teknav-bak/app/public/feeds/topic-hardware.xml

<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>سخت‌افزار | خوراک موضوعی تکنّاو</title>
    <link>https://www.teknav.ir/feeds/topic-hardware.xml</link>
    <atom:link href="https://www.teknav.ir/feeds/topic-hardware.xml" rel="self" type="application/rss+xml" />
    <description>قطب سخت‌افزار تکناو؛ از تحلیل معماری Blackwell تا تراشه‌های کوانتومی و ربات‌های انسان‌نما.</description>
    <language>fa-IR</language>
    <lastBuildDate>Wed, 10 Jun 2026 07:52:16 GMT</lastBuildDate>
    <item>
      <title>سوپرکامپیوتینگ رومیزی: اجرای مدل‌های تریلیون پارامتری به صورت محلی روی NVIDIA GB300</title>
      <link>https://www.teknav.ir/article/nvidia-rtx-spark-gb300-local-compute</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/nvidia-rtx-spark-gb300-local-compute</guid>
      <description>مشخصات فنی NVIDIA GB300 و RTX Spark: ۲۸۸GB حافظه HBM4، ۹.۵ petaFLOPS BF16، بنچمارک‌های استنتاج Llama 4 Scout و Qwen3-235B به صورت محلی.</description>
      <content:encoded><![CDATA[
<div class="article-content">
  <p class="lead">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 <strong>Blackwell Ultra</strong> و به خصوص تراشه <strong>GB300</strong> 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.</p>

  <figure style="margin: 0 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
    <img src="/images/articles/nvidia-rtx-spark-gb300-local-compute-photo-1.jpg" alt="NVIDIA GB300 و RTX Spark: سوپرکامپیوتینگ رومیزی برای مدل‌های تریلیون پارامتری" loading="lazy" style="width: 100%; height: auto; display: block;" />
    <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">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</figcaption>
  </figure>

  <h2>۱. مشخصات فنی GB300: اعداد باورنکردنی</h2>
  <p>معماری <em>Blackwell Ultra</em> 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 <strong>GB300</strong> — نسخه حرفه‌ای این معماری — با <strong>۲۸۸ گیگابایت حافظه HBM4 یکپارچه</strong> ارائه می‌شود. این عدد در مقایسه با H100 که ۸۰ گیگابایت HBM3 داشت، یک جهش چهار برابری است.</p>
  <p>عملکرد محاسباتی GB300 در دقت BF16 به <strong>۹.۵ پتافلاپس</strong> 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.</p>
  <p>اما مهم‌ترین مشخصه، پهنای باند حافظه است: GB300 پهنای باند <strong>۱۶ ترابایت در ثانیه</strong> 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.</p>
  <p>از نظر مصرف انرژی، GB300 یک <strong>TDP 700 وات</strong> 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.</p>

  <blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">«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</blockquote>

  <h2>۲. RTX Spark: نسخه مصرفی برای بازار عمومی</h2>
  <p><strong>RTX Spark</strong> نسخه مصرفی معماری Blackwell Ultra است که NVIDIA برای بازار حرفه‌ای و خلاق طراحی کرده. RTX Spark با <strong>۱۲۸ گیگابایت حافظه مشترک</strong> (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.</p>
  <p>قیمت پایه RTX Spark برای نسخه ۱۲۸ گیگابایتی <strong>۶,۹۹۹ دلار</strong> 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.</p>
  <p>RTX Spark عملکرد BF16 معادل <strong>۴.۵ پتافلاپس</strong> 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.</p>

  <div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;"><strong>مقایسه سریع RTX Spark در برابر GB300:</strong> 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.</div>

  <h2>۳. مدل‌های قابل اجرا: کدام غول‌ها محلی می‌شوند</h2>
  <p>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.</p>
  <p><strong>Llama 4 Scout 109B</strong> — 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. <strong>Qwen3-235B MoE</strong> — 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.</p>
  <p><strong>Mistral Large 2</strong> 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: <strong>مدل‌های تریلیون پارامتری</strong> 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.</p>
  <p>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.</p>

  <div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">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.</div>

  <h2>۴. NVLink و پیکربندی چند-تایی: وقتی یک GB300 کافی نیست</h2>
  <p>برای مدل‌هایی که از ظرفیت یک GB300 فراتر می‌روند، NVIDIA یک راه‌حل معماری هوشمند ارائه داده: <em>NVLink 5.0</em>. این اینترکانکت با پهنای باند <strong>۱.۸ ترابایت در ثانیه بین دو تراشه</strong>، دو GB300 را عملاً به یک تراشه ۵۷۶ گیگابایتی تبدیل می‌کند.</p>
  <p>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.</p>
  <p>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.</p>

  <h2>۵. مقایسه هزینه: ابر در برابر محلی در بلندمدت</h2>
  <p>سوال اقتصادی اصلی این است: آیا خرید سخت‌افزار محلی در مقابل استفاده از ابر توجیه دارد؟ پاسخ بستگی به میزان استفاده دارد.</p>
  <p>اجرای Llama 4 Scout 109B از طریق API ابری (مثل Together.ai یا Groq) در ژوئن ۲۰۲۶ حدود <strong>۰.۸۵ دلار به ازای هر میلیون توکن ورودی</strong> هزینه دارد. یک توسعه‌دهنده که روزانه ۱۰ میلیون توکن پردازش می‌کند، ماهانه حدود ۲۵۵ دلار هزینه ابر دارد — یا سالانه ۳,۰۶۰ دلار.</p>
  <p>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.</p>
  <p>اما این محاسبه ساده یک عامل مهم را نادیده می‌گیرد: <strong>حریم خصوصی داده</strong>. 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.</p>

  <h2>۶. NIM Microservices و زیرساخت نرم‌افزاری</h2>
  <p>سخت‌افزار قوی بدون نرم‌افزار مناسب بی‌معناست. NVIDIA با پلتفرم <em>NIM Microservices</em> (که مخفف NVIDIA Inference Microservices است) یک لایه نرم‌افزاری جامع برای استقرار محلی مدل‌ها ارائه داده است. NIM به صورت <em>containerهای Docker</em> توزیع می‌شود که مدل‌های پیش‌پیکربندی‌شده را با بهینه‌سازی‌های خودکار برای سخت‌افزار NVIDIA آماده اجرا می‌کند.</p>
  <p>مهم‌ترین ویژگی NIM برای کاربران GB300، <em>TensorRT-LLM</em> 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.</p>
  <p>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.</p>

  <blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">«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</blockquote>

  <div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;"><strong>نکته خنک‌کننده:</strong> 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.</div>

  <h2>نتیجه‌گیری: آغاز عصر سوپرکامپیوتینگ شخصی</h2>
  <p>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 <em>APIهایی</em> 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.</p>
</div>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Sun, 31 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>استقلال خط مقدم: بج‌های پوشیدنی و روز کاری بدون اپ سازمانی</title>
      <link>https://www.teknav.ir/article/project-solara-wearable-frontline</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/project-solara-wearable-frontline</guid>
      <description>Project Solara مایکروسافت: بج پوشیدنی AI برای کارگران خط مقدم بدون نیاز به گوشی — بررسی فنی، مقایسه با Google Glass، و موانع پذیرش.</description>
      <content:encoded><![CDATA[
<div class="article-content">
  <p class="lead">میلیون‌ها پرستار، کارمند فروشگاه، و کارگر انبار هر روز با یک تناقض روبرو هستند: آن‌ها در خط مقدم سازمان‌هایی هستند که بیشترین نیاز به اطلاعات آنی دارند، اما کمترین دسترسی به فناوری کارآمد. بج پوشیدنی Project Solara، یک پاسخ جسورانه به این تناقض است — دستگاهی که همیشه همراه است، همیشه فعال است، و دقیقاً می‌داند شما کی هستید و چه نیاز دارید.</p>
  <figure style="margin: 0 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
    <img src="/images/articles/project-solara-wearable-frontline-photo-1.jpg" alt="بج پوشیدنی Project Solara برای کارگران خط مقدم" loading="lazy" style="width: 100%; height: auto; display: block;" />
    <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">نمونه اولیه بج پوشیدنی Project Solara مبتنی بر Qualcomm Snapdragon W5 — Build 2026، مایکروسافت</figcaption>
  </figure>

  <h2>۱. کارگران خط مقدم: فراموش‌شدگان عصر AI</h2>
  <p>وقتی از «کارمند» صحبت می‌کنیم، تصویر ذهنی اکثر ما یک نفر پشت میز، با لپتاپ و مانیتور است. اما این تصویر واقعیت ۸۰ درصد از نیروی کار جهان را نشان نمی‌دهد. ۲.۷ میلیارد نفر «کارگر خط مقدم» — یعنی کسانی که کار آن‌ها از یک موقعیت ثابت جسمی تشکیل نمی‌شود — هر روز تلاش می‌کنند تا با فناوری‌هایی کنار بیایند که برای آن‌ها طراحی نشده‌اند.</p>
  <p>یک پرستار بخش اورژانس باید در هر روز کاری ده‌ها مرتبه به سیستم اطلاعات بیمارستانی دسترسی پیدا کند — برای بررسی سابقه دارویی بیمار، تأیید دوز، یادداشت‌برداری، و انتقال شیفت. اما برای انجام هر یک از این کارها باید به یک ایستگاه کاری برود، وارد سیستم شود، و با یک رابط کاربری طراحی‌شده برای کاربر میز-نشین کار کند. هر بار چند دقیقه — که در طول یک شیفت به ساعت‌ها تبدیل می‌شود.</p>
  <blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">«پرستاران در بیمارستان‌های ما در حال حاضر روزانه ۲ تا ۳ ساعت صرف ورود و خروج از سیستم‌ها می‌کنند. این وقت باید صرف بیمار شود.» — مدیر IT، بیمارستان بزرگ آمریکایی، گزارش پایلوت Project Solara</blockquote>
  <p>کارمندان فروشگاه هم مشابه این چالش را دارند. یک فروشنده در Target باید بتواند فوری به سیستم موجودی دسترسی داشته باشد، قیمت‌ها را بررسی کند، و به سوالات مشتریان پاسخ دهد — بدون اینکه هر بار به یک ترمینال برگردد. تا همین اواخر، این یعنی حمل یک اسکنر handheld قدیمی که سنگین، کند، و نیازمند آموزش جداگانه بود.</p>

  <h2>۲. بج پوشیدنی: مشخصات فنی</h2>
  <p>بج پوشیدنی Project Solara از نظر ظاهری ساده است: اندازه‌ای مشابه یک کارت شناسایی کارمند، با وزن کمتر از ۵۰ گرم، که با یک گیره یا بند به لباس متصل می‌شود. اما در درون آن، یک سیستم نسبتاً پیچیده قرار دارد.</p>
  <p>پردازنده اصلی آن Qualcomm Snapdragon W5 است — یک چیپ طراحی‌شده برای دستگاه‌های پوشیدنی با مصرف برق پایین. این چیپ یک NPU (Neural Processing Unit) داخلی دارد که پردازش صوتی اولیه را به صورت محلی انجام می‌دهد. قابلیت «همیشه-روشن» (Always-On) آن به این معنی است که دستگاه می‌تواند دائماً برای کلمه فعال‌سازی گوش دهد بدون اینکه باتری به سرعت تخلیه شود.</p>
  <div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;"><strong>مشخصات فنی:</strong> باتری هفت‌روزه (استفاده عادی)، بلوتوث 5.3 + WiFi 6E، میکروفون‌های dual-beamforming برای محیط‌های پرسروصدا، پردازش صوتی on-device با Snapdragon W5، NFC برای احراز هویت، و یک لرزاننده تاکتیل برای اعلان‌های بی‌صدا در محیط‌های ساکت (مثل اتاق بیمار).</div>
  <p>دستگاه هیچ صفحه‌نمایشی ندارد — این یک تصمیم آگاهانه بود. مایکروسافت معتقد است که افزودن یک صفحه کوچک، هم هزینه را بالا می‌برد، هم باتری را سریع‌تر تخلیه می‌کند، و هم حواس کارگر را پرت می‌کند. به جای آن، خروجی صوتی از طریق یک earpiece بی‌سیم، و اطلاعات بصری از طریق نزدیک‌ترین نمایشگر مشترک ارائه می‌شوند.</p>

  <h2>۳. موردهای استفاده: از بیمارستان تا فروشگاه</h2>
  <p>در یک بیمارستان، بج پرستار به محض ورود به اتاق بیمار، سیستم اطلاعات بیمارستانی را با شناسه بیمار آن اتاق هماهنگ می‌کند. پرستار می‌تواند با صدا بپرسد: «آخرین نوبت دارو چه زمانی بود؟» — و جواب را در کمتر از دو ثانیه دریافت کند، بدون اینکه دست‌هایش را که ممکن است در حال کمک به بیمار باشند، رها کند.</p>
  <p>یادداشت‌برداری نیز تحول یافته است. به جای اینکه پرستار پس از هر مراقبت به ایستگاه کاری برگردد و یادداشت بزند، می‌تواند مستقیماً با صدا توضیح دهد: «یادداشت بزن: بیمار ۱۴۰۳ در ساعت ۱۴:۳۰ داروی پرس‌اور دریافت کرد، فشارخون ۱۲۰/۸۰، پاسخ مثبت.» سیستم این صدا را به متن ساختاریافته تبدیل می‌کند و در EHR (Electronic Health Record) ذخیره می‌کند.</p>
  <p>در محیط خرده‌فروشی، کارمند Target می‌تواند بپرسد: «آیا سایز ۴۲ از این کفش در انبار داریم؟» و جواب فوری بگیرد. یا: «مشتری می‌خواهد این محصول را برگرداند، پالیسی چیست؟» — و پاسخ کامل با اطلاعات پروموشن‌های جاری را در چند ثانیه دریافت کند. این‌ها تعاملاتی هستند که قبلاً نیازمند چندین مرحله دسترسی به سیستم‌های مختلف بودند.</p>
  <div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">در کارخانه‌ها و انبارها، بج می‌تواند کارگران را در سیستم‌های picking و packing راهنمایی کند. به جای اینکه کارگر به یک ترمینال نگاه کند، می‌تواند بشنود: «آیتم بعدی: ردیف C، قفسه ۷، صندوق ۱۲.» یا اگر کدبار اشتباه اسکن شد، فوری هشدار دریافت کند.</div>

  <h2>۴. مدل دستگاه مشترک</h2>
  <p>یکی از جذاب‌ترین جنبه‌های بج Solara، مدل «دستگاه مشترک» (Shared Device) آن است. در یک محیط مثل بیمارستان، نمی‌توان به هر پرستار یک لپتاپ یا گوشی شخصی داد — هزینه‌بر، مدیریت سخت، و مشکل حریم خصوصی. اما بج می‌تواند بین شیفت‌ها منتقل شود.</p>
  <p>وقتی پرستار آلیسا شیفت خود را شروع می‌کند، بج را از محل شارژ برمی‌دارد و به وسیله badge reader یا شناسه پین خود وارد می‌شود. در این لحظه، بج «زمینه کاربر» (User Context) را از سرور بارگذاری می‌کند: نقش آلیسا، بخش او، بیماران مسئولیت‌پذیرش در آن شیفت، و یادداشت‌های مهم از شیفت قبلی. وقتی شیفت تمام شد و بج گذاشته شد، این زمینه پاک می‌شود.</p>
  <p>این مدل با رویکرد سنتی «دستگاه شخصی» (Personal Device) تفاوت اساسی دارد. دستگاه شخصی مثل iPhone یا Android، هویت کاربر را در خود ذخیره می‌کند. بج Solara دستگاه‌ها را به «ظروف بی‌هویت» تبدیل می‌کند که هویت کاربر از سرور بارگذاری می‌شود — مثل یک کارت کتابخانه که می‌توانید با آن به هر کامپیوتر کتابخانه وصل شوید.</p>

