آینده هوش مصنوعی در فضا- بخش اول

ایده قرار دادن دیتاسنترها در مدار زمین برای آموزش مدل‌های هوش مصنوعی، که به آن دیتاسنترهای مداری یا orbital data centers می‌گویند، از حدود سال ۲۰۲۳ شروع به شکل‌گیری کرد. در آن زمان، با رشد سریع هوش مصنوعی و پیش‌بینی‌هایی مبنی بر اینکه تا سال ۲۰۳۰، مصرف برق هوش مصنوعی ممکن است به ۸ درصد از کل برق جهانی برسد، کارشناسان شروع به فکر کردن به راه‌حل‌های جایگزین برای دیتاسنترهای زمینی کردند. دیتاسنترهای زمینی با مشکلات زیادی مثل مصرف بالای انرژی، نیاز به آب برای خنک‌سازی و کمبود فضای فیزیکی روبرو بودند. ایده اصلی این بود که با قرار دادن سرورها و پردازنده‌ها در فضا، از انرژی خورشیدی نامحدود استفاده شود، چون پنل‌های خورشیدی در مدار زمین همیشه به نور خورشید دسترسی دارند و هیچ چرخه شب و روزی وجود ندارد. علاوه بر این، در خلأ فضا، خنک‌سازی طبیعی از طریق تابش حرارتی (radiative cooling) انجام می‌شود، یعنی گرمای تولیدشده توسط پردازنده‌ها مستقیماً به فضای سرد کیهان تابیده می‌شود و نیازی به سیستم‌های خنک‌کننده پیچیده و پرمصرف مثل فن‌ها یا آب نیست. اما چالش‌های فنی بزرگی هم وجود داشت، مثل تابش کیهانی (cosmic radiation) که می‌تواند باعث خطاهای بیت (bit flips) در حافظه و پردازنده‌ها شود، بنابراین نیاز به سخت‌افزارهای مقاوم در برابر radiation بود. همچنین، انتقال داده بین زمین و مدار با تأخیر (latency) حدود ۱۰۰ تا ۵۰۰ میلی‌ثانیه همراه است که برای برخی کاربردها مشکل‌ساز است، مگر اینکه از لینک‌های لیزری یا رادیویی پیشرفته استفاده شود. در اواخر ۲۰۲۳، شرکت‌هایی مثل Blue Origin با پروژه Blue Ring شروع به بحث در مورد پلتفرم‌های فضایی با قابلیت محاسباتی مقاوم کردند، اما هنوز تمرکز روی آموزش هوش مصنوعی نبود و بیشتر جنبه مفهومی داشت.

در سال ۲۰۲۴، این ایده وارد مرحله عملی‌تری شد و استارت‌آپ‌هایی برای پیگیری آن تأسیس شدند. شرکت Lumen Orbit در ژانویه ۲۰۲۴ توسط Philip Johnston و همکارانش راه‌اندازی شد و به عنوان اولین شرکت اختصاصی برای ساخت دیتاسنترهای مداری با پردازنده‌های GPU شناخته شد. این شرکت بخشی از برنامه Y Combinator (YC S24) بود و روی استفاده از GPUهای قدرتمند مثل Nvidia H100 تمرکز کرد، که این GPUها توان پردازشی بالایی دارند (حدود ۴ پتافلاپس در دقت FP8 برای وظایف هوش مصنوعی). Lumen Orbit یک white paper با عنوان "Why we should train AI in space" منتشر کرد که توضیح می‌داد چطور قرار دادن دیتاسنترها در مدار پایین زمین (LEO، حدود ۵۰۰ کیلومتری سطح زمین) می‌تواند هزینه انرژی را تا ۱۰ برابر کاهش دهد. از نظر فنی، در مدار LEO، پنل‌های خورشیدی می‌توانند انرژی مداوم تولید کنند و خنک‌سازی radiative اجازه می‌دهد دیتاسنترها بدون مصرف آب یا برق اضافی برای cooling کار کنند. اما چالش‌ها شامل هزینه بالای پرتاب (که با موشک‌های reusable مثل Falcon 9 اسپیس‌ایکس در حال کاهش بود)، نیاز به error correction برای مقابله با تابش کیهانی، و مدیریت تأخیر داده بود. در طول سال، بحث‌ها در مورد کمبود دیتاسنترهای زمینی به دلیل تقاضای hyperscalerها (شرکت‌های بزرگ مثل گوگل و آمازون) افزایش یافت و این زمینه را برای ایده فضایی فراهم کرد. Lumen Orbit حمایت‌هایی از Nvidia دریافت کرد و شروع به طراحی satelliteهایی کرد که بتوانند inference (اجرا مدل‌های آماده) و training (آموزش مدل‌ها) را در فضا انجام دهند.

