گزارش سالانه‌ای که اوراکل برای سال مالی ۲۰۲۶ منتشر کرد، یه جمله داره که آدم رو وادار می‌کنه دوباره بخونه: «استقرار فناوری‌های ⁦AI⁩ در عملیات‌هامون منجر به کاهش نیروی کار شده — و ممکنه بشه.»

این صادقانه‌ترین اعترافیه که تاکنون یه شرکت بزرگ تکنولوژی در یه گزارش رسمی درباره رابطه‌ی مستقیم ⁦AI⁩ و تعدیل نیرو کرده. چون بیشتر شرکت‌ها وقتی نیرو کم می‌کنن، می‌گن «بازساختاردهی» یا «بهبود بهره‌وری» — نه این‌که مستقیم ⁦AI⁩ رو دلیل بیارن.

عدد هم کوچیک نیست. بین مه ۲۰۲۵ و مه ۲۰۲۶، اوراکل حدود ۲۱٬۰۰۰ نفر رو از کار اخراج کرد. تعداد کارمنداش از حدود ۱۶۲٬۰۰۰ به ۱۴۱٬۰۰۰ رسید — یعنی ۱۳ درصد کل نیروی جهانیش رفت.

بیشترین ضربه رو تیم فروش و بازاریابی خورد؛ از ۳۱٬۰۰۰ به ۲۵٬۰۰۰ رسیدن — کاهش ۱۹ درصدی. این یعنی اوراکل داره روی این شرط‌بندی می‌کنه که ⁦AI⁩ می‌تونه جای بخش قابل توجهی از تیم‌های فروش رو بگیره. واحد تحقیق و توسعه هم از ۵۰٬۰۰۰ به ۴۳٬۰۰۰ رسید — که در نگاه اول عجیبه، ولی ابزارهای ⁦AI⁩ برای نوشتن کد، تست خودکار، و مستندسازی دارن حجم نیروی انسانی مورد نیاز برای نگه‌داری محصولات نرم‌افزاری رو پایین میارن. سرویس‌ها، زیرساخت ابری، و سخت‌افزار هم همه کاهش داشتن. هزینه‌ی این تعدیل‌ها در طول سال مالی ۱.۸۴ میلیارد دلار بود.

یه چیز توی این داستان چشم‌گیره: اوراکل همزمان داره به شدت روی ⁦AI⁩ سرمایه‌گذاری می‌کنه، از جمله اینکه یکی از اعضای بنیان‌گذار پروژه ⁦Stargate⁩ هست که با ⁦OpenAI⁩ و ⁦SoftBank⁩ راه‌اندازی شده و داره ظرفیت دیتاسنترهاش رو با سرعت بالا گسترش می‌ده. یعنی الگو اینه: پول بریز روی زیرساخت ⁦AI⁩، نیروی انسانی رو کم کن.

این الگو بین شرکت‌های نرم‌افزار سازمانی داره تکرار می‌شه — ⁦Salesforce⁩، ⁦IBM⁩، و ⁦SAP⁩ هم هر کدوم با ذکر بهره‌وری ⁦AI⁩ نیرو کم کردن — ولی اوراکل نادره که رابطه‌ی علّی رو این‌قدر صریح در گزارش رسمیش آورده.

اوراکل هشدار داده که با گسترش بیشتر استقرار داخلی ⁦AI⁩ — از پشتیبانی مشتری گرفته تا توسعه‌ی نرم‌افزار — این تعدیل‌ها ادامه دارن.

وقتی از یه ⁦LLM⁩ می‌خوای چیزی بنویسه، یه تنظیم خیلی مهم پشت‌صحنه داره کار می‌کنه که اسمش ⁦Temperature⁩ هست.

خلاصه‌اش اینه که این تنظیم کنترل می‌کنه مدل «چقدر خلاق» باشه. عدد پایین‌تر یعنی جواب‌های قابل‌پیش‌بینی‌تر، عدد بالاتر یعنی جواب‌های متنوع‌تر و گاهی غیرمنتظره.

یه مثال ساده: از مدل می‌پرسی «پایتخت فرانسه کجاست؟»
اگه مقدار ⁦Temperature⁩ صفر باشه، هر بار «پاریس» می‌گیری — همیشه، بدون استثنا.
اگه مقدارش بالا باشه (مثلاً ۱.۵)، گاهی «پاریس»، گاهی با توضیح اضافه، گاهی یه جواب عجیب.

نکته جالبش اینجاست: مدل وقتی داره متن تولید می‌کنه، برای هر ⁦Token⁩ بعدی یه لیست احتمالات داره. این تنظیم اون احتمالات رو جابجا می‌کنه — صفر یعنی «همیشه محتمل‌ترین رو انتخاب کن»، عدد بالا یعنی «گاهی از گزینه‌های کم‌احتمال‌تر هم بزن».

کِی از کدوم استفاده کنی؟

مقدار پایین (حدود ۰ تا ۰.۳): برای کدنویسی، پاسخ‌های فکتوال، ترجمه — هرجایی که می‌خوای جواب دقیق و ثابت باشه.

مقدار بالا (حدود ۰.۷ تا ۱): برای نوشتن خلاقانه، طوفان ذهنی، تولید ایده — هرجایی که تنوع و تازگی مهمه.

یه اشتباه رایج: خیلی‌ها فکر می‌کنن ⁦Temperature⁩ بالا مدل رو «باهوش‌تر» می‌کنه. نه — فقط «خلاق‌تر و کمتر قابل‌پیش‌بینی» می‌کنه. برای مسائل منطقی یا محاسباتی، مقدار پایین خیلی بهتره.

دفعه بعد که داری با یه ⁦API⁩ کار می‌کنی یا از ابزاری استفاده می‌کنی که این تنظیم رو داره، مقدارش رو دستی عوض کن و فرق رو ببین. 🔥

یه قابلیت جدید برای تیم‌هایی که ⁦Slack⁩ استفاده می‌کنن: حالا می‌شه ⁦Claude⁩ رو به عنوان یه عضو تیم اضافه کرد، بهش دسترسی به کانال‌ها و ابزارهای مورد نظر داد، تگش کرد و کارا رو سپرد بهش.

فرقش با قبل اینه که دیگه لازم نیست هر نفر جداگانه با یه چت‌بات حرف بزنه. یه ⁦AI⁩ مشترک توی همون محیط کاری واقعی تیم قرار می‌گیره که برای تیم‌های مهندسی، محصول و پشتیبانی خیلی کاربردی‌تره.

این یه قدم بزرگه به سمت ایجنت‌های ⁦AI⁩ که واقعاً توی جریان کار تیمی جا می‌افتن — نه یه ابزار جانبی که هرکی جداگانه باهاش کار می‌کنه.

