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

شرکت **Anthropic** با افتتاح دفتر سیدنی و انتصاب مدیر منطقهای جدید، استراتژی نفوذ در بازار استرالیا و نیوزیلند را کلید زد. این حرکت با ادغام عمیق در ابزارهایی مثل **Canva** و **Xero**، تلاشی برای تبدیل هوش مصنوعی از یک ابزار آزمایشی به زیرساخت عملیاتی است.

پروژهی AgentFM با تبدیل سختافزارهای محلی به یک شبکه توزیعشده، امکان اجرای مدلهای هوش مصنوعی را بدون نیاز به APIهای ابری فراهم میکند. این سیستم با تقلید از ساختار OpenAI، ابزارهایی مانند LangChain را به کلی رایگان و مستقل میسازد.

پلتفرم OpenMOSS با معرفی MOSS-Audio، مرزهای تحلیل صوتی را جابهجا کرد. این مدل بنیادی با معماری نوآورانه، توانسته است در نسخهی ۸ میلیاردی خود، مدلهای ۳۰ میلیاردی را در دقت تحلیل شکست دهد.

شرکت OpenAI با معرفی Symphony، مدیریت پروژهها را به مرکز فرماندهی عاملهای کدنویس تبدیل کرد. این رویکرد با جایگزینی گفتگوهای تعاملی با ارکستراسیون تیکتمحور، نرخ پذیرش Pull Requestها را در برخی تیمها تا ۵۰۰ درصد افزایش داده است.

گوگل با استفاده از IDE داخلی Anti-Gravity، تولید سیستمهای نرمافزاری را خودکار کرده است. اکنون ۷۵٪ از کدهای این شرکت توسط هوش مصنوعی تولید میشود و نقش برنامهنویسان را از نویسنده به بازبین تغییر داده است.

استارتاپ Signull Labs با توسعهی Skye، قصد دارد شبکهی ایستای اپلیکیشنهای آیفون را با یک رابط کاربری عاملمحور جایگزین کند. این پروژه که با حمایت a16z پیش میرود، از ویجتهای iOS برای ایجاد یک هوش محیطی استفاده میکند.

گیتهاب از ۱ ژوئن ۲۰۲۶ سیستم پرداخت Copilot را از مدل اشتراکی ثابت به مدل مبتنی بر توکن تغییر میدهد. این تصمیم برای مقابله با هزینههای نجومی محاسبات در گردشکارهای عاملمحور اتخاذ شده است.

پلتفرم Tendril با معرفی الگوی «قابلیت»، عصر ابزارهای استاتیک را به پایان میرساند. این سیستم به جای استفاده از لیستهای حجیم ابزار، خودش ابزارهای لازم را بهصورت خودکار میسازد و بازیافت میکند.

هوش مصنوعی از مرحلهی «شگفتی» به مرحلهی «پاسخگویی» وارد شده است. اکنون عدم اطمینان از نتایج و هزینههای سرسامآور توکنها، بزرگترین موانع پذیرش این فناوری در سازمانها هستند.

سام آلتمن با معرفی پنج اصل راهبردی، تلاش میکند هزینههای کلان زیرساختی OpenAI را توجیه کند. این چارچوب با تأکید بر دموکراتیزه کردن، مسیر ادغام عمودی و خرید گسترده سختافزار را هموار میکند.

اوپنایآی مدل متنباز Privacy Filter را برای شناسایی و حذف خودکار اطلاعات حساس در پنجرههای حجیم ۱۲۸ هزار توکنی معرفی کرد. این ابزار با حذف نیاز به تکهتکه کردن متن، امنیت دادهها را در مقیاس صنعتی تضمین میکند.

پروژه متنباز Dirac با بهینهسازی هوشمند بافتار، هزینههای API عاملهای کدنویسی را بهطور میانگین ۶۴.۸٪ کاهش داده است. این ابزار با کسب رتبه اول در بنچمارک Terminal-Bench-2، حتی از مدلهای بسته و خطمبنای گوگل نیز پیشی گرفته است.

علیبابا دسترسی عمومی به API مدل HappyHorse 1.0 را آغاز کرد تا تولید ویدیوهای صنعتی را متحول کند. این سیستم با ارائه چهار نقطه اتصال تخصصی، مشکل قدیمی «تغییر چهره» در ویدیوهای زاینده را حل کرده است.

Mistral AI با اولویت دادن به «حاکمیت دادهای» و مدلهای وزنباز، به ارزش ۱۴ میلیارد دلار رسیده است. این استارتاپ فرانسوی به جای رقابت در بنچمارکها، روی نیاز دولتها و شرکتهای بزرگ به استقلال از فناوریهای آمریکایی و چینی شرطبندی کرده است.

پژوهشگران گوگل تلههای نامرئی در صفحات وب را شناس کردهاند که میتوانند عاملهای هوش مصنوعی سازمانی را به تسخیر درآورند. این حملات با استفاده از دسترسیهای قانونی خودِ عامل، دادههای حساس شرکتها را بدون شناسایی شدن به بیرون ارسال میکنند.