آینده هوش مصنوعی در فضا- بخش دوم

اوایل سال ۲۰۲۵، پیشرفت‌ها سرعت گرفت و Lumen Orbit به Starcloud تغییر نام داد تا برند بهتری داشته باشد و ۱۰ میلیون دلار سرمایه جدید جذب کرد. این تغییر نام همراه با حمایت رسمی Nvidia بود، که بخشی از برنامه Nvidia Inception برای استارت‌آپ‌ها است. Starcloud شروع به برنامه‌ریزی برای پرتاب satellite کرد و برآورد کرد که بازار دیتاسنترهای مداری تا ۲۰۳۵ می‌تواند به ۳۹ میلیارد دلار برسد. از نظر فنی، تمرکز روی سختی‌سازی GPUها بود، یعنی استفاده از تکنیک‌هایی مثل shielding و نرم‌افزارهای error-correcting برای جلوگیری از اختلال تابش کیهانی. در اکتبر ۲۰۲۵، Starcloud جزئیات بیشتری از برنامه‌هایش منتشر کرد، از جمله اینکه satelliteهایشان از پنل‌های خورشیدی بزرگ برای تأمین انرژی استفاده می‌کنند و می‌توانند مدل‌های کوچک هوش مصنوعی را آموزش دهند. سپس در نوامبر ۲۰۲۵، نقطه عطفی رخ داد: پرتاب Starcloud-1 با موشک Falcon 9 اسپیس‌ایکس. این satellite کوچک (حدود ۶۰ کیلوگرم) اولین بار یک Nvidia H100 را به مدار برد، که ۱۰۰ برابر قدرتمندتر از هر GPU قبلی در فضا بود. Starcloud-1 برای آزمایش inference و fine-tuning طراحی شده بود، یعنی می‌توانست مدل‌های موجود را اجرا کند یا آن‌ها را با داده‌های جدید تنظیم کند. انرژی کاملاً از خورشید تأمین می‌شد و خنک‌سازی radiative اجازه می‌داد GPU بدون overheating کار کند، هرچند در خلأ هیچ convection (جریان هوا) وجود ندارد و همه چیز به تابش وابسته است.

