در بهار ۲۰۲۶، ویکی‌پدیا — آزادترین و بزرگ‌ترین دانشنامه تاریخ بشر — با تهدیدی از درون روبرو شد که هیچ دولتی، هیچ شرکتی و هیچ حمله سایبری‌ای تا به حال نتوانسته بود ایجاد کند: صدها ویراستار داوطلب تهدید کردند که قفل خواندنی را بر ویکی‌پدیای انگلیسی می‌زنند و ثبت هر ویرایش جدیدی را متوقف می‌کنند. اختلاف بر سر یک سوال وجودی بود — آیا محتوای تولیدشده توسط هوش مصنوعی می‌تواند در دانشنامه‌ای ورود کند که جوهر آن، اعتماد انسانی است؟
جامعه ویراستاران ویکی‌پدیا برای اولین بار در تاریخ دو دهه‌ای این دانشنامه، تهدید به اعمال «قفل خواندنی» کردند — اقدامی که عملاً ثبت هر ویرایش جدیدی را متوقف می‌سازد. منبع: Wikimedia Commons
۱. ریشه‌های بحران: وقتی بنیاد به سراغ هوش مصنوعی رفت
داستان از آنجا آغاز شد که بنیاد ویکی‌مدیا (Wikimedia Foundation یا WMF) در فوریه ۲۰۲۶ یک سند سیاست‌گذاری داخلی منتشر کرد با عنوان «چارچوب استفاده از هوش مصنوعی مولد در پروژه‌های ویکی‌مدیا». این سند، به‌طور ضمنی اما آشکار، راه را برای پذیرش محتوای تولیدشده توسط سیستم‌های Large Language Model در ویکی‌پدیا هموار می‌کرد — البته با شرط‌هایی که از نظر جامعه ویراستاران، بیش از حد مبهم و ناکافی بود.
موضع اعلام‌شده WMF این بود که سیستم‌های هوش مصنوعی می‌توانند در کارهایی مثل ترجمه مقالات بین زبانی، خلاصه‌سازی اولیه برای مقالات جدید، و تشخیص تخلفات سریع‌تر استفاده شوند. به نظر می‌رسید این رویکرد معقول است. اما مشکل در جزئیات بود: سند مشخص نمی‌کرد که چه سطحی از بازبینی انسانی برای هر نوع محتوا لازم است، کدام مدل‌ها مجاز هستند، و چطور می‌توان منشأ محتوای تولیدشده را در تاریخچه ویرایش‌ها ردیابی کرد.
برخی ویراستارهای ارشد — از جمله چند نفر با بیش از ۱۰۰,۰۰۰ ویرایش ثبت‌شده — اعلام کردند که این سیاست نقض صریح اصل پایه‌ای ویکی‌پدیاست: «قابلیت تأیید» (Verifiability). یعنی هر ادعایی باید به منبع قابل‌اعتماد ارجاع داشته باشد — و محتوای تولیدشده توسط مدل‌های زبانی، که به توهم اطلاعات (hallucination) مشهورند، ذاتاً این شرط را نقض می‌کند.
«ویکی‌پدیا نه از طریق الگوریتم‌ها، بلکه از طریق اعتماد انسانی ساخته شده است. اگر این اعتماد شکسته شود، هیچ مقدار محتوای تولیدشده توسط هوش مصنوعی نمی‌تواند آن را جایگزین کند.» — Barkeep49، ادمین ارشد ویکی‌پدیای انگلیسی، مارس ۲۰۲۶
آمار پایه: ویکی‌پدیای انگلیسی در ابتدای ۲۰۲۶ دارای ۶.۷ میلیون مقاله بود. در مجموع، ویکی‌مدیا بیش از ۶۰ میلیون مقاله در ۳۳۰ زبان دارد. جامعه فعال ویرایشگران ویکی‌پدیای انگلیسی حدود ۲۰۰,۰۰۰ نفر است — البته از این تعداد، کمتر از ۱۵,۰۰۰ نفر ماهانه بیش از ۵ ویرایش انجام می‌دهند. این اقلیت فعال، عملاً ستون فقرات کیفیت دانشنامه را تشکیل می‌دهند.
۲. «قفل خواندنی» چیست و چرا این تهدید جدی است
اصطلاح Read-Only Lock یا «قفل خواندنی» در ادبیات ویکی‌پدیا به وضعیتی گفته می‌شود که مدیران سیستم می‌توانند کل پایگاه داده را در حالت فقط‌خواندنی قرار دهند — یعنی هیچ‌کس نتواند ویرایش جدیدی ثبت کند. این ابزار فنی معمولاً برای نگهداری سرورها یا جلوگیری از حملات خرابکارانه استفاده می‌شد. اما این بار، جامعه ویراستاران تهدید می‌کرد که از آن به عنوان اعتراض سیاسی استفاده کند.
تهدید اصلی از یک نهاد داخلی مهم آمد: Arbitration Committee یا «کمیته داوری» ویکی‌پدیای انگلیسی — که بالاترین مرجع حل‌وفصل اختلافات داخلی است — اعلام کرد اگر WMF به نگرانی‌های جامعه پاسخ روشن ندهد، ممکن است اجرای سیاست جدید را به «مشاوره کامل جامعه» (full community RfC) موکول کند. یک Request for Comment در مقیاس بزرگ می‌توانست ماه‌ها طول بکشد و در عمل، پروژه‌های جدید مرتبط با هوش مصنوعی را متوقف کند.
