AIO APEX
ایرپادز پرو ۳ اپل به عنوان سمعک تأیید شد: تصمیم FDA چه معنایی برای صنعت ۳۵ میلیارد دلاری دارد
ایرپادز پرو ۳ اپل در سال ۲۰۲۴ تأییدیه FDA را به عنوان سمعکهای بدون نسخه دریافت کرد و قابلیت تقویت گفتار و اصلاح کاهش شنوایی خفیف تا متوسط را ممکن ساخت — محصول ۲۴۹ دلاری را به یک دستگاه پزشکی تحت نظارت تبدیل کرد و صنعتی را که سالها در کنترل پنج شرکت با قیمتهای…
یه جفت ایرپاد معمولی داره صنعت پرهزینه سمعک رو تکون میده.
سمعکهای سنتی توی آمریکا بین ۳۰۰۰ تا ۷۰۰۰ دلار قیمت دارن — یعنی خیلی از آدمهایی که مشکل شنوایی دارن اصلاً توانایی خریدشون رو ندارن. پنج شرکت بزرگ سالهاست این بازار رو قبضه کردن و قیمتها هم همینطور بالا مونده.
اپل اومد و درِ این بازار رو باز کرد.
ایرپادز پرو ۳ در سال ۲۰۲۵ با تأییدیه رسمی FDA عرضه شد — یعنی اپل مجاز شده ایرپادز رو به عنوان یه «سمعک بدون نسخه» بفروشه. این برای بزرگسالانیه که کاهش شنوایی خفیف تا متوسط دارن؛ حدود ۳۸ میلیون آمریکایی — تقریباً ۸۰٪ از کل کسایی که مشکل شنوایی دارن.
چطور کار میکنه؟ کاربر با گوشیش یه تست شنوایی میده، ایرپادز یه پروفایل شخصی میسازه و فرکانسهایی که اون آدم ضعف داره رو تقویت میکنه — دقیقاً همون کاری که قبلاً فقط یه متخصص شنوایی توی مطب انجام میداد، با اون همه هزینه و نوبتگیری.
یه مطالعهای که توی مجله پزشکی لنست منتشر شد تأیید کرد که عملکرد ایرپادز پرو ۳ در محیطهای پر سروصدا، قابل مقایسه با سمعکهای تجویزی ابتداییه.
محدودیتهایی هم هست — برای کاهش شنوایی شدید همچنان باید پیش متخصص بری و باتری توی حالت سمعک سریعتر تموم میشه.
ولی کل ماجرا اینه: اپل یه گجت مصرفی معمولی رو تبدیل کرده به جایگزین سمعکهای چند هزار دلاری — و این اتفاق کمیه که تکنولوژی مصرفی مستقیماً وارد حوزه پزشکی بشه و واقعاً کار کنه.
سمعکهای سنتی توی آمریکا بین ۳۰۰۰ تا ۷۰۰۰ دلار قیمت دارن — یعنی خیلی از آدمهایی که مشکل شنوایی دارن اصلاً توانایی خریدشون رو ندارن. پنج شرکت بزرگ سالهاست این بازار رو قبضه کردن و قیمتها هم همینطور بالا مونده.
اپل اومد و درِ این بازار رو باز کرد.
ایرپادز پرو ۳ در سال ۲۰۲۵ با تأییدیه رسمی FDA عرضه شد — یعنی اپل مجاز شده ایرپادز رو به عنوان یه «سمعک بدون نسخه» بفروشه. این برای بزرگسالانیه که کاهش شنوایی خفیف تا متوسط دارن؛ حدود ۳۸ میلیون آمریکایی — تقریباً ۸۰٪ از کل کسایی که مشکل شنوایی دارن.
چطور کار میکنه؟ کاربر با گوشیش یه تست شنوایی میده، ایرپادز یه پروفایل شخصی میسازه و فرکانسهایی که اون آدم ضعف داره رو تقویت میکنه — دقیقاً همون کاری که قبلاً فقط یه متخصص شنوایی توی مطب انجام میداد، با اون همه هزینه و نوبتگیری.
یه مطالعهای که توی مجله پزشکی لنست منتشر شد تأیید کرد که عملکرد ایرپادز پرو ۳ در محیطهای پر سروصدا، قابل مقایسه با سمعکهای تجویزی ابتداییه.
محدودیتهایی هم هست — برای کاهش شنوایی شدید همچنان باید پیش متخصص بری و باتری توی حالت سمعک سریعتر تموم میشه.
ولی کل ماجرا اینه: اپل یه گجت مصرفی معمولی رو تبدیل کرده به جایگزین سمعکهای چند هزار دلاری — و این اتفاق کمیه که تکنولوژی مصرفی مستقیماً وارد حوزه پزشکی بشه و واقعاً کار کنه.
❤2👍1💩1
۷۵ میلیارد دلار. این عددی نیست که آدم راحت بتونه تصورش کنه — ولی این دقیقاً همونیه که شرکت SpaceX همین چند روز پیش تو بزرگترین IPO تاریخ جمع کرد.
این IPO (یعنی همون لحظهای که یه شرکت خصوصی برای اولین بار سهامش رو به عموم میفروشه) ایلان ماسک و شرکتش رو با ارزشگذاری ۱.۷۷ تریلیون دلار وارد بازار بورس کرد. نماد بورسی SPCX از ۱۲ ژوئن ۲۰۲۶ رو بازار Nasdaq قابل خریده.
رکورد قبلی دست شرکت Saudi Aramco بود — ۲۹.۴ میلیارد دلار در ۲۰۱۹. حالا اون عدد با ۷۵ میلیارد دلار کاملاً له شد. تقریباً ۲.۵ برابر.
نکته جالب اینجاست که SpaceX سال ۲۰۲۵ با ۱۸.۷ میلیارد دلار درآمد، در عین حال ۴.۹ میلیارد دلار ضرر هم داشته. پس چرا ارزشگذاریش اینقدره؟
جواب یه کلمهست: سرویس اینترنت ماهوارهای Starlink.
این سرویس الان بیشتر از ۹ میلیون مشترک داره و سودده. ولی سرمایهگذارا دارن برای آینده پول میدن — نه فقط برای الان.
اون آینده اسمش Starship ه. موشکی عظیم که قراره کاملاً قابل استفاده مجدد باشه، هزینه رفت به فضا رو به شدت بیاره پایین، و در نهایت مسیر رسیدن بشر به مریخ رو باز کنه. پول این IPO قراره صرف سرعتبخشیدن به همین پروژه و گسترش ماهوارههای Starlink بشه.
نسبت ارزشگذاری به درآمد شرکت حدود ۹۲ برابره — که برای هر شرکتی عدد سنگینیه. حتی شرکت NVIDIA هم این نسبت رو نداره. یعنی بازار داره میگه اعتقاد داره SpaceX میتونه بزرگترین پروژه زیرساختی قرن رو بسازه — و این ریسک رو قبول کرده.
حالا SpaceX هفتمین شرکت بزرگ بورسی آمریکاست — جلوتر از Tesla که ارزشش حدود ۱.۶ تریلیون دلاره.
این IPO (یعنی همون لحظهای که یه شرکت خصوصی برای اولین بار سهامش رو به عموم میفروشه) ایلان ماسک و شرکتش رو با ارزشگذاری ۱.۷۷ تریلیون دلار وارد بازار بورس کرد. نماد بورسی SPCX از ۱۲ ژوئن ۲۰۲۶ رو بازار Nasdaq قابل خریده.
رکورد قبلی دست شرکت Saudi Aramco بود — ۲۹.۴ میلیارد دلار در ۲۰۱۹. حالا اون عدد با ۷۵ میلیارد دلار کاملاً له شد. تقریباً ۲.۵ برابر.
نکته جالب اینجاست که SpaceX سال ۲۰۲۵ با ۱۸.۷ میلیارد دلار درآمد، در عین حال ۴.۹ میلیارد دلار ضرر هم داشته. پس چرا ارزشگذاریش اینقدره؟
جواب یه کلمهست: سرویس اینترنت ماهوارهای Starlink.
این سرویس الان بیشتر از ۹ میلیون مشترک داره و سودده. ولی سرمایهگذارا دارن برای آینده پول میدن — نه فقط برای الان.
اون آینده اسمش Starship ه. موشکی عظیم که قراره کاملاً قابل استفاده مجدد باشه، هزینه رفت به فضا رو به شدت بیاره پایین، و در نهایت مسیر رسیدن بشر به مریخ رو باز کنه. پول این IPO قراره صرف سرعتبخشیدن به همین پروژه و گسترش ماهوارههای Starlink بشه.
نسبت ارزشگذاری به درآمد شرکت حدود ۹۲ برابره — که برای هر شرکتی عدد سنگینیه. حتی شرکت NVIDIA هم این نسبت رو نداره. یعنی بازار داره میگه اعتقاد داره SpaceX میتونه بزرگترین پروژه زیرساختی قرن رو بسازه — و این ریسک رو قبول کرده.
حالا SpaceX هفتمین شرکت بزرگ بورسی آمریکاست — جلوتر از Tesla که ارزشش حدود ۱.۶ تریلیون دلاره.
👍7🖕1
رمز عبورها دارن میمیرن — و این دفعه جدیه.
از می ۲۰۲۲ که اپل، گوگل و مایکروسافت با هم از یه استاندارد جدید به اسم Passkey حمایت کردن، همه چیز خیلی سریعتر از اونچه فکر میکردیم پیش رفته. تا ۲۰۲۴، گوگل بیش از ۸۰۰ میلیون حساب رو منتقل کرده بود، اپل iCloud رو بهصورت پیشفرض روی Passkey برده و مایکروسافت داره رمز عبور رو کامل از حسابهای جدید حذف میکنه.
ولی بیشتر آدمها فکر میکنن این فقط یه نوع تأیید دو مرحلهایه — نه، قضیه خیلی عمیقتره.
این تکنولوژی کلاً مدل احراز هویت رو عوض میکنه. وقتی یه Passkey میسازی، دستگاهت دو کلید رمزنگاری تولید میکنه: کلید خصوصی که توی یه تراشه امن (مثل Secure Enclave اپل، StrongBox اندروید یا TPM ویندوز) قفل میمونه و هرگز از دستگاه خارج نمیشه، و کلید عمومی که به سرویس ارسال میشه. موقع ورود، سایت یه چالش رمزنگاری میفرسته، دستگاهت اون رو با کلید خصوصی امضا میکنه و جواب میفرسته — هیچ رمزی جابهجا نمیشه.
نتیجه عملیش خیلی مهمه: فیشینگ ساختاراً غیرممکن میشه. کلید خصوصی به دامنه دقیق سایت گره خورده — اگه روی یه سایت جعلی باشی، حتی اگه اسمش شبیه سایت اصلی باشه، امضا به درد نمیخوره و ورود ناموفق میمونه. این مشکل آموزش کاربر نیست که بخوایم حلش کنیم — از نظر فنی ممکن نیست.
یه نکته مهم: Passkeyهای syncشونده (همون چیزی که اپل، گوگل و مایکروسافت ارائه میدن) کلید رو رمزنگاریشده بین دستگاههات همگام میکنن. اپل از iCloud Keychain با رمزنگاری سرتاسری استفاده میکنه، گوگل هم از Google Password Manager. از هر رمز عبوری امنتره، ولی تهدید تغییر میکنه: از «لو دادن رمز» به «هک شدن حساب ابری به علاوه PIN دستگاه». برای اکثر آدمها این معامله کاملاً ارزشمنده.
برای اونایی که امنیت خیلی بالاتری لازم دارن، Passkeyهای محدود به سختافزار روی کلیدهای فیزیکی FIDO2 هنوز قویترین گزینهان — ولی برای اکثریت، همین نسخه syncشونده خیلی بهتر از هر رمز عبوریه.
از می ۲۰۲۲ که اپل، گوگل و مایکروسافت با هم از یه استاندارد جدید به اسم Passkey حمایت کردن، همه چیز خیلی سریعتر از اونچه فکر میکردیم پیش رفته. تا ۲۰۲۴، گوگل بیش از ۸۰۰ میلیون حساب رو منتقل کرده بود، اپل iCloud رو بهصورت پیشفرض روی Passkey برده و مایکروسافت داره رمز عبور رو کامل از حسابهای جدید حذف میکنه.
ولی بیشتر آدمها فکر میکنن این فقط یه نوع تأیید دو مرحلهایه — نه، قضیه خیلی عمیقتره.
