پرش به محتوای اصلی
اخبار هوش مصنوعی

Maxwell؛ هوش مصنوعی که کد را موقع اجرا بازنویسی می‌کند

doubleAI دسته‌بندی تازه «مدل‌های اجرای کد» را معرفی کرد؛ Maxwell داخل برنامهٔ در حال اجرا زندگی می‌کند و آن را روی CPU و GPU بهینه می‌کند — با ادعای ۳۸ برابر شتاب و مدل درآمدی سهم از صرفه‌جویی.

۱۶ دقیقه مطالعه
اشتراک‌گذاری:
تصویر رسمی Maxwell، اولین مدل اجرای کد (CEM) شرکت doubleAI — از وب‌سایت رسمی شرکت
تصویر رسمی Maxwell، اولین مدل اجرای کد (CEM) شرکت doubleAI — از وب‌سایت رسمی شرکت
فهرست مطالب

شرکت doubleAI در ۲۷ مهر ۱۴۰۵ (۱۹ اکتبر ۲۰۲۶) دسته‌بندی تازه‌ای از هوش مصنوعی به نام «مدل‌های اجرای کد» (CEM) معرفی کرد و اولین مدل آن، Maxwell، را برای دسترسی زودهنگام باز کرد؛ مدلی که به‌جای نوشتن کد برای انسان، داخل برنامهٔ در حال اجرا زندگی می‌کند و آن را روی CPU و GPU بهینه می‌کند — بدون اینکه سورس‌کد را دست بزند.

اگر تا امروز فکر می‌کردید هوش مصنوعی فقط برای برنامه‌نویس‌ها کد می‌نویسد، این خبر آن تصویر را عوض می‌کند. در ادامه می‌گوییم CEM دقیقاً چیست و با ایجنت‌های کدنویسی چه فرقی دارد، Maxwell چطور کار می‌کند، عددهای ادعاشدهٔ شرکت چه می‌گویند و چرا انویدیا دارد شرکتی را تأمین مالی می‌کند که می‌خواهد نیاز به سخت‌افزارش را کمتر کند.

پاسخ کوتاه

  • چه چیزی معرفی شد؟ مدل‌های اجرای کد (CEM) — هوش مصنوعی‌ای که «بین کد و سیلیکون» می‌نشیند و برنامهٔ در حال اجرا را بهینه می‌کند.

  • کی؟ دوشنبه ۲۷ مهر ۱۴۰۵ (۱۹ اکتبر ۲۰۲۶) — با اعلامیهٔ رسمی خود شرکت و گزارش اختصاصی وال‌استریت ژورنال.

  • Maxwell چیست؟ اولین CEM شرکت doubleAI؛ هم‌اکنون در مرحلهٔ دسترسی زودهنگام از طریق heymaxwell.ai.

  • ادعای اصلی: به گفتهٔ خود شرکت، روی بارهای واقعی خط‌لوله‌های داده را تا ۳۸ برابر و کرنل‌های استنتاج هوش مصنوعی را تا ۴٫۵ برابر سریع‌تر کرده است — عددهایی که راستی‌آزمایی مستقل ندارند.

  • پول: دور سرمایه‌گذاری سری A به ارزش ۲۰۰ میلیون دلار به رهبری مشترک Lightspeed و Bessemer و با مشارکت انویدیا و دل؛ مجموع جذب‌شده حدود ۲۲۰ میلیون دلار و ارزش‌گذاری حدود/بیش از یک میلیارد دلار.

  • مدل درآمدی: مشتری سهمی از صرفه‌جویی محاسباتی‌ای که Maxwell ایجاد می‌کند می‌پردازد، نه لایسنس ثابت.

اول زمینه: «مدل اجرای کد» (CEM) یعنی چه؟

تا امروز تقریباً همهٔ مدل‌های هوش مصنوعی‌ای که می‌شناختید، «برای انسان» کار می‌کردند: متن می‌نوشتند، کد پیشنهاد می‌دادند، تصویر می‌ساختند. CEM یعنی «مدل اجرای کد» — مدلی که طرف حسابش انسان نیست، خودِ ماشین است. برنامه‌ای که شما نوشتید در حال اجراست؛ CEM از داخلِ همان برنامه، هم‌زمان با اجرا، به سخت‌افزار (CPU یا GPU) و داده‌های عبوری نگاه می‌کند و دستورالعمل‌های ماشینِ زیر کد را بهتر می‌کند. خروجی‌اش چیزی نیست که شما بخوانید؛ دستورالعملی است که فقط پردازنده می‌فهمد.