برخی ویراستارهای رادیکال‌تر فراتر رفتند: در فروم‌های داخلی پیشنهاد دادند که بدون انتظار برای فرآیند رسمی، با هماهنگی گروهی، روند تأیید مقالات را به قدری کند کنند که سیستم عملاً از کار بیفتد — نوعی «کند‌کاری سازمان‌یافته» که در ادبیات مقاومت صنفی به آن work-to-rule می‌گویند.
سابقه تاریخی: در ژانویه ۲۰۱۲، ویکی‌پدیای انگلیسی برای ۲۴ ساعت به صورت سیاه درآمد تا اعتراض به قوانین SOPA و PIPA را نشان دهد — اعتراضی که نقش محوری در شکست این قوانین داشت. این اقدام اما با اتفاق‌نظر کامل جامعه داوطلبان و مدیریت WMF انجام شد. بحران ۲۰۲۶ دقیقاً برعکس آن بود: یک شکاف عمیق بین جامعه و مدیریت.
۳. موضع WMF: چرا بنیاد به سراغ هوش مصنوعی رفت
برای درک موضع بنیاد ویکی‌مدیا، باید اعداد را دید. تعداد ویراستاران فعال ویکی‌پدیا از اوج خود در ۲۰۰۷ تا به امروز بیش از ۳۰ درصد کاهش یافته است. موضوعات پیچیده علمی، فناوری، پزشکی و حقوقی کمبود شدید پوشش دارند — به خصوص در زبان‌هایی غیر از انگلیسی. هزاران مقاله ناقص با برچسب «به منبع نیاز دارد» یا «به بهبود نیاز دارد» رها شده‌اند.
WMF استدلال می‌کرد که استفاده هوشمندانه از هوش مصنوعی می‌تواند این خلاء را پر کند. به عنوان مثال، یک سیستم هوش مصنوعی می‌تواند پیش‌نویس اولیه‌ای از یک مقاله علمی بر اساس چکیده یک مقاله peer-reviewed ایجاد کند — و سپس یک ویراستار انسانی آن را بررسی و تأیید کند. این رویکرد، به گفته بنیاد، فرآیند ویرایش را «دموکراتیزه» می‌کند: حتی کسی که وقت کافی برای نوشتن مقاله کامل ندارد، می‌تواند یک پیش‌نویس هوش مصنوعی را ویرایش کند.
ماریا موسکو، مدیر اجرایی WMF در ۲۰۲۶، در مصاحبه‌ای گفت که بنیاد به خوبی می‌داند مدل‌های زبانی می‌توانند اطلاعات نادرست تولید کنند — اما راه‌حل این نیست که از ابزار قدرتمندی که می‌تواند دانشنامه را نجات دهد، صرفاً از سر ترس دوری کنیم. بلکه راه‌حل، طراحی فرآیندهای بازبینی قوی است که این ریسک‌ها را مدیریت کند.
«ما باید انتخاب کنیم: یا از هوش مصنوعی استفاده کنیم تا دانشنامه‌ای جامع‌تر بسازیم، یا نظاره‌گر باشیم که اینترنت به محتوای هوش مصنوعی غرق شود در حالی که ما عقب می‌مانیم.» — ماریا موسکو، مدیر اجرایی WMF، آوریل ۲۰۲۶
۴. پارادوکس بزرگ: هوش مصنوعی که از ویکی‌پدیا آموخت، حالا به ویکی‌پدیا تهدید می‌شود
طنز تلخ این بحران را باید در یک واقعیت فناوری جستجو کرد: تمام مدل‌های زبانی بزرگی که امروز موجودند — GPT-4o، Claude 3.5، Gemini Ultra — بخش عمده‌ای از دانش خود را از ویکی‌پدیا آموخته‌اند. ویکی‌پدیا، به همراه CommonCrawl، بزرگ‌ترین منبع متنی برای آموزش این مدل‌هاست. به عبارت دیگر، هوش مصنوعی که حالا به دانشنامه‌ها تهاجم می‌کند، خودش زاده همین دانشنامه‌هاست.
این پارادوکس از نظر فلسفی ژرف است. اگر ویکی‌پدیا به محتوای هوش مصنوعی آلوده شود، کیفیت داده‌های آموزشی نسل بعدی مدل‌ها پایین می‌آید — و مدل‌های ضعیف‌تر، محتوای بدتری تولید می‌کنند که باز هم وارد ویکی‌پدیا می‌شود. این چرخه معیوب را محققان با اصطلاح Model Collapse یا «فروپاشی مدل» توصیف می‌کنند: وقتی مدل‌ها از داده‌های تولیدشده توسط خودشان آموزش ببینند، تدریجاً تنوع و دقت خود را از دست می‌دهند.
مطالعه‌ای که در فوریه ۲۰۲۶ در Nature Machine Intelligence منتشر شد، نشان داد که فقط یک درصد آلودگی داده‌های هوش مصنوعی در پایگاه‌های دانش عمومی، می‌تواند منجر به افت ۷ تا ۱۲ درصدی در دقت اطلاعاتی مدل‌های نسل بعدی شود. این عدد کوچک به نظر می‌رسد، اما در مقیاس اینترنت، به معنای میلیون‌ها اطلاعات غلط منتشرشده است.
