تصور کنید یک آزمایشگاه دیجیتال دارید که در آن هزاران متخصص، روزها و شب‌ها بدون لحظه‌ای استراحت، به‌صورت موازی روی یک مسئله کار می‌کنند. این دقیقاً همان روشی است که OpenAI برای حل یکی از هفت مسئله جایزه هزاره (Millennium Prize) به کار گرفت. جایزه‌ای یک میلیون دلاری که برای حل معادلات ناویر-استوکس (Navier-Stokes) تعیین شده بود و دهه‌هاست که سخت‌ترین ذهن‌های ریاضی جهان را به چالش کشیده است.
یک مدل داخلی منتشرنشده از OpenAI اکنون این معادلات را حل کرده است. این اتفاق نشان‌دهنده جهشی عظیم در توانایی هوش مصنوعی برای مدیریت اثبات‌های ریاضی پیچیده و باز است؛ مسائلی که تا پیش از این، انسان‌ها را در بن‌بست قرار داده بود. این دستاورد در حالی رخ می‌دهد که صنعت هوش مصنوعی از رابط‌های ساده‌ی چت به سمت عامل‌های هوش مصنوعی (AI Agents) — شبیه دستیارهای هوشمندی که می‌توانند به‌تنهایی برنامه‌ریزی کنند و ابزارها را به کار بگیرند — حرکت می‌کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی گذار به سیستم‌های عامل‌محور اشاره کردیم، توانایی استدلال عمیق اکنون اولویت اول مدل‌های پیشرو است.
مکانیسم این پیشرفت بزرگ
به نقل از گزارش The Rundown AI در ۹ سپتامبر ۲۰۲۶، این شرکت برای رسیدن به این نتیجه تنها به یک دستور (Prompt) ساده تکیه نکرد. در عوض، آن‌ها تقریباً ۱۰ هزار عامل هوش مصنوعی را به‌طور هم‌زمان مستقر کردند تا روی این مسئله کار کنند.
این عامل‌ها بر اساس مدلی عمل می‌کردند که توصیف شده است «به‌طور قابل‌توجهی توانمندتر» از GPT-6 Astra باشد. فرآیند نهایی کردن این اثبات ریاضی، نیازمند ۸۸ ساعت محاسبات مداوم و بدون وقفه بود.
سام آلتمن این اتفاق را «یکی از شگفت‌انگیزترین لحظات برای من در تاریخ OpenAI» توصیف کرد. با این حال، این موفقیت با برچسب قیمتی خیره‌کننده‌ای همراه بود؛ تخمین زده می‌شود هزینه محاسبات (Compute) — که در واقع کرایه آشپزخانه‌های صنعتیِ پردازشی است — برای این عملیات در مقیاس «میلیون‌ها دلار» بوده باشد.
جنجال بر سر مالکیت معنوی و اعتبار
با وجود این پیروزی، سایه‌ای از اختلاف بر این دستاورد افتاده است. OpenAI اکنون درگیر یک نزاع عمومی بر سر مالکیت معنوی با دو ریاضی‌دان است: تریستان باک‌مستر از دانشگاه NYU و لِوِنت آلپوگه از Anthropic. این دو متخصص یک سال تمام را صرف دنبال کردن مسیری ریاضی مشابه برای حل این مسئله کرده بودند.
باک‌مستر و آلپوگه پیش‌نویس‌های پژوهشی خود را به مدل Codex تغذیه کرده بودند و نتایج جزئی تحقیقاتشان را تنها یک شب پیش از ادعای پیروزی OpenAI منتشر کرده بودند.
باک‌مستر علناً این سؤال را مطرح کرده است که آیا OpenAI برای رسیدن به خط پایان، از پیش‌نویس‌های خاص او استفاده کرده است یا خیر. او ادعا می‌کند که این شرکت تنها پس از شنیدن خبر کارهای آن‌ها، فشار شدید خود را برای حل مسئله آغاز کرد.
در مقابل، OpenAI این ادعاها را رد کرده و اعلام کرده است که «هیچ‌یک از کارهای آن‌ها را ندیده است» و «به هیچ داده‌ی کاربر خاصی دسترسی نداشته است». با این حال، شرکت پذیرفت که نمی‌تواند این احتمال را رد کند که داده‌های کلیِ استفاده کاربران (General Usage Data) ممکن است باعث بهبود مدل‌های پایه شده باشد.