فعلاً فقط برای پلن‌های ⁦Team⁩ و ⁦Enterprise⁩ در دسترسه.

💡 پلتفرم وب تبدیل ویدیو به محتوای متنی — ترانسکریپت، زیرنویس و خلاصه فارسی

یه سرویس وب که ویدیوهای فارسی (جلسات، وبینارها، پادکست‌ها، محتوای آموزشی) رو آپلود می‌کنی و در عرض چند دقیقه ترانسکریپت دقیق فارسی، زیرنویس ⁦SRT⁩ و خلاصه ساختاریافته بهت می‌ده. مشکلی که حل می‌کنه: تبدیل صوت فارسی به متن هنوز در ایران یا گرون‌قیمته یا کیفیتش افتضاحه — ابزارهای خارجی هم فارسی رو بد می‌فهمن.

⚙️ چطور کار می‌کنه:
کاربر وارد سایت می‌شه (بدون نصب هیچی)، فایل ویدیو/صوتی رو آپلود می‌کنه یا لینک یوتیوب/آپارات می‌ده. سیستم پشت‌صحنه با ⁦Whisper⁩ متن‌باز (نسخه ⁦Large-v3⁩ که فارسی رو خوب می‌فهمه) روی یه ⁦VPS⁩ خارج از ایران ترانسکریپت می‌کنه، بعد یه مدل کوچیک مثل ⁦Qwen⁩ یا ⁦DeepSeek⁩ خلاصه و تیترهای فصل‌بندی رو تولید می‌کنه. خروجی: یه صفحه که می‌شه توش جستجو کرد + دانلود ⁦TXT⁩ و ⁦SRT.⁩ مثال واقعی: مدرس آنلاین یه وبینار ۹۰ دقیقه‌ای داره — تا حالا ۳ ساعت وقت می‌ذاشت دستی تایپ کنه یا به دانشجوها می‌گفت نت بنویسن. الان فایل رو آپلود می‌کنه، ۸ دقیقه صبر می‌کنه، ترانسکریپت کامل با خلاصه فصل‌بندی‌شده دستشه — مستقیم می‌ذاره توی ⁦LMS⁩ یا کانال تلگرامش.

🎯 بازار هدف:
سه گروه اصلی: ۱) مدرسین و سازندگان محتوای آموزشی (یوتیوبر، معلم آنلاین، مدرس دوره‌های روی ویرگول/فرادرس) که محتوای متنی برای ⁦SEO⁩ و دسترس‌پذیری نیاز دارن. ۲) شرکت‌ها و استارتاپ‌ها که جلسات، وبینارها و پادکست‌های داخلی دارن و می‌خوان آرشیو متنی قابل‌جستجو داشته باشن. ۳) خبرنگارها و محققان که مصاحبه‌های صوتی/تصویری رو باید پیاده کنن. این‌ها حاضرن پول بدن چون الترناتیوشون اینه: ساعت‌ها وقت بذارن یا نیروی انسانی استخدام کنن.

✅ نقاط قوت:
‏• ⁦Whisper⁩ روی فارسی واقعاً خوب کار می‌کنه — بهتر از اکثر ابزارهای ایرانی رقیب
• قالب وب یعنی هیچ نصبی لازم نیست و روی موبایل هم کار می‌کنه
• هیچ وابستگی به ⁦API⁩ پولی خارجی نداره — ⁦Whisper⁩ و مدل خلاصه‌ساز کاملاً ⁦self-hosted⁩
• فایل‌های ویدیویی حجم بالا دارن — کاربر طبیعتاً ترجیح می‌ده از سرویس بخره تا محاسبه‌ی خودش

⚠️ نقاط ضعف و چالش‌ها:
• پردازش ویدیوهای بلند (بالای ۳۰ دقیقه) به ⁦GPU⁩ نیاز داره — ⁦VPS⁩ ارزون کافی نیست و هزینه ⁦infrastructure⁩ بالاست
‏• ⁦Whisper⁩ روی لهجه‌های خاص (ترکی، کردی، لری) یا صدای چند نفر همزمان ضعیف می‌شه
• رقبای احتمالی مثل سرویس‌های ترانسکریپشن دستی که ارزون‌تر کار می‌کنن

💰 درآمدزایی:
مدل کردیت (⁦Prepaid⁩): کاربر کردیت می‌خره، هر دقیقه صوت مثلاً ۵۰۰ تا ۸۰۰ تومان. یه وبینار ۶۰ دقیقه‌ای می‌شه ۳۰ تا ۴۸ هزار تومان — قیمتی که در مقابل ارزش وقت توجیه‌پذیره. پلن سازمانی هم برای شرکت‌هایی که ماهانه بیش از ۱۰ ساعت پردازش دارن: اشتراک ماهانه ۵ تا ۱۰ میلیون تومان. پرداخت از طریق ⁦ZarinPal⁩ ریالی. برای مشتریان خارج از ایران یا شرکت‌هایی که فاکتور ارزی می‌خوان: ⁦USDT⁩ روی کیف پول.

🚀 از کجا شروع کنیم:
۱) یه ⁦VPS⁩ با ⁦GPU⁩ اجاره کن — ⁦Hetzner⁩ یه ⁦A100⁩ اجاره می‌ده، یا از ⁦RunPod/Vast.ai⁩ برای شروع استفاده کن که ساعتی حساب می‌کنن و هزینه اولیه صفره. ⁦Whisper Large-v3⁩ رو روش نصب کن و با یه فایل تست کن کیفیت فارسیش رو ببین. ۲) یه لندینگ ساده با فرم آپلود بساز (⁦PHP⁩ یا ⁦FastAPI⁩ کافیه)، یه صف پردازش (⁦Redis Queue⁩) وصل کن، و ⁦ZarinPal⁩ رو ⁦integrate⁩ کن. بدون هیچ برنامه‌نویسی پیچیده‌ای این ⁦MVP⁩ در یه هفته آماده‌ست. ۳) ۲۰ مدرس آنلاین که می‌شناسی رو پیدا کن، بهشون یه ماه رایگان بده، ببین کجاها خروجی ضعیفه — قبل از هر تبلیغی این ⁦feedback loop⁩ رو کامل کن.

🏗 زیرساخت: ⁦Whisper Large-v3 +⁩ مدل کوچیک متن‌باز (⁦Qwen/DeepSeek⁩) روی ⁦VPS⁩ خارجی با ⁦GPU⁩ (⁦Hetzner/RunPod⁩)، سرور وب روی ⁦ArvanCloud⁩ یا ⁦VPS⁩ ارزان، ⁦ZarinPal⁩ برای پرداخت ریالی — هیچ ⁦API⁩ پولی خارجی لازم نیست.