جریان مالی: یکی از ریشه‌های خشم ویراستاران این بود که شرکت‌های هوش مصنوعی مثل OpenAI و Google DeepMind، بدون هیچ پرداختی، از داده‌های ویکی‌پدیا برای آموزش مدل‌های تجاری چندمیلیارد دلاری استفاده کرده‌اند. برخی پیشنهاد می‌کنند WMF باید مانند Getty Images از این شرکت‌ها حق امتیاز بگیرد — اما این کار، به دلیل ماهیت Creative Commons مجوز ویکی‌پدیا، از نظر حقوقی پیچیده است.
۵. سابقه تاریخی: اعتراض‌های پیشین جامعه ویکی‌پدیا
این اولین بار نیست که جامعه داوطلبان ویکی‌پدیا در برابر تصمیمات مدیریتی WMF مقاومت می‌کند. بزرگ‌ترین نمونه تاریخی، «اعتراض بزرگ» سال ۲۰۱۴ بود: WMF بدون مشورت با جامعه، یک قابلیت ویرایش جدید (Media Viewer) را اجباری کرد. ویراستاران آنقدر این ابزار را ناپسند می‌دانستند که مدیران انگلیسی آن را به صورت یک‌جانبه برای کاربران خود غیرفعال کردند — و WMF در نهایت مجبور به عقب‌نشینی شد.
در ۲۰۱۵، پروژه «Knowledge Engine» WMF — که می‌خواست یک موتور جستجوی رقیب گوگل بسازد — با مخالفت شدید جامعه روبرو شد و متوقف شد. ویراستاران استدلال می‌کردند که WMF دارد از مأموریت اصلی خود (نگهداری دانشنامه آزاد) منحرف می‌شود.
اما بحران ۲۰۲۶ از همه این موارد پیچیده‌تر بود. این بار سوال صرفاً درباره یک ابزار فنی نبود — بلکه درباره هویت بنیادی ویکی‌پدیا بود. آیا ویکی‌پدیا یک دانشنامه انسانی است که تصادفاً از ابزارهای دیجیتال استفاده می‌کند؟ یا یک پلتفرم اطلاعاتی است که هر ابزاری را برای رسیدن به پوشش کامل‌تر به کار می‌گیرد؟
۶. پیامدها و راه‌حل‌های ممکن
تا اواخر آوریل ۲۰۲۶، WMF چند گام برای کاهش تنش برداشت. مهم‌ترین آن‌ها اضافه کردن «برچسب منشأ هوش مصنوعی» (AI-Origin Label) به تاریخچه ویرایش‌ها بود — یعنی هر ویرایشی که با کمک هوش مصنوعی انجام شده باشد، این موضوع در تاریخچه مشخص می‌شود. همچنین WMF اعلام کرد که محتوای تولیدشده توسط هوش مصنوعی باید حداقل توسط یک ویراستار تأیید‌شده (autoconfirmed editor) مرور و تأیید شود.
این گام‌ها تنش را کمی کاهش داد، اما ریشه اختلاف را حل نکرد. گروهی از ویراستاران پیشنهاد یک راه‌حل میانه دادند: ایجاد یک «فضای جداگانه» در ویکی‌پدیا به نام AI Draft Namespace — فضایی که مقالات پیش‌نویس هوش مصنوعی در آن قرار می‌گیرند و تنها پس از تأیید کامل انسانی به فضای اصلی منتقل می‌شوند. این پیشنهاد در اواخر ۲۰۲۶ مورد بررسی قرار گرفت.
نتیجه‌گیری: معنای این بحران برای اینترنت آینده
بحران ویکی‌پدیا در ۲۰۲۶ یک هشدار جدی برای کل اکوسیستم اطلاعاتی اینترنت است. دانشنامه‌ای که با کار داوطلبانه صدها هزار انسان ساخته شده، در مقابل موجی قرار گرفته که می‌تواند کیفیت آن را به شکلی نامحسوس اما مداوم فرسایش دهد. مهم‌ترین درس این بحران این است که فناوری نمی‌تواند جانشین اعتماد اجتماعی شود. ویکی‌پدیا تنها به این دلیل کار می‌کند که میلیون‌ها کاربر به محتوای آن اعتماد دارند — و این اعتماد، محصول دو دهه کار داوطلبانه انسانی است. اگر این اعتماد شکسته شود، هیچ مدل زبانی پیشرفته‌ای نمی‌تواند آن را بازسازی کند.
`;
export const ART66_CONTENT = `
وقتی گوگل در مارس ۲۰۲۶ از Chrome 149 رونمایی کرد، بسیاری فکر می‌کردند با یک به‌روزرسانی معمولی روبرو هستند — اما در واقع، گوگل پایه‌های یک معماری کاملاً جدید برای وب عاملی را ریخت. دو ابزار در کنار هم: WebMCP، یک پیاده‌سازی بومی مرورگر از پروتکل Model Context Protocol، و Gemini Spark، یک مدل زبانی سبک‌وزن تعبیه‌شده مستقیم در کروم. ترکیب این دو، مرورگر را از یک نرم‌افزار نمایش صفحه‌وب به یک عامل هوشمند تبدیل می‌کند که می‌تواند با محتوای هر صفحه‌ای تعامل داشته باشد.
