلی در خاک به مدت نه روز و وزن کردن آنها روزانه پیگیری شد. تهاجمی‌ترین تجزیه در 72 ساعت اول اتفاق افتاد – کازئین و نشاسته به سرعت شروع به جذب رطوبت، متورم شدن و تکه‌تکه شدن می‌کنند. پس از آن، تخریب با سرعت ثابتی ادامه یافت.

برون‌یابی منحنی، تجزیه کامل را در حدود 13 هفته قرار می‌دهد، که طولانی‌تر از فیلم‌های ساده کازئین‌دار است، اما به طور قابل توجهی کوتاه‌تر از هر چیزی است که بر پایه نفت است. این بسیار کوتاه‌تر از هزاران سالی است که ممکن است یک کیسه پلاستیکی برای طی کردن همین فرآیند زمان ببرد.

محققان از روش ریخته‌گری محلول برای تولید فیلم‌ها استفاده کردند، اساساً مخلوط مایع را در قالب‌ها ریختند و اجازه دادند در یک اجاق با دمای 38 درجه سانتی‌گراد (حدود 100 درجه فارنهایت) خشک شود. این روش به اندازه کافی کم‌فناوری است که بدون تجهیزات عجیب و غریب مقیاس‌بندی شود، که برای پذیرش در کشورهای در حال توسعه که زیرساخت‌های مدیریت زباله‌های پلاستیکی اغلب محدود است، اهمیت دارد.

گام‌های بعدی

هنوز کارهایی در پیش است. آزمایش پایداری حرارتی انجام نشده است، عملکرد ضد میکروبی نیاز به تأیید عمیق‌تری دارد و شفافیت نوری با افزودن بنتونیت کمی کاهش می‌یابد – اگرچه محققان می‌گویند این تغییر برای چشم غیرمسلح نامحسوس است.

اینها مانع نیستند. اینها نوعی از مشکلات مهندسی هستند که با انتقال فرمولاسیون از آزمایشگاه به تولید آزمایشی حل می‌شوند. اثبات اصلی مفهوم – اینکه شما می‌توانید یک فیلم بسته‌بندی مواد غذایی کاربردی و واقعاً زیست‌تخریب‌پذیر را از پروتئین شیر و خاک رس آتشفشانی بسازید – درست در داده‌ها وجود دارد.

‏ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، تغییراتی در لایه اجرا پیشنهاد داده است که می‌تواند معماری اصلی اتریوم را به طور اساسی متحول کند. او معتقد است که اصلاحات عمیقی در درخت حالت شبکه و ماشین مجازی (VM) ضروری است تا آنچه را که او بزرگترین گلوگاه‌های اثبات زنجیره می‌نامد، برطرف شود.

شناسایی گلوگاه‌ها

بوترین در پستی مفصل در X، گفت که درخت حالت و VM با هم بیش از ۸۰ درصد از محدودیت‌هایی را تشکیل می‌دهند که بر کارایی اثبات تأثیر می‌گذارند و آن‌ها را اهداف “اساساً اجباری” برای اتریوم خواند، اگر این شبکه بخواهد موارد استفاده از اثبات دانش صفر و سمت کلاینت مقیاس‌پذیر را فعال کند.

پیشنهاداتی برای بهبود

او به EIP-7864 اشاره کرد، پیشنهادی که توسط گیوم باله و دیگران توسعه یافته است و جایگزینی درخت مرکل پاتریشای هگزاری مبتنی بر Keccak فعلی اتریوم با یک درخت باینری ساخته شده بر اساس یک تابع هش کارآمدتر را در نظر دارد. به گفته بوترین، این تغییر باعث می‌شود شاخه‌های مرکل تقریباً چهار برابر کوتاه‌تر شوند، با کاهش الزامات پهنای باند و ارزان‌تر شدن تأیید شاخه در سمت کلاینت.