در دسامبر ۲۰۲۵، که وضعیت فعلی تا تاریخ ۱۶ دسامبر است، Starcloud دستاورد بزرگی اعلام کرد: آموزش اولین مدل زبانی بزرگ (LLM) در فضا. روی Starcloud-1، آن‌ها مدل open-source Gemma از گوگل (که نسخه کوچک‌تر و کارآمد Gemini است) را fine-tune کردند و حتی نسخه‌ای از Gemini را اجرا کردند. این اولین بار بود که training واقعی در مدار انجام می‌شد، هرچند در مقیاس کوچک با یک GPU. جزئیات فنی نشان می‌دهد که satellite در مدار LEO قرار دارد، انرژی از پنل‌های خورشیدی بدون محدودیت می‌آید، و خنک‌سازی radiative گرمای H100 را مدیریت می‌کند. یکی از تست‌ها، ارسال پیام "Greetings, Earthlings" از مدل در فضا به زمین بود. مزایا شامل کاهش ردپای کربن (بدون مصرف آب یا برق زمینی)، انرژی تقریباً رایگان، و پتانسیل برای constellationهای بزرگ (صدها satellite که مثل یک دیتاسنتر بزرگ کار کنند). اما چالش‌ها هنوز باقی هستند: تابش کیهانی نیاز به error correction مداوم دارد، تأخیر داده برای کاربردهای real-time مشکل است، و هزینه پرتاب با پیشرفت Starship اسپیس‌ایکس در حال بهبود است. Starcloud برنامه دارد تا اکتبر ۲۰۲۶ satellite بعدی با GPUهای پیشرفته‌تر پرتاب کند و حتی به سمت یک پلتفرم ۵ گیگاواتی با پنل‌های خورشیدی ۴ کیلومتری حرکت کند. این پیشرفت رقابت را با شرکت‌هایی مثل Lonestar (دیتاسنتر روی ماه)، Google (با پروژه Suncatcher)، و Blue Origin افزایش داده و نشان می‌دهد که آینده محاسبات هوش مصنوعی ممکن است واقعاً در فضا باشد.

تا هنوز Antigravity پولی نشده و سقف رایگان آن کاهش پیدا نکرده سعی کنید از Antigravity استفاده کنید گوگل تقریبا در بخش ابزارهای توسعه مبتنی بر Agent نتونسته بود رقابت معناداری با OpenAI با Codex و Anthropic با CC بکنه و Gemini-CLI هم واقعا در برابر این دو ابزار تعریفی نداشت قبلا هم که Jule رو عرضه کرده بود و خیلی اقبالی نداشت. الان میخواد با این Agentic IDE در بازار ابزارهای توسعه جا باز کنه.


مثلا این کاربر فقط به antigravity گفته که برای من یک بروزر به زبان Go بنویس و بعد از چند ساعت بدون دخالت انسانی با مدل Opus 4.5یک بروزر بهش تحویل داده!

اما به بهانه‌ای antigravity یک نکته!
حالا چرا برای خیلی تسک‌ها ما نمیتونیم اینقدر خوب نتیجه بگیرم؟ آیا واقعا تونسته این جواب رو به صورت one-go از opus و antigravity بگیره یا داره ایمپرشن می‌گیره؟
جواب اینه که واقعا ممکنه، چون ما برنامه‌های جدیدی تعریف می‌کنیم و در تعریف این برنامه‌هایی که میخوا‌یم وایب-کد کنیم ضعف داریم و دقیق تعریف نمیکنیم. چه اینکه بد پرامپت مینویسیم چه اینکه اصلا خوب تعریف مساله‌مان را نمی‌دانیم. اما بروزر کاملا یک چیز خوش تعریف و دقیق است و ایجنت بهتر از ما می‌داند باید چه چیزی را تعریف کند.
اگر همین بروزر که نرم افزار فوق العاده پیچیده‌ای هست را یک شخص شروع به تعریف کند جز یک خروجی آشغال و درپیت نخواهد داشت.

اگر مک دارید و از CleanMyMac مجبورید استفاده کنید این mole هم ابزار کامندلاین خیلی خوبی است. سبک و سریع است اما با بسیاری از قابلیت‌های CleanMyMac را دارد.
مهمترین دغدغه در مورد CleanMyMac اینه که منبع‌بسته است ولی کلی دسترسی‌های عجیب غریب میگیره.

