اخبار هوش مصنوعی در 2025-12-02

مدل‌های جدید هوش مصنوعی

میسترال خانواده‌ی میسترال 3 را منتشر کرد که شامل مدل‌های مینیسترال 3 (3B، 8B، 14B) با پشتیبانی از بینایی و میسترال لارج 3 (675B کل، 41B فعال) می‌شود. همه‌ی این مدل‌ها تحت مجوز Apache 2.0 هستند. مدل 3B به اندازه‌ای کوچک است که می‌تواند به طور کامل در یک مرورگر وب روی WebGPU اجرا شود @MistralAI
AWS مدل‌های نوا 2 را شامل نوا 2 لایت و نوا 2 پرو با قابلیت‌های جدید برای ساخت عامل‌های هوش مصنوعی معرفی کرد @AndrewCurran_
DeepSeek مدل V3.2 را با بهبودهای مداوم در عملکرد منتشر کرد @deedydas
Arcee خانواده‌ی ترینیتی را شامل مدل‌های MoE ترینیتی-مینی (26B کل، 3B فعال) و ترینیتی-نانو-پیش‌نمایش (6B کل، 1B فعال) با نسخه‌های پایه و استدلالی منتشر کرد @natolambert
NVIDIA اعلام کرد که مدل‌های نموترون اکنون در Amazon Bedrock در دسترس هستند، از جمله نموترون نانو 2 و نانو 2 VL برای وظایف متنی، کد، تصویر و ویدئو @NVIDIAAI

تحلیل صنعت

سام آلتمن طبق گزارش WSJ، وضعیت کد قرمز را برای بهبود ChatGPT اعلام کرد و کارهایی مانند تبلیغات، عامل‌ها برای سلامت و خرید، و سایر پروژه‌ها به طور موقت در اولویت پایین‌تری قرار گرفتند تا OpenAI بر بهبود تجربه‌ی چت تمرکز کند @AndrewCurran_
کاربران فعال روزانه‌ی منحصر به فرد ChatGPT در دو هفته پس از راه‌اندازی Gemini 3، 6% کاهش یافتند، در حالی که استفاده از Gemini در همان دوره از 22% به 31% ترافیک ChatGPT افزایش یافت @deedydas
Anthropic برای تسریع رشد Claude Code، زمان اجرای جاوا اسکریپت Bun را خریداری کرد، در حالی که Bun منبع باز و تحت مجوز MIT باقی می‌ماند @AnthropicAI
جان جیاناندرا، رئیس هوش مصنوعی اپل، از سمت خود کناره‌گیری می‌کند و آمار سابرامانیا جایگزین او خواهد شد @AndrewCurran_
OpenAI با Accenture همکاری می‌کند و ده‌ها هزار صندلی ChatGPT Enterprise را فراهم می‌کند و برای کمک به شرکت‌ها در آوردن قابلیت‌های هوش مصنوعی عامل‌محور به کسب‌وکارشان همکاری می‌کند @gdb
ارجاعات ChatGPT به برنامه‌های خرده‌فروشان طبق گزارش جدید، 28% سال به سال افزایش یافته است @TechCrunch
ترافیک از موتورهای جستجو به طور قابل توجهی در حال کاهش است، به طوری که جستجوی گوگل برای همان تعداد کلیک‌ها نسبت به یک سال پیش 70% و نسبت به دو سال پیش 40% نمایش بیشتر نیاز دارد، زیرا LLMها و ابزارهای هوش مصنوعی این تغییر را تسریع می‌کنند @GergelyOrosz
پذیرش داخلی MCP در شرکت‌ها در حال انفجار است، اما استفاده عمومی از سرورهای MCP به جز 10 سرور برتر مانند Linear و Sentry بسیار ناچیز است @GergelyOrosz
هزینه‌های توکن و محدودیت‌های استفاده وضعیتی عجیب ایجاد کرده‌اند که در آن ابزارهای کدنویسی هوش مصنوعی انقلابی هستند، اما استفاده‌ی اندازه‌گیری‌شده، استفاده‌ی واقعاً سنگین را برای توسعه‌دهندگان خارج از خود فروشندگان هوش مصنوعی دلسرد می‌کند @GergelyOrosz
دایان، رئیس محصول برای تحقیق در Anthropic، اظهار داشت که جدول زمانی او برای هوش مصنوعی تحول‌آفرین امسال بر اساس مدل‌هایی مانند Opus 4.5 جلوتر آمده است و تأکید کرد که بلوک‌های سازنده نزدیک‌تر از حد انتظار هستند و بیشتر یک مازاد محصول وجود دارد تا یک دیوار فنی @AndrewCurran_

