🚨 ایده‌ای بسیار جالب در پژوهش جدید Google DeepMind مطرح شده است: چگونه باید با رشد نسل جدید عامل‌های هوش مصنوعی (AI Agents) که به‌صورت مستقل در اقتصاد فعالیت می‌کنند، مواجه شد.
اگر این روند بدون کنترل ادامه یابد، چنین عامل‌هایی می‌توانند اقتصادی مستقل ایجاد کنند که مستقیماً با اقتصاد انسانی در ارتباط باشد؛ موضوعی که هم مزایا و هم ریسک‌های بزرگ به همراه دارد.
پژوهشگران مفهوم «اقتصاد سندباکس» (sandbox economy) را پیشنهاد می‌کنند: محیطی کنترل‌شده که در آن عامل‌ها بتوانند معامله و هماهنگی کنند، بدون اینکه به بازارهای واقعی آسیب بزنند.
این عامل‌ها به جای اجرای یک وظیفه ساده می‌توانند:
▪️ معامله و مذاکره کنند و قرارداد ببندند،
▪️ بین صنایع مختلف جابه‌جا شوند و اتحادهای موقت تشکیل دهند،
▪️ منابع را در لحظه با هم هماهنگ سازند.
استانداردهایی مثل Agent2Agent و Model Context Protocol همین حالا زیرساخت اتصال میان عامل‌ها را شکل می‌دهند و پایه‌های اقتصاد جهانی «ماشین-ماشین» را می‌سازند.
در آینده، دستیارهای شخصی هوش مصنوعی می‌توانند در چنین بازارهایی رقابت یا همکاری کنند؛ مثلاً برای دسترسی به توان محاسباتی، داده یا حتی رزرو سفر به نمایندگی از کاربر خود وارد مذاکره شوند. معاملات نیز با ارزهای دیجیتال و سیستم‌های اعتباری پشتیبانی خواهد شد.
🟢 هشدار اقتصاددانان: این بازارها با سرعتی فراتر از واکنش انسان رشد می‌کنند؛ قیمت‌ها، قراردادها و مدل‌های کسب‌وکار می‌توانند نه در چند ماه، بلکه در چند دقیقه تغییر کنند.
🟢 پیشنهادهای پژوهشگران:
🔹استفاده از بازارها و حراجی‌ها برای توزیع عادلانه منابع
🔹تعریف اهداف مأموریتی (collective missions) هماهنگ با ارزش‌های جامعه
🔹طراحی سیستم هویت و اعتبار برای عامل‌ها
🔹بهره‌گیری از قراردادهای هوشمند، ممیزی و محاسبات شفاف برای اعتماد و نظارت
🔹توسعه مقررات ترکیبی: ترکیبی از پروتکل‌های فنی و ابزارهای نهادی
اگر این ایده‌ها درست پیاده‌سازی شوند، می‌توان تریلیون‌ها ساعت محاسبات ماشینی را به حل مسائل بزرگ جهانی مانند درمان بیماری‌ها یا ساخت زیرساخت‌ها اختصاص داد.
⚡️ متن کامل مقاله:
https://arxiv.org/pdf/2509.10147
#AI #AgentEconomy #DeepMind #AutonomousAgents
---
@asrgooyeshpardaz
اگر این روند بدون کنترل ادامه یابد، چنین عامل‌هایی می‌توانند اقتصادی مستقل ایجاد کنند که مستقیماً با اقتصاد انسانی در ارتباط باشد؛ موضوعی که هم مزایا و هم ریسک‌های بزرگ به همراه دارد.
پژوهشگران مفهوم «اقتصاد سندباکس» (sandbox economy) را پیشنهاد می‌کنند: محیطی کنترل‌شده که در آن عامل‌ها بتوانند معامله و هماهنگی کنند، بدون اینکه به بازارهای واقعی آسیب بزنند.
این عامل‌ها به جای اجرای یک وظیفه ساده می‌توانند:
▪️ معامله و مذاکره کنند و قرارداد ببندند،
▪️ بین صنایع مختلف جابه‌جا شوند و اتحادهای موقت تشکیل دهند،
▪️ منابع را در لحظه با هم هماهنگ سازند.
استانداردهایی مثل Agent2Agent و Model Context Protocol همین حالا زیرساخت اتصال میان عامل‌ها را شکل می‌دهند و پایه‌های اقتصاد جهانی «ماشین-ماشین» را می‌سازند.