  <h2>۵. چالش‌های انطباق: HIPAA و PCI</h2>
  <p>برای استقرار در بیمارستان‌های آمریکا، سیستم‌های پردازش اطلاعات بهداشتی باید با HIPAA (Health Insurance Portability and Accountability Act) سازگار باشند. این قانون الزامات سختگیرانه‌ای درباره رمزنگاری داده، کنترل دسترسی، و ثبت تمام دسترسی‌ها به اطلاعات بیمار دارد.</p>
  <p>مایکروسافت برای رفع این نگرانی‌ها، یک معماری «صفر-دانش محلی» (Zero Local Knowledge) طراحی کرده است: بج هیچ اطلاعات بهداشتی را به صورت محلی ذخیره نمی‌کند. همه داده‌ها روی سرورهای Azure Health Data Services ذخیره و رمزنگاری می‌شوند. صدا به صورت محلی پردازش می‌شود و فقط «قصد» استخراج‌شده (نه متن خام) ارسال می‌شود.</p>
  <div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;"><strong>چالش HIPAA:</strong> حتی با معماری صفر-دانش محلی، اثبات انطباق HIPAA برای یک سیستم صوتی همیشه-فعال دشوار است. نظارت‌کنندگان HIPAA نگران این هستند که آیا مکالمات اتاق بیمار (که ممکن است شامل اطلاعات حساس باشند) ناخواسته ضبط می‌شوند؟ مایکروسافت باید ثابت کند که سیستم واقعاً فقط پس از کلمه فعال‌سازی فعال می‌شود.</div>
  <p>برای محیط‌های خرده‌فروشی که با اطلاعات کارت اعتباری مشتریان سروکار دارند، PCI DSS (Payment Card Industry Data Security Standard) الزامات مشابهی دارد. اطلاعات کارت نباید هرگز از طریق میکروفون دستگاه دریافت یا پردازش شوند — این یعنی باید اطمینان حاصل شود که سیستم در حین تراکنش‌های مالی به صورت پیش‌فرض به حالت تنها-گوش‌ندادن برود.</p>

  <h2>۶. رقبا: چرا قبلاً شکست خورد؟</h2>
  <p>این اولین بار نیست که صنعت تلاش می‌کند یک دستگاه پوشیدنی برای کارگران خط مقدم بسازد. Google Glass Enterprise Edition (2017) وعده داد که همه چیز را تغییر دهد — و در بسیاری از کارخانه‌ها واقعاً استقرار یافت. اما در نهایت، بار جسمی (وزن، گرما)، عمر باتری کوتاه، و مشکلات رابط کاربری، پذیرش گسترده آن را محدود کرد.</p>
  <p>Apple Watch در بیمارستان‌ها نیز محبوبیت دارد، اما یک محدودیت اساسی دارد: برای عملکرد کامل نیاز به iPhone همراه دارد. در محیطی مثل اتاق عمل، جیب‌داشتن گوشی اضافی ممکن نیست.</p>
  <p>بج Solara دو درس مهم از شکست‌های قبلی گرفته است. اول، فرم‌فاکتور «اجتماعاً نامرئی»: بج شبیه چیزی است که کارمندان قبلاً حمل می‌کردند (کارت شناسایی) — بنابراین اصطکاک اجتماعی Google Glass را ندارد. دوم، بی‌نیازی به دستگاه اصلی: برخلاف Apple Watch، بج می‌تواند کاملاً مستقل کار کند.</p>

  <h2>نتیجه‌گیری: همکار دیجیتال خط مقدم</h2>
  <p>چشم‌انداز «همکار دیجیتال» (Digital Coworker) که مایکروسافت ترسیم می‌کند، جذاب است: یک سیستم AI که نقش شما، وظایف جاری‌تان، و زمینه سازمانی‌تان را می‌داند — و این دانش را بدون اینکه شما نیاز داشته باشید چیزی باز کنید یا تایپ کنید، در اختیارتان می‌گذارد.</p>
  <p>اما تحقق این چشم‌انداز به چندین عامل بستگی دارد که همه‌شان هنوز آزمایش نشده‌اند: آیا کارگران با دستگاهی که «همیشه گوش می‌دهد» راحت خواهند بود؟ آیا سیستم‌های انطباق نظارتی می‌توانند به نحوی طراحی شوند که هم امن باشند هم کاربردی؟ و آیا قابلیت اطمینان سیستم در شرایط سخت میدانی — شلوغی بیمارستان‌ها، سروصدای انبارها — به اندازه کافی بالاست؟</p>
  <p>Project Solara با بج پوشیدنی‌اش، یک شرط‌بندی بلندمدت است. پاسخ سوال «آیا کارگران خط مقدم می‌توانند به یک AI مستقل اعتماد کنند؟» را نه در سخنرانی‌های Build، بلکه در اتاق‌های اورژانس و قفسه‌های فروشگاه‌های پایلوت، طی سال‌های آینده خواهیم یافت.</p>
</div>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Sat, 30 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>رستاخیز سیری: کالبدشکافی بازسازی گسترده مکالمه‌ای iOS 27 اپل</title>
      <link>https://www.teknav.ir/article/ios27-siri-conversational-overhaul</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/ios27-siri-conversational-overhaul</guid>
      <description>بررسی رستاخیز سیری در iOS 27 اپل: تحلیل معماری جدید مدل مکالمه‌ای، نحوه پردازش هوش مصنوعی روی دستگاه، و مقایسه فنی با ChatGPT، Gemini و Copilot.</description>
      <content:encoded><![CDATA[
<div class="article-content">
  <p class="lead">در هشتم ژوئن ۲۰۲۶، اپل پرده از چیزی برداشت که شاید مهم‌ترین تحول در تاریخ پانزده‌ساله سیری باشد؛ نه یک به‌روزرسانی معمولی، بلکه یک بازسازی کامل از پایه. شعار WWDC امسال — «All Systems Glow» — در ظاهر ساده به نظر می‌رسید، اما در پس آن، یک معماری کاملاً جدید نهفته بود که می‌تواند نحوه تعامل میلیاردها انسان با دستگاه‌های هوشمند را برای همیشه دگرگون کند.</p>
  <figure style="margin: 0 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
    <img src="/images/articles/ios27-siri-conversational-overhaul-photo-1.jpg" alt="رابط جدید سیری در iOS 27 با Dynamic Island" loading="lazy" style="width: 100%; height: auto; display: block;" />
    <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">رابط کاربری جدید سیری در iOS 27 با ادغام Dynamic Island و پنجره متنی تمام‌صفحه برای پرسش‌های پیچیده — اپل، WWDC 2026</figcaption>
  </figure>

  <h2>۱. «All Systems Glow»: وعده بزرگ اپل</h2>
  <p>شعار «All Systems Glow» که اپل برای WWDC 2026 برگزید، ارجاعی مستقیم به انیمیشن فعال‌سازی سیری است — آن حلقه درخشان آشنا که حالا بر روی Dynamic Island می‌تابد. اما این انتخاب هوشمندانه چیزی عمیق‌تر از یک بازی کلامی بود: اپل داشت اعلام می‌کرد که همه سیستم‌ها — نه فقط سیری، بلکه تمام اکوسیستم نرم‌افزاری اپل — یک‌پارچه و هماهنگ به سمت هوش مصنوعی روی می‌آورند.</p>
  <p>iOS 27، macOS 27، iPadOS 27، watchOS 27، tvOS 27 و visionOS 27 همگی در یک روز رونمایی شدند؛ رویدادی که از نظر هماهنگی نسخه‌گذاری نیز بی‌سابقه بود. این همگام‌سازی نشانه‌ای بود از اینکه اپل می‌خواهد پیام یکپارچگی را در تمام سطوح منتقل کند. برای اولین بار در تاریخ اپل، یک قابلیت هسته‌ای — سیری جدید — به صورت همزمان روی تمام پلتفرم‌ها منتشر می‌شد.</p>
  <blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">«سیری دیگر یک دستیار صوتی نیست. سیری یک عامل هوشمند است که در دستگاه شما زندگی می‌کند.» — Craig Federighi، معاون ارشد مهندسی نرم‌افزار اپل، WWDC 2026</blockquote>
  <p>پشت این شعار، یک واقعیت تکنیکی سنگین وجود داشت: اپل به مدت دو سال، بزرگ‌ترین تیم مهندسی خود را به صورت محرمانه بر روی بازنویسی کامل پشته‌ی سیری متمرکز کرده بود. نتیجه، نه یک ارتقاء، بلکه یک محصول کاملاً جدید بود که از پایین‌ترین لایه‌ها با Apple Intelligence یکپارچه شده بود.</p>

  <h2>۲. معماری جدید سیری: از دستیار صوتی به عامل هوشمند</h2>
  <p>سیری قدیمی روی یک معماری «قصد-اسلات» (Intent-Slot) بنا شده بود: صدای کاربر را می‌شنید، آن را به یک قصد از پیش تعریف‌شده (مثل «پخش موسیقی» یا «تنظیم تایمر») نگاشت می‌داد، و اسلات‌ها (مثل «نام آهنگ» یا «مدت زمان») را پر می‌کرد. این معماری دقیقاً همان چیزی بود که سیری را در برابر ChatGPT و Claude ضعیف می‌نمود: اگر درخواست از الگوهای از پیش تعریف‌شده خارج می‌شد، سیری می‌گفت «نمی‌توانم کمکی بکنم».</p>
  <p>معماری جدید کاملاً متفاوت است. در هسته آن، یک مدل زبانی بزرگ بهینه‌شده برای اجرای روی دستگاه (on-device) قرار دارد که با ابزارهای اجرایی به نام «عملیات سیستمی» (System Operations) مجهز شده است. این مدل درخواست کاربر را درک می‌کند، به داده‌های شخصی روی دستگاه دسترسی امن دارد، و می‌تواند توالی‌های چندمرحله‌ای از عملیات را اجرا کند.</p>
  <div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;"><strong>نکته فنی:</strong> مدل on-device سیری جدید از همان چارچوب Apple Neural Engine استفاده می‌کند که برای Apple Intelligence طراحی شده، اما با بهینه‌سازی‌های ویژه‌ای برای تاخیر پایین و مصرف باتری کمتر. بخش‌های پیچیده‌تر درخواست‌ها به سرورهای Private Compute Cloud اپل ارسال می‌شوند — با تضمین‌های رمزنگاری که حتی اپل هم قادر به خواندن آن‌ها نیست.</div>
  <p>پشته جدید سیری از سه لایه تشکیل شده است: لایه درک (Comprehension Layer) که در هر زمان به‌صورت فعال روی دستگاه اجرا می‌شود، لایه برنامه‌ریزی (Planning Layer) که وظایف پیچیده را به زیروظایف قابل اجرا تقسیم می‌کند، و لایه اجرا (Execution Layer) که عملیات واقعی روی سیستم را انجام می‌دهد. این سه لایه با هم یک عامل هوشمند واقعی می‌سازند — نه یک جستجوگر دستوری.</p>

  <h2>۳. Dynamic Island و رابط جدید «Search or Ask»</h2>
  <p>یکی از مهم‌ترین تغییرات ظاهری iOS 27، ادغام کامل سیری با Dynamic Island است. در نسل‌های قبلی، Dynamic Island صرفاً اطلاعات زندگی‌نامه‌ای (مثل تایمر یا تماس در جریان) را نشان می‌داد. حالا، وقتی با سیری صحبت می‌کنید، Dynamic Island زنده می‌شود: موج صوتی، شاخص‌های پردازش، و پاسخ‌های کوتاه مستقیم در آنجا ظاهر می‌شوند.</p>
  <p>اما وقتی سوالی پیچیده‌تر دارید، یا می‌خواهید یک وظیفه چندمرحله‌ای اجرا کنید، سیری وارد حالت «تمام‌صفحه متنی» می‌شود. این رابط جدید که اپل آن را «Search or Ask» می‌نامد، ترکیبی از یک موتور جستجوی اسپاتلایت بهبودیافته و یک رابط مکالمه‌ای است. کاربر می‌تواند بنویسد، بگوید، یا تصویر بفرستد — و سیری در یک فضای منسجم پاسخ می‌دهد.</p>
  <div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">عبارت «Hey Siri» به تاریخ پیوست. از iOS 27، کافی است بگویید «Siri» — بدون «Hey». این تغییر ظاهراً جزئی اما نمادین است: اپل می‌خواهد سیری طبیعی‌تر به نظر برسد، نه مثل یک دستگاه که باید با آداب خاصی صدا زده شود.</div>
  <p>رابط «Search or Ask» همچنین پیشنهادهای زمینه‌ای (Contextual Suggestions) ارائه می‌دهد. اگر یک پیام باز داشته باشید، سیری ممکن است پیشنهاد دهد: «می‌خواهید به این پیام پاسخ دهید؟» یا «این آدرس را روی نقشه باز کنم؟» این تعامل پیش‌آگاهانه، یکی از محبوب‌ترین ویژگی‌های Google Now بود که اپل سال‌ها برای تحقق آن تلاش کرده بود.</p>

  <h2>۴. آگاهی از صفحه: وقتی سیری می‌بیند چه می‌کنید</h2>
  <p>«On-Screen Awareness» یا آگاهی از صفحه، احتمالاً قابلیتی است که بیشترین بازتاب فنی را در WWDC 2026 داشت. سیری جدید می‌تواند به صورت مداوم متن، تصاویر و رابط کاربری صفحه نمایش شما را پردازش کند و بر اساس آن عمل کند — همه این‌ها به صورت کاملاً on-device، بدون اینکه تصویر صفحه به سرور ارسال شود.</p>
  <p>مثال‌های کاربردی که اپل نشان داد صریح بودند: کاربری در حین خواندن یک مقاله انگلیسی می‌گوید «سیری، این را برایم ترجمه کن» — سیری مقاله را می‌بیند، ترجمه می‌کند، و در یک لایه روی متن نشان می‌دهد بدون اینکه نیاز باشد متن کپی شود. یا در حین مشاهده یک منو در سافاری، می‌گویید «غذایی با ارزش کالری زیر ۵۰۰ سفارش بده» — سیری منو را می‌خواند، فیلتر می‌کند، و سفارش را آماده می‌کند.</p>
  <blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">«ما چیزی ساختیم که می‌تواند ببیند، بخواند، و عمل کند — همه روی دستگاه شما، همه با حریم خصوصی کامل.» — Tim Cook، WWDC 2026 Keynote</blockquote>
  <p>آگاهی از صفحه همچنین برای وظایف خلاقانه کاربرد دارد. در Photos، سیری می‌تواند بگوید «همه عکس‌هایی که در آن‌ها سگ من است را برایم پیدا کن» — و نه فقط بر اساس برچسب‌های تشخیص شی، بلکه با درک زمینه‌ای عکس‌ها. در Mail، سیری می‌تواند «همه ایمیل‌های مربوط به پروژه‌ای که دیشب روی آن کار می‌کردم» را پیدا کند — با ربط دادن بین تاریخچه استفاده و محتوای ایمیل.</p>
  <div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;"><strong>نکته حریم خصوصی:</strong> آگاهی از صفحه در iOS 27 از یک مدل «دسترسی صفر به سرور» استفاده می‌کند. تصویر صفحه هرگز از دستگاه خارج نمی‌شود. پردازش بینایی روی Neural Engine انجام می‌شود و فقط «قصد استخراج‌شده» (extracted intent) ممکن است برای درخواست‌های پیچیده‌تر به Private Compute Cloud ارسال شود.</div>