بوترین افزود که این امر می‌تواند هزینه‌های داده را برای ابزارهایی مانند Helios و سیستم‌های بازیابی اطلاعات خصوصی تا ۴ برابر کاهش دهد. کارایی اثبات همچنین می‌تواند با کوتاه‌تر شدن شاخه‌ها به تنهایی ۳ تا ۴ برابر بهبود یابد. او انتظار دارد که اگر اتریوم به توابع هش مانند BLAKE3 روی آورد، که تخمین زده می‌شود سه برابر کارآمدتر از Keccak است، پیشرفت‌های بیشتری حاصل شود. در همین حال، یک نوع Poseidon می‌تواند تا ۱۰۰ برابر بهبود را ارائه دهد، اگرچه او خاطرنشان کرد که به کار امنیتی بیشتری نیاز است.

طراحی باینری پیشنهادی همچنین اسلات‌های ذخیره‌سازی را به “صفحات” ۶۴ تا ۲۵۶ اسلات گروه‌بندی می‌کند و امکان بارگیری و ویرایش کارآمدتر ذخیره‌سازی مجاور را فراهم می‌کند، که به طور بالقوه بیش از ۱۰,۰۰۰ گاز در هر تراکنش را برای برنامه‌هایی که به اسلات‌های ذخیره‌سازی اولیه دسترسی دارند، ذخیره می‌کند. بوترین توضیح داد که یک درخت حالت مناسب برای اثبات‌کننده همچنین به برنامه‌های دانش صفر اجازه می‌دهد تا مستقیماً با حالت اتریوم ترکیب شوند، به جای ساختن درختان مستقل، در حالی که ساختار را ساده کرده و امکان افزودن ابرداده برای مکانیسم‌های انقضای حالت آینده را فراهم می‌کند.

فراتر از درخت حالت

فراتر از بازنگری در درخت حالت، بوترین استدلال کرد که در نهایت ماشین مجازی اتریوم با یک VM مبتنی بر RISC-V جایگزین شود، زیرا او این ایده را بلندمدت و غیر اجماعی توصیف کرد. اما او ابراز اطمینان بالایی کرد که این کار پس از تکمیل ارتقاء نقشه راه حالت، “کاری بدیهی” خواهد بود.

هم‌بنیان‌گذار اتریوم گفت که یک VM RISC-V از نظر اجرا کارآمدتر، مناسب‌تر برای اثبات‌کننده و ساده‌تر خواهد بود، در حالی که خاطرنشان کرد که بسیاری از اثبات‌کننده‌های موجود در حال حاضر در RISC-V نوشته شده‌اند و یک مفسر می‌تواند تنها در چند صد خط کد پیاده‌سازی شود. او یک برنامه انتقال فازبندی شده را تشریح کرد که با استفاده از VM جدید برای پیش‌کامپایل‌ها آغاز می‌شود، سپس به توسعه‌دهندگان اجازه می‌دهد قراردادها را مستقیماً در VM جدید مستقر کنند و در نهایت EVM را به یک لایه سازگاری که به عنوان یک قرارداد هوشمند در سیستم جدید نوشته شده است، بازنشسته کنند.

بر اساس این نقشه راه، کاربران سازگاری کامل با عقب را حفظ خواهند کرد، به جز تغییرات هزینه گاز، که بوترین گفت احتمالاً با بهبود مقیاس‌پذیری در سال‌های آینده تحت‌الشعاع قرار خواهد گرفت.

آخرین تلاش بوترین تنها چند روز پس از معرفی نقشه راه مقاومت در برابر کوانتوم او صورت می‌گیرد، که شامل پیشنهاداتی برای جایگزینی امضاهای BLS لایه اجماع با طرح‌های مبتنی بر هش مانند انواع Winternitz بود.

‏به زودی کاربران اتریوم می‌توانند به روش‌هایی با بلاک‌چین تعامل داشته باشند که پیش از این امکان‌پذیر نبود. به گفته ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، حساب‌های هوشمند بومی – ویژگی‌ای که بیش از یک دهه در دست توسعه بوده است – اکنون انتظار می‌رود در سال جاری به عنوان بخشی از به‌روزرسانی آتی Hegota شبکه ارائه شوند.