در آینده، دستیارهای شخصی هوش مصنوعی می‌توانند در چنین بازارهایی رقابت یا همکاری کنند؛ مثلاً برای دسترسی به توان محاسباتی، داده یا حتی رزرو سفر به نمایندگی از کاربر خود وارد مذاکره شوند. معاملات نیز با ارزهای دیجیتال و سیستم‌های اعتباری پشتیبانی خواهد شد.
🟢 هشدار اقتصاددانان: این بازارها با سرعتی فراتر از واکنش انسان رشد می‌کنند؛ قیمت‌ها، قراردادها و مدل‌های کسب‌وکار می‌توانند نه در چند ماه، بلکه در چند دقیقه تغییر کنند.
🟢 پیشنهادهای پژوهشگران:
🔹استفاده از بازارها و حراجی‌ها برای توزیع عادلانه منابع
🔹تعریف اهداف مأموریتی (collective missions) هماهنگ با ارزش‌های جامعه
🔹طراحی سیستم هویت و اعتبار برای عامل‌ها
🔹بهره‌گیری از قراردادهای هوشمند، ممیزی و محاسبات شفاف برای اعتماد و نظارت
🔹توسعه مقررات ترکیبی: ترکیبی از پروتکل‌های فنی و ابزارهای نهادی
اگر این ایده‌ها درست پیاده‌سازی شوند، می‌توان تریلیون‌ها ساعت محاسبات ماشینی را به حل مسائل بزرگ جهانی مانند درمان بیماری‌ها یا ساخت زیرساخت‌ها اختصاص داد.
⚡️ متن کامل مقاله:
https://arxiv.org/pdf/2509.10147
#AI #AgentEconomy #DeepMind #AutonomousAgents
---
@asrgooyeshpardaz
❤4👍2
عصر گویش | هوش مصنوعی
♾ مدل AlphaProof: جهش بزرگ دیپ‌مایند در حل مسائل المپیاد جهانی ریاضی گوگل DeepMind با معرفی AlphaProof نشان داد که هوش مصنوعی دیگر فقط حل‌کننده‌ی «مسائل معمولی» نیست؛ بلکه می‌تواند اثبات‌های رسمی ریاضی را در محیط Lean تولید کند — آن هم در سطح IMO! 🚀 مهم‌ترین…
🔬سامانه AlphaResearch — رقیب چینی برای AlphaProof؟
گروهی از پژوهشگران دانشگاه Tsinghua، دانشگاه Yale و ByteDance سامانه‌ای پژوهش‌محور به نام AlphaResearch معرفی کرده‌اند؛ یک «عامل خودمختار پژوهشی» که از مدل‌های زبانی برای کشف الگوریتم‌های جدید استفاده می‌کند.
📌 معماری ارزیابی دوگانه
مدل داوری (RM): آموزش‌دیده بر پایه‌ی نقدهای داوران ICLR با دقت ۷۲٪
صحت‌سنجی کد: اجرای برنامه برای تضمین درستی راه‌حل‌ها
🏆 دستاوردهای کلیدی
ثبت رکورد جدید جهانی در مسئله‌ی Packing Circles برای n=32
(بهبود مقدار: 2.939 در برابر 2.936 بهترین رکورد انسانی)
کسب ۲ پیروزی از ۸ مورد در بنچمارک AlphaResearchComp
قابلیت بهبود خودکار ایده‌ها در چرخه‌های تکراری
⚠️ چالش‌ها
در ۶ مورد از ۸ وظیفه، عملکرد انسان همچنان بهتر بود
دشواری در بهبود راه‌حل‌های تولیدشده توسط انسان
💡 جمع‌بندی هوش مصنوعی اکنون قادر است الگوریتم‌های جدید کشف کند، اما فاصله‌ی قابل‌توجهی تا تحقیقات کاملاً خودمختار باقی مانده است. بااین‌حال انتشار عمومی کد و داده‌ها می‌تواند مسیر تحقیقات بازتولیدپذیر را تسریع کند.
🔗 مقاله:
https://arxiv.org/abs/2511.08522
🔗 کد و دیتاست:
https://github.com/answers111/alpha-research
#AI #ByteDance #Research #Tsinghua #AutonomousAgents
@asrgooyeshpardaz
گروهی از پژوهشگران دانشگاه Tsinghua، دانشگاه Yale و ByteDance سامانه‌ای پژوهش‌محور به نام AlphaResearch معرفی کرده‌اند؛ یک «عامل خودمختار پژوهشی» که از مدل‌های زبانی برای کشف الگوریتم‌های جدید استفاده می‌کند.
