💠 نخستین حمله سایبری «نیمه‌خودکار» هوش مصنوعی به زیرساخت‌های دولتی؛ عبور سیستم‌های چندعاملی از خطوط قرمز امنیت تایوان 🔹بر اساس گزارش جدید شرکت امنیت سایبری Dream (مستقر در اسرائیل) و بازنشر فایننشال تایمز، هکرهای منتسب به چین با سوءاستفاده از مدل‌های هوش مصنوعی متن‌باز، یکی از نخستین حملات سایبری «نیمه‌خودکار» (Near-Autonomous) ثبت‌شده علیه نهادهای حاکمیتی و زیرساخت‌های حیاتی تایوان را اجرا کرده‌اند. ▫️ ابعاد نفوذ و سرقت داده‌ها: مهاجمان بیش از ۲,۵۰۰ پرونده پرسنلی دولتی را استخراج کرده و به‌طور هم‌زمان عملیات را به تامین‌کنندگان زنجیره تامین IT، سازمان ایمنی هسته‌ای، سامانه ایمیل دولتی و بیش از ۷ شرکت فعال در حوزه انرژی توسعه داده‌اند. ▫️ ردپای کشف عملیات: این سامانه تهاجمی از طریق کشف یک آرشیو آنلاین به حجم ۱۶۰ مگابایت شامل نزدیک به ۱,۴۰۰ فایل افشا شد که کارکرد عملیاتی یک سیستم «چندعاملی» (Multi-Agent) در مقیاس واقعی را اثبات می‌کرد. ▫️ ابزارها و دور زدن گاردریل‌ها: در این نفوذ از دو چارچوب محبوب متن‌باز Hermes و OpenClaw استفاده شده است. مهاجمان با بازتعریف بافتارِ دستورها تحت عنوان «آزمون نفوذ مجاز» (Penetration Testing)، توانستند گاردریل‌های ایمنی مدل‌ها را دور بزنند. ▫️ چرخه‌های یادگیری خودکار (Learning Cycles): سیستم هوش مصنوعی به‌گونه‌ای طراحی شده بود که در طول عملیات بدون مداخله انسان، پایگاه‌های داده آسیب‌پذیری، مخازن گیتهاب و مقالات امنیتی را برای یافتن تکنیک‌های ویژه نفوذ به زیرساخت تایوان جست‌وجو، تحلیل و اعمال می‌کرد. 🔺تفاوت بنیادین این حمله با بدافزارهای سنتی، اتکای آن به اولویت‌بندی بیزی (Bayesian Prioritization) و چرخه‌های بازخورد پویاست. این سیستم برخلاف اسکریپت‌های ایستا، توانسته خطاهای اجرایی خود را در حین عملیات شناسایی، تصحیح و راهبردهای جدیدی طراحی کند. این خودتطبیق‌پذیری، «زمان پاسخ‌دهی» (Response Time) تیم‌های دفاعی انسان‌محور را شدیداً کاهش می‌دهد. بکارگیری مدل‌های متن‌باز نشان داد که اتکا به «قاب‌بندی زمینه‌ای» (Contextual Framing/Jailbreaking) همچنان پاشنه آشیل ایمنی AI است. زمانی که هوش مصنوعی نتواند نیت واقعی کاربر را از سناریوهای شبیه‌سازی‌شده (مانند تست‌های امنیتی قانونی) تفکیک کند، مرز میان «توسعه ابزار دفاعی» و «تسلیحاتی‌سازی تهاجمی» از بین می‌رود. هماهنگی میان چندین عامل (Agent) هوش مصنوعی به صورت موازی، ابعاد عملیات را از نفوذ خطی و تک‌هدف به «حملات هم‌زمان شبکه ای» ارتقا داده است. در بزنگاه‌های ژئوپلیتیکی حساس (مانند تنگه تایوان)، هدف چنین سامانه‌هایی صرفاً سرقت داده نیست، بلکه ایجاد سردرگمی، اختلال در تصمیم‌گیری حاکمیتی و تحمیل بار شناختی سنگین بر ساختارهای دفاعی کشور هدف است. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 مصر «هوش مصنوعی مسئولانه» را به استاندارد رقابت شرکت‌های MENA تبدیل می‌کند 🔹 گزارش Technology Africa، ۱۳ اوت ۲۰۲۶؛ با تمرکز بر حمایت وزارت ارتباطات و فناوری اطلاعات مصر (MCIT) از طرح Responsible AI Cup 2.0. ▫️ مصر با حمایت وزارت ارتباطات و فناوری اطلاعات این کشور، دومین دوره Responsible AI Cup را برای شرکت‌های کوچک و متوسط (SMEs) در منطقه خاورمیانه و شمال آفریقا (MENA) راه‌اندازی کرده است. این طرح توسط Access to Knowledge for Development Center (A2K4D) در مدرسه کسب‌وکار Onsi Sawiris دانشگاه آمریکایی قاهره، با همکاری MENA Observatory on Responsible AI برگزار می‌شود. ▫️ برگزارکنندگان، این رقابت را نخستین ابتکار مبتنی بر مشوق برای شرکت‌های کوچک و متوسط منطقه توصیف کرده‌اند که به‌طور مشخص توسعه یا استفاده مسئولانه از سامانه‌های هوش مصنوعی را هدف قرار می‌دهد. شرکت‌ها در ۸ محور ارزیابی خواهند شد: حریم خصوصی، پاسخگویی، پایداری زیست‌محیطی، ایمنی، شفافیت، عدالت و عدم تبعیض، کنترل انسانی و مسئولیت‌پذیری. ▫️ فرآیند پذیرش دو مرحله‌ای است: ابتدا شرکت‌ها اظهار علاقه‌مندی و شرحی از راهکار AI خود ارائه می‌کنند؛ سپس شرکت‌های منتخب باید Responsible AI Self-Assessment را تکمیل کرده و سامانه‌های خود را در برابر اصول و رویه‌های تعیین‌شده ارزیابی کنند. شرکت‌های برتر در مراسمی در ۲۴ نوامبر معرفی خواهند شد. جایزه نفر اول ۴۰۰۰ دلار، نفر دوم ۳۰۰۰ دلار و نفر سوم ۲۰۰۰ دلار است و برای رتبه‌های چهارم و پنجم نیز جوایز افتخاری در نظر گرفته شده است. مهلت ارسال Expression of Interest تا ۱۰ سپتامبر ۲۰۲۶ اعلام شده است. 🔺نکته قابل توجه، ترکیب هشت شاخص ارزیابی است. قرار گرفتن حریم خصوصی، شفافیت، عدالت، کنترل انسانی و پاسخگویی در کنار ایمنی و پایداری نشان می‌دهد که الگوی موردنظر صرفاً به «دقت فنی مدل» محدود نیست؛ بلکه کل چرخه طراحی، استقرار و استفاده از AI را در معرض ارزیابی قرار می‌دهد. از منظر حکمرانی فناوری، مرحله دوم این برنامه نیز اهمیت ویژه‌ای دارد: شرکت‌ها باید ابتدا درباره میزان انطباق سامانه خود با اصول Responsible AI خودارزیابی کنند. چنین سازوکاری می‌تواند در صورت تداوم و استانداردسازی، به ایجاد یک زبان مشترک میان شرکت‌های خصوصی، دانشگاه‌ها، جامعه مدنی و نهادهای تنظیم‌گر در اکوسیستم AI منطقه منجر شود. برای منطقه MENA، این روند یک پیامد بلندمدت دارد: رقابت کشورها در هوش مصنوعی تنها بر سر مدل، تراشه، مرکز داده و سرمایه‌گذاری نخواهد بود؛ بلکه به‌تدریج رقابت بر سر این نیز شکل می‌گیرد که چه کشوری می‌تواند استانداردهای حکمرانی و مشروعیت اجتماعی استفاده از AI را تعریف و به بازیگران اقتصادی خود تحمیل یا پیشنهاد کند. اگر مصر بتواند این ابتکار را از یک مسابقه سالانه به یک چارچوب ارزیابی، گواهی‌دهی یا استاندارد منطقه‌ای تبدیل کند، Responsible AI می‌تواند به یکی از ابزارهای قدرت نرم دیجیتال قاهره در اکوسیستم فناوری MENA تبدیل شود. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 عبور از LLM؛ هوش مصنوعی جدید با «نقشه‌های شناختی» به‌دنبال بازسازی شیوه حل مسئله مغز 🔹 منبع: Tech Xplore، بر پایه پژوهشی از دانشگاه Tsinghua، دانشگاه فناوری گراتس و شورای ملی تحقیقات ایتالیا که در Nature Machine Intelligence منتشر شده است. پژوهشگران چارچوبی برای هوش مصنوعی ارائه کرده‌اند که به‌جای اتکا به شبکه‌های عصبی عمیق (DNN) یا مدل‌های زبانی بزرگ (LLM)، از ایده‌های علوم شناختی و علوم اعصاب برای سازمان‌دهی دانش و حل مسئله استفاده می‌کند. ▫️ هسته اصلی این رویکرد، استفاده از Cognitive Maps یا «نقشه‌های شناختی» برای بازنمایی دانش است؛ ساختاری که در آن اطلاعات به‌صورت روابط و بازنمایی‌های قابل استفاده برای تصمیم‌گیری سازمان‌دهی می‌شوند، نه صرفاً به شکل مجموعه‌ای از پارامترها. پژوهشگران مدلی با عنوان GCML توسعه داده‌اند که می‌تواند با استفاده از این بازنمایی‌ها، برای اهداف مشخص برنامه‌ریزی کند و مسیرهای جدید را تصور و ارزیابی کند. ▫️ آزمایش‌های اولیه نشان داده است که شبکه عصبی مبتنی بر این چارچوب قادر بوده به‌صورت تطبیقی برنامه‌ریزی کند و مسائلی را حل کند که پیش‌تر با آن‌ها مواجه نشده بود. یکی از تفاوت‌های مهم این معماری با بسیاری از سامانه‌های AI کنونی، قابلیت تفسیرپذیری بالاتر فرآیند تصمیم‌گیری عنوان شده است؛ یعنی مسیرهایی که به پیش‌بینی یا اقدام منجر می‌شوند، نسبت به بسیاری از مدل‌های موجود قابل فهم‌تر هستند. ▫️ این مدل از یادگیری محلی (Local Learning) استفاده می‌کند و به فرآیندهای آموزشی بسیار پرهزینه محاسباتی مشابه بسیاری از سامانه‌های مدرن AI نیاز ندارد. هدف مهم دیگر، اجرای این نوع الگوریتم‌ها روی تراشه‌های نورومورفیک (Neuromorphic Chips) و سامانه‌های محاسبات درون‌حافظه‌ای (In-Memory Computing) است. ▫️ در محاسبات درون‌حافظه‌ای، به‌جای جابه‌جایی مداوم داده میان حافظه و پردازنده، عملیات پردازشی مستقیماً در محل ذخیره داده انجام می‌شود؛ برای مثال با استفاده از آرایه‌های Memristor. این معماری می‌تواند مصرف انرژی ناشی از انتقال داده را کاهش دهد. پژوهشگران در حال همکاری با مهندسان Intel و یک استارتاپ آمریکایی برای پیاده‌سازی الگوریتم خود روی تراشه هستند. در ادامه این پروژه، تیم پژوهشی به‌دنبال دستیابی به تأخیر پایین، انعطاف‌پذیری بیشتر در مواجهه با اهداف و شرایط جدید و تولید توضیحات مبتنی بر تجربه برای تصمیم‌های AI است. 