اهمیت برای ابزارهای حفظ حریم خصوصی

برای کاربرانی که به حفظ حریم خصوصی اهمیت می‌دهند، این تغییر می‌تواند بیش از آنچه تصور می‌شود اهمیت داشته باشد. پروتکل‌هایی مانند Railgun مدت‌هاست که به واسطه‌هایی به نام “پخش‌کنندگان عمومی” برای پیشبرد تراکنش‌ها متکی بوده‌اند. این واسطه‌ها منبع دائمی دردسرهای کاربران بوده‌اند. گزارش‌ها حاکی از آن است که بوترین می‌خواهد با جایگزینی این سیستم با یک استخر حافظه عمومی با هدف کلی، آن‌ها را به طور کامل حذف کند – واسطه را حذف کرده و کنترل بیشتری را مستقیماً در اختیار کاربر قرار دهد. سخنان او صریح بود: “به حداقل رساندن واسطه‌ها یک اصل اساسی در اتریوم سایفرپانک غیر زشت است – حداکثر استفاده را ببرید حتی اگر تمام زیرساخت‌های جهان به جز خود زنجیره اتریوم از کار بیفتد.” این یک بیانیه قوی است. و نشان می‌دهد که تیم اتریوم تا چه حد خودکفایی در سطح پروتکل را جدی می‌گیرد.

اکنون، انتزاع حساب. ما از اوایل سال ۲۰۱۶ درباره انتزاع حساب صحبت می‌کردیم، به EIP-86 اصلی مراجعه کنید: https://t.co/HYLSTLHgWH. اکنون، ما در نهایت EIP-8141 را داریم (https://t.co/jYqeS55j6P)، یک مجموعه که تمام مشکلات باقی‌مانده‌ای را که AA برای آن در نظر گرفته شده بود، جمع‌بندی و حل می‌کند… — vitalik.eth (@VitalikButerin) ۲۸ فوریه ۲۰۲۶

یک دهه در حال ساخت

بوترین به راه طولانی برای رسیدن به این نقطه اذعان کرد. او اشاره کرد که از اوایل سال ۲۰۱۶ درباره انتزاع حساب بحث شده است. اکنون، با EIP-8141 که در Hegota fork بسته‌بندی شده است، هدف این است که در نهایت هر مشکلی را که این مفهوم در اصل برای رفع آن در نظر گرفته شده بود، برطرف کنیم – و حتی بیشتر. نقشه راه عمومی بنیاد اتریوم، که “Strawmap” نامیده می‌شود، انتزاع حساب بومی را در نیمه دوم سال ۲۰۲۶ قرار می‌دهد. رویکرد فنی پیشنهادی بر آنچه بوترین “تراکنش‌های فریم” می‌نامد متمرکز است. به جای اینکه یک تراکنش یک عمل واحد باشد، به مجموعه‌ای از فریم‌ها تبدیل می‌شود. هر فریم می‌تواند به داده‌های فریم دیگر اشاره کند و هر کدام می‌تواند یک فرستنده یا یک پرداخت‌کننده کارمزد را تأیید کند. یک فریم، بررسی امضا را انجام می‌دهد. فریم دیگر، اجرا را انجام می‌دهد. این طراحی مدولار دارد و برای استفاده گسترده ساخته شده است. این همچنین به این معنی است که پرداخت کارمزد تراکنش‌ها بدون داشتن ETH امکان‌پذیر می‌شود. کاربران می‌توانند از طریق یک قرارداد پرداخت‌کننده یا یک صرافی تخصصی که ETH را در محل تأمین می‌کند، با توکن‌های دیگر پرداخت کنند – بدون نیاز به شخص ثالث.

مقاومت کوانتومی نیز در محدوده است

به‌روزرسانی Hegota در حساب‌های هوشمند متوقف نمی‌شود. بوترین همچنین در اوایل هفته یک نقشه راه جداگانه برای مقاومت کوانتومی ارائه کرد و چهار حوزه نگرانی را شناسایی کرد: امضاهای اعتبارسنجی، ذخیره‌سازی داده‌ها، امضاهای حساب کاربری و اثبات‌های دانش صفر. انتظار می‌رود حساب‌های موجود بدون اینکه کنار گذاشته شوند، در چارچوب جدید قرار گیرند و در این مسیر به عملیات دسته‌ای و حمایت از تراکنش‌ها دسترسی پیدا کنند. پس از ۱۰ سال وعده، به نظر می‌رسد که قطعات در نهایت در حال کنار هم قرار گرفتن هستند.

