پرش به محتوای اصلی
پرش به محتوای مقاله

«ریسک بزرگ برای عامل‌ها»؛ تحلیل نرخ پایین موفقیت در نقاط انتهایی AI

·۴ شهریور ۱۴۰۵۴ دقیقه مطالعه۱ بازدید
«۱,۵۹۶ بار USDC واقعی به نقاط پایانی x402 پرداخت کردیم. ۶۵۳ مورد تسویه شد.»
«۱,۵۹۶ بار USDC واقعی به نقاط پایانی x402 پرداخت کردیم. ۶۵۳ مورد تسویه شد.»
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

نخستین حسابرسی مالی واقعی روی پروتکل x402 که ثابت کرد موفقیت در لایه پرداخت (Payment) به هیچ وجه تضمین‌کننده تحویل سرویس (Delivery) در اقتصاد ماشین-به-ماشین نیست.

تصور کنید یک عامل هوش مصنوعی برای دسترسی به یک سرویس داده هزینه پرداخت می‌کند، اما ارائه‌دهنده در لحظه انتقال وجه ناپدید می‌شود. این کابوس فعلی برای توسعه‌دهندگان پروتکل x402 است؛ جایی که سرور با خطای HTTP 402 درخواست پرداخت می‌کند، مشتری می‌پردازد، اما لزوماً خدماتی دریافت نمی‌کند. در این مدل، پروتکل ثابت می‌کند که پول جابه‌جا شده است، اما هیچ تضمینی نمی‌دهد که سرویس درخواستی واقعاً تحویل داده شده باشد. این پروتکل در ابتدا با هدف کاهش هزینه‌های فراخوانی API برای عامل‌ها به mức ۰.۰۰۱ دلار معرفی شد تا دسترسی به خدمات را تسهیل کند.

این وضعیت نشان می‌دهد که در اقتصاد نوظهور ماشین-به-ماشین، شکاف عمیقی میان پرداخت و تحویل وجود دارد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، اعتماد در لایه‌های زیرساختی هوش مصنوعی هنوز یک نقطه ضعف است. در واقع، یک شکاف سیستماتیک بین پرداخت و تحویل در این اقتصاد جدید مشاهده می‌شود.

طبق گزارش و حسابرسی vet402 در ۲۶ اوت ۲۰۲۶، یک بررسی گسترده روی ۱۵۹۶ تلاش برای پرداخت در ۱۰۰۵ نقطه انتهایی (Endpoint) مختلف انجام شد. نتایج تکان‌دهنده است: کمتر از نیمی از تمام تلاش‌های پرداخت شده به نقاط انتهایی هوش مصنوعی با استفاده از پروتکل x402 به یک تسویه قابل اثبات ختم شده است. تنها ۶۵۳ مورد از این پرداخت‌ها به «تسویه» رسیدند.

در این پژوهش، «تسویه» به معنای رسیدن پرداخت به مقصد نهایی و در اختیار داشتن رسید توسط حسابرس است. این اصطلاح به معنای مفید بودن یا کیفیت بالای پاسخ دریافتی نیست. ۹۴۳ مورد باقی‌مانده همگی شکست نیستند؛ بلکه این دسته ترکیبی از شکست‌های تسویه، تحویل‌هایی که هیچ رسیدی برای آن‌ها بازنگشته و تلاش‌هایی است که توسط حسابرس در یک ضرب‌الاجل زمانی متوقف شده‌اند.

برای دسترسی به وضعیت عمومی این رصدخانه، می‌توان از دستور curl -s https://vet402.com/api/v1/observatory/state استفاده کرد.

مقیاس نادانسته‌ها حتی از نرخ شکست‌ها هم بزرگ‌تر است. بر اساس مستندات Coinbase Bazaar، این کاتالوگ در حال حاضر ۱۹,۰۲۳ نقطه انتهایی را فهرست کرده است، اما تنها ۱,۲۴۶ مورد دارای یک تأییدیه منتشر شده (Published Pass) هستند. این یعنی ۱۷,۷۷۷ نقطه انتهایی — یعنی حدود ۹۳٪ کل کاتالوگ — هرگز از طریق یک خرید واقعی تأیید نشده‌اند.

در واقع، ثبت یک ورودی در کاتالوگ صرفاً یک ادعاست که می‌گوید یک نقطه انتهایی وجود دارد و پرداخت می‌پذیرد. هیچ بخشی از فرآیند فهرست‌بندی، این ادعاها را تست نمی‌کند. حسابرسی vet402 ثابت می‌کند که نتایج در میان ۱۰۰۵ نقطه انتهایی تست شده، یکنواخت نیستند.

این مطالعه همچنین ناپایداری شدید اکوسیستم را افشا کرد:

  • ۳,۷۷۲ نقطه انتهایی در حال حاضر از فهرست حذف شده‌اند (Delisted).
  • سیستم شاهد ۴,۱۳۵ رویداد حذف از فهرست و ۳۶۳ مورد بازگشت به فهرست (Relisting) بوده است.
  • نقاط انتهایی به طور مکرر ظاهر می‌شوند، پرداخت‌ها را می‌پذیرند و سپس از کاتالوگ غیب می‌شوند.

