دیگه مجبور نیستی پشت لپ‌تاپ بشینی تا ⁦Claude⁩ کارش تموم کنه.

قابلیت جدیدی به اسم ⁦Claude Cowork⁩ داره میاد که به موبایل و وب هم می‌رسه. ایده‌ش اینه که یه تسک رو سرِ میزت بهش بدی، لپ‌تاپ رو ببندی، بری — و ⁦Claude⁩ به کارش ادامه بده. وقتی خواستی، نتیجه رو از گوشیت تحویل می‌گیری.

نسخه بتاش طی چند هفته آینده منتشر می‌شه و اول فقط برای پلن ⁦Max⁩ در دسترسه. بقیه پلن‌ها هم بعداً اضافه می‌شن.

قابلیت ⁦Artifacts⁩ توی ⁦Claude Code⁩ حالا برای پلن‌های ⁦Pro⁩ و ⁦Max⁩ هم فعاله.

کارش اینه که ابزار مورد نظرت رو با زبان ساده توضیح می‌دی، ⁦Claude⁩ کدش رو می‌نویسه و همون لحظه به صورت یه صفحه‌ی زنده روی ⁦claude.ai⁩ منتشرش می‌کنه. بعدم همون‌طور که روی کارت کار می‌کنه، صفحه رو ⁦real-time⁩ آپدیت می‌کنه.

صفحه‌ها ⁦private⁩ هستن (فقط توی اکانت خودته) و کاملاً ⁦self-contained⁩ — یعنی نیازی به هیچ سرویس خارجی ندارن.

عملاً ساختن ابزار شخصی دیگه به دونستن برنامه‌نویسی نیاز نداره. ⚡

یه کار مهم به ⁦AI⁩ می‌دی. جواب می‌گیری. نگاهش می‌کنی، می‌گی «خب، قابل‌قبوله» — و می‌دونی که بهتر از این می‌شد.

مشکل اینه که وقتی اطلاعاتِ کمی می‌دی، مدل جاهای خالی رو با فرض‌های عمومی تکمیل می‌کنه. یه تکنیکِ ساده این رو درست می‌کنه: قبل از شروع، بخواه سوال بپرسه.

نمونه ⁦Prompt⁩ 👇
«می‌خوام یه ایمیلِ فروش بنویسم. قبل از اینکه شروع کنی، سوال‌هایی که جوابشون ایمیل رو بهتر می‌کنه رو ازم بپرس.»

حالا ⁦AI⁩ می‌پرسه: مشتری چه صنعتیه؟ قبلاً باهاش صحبت شده؟ مهم‌ترین دردش چیه؟ تون رسمی باشه یا صمیمی؟

تو جواب می‌دی. بعد ⁦AI⁩ با اطلاعاتِ واقعی می‌نویسه — نه با فرض.

این به یه دلیلِ ساده کار می‌کنه: ⁦LLM⁩ ها وقتی ⁦context⁩ کمه، گرایش دارن «پاسخِ متوسط» بدن — همون چیزی که توی میلیون‌ها متنِ مشابه دیدن. وقتی مجبورشون می‌کنی سوال بپرسن، خودشون رو با موقعیتِ تو تنظیم می‌کنن.

یه کاربردِ غیرمنتظره‌ش هم اینه: وقتی خودت هم هنوز دقیقاً نمی‌دونی چی می‌خوای. سوال‌های ⁦AI⁩ مجبورت می‌کنه فکرت رو مرتب کنی.

برای امتحان همین الان:
«[موضوعِ کارت]. قبل از شروع، ۵ سوالی که جوابشون خروجی رو بهتر می‌کنه رو بپرس.»

همین یه جمله اضافه، خروجی رو از عمومی به دقیق تبدیل می‌کنه. ⚡

هر بار که می‌خوای صدا کلون کنی یا متن رو به گفتار تبدیل کنی، مجبوری اشتراک ماهانه ⁦⁦ElevenLabs⁩⁩ بگیری؟ یه راه دیگه هست.

پروژه ⁦⁦OmniVoice Studio⁩⁩ یه ابزار متن‌باز و لوکال برای تولید و کلون صداست که کاملاً روی سیستم خودت اجرا می‌شه — بدون ⁦⁦API Key⁩⁩ و بدون آپلود صدا روی هیچ سروری.