این تکنولوژی کلاً مدل احراز هویت رو عوض میکنه. وقتی یه Passkey میسازی، دستگاهت دو کلید رمزنگاری تولید میکنه: کلید خصوصی که توی یه تراشه امن (مثل Secure Enclave اپل، StrongBox اندروید یا TPM ویندوز) قفل میمونه و هرگز از دستگاه خارج نمیشه، و کلید عمومی که به سرویس ارسال میشه. موقع ورود، سایت یه چالش رمزنگاری میفرسته، دستگاهت اون رو با کلید خصوصی امضا میکنه و جواب میفرسته — هیچ رمزی جابهجا نمیشه.
نتیجه عملیش خیلی مهمه: فیشینگ ساختاراً غیرممکن میشه. کلید خصوصی به دامنه دقیق سایت گره خورده — اگه روی یه سایت جعلی باشی، حتی اگه اسمش شبیه سایت اصلی باشه، امضا به درد نمیخوره و ورود ناموفق میمونه. این مشکل آموزش کاربر نیست که بخوایم حلش کنیم — از نظر فنی ممکن نیست.
یه نکته مهم: Passkeyهای syncشونده (همون چیزی که اپل، گوگل و مایکروسافت ارائه میدن) کلید رو رمزنگاریشده بین دستگاههات همگام میکنن. اپل از iCloud Keychain با رمزنگاری سرتاسری استفاده میکنه، گوگل هم از Google Password Manager. از هر رمز عبوری امنتره، ولی تهدید تغییر میکنه: از «لو دادن رمز» به «هک شدن حساب ابری به علاوه PIN دستگاه». برای اکثر آدمها این معامله کاملاً ارزشمنده.
برای اونایی که امنیت خیلی بالاتری لازم دارن، Passkeyهای محدود به سختافزار روی کلیدهای فیزیکی FIDO2 هنوز قویترین گزینهان — ولی برای اکثریت، همین نسخه syncشونده خیلی بهتر از هر رمز عبوریه.
🔥10💩1
۹ نفر از هر ۱۰ پدر و مادر بریتانیایی خواستن بچههاشون از شبکههای اجتماعی دور باشن — و دولت بریتانیا داره این خواسته رو جدی میگیره.
فردا (۱۶ ژوئن ۲۰۲۶) کیر استارمر، نخستوزیر بریتانیا، قراره رسماً اعلام کنه که کودکان زیر ۱۶ سال نباید از شبکههای اجتماعی استفاده کنن. پلتفرمهایی مثل TikTok، Instagram، YouTube، Facebook، X، Snapchat و چند تای دیگه همه تو تیررس این قانونن.
دو مسیر روی میزه:
یا ممنوعیت کامل — یعنی هیچ بچهای زیر ۱۶ اکانت نمیتونه داشته باشه، مثل کاری که استرالیا از اواخر ۲۰۲۴ کرد
یا محدودیت ویژگیهای اعتیادآور — اسکرول بیپایان، پخش خودکار ویدیو، الگوریتمهای پیشنهاد محتوا. این روش دردسر کمتری برای پلتفرمهاست ولی سختتر میشه کنترل و بررسیش کرد
علاوه بر اینا، دولت داره روی دو چیز دیگه هم فکر میکنه: ممنوعیت دسترسی زیر ۱۸ سالهها به رباتهای چت عاشقانه یا جنسی مبتنی بر AI، و محدودیت اسکرول دیروقت شبانه — که البته بعضی پلتفرمها پیش از این این کار رو داوطلبانه انجام داده بودن. اپهای بازی هم از ممنوعیت کلی معاف میشن، ولی باید امکان ارتباط با غریبهها رو برای کاربرهای خردسال بردارن.
بزرگترین چالش اینجاست: چطور ثابت کنی کی واقعاً زیر ۱۶ سالشه؟ چهار روش روی میزه — تحلیل رفتار کاربر، تخمین سن از عکس سلفی، آپلود مدرک هویتی مثل پاسپورت، یا لینک به حساب بانکی — و هر کدوم مشکلهای جدی دارن. آپلود پاسپورت مثلاً یعنی پلتفرمها یه گنجینه از اطلاعات حساس میلیونها نفر رو نگه میدارن که اگه نشت کنه، فاجعهست.
مخالفا هم بیصدا نیستن. فعالان حریم خصوصی میگن این سیستمهای تأیید سن خودشون یه تهدید امنیتی جدی هستن. یه سری محقق هم میگن که اثبات قطعی ارتباط مستقیم بین شبکههای اجتماعی و آسیب روانی هنوز وجود نداره، و این ممنوعیت گسترده ابزار خیلی درشتیه برای یه مشکل ظریف.
استرالیا این راه رو زودتر رفت و گزارشهای اولیه نشون میده پلتفرمها با اجرای یکنواخت دارن کشتی میگیرن — خیلی از نوجوانا هم از VPN یا اکانت قرضی استفاده میکنن تا محدودیت رو دور بزنن.
برای اجرا، بخشی از این قانون شاید زیر اختیارات قانون ایمنی آنلاین ۲۰۲۳ پیاده بشه، ولی ممنوعیت کامل احتمالاً به تصویب قانون جدید در پارلمان نیاز داره — یعنی تا ۲۰۲۷ چیزی اجرایی نمیشه.
فردا (۱۶ ژوئن ۲۰۲۶) کیر استارمر، نخستوزیر بریتانیا، قراره رسماً اعلام کنه که کودکان زیر ۱۶ سال نباید از شبکههای اجتماعی استفاده کنن. پلتفرمهایی مثل TikTok، Instagram، YouTube، Facebook، X، Snapchat و چند تای دیگه همه تو تیررس این قانونن.
دو مسیر روی میزه:
یا ممنوعیت کامل — یعنی هیچ بچهای زیر ۱۶ اکانت نمیتونه داشته باشه، مثل کاری که استرالیا از اواخر ۲۰۲۴ کرد
یا محدودیت ویژگیهای اعتیادآور — اسکرول بیپایان، پخش خودکار ویدیو، الگوریتمهای پیشنهاد محتوا. این روش دردسر کمتری برای پلتفرمهاست ولی سختتر میشه کنترل و بررسیش کرد
علاوه بر اینا، دولت داره روی دو چیز دیگه هم فکر میکنه: ممنوعیت دسترسی زیر ۱۸ سالهها به رباتهای چت عاشقانه یا جنسی مبتنی بر AI، و محدودیت اسکرول دیروقت شبانه — که البته بعضی پلتفرمها پیش از این این کار رو داوطلبانه انجام داده بودن. اپهای بازی هم از ممنوعیت کلی معاف میشن، ولی باید امکان ارتباط با غریبهها رو برای کاربرهای خردسال بردارن.
بزرگترین چالش اینجاست: چطور ثابت کنی کی واقعاً زیر ۱۶ سالشه؟ چهار روش روی میزه — تحلیل رفتار کاربر، تخمین سن از عکس سلفی، آپلود مدرک هویتی مثل پاسپورت، یا لینک به حساب بانکی — و هر کدوم مشکلهای جدی دارن. آپلود پاسپورت مثلاً یعنی پلتفرمها یه گنجینه از اطلاعات حساس میلیونها نفر رو نگه میدارن که اگه نشت کنه، فاجعهست.
مخالفا هم بیصدا نیستن. فعالان حریم خصوصی میگن این سیستمهای تأیید سن خودشون یه تهدید امنیتی جدی هستن. یه سری محقق هم میگن که اثبات قطعی ارتباط مستقیم بین شبکههای اجتماعی و آسیب روانی هنوز وجود نداره، و این ممنوعیت گسترده ابزار خیلی درشتیه برای یه مشکل ظریف.
استرالیا این راه رو زودتر رفت و گزارشهای اولیه نشون میده پلتفرمها با اجرای یکنواخت دارن کشتی میگیرن — خیلی از نوجوانا هم از VPN یا اکانت قرضی استفاده میکنن تا محدودیت رو دور بزنن.
برای اجرا، بخشی از این قانون شاید زیر اختیارات قانون ایمنی آنلاین ۲۰۲۳ پیاده بشه، ولی ممنوعیت کامل احتمالاً به تصویب قانون جدید در پارلمان نیاز داره — یعنی تا ۲۰۲۷ چیزی اجرایی نمیشه.
👏5🤬3👍2🤣2❤1🍌1
۱.۹ میلیارد دلار. اینقدر ضررِ مالی که یه پلتفرم چینی به اسم Outsider Enterprise با ارسال پیامکهای جعلی به آدمها وارد کرده.
افبیآی، گوگل، و شرکت امنیتی Black Lotus Labs یه عملیات مشترک انجام دادن و این سیستم رو از کار انداختن. بذار ماجرا رو ساده توضیح بدم.
این سرویس به مجرمان سایبری اجازه میداد بدون هیچ دانش فنی، کمپین فیشینگ راه بندازن. فیشینگ یعنی فریب دادن آدمها با سایتهای جعلی تا اطلاعات کارت بانکی یا رمزشون رو وارد کنن. این پلتفرم یه قدم جلوتر رفته بود — از AI استفاده میکرد تا صفحات جعلی بانکها، فروشگاههای آنلاین، و سرویسهای پستی رو بهقدری دقیق کپی کنه که تشخیصشون سخت بود.
روش کار اینجوری بود: مجرم یه کیت آماده از پلتفرم میخرید — از طریق Shopify! — بعد میلیونها پیامک جعلی میفرستاد که آدمها کلیک کنن و اطلاعاتشون رو بدن. این پیامکها از شبکههای معتبر مثل AT&T و T-Mobile رد میشدن، یعنی فیلترهای اسپم رو هم دور میزدن.
ابعاد ماجرا وحشتناکه: فقط در ماه می ۲۰۲۶، این پلتفرم ۲.۵ میلیون پیامک ارسال کرد. در مجموع ۹ هزار سایت جعلی، بیش از یه میلیون لینک تقلبی، و ۳.۸ میلیون رکورد کارت اعتباری دزدیده شده که به ضرر ۱.۹ میلیارد دلاری تبدیل شده.
این پلتفرم از تلگرام به عنوان کانال عملیاتی استفاده میکرد — چون تلگرام رمزنگاری داره و با پلیس کمتر همکاری میکنه. حالا سرورهای اصلی توقیف شدن و کسی که آدرس سایتهای جعلی رو باز کنه، با صفحه توقیف افبیآی روبرو میشه.
درس اینجاست: وقتی AI میتونه صفحات جعلی رو بهصورت خودکار بسازه و آپدیت کنه، دیگه تشخیص فیشینگ با چشم خیلی سختتر از قبل شده. هر پیامک که ازت اطلاعات کارت یا رمز میخواد، با شک زیاد نگاهش کن — حتی اگه سایتش حرفهای به نظر برسه.
افبیآی، گوگل، و شرکت امنیتی Black Lotus Labs یه عملیات مشترک انجام دادن و این سیستم رو از کار انداختن. بذار ماجرا رو ساده توضیح بدم.
این سرویس به مجرمان سایبری اجازه میداد بدون هیچ دانش فنی، کمپین فیشینگ راه بندازن. فیشینگ یعنی فریب دادن آدمها با سایتهای جعلی تا اطلاعات کارت بانکی یا رمزشون رو وارد کنن. این پلتفرم یه قدم جلوتر رفته بود — از AI استفاده میکرد تا صفحات جعلی بانکها، فروشگاههای آنلاین، و سرویسهای پستی رو بهقدری دقیق کپی کنه که تشخیصشون سخت بود.
روش کار اینجوری بود: مجرم یه کیت آماده از پلتفرم میخرید — از طریق Shopify! — بعد میلیونها پیامک جعلی میفرستاد که آدمها کلیک کنن و اطلاعاتشون رو بدن. این پیامکها از شبکههای معتبر مثل AT&T و T-Mobile رد میشدن، یعنی فیلترهای اسپم رو هم دور میزدن.
ابعاد ماجرا وحشتناکه: فقط در ماه می ۲۰۲۶، این پلتفرم ۲.۵ میلیون پیامک ارسال کرد. در مجموع ۹ هزار سایت جعلی، بیش از یه میلیون لینک تقلبی، و ۳.۸ میلیون رکورد کارت اعتباری دزدیده شده که به ضرر ۱.۹ میلیارد دلاری تبدیل شده.
این پلتفرم از تلگرام به عنوان کانال عملیاتی استفاده میکرد — چون تلگرام رمزنگاری داره و با پلیس کمتر همکاری میکنه. حالا سرورهای اصلی توقیف شدن و کسی که آدرس سایتهای جعلی رو باز کنه، با صفحه توقیف افبیآی روبرو میشه.