مثال ملموس: سرکارگرِ حین اجرا

فرض کنید نقشهٔ ساختمانی را کشیده‌اید و کارگران مشغول ساخت‌اند. ایجنت کدنویسی مثل یک نقشه‌کشِ کمک‌کننده است: قبل از شروع کار، نقشهٔ بهتری برایتان می‌کشد. CEM اما مثل سرکارگری است که وسط کار، بالای سر کارگران ایستاده، می‌بیند کدام دیوار کج بالا می‌رود و همان لحظه روش اجرا را اصلاح می‌کند — بدون اینکه نقشهٔ اصلی را پاره کند. نقشه (سورس‌کد شما) سر جایش می‌ماند؛ اجرا بهتر می‌شود.

فرق CEM با ایجنت کدنویسی چیست؟

ایجنت کدنویسی دستور انسان را می‌گیرد و «سورس‌کد» تحویل می‌دهد؛ چیزی که شما می‌خوانید و ویرایش می‌کنید. CEM اصلاً سراغ سورس‌کد نمی‌رود. ورودی‌هایش سه چیز است: خودِ برنامهٔ در حال اجرا، سخت‌افزاری که رویش سوار شده، و داده‌ای که از آن عبور می‌کند. خروجی‌اش هم باینریِ بهینه‌شده است، نه کد خوانا. به بیان خود شرکت: ایجنت‌های کدنویسی «نمایندهٔ کاربر»‌اند، CEM «نمایندهٔ سخت‌افزار» است. اگر با ابزارهای امروزی مثل مدل تازهٔ MiniMax M3.1 Flash که امروز صبح معرفی شد و روی ایجنت و برنامه‌نویسی تمرکز دارد کار کرده‌اید، بدانید CEM یک لایهٔ کاملاً متفاوت است: آن‌ها کد می‌نویسند، این یکی کدِ نوشته‌شده را موقع اجرا تندتر می‌کند.

خبر اصلی: doubleAI دقیقاً چه چیزی معرفی کرد؟

شرکت doubleAI — آزمایشگاه هوش مصنوعی مستقر در تل‌آویو که نام حقوقی‌اش AA-I Technologies Ltd است — در ۲۷ مهر ۱۴۰۵ با یک اعلامیهٔ رسمی، دسته‌بندی تازه‌ای به نام «مدل‌های اجرای کد» را معرفی کرد و گفت اولین مدل از این دسته، Maxwell، از همین حالا برای «دسترسی زودهنگام» (early access) در سایت heymaxwell.ai باز است. وال‌استریت ژورنال هم همان روز گزارش اختصاصی این رونمایی را منتشر کرد.

پیام اصلی شرکت ساده است: «محاسبات به یکی از کمیاب‌ترین منابع جهان تبدیل شده است.» به گفتهٔ doubleAI، بخش بزرگی از این محاسباتِ کمیاب صرف اجرای کدی می‌شود که خیلی کندتر از توان واقعی‌اش اجرا می‌شود؛ چون کد «ایستا» نوشته می‌شود ولی محیط اجرا — سخت‌افزار، داده، الگوی استفاده — مدام عوض می‌شود. CEM قرار است این شکاف را پر کند: کدی که مثل یک موجود زنده، حین اجرا خودش را بهتر می‌کند.

چرا اسمش «Maxwell» است؟

نام این مدل ادای احترامی است به «شیطانک مکسول» (Maxwell's Demon) — موجود خیالی‌ای که جیمز کلرک مکسول، فیزیک‌دان و ریاضی‌دان، در سال ۱۸۶۷ در یک آزمایش ذهنی دربارهٔ «آنتروپی» (یعنی معیار بی‌نظمی در فیزیک) تصور کرد. در آن آزمایش، شیطانک کوچکی ذرات سریع و کند را از هم جدا می‌کند و نظم می‌سازد. حالا doubleAI می‌گوید مدلش هم مثل همان شیطانک، وسطِ شلوغیِ اجرای برنامه می‌ایستد و از دلِ بی‌نظمی، نظمِ بهینه بیرون می‌کشد. اسم هوشمندانه‌ای است؛ ولی یادتان باشد اسم قشنگ، جایگزین اثبات عملکرد نیست — عددها را در ادامه با دیدهٔ تردید می‌خوانیم.