همه جا حرف از Nvidia است. پس AMD کجای بازی است؟

در حالی که انویدیا (Nvidia) با ارزش بازاری خیره‌کننده و تسلط مطلق بر فضای رسانه‌ای، به "پادشاه بلامنازع" عصر هوش مصنوعی تبدیل شده است، در لایه‌های زیرین زیرساخت‌های پردازشی دنیا، اتفاقات متفاوتی در حال رخ دادن است. اگر تصور می‌کنید AMD در این رقابت حذف شده است، احتمالاً نگاهتان تنها به بنچمارک‌های گیمینگ یا اخبار عمومی است. واقعیت این است که AMD در حال اجرای یک استراتژی "محاصره نرم" در بازار Data Center است.

۱. غلبه بر "دیوار حافظه" (Memory Wall)

در پردازش مدل‌های زبانی بزرگ (LLM)، گلوگاه اصلی اغلب قدرت محاسباتی (Compute) نیست، بلکه پهنای باند و ظرفیت حافظه است. مدل‌هایی مثل Llama 3.1 405B یا GPT-4 به قدری بزرگ هستند که برای اجرای بهینه (Inference)، نیاز به تبادل داده‌ی بسیار سریع بین حافظه و هسته‌های پردازشی دارند.

• برتری سخت‌افزاری: شتاب‌دهنده AMD Instinct MI300X دارای ۱۹۲ گیگابایت حافظه HBM3 با پهنای باند ۵.۳ ترابایت بر ثانیه است. در مقام مقایسه، Nvidia H100 تنها ۸۰ گیگابایت حافظه دارد.
• چرا این مهم است؟ با استفاده از AMD، تیم‌های مهندسی می‌توانند مدل‌های بزرگتر را روی تعداد "کارت" کمتری جای دهند. این یعنی کاهش تأخیر (Latency) ناشی از ارتباط بین کارت‌ها و در نهایت کاهش هزینه نهایی (TCO).

۲. گذار از CUDA به سمت اکوسیستم باز (ROCm)

بزرگترین "خندق" (Moat) انویدیا سخت‌افزار نیست، بلکه پلتفرم CUDA است. برای سال‌ها، تمام کتابخانه‌های هوش مصنوعی فقط برای CUDA بهینه شده بودند. اما AMD با توسعه ROCm (نسخه ۶.۰ به بعد) بازی را تغییر داد:

• فریمورک Pytorch و OpenAI Triton: امروزه فریم‌ورک‌های اصلی مثل PyTorch به‌صورت بومی (Native) از AMD پشتیبانی می‌کنند. همچنین زبان برنامه‌نویسی Triton (متعلق به OpenAI) به گونه‌ای طراحی شده که کدها بدون نیاز به تغییرات بنیادی، هم روی Nvidia و هم روی AMD اجرا شوند.
• پایان انحصار نرم‌افزاری: وقتی شرکت‌های بزرگی مثل Meta یا Microsoft از AMD استفاده می‌کنند، خودشان شروع به بهینه‌سازی کتابخانه‌ها برای ROCm می‌کنند. این یعنی "جایگزینی" AMD به جای Nvidia برای تیم‌های فنی، دیگر یک کابوس نیست.

۳. استراتژی مشتریان بزرگ (The Meta Factor)

دلیل اینکه AMD در "ویترین" مغازه‌ها دیده نمی‌شود این است که آن‌ها در حال فروش مستقیم به "ابر-غول‌ها" (Hyperscalers) هستند.

• متا: مارک زاکربرگ تایید کرده است که بخش قابل توجهی از خوشه‌های پردازشی Llama 3 روی تراشه‌های AMD در حال اجراست.
• مایکروسافت Azure: مایکروسافت اولین ارائه دهنده ابری بزرگی بود که ماشین‌های مجازی مبتنی بر MI300X را در اختیار مشتریان گذاشت.
• اوراکل: اوراکل به دلیل "نسبت کارایی به قیمت" (Price/Performance) بالاتر، بخش بزرگی از دیتاسنترهای جدید خود را به محصولات AMD مجهز کرده است.