درس اینجاست: وقتی AI میتونه صفحات جعلی رو بهصورت خودکار بسازه و آپدیت کنه، دیگه تشخیص فیشینگ با چشم خیلی سختتر از قبل شده. هر پیامک که ازت اطلاعات کارت یا رمز میخواد، با شک زیاد نگاهش کن — حتی اگه سایتش حرفهای به نظر برسه.
😱3👍1🖕1
۱۳ مارس ۲۰۲۴، یه اتفاق عجیب توی دنیای کریپتو افتاد. کارمزد تراکنش روی Arbitrum از نصف دلار رسید به کمتر از یه سنت. روی Base از ۰.۲ دلار افتاد به ۰.۰۰۱ دلار. این یه باگ نبود — یه ارتقاء به اسم Dencun توی شبکه اتریوم فعال شده بود و یه شبه همه معادلات رو عوض کرد.
ماجرا از کجا شروع شد؟
قبلاً شبکههای لایه ۲ — که روی اتریوم کار میکنن تا تراکنشها رو سریعتر و ارزونتر کنن — مجبور بودن اطلاعات تراکنشهاشون رو بهعنوان «calldata» روی اتریوم ذخیره کنن. مشکل اینجا بود که calldata برای همیشه روی شبکه میمونه و جا میگیره، پس گرون هست.
ارتقاء Dencun یه نوع تراکنش کاملاً جدید آورد به اسم blob. بلاب یه بسته داده ۱۲۸ کیلوبایتیه که به جای اینکه تا ابد ذخیره بشه، بعد از حدود ۱۸ روز حذف میشه. چرا ۱۸ روز کافیه؟ چون شبکههای لایه ۲ فقط همین مدت وقت نیاز دارن که اثبات کنن تراکنشهاشون درسته — بعدش دیگه نیازی به اون داده خام نیست.
مهمتر از این، برای بلابها یه بازار هزینه کاملاً مستقل درست شد که با تراکنشهای عادی اتریوم رقابت نمیکنه. وقتی تقاضا کمه، هزینه تقریباً صفر هست.
کاهش هزینهها واقعاً اینقدر بود:
روی Arbitrum از ۰.۴۸ دلار به ۰.۰۰۴ دلار — کاهش ۹۹٪
روی Base از ۰.۱۹ دلار به ۰.۰۰۰۸ دلار — کاهش ۹۹.۶٪
روی Optimism از ۰.۲ دلار به ۰.۰۰۳ دلار — کاهش ۹۸.۵٪
روی zkSync از ۰.۱۵ دلار به ۰.۰۰۵ دلار — کاهش ۹۷٪
اینا موقتی نیستن. تا اواسط ۲۰۲۵ هنوزم هزینهها ۱۰ تا ۵۰ برابر از قبل از این ارتقاء ارزونترن.
این تغییر در عمل یعنی چی؟
پروژههایی مثل بازیهای بلاکچینی یا پرداختهای خرد که با کارمزد نصف دلاری اصلاً بهصرفه نبودن، حالا جواب میدن. شبکه Base رشد انفجاری داشت و چندبار تعداد کاربران فعالش از خود اتریوم mainnet بیشتر شد. ایده Superchain — یعنی چند شبکه مجزا که امنیت و داده رو باهم به اشتراک میذارن — حالا از نظر اقتصادی منطقی شده.
آینده چیه؟
این ارتقاء فقط اول راهه. یه فناوری به اسم PeerDAS داره توسعه پیدا میکنه که ظرفیت بلاب رو بازهم بیشتر میکنه — بدون اینکه همه nodeها (کامپیوترهایی که شبکه رو نگه میدارن) مجبور باشن کل داده رو دانلود کنن. هدف نهایی، دنکشاردینگ کامله که اتریوم رو به یه زیرساخت داده مقیاسپذیر برای هر نوع اپلیکیشن تبدیل میکنه.
ماجرا از کجا شروع شد؟
قبلاً شبکههای لایه ۲ — که روی اتریوم کار میکنن تا تراکنشها رو سریعتر و ارزونتر کنن — مجبور بودن اطلاعات تراکنشهاشون رو بهعنوان «calldata» روی اتریوم ذخیره کنن. مشکل اینجا بود که calldata برای همیشه روی شبکه میمونه و جا میگیره، پس گرون هست.
ارتقاء Dencun یه نوع تراکنش کاملاً جدید آورد به اسم blob. بلاب یه بسته داده ۱۲۸ کیلوبایتیه که به جای اینکه تا ابد ذخیره بشه، بعد از حدود ۱۸ روز حذف میشه. چرا ۱۸ روز کافیه؟ چون شبکههای لایه ۲ فقط همین مدت وقت نیاز دارن که اثبات کنن تراکنشهاشون درسته — بعدش دیگه نیازی به اون داده خام نیست.
مهمتر از این، برای بلابها یه بازار هزینه کاملاً مستقل درست شد که با تراکنشهای عادی اتریوم رقابت نمیکنه. وقتی تقاضا کمه، هزینه تقریباً صفر هست.
کاهش هزینهها واقعاً اینقدر بود:
روی Arbitrum از ۰.۴۸ دلار به ۰.۰۰۴ دلار — کاهش ۹۹٪
روی Base از ۰.۱۹ دلار به ۰.۰۰۰۸ دلار — کاهش ۹۹.۶٪
روی Optimism از ۰.۲ دلار به ۰.۰۰۳ دلار — کاهش ۹۸.۵٪
روی zkSync از ۰.۱۵ دلار به ۰.۰۰۵ دلار — کاهش ۹۷٪
اینا موقتی نیستن. تا اواسط ۲۰۲۵ هنوزم هزینهها ۱۰ تا ۵۰ برابر از قبل از این ارتقاء ارزونترن.
این تغییر در عمل یعنی چی؟
پروژههایی مثل بازیهای بلاکچینی یا پرداختهای خرد که با کارمزد نصف دلاری اصلاً بهصرفه نبودن، حالا جواب میدن. شبکه Base رشد انفجاری داشت و چندبار تعداد کاربران فعالش از خود اتریوم mainnet بیشتر شد. ایده Superchain — یعنی چند شبکه مجزا که امنیت و داده رو باهم به اشتراک میذارن — حالا از نظر اقتصادی منطقی شده.
آینده چیه؟
این ارتقاء فقط اول راهه. یه فناوری به اسم PeerDAS داره توسعه پیدا میکنه که ظرفیت بلاب رو بازهم بیشتر میکنه — بدون اینکه همه nodeها (کامپیوترهایی که شبکه رو نگه میدارن) مجبور باشن کل داده رو دانلود کنن. هدف نهایی، دنکشاردینگ کامله که اتریوم رو به یه زیرساخت داده مقیاسپذیر برای هر نوع اپلیکیشن تبدیل میکنه.
❤9👍2💩1
همهمون تجربه داریم که وقتی از ChatGPT یا Claude میپرسیم، جواب کلمهکلمه ظاهر میشه. این یه محدودیت اساسیه، نه یه عیب طراحی: این مدلها مجبورن هر Token رو (هر کلمه یا تکهکلمه) یهبهیه تولید کنن. تا Token شماره ۱۰ نباشه، Token شماره ۱۱ نمیشه ساخت. حتی سریعترین GPU ها هم نمیتونن این ترتیب رو بشکنن.
یه تکنیک جالب داره این ماجرا رو عوض میکنه: Speculative Decoding.
ایدهش هوشمندانهست: یه مدل کوچیک و سریع چند Token بعدی رو حدس میزنه. بعد مدل بزرگ اصلی همه این حدسها رو بهصورت موازی و یهجا بررسی میکنه — تقریباً بهاندازه وقتی که فقط یه Token تولید میکرد. اگه حدسها درست باشن، همهشون با هم پذیرفته میشن. اگه جایی اشتباه باشه، از همون نقطه مدل بزرگ خودش ادامه میده.
مهمترین نکته اینه: خروجی نهایی دقیقاً همونیه که مدل بزرگ تنها میداد. هیچ کیفیتی از دست نمیره — این یه بهینهسازی «بیضرر» هست.
چقدر سریعتر؟ بستگی داره به اینکه مدل کوچیک چقدر خوب حدس بزنه. وقتی نرخ پذیرش Token یا TAR به ۸۰٪ برسه، سرعت ۳ تا ۴ برابر میشه. با TAR حدود ۶۰٪ هم ۱.۵ تا ۲ برابر بهتره. تولید کد و خروجیهای ساختاریافته معمولاً بالاترین TAR رو دارن چون مدل کوچیک بهتر میتونه حدس بزنه؛ متن خلاقانه و آزاد، TAR پایینتری داره.
سه رویکرد اصلی وجود داره:
روش اول: یه مدل کوچیک مستقل — مثلاً یه مدل ۷ میلیاردی پیشنویسنویس برای یه مدل ۷۰ میلیاردی. اینجا مدل اصلی نیازی به آموزش مجدد نداره.
روش دوم: معماری Medusa که گوگل طراحی کرده — چند «سر» سبک مستقیماً به لایه آخر مدل اضافه میشه. این سرها نیاز به Fine-tuning دارن و نسخه Medusa-2 حتی بهصورت مشترک با مدل اصلی آموزش میبینه.
روش سوم: Self-speculative — بعضی لایههای مدل در مرحله پیشنویس جا انداخته میشن و مدل کامل فقط برای تأیید استفاده میشه.
در دنیای واقعی چی؟ شرکت Meta یه نسخه درختی ساخته که چند مسیر رو همزمان حدس میزنه. شرکت Apple هم برای Apple Intelligence ازش استفاده میکنه — مدل کوچیک روی Neural Engine، مدل بزرگ روی GPU. ابزارهایی مثل vLLM و TensorRT-LLM هم این قابلیت رو بهصورت استاندارد دارن.
یه نکته عملی: دو تا مدل رو باید همزمان تو حافظه GPU نگه داری. برای یه مدل ۷۰ میلیاردی، اضافهکردن یه پیشنویسنویس ۷ میلیاردی حدود ۱۰٪ حافظه بیشتر لازم داره.
یه تکنیک جالب داره این ماجرا رو عوض میکنه: Speculative Decoding.
ایدهش هوشمندانهست: یه مدل کوچیک و سریع چند Token بعدی رو حدس میزنه. بعد مدل بزرگ اصلی همه این حدسها رو بهصورت موازی و یهجا بررسی میکنه — تقریباً بهاندازه وقتی که فقط یه Token تولید میکرد. اگه حدسها درست باشن، همهشون با هم پذیرفته میشن. اگه جایی اشتباه باشه، از همون نقطه مدل بزرگ خودش ادامه میده.
مهمترین نکته اینه: خروجی نهایی دقیقاً همونیه که مدل بزرگ تنها میداد. هیچ کیفیتی از دست نمیره — این یه بهینهسازی «بیضرر» هست.
چقدر سریعتر؟ بستگی داره به اینکه مدل کوچیک چقدر خوب حدس بزنه. وقتی نرخ پذیرش Token یا TAR به ۸۰٪ برسه، سرعت ۳ تا ۴ برابر میشه. با TAR حدود ۶۰٪ هم ۱.۵ تا ۲ برابر بهتره. تولید کد و خروجیهای ساختاریافته معمولاً بالاترین TAR رو دارن چون مدل کوچیک بهتر میتونه حدس بزنه؛ متن خلاقانه و آزاد، TAR پایینتری داره.
سه رویکرد اصلی وجود داره:
روش اول: یه مدل کوچیک مستقل — مثلاً یه مدل ۷ میلیاردی پیشنویسنویس برای یه مدل ۷۰ میلیاردی. اینجا مدل اصلی نیازی به آموزش مجدد نداره.
روش دوم: معماری Medusa که گوگل طراحی کرده — چند «سر» سبک مستقیماً به لایه آخر مدل اضافه میشه. این سرها نیاز به Fine-tuning دارن و نسخه Medusa-2 حتی بهصورت مشترک با مدل اصلی آموزش میبینه.
روش سوم: Self-speculative — بعضی لایههای مدل در مرحله پیشنویس جا انداخته میشن و مدل کامل فقط برای تأیید استفاده میشه.
در دنیای واقعی چی؟ شرکت Meta یه نسخه درختی ساخته که چند مسیر رو همزمان حدس میزنه. شرکت Apple هم برای Apple Intelligence ازش استفاده میکنه — مدل کوچیک روی Neural Engine، مدل بزرگ روی GPU. ابزارهایی مثل vLLM و TensorRT-LLM هم این قابلیت رو بهصورت استاندارد دارن.