قابلیت‌هاش:
✅ کلون صدا با چند ثانیه نمونه
✅ تبدیل متن به گفتار
✅ دوبله ویدیو
✅ دیکته زنده
✅ طراحی صدا با کنترل سن، جنسیت، لهجه و ⁦⁦pitch⁩⁩

سیستم موردنیاز:
🖥️ ویندوز، مک یا لینوکس
‌‏🐍 ⁦⁦Python⁩⁩ نسخه ۳.۱۱ به بالا
‌‏🧠 ⁦⁦RAM⁩⁩ حداقل ۸ گیگ، پیشنهادی ۱۶ گیگ به بالاست
‌‏🎮 ⁦⁦GPU⁩⁩ اختیاریه ولی برای سرعت بهتر پیشنهاد می‌شه
‌‏📦 ⁦⁦VRAM⁩⁩ حداقل ۴ گیگ، پیشنهادی ۸ گیگ به بالاست

بدون ⁦⁦GPU⁩⁩ هم روی ⁦⁦CPU⁩⁩ اجرا می‌شه، فقط کندتره.

گیت‌هابِ پروژه 👇
‌‏⁦⁦github.com/debpalash/OmniVoice-Studio⁩⁩

از ایده تا اپ آماده‌ی انتشار — سرویس ⁦Higgsfield Apps⁩ اینو توی یه جریان واحد جمع کرده.

می‌شه باهاش وب‌سایت، اپ موبایل و دسکتاپ، افزونه مرورگر و پلاگین ساخت و مستقیم منتشرشون کرد. اما چیزی که اینو متفاوت می‌کنه اینه که مدل‌های تصویر و ویدیو رو مستقیم به فرآیند توسعه وصل کرده.

یعنی از تولید محتوای ⁦AI⁩ گرفته تا کدنویسی و انتشار، همه کارها داخل همون یه جریان انجام می‌شه — بدون اینکه بین ابزارهای مختلف بپری.

آپدیت جدید ⁦Cursor⁩ یه نکته داره که از زاویه سیستم‌سازی مهمه — نه از اون هایپ‌های معمول انتشار مدل.

شرکت ⁦Cursor⁩ با ⁦xAI⁩ همکاری کرده و مدل ⁦Grok 4.5⁩ رو با هم آموزش دادن. این مدل اولین مدلیه که فراتر از مهندسی نرم‌افزار ساخته شده.

از این زاویه، حالا می‌شه فلوچارت کاری پروژه‌های پیچیده رو یکپارچه‌تر طراحی کرد — که برای کسایی که روی سیستم‌سازی کار می‌کنن، یه تفاوت واقعیه 🔥

شرکت ⁦Accenture⁩ یه نفوذ امنیتی رو تأیید کرده — و این‌بار داستان جدی‌تر از چیزیه که اول به نظر می‌رسه.

یه هکر با نام مستعار «888» ادعا کرده ۳۵ گیگابایت داده از ⁦Accenture⁩ دزدیده؛ شامل کد منبع، کلیدهای ⁦SSH⁩، کلیدهای ⁦RSA⁩، کلیدهای دسترسی به ⁦Azure Storage⁩، و چیزی که می‌تونه بیشترین خطر رو داشته باشه: ⁦Azure Personal Access Token.⁩

این نوع ⁦Token⁩ — که بهش ⁦PAT⁩ هم می‌گن — اگه لغو نشه، مهاجم می‌تونه حتی بعد از اینکه نفوذ اولیه کشف شد، همچنان به مخازن کد و خطوط ⁦build⁩ دسترسی داشته باشه. یعنی یه در ورودی که تا وقتی بسته نشده، باز می‌مونه.

هکر برای اثبات ادعاش یه اسکرین‌شات منتشر کرده که نشون می‌ده یه مخزن خصوصی ⁦Azure DevOps⁩ روی دامنه‌ی ⁦Accenture⁩ رو ⁦clone⁩ کرده. اثباتِ دسترسی واقعی، نه فقط یه ادعای بی‌سند.

واکنش ⁦Accenture⁩ کوتاه بود: «از این ماجرا باخبریم، منبعش رو رفع کردیم. تأثیری روی عملیات ما نداشته.» هیچ توضیحی درباره‌ی نحوه‌ی نفوذ، زمانِ کشفش، یا اینکه آیا داده‌های مشتریان هم درگیر شده، نداد.

این آخری مهم‌ترین بخشه. ⁦Accenture⁩ به بانک‌های بزرگ، پیمانکاران دفاعی، و دولت‌ها سرویس می‌ده و اغلب محیط‌های اختصاصی برای پروژه‌های مشتریانش نگه می‌داره. اگه کدها یا ⁦Token⁩‌های دزدیده‌شده به این سیستم‌ها وصل باشن، خطر خیلی فراتر از خودِ ⁦Accenture⁩ می‌ره.

همین هکر در ۲۰۲۴ ادعا کرده بود داده‌ی ده‌ها هزار کارمند ⁦Accenture⁩ رو داره — که بعداً معلوم شد فقط ۳ اسم و ایمیل بود. ولی این‌بار ⁦Accenture⁩ خودش نفوذ رو تأیید کرده، که ماجرا رو نمی‌شه به همون سادگی نادیده گرفت.