📍 واقعیت بازار ایران: بله، در تهران امروز کار می‌کنه — اما ⁦GPU VPS⁩ ماهانه ۱۵۰ تا ۳۰۰ دلار هزینه داره که باید از همون ابتدا با درآمد ریالی یا تتر پوشش بدی؛ این سرویس بدون حداقل ۵۰ تا ۱۰۰ کاربر فعال ماهانه سربه‌سر نمی‌شه.

🧭 بزرگ‌ترین ریسک: بزرگ‌ترین ریسک هزینه‌ی ثابت زیرساخت ⁦GPU⁩ قبل از رسیدن به کاربر کافیه — اگه از همون روز اول پول ⁦GPU⁩ بدی و درآمد نداشته باشی، چند ماه دووم نمیاری. راه‌حل: از ⁦RunPod/Vast.ai⁩ با مدل ⁦Pay-per-use⁩ شروع کن تا زمانی که جریان درآمدی ثابت بشه، بعد به ⁦VPS⁩ اختصاصی برو.

مخصوص برنامه‌نویس‌هاست این یکی.

وقتی یه ⁦API⁩ جدید رو یکپارچه می‌کنی، مشکل از اول کار کردنش نیست — مشکل اینه که بعداً می‌فهمی یه ⁦error code⁩ مهم رو ⁦handle⁩ نکردی، ⁦signature⁩ وبهوک رو چک نکردی، یا یه ⁦timeout⁩ داری که نمی‌دونی ⁦payment⁩ پردازش شده یا نه.

این پرامپت قبل از نوشتن هر کدی، یه ⁦spec⁩ کامل یکپارچه‌سازی می‌سازه. خروجیش شش بخش داره: تنظیمات احراز هویت، ترتیب دقیق فراخوانی‌ها، مدیریت خطا به ازای هر ⁦error code⁩، محدودیت نرخ، تأیید امضای ⁦webhook⁩، و یه ⁦checklist⁩ پیش از راه‌اندازی با ۵ ⁦edge case⁩‌ای که بیشترین شانس رو دارن مشکل‌ساز بشن.

برای ⁦API⁩های رایج مثل ⁦Stripe⁩، ⁦Twilio⁩، ⁦Slack⁩ و ⁦GitHub⁩ خروجی خیلی دقیق و ⁦API-specific⁩ میشه. برای ⁦API⁩های کم‌شناخته‌تر، کافیه یه توضیح از مکانیزم احراز هویت و چند ⁦endpoint⁩ کلیدی بدی تا مدل بقیه رو از روی ⁦context⁩ تکمیل کنه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a senior software engineer with extensive experience integrating third-party APIs into production systems. You specialize in identifying edge cases, failure modes, and the "gotchas" that developers only discover after a painful production incident.

API to integrate: [API NAME, e.g., Stripe Payments, Twilio SMS, Salesforce, SendGrid]
My application: [DESCRIBE YOUR APP IN 1-2 SENTENCES]
What I need to do: [DESCRIBE THE SPECIFIC FUNCTIONALITY, e.g., "Process one-time payments and store customer payment methods for recurring billing"]
Tech stack: [LANGUAGE/FRAMEWORK, e.g., Node.js + Express, Python + Django, Go + Gin]
Known constraints: [ANY KNOWN LIMITS, e.g., "We are on the free tier", "Must be GDPR compliant", or "none"]

Generate a complete API integration spec with the following sections:

1. AUTHENTICATION SETUP
   - How authentication works for this API (API keys, OAuth 2.0, JWT, mTLS, etc.)
   - Where and how to store credentials securely in [TECH STACK]
   - Token refresh logic if required, including expiry handling

2. CORE IMPLEMENTATION PLAN
   - The exact sequence of API calls needed to fulfill [WHAT I NEED TO DO]
   - Required vs. optional parameters for each call
   - The shape of the request payload and what a successful response looks like
   - Any stateful dependencies between calls (e.g., must create customer before charging)

3. ERROR HANDLING MAP
   - The most common error codes this API returns and their root causes
   - Which errors are safe to retry vs. which are fatal and require user action
   - Recommended retry strategy: backoff timing, max attempts, jitter
   - How to surface errors to the user vs. handle silently

4. RATE LIMITS & QUOTAS
   - Request limits per second, minute, and day
   - How to detect when you are approaching limits (headers, error codes)
   - Recommended approach for high-volume usage (queuing, batching, caching)

5. WEBHOOKS & ASYNC EVENTS (if applicable)
   - What events this API delivers via webhook and their payload structure
   - How to verify webhook signatures to prevent spoofing
   - Idempotency: how to handle duplicate webhook deliveries safely

6. PRE-LAUNCH TESTING CHECKLIST
   - How to test this integration in sandbox or test mode without real data
   - The 5 most critical edge cases to validate before going to production
   - What metrics to monitor after launch (latency p95, error rate, success rate)

Constraints:
- Be specific to [API NAME]. Use real endpoint names, real error codes, and real response field names where known.
- Explicitly flag anything that commonly trips up developers integrating this API for the first time.
- If there are known quirks, undocumented behaviors, or common pitfalls with this API, mention them explicitly.

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

ببین، یه جمله کوچیک هست که می‌تونه جواب‌های ⁦AI⁩ رو کاملاً متفاوت کنه.

اسمِ این تکنیک ⁦Chain-of-Thought⁩ هست — یعنی به مدل می‌گی قبل از جواب دادن، مرحله‌به‌مرحله فکر کنه.

مشکل اینه که وقتی یه سوال پیچیده می‌پرسی، مدل مستقیم می‌پره سراغ جواب. این خیلی وقت‌ها باعث اشتباه می‌شه — مخصوصاً تو محاسبات، منطق، یا تصمیم‌گیری‌های چند مرحله‌ای.

راه‌حل ساده‌ست. یه جمله به اول یا آخرِ ⁦Prompt⁩ اضافه کن:

«قبل از جواب، فکرت رو مرحله‌به‌مرحله بنویس.»

همین.

مثال ملموس:

بدون تکنیک:
«اگه سه تا محصول دارم و هر هفته ۲۰٪ فروش یکیشون کم بشه، چند هفته طول می‌کشه که موجودیم نصف بشه؟»

مدل یه عدد می‌ده — شاید درست، شاید نه. نمی‌دونی چطور رسید.

با ⁦Chain-of-Thought⁩:
«فکرت رو مرحله‌به‌مرحله بنویس. اگه سه تا محصول دارم و هر هفته ۲۰٪ فروش یکیشون کم بشه، چند هفته طول می‌کشه که موجودیم نصف بشه؟»

اینجا مدل اول فرضیاتش رو می‌نویسه، بعد محاسبه می‌کنه، بعد جواب می‌ده. هم احتمال خطا کمتره، هم می‌تونی ببینی کجا اشتباه کرده.