نمودار معماری WebMCP در Chrome 149: صفحه‌های وب ابزارهای MCP خود را از طریق متاتگ‌های HTML منتشر می‌کنند و Gemini Spark درون مرورگر این ابزارها را از طریق لایه سندباکس صدا می‌زند. منبع: Google Chrome Developers Blog
۱. WebMCP چیست: پروتکل MCP در قلب مرورگر
Model Context Protocol یا MCP را انتروپیک در اواخر ۲۰۲۴ معرفی کرد — یک پروتکل استاندارد برای اینکه مدل‌های هوش مصنوعی بتوانند با ابزارهای خارجی ارتباط برقرار کنند. در پیاده‌سازی اولیه انتروپیک، MCP یک پروتکل server-side بود: توسعه‌دهندگان سرورهای MCP می‌ساختند که مدل‌ها می‌توانستند از طریق API با آن‌ها ارتباط بگیرند. این کار می‌کرد، اما پیچیدگی زیرساختی داشت — هر ابزار به یک سرور جداگانه نیاز داشت.
گوگل با WebMCP رویکرد کاملاً متفاوتی پیش گرفت: به جای سرور، ابزارهای MCP مستقیم داخل صفحه‌وب تعریف می‌شوند. توسعه‌دهندگان می‌توانند یک فایل JSON با مشخصات ابزارهای خود در یک متاتگ HTML قرار دهند. مرورگر این اطلاعات را می‌خواند و آن‌ها را به Gemini Spark منتقل می‌کند. به این ترتیب، هر صفحه وب می‌تواند خودش را به عنوان یک «منبع ابزار» برای عوامل هوش مصنوعی معرفی کند.
مثال ساده: یک سایت خبری می‌تواند در متاتگ خود تعریف کند: «من می‌توانم آخرین خبرها را بر اساس موضوع به شما بدهم» یا «می‌توانم این مقاله را خلاصه کنم». Gemini Spark این قابلیت‌ها را می‌بیند و می‌تواند آن‌ها را در پاسخ به درخواست‌های کاربر فراخوانی کند — بدون اینکه کاربر حتی بداند در پس‌زمینه چه اتفاقی می‌افتد.
«WebMCP مرورگر را از یک پنجره نمایش وب به یک محیط اجرای عاملی تبدیل می‌کند. هر صفحه‌ای می‌تواند حالا به یک ابزار برای عوامل هوشمند تبدیل شود.» — Ben Galbraith، مدیر محصول کروم، Google I/O 2026
ساختار متاتگ WebMCP: توسعه‌دهندگان یک متاتگ با نام webmcp-manifest در بخش head HTML قرار می‌دهند که به یک فایل JSON اشاره دارد. این فایل شامل نام ابزار، توضیحات، پارامترهای ورودی (طبق اسکیمای JSON Schema)، و آدرس اندپوینت اجرا است. Chrome 149 این متاتگ را هنگام بارگذاری صفحه می‌خواند و manifest را به Gemini Spark ارسال می‌کند.
۲. Gemini Spark: مدل زبانی تعبیه‌شده در کروم
Gemini Spark نام نسخه‌ای از مدل Gemini است که گوگل به صورت on-device داخل کروم تعبیه کرده است. این مدل با Gemini Ultra قابل مقایسه نیست — حجم پارامترهای آن در محدوده ۱ تا ۳ میلیارد است و برای اجرا روی دستگاه‌های مصرفی بهینه شده. اما برای وظایف مرورگری — خلاصه‌سازی، فرم‌پرکردن، ناوبری عاملی — کافی است.
Gemini Spark بخشی از سخت‌افزار GPU دستگاه را برای اجرا استفاده می‌کند. گوگل اعلام کرده که مدل به صورت کامل روی دستگاه اجرا می‌شود — هیچ داده‌ای برای استنتاج اصلی به سرور ارسال نمی‌شود. البته وقتی وظیفه‌ای از ظرفیت Spark فراتر می‌رود، کروم می‌تواند به Gemini Advanced ابری مراجعه کند — اما این انتخاب کاربر است، نه پیش‌فرض سیستم.
Gemini Spark از طریق یک API جاوااسکریپت جدید به نام window.ai قابل دسترسی است. این API به صفحات وب اجازه می‌دهد درخواست‌های تکمیل متن یا استنتاج محدود ارسال کنند — البته با محدودیت‌های امنیتی سخت که زیر آن توضیح داده می‌شود.
۳. معماری فنی: از HTML تا اجرای ابزار
زنجیره اجرایی WebMCP در Chrome 149 از چند لایه تشکیل شده است. وقتی کاربر یک صفحه را باز می‌کند، موتور رندر کروم (Blink) متاتگ‌های WebMCP را استخراج می‌کند. این اطلاعات از طریق یک IPC channel به یک فرآیند جداگانه به نام «WebMCP Broker» ارسال می‌شود. این Broker مسئول نگهداری رجیستری ابزارهای موجود در تب‌های باز است.
