در بازارهای پیش‌بینی، جواب طولانی همیشه جواب بهتر نیست. کاربری که روی نتیجه یک مسابقه، روند بازار یا سناریوی بعدی تصمیم می‌گیرد، دنبال این نیست که مدل هوش مصنوعی چقدر با اعتمادبه‌نفس حرف می‌زند. مسئله اصلی این است: کدام مدل زودتر مسیر درست را می‌بیند و کدام مدل تحلیلی مرتب تحویل می‌دهد؟ گزارش پیش‌بینی ۶ مدل هوش مصنوعی شامل ChatGPT، Grok، Qwen، DeepSeek، Gemini و Claude برای چند مسابقه مرحله حذفی جام جهانی و مقایسه آن با نتایج واقعی، برای کاربران کریپتو هم بی‌ربط نیست، چون استفاده از هوش مصنوعی در بازارهای پیش‌بینی، تحلیل خبر، ساخت سناریو و حتی ترید ارز دیجیتال با هوش مصنوعی هر روز جدی‌تر می‌شود. اما همین گزارش نشان می‌دهد مدل‌ها همیشه در یک کار خاص خوب عمل نمی‌کننپ. تا اینجای مرحله حذفی، کانادا با نتیجه ۱ بر ۰ آفریقای جنوبی را شکست داد، برزیل ۲ بر ۱ ژاپن را برد، آلمان در ضربات پنالتی مقابل پاراگوئه حذف شد و هلند هم پس از تساوی ۱ بر ۱، در پنالتی‌ها به مراکش باخت. بازی بلژیک و سنگال هم با تساوی ۲ بر ۲ و بازگشت در وقت اضافه، دوباره نشان داد مرحله حذفی چقدر می‌تواند پیش‌بینی‌ها را خراب کند. دقیقاً همان جایی که مدل‌های هوش مصنوعی، با تمام ظاهر تحلیلی‌شان، شروع می‌کنند به لو دادن محدودیت‌هایشان. چه سورپرایزی؛ ماشین‌ها هم وقتی توپ گرد می‌شود، گاهی مثل انسان‌ها اشتباه می‌کنند. DeepSeek و Gemini؛ موفق در دیدن سناریوی مراکش مهم‌ترین بخش این مقایسه به پیش‌بینی بازی هلند و مراکش برمی‌گردد. روی کاغذ، هلند تیم قوی‌تری بود. ترکیب بهتر، عمق بیشتر و سابقه قابل‌اعتمادتر باعث می‌شد بیشتر مدل‌ها در نهایت هلند را تیم صعودکننده بدانند. بعضی مدل‌ها سختی بازی را تشخیص دادند، اما در انتخاب برنده همچنان به تیم محبوب‌تر تکیه کردند. اینجا DeepSeek و Gemini متفاوت عمل کردند. Gemini فقط نگفت بازی نزدیک می‌شود؛ سناریوی دقیق‌تری داد: تساوی ۱ بر ۱ در وقت قانونی و برد مراکش در ضربات پنالتی. نتیجه واقعی هم همین مسیر را رفت. بازی ۱ بر ۱ شد و مراکش در پنالتی‌ها ۳ بر ۲ هلند را حذف کرد. DeepSeek هم فاصله زیادی با نتیجه نداشت. این مدل احتمال تساوی ۱ بر ۱ یا ۰ بر ۰ در وقت قانونی را مطرح کرد، از کشیده شدن بازی به وقت اضافه یا پنالتی گفت و در نهایت به صعود مراکش از مسیر دفاع و ضدحمله متمایل شد. این بخش برای کاربران بازارهای پیش‌بینی مهم است. چون در چنین بازارهایی، فقط دانستن اینکه «بازی نزدیک است» کافی نیست. مدل باید بتواند بین «بازی نزدیک ولی صعود تیم محبوب» و «بازی نزدیک با احتمال حذف تیم محبوب» فرق بگذارد. در این نمونه، DeepSeek و Gemini این تفاوت را بهتر دیدند. برای مطالعه بیشتر درباره جایگاه DeepSeek در رقابت مدل‌های هوش مصنوعی، گزارش میهن بلاکچین درباره دیپ‌سیک و آینده رقابت با OpenAI هم می‌تواند لینک داخلی مناسبی باشد. Grok و Qwen؛ بهتر در پیش‌بینی بردهای نزدیک تیم‌های مدعی در کنار عملکرد DeepSeek و Gemini در بازی مراکش، Grok و Qwen هم در چند مسابقه دیگر خروجی دقیقی داشتند. نقطه قوت آن‌ها بیشتر در بازی‌هایی دیده شد که برنده احتمالی تا حدی مشخص بود، اما اختلاف نتیجه نه. در بازی آفریقای جنوبی و کانادا، بیشتر مدل‌ها کانادا را شانس اصلی پیروزی می‌دانستند. مسئله این بود که آیا کانادا برد راحتی خواهد داشت یا نه. Grok برد ۱ بر ۰ کانادا را پیش‌بینی کرد و Qwen هم به برد با اختلاف یک گل نزدیک شد. نتیجه واقعی همان برد حداقلی بود. در بازی برزیل و ژاپن هم وضعیت مشابهی دیده شد. بیشتر مدل‌ها برزیل را تیم برتر می‌دانستند، اما سؤال اصلی این بود که ژاپن تا چه اندازه می‌تواند بازی را سخت کند. Grok و Qwen هر دو نتیجه ۲ بر ۱ به سود برزیل را پیش‌بینی کردند و بازی هم دقیقاً با همین نتیجه تمام شد. در مسابقه