نکته جالبش اینجاست: روی سوال‌های ساده تاثیر زیادی نداره، ولی هرچی کار پیچیده‌تر باشه، فرقش بیشتره. ⚡

یه جایی که حتماً ازش استفاده کن: وقتی می‌خوای بین دو گزینه تصمیم بگیری، یه ایده رو بررسی کنی، یا یه متن رو آنالیز کنی. بهش بگو اول جوانب رو بشمره، بعد نتیجه بگیره.

امتحانش کن — فرق رو می‌بینی. 🔥

شرکت ⁦LastPass⁩ — اپِ مدیریت رمزعبور که خیلی‌ها ازش استفاده می‌کنن — روز ۲۳ ژوئن اعلام کرد که اطلاعات بخشی از کاربراش دزدیده شده. سیستم‌های خودِ ⁦LastPass⁩ هیچ‌وقت هک نشد؛ حمله از یه ابزار جانبی شروع شد.

مهاجما که خودشون رو «⁦Icarus⁩» می‌نامن، از طریق یه حساب کاربری قدیمی و فراموش‌شده وارد سیستم‌های یه شرکت به اسم ⁦Klue⁩ شدن — یه پلتفرم ⁦SaaS⁩ که ⁦LastPass⁩ ازش برای کارهای بازاریابی استفاده می‌کرد. وقتی داخل شدن، به یه گنج رسیدن: ⁦Token⁩ های ⁦OAuth.⁩

این ⁦Token⁩‌ها یه نوع کلید دیجیتالین که به یه سرویس اجازه می‌دن به سرویس دیگه‌ای دسترسی داشته باشه — بدون نیاز به پسورد. خودِ ⁦Klue⁩ از طریق همین ⁦Token⁩‌ها به ابزارهایی مثل ⁦Salesforce⁩ مشتریاش وصل بود. مهاجما این ⁦Token⁩‌ها رو برداشتن و ازشون برای ورود به چند شرکت هم‌زمان استفاده کردن — از جمله ⁦LastPass⁩، ⁦HackerOne⁩، ⁦Recorded Future⁩ و چند تای دیگه. یه حمله، چند تا قربانی.

از ⁦LastPass⁩ چی دزدیدن؟ اسم، شماره تلفن، ایمیل، آدرس و محتوای تیکت‌های پشتیبانی مشتریا. اون آخری نگران‌کننده‌ست، چون تیکت‌های پشتیبانی ممکنه جزئیاتی داشته باشه که به درد فیشینگ بخوره — مثلاً کسی زنگ بزنه، ادعا کنه از ⁦LastPass⁩ هست و اطلاعاتِ خاص حسابتو بدونه.

گروه ⁦Icarus⁩ از نوعِ باج‌گیرای دیجیتالیه که به‌جای رمزنگاری سیستم‌ها، داده می‌دزده و تهدید می‌کنه که اگه پول نگیره، منتشرش می‌کنه. الان هم تهدید کردن که اطلاعات ⁦LastPass⁩ رو پابلیک می‌کنن.

خبرِ خوب اینه که خزانه‌ی رمزعبورها دست‌نخورده موندن — پسوردهای ذخیره‌شده‌ات امن هستن. ولی اگه کاربر ⁦LastPass⁩ هستی، مراقب ایمیل‌ها یا تماس‌هایی باش که ادعا می‌کنن از این شرکت هستن و ⁦master password⁩ ازت می‌خوان؛ شرکت ⁦LastPass⁩ هیچ‌وقت از این طریق این کارو نمی‌کنه.

فیگما در ⁦Config 2026⁩ (که ۲۴ ژوئن برگزار شد) سه قابلیت اعلام کرد که با هم کل گردش کار طراحی-توسعه رو زیر و رو می‌کنن.

مهم‌ترینشون ⁦Code Layers⁩ هست — کدی که مستقیماً روی بوم طراحیِ فیگما اجرا می‌شه. می‌تونی هر لایه‌ی طراحی رو با یه کلیک تبدیل به یه لایه‌ی کد ⁦React⁩ کنی، ریپوهای کد رو وارد بوم کنی و فلوهای واقعی ⁦production⁩ رو ازشون استخراج کنی، و بدون خروج از فیگما ⁦npm package⁩ اجرا کنی — از کتابخونه‌های انیمیشن گرفته تا فریم‌ورک‌های سه‌بعدی. دستیار ⁦AI⁩ هم می‌تونه همین‌جا کد بسازه یا ویرایش کنه، و خروجی مستقیماً داخل ⁦Figma Sites⁩ دیپلوی می‌شه.

دیلان فیلد، مدیرعامل فیگما، گفته هدف اینه که کد رو مثل هر ماده‌ی دیگه‌ای توی طراحی در نظر بگیریم. عملاً یعنی اون مرحله‌ی ⁦handoff⁩ — که طراح ⁦spec⁩ صادر می‌کنه و برنامه‌نویس از اول کد می‌زنه — دیگه اجباری نیست و هر دو می‌تونن روی همون فایل با هم کار کنن.

قابلیت دوم یه سازنده‌ی افزونه با زبان طبیعی هست. توضیح می‌دی چه کاری می‌خوای، دستیار ⁦AI⁩ افزونه رو می‌سازه — بدون نوشتن ⁦JavaScript⁩ و بدون نیاز به تنظیم محیط توسعه. دستیار حالا به ابزارهای خارجی مثل ⁦Notion⁩، ⁦Slack⁩، ⁦GitHub⁩، ⁦Atlassian⁩، ⁦Granola⁩ و ⁦Excel⁩ هم وصل می‌شه و مکالماتش پیش‌فرض برای تیم قابل دیدنه. این قابلیت الان برای همه فعاله؛ دسترسی به ⁦FigJam⁩ و ⁦Slides⁩ هنوز در مرحله‌ی ⁦waitlist⁩ هست.

سومی ⁦Figma Motion⁩ هست — سیستم انیمیشن بومیِ فیگما با ⁦timeline⁩ و ⁦keyframe.⁩ قبلاً انیمیشن یعنی رفتن به ⁦After Effects⁩ یا ⁦Rive⁩؛ حالا برای اکثر کارها این مرحله حذف شده. خروجی ⁦Dev Mode⁩ شامل ⁦CSS⁩، ⁦JSON⁩، ⁦React⁩، ⁦MP4⁩، ⁦WebM⁩، ⁦SVG⁩ متحرک و ⁦GIF⁩ می‌شه.

از نظر زمان‌بندی: قابلیت ⁦Figma Motion⁩ همین الان برای همه در دسترسه، ولی قابلیت ⁦Code Layers⁩ الان در ⁦waitlist⁩ هست و از جولای ۲۰۲۶ شروع به ⁦rollout⁩ می‌کنه. قیمت‌گذاری هم تغییری نکرده.