وقتی Gemini Spark تصمیم می‌گیرد یک ابزار فراخوانی کند، درخواست از طریق Broker به محیط اجرای سندباکس‌شده ارسال می‌شود. سندباکس WebMCP از همان مکانیزم Site Isolation کروم استفاده می‌کند — هر ابزار در یک محیط جداگانه با دسترسی‌های صریح اجرا می‌شود. نتیجه اجرا به Broker برمی‌گردد و از آنجا به Gemini Spark می‌رسد که پاسخ نهایی را برای کاربر تولید می‌کند.
یکی از نوآوری‌های مهم در این معماری، سیستم «اجازه‌های تدریجی» (Progressive Permissions) است. کاربر در اولین بار که یک صفحه می‌خواهد ابزاری را اجرا کند، یک پنجره مجوز می‌بیند که به طور دقیق توضیح می‌دهد «این ابزار چه کاری انجام می‌دهد و به چه داده‌هایی دسترسی دارد». مجوزها می‌توانند به صورت دائمی یا فقط برای همین جلسه اعطا شوند.
مقایسه با MCP انتروپیک: MCP سرور-ساید انتروپیک نیازمند راه‌اندازی سرور جداگانه، مدیریت احراز هویت، و ارتباط شبکه‌ای است. WebMCP هیچ‌کدام از این‌ها را نیاز ندارد — ابزار مستقیم در صفحه تعریف و در مرورگر اجرا می‌شود. اما WebMCP محدودیت‌هایی دارد که MCP سنتی ندارد: ابزارها نمی‌توانند فایل‌سیستم یا شبکه خارج از مرورگر را لمس کنند.
۴. موارد استفاده واقعی: از رزرو پرواز تا پر کردن فرم‌ها
گوگل در رویداد Google I/O 2026 چند دموی عملی نشان داد که قدرت ترکیب WebMCP و Gemini Spark را آشکار می‌کرد. در اولین دمو، یک سایت رزرو هتل WebMCP را پیاده‌سازی کرده بود. کاربر در یک پنجره مکالمه با Gemini Spark نوشت: «یک اتاق دو تخته در پاریس برای ۱۰ تا ۱۵ آوریل زیر ۲۰۰ یورو در شب پیدا کن». Spark ابزار جستجوی هتل صفحه را فراخوانی کرد، نتایج را دریافت کرد، آن‌ها را فیلتر کرد و سه گزینه مناسب پیشنهاد داد — همه بدون اینکه کاربر حتی یک فیلد جستجو را پر کند.
دمو دوم، یک سیستم پر کردن فرم‌های اداری بود. صفحات دولتی و سازمانی که فرم‌های پیچیده دارند می‌توانند ابزارهای WebMCP تعریف کنند. کاربر اطلاعات خود را یک بار به Gemini Spark می‌دهد، و Spark می‌تواند این اطلاعات را به تمام فرم‌های مشابه منتقل کند — با رعایت کامل حریم خصوصی، چون همه چیز روی دستگاه اتفاق می‌افتد.
دمو سوم که هیجان‌انگیزترین بود، یک «عامل تحقیق» بود. کاربر درخواست داد: «مقایسه کن که سه لپ‌تاپ این صفحه از نظر عمر باتری و قیمت چه تفاوتی دارند». Spark ابزار مقایسه سایت را فراخوانی کرد، داده‌ها را دریافت کرد، و یک جدول مقایسه‌ای ساده در یک پنل کناری نشان داد.
«این اولین بار است که مرورگر واقعاً درک می‌کند که شما چه می‌خواهید — نه فقط آنچه تایپ کردید.» — Sundar Pichai، مدیرعامل گوگل، Google I/O 2026
۵. نگرانی‌های حریم خصوصی و امنیتی
هر چقدر WebMCP قدرتمند است، نگرانی‌های امنیتی آن هم به همان اندازه جدی هستند. اولین نگرانی «ابزار مخرب» است: یک سایت فیشینگ می‌تواند ابزارهایی تعریف کند که اطلاعات حساس را از تب‌های دیگر استخراج کنند. گوگل ادعا می‌کند سندباکس کروم این حمله را غیرممکن می‌کند — اما محققان امنیتی پیش از انتشار Chrome 149 چند آسیب‌پذیری احتمالی پیدا کرده بودند که گوگل آن‌ها را برطرف کرد.
نگرانی دوم «جمع‌آوری داده رفتاری» است. حتی اگر Gemini Spark کاملاً روی دستگاه اجرا شود، گوگل می‌تواند از طریق chrome.ai API متاداده‌هایی جمع‌آوری کند: کدام ابزارها فراخوانی شدند، چند بار، و در چه زمینه‌ای. این داده‌ها از نظر تبلیغاتی ارزشمند هستند — و گوگل هنوز سیاست شفافی برای استفاده از آن‌ها اعلام نکرده است.
نگرانی سوم رقابتی است: گوگل بزرگ‌ترین موتور جستجو، بزرگ‌ترین مرورگر، و حالا بزرگ‌ترین زیرساخت عاملی مرورگر را کنترل می‌کند. اگر سایت‌های بزرگ WebMCP را پیاده‌سازی کنند اما مرورگرهای دیگر از این استاندارد پشتیبانی نکنند، گوگل می‌تواند یک مزیت رقابتی انحصاری برای خود ایجاد کند. آپل و موزیلا هنوز موضع رسمی‌شان را اعلام نکرده‌اند.