یه نکته عملی: دو تا مدل رو باید همزمان تو حافظه GPU نگه داری. برای یه مدل ۷۰ میلیاردی، اضافهکردن یه پیشنویسنویس ۷ میلیاردی حدود ۱۰٪ حافظه بیشتر لازم داره.
❤20👍1
یه قالب Prompt که با تغییر چند متغیر ساده، تصویر ایزومتریک ۳بعدی حرفهای از هر نوع فضای کاری میسازه — بدون نیاز به طراح، بدون نرمافزار طراحی، و بدون اشتراک عکس استوک.
خروجیش مناسب هدر بلاگ، اسلاید ارائه و گرافیک شبکههای اجتماعی هست. پرامپت با DALL-E 3، Midjourney و Stable Diffusion XL کار میکنه.
سه متغیر اصلی داری: نوع فضای کاری (مثل استیشن developer یا آزمایشگاه AI)، پالت رنگی، و جزئیات صحنه. همینها رو عوض کن و در عرض چند ثانیه یه تصویر آمادهی انتشار داری.
برای مثالهای کامل و نحوه استفاده با هر ابزار، لینک مقاله رو باز کن.
📋 پرامپت کامل (لمس کن تا کپی بشه):
توضیحات بیشتر و مثالها توی مقاله 👇
خروجیش مناسب هدر بلاگ، اسلاید ارائه و گرافیک شبکههای اجتماعی هست. پرامپت با DALL-E 3، Midjourney و Stable Diffusion XL کار میکنه.
سه متغیر اصلی داری: نوع فضای کاری (مثل استیشن developer یا آزمایشگاه AI)، پالت رنگی، و جزئیات صحنه. همینها رو عوض کن و در عرض چند ثانیه یه تصویر آمادهی انتشار داری.
برای مثالهای کامل و نحوه استفاده با هر ابزار، لینک مقاله رو باز کن.
📋 پرامپت کامل (لمس کن تا کپی بشه):
Isometric 3D illustration of a [SUBJECT] workspace, clean vector art style, vibrant [COLOR_PALETTE] colors on white background, soft drop shadows, [DETAILS], no text or labels, high detail, product render aesthetic, centered composition, slight top-down angle, crisp edges
توضیحات بیشتر و مثالها توی مقاله 👇
❤22👍8🖕1
۸۰۰ میلیون بار در ماه — این آمار آخرین گزارش Google از تعداد ورودهای با passkey هست. اگه هنوز فکر میکنی passkey یه چیز آزمایشگاهیه، وقتشه نظرت رو عوض کنی.
این passkey دقیقاً چیه؟ یه کلید رمزنگاریشدهست که روی دستگاهته. موقع ثبتنام، گوشی یا لپتاپت یه جفت کلید میسازه — یکی عمومی، یکی خصوصی. کلید خصوصی هرگز از دستگاهت خارج نمیشه و سرور فقط کلید عمومی رو نگه میداره.
نکته مهم امنیتیش اینه: passkey به یه دامنه مشخص گره خورده. یعنی اگه یه سایت تقلبی مثل paypa1.com وانمود کنه PayPal هست، passkey اصلاً کار نمیکنه — چون برای paypal.com ساخته شده، نه اون آدرس جعلی. به این میگن «مصونیت در برابر فیشینگ» و این بزرگترین برتری passkey نسبت به رمز عبور و کدهای SMS هست.
وضعیت پذیرش الان چطوره؟ شرکت Google بیشتر از ۴۰۰ میلیون حساب رو به passkey منتقل کرده. بیشتر از ۳۰۰ پلتفرم اصلی پشتیبانی میکنن از جمله Apple، Microsoft، GitHub، PayPal، WhatsApp و Shopify. شرکت Microsoft هم میگه بیشتر از ۹۹٪ از ورودهای کاربران عادیش دیگه بدون رمز عبور انجام میشه.
همگامسازی بین دستگاهها هم حل شده. سرویس Apple Keychain، passkeyها رو بین iPhone، iPad و Mac رمزنگاریشده سینک میکنه. سرویس Google Password Manager هم همین کار رو برای Android و Chrome میکنه. ابزارهایی مثل 1Password و Dashlane هم گزینههای cross-platform هستن.
یه چالش هنوز هست: اگه passkey توی Apple Keychain ذخیره باشه و بخوای روی ویندوز وارد بشی، باید یه QR code رو با گوشیت اسکن کنی و از Bluetooth برای تایید استفاده بشه. کار میکنه ولی کمی گیجکنندهست و خیلیها ترجیح میدن برگردن به رمز عبور. خبر خوب اینکه اتحادیه FIDO یه پروتکل جدید به اسم CXP رو در ۲۰۲۵ نهایی کرده که میشه passkeyها رو بین مدیریتکنندههای مختلف جابهجا کرد و دیگه گیر یه اکوسیستم نمیمونی.
اگه گوشیت رو گم کنی چی؟ passkeyهای سینکشده به بازیابی حساب ابری گره خوردن — مثل بازیابی Apple ID یا حساب Google. به همین خاطر راهاندازی روشهای بازیابی حساب همچنان مهمه.
رمز عبور هنوز نمرده — ۳۰۰ پلتفرم از میلیونها سرویس موجود یعنی هنوز راه داریم. ولی زیرساخت آمادهست، تجربه کاربری داره بهتر میشه، و سوال دیگه «آیا passkey جای رمز عبور رو میگیره؟» نیست — سوال اینه که «چقدر طول میکشه؟»
این passkey دقیقاً چیه؟ یه کلید رمزنگاریشدهست که روی دستگاهته. موقع ثبتنام، گوشی یا لپتاپت یه جفت کلید میسازه — یکی عمومی، یکی خصوصی. کلید خصوصی هرگز از دستگاهت خارج نمیشه و سرور فقط کلید عمومی رو نگه میداره.
نکته مهم امنیتیش اینه: passkey به یه دامنه مشخص گره خورده. یعنی اگه یه سایت تقلبی مثل paypa1.com وانمود کنه PayPal هست، passkey اصلاً کار نمیکنه — چون برای paypal.com ساخته شده، نه اون آدرس جعلی. به این میگن «مصونیت در برابر فیشینگ» و این بزرگترین برتری passkey نسبت به رمز عبور و کدهای SMS هست.
وضعیت پذیرش الان چطوره؟ شرکت Google بیشتر از ۴۰۰ میلیون حساب رو به passkey منتقل کرده. بیشتر از ۳۰۰ پلتفرم اصلی پشتیبانی میکنن از جمله Apple، Microsoft، GitHub، PayPal، WhatsApp و Shopify. شرکت Microsoft هم میگه بیشتر از ۹۹٪ از ورودهای کاربران عادیش دیگه بدون رمز عبور انجام میشه.
همگامسازی بین دستگاهها هم حل شده. سرویس Apple Keychain، passkeyها رو بین iPhone، iPad و Mac رمزنگاریشده سینک میکنه. سرویس Google Password Manager هم همین کار رو برای Android و Chrome میکنه. ابزارهایی مثل 1Password و Dashlane هم گزینههای cross-platform هستن.
یه چالش هنوز هست: اگه passkey توی Apple Keychain ذخیره باشه و بخوای روی ویندوز وارد بشی، باید یه QR code رو با گوشیت اسکن کنی و از Bluetooth برای تایید استفاده بشه. کار میکنه ولی کمی گیجکنندهست و خیلیها ترجیح میدن برگردن به رمز عبور. خبر خوب اینکه اتحادیه FIDO یه پروتکل جدید به اسم CXP رو در ۲۰۲۵ نهایی کرده که میشه passkeyها رو بین مدیریتکنندههای مختلف جابهجا کرد و دیگه گیر یه اکوسیستم نمیمونی.
اگه گوشیت رو گم کنی چی؟ passkeyهای سینکشده به بازیابی حساب ابری گره خوردن — مثل بازیابی Apple ID یا حساب Google. به همین خاطر راهاندازی روشهای بازیابی حساب همچنان مهمه.
رمز عبور هنوز نمرده — ۳۰۰ پلتفرم از میلیونها سرویس موجود یعنی هنوز راه داریم. ولی زیرساخت آمادهست، تجربه کاربری داره بهتر میشه، و سوال دیگه «آیا passkey جای رمز عبور رو میگیره؟» نیست — سوال اینه که «چقدر طول میکشه؟»
❤64🎃24⚡12👍8👎3💩1🍌1
یه کارخانه با ۵۰۰ سنسور روزانه ۲ ترابایت داده تولید میکنه. فرستادن همهشون به ابر؟ ماهی ۱۵۰ تا ۳۰۰ دلار فقط هزینه انتقال داده — و بعدش تازه نوبت هزینه محاسبه میرسه.
مدل «همه چیز رو بفرست به ابر» داره تموم میشه. محاسبات داره برمیگرده به دنیای فیزیکی — و دلیلش فقط هزینه نیست.
ماشینهای خودران باید تصمیم فرمان رو زیر ۲ میلیثانیه بگیرن. رفتوبرگشت یه درخواست از مونیخ به سرورهای ویرجینیا ۱۸۰ تا ۲۲۰ میلیثانیه طول میکشه — تا جواب برسه، ماشین چند متر رفته. رباتهای جراحی نیاز دارن جراح حس لمس رو زیر ۱۰ میلیثانیه دریافت کنه؛ با تأخیر ۲۰۰ میلیثانیه، جراح عملاً کور عمل میکنه. فیزیک محدودیت ایجاد میکنه، نه شبکه.
اینجاست که «محاسبات لبه» وارد میشه — یعنی پردازش داده نزدیک به جایی که تولید میشه، نه توی سرورهای هزار کیلومتر آونطرفتر.
همون کارخانه با سرور لبهای محلی، بهجای ۲ ترابایت، فقط ۵ تا ۱۵ گیگابایت داده فشردهشده میفرسته به ابر. مصرف پهنای باند ۹۰ تا ۹۵ درصد کم میشه و سرور محلی معمولاً ظرف شش ماه به صرفه میشه.
این فقط حرف نیست. سیستمهای مراقبت از بیمار در ICU بیمارستانها روی AWS Outposts محلی اجرا میشن — داده بیمار از بیمارستان بیرون نمیره. شرکت Siemens دستگاههای لبهای رو مستقیم کنار خط تولید کارخانهها نصب کرده. فروشگاههای زنجیرهای بزرگ پردازش تراکنشها رو توی لبه منطقهای اجرا میکنن — حتی وقتی ابر مرکزی قطع میشه، صندوقها کار میکنن.
بخش AI هم همین مسیر رو میره. ماژولهای NVIDIA Jetson Orin با مصرف ۱۵ وات، تا ۲۷۵ تریلیون عملیات در ثانیه انجام میدن — کافیه برای تشخیص تصویر، کنترل کیفیت، و مدلهای زبانی کوچیک، همه بهصورت آفلاین. بیمارستانی که AI روی عکسهای رادیولوژی اجرا میکنه، نمیتونه اون عکسها رو به API یه شرکت ثالث بفرسته. یه کارخانه نمیتونه پارامترهای خط تولیدش رو برای سرویس یه فروشنده بفرسته.
معماری نرمافزار داره از «ابر اول» میره به «لبه اول» — و این برای هر صنعتی که با دنیای فیزیکی سروکار داره، یه تغییر ساختاری واقعیه.
مدل «همه چیز رو بفرست به ابر» داره تموم میشه. محاسبات داره برمیگرده به دنیای فیزیکی — و دلیلش فقط هزینه نیست.
ماشینهای خودران باید تصمیم فرمان رو زیر ۲ میلیثانیه بگیرن. رفتوبرگشت یه درخواست از مونیخ به سرورهای ویرجینیا ۱۸۰ تا ۲۲۰ میلیثانیه طول میکشه — تا جواب برسه، ماشین چند متر رفته. رباتهای جراحی نیاز دارن جراح حس لمس رو زیر ۱۰ میلیثانیه دریافت کنه؛ با تأخیر ۲۰۰ میلیثانیه، جراح عملاً کور عمل میکنه. فیزیک محدودیت ایجاد میکنه، نه شبکه.
اینجاست که «محاسبات لبه» وارد میشه — یعنی پردازش داده نزدیک به جایی که تولید میشه، نه توی سرورهای هزار کیلومتر آونطرفتر.
همون کارخانه با سرور لبهای محلی، بهجای ۲ ترابایت، فقط ۵ تا ۱۵ گیگابایت داده فشردهشده میفرسته به ابر. مصرف پهنای باند ۹۰ تا ۹۵ درصد کم میشه و سرور محلی معمولاً ظرف شش ماه به صرفه میشه.