شرکت ⁦Anthropic⁩ ادعا کرده که اپراتورهای وابسته به ⁦Alibaba⁩ — سازنده مدل ⁦Qwen⁩ — بین آوریل تا ژوئن ۲۰۲۶، با حدود ۲۵ هزار اکانت جعلی، در مجموع حدود ۲۸.۸ میلیون بار از ⁦Claude⁩ کوئری گرفتن. این ادعا رو ⁦Bloomberg⁩ گزارش داده.

هدف این بوده که خروجی‌های ⁦Claude⁩ رو جمع کنن — با تمرکز روی قابلیت‌هایی مثل مهندسی نرم‌افزار و استدلال ایجنتی — و ازشون برای آموزش مدل ⁦Qwen⁩ استفاده بشه.

بهش می‌گن "⁦adversarial distillation⁩": به جای اینکه از صفر یه مدل قوی بسازی، خروجی‌های مدل‌های پیشرفته رقیب رو برداشت می‌کنی و باهاشون مدل خودت رو با هزینه‌ای خیلی کمتر تقویت می‌کنی. طبق ادعای ⁦Anthropic⁩، این بخشی از یه الگوی گسترده‌تره که توش آزمایشگاه‌های چینی به این روش از مدل‌های آمریکایی بهره می‌برن. 🤖

یه اشتباه رایجه که وقتی از ⁦AI⁩ چیزی می‌خوایم مرتکبش می‌شیم: فقط «چی» رو می‌گیم، «چطور» رو نه.

مثلاً می‌گیم «این ایمیل رو حرفه‌ای‌تر کن» — و ⁦AI⁩ یه چیزی می‌ده که شاید اصلاً به درد پروژه‌مون نخوره. نه ساختارش معلومه، نه می‌دونه برای کی می‌نویسیم، نه می‌دونه چقدر طولانی باشه.

راه‌حل ساده‌ست: همراه درخواستت، فرمتِ دقیقِ خروجی رو هم توضیح بده.

مثال ملموس — ایمیل حرفه‌ای:

بدون فرمت:
«این ایمیل رو حرفه‌ای‌تر کن»

با فرمت:
«این ایمیل رو ویرایش کن. لحنش رسمی اما صمیمی باشه. ساختار: یه خطِ موضوع جذاب، سه پاراگراف کوتاه (مقدمه، بدنه، درخواست)، یه جمله‌ی پایانی با یه درخواستِ مشخص از مخاطب»

با دومی، چیزی می‌گیری که مستقیماً می‌شه ارسالش کرد.

چند فرمتِ پرکاربرد که می‌شه توی ⁦Prompt⁩ آورد:

وقتی می‌خوای مقایسه کنی:
«خروجی رو توی یه جدول سه‌ستونه بنویس: ویژگی، مزیت، معایب»

وقتی می‌خوای یاد بگیری:
«هر مرحله رو جداگانه توضیح بده، با یه مثال کوچیک برای هر کدوم»

وقتی می‌خوای سریع اسکن کنی:
«فقط ⁦bullet point⁩، حداکثر ۵ تا، هر کدوم زیر ۱۵ کلمه»

برای دیباگ کد هم همینه. به جای «این کد مشکل داره»، بگو:
«این کد رو بررسی کن. جوابت باید شامل اینا باشه: ۱) مشکل کجاست، ۲) چرا اتفاق افتاده، ۳) کدِ اصلاح‌شده»

نکته جالبش اینجاست که این روش هیچ دانشِ فنی‌ای نمی‌خواد. فقط قبل از فرستادنِ ⁦Prompt⁩، ده ثانیه فکر کن: «می‌خوام جوابم چه شکلی باشه؟» — همونو بنویس.

وقتی فرمت می‌دی، ⁦AI⁩ از یه ابزارِ کلی‌گو تبدیل می‌شه به یه همکارِ مشخص. ⚡

♨️ فیگما یه آپدیت بزرگ داد و این بار جدی‌تر از همیشه‌ست.

توی کنفرانس سالانه‌اش چند قابلیت معرفی کرد که فاصله بین طراح و توسعه‌دهنده رو خیلی کمتر می‌کنه.

اول اینکه حالا می‌شه کد رو مستقیم به بوم فیگما اضافه کرد. یعنی تیم‌ها می‌تونن کدِ منبع برنامه‌هاشون رو کپی کنن و بخش‌های مختلف نرم‌افزار رو به شکل لایه‌های طراحی ببینن. آزمایش ایده‌های جدید اینجوری خیلی راحت‌تر می‌شه.

دومین چیز جالب اینه که ⁦AI⁩ جدید فیگما انیمیشن می‌سازه — فقط با یه توضیح متنی ساده. قبلاً طراحا مجبور بودن انیمیشن‌ها رو توی نرم‌افزار جداگانه بسازن و بعد تبدیلشون کنن به فرمتی که فیگما بفهمه. حالا این کار کلاً حذف شده و پشتیبانی از انیمیشن و ترنزیشن‌های سه‌بعدی مستقیم توی خودِ پلتفرم انجام می‌شه.

کارهای تکراری و خسته‌کننده هم به ⁦AI⁩ سپرده می‌شن تا طراح وقتش رو برای ایده‌های خلاقانه بذاره.

وقتی چند تا منبع پژوهشی داری، معمولاً آدم آخرین چیزی که خونده رو تو ذهنش نگه می‌داره — این ⁦Prompt⁩ این مشکل رو حل می‌کنه.

خروجیش ۵ بخشه: نقاط توافق منابع، اختلاف‌ها با تفکیک نوعشون (اختلاف داده‌ای، روشی، یا تعریفی)، نکته‌ی منحصربه‌فرد هر منبع، سوال‌های بی‌جواب، و یه پاراگراف جمع‌بندی آماده برای استفاده مستقیم.

بهترین حالتش اینه که ۳ تا ۸ منبع باشه و چکیده‌ی واقعی بهش بدی، نه فقط عنوان. روی ⁦Claude Sonnet 4.6⁩، ⁦GPT-5⁩ و ⁦Gemini 3.5 Flash⁩ تست شده — برای متن‌های طولانی‌تر ⁦Claude⁩ و ⁦GPT-5⁩ بهترن، برای چکیده‌های کوتاه ⁦Gemini 3.5 Flash⁩ کافیه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a systematic research analyst with expertise in synthesizing academic and professional literature.

You will analyze the source summaries or abstracts I provide and produce a structured synthesis identifying: where sources converge, where they conflict, what each uniquely contributes, and what important questions remain unanswered.