  <h2>۵. مسیریابی به عامل‌های شخص ثالث</h2>
  <p>شاید مهم‌ترین تغییر معماری‌ای که اپل در WWDC 2026 اعلام کرد، «Third-Party Agent Routing» یا مسیریابی به عامل‌های شخص ثالث است. این ویژگی به توسعه‌دهندگان اپ‌های App Store اجازه می‌دهد که اپلیکیشن‌های خود را به عنوان «عامل سیری» ثبت کنند.</p>
  <p>این یعنی وقتی کاربر می‌گوید «سیری، از Airbnb یک خانه در رم برای هفته آینده پیدا کن» — سیری می‌فهمد که این درخواست به عامل Airbnb مربوط است، اپ را (حتی اگر در پس‌زمینه باشد) فعال می‌کند، داده‌های لازم را منتقل می‌کند، و نتیجه را از طریق رابط سیری نشان می‌دهد. کاربر نیازی ندارد اپ را باز کند.</p>
  <p>برای ثبت به عنوان عامل سیری، توسعه‌دهندگان باید از Siri Agent API جدید استفاده کنند که بر پایه AppIntents (معرفی‌شده در iOS 16) ساخته شده است. این API اجازه می‌دهد که توسعه‌دهندگان «قابلیت‌های طبیعی‌زبانی» (Natural Language Capabilities) اپ خود را تعریف کنند — نه کلمات کلیدی ثابت، بلکه توضیحاتی که سیری می‌تواند با درخواست‌های متنوع کاربر تطبیق دهد.</p>
  <div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">همچنین مهم است بدانیم که سخت‌افزارهای ثانوی اپل — از جمله Apple TV و HomePod mini — به دلیل محدودیت‌های پردازشی و نیاز به هماهنگی با رول‌اوت Apple Intelligence، دریافت سیری جدید را تا نیمه دوم ۲۰۲۶ به تعویق انداختند. این تاخیر تعمدی، نشانه‌ای از تعهد اپل به ارائه تجربه‌ای یکپارچه و قابل اعتماد قبل از توسعه است.</div>

  <h2>۶. رقابت: اپل در برابر ChatGPT و Claude</h2>
  <p>اپل دیر به بازار هوش مصنوعی مکالمه‌ای رسید. ChatGPT در نوامبر ۲۰۲۲ معرفی شد؛ Claude در مارس ۲۰۲۳؛ Gemini در دسامبر ۲۰۲۳. اپل تا سپتامبر ۲۰۲۴ هیچ پاسخ جدی‌ای نداشت. اما تاخیر اپل آگاهانه بود: در حالی که رقبا در نبرد بنچمارک‌ها غرق بودند، اپل داشت روی سوال مهم‌تری کار می‌کرد: «چطور هوش مصنوعی را واقعاً در زندگی روزمره مفید کنیم؟»</p>
  <p>جواب اپل، تمرکز بر روی «سه P» بود: Personalization (شخصی‌سازی)، Privacy (حریم خصوصی)، و Platform Integration (یکپارچگی با پلتفرم). ChatGPT همه‌چیز را می‌داند اما تقریباً هیچ‌چیز درباره شما نمی‌داند. سیری جدید ممکن است در برخی موارد کمتر بداند، اما دقیقاً می‌داند شما چه کسی هستید، چه می‌کنید، و چه می‌خواهید.</p>
  <p>چیپ A20 که در iPhone 17 استفاده می‌شود، بر روی فرآیند ۲ نانومتری تولید شده و Neural Processing Unit آن ۴ برابر قوی‌تر از M2 است. این قدرت پردازشی، سیری را قادر می‌سازد که بخش بزرگی از استنتاج (inference) را به صورت کاملاً محلی اجرا کند — بدون تاخیر شبکه، بدون نگرانی حریم خصوصی، حتی در حالت آفلاین.</p>
  <p>برتری رقابتی اپل در یک جمله: شرکت‌هایی مثل OpenAI مدل‌های قوی‌تری دارند، اما اپل دستگاه‌هایی دارد که میلیاردها نفر هر روز در جیب خود حمل می‌کنند. و حالا، برای اولین بار، آن دستگاه‌ها واقعاً هوشمند شده‌اند.</p>

  <h2>نتیجه‌گیری: آغاز عصر عامل‌های شخصی</h2>
  <p>سیری iOS 27 یک محصول تکمیل‌شده نیست — یک پایه است. مسیریابی به عامل‌های شخص ثالث، آگاهی از صفحه، و یکپارچگی با Dynamic Island، همگی قطعاتی هستند که یک اکوسیستم جدید می‌سازند. در سال‌های آینده، وقتی توسعه‌دهندگان و شرکت‌های بزرگ عامل‌های خود را برای سیری بهینه کنند، پتانسیل واقعی این معماری آشکار خواهد شد.</p>
  <p>اپل همیشه دیر وارد بازار شده، اما وقتی وارد شده، استانداردهای جدیدی تعریف کرده: iPhone استاندارد گوشی هوشمند را بازنویسی کرد؛ App Store استاندارد توزیع نرم‌افزار را؛ Touch ID و Face ID استانداردهای احراز هویت را. حالا با iOS 27 و سیری جدید، اپل دارد استانداردهای دستیار هوشمند شخصی را بازنویسی می‌کند. این بار، با تمام سیستم‌ها روشن.</p>
</div>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Fri, 29 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>نیمه‌رسانای گرافنی: طلوع عصر پساسیلیکون</title>
      <link>https://www.teknav.ir/article/graphene-semiconductors-2026</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/graphene-semiconductors-2026</guid>
      <description>تحلیل فنی نیمه‌رساناهای گرافنی (SEG) در سال ۲۰۲۶. بررسی دستاورد جورجیا تک، تکنولوژی CCS و آینده پردازنده‌های فوق‌سریع کربنی.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، مهندسی مواد با معرفی اولین <strong>نیمه‌رسانای گرافنی (SEG)</strong> تجاری و کاربردی، رسماً به ۶۰ سال سلطنت مطلق و بی‌چون و چرای سیلیکون بر جهان دیجیتال پایان داد. پژوهشگران دانشگاه جورجیا تک (Georgia Tech) با حل معمای بیست ساله‌ی «شکاف باند» (Bandgap) در گرافن، جاده‌ای را آسفالت کرده‌اند که به تولید تراشه‌هایی با سرعت ۱۰۰ برابر بیشتر و مصرف انرژی یک‌صدم پردازنده‌های فعلی منجر خواهد شد. ما در حال ورود به عصر <strong>نانوالکترونیک اتمی</strong> هستیم؛ جایی که ابعاد ترانزیستورها به سطح تک-اتم رسیده و قوانین فیزیک کلاسیک جای خود را به احتمالات کوانتومی می‌دهند.</p>

<p>در این کالبدشکافی علمی و فنی، به بررسی معماری SEG، تکنولوژی لایه‌نشانی انقلابی CCS، نحوه عبور از دیوار حرارتی و آینده پردازنده‌های تراهرتزی در سال ۲۰۲۶ می‌پردازیم.</p>

<h2>۱. پایان عصر سیلیکون: چرا کربن جایگزین پادشاه قدیمی شد؟</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2; max-width: 620px;">
  <img src="/images/articles/graphene-semiconductors-2026-photo-1.jpg" alt="ساختار شبکه اتمی گرافن در تصویربرداری میکروسکوپی — مشبک شش‌ضلعی اتم‌های کربن" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">ساختار شبکه شش‌ضلعی اتم‌های کربن در گرافن — روش CCS موفق شده این مشبک را روی بستر SiC به گونه‌ای رشد دهد که خاصیت نیمه‌رسانایی مورد نیاز برای ترانزیستورهای دیجیتال ایجاد شود</figcaption>
</figure>
<p>سیلیکون در سال ۱۴۰۵ به مرزهای نهایی فیزیکی خود رسیده است. ترانزیستورهای ۲ نانومتری فعلی (در تراشه‌هایی مثل A19) با بحران شدید «نشت جریان کوانتومی» و تولید گرمای غیرقابل کنترل روبرو هستند که مانع از افزایش فرکانس پردازنده به بیش از ۶ گیگاهرتز می‌شود. گرافن، با تحرک الکترونی (Electron Mobility) ۱۰ تا ۱۵ برابر بیشتر از سیلیکون، اجازه می‌دهد تا الکترون‌ها بدون برخورد با اتم‌های شبکه و اتلاف انرژی به صورت گرمای زائد، با سرعتی نزدیک به سرعت نور در میان مدارها حرکت کنند.</p>

<p>دستاورد انقلابی سال ۲۰۲۶ که جهان را تکان داد، ابداع روش <strong>CCS (Confinement Controlled Sublimation)</strong> است. در این روش، گرافن بر روی بستر سیلیکون کارباید (SiC) به گونه‌ای رشد داده می‌شود که یک شکاف باند ۰.۶ الکترون-ولتی به صورت طبیعی در ساختار اتمی آن القا شود. این شکاف باند، گرافن را از یک رسانای ساده (که همیشه روشن بود) به یک «نیمه‌رسانای هوشمند» تبدیل می‌کند که می‌توان آن را با دقت اتمی خاموش و روشن کرد؛ کاری که پیش از این با گرافن خالص و به روش‌های شیمیایی غیرممکن بود.</p>

<blockquote style="border-right: 4px solid #2F8F6B; margin: 28px 0; padding: 16px 20px; background: #2F8F6B0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«ما گرافن را نشکستیم و ساختار جادویی آن را تخریب نکردیم؛ ما به آن هندسه، منطق و نظم یاد دادیم. در اردیبهشت ۱۴۰۵، ترانزیستورهای گرافنی ما نه تنها ۱۰۰ برابر سریع‌تر از سیلیکون هستند، بلکه در فرکانس‌های تراهرتز (۱۰۰۰ گیگاهرتز) کار می‌کنند بدون اینکه حتی نیاز به سیستم‌های خنک‌سازی فعال یا فن داشته باشند. این یعنی پایان عصر دیتاسنترهای پرسروصدا و آغاز عصر رایانش خنک و سکوت مطلق سیلیکونی.»
</blockquote>

<p>در نمودار تعاملی زیر، ساختار اتمی نیمه‌رسانای SEG و نحوه چیدمان شش‌ضلعی اتم‌های کربن بر روی بستر SiC را مشاهده می‌کنید. توجه کنید که چطور تغییرات جزئی در هندسه شبکه باعث ایجاد شکاف انرژی (Bandgap) لازم برای پردازش سیگنال‌های دیجیتال شده است.</p>

<div class="teknav-diagram-container" data-diagram="chip"></div>

<h3>تولید در مقیاس صنعتی: گرافن از آزمایشگاه به کارخانه آمد</h3>
<p>بزرگترین مانع تجاری‌سازی گرافن در دهه‌ی گذشته، دشواری تولید آن در ابعاد بزرگ و با خلوص بالا بود. در فروردین ۱۴۰۵، اولین ویفرهای ۳۰۰ میلی‌متری گرافن-روی-سیلیکون‌کارباید با موفقیت در خطوط تولید آزمایشی در تایوان (TSMC) و آمریکا به تولید انبوه رسیدند. این یعنی تجهیزات فعلی تولید تراشه (CMOS) با تغییراتی اندک در بخش لایه‌نشانی، قادر به تولید پردازنده‌های گرافنی هستند. انویدیا و ای‌ام‌دی در حال حاضر بر روی «شتاب‌دهنده‌های گرافنی» برای مدل‌های زبانی سال ۲۰۲۷ کار می‌کنند که پتانسیل اجرای مدل‌های تریلیونی را مستقیماً روی یک گوشی موبایل، بدون نیاز به کلاود، فراهم می‌کند.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>کشف پدیده Dirac Fluid:</strong> در نیمه اول سال ۲۰۲۶، دانشمندان مشاهده کردند که الکترون‌ها در این نیمه‌رساناهای جدید گرافنی مانند یک «مایع بدون اصطکاک» جریان می‌یابند. این پدیده فیزیکی اجازه می‌دهد تا سنسورهای کوانتومی ساخته شوند که می‌توانند نوسانات مغناطیسی ضعیف قلب و مغز انسان را از فاصله چند متری، با دقت پیکسلی شناسایی کنند؛ تحولی که پزشکی از راه دور را دگرگون خواهد کرد.
</div>

<h2>۲. نانوالکترونیک در محیط‌های حدّی: تراشه‌های جان‌سخت و ضد گدازه</h2>
<p>برخلاف سیلیکون حساس که در دمای بالای ۱۵۰ درجه سانتی‌گراد از کار می‌افتد و ذوب می‌شود، گرافن به دلیل پیوندهای کربنی فوق‌مستحکم، جان‌سخت‌ترین ماده‌ی مهندسی جهان است. محققان در سال جاری ممریستورهای گرافنی را معرفی کردند که در دمای ۷۰۰ درجه سانتی‌گراد (معادل دمای گدازه آتشفشان) بدون هیچ افت عملکردی به پردازش داده ادامه می‌دهند. این تکنولوژی در صنایع هوافضا، کاوشگرهای سیارات داغ (مثل زهره)، حفاری‌های اعماق زمین و سنسورهای داخلی نیروگاه‌های هسته‌ای، نیاز به سیستم‌های محافظتی سنگین، پیچیده و گران‌قیمت را به کلی از بین برده است.</p>

<h2>۳. گیت‌های اتمی: پیوندِ ناگسستنی هوش مصنوعی با ماده</h2>
<p>در سال ۱۴۰۵، گرافن دیگر فقط یک جایگزین سریع‌تر برای سیلیکون نیست؛ بلکه امکان ساخت معماری‌های کاملاً جدید را فراهم کرده است. <strong>Atomic Gates</strong> یا گیت‌های تک-اتمی گرافنی، رفتاری مشابه پروتئین‌های کانال در سلول‌های بیولوژیک بدن انسان دارند. این موضوع مسیر را برای ساخت واسط‌های مغز و کامپیوتر (BMI) نسل سوم هموار کرده است که به صورت ارگانیک با بافت عصبی جفت می‌شوند، بدون اینکه باعث ایجاد التهاب، زخم یا پس‌زدگی توسط سیستم ایمنی بدن شوند. ما در آستانه‌ی ساخت «اندام‌های هوشمند» هستیم.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
ایران به دلیل داشتن ذخایر عظیم گرافیت و تخصصِ انباشته در حوزه‌ی نانوتکنولوژی، سرمایه‌گذاری بر روی فرآیندهای لایه‌نشانی بخار شیمیایی (CVD) و رشد Epitaxial گرافن را به عنوان یک اولویت راهبردی ملی تعیین کرده است تا از سدهای تکنولوژیک لیتوگرافی نوری عبور کند.
</div>

<h2>نتیجه‌گیری: عصر کربن، پایدار، ابدی و هوشمند</h2>
<p>سیلیکون دنیای ما را در قرن بیستم دیجیتالی کرد، اما گرافن آن را در قرن بیست و یکم هوشمند، پایدار و ابدی خواهد ساخت. در سال ۱۴۰۵، ما سرانجام از سد محدودیت‌های فیزیکی ماده عبور کردیم. نیمه‌رسانای گرافنی SEG ثابت کرد که با تغییر نحوه نگاه ما به اتم‌های ساده‌ی کربن، می‌توانیم ابزارهایی بسازیم که پیش از این فقط در اعماق رویاهای علمی-تخیلی نویسندگان قرن بیستم وجود داشتند.</p>