۴. تفاوت در بیزنس مدل: Training در برابر Inference

برای درک جایگاه AMD باید بازار را به دو بخش تقسیم کرد:
۱. آموزش (Training): اینجا همچنان انویدیا به دلیل اکوسیستم NVLink و تسلط نرم‌افزاری، برنده مطلق است. اکثر مدل‌های پایه (Frontier Models) روی انویدیا آموزش می‌بینند.
۲. استنتاج (Inference): یعنی مرحله‌ای که مدل آموزش دیده و قرار است به میلیون‌ها کاربر پاسخ دهد. در این بخش، AMD به دلیل حافظه بیشتر و قیمت رقابتی‌تر، در حال تصاحب سهم بازار است. برای یک شرکت، اجرای چت‌بات روی AMD می‌تواند ۳۰ تا ۵۰ درصد ارزان‌تر از انویدیا تمام شود.


📊 جدول مقایسه فنی در یک نگاه

             Nvidia H100    AMD MI300X
────────      ───────────    ──────────
Memory        80 GB          192 GB
Bandwidth     3.3 TB/s       5.3 TB/s
FP8 Compute   3,958 TFLOPS   5,220 TFLOPS
Software      CUDA           ROCm
Architecture  Hopper         Antares

چرا AMD را نمی‌بینیم؟

انویدیا در حال حاضر "اپلِ" دنیای تراشه‌هاست؛ محصولی لوکس، با اکوسیستم بسته و بازاریابی فوق‌العاده. اما AMD در حال تبدیل شدن به "اندروید" یا حتی فراتر از آن، "زیرساخت پنهان" است.
بسیاری از ما وقتی از سرویس‌های هوش مصنوعی استفاده می‌کنیم، در واقع در حال ارسال درخواست به سرورهایی هستیم که قلب تپنده آن‌ها AMD است، بدون آنکه متوجه باشیم. AMD به جای جنگ در توییتر و اخبار، در حال جنگ در Supply Chain و دیتاسنترهای چند میلیارد دلاری است.

دوستان از این ایجنت Manus تا می‌تونید بهره ببرید.
اگه خاطرتون باشه من تقریبا یک سال پیش در موردش نوشتم اون موقع وایت‌لیست بود.
فیس‌بوک هم بعد از ناکامی‌های پیاپی در دادن یک مدل خوب و بعد از گندی که سر Llama 4 زد رفت سراغ خرید این شرکت موفق چینی که اندکی بعد از دیپ‌سیک اسمش سر زبان افتاد. این شرکت رو چند ماه پیش خرید و امروز رفته سراغ یک استراتژی خیلی جذاب یعنی اتصال مدل Manus به بات تلگرام که قبلا پرپلکسیتی و grok هم سراغش رفته بودند ولی جذابیتی نداشت.
ولی این بات واقعا عملیاتی و جذابه و فقط به پرامپت شما جواب متنی نمیده مثلا تصویری که می‌بینید من ازش خواستم در مورد یه مدل خاص deep learning در تصاویر مغزی تحقیق کنه اصل مقاله ش و یک ریپورت ازش رو بصورت PDF برام ارسال کرده.

ببخشید اصل قضیه لینک بود که فراموش کردم:
@manus_ai_agent_bot

تحلیل تخیلی شبانه:
اگر مطالب پراکنده و شایعاتی که در مورد Deepseek V4 گفته باشد صحت داشته باشد که قرار است در اواسط فوریه منتشر شود. ممکن است نتایج انتشار روی تصمیم آمریکا برای حمله به ایران تاثیر بگذارد. چرا؟
از پرداختن به آن شایعات که بگذریم که مفصل است و چون ممکن است پوچ باشد برایش وقت نمی‌گذارم. اما اگر فرض را بر صحت بگذاریم. باید عرض کنم که چون ممکن است مثل دفعه قبلی که اولین ورژن دیپ‌سیک منتشر شد و بازارهای مالی تلکنولوژی امریکا شوک سنگینی دید این دفعه هم همین اتفاق بیفتد و این شوک سنگین روی تصمیم سیاست‌مدار آمریکایی تاثیر بگذارد و او را مشغول به جمع کردن تبعات حاصل از شوک روی بازار آمریکا بکند.