📌 معماری ارزیابی دوگانه
مدل داوری (RM): آموزش‌دیده بر پایه‌ی نقدهای داوران ICLR با دقت ۷۲٪
صحت‌سنجی کد: اجرای برنامه برای تضمین درستی راه‌حل‌ها
🏆 دستاوردهای کلیدی
ثبت رکورد جدید جهانی در مسئله‌ی Packing Circles برای n=32
(بهبود مقدار: 2.939 در برابر 2.936 بهترین رکورد انسانی)
کسب ۲ پیروزی از ۸ مورد در بنچمارک AlphaResearchComp
قابلیت بهبود خودکار ایده‌ها در چرخه‌های تکراری
⚠️ چالش‌ها
در ۶ مورد از ۸ وظیفه، عملکرد انسان همچنان بهتر بود
دشواری در بهبود راه‌حل‌های تولیدشده توسط انسان
💡 جمع‌بندی هوش مصنوعی اکنون قادر است الگوریتم‌های جدید کشف کند، اما فاصله‌ی قابل‌توجهی تا تحقیقات کاملاً خودمختار باقی مانده است. بااین‌حال انتشار عمومی کد و داده‌ها می‌تواند مسیر تحقیقات بازتولیدپذیر را تسریع کند.
🔗 مقاله:
https://arxiv.org/abs/2511.08522
🔗 کد و دیتاست:
https://github.com/answers111/alpha-research
#AI #ByteDance #Research #Tsinghua #AutonomousAgents
@asrgooyeshpardaz
arXiv.org
AlphaResearch: Accelerating New Algorithm Discovery with Language Models
LLMs have made significant progress in complex but easy-to-verify problems, yet they still struggle with discovering the unknown. In this paper, we present \textbf{AlphaResearch}, an autonomous...
😎2❤1👍1🔥1
🧪عامل Sakana Marlin؛ عامل تحقیقاتی خودمختاری که ۸ ساعت کار می‌کند و گزارش ۱۰۰ صفحه‌ای تحویل می‌دهد
شرکت ژاپنی Sakana AI از نخستین محصول تجاری خود با نام Sakana Marlin رونمایی کرده است؛ یک عامل تحقیقاتی خودمختار (Autonomous Research Agent) برای سازمان‌ها که می‌تواند یک موضوع را دریافت کند، ساعت‌ها به‌صورت مستقل تحقیق کند و در پایان یک گزارش حرفه‌ای به همراه اسلایدهای ارائه تولید کند؛ بدون نیاز به دخالت انسان در طول فرآیند.
🔬 مارلین چگونه کار می‌کند؟
برخلاف بسیاری از ابزارهای «تحقیق عمیق» که در چند دقیقه پاسخ تولید می‌کنند، مارلین رویکرد متفاوتی دارد:
به جای سرعت، روی عمق، اعتبارسنجی و کیفیت تحلیل تمرکز می‌کند.
کاربر تنها موضوع موردنظر را مشخص می‌کند و سیستم تا حدود ۸ ساعت به‌صورت خودکار:
🔹 منابع مختلف را بررسی می‌کند
🔹 فرضیه‌ها و مسیرهای تحقیق را توسعه می‌دهد
🔹 یافته‌ها را ارزیابی و اصلاح می‌کند
🔹 گزارش نهایی و اسلایدهای ارائه را آماده می‌کند
📄 خروجی نهایی می‌تواند شامل:
گزارش ۶۰ تا ۱۰۰ صفحه‌ای
۶۰ تا ۸۰ منبع معتبر
اسلایدهای ارائه با طراحی تولیدشده توسط مدل‌های هوش مصنوعی
باشد.
🧠 فناوری پشت پرده: جستجوی هوشمند با AB-MCTS
یکی از بخش‌های کلیدی مارلین، الگوریتم:
Adaptive Branching Monte Carlo Tree Search (AB-MCTS)
است؛ روشی که در کنفرانس معتبر NeurIPS 2025 به‌عنوان مقاله Spotlight پذیرفته شده است.
این الگوریتم مانند یک پژوهشگر انسانی تصمیم می‌گیرد که در هر مرحله:
🔸 مسیرهای بیشتری را بررسی کند (Breadth)
یا
🔸 روی یک مسیر امیدوارکننده عمیق‌تر شود (Depth)
در نتیجه، فرآیند تحقیق به جای یک جستجوی خطی، به یک کاوش هوشمند و چندمرحله‌ای تبدیل می‌شود.