<p>آینده تکنولوژی در دستانِ ظریف اما شکست‌ناپذیرِ کربن است. تکناو به عنوان مرجع تخصصی این رنسانس مواد، این سفر هیجان‌انگیز از عصر سیلیکون به عصر کربن را با جزئیات کامل برای شما روایت خواهد کرد. به دنیای تراهرتز، رایانش اتمی و الکترونیک سرد خوش آمدید.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Fri, 29 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>رایانش لبه‌ای مداری: فرار از بن‌بست انرژی زمین</title>
      <link>https://www.teknav.ir/article/orbital-edge-computing-spacex</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/orbital-edge-computing-spacex</guid>
      <description>بررسی آینده دیتاسنترهای مداری (Orbital Edge Computing) در سال ۲۰۲۶. تحلیل نقش SpaceX، مایکروسافت Azure Orbital و مزایای انرژی خورشیدی فضایی.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، رقابت استراتژیک برای تصاحب قدرت پردازشی از سطح زمین به ارتفاع ۵۵۰ کیلومتری منتقل شده است: آغاز عصر <strong>رایانش لبه‌ای مداری (Orbital Edge Computing)</strong>. با اشباع شدن شبکه‌های برق زمینی، بحران تامین انرژی پایدار دیتاسنترها و نیاز مبرم به اینترنت هوشمند با تاخیر صفر در نقاط دورافتاده، غول‌های فناوری به سمت تنها منبع انرژی بی‌پایان و سیستم خنک‌کننده رایگان جهان بازگشته‌اند: فضای لایتناهی.</p>

<p>در این گزارش عمیق و راهبردی، به بررسی ادغام تاریخی ۱.۲۵ تریلیون دلاری SpaceX و xAI، کالبدشکافی فنی ماهواره‌های پردازشی Starlink V3، سرویس‌های ابری فضایی و آینده حاکمیت بر داده در مدار زمین در سال ۲۰۲۶ می‌پردازیم.</p>

<h2>۱. دیتاسنترهای مداری: فرار از بن‌بست انرژی و بحران گرمای زمین</h2>
<p>دلیل اصلی کوچ عظیم دیتاسنترهای هوش مصنوعی به فضا در سال ۱۴۰۵، دیگر فقط سرعت ارتباطات مخابراتی نیست؛ بلکه بقای فیزیکی مدل‌های تریلیونی است. دیتاسنترهای گیگاواتی زمینی اکنون با مخالفت‌های شدید جوامع محلی به دلیل مصرف میلیاردی آب و فشار خردکننده به شبکه برق ملی روبرو هستند. در مقابل، یک ماهواره دیتاسنتر در مدار پایین زمین (LEO) مزایای رقابتی بی‌نظیری دارد:</p>

<ul>
<li><strong>انرژی خورشیدی ۲۴ ساعته:</strong> بدون وجود ابرها و جو غلیظ، پنل‌های خورشیدی در فضا بازدهی ۵ تا ۷ برابری نسبت به سطح زمین دارند و انرژی را مستقیماً از خورشید دریافت می‌کنند.</li>
<li><strong>خنک‌سازی رایگان و ابدی:</strong> سرمای مطلق فضا (Vacuum Cooling) نیاز به مصرف میلیاردها لیتر آب برای خنک‌کردن سرورهای داغ هوش مصنوعی را کاملاً حذف کرده است. این دیتاسنترها با استفاده از رادیاتورهای نوری، گرمای زائد را به صورت تابش مادون قرمز به فضا دفع می‌کنند.</li>
<li><strong>تاخیر صفر جهانی (Global Low Latency):</strong> با پردازش داده‌ها در خودِ مدار و انتقال نتایج از طریق لیزرهای فضایی (Inter-satellite Links)، تاخیر ارتباطی برای کاربران در دورافتاده‌ترین نقاط زمین، از اقیانوس‌ها تا مناطق کوهستانی، تا ۴۰٪ کاهش یافته است.</li>
</ul>

<blockquote style="border-right: 4px solid #C76D4A; margin: 28px 0; padding: 16px 20px; background: #C76D4A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«ما در حال ساختن یک "ابرِ واقعی" (The Real Cloud) در پهنه‌ی آسمان هستیم. در سال ۲۰۲۶، فضا دیگر فقط یک مسیر برای انتقال سیگنال نیست؛ فضا لایه اول پردازش تمدن بشری است. ماهواره‌های Starlink V3 ما دیگر فقط آنتن نیستند؛ آن‌ها خوشه‌های پردازشی (Compute Clusters) هستند که مستقیماً نیت‌های کاربران را در مدار پردازش کرده و فقط پاسخ نهایی را به زمین می‌فرستند. با استقرار کامل یک میلیون سرور مداری، تا سال ۲۰۲۸ هزینه پردازش هوش مصنوعی در فضا از دیتاسنترهای زمینی ارزان‌تر خواهد شد.»
</blockquote>

<p>در نمودار تعاملی زیر، ساختار یک نود پردازشی در منظومه Starcloud و نحوه توزیع هوشمند بار محاسباتی بین ایستگاه‌های زمینی و خوشه‌های مداری را مشاهده می‌کنید. توجه کنید که چطور لیزرهای فضایی یک «ستون فقرات نوری» با پهنای باند تراهرتزی پیرامون زمین ایجاد کرده‌اند.</p>

<div class="teknav-diagram-container" data-diagram="cloud"></div>

<h3>Starlink V3: وقتی ماهواره‌ها به ابرپردازنده‌های هوش مصنوعی مجهز می‌شوند</h3>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <img src="/images/articles/orbital-edge-computing-spacex-photo-1.jpg" alt="تسهیلات پردازش داده مداری با کره زمین در پس‌زمینه" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">دیتاسنتر مداری در ارتفاع LEO با منظره کره زمین — ماهواره‌های نسل جدید نه‌تنها سیگنال منتقل می‌کنند، بلکه مستقیماً درخواست‌های هوش مصنوعی را در فضا پردازش می‌کنند</figcaption>
</figure>
<p>اسپیس‌ایکس با بهره‌گیری از ظرفیت عظیم پرتاب موشک‌های Starship V3، در فروردین ماه امسال استقرار نسل سوم منظومه استارلینک را آغاز کرد. این ماهواره‌های ۸ تنی، برخلاف نسخه‌های قبلی، مجهز به واحدهای پردازش عصبی (NPU) با قدرت پتابایتی هستند که بر پایه معماری ۲ نانومتری طراحی شده‌اند. هدف نهایی این پروژه، ایجاد یک لایه‌ی پردازشی سراسری است که بتواند بدون وابستگی به زیرساخت‌های زمینی، کل ترافیک هوشمند جهان را مدیریت کند.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>اولین ابرِ عمومی در مدار:</strong> شرکت Starcloud (که با حمایت مستقیم انویدیا تاسیس شده) در ماه جاری رسماً سرویس «In-Orbit Inference» را برای توسعه‌دهندگان لانچ کرد. اکنون شما می‌توانید مدل‌های خود را روی زمین طراحی کنید و آن‌ها را مستقیماً روی تراشه‌های Blackwell مقاوم‌سازی شده در برابر تابش (Radiation-hardened) که در مدار هستند، اجرا کنید. این تحول، دسترسی به هوش مصنوعی فوق‌پیشرفته را در مناطق جنگ‌زده یا محروم ممکن کرده است.
</div>

<h2>۲. امنیت حاکمیتی و دیتای بدون مرز: ظهور سرویس StarVault</h2>
<p>در سال ۱۴۰۵، امنیت داده‌ها ابعاد ژئوپلیتیک جدید و پیچیده‌ای پیدا کرده است. سرویس <strong>StarVault</strong> که ماه گذشته توسط کنسرسیومی از شرکت‌های فضایی معرفی شد، اولین سیستم ذخیره‌سازی داده‌های حساس دولتی و بانکی در فضاست. به دلیل قرارگیری فیزیکی سرورها در مدار و خارج از مرزهای ملی، و همچنین استفاده از رمزنگاری پساکوانتومی (PQC) در تمام لینک‌های لیزری، این دیتاسنترها مصونیت کاملی از دسترسی‌های غیرمجاز زمینی، حملات فیزیکی و شنودهای رادیویی فراهم کرده‌اند. فضا اکنون به «پناهگاه امن داده‌ها» تبدیل شده است.</p>

<h2>۳. مایکروسافت Azure Space: پلِ نرم‌افزاری بین زمین و ستاره‌ها</h2>
<p>مایکروسافت استراتژی خود را بر روی لایه نرم‌افزاری و یکپارچه‌سازی متمرکز کرده است. سیستم‌های <strong>Azure Modular Data Centers (MDC)</strong> اکنون به صورت استاندارد در نقاط استراتژیک زمین (نظیر قطب شمال و بیابان‌های آفریقا) مستقر شده‌اند و از طریق پایانه‌های استارلینک، یکپارچگی کامل با ابر مداری را فراهم می‌کنند. این یعنی یک مهندس در اعماق یک معدن در بیابان‌های استرالیا، دقیقاً همان قدرت پردازشی و دسترسی به مدل‌های Claude 4.7 را در اختیار دارد که یک توسعه‌دهنده در مرکز شهر سیاتل دارد. مرزهای فیزیکی رایانش عملاً از بین رفته است.</p>

<h2>۴. چالش‌های محیط‌زیستی و فنی: نبرد با تابش و زباله</h2>
<p>علیرغم مزایای انرژی، افزایش تعداد ماهواره‌های دیتاسنتر نگرانی‌های جدی در مورد «سندروم کسلر» و برخورد زباله‌های فضایی ایجاد کرده است. در سال جاری، آژانس‌های فضایی قوانین سختگیرانه‌ای برای «پایان عمر خودکار و خروج از مدار» ماهواره‌ها وضع کرده‌اند. از نظر فنی نیز، ذرات باردار کیهانی چالش بزرگی برای پردازنده‌ها هستند. راهکار صنعت در سال ۱۴۰۵، استفاده از <strong>سیستم‌های رای‌گیری اکثریت (TMR)</strong> در سطح ترانزیستور و پوشش‌های نانو-کامپوزیتی برای محافظت از سیلیکون است.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
در ایران، استارتاپ‌های نوین در حوزه «سنجش از دور» و «مدیریت بحران» با استفاده از APIهای پردازش مداری، در حال تحلیل لحظه‌ای الگوهای خشکسالی، فرونشست زمین و تغییرات سطح دریاها هستند، بدون اینکه نیاز به دانلود ترابایت‌ها داده‌ی خام تصویری داشته باشند. این تکنولوژی زمان واکنش به بلایای طبیعی را در کشور تا ۸۰٪ کاهش داده است.
</div>

<h2>نتیجه‌گیری: دیتاسنترهای آینده در پهنه‌ی آسمان هستند</h2>
<p>رایانش لبه‌ای مداری در سال ۱۴۰۵، آغازگر عصری است که در آن «مکان جغرافیایی» دیگر هیچ محدودیتی برای دسترسی به دانش و هوش پیشرفته نیست. ما در حال ساختن یک مغزِ دیجیتال درخشان پیرامون سیاره زمین هستیم که با انرژی پاک و بی‌پایان خورشید تغذیه می‌شود و در سکوت و انزوای مطلق فضا به پردازش نیت‌های والای بشر می‌پردازد.</p>

<p>آینده تکنولوژی نه در زیر زمین و در دیتاسنترهای گرم، بلکه در میان ستاره‌ها و در قلبِ مدارهای زمین رقم خواهد خورد. تکناو به عنوان دیدبان این تحول بزرگ، شما را در جریان نبرد برای حاکمیت بر این «قلمرو فضایی» قرار خواهد داد. به عصرِ اینترنتِ متفکر و رایانش کیهانی خوش آمدید.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Tue, 26 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>رایانش نورومورفیک: وقتی سیلیکون به تکامل می‌رسد</title>
      <link>https://www.teknav.ir/article/neuromorphic-computing-loihi-3</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/neuromorphic-computing-loihi-3</guid>
      <description>تحلیل رایانش نورومورفیک (Neuromorphic Computing) در سال ۲۰۲۶. بررسی تراشه Intel Loihi 3، مکانیزم Graded Spikes و تاثیر آن بر رباتیک خودمختار.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، صنعت پردازش با واقعیتی روبروست که فراتر از مرزهای فیزیکی و حرارتی سیلیکون‌های سنتی است: <strong>رایانش نورومورفیک (Neuromorphic Computing)</strong>. با معرفی رسمی تراشه <strong>Intel Loihi 3</strong> در دی ماه سال گذشته و استقرار گسترده آن در ربات‌های نسل جدید، ما رسماً از عصر «هوش مصنوعی به مثابه نرم‌افزار» (Software-defined AI) به عصر «هوش مصنوعی به مثابه بافت سخت‌افزاری» (Hardware-embodied AI) وارد شده‌ایم. این تراشه‌ها که با الهام از معماری بیولوژیک و تکاملی مغز انسان طراحی شده‌اند، قوانین بهره‌وری انرژی و سرعت پردازش را در لبه شبکه (Edge) به طور کامل بازنویسی کرده‌اند.</p>

<p>در این کالبدشکافی فنی و تخصصی، به بررسی ساختار درونی Loihi 3، مکانیزم انقلابی Graded Spikes، حذف گلوگاه تاریخی فون نویمان و ظهور ابرکامپیوترهای مغز-محور نظیر SpiNNaker2 در سال ۲۰۲۶ می‌پردازیم.</p>

<h2>۱. اینتل Loihi 3: مغزِ دیجیتال در ابعاد ۴ نانومتری TSMC</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <video autoPlay muted loop playsInline preload="none" poster="/images/articles/neuromorphic-computing-loihi-3-photo-1.jpg" style="width: 100%; height: auto; display: block;">
    <source src="/videos/articles/neuromorphic-computing.mp4" type="video/mp4" />
  </video>
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">بازرسی ویفر سیلیکونی در اتاق تمیز با نور نارنجی — الگوهای رنگین‌کمانی سطح ویفر، لایه‌های نانومتری اتصالات Loihi 3 با ۸ میلیون نورون دیجیتال را نشان می‌دهند</figcaption>
</figure>
<p>تراشه Loihi 3 که با لیتوگرافی ۴ نانومتری پیشرفته تولید شده، میزبان ۸ میلیون نورون دیجیتال و ۶۴ میلیارد سیناپس قابل برنامه‌ریزی است. اما قدرت واقعی این تراشه در تعداد عددی نورون‌های آن نیست، بلکه در معماری <strong>Asynchronous (غیرهمزمان)</strong> و نحوه ارتباطات عصبی آن نهفته است. برخلاف معماری‌های کلاسیک (نظیر GPUها) که از پالس‌های ساعت هماهنگ و سیگنال‌های باینری خشک استفاده می‌کنند، Loihi 3 از تکنولوژی <strong>Graded Spikes (ضربان‌های درجه‌بندی شده)</strong> ۳۲ بیتی بهره می‌برد.</p>

<p>این یعنی هر ضربان الکتریکی در داخل چیپ، برخلاف نسل‌های قبلی که فقط «روشن یا خاموش» بودند، می‌تواند حامل اطلاعات پیچیده، پیوسته و چندبعدی باشد. این قابلیت به مدل‌های هوش مصنوعی اجازه می‌دهد تا «شدت» و «فوریت» داده‌ها را در یک پالس واحد منتقل کنند. این تحول باعث شده تا شکاف عملیاتی بین یادگیری عمیق سنتی و شبکه‌های عصبی ضربانی (SNN) برای همیشه از بین برود و مدل‌های سنگین بینایی ماشین بتوانند با مصرف انرژی خیره‌کننده‌ی کمتر از ۱.۵ وات اجرا شوند؛ یعنی ۱۰۰۰ برابر بهینه‌تر از هر GPU مدرن در وظایف پردازش سیگنال زمان-واقعی.</p>