خواهشا بحث سیاسی نکنید. صرفا یک حدس تکنو-ژئوپلتیکی زدم که خیلی ارزش خاصی هم ندارد.

یادم هست دوسال پیش برای شرکتی دعوت به مصاحبه شدم که می‌خواست از LLMها استفاده کند تا ابزاری تولید کند کد‌ها را بخواهند و آسیب‌پذیری پیدا کند.
البته آن کسب‌ و کارها به کلی کساد نمی‌شوند چون مثلا بخش نظامی هیچ وقت نمی‌آید کدش را بدهد اسکنر claude برایش شخم بزند.

تست «اینشتین» برای تعریف AGI

دمیس هاسابیس (بنیان‌گذار DeepMind) میگه:
مدلی را روی تمام دانش بشری آموزش بده، اما دانش را در سال ۱۹۱۱ قطع کن، سپس ببین آیا این مدل می‌تواند به طور مستقل نظریه نسبیت عام را کشف کند (دقیقاً همان‌طور که اینشتین در سال ۱۹۱۵ انجام داد)؛
اگر توانست، آنگاه AGI است.
این تست را «وحشیانه» و «واقعی‌ترین» معیار تاکنون برای AGI می‌دانند، چون بنچمارک‌های فعلی (مثل المپیاد ریاضی) را دور می‌زند و مستقیم سراغ نوآوری علمی اصیل و کشف مستقل می‌رود.

این تست چند بعد متفاوت هوش را روی یک محور فشرده می‌کند و در واقع فرض می‌کند که نسبیت عام از قبل در داده‌های ۱۹۱۱ «ضمنی» وجود داشته و فقط باید «استخراج» شود — در حالی که کار اینشتین بیشتر شامل بازتعریف مسئله، شهود فیزیکی و نادیده‌گرفتن برخی پیش‌فرض‌های زمان خودش بود. این کار فراتر از «استنتاج/استخراج» (deduction/extrapolation) از داده‌های ۱۹۱۱ است.

این کار شامل جهش پارادایمی (paradigm shift) است: تغییر خودِ چارچوب مسئله، نه فقط حل مسئله درون چارچوب موجود.
این دقیقاً همان چیزی است که هاسابیس می‌گوید مدل‌های فعلی ندارند: خلاقیت اصیل (true creativity)، اختراع فرضیه‌های جدید (inventing new hypotheses/conjectures)، و درک عمیق که اجازه می‌دهد پیش‌فرض‌های بنیادی را زیر سؤال ببرد، نه فقط الگوهای آماری را دنبال کند.

در واقع، اگر AI این کار را بکند، یعنی توانسته همون سطح از نوآوری علمی مستقل را نشان دهد که یک انسان نابغه انجام داد — بدون اینکه جواب از قبل در داده‌ها «کدگذاری» شده باشد.
اگر AI پیش‌فرض‌ها را دور بزند و مسئله را از نو تعریف کند (مثل اینشتین که مجبور شد مفهوم «همزمانی» را کاملاً بازتعریف کند)، دیگر نمی‌توان گفت فقط «استخراج» کرده؛ بلکه خلق مفهومی جدید کرده.

اگر AI واقعاً پیش‌فرض‌ها را نادیده بگیرد و چارچوب را عوض کند، یعنی توانسته خودِ فرآیندِ intelligence-as-movement (حرکت هوش به سمت حل مسئله از طریق بازتعریف) را شبیه‌سازی کند — نه فقط residue/ردپای هوش انسانی را. این یعنی مرز بین «الگوریتم خیلی قوی» و «هوش واقعی» محو می‌شود.