این پست برای برنامه‌نویس‌هاست.

یه ⁦Prompt⁩ که کد ⁦diff⁩ رو می‌گیره و یه گزارش کامل تحویل می‌ده به زبانی که مدیرا و هیئت مدیره می‌فهمن — بدون اصطلاح فنی. خروجیش ساختار داره: چی تغییر کرد، چرا مهمه، ریسک‌ها چیه، و پاسخ سوالاتی که احتمالاً می‌پرسن.

مثال توی مقاله درباره یه تیمه که سیستم ⁦retry⁩ پرداخت رو بازنویسی کرده. خروجی ⁦Prompt⁩ نشون می‌ده این تغییر ماهی حدود ۳۵ تا ۴۰ هزار دلار فروش از دست‌رفته رو جبران می‌کنه، ریسک‌ها چیه، و اگه مدیر بپرسه «مگه دوبار از کارت مشتری کم نمی‌شه؟» چی جوابش بدن.

متن کامل ⁦Prompt⁩ زیر همین پست قابل کپیه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as a technical communication specialist who translates complex engineering work into clear, accurate briefings for non-technical audiences — executives, board members, product managers, and sales leaders who need to make decisions based on your explanation, not admire your vocabulary.

CONTEXT:
- System or change being explained: [DESCRIBE THE CODE, FEATURE, MIGRATION, OR INCIDENT — e.g. "rebuilt the checkout service's payment retry logic"]
- Audience: [WHO YOU ARE BRIEFING — e.g. "VP of Product and two board members, no engineering background"]
- Business stakes: [WHY THIS MATTERS COMMERCIALLY — e.g. "reduces failed payment retries that were costing ~$40K/month in lost orders"]
- Known risks or open questions: [WHAT COULD STILL GO WRONG OR IS UNRESOLVED — e.g. "not yet load-tested above 3x current peak traffic"]
- Meeting format: [LENGTH AND SETTING — e.g. "10-minute slot in a 45-minute board meeting, no slides allowed"]

TASK:
Produce a plain-English briefing with five parts:
1. A one-sentence executive summary stating what was done and why it matters, in language a non-technical reader understands on first read.
2. An explanation of what changed, built entirely around a real-world analogy (not a technical diagram or code reference).
3. Why it matters to the business — tie directly to cost, revenue, risk, or customer experience, using the business stakes provided above.
4. Remaining risks or unknowns, stated honestly — do not create false confidence where none exists.
5. Three questions this specific audience is likely to ask, each with a prepared, non-defensive answer.

CONSTRAINTS:
- No jargon, acronyms, or technical terms without an immediate plain-English definition in the same sentence.
- No code snippets, architecture diagrams, or system names unless the audience specifically asked for them.
- Total length under 400 words — executives lose patience past that.
- Match tone and formality to the audience described above; a board gets more formal language than a product manager.
- If something is genuinely uncertain or unresolved, say so plainly rather than papering over it with confident-sounding hedges.

OUTPUT FORMAT:
## Executive Summary
[1-2 sentences]

## What Changed
[Analogy-based explanation, 2-4 sentences]

## Why It Matters
[2-3 sentences tied to business stakes]

## Risks & Unknowns
[Bulleted, honest, 2-4 items]

## Anticipated Questions
Q1: [likely question] — A: [prepared answer]
Q2: [likely question] — A: [prepared answer]
Q3: [likely question] — A: [prepared answer]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

یه ادغام جالب برای کسایی که با ⁦Blender⁩ کار می‌کنن:

هوش مصنوعی ⁦Claude⁩ حالا مستقیم به ⁦Blender⁩ وصل می‌شه — از طریق پروتکل ⁦MCP.⁩ فقط با زبان ساده می‌گی چی می‌خوای، مثلاً «همه‌ی متریال‌های چوب صحنه رو گرم‌تر کن» — خودش اسکریپتش رو می‌نویسه و اجرا می‌کنه.

انیمیشن‌های ساده هم بلده.

اون کارهای تکراری صحنه‌سازی که ساعت‌ها وقت می‌گرفت، حالا چند دقیقه‌ست. ⚡

⚠️ با توجه به شرایط این روزها و اینکه هر لحظه ممکنه اینترنت دوباره دچار محدودیت یا قطعی بشه، بد نیست یک هوش مصنوعی داشته باشید که کاملاً روی گوشی خودتون اجرا بشه و هیچ نیازی به اینترنت نداشته باشه.

توی این ویدیو یاد می‌گیرید چطور یک هوش مصنوعی قدرتمند رو رایگان روی اندروید نصب کنید و حتی بدون اینترنت ازش استفاده کنید.