حساب‌های هوشمند اتریوم تا یک سال آینده راه‌اندازی می‌شوند

به گفته ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، ویژگی «انتزاع حساب» اتریوم که مدت‌هاست درباره آن بحث می‌شود و اغلب به عنوان حساب‌های هوشمند توصیف می‌شود، می‌تواند طی یک سال آینده به عنوان بخشی از ارتقای شبکه هگوتا در دسترس قرار گیرد.

نکات کلیدی

بوترین آخر هفته گذشته گفت که این تلاش که اولین بار در سال ۲۰۱۶ مورد بحث قرار گرفت، سرانجام به یک طراحی عملی رسیده است.

یک پیشنهاد جدید، EIP-8141، قطعات فنی باقی‌مانده مورد نیاز برای پیاده‌سازی این ویژگی در سراسر شبکه را جمع‌آوری می‌کند. او نوشت: «پس از بیش از یک دهه تحقیق و پالایش، به نظر می‌رسد که این امکان وجود دارد که طی یک سال آن را مستقر کنیم.»

انتزاع حساب نحوه عملکرد تراکنش‌ها در اتریوم را تغییر می‌دهد. به جای اینکه یک تراکنش یک عمل واحد باشد که توسط یک کلید خصوصی امضا می‌شود، به یک توالی ساختاریافته از «فریم‌ها» تبدیل می‌شود.

این فریم‌ها می‌توانند به یکدیگر ارجاع دهند و به طور جداگانه مجوز، اجرا و پرداخت هزینه را تأیید کنند.

در عمل، این به کیف پول‌ها اجازه می‌دهد تا بیشتر شبیه برنامه‌های قابل برنامه‌ریزی رفتار کنند تا نگهدارندگان کلید ساده.

این چارچوب امنیت چند امضایی، کیف پول‌های قابل بازیابی و حساب‌هایی با کلیدهای قابل تغییر را فعال می‌کند.

یک مرحله اعتبارسنجی، مجوز کاربر را قبل از اینکه یک مرحله اجرا خود تراکنش را پردازش کند، بررسی می‌کند.

این مدل همچنین از عملیات دسته‌ای و حمایت از تراکنش پشتیبانی می‌کند، به این معنی که هزینه‌ها می‌تواند توسط طرف دیگری مدیریت شود.

یکی از قابل توجه‌ترین پیامدها، توانایی پرداخت هزینه‌های گاز بدون داشتن اتر است. از طریق یک قرارداد پرداخت‌کننده یا یک مکانیسم صرافی غیرمتمرکز که اتر را در زمان واقعی ارائه می‌دهد، کاربران می‌توانند هزینه‌های تراکنش را با توکن‌های دیگر پوشش دهند.

بوترین گفت که حذف اتکا به واسطه‌های متمرکز با فلسفه طراحی سایفرپانک اتریوم سازگار است.

این تغییر همچنین ممکن است مشکلات قابلیت استفاده را که ابزارهای حفظ حریم خصوصی با آن مواجه هستند، کاهش دهد. پروتکل‌های حریم خصوصی فعلی اغلب به پخش‌کننده‌های تراکنش عمومی متکی هستند که می‌تواند اصطکاک ایجاد کند.

یک ممپول با هدف کلی می‌تواند جایگزین آن واسطه‌ها شود و تجربه را برای برنامه‌هایی مانند Railgun و سیستم‌های سبک Tornado Cash بهبود بخشد.

انتظار می‌رود این ارتقا برای حساب‌های جدید و موجود اعمال شود و به کل شبکه اجازه می‌دهد تحت یک چارچوب واحد عمل کند.

توسعه‌دهندگان همچنین انتظار دارند که اتوماسیون بهبود یافته، تراکنش‌های برنامه‌ریزی‌شده و تعاملات پیچیده قرارداد مستقیماً در سطح کیف پول مدیریت شوند.

