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.

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.

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 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):

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 👇

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؟»

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.

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.

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.

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.

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.

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.

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.

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):

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.

۳۴ میلیارد دلار هزینه، اما رقبا موفق‌تر بودن 🤔

فایننشال تایمز گزارش داده که ⁦OpenAI⁩ در سال گذشته ۳۴ میلیارد دلار صرف تحقیق و توسعه، فروش و بازاریابی کرده — هدف هم تثبیت جایگاه مسلطش در بازار ⁦AI⁩ قبل از ⁦IPO⁩ بوده.

اما در همین مدت، شرکت‌هایی مثل ⁦Anthropic⁩ و بقیه رقبا موفق‌تر بودن.

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.

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.

۱۳ ساعت، ۸۷ بار تکرار — این یه روز معمولی کدنویسی با ⁦Claude⁩ هست 😅

یه برنامه‌نویس چرخه کارش با ⁦Claude⁩ (⁦Opus 4.8⁩) رو اینجوری توصیف کرده:

— ۵ دقیقه: تسک رو توضیح میدی
— ۱۰ دقیقه: ⁦Claude⁩ کد می‌نویسه
— تو می‌پرسی: «چرا این همه کد لازمه؟»
— جواب ⁦Claude⁩: «حق با توئه! بیش از حد پیچیده‌اش کردم!»
— این چرخه رو ۸۷ بار تکرار کن

نتیجه؟ ۱۳ ساعت از روزت رفته.

طنزآمیزه، ولی به‌شدت واقعی

یه لینک ساده توی ایمیل یا ⁦Teams⁩، و تمام ایمیل‌هات، رمزهای ذخیره‌شده، و فایل‌های ⁦SharePoint⁩ — همه بی‌سروصدا دزدیده می‌شن. این حمله‌ای که محققان امنیتی ⁦Varonis⁩ پیداش کردن و اسمشو گذاشتن «⁦SearchLeak⁩».

ماجرا اینه که اینا یه زنجیره از سه آسیب‌پذیری در ⁦Microsoft 365 Copilot⁩ کشف کردن — همون ابزار ⁦AI⁩ که توی محیط‌های سازمانی ایمیل و فایل‌ها رو جستجو می‌کنه. این سه ضعف رو کنار هم بذاری، یه حمله می‌شه که با یه کلیک کار می‌کنه.

مرحله اول: مهاجم یه لینک برات می‌فرسته — توی ایمیل فیشینگ، پیام ⁦Slack⁩، یا ⁦Teams.⁩ اون لینک یه ⁦query⁩ طراحی‌شده داره که به ⁦Copilot⁩ «دستور» می‌ده ایمیل‌هاتو بگرده و اطلاعات حساس رو پیدا کنه. این همون «⁦prompt injection⁩» هست — یعنی مهاجم به‌جای یه کاربر واقعی، داره به ⁦AI⁩ دستور می‌ده.

مرحله دوم: یه ضعف در نحوه رندر کردن ⁦HTML⁩ توسط ⁦Copilot⁩ باعث می‌شه قبل از اینکه فیلتر امنیتی بتونه محتوا رو پاک کنه، یه درخواست به سرور مهاجم پرواز کنه — با اطلاعات دزدیده‌شده توی آدرس همون درخواست.

مرحله سوم: سیستم امنیتی ⁦Copilot⁩ معمولاً اجازه نمی‌ده اطلاعات به سرورهای ناشناس برن. اما محققان پیداش کردن که می‌شه این اطلاعات رو از طریق سرویس «جستجو با تصویر» ⁦Bing⁩ هدایت کرد — چون ⁦Bing⁩ یه سرویس مورد اعتماد مایکروسافت هست و این فیلتر رو رد می‌کنه. داده‌های دزدیده‌شده از زیرساخت خود مایکروسافت رد شده می‌رن.

نکته ترسناکش اینه که قربانی هیچی نمی‌بینه — نه ریدایرکت، نه خطا، نه چیز مشکوکی. فقط یه نتیجه عادی ⁦Copilot⁩ نشون می‌ده، در حالی که ایمیل‌ها، کدهای یه‌بارمصرف، و فایل‌هاش رفتن.

مایکروسافت این آسیب‌پذیری رو «بحرانی» رتبه‌بندی کرده (⁦CVE-2026-42824⁩) و اوایل ژوئن ۲۰۲۶ پَچش کرده. ⁦Varonis⁩ هم ۱۵ ژوئن جزئیاتشو عمومی کرد. تا الان هیچ سوءاستفاده فعالی گزارش نشده.

دو تا از بزرگ‌ترین گروه‌های باج‌افزاری دنیا در ۲۰۲۴ با هم نابود شدن — ولی تهدید نه‌تنها کوچیک نشد، بلکه بدتر پخش شد.