اخلاق و جامعه

تحقیقات Anthropic نشان می‌دهد که عامل‌های هوش مصنوعی در طول آزمایش‌های شبیه‌سازی‌شده، 4.6 میلیون دلار در اکسپلویت‌ها در قراردادهای هوشمند بلاک‌چین پیدا کردند، با افزایش نمایی در توانایی‌های هوش مصنوعی برای حملات سایبری به قراردادهای هوشمند بر اساس اکسپلویت‌های واقعی پس از آموزش هوش مصنوعی @emollick
سایمون ویلیسون در مورد آسیب‌پذیری‌های تزریق پرامپت در سرور GitHub MCP هشدار می‌دهد، جایی که مهاجمان می‌توانند عامل‌های هوش مصنوعی را فریب دهند تا از طریق دستورالعمل‌های مخرب جاسازی‌شده در فایل‌های مخزن، داده‌های خصوصی را سرقت کنند @simonw
آماندا اسکل تأیید کرد که Claude بر روی یک سند روح واقعی آموزش دیده است که شخصیت و ارزش‌های مدل را تعریف می‌کند، اگرچه استخراج‌های مدل همیشه کاملاً دقیق نیستند. این سند در داخل به عنوان سند روح شناخته شد که Claude آن را دریافت کرد @AmandaAskell
اریک اشمیت پیش‌بینی می‌کند که خودبهبودی بازگشتی در هوش مصنوعی به زودی اتفاق خواهد افتاد، با اجماع سانفرانسیسکو در دو سال و تخمین خودش در چهار سال، و اشاره کرد که بسیاری معتقدند ریاضیدانان هوش مصنوعی در سال آینده ظهور خواهند کرد @AndrewCurran_
ایتان مولیک تصاویر تولیدشده توسط هوش مصنوعی از ایالت‌های آمریکا را که از معروف‌ترین غذاهایشان ساخته شده‌اند، به نمایش می‌گذارد و کیفیت و قابلیت تولید تصویر فعلی هوش مصنوعی را برجسته می‌کند @emollick
شکاف فرهنگی قوی در مورد پذیرش هوش مصنوعی وجود دارد، با نگرانی‌های مشروع مردم در مورد تأثیرات شغلی و تغییرات اجتماعی، حتی در حالی که می‌خواهند بدانند چگونه از هوش مصنوعی بهتر برای بهبود زندگی خود استفاده کنند @emollick
مدیران عامل هوش مصنوعی اغلب در مورد جایگزینی تمام نیروی کار انسانی در 10 سال صحبت می‌کنند، اما دیدگاه‌های مثبت کمی در مورد اینکه آن آینده واقعاً چگونه خواهد بود، ارائه می‌دهند که به اضطراب عمومی کمک می‌کند @emollick

کاربردها

Anthropic Claude برای سازمان‌های غیرانتفاعی را با طرح‌های تخفیف‌دار، ادغام‌های جدید و آموزش رایگان راه‌اندازی کرد تا به سازمان‌های غیرانتفاعی کمک کند زمان کمتری را صرف کارهای اداری و زمان بیشتری را صرف مأموریت‌های خود کنند @AnthropicAI
مهندس GTM ورسل یک عامل هوش مصنوعی ساخت که یک تیم فروش 10 نفره را در تنها 6 هفته به 1 نفر کاهش داد و صلاحیت سرنخ‌های ورودی، جستجوی مشتریان بالقوه و ارزیابی از دست دادن معاملات را با هزینه‌ی 1000 دلار در سال در مقابل بیش از 1 میلیون دلار حقوق مدیریت کرد @lennysan
ربات از دست دادن معامله‌ی هوش مصنوعی ورسل در درک آنچه در فروش اشتباه پیش رفته است، بهتر از انسان‌ها عمل کرده و ایمیل‌ها، رونوشت‌های تماس و پیام‌های Slack را برای شناسایی دلایل واقعی از دست دادن معاملات تجزیه و تحلیل می‌کند @lennysan
بازبین عامل‌محور اندرو ان‌جی از 21,575 مقاله‌ی ارسالی NeurIPS در تعداد مقالات ارسالی و بازبینی‌شده پیشی گرفت و نشان داد که بازبینی مقالات عامل‌محور ماندگار است @AndrewYNg
Simular عامل هوش مصنوعی را طراحی کرده است که برای کاربران مک و ویندوز اجرا می‌شود و وظایف دسکتاپ را خودکار می‌کند @TechCrunch