این فقط حرف نیست. سیستمهای مراقبت از بیمار در ICU بیمارستانها روی AWS Outposts محلی اجرا میشن — داده بیمار از بیمارستان بیرون نمیره. شرکت Siemens دستگاههای لبهای رو مستقیم کنار خط تولید کارخانهها نصب کرده. فروشگاههای زنجیرهای بزرگ پردازش تراکنشها رو توی لبه منطقهای اجرا میکنن — حتی وقتی ابر مرکزی قطع میشه، صندوقها کار میکنن.
بخش AI هم همین مسیر رو میره. ماژولهای NVIDIA Jetson Orin با مصرف ۱۵ وات، تا ۲۷۵ تریلیون عملیات در ثانیه انجام میدن — کافیه برای تشخیص تصویر، کنترل کیفیت، و مدلهای زبانی کوچیک، همه بهصورت آفلاین. بیمارستانی که AI روی عکسهای رادیولوژی اجرا میکنه، نمیتونه اون عکسها رو به API یه شرکت ثالث بفرسته. یه کارخانه نمیتونه پارامترهای خط تولیدش رو برای سرویس یه فروشنده بفرسته.
معماری نرمافزار داره از «ابر اول» میره به «لبه اول» — و این برای هر صنعتی که با دنیای فیزیکی سروکار داره، یه تغییر ساختاری واقعیه.
❤58👍27💩13🍌12🥰4
سه سال پیش رباتهای انساننما فقط توی ویدیوهای تبلیغاتی بودن. الان Figure 02 داره روی خط تولید BMW کار میکنه — و این فاصله خیلی سریعتر از چیزی که همه انتظار داشتن بسته شد.
شرکت Figure AI در اوایل ۲۰۲۴ موفق شد ۶۷۵ میلیون دلار جذب سرمایه کنه — با پشتیبانی Microsoft، OpenAI، Nvidia، Intel Capital و جف بزوس. ربات Figure 02 الان توی کارخانه BMW در کارولینای جنوبی داره قطعات رو از جعبهها برمیداره و سر جاشون روی خط مونتاژ میذاره. میتونه ۲۰ کیلو حمل کنه، دستهاش ۱۶ درجه آزادی دارن — یعنی گرفتن چیزهای ظریف هم براش ممکنه. قیمت هر واحد الان حدود ۷۰ هزار دلار هست.
تسلا با Optimus رویکرد متفاوتی داره: اول توی کارخانههای خودش ازش استفاده میکنه — مرتبسازی باتری و جابجایی قطعات. نسل دومش سریعتره و دستهایی با حس لامسه داره. هدف ایلان ماسک یه میلیون ربات تا ۲۰۳۰ هست که خیلی بلندپروازانه به نظر میرسه.
یه بازیگر جالب دیگه، Neo از شرکت 1X Technologies هست — که با حمایت Amazon کار میکنه. برعکس بقیه، اینا روی کار کردن کنار انسانها تمرکز دارن، نه حداکثر قدرت. Neo داخل انبارهای لجستیکی کنار کارگرها کار میکنه، بدون نردههای ایمنی که معمولاً دور رباتهای صنعتی میکشن. این یه انتخاب طراحی عمدیه، نه محدودیت — چون باعث میشه مشتری مجبور نباشه انبارش رو از صفر بازطراحی کنه.
شرکت Agility Robotics هم با ربات Digit توی انبارها خوب عمل کرده — نرخ موفقیت بالای ۹۰ درصد روی جابجایی جعبهها. طراحی کوچیکترش با زیرساخت انبارهای موجود سازگاره. شرکت Boston Dynamics هم اتلس هیدرولیکی رو کنار گذاشته و نسخه برقیتر و سریعتری معرفی کرده، ولی استقرار تجاریش هنوز محدوده.
خلاصهش اینه: رباتهای انساننما وارد کارخانهها شدن — ولی هنوز گرون، تخصصی و محدود به کارهای ساختاریافته هستن. ورود اتفاق افتاده؛ تسخیر نه.
شرکت Figure AI در اوایل ۲۰۲۴ موفق شد ۶۷۵ میلیون دلار جذب سرمایه کنه — با پشتیبانی Microsoft، OpenAI، Nvidia، Intel Capital و جف بزوس. ربات Figure 02 الان توی کارخانه BMW در کارولینای جنوبی داره قطعات رو از جعبهها برمیداره و سر جاشون روی خط مونتاژ میذاره. میتونه ۲۰ کیلو حمل کنه، دستهاش ۱۶ درجه آزادی دارن — یعنی گرفتن چیزهای ظریف هم براش ممکنه. قیمت هر واحد الان حدود ۷۰ هزار دلار هست.
تسلا با Optimus رویکرد متفاوتی داره: اول توی کارخانههای خودش ازش استفاده میکنه — مرتبسازی باتری و جابجایی قطعات. نسل دومش سریعتره و دستهایی با حس لامسه داره. هدف ایلان ماسک یه میلیون ربات تا ۲۰۳۰ هست که خیلی بلندپروازانه به نظر میرسه.
یه بازیگر جالب دیگه، Neo از شرکت 1X Technologies هست — که با حمایت Amazon کار میکنه. برعکس بقیه، اینا روی کار کردن کنار انسانها تمرکز دارن، نه حداکثر قدرت. Neo داخل انبارهای لجستیکی کنار کارگرها کار میکنه، بدون نردههای ایمنی که معمولاً دور رباتهای صنعتی میکشن. این یه انتخاب طراحی عمدیه، نه محدودیت — چون باعث میشه مشتری مجبور نباشه انبارش رو از صفر بازطراحی کنه.
شرکت Agility Robotics هم با ربات Digit توی انبارها خوب عمل کرده — نرخ موفقیت بالای ۹۰ درصد روی جابجایی جعبهها. طراحی کوچیکترش با زیرساخت انبارهای موجود سازگاره. شرکت Boston Dynamics هم اتلس هیدرولیکی رو کنار گذاشته و نسخه برقیتر و سریعتری معرفی کرده، ولی استقرار تجاریش هنوز محدوده.
خلاصهش اینه: رباتهای انساننما وارد کارخانهها شدن — ولی هنوز گرون، تخصصی و محدود به کارهای ساختاریافته هستن. ورود اتفاق افتاده؛ تسخیر نه.
❤10💩9👍2👎1😁1💋1🤓1🎅1
۳۰۰ هزار مشاور خبره تا آخر سال — OpenAI امروز یه قدم خیلی بزرگ برداشت.
شرکت OpenAI رسماً شبکه شرکای خودش (OpenAI Partner Network) رو با بودجه ۱۵۰ میلیون دلاری راهاندازی کرد. هدف اینه که تا پایان ۲۰۲۶ حدود ۳۰۰ هزار مشاور و متخصص گواهیشده داشته باشه — که اگه محقق بشه، یکی از بزرگترین برنامههای گواهیدهی در تاریخ نرمافزارهای سازمانی خواهد بود.
این برنامه سه سطح داره: Select، Advanced و Elite. هرچی بالاتر بری، یعنی فروش بیشتر، توانایی فنی بالاتر، و تجربه واقعی در پیادهسازی. سطح Elite یه امتیاز ویژه داره به اسم «Forward Deployed Experts» — یعنی مهندسای خود OpenAI میان کنار شریک تجاری و روی پروژههای مشتری کار میکنن. این مدل نشون میده OpenAI فقط دنبال تعداد شریک نیست، کیفیت پیادهسازی هم براش مهمه.
شرکتهای Accenture، BCG، Capgemini و McKinsey — چهار تا از بزرگترین مشاورههای دنیا — از همون اول عضو شدن. این یعنی OpenAI داره با شرکتهای Fortune 500 کار میکنه؛ همونهایی که صدها میلیارد دلار قراردادهای مشاورهای دارن.
اون ۱۵۰ میلیون دلار هم صرف آموزش شرکا، کاهش هزینههای اجرایی، و صندوق توسعه بازار میشه. به زبان ساده: OpenAI داره ریسک مالی شرکتهایی رو که میخوان تخصص روی محصولاتش بسازن کم میکنه، قبل از اینکه این تخصص درآمد قابل اتکایی داشته باشه.
نکته جالب مقایسهست — مایکروسافت اکوسیستم شرکای Azure رو در حدود هشت سال ساخت، با بیش از ۴۰۰ هزار شریک. OpenAI میخواد این مسیر رو خیلی سریعتر طی کنه. رقبایی مثل Google Cloud و AWS هم برنامههای شرکای بالغ خودشون رو دارن — پس OpenAI با این سرمایه اولیه داره از روز اول جدی وارد بازی میشه.
برای مشاورای کوچیکتری که تا حالا غیررسمی با OpenAI کار میکردن، این تیربندی هم فرصته هم تهدید — میتونن رسمی بشن و مدرک بگیرن، ولی همین مدرک برای Accenture هم در دسترسه. برنده کسیه که تخصص عمیقتری در یه حوزه خاص داشته باشه.
شرکت OpenAI رسماً شبکه شرکای خودش (OpenAI Partner Network) رو با بودجه ۱۵۰ میلیون دلاری راهاندازی کرد. هدف اینه که تا پایان ۲۰۲۶ حدود ۳۰۰ هزار مشاور و متخصص گواهیشده داشته باشه — که اگه محقق بشه، یکی از بزرگترین برنامههای گواهیدهی در تاریخ نرمافزارهای سازمانی خواهد بود.
این برنامه سه سطح داره: Select، Advanced و Elite. هرچی بالاتر بری، یعنی فروش بیشتر، توانایی فنی بالاتر، و تجربه واقعی در پیادهسازی. سطح Elite یه امتیاز ویژه داره به اسم «Forward Deployed Experts» — یعنی مهندسای خود OpenAI میان کنار شریک تجاری و روی پروژههای مشتری کار میکنن. این مدل نشون میده OpenAI فقط دنبال تعداد شریک نیست، کیفیت پیادهسازی هم براش مهمه.
شرکتهای Accenture، BCG، Capgemini و McKinsey — چهار تا از بزرگترین مشاورههای دنیا — از همون اول عضو شدن. این یعنی OpenAI داره با شرکتهای Fortune 500 کار میکنه؛ همونهایی که صدها میلیارد دلار قراردادهای مشاورهای دارن.
اون ۱۵۰ میلیون دلار هم صرف آموزش شرکا، کاهش هزینههای اجرایی، و صندوق توسعه بازار میشه. به زبان ساده: OpenAI داره ریسک مالی شرکتهایی رو که میخوان تخصص روی محصولاتش بسازن کم میکنه، قبل از اینکه این تخصص درآمد قابل اتکایی داشته باشه.
نکته جالب مقایسهست — مایکروسافت اکوسیستم شرکای Azure رو در حدود هشت سال ساخت، با بیش از ۴۰۰ هزار شریک. OpenAI میخواد این مسیر رو خیلی سریعتر طی کنه. رقبایی مثل Google Cloud و AWS هم برنامههای شرکای بالغ خودشون رو دارن — پس OpenAI با این سرمایه اولیه داره از روز اول جدی وارد بازی میشه.
برای مشاورای کوچیکتری که تا حالا غیررسمی با OpenAI کار میکردن، این تیربندی هم فرصته هم تهدید — میتونن رسمی بشن و مدرک بگیرن، ولی همین مدرک برای Accenture هم در دسترسه. برنده کسیه که تخصص عمیقتری در یه حوزه خاص داشته باشه.
❤5💩4👍1
۳.۶ میلیارد دلار برای یه شرکتی که از سال ۲۰۱۱ شروع کرد — این خلاصه بزرگترین خبر هوش مصنوعی این هفته هست.
شرکت Salesforce امروز اعلام کرد که Fin رو به قیمت ۳.۶ میلیارد دلار نقدی میخره. شرکت Fin همون Intercom سابقه — که در سال ۲۰۱۱ به عنوان یه پلتفرم پیامرسانی ساده راهاندازی شد، ولی تا ۲۰۲۵ کل هویتش رو عوض کرد و به یه ایجنت AI تبدیل شد. ایجنت یعنی سیستمی که کارها رو خودکار از اول تا آخر انجام میده — نه فقط جواب میده، بلکه مشکل رو کامل حل میکنه.
عدد کلیدی اینه: این پلتفرم ادعا میکنه ۷۶٪ از تیکتهای پشتیبانی رو بدون دخالت هیچ آدمی حل میکنه. از هر ۱۰۰ درخواست مشتری، ۷۶ تا رو AI کامل میبنده. بقیه رو با تمام اطلاعات تحویل اپراتور انسانی میده. الان بیشتر از ۳۰ هزار شرکت ازش استفاده میکنن.