خیلی‌ها معتقدند این سطح هنوز خیلی دور است، چون مدل‌های فعلی حتی نزدیک به «نادیده‌گرفتن پیش‌فرض» هم نیستند؛ حتی اگر به نسبیت عام برسند، احتمالاً از مسیر extrapolation و بهینه‌سازی می‌رسند فقط درون چارچوب‌های موجود خیلی خوب کار می‌کنند و از طریق فروپاشی پارادایم یا انحلال پارادایم به این نقطه نمی‌رسند.

برخی اشاره می‌کنند که مدل‌های فعلی حتی اگر خیلی قوی شوند، احتمالاً به جای نسبیت عام، یک نسخه «فوق‌بهینه‌شده» از نظریه اتر یا مدل‌های کلاسیک دیگر تولید می‌کنند، چون جهش خلاقانه واقعی (نه فقط استدلال سطح بالا) هنوز ندارند.
هاسابیس خودش تأکید دارد که این تست برای سنجش «درک واقعی» در مقابل «شبیه‌سازی الگوها» است و مدل‌های امروزی هنوز خیلی با آن فاصله دارند.


بعد التحریر:
نظریه اتر (luminiferous aether) در اواخر قرن ۱۹ و اوایل قرن ۲۰ چارچوب غالب بود: یک محیط نامرئی، همه‌جا حاضر و بدون جرم که تمام فضا را پر کرده و نور به‌عنوان موج در آن منتشر می‌شود (دقیقاً مثل موج صدا که به هوا نیاز دارد). آزمایش مایکلسون-مورلی (۱۸۸۷) هیچ اثری از حرکت زمین نسبت به این اتر نشان نداد، اما فیزیکدان‌ها پیش‌فرض وجود اتر را کنار نگذاشتند و با اصلاحاتی مثل انقباض لورنتز سعی کردند آن را حفظ کنند.
مدل‌های فعلی احتمالاً در تست اینشتین به جای کشف نسبیت عام، یک نسخه بسیار پیچیده و «فوق‌بهینه‌شده» از همین نظریه اتر تولید می‌کنند — چون پیش‌فرض بنیادی «وجود چارچوب مرجع مطلق» را نادیده نمی‌گیرند و فقط درون همان چارچوب استدلال می‌کنند.
اینشتین اما این پیش‌فرض غلط اما مسلط را کاملاً دور زد و مسئله را از نو تعریف کرد: سرعت نور ثابت برای هر ناظر، بدون نیاز به اتر، و فضا-زمان خم‌شونده.
پس اگر AI نتواند این جهش پارادایمی را تکرار کند و به اتر بچسبد، یعنی هنوز خلاقیت اصیل و توانایی زیر سؤال بردن پیش‌فرض‌های بنیادین را ندارد — و طبق تعریف هاسابیس، AGI نیست.

در ارتباط با این موضوع بازتعریف چارچوب مسئله، مطلبی داشتم که شاید عرضش خالی از لطف نباشد.
وقتی پروپوزال دکتری‌ام رو می‌نوشتم، شروع کردم یک literature review گسترده انجام دادم که اساتید گفتن خیلی کامل و جامع بود.
بعد رفتم سراغ جمع‌آوری فرض‌های رایج و غالب در ادبیات موضوع. به این نتیجه رسیدم که این فرض‌ها باعث بیش‌ساده‌انگاری (oversimplification) چارچوب مسئله شدن و من باید در تز دکتری‌ام چند تا از این بیش‌ساده‌انگاری‌ها رو کنار بگذارم، چارچوب مسئله رو بازتعریف کنم و به جای نوآوری‌های ناچیز و حاشیه‌ای، یک انحلال پارادایم (paradigm dissolution) نسبی در فیلد ارائه بدم و مسئله رو در فضای واقعی‌تر و عمیق‌تری حل کنم.
پروپوزال رو بردم و به تصویب رسید.
دو سال تمام روی موضوع کار کردم.
به جواب نرسیدم.
الان مثل خر در گل گیر کردم.
البته این تجربه بهم چیزهای زیادی یاد داد — هنوزم به بازتعریف چارچوب اعتقاد دارم، ولی زمان و انرژی‌ش وحشتناکه.
خواستم عرض کنم: اگر دانشجوی تحصیلات تکمیلی هستید، قرار نیست حتماً مرزهای علم رو جابه‌جا کنید.
دو سه مقاله خوب بنویسید، فارغ‌التحصیل شید و خودتون رو این‌قدر بیچاره نکنید.

