قرارداد ۱۰۰ میلیون دلاری میرندیل و گوگل کلاود برای جهش هوش مصنوعی خودبهبودگر XNET | اخبار و تحلیل هوش مصنوعی
از نگاه من، این ۱۰۰ میلیون دلار هزینه نیست ؛ چرا که وقتی آن را در کنار ابعاد کلان هزینه ۲۰۵ میلیارد دلاری گوگل برای هوش مصنوعی قرار میدهیم، متوجه میشویم این یک سرمایهگذاری استراتژیک و هوشمندانه برای سلطه بر اکوسیستم کلاود است. پس از کلی بررسی منابع معتبر و…
خلاصه تحلیلی خبر
از نگاه من، این ۱۰۰ میلیون دلار هزینه نیست ؛ چرا که وقتی آن را در کنار ابعاد کلان هزینه ۲۰۵ میلیارد دلاری گوگل برای هوش مصنوعی قرار میدهیم، متوجه میشویم این یک سرمایهگذاری استراتژیک و هوشمندانه برای سلطه بر اکوسیستم کلاود است. پس از کلی بررسی منابع معتبر و…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، میرندیل، مدلهای، هوش، مصنوعی
از نگاه من، این۱۰۰ میلیون دلار هزینه نیست؛ چرا که وقتی آن را در کنار ابعاد کلانهزینه ۲۰۵ میلیارد دلاری گوگل برای هوش مصنوعیقرار میدهیم، متوجه میشویم این یک سرمایهگذاری استراتژیک و هوشمندانه برای سلطه بر اکوسیستم کلاود است.
پس از کلی بررسی منابع معتبر و تحلیل دادههادر تحریریه ، به این نتیجه رسیدم که این قرارداد صرفاً یک معامله تجاری ساده نیست؛ بلکه آغاز عصر “استقلال یادگیری” در ماشینهاست. منآرمان فاضلیمعتقدم این حرکت میرندیل (Mirandyl) پاسخی مستقیم به چالشهای هزینهبر آموزش مدلهای بزرگ است که در اواخر سال ۲۰۲۵ به بنبست رسیده بود.
چرا هوش مصنوعی خود-بهبودگر (RSI) ترند اول ۲۰۲۶ است؟
در دنیای فناوری امروز، دیگر آموزش دادن مدلها توسط انسان (Supervised Learning) نه صرفه اقتصادی دارد و نه سرعت کافی. هوش مصنوعی خود-بهبودگر یاRecursive Self-Improvementبه مدلی گفته میشود که با تکیه بر الگوریتمهای بازگشتی، میتواند معماری داخلی خود را تحلیل کرده، باگهای منطقیاش را پیدا کند و در نسخه بعدی، خودش را بدون دخالت مهندسان ارشد بازنویسی کند.
طبق آماری که ماه گذشته در گزارش سالانهAI Index 2026منتشر شد، مدلهایی که از مکانیزمهای خود-اصلاحگر استفاده میکنند، تا۴۰ درصد بهرهوری انرژی بیشترینسبت به مدلهای ایستا دارند. این دقیقاً همان چیزی است که میرندیل به دنبال آن است.
جزئیات قرارداد ۱۰۰ میلیون دلاری
طبق اطلاعاتی که به دست ما رسیده، این مبلغ قرار است صرف دسترسی اختصاصی میرندیل به کلاسترهای جدیدTPU v7گوگل کلاود شود. این سختافزارها بهطور ویژه برای پردازشهای موازی سنگین که در یادگیری بازگشتی (Recursive Learning) نیاز است، بهینهسازی شدهاند.
نقل قول معتبر
«همکاری با گوگل کلاود به ما اجازه میدهد تا از مرزهای یادگیری نظارت شده عبور کنیم. هدف ما در میرندیل، خلق سیستمی است که هر ثانیه از خودش باهوشتر شود.»دکتر سارا ونک، مدیرعامل میرندیل
تحلیل شخصی: طبق تجربه من در تست مدلهای اولیه…
من در تحریریه XNET، نسخهی بتای پلتفرم میرندیل را ماه گذشته تست کردم.نظر شخصی من این است کهقدرت واقعی میرندیل نه در حجم داده، بلکه در “منطق اصلاحی” آن نهفته است. برخلاف مدلهای قدیمی که فقط جملات را پیشبینی میکردند، این سیستم قادر است استدلال خود را بازنگری کند. این قرارداد با گوگل، سوخت جت مورد نیاز برای این موتور استدلال را تامین میکند.
مقایسه مدلهای سنتی و مدلهای خود-بهبودگر میرندیل
| ویژگی | هوش مصنوعی سنتی (۲۰۲۴) | هوش مصنوعی خود-بهبودگر میرندیل (۲۰۲۶) |
| منبع بهبود | بازخورد انسانی و داده جدید | تحلیل کد داخلی و بهینهسازی خودکار |
| هزینه پردازش | بسیار بالا (رشد خطی) | بهینه (رشد کاهشی در بلندمدت) |
| سرعت آپدیت | ماهها زمان برای آموزش مجدد | آپدیتهای لحظهای و پیوسته |
| زیرساخت | GPUهای عمومی | اختصاصی گوگل کلاود TPU v7 |
تأثیر بر بازار رقابت
گوگل با این قرارداد، عملاً میرندیل را در برابر ائتلافهای قدرتمندی مثل مایکروسافت-OpenAI تجهیز کرده است. از نگاه من، این ۱۰۰ میلیون دلار هزینه نیست، بلکه یک سرمایهگذاری استراتژیک برای گوگل است تا اکوسیستم کلاود خود را به عنوان “مهد هوش مصنوعی هوشمند” تثبیت کند.
نکات کلیدی این تحول
- کاهش وابستگی به دیتاسنترهای عظیم با بهینهسازی کدهای مدل.
- افزایش دقت در پاسخهای تخصصی (پزشکی، حقوقی و مهندسی).
- ایجاد شکاف عمیق بین شرکتهای دارای زیرساخت کلاود و استارتاپهای معمولی.
میرندیل؛ آغاز استقلال مطلق ماشین
سوالات متداول
برای دسترسی به کلاسترهای پردازشی TPU v7 جهت توسعه مدلهای هوش مصنوعی که میتوانند بهطور خودکار کدهای خود را اصلاح و بهینه کنند.
نسل جدیدی از هوش مصنوعی که بدون نیاز به دخالت مداوم انسان، توانایی تحلیل ساختار خود و ارتقای سطح هوش و کاراییاش را دارد.
گوگل فراتر از یک تامینکننده، زیرساختهای محاسباتی فوقسریع و اختصاصی خود را در اختیار میرندیل قرار میدهد تا مدلهای سنگین را اجرا کند.
این فناوری بیشتر بر بهینهسازی خودکار متمرکز است، اما سرعت رشد AI را به شدت افزایش میدهد که نیازمند بازنگری در تعامل انسان و ماشین است.
پیشبینی میشود اولین نسخههای تجاری این مدلهای خود-بهبودگر در سه ماهه سوم سال ۲۰۲۶ وارد بازار شوند.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.