نکته مهمی که این شرکت رو از بقیه جدا میکنه اینه که یه مدل AI اختصاصی ساخته به اسم Apex. یعنی صرفاً ChatGPT رو توی یه رابط کاربری نپیچوندن — این مدل مخصوص پشتیبانی مشتریه و روی دادههای همین حوزه آموزش دیده. نتیجه؟ کمتر جواب اشتباه میده. چون یه جواب غلط درباره صورتحساب میتونه برای یه شرکت یه بحران بزرگ بشه.
چرا Salesforce این قدر پول داد؟ چون داره Agentforce رو میسازه — پلتفرم ایجنتهای AI برای کسبوکارهای بزرگ. پشتیبانی مشتری حساسترین جاییه که این تکنولوژی باید درست کار کنه. با این معامله، یه محصول آماده با ۳۰ هزار مشتری سازمانی یکجا وارد اکوسیستم Salesforce میشه.
شرکت Salesforce امروز اعلام کرد که Fin رو به قیمت ۳.۶ میلیارد دلار نقدی میخره. شرکت Fin همون Intercom سابقه — که در سال ۲۰۱۱ به عنوان یه پلتفرم پیامرسانی ساده راهاندازی شد، ولی تا ۲۰۲۵ کل هویتش رو عوض کرد و به یه ایجنت AI تبدیل شد. ایجنت یعنی سیستمی که کارها رو خودکار از اول تا آخر انجام میده — نه فقط جواب میده، بلکه مشکل رو کامل حل میکنه.
عدد کلیدی اینه: این پلتفرم ادعا میکنه ۷۶٪ از تیکتهای پشتیبانی رو بدون دخالت هیچ آدمی حل میکنه. از هر ۱۰۰ درخواست مشتری، ۷۶ تا رو AI کامل میبنده. بقیه رو با تمام اطلاعات تحویل اپراتور انسانی میده. الان بیشتر از ۳۰ هزار شرکت ازش استفاده میکنن.
نکته مهمی که این شرکت رو از بقیه جدا میکنه اینه که یه مدل AI اختصاصی ساخته به اسم Apex. یعنی صرفاً ChatGPT رو توی یه رابط کاربری نپیچوندن — این مدل مخصوص پشتیبانی مشتریه و روی دادههای همین حوزه آموزش دیده. نتیجه؟ کمتر جواب اشتباه میده. چون یه جواب غلط درباره صورتحساب میتونه برای یه شرکت یه بحران بزرگ بشه.
چرا Salesforce این قدر پول داد؟ چون داره Agentforce رو میسازه — پلتفرم ایجنتهای AI برای کسبوکارهای بزرگ. پشتیبانی مشتری حساسترین جاییه که این تکنولوژی باید درست کار کنه. با این معامله، یه محصول آماده با ۳۰ هزار مشتری سازمانی یکجا وارد اکوسیستم Salesforce میشه.
👏9❤5👍3💔3🍓1
۲۲ میلیارد دلار — این قیمتیه که شرکت Fox Corporation حاضر شد برای خرید Roku بپرده. یه معامله تاریخی که میتونه چهره استریمینگ رو عوض کنه.
شرایط معامله اینه که هر سهام Roku به ارزش ۱۶۰ دلار میشه — ۹۶ دلار نقد به علاوه حدود ۰.۹۷ سهم از Fox. سهامداران فاکس بعد از ادغام حدود ۷۳ درصد شرکت جدید رو در دست دارن. بسته شدن معامله هم به نیمه اول ۲۰۲۷ موکول شده و منوط به تأیید نهادهای نظارتی هست.
حالا چرا فاکس این کار رو کرد؟
چون Roku یه شرکت محتوا نیست — یه پلتفرم توزیع هست. سیستمعامل Roku روی بیش از ۱۰۰ میلیون خانوار آمریکایی اجرا میشه و محبوبترین پلتفرم استریمینگ ایالات متحده به حساب میاد. وقتی آدمها تلویزیون رو روشن میکنن، اول صفحه Roku رو میبینن — یعنی Roku کنترل میکنه چی اول به چشم مخاطب میاد.
شرط فاکس اینه که محتوای زنده — بازیهای NFL، پلیآف MLB، Fox News و جام جهانی FIFA — نوعی تماشای اجباریِ لحظهایه: محتوایی که مردم باید سر یه ساعت خاص ببیننش، نه هر وقت که دلشون خواست. این چیزیه که استریمهای معمولی نمیتونن ارائه بدن.
یه بخش مهم دیگه: فاکس قبلاً Tubi رو خریده بود — سرویس استریم رایگان با تبلیغ که الان بیش از ۸۰ میلیون کاربر ماهانه داره. حالا Tubi مستقیم داخل پلتفرمی میشینه که صاحب سیستمعاملشه.
از نظر تبلیغاتی هم ماجرا جذابه: پلتفرم تبلیغاتی Roku یعنی OneView در سال ۲۰۲۵ حدود ۳.۶ میلیارد دلار درآمد داشت — با متصل کردن دادههای تماشا به رفتار خرید کاربران. با ترکیب این با بینندگان ورزش زنده فاکس، یه دیتاست تبلیغاتی درجه یک به وجود میاد.
پول معامله از کجا میاد؟ شرکت Fox از Morgan Stanley ۱۲ میلیارد دلار تأمین مالی پل جذب کرده، به علاوه پول نقد موجود. انتظار دارن سالانه ۴۰۰ میلیون دلار هم از ادغام صرفهجویی بشه.
یه ریسک جدی هم وجود داره: نهادهای نظارتی DOJ و FCC باید این معامله رو تأیید کنن. ترکیب شبکههای پخش فاکس، Fox News، حقوق ورزشی ملی و کنترل سیستمعامل Roku میتونه نگرانیهای انحصاری ایجاد کنه. محتملترین سناریو اینه که فاکس مجبور بشه رقبا رو هم روی Roku با شرایط برابر حمل کنه — شبیه شرایطی که در ۲۰۱۱ روی Comcast بعد از خرید NBCUniversal گذاشتن.
شرایط معامله اینه که هر سهام Roku به ارزش ۱۶۰ دلار میشه — ۹۶ دلار نقد به علاوه حدود ۰.۹۷ سهم از Fox. سهامداران فاکس بعد از ادغام حدود ۷۳ درصد شرکت جدید رو در دست دارن. بسته شدن معامله هم به نیمه اول ۲۰۲۷ موکول شده و منوط به تأیید نهادهای نظارتی هست.
حالا چرا فاکس این کار رو کرد؟
چون Roku یه شرکت محتوا نیست — یه پلتفرم توزیع هست. سیستمعامل Roku روی بیش از ۱۰۰ میلیون خانوار آمریکایی اجرا میشه و محبوبترین پلتفرم استریمینگ ایالات متحده به حساب میاد. وقتی آدمها تلویزیون رو روشن میکنن، اول صفحه Roku رو میبینن — یعنی Roku کنترل میکنه چی اول به چشم مخاطب میاد.
شرط فاکس اینه که محتوای زنده — بازیهای NFL، پلیآف MLB، Fox News و جام جهانی FIFA — نوعی تماشای اجباریِ لحظهایه: محتوایی که مردم باید سر یه ساعت خاص ببیننش، نه هر وقت که دلشون خواست. این چیزیه که استریمهای معمولی نمیتونن ارائه بدن.
یه بخش مهم دیگه: فاکس قبلاً Tubi رو خریده بود — سرویس استریم رایگان با تبلیغ که الان بیش از ۸۰ میلیون کاربر ماهانه داره. حالا Tubi مستقیم داخل پلتفرمی میشینه که صاحب سیستمعاملشه.
از نظر تبلیغاتی هم ماجرا جذابه: پلتفرم تبلیغاتی Roku یعنی OneView در سال ۲۰۲۵ حدود ۳.۶ میلیارد دلار درآمد داشت — با متصل کردن دادههای تماشا به رفتار خرید کاربران. با ترکیب این با بینندگان ورزش زنده فاکس، یه دیتاست تبلیغاتی درجه یک به وجود میاد.
پول معامله از کجا میاد؟ شرکت Fox از Morgan Stanley ۱۲ میلیارد دلار تأمین مالی پل جذب کرده، به علاوه پول نقد موجود. انتظار دارن سالانه ۴۰۰ میلیون دلار هم از ادغام صرفهجویی بشه.
یه ریسک جدی هم وجود داره: نهادهای نظارتی DOJ و FCC باید این معامله رو تأیید کنن. ترکیب شبکههای پخش فاکس، Fox News، حقوق ورزشی ملی و کنترل سیستمعامل Roku میتونه نگرانیهای انحصاری ایجاد کنه. محتملترین سناریو اینه که فاکس مجبور بشه رقبا رو هم روی Roku با شرایط برابر حمل کنه — شبیه شرایطی که در ۲۰۱۱ روی Comcast بعد از خرید NBCUniversal گذاشتن.
👍2
برنامهنویسها، این یکی مهمه
یه دهه بود که انتخاب ابزار مشاهدهپذیری (یعنی monitoring و tracing سرویسهات) عملاً یعنی قفل شدن به یه vendor خاص. میخواستی از Datadog بری؟ باید تمام سرویسهات رو از صفر ابزارگذاری میکردی. این مشکل الان حل شده.
پروژه OpenTelemetry که زیر چتر CNCF هست و سال ۲۰۲۱ به مرحله graduated رسید، حالا استاندارد بلامنازع برای distributed tracing، متریک و لاگه. از AWS، GCP و Azure گرفته تا Datadog، Honeycomb، Grafana، New Relic و Dynatrace — همه باهاش کار میکنن. یه بار ابزارگذاری کن، هر جایی که خواستی ارسال کن.
این پروژه از ادغام دو استاندارد رقیب به دنیا اومد: OpenCensus که گوگل ساخته بود و OpenTracing که زیر نظر CNCF بود. این ادغام مهمه چون پراکندگی قبلی رو تموم کرد — قبلش باید یه طرف رو انتخاب میکردی، الان فقط یه استاندارده.
معماریش دو بخش اصلی داره: SDK که داخل اپلیکیشنت میاد و کار ابزارگذاری رو انجام میده، و Collector که یه binary مستقله و بین اپهات و backendهات میشینه.
یه نکته فنی جالب: API و SDK از هم جدا هستن. کتابخونهها میتونن در برابر API ابزارگذاری بشن بدون وابستگی سخت به SDK. اگه SDK پیکربندی نشده باشه، اون callها no-op میشن — هیچ overheadی ندارن.
برای ابزارگذاری خودکار هم هر زبون گزینه داره. جاوا با یه Java agent بدون تغییر کد همه چیز رو میبینه. پایتون با یه دستور ساده فریمورکهایی مثل Django و FastAPI رو cover میکنه. Node.js هم با یه package، Express و بقیه رو hook میکنه.
ولی این ابزارگذاری خودکار معنی کد شما رو نمیفهمه — منطق بیزینس رو نمیبینه. برای اون باید manual span بزنی: هر جایی که ممکنه خطا بده یا latency داشته باشه رو wrap کن، attributeهایی مثل user ID یا feature flag اضافه کن، و خطاها رو صریح ثبت کن.
قلب معماری اما Collector هست. این proxy بدون وابستگی به vendor بین اپهات و backendهات میشینه و چند کار حیاتی میکنه:
ارسال همزمان به چند backend — مثلاً هم به Honeycomb و هم به Grafana Tempo — بدون هیچ تغییری تو کد اپلیکیشن.
پاکسازی اطلاعات حساس مثل ایمیل، IP و session token قبل از اینکه داده به هر vendor برسه.
مهاجرت به backend دیگه با تغییر config فایل Collector — بدون دست زدن به کد اپلیکیشن.
توی Kubernetes هم میتونی بهش به شکل sidecar یا DaemonSet اضافه کنی.
یه دهه بود که انتخاب ابزار مشاهدهپذیری (یعنی monitoring و tracing سرویسهات) عملاً یعنی قفل شدن به یه vendor خاص. میخواستی از Datadog بری؟ باید تمام سرویسهات رو از صفر ابزارگذاری میکردی. این مشکل الان حل شده.
پروژه OpenTelemetry که زیر چتر CNCF هست و سال ۲۰۲۱ به مرحله graduated رسید، حالا استاندارد بلامنازع برای distributed tracing، متریک و لاگه. از AWS، GCP و Azure گرفته تا Datadog، Honeycomb، Grafana، New Relic و Dynatrace — همه باهاش کار میکنن. یه بار ابزارگذاری کن، هر جایی که خواستی ارسال کن.