تحولات موازی در دنیای AI
در حالی که دنیای ریاضیات بر سر اعتبار این کشف بحث می‌کند، OpenAI سرعت عرضه محصولات خود را نیز افزایش داده است. در همان روزی که خبر حل مسئله ریاضی منتشر شد، این شرکت مدل ChatGPT Images 2.5 را معرفی کرد.
این مدل جدید تولید تصویر را تا ۵۰٪ نسبت به نسخه ۲.۰ سریع‌تر می‌کند. همچنین قابلیت «طرح به تصویر» (sketch-to-image) را از طریق دستور @Sketch اضافه کرده و ابزارهای ویرایشی بسیار دقیق‌تری را ارائه می‌دهد.
- دقت در ویرایش: مدل ۲.۵ در «ویرایش تنها بخش‌هایی که از آن خواسته شده» بسیار بهتر عمل می‌کند. این موضوع مشکلی را حل می‌کند که در مدل‌های قبلی، تغییرات کوچک باعث تغییرات عجیب و گسترده در کل تصویر می‌شد.
- مجموعه ابزارهای جدید: کاربران اکنون به قالب‌هایی (Templates) برای شروع سریع‌تر، بخش نظرات برای ویرایش‌های جزئی و دستورات (Prompts) قابل اشتراک‌گذاری دسترسی دارند.
- تسلط بر جدول امتیازات: دو مدل جدید به نام‌های Sunburst و Flare در API شرکت فعال شدند که در حال حاضر رتبه‌های اول و دوم جدول امتیازات Arena AI را در اختیار دارند.
این موضوع نشان می‌دهد که OpenAI اکنون اساساً با معیارهای قبلی خودش رقابت می‌کند، زیرا Images 2.0 پیش از این عرضه، در صدر یا نزدیک به صدر جدول امتیازات بود.
ظهور عامل‌های شخصی (Personal Agents)
فراتر از ریاضیات و تصاویر، چشم‌انداز کلی هوش مصنوعی به سمت کاربردهای «همیشه فعال» (Always-on) در حال حرکت است. Meta اخیراً عامل شخصی Muse را معرفی کرد؛ یک عامل هوش مصنوعی با رابط پیام متنی.
Muse می‌تواند در وب گشت‌وگذار کند، فرم‌ها را پر کند و با اپلیکیشن‌هایی مانند Gmail، Spotify، Ticketmaster و OpenTable یکپارچه شود. این عامل از طریق کامپیوتر ابری اختصاصی خود عمل می‌کند و در ایالات متحده از طریق واتس‌اپ یا یک اپلیکیشن مستقل در دسترس است.
- قابلیت‌های فنی: Muse از یک ماشین مجازی (Virtual Machine) برای انجام اقدامات در مرورگر استفاده می‌کند و حتی می‌تواند برای اپلیکیشن‌هایی که فاقد API هستند، کدهای یکپارچه‌ساز مخصوص به خود را بنویسد.
- امنیت و پرداخت‌ها: متا بر محیط ابری امن، جریان‌های تأیید داخلی (Approval Flows) و پرداخت‌های فعال‌شده توسط Stripe به عنوان نقاط قوت اصلی تأکید کرده است.
- ساختار قیمت‌گذاری: این عامل استفاده رایگان محدودی ارائه می‌دهد و پس از آن، طرح‌های اشتراک ماهانه ۲۰ یا ۱۰۰ دلاری را پیشنهاد می‌کند.
این محصول Muse را در رقابتی مستقیم با عامل‌های نوظهوری مانند Hermes، OpenClaw و Grok Bot قرار می‌دهد. با این حال، توانایی مدل‌های پیشرو در ایجاد مرورگرهای اختصاصی خودشان نشان می‌دهد که OpenAI و Anthropic ممکن است در نهایت این واسطه‌های عاملی را حذف کنند.
جستجوی AI و دیده شدن برندها
با رایج‌تر شدن عامل‌هایی مانند Muse، نحوه نمایش برندها در جستجوهای هوش مصنوعی در حال تغییر است. این امر منجر به ظهور ممیزی‌های «سئو برای هوش مصنوعی» (AI SEO) شده است تا میزان دیده شدن برندها در پاسخ‌های تولید شده توسط AI ردیابی شود.
برای نظارت بر این موضوع، برندها اکنون از یک فرآیند تأیید چندمرحله‌ای استفاده می‌کنند:
- تست مستقیم: بررسی ارجاعات (Citations) در نتایج Google Search و ChatGPT.
