متا یه رویکرد جدید به اسم In-Kernel Broadcast Optimization یا IKBO معرفی کرده که یه مشکل اساسی در سیستم‌های توصیه‌گر رو حل می‌کنه: تکثیر بی‌دلیل embedding های کاربر برای هر کاندیدا. در روش‌های معمول، embedding کاربر باید برای هزاران آیتم کاندیدا کپی بشه که هم حافظه و هم پهنای باند رو هدر می‌ده. IKBO این broadcast رو مستقیم داخل kernel های محاسباتی مدیریت می‌کنه و دیگه هیچ تنسور تکراری‌ای ساخته نمی‌شه. این بهینه‌سازی روی GPU و MTIA متا در تمام مراحل رتبه‌بندی پیاده‌سازی شده و تا ۲/۳ کاهش در تأخیر

۱۹ هفته پیشpytorch.org

ProgramBench یه بنچمارک جدیده که می‌سنجه آیا مدل‌های زبانی می‌تونن فقط با یه فایل اجرایی و مستنداتش، کل سورس‌کد یه برنامه رو از صفر بازنویسی کنن. هیچ اشاره‌ای به ساختار، کلاس، یا فایل‌ها داده نمی‌شه و مدل باید همه‌چیز رو خودش طراحی کنه. نتایج جالبه: هیچ‌کدام از مدل‌های بزرگ مثل Claude، GPT-5 یا Gemini نتونستن حتی یه تسک رو به‌طور کامل حل کنن. این بنچمارک ۲۰۰ تسک داره که از ابزارهای کوچیک مثل ripgrep تا پروژه‌های عظیمی مثل SQLite و FFmpeg رو پوشش می‌ده.

۱۹ هفته پیشprogrambench.com

یکپارچه‌سازی سیستم‌های سازمانی (System Integration) یکی از بزرگ‌ترین و پرهزینه‌ترین بخش‌های IT سازمانی‌ه که در ۲۰ سال اخیر تقریباً هیچ تغییری نکرده. مهاجرت‌های بزرگ SAP سال‌ها طول می‌کشه، صدها میلیون دلار هزینه داره و اغلب هم شکست می‌خوره. حالا با قابلیت‌های جدید مدل‌های زبانی بزرگ، استارتاپ Tessera ادعا می‌کنه می‌تونه این کار رو با تیمی کوچیک‌تر و سریع‌تر انجام بده. ایجنت‌های هوش مصنوعی این شرکت می‌تونن کدهای قدیمی ABAP رو بخونن، منطق کسب‌وکار رو استنتاج کنن و کل فرایند مهاجرت به S/4HANA رو خود

۱۹ هفته پیشa16z.news

کتاب «How to Scale Your Model» که توسط محققان Google DeepMind و دیگران نوشته شده، سعی می‌کنه پرده از رموز مقیاس‌پذیری مدل‌های زبانی بزرگ برداره. این کتاب توضیح می‌ده که TPU و GPU چطور کار می‌کنن، مدل‌های LLM چطور روی سخت‌افزار واقعی اجرا می‌شن، و چطور می‌شه موازی‌سازی درستی برای آموزش و استنتاج انجام داد. هدفش اینه که بتونی هزینه و زمان آموزش مدل‌های بزرگ رو تخمین بزنی و بهترین طرح موازی‌سازی رو برای سخت‌افزار موجود انتخاب کنی. این منبع برای هر کسی که می‌خواد تحقیقات ML رو در مقیاس بزرگ انجام بد

۱۹ هفته پیشjax-ml.github.io

سیسکو اعلام کرده که قراره Astrix Security رو بخره تا پورتفولیوی امنیت AI Agent‌هاش رو تقویت کنه. Astrix یه پلتفرم امنیتی تخصصی داره که روی شناسایی و مدیریت هویت‌های غیرانسانی (NHI) مثل API Key‌ها، Service Account‌ها و OAuth Token‌ها تمرکز داره. این قابلیت‌ها قراره به Cisco Identity Intelligence، Cisco Secure Access و Duo IAM اضافه بشه. جالبه که طبق گزارش Cisco، فقط ۲۴٪ از سازمان‌ها می‌تونن رفتار AI Agent‌هاشون رو با نظارت زنده کنترل کنن. این دومین خرید سیسکو در حوزه مدیریت AI طی چند هفته اخیره.