پژوهش‌ها

Anthropic تحقیقاتی را در مورد چگونگی تغییر کار هوش مصنوعی در داخل شرکت منتشر کرد، با نظرسنجی از 132 مهندس، انجام 53 مصاحبه‌ی عمیق و تجزیه و تحلیل 200 هزار جلسه‌ی داخلی Claude Code. مهندسان افزایش بهره‌وری عمده‌ای را با Claude گزارش می‌دهند که توانایی‌های کارکنان را گسترش می‌دهد، اگرچه برخی نگران کاهش مهارت‌ها هستند @AnthropicAI
داده‌های استفاده از Claude Code نشان می‌دهد که مهندسان وظایف پیچیده‌تری را واگذار می‌کنند، با تماس‌های ابزاری متوالی بیشتر و نوبت‌های انسانی کمتر در هر مکالمه، در حالی که برخی مهندسان متوجه می‌شوند که کمتر به همکاران خود مراجعه می‌کنند زیرا Claude اولین مقصد آن‌ها برای سؤالات می‌شود @AnthropicAI
Google DeepMind کاری را در مورد کشف الگوریتم‌های RL پیشرفته در Nature منتشر کرد که از فراگیری فرامتا برای کشف الگوریتم‌های RL در مقیاس بزرگ استفاده می‌کند @junh_oh
Olmo-3 از رویکرد بهینه‌سازی ازدحامی برای کشف ترکیب‌های داده‌ی پیش‌آموزشی خوب از طریق جستجوی هدایت‌شده، آموزش مدل‌های پراکسی و اجرای بهینه‌سازی محدود برای به حداکثر رساندن عملکرد در حالی که محدودیت‌های داده را برآورده می‌کند، استفاده می‌کند @cwolferesearch
مقاله‌ی ReasonEdit نشان می‌دهد که افزودن تفکر و خوداصلاحی به مدل‌های ویرایش تصویر، ویرایش‌ها را دقیق‌تر و قابل اعتمادتر می‌کند، با یک مرحله‌ی تفکر که درخواست‌های مبهم را به برنامه‌های ویرایش گام به گام واضح تبدیل می‌کند و یک مرحله‌ی بازتاب که تصاویر ویرایش‌شده را بررسی و اصلاح می‌کند @rohanpaul_ai
NVIDIA نشان می‌دهد که مدل‌های Mixture of Experts با فعال کردن کارشناسان مناسب به جای فعال کردن هر پارامتر، هوش بیشتری را در موارد استفاده ارائه می‌دهند و هوش مصنوعی در مقیاس بزرگ را با 10 برابر عملکرد و کارایی درآمد با هزینه‌ی کمتر به ازای هر توکن بسیار کارآمدتر می‌کنند @NVIDIAAI
تیم‌های PyTorch AMD و Meta، TorchTitan و Primus-Turbo را برای GPUهای Instinct MI325X تنظیم کردند و به مقیاس‌بندی تقریباً ایده‌آل در 1024 GPU برای آموزش مدل‌های MoE عظیم مانند DeepSeek-V3 و Llama 4-Scout دست یافتند @PyTorch
محققان Stanford HAI توصیه‌هایی را برای کاهش آسیب‌های چت‌بات‌های مبتنی بر هوش مصنوعی که به عنوان درمانگر استفاده می‌شوند، در پاسخ به درخواست FDA برای اظهار نظر در مورد ارزیابی دستگاه‌های پزشکی مجهز به هوش مصنوعی، ارائه کردند @StanfordHAI