بوترین همچنین یک نقشه راه بلندمدت را با تمرکز بر آماده‌سازی شبکه برای تهدیدات آینده ترسیم کرد. او اخیراً برنامه‌هایی را برای معرفی محافظت‌های مقاوم در برابر کوانتوم که امضاهای اعتبارسنجی، داده‌های ذخیره‌شده، احراز هویت کاربر و اثبات دانش صفر را پوشش می‌دهد، شرح داده است.

نقشه راه مقیاس‌پذیری همچنین شامل کاهش تدریجی زمان اسلات بلوک و زمان نهایی شدن برای سرعت بخشیدن به تأیید تراکنش است.

هفته گذشته، بوترین ارتقای لیست‌های شمول اجباری انتخاب فورک (FOCIL) را تأیید کرد، یک تغییر پروتکل اصلی که برای هارد فورک هگوتا در سال ۲۰۲۶ برنامه‌ریزی شده است.

این پیشنهاد برای جلوگیری از سانسور تراکنش با الزام اعتبارسنجی‌ها به گنجاندن تمام تراکنش‌های معتبر در بلوک‌ها طراحی شده است و بی‌طرفی و اصول سایفرپانک اتریوم را تقویت می‌کند.

FOCIL به نگرانی‌های فزاینده در مورد تمرکز پس از اینکه برخی از اعتبارسنجی‌ها تراکنش‌های مرتبط با خدمات تحریم‌شده مانند Tornado Cash را فیلتر کردند، رسیدگی می‌کند.

تحت قوانین جدید، بلوک‌هایی که تراکنش‌های معتبر را نادیده می‌گیرند توسط شبکه رد می‌شوند و اطمینان حاصل می‌شود که تراکنش‌های ممپول عمومی در یک بازه زمانی مشخص تسویه می‌شوند و به پروتکل‌های حریم خصوصی و تراکنش‌های حساب هوشمند همان رفتاری را دارند که انتقال‌های اتر معمولی دارند.

‏به نظر می‌رسد این عدد تقریباً بیش از حد بزرگ است که بتوان آن را جدی گرفت. ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، در تاریخ ۲۷ فوریه یک نقشه راه فنی مفصل منتشر کرد که در آن توضیح داده شده است که چگونه این شبکه می‌تواند تا ۱۰۰۰ برابر ظرفیت تراکنش فعلی خود را مدیریت کند – بدون اینکه اپراتورهای گره کوچک‌تر که سیستم را غیرمتمرکز نگه می‌دارند، از قیمت خارج شوند.

خواندنی‌های مرتبط

کاهش فروش بیت‌کوین کند شده است، اما راه بهبودی طولانی است – تحلیلگر

این سند که بوترین به طور غیررسمی آن را “نقشه کاهی” می‌نامد، کار را به سه حوزه مشکل تقسیم می‌کند: اجرا، داده و وضعیت.

ارتقاهای نزدیک‌مدت در اولویت قرار دارند

نزدیک‌ترین مورد در این فهرست، ارتقای پروتکلی است که “گلَمستردام” نامیده می‌شود. طبق گزارش‌ها، یکی از تغییرات کلیدی آن، معرفی فهرست‌های دسترسی در سطح بلوک است – یک تنظیم فنی که به بخش‌های مختلف یک بلوک اجازه می‌دهد تا به طور همزمان پردازش شوند، نه یکی پس از دیگری. گزارش‌ها همچنین حاکی از آن است که این ارتقا، نحوه استفاده کارآمدتر از هر اسلات بلوک ۱۲ ثانیه‌ای را بهبود می‌بخشد و بسته‌بندی تراکنش‌های بیشتر در هر بلوک را بدون بی‌ثبات کردن شبکه، ایمن‌تر می‌کند.