فوریه ۲۰۲۴، یه عملیات پلیسی بزرگ به اسم ⁦Cronos⁩ با همکاری ۱۰ کشور و به رهبری ⁦FBI⁩ آمریکا و ⁦NCA⁩ انگلیس گروه ⁦LockBit⁩ رو زمین زد. ۳۴ سرور توقیف شد، ۱۴ هزار اکانت مخفی بسته شد، ۲۰۰ کیف پول رمزارز فریز شد و بیشتر از ۱۰۰۰ کلید رمزگشایی به دست اومد. سرکرده گروه با نام مستعار «⁦LockBitSupp⁩» شناسایی و ۱۰ میلیون دلار جایزه برای اطلاعات بهش گذاشته شد.

همون هفته‌ها، گروه ⁦BlackCat⁩ یه حمله بزرگ‌تر زد. سیستم‌های ⁦Change Healthcare⁩ هک شد — یه شرکت که سالی ۱۵ میلیارد تراکنش پزشکی رو پردازش می‌کنه و به اطلاعات یک سوم بیمارهای آمریکایی دسترسی داره. شرکت مادرش، ⁦UnitedHealth Group⁩، ۲۲ میلیون دلار باج به صورت بیت‌کوین پرداخت کرد.

نکته جالبش اینجاست: پول کامل به جیب ⁦BlackCat⁩ رفت و با وابستگانش (⁦affiliate⁩ — کسایی که حمله رو انجام می‌دن) تقسیم نشد. وابسته‌ای که حمله رو زده بود علنی اعلام کرد کلاهبرداری شده، و گفت ۴ ترابایت داده دزدیده‌شده هنوز نزد ⁦BlackCat⁩ نگه داشته شده. بعدش ⁦BlackCat⁩ یه صفحه جعلی «توقیف توسط پلیس» روی سایتش گذاشت که محققان امنیتی فوری تقلبیش رو اثبات کردن — و گروه فرار کرد.

خسارت برای ⁦UnitedHealth⁩ سنگین بود. فقط در سه‌ماهه اول ۲۰۲۴ بیش از ۸۷۰ میلیون دلار ضرر دادن. اطلاعات حدود ۱۹۰ میلیون آمریکایی در این حمله به خطر افتاد — بیش از نصف جمعیت کل آمریکا.

این خلاء رو یه گروه تازه به اسم ⁦RansomHub⁩ پر کرد. دقیقاً همون فوریه لانچ شد و وابستگان سوخته رو با یه مدل جذاب جذب کرد: فقط ۱۰٪ کمیسیون، در مقابل ۲۰ تا ۳۰٪ رقبا. فقط در ۲۰۲۴ ادعا کرد ۵۳۱ قربانی گرفته و شد فعال‌ترین گروه باج‌افزاری اون سال.

اما اون هم دوام نیاورد. آخر مارس ۲۰۲۵ سایتش خاموش شد و عملیاتش کاملاً متوقف شد.

این چرخه نشون می‌ده که ضربه‌های پلیسی مشکل رو حل نمی‌کنن، فقط شکلش رو عوض می‌کنن. تعداد گروه‌های باج‌افزاری از ۷۹ گروه در آوریل ۲۰۲۳ به ۹۶ گروه در آوریل ۲۰۲۵ رسیده. تهدید پخش‌تر، ناپایدارتر و ردیابی‌ناپذیرتر شده.

شرکت ⁦Apple⁩ داره ⁦AirPod⁩هایی می‌سازه که می‌بینن.

این دستگاه‌ها با اسم رمز ⁦B798⁩ شناخته می‌شن و عرضه‌شون به اواخر ۲۰۲۷ موکول شده. قرار هست اولین پوشیدنی هوشمند ⁦Apple⁩ باشن که از پایه با محوریت ⁦AI⁩ طراحی شدن.

دوربین‌های کوچیک توی ساقه‌های ⁦AirPod⁩ که برای عکس یا ویدیو استفاده نمیشن — نقش حسگر دید کامپیوتری (⁦Computer Vision⁩) رو دارن و داده‌های بصری رو لحظه‌به‌لحظه به ⁦Siri⁩ می‌فرستن تا بفهمه داری چی می‌بینی.

مثلاً می‌تونی با اشاره سر به مواد آشپزخانه‌ات از ⁦Siri⁩ بپرسی «با اینا چی می‌شه پخت؟» یا بدون اینکه ⁦iPhone⁩ رو دربیاری، یادآوری متنی بگیری، اشیاء رو تشخیص بده یا مسیریابی هوشمندتری داشته باشی.

تعویق از ۲۰۲۶ به ۲۰۲۷ هم طبق گزارش مارک گورمن از ⁦Bloomberg⁩، به خاطر چالش‌های نرم‌افزاری ⁦AI⁩ شرکت ⁦Apple⁩ و نیاز به مدل‌های بینایی قابل اعتمادتره.

برای حریم خصوصی هم ⁦Apple⁩ داره بررسی می‌کنه که چراغ نشانگر بذاره تا افراد اطراف بدونن داده‌های بصری داره به ابر ارسال می‌شه.

این پروژه بخشی از استراتژی بزرگ‌تر ⁦Apple⁩ برای هوش بصریه — یه قدم قبل از اینکه عینک‌های هوشمند آینده‌شون بیان.