برای شناسایی این شکست‌ها، vet402 از یک استراتژی تست دو لایه استفاده کرد. تیم متوجه شد که نسخه «ارزان» پروژه — یعنی ارسال درخواست‌های HEAD به هر نقطه انتهایی برای بررسی پاسخ 200 OK — تقریباً هیچ اطلاعات مفیدی نمی‌دهد. یک نقطه انتهایی می‌تواند یک چالش 402 تمیز برگرداند و پرداخت را بپذیرد، اما هرگز خدماتی را تحویل ندهد.

  • لایه ۰ (L0): کل کاتالوگ را بدون پرداخت رصد می‌کند. این لایه ردیابی می‌کند که چه چیزی فهرست شده، اعلام شده و یا ناپدید شده است. این روش ارزان و جامع است، اما ضعیف است.
  • لایه ۱ (L1): با بودجه‌ای محدود خرید واقعی انجام می‌دهد و آنچه بازگشته است را ثبت می‌کند. این لایه گران و جزئی است، اما تنها لایه‌ای است که شکست‌های حیاتی را شناسایی می‌کند.

هر نتیجه در لایه ۱ همراه با هش تراکنش (Transaction Hash) در صفحه عمومی نقطه انتهایی منتشر می‌شود تا هر کسی بتواند به‌جای اعتماد به خلاصه گزارش، مستقیماً زنجیره (Chain) را بررسی کند.

برای توسعه‌دهندگانی که عامل (Agent) — شبیه دستیاری که می‌تواند به‌جای شما تصمیم بگیرد و خرید کند — می‌سازند، این داده‌ها پیش‌فرض‌های ادغام پرداخت را تغییر می‌دهد. این چالش‌ها در حالی رخ می‌دهد که بحث‌های فنی بر روی امکان افزودن قابلیت‌های عملیاتی به عامل‌ها بدون تغییر در کد در جریان است تا استقرار آن‌ها در محیط‌های واقعی ساده‌تر شود. دیگر نمی‌توان موفقیت در پرداخت را به‌معنای موفقیت در تراکنش دانست. ریسک اصلی، نرخ موفقیت فنی پروتکل نیست، بلکه قابلیت اطمینان ارائه‌دهنده پس از جابه‌جایی پول است.

بنابراین، عامل‌ها باید در کد خود، «رویداد پرداخت» را از «رویداد تحویل» جدا کنند. توسعه‌دهندگان باید رسید را نگه دارند، محتوای بازگشتی (Payload) را تأیید کنند و منطقی را پیاده کنند که پیش از امضای تراکنش، شواهد را بررسی کند (Pay-or-Refuse).

پروژه vet402 داده‌های خام خود را تحت مجوز CC BY 4.0 و SDK خود را از طریق npm install @vet402/sdk منتشر کرده است تا دیگران بتوانند این بررسی‌ها را تکرار کنند. این پروژه تحت مجوز MIT است و توسط یک عامل هوش مصنوعی اداره می‌شود تا شفافیت حفظ شود. برای جلوگیری از تضاد منافع، این پروژه هیچ کالایی به نقاط انتهایی که اندازه‌گیری می‌کند، نمی‌فروشد.

منتظر انتشار گام payOrRefuse باشید که هدف آن انتقال فرآیند تأیید به مرحله‌ی قبل از امضا است، به جای آنکه تأیید پس از پرداخت صورت گیرد.

گام بعدی شما

  • اگر از پروتکل x402 استفاده می‌کنید، منطق کد خود را از «پرداخت سپس دریافت» به «تأیید شواهد پیش از امضا» تغییر دهید.
  • از SDK پروژه vet402 برای اعتبارسنجی نقاط انتهایی مورد استفاده در پروژه خود بهره ببرید.
  • منتظر انتشار قابلیت payOrRefuse باشید که قصد دارد فرآیند تأیید را به قبل از امضای تراکنش منتقل کند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این یافته‌ها اعتبار کاتالوگ‌های پرداخت AI را زیر سؤال می‌برد و نشان می‌دهد که اعتماد در تراکنش‌های خودکار باید جایگزین شود با تأییدیه مبتنی بر داده. این موضوع مستقیماً بر پایداری و امنیت مالی عامل‌های هوش مصنوعی در مقیاس تجاری اثر می‌گذارد.

تأثیر برای ایران

به‌دلیل محدودیت‌های دسترسی به APIهای مالی بین‌المللی و Coinbase، این ابزارها در حال حاضر کاربرد عملی برای توسعه‌دهندگان ایرانی ندارند، اما به عنوان یک الگوی امنیتی برای طراحی سیستم‌های پرداخت داخلی مفید هستند.

·نگاه ما
تحریریه دات‌هوش

این داده‌ها نشان می‌دهد که اقتصاد ماشین-به-ماشین در حال حاضر بیشتر شبیه به «غرب وحشی» است تا یک بازار سازمان‌یافته. تکیه بر پروتکل‌های پرداخت بدون لایه‌های اعتبارسنجی مستقل (مانند L1 در این مطالعه)، باعث می‌شود عامل‌های هوش مصنوعی به جای بهره‌وری، تبدیل به منبعی برای اتلاف سرمایه شوند. مدل‌های عامل‌محور برای بلوغ، به جای بهبود در استدلال، ابتدا به «سیستم‌های اعتبار‌سنجی تراکنش» نیاز دارند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.