اینترنت وصل نیست
ولی وقتی به هزار ضرب و زور وصل میشه باید اینطوری توئیت بخونم

البته واقعا در این شرایط دغدغه خاصی برای پیگیری مسائل فنی و ai ندارم
😏😏

اگه خواستید شما هم توئیت بخونید اگه توی بروزرتون لاگین دارید توئیتر رو کافیه twitter-cli رو نصب کنید خودش میره از کوکی‌هاتون استفاده میکنه و وصل میشه

با کمک Claude Mythos Preview، تیم فایرفاکس تو یک ماه بیشتر از کل ۱۵ ماه قبل باگ امنیتی پیدا و فیکس کرد!

داستان Claude Mythos و جهش امنیتی فایرفاکس

تیم موزیلا با کمک Claude Mythos Preview بیش از ۴۲۳ باگ امنیتی رو در فایرفاکس پیدا و رفع کرد. این عدد از مجموع تمام باگ‌هایی که در ۱۵ ماه قبل پیدا شده بود بیشتره! از این ۴۲۳ تا، ۲۷۱ باگ مستقیماً توسط هوش مصنوعی کشف شد و در نسخه ۱۵۰ فایرفاکس بسته شدن. میانگین ماهانه قبلاً بین ۱۷ تا ۳۱ باگ بود، یعنی این یک ماه تقریباً معادل یک سال و خرده‌ای کار کرده.حالا بریم سراغ اینکه چطور این اتفاق افتاد. موزیلا یک هارنس ایجنت‌محور (agentic harness) روی Claude ساخته بود و اون رو با ابزارهای فازینگ موجود ترکیب کرده بود. مدل نه تنها کد رو اسکن می‌کرد، بلکه خودش تست کیس تولید می‌کرد، PoC (Proof of Concept) می‌ساخت، باگ‌ها رو triage می‌کرد و حتی بررسی می‌کرد که آیا exploit واقعی کار می‌کنه یا نه.بسیاری از این باگ‌ها سال‌ها (حتی ۱۵-۲۰ سال) تو کدبیس پیچیده C++ و Rust قایم شده بودند و فازینگ معمولی و انسانی نتونسته بود پیداشون کنه. بخش زیادی‌شون sandbox escape بودند — یعنی برای اینکه کامل به درد حمله بخورند نیاز به exploitهای اضافی داشتند، ولی پتانسیل خطر بالایی داشتند.جالب اینکه مدل فقط باگ پیدا نمی‌کرد؛ false positiveها خیلی کم بود و حتی الگوهای حمله‌ای که قبلاً توسط hardening فایرفاکس خنثی شده بودند رو هم تشخیص می‌داد. بیش از ۱۰۰ نفر contributor تو موزیلا روی بررسی، پچ کردن و مرج کردن این تغییرات کار کردند و نتیجه شد یکی از امن‌ترین نسخه‌های تاریخ فایرفاکس.این پروژه نشون داد که AI می‌تونه technical debt امنیتی رو با سرعت عجیبی پاک کنه. احتمالاً در آینده این نوع هارنس‌ها مستقیم تو CI/CD ادغام می‌شن و هر پچ جدید رو قبل از مرج چک می‌کنن. هزینه‌اش هم نسبت به ارزشش خیلی پایین بوده (هزاران دلار API).