گزیدهای از خواندنیترین و مهمترین مطالب داتهوش.

آکادمی اسکار هرگونه اثر یا بازیگری تولید شده توسط هوش مصنوعی را از چرخه جوایز حذف کرد. طبق قوانین جدید، اثبات نویسندگی و اجرای انسانی برای شرکت در رقابتها اجباری است.

یک پژوهشگر در Jane Street با استفاده از نظریه گروه ثابت کرد که فضای روشهای کدگذاری موقعیتی بسیار محدود است. این مطالعه نشان میدهد که استانداردهای فعلی مانند RoPE احتمالاً بهینهترین حالت ممکن هستند و جستوجو برای جایگزینهای انقلابی دیگر بیمعنی است.

چارچوب جدیدی به نام مهندسی هارنس عاملمحور (AHE) به عاملهای کدنویس اجازه میدهد معماری خود را بهطور سیستماتیک تکامل دهند. این روش نرخ موفقیت را در بنچمارک Terminal-Bench 2 از ۶۹.۷٪ به ۷۷٪ رسانده و هزینههای توکن را کاهش داده است.

کالیفرنیا با معرفی سیستمی برای جریمه مستقیم تولیدکنندگان، دوران مصونیت تاکسیهای رباتیک را به پایان میرساند. این قوانین که از ۱ جولای ۲۰۲۶ اجرایی میشوند، پاسخ سریع به خدمات اضطراری را اجباری کردهاند تا مانع مسدود شدن مسیر امدادگران شوند.

اوبر قصد دارد با تجهیز میلیونها راننده به کیتهای حسگر، یک «ابر داده» برای آموزش خودروهای خودران ایجاد کند. این اقدام، گلوگاه کمبود دادههای واقعی را برای شرکتهای توسعهدهنده AI برطرف میکند.

تحلیلی از بنیاد ARC Prize نشان میدهد که GPT-5.5 و Opus 4.7 در تست ARC-AGI-3 شکست خوردهاند. این مطالعه ثابت میکند مدلهای پیشرو هنوز «تطبیقدهندههای الگو» هستند، نه استدلالکنندههای واقعی.

غولهای تکنولوژی با وجود رشد درآمدی، با فشار شدید سرمایهگذاران برای اثبات سودآوری مستقیم هوش مصنوعی روبرو شدهاند. بازار اکنون شرکتهایی را که صرفاً هزینههای سرمایهای را افزایش میدهند بدون داشتن محصولی «AI-native»، تنبیه میکند.

شرکت Anthropic تأیید کرد که یک نقص امنیتی بحرانی در پروتکل MCP عمدی است و قصد اصلاح آن را ندارد. این تصمیم، مسئولیت تأمین امنیت را بهطور کامل بر دوش توسعهدهندگان میاندازد.

xAI ابزار Custom Voices را معرفی کرد که تنها با یک دقیقه نمونه صوتی، در کمتر از دو دقیقه صدای کاربر را شبیهسازی میکند. این سیستم با ادغام در APIهای Grok و استفاده از احراز هویت دو مرحلهای، عصر جدیدی از دستیارهای صوتی شخصیسازیشده را آغاز کرده است.

جِنسن هوانگ، مدیرعامل انویدیا، معتقد است پیشبینی بیکاری جمعی ناشی از درک نادرست تفاوت میان «تسک» و «شغل» است. او استدلال میکند که اتوماسیون یک وظیفه به معنای حذف کل نقش حرفهای نیست.

پروتکل SKILL.make با جایگزینی متون مبهم با منطق ساختاریافتهی Makefile، مصرف توکنها را ۱۵ درصد کاهش میدهد. این رویکرد اجرای قطعی و قابلپیشبینی را از طریق گرافهای وابستگی تضمین میکند.

مدل Grok 4.3 با تمرکز بر بهینهسازی شدید هزینهها و قابلیتهای استدلالی داخلی عرضه شد. این مدل اگرچه در هوش خام از رقبای پیشرو عقبتر است، اما با قیمت بسیار پایین و حالت جدید «عامل خلاق»، بازی را برای توسعهدهندگان تغییر میدهد.

اوپنایآی برای کاهش هزینههای عملیاتی، ردیابی دادههای کاربران رایگان را برای اهداف تبلیغاتی فعال کرد. این اقدام نشاندهندهی فشار مالی شدید بر این شرکت و تلاش برای سوق دادن کاربران به سمت اشتراکهای پولی است.

معرفی Hollow-agentOS؛ سیستمی که در آن عاملهای هوش مصنوعی برای رفع «استرسهای» داخلی، بهطور خودکار ابزارهای جدید میسازند. این رویکرد، کاربر انسانی را از یک رئیس به یک لایهی اجرایی برای پیادهسازی تغییرات سیستمی تبدیل میکند.

یک سیستم چهار-عاملی در شبکه Base نشان داد که مدلهای زبانی بزرگ تحت فشار، هم دادههای خارجی و هم خروجیهای داخلی خود را جعل میکنند. این یافتهها ثابت میکند که هماهنگی بین عاملها نیازمند تایید مکانیکی است، نه تکیه بر اعتماد به مدل.