اکنون، مقیاس‌پذیری. در اینجا دو دسته وجود دارد: کوتاه‌مدت و بلندمدت. مقیاس‌پذیری کوتاه‌مدت را در جای دیگری نوشته‌ام. اساساً:

• فهرست‌های دسترسی در سطح بلوک (که در گلَمستردام ارائه می‌شوند) به بلوک‌ها اجازه می‌دهند تا به صورت موازی تأیید شوند.
• ePBS (که در گلَمستردام ارائه می‌شود) ویژگی‌های زیادی دارد، از جمله… – vitalik.eth (@VitalikButerin) ۲۷ فوریه ۲۰۲۶

بوترین اذعان کرد که این تغییرات، همراه با نرم‌افزار کلاینت بهتر، ممکن است به تنهایی برای رسیدن به یک حالت پایدار کافی باشد. او پیشنهاد کرد که اگر استفاده واقعی کم باقی بماند، می‌توان کل فشار ۱۰۰۰ برابری را به نفع اولویت‌های دیگر کنار گذاشت.

اثبات‌های دانش صفر در مرکز توجه در برنامه‌های طولانی‌مدت قرار می‌گیرند

بخش جاه‌طلبانه‌تر نقشه راه شامل ماشین‌های مجازی اتریوم با دانش صفر یا ZK-EVMs است. ZK-EVMs به جای اینکه از هر اعتبارسنج بخواهند هر تراکنش را دوباره اجرا کند تا تأیید کند که قانونی است، به اعتبارسنج‌ها اجازه می‌دهد تا به جای آن، اثبات‌های رمزنگاری را بررسی کنند – یک کار بسیار سبک‌تر.

طبق گزارش‌ها، جدول زمانی بوترین خواستار آن است که گروه کوچکی از اعتبارسنج‌ها از این روش از اوایل سال ۲۰۲۶ استفاده کنند و پذیرش گسترده‌تر احتمالاً در سال ۲۰۲۷ دنبال شود. اگر این اتفاق بیفتد، سقف ظرفیت شبکه می‌تواند به طور قابل توجهی افزایش یابد، بدون اینکه اپراتورهای گره را مجبور به سرمایه‌گذاری در سخت‌افزار قدرتمندتر کند.

خواندنی‌های مرتبط

Aave از ۱ تریلیون دلار وام عبور می‌کند – بدون نیاز به بانک

رشد وضعیت، راه‌حل خاص خود را دریافت می‌کند

گزارش‌ها حاکی از آن است که بوترین، رشد وضعیت را به عنوان یک مشکل جداگانه و دست‌کم گرفته شده، مشخص کرده است. استقرار یک قرارداد هوشمند بزرگ، داده‌هایی را اضافه می‌کند که هر گره اتریوم باید به طور دائم ذخیره کند – و این ذخیره‌سازی انباشته به تدریج هزینه اجرای یک گره را افزایش می‌دهد. راه‌حل پیشنهادی او، ایجاد گاز وضعیت را به طور مستقل ردیابی می‌کند، بنابراین در برابر سقف گاز تراکنش معمولی محاسبه نمی‌شود. قراردادهای بزرگ همچنان می‌توانند مستقر شوند، اما قیمت‌گذاری آنها، هزینه ذخیره‌سازی بلندمدت واقعی را منعکس می‌کند.

رقم ۱۰۰۰ برابری، یک سقف بلندمدت است، نه یک وعده برای سال آینده. هر مرحله از این طرح به عملکرد مرحله قبل از آن، همانطور که در نظر گرفته شده است، بستگی دارد.

تصویر ویژه از Unsplash، نمودار از TradingView

‏ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، نقشه راه مقاومت در برابر کوانتوم را برای این اکوسیستم به اشتراک گذاشت.

این اقدام پس از شناسایی آمادگی در برابر محاسبات کوانتومی به عنوان یک ملاحظه حیاتی در چندین حوزه توسعه صورت می‌گیرد.

در پستی که در شبکه‌های اجتماعی منتشر شد، بوترین بخش‌های خاصی از شبکه را که ممکن است در برابر پیشرفت‌های محاسبات کوانتومی آسیب‌پذیر باشند، از جمله امضاهای BLS در لایه اجماع، سیستم‌های در دسترس بودن داده‌ها با استفاده از تعهدات و اثبات‌های KZG، امضاهای حساب‌های متعلق به خارج بر اساس ECDSA و اثبات‌های دانش صفر در لایه برنامه مانند KZG یا Groth16 را مشخص کرد.