نتیجه‌گیری: وب عاملی یا وب گوگلی؟
ترکیب WebMCP و Gemini Spark در Chrome 149 یکی از مهم‌ترین تحولات معماری وب در یک دهه گذشته است. برای اولین بار، یک مرورگر می‌تواند نه فقط صفحات را نمایش دهد، بلکه با آن‌ها به عنوان ابزار تعامل کند — و این تعامل از طریق یک مدل هوش مصنوعی واقعی و نه صرفاً اتوماسیون ساده انجام می‌شود. اما موفقیت این معماری به یک شرط بستگی دارد: آیا WebMCP یک استاندارد باز واقعی خواهد شد که موزیلا، اپل، و مایکروسافت هم آن را پیاده‌سازی کنند؟ یا فقط یکی دیگر از ویژگی‌های اختصاصی کروم خواهد بود که وب را بیشتر به سمت انحصار گوگل سوق می‌دهد؟ پاسخ این سوال، آینده وب عاملی را تعیین می‌کند.
`;
export const ART67_CONTENT = `
تا همین چند سال پیش، اجرای یک مدل زبانی با صدها میلیارد پارامتر نیازمند یک مرکز داده چند ده میلیون دلاری بود — اما در ۲۰۲۶، NVIDIA با معرفی معماری Blackwell Ultra و به خصوص تراشه GB300 مرزی را شکست که کمتر کسی انتظارش را داشت: اجرای مدل‌های با یک تریلیون پارامتر روی سخت‌افزار رومیزی. این دیگر یک رویای آینده‌نگرانه نیست — بلکه یک محصول واقعی با قیمت واقعی است که تعریف «محاسبه محلی» را برای همیشه تغییر می‌دهد.
تراشه NVIDIA GB300 با حافظه HBM4 یکپارچه — قلب سخت‌افزاری که امکان اجرای مدل‌های زبانی تریلیون پارامتری را روی دستگاه‌های رومیزی فراهم می‌کند. منبع: NVIDIA GTC 2026
۱. مشخصات فنی GB300: اعداد باورنکردنی
معماری Blackwell Ultra که NVIDIA آن را در GTC 2026 معرفی کرد، از نظر مشخصات فنی چیزی است که تا همین چند سال پیش تنها در مراکز پردازشی ملی یافت می‌شد. تراشه GB300 — نسخه حرفه‌ای این معماری — با ۲۸۸ گیگابایت حافظه HBM4 یکپارچه ارائه می‌شود. این عدد در مقایسه با H100 که ۸۰ گیگابایت HBM3 داشت، یک جهش چهار برابری است.
عملکرد محاسباتی GB300 در دقت BF16 به ۹.۵ پتافلاپس می‌رسد — یعنی ۹.۵ میلیون میلیارد عملیات ممیز شناور در ثانیه. برای مقایسه، H100 در همین دقت حدود ۱.۸ پتافلاپس ارائه می‌داد. این افزایش ۵ برابری، در اجرای مدل‌های بزرگ به معنای واقعی احساس می‌شود: توکن‌پر-ثانیه برای مدل Qwen3-235B MoE از ۱۲ توکن در H100 به بیش از ۶۰ توکن در GB300 رسیده است.
اما مهم‌ترین مشخصه، پهنای باند حافظه است: GB300 پهنای باند ۱۶ ترابایت در ثانیه دارد — چهار برابر بیشتر از H100. در مدل‌های زبانی بزرگ، گلوگاه اصلی عملکرد نه قدرت محاسباتی بلکه سرعت انتقال وزن‌های مدل از حافظه به هسته‌های محاسباتی است. این پهنای باند عظیم، همان چیزی است که اجرای مدل‌های تریلیون پارامتری را عملی می‌کند.
از نظر مصرف انرژی، GB300 یک TDP 700 وات دارد — عددی که نیازمند سیستم خنک‌کننده مایع در اکثر پیکربندی‌ها است. این یک بار الکتریکی معادل چند دستگاه بزرگ خانگی است، اما در مقایسه با راه‌اندازی یک کلاستر H100 هشت‌تایی که بیش از ۱۰,۰۰۰ وات مصرف می‌کند، چشمگیر به نظر می‌رسد.
«GB300 آنچه را که پنج سال پیش به یک سرور ۴ میلیون دلاری نیاز داشت، در یک کارت گرافیکی رومیزی جا داده است.» — Jensen Huang، مدیرعامل NVIDIA، GTC 2026
۲. RTX Spark: نسخه مصرفی برای بازار عمومی
RTX Spark نسخه مصرفی معماری Blackwell Ultra است که NVIDIA برای بازار حرفه‌ای و خلاق طراحی کرده. RTX Spark با ۱۲۸ گیگابایت حافظه مشترک (ترکیبی از GDDR7 اختصاصی و رم سیستم با پهنای باند بالا) ارائه می‌شود. این حافظه مشترک کمی از GB300 کمتر است اما در مقیاس مدل‌هایی که امروز وجود دارند، کافی است.
قیمت پایه RTX Spark برای نسخه ۱۲۸ گیگابایتی ۶,۹۹۹ دلار اعلام شده — عدد بزرگی برای یک کارت گرافیکی مصرفی، اما در مقایسه با قیمت‌های تاریخی سخت‌افزار حرفه‌ای هوش مصنوعی، انقلابی است. یک A100 تنها سه سال پیش بیش از ۱۰,۰۰۰ دلار قیمت داشت و RTX Spark از آن قوی‌تر است.