Maxwell دقیقاً چطور کار می‌کند؟

به روایت رسمی شرکت، Maxwell چهار کار را پشت سر هم و به‌صورت پیوسته انجام می‌دهد: رصد، بازنویسی، اثبات و خودبهبودی. یعنی اول برنامهٔ در حال اجرا را زیر نظر می‌گیرد، بعد نسخهٔ بهینه‌تری از دستورالعمل‌های ماشینِ زیر آن می‌سازد، بعد «رسماً و ریاضی» ثابت می‌کند که این نسخهٔ تازه دقیقاً همان کار نسخهٔ قبلی را می‌کند (نه بیشتر، نه کمتر)، و در نهایت همین نسخهٔ بهتر را نقطهٔ شروع دور بعدی بهینه‌سازی قرار می‌دهد. هرچه برنامه بیشتر اجرا شود، تندتر می‌شود.

«اثبات رسمی درستی» یعنی چه و چرا مهم است؟

«اثبات رسمی» (formal verification) یعنی به‌جای اینکه چند تست بگیریم و امیدوار باشیم درست شده، با ریاضیات ثابت کنیم که نسخهٔ بهینه‌شده دقیقاً همان رفتار نسخهٔ اصلی را دارد. چرا این مهم است؟ چون تا امروز هیچ‌کس جرئت نکرده هوش مصنوعی را «داخل» نرم‌افزارِ در حال اجرا رها کند: تغییری که حین اجرا اعمال می‌شود، دیگر بازبینی انسانی نمی‌بیند و مدل‌های معمولی گاهی اشتباه می‌کنند. به گفتهٔ آمون شاشوآ، هم‌بنیان‌گذار doubleAI، سخت‌ترین چالش همین پروژه پیدا کردن راهی برای همین راستی‌آزماییِ رسمی و ریاضی بوده و پیشرفت اصلی شرکت دقیقاً همین‌جاست.

شبیه JIT است، ولی فراتر از آن

اگر برنامه‌نویس هستید، شاید بگویید «این که همان JIT کامپایلر است!» — و حق دارید بپرسید. JIT (یعنی کامپایلرِ «به‌موقع») هم حین اجرا کد ماشین تازه تولید می‌کند. ولی گال بنیامینی، هم‌بنیان‌گذار doubleAI که دکترای علوم کامپیوتر نظری دارد، در گفت‌وگو با The Register تفاوت را این‌طور توضیح داده: کامپایلر «نمی‌تواند استدلال سطح‌بالا کند؛ مثلاً نمی‌تواند الگوریتم را عوض کند، ولی Maxwell می‌تواند و می‌کند.» کامپایلر پیش از اجرا و محافظه‌کارانه تصمیم می‌گیرد؛ Maxwell اما سخت‌افزارِ دقیق، شکل و نوع واقعی داده‌ها و حتی گلوگاه‌هایی را می‌بیند که فقط حین اجرا خودشان را نشان می‌دهند. به گفتهٔ او، سربار ردیابی و پروفایلینگ Maxwell حداکثر ۲ درصد است و وقتی ردیابی نمی‌کند به صفر می‌رسد؛ جملهٔ خودش: «هرگز کندتر نمی‌شود.» — که البته باز هم ادعای شرکت است.

عددها چه می‌گویند؟ همه با احتیاط بخوانید

جدول زیر ادعاهای عملکردی‌ای را که خود شرکت یا رسانه‌ها به نقل از شرکت منتشر کرده‌اند، یکجا نشان می‌دهد. نکتهٔ مهم را از The Register و Forkast وام می‌گیریم: هیچ‌کدام از این عددها راستی‌آزمایی مستقل ندارند. جدول را پس با این عینک بخوانید: این‌ها وعده‌اند، نه سند.