ساحل عاج و نروژ نیز هر دو مدل دوباره به نتیجه ۲ بر ۱ برای نروژ رسیدند. پیش‌بینی برد نروژ با حضور ارلینگ هالند چندان عجیب نبود، اما تشخیص اینکه ساحل عاج با قدرت بدنی و حمله از کناره‌ها اجازه یک بازی یک‌طرفه را نمی‌دهد، بخش مهم‌تری از تحلیل بود. در این نمونه‌ها، Grok و Qwen بیشتر شبیه مدل‌هایی بودند که در سناریوهای کم‌ریسک‌تر، اختلاف نتیجه را بهتر تخمین می‌زنند. آن‌ها لزوماً بهترین گزینه برای پیدا کردن شگفتی‌های بزرگ نبودند، اما در تشخیص اینکه یک تیم مدعی با اختلاف کم می‌برد یا بازی را راحت‌تر جمع می‌کند، عملکرد قابل‌توجهی داشتند. برای لینک‌دهی داخلی، هنگام اشاره به Grok می‌توان به مقاله میهن بلاکچین درباره استفاده از هوش مصنوعی گروک در ترید ارزهای دیجیتال لینک داد. این لینک از نظر موضوعی به بحث استفاده عملی از مدل‌های هوش مصنوعی برای تصمیم‌گیری نزدیک است. ChatGPT؛ تحلیل خوب از روند بازی، اما نه همیشه قاطع در نتیجه ChatGPT در این مقایسه کمتر از Gemini در پیش‌بینی شگفتی‌ها درخشید و مثل Grok و Qwen هم چند نتیجه دقیق پشت سر هم نداد. با این حال، نقطه قوتش جای دیگری بود: توضیح روند احتمالی بازی. برای مثال، در بازی برزیل و ژاپن، ChatGPT صعود برزیل را پیش‌بینی کرد، اما برد آسانی برای آن نساخت. این مدل به پرسینگ، دوندگی و نظم ژاپن اشاره کرد و احتمال داد ژاپن بتواند برزیل را تحت فشار بگذارد، حتی شاید گل اول یا گل مساوی را بزند. در بازی ساحل عاج و نروژ هم ChatGPT برد نروژ را محتمل دانست، اما از فیزیک بدنی، حملات کناری و انتقال سریع توپ توسط ساحل عاج به‌عنوان عوامل دردسرساز نام برد. در بازی انگلیس و جمهوری دموکراتیک کنگو نیز ChatGPT صرفاً سراغ برد پرگل انگلیس نرفت. این مدل احتمال داد کنگو با دفاع فشرده سرعت بازی را بگیرد و کار را برای انگلیس سخت کند. انگلیس در نهایت صعود کرد، اما نه با بردی راحت. این یعنی ChatGPT برای فهمیدن «چرا ممکن است بازی سخت شود» کاربرد دارد، اما همیشه برای انتخاب نتیجه نهایی قاطع نیست. این نکته در کریپتو هم آشناست. در بسیاری از سناریوهای تحلیلی، ChatGPT می‌تواند داده‌ها، خبرها و ریسک‌ها را مرتب کند، اما خروجی آن نباید مستقیم به‌عنوان سیگنال نهایی استفاده شود. مقاله میهن بلاکچین درباره تبدیل اخبار ارز دیجیتال به سیگنال معاملاتی با ChatGPT دقیقاً از همین زاویه می‌تواند لینک داخلی خوبی باشد: استفاده از مدل، همراه با راستی‌آزمایی انسانی. حذف آلمان؛ جایی که همه مدل‌ها اشتباه کردند اگر بازی‌های قبلی نقاط قوت مدل‌ها را نشان دادند، بازی آلمان و پاراگوئه نقطه ضعف مشترک آن‌ها بود. تقریباً همه مدل‌ها، از ChatGPT و Grok گرفته تا Qwen، Gemini و Claude، آلمان را برنده دانستند. بیشتر پیش‌بینی‌ها هم به نتایجی مثل ۲ بر ۰، ۳ بر ۰ یا ۳ بر ۱ به سود آلمان نزدیک بود. دلیل تحلیل‌ها هم روشن بود: آلمان روی کاغذ بازیکنان بهتر، عمق ترکیب بیشتر و قدرت هجومی بالاتری داشت. اما همین تکیه روی برتری کاغذی باعث شد مدل‌ها توان پاراگوئه در کند کردن بازی، دفاع فرسایشی و کشاندن مسابقه به پنالتی را دست‌کم بگیرند. آلمان نه در وقت قانونی کار را تمام کرد، نه در وقت اضافه. در نهایت هم در ضربات پنالتی حذف شد. این نمونه نشان می‌دهد حتی وقتی همه مدل‌ها با هم هم‌نظرند، اجماع آن‌ها لزوماً به معنی بالا رفتن احتمال صحت پیش‌بینی نیست. گاهی فقط همه با هم یک اشتباه تمیز و منظم انجام می‌دهند. چه منظره باشکوهی از اتوماسیون خطا. Claude؛ تحلیل‌گر محتاط، نه شکارچی شگفتی Claude در این مقایسه رفتاری نزدیک به ChatGPT داشت. تحلیل‌هایش منظم و نسبتاً کامل بود، اما در بازی‌هایی که نیاز به انتخاب خلاف جهت بازار داشت، محافظه‌کارتر عمل کرد. در بازی هلند و مراکش، Claude هم مثل ChatGPT خطر وقت اضافه و پنالتی را دید، اما در نهایت به صعود هلند متمایل شد. این نوع خروجی برای کاربری که می‌خواهد روند بازی، نقاط مقاومت و سناریوهای محتمل را بفهمد مفید است. اما برای کاربری که دنبال تشخیص یک آپست مشخص است، کافی نیست. لینک داخلی پیشنهادی در اولین اشاره به Claude می‌تواند مقاله میهن بلاکچین درباره معرفی هوش مصنوعی Claude 2 باشد. کدام مدل دقیق‌تر بود؟ براساس همین چند مسابقه، نمی‌توان رتبه‌بندی قطعی ساخت. تعداد نمونه‌ها کم است و مسابقات فوتبال هم به‌خصوص در مرحله حذفی، با پنالتی، اخراج، مصدومیت و جزئیات کوچک تغییر می‌کنند. اما تفاوت سبک مدل‌ها قابل‌مشاهده است. DeepSeek و Gemini در تشخیص شگفتی‌ها بهتر ظاهر شدند، به‌خصوص در بازی هلند و مراکش. Gemini حتی مسیر بازی را با تساوی ۱ بر ۱ و برد مراکش در پنالتی‌ها درست پیش‌بینی کرد. هنگام اشاره به Gemini، لینک داخلی مناسب می‌تواند گزارش میهن بلاکچین درباره جمینای ۲.۵ پرو گوگل باشد. Grok و Qwen در بازی‌هایی که تیم برتر مشخص‌تر بود، عملکرد خوبی در تشخیص نتیجه نزدیک داشتند. کانادا، برزیل و نروژ نمونه‌های اصلی این بخش بودند. ChatGPT و Claude بیشتر برای تحلیل روند بازی مفید بودند. آن‌ها می‌توانستند بگویند کدام تیم قرار است کار را سخت کند، کجا ممکن است بازی قفل شود و چرا برد تیم محبوب لزوماً راحت نیست. اما در انتخاب شگفتی‌ها، محافظه‌کارتر بودند. نتیجه عملی این است: سؤال درست این نیست که «کدام مدل فوتبال را بهتر می‌فهمد؟» سؤال بهتر این است که «برای چه کاری از کدام مدل استفاده کنیم؟» اگر هدف پیدا کردن سناریوهای غیرمنتظره باشد، DeepSeek و Gemini در این نمونه‌ها خروجی جسورانه‌تری داشتند. اگر هدف تخمین نتیجه بازی‌هایی باشد که یک تیم از قبل مدعی‌تر است، Grok و Qwen بهتر ظاهر شدند. اگر هدف فهمیدن روند بازی، مقاومت تیم ضعیف‌تر و نقاط ریسک باشد، ChatGPT و Claude ابزارهای بهتری هستند. برای کاربران بازارهای پیش‌بینی و حتی معامله‌گران کریپتو، پیام گزارش ساده است: مدل هوش مصنوعی را نباید مثل گوی پیشگویی دید. بهتر است خروجی چند مدل کنار هم گذاشته شود، نوع خطای هر مدل شناخته شود و تصمیم نهایی با بررسی داده، زمینه و ریسک گرفته شود. در غیر این صورت، فقط یک متن قانع‌کننده‌تر برای اشتباه کردن داریم؛ نسخه‌ای مدرن‌تر از همان عادت قدیمی انسان‌ها.

هوش مصنوعی در همه جا ریشه دوانده است و دنیای آموزش را هم بی‌نصیب نگذاشته است. بسیاری معتقدند که استفاده از هوش مصنوعی در آموزش، گام مهمی برای آینده است. اما سوال این است که آیا این روند واقعاً به نفع دانش‌آموزان است؟ دانش‌آموزی را تصور کنید که تا همین چند وقت پیش برای نگارش انشای هفتگی‌ خود مجبور بود در اقیانوس واژگان و ایده‌ها غوطه‌ور شود، کنکاش کند و بعد دست به قلم ببرد؛ یا دانش‌آموزی که برای حل مسائل پیچیده ریاضی، باید ساعت‌ها با اعداد و فرمول‌ها کلنجار می‌رفت و بعد طعم شیرین یافتن راه‌حل را می‌چشید. اما حالا، با نوشتن یک پرامپت ساده برای هوش مصنوعی، پاسخ آماده در کسری از ثانیه ظاهر می‌شود و کپی‌پیست جای خلاقیت، ایده‌پردازی و هنر را می‌گیرد.  این فناوری جدید که بدون رضایت ما وارد مدارس شده است، چه تأثیری بر ذهن و خلاقیت نسل آینده دارد؟ آیا تداوم این مسیر، یک فرصت استثنایی برای پیشرفت است یا خیانت به آینده تحصیلی و فکری فرزندانمان؟ آیا این ابزارهای به‌اصطلاح آموزشی هوش مصنوعی بیشتر دستاویزی برای سلطه شرکت‌های بزرگ و جمع‌آوری داده‌ نیستند؟ برای دریافت پاسخ‌، در این مقاله از میهن بلاکچین با جسیکا وینتر (Jessica Winter) نویسنده مجله (Progress Report) همراه می‌شویم تا نگاه عمیق‌تری به موضوع هوش مصنوعی در مدارس بیاندازیم. وینتر در این نوشتار تحلیلی با اشاره به تجربیات شخصی و گفتگو با والدین و مربیان، به اما و اگرهای این پدیده پرداخته است تا به‌ ما نشان ‌دهد که ابزارهای AI ضمن وعده آینده روشن، تهدیدهای پنهانی دارند که سلامت، خلاقیت و حتی هویت فرزاندانمان را نشانه‌ گرفته‌اند. هوش مصنوعی در مدارس؛ یک ضرورت اجتناب‌ناپذیر یا خطر پنهان تهدید هوش مصنوعی در مدارس من شخصا هوش مصنوعی را دوست ندارم. حتی فرزندانم را طوری تربیت کردم که سراغ ابزارهای AI نروند. سال‌هاست که به آن‌ها گوشزد می‌کنم که چت‌بات‌ها فریبنده و خطرناک هستند، مولدهای تصویر هوش مصنوعی درک ما را از واقعیت ضعیف می‌کنند و مهم‌تر اینکه هدف مدل‌های زبانی بزرگ همگی بر پایه‌ سرقت سازمان‌یافته‌ مالکیت فکری بنا شده است. این موضوع آنقدر در ذهنم شبیه به یک «همسایه عجیب و آزاردهنده» است که حتی وقتی با بچه‌ها درباره هوش مصنوعی حرف می‌زنم، همان توصیه‌ها را به آن‌ها را می‌گویم؛ ارتباط چشمی برقرار نکنید، وقتی از کنار خانه‌اش عبور می‌کنید مسیرتان را عوض کنید، هر جا مطمئن نیستید از یک بزرگسال مورد اعتماد کمک بگیرید. حتی اگر بامزه به‌نظر برسد؛ اما حقیقت تلخ این است که این «همسایه عجیب و غریب خیالی» احتمالا قصد ندارد از زندگی ما کنار برود. او بیشتر و بیشتر در اطراف ما ظاهر می‌شود و مدام به کارهای خودش ادامه می‌دهد. بنابراین بهتر است کمتر با آن درگیر شویم.  همسایه عجیب و غریب وارد مدرسه بچه‌ها می‌شود من فکر می‌کردم حداقل تا مقطع دبیرستان فرصت دارم، اما اشتباه می‌کردم. پسرم که دانش‌آموز کلاس سوم ابتدایی است و در یک مدرسه دولتی در ایالت ماساچوست درس می‌خواند در ماه فوریه با یک «گواهی پایان دوره درک مفاهیم پایه هوش مصنوعی» به خانه آمد. این‌طور که فهمیدم او و بقیه همکلاسی‌هایش این افتخار را به خاطر یک بازی آموزشی رایانه‌ای به دست آورده بودند؛ یک بازی به نام “Mix & Move with AI” که توسط سازمان غیرانتفاعی Code.org و با همکاری آمازون فیوچر (Amazon Future Engineer) طراحی و ارائه شده بود. در این بازی، دانش‌آموزان یک شخصیت کارتونی را طراحی و یک آهنگ محبوب را روی بازی تنظیم کرده بودند که البته خودِ آهنگ هم از طریق آمازون موزیک (Amazon Music) در دسترس‌‌شان بوده است. با این اوصاف، بازی عملا ارتباط چندانی به مفهوم واقعی AI نداشت و گواهی پایان دوره هم بیشتر یک یادگاری بازاریابی بی‌ارزش بود تا یک معیار آموزشی. در ماه مارس، داستان بدتر شد. دختر ۱۱ ساله‌ام که در مقطع راهنمایی تحصیل می‌کند یک روز با خوشحالی از دریافت لپ‌تاپ‌ کروم بوک گوگل به خانه برگشت. این لپ‌تاپ‌‌ها برای انجام تکالیف کلاسی به همه دانش‌آموزان داده شده بود. اینجا بود که حس کردم همان «همسایه عجیب و غریب» به خانه‌ ما نزدیک‌تر شد.  کروم بوک و دستیارهای AI هوش مصنوعی و تهدید خلاقیت دانش آموزان کروم‌بوک‌ها به صورت پیش‌فرض مجهز به یک نسخه عمومی از هوش مصنوعی جمینای (Gemini) بودند؛ نسخه‌ای که برای تمامی سنین طراحی شده است. این ابزار جادویی در انجام تکالیف مدرسه همیشه همراه بچه‌ها است. مثلا هر وقت که دخترم می‌خواهد انشا بنویسد، ناگهان با یک پیام پیشنهاددهنده روبه‌رو می‌شود؛ «به من کمک کن بنویسم» یا اگر بخواهد اسلایدی درست کند، می‌گوید؛ «به من کمک کن محتوای تصویری بسازم». البته او سعی می‌کند بی‌اعتنا باشد و کار را خودش انجام دهد، اما این پیشنهادها دست از سرش برنمی‌دارند؛ «به من در ویرایش کمک کن»، «این اسلاید را جذاب‌تر کن»، «پاسخ این سوال را بنویس» و پیشنهادها همین‌طور ادامه دارند. حتی یک تولیدکننده تصویر هم وجود دارد؛ اگر بخواهد، می‌تواند ایده‌اش را با AI جایگزین کند و بدتر از آن، یک چت‌بات هم هست که اگر بخواهد، می‌تواند با او حرف بزند بدون اینکه کسی متوجه شود.  من بارها و بارها درباره این «همسایه عجیب و غریب» به دخترم هشدار داده بودم. حالا او اشعارش را می‌خواند و رمزهای عبورش را می‌داند. او همیشه از پشت صفحه، ناظر اعمال اوست. آیا هوش مصنوعی در مدرسه واقعا مفید است یا فقط یک کار تبلیغاتی است؟ نکته مهمی که در خصوص به‌کارگیری ابزارهای AI در مدارس وجود دارد، این است که انحصار استفاده از هوش مصنوعی در سیستم آموزشی تنها در دست یک شرکت نیست. در شهرهای مختلف، مدارس از پلتفرم‌های گوناگون استفاده می‌کنند. در مدارس دولتی بوستون، دانش‌آموزان کلاس ششم برای آماده‌سازی خود جهت شرکت در آزمون‌های استاندارد سراسری از چت‌بات‌های مبتنی بر چت جی‌پی‌تی (Chat GPT) و کلاود (Claud) محصول شرکت اوپن ای‌آی و آنتروپیک استفاده می‌کنند. در مناطق آموزشی نیویورک، لس‌آنجلس و برخی نقاط دیگر، کودکان مقطع مهدکودک با یک ربات خواندن بازی‌سازی‌شده به نام “Amira” تعامل دارند که صداهای کودکان را ضبط می‌کند و بازخورد مبتنی بر هوش مصنوعی ارائه می‌دهد. از یکی از والدین در یک مدرسه دولتی در بروکلین شنیدم که در کلاس هنر کلاس دوم ابتدایی، از نرم‌افزار “Adobe Express for Education” استفاده شده است؛ آن هم درحالی که گروهی از دانش‌آموزان کلاس چهارم با همین برنامه تصاویر بسیار نامناسب و جنسی تولید کرده بودند. در میان همه این‌ها، شرکت گوگل به واسطه توزیع گسترده لپ‌تاپ‌های کروم بوک‌ در مدارس آمریکا و سیستم مدیریت یادگیری داخلی خود موسوم به گوگل کلاس‌روم (Google Classroom)، مزیت استراتژیک قابل‌توجهی نسبت به رقبای خود در حوزه هوش مصنوعی دارد. در طول دوران پاندمی کووید-۱۹، بسیاری از مدارس برای آموزش از راه دور به سمت این گزینه ارزان و مقرون‌به‌صرفه روی آوردند. طبق گزارشی که در فصل پایانی سال ۲۰۲۰ منتشر شد، فروش سالانه این دستگاه‌ها با ۲۸۷٪ افزایش داشت. یک نظرسنجی ملی هم که در ماه نوامبر گذشته توسط مجله تایمز (The Times) انجام شد، نشان داد که حدود ۸۰٪ از معلمان مقاطع کودکستان تا پایه دوزادهم اعلام کردند که در مناطق آموزشی آن‌ها از کروم بوک‌های گوگل استفاده می‌شود. این موضوع، بازار عظیمی را برای جمینای به‌وجود آورده است و حضور هوش مصنوعی در مدارس را به یک پدیده‌ تقریباً فراگیر تبدیل کرده است. ادعای موافقان؛ AI برای آموزش شخصی‌سازی و مهارت رسانه‌ای استدلال اصلی حامیان ادغام هوش مصنوعی در مدارس ابتدایی و راهنمایی این است که قرار گرفتن زودهنگام در معرض این فناوری، باعث می‌شود دانش‌آموزان «سواد رسانه‌ای دیجیتال» یاد بگیرند، با مفاهیم پایه‌ مهندسی آشنا شوند و برای آینده‌ای آماده شوند که در آن بیشتر حرفه‌ها با AI گره خورده‌اند. طرفداران این رویکرد می‌گویند معلمان می‌توانند از AI برای صرفه‌جویی در زمان استفاده کنند؛ مثلاً برای تصحیح برگه‌ها یا انجام کارهای اداری خسته‌کننده. همچنین آن‌ها با اشاره به ویژگی «یادگیری تطبیقی» ادعا می‌کنند که هوش مصنوعی می‌توند آموزش را «سفارشی» کند؛ یعنی با توجه به پیشرفت هر دانش‌آموز، روش آموزشی تغییر را بدهد و اطلاعاتی جمع کند تا معلم بتواند به‌صورت فردی توجه بیشتری به هر دانش‌آموز داشته باشد. شانتانو سینها (Shantanu Sinha)، یکی از معاونان ارشد گوگل در بخش آموزش، در این باره به من گفت:  یکی از نکات مهمی که هنگام طراحی ابزارهای هوش مصنوعی برای موسسات آموزشی به آن فکر می‌کنیم این است که چطور مربی را در مرکز این تجربه قرار دهیم؟ جمینای فقط کمک می‌کند تا تجربیات آموزشی غنی‌تر شود، نه اینکه جای معملمان را بگیرد. ما متخصص پداگوژی نیستیم. نسخه‌های افراطی‌تر؛ حذف معلم و جایگزینی «معلمِ همیشه حاضر» عده‌ای دیگر پا را فراتر می‌گذارند و می‌گویند شاید اصلاً لازم نباشد به اندازه‌ گذشته روی مهارت‌های آموزشی حساب کنیم. یکی از این نمونه‌ها، مجموعه آموزشی خصوصی «آلفا» است که از مدل «راهنما به‌جای معلم» استفاده می‌کند و حتی کودکان چهار ساله را نیز می‌پذیرد. طبق وب‌سایت این مدرسه، آن‌ها ادعا می‌کنند که با کمک AI هر دانش‌آموز می‌تواند آموزش شخصی‌سازی‌شده دریافت کند و تنها با ۲ ساعت مطالعه در روز، نتایج درخشانی به‌دست بیاورد. در یکی از کنفرانس‌های اخیر کاخ سفید در مورد کودکان و فناوری، ملانیا ترامپ در کنار ربات انسان‌نمای عجیبی به‌نام فیگور ۰۳ (Figure 03) حاضر شد. او از حضار خواست تصور کنند چنین رباتی معلم باشد؛ معلمی که همیشه صبور و در دسترس است. او گفت چنین رباتی کمک می‌کند بچه‌ها سریع‌تر یاد بگیرند و وقت بیشتری برای دوستان و ورزش داشته باشند و در نتیجه «یک فرد کامل‌تر» شوند. اما این ربات که صورتش یک صفحه سیاه است، در واقع نماد نوشته‌های تبلیغاتی و وعده‌های وسوسه‌انگیزی که می‌خواهند فناوری AI را وارد آموزش کنند. پیام مشترکی که از دولت آمریکا، شرکت‌های فناوری و مدارس دولتی می‌آید این است که ربات‌هایی مانند فیگور و ارتش هوش مصنوعی آن، حالا همه‌جا هستند و ما باید هم بترسیم و هم «توانمند» شویم! درواقع، باید بتوانیم از فناوری‌های هوشمند بهره‌مند شویم؛ اما مراقب باشیم که ضرری نزنند. ماه گذشته، وزارت آموزش شهر نیویورک از مردم خواست نظرات‌شان را در مورد دستورالعمل استفاده از هوش مصنوعی در مدارس ارائه دهند. در یکی از بندهای این دستورالعمل نوشته شده بود:  مسئله این نیست که آیا هوش مصنوعی در مدارس باشد یا خیر؛ بلکه می‌خواهیم سیستمی درست کنیم تا هوش مصنوعی را به‌گونه‌ای کنترل کند که به نفع دانش‌آموزان، والدین، معلمان و سایر کادر درگیر باشد. این یک حرکت شطرنج ماهرانه است؛ چون قبل از شروع بحث گفته شده است که در اصل موضوع تردیدی وجود ندارد، اما این ادعا به معنای حقیقت نیست. بسیاری از تحقیقات نشان داده‌اند که قراردادن مدل‌های زبانی بزرگ (LLM) در محیط‌های آموزشی ممکن است به جای کمک آسیب‌های جدی وارد کند. مثلا در سال ۲۰۲۵ در پژوهشی از دانشگاه MIT هشدار داده شد که استفاده زیاد از هوش مصنوعی در محیط‌های یادگیری، ممکن است ناخواسته مغز نوجوانان را تحلیل ببرد (Cognitive atrophy) و باعث کاهش قدرت فکر و تمرکز آن‌ها شود. اخیراً نیز مجله “Education Week” نتایج تحلیل داده‌های بیش از ۱۳۰۰ منطقه آموزشی در ایالات متحده را منتشر کرد که نشان می‌دهد تقریبا ۲۰٪ از تعاملات دانش‌آموزان با هوش مصنوعی مولد، رفتارهای مشکل‌سازی مانند تقلب، خودآزاری و قلدری را در پی داشته است. علاوه‌براین، مطالعه‌ جمعی از محققان دانشگاه‌های کارنگی ملون، ام‌آی‌تی، آکسفورد و کالیفرنیا لس‌آنجلس نشان داد افرادی که در حل مسائل ریاضی کسری از AI کمک می‌گیرند، بدون هوش مصنوعی عملکردشان به‌طور قابل‌توجهی ضعیف‌تر می‌شود و زودتر تسلیم می‌شود. این یافته‌ها بسیار نگران‌کننده هستند؛ زیرا «پشتکار» پایه‌ کسب مهارت است و یکی از قوی‌ترین عوامل یادگیری بلندمدت محسوب می‌شود. موسسه‌ بروکینگز (Brookings) هم در ابتدای سال گزارشی را منتشر کرد که در آن با بررسی ۴۰۰ تحقیق و صدها مصاحبه با والدین، معلمان و کارشناسان آموزشی به این نتیجه رسیده بود که ابزارهای هوش مصنوعی، رشد طبیعی و پایه‌های رشد کودک را تضعیف می‌کنند. ۳ مشکل اصلی استفاده از هوش مصنوعی در آموزش کودکان خطرات هوش مصنوعی در آموزش مدارس منتقدین استفاده از هوش مصنوعی در آموزش کودکان به ۳ دلیل اشاره می‌کنند؛ اول اینکه مدل‌های زبانی بزرگ باعث می‌شوند قبل از آنکه کودک تمرین‌های لازم برای تفکر و خلاقیت را انجام دهد، این کار را به ماشین‌ها بسپارد. اگر این ابزارها باعث تحلیل فکری در بزرگسالان می‌شوند، پس نباید تأثیر احتمالی آن‌ها را بر مغزی که هنوز عضلات شناختی آن توسعه نیافته است را دست کم بگیریم. دوم اینکه چت‌بات‌ها به دلیل تقلید صمیمیت عاطفی و تمایل به چاپلوسی، نحوه‌ی شکل‌گیر هویت و روابط اجتماعی کودکان را مخدوش می‌کنند. میچ پرینستین (Mitch Prinstein)، استاد