🤖 میراث پروژه AI Scientist
معماری مارلین بر پایه ایده‌های پروژه AI Scientist توسعه یافته است؛ سیستمی که هدف آن خودکارسازی چرخه کامل پژوهش علمی است:
💡 تولید ایده و فرضیه
🔎 جمع‌آوری و تحلیل اطلاعات
🧪 ارزیابی نتایج
📝 تولید گزارش علمی
این مسیر نشان می‌دهد که عامل‌های هوش مصنوعی در حال حرکت از «پاسخ‌دهنده» به سمت «پژوهشگر دیجیتال» هستند.
🎯 کاربردهای سازمانی مارلین
این ابزار برای مسائل پیچیده و راهبردی طراحی شده است؛ از جمله:
🏢 تدوین استراتژی ورود به بازارهای جدید
📊 تحلیل رقبا و شناسایی شکاف‌های استراتژیک
⚠️ مدل‌سازی سناریوهای بحران و تحلیل ریسک
📈 تهیه گزارش‌های بازار و روندهای فناوری
🔍 پشتیبانی از تصمیم‌گیری مدیران ارشد
نسخه فعلی مارلین پس از آزمایش با حدود ۳۰۰ متخصص در حوزه‌هایی مانند خدمات مالی، مشاوره و اندیشکده‌ها توسعه یافته است.
💳 مدل قیمت‌گذاری
🔹 Pay-as-you-go:
هر اجرا = ۱۰۰ اعتبار (هر اعتبار ۹۸ ین)
🔹 Pro:
۱۵۰ هزار ین در ماه + ۲۰۰۰ اعتبار
🔹 Team:
۴۰۰ هزار ین در ماه + ۶۰۰۰ اعتبار
🔹 Enterprise:
قیمت‌گذاری اختصاصی
⚙️ یک تغییر مهم در مسیر Agentهای هوش مصنوعی
بسیاری از ابزارهای فعلی Deep Research برای پاسخ سریع طراحی شده‌اند؛ اما مارلین یک فلسفه متفاوت را دنبال می‌کند:
⏱️ چند دقیقه کمتر،
🧠 چند ساعت تحلیل عمیق‌تر.
این رویکرد می‌تواند برای سازمان‌هایی که به گزارش‌های راهبردی و تصمیم‌های حساس نیاز دارند، اهمیت زیادی داشته باشد.
جالب اینکه هسته الگوریتمی این فناوری با نام TreeQuest به‌صورت متن‌باز و تحت مجوز Apache 2.0 منتشر شده، اما خود سرویس Sakana Marlin همچنان یک محصول بسته و تجاری است.
🔗 منابع:
Sakana Marlin:
https://sakana.ai/marlin/
معرفی رسمی محصول:
https://sakana.ai/marlin-release/
تحلیل MarkTechPost:
https://www.marktechpost.com/2026/06/15/sakana-ai-marlin/
#SakanaAI #AI #DeepResearch #AutonomousAgents #هوش_مصنوعی #عامل_هوشمند
🆔 @asrgooyeshpardaz
شرکت ژاپنی Sakana AI از نخستین محصول تجاری خود با نام Sakana Marlin رونمایی کرده است؛ یک عامل تحقیقاتی خودمختار (Autonomous Research Agent) برای سازمان‌ها که می‌تواند یک موضوع را دریافت کند، ساعت‌ها به‌صورت مستقل تحقیق کند و در پایان یک گزارش حرفه‌ای به همراه اسلایدهای ارائه تولید کند؛ بدون نیاز به دخالت انسان در طول فرآیند.
🔬 مارلین چگونه کار می‌کند؟
برخلاف بسیاری از ابزارهای «تحقیق عمیق» که در چند دقیقه پاسخ تولید می‌کنند، مارلین رویکرد متفاوتی دارد:
به جای سرعت، روی عمق، اعتبارسنجی و کیفیت تحلیل تمرکز می‌کند.