در آوریل ۲۰۲۶، آنتروپیک، اوپن‌ای‌آی و گیت‌هاب طی سه هفته پنج تغییر اساسی در پلن‌های اشتراکی‌شان اعلام کردن که همگی نشانه‌ای از یه بحران ساختاری مشترک بودن. مشکل اصلی اینه که مدل اشتراک این شرکت‌ها برای یه محصول چت‌بات ساده طراحی شده، ولی الان باید جوابگوی ایجنت‌های خودکار چندساعته، ابزارهای کدنویسی و کارهای async باشه. ریشه‌ی اصلی فاجعه اینه که حد و مرز مشخصی بین نوع مصرف کاربران در سیستم‌های billing وجود نداشته و این شرکت‌ها به‌جای بازطراحی اساسی، فقط وصله‌پینه می‌کردن تا اینکه کار به بحران عمو

۱۹ هفته پیشthefinancialengineer.substack.com

آنتروپیک چند قابلیت مهم برای Claude Managed Agents معرفی کرده که مهم‌ترینشون «dreaming» هست؛ یه فرآیند زمان‌بندی‌شده که سشن‌های گذشته‌ی ایجنت رو مرور می‌کنه، الگوها رو پیدا می‌کنه و حافظه رو بهینه می‌سازه تا ایجنت‌ها به‌مرور از خودشون بهتر بشن. علاوه بر این، قابلیت «outcomes» بهت اجازه می‌ده یه معیار موفقیت تعریف کنی تا ایجنت بر اساس اون کارش رو ارزیابی و اصلاح کنه. همچنین هماهنگی چند-عاملی (multiagent orchestration) اضافه شده که یه ایجنت اصلی می‌تونه کارهای پیچیده رو به ایجنت‌های متخصص موازی وا

۱۹ هفته پیشclaude.com

اپل از اوایل ۲۰۲۶ جلوی آپدیت چند اپ هوش مصنوعی مثل Replit رو گرفته، چون این اپ‌ها کد تولید می‌کنن و نتیجه رو توی یه web view داخلی نشون می‌دن. قانون ۲.۵.۲ App Store می‌گه اپ‌ها باید self-contained باشن و نباید کدی اجرا کنن که قابلیت جدید معرفی کنه. مشکل اصلی اینه که فرآیند بررسی اپل برای نرم‌افزاری که رفتارش در لحظه‌ی اجرا توسط یه مدل هوش مصنوعی تعیین می‌شه، اصلاً ابزاری نداره. در همین حال OpenAI داره یه اکوسیستم جدید می‌سازه که اپ‌ها رو به‌شکل سرویس‌های MCP توزیع می‌کنه، نه باینری‌های ثابت.

۱۹ هفته پیشadaptivesoftware.substack.com

گوگل یه قابلیت جدید به Meet اضافه کرده که به ادمین‌ها اجازه می‌ده قبل از شروع خودکار یادداشت‌برداری با Gemini، ضبط جلسه، یا رونویسی (Transcript)، رضایت صریح شرکت‌کننده‌ها رو الزامی کنن. این ویژگی به‌صورت پیش‌فرض خاموشه و باید توسط ادمین در کنسول مدیریتی فعال بشه. رول‌اوت این قابلیت از ۵ مه ۲۰۲۶ شروع شده و بسته به نسخه‌ی Google Workspace، سطح پوشش متفاوتیه.

۱۹ هفته پیشworkspaceupdates.googleblog.com

محققان در مقاله‌ای که قرار است در ICML 2026 ارائه بشه، استدلال می‌کنن که هالوسینیشن در مدل‌های زبانی بزرگ اساساً یه مشکل «آگاهی از مرز دانش» است، نه صرفاً کمبود اطلاعات. به جای دوگانه‌ی «جواب بده یا سکوت کن»، راه سومی پیشنهاد می‌شه: ابراز صادقانه‌ی عدم اطمینان. این رویکرد که «متاکاگنیشن» نامیده می‌شه، یعنی مدل بدونه چی می‌دونه و چی نمی‌دونه و این آگاهی رو صادقانه با کاربر در میان بذاره. نویسندگان معتقدن این توانایی برای ساخت مدل‌های هم قابل اعتماد و هم کاربردی ضروریه.