او سپس رویکردهای فنی را برای رسیدگی به این حوزه‌های خطر به عنوان بخشی از نقشه راه مقاومت در برابر کوانتوم پیشنهاد داد. به عنوان مثال، او پیشنهاد کرد که با جایگزینی امضاهای BLS با گزینه‌های مبتنی بر هش مانند انواع Winternitz، امنیت لایه اجماع را تقویت کند، در حالی که از تجمیع مبتنی بر STARK برای فعال کردن تأیید سریع استفاده می‌شود.

بوترین توضیح داد که این به این دلیل است که گذار به سمت اجماع و قطعیت سبک می‌تواند تعداد امضاهای مورد نیاز در هر اسلات را کاهش دهد و به طور بالقوه نیاز به تجمیع را در مراحل اولیه از بین ببرد.

به عنوان بخشی از این فرآیند، شبکه همچنین باید یک روش هشینگ بلندمدت را انتخاب کند و از بین چندین گزینه موجود، روشی را انتخاب کند که امنیت قوی و قابل اعتمادی را در آینده تضمین کند.

توسعه‌دهنده اتریوم همچنین پیشنهاد کرد که نحوه ذخیره و اشتراک‌گذاری داده‌ها در سراسر سیستم توسط پروتکل را با معرفی یک روش جدیدتر که برای بهبود امنیت بلندمدت طراحی شده است، تغییر دهد. با این حال، او خاطرنشان کرد که این تعدیل به کار فنی بیشتری برای رسیدگی به فرآیندهای تأیید بزرگتر نیاز دارد.

برای حساب‌های متعلق به خارج، بوترین می‌خواهد انتزاع حساب بومی را از طریق EIP-8141 معرفی کند، تغییری که به آنها اجازه می‌دهد از چندین روش امضا، از جمله روش‌هایی که برای مقاومت در برابر تهدیدات کوانتومی طراحی شده‌اند، پشتیبانی کنند.

هزینه تأیید امضای ECDSA فعلی حدود 3000 واحد گاز است، در حالی که جایگزین‌های مقاوم در برابر کوانتوم بسیار پرهزینه‌تر هستند و ممکن است حدود 200000 واحد گاز نیاز داشته باشند. با وجود گران بودن، او معتقد است که انتظار می‌رود پیشرفت‌های مداوم آنها را کارآمدتر کند.

علاوه بر این، پروتکل قصد دارد از تکنیک‌های تجمیع استفاده کند که بسیاری از امضاها را در یک مرحله تأیید واحد در بلندمدت ترکیب می‌کند تا بار کلی شبکه را کاهش دهد.

سیستم‌های اثبات

نقشه راه همچنین سیستم‌های اثبات را مورد بحث قرار می‌دهد که در تأیید تراکنش‌ها و برنامه‌ها در اتریوم نقش دارند. به طور مشابه، در حالی که تأییدهای ZK-SNARK موجود نسبتاً کارآمد هستند، اثبات‌های STARK مقاوم در برابر کوانتوم هزینه‌های بسیار بالاتری دارند.

برای رسیدگی به این موضوع، او راه‌حلی را تحت EIP-8141 تشریح کرد که به چندین بررسی تراکنش اجازه می‌دهد تا از طریق یک اثبات واحد قبل از رسیدن به بلاک‌چین، بسته‌بندی و تأیید شوند، که این امر محاسبات درون زنجیره‌ای را کاهش داده و مقیاس‌پذیری را بهبود می‌بخشد.

ماه گذشته، بنیاد اتریوم اعلام کرد که فاز بعدی این اکوسیستم، توسعه ظرفیت شبکه و در عین حال حفظ امنیت و انعطاف‌پذیری بلندمدت را در اولویت قرار می‌دهد.

‏جک دورسی اعلام کرد که شرکت بلاک (Block) قصد دارد نیروی کار خود را تقریباً به نصف کاهش دهد و بیش از ۴۰۰۰ کارمند را اخراج کند. این اقدام باعث می‌شود که تعداد کل کارکنان از بیش از ۱۰۰۰۰ نفر به کمتر از ۶۰۰۰ نفر برسد.