ادعا

عدد

منبع ادعا

شتاب خط‌لوله‌های داده (data pipelines)

تا ۳۸ برابر سریع‌تر

اعلامیهٔ رسمی doubleAI

شتاب کرنل‌های استنتاج هوش مصنوعی

تا ۴٫۵ برابر سریع‌تر

اعلامیهٔ رسمی doubleAI

بازنویسی کتابخانهٔ cuGraph انویدیا

۵۵٪ الگوریتم‌ها دست‌کم ۲ برابر سریع‌تر

SiliconANGLE به نقل از شرکت

نسخهٔ بهینه‌شدهٔ pandas روی بنچمارک PDS-H

۳۸ برابر سریع‌تر

SiliconANGLE به نقل از شرکت

تولید ویدیوی 4K با مدل LTX-2.5

از ۴ دقیقه و ۹ ثانیه به ۲ دقیقه و ۱۴ ثانیه (تقریباً نصف زمان)

Forkast به نقل از شرکت

یک مشتری اولیهٔ ناشناس

۶۷٪ کاهش هزینهٔ محاسبات

Forkast به نقل از شرکت

نتیجه‌ای که از جدول می‌گیریم: اگر حتی نیمی از این عددها درست باشند، برای شرکت‌هایی که صورت‌حساب ابری سنگین دارند خبر بزرگی است — «اگر» بزرگی که فعلاً روی دوش خود شرکت است تا با مشتریان واقعی و عددهای مستقل ثابتش کند. دو نکتهٔ فنی جالب هم از مصاحبهٔ The Register بیرون آمد: اول اینکه Maxwell به‌صورت موردی در خودِ زبان پایتون مواردی از «ناامنی حافظه» پیدا کرده (یعنی جاهایی که پایتون آن‌قدرها هم امن نبوده)؛ دوم اینکه نصبش کم‌دردسر است: ران‌تایم را نصب می‌کنید، کدتان را اجرا می‌کنید و مدل — که نزد خود doubleAI میزبانی می‌شود — کارش را می‌کند. همین «میزبانی نزد شرکت» یعنی باید به doubleAI اعتماد کنید که کدِ در حال اجرای شما را می‌بیند.

سرمایه و مدل درآمدی: پول از کجا آمده و از کجا درمی‌آید؟

پولِ پشت این پروژه کم نیست. دور تأمین مالی سری A (یعنی اولین دور بزرگ جذب سرمایهٔ نهادی) به ارزش ۲۰۰ میلیون دلار و به رهبری مشترک Lightspeed Venture Partners و Bessemer Venture Partners انجام شده؛ انویدیا، دل (Dell Technologies Capital)، Greenfield، Pitango و BRM هم در آن شرکت کرده‌اند. وال‌استریت ژورنال مجموع جذب‌شدهٔ شرکت را ۲۲۰ میلیون دلار اعلام کرده و گلوبزِ اسرائیل عدد ۲۲۱ میلیون دلار و ارزش‌گذاری «حدود یک میلیارد دلار» را گزارش داده؛ کلکالیستِک هم از ارزش‌گذاری «بیش از یک میلیارد دلار» نوشته. این اختلاف‌های کوچک بین رسانه‌ها طبیعی است؛ مهم این است که همه روی یک چیز توافق دارند: استارتاپی دوساله با حدود ۴۰ کارمند، در حد یک «یونیکورن» (یعنی استارتاپ بالای یک میلیارد دلار) ارزش‌گذاری شده است.

مورد

جزئیات

منبع

دور سری A

۲۰۰ میلیون دلار؛ رهبری مشترک Lightspeed و Bessemer

اعلامیهٔ رسمی doubleAI

سایر سرمایه‌گذاران

انویدیا، Dell Technologies Capital، Greenfield، Pitango، BRM

اعلامیهٔ رسمی doubleAI

مجموع جذب‌شده

حدود ۲۲۰ میلیون دلار (گلوبز: ۲۲۱ میلیون دلار)

وال‌استریت ژورنال / گلوبز

ارزش‌گذاری

حدود تا بیش از یک میلیارد دلار (یونیکورن)

گلوبز / کلکالیستِک

سخت‌افزار خریداری‌شده

حدود ۱٬۰۰۰ تراشهٔ Nvidia B300 با تقریباً نیمی از سرمایه

Forkast به نقل از FourWeekMBA

اما بخش جذاب‌تر ماجرا مدل درآمدی است: doubleAI به مشتریانش لایسنس ثابت نمی‌فروشد؛ سهمی از صرفه‌جویی محاسباتی‌ای که Maxwell ایجاد می‌کند می‌گیرد. یعنی هرچه کد شما را بهینه‌تر کند، خودش بیشتر درآمد دارد. فورکست این را «مالیات بر ناکارآمدی» نامیده: انگیزهٔ شرکت دقیقاً هم‌خط با جیب شماست.