۱۹ هفته پیشarxiv.org

در دنیای استارتاپ‌های پرسرعت عصر هوش مصنوعی، روش‌های سنتی طراحی محصول دیگر کارایی ندارن. وقتی توسعه‌دهنده‌ها می‌تونن به‌سرعت و مستقل بسازن، دیگه نمی‌شه از بیرون و با نقشه‌کلی محصول رو طراحی کرد. راه‌حل اینه که دیزاینر خودش وارد کدبیس بشه و تغییرات کوچک و تدریجی رو مستقیماً شیپ بده، درست مثل یک معمار که به‌جای نقشه‌کشی، با نوار چسب داخل ساختمان مسیرها رو بازطراحی می‌کنه. این رویکرد یعنی کار با داده‌های واقعی، ارسال پول‌ریکوئست، و ساختن عادت‌های تیمی بدون اینکه منتظر اجازه یا اجماع بمونی.

ربات‌های انسان‌نما در هر ساعت حدود ۵۰۰۰ قدم برمی‌دارن و هر قدم ضربه‌ای معادل ۲ تا ۳ برابر وزن ربات به محرک‌های پا وارد می‌کنه. این چرخه‌ی بی‌رحمانه باعث می‌شه اکثر محرک‌های صنعتی در ربات‌های انسان‌نما خیلی زود از کار بیفتن. مهم‌ترین معیار طراحی، چگالی گشتاور یا نیروی خروجی به ازای هر کیلوگرم وزن محرکه. محرک‌هایی مثل پیچ‌های صنعتی که قابلیت برگشت‌پذیری مکانیکی ندارن، کل انرژی ضربه رو به جعبه‌دنده منتقل می‌کنن و بلافاصله خرد می‌شن.

بیشتر بحث‌های AI سازمانی روی مدل‌ها و GPU‌ها متمرکزه، ولی ارزش واقعی جای دیگه‌ای ساخته می‌شه: در داده‌های عملیاتی، آنتولوژی، و گراف‌های زمینه‌ای. اتلسین و سرویس‌ناو هر دو همین مسیر رو رفتن و الان با Context Engine و Teamwork Graph، محور هوش مصنوعی مدیریت IT شدن. این دو پلتفرم از دو طرف مختلف چرخه توسعه نرم‌افزار به یه مقصد مشترک رسیدن و رقابت‌شون برای تسلط بر گراف زمینه‌ای سازمانی داره شکل جدی‌تری به خودش می‌گیره.

۱۹ هفته پیشforrester.com

IBM و Oracle در چهلمین سالگرد همکاری استراتژیک‌شان، یک سری قابلیت‌های جدید در حوزه هوش مصنوعی عاملی و هایبرید کلاد معرفی کردن. از جمله این تحولات می‌شه به امکان خرید Red Hat Enterprise Linux مستقیم از Oracle Cloud Infrastructure، اتصال Oracle Fusion ERP به IBM Maximo، و عرضه سرویس‌های مدیریت‌شده جدید از طریق IBM Consulting اشاره کرد. هدف اصلی این همکاری کمک به سازمان‌هاست که بدون گیر کردن در پیچیدگی‌های مهاجرت، بتونن عملیات‌شون رو با AI مدرن کنن و به مقیاس برسونن.

۱۹ هفته پیشnewsroom.ibm.com

متا دو آسیب‌پذیری امنیتی در واتس‌اپ رو افشا کرده که هر دو از طریق برنامه باگ‌بانتی این شرکت گزارش شدن و قبلاً پچ شدن. اولی مربوط به جعل فایل در واتس‌اپ ویندوزه؛ مهاجم می‌تونه یه فایل اجرایی رو به شکل یه فایل بی‌خطر جا بزنه. دومی روی نسخه‌های iOS و اندروید واتس‌اپ تأثیر می‌ذاره و می‌تونه اجازه بده محتوای مدیا از یه URL دلخواه پردازش بشه. هیچ شواهدی از سوءاستفاده واقعی از این آسیب‌پذیری‌ها گزارش نشده.