<blockquote style="border-right: 4px solid #0F6B73; margin: 28px 0; padding: 16px 20px; background: #0F6B730A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«ما در سال ۱۴۰۵ به جای تلاش برای "شبیه‌سازی" هوش با کدهای سنگین ریاضی روی معماری‌های قدیمی، در حال "ساختن فیزیکی" مسیرهای عصبی در لایه سیلیکون هستیم. تراشه Loihi 3 به ربات‌های چهارپایANYmal اجازه می‌دهد تا بدون نیاز به سیستم‌های خنک‌سازی فعال یا باتری‌های عظیم، به مدت ۷۲ ساعت مداوم در محیط‌های صنعتی خطرناک (نظیر سکوهای نفتی) فعالیت کنند و تنها با لمس و صدا، محیط را مانند یک موجود زنده درک کنند. این یک جهش تمدنی در اتوماسیون است.»
</blockquote>

<p>در نمودار تعاملی زیر، ساختار یک نورون ضربانی در Loihi 3 و تفاوت بنیادین آن با لایه‌های متراکم (Dense Layers) در ترنسفورمرهای سنتی را مشاهده می‌کنید. توجه کنید که چطور داده‌ها به صورت «رویداد-محور» (Event-based) پردازش می‌شوند؛ یعنی تراشه تنها زمانی انرژی مصرف می‌کند که تغییری در داده‌های ورودی (مثلاً حرکت در فریم دوربین) رخ دهد.</p>

<div class="teknav-diagram-container" data-diagram="brain"></div>

<h3>پایانِ دیوار فون نویمان: وقتی حافظه و پردازش یکی می‌شوند</h3>
<p>بزرگترین مانع سرعت در کامپیوترهای ۷۰ سال گذشته، جدایی فیزیکی پردازنده از محل ذخیره حافظه (RAM) بود که به گلوگاه فون نویمان معروف است. در معماری Loihi 3، حافظه و منطق پردازشی در یک نقطه فیزیکی با هم ادغام شده‌اند (In-memory Computing). این یعنی داده‌ها دیگر نیازی به جابجایی مداوم و پرهزینه بین رم و سی‌پی‌یو ندارند. نتیجه این تحول، کاهش ۹۵ درصدی تاخیر (Latency) در سیستم‌های تشخیص گفتار و بینایی ماشین است. در سال ۱۴۰۵، این یعنی عینک هوشمند شما می‌تواند بدون هیچ تاخیر محسوسی، تمام مکالمات محیط را در لحظه برای شما ترجمه یا به صورت متنی خلاصه کند.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>ابرکامپیوتر SpiNNaker2:</strong> در حالی که Loihi برای ابزارهای همراه طراحی شده، سیستم SpiNNaker2 در سال جاری با بهره‌گیری از ۷۰ هزار تراشه اختصاصی، اولین سیستم پردازشی جهان است که می‌تواند شبکه‌های عصبی در ابعاد کامل مغز انسان (۱۰ میلیارد نورون و تریلیون‌ها سیناپس) را به صورت «زمان واقعی» پردازش کند. این سیستم اکنون به عنوان موتور اصلی شبیه‌سازی‌های پیشرفته علوم اعصاب و تست داروهای جدید در اروپا عمل می‌کند.
</div>

<h2>۲. فیزیک هوشمند: حل معادلات دیفرانسیل در میلی‌ثانیه</h2>
<p>یکی از کاربردهای شگفت‌انگیز و غیرمنتظره رایانش نورومورفیک در سال ۲۰۲۶، توانایی این تراشه‌ها در حل مستقیم <strong>Partial Differential Equations (PDEs)</strong> است. آزمایشگاه‌های ملی ساندیا در گزارش اخیر خود نشان دادند که Loihi 3 می‌تواند شبیه‌سازی‌های پیچیده دینامیک سیالات و الگوهای ریز-هواشناسی را با سرعتی باورنکردنی و مصرف انرژی ناچیز انجام دهد. این یعنی پهپادهای خودران در سال ۱۴۰۵ می‌توانند در شرایط طوفانی شدید، با محاسبه آنی جریان‌های هوا پیرامون بال‌های خود، پایداری را حفظ کنند؛ کاری که پیش از این به دلیل تاخیر پردازنده‌های سنتی منجر به سقوط می‌شد.</p>

<h2>۳. نانوالکترونیک و ممریستورها: پایداری در جهنم فیزیکی</h2>
<p>استفاده از ممریستورهای نانوالکترونیک در ساختار حافظه Loihi 3، پایداری داده‌ها و منطق پردازشی را در شرایط دمایی شدید (تا ۷۰۰ درجه سانتی‌گراد) ممکن کرده است. این ویژگی خارق‌العاده، رایانش نورومورفیک را به گزینه اول و بدون رقیب برای ماموریت‌های فضایی سال ۲۰۲۷ و سنسورهای جاسازی شده در داخل موتورهای جت و توربین‌های نیروگاهی تبدیل کرده است. در حوزه پزشکی نیز، سنسورهای نورومورفیک «زیرپوستی» اکنون می‌توانند سیگنال‌های عصبی را با دقت بی‌سابقه‌ای تحلیل کرده و هفته‌ها با یک باتری بیولوژیک بسیار کوچک به فعالیت خود ادامه دهند.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
بر اساس پژوهش‌های منتشر شده در اردیبهشت ۱۴۰۵، ترکیب مواد دو-بعدی (نظیر گرافن) با معماری نورومورفیک، پتانسیل افزایش سرعت سوئیچینگ سیناپسی را تا ۱۰ برابر دیگر فراهم کرده است که نویدبخش تراشه‌هایی با قدرت درک فوق‌انسانی در سال‌های آینده است.
</div>

<h2>نتیجه‌گیری: سیلیکون در مسیر تکامل ارگانیک</h2>
<p>رایانش نورومورفیک در سال ۱۴۰۵ به جهان ثابت کرد که برای رسیدن به هوش مصنوعی واقعی، کارآمد و خودمختار، نباید فقط به دنبال الگوریتم‌های پیچیده‌تر و مجموعه‌داده‌های بزرگتر باشیم، بلکه باید «خانه» و بستر فیزیکی بهتری برای این هوش بسازیم. با Loihi 3 و سیستم‌های مشابه، ما در حال ساختن آینده‌ای هستیم که در آن ماشین‌ها نه با محاسبات خشک ریاضی، بلکه با یک «شهود فیزیکی» عمیق جهان را درک و لمس می‌کنند.</p>

<p>آینده تکنولوژی در دستان معمارانی است که می‌توانند نظم باشکوه ارگانیک مغز را با دقت اتمی سیلیکون پیوند بزنند. به عصر فیزیکِ هوشمند، رایانش بدون پالس ساعت و هوشِ نهفته در لایه‌ی ماده خوش آمدید. تکناو به عنوان دیدبان این تحول بزرگ، شما را در سفر به اعماق معماری‌های نوین همراهی خواهد کرد.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Sat, 23 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>هوش مکانی اپل: کالبدشکافی Siri 2.0 و تراشه A20</title>
      <link>https://www.teknav.ir/article/apple-spatial-intelligence-2026</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/apple-spatial-intelligence-2026</guid>
      <description>تحلیل هوش مکانی اپل (Spatial Intelligence) در سال ۲۰۲۶. بررسی قابلیت‌های Siri 2.0، تراشه ۲ نانومتری A20 و آینده رایانش مکانی.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، شرکت اپل با معرفی پلتفرم <strong>Apple Intelligence 2.0</strong> و نسخه جدید سخت‌افزاری <strong>Vision Pro M5</strong>، رسماً عصر گوشی‌های هوشمند به شکل سنتی را به پایان رساند و جهان را وارد دوران <strong>«هوش مکانی» (Spatial Intelligence)</strong> کرد. این تحول نشان‌دهنده بلوغ استراتژی اپل در ترکیب بینایی ماشین، استدلال مدل‌های زبانی و واقعیت افزوده است؛ جایی که هوش مصنوعی دیگر محدود به یک مستطیل شیشه‌ای در جیب شما نیست، بلکه در تار و پود دنیای فیزیکی اطراف شما تنیده شده است.</p>

<p>در این مقاله جامع، به بررسی کالبدشکافی Siri 2.0، نقش تراشه‌های ۲ نانومتری A20، تکنولوژی بازسازی آنی محیط و آینده عینک‌های «Vision Air» در سال ۲۰۲۶ می‌پردازیم.</p>

<h2>۱. سیری ۲.۰: وقتی دستیار شما چشمان و دستان شما می‌شود</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <img src="/images/articles/apple-spatial-intelligence-2026-photo-1.jpg" alt="هدست Vision Pro اپل روی میز در کنار آیفون" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">Apple Vision Pro M5 — هدست‌های هوش مکانی اپل تمام پردازش هوش مصنوعی را به صورت کامل روی دستگاه انجام می‌دهند تا حریم خصوصی کاربر حفظ شود</figcaption>
</figure>
<p>بزرگترین جهش اپل در سال جاری، بازسازی کامل سیری بر پایه مدل‌های زبانی بزرگ اختصاصی با نام «Ajax-Spatial» است. سیری در سال ۱۴۰۵ دیگر یک موتور جست‌وجوی صوتی نیست؛ او یک <strong>عامل هوشمند (Agent)</strong> است که دارای دو ویژگی کلیدی و انقلابی است:</p>

<ul>
<li><strong>On-Screen Awareness (آگاهی از صفحه):</strong> سیری اکنون تمام متادیتاها و المان‌های بصری روی صفحه نمایش آیفون یا مک شما را درک می‌کند. شما می‌توانید بگویید: «اون آدرسی که سارا توی واتس‌اپ فرستاده بود رو توی نقشه پیدا کن و زمان تخمینی رسیدن رو برای علی ایمیل کن.» و سیری تمام این مراحل را در پس‌زمینه انجام می‌دهد.</li>
<li><strong>Visual Intelligence 2.0:</strong> در هدست Vision Pro، سیری از طریق دوربین‌های ۴۸ مگاپیکسلی محیط را به صورت سه‌بعدی اسکن می‌کند. شما می‌توانید به یک گیاه خانگی اشاره کنید و بپرسید: «چرا برگ‌های این زرد شده؟» و سیری با تحلیل بافت برگ و میزان نور محیط، نه تنها علت را می‌گوید، بلکه دستور خرید کود مناسب را مستقیماً در سبد خرید شما قرار می‌دهد.</li>
</ul>

<blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«هوش مصنوعی واقعی نباید از شما بخواهد که به دنیای سرد دیجیتال بیایید؛ هوش مصنوعی باید به دنیای گرم و فیزیکی شما بیاید. اپل با Spatial Intelligence، مرز بین پیکسل (داده) و اتم (ماده) را برای همیشه محو کرده است. این بزرگترین دستاورد ما از زمان معرفی آیفون است.»
</blockquote>

<p>در نمودار تعاملی زیر، ساختار پردازش داده در لایه هوش مکانی اپل را مشاهده می‌کنید. توجه کنید که چطور داده‌های دریافتی از حسگرهای LiDAR با مدل‌های VLA (بینایی-زبان-اکشن) ترکیب می‌شوند تا یک «نقشه معنایی» آنی از اتاق شما ساخته شود.</p>

<div class="teknav-diagram-container" data-diagram="vla"></div>

<h3>Vision Pro M5: قدرتِ یک ایستگاه کاری روی چشمان شما</h3>
<p>اپل با صرف‌نظر کردن از تغییر طراحی ظاهری، تمام تمرکز خود را بر روی سخت‌افزار داخلی قرار داده است. تراشه <strong>M5</strong> که در قلب این هدست می‌تپد، با معماری ۲ نانومتری تولید شده و قدرت پردازش عصبی (NPU) آن نسبت به نسخه M2 حدود ۴ برابر افزایش یافته است. این قدرت اضافی برای اجرای مدل‌های هوشمند به صورت <strong>کاملاً بومی (Local)</strong> حیاتی است. اپل به دلیل سیاست‌های سختگیرانه حریم خصوصی، اجازه خروج ویدیوهای زنده محیط زندگی کاربر به سرورهای ابری را نمی‌دهد و تمام فرآیند «درک محیط» در داخل خود هدست انجام می‌شود.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>آینده نزدیک: Vision Air.</strong> طبق گزارش‌های زنجیره تامین، اپل در حال آماده‌سازی برای عرضه نسخه‌ی ارزان‌تر با نام Vision Air در انتهای سال ۲۰۲۶ است. این محصول با حذف صفحه نمایش خارجی (EyeSight) و استفاده از بدنه پارچه‌ای، قیمتی حدود ۱,۸۰۰ دلار خواهد داشت تا رایانش مکانی را از یک کالای لوکس به یک ابزار عمومی تبدیل کند.
</div>

<h2>۲. تراشه A20: آغاز عصر سیلیکون‌های ۲ نانومتری TSMC</h2>
<p>آیفون ۱۸ پرو که در شهریور ۱۴۰۵ عرضه خواهد شد، از تراشه <strong>A20</strong> بهره می‌برد. این اولین پردازنده جهان است که از لیتوگرافی ۲ نانومتری استفاده می‌کند. اپل در این تراشه واحد جدیدی به نام «Spatial Engine» اضافه کرده که وظیفه‌ی آن کاهش تاخیر در انتقال داده‌های بصری به عینک‌های هوشمند سبک (Smart Glasses) است. این تراشه به آیفون اجازه می‌دهد تا به عنوان یک «باتری و مغز همراه» برای عینک‌هایی عمل کند که خودشان فاقد پردازنده‌های سنگین هستند.</p>

<h2>۳. حریم خصوصی در عصر هوش مکانی: Private Cloud Compute</h2>
<p>یکی از بزرگترین چالش‌های سال ۱۴۰۵، اعتماد کاربران به دستگاه‌هایی است که دائماً در حال فیلم‌برداری از محیط خصوصی آن‌ها هستند. راهکار اپل، تکنولوژی <strong>Private Cloud Compute (PCC)</strong> است. در مواردی که نیاز به قدرت پردازش ابری باشد (مثلاً برای تحلیل متون حقوقی بسیار حجیم)، داده‌ها به سرورهای اختصاصی اپل ارسال می‌شوند که با تراشه‌های Apple Silicon ساخته شده‌اند. این سرورها فاقد حافظه دائمی (Storage) هستند و حتی مهندسان اپل نیز کلید رمزگشایی داده‌های کاربر را در اختیار ندارند. این استاندارد اکنون به الگویی برای کل صنعت تبدیل شده است.</p>