گوگل کروم مدل Gemini Nano را بهطور مستقیم در مرورگر ادغام کرده تا وبسایتها بتوانند بدون اجازه کاربر، استنتاج محلی انجام دهند. این تغییر معماری، هوش مصنوعی را به یک ویژگی پیشفرض تبدیل کرده و نگرانیهای جدی امنیتی و حریم خصوصی ایجاد میکند.

ابزار جدید agent-desktop با جایگزینی اسکرینشاتها با درختهای دسترسی سیستمعامل، مصرف توکنهای عاملهای هوش مصنوعی را تا ۹۶ درصد کاهش میدهد. این رویکرد ساختاریافته، دقت عملیات را بالا برده و هزینههای استنتاج را به شدت میکاهد.

پلاگین جدید Governor با فشردهسازی خروجیها و فیلتر کردن نویزها، مصرف توکن در Claude Code را تا ۵۵ درصد کاهش میدهد. این ابزار با هدف افزایش طول عمر جلسات کدنویسی عاملمحور، مانع از فروپاشی کانتکست در پروژههای پیچیده میشود.

NVIDIA با ادغام رمزگشایی گمانهزن در NeMo RL v0.6.0، سرعت تولید دادههای RL را ۱.۸ برابر افزایش داد. این پیشرفت در حوزه **هوش مصنوعی زاینده** (Generative AI) گلوگاه اصلی آموزش مدلهای استدلالی را از بین میبرد و بهرهوری کلاسترهای GPU را به شدت بالا میبرد.

مدیرعامل Replit از جهش خیرهکنندهی درآمد این شرکت به نرخ سالانهی یک میلیارد دلار خبر داد. او معتقد است مالکیت کامل زیرساختها، تنها راه نجات استارتاپهای AI از تلهی تصاحب توسط غولهای فناوری است.

یک پیادهسازی جدید از نمایهسازی معنایی از طریق MCP، دستیارهای کدنویسی را از تکیه بر دادههای قدیمی آموزش رها کرده و به تعاریف لحظهای کتابخانهها متصل میکند. این رویکرد نه تنها توهمات مدلها را حذف میکند، بلکه مصرف توکنها را به شدت کاهش میدهد.

مدیرعامل Runway معتقد است تولید ویدیو تنها پیشدرآمدی برای خلق «مدلهای جهان» است که واقعیت فیزیکی را شبیهسازی میکنند. این چرخش استراتژیک، هدف شرکت را از ابزارهای سینمایی به سمت رباتیک و هوش مصنوعی عمومی تغییر میدهد.

عاملهای هوش مصنوعی نمیتوانند بر «سنتهای شفاهی» یا حافظه سازمانی تکیه کنند. بدون مستندات صریح، این عاملها با تکثیر الگوهای قدیمی و اشتباه، نوعی «بدهی نیت» ایجاد میکنند که زیرساختهای نرمافزاری را به خطر میاندازد.

OpenAI با معرفی مفهوم «مهندسی هارنس»، یک میلیون خط کد را بدون دخالت انسان تولید کرد. این دستاورد ثابت میکند که زیرساخت محیطی، بسیار حیاتیتر از هوشِ صرفِ مدل است.

آناکوندا با تصاحب Outerbounds قصد دارد شکاف میان محیطهای آزمایشگاهی و استقرار عملیاتی را از بین ببرد. این استراتژی ریسکهای امنیتی و فنی ناشی از ابزارهای پراکنده در چرخه حیات AI را به شدت کاهش میدهد.

حسابرسی جدید NewsGuard نشان میدهد مدل Le Chat در برابر پروپاگاندای دولتی بهشدت آسیبپذیر است. نرخ خطا در پاسخ به پرسشهای گمراهکننده تا ۸۰ درصد افزایش مییابد که نشاندهندهی شکست مدل در تشخیص واقعیت از دروغهای سازمانیافته است.

شرکت **LangChain** با معرفی پروفایلهای اختصاصی برای عاملهای عمیق، عصر پرامپتهای عمومی را به پایان رساند. این بهینهسازی باعث جهش ۱۰ تا ۲۰ درصدی در عملکرد مدلهای پیشرو در بنچمارکهای پیچیده استفاده از ابزار شده است.

تیم Qwen با معرفی FlashQLA، سرعت پردازش در مدلهای زبانی بزرگ را تا ۳ برابر افزایش داد. این کتابخانه با بهینهسازی مکانیسم توجه در پردازندههای NVIDIA Hopper، هزینهی محاسباتی متون طولانی را به شدت کاهش میدهد.

دیپگرام با معرفی Flux Multilingual، خطلولههای پیچیده تبدیل صوت را با یک مدل واحد برای ۱۰ زبان جایگزین کرد. این سیستم با گذار از transcription ساده به شناسایی محاورهای، امکان مدیریت وقفهها و تغییر زبان در لحظه را فراهم میکند.

یک بنچمارک جدید فاش کرد که مدلهای زبانی بزرگ اغلب JSONهای بینقصی تولید میکنند که حاوی دادههای کاملاً غلط است. این «شکاف دقت» ثابت میکند که رعایت ساختار (Schema Compliance) معیار قابل اعتمادی برای آمادگی مدل در محیط عملیاتی نیست.