I am researching: [YOUR RESEARCH TOPIC OR QUESTION]

Here are the source summaries to synthesize:

SOURCE 1 — [TITLE / AUTHOR / DATE]:
[PASTE SUMMARY OR ABSTRACT HERE]

SOURCE 2 — [TITLE / AUTHOR / DATE]:
[PASTE SUMMARY OR ABSTRACT HERE]

SOURCE 3 — [TITLE / AUTHOR / DATE]:
[PASTE SUMMARY OR ABSTRACT HERE]

[Add more sources as needed — 3 to 8 sources works best]

Constraints:
- Work only from what I have provided. Do not introduce outside knowledge.
- Flag when two sources use the same term differently — definitional conflicts matter.
- Be specific: when noting agreement or disagreement, cite which sources and what exact claims.
- Do not summarize each source individually — I have already read them. Synthesize across them.
- If a source is too brief or vague to contribute meaningfully, say so rather than padding.
- Distinguish empirical conflicts (different findings) from methodological conflicts (different measurement approaches) from definitional conflicts (different meaning of terms).

Produce your synthesis in this exact format:

## Points of Strong Agreement
[Claims supported by 3+ sources, with source citations in parentheses]

## Productive Tensions
[Where sources meaningfully disagree — note whether the conflict is empirical, methodological, or definitional, and why it matters]

## Unique Contributions
[One bullet per source: what this source adds that the others do not cover]

## Unanswered Questions
[Important questions the sources collectively leave open: gaps, unstudied populations, unexplored mechanisms, missing timeframes]

## Synthesis Statement
[One dense paragraph integrating the above into a coherent research-landscape assessment — suitable for quoting in your own writing]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

شرکت ⁦OpenAI⁩ روز چهارشنبه از اولین تراشه‌ی سفارشی‌اش رونمایی کرد: یه تراشه‌ی استنتاج به اسم ⁦Jalapeño⁩ که با همکاری ⁦Broadcom⁩ طراحی شده.

استنتاج (⁦inference⁩) یعنی وقتی از ⁦ChatGPT⁩ سوال می‌پرسی، مدلِ از پیش آموزش‌دیده داره اجرا می‌شه و جوابت رو می‌ده. آموزشِ مدل یه فرایند گسسته‌ست که برای هر ورژن جدید انجام می‌شه، ولی استنتاج یه جریان پیوسته‌ست که مستقیم با رشد تعداد کاربرا بزرگ‌تر می‌شه. ⁦ChatGPT⁩ الان ماهانه بیش از یه میلیارد کاربر فعال داره، یعنی این جریان واقعاً عظیمه.

این شرکت تا الان تقریباً کاملاً به ⁦GPU⁩ های ⁦Nvidia⁩ وابسته بوده. ⁦GPU⁩ های ⁦Nvidia⁩ برای آموزش مدل‌ها عالی‌ان، ولی وقتی فقط برای استنتاج ازشون استفاده می‌کنی، سربار زیادی از نظر مصرف انرژی و هزینه دارن. یه تراشه‌ی اختصاصی که فقط برای استنتاج طراحی شده می‌تونه این سربارها رو حذف کنه.

نتایج اولیه نشون می‌ده ⁦Jalapeño⁩ نسبت عملکرد به مصرف انرژی بهتری نسبت به گزینه‌های موجود داره، مخصوصاً برای اجرای مدل‌های کدنویسی در زمان واقعی. هیچ آمار دقیقی از آزمایش‌ها منتشر نشده، ولی مصرف انرژی الان مهم‌ترین گلوگاه دیتاسنترهای ⁦AI⁩ هست — تراشه‌ای که با همون برق خروجی بیشتری بده، هم هزینه رو کاهش می‌ده هم ظرفیت رو بالا می‌بره.

شرکت ⁦Broadcom⁩ شریک این پروژه‌ست و تجربه‌ی ساخت تراشه‌های اختصاصی برای غول‌های تکنولوژی رو داره، از جمله تراشه‌های ⁦TPU⁩ که ⁦Google⁩ از سال ۲۰۱۶ ازشون استفاده می‌کنه. طراحی سیلیکون با ⁦Broadcom⁩ بوده و مشخصاتِ فنی و نوعِ بارِ کاری رو خود ⁦OpenAI⁩ داده تا تراشه دقیقاً برای نیازهای این شرکت بهینه بشه.

شرکت‌های بزرگی مثل ⁦Google⁩، ⁦Amazon⁩، و ⁦Meta⁩ همه تراشه‌های اختصاصی ⁦AI⁩ دارن. ولی ⁦Jalapeño⁩ اولین تراشه‌ایه که اسم ⁦OpenAI⁩ روشه، و نشون می‌ده این شرکت داره از یه خریدارِ سخت‌افزار به یه طراحِ سخت‌افزار تبدیل می‌شه.

فعلاً تراشه در مرحله‌ی آزمایشه و هیچ تاریخی برای تولید انبوه اعلام نشده.

‏⁦AI⁩ کلمه‌ها رو مثل ما نمی‌خونه. اونا رو به اعداد تبدیل می‌کنه. این ساده‌ترین توضیحِ ⁦Embedding⁩ هست.

هر کلمه یا جمله‌ای که بهش می‌دی، تبدیل می‌شه به یه لیست از اعداد — یه نقطه توی یه فضای چندهزاربُعدی. کلماتی که معنای نزدیکی دارن، توی این فضا هم به هم نزدیک‌ترن.

مثلاً «گربه» و «پیشی» توی این فضا کنارِ همن. «تهران» و «ایران» هم همین‌طور. ولی «گربه» و «موشک» از هم دورن.

این یعنی مدل معنا می‌فهمه، نه فقط کلمه رو می‌بینه.

حالا می‌فهمی ⁦RAG⁩ چطور کار می‌کنه؟ وقتی ازش می‌پرسی «بهترین رستوران تهران کجاست؟»، سوالِ تو رو به ⁦Embedding⁩ تبدیل می‌کنه و دنبالِ نزدیک‌ترین معنا توی پایگاه دانشش می‌گرده — نه کلمه به کلمه.

توی اون پایگاه شاید نوشته باشه «بهترین جا برای غذا خوردن». هیچ کلمه‌ای مشترک با سوالِ تو نیست، ولی مدل می‌فهمه همون چیزیه که دنبالشی.

یه مثالِ کلاسیک هم هست که خوبه بدونی: «پادشاه» منهای «مرد» به‌علاوه‌ی «زن» توی این فضای عددی می‌شه «ملکه». مدل یه جور ریاضیِ معنایی یاد گرفته.

دفعه‌ی بعد که ⁦AI⁩ جوابِ دقیقی داد، بدون که یه لیست از اعداد پشتِ پرده داشت کار می‌کرد. 🔥

گوگل یه ابزار جدید برای یادگیری عمیق‌تر توی اپ ⁦Gemini⁩ راه انداخته — اسمش نوت‌بوک‌های مطالعه (⁦Study Notebooks⁩) هست.