در نشست اخیر کمیته مشورتی W3C، یه جلسه فرعی درباره تهدیدات وب باز برگزار شد. کراولرهای مدل‌های زبانی بزرگ (LLM) حجم ترافیکی شبیه به حملات DDOS روی سایت‌ها ایجاد می‌کنن و از طرف دیگه، محتوا به‌جای مراجعه مستقیم کاربر، از طریق هوش مصنوعی مصرف می‌شه که درآمد ناشران رو تهدید می‌کنه. شرکت‌کنندگان پیشنهادهایی مثل استانداردهای پرداخت و انتساب، مدل push برای محتوا، و درگیرکردن شرکت‌های هوش مصنوعی در فرآیندهای استانداردسازی W3C مطرح کردن. همه با این تحلیل موافق نبودن و برخی معتقدند عوامل هوش مصنوعی می‌تو

۱۹ هفته پیشhidde.blog

آنتروپیک به همراه غول‌های مالی گلدمن‌ساکس، بلک‌استون و هلمن اند فریدمن یک شرکت ۱.۵ میلیارد دلاری راه‌اندازی کرده تا مدل هوش مصنوعی Claude رو مستقیماً توی کسب‌وکارها پیاده‌سازی کنه. این ونچر همچنین با حمایت آپولو و جنرال آتلانتیک شکل گرفته. هدف اصلی حل یه چالش جدی در بازار AI هست: کمبود متخصصانی که بدونن چطور این فناوری رو با عملیات واقعی شرکت‌ها ادغام کنن. مهندسان این شرکت جدید مستقیماً داخل سازمان‌های متوسط جاسازی می‌شن تا فرآیندها رو از نو طراحی کنن.

۱۹ هفته پیشcnbc.com

پاراگون یه پلتفرم زیرساختی برای یکپارچه‌سازی محصولات SaaS و هوش مصنوعیه که به تیم‌های مهندسی کمک می‌کنه کانکتورهای آماده رو ۱۰ برابر سریع‌تر راه بندازن. با این ابزار می‌شه داده‌های کاربران از اپ‌های شخص ثالث رو برای RAG جمع‌آوری کرد، ابزارهای عملیاتی برای ایجنت‌های هوش مصنوعی ساخت، و استپ‌های اینتگریشن به فیچر اتوماسیون اضافه کرد. شرکت‌هایی مثل Copy.ai، CrewAI، You.com و tl;dv از این پلتفرم استفاده می‌کنن و گفتن کاری که چندین ماه طول می‌کشید رو در چند هفته انجام دادن.

۱۹ هفته پیشuseparagon.com

بر اساس گزارش The Information، آنتروپیک قراره طی پنج سال آینده ۲۰۰ میلیارد دلار برای سرویس‌های گوگل کلود هزینه کنه که بیش از ۴۰ درصد از بک‌لاگ ۴۶۲ میلیارد دلاری گوگل رو شامل می‌شه. این خبر باعث رشد سهام الفابت در معاملات پس از بازار شد. آنتروپیک که با محدودیت جدی کامپیوت دست‌وپنجه نرم می‌کنه، در حال بستن و گسترش قراردادهایی با CoreWeave، آمازون، گوگل و Broadcom هست. این در حالی‌ه که محبوبیت Claude Code باعث شده کاربرا با محدودیت‌های ناخوشایندی روبه‌رو بشن.

۱۹ هفته پیشsherwood.news

گزارش بهار ۲۰۲۶ با عنوان «وضعیت امور مالی هوشمند» نشون می‌ده که هوش مصنوعی داره به‌سرعت وارد دنیای مدیریت مالی شخصی می‌شه. ۵۵ درصد از مردم در ۱۲ ماه گذشته از AI برای کارهای مالی استفاده کردن و ۸۶ درصد از این کاربران می‌گن که AI به‌شون کمک کرده مفاهیم مالی رو بهتر بفهمن. نکته جالب اینه که نیمی از مردم فکر می‌کنن مدیریت مالی بدون هوش مصنوعی به‌زودی قدیمی و منسوخ به نظر می‌رسه. این گزارش به شرکت‌های فین‌تک و مالی هشدار می‌ده که انتقال از آزمایش AI به یکپارچه‌سازی آن در تجربه اصلی کاربر دیگه یه ضرور

۱۹ هفته پیشplaid.com