روانشناسی و علوم اعصاب در دانشگاه کارولینای شمالی در چپل هیل می‌گوید: بچه‌ها در حدود سن ده یا یازده سالگی، ناگهان سعی می‌کنند روابط پیچیده‌تر و سلسله مراتب اجتماعی بسازند. این موضوع را می‌توان به افزایش گیرنده‌های اکسی‌توسین و دوپامین نسبت داد. اکسی‌توسین باعث می‌شود که بخواهیم با همسالان خود پیوند برقرار کنیم و دوپامین باعث می‌شود وقتی بازخورد مثبت دریافت می‌کنیم، احساس خوبی داشته باشیم. زمانی‌که یک LLM چاپلوس وارد مکالمه می‌شود، تمایل بیولوژیکی برای دریافت بازخورد همسالان را می‌رباید. نوجوانان در روند طبیعی بزرگ شدن، تبادل عاطفی زیادی با یکدیگر دارند؛ اما اگر سراغ یک چت‌بات بروند، مهارت‌هایی که در طول زندگی از آن‌ها استفاده می‌کنیم را تمرین نخواهند کرد. سومین انتقاد علیه استفاده از هوش مصنوعی در مدارس این است که هدف و وسیله را اشتباه می‌گیرد؛ هوش مصنوعی تمرکز را روی سریع‌ترین جواب، بهترین نتیجه یا زیباترین نقاشی می‌گذارد، نه روی فرآیندهای پیچیده یادگیری، فکرکردن و توسعه ویژگی‌های انسانی. مری هلن ایموردینو-یانگ (Mary Helen Immordino-Yang) استاد آموزش روانشناسی و علوم اعصاب در دانشگاه کالیفرنیای جنوبی، در این رابطه می‌گوید:  ما احتمالا در حال تضعیف تفکر پیچیده، تغییر در توسعه‌ اجتماعی و اشتباه گرفتن هدف یادگیری هستیم. ما داریم تیشه به ریشه یادگیری می‌زنیم. حتی برخی از طرفداران هوش مصنوعی در آموزش نیز می‌گویند که از نظر شناختی و عاطفی-اجتماعی خطرات قابل توجهی برای جوانان به همراه دارد. آماندا بیکراستف (Amanda Bickerstaff)، یکی از هم‌بنیان‌گذاران و مدیرعامل «سازمان هوش مصنوعی برای آموزش» که آموزش‌هایی را برای مربیان و دانش‌آموزان در زمینه‌ سواد هوش مصنوعی مولد ارائه می‌دهد، می‌گوید:  کودکان زیر ۱۰ سال نباید سراغ چت‌بات‌ها بروند. استفاده از این ابزارها به مهارت‌های تخصصی نیاز دارد که حتی بسیاری از بزرگسالان نیز فاقد آن هستند. تصمیم گوگل برای در دسترس قرار دادن جمینای برای تمام سنین، یکی از معدود مواردی در طول دوران حرفه‌ای من بود که باعث شد برای مدتی دچار اختلال خواب شوم. متخصصان هوش مصنوعی گوگل به وضوح می‌دانند که این کار برای بچه‌ها ضرر دارد، اما باز هم انجامش می‌دهند. آن‌ها به این فکر نمی‌کنند که اگر کودکی به جای نقاشی کردن، فوراً تصویری با هوش مصنوعی بسازد، برای توانایی آن کودک در تفکر مستقل و نقاشی کشیدن چه اتفاقی می‌افتد؟ درو بنت (Drew Bent) مسئول تحقیقات آموزشی شرکت آنتروپیک معتقد است که تعیین سن مناسب برای استفاده از هوش مصنوعی وظیفه شرکت‌ها نیست. او مانند سینها از شرکت گوگل، تأکید می‌کند که تیم او بیشتر بر نحوه‌ تعامل معلمان با ابزارهای هوش مصنوعی مانند Amira و MagicSchool که هر دو تا حدی توسط شرکت کلاود پشتیبانی می‌شوند، تمرکز کرده است. بنت در این رابطه می‌گوید: یک فرد برای استفاده موثر از هوش مصنوعی باید از قبل دارای سطح مشخصی از تفکر انتقادی باشد که در طول دوران کودکی پرورش پیدا می‌کند. معلمان قبل از اینکه ابزارهای هوش مصنوعی را به کلاس درس بیاورند، باید مهارت‌هایی مانند تشخیص قابل‌اعتماد بودن منبع را در دانش‌آموزان تقویت کنند؛ زیرا مدل‌های هوش مصنوعی اغلب بسیار معتبر و مطمئن به نظر می‌رسند. در تایید این صحبت باید به این اشاره کنم که دو کارمند آنتروپیک به من گفته بودند که چت‌بات کلاود کاربران ۱۸ سال به بالا طراحی شده است؛ اما زمانی‌که من به طور اتفاقی این موضوع را با کلاود در میان گذاشتم، آن با «یک تصحیح کوچک» پاسخ داد و گفت که محدودیت سنی ۱۳ سال است. هوش مصنوعی در آموزش؛ جایگزینی نتیجه به‌جای فرآیند بخشی از تکالیف سال گذشته دخترم از جمله یک‌ اسلایدشو درباره‌ تاریخچه‌ چاپ، روی کروم بوک جدیدش ذخیره شده است. خوب به یاد دارم که قبل از موعد