این پروژه از ادغام دو استاندارد رقیب به دنیا اومد: OpenCensus که گوگل ساخته بود و OpenTracing که زیر نظر CNCF بود. این ادغام مهمه چون پراکندگی قبلی رو تموم کرد — قبلش باید یه طرف رو انتخاب میکردی، الان فقط یه استاندارده.
معماریش دو بخش اصلی داره: SDK که داخل اپلیکیشنت میاد و کار ابزارگذاری رو انجام میده، و Collector که یه binary مستقله و بین اپهات و backendهات میشینه.
یه نکته فنی جالب: API و SDK از هم جدا هستن. کتابخونهها میتونن در برابر API ابزارگذاری بشن بدون وابستگی سخت به SDK. اگه SDK پیکربندی نشده باشه، اون callها no-op میشن — هیچ overheadی ندارن.
برای ابزارگذاری خودکار هم هر زبون گزینه داره. جاوا با یه Java agent بدون تغییر کد همه چیز رو میبینه. پایتون با یه دستور ساده فریمورکهایی مثل Django و FastAPI رو cover میکنه. Node.js هم با یه package، Express و بقیه رو hook میکنه.
ولی این ابزارگذاری خودکار معنی کد شما رو نمیفهمه — منطق بیزینس رو نمیبینه. برای اون باید manual span بزنی: هر جایی که ممکنه خطا بده یا latency داشته باشه رو wrap کن، attributeهایی مثل user ID یا feature flag اضافه کن، و خطاها رو صریح ثبت کن.
قلب معماری اما Collector هست. این proxy بدون وابستگی به vendor بین اپهات و backendهات میشینه و چند کار حیاتی میکنه:
ارسال همزمان به چند backend — مثلاً هم به Honeycomb و هم به Grafana Tempo — بدون هیچ تغییری تو کد اپلیکیشن.
پاکسازی اطلاعات حساس مثل ایمیل، IP و session token قبل از اینکه داده به هر vendor برسه.
مهاجرت به backend دیگه با تغییر config فایل Collector — بدون دست زدن به کد اپلیکیشن.
توی Kubernetes هم میتونی بهش به شکل sidecar یا DaemonSet اضافه کنی.
❤3🌚1
همه فکر میکردن آپگرید Pectra اتریوم مثل قبلیهاست — یه تغییر زیرساختی که کاربر عادی حسش نمیکنه. ولی این بار داستان فرقه.
ماه می ۲۰۲۵، شبکه اتریوم یه آپگرید مهم اجرا کرد که قلبش یه قانون جدیده به اسم EIP-7702. این قانون نحوه کار کیف پولهای اتریوم رو از اساس داره عوض میکنه.
یه چیزی باید بدونی: اتریوم دو نوع حساب داره. یکی کیف پول معمولی — که با یه کلید خصوصی کنترل میشه — و یکی قراردادهای هوشمند که خیلی قدرتمندترن. قراردادها میتونن چند کار رو یهجا انجام بدن، بذارن یه نفر دیگه کارمزد بده، یا اگه کلیدت رو گم کردی راه برگشتی داشته باشی. ولی مشکلشون اینه که باید به یه آدرس کاملاً جدید مهاجرت کنی.
این آپگرید همین مشکل رو حل کرد. الان کیف پول معمولیات میتونه موقع یه تراکنش، مثل قرارداد هوشمند عمل کنه — بدون اینکه آدرس یا کلیدت عوض بشه.
چه چیزی در عمل ممکن میشه؟
دستهبندی تراکنشها: بهجای دوتا تراکنش جدا (اول مجوز، بعد معامله)، هر دو رو یهجا انجام میدی. سریعتر، ارزونتر، و بدون ریسک نیمهکاره موندن.
پرداخت کارمزد توسط اپلیکیشن: یه پروتکل میتونه کارمزد ETH رو بهجای تو بده. یعنی کاربر تازهوارد میتونه بدون داشتن ETH، وارد دنیای DeFi یا NFT بشه — اون سردرگمی «برای خرید ETH باید ETH داشته باشم» دیگه وجود نداره.
کلیدهای موقت: برای بازیهای بلاکچینی، میشه یه کلید محدود ساخت که فقط تراکنشهای کوچیک رو بدون تأیید دستی امضا کنه.
بازیابی اجتماعی: اگه کلیدت رو گم کردی، یه گروه از آدمهای مورد اعتماد میتونن کمکت کنن — بدون نیاز به آدرس جدید. مقاله میگه برای کاربر عادی که نگران گمشدن عبارت بازیابیشه، این مهمترین تغییر عملیه.
اعداد اولیه هم جالبه: توی هفته اول، بیشتر از ۱۱٬۰۰۰ مجوز بر اساس این قانون جدید روی شبکه ثبت شد. کیف پولهای MetaMask، Coinbase Wallet و Trust Wallet هم چند هفته بعد پشتیبانی ازش رو اضافه کردن — یعنی این قابلیت به صدها میلیون کاربر میرسه. البته «پشتیبانی» تو همه کیف پولها یه معنی نداره؛ بعضیها رابط کاربری کاملی ساختن، بعضیها فقط در سطح فنی پشتیبانی میکنن.
این آپگرید در کل ۱۱ تغییر اساسی داشت. یه تغییر مهم دیگهاش اینه که سقف موجودی هر اعتبارسنج اتریوم از ۳۲ ETH به ۲٬۰۴۸ ETH رسید — یعنی کاری که قبلاً ۶۴ اعتبارسنج جداگانه انجام میدادن، الان یکی میتونه انجام بده. این بیشتر برای استخرهای بزرگ استیکینگ مهمه، نه کاربر عادی.
آپگرید بعدی Hegotá نام داره و برای نیمه دوم ۲۰۲۶ برنامهریزی شده تا این تغییرات رو عمیقتر کنه.
ماه می ۲۰۲۵، شبکه اتریوم یه آپگرید مهم اجرا کرد که قلبش یه قانون جدیده به اسم EIP-7702. این قانون نحوه کار کیف پولهای اتریوم رو از اساس داره عوض میکنه.
یه چیزی باید بدونی: اتریوم دو نوع حساب داره. یکی کیف پول معمولی — که با یه کلید خصوصی کنترل میشه — و یکی قراردادهای هوشمند که خیلی قدرتمندترن. قراردادها میتونن چند کار رو یهجا انجام بدن، بذارن یه نفر دیگه کارمزد بده، یا اگه کلیدت رو گم کردی راه برگشتی داشته باشی. ولی مشکلشون اینه که باید به یه آدرس کاملاً جدید مهاجرت کنی.
این آپگرید همین مشکل رو حل کرد. الان کیف پول معمولیات میتونه موقع یه تراکنش، مثل قرارداد هوشمند عمل کنه — بدون اینکه آدرس یا کلیدت عوض بشه.
چه چیزی در عمل ممکن میشه؟
دستهبندی تراکنشها: بهجای دوتا تراکنش جدا (اول مجوز، بعد معامله)، هر دو رو یهجا انجام میدی. سریعتر، ارزونتر، و بدون ریسک نیمهکاره موندن.
پرداخت کارمزد توسط اپلیکیشن: یه پروتکل میتونه کارمزد ETH رو بهجای تو بده. یعنی کاربر تازهوارد میتونه بدون داشتن ETH، وارد دنیای DeFi یا NFT بشه — اون سردرگمی «برای خرید ETH باید ETH داشته باشم» دیگه وجود نداره.
کلیدهای موقت: برای بازیهای بلاکچینی، میشه یه کلید محدود ساخت که فقط تراکنشهای کوچیک رو بدون تأیید دستی امضا کنه.
بازیابی اجتماعی: اگه کلیدت رو گم کردی، یه گروه از آدمهای مورد اعتماد میتونن کمکت کنن — بدون نیاز به آدرس جدید. مقاله میگه برای کاربر عادی که نگران گمشدن عبارت بازیابیشه، این مهمترین تغییر عملیه.
اعداد اولیه هم جالبه: توی هفته اول، بیشتر از ۱۱٬۰۰۰ مجوز بر اساس این قانون جدید روی شبکه ثبت شد. کیف پولهای MetaMask، Coinbase Wallet و Trust Wallet هم چند هفته بعد پشتیبانی ازش رو اضافه کردن — یعنی این قابلیت به صدها میلیون کاربر میرسه. البته «پشتیبانی» تو همه کیف پولها یه معنی نداره؛ بعضیها رابط کاربری کاملی ساختن، بعضیها فقط در سطح فنی پشتیبانی میکنن.
این آپگرید در کل ۱۱ تغییر اساسی داشت. یه تغییر مهم دیگهاش اینه که سقف موجودی هر اعتبارسنج اتریوم از ۳۲ ETH به ۲٬۰۴۸ ETH رسید — یعنی کاری که قبلاً ۶۴ اعتبارسنج جداگانه انجام میدادن، الان یکی میتونه انجام بده. این بیشتر برای استخرهای بزرگ استیکینگ مهمه، نه کاربر عادی.
آپگرید بعدی Hegotá نام داره و برای نیمه دوم ۲۰۲۶ برنامهریزی شده تا این تغییرات رو عمیقتر کنه.
👍3
میدونی چی میخوای حساب کنی، ولی VLOOKUP یا تابعهای تو در تو گیجت میکنن؟ این Prompt دقیقاً برای همینه.
بهش به زبان ساده بگو چی میخوای — فرمول دقیق Excel یا Google Sheets رو بهت میده.
خروجی ۵ بخشه: فرمول آماده، توضیح هر تابع به زبان ساده، فرضیاتی که گرفته، نقاط خطر (مثل سلول خالی یا عدد متنی)، و یه گزینه سادهتر اگه وجود داشته باشه.
برای تحلیلگران، مدیران عملیات و پروژه، و تیمهای مالی که با صفحهگسترده کار میکنن ولی فرمولنویسِ حرفهای نیستن بیشترین کاربرد رو داره.
با Claude Sonnet 4.6، GPT-4o و Gemini 2.5 Pro کار میکنه.
📋 پرامپت کامل (لمس کن تا کپی بشه):
توضیحات بیشتر و مثالها توی مقاله 👇
بهش به زبان ساده بگو چی میخوای — فرمول دقیق Excel یا Google Sheets رو بهت میده.
خروجی ۵ بخشه: فرمول آماده، توضیح هر تابع به زبان ساده، فرضیاتی که گرفته، نقاط خطر (مثل سلول خالی یا عدد متنی)، و یه گزینه سادهتر اگه وجود داشته باشه.
برای تحلیلگران، مدیران عملیات و پروژه، و تیمهای مالی که با صفحهگسترده کار میکنن ولی فرمولنویسِ حرفهای نیستن بیشترین کاربرد رو داره.
با Claude Sonnet 4.6، GPT-4o و Gemini 2.5 Pro کار میکنه.
📋 پرامپت کامل (لمس کن تا کپی بشه):
Act as a senior spreadsheet consultant with 15 years of experience in Excel and Google Sheets, who specializes in translating business requirements into formulas that non-technical users can understand and maintain.
I need to build a formula for the following task:
[DESCRIBE YOUR CALCULATION IN PLAIN ENGLISH — e.g., "I want to find the total sales for each region, but only count sales where the status is 'Closed Won' and the deal size is above $10,000"]
My spreadsheet has these columns:
[LIST YOUR COLUMN NAMES AND WHAT THEY CONTAIN — e.g., "Column A: Sales Rep Name, Column B: Region, Column C: Deal Status, Column D: Deal Size, Column E: Close Date"]
I am using: [Excel / Google Sheets]
INSTRUCTIONS:
1. Write the exact formula I should enter
2. Break down every function and argument in plain English — explain what each piece does and why
3. List any assumptions you made about my data
4. Flag common mistakes or edge cases (empty cells, wrong data types, case sensitivity)
5. Provide an alternative approach if a simpler formula exists
6. If Google Sheets and Excel syntax differ for this formula, show both versions
Output format:
FORMULA: [the exact formula to copy and paste]
HOW IT WORKS: [step-by-step explanation of each function]
ASSUMPTIONS: [what I assumed about your data]
WATCH OUT FOR: [common errors and edge cases]
SIMPLER ALTERNATIVE (if available): [a less complex approach if one exists]
توضیحات بیشتر و مثالها توی مقاله 👇
همه فکر میکردن x86 شکستناپذیره — اپل نشون داد که نیست.
وقتی اپل در نوامبر ۲۰۲۰ از اینتل جدا شد و چیپ M1 رو معرفی کرد، یه ادعای مشخص داشت: یه چیپ Arm با معماری حافظه یکپارچه میتونه تقریباً همه کارها رو بهتر از x86 انجام بده، با مصرف برق خیلی کمتر. این ادعا درست از آب درومد.