پارادوکس انویدیا: چرا غول تراشه، دشمنِ فروشِ خودش را تأمین مالی می‌کند؟

عجیب‌ترین نکتهٔ این خبر همین‌جاست: انویدیا — شرکتی که از فروش GPU پول درمی‌آورد — دارد روی استارتاپی سرمایه‌گذاری می‌کند که هدفش «کمتر لازم شدنِ» همان GPUهاست. تحلیل فورکست می‌گوید شرط‌بندی انویدیا این است که لایهٔ نرم‌افزاریِ مدیریتِ بهره‌وری، در آینده به‌اندازهٔ خودِ سیلیکون ارزشمند می‌شود؛ ضمن اینکه تقاضا برای محاسبات آن‌قدر از عرضه جلوتر است که حتی با بهینه‌سازی هم انبار انویدیا خالی می‌ماند. به زبان ساده: انویدیا ترجیح می‌دهد خودش صاحبِ «داروی لاغریِ» بازار محاسبات باشد تا اینکه کس دیگری آن را بسازد.

پشت این شرکت کیست؟

نام اصلی این پروژه آمون شاشوآ (Amnon Shashua) است؛ استاد علوم کامپیوتر دانشگاه عبری اورشلیم و بنیان‌گذار موبایل‌آی (Mobileye) — شرکت رانندگی خودکار که اینتل سال‌ها پیش آن را خرید. شاشوآ در ژوئیهٔ ۲۰۲۶ اعلام کرد پس از معرفی جانشین، از مدیرعاملی موبایل‌آی کنار می‌رود تا تمام‌وقت روی doubleAI متمرکز شود. هم‌بنیان‌گذاران دیگر او شای شالو-شوارتس (Shai Shalev-Shwartz) و گال بنیامینی هستند؛ تیمی حدوداً ۴۰ نفره، عمدتاً مهندس هوش مصنوعی و دکترای تخصصی. شرکت در اوت ۲۰۲۳ با نام حقوقی AA-I Technologies Ltd تأسیس شد و شاشوآ در دسامبر ۲۰۲۴ آن را علناً معرفی کرد؛ تا همین رونماییِ مهر ۱۴۰۵، عملاً در «حالت پنهان» (stealth) کار می‌کرد. خود شرکت خودش را «آزمایشگاه پیشرو» (frontier lab) می‌نامد و می‌گوید تیمش از دکتراهای علوم کامپیوتر، ریاضی، فیزیک و زیست‌شناسی تشکیل شده است.

چرا دقیقاً حالا؟ بحران هزینهٔ محاسبات

زمان‌بندی این رونمایی تصادفی نیست. به گزارش وال‌استریت ژورنال به نقل از SemiAnalysis، هزینهٔ ساعتی اجارهٔ تراشهٔ H100 انویدیا با قرارداد یک‌ساله در یک سال گذشته ۶۰ درصد گران‌تر شده است؛ یعنی اگر پارسال برای یک ساعت محاسبه ۱۰ دلار می‌دادید، امسال حدود ۱۶ دلار می‌دهید. شاشوآ جملهٔ کلیدی‌اش را همین‌جا می‌گوید: «سخت‌افزار بیشتری ساخته می‌شود، اما نیاز به محاسبات سریع‌تر از توان ساخت GPU و CPU رشد می‌کند. اگر بتوانی سخت‌افزار را بهتر به کار بگیری، از نظر صرفه‌جویی به چیزی باورنکردنی می‌رسی.» اگر خبر امروز صبحِ ما دربارهٔ Amazon TorchNeuron — که می‌خواهد کد PyTorch را بدون تغییر روی تراشه‌های Trainium آمازون اجرا کند و مستقیم به CUDAی انویدیا حمله کرده — را خوانده باشید، می‌بینید که کل صنعت دارد روی یک زخم مشترک دست می‌گذارد: محاسبات گران است و همه دنبال راهی برای «بیشتر گرفتن از هر تراشه»‌اند. doubleAI فقط جسورانه‌ترین پاسخ را داده: به‌جای تراشهٔ بهتر، «مغزِ بهتر برای همان تراشه».