<h2>۴. اپلIntelligence+ : مدل جدید درآمدی</h2>
<p>اپل در فروردین ماه سرویس <strong>Apple Intelligence+</strong> را معرفی کرد. در حالی که ویژگی‌های پایه (مانند اصلاح متن و ویرایش ساده تصاویر) رایگان باقی مانده‌اند، کاربران حرفه‌ای با پرداخت ماهانه ۱۵ دلار می‌توانند به قابلیت‌های عاملی پیشرفته دسترسی داشته باشند. این قابلیت‌ها شامل «مدیریت خودمختار تقویم و ایمیل»، «تولید انیمیشن‌های سه‌بعدی از توصیفات متنی» و «دسترسی به مدل‌های تخصصی کدنویسی» است. این اولین بار است که اپل مستقیماً از اشتراک نرم‌افزاری هوش مصنوعی درآمدزایی می‌کند.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
بر اساس تحلیل‌های بازار در ایران، با وجود قیمت بالای هدست‌های اپل، استفاده از قابلیت‌های Spatial Intelligence در بخش‌های جراحی پزشکی و آموزش مهندسی در دانشگاه‌های برتر کشور با رشد ۲۰۰ درصدی روبرو بوده است.
</div>

<h2>نتیجه‌گیری: جهانی که هوشمندتر دیده می‌شود</h2>
<p>هوش مکانی اپل در سال ۱۴۰۵، آغاز پایانِ عصر گوشی‌های هوشمند به شکل فعلی است. ما در حال حرکت به سمتی هستیم که دستگاه‌ها به جای جلب توجه ما و زندانی کردن چشمانمان در نمایشگرهای کوچک، به ما کمک می‌کنند تا بهتر با دنیای واقعی تعامل کنیم. با Siri 2.0 و تراشه‌های نسل جدید، اپل ثابت کرد که هوش مصنوعی زمانی درخشان است که نامرئی باشد و به بخشی از درک طبیعی ما از محیط تبدیل شود.</p>

<p>آینده اپل و شاید آینده تمدن دیجیتال، در گروی موفقیت این هوش محیطی است. اگر اپل بتواند پارادایم «رایانش بدون نمایشگر» را با موفقیت پیاده کند، دهه آینده دهه‌ی عینک‌های هوشمندی خواهد بود که جهان را برای ما ترجمه و تفسیر می‌کنند. تکناو این تحول تاریخی را با دقت برای شما رصد و تحلیل خواهد کرد.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Fri, 15 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>هوش مصنوعی فیزیکی: ربات‌های انسان‌نما در آستانه تولید میلیونی</title>
      <link>https://www.teknav.ir/article/physical-ai-humanoids-2026</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/physical-ai-humanoids-2026</guid>
      <description>بررسی وضعیت تولید ربات‌های انسان‌نما در سال ۲۰۲۶. تحلیل قابلیت‌های تسلا اپتیموس نسل ۳ و ربات Figure 03 در محیط‌های صنعتی و خانگی.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، رباتیک از مرحله «نمایش‌های آزمایشگاهی» و ویدیوهای فانتزی یوتیوبی خارج شده و به مرحله «تولید در مقیاس صنعتی و حضور واقعی در خانه‌ها» وارد شده است. <strong>هوش مصنوعی فیزیکی (Physical AI)</strong> با بهره‌گیری از مدل‌های انقلابی <strong>VLA (بینایی-زبان-اکشن)</strong>، به ربات‌های انسان‌نما اجازه داده است تا جهان را نه به عنوان مجموعه‌ای از پیکسل‌های بی‌روح، بلکه به عنوان محیطی برای تعامل، درک و پیش‌بینی فیزیکی درک کنند.</p>

<p>در این مقاله جامع، به بررسی کالبدشکافی نسل جدید ربات‌های Figure 03، تسلا اپتیموس نسل ۳، مدل‌های جهانی (World Models) و چالش‌های مهندسی در مفاصل و دست‌های رباتیک در سال ۲۰۲۶ می‌پردازیم.</p>

<h2>۱. Figure 03: وقتی ربات به حس لامسه و ادراک پوستی مجهز می‌شود</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <video autoPlay muted loop playsInline preload="none" poster="/images/articles/physical-ai-humanoids-2026-photo-1.jpg" style="width: 100%; height: auto; display: block;">
    <source src="/videos/articles/physical-ai-humanoids.mp4" type="video/mp4" />
  </video>
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">دست رباتیک با ۲۲ درجه آزادی در حال برداشتن قطعه الکترونیکی ظریف — سنسورهای پیزوالکتریک نوک انگشتان ۳ میلی‌گرم تفاوت فشار را حس می‌کنند</figcaption>
</figure>
<p>شرکت Figure AI با استفاده از داده‌های عظیمی که طی ۱۱ ماه حضور Figure 02 در خط تولید BMW جمع‌آوری کرد، نسخه <strong>Figure 03</strong> را در فروردین ۱۴۰۵ روانه بازار کرد. این ربات اولین مدلی است که به جای تکیه صرف بر بینایی ماشین، از یک سیستم <strong>بازخورد لمسی (Tactile Feedback)</strong> فوق‌پیشرفته در سطح پوست مصنوعی خود استفاده می‌کند.</p>

<p>در Figure 03، نوک انگشتان به سنسورهای پیزوالکتریک با دقت ۳ میلی‌گرم مجهز شده‌اند. این یعنی ربات می‌تواند لغزش یک جسم صیقلی (مثل یک لوله فلزی روغن‌کاری شده) را در لحظه حس کرده و فشار گریپ (Grip) خود را تنظیم کند. این قابلیت، Figure 03 را به گزینه‌ای ایده‌آل برای مونتاژ قطعات حساس الکترونیکی تبدیل کرده است که پیش از این فقط توسط دستان هنرمند انسان قابل انجام بود.</p>

<blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«چالش ما در سال ۱۴۰۳ فقط حرکت دادن ربات بود؛ چالش ما در سال ۱۴۰۵، "فهمیدنِ لمس" و "شهود فیزیکی" است. Figure 03 می‌داند تفاوت فشار بین نگه داشتن یک تخم‌مرغ و یک آچار پیچ‌گوشتی چیست. این درک فیزیکی است که ربات را از یک ماشین خشک به یک همکار واقعی تبدیل می‌کند.» – برت ادکاک، مدیرعامل Figure
</blockquote>

<p>در نمودار تعاملی زیر، ساختار توزیع گشتاور در مفاصل و لایه پردازش داده‌های حسگر در ربات‌های نسل جدید را مشاهده می‌کنید. توجه داشته باشید که هر مفصل اکنون دارای یک میکرو-پردازنده اختصاصی برای واکنش‌های میلی‌ثانیه‌ای (Edge Inference) است.</p>

<div class="teknav-diagram-container" data-diagram="vla"></div>

<h3>تسلا اپتیموس نسل ۳: ورود به عصر تولید میلیونی و حضور در خانه</h3>
<figure style="margin: 16px 0 24px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2; max-width: 600px;">
  <img src="/images/articles/physical-ai-humanoids-2026-photo-2.jpg" alt="نزدیک‌نمای دست مکانیکی ربات انسان‌نما در حال نگه داشتن مدار الکترونیکی" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">دستان اپتیموس نسل ۳ با ۲۲ درجه آزادی — انگشتان مجهز به سنسورهای پیزوالکتریک می‌توانند فشار لازم برای نگه داشتن یک تخم‌مرغ را از یک آچار تشخیص دهند</figcaption>
</figure>
<p>ایلان ماسک در گزارش مالی اخیر تسلا تایید کرد که خط تولید "Cortex" در کارخانه فریمونت برای تولید سالانه ۱ میلیون واحد <strong>Optimus Gen 3</strong> آماده شده است. این نسخه با دست‌های جدیدی که دارای ۲۲ درجه آزادی (22-DOF) هستند، مرزهای ظرافت حرکتی را جابجا کرده است. در این نسل، تمامی موتورها و تاندون‌ها به داخل ساعد منتقل شده‌اند تا وزن دست کاهش یافته و سرعت واکنش افزایش یابد.</p>

<p>اپتیموس نسل ۳ از تراشه <strong>AI5</strong> استفاده می‌کند که قدرت پردازشی آن ۵ برابر نسخه قبلی است. این قدرت اضافی صرف اجرای مدل‌های <strong>VLA</strong> در لحظه می‌شود. برای اولین بار، ربات می‌تواند دستورات مبهم و چندمرحله‌ای نظیر "برو توی آشپزخانه، اگر ظرف‌ها کثیف هستند آن‌ها را در ماشین ظرفشویی بچین و بعد میز را تمیز کن" را به صورت کاملاً خودمختار و بدون نیاز به اینترنت (Local Inference) انجام دهد.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>انقلاب VLA:</strong> مدل‌های Vision-Language-Action به ربات اجازه می‌دهند تا شکاف بین ادراک و عمل را پر کند. برخلاف ربات‌های قدیمی که برای هر حرکت نیاز به هزاران خط کدنویسی داشتند، VLA محیط را می‌بیند (Vision)، هدف را به زبان انسانی تحلیل می‌کند (Language) و سپس فرمان‌های حرکتی بهینه را صادر می‌کند (Action).
</div>

<h2>۲. مدل‌های جهانی (World Models): شهود فیزیکی ماشین</h2>
<p>دلیل اصلی پیشرفت ناگهانی رباتیک در سال ۱۴۰۵، تغییر روش آموزش از "تقلید صرف" به "یادگیری قوانین جهان" است. تکنولوژی <strong>World Models</strong> به ربات اجازه می‌دهد تا یک شبیه‌ساز داخلی از قوانین فیزیک (جاذبه، اصطکاک، جرم) داشته باشد. این ربات‌ها پیش از انجام هر حرکت در دنیای واقعی، آن را میلیون‌ها بار در شبیه‌سازهای فوق‌سریع (مانند NVIDIA Isaac Sim) تمرین می‌کنند تا احتمال خطا را به صفر برسانند.</p>

<h2>۳. اقتصادِ رباتیک: قیمت‌گذاری ۲۰ هزار دلاری و تاثیر بر بازار کار</h2>
<p>با مقیاس‌پذیری تولید، قیمت نهایی ربات‌های انسان‌نما به محدوده ۲۰ تا ۳۰ هزار دلار رسیده است. این یعنی برای اولین بار در تاریخ، هزینه خرید یک ربات برای یک کارخانه، کمتر از هزینه استخدام نیروی انسانی برای کارهای تکراری در بازه ۳ ساله است. این تحول اقتصادی باعث شده تا در سال جاری، بیش از ۶۰۰ هزار موقعیت شغلی در انبارهای لجستیکی اروپا و آسیا به ربات‌ها واگذار شود.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
تکنولوژی "Cortex 2.0" تسلا با استفاده از ۵۰۰ مگاوات توان پردازشی، وظیفه آموزش مداوم ناوگان ربات‌ها را بر اساس ویدیوهای ارسالی از دنیای واقعی (Fleet Learning) بر عهده دارد. این یعنی هرچه یک ربات در ایران یاد می‌گیرد، به تمام ربات‌های تسلا در جهان منتقل می‌شود.
</div>

<h2>نتیجه‌گیری: وقتی ماشین‌ها جان می‌گیرند</h2>
<p>هوش مصنوعی فیزیکی در سال ۱۴۰۵، آخرین مرز بین دنیای دیجیتال و فیزیکی را از بین برده است. ما در آستانه عصری هستیم که ربات‌ها نه به عنوان ماشین‌های برنامه‌ریزی شده، بلکه به عنوان «همکاران هوشمند» در کنار ما زندگی و کار خواهند کرد. این یک تغییر تمدنی است که نحوه‌ی تولید و خدمات را برای همیشه دگرگون خواهد کرد. تکناو شما را در قلب این انقلاب فیزیکی نگه خواهد داشت.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Sat, 02 May 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>ارکستر رباتیک: وقتی انبارها به شبکه‌های عصبی تبدیل می‌شوند</title>
      <link>https://www.teknav.ir/article/robotics-warehouse-orchestration</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/robotics-warehouse-orchestration</guid>
      <description>بررسی تحول انبارداری هوشمند در سال ۱۴۰۵. تحلیل همکاری ربات‌های انسان‌نما و AMRها در محیط‌های صنعتی و نقش هوش مصنوعی فیزیکی.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، صنعت لجستیک و انبارداری شاهد یکی از بزرگترین تحولات تکنولوژیک قرن بیست و یکم است. ما از دوران انبارداری نیمه‌خودکار به عصر <strong>«ارکستر رباتیک» (Robotic Orchestration)</strong> وارد شده‌ایم؛ جایی که مرز بین فضای کاری انسان و ماشین کاملاً محو شده است. در حالی که ربات‌های انسان‌نما (Humanoids) به رهبری <strong>Tesla Optimus Gen 3</strong> و <strong>Agility Digit</strong> در حال تسخیر فضاهای منعطف هستند، ربات‌های متحرک خودگردان (AMR) نظیر <strong>Amazon Proteus</strong> همچنان ستون فقرات جابجایی توده کالا را تشکیل می‌دهند.</p>

<p>در این مقاله عمیق، به بررسی تقابل و همکاری ربات‌های انسان‌نما و ناوگان‌های متحرک، نقش مدل‌های <strong>VLA (Vision-Language-Action)</strong> و تحول شگرف در بهره‌وری زنجیره تأمین در سال ۲۰۲۶ می‌پردازیم.</p>

<h2>۱. ربات‌های انسان‌نما: نفوذ به فضاهای Brownfield</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <img src="/images/articles/robotics-warehouse-orchestration-photo-1.jpg" alt="انبار هوشمند با ربات‌های متحرک AMR و بازوهای رباتیک خودکار" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">یک انبار لجستیک مدرن با ناوگان مختلط از ربات‌های چرخ‌دار AMR و بازوهای رباتیک — در سال ۱۴۰۵ این سیستم‌ها قادر به پردازش هزاران سفارش در ساعت هستند</figcaption>
</figure>
<p>بزرگترین مزیت ربات‌های انسان‌نما در سال ۱۴۰۵، توانایی آن‌ها برای فعالیت در انبارهای قدیمی یا «Brownfield» است. این انبارها برای حرکت انسان طراحی شده‌اند و دارای پله‌ها، رمپ‌های شیب‌دار و راهروهای باریکی هستند که ربات‌های چرخ‌دار سنتی در آن‌ها به گل می‌نشینند.</p>

<p>ربات <strong>Digit</strong> از شرکت Agility Robotics، که اکنون در مقیاس ۱۰ هزار واحد در سال تولید می‌شود، به اولین کارگر بپه (Bipedal) موفق در خطوط تفکیک کالا تبدیل شده است. این ربات با استفاده از پاهای مفصلی خود می‌تواند به راحتی قفسه‌هایی را که دسترسی به آن‌ها برای ماشین‌های دیگر غیرممکن بود، مدیریت کند.</p>

<blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«چالش ما در سال ۲۰۲۶ دیگر ساخت انبارهای جدید و فوق‌مدرن برای ربات‌ها نیست؛ بلکه ساخت ربات‌هایی است که به قدری هوشمند باشند که بتوانند در انبارهای ۵۰ ساله ما، بدون هیچ تغییری در زیرساخت، در کنار کارگران انسانی با امنیت کامل فعالیت کنند.»
</blockquote>

<p>در نمودار تعاملی زیر، مدل توزیع وظایف بین یک ربات انسان‌نما و یک واحد AMR را در یک چرخه کامل سفارش‌گیری مشاهده می‌کنید. این همکاری باعث کاهش ۳۰ درصدی زمان آماده‌سازی سفارش شده است.</p>

<div class="teknav-diagram-container" data-diagram="wave"></div>

<h3>هوش مصنوعی فیزیکی (Physical AI) و مدل‌های جهانی</h3>
<p>تفاوت بنیادین ربات‌های سال ۱۴۰۵ با نسل‌های قبلی در «مغز» آن‌هاست. استفاده از مدل‌های <strong>Vision-Language-Action</strong> به ربات‌ها اجازه می‌دهد تا دستورات مبهم نظیر "بسته‌های آسیب‌دیده را به بخش مرجوعی ببر" را درک کنند. ربات ابتدا محیط را اسکن می‌کند (Vision)، مفهوم آسیب‌دیدگی را تحلیل می‌کند (Language) و سپس فرمان‌های حرکتی لازم برای برداشتن و حمل بسته را صادر می‌کند (Action).</p>

