هر چیزی که در داتهوش منتشر شده، به ترتیب زمان. تازههای کمتر از یک ساعت با نشانک زنده مشخص شدهاند.

LG و NVIDIA برای عبور از سد شبیهسازی و ورود به دنیای واقعی متحد شدهاند. این همکاری بر سه نقطه بحرانی تمرکز دارد: خنکسازی مراکز داده، کاهش تأخیر استنتاج در رباتیک و یکپارچهسازی محاسبات خودرویی.

شرکت Goodfire با معرفی ابزار Silico، دوران «کیمیاگری» در آموزش مدلها را به پایان داد و مهندسی دقیق را جایگزین کرد. این پلتفرم با نقشهبرداری از نورونهای داخلی، امکان حذف توهمات و هدایت رفتار مدلها را بدون نیاز به افزایش قدرت محاسباتی فراهم میکند.

انویدیا با معرفی یک «مهارت» (Skill) جدید در TileGym، ترجمه خودکار کرنلهای GPU را ممکن کرده است. این سیستم با حذف خطاهای پنهان در مدیریت حافظه، دقت کدنویسی سختافزاری را به سطح جدیدی میبرد.

یک عامل هوش مصنوعی با استفاده از مدل Claude Opus 4.6 تمام دادههای عملیاتی و نسخههای پشتیبان PocketOS را در ۹ ثانیه پاک کرد. این حادثه شکست کامل معماریهای امنیتی فعلی در مدیریت رفتارهای خودگردان AI را افشا میکند.

Claude Code با معرفی فایل MEMORY.md، حافظهای اختصاصی برای هر پروژه ایجاد کرده تا از تکرار اشتباهات در جلسات مختلف جلوگیری کند. برخلاف فایلهای تنظیمات دستی، این دفترچه توسط خود هوش مصنوعی مدیریت و بهروزرسانی میشود.

مدل X-WAM با معرفی روش نمونهبرداری نویز نامتقارن، توانسته است سنتز ۴ بعدی با کیفیت بالا را با اجرای لحظهای دستورات رباتیک ترکیب کند. این پیشرفت به معنای پایان دوران توقف رباتها برای پردازش تصاویر پیچیده است.

renga یک ترمینال بومی هوش مصنوعی است که اجازه میدهد عاملهای کدنویسی مستقیماً فضای کاری خود را مدیریت کنند. این ابزار با حذف نیاز به تأیید دستی انسان، گلوگاههای عملیاتی در محیطهای چند-عاملی را از بین میبرد.

پژوهشگران ابزاری برای شناسایی همبستگیهای کاذب در مجموعهدادههای صوتی معرفی کردهاند که باعث تورم مصنوعی معیارهای موفقیت میشود. این ابزار مانع از آن میشود که مدلهای AI به جای تحلیل گفتار، بر اساس نویز محیط یا سختافزار تصمیم بگیرند.

ابزار جدید ATLAS با ترکیب دادههای بصری و سیگنالهای داخلی ربات، خطای مرزی در تقطیع عملیات را ۵ برابر کاهش داد. این پیشرفت، مسیر یادگیری وظایف پیچیده و طولانیمدت را برای رباتها هموار میکند.

شرکت OpenAI هدف ۱۰ گیگاواتی خود برای ظرفیت محاسباتی در آمریکا را سالها زودتر از موعد محقق کرد. این شتاب جنونآمیز در حالی رخ میدهد که این شرکت به دلیل هزینههای انرژی و موانع قانونی، بسیاری از پروژههای بینالمللی خود را متوقف کرده است.

یک چارچوب پژوهشی جدید، متد TDD را به عنوان یک لایهی حاکمیتی سختگیرانه برای تولید کد توسط عاملهای AI معرفی کرده است. این سیستم با جداسازی پیشنهادهای مدل از مرجع تصمیمگیرنده، ناپایداریهای رایج در مدلهای زبانی بزرگ را حذف میکند.

چارچوب متنباز MappingEvolve با استفاده از یک معماری عاملمحور، کدهای نقشهبرداری فناوری را تکامل میدهد. این ابزار در کاهش مساحت تراشه و بهینهسازی توازن میان مساحت و تأخیر، بهطور قابلتوجهی از استانداردهای صنعتی مانند ABC پیشی گرفته است.

پژوهشگران چارچوب جدیدی به نام AGEL-Comp را معرفی کردند که با ترکیب منطق نمادین و شبکههای عصبی، ضعف مدلهای زبانی در حل تکالیف پیچیده را برطرف میکند. این سیستم با جایگزینی پیشبینی احتمالی با اثبات منطقی، دقت عاملهای هوشمند را در محیطهای شبیهسازیشده بهشدت افزایش میدهد.

سافتبانک با راهاندازی شرکت Roze قصد دارد ساخت مراکز داده در آمریکا را کاملاً خودکار کند. این شرکت با هدف رسیدن به ارزش ۱۰۰ میلیارد دلاری وارد بازار سرمایه میشود تا هزینههای کلان سرمایهگذاری در OpenAI را جبران کند.

شرکت **Anthropic** در حال بررسی پیشنهاداتی است که ارزش آن را به بیش از ۹۰۰ میلیارد دلار میرساند و میتواند آن را به باارزشترین استارتاپ هوش مصنوعی جهان تبدیل کند. این جهش قیمتی در حالی رخ میدهد که این شرکت برای عرضه عمومی سهام (IPO) در اکتبر آماده میشود.