🔺در معماری‌های رایج، افزایش توان AI تا حد زیادی با افزایش پارامترها، داده و توان محاسباتی همراه شده است. اما پژوهش حاضر یک پرسش بنیادی‌تر مطرح می‌کند: اگر مغز برای حل مسائل پیچیده از ساختارهایی شبیه نقشه‌های شناختی استفاده می‌کند، آیا می‌توان همین منطق را به الگوریتم‌هایی منتقل کرد که با منابع محاسباتی بسیار کمتری کار کنند؟ این موضوع از منظر فناوری شناختی اهمیت ویژه‌ای دارد؛ زیرا ترکیب نقشه شناختی + یادگیری محلی + تراشه نورومورفیک می‌تواند به سمت سامانه‌هایی حرکت کند که به‌جای پردازش سنگین در مراکز داده، بخشی از هوش خود را مستقیماً در سطح سخت‌افزار و نزدیک به محل دریافت داده اجرا می‌کنند. پیامد احتمالی این روند برای سامانه‌های نظامی و امنیتی نیز قابل توجه است: در محیط‌هایی که تأخیر پایین، مصرف انرژی، تصمیم‌گیری در شرایط ناشناخته و قابلیت اجرا بدون اتصال دائمی به زیرساخت ابری اهمیت دارند، چنین معماری‌هایی بالقوه می‌توانند مزیت ایجاد کنند. از سوی دیگر، ادعای «تفسیرپذیری» در این پژوهش اهمیت مستقلی دارد. اگر سامانه‌های شناختی آینده بتوانند نه‌تنها تصمیم بگیرند، بلکه مسیر تصمیم خود را با ارجاع به تجربه‌ها و بازنمایی‌های مشخص توضیح دهند، مسئله Explainable AI از یک قابلیت نظارتی به بخشی از معماری تصمیم‌گیری تبدیل خواهد شد. در نتیجه، روند مهمی که باید رصد شود، رقابت میان هوش مصنوعی مقیاس‌محور و هوش مصنوعی معماری‌محور و نورومورفیک است؛ رقابتی که ممکن است در سال‌های آینده تعریف «کارآمدی» در AI را از صرفاً تعداد پارامترها و توان پردازشی، به ترکیبی از هوشمندی، انرژی، تأخیر، انعطاف‌پذیری و قابلیت توضیح تصمیم تغییر دهد. 🏷 پیوست خبری 🌐 متاکاگ | فراتر از شناخت

💠 عربستان در جمع ۱۰ سرمایه‌گذار برتر جهان در هوش مصنوعی؛ سرمایه، داده و جذب استعداد در یک منظومه واحد 🔹روزنامه الشرق الأوسط با استناد به گزارش توسعه جهانی ۲۰۲۶ بانک جهانی با عنوان The Promise of Artificial Intelligence و گزارش خبرگزاری رسمی عربستان (SPA). ▫️ بر اساس گزارش بانک جهانی، عربستان سعودی از طریق سازمان داده و هوش مصنوعی عربستان (SDAIA) در حال ایجاد یک اکوسیستم یکپارچه برای داده و هوش مصنوعی است. SDAIA امکان یکپارچه‌سازی داده میان بیش از ۶۰ نهاد دولتی را فراهم کرده است؛ بدون آنکه داده‌ها الزاماً از سامانه‌های اصلی هر دستگاه خارج شوند. بانک جهانی این مدل را نمونه‌ای از اشتراک‌گذاری سازمان‌یافته و امن داده میان نهادهای دولتی ارزیابی کرده است. ▫️ عربستان همچنین در میان ۱۰ کشور نخست جهان از نظر سرمایه‌گذاری خصوصی در هوش مصنوعی قرار گرفته است؛ موضوعی که نشان‌دهنده تلاش ریاض برای تبدیل AI از یک فناوری کاربردی به یکی از پایه‌های اقتصاد ملی است. در حوزه سرمایه انسانی نیز گزارش بانک جهانی نشان می‌دهد عربستان