<p>این فرآیند به لطف **مدل‌های جهانی (World Models)** ممکن شده است. ربات‌ها دیگر فقط از کدهای از پیش برنامه‌ریزی شده پیروی نمی‌کنند؛ آن‌ها یک درک شهودی از فیزیک دارند و می‌توانند پیش‌بینی کنند که اگر تعادل یک جعبه به هم بخورد، در چه جهتی سقوط خواهد کرد.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>واقعیت اقتصادی انبارداری ۲۰۲۶:</strong> با وجود پیشرفت‌های خیره‌کننده، هزینه نگهداری و مصرف انرژی ربات‌های انسان‌نما همچنان ۵ برابر بیشتر از ربات‌های AMR است. به همین دلیل، در سال جاری، ربات‌های چرخ‌دار همچنان ۷۰٪ از حجم جابجایی افقی کالا در انبارهای بزرگ دنیا را بر عهده دارند.
</div>

<h2>۲. ناوگان‌های خودمختار و هوش جمعی (Swarm Intelligence)</h2>
<p>در حالی که انسان‌نماها کارهای ظریف را انجام می‌دهند، ربات‌هایی مانند <strong>Amazon Proteus</strong> با استفاده از سیستم‌های LiDAR نسل جدید، بارهای سنگین تا ۸۰۰ کیلوگرم را جابجا می‌کنند. Proteus اولین رباتی است که به صورت کاملاً آزاد در محیط‌های مشترک با انسان حرکت می‌کند و نیازی به قفس‌های امنیتی ندارد.</p>

<p>کلید موفقیت این ناوگان‌ها، <strong>هوش جمعی</strong> است. صدها ربات در یک انبار به صورت یک «شبکه عصبی واحد» با هم در ارتباط هستند. سیستم مرکزی با پیش‌بینی مسیر حرکت هر ربات در ۱۰ ثانیه آینده، از ایجاد گلوگاه‌های ترافیکی جلوگیری می‌کند. در سال ۱۴۰۵، نرخ تصادف ربات با ربات یا ربات با انسان در انبارهای هوشمند به تقریباً صفر رسیده است.</p>

<h2>۳. بحران انرژی و راهکار ایستگاه‌های تعویض سریع</h2>
<p>یکی از بزرگترین چالش‌های عملیاتی در سال ۲۰۲۶، تامین انرژی این ارتش مکانیکی است. یک ربات انسان‌نما در شرایط کاری سنگین تنها ۳ تا ۴ ساعت دوام می‌آورد. راهکار صنعت برای این مشکل، استفاده از <strong>ایستگاه‌های تعویض باتری خودکار (Hot-Swap)</strong> است.</p>

<p>ربات وقتی تشخیص می‌دهد شارژ باتری به زیر ۱۵٪ رسیده است، به صورت خودکار به ایستگاه مراجعه کرده و در کمتر از ۶۰ ثانیه، باتری خالی با یک باتری کاملاً شارژ شده تعویض می‌شود. این سیستم اجازه می‌دهد تا انبارها به صورت ۲۴/۷ و بدون توقف فعالیت کنند.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
بر اساس آمارهای منتشر شده توسط انجمن لجستیک هوشمند، پیاده‌سازی ناوگان‌های ترکیبی در سال ۱۴۰۴ منجر به افزایش ۴۵ درصدی ظرفیت خروجی انبارها در فصول پیک خرید شده است.
</div>

<h2>۴. رباتیک به مثابه خدمت (RaaS)</h2>
<p>در سال ۱۴۰۵، خرید قطعی ربات‌ها دیگر مدل اقتصادی غالب نیست. اکثر شرکت‌های کوچک و متوسط از مدل <strong>Robotics-as-a-Service</strong> استفاده می‌کنند. آن‌ها به جای پرداخت هزینه‌های گزاف اولیه، بر اساس ساعت فعالیت ربات یا تعداد جابجایی کالا، به شرکت‌های سازنده هزینه پرداخت می‌کنند. این مدل باعث شده تا تکنولوژی انبارداری هوشمند حتی برای کسب‌وکارهای نوپا نیز قابل دسترس باشد.</p>

<h2>نتیجه‌گیری: سمفونیِ آهن و گوشت</h2>
<p>انبارداری در سال ۱۴۰۵ دیگر یک محیط خشک و صنعتی نیست؛ بلکه یک اکوسیستم زنده و هوشمند است. ما از دوران اتوماسیون سخت (که در آن ماشین‌ها جدا از انسان‌ها بودند) به عصر <strong>اتوماسیون نرم و همکارانه</strong> وارد شده‌ایم.</p>

<p>بهترین انبارهای جهان در سال ۲۰۲۶ آن‌هایی نیستند که بیشترین تعداد ربات را دارند، بلکه آن‌هایی هستند که توانسته‌اند بهترین **سمفونیِ همکاری** را بین هوش انسانی و دقت ماشین خلق کنند. در این میان، نقش انسان از «حمال کالا» به «ناظر استراتژیک و حلال مشکلات پیچیده» تغییر یافته است. آینده لجستیک روشن است، و این آینده بر روی پاهای مفصلی و چرخ‌های هوشمند در حال حرکت است.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Wed, 22 Apr 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>تراشه‌های سفارشی هوش مصنوعی: پایان عصر پردازنده‌های عمومی</title>
      <link>https://www.teknav.ir/article/custom-ai-chips</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/custom-ai-chips</guid>
      <description>کالبدشکافی تراشه‌های سفارشی هوش مصنوعی در سال ۲۰۲۶. بررسی معماری NVIDIA GB200 و استراتژی سیلیکون‌های اختصاصی گوگل و آمازون.</description>
      <content:encoded><![CDATA[
<p>صنعت سخت‌افزار در اردیبهشت ۱۴۰۵ (می ۲۰۲۶) شاهد یکی از بزرگترین تحولات تاریخی خود از زمان اختراع ترانزیستور است: پایان دوران پردازنده‌های عمومی و آغاز پادشاهی <strong>تراشه‌های سفارشی هوش مصنوعی (Custom AI Silicon)</strong>. در حالی که تا دو سال پیش، کل بحث صنعت بر روی کمبود تراشه‌های H100 انویدیا متمرکز بود، اکنون بازار به سمت معماری‌های خاص‌منظوره و پلتفرم‌های محاسباتی عظیمی چون <strong>NVIDIA GB200 NVL72</strong> و تراشه‌های اختصاصی غول‌های ابری حرکت کرده است.</p>

<p>در این مقاله تخصصی، به کالبدشکافی ساختار تراشه‌های مدرن، نبرد بین طراحان سیلیکون، تکنولوژی خنک‌سازی مایع و آینده پردازش ابری در اواسط دهه ۲۰۲۰ می‌پردازیم.</p>

<h2>۱. عبور از سیلیکون‌های عمومی به ASICهای استدلالی</h2>
<p>محدودیت‌های فیزیکی ماده (قانون مور) و بحران مصرف انرژی، شرکت‌های فناوری را وادار کرده است تا از پردازنده‌های گرافیکی همه‌منظوره (General-Purpose GPUs) فاصله گرفته و به سمت مدارهای مجتمع با کاربرد خاص (ASIC) حرکت کنند. این تراشه‌های جدید صرفاً برای دو هدف طراحی شده‌اند: ضرب ماتریس‌های عظیم در فاز آموزش و استنتاج فوق‌سریع در فاز اجرا.</p>

<blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«ما در سال ۱۴۰۵ دیگر فقط "تراشه" نمی‌فروشیم، ما "دیتاسنترهای یکپارچه" می‌فروشیم. واحد محاسبات در عصر هوش مصنوعی، یک قطعه سیلیکونی نیست، بلکه یک رک کامل سرور است که به عنوان یک ابرپردازنده واحد عمل می‌کند. کسی که کنترل لایه‌ی فیزیکی را داشته باشد، کنترل آینده‌ی هوش را در دست دارد.» – جنسن هوانگ، مدیرعامل انویدیا در اجلاس GTC 2026
</blockquote>

<p>این تغییر دیدگاه بنیادین منجر به تولد معماری Blackwell و سیستم‌هایی نظیر GB200 شده است. در نمودار تعاملی زیر، بلوک‌های اساسی یک تراشه مدرن هوش مصنوعی و مسیرهای ارتباطی (Data Bus) با پهنای باند تراهرتزی آن‌ها را مشاهده می‌کنید. توجه کنید که چطور حافظه HBM4 به طور مستقیم روی هسته‌های پردازشی قرار گرفته است.</p>

<div class="teknav-diagram-container" data-diagram="chip"></div>

<h3>معماری Blackwell و پادشاهی سیستم‌های GB200</h3>
<p>قلب تپنده ابرکامپیوترهای هوشمند در سال ۱۴۰۵، سیستم <strong>NVIDIA GB200 NVL72</strong> است. این غول سخت‌افزاری از ۳۶ پردازنده Grace (مبتنی بر ARM) و ۷۲ پردازنده گرافیکی Blackwell (B200) تشکیل شده است که با استفاده از فناوری NVLink 5.0 با پهنای باند خیره‌کننده ۱.۸ ترابایت بر ثانیه به یکدیگر متصل شده‌اند. این سیستم می‌تواند به عنوان یک کارت گرافیک واحد با حافظه‌ای در مقیاس ۱۸ ترابایت عمل کند که برای آموزش و اجرای مدل‌های تریلیون پارامتری (نظیر GPT-5 یا Claude 4.7) حیاتی است.</p>

<h2>۲. استقلال سیلیکونی: تراشه‌های اختصاصی گوگل، آمازون و مایکروسافت</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <img src="/images/articles/custom-ai-chips-photo-1.jpg" alt="بازرسی ویفر سیلیکونی در اتاق تمیز" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">بازرسی دقیق ویفر سیلیکونی در فرآیند ساخت تراشه‌های هوش مصنوعی — هر ویفر می‌تواند صدها تراشه ASIC اختصاصی برای شرکت‌هایی چون گوگل، آمازون و اپل تولید کند</figcaption>
</figure>
<p>وابستگی مطلق به انویدیا و قیمت‌های سرسام‌آور آن، غول‌های فناوری را به توسعه سیلیکون‌های اختصاصی خود در سال ۲۰۲۶ ترغیب کرده است. این تراشه‌ها اکنون سهم بزرگی از بازار را در اختیار دارند:</p>
<ul>
<li><strong>Google TPU v6 (Trillium):</strong> گوگل ششمین نسل از پردازنده‌های تنسور خود را با تمرکز بر معماری MoE (Mixture-of-Experts) توسعه داده است. این تراشه موتور اصلی اجرای Gemini 2.5 Pro است و بهره‌وری انرژی آن ۴ برابر بهتر از نسل قبلی است.</li>
<li><strong>AWS Trainium 3:</strong> آمازون با معرفی این تراشه‌ها، هزینه‌های آموزش مدل‌های پایه را برای مشتریان ابری خود تا ۴۵ درصد کاهش داده است. این تراشه با بهینه‌سازی‌های نرم‌افزاری برای PyTorch و JAX جفت شده است.</li>
<li><strong>Microsoft Maia 200:</strong> مایکروسافت این تراشه‌ها را اختصاصاً برای اجرای سرویس‌های Copilot و عامل‌های هوشمند در پلتفرم Azure طراحی کرده است. تمرکز اصلی مایا ۲۰۰ بر روی کاهش تاخیر (Latency) در پاسخگویی به کاربران است.</li>
</ul>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>تحلیل بازار ۱۴۰۵:</strong> در حالی که انویدیا همچنان حاکم بلامنازع فاز «آموزش مدل‌های عظیم» است، تراشه‌های سفارشی شرکت‌های ابری در فاز «استنتاج» (Inference) – که ۸۰٪ هزینه‌های جاری هوش مصنوعی را شامل می‌شود – در حال تسخیر بازار هستند.
</div>

<h2>۳. بحران گرما و انقلاب خنک‌کننده‌های مایع مستقیم</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2;">
  <img src="/images/articles/custom-ai-chips-photo-2.jpg" alt="سیستم خنک‌سازی مایع مستقیم در دیتاسنتر هوش مصنوعی" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">لوله‌های خنک‌کننده مایع مستقیم (Direct-to-Chip) متصل به سرورهای GPU در یک دیتاسنتر مدرن — این روش تنها راه کنترل دمای رک‌های ۱۳۰ کیلوواتی است</figcaption>
</figure>
<p>مصرف انرژی یک رک از سیستم‌های مدرن در سال ۲۰۲۶ می‌تواند به ۱۳۰ کیلووات (kW) برسد. خنک‌سازی با هوا برای چنین چگالی توانی کاملاً منسوخ و غیرممکن شده است. به همین دلیل، در سال ۱۴۰۵، سیستم‌های <strong>Direct-to-Chip Liquid Cooling</strong> به یک استاندارد اجباری برای تمامی دیتاسنترهای هوش مصنوعی تبدیل شده‌اند. این یعنی آب یا مایعات خنک‌کننده مخصوص مستقیماً بر روی سطح تراشه جریان می‌یابند تا دمای آن را در محدوده امن نگه دارند.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
تقاضا برای تجهیزات خنک‌کننده مایع در سال ۲۰۲۶ با رشد ۵۰۰ درصدی روبرو بوده و شرکت‌های سازنده رادیاتورهای صنعتی به بازیگران جدید و استراتژیک دنیای تکنولوژی تبدیل شده‌اند.
</div>

<h2>نتیجه‌گیری: آینده در گروی سخت‌افزار هوشمند</h2>
<p>صنعت سخت‌افزار هوش مصنوعی در سال ۱۴۰۵ ثابت کرد که نرم‌افزار بدون خانه (سخت‌افزار) کارآمد، بی‌معناست. تراشه‌های سفارشی نه تنها هزینه‌ها را کاهش داده‌اند، بلکه امکان ساخت مدل‌هایی را فراهم کرده‌اند که پیش از این به دلیل محدودیت‌های حافظه غیرممکن بودند. ما در تکناو معتقدیم که دهه آینده، دهه‌ی «سیلیکون‌های زنده» است؛ تراشه‌هایی که با الهام از ساختار مغز و با هدف به حداکثر رساندن بهره‌وری، جهان دیجیتال ما را بازسازی خواهند کرد.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Tue, 14 Apr 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>رایانش لبه‌ای: خروج هوش مصنوعی از مرکز به لبه شبکه</title>
      <link>https://www.teknav.ir/article/edge-computing</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/edge-computing</guid>
      <description>بررسی آینده رایانش لبه‌ای (Edge Computing) در سال ۱۴۰۵. چطور ترکیب تراشه‌های NPU و WebGPU نیاز به پردازش ابری را به حداقل رسانده است؟</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، پارادایم پردازش ابری (Cloud Computing) که برای دو دهه بر دنیای دیجیتال حاکم بود، با یک رقیب قدرتمند و توزیع‌شده روبروست: <strong>رایانش لبه‌ای (Edge Computing)</strong>. با انفجار نیاز به پردازش‌های زمان-واقعی هوش مصنوعی و محدودیت‌های پهنای باند و حریم خصوصی، قدرت محاسباتی در حال خروج از مراکز داده‌ی متمرکز و استقرار در «لبه‌ی شبکه» – یعنی در دوربین‌های امنیتی، خودروهای هوشمند، بازوهای رباتیک و حتی ساعت‌های مچی – است.</p>