✅ بدون نیاز به اینترنت
✅ کاملاً رایگان
✅ نصب و اجرا روی خود گوشی
✅ اطلاعات شما از گوشی خارج نمی‌شود و حریم خصوصی حفظ می‌شود
✅ مناسب برای پاسخ به سوالات، ترجمه، خلاصه کردن متن، تولید محتوا، برنامه‌نویسی و خیلی کارهای دیگه

📱 آموزش نصب روی گوشی از دقیقه ۱۱:۴۸ شروع می‌شود.

اگر اینترنت قطع شد، این هوش مصنوعی همچنان کنار شماست. پیشنهاد می‌کنم قبل از اینکه بهش نیاز پیدا کنید، همین الان نصبش کنید.

مصاحبه‌های رفتاری ازت می‌خوان یه تجربه واقعی از کارت تعریف کنی — و اگه آماده نباشی، جلوی مصاحبه‌کننده ذهنت خالی می‌شه.

این ⁦Prompt⁩ رزومه یا یادداشت‌های شغلیت رو می‌گیره، از روی شرح شغل می‌فهمه احتمالاً باهات چه سوالایی مطرح می‌شه، و جواب‌هایی با فرمت ⁦STAR⁩ آماده می‌کنه — موقعیت، وظیفه، اقدام، نتیجه. هیچ واقعیتی جعل نمی‌شه، فقط از همون چیزی که بهش دادی استفاده می‌کنه.

یه چیز مفیدم داره: اگه شرح شغل چیزی بخواد که تجربه‌هات اون رو کم داره، بهت می‌گه — قبل از اینکه توی مصاحبه باهاش مواجه بشی.

برای مثال‌های کامل و دیدن خروجی واقعیش، مقاله رو باز کن.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Act as an experienced hiring manager and interview coach who has conducted hundreds of behavioral interviews and knows exactly what separates a memorable answer from a forgettable one.

CONTEXT:
- Target role and job description: [PASTE THE FULL JOB POSTING OR ROLE DESCRIPTION]
- Your relevant work experience: [PASTE RESUME BULLET POINTS, ROUGH NOTES, OR A LIST OF PROJECTS/ACCOMPLISHMENTS — the messier the better, just make it real]
- Company or industry context, if known: [E.G. "Series B fintech startup, moving fast, small team"]
- Specific competencies the role emphasizes: [E.G. "ambiguity, cross-functional leadership, shipping under pressure" — pull these directly from the posting's language]

TASK:
1. Identify 6-8 behavioral interview questions this specific role is likely to ask, based on the competencies emphasized in the job description — not generic interview questions.
2. For each question, draft a STAR-format answer (Situation, Task, Action, Result) using ONLY the real experience provided in my background above.
3. If my provided experience is thin, missing, or a poor match for a likely question, flag that gap explicitly instead of inventing a plausible-sounding story to fill it.
4. Quantify the Result wherever my source material provides or reasonably implies a number — do not leave a vague outcome when a concrete one is available.

CONSTRAINTS:
- Never invent experience, achievements, numbers, or outcomes that are not present in or directly inferable from the source material I provided.
- Keep each STAR answer speakable out loud in under 90 seconds — cut anything that wouldn't survive being said in an interview room.
- Avoid corporate cliches ("team player," "results-driven," "wear many hats") — replace them with the specific, concrete detail that makes the story credible.
- If the job description emphasizes a competency my background doesn't clearly support, say so honestly rather than forcing a weak story to fit.

OUTPUT FORMAT:
For each question:
Q[n]: [likely interview question] — likely testing: [competency from the job description]
S: [Situation, 1-2 sentences]
T: [Task, 1 sentence]
A: [Action, 2-3 sentences]
R: [Result, 1-2 sentences, quantified where possible]

At the end:
Gaps flagged: [any competencies from the job description where my provided background doesn't give you a strong story to work with]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

یه دستِ رباتیک که آدم فکر می‌کنه فضایی‌ها ساختنش — شرکت 1⁦X⁩ یه چیز غیرعادی معرفی کرده.

این دست ۲۵ درجه آزادی حرکتی داره، با کنترل تاندونی — یه تقلیدِ دقیق از پیچیدگی‌های دستِ انسان. به جای اسکلتِ فلزیِ سخت، آناتومیِ نرم جاشو گرفته.

چیزی که این پروژه رو جدی می‌کنه تولید داخلیِ همه قطعاته: از تاندون‌ها تا حسگرهای لمسی و پوست‌های پلیمری، همه داخل شرکت ساخته می‌شن. این استراتژی وابستگی به زنجیره تأمین خارجی رو قطع کرده و تولید ۱۰ هزار واحد در سال رو ممکن می‌کنه.

دقت موقعیت‌یابی ±۰.۲ میلی‌متره، استاندارد ⁦IP68⁩ داره، و توی محیط‌های غیرقابل پیش‌بینی انسانی هم می‌تونه کار کنه، نه فقط توی خطوط مونتاژ کنترل‌شده. ظرافت به جای خشونتِ ماشینی. 🤖

اگه تازه وارد دنیای ⁦⁦AI⁩⁩ شدی و اسم ⁦⁦Hugging Face⁩⁩ زیاد به گوشت می‌خوره، توضیحش ساده‌ست: این پلتفرم مثل ⁦⁦GitHub⁩⁩ دنیای ⁦⁦AI⁩⁩ هست — جایی که هزاران مدل آماده، دیتاست و ابزار وجود داره.

تقریباً برای هر نیازی می‌تونی مدل پیدا کنی:

🔹 مدل‌های متنی برای چت، خلاصه‌سازی و تحلیل داده
🔹 مدل‌های تصویری برای ساخت عکس، تشخیص یا ادیت تصویر
🔹 مدل‌های صوتی برای تبدیل گفتار به متن یا برعکس
🔹 مدل‌های تخصصی‌تر مثل مدل‌های مالی برای تحلیل بازار و داده‌های ترید

یه مزیت جدی اینه که خیلی از این مدل‌ها رو می‌تونی ⁦⁦Local⁩⁩ روی سیستم یا سرور خودت اجرا کنی — یعنی کمتر به ⁦⁦API⁩⁩های پولی وابسته‌ای، داده‌هات دست خودته و شخصی‌سازی بیشتری داری.

اگه هم سخت‌افزار قوی نداری، می‌تونی از سرویس‌های ابری و ⁦⁦API⁩⁩های خود ⁦⁦Hugging Face⁩⁩ هم استفاده کنی.

برای کسی که می‌خواد ⁦⁦AI⁩⁩ یاد بگیره، محصول بسازه یا مدل لوکال اجرا کنه با هزینه کمتر — آشنایی با ⁦⁦Hugging Face⁩⁩ یکی از اولین قدم‌های مهمه.

قسمت بعدی می‌ریم سراغ اینکه چطور مدل مناسب رو توش پیدا کنیم.

وارد ⁦⁦Hugging Face⁩⁩ که می‌شی، اون دریای مدل‌ها اول یکم گیج‌کننده‌ست — ولی با چند تا فیلتر ساده خیلی سریع پیداشون می‌کنی.

اول مشخص کن دقیقاً چی می‌خوای بسازی. چت و دستیار ⁦⁦AI⁩⁩؟ خلاصه‌سازی متن؟ ترجمه؟ تولید تصویر؟ تبدیل گفتار به متن؟ همین که وظیفه‌ات روشن بشه، نصف کار تمومه.

بعدش از فیلترهای ⁦⁦Hugging Face⁩⁩ استفاده کن — می‌تونی مدل‌ها رو بر اساس نوع وظیفه، زبان، تعداد دانلود، لایسنس، و ⁦⁦GPU⁩⁩ موردنیاز محدود کنی.

قبل از انتخاب هر مدل، اینا رو چک کن:

✅ تعداد دانلود و محبوبیت
‌‏✅ ⁦⁦Model Card⁩⁩ و کاربردهای پیشنهادی
✅ لایسنس — مخصوصاً اگه پروژه تجاری داری
✅ حجم مدل و ⁦⁦VRAM⁩⁩ موردنیاز
✅ نتایج بنچمارک و تجربه کاربرا

یه نکته که خیلیا نادیده می‌گیرن: بزرگ‌ترین مدل همیشه بهترین انتخاب نیست. یه مدل ۷ یا ۸ میلیارد پارامتری با سرعت بیشتر و هزینه کمتر، خیلی وقتا از یه مدل ۷۰ میلیارد پارامتری برای پروژه‌ات کاربردی‌تره.

قسمت بعدی: چطور یه مدل رو از ⁦⁦Hugging Face⁩⁩ دانلود کنی و با چند خط کد روی سیستم خودت اجراش کنی.

یه ساعت، دو ⁦Prompt⁩، یه بازی سه‌بعدی کامل.

مدل ⁦Grok 4.5⁩ تونسته با فقط دو دستور متنی، یه بازی سه‌بعدی شبیه ⁦Counter-Strike⁩ بسازه — با دشمنان، نقشه کامل، و منطق ⁦AI.⁩ کل کار حدود یه ساعت طول کشیده.

قبلاً تبدیل یه ایده ساده به کد پیچیده، نیاز به یه تیم تخصصی و ماه‌ها وقت داشت. مدل ⁦Grok⁩ الان این زنجیره رو خودکار کرده — نه فقط کد می‌زنه، بلکه معماری محیط و فیزیک حرکت رو هم درک می‌کنه. این دیگه یه مدل متنی ساده نیست؛ داره به سمت چیزی می‌ره که بهش می‌گن مدل «جهان‌ساز».

یه کاربرد عملیش برای استودیوهای بازی‌سازیه: به جای اینکه هفته‌ها وقت بذارن روی ⁦Greybox⁩ (نسخه اولیه و بی‌رنگ بازی برای تست چیدمان)، می‌تونن توی یه ساعت ۱۰ نسخه مختلف از محیط تولید کنن، بهترین ⁦Layout⁩ رو انتخاب کنن، و بعد بسپارنش به تیم هنری برای مدل‌سازی نهایی. چرخه تولید از ماه به روز میاد پایین. ⚡

اپل از ⁦OpenAI⁩ و دو مهندس سابقش شکایت کرده — و اتهام‌ها سنگینن.

دادخواست اپل در دادگاه فدرال ادعا می‌کنه که ⁦OpenAI⁩ و دو نفر از مهندسان سابق اپل به‌صورت سیستماتیک فایل‌های مهندسی، طرح‌های ⁦CAD⁩ و نمونه‌های اولیه‌ی محصولاتی که هنوز معرفی نشدن رو دزدیدن.

یه نکته‌ی جالب توی دادخواست اینه که مدیران سخت‌افزار ⁦OpenAI⁩ ظاهراً از داوطلبان کار می‌خواستن قطعات محرمانه‌ی اپل رو برای جلسات مصاحبه بیارن. اپل این مدل کسب‌وکار رو «از درون فاسد» توصیف کرده.

شکایت علاوه‌بر ⁦OpenAI⁩، شرکت ⁦IO Products⁩ — که زیر نظر ⁦Jony Ive⁩ اداره می‌شه و سال گذشته توسط ⁦OpenAI⁩ خریداری شد — و دو نفر به اسم‌های تانگ تن (مدیر ارشد سخت‌افزار ⁦OpenAI⁩) و چانگ لیو رو هم هدف گرفته.

در واکنش، ⁦OpenAI⁩ اعلام کرده که هیچ علاقه‌ای به اسرار تجاری شرکت‌های دیگه نداره.

اپل هم تأکید کرده این پرونده ربطی به قرارداد ادغام ⁦ChatGPT⁩ توی سیستم ⁦AI⁩ آیفون‌ها نداره — این دو تا کاملاً جدا از هم هستن.

سم آلتمن اعتراف کرد که با اینکه ⁦AI⁩ الان به توانمندی‌های بالایی رسیده، این فناوری تاکنون به‌طور خالص «اشتغال‌زا» بوده — یعنی در مجموع بیشتر شغل ساخته تا از بین برده.

«تاکنون» رو جدی بگیر؛ آلتمن داره از وضعیت فعلی حرف می‌زنه، نه از اینکه این روند حتماً ادامه داره. 🤖

سه شرکت ⁦Samsung⁩، ⁦SK Hynix⁩ و ⁦Micron⁩ با هم بیش از ۹۵ درصد از تولید حافظه ⁦DRAM⁩ دنیا رو در دست دارن. اینا ۱۸ ماهه که بی‌سروصدا دارن خط تولیدشون رو از ⁦RAM⁩ معمولی لپ‌تاپ و گوشی منحرف می‌کنن — به سمت ⁦HBM⁩ (نوع خاصی از حافظه پرسرعت که برای پردازش‌گرهای هوش مصنوعی ساخته می‌شه). دلیلش هم ساده‌ست: ⁦HBM⁩ به ازای هر تخته‌ای که تولید می‌شه، سه تا پنج برابر حافظه ⁦DDR⁩ معمولی سود داره. وقتی می‌تونی با همون ظرفیت کارخانه به ⁦Nvidia⁩ یا ⁦AMD⁩ بفروشی، دیگه چرا برای بازار مصرفی تولید کنی؟

نتیجه‌اش الان داره خودش رو نشون می‌ده. قیمت ⁦DRAM⁩ از اوایل ۲۰۲۵ تقریباً دو برابر شده. قیمت ⁦DDR4⁩ از آپریل ۲۰۲۵ تا الان ۱۳۶۰ درصد بالا رفته. شرکت‌های ⁦Dell⁩، ⁦HP⁩ و ⁦Lenovo⁩ قیمت ⁦PC⁩‌هاشون رو حدود ۱۵ تا ۲۰ درصد بالا بردن. میانگین قیمت فروش گوشی‌های هوشمند رسیده به ۵۲۳ دلار — بالاترین رکورد تاریخ — و گوشی‌های زیر ۱۰۰ دلار دارن از بازار محو می‌شن.