RTX Spark عملکرد BF16 معادل ۴.۵ پتافلاپس دارد — نزدیک به نصف GB300 اما همچنان قدرت کافی برای اجرای اکثر مدل‌های موجود در حالت 4-bit quantized. عملکرد واقعی برای مدل Llama 4 Scout 109B با کوانتیزاسیون Q4 در محدوده ۴۵ تا ۵۵ توکن در ثانیه قرار دارد — سریع‌تر از اکثر کاربران می‌توانند بخوانند.
مقایسه سریع RTX Spark در برابر GB300: RTX Spark (۶,۹۹۹ دلار) — ۱۲۸ گیگابایت حافظه مشترک، ۴.۵ پتافلاپس BF16، ۳۵۰ وات TDP، نیاز به کولر هوایی معمولی. GB300 Professional (۲۵,۰۰۰ دلار+) — ۲۸۸ گیگابایت HBM4 اختصاصی، ۹.۵ پتافلاپس BF16، ۷۰۰ وات TDP، نیاز به کولر مایع. هر دو از NVLink برای توسعه دو تایی پشتیبانی می‌کنند.
۳. مدل‌های قابل اجرا: کدام غول‌ها محلی می‌شوند
سوال عملی مهم این است: با RTX Spark یا GB300 روی دستگاه خودتان، دقیقاً چه مدل‌هایی را می‌توانید اجرا کنید؟ پاسخ وابسته به نوع کوانتیزاسیون است.
Llama 4 Scout 109B — مدل ۱۰۹ میلیارد پارامتری متا — با کوانتیزاسیون Q4_K_M حدود ۶۰ گیگابایت حافظه نیاز دارد. RTX Spark با ۱۲۸ گیگابایت این مدل را به راحتی جا می‌دهد و سرعت ۴۸ توکن/ثانیه ارائه می‌دهد. Qwen3-235B MoE — مدل مخلوط متخصصان علی‌بابا با ۲۳۵ میلیارد پارامتر — با Q4 کوانتیزاسیون به ۱۲۰ گیگابایت نیاز دارد. این در مرز ظرفیت RTX Spark است، اما با تنظیمات دقیق، GB300 آن را در ۶۵ توکن/ثانیه اجرا می‌کند.
Mistral Large 2 با ۱۲۳ میلیارد پارامتر در Q4 کوانتیزاسیون حدود ۶۵ گیگابایت می‌شود و روی RTX Spark با ۵۵ توکن/ثانیه کار می‌کند. اما مهم‌ترین اتفاق برای آینده است: مدل‌های تریلیون پارامتری مثل نسخه‌های کامل بدون کوانتیزاسیون Qwen3-Max (یک تریلیون پارامتر) برای یک GB300 تنها بزرگ‌اند — اما دو GB300 از طریق NVLink می‌توانند آن را به صورت مشارکتی اجرا کنند.
یک نکته مهم: همه این مدل‌ها با کوانتیزاسیون ۴-بیتی اجرا می‌شوند که کیفیت را تا حدی کاهش می‌دهد. برای مقایسه، همان مدل‌ها روی ابر با دقت FP16 کامل اجرا می‌شوند. اما برای بسیاری از کاربردهای عملی — کدنویسی، تحلیل، ترجمه — تفاوت کوانتیزاسیون قابل‌درک نیست.
بنچمارک‌های مستقل از llama.cpp با پشتیبانی CUDA 12.8 روی RTX Spark — مدل Llama 4 Scout 109B-Q4_K_M: سرعت پردازش اولیه (prefill) 2,800 توکن/ثانیه؛ سرعت تولید (decode): 48.3 توکن/ثانیه؛ بار حافظه: 61.2 گیگابایت از 128 گیگابایت موجود. مقایسه با A100 80GB: این مدل اصلاً روی A100 جا نمی‌شود.
۴. NVLink و پیکربندی چند-تایی: وقتی یک GB300 کافی نیست
برای مدل‌هایی که از ظرفیت یک GB300 فراتر می‌روند، NVIDIA یک راه‌حل معماری هوشمند ارائه داده: NVLink 5.0. این اینترکانکت با پهنای باند ۱.۸ ترابایت در ثانیه بین دو تراشه، دو GB300 را عملاً به یک تراشه ۵۷۶ گیگابایتی تبدیل می‌کند.
یک پیکربندی دو GB300 به قیمت حدود ۵۰,۰۰۰ دلار — که با خنک‌کننده مایع و یک کیس مناسب، هزینه کل به ۷۰,۰۰۰ دلار می‌رسد — یک سیستم رومیزی می‌سازد که می‌تواند مدل‌هایی با کوانتیزاسیون Q8 با حجم تا ۵۰۰ میلیارد پارامتر یا با Q4 تا یک تریلیون پارامتر را اجرا کند. این همان پیکربندی است که در سال ۲۰۲۲ برای آموزش GPT-3 کل مرکز داده مایکروسافت استفاده می‌شد.
برای ماشین‌های RTX Spark، NVLink Bridge با پهنای باند ۹۶۰ گیگابایت در ثانیه دو کارت را به هم وصل می‌کند. دو RTX Spark با ۲۵۶ گیگابایت حافظه ترکیبی می‌توانند Qwen3-235B را با دقت کامل Q8 اجرا کنند — با سرعت ۳۵ توکن/ثانیه که برای کار تعاملی کاملاً مناسب است.