- ابزارهای ممیزی: استفاده از ارزیاب‌های رایگان Peekaboo، ابزار AI Search Grader شرکت HubSpot و SEO Checker شرکت Semrush.
- ردیابی عملکرد: استفاده از بخش «Generative AI» در قسمت Performance کنسول جستجوی گوگل برای ردیابی میزان نمایش (Impressions).
کارشناسان پیشنهاد می‌کنند از Codex برای خودکارسازی این بررسی‌ها استفاده شود و گزارش‌ها در قالب PDFهای تک‌صفحه‌ای تدوین شوند که پرس‌وجوهای هدف و چک‌لیست‌های بهبود را برجسته می‌کند. برای مثال، یک فروشگاه باغ‌بانی در هیوستون ممکن است پرس‌وجوی خاص «کجا در هیوستون می‌توانم کود بخرم؟» را تست کند.
تغییرات گسترده‌تر در صنعت
این شتاب پیشرفت تنها محدود به غول‌ها نیست. آزمایشگاه‌های دیگر در حال جابه‌جا کردن مرزهای سرعت و داده‌های تخصصی هستند. Inception Labs اخیراً مدل Mercury 2.5 را عرضه کرد؛ یک مدل دیفیوژن (Diffusion) که متن را به‌جای کلمه-به-کلمه، به‌صورت موازی می‌نویسد. این شرکت ادعا می‌کند که کیفیتی در سطح Haiku 4.5 را با سرعتی بیش از ۱۱۰۰ توکن (Token) در ثانیه ارائه می‌دهد.
در حوزه زیست‌شناسی، گوگل دیپ‌مایند AlphaGenome Atlas را راه‌اندازی کرد. این یک نقشه رایگان و قابل جستجو است که توسط AlphaGenome AI تولید شده و اثرات تمام ۹ میلیارد جهش احتمالی تک‌حرفی DNA را پیش‌بینی می‌کند.
پشتیبانی مالی برای این قابلیت‌ها همچنان عظیم است. شرکت Cognition، سازنده Devin، یک دور جذب سرمایه ۲ میلیارد دلاری با ارزش‌گذاری ۴۸ میلیارد دلار را اعلام کرد. درآمد سالانه آن‌ها از ماه می تاکنون تقریباً دو برابر شده و به ۹۰۰ میلیون دلار رسیده است. به همین ترتیب، Mistral AI مبلغ ۳ میلیارد یورو (۳.۵ میلیارد دلار) جذب کرد که ارزش این آزمایشگاه فرانسوی را به بیش از ۲۴ میلیارد دلار رساند؛ آن‌ها مدل‌های خود را به سازمان‌هایی معرفی می‌کنند که کنترل داده‌ها برایشان اولویت است.
سقف جدید برای هوش مصنوعی
این توالی اتفاقات — حل یک مسئله جایزه هزاره در صبح و عرضه یک مدل تصویر پیشرو در بعدازظهر — نشان‌دهنده تغییری در سرعت پیشرفت AI است. این واقعیت که یک مدل داخلی در حال حاضر مدل عمومی GPT-6 Astra را به شدت پشت سر می‌گذارد، نشان می‌دهد که سقف عملکردی فعلی تنها یک توهم است.
برای رهبران کسب‌وکار، این بدان معناست که شکاف بین «هوش مصنوعی عمومی» و «هوش مصنوعی پیشرو» (Frontier AI) در حال گسترش است. توانایی هماهنگ کردن ۱۰ هزار عامل برای حل یک مسئله میلیون دلاری نشان می‌دهد که گردش‌کارهای عاملی (Agentic Workflows) محرک اصلی جدید ارزش‌آفرینی هستند.
اگر AI اکنون می‌تواند مسائل ریاضی صدساله را از طریق هماهنگی گسترده عامل‌ها و قدرت پردازشی خالص حل کند، مرز بعدی احتمالاً اتوماسیون اکتشافات علمی سطح بالا و مهندسی پیشرفته خواهد بود.
گام بعدی شما
- اگر مدیر محصول هستید، بررسی کنید که آیا گردش‌کارهای شما می‌تواند از ساختار «چندعاملی» (Multi-agent) برای حل مسائل پیچیده استفاده کند یا خیر.
- ابزارهای AI SEO را برای تحلیل نحوه معرفی برندتان در پاسخ‌های ChatGPT و گوگل تست کنید.
- قابلیت Sketch-to-Image در نسخه ۲.۵ تصاویر را برای تسریع در پروتوتایپینگ بصری امتحان کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو