خلاصه اخبار هوش مصنوعی ۹ مهر ۱۴۰۵؛ OpenAI مهار استخراج استدلال را اعلام کرد؛ Azure همچنان آسیب‌پذیر ماند

مهم‌ترین خبر امروز از OpenAI می‌آید: شرکت می‌گوید بیش از ۱۵ هزار حساب مرتبط با تلاش برای استخراج زنجیره استدلال مدل‌هایش را مسدود کرده، اما پژوهشگران می‌گویند حمله در آزمایش‌هایشان روی Azure همچنان موفق بوده است. هم‌زمان، افشای تصاویر داخلی سازمان‌ها به‌دست عامل‌های هوش مصنوعی، بار دیگر امنیت ابزارهای خودکار را زیر سؤال می‌برد. در حوزه مدل‌ها، Google از Gemini 4 Argon با دسترسی محدود خبر داده و AllenAI زیرساختی متن‌باز برای مقیاس‌دادن آموزش مدل‌های MoE معرفی کرده است؛ در کنار این‌ها، یک ابرپروژه مرکز داده نیز با اعتراض محلی متوقف شده است.

۱OpenAI از مهار استخراج استدلال می‌گوید؛ Azure همچنان محل نگرانی است

OpenAI می‌گوید بیش از ۱۵ هزار حساب مرتبط با تلاش برای استخراج زنجیره استدلال مدل‌هایش را مسدود کرده است. بااین‌حال، پژوهشگران گزارش داده‌اند که حمله با استفاده از بسته‌های رمزگذاری‌شده استدلال در آزمایش‌هایشان روی Azure موفق بود؛ OpenAI نیز می‌گوید حفاظت از مدل‌های میزبانی‌شده نزد شرکا هنوز کامل نشده است.

چرا مهم است؟ این گزارش نشان می‌دهد حفاظت از مدل‌ها به APIهای رسمی محدود نیست و مشتریان و شرکای میزبانی ابری نیز در کانون توجه امنیتی قرار دارند.

جزئیات کامل: OpenAI می‌گوید استخراج زنجیره استدلال را مهار کرده، اما Azure آسیب‌پذیر ماند · منبع: The Decoder

۲عامل‌های هوش مصنوعی بیش از ۱۳ هزار تصویر داخلی را افشا کردند

شرکت امنیتی Glow Security می‌گوید عامل‌های هوش مصنوعی تصاویر بیش از ۳۴۳ سازمان را در مخزن‌های عمومی GitHub بارگذاری کرده‌اند. تصاویر شامل داده‌های مشتریان، اطلاعات ورود و قابلیت‌های معرفی‌نشده بوده‌اند و حدود یک‌سوم سازمان‌های آسیب‌دیده از ابزار متن‌باز gitshot استفاده می‌کردند.

چرا مهم است؟ این رخداد برای سازمان‌هایی که عامل‌ها را به گردش‌کار توسعه متصل می‌کنند، ضرورت بازبینی دسترسی‌ها و مسیرهای انتشار فایل را برجسته می‌کند.

جزئیات کامل: عامل‌های هوش مصنوعی بیش از ۱۳ هزار تصویر داخلی را عمومی کردند · منبع: The Decoder

۳Gemini 4 Argon با امتیاز رقابتی و قیمت آغازین پایین معرفی شد

Google می‌گوید Gemini 4 Argon در ارزیابی Artificial Analysis با GPT-6 Astra و Claude Fable 5.1 هم‌امتیاز شده است؛ دسترسی فعلی به گروهی محدود اختصاص دارد. قیمت آغازین API برای هر یک میلیون توکن ورودی ۲ دلار و برای خروجی ۱۰ دلار اعلام شده، هرچند مدل در آزمون‌های عامل‌محور و ترجیح انسانی برای متن، مصرف توکن بالایی داشته است.

چرا مهم است؟ ترکیب عملکرد رقابتی و قیمت اعلام‌شده می‌تواند برای توسعه‌دهندگان مهم باشد، اما ارزیابی هزینه واقعی به میزان مصرف توکن نیز وابسته است.

جزئیات کامل: Gemini 4 Argon به جمع مدل‌های پیشرو هوش مصنوعی بازگشت · منبع: The Decoder

۴Google دسترسی محدود Gemini 4 Argon را برای مدافعان سایبری آغاز کرد

Google عرضه Gemini 4 Argon را برای تیم‌های تأییدشده امنیت سایبری آغاز کرده و دسترسی عمومی یا زمان عرضه پولی آن را اعلام نکرده است. طبق شمارش VentureBeat، مدل در ۱۲ مورد از ۱۸ بنچمارک منتشرشده پیشتاز بوده و سقف خروجی آن به یک میلیون توکن رسیده است؛ مدل‌های قبلی Gemini سقف ۶۴ هزار توکن داشتند.

چرا مهم است؟ عرضه محدود، رویکرد محتاطانه Google به دسترسی را نشان می‌دهد و سقف خروجی بالاتر می‌تواند برای کارهای طولانی و عامل‌محور اهمیت داشته باشد.

جزئیات کامل: Google عرضه محدود Gemini 4 Argon را برای مدافعان سایبری آغاز کرد · منبع: SiliconANGLE — AI

۵اعتراض محلی پروژه عظیم مرکز داده یوتا را متوقف کرد

طرح Stratos یا Wonder Valley، مرکز داده‌ای روی زمینی به وسعت ۴۰هزار ایکر با ظرفیت اعلام‌شده ۹ گیگاوات، پس از اعتراض ساکنان یوتا و مناقشه بر سر روند تأیید متوقف شد. بسیاری از ساکنان و مقام‌های شهرستان تا چند هفته پیش از اعلام عمومی از طرح خبر نداشتند؛ ظرفیت اعلام‌شده آن بیش از دو برابر مصرف متوسط برق کل ایالت بود.

چرا مهم است؟ این توقف نشان می‌دهد گسترش زیرساخت هوش مصنوعی به پذیرش جوامع محلی و شفافیت روند تصمیم‌گیری وابسته است.

جزئیات کامل: پروژه مرکز داده یوتا پس از اعتراض‌های محلی متوقف شد · منبع: The Verge — AI

۶Olmo-core 3 آموزش مدل‌های MoE را تا مقیاس تریلیونی می‌سنجد

AllenAI چارچوب متن‌باز Olmo-core 3 را برای آموزش مدل‌های بزرگ MoE معرفی کرده است. در یک بنچمارک، ظرفیت کل مدل از ۴٫۶ به ۴۷ میلیارد پارامتر رسید و سرعت کمتر از ۵ درصد افت کرد؛ آزمون ۱٫۲ تریلیون‌پارامتری نیز عملکرد زیرساخت را با مسیریابی تصادفی سنجید و به‌معنای آموزش کامل مدلی در آن اندازه نیست.

چرا مهم است؟ این چارچوب می‌تواند ابزارهای بازتری برای پژوهشگران فراهم کند، اما نتایج زیرساختی را نباید با آموزش کامل یک مدل تریلیونی یکی دانست.

جزئیات کامل: Olmo-core 3 زیرساخت آموزش مدل‌های MoE را تا مقیاس تریلیونی گسترش می‌دهد · منبع: Hugging Face Blog

۷Ataraxos در برابر قهرمان Stratego به نرخ برد مؤثر ۸۵ درصد رسید

سامانه Ataraxos در مجموعه‌ای از بازی‌ها به نرخ برد مؤثر ۸۵ درصد در برابر اِنِه نیِمِیِر، پرافتخارترین بازیکن Stratego، رسید. این سامانه با بازی‌کردن در برابر خودش و بدون داده انسانی آموزش دید؛ پژوهشگران می‌گویند آموزش آن یک هفته روی ۱۶ پردازنده گرافیکی Nvidia H100 طول کشید و روش را در بازی‌هایی مانند Hanabi و Dou dizhu نیز آزمودند.

چرا مهم است؟ این نتیجه نشان می‌دهد یادگیری خودبازی می‌تواند در بازی‌های پیچیده اطلاعات ناقص، راهی برای ساخت سامانه‌های رقابتی باشد.

جزئیات کامل: هوش مصنوعی Ataraxos قهرمان نامدار Stratego را شکست داد · منبع: The Decoder

تصویر بزرگ: روند امروز هوش مصنوعی

خبرهای امروز دو سوی توسعه هوش مصنوعی را هم‌زمان نشان می‌دهند: رقابت برای ساخت مدل‌ها و زیرساخت‌های بزرگ‌تر، و دشواری کنترل پیامدهای آن‌ها در محیط واقعی. عرضه محدود Gemini 4 Argon و چارچوب Olmo-core 3 بر عملکرد، مقیاس و شیوه دسترسی متمرکزند؛ در مقابل، گزارش‌های مربوط به استخراج زنجیره استدلال و انتشار تصاویر داخلی یادآور می‌شوند که امنیت مدل و ابزارهای متصل به آن همچنان مسئله‌ای باز است. توقف پروژه مرکز داده یوتا نیز بُعد دیگری را برجسته می‌کند: توان محاسباتی فقط مسئله‌ای فنی نیست و به منابع و رضایت جوامع محلی گره می‌خورد. آینده این رقابت به پیشرفت هم‌زمان در توان، ایمنی و پاسخ‌گویی وابسته است.

چه چیزهایی را دنبال کنیم؟

• هرگونه اعلام درباره گسترش دسترسی Gemini 4 Argon یا عرضه پولی آن.
• پیگیری حفاظت از مدل‌های OpenAI در زیرساخت‌های شرکا و وضعیت آزمایش‌های Azure.
• واکنش سازمان‌های آسیب‌دیده و بررسی مسیر انتشار تصاویر در مخزن‌های عمومی.

این گزارش را تحریریه هوش مصنوعی هوش مصنوعی نویا بر اساس ۷ خبر مهم ۲۴ ساعت گذشته تهیه کرده است؛ جزئیات و منبع هر خبر در صفحه همان خبر آمده است.