ایده‌اش اینه که یه فضای تعاملی بسازه که کنجکاوی‌ات رو به درک واقعی تبدیل کنه. دانشجویی که داره شیمی آلی می‌خونه یا داره برای آزمون‌های استاندارد آماده می‌شه، می‌تونه ازش استفاده کنه.

امکاناتش:
- با ⁦NotebookLM⁩ سینک می‌شه
- می‌تونی منابع درسی‌ات رو آپلود کنی
- چت‌های قبلی‌ات ذخیره می‌مونن
- فلش‌کارت می‌سازه و اینفوگرافیک می‌ده
- بر اساس عملکردت توی کوییز، یادگیری رو شخصی‌سازی می‌کنه

کاملاً رایگانه و توی همه زبون‌هایی که ⁦Gemini⁩ ازشون پشتیبانی می‌کنه در دسترسه. فعلاً فقط نسخه وبی داره، نسخه موبایل بعداً میاد.

قطع ناگهانی دسترسی کاربران ایرانی به صرافی ⁦CoinEx⁩، این روزا دردسر بزرگیه برای معامله‌گرهای داخلی.

ماجرا از گزارش وال‌استریت ژورنال شروع شد؛ این نشریه ادعا کرده صرافی ⁦CoinEx⁩ از سال ۲۰۱۹، بیش از ۳٫۸ میلیارد دلار تراکنش مربوط به نهادهای ایرانی رو تسهیل کرده. بلافاصله بعد از انتشار این گزارش، ⁦CoinEx⁩ رسماً اعلام کرد که ارائه خدمات به کاربران ایرانی رو متوقف می‌کنه.

الان خیلی از معامله‌گرها توی گروه‌های پشتیبانی دنبال جواب یه سوال ساده می‌گردن: چطور دارایی‌هاشون رو برداشت کنن؟ هنوز جواب مشخصی نگرفتن.

باید منتظر موند و دید ⁦CoinEx⁩ چه سازوکاری برای خروج امن سرمایه‌ها اعلام می‌کنه. ⚡

قیمت مک‌ها و آیپدها دیروز یه‌دفعه بالا رفت — اپل گفت دیگه نمی‌تونه هزینه‌های بالاتر رو خودش جذب کنه.

مک‌بوک ایر ۱۳ اینچ از ۱,۰۹۹ دلار رفت روی ۱,۲۹۹. مک‌بوک پرو با تراشه ⁦M5 Max⁩ از ۳,۵۹۹ به ۴,۰۹۹ دلار رسید. آیپد پایه هم از ۳۴۹ دلار رفت روی ۴۴۹ — نزدیک ۲۸ درصد گرانی در یه روز. آیپد پرو، مک‌بوک ایر ۱۵ اینچ، آیمک و بقیه‌ی خط محصولات هم همه درگیر این افزایش قیمت شدن.

دو تا دلیل اصلی: تعرفه‌های آمریکا روی قطعات وارداتی از آسیا، و کمبود ⁦RAM⁩ — ولی نه ⁦RAM⁩ معمولی.

شرکت‌هایی مثل ⁦Samsung⁩، ⁦SK Hynix⁩ و ⁦Micron⁩ یه نوع حافظه تخصصی به اسم ⁦HBM⁩ می‌سازن که اختصاصاً برای ⁦GPU⁩ های ⁦AI⁩ مثل ⁦H100⁩ انویدیا طراحی شده. مراکز داده هوش مصنوعی این‌قدر ⁦HBM⁩ می‌خوان که این کارخانه‌ها ظرفیت تولیدشون رو بیشتر اون طرف بردن — و ⁦RAM⁩ معمولی که تو مک‌بوک‌ها و آیپدها استفاده می‌شه کمیاب‌تر و گرون‌تر شده.

تیم کوک گفت «هیچ وقت ندیده بودیم قیمت یه قطعه این‌قدر سریع بالا بره.» درآمد سه‌ماهه ⁦Micron⁩ هم از ۹.۳ میلیارد دلار به ۴۱.۵ میلیارد رسید — عمدتاً از بابت تقاضای ⁦AI.⁩

آیفون، اپل واچ و ایرپادز فعلاً از این گرانی در امان موندن — احتمالاً چون اپل نمی‌خواد رو حساسیت قیمتی گوشی ریسک کنه. ولی اگه کمبود ⁦RAM⁩ ادامه پیدا کنه، این معافیت هم دائمی نمی‌مونه. مایکروسافت هم همزمان قیمت لپ‌تاپ‌های ⁦Surface⁩ رو با دلایل مشابه بالا برد.

محققان شرکت ⁦SentinelOne⁩ یه بدافزار ⁦macOS⁩ کشف کردن به اسم ⁦Gaslight⁩ که یه تکنیک کاملاً جدید داره — یه تکنیکی که قبلاً هیچ‌کس توی دنیای واقعی ندیده بود.

این بدافزار که با زبان برنامه‌نویسی ⁦Rust⁩ نوشته شده و به عملیات‌های سایبری کره شمالی نسبت داده می‌شه، داخل خودِ فایل اجرایی‌اش ۳۸ تا پیام خطای جعلی جاسازی کرده. این پیام‌ها شبیه خطاهای سیستمیِ واقعی‌ان — هشدار تموم‌شدن ⁦Token⁩، خرابی ⁦Redis⁩، کمبود فضای دیسک، خطاهای ⁦Build⁩ — و با فرمت ⁦Markdown⁩ نوشته شدن تا عیناً شبیه ساختار ⁦Prompt⁩ های ⁦LLM⁩ به نظر برسن.

هدف؟ فریب ابزارهای تحلیل بدافزار مبتنی بر ⁦AI.⁩

تیم‌های امنیتی امروز از ایجنت‌های ⁦AI⁩ استفاده می‌کنن که فایل‌های مشکوک رو بررسی و تحلیل می‌کنن. ⁦Gaslight⁩ این ایجنت‌ها رو گول می‌زنه که فکر کنن ⁦session⁩‌شون خرابه و باید تحلیل رو متوقف کنن. این اولین باریه که یه تهدید واقعی دقیقاً برای فریب لایه‌ی ⁦AI⁩ طراحی شده، نه برای فریب ⁦sandbox⁩ یا ابزارهای سنتی.