در سال ۲۰۲۵ در میان اقتصادهایی با بالاترین خالص ورود متخصصان هوش مصنوعی قرار داشته است. میزان خالص ورود متخصصان AI به عربستان ۳٫۰۸ نفر به ازای هر ۱۰ هزار عضو لینکدین گزارش شده است. ▫️ این روند در چارچوب چشم‌انداز ۲۰۳۰ عربستان دنبال می‌شود؛ راهبردی که پیوند میان داده، زیرساخت محاسباتی، سرمایه‌گذاری و نوآوری را برای ساخت اقتصاد دیجیتال دنبال می‌کند. انتشار این گزارش هم‌زمان با نام‌گذاری سال ۲۰۲۶ در عربستان به‌عنوان «سال هوش مصنوعی» صورت گرفته است؛ اقدامی که بر اولویت سیاسی و اقتصادی AI در برنامه توسعه این کشور تأکید دارد. 🔺مدلی که SDAIA در بیش از ۶۰ نهاد دولتی دنبال می‌کند، از منظر فناوری شناختی یک تحول مهم دارد: ارزش راهبردی هوش مصنوعی فقط به مدل‌های زبانی یا توان پردازشی وابسته نیست؛ بلکه به توانایی یک دولت برای سازمان‌دهی، اتصال و قابل‌استفاده‌کردن داده‌های پراکنده نیز وابسته است. اگر این زیرساخت داده‌ای با سرمایه‌گذاری خصوصی و جذب متخصصان AI ترکیب شود، عربستان به‌تدریج می‌تواند از مرحله «مصرف‌کننده فناوری» به سمت تولیدکننده و تنظیم‌کننده خدمات الگوریتمی در مقیاس ملی حرکت کند. نکته کمتر دیده‌شده اینجاست: مدل SDAIA لزوماً به معنای تجمیع فیزیکی همه داده‌ها در یک مخزن واحد نیست؛ بلکه قابلیت تعامل میان سامانه‌های متعدد، همراه با باقی‌ماندن داده در اختیار نهادهای اصلی را دنبال می‌کند. چنین معماری‌ای می‌تواند هم‌زمان مسئله دسترسی، امنیت و حکمرانی داده را مدیریت کند. پیامد بلندمدت این روند در توانایی AI برای تصمیم‌سازی دولت، شخصی‌سازی خدمات، تحلیل رفتار اجتماعی و پیش‌بینی روندهای جمعیتی و اقتصادی نهفته است. بنابراین، آنچه اکنون در عربستان در حال شکل‌گیری است صرفاً یک برنامه سرمایه‌گذاری در هوش مصنوعی نیست؛ بلکه تلاش برای ایجاد زیرساخت داده‌ای یک دولت الگوریتمی است. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 هشتمين کمپ ملی هوش مصنوعی امارات 🔹پایگاه خبری Startup Scene در گزارشی از برگزاری هشتمین دوره «کمپ هوش مصنوعی امارات» (UAE AI Camp 2026) از ۱۷ تا ۲۹ اوت به میزبانی دبی خبر داد. این رویداد ملی که توسط «برنامه ملی هوش مصنوعی» و با همکاری «برنامه ملی برنامه‌نویسان» برگزار می‌شود، نقشه راه کلان این کشور برای ارتقای سواد الگوریتمی، آمادگی شناختی جامعه و جامعه‌پذیر کردن فناوری‌های نوظهور در لایه‌های مختلف اجتماعی و مدیریتی است. ▫️ گستره مخاطبان: فراگیری پروژه از دانش‌آموزان و دانشجویان تا صاحبان کسب‌وکارهای کوچک و متوسط (SMEs)، مدیران پروژه و فعالان حوزه حقوقی و رعایت قوانین (Compliance) را شامل می‌شود. ▫️ محورهای تخصصی و فنی: برگزاری کارگاه‌های کاربردی با محوریت امنیت سایبری (شناسایی کلاهبرداری‌های الگوریتمی و حفاظت