<p>در این مقاله راهبردی، به بررسی کالبدشکافی معماری Edge AI در سال ۲۰۲۶، نقش استاندارد WebGPU در همگانی کردن این فناوری و آینده دیتاسنترهای محلی می‌پردازیم.</p>

<h2>۱. چرا ابر (Cloud) دیگر کافی نیست؟</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2; max-width: 640px;">
  <img src="/images/articles/edge-computing-photo-1.jpg" alt="سرور لبه‌ای فشرده نصب‌شده در محیط صنعتی در کنار دستگاه‌های IoT" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">سرور لبه‌ای فشرده در محیط کارخانه — این دستگاه‌های کوچک به لطف NPUهای نسل جدید می‌توانند مدل‌های هوش مصنوعی را بدون ارسال داده به ابر اجرا کنند</figcaption>
</figure>
<p>تا پیش از سال ۱۴۰۴، فرآیند استاندارد این بود که داده‌ها جمع‌آوری شده و برای پردازش به سرورهای دوردست فرستاده شوند. اما در سال ۱۴۰۵، سه عامل اصلی این مدل را به چالش کشیده‌اند:</p>

<ul>
<li><strong>تاخیر (Latency):</strong> برای یک خودروی خودران یا یک ربات جراح، تاخیر ۱۰۰ میلی‌ثانیه‌ای شبکه می‌تواند به قیمت جان انسان تمام شود. پردازش باید در همان محل وقوع اتفاق انجام شود.</li>
<li><strong>هزینه پهنای باند:</strong> ارسال ترابایت‌ها داده‌ی ویدئویی با کیفیت 8K به ابر برای تحلیل، از نظر اقتصادی برای هیچ سازمانی توجیه ندارد.</li>
<li><strong>حریم خصوصی و امنیت:</strong> در صنایع حساس نظامی و پزشکی، خروج داده از محیط فیزیکی سازمان یک ریسک امنیتی غیرقابل قبول محسوب می‌شود.</li>
</ul>

<blockquote style="border-right: 4px solid #0F6B73; margin: 28px 0; padding: 16px 20px; background: #0F6B730A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«در سال ۲۰۲۶، "ابر" به یک لایه هماهنگ‌کننده تبدیل شده است، نه محل اصلی پردازش. دستگاه‌های لبه‌ای اکنون به قدری هوشمند هستند که ۹۰٪ تصمیمات را به صورت خودمختار می‌گیرند و ابر فقط برای ذخیره‌سازی بلندمدت و یادگیری جمعی (Federated Learning) استفاده می‌شود.» – گزارش معماری تکناو، ۱۴۰۵
</blockquote>

<p>در نمودار تعاملی زیر، تفاوت ساختاری بین یک سیستم سنتی Cloud-centric و یک شبکه مدرن Edge-first را مشاهده می‌کنید. توجه کنید که چطور لایه پردازش به منبع تولید داده نزدیک شده است.</p>

<div class="teknav-diagram-container" data-diagram="wave"></div>

<h3>نقش NPUهای نسل جدید در تحول لبه شبکه</h3>
<p>ظهور واحدهای پردازش عصبی (NPU) با توان مصرفی کمتر از ۵ وات در سال ۱۴۰۵، بازی را عوض کرده است. تراشه‌هایی مانند <strong>Apple A20</strong> و <strong>Qualcomm Snapdragon X Elite 2</strong> اکنون می‌توانند مدل‌های زبانی ۷ میلیارد پارامتری را با سرعت خیره‌کننده‌ای در جیب کاربر اجرا کنند. این یعنی دستیارهای صوتی شما در سال ۲۰۲۶ کاملاً آفلاین عمل می‌کنند و سرعت پاسخگویی آن‌ها آنی است.</p>

<h2>۲. WebGPU: لبه شبکه در داخل مرورگر شما</h2>
<p>یکی از بزرگترین پیشران‌های رایانش لبه‌ای در سال جاری، بلوغ استاندارد <strong>WebGPU</strong> در مرورگرها است. WebGPU به وب‌اپلیکیشن‌ها اجازه می‌دهد مستقیماً از قدرت پردازش گرافیکی سیستم کاربر برای اجرای مدل‌های هوشمند استفاده کنند. این یعنی یک سایت ویرایش عکس می‌تواند تمام فیلترهای هوش مصنوعی خود را بدون درگیر کردن سرور و با استفاده از سخت‌افزار خودِ کاربر انجام دهد.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>مزیت استراتژیک برای استارتاپ‌ها:</strong> استفاده از پردازش لبه‌ای در سال ۱۴۰۵ هزینه‌های نگهداری سرور را برای اپلیکیشن‌های پرمخاطب تا ۷۰٪ کاهش داده است، زیرا بار محاسباتی به سمت دستگاه‌های کاربران (Crowdsourced Computing) منتقل شده است.
</div>

<h2>۳. دیتاسنترهای محلی و کانتینرهای هوشمند</h2>
<p>در سال ۲۰۲۶، مفهوم «دیتاسنترهای ماژولار لبه‌ای» (Micro-Data Centers) فراگیر شده است. این دیتاسنترها که به اندازه یک یخچال کوچک هستند، در داخل کارخانه‌ها، بیمارستان‌ها و حتی محله‌های شهر نصب می‌شوند تا قدرت پردازش کلاود را به چند متریِ کاربران بیاورند. این سیستم‌ها به صورت خودکار با منظومه‌های ماهواره‌ای (نظیر Starlink V3) برای هماهنگی جهانی در ارتباط هستند.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
پروتکل‌هایی نظیر <strong>Edge-native WASM</strong> در سال جاری اجازه می‌دهند تا کدهای پردازشی در کمتر از ۱۰ میلی‌ثانیه بین نودهای مختلف لبه شبکه جابجا شوند تا همیشه نزدیک‌ترین نود به کاربر پاسخگو باشد.
</div>

<h2>نتیجه‌گیری: جهانی که در لبه‌ها فکر می‌کند</h2>
<p>رایانش لبه‌ای در سال ۱۴۰۵ نشان‌دهنده توزیع واقعی قدرت در دنیای دیجیتال است. ما در حال حرکت به سمتی هستیم که هوش مصنوعی نه به عنوان یک خدای دوردست در دیتاسنترهای سیلیکون‌ولی، بلکه به عنوان یک نیروی زنده و حاضر در تمام اشیاء پیرامون ما وجود داشته باشد. آینده تکنولوژی در لبه‌ها رقم می‌خورد. تکناو شما را برای تسلط بر این دنیای توزیع‌شده و هوشمند آماده می‌کند.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Mon, 16 Mar 2026 05:30:00 GMT</pubDate>
    </item>
    <item>
      <title>نقشه راه سخت‌افزار هوش مصنوعی: از Blackwell تا Vera Rubin</title>
      <link>https://www.teknav.ir/article/ai-hardware-roadmap</link>
      <guid isPermaLink="true">https://www.teknav.ir/article/ai-hardware-roadmap</guid>
      <description>بررسی نقشه راه سخت‌افزارهای هوش مصنوعی در سال ۲۰۲۶. تحلیل معماری جدید Rubin انویدیا و تاثیر حافظه‌های HBM4 بر سرعت پردازش مدل‌های تریلیونی.</description>
      <content:encoded><![CDATA[
<p>در اردیبهشت ۱۴۰۵، دنیای سخت‌افزار هوش مصنوعی از مرحله «تب‌وتاب تولید» به مرحله «بهینه‌سازی برای استدلال» (Inference Optimization) رسیده است. در حالی که معماری Blackwell (سری B200) استاندارد فعلی بازار محسوب می‌شود، انویدیا با معرفی نقشه‌راه <strong>Vera Rubin</strong>، قوانین بازی را برای سال ۲۰۲۶ و ۲۰۲۷ تغییر داده است. ما در حال عبور از محدودیت‌های پهنای باند حافظه و ورود به عصر رایانش نوری هستیم.</p>

<p>در این مقاله عمیق، به کالبدشکافی معماری Rubin، نقش حافظه‌های HBM4، پایان «دیوار حافظه» و تحول در زیرساخت‌های دیتاسنترهای گیگاواتی می‌پردازیم.</p>

<h2>۱. معماری Rubin: فراتر از Blackwell</h2>
<figure style="margin: 20px 0 28px 0; border-radius: 10px; overflow: hidden; border: 1px solid #E4DDD2; max-width: 640px;">
  <img src="/images/articles/ai-hardware-roadmap-photo-1.jpg" alt="کارت گرافیک GPU با سیستم خنک‌کننده و تراشه‌های حافظه" loading="lazy" style="width: 100%; height: auto; display: block;" />
  <figcaption style="font-size: 12px; color: #5F6B6D; padding: 10px 14px; background: #F4EFE6; line-height: 1.7; direction: rtl;">کارت گرافیک پردازش هوش مصنوعی — معماری Rubin با استفاده از حافظه HBM4 و پشته‌سازی عمودی، پهنای باند بیش از ۲ ترابایت بر ثانیه را محقق کرده است</figcaption>
</figure>
<p>انویدیا در سال جاری تراشه <strong>R100</strong> (Rubin) را روانه بازار کرد. این تراشه که با فرآیند ۳ نانومتری (N3) شرکت TSMC تولید شده، از بسته‌بندی پیشرفته Chiplet-on-Wafer-on-Substrate (CoWoS-L) بهره می‌برد. تفاوت اصلی Rubin با نسل‌های قبلی، تمرکز بر روی <strong>«بهره‌وری به ازای هر وات»</strong> است.</p>

<p>در حالی که نسل Blackwell با مصرف انرژی ۱۲۰ کیلووات برای هر رک، دیتاسنترها را به چالش کشیده بود، Rubin با استفاده از هسته‌های جدید NPU که مخصوص مدل‌های MoE (Mixture-of-Experts) بهینه‌سازی شده‌اند، توانسته است قدرت پردازشی را ۲ برابر افزایش داده و مصرف انرژی را ۳۰٪ کاهش دهد.</p>

<blockquote style="border-right: 4px solid #D49A2A; margin: 28px 0; padding: 16px 20px; background: #D49A2A0A; border-radius: 0 8px 8px 0; font-size: 16px; color: #263238; font-style: normal;">
«دیوار حافظه (Memory Wall) بزرگترین دشمن هوش مصنوعی در دهه گذشته بود. ما در سال ۱۴۰۵ با معرفی Rubin و حافظه‌های HBM4، این دیوار را نه تنها سوراخ، بلکه به کلی ویران کردیم. آینده هوش مصنوعی دیگر محدود به سرعت جابجایی داده‌ها نیست؛ ما به سرعتِ فکر کردن نزدیک شده‌ایم.» – گزارش سالانه NVIDIA, ۲۰۲۶
</blockquote>

<p>در نمودار تعاملی زیر، نقشه راه تراشه‌های انویدیا از Ampere تا Rubin و تغییر نسبت قدرت پردازشی به پهنای باند حافظه را مشاهده می‌کنید.</p>

<div class="teknav-diagram-container" data-diagram="timeline"></div>

<h3>HBM4: پایان عصر انتظار برای داده</h3>
<p>در سال ۱۴۰۵، حافظه‌های <strong>HBM4</strong> با رابط کاربری ۲۰۴۸ بیتی به استاندارد تراشه‌های پرچمدار تبدیل شده‌اند. این حافظه‌ها پهنای باندی بیش از ۲ ترابایت بر ثانیه را فراهم می‌کنند. مهم‌تر از آن، استفاده از تکنولوژی <strong>Vertical Stacking</strong> (پشته‌سازی عمودی) اجازه داده است تا حافظه و پردازنده به قدری به هم نزدیک شوند که تاخیر ارتباطی (Latency) به حداقل ممکن برسد. این موضوع برای مدل‌هایی که نیاز به حافظه بلندمدت (Context Window بزرگ) دارند، حیاتی است.</p>

<div class="insight-box" style="padding: 14px; border-radius: 10px; background: #0F6B7311; border: 1px solid #0F6B7340; margin-bottom: 20px;">
<strong>تحلیل فنی:</strong> در سال ۲۰۲۶، گلوگاه اصلی دیگر قدرت محاسباتی (FLOPS) نیست، بلکه «نرخ انتقال داده از حافظه به هسته» است. Rubin با استفاده از لینک‌های نوری داخلی، توانسته است این نرخ را به سطحی برساند که استنتاج مدل‌های ۱۰۰ تریلیون پارامتری به صورت زمان-واقعی ممکن شود.
</div>

<h2>۲. تراشه Vera: همراهی وفادار برای Rubin</h2>
<p>انویدیا در کنار GPUهای Rubin، نسل جدید پردازنده مرکزی خود با نام <strong>Vera (CPU)</strong> را معرفی کرد. ورا که بر پایه معماری ARMv10 طراحی شده، دارای واحدهای اختصاصی برای مدیریت کانتکست‌های هوش مصنوعی است. ترکیب Vera و Rubin یک ابر-تراشه واحد می‌سازد که مدیریت داده‌های سنگین را بدون درگیر کردن پهنای باند شبکه اصلی انجام می‌دهد.</p>

<h2>۳. رقبای جدید: ظهور تراشه‌های بومی و RISC-V</h2>
<p>سال ۱۴۰۵ سالِ شکوفایی رقبای انویدیا نیز هست. شرکت‌هایی مانند <strong>Groq</strong> و <strong>Cerebras</strong> با معماری‌های بدون کَش (No-cache) سهم بازار استنتاج را به شدت افزایش داده‌اند. همچنین، معماری متن‌باز <strong>RISC-V</strong> در سال جاری به بلوغ کافی رسیده و بسیاری از دیتاسنترهای چینی و اروپایی برای کاهش وابستگی به لایسنس‌های آمریکایی، به سمت پردازنده‌های NPU مبتنی بر RISC-V حرکت کرده‌اند.</p>

<div class="footnote-box" style="padding: 14px; border-radius: 10px; background: #FAF7F0; border: 1px solid #E4DDD2; font-size: 12px; margin-bottom: 20px;">
بر اساس پیش‌بینی‌های تکناو، تا پایان سال ۲۰۲۷، معماری RISC-V حدود ۱۵٪ از بازار پردازش‌های لبه‌ای هوش مصنوعی را در اختیار خواهد گرفت.
</div>

<h2>نتیجه‌گیری: سیلیکون در خدمتِ نیت</h2>
<p>نقشه راه سخت‌افزار در سال ۱۴۰۵ نشان می‌دهد که ما از دوران «سخت‌افزار همه‌منظوره» به دوران «سخت‌افزار نیت‌محور» وارد شده‌ایم. Rubin و رقبای آن تنها قطعات الکترونیکی نیستند؛ آن‌ها بسترهای فیزیکی هستند که اجازه می‌دهند هوش مصنوعی از یک ابزار دیجیتال به یک همکار فیزیکی و زمان-واقعی تبدیل شود. آینده تکنولوژی در گروی هماهنگی کامل بین اتم‌های سیلیکون و بیت‌های منطق است.</p>

<p>تکناو شما را در جریان هر پالس الکتریکی در این مسیر قرار خواهد داد. به عصر پردازنده‌های تراهرتزی و هوشِ سخت‌افزاری خوش آمدید.</p>
]]></content:encoded>
      <category>سخت‌افزار</category>
      <author>editor@teknav.ir (آرسام صباغ)</author>
      <pubDate>Tue, 24 Feb 2026 05:30:00 GMT</pubDate>
    </item>
  </channel>
</rss>