چین با دستور کمیسیون NDRC، شرکت متا را مجبور به خروج از معامله ۲ میلیارد دلاری خرید استارتاپ Manus کرد. این تصمیم که با هدف جلوگیری از «تهی شدن» تکنولوژی داخلی چین اتخاذ شده، متا را با یک چالش فنی و مالی بیسابقه برای جداسازی دادهها مواجه کرده است.

محققان دانشگاه کمبریج ممریستوری ساختهاند که مصرف انرژی AI را ۷۰٪ کاهش میدهد، اما دمای بالای تولید آن، مسیر تجاریسازی را مسدود کرده است. این اتفاق نشان میدهد که شکاف میان آزمایشگاه و بازار، یک مشکل مهندسی تولید است، نه یک چالش فیزیک.

متا با همکاری Overview Energy قصد دارد برق خورشیدی را از فضا به زمین منتقل کند تا دیتاسنترهای AI خود را در شب تغذیه کند. این پروژه با هدف تامین ۱ گیگاوات انرژی، وابستگی به باتریهای گرانقیمت و سوختهای فسیلی را به شدت کاهش میدهد.

متا با معرفی Sapiens2، استانداردهای بینایی ماشین را جابهجا کرد. این مدل بنیادی با آموزش روی ۱ میلیارد تصویر، پیچیدهترین حالتهای بدن انسان را با دقت ۴K بازسازی میکند.

OpenAI و مایکروسافت انحصار همکاری خود را به پایان رساندند. این چرخش راهبردی به OpenAI اجازه میدهد مدلهای خود را در پلتفرمهای دیگر از جمله AWS عرضه کند و ساختار درآمدی دو شرکت را بهکلی تغییر دهد.

آزمایش جدید Anthropic نشان میدهد مدلهای پیشرو در مذاکرات مالی بسیار موفقتر از مدلهای کوچک هستند. تکاندهنده این است که کاربران مدلهای ضعیفتر، حتی با وجود ضرر مالی، احساس میکردند معاملهی منصفانهای داشتهاند.

شرکت Cohere ابزار Transcribe را برای تبدیل دقیق صدا به متن در محیطهای پر سر و صدا معرفی کرد. این سیستم با پشتیبانی از وزنهای باز و استقرار محلی، امنیت دادههای سازمانی را در ۱۴ زبان تضمین میکند.

انتخاب دستیار هوش مصنوعی شما دیگر فقط یک ترجیح فنی نیست، بلکه نشانهای از جایگاه اقتصادی شماست. دادههای جدید نشان میدهد کاربران کلود ثروتمندترین گروه کاربری در میان مدلهای زبانی هستند.

هزینههای قدرت محاسباتی GPU برای پردازش تصاویر در ۱۸ ماه گذشته ۱۰ برابر کاهش یافته است، اما APIهای تجاری همچنان قیمتهای سرقولانهای میگیرند. ارائهدهندگانی مانند PixelAPI با استفاده از سختافزارهای مستقیم، این انحصار را با قیمتهایی بسیار پایینتر میشکنند.

پلتفرم GoDavaii با بهرهگیری از مدل Gemini 2.5 Flash، برای مبارزه با اطلاعات غلط پزشکی در هند معرفی شد. این ابزار با پشتیبانی از ۲۲ زبان، تداخلات خطرناک میان درمانهای سنتی آیورودا و پزشکی مدرن را شناسایی میکند.

شرکت MoonshotAI با معرفی مدل Moonlight و بهینهساز Muon، هزینههای آموزش مدلهای MoE را تا ۵۲ درصد کاهش داد. این دستاورد ثابت میکند که میتوان با تغییر در لایهی ریاضی بهینهسازی، بهرهوری را بدون افت کیفیت دو برابر کرد.

مایکروسافت با معرفی OpenMementos، روشی برای جایگزینی استدلالهای طولانی با خلاصههای فشرده ارائه کرد. این متد مصرف توکنها را تا ۶ برابر کاهش میدهد بدون آنکه دقت مدل در مسائل پیچیده کم شود.

مدل جدید xAI با نام grok-voice-think-fast-1.0 با حذف تأخیرهای مکالمهای، رقبای خود یعنی Gemini و GPT را در بنچمارکهای صوتی شکست داد. این سیستم هماکنون در پشتیبانی مشتریان استارلینک با نرخ موفقیت ۷۰ درصدی فعال است.

یک چارچوب جدید برای استفاده از **هوش مصنوعی زاینده** در داروخانهها معرفی شده است که مدیریت بحران کمبود دارو را از حالت دستی به یک جریان کاری پیشدستانه تبدیل میکند. این سیستم با اولویتبندی هوشمند بیماران و پیشنهاد جایگزینهای بالینی، زمان داروسازان را آزاد کرده و نرخ ریزش بیماران را کاهش میدهد.

یک تحلیل موردی نشان میدهد که حذف دادههای تکراری در پرامپتها و تغییر مدلهای پسزمینه، هزینههای توکن را ۴۰٪ کاهش میدهد. این یافته ثابت میکند که «تورم پرامپت» عامل اصلی هزینههای عملیاتی در سیستمهای عاملمحور است، نه لزواً انتخاب مدل.