جدا از این لایه‌ی فریب، ⁦Gaslight⁩ یه بک‌دور کامل هم هست. ارتباطش با اپراتور از طریق ⁦Bot API⁩ تلگرام برقرار می‌شه، با رمزنگاری ⁦AES-GCM.⁩ یه مفسر ⁦Python⁩ هم نصب می‌کنه که داده‌های زیادی جمع‌آوری می‌کنه: اطلاعات مرورگرهایی مثل ⁦Chrome⁩، ⁦Firefox⁩، ⁦Brave⁩ و ⁦Safari⁩؛ تاریخچه ترمینال؛ لیست پروسه‌ها و اپلیکیشن‌ها؛ مشخصات سخت‌افزار؛ و فایل ⁦login.keychain-db⁩ که رمزهای ذخیره‌شده ⁦macOS⁩ توشه.

برای ماندگاری روی سیستم، یه ⁦LaunchAgent⁩ می‌سازه با اسم ⁦com.apple.system.services.activity⁩ — عمداً شبیه اسم‌های رسمی اپل، تا کمتر به چشم بیاد.

یه نکته هم برای محققان امنیتی: ⁦Gaslight⁩ توکن ⁦Bot⁩ تلگرامش رو از لاگ‌های ⁦runtime⁩ حذف می‌کنه، یعنی حتی اگه لاگ‌ها رو هم بگیری، هیچ سرنخی از زیرساخت ⁦C2⁩ به دست نمی‌یاد.

شرکت ⁦SentinelOne⁩ هنوز اعلام نکرده این بدافزار چطور پخش می‌شه یا دقیقاً کدوم صنایع رو هدف گرفته، ولی ترکیب دسترسی به ⁦Keychain⁩، سرقت ⁦credential⁩ مرورگرها و دسترسی شِل نشون می‌ده هدف اصلی جاسوسی سایبریه، نه اخاذی.

شرکت ⁦IBM⁩ چند روز پیش اعلام کرد که اولین تراشه زیر یک نانومتر جهان رو ساخته — با معماری‌ای که اسمش «⁦nanostack⁩» هست.

یه نانومتر یعنی یک میلیاردم متر. کوچیک‌ترین ساختار طبیعی که می‌شه باهاش مقایسه کرد، رشته ⁦DNA⁩ ماست — و تراشه جدید ⁦IBM⁩ با ۰.۷ نانومتر، حتی از اونم کوچیک‌تره.

تا الان که تراشه‌ها کوچیک‌تر می‌شدن، روش اینطوری بود که ترانزیستورها رو (قطعاتی که پردازش انجام می‌دن) کنار هم فشرده‌تر می‌چیدن. ⁦IBM⁩ اینجا یه کار متفاوت کرده: به جای اینکه ترانزیستورها رو افقی فشرده کنه، اونا رو روی هم انباشته — دو لایه کامل از ترانزیستورها روی هم.

نتیجه: نزدیک به ۱۰۰ میلیارد ترانزیستور توی یه تراشه به اندازه ناخن. در مقایسه با تراشه‌های ۲ نانومتری که الان بهترین گزینه‌های موجودن، این نسل ۵۰ درصد سریع‌تر هست و ۷۰ درصد کمتر برق می‌خوره.

اون ۷۰ درصد صرفه‌جویی در انرژی برای ⁦AI⁩ خیلی مهمه. یکی از بزرگ‌ترین دردسرهای دیتاسنترها الان اینه که اجرای مدل‌های ⁦AI⁩ برق زیادی می‌خوره. با این تراشه‌ها، همون مقدار کار با کسری از برق قبلی انجام می‌شه.

شرکت ⁦IBM⁩ خودش این تراشه‌ها رو تولید انبوه نمی‌کنه — تکنولوژیش رو به کارخانه‌های تراشه‌سازی لایسنس می‌ده. تجاری‌سازیش احتمالاً حدود ۵ سال دیگه آماده می‌شه و اولین محصولات واقعی حدود ۲۰۳۱ به بازار می‌رسن.

یه تحلیلگر صنعت گفته این اعلام «۱۰ تا ۱۵ سال دیگه به نقشه راه صنعت اضافه می‌کنه» — یعنی پیشرفت ساخت تراشه که خیلیا فکر می‌کردن داره به سقف می‌رسه، هنوز جا برای ادامه داره.

کارمندای ⁦OpenAI⁩ تقریباً همه از ⁦Codex⁩ استفاده می‌کنن — همون ایجنتی که خودِ این شرکت ساخته. آمار داخلیِ شرکت نشون می‌ده این عدد به ۹۷.۹٪ رسیده.

در مقابل، آمار استفاده از ⁦Codex⁩ بیرون از ⁦OpenAI⁩ فقط ۰.۷٪ هست.

یعنی داخل شرکت تقریباً همه دارن با ابزار ⁦AI⁩ خودشون کار می‌کنن، ولی بیرون از اونجا هنوز خیلی کم استفاده می‌شه. 🤖

یه بار ۳۰ صفحه مقاله داشتی که باید تا فردا می‌خوندیش؟ خب ⁦AI⁩ می‌تونه کمک کنه — ولی نه فقط با «خلاصه کن».

اشتباه رایج اینه که متن رو کپی می‌کنی و همین یه جمله رو می‌نویسی. نتیجه یه خلاصه‌ی کلی و بی‌خاصیته که انگار نمی‌دونه واسه کی داره می‌نویسه.

روشِ درست: سه چیز مشخص کن.

اول، هدف بگو. «می‌خوام بفهمم این کتاب ارزش خوندن داره یا نه» با «می‌خوام فردا تو جلسه توضیح بدم» دو خروجیِ کاملاً متفاوت می‌خوان.

دوم، ساختار بخواه. بولت؟ پاراگراف؟ جدول مقایسه‌ای؟ هر کدوم یه حسِ متفاوت به خواننده می‌ده.

سوم، بگو کجا تمرکز کنه. مثلاً: «روی بخشِ نتیجه‌گیری بیشتر وقت بذار.»

مثال ملموس:
به جای اینکه بنویسی «این مقاله رو خلاصه کن»، بنویس:

«این مقاله رو بخون. بگو: الف) ادعای اصلیِ نویسنده چیه؟ ب) چه دلیلی آورده؟ ج) یه نقدِ احتمالی که می‌شه بهش وارد کرد چیه؟ هر بخش رو با یه بولت بنویس.»

همین فرقِ کوچیک، خروجی رو کلاً عوض می‌کنه.

یه نکته‌ی اضافه ⚡: اگه متنت خیلی طولانیه، هر فصل یا بخش رو جداگانه بفرست و خلاصه بگیر. بعد همه‌ی خلاصه‌ها رو کنار هم بذار و از ⁦AI⁩ بخواه یه جمع‌بندیِ نهایی بسازه. این روش خیلی دقیق‌تره از اینکه همه چیز رو یه‌جا بریزی.

👇 دفعه بعد که خواستی چیزی خلاصه کنی، اول یه لحظه فکر کن: این خلاصه واسه کیه و می‌خوام باهاش چیکار کنم؟