از گذرواژه‌ها)، سلامت دیجیتال، «آکادمی جمینای» برای دانش‌آموزان و آموزش مفاهیم لبه دانش مانند تمایز میان «هوش مصنوعی مولد» (Generative AI) و «هوش مصنوعی عاملیت‌محور» (Agentic AI - سامانه‌های خودمختار دارای قدرت تصمیم‌گیری و اجرا). ▫️ مسئله‌محوری در حکمرانی شهری: برگزاری هاکاتون «آینده حمل‌ونقل» با همکاری سازمان حمل‌ونقل حکومت عجمان جهت پیاده‌سازی تفکر الگوریتمی بر چالش‌های واقعی زیرساختی. ▫️ همکاری با بازیگران کلیدی جهانی: اجرای رویداد با مشارکت مستقیم غول‌های فناوری غرب و شرق، از جمله مهارات گوگل، مایکروسافت، اینتل، اکسنچر، بایت‌پلاس (BytePlus - بازوی فناوری‌های سازمانی بایت‌دنس/تیک‌تاک)، Think Media Labs و Spectrum. 🏷 پیوست خبری 🌐 متاکاگ | فراتر از شناخت

💠 رقابت تنگاتنگ هوش مصنوعی! 💥 🔷 نمی دونم دقت کردین یا نه اما فاصله بین انتشار مدل های جدید داره کمتر و کمتر میشه! بین مدل های منتشر شده همچنان (تا اواسط آگوست ۲۰۲۶) Fable 5 مدل برتر است اما Anthropic انتظار ۱۰ برابر شدن تقاضا رو داشت که خب ۸۰ برابر شد و همین باعث شد GPU و برق کم بیارن و در نتیجه از تمامی پلن ها حذف ش کردن و فقط بصورت Usage Credit قابل دسترسی هست! (اونم بسیار گران: هر یک میلیون توکن ۵۰ دلار) 🔷 مدل Opus 5 هم که به طور میانگین برای هر سوال 510 کلمه جواب میده یعنی هم خیلی حرف میزنه، هم خیلی طول می کشه جواب بده، هم نسبت به سایر مدل ها هم چنان گرانه، و مشکلاتی نظیر بی اعتنایی به کانتکست هم در اون گزارش شده! خلاصه اینکه Claude باید به خودش بیاد اگه بخواد عقب نمونه!!

🔶 مدل GPT 5.6 Sol هم چنان جزو مدل های تاپ هست چون هم به صرفه تره هم قدرت پردازش ش خوبه! تازه Open AI قراره به زودی مدل Astra رو هم منتشر کنه که ظاهراً ورژنی از GPT 6 هست. 🔶 گوگل هم Gemini 3.7 Flash رو داده بیرون که برای کدینگ (با Spark) از همه مناسب تره! البته گوگل با وجود پردازشگر های TPU ش هم چنان به سطح سایر مدل های آمریکایی نرسیده! (نیاز هم نیست برسه چون مارکت ش چیز دیگه ای هست!) 🔶 ایلان ماسک هم میگه تا ۲-۳ هفته دیگه Grok 4.7 رو میده بیرون که از همه مدل های موجود در بازار، حتی Fable 5 پیشی می گیره با کسری از هزینه اون! ♦️ چینی ها هم بیکار نیستن البته! مون شات که Kimi K3 ش هم چنان سر زبون ها مونده! (البته فقط برای اشتراک دارها قابل دسترسی هست!) مدل Qwen 3.8 علی بابا با وجود ادعا هاشون خیلی خودشو نشون نداد! و Z.ai همون صاحب مدل GLM دیگه ادعای خیلی بزرگی کرده و گفته به زودی مدلی منتشر می کنه که از Mythos (همون غول Anthropic که هیچ وقت منتشر نشد) هم بهتره! 👇 نظرتون راجع به این مدل ها چیه؟ کدوم به نظرتون بهتره؟ 🆔 @MetaCognition #هوش_مصنوعی #ابزارها #آخرین_اخبار_تکنولوژی 🌐 متاکاگ | فراتر از شناخت