چیزهایی که هنوز روشن نیست

  • راستی‌آزمایی مستقل: هیچ نهاد ثالثی عددهای ۳۸× و ۴٫۵× را تأیید نکرده؛ همه «ادعای شرکت»‌اند. تا بنچمارک مستقل نیاید، این‌ها وعده‌اند.

  • قیمت واقعی: «سهم از صرفه‌جویی» ایدهٔ جذابی است ولی فرمولش اعلام نشده: چند درصد؟ سقف دارد؟ برای استارتاپ کوچک هم می‌صرفد؟

  • شرایط دسترسی زودهنگام: چه کسانی پذیرفته می‌شوند، چه محدودیت‌هایی دارد و داده‌های کد شما دقیقاً کجا و چطور نگه‌داری می‌شود — اعلام نشده.

  • پوشش واقعی: روی چه زبان‌ها و استک‌هایی بهتر جواب می‌دهد؟ به گفتهٔ خود شرکت روی «کد الگوریتمیک» بهترین است؛ ولی مرز دقیقش روشن نیست.

  • سرنوشت بلندمدت: اگر CEMها واقعاً بگیرند، آیا غول‌های ابری خودشان چنین لایه‌ای نمی‌سازند؟ پاسخ doubleAI فعلاً فقط همان «اثبات رسمی» است.

دسترسی، قیمت و نکته‌ای برای خوانندهٔ فارسی‌زبان

Maxwell فعلاً فقط در مرحلهٔ «دسترسی زودهنگام» است و قیمت عمومی اعلام نشده؛ مدل درآمدی‌اش هم «سهم از صرفه‌جویی» است که جزئیاتش را باید در همان فرآیند ثبت‌نام بپرسید. نکتهٔ مهم برای شما: چون مدل نزد خود doubleAI میزبانی می‌شود و کدِ در حال اجرای شما را می‌بیند، عملاً دارید بخشی از دارایی نرم‌افزاری‌تان را به یک شرکت اسرائیلی می‌سپارید — تصمیمی که هم بُعد امنیتی دارد، هم بُعد تحریمی. شرایط دسترسی از ایران رسماً اعلام نشده و با توجه به تحریم‌ها، احتمال محدودیت جدی است؛ ما چیزی را حدس نمی‌زنیم و راه دور زدن هم پیشنهاد نمی‌دهیم. اگر توسعه‌دهندهٔ ایرانی هستید، فعلاً عاقلانه‌ترین کار این است که خبر را دنبال کنید و اگر روزی نسخهٔ قابل‌استقرارِ محلی (on-premise) یا مدل متن‌باز مشابهی آمد، آن را ارزیابی کنید. در همین حال، اگر دغدغه‌تان بهینه‌سازی زیرساخت است، بد نیست نگاهی هم به متن‌باز شدن Run:ai انویدیا و کاتالوگ ۱۴۰۰ ابزار متن‌باز انویدیا برای پژوهشگران بیندازید که همین روزها پوشش دادیم و دست‌کم قابل‌دانلودند.

اگر توسعه‌دهنده هستید، حالا چه کار کنید؟

  • ثبت‌نام در دسترسی زودهنگام: اگر پروژه‌ای با صورت‌حساب محاسباتی سنگین دارید، در heymaxwell.ai ثبت‌نام کنید — ولی با دادهٔ حساس شروع نکنید.

  • اول بنچمارک خودتان: قبل و بعد از Maxwell، زمان اجرای بار کاریِ خودتان را اندازه بگیرید؛ به عددهای تبلیغاتی اکتفا نکنید.

  • سؤال امنیتی بپرسید: کد شما کجا پردازش می‌شود؟ لاگ‌ها چقدر نگه‌داری می‌شوند؟ قرارداد NDA لازم است؟ این‌ها را کتبی بگیرید.

  • جایگزین‌ها را بشناسید: بهینه‌سازی کلاسیک (پروفایلینگ، انتخاب الگوریتم بهتر، کامپایلرهای مدرن) هنوز رایگان و اثبات‌شده است؛ Maxwell قرار است «روی» آن‌ها بنشیند، نه جایشان را بگیرد.

  • دنبال بنچمارک مستقل باشید: تا وقتی یک تیم ثالث عددها را تکرار نکرده، این فناوری را در مسیر حیاتیِ پروداکشن نگذارید.

جمع‌بندی

doubleAI با Maxwell ادعای بزرگی کرده: هوش مصنوعی‌ای که نه برای شما، که برای خودِ ماشین کار می‌کند و کد را «حین اجرا» بهتر می‌کند — با اثبات ریاضیِ درستی. اگر عددهایش واقعی باشند، این می‌تواند یکی از مهم‌ترین خبرهای زیرساخت هوش مصنوعی امسال باشد؛ اگر نه، یک درس دیگر دربارهٔ فاصلهٔ «وعده» تا «محصول». توصیهٔ ما روشن است: ثبت‌نام کنید، ولی اعتماد نکنید — اندازه بگیرید. دنیای CEM تازه متولد شده و ماه‌های آینده معلوم می‌کند که «شیطانک مکسول» واقعاً نظم می‌سازد یا فقط اسم قشنگی است.

پرسش‌های پرتکرار

مدل اجرای کد (CEM) به زبان ساده چیست؟

هوش مصنوعی‌ای که داخل برنامهٔ در حال اجرای شما زندگی می‌کند و دستورالعمل‌های ماشینِ زیر کد را — بدون تغییر سورس‌کد — برای همان سخت‌افزار و دادهٔ خاص بهینه می‌کند.

Maxwell با ایجنت‌های کدنویسی مثل Claude Code چه فرقی دارد؟

ایجنت کدنویسی برای «انسان» کد می‌نویسد و سورس‌کد تحویل می‌دهد؛ Maxwell برای «ماشین» کار می‌کند و باینریِ در حال اجرا را بهینه می‌کند. این دو رقیب نیستند؛ می‌توانند پشت سر هم کار کنند.

آیا Maxwell سورس‌کد من را تغییر می‌دهد؟

نه. به گفتهٔ شرکت، سورس‌کد دقیقاً همان می‌ماند که بود؛ فقط دستورالعمل‌های ماشینِ زیر آن، حین اجرا بازنویسی و بهینه می‌شوند.

چرا می‌گویند هر بهینه‌سازی «اثبات‌شده» است؟

چون Maxwell با روش‌های ریاضیِ «راستی‌آزمایی رسمی» ثابت می‌کند نسخهٔ بهینه‌شده دقیقاً همان رفتار نسخهٔ اصلی را دارد؛ این همان چیزی است که اجازه می‌دهد بدون بازبینی انسانی، وسط اجرا تغییر اعمال شود.

Maxwell الان قابل‌استفاده است؟

فعلاً فقط در مرحلهٔ «دسترسی زودهنگام» از طریق heymaxwell.ai؛ یعنی باید ثبت‌نام کنید و پذیرفته شوید. عرضهٔ عمومی و قیمت‌گذاری هنوز اعلام نشده است.

هزینه‌اش چطور محاسبه می‌شود؟

مدل درآمدی اعلام‌شده «سهم از صرفه‌جویی» است: به‌جای لایسنس ثابت، درصدی از هزینهٔ محاسباتی‌ای که برایتان کم کرده می‌گیرد. درصد و سقفش هنوز اعلام نشده.

آیا عددهای ۳۸ برابر و ۴٫۵ برابر تأیید شده‌اند؟

نه. این‌ها ادعای خود شرکت‌اند و هیچ راستی‌آزمایی مستقلی منتشر نشده. تا بنچمارک ثالث نیاید، آن‌ها را وعده بدانید، نه واقعیت.

منابع

برچسب‌ها:هوش مصنوعیهوش مصنوعی مولدتوسعه‌دهندهسخت‌افزار
اشتراک‌گذاری:

مطالب مرتبط

عضویت در خبرنامه

آخرین اخبار هوش مصنوعی و فناوری را در ایمیل خود دریافت کنید.

پس از عضویت یک ایمیل تأیید برایتان ارسال می‌شود. هر زمان می‌توانید اشتراک خود را لغو کنید و ایمیل شما برای هدفی جز ارسال خبرنامه استفاده نمی‌شود. جزئیات در صفحه حریم خصوصی آمده است.