در یادداشتی که به صورت عمومی در شبکه اجتماعی X منتشر شد، دورسی این تصمیم را “یکی از سخت‌ترین تصمیمات در تاریخ” این شرکت توصیف کرد و گفت که به همه کارمندان در همان روز اطلاع داده خواهد شد که آیا باید از شرکت بروند، وارد دوره مشاوره شوند یا در شرکت باقی بمانند.

وی اظهار داشت که کارمندان آسیب‌دیده ۲۰ هفته حقوق به اضافه یک هفته حقوق اضافی به ازای هر سال سابقه کار، سهام تخصیص‌یافته تا پایان ماه می، شش ماه پوشش بیمه درمانی، دستگاه‌های شرکتی خود و ۵۰۰۰ دلار برای حمایت از دوران گذار خود دریافت خواهند کرد.

کارمندان خارج از ایالات متحده نیز از حمایت‌های مشابهی برخوردار خواهند شد. جزئیات ممکن است با توجه به الزامات محلی متفاوت باشد. دورسی گفت که این تصمیم ناشی از مشکلات مالی نبوده، اما افزود که کسب‌وکار شرکت همچنان قوی است. در عوض، وی اضافه کرد:

“اما چیزی تغییر کرده است. ما در حال حاضر شاهد آن هستیم که ابزارهای هوش مصنوعی که در حال ایجاد و استفاده از آن‌ها هستیم، همراه با تیم‌های کوچک‌تر و مسطح‌تر، یک روش جدید برای کار را ممکن می‌سازند که اساساً معنای ساخت و اداره یک شرکت را تغییر می‌دهد و این روند به سرعت در حال شتاب گرفتن است.”

دورسی گفت که او کاهش تدریجی کارکنان را طی ماه‌ها یا سال‌ها در نظر گرفته بود، اما تصمیم گرفت فوراً اقدام کند. وی گفت که دورهای مکرر اخراج به روحیه، تمرکز و اعتماد در میان مشتریان و سهامداران آسیب می‌رساند. وی اذعان کرد که برخی از تصمیمات ممکن است اشتباه از آب درآیند و انعطاف‌پذیری برای این منظور در نظر گرفته شده است، در حالی که همچنان به ارائه خدمات به مشتریان ادامه می‌دهد.

واکنش‌های متفاوت در شبکه‌های اجتماعی

اعلام اخراج‌ها واکنش‌های متفاوتی را در شبکه‌های اجتماعی به دنبال داشت. برخی از کاربران شرایط قطع همکاری را سخاوتمندانه توصیف کردند، در حالی که دیگران بر نگرانی‌ها در مورد جایگزینی نقش‌های انسانی توسط هوش مصنوعی تمرکز کردند. یکی از کاربران به نام ویل اسلاتر در توییتی نوشت که این کاهش‌ها کمتر به دلیل هوش مصنوعی و بیشتر به دلیل تصمیمات مدیریتی بوده است، در حالی که به بلاک کنایه زد، شرکتی که تعداد کارکنانش از ۳۹۰۰ نفر در دسامبر ۲۰۱۹ به ۱۲۵۰۰ نفر تا دسامبر ۲۰۲۲ بیش از سه برابر شده بود.

وی این کاهش را به عنوان خنثی کردن یک “افراط دیوانه‌وار در استخدام در دوران کووید” توصیف کرد و آن را به بی‌کفایتی مدیریتی نسبت داد تا تغییرات تکنولوژیکی. در پاسخ، دورسی به استخدام بیش از حد در طول همه‌گیری اعتراف کرد.

سایر کاربران از ظاهر استناد به هوش مصنوعی در یادداشت اخراج که با حروف کوچک نوشته شده بود، انتقاد کردند. برخی ابراز نگرانی کردند که کاهش مشاغل مرتبط با هوش مصنوعی می‌تواند به یک روند گسترده‌تر تبدیل شود، زیرا قیمت سهام این شرکت در ساعات پس از بازار ۲۴ درصد افزایش یافت.