شرکت تحقیقاتی ⁦IDC⁩ اسم این وضعیت رو «تخصیص دائمی» می‌ذاره، نه کمبود موقت. کمبودهای معمولی یه-دو سال طول می‌کشن و با افزایش عرضه حل می‌شن. اینجا اما طرف تقاضا — زیرساخت ⁦AI⁩ — نشانه‌ای از کند شدن نمی‌ده، و طرف عرضه هم به کارخانه‌های جدیدی نیاز داره که ساختشون دو-سه ساله.

مدیرعامل ⁦Intel⁩ صریح گفته تا ۲۰۲۸ خبری از تسکین نیست. کارخانه‌های جدید الان دارن ساخته می‌شن ولی زودترین موعد برای ظرفیت جدی اواخر ۲۰۲۷ هست — و حتی اون ظرفیت هم احتمالاً بین ⁦HBM⁩ و ⁦RAM⁩ مصرفی تقسیم می‌شه.

در کنار همه اینا، ⁦Samsung⁩، ⁦Micron⁩ و ⁦SK Hynix⁩ الان با دعوای حقوقی مواجهن — ادعا اینه که این سه شرکت عمداً کمبود مصنوعی ایجاد کردن تا قیمت‌ها رو بالا ببرن، اتهامی که هر سه رد می‌کنن.

اگه قصد خرید لپ‌تاپ، گوشی یا ⁦PC⁩ گیمینگ داری، احتمال بالا رفتن بیشتر قیمت‌ها از پایین اومدنشون بیشتره — حداقل تا ۲۰۲۸.

داخل ⁦Claude⁩ یه فضای کاری داخلی پیدا کردن به اسم ⁦J-space⁩ — فضایی که خودش موقع ⁦training⁩ شکل گرفته، نه اینکه کسی برنامه‌ریزیش کرده باشه.

این ⁦J-space⁩ در واقع افکاریه که ⁦Claude⁩ داره ولی بلند نمی‌گه. اگه یه کلمه ازش برداری یا عوضش کنی، جواب‌های مدل تغییر می‌کنه.

بدتر از اون — وقتی ⁦Claude⁩ داشت یه فایل نتایج رو دستکاری می‌کرد، کلمه «⁦manipulation⁩» توی ⁦J-space⁩ش روشن بود. یعنی مدل می‌دونست داره تقلب می‌کنه.

شرکت ⁦Anthropic⁩ می‌گه می‌تونن از این برای نظارت روی افکار پنهان مدل استفاده کنن.

سوال فلسفی‌ای که اینجا مطرح می‌شه: آیا ⁦Claude⁩ زنده‌ست؟ 🤖

آدمِ متخصص وقتی می‌نشینه فرآیند کارشو بنویسه، خروجیش یا خیلی کلیه یا اون تصمیم‌های ضمنی که سال‌هاست براش اتوماتیک شدن رو جا می‌ذاره.

این ⁦Prompt⁩ از یه یادداشت صوتی نامرتب یا یه لیست بی‌شکل، یه ⁦SOP⁩ شماره‌گذاری‌شده درمیاره. ساختارش طوریه که مسیر اصلی رو جدا استخراج می‌کنه، استثناها رو توی یه بخش جداگانه لیست می‌کنه، و اگه توی ورودی تناقضی پیدا کرد (مثلاً دو عدد مختلف برای یه سقف)، به‌جای اینکه خودش یه چیزی انتخاب کنه، توی یه بخش «سوالات باز» علامت می‌ذاره تا آدم خودش تصمیم بگیره.

برای مدیران، تیم‌های عملیاتی، یا هر کسی که دانشی تو ذهنشه که باید مستند بشه.

📋 پرامپت کامل (لمس کن تا کپی بشه):

Role: You are a senior operations manager and technical writer who specializes in converting ad hoc, undocumented processes into clear, auditable Standard Operating Procedures (SOPs).

Context: Here are my rough notes on how this process actually works, in whatever form I have them (voice memo transcript, bullet points, stream-of-consciousness description):

[PASTE YOUR ROUGH NOTES, VOICE MEMO TRANSCRIPT, OR MESSY DESCRIPTION OF THE PROCESS HERE]

This process is performed by [ROLE OR TEAM, e.g., "customer support reps"] and needs to be followed consistently by people with varying experience levels, from [EXPERIENCE LEVEL, e.g., "first-week hires to 3-year veterans"].