MacBook Air با M1 — بدون فن، بدون حرارت زیاد، ۹۹۹ دلار — توی اکثر کارهای روزمره از لپتاپهای اینتلی سبقت میگرفت. حتی نرمافزارهای x86 از طریق Rosetta 2 (ابزار ترجمهای که اپل ساخته) روی M1 گاهی سریعتر از نسخه اصلیشون روی اینتل اجرا میشدن.
تا M4 Pro در نوامبر ۲۰۲۴، اوضاع خیلی پیشرفتهتر شده بود: پهنای باند حافظه ۲۷۳ گیگابایت بر ثانیه، عمر باتری بیش از ۲۰ ساعت روی MacBook Pro، و عملکرد خلاقانهای که از خیلی GPU های مجزا جلو میزنه.
اینا رقبا رو مجبور کرد تکون بخورن.
کوالکام با Snapdragon X Elite اومد — چیپی با ۱۲ هسته سفارشی روی فرآیند ۴ نانومتری TSMC و ۴۵ TOPS قدرت AI (بیشتر از M4 اپل). لپتاپهایی مثل Surface Pro 11 با شروع قیمت ۱,۲۹۹ دلار توی تستهای CPU چند هستهای با MacBook Pro M3 کشتی میگیرن.
ولی مشکل اصلی سازگاری نرمافزاریه. ابزار ترجمه مایکروسافت برای اپهای x86 بهتر شده، ولی مجازیسازی و بعضی ابزارهای حرفهای هنوز مشکل دارن. مجموعه کامل Adobe Creative Cloud تازه اواخر ۲۰۲۵ به Arm64 رسید — یه سال بعد از نسخه macOS.
اینتل هم با Lunar Lake (Core Ultra 200V) در سپتامبر ۲۰۲۴ جواب داد. این بار مستقیم از فلسفه اپل الگو گرفت: حافظه رو مستقیم روی تراشه مجتمع کرد، فرآیند ۳ نانومتری TSMC رو بهکار گرفت، و نتیجه ۱۰ تا ۱۴ ساعت عمر باتری واقعیه — چیزی که تا چند سال پیش برای x86 غیرقابل تصور بود. ولی این پیشرفت فقط توی لپتاپهای نازک و سبکه و به بقیه خط محصولات اینتل نرسیده.
نه کوالکام و نه اینتل هنوز به Apple Silicon در ترکیب بهرهوری انرژی و عمق اکوسیستم نرمافزاری نرسیدن — ولی این نزدیکترین رقابتی هست که تا حالا دیدیم.
وقتی اپل در نوامبر ۲۰۲۰ از اینتل جدا شد و چیپ M1 رو معرفی کرد، یه ادعای مشخص داشت: یه چیپ Arm با معماری حافظه یکپارچه میتونه تقریباً همه کارها رو بهتر از x86 انجام بده، با مصرف برق خیلی کمتر. این ادعا درست از آب درومد.
MacBook Air با M1 — بدون فن، بدون حرارت زیاد، ۹۹۹ دلار — توی اکثر کارهای روزمره از لپتاپهای اینتلی سبقت میگرفت. حتی نرمافزارهای x86 از طریق Rosetta 2 (ابزار ترجمهای که اپل ساخته) روی M1 گاهی سریعتر از نسخه اصلیشون روی اینتل اجرا میشدن.
تا M4 Pro در نوامبر ۲۰۲۴، اوضاع خیلی پیشرفتهتر شده بود: پهنای باند حافظه ۲۷۳ گیگابایت بر ثانیه، عمر باتری بیش از ۲۰ ساعت روی MacBook Pro، و عملکرد خلاقانهای که از خیلی GPU های مجزا جلو میزنه.
اینا رقبا رو مجبور کرد تکون بخورن.
کوالکام با Snapdragon X Elite اومد — چیپی با ۱۲ هسته سفارشی روی فرآیند ۴ نانومتری TSMC و ۴۵ TOPS قدرت AI (بیشتر از M4 اپل). لپتاپهایی مثل Surface Pro 11 با شروع قیمت ۱,۲۹۹ دلار توی تستهای CPU چند هستهای با MacBook Pro M3 کشتی میگیرن.
ولی مشکل اصلی سازگاری نرمافزاریه. ابزار ترجمه مایکروسافت برای اپهای x86 بهتر شده، ولی مجازیسازی و بعضی ابزارهای حرفهای هنوز مشکل دارن. مجموعه کامل Adobe Creative Cloud تازه اواخر ۲۰۲۵ به Arm64 رسید — یه سال بعد از نسخه macOS.
اینتل هم با Lunar Lake (Core Ultra 200V) در سپتامبر ۲۰۲۴ جواب داد. این بار مستقیم از فلسفه اپل الگو گرفت: حافظه رو مستقیم روی تراشه مجتمع کرد، فرآیند ۳ نانومتری TSMC رو بهکار گرفت، و نتیجه ۱۰ تا ۱۴ ساعت عمر باتری واقعیه — چیزی که تا چند سال پیش برای x86 غیرقابل تصور بود. ولی این پیشرفت فقط توی لپتاپهای نازک و سبکه و به بقیه خط محصولات اینتل نرسیده.
نه کوالکام و نه اینتل هنوز به Apple Silicon در ترکیب بهرهوری انرژی و عمق اکوسیستم نرمافزاری نرسیدن — ولی این نزدیکترین رقابتی هست که تا حالا دیدیم.
❤4👍1
This media is not supported in your browser
VIEW IN TELEGRAM
۴۰۱ میلیون دلار درآمد، دو نفر کارمند، یه اتاق خواب. این جمله رو دوباره بخون.
متیو گالاگر ۴۱ ساله با ۲۰ هزار دلار پسانداز شخصی، سپتامبر ۲۰۲۴ یه استارتاپ پزشکی آنلاین به اسم Medvi راه انداخت. تنها همکارش برادرش بود. در اولین سال، ۴۰۱ میلیون دلار درآمد ثبت کرد با سود خالص ۶۵ میلیون دلار. نیویورک تایمز آوریل ۲۰۲۶ اسناد مالیش رو بررسی کرد و همه چیز رو تأیید کرد.
راز این رشد دیوانهوار؟ هوش مصنوعی. 🤖
برای کد و وبسایت از ChatGPT، Claude و Grok استفاده کرد. تبلیغات ویدیویی رو با Midjourney و Runway ساخت. تماسهای صوتی با مشتریان رو هم با سیستم ElevenLabs اتوماتیک کرد. خلاصهش اینه که یه نفر با ابزارهای AI کل زیرساخت یه شرکت چندصدنفره رو به تنهایی پیادهسازی کرد.
متیو گالاگر ۴۱ ساله با ۲۰ هزار دلار پسانداز شخصی، سپتامبر ۲۰۲۴ یه استارتاپ پزشکی آنلاین به اسم Medvi راه انداخت. تنها همکارش برادرش بود. در اولین سال، ۴۰۱ میلیون دلار درآمد ثبت کرد با سود خالص ۶۵ میلیون دلار. نیویورک تایمز آوریل ۲۰۲۶ اسناد مالیش رو بررسی کرد و همه چیز رو تأیید کرد.
راز این رشد دیوانهوار؟ هوش مصنوعی. 🤖
برای کد و وبسایت از ChatGPT، Claude و Grok استفاده کرد. تبلیغات ویدیویی رو با Midjourney و Runway ساخت. تماسهای صوتی با مشتریان رو هم با سیستم ElevenLabs اتوماتیک کرد. خلاصهش اینه که یه نفر با ابزارهای AI کل زیرساخت یه شرکت چندصدنفره رو به تنهایی پیادهسازی کرد.
🔥14
اما این داستان یه نیمه تاریک هم داره که توی پستهای وایرال معمولاً بهش اشاره نمیشه. ⚡
شرکت Medvi داروهای کاهش وزن GLP-1 مثل اوزمپیک میفروخت. سازمان FDA فوریه ۲۰۲۶ نامه هشدار رسمی بهشون داد. تبلیغاتشون پر بود از پروفایل پزشکان جعلی که با AI ساخته شده بودن، عکسهای قبل و بعد دیپفیک، و ادعاهایی که پشتوانه نداشتن. الانم شرکت با شکایتهای حقوقی گروهی سنگینی در کالیفرنیا روبهرو هست.
داستان Medvi یه چیز رو اثبات میکنه: AI واقعاً میتونه به یک یا دو نفر قدرت یه شرکت چندصدنفره رو بده. این بخشش معجزهآسا و کاملاً واقعیه. اما میانبر زدنهای غیرقانونی و فریب مخاطب در حوزه سلامت، خیلی زود بیزینس رو در معرض فروپاشی قرار میده. 🔥
فرصت وجود داره. اما قوانین بازی رو هم باید بلد باشی.
━━━━━━━━━━━━━━━
✍️ حرف دل، از تجربه:
من خودم چند تا پروژه توی حوزههای مختلف راه انداختم، ولی پروژهای که واقعاً از صفر تا صد با هوش مصنوعی اداره بشه کم دیدم. برای همین یه نکتهای رو که توی این داستانهای وایرال معمولاً گم میشه، رک میگم:
چیزی که این بیزینسها رو سرپا نگه میداره خودِ AI نیست، مارکتینگه. هوش مصنوعی دقیقاً همون کاری رو میکنه که بهش میسپاری — اگه پشتش یه نقشهراه فروش و بازاریابی درست نباشه، محصولت هر چقدرم با AI ساخته شده باشه، آخرش زمین میخوره.
همین Medvi رو ببین: اوایل کار بیشتر از ۹۰ درصد کل هزینههاشون رفت توی مارکتینگ تا دیده بشن. الانم که بزرگ شدن، انگار بخش اصلی درآمدشون داره خرج تبلیغات میشه. یعنی مارکتینگ از اول تا الان، هم گرونترین و هم مهمترین بخش بازی بوده.
جمعبندی؟ اگه میخوای با AI یه کسبوکار بسازی، قبل از هر چیز برای فروش و دیدهشدنش برنامه داشته باش. بدون اون، بهترین محصول هم توی سکوت میمیره.
شرکت Medvi داروهای کاهش وزن GLP-1 مثل اوزمپیک میفروخت. سازمان FDA فوریه ۲۰۲۶ نامه هشدار رسمی بهشون داد. تبلیغاتشون پر بود از پروفایل پزشکان جعلی که با AI ساخته شده بودن، عکسهای قبل و بعد دیپفیک، و ادعاهایی که پشتوانه نداشتن. الانم شرکت با شکایتهای حقوقی گروهی سنگینی در کالیفرنیا روبهرو هست.
داستان Medvi یه چیز رو اثبات میکنه: AI واقعاً میتونه به یک یا دو نفر قدرت یه شرکت چندصدنفره رو بده. این بخشش معجزهآسا و کاملاً واقعیه. اما میانبر زدنهای غیرقانونی و فریب مخاطب در حوزه سلامت، خیلی زود بیزینس رو در معرض فروپاشی قرار میده. 🔥
فرصت وجود داره. اما قوانین بازی رو هم باید بلد باشی.
━━━━━━━━━━━━━━━
✍️ حرف دل، از تجربه:
من خودم چند تا پروژه توی حوزههای مختلف راه انداختم، ولی پروژهای که واقعاً از صفر تا صد با هوش مصنوعی اداره بشه کم دیدم. برای همین یه نکتهای رو که توی این داستانهای وایرال معمولاً گم میشه، رک میگم:
چیزی که این بیزینسها رو سرپا نگه میداره خودِ AI نیست، مارکتینگه. هوش مصنوعی دقیقاً همون کاری رو میکنه که بهش میسپاری — اگه پشتش یه نقشهراه فروش و بازاریابی درست نباشه، محصولت هر چقدرم با AI ساخته شده باشه، آخرش زمین میخوره.
همین Medvi رو ببین: اوایل کار بیشتر از ۹۰ درصد کل هزینههاشون رفت توی مارکتینگ تا دیده بشن. الانم که بزرگ شدن، انگار بخش اصلی درآمدشون داره خرج تبلیغات میشه. یعنی مارکتینگ از اول تا الان، هم گرونترین و هم مهمترین بخش بازی بوده.
جمعبندی؟ اگه میخوای با AI یه کسبوکار بسازی، قبل از هر چیز برای فروش و دیدهشدنش برنامه داشته باش. بدون اون، بهترین محصول هم توی سکوت میمیره.
❤5👌5👍1