۵. مقایسه هزینه: ابر در برابر محلی در بلندمدت
سوال اقتصادی اصلی این است: آیا خرید سخت‌افزار محلی در مقابل استفاده از ابر توجیه دارد؟ پاسخ بستگی به میزان استفاده دارد.
اجرای Llama 4 Scout 109B از طریق API ابری (مثل Together.ai یا Groq) در ژوئن ۲۰۲۶ حدود ۰.۸۵ دلار به ازای هر میلیون توکن ورودی هزینه دارد. یک توسعه‌دهنده که روزانه ۱۰ میلیون توکن پردازش می‌کند، ماهانه حدود ۲۵۵ دلار هزینه ابر دارد — یا سالانه ۳,۰۶۰ دلار.
RTX Spark به قیمت ۶,۹۹۹ دلار، با مصرف برق ۳۵۰ وات و فرض هزینه برق ۰.۱۲ دلار در ساعت، اگر ۱۶ ساعت در روز کار کند، سالانه حدود ۲۴۶ دلار هزینه برق دارد. مجموع هزینه سال اول: ۷,۲۴۵ دلار. اما از سال دوم، سالانه فقط ۲۴۶ دلار هزینه است. یعنی با این سطح استفاده، نقطه سربه‌سر در حدود سه سال است — و از آن به بعد، صرفه‌جویی قابل توجهی وجود دارد.
اما این محاسبه ساده یک عامل مهم را نادیده می‌گیرد: حریم خصوصی داده. برای سازمان‌هایی که با داده‌های حساس کار می‌کنند — داده‌های پزشکی، حقوقی، مالی — ارسال اطلاعات به APIهای ابری ممکن است از نظر قانونی یا امنیتی قابل‌قبول نباشد. برای این سازمان‌ها، GB300 نه یک انتخاب اقتصادی بلکه یک ضرورت است.
۶. NIM Microservices و زیرساخت نرم‌افزاری
سخت‌افزار قوی بدون نرم‌افزار مناسب بی‌معناست. NVIDIA با پلتفرم NIM Microservices (که مخفف NVIDIA Inference Microservices است) یک لایه نرم‌افزاری جامع برای استقرار محلی مدل‌ها ارائه داده است. NIM به صورت containerهای Docker توزیع می‌شود که مدل‌های پیش‌پیکربندی‌شده را با بهینه‌سازی‌های خودکار برای سخت‌افزار NVIDIA آماده اجرا می‌کند.
مهم‌ترین ویژگی NIM برای کاربران GB300، TensorRT-LLM بهینه‌سازی خودکار است: NIM به صورت خودکار وزن‌های مدل را برای معماری GB300 بازسازی می‌کند — شامل انتخاب اتوماتیک بهترین کوانتیزاسیون، تنظیم اندازه بچ، و بهینه‌سازی اتصال‌های تنسور. این کار که قبلاً نیاز به مهندسی تخصصی داشت، حالا یک دستور ساده Docker است.
NIM همچنین یک رابط REST API سازگار با OpenAI ارائه می‌دهد — یعنی هر برنامه‌ای که با OpenAI API کار می‌کند، بدون تغییر کد می‌تواند به NIM محلی منتقل شود. این سازگاری، مهاجرت از ابر به محلی را به یک کار چند دقیقه‌ای تبدیل می‌کند.
«با GB300 و NIM، یک محقق می‌تواند همان زیرساختی را که قبلاً نیاز به یک تیم DevOps داشت، در یک بعدازظهر روی میز کار خود راه‌اندازی کند.» — Bryan Catanzaro، معاون تحقیقات کاربردی NVIDIA، GTC 2026
نکته خنک‌کننده: RTX Spark با کولر هوایی پیش‌فرض کار می‌کند اما برای استفاده ۲۴/۷ زیر بار کامل، NVIDIA نصب یک سیستم آب‌خنک یا حداقل یک کیس با جریان هوای عالی را توصیه می‌کند. GB300 Professional کاملاً به خنک‌کننده مایع نیاز دارد — اکثر سازندگان ورک‌استیشن مانند ASUS، MSI و HP برای این تراشه پکیج‌های ویژه ارائه داده‌اند.
نتیجه‌گیری: آغاز عصر سوپرکامپیوتینگ شخصی
NVIDIA GB300 و RTX Spark نمایانگر یک نقطه عطف تاریخی در محاسبات هستند. برای اولین بار، قدرت اجرای مدل‌های با صدها میلیارد — و در پیکربندی‌های چند-تایی، یک تریلیون — پارامتر از مراکز داده غول‌آسا به دستگاه‌های رومیزی قابل‌خرید منتقل شده است. این تحول به معنای دموکراتیزه شدن واقعی هوش مصنوعی است: نه فقط دسترسی به APIهایی که مدل‌ها را روی سرورهای دیگران اجرا می‌کنند، بلکه مالکیت کامل بر محاسبه، داده، و نتایج. این همان چیزی است که محققان مستقل، استارتاپ‌ها، بیمارستان‌ها، و موسسات آموزشی سال‌ها منتظرش بودند — هوش مصنوعی که واقعاً مال شماست.