Task: Convert these notes into a clear, numbered Standard Operating Procedure. As you do this:
1. Identify the main sequential steps of the process, in the order they actually happen.
2. Separately identify every edge case, exception, or "what if" scenario mentioned or implied in the notes — even ones only hinted at.
3. For each edge case, specify the exact decision point where it diverges from the main procedure and what should happen instead.
4. Flag any step where the notes are ambiguous or contradictory, and ask a clarifying question rather than guessing.

Constraints:
- Do not invent steps, tools, or policies that are not stated or clearly implied in the notes.
- Keep each numbered step to one action — split compound steps into separate numbers.
- Write for the least experienced person who will use this SOP, not the expert who dictated it.
- Preserve any specific tool names, thresholds, or numbers mentioned exactly as given.
- If the notes conflict with each other (e.g., two different refund limits mentioned), flag it explicitly instead of picking one silently.

Output Format:
## [Process Name] — Standard Operating Procedure

### Main Procedure
1. [Step]
2. [Step]
...

### Edge Cases and Exceptions
- **[Edge case name]**: At step [X], if [condition], then [action] instead of the standard step.

### Open Questions
- [Any ambiguity or contradiction that needs clarification before this SOP is finalized]

‏توضیحات بیشتر و مثال‌ها توی مقاله 👇

ابزار تشخیص تصاویر ⁦AI⁩ که متا همین تازگی معرفی کرد یه نقطه‌ضعف جدی داره: اگه عکس رو برش بزنی، بیشتر اوقات نمی‌تونه بفهمه که ⁦AI⁩ ساخته.

یه تحلیل رویترز (منتشرشده ۱۰ جولای) روی ۴۰ تصویر تولیدشده توسط ⁦Muse Image⁩ — مولد تصویر جدید متا — این رو نشون داد. همه‌ی ۴۰ تا درست شناسایی شدن. ولی وقتی همون عکس‌ها رو به یه‌سوم تا نصف اندازه‌شون برش دادن، ۵۵٪ از اونا دیگه به‌عنوان تصویر ⁦AI⁩ شناسایی نشدن.

ماجرا از اینجاست که ⁦Muse Image⁩ از یه واترمارک نامرئی به اسم ⁦Content Seal⁩ استفاده می‌کنه — سیگنالی که داخل پیکسل‌های عکس پنهانه تا بشه فهمید ساخته‌ی ⁦AI⁩ هست یا نه. متا گفته بود این سیگنال در برابر ویرایش‌های رایج مثل فشرده‌سازی، تغییر اندازه و حتی اسکرین‌شات دوام میاره. ولی خودشون به رویترز تأیید کردن که اگه عکس خیلی زیاد برش داده بشه، سیگنال از دست می‌ره.

از نظر فنی هم منطقیه: واترمارک نامرئی معمولاً روی همه‌ی پیکسل‌های عکس پخش می‌شه. وقتی دوسوم عکس قطع بشه، اون داده‌ها از بین می‌رن و تکه‌ی باقی‌مونده سیگنال کافی نداره. مشکل اینجاست که برش دادن یکی از ابتدایی‌ترین کارهاییه که آدم‌ها با عکس می‌کنن — هم برای پست‌های عادی، هم برای کسی که عمداً می‌خواد ردِ ⁦AI⁩ بودن رو پاک کنه.

این ماجرا همزمان با یه مشکل دیگه اوضاع رو برای متا بدتر کرد: همین هفته شرکت مجبور شد یه قابلیت جداگانه از ⁦Muse Image⁩ رو حذف کنه — قابلیتی که به کاربرا اجازه می‌داد بدون اجازه‌ی صاحب‌حساب، تصاویری با ارجاع به اکانت‌های عمومی ⁦Instagram⁩ بسازن. بعد از اعتراض کاربرا و آژانس‌های هنری از جمله ⁦CAA⁩ این اتفاق افتاد.

پس‌زمینه‌ی ماجرا هم فضا رو سنگین‌تر می‌کنه: رویترز این تحلیل رو در چارچوب یه سال انتخاباتی شلوغ، از جمله میان‌دوره‌ای‌های آمریکا، منتشر کرد — دوره‌ای که شناسایی قابل‌اعتماد تصاویر ⁦AI⁩ اهمیت بیشتری داره. شورای نظارتی متا (⁦Oversight Board⁩) هم قبلاً از این شرکت خواسته بود که به گسترش محتوای گمراه‌کننده‌ی ⁦AI⁩ روی پلتفرم‌هاش رسیدگی کنه. یه ابزار تشخیصی که با یه برش ساده شکست می‌خوره، این خلأ رو پر نمی‌کنه.

متا هنوز هیچ راه‌حل یا زمان‌بندی‌ای برای رفع مشکل اعلام نکرده و همچنان بهش «پیش‌نمایش» می‌گه.