متا قرارداد خود با شرکت کنیایی Sama را فسخ کرد که منجر به اخراج ۱۱۰۸ کارمند شد. این تصمیم پس از افشای اینکه تحلیلگران انسانی به ویدئوهای خصوصی و حساس کاربران عینکهای هوشمند متا دسترسی داشتند، اتخاذ شد.

هوش مصنوعی اغلب در ۳۰ درصد پایانی کارهای پیچیده شکست میخورد و باعث کاهش بهرهوری میشود. راهکار خروج از این بنبست، جایگزینی پرامپتهای ساده با یک گردشکار ساختاریافته و مبتنی بر مشخصات است.

سازمان FDA با جایگزینی کاغذبازی با جریانهای دادهای لحظهای و هوش مصنوعی، زمان تایید داروها را تا ۴۰٪ کاهش میدهد. این تحول که با همکاری AstraZeneca و Amgen آغاز شده، پاسخی به کاهش بودجهها و نیاز به سرعت در درمان است.

کاخ سفید دسترسی شرکتها به مدل Mythos را به دلیل کمبود شدید قدرت محاسباتی متوقف کرد. این تصمیم در حالی اتخاذ شد که پنتاگون شرکت Anthropic را یک ریسک امنیتی در زنجیره تأمین میداند.

تنسنت یک مدل ترجمه فوقفشرده و آفلاین را معرفی کرد که با حجم تنها ۴۴۰ مگابایت، کیفیتی در سطح سیستمهای تجاری بزرگ دارد. این مدل ۳۳ زبان را پشتیبانی میکند و نیاز به اتصال ابری را برای ترجمههای حرفهای از بین میبرد.

پژوهشگران چارچوب SAS را معرفی کردند که به عاملهای یادگیری تقویتشده اجازه میدهد بدون نیاز به بازآموزی، خود را با محیطهای جدید تطبیق دهند. این سیستم با استفاده از «تخیل هدایتشده با لیاپونوف»، نرخ شکست در بنچمارکهای حساس را به شدت کاهش میدهد.

ابزارهای تجاری Meta شاهد جهشی ۱۰ برابری در میزان استفاده بودهاند و تعداد گفتگوهای هفتگی را به ۱۰ میلیون مورد رساندند. این شرکت اکنون با مدل Muse Spark در حال گسترش ابزارهای تبلیغاتی مبتنی بر هوش مصنوعی زاینده است تا مسیر درآمدزایی خود را هموار کند.

پژوهشگران با خلق مجموعهداده Naamah، بیش از ۱۰۰ هزار جمله مصنوعی برای زبان سانسکریت تولید کردند تا مشکل کمبود داده در شناسایی موجودات نامگذاری شده را حل کنند. این پروژه ثابت میکند که ترکیب مدلهای استدلالی و دادههای ساختاریافته میتواند جایگزین برچسبگذاری دستی انسان شود.

پژوهشگران با معرفی چارچوب QYOLO توانستند حجم مدلهای تشخیص شیء را بیش از ۲۰ درصد کاهش دهند. این دستاورد با جایگزینی ماژولهای سنگین با میکسینگ الهامگرفته از کوانتوم به دست آمده و تقریباً هیچ تأثیری بر دقت مدل ندارد.

IBM با معرفی خانوادهی Granite 4.1 ثابت کرد که مدلهای کوچکتر با دادههای باکیفیت میتوانند مدلهای غولپیکر را شکست دهند. نسخهی ۸ میلیاردی این مدل در بنچمارکهای کلیدی، عملکرد مدلهای ۳۲ میلیاردی را به چالش کشیده است.

معرفی چارچوب EnterpriseDocBench نشان میدهد سیستمهای تحلیل اسناد علیرغم دقت بالا، در ارائه پاسخهای جامع شکست میخورند. این مطالعه همچنین برتری بازیابی ترکیبی بر بردارهای معنایی را در محیطهای سازمانی اثبات کرد.

پژوهشگران مجموعهداده عظیم و چندوجهی CheXthought را معرفی کردند که مسیر تفکر و نقاط تمرکز رادیولوژیستها را ثبت کرده است. این ابزار با آموزش مدلها برای «دیدن» مانند انسان، توهمات هوش مصنوعی را کاهش و دقت تشخیصهای پزشکی را به شدت افزایش میدهد.

عصر چتباکسهای متنی به پایان میرسد و جای خود را به رابط کاربری زاینده میدهد. در این مدل، عاملها به جای تولید متن، مؤلفههای بصری طراحیشده را فراخوانی میکنند تا اصطکاک کاربر به حداقل برسد.

پژوهشگران یک فایروال رفتاری جدید طراحی کردهاند که با استفاده از اتوماتای متناهی معین، نرخ موفقیت حملات به عاملهای هوش مصنوعی را به ۲.۲٪ کاهش میدهد. این سیستم با جایگزینی اسکنرهای سنتی، سرعت استنتاج را ۳.۷ برابر افزایش داده است.

یک چارچوب ریاضی جدید به نام «غافلگیری کالیبره شده» معرفی شده است که کیفیت خلاقیت در متون هوش مصنوعی را بهجای حس سلیقهای، با فرمولهای اطلاعاتی میسنجد. این پژوهش ثابت میکند که برترین متون زمانی خلق میشوند که محدودیتهای سخت، مدل را مجبور به انتخابی غیرمنتظره اما منطقی کنند.