کاربر تنها موضوع موردنظر را مشخص می‌کند و سیستم تا حدود ۸ ساعت به‌صورت خودکار:
🔹 منابع مختلف را بررسی می‌کند
🔹 فرضیه‌ها و مسیرهای تحقیق را توسعه می‌دهد
🔹 یافته‌ها را ارزیابی و اصلاح می‌کند
🔹 گزارش نهایی و اسلایدهای ارائه را آماده می‌کند
📄 خروجی نهایی می‌تواند شامل:
گزارش ۶۰ تا ۱۰۰ صفحه‌ای
۶۰ تا ۸۰ منبع معتبر
اسلایدهای ارائه با طراحی تولیدشده توسط مدل‌های هوش مصنوعی
باشد.
🧠 فناوری پشت پرده: جستجوی هوشمند با AB-MCTS
یکی از بخش‌های کلیدی مارلین، الگوریتم:
Adaptive Branching Monte Carlo Tree Search (AB-MCTS)
است؛ روشی که در کنفرانس معتبر NeurIPS 2025 به‌عنوان مقاله Spotlight پذیرفته شده است.
این الگوریتم مانند یک پژوهشگر انسانی تصمیم می‌گیرد که در هر مرحله:
🔸 مسیرهای بیشتری را بررسی کند (Breadth)
یا
🔸 روی یک مسیر امیدوارکننده عمیق‌تر شود (Depth)
در نتیجه، فرآیند تحقیق به جای یک جستجوی خطی، به یک کاوش هوشمند و چندمرحله‌ای تبدیل می‌شود.
🤖 میراث پروژه AI Scientist
معماری مارلین بر پایه ایده‌های پروژه AI Scientist توسعه یافته است؛ سیستمی که هدف آن خودکارسازی چرخه کامل پژوهش علمی است:
💡 تولید ایده و فرضیه
🔎 جمع‌آوری و تحلیل اطلاعات
🧪 ارزیابی نتایج
📝 تولید گزارش علمی
این مسیر نشان می‌دهد که عامل‌های هوش مصنوعی در حال حرکت از «پاسخ‌دهنده» به سمت «پژوهشگر دیجیتال» هستند.
🎯 کاربردهای سازمانی مارلین
این ابزار برای مسائل پیچیده و راهبردی طراحی شده است؛ از جمله:
🏢 تدوین استراتژی ورود به بازارهای جدید
📊 تحلیل رقبا و شناسایی شکاف‌های استراتژیک
⚠️ مدل‌سازی سناریوهای بحران و تحلیل ریسک
📈 تهیه گزارش‌های بازار و روندهای فناوری
🔍 پشتیبانی از تصمیم‌گیری مدیران ارشد
نسخه فعلی مارلین پس از آزمایش با حدود ۳۰۰ متخصص در حوزه‌هایی مانند خدمات مالی، مشاوره و اندیشکده‌ها توسعه یافته است.
💳 مدل قیمت‌گذاری
🔹 Pay-as-you-go:
هر اجرا = ۱۰۰ اعتبار (هر اعتبار ۹۸ ین)
🔹 Pro:
۱۵۰ هزار ین در ماه + ۲۰۰۰ اعتبار
🔹 Team:
۴۰۰ هزار ین در ماه + ۶۰۰۰ اعتبار
🔹 Enterprise:
قیمت‌گذاری اختصاصی
⚙️ یک تغییر مهم در مسیر Agentهای هوش مصنوعی
بسیاری از ابزارهای فعلی Deep Research برای پاسخ سریع طراحی شده‌اند؛ اما مارلین یک فلسفه متفاوت را دنبال می‌کند:
⏱️ چند دقیقه کمتر،
🧠 چند ساعت تحلیل عمیق‌تر.
این رویکرد می‌تواند برای سازمان‌هایی که به گزارش‌های راهبردی و تصمیم‌های حساس نیاز دارند، اهمیت زیادی داشته باشد.
جالب اینکه هسته الگوریتمی این فناوری با نام TreeQuest به‌صورت متن‌باز و تحت مجوز Apache 2.0 منتشر شده، اما خود سرویس Sakana Marlin همچنان یک محصول بسته و تجاری است.
🔗 منابع:
Sakana Marlin:
https://sakana.ai/marlin/
معرفی رسمی محصول:
https://sakana.ai/marlin-release/
تحلیل MarkTechPost:
https://www.marktechpost.com/2026/06/15/sakana-ai-marlin/
#SakanaAI #AI #DeepResearch #AutonomousAgents #هوش_مصنوعی #عامل_هوشمند
🆔 @asrgooyeshpardaz
sakana.ai
Sakana Marlin — Your Virtual CSO.
リサーチはAIへ。人間は「意思決定」に集中する。
👍4❤2