تحویل پروژه، او را تشویق کردم برخی از تصاویر را جابجا کند و طرح فونت مشکی روی پس‌زمینه‌ آبی‌تیره را تغییر دهد؛ اما با ایده من مخالفت کرد. روز بعد، تصمیم گرفتیم آن اسلایدشو را با استفاده از ابزار ویرایش جمینای در گوگل‌اسلاید اجرا کنیم. جمینای تنها در عرض ۳۰ ثانیه متن‌ها را اصلاح کرد، تصاویر را به‌شکل متقارن کشید، تعدادی تصویر جدید افزود و حروف‌ را بزرگ‌تر و خواناتر کرد. این طرح یادآور حروف متحرک قرن پانزدهم بود و روی پس‌زمینه‌ای از پوست مصنوعی کهنه قرار داشت. مقایسه‌ این دو ارائه‌، برای من شبیه به رقابت مادر و دختر در فیلم مامان عزیزترین “Mommie Dearest” بود که در آن جمینای نقش جوان کراوفورد (Joan Crawford) را بازی می‌کرد و می‌گفت: «من بزرگترم و سریع‌تر هستم؛ من همیشه تو را شکست می‌دهم.» اما دخترم بی‌تفاوت به همه این‌ها گفت: «من اسلایدشو خودم را بیشتر دوست دارم، چون اصیل است و من خیلی برای آن زحمت کشیدم. من اسلاید خودم را ترجیح می‌دهم چون برای طراحی آن زمان گذاشتم.» ایموردینو-یانگ می‌گوید:  هدف تکالیف مدرسه، صرفا رسیدن به پروژه‌ نهایی نیست، بلکه تجربه‌ انجام آن است؛ تجربه‌ای که ابزارهای هوش مصنوعی قصد دارند آن را کوتاه یا حذف کنند. زیبا‌سازی‌های ابزارهای هوش مصنوعی و حضور بی‌صبرانه و پنهان آن‌ها، مانع پیشرفت طبیعی و تدریجی یک فرد جوان به سمت بلوغ شناختی می‌شود؛ مخصوصاً برای افرادی که هنوز در حال توسعه زیرساخت‌های عصبی روانشناختی برای استنتاج و تفکر منطقی در طول زمان هستند. این یک فرآیند شکننده است. ما به والدین یک نوزاد هشت ماهه نمی‌گوییم «کودک‌تان را به چهاردست‌وپا رفتن تشویق نکنید، این یک مهارت بی‌فایده است.» وسواس درباره نتیجه بهتر باعث شده است حتی نوشتن با دست در مدرسه کمتر شود، با اینکه نقش اثبات‌شده‌ای در مهارت‌های حرکتی، پردازش زبان و حافظه فعال دارد. ایمی فین (Amy Finn)، دانشیار روانشناسی دانشگاه تورنتو، در این باره می‌گوید:  بخشی از جادوی یادگیری کودکان این است که معمولا نمی‌دانند قرار است چه چیزی تجربه کنند یا چه چیزی مهم و مرتبط است. آن‌ها فیلتر بزرگسالان را ندارند؛ همان فیلتری که به شکل استراتژیک دنبال رسیدن نتایج از‌پیش‌تعیین‌شده از تجربه است. به‌همین دلیل، کودکان بسیاری از جزئیات غیرمنتظره‌ای که بزرگسالان نامرتبط می‌دانند را حفظ می‌کنند. همین ویژگی باعث می‌شود آن‌ها به روش‌هایی خلاق باشند که بزرگسالان معمولا قادر به آن نیستند. تمایل طبیعی مغز کودک به سمت مسیرهای غیرمنتظره با جهت‌گیری‌ مدل‌های زبانی بزرگ همخوان نیست؛ مدل‌هایی که معمولا به سمت سرعت، ظرافت، خلاصه‌سازی و خروجی‌های منطقی حرکت می‌کنند. وسواس به نتیجه به جای فرآیند، فقط مخصوص هوش مصنوعی نیست؛ یکی از ویژگی‌های سبک آموزشی منفور «آموزش برای آزمون» است. این روش در اوایل دهه ۲۰۰۰ پس از تصویب قانون «هیچ کودکی نباید عقب بماند» (No Child Left Behind Act) در کلاس‌های درس آمریکایی رواج پیدا کرد. نقش معلم در تعاملات دانش آموز با هوش مصنوعی در گفتگو با سینها در مورد اینکه کودک چه چیزی را مرتبط یا غیرمرتبط می‌داند، صحبت کردم. از او خواستم چند مورد از بهترین کاربردهای هوش مصنوعی برای یک معلم مدرسه‌ ابتدایی را نام ببرد. او در پاسخ این‌طور گفت:  شما می‌توانید از جمینای برای خلق یک داستان کودکانه استفاده کنید؛ اما نه یک داستان تصادفی و غیرمرتبط. درواقع، می‌توانید موضوع کلاس درس خود یا حتی تصاویر موردنظرتان را وارد کنید و بعد در پرامپت خود بگوئید آن را با توجه به درخواست شما مرتبط‌تر و شخصی‌تر کند. فرض کنید کودکی یک نقاشی کشیده است که به آن افتخار می‌کند. معلم می‌تواند این نقاشی را در برنامه‌ تولید و ویرایش ویدیوی هوش مصنوعی گوگل ویدز (Google Vids) قرار دهد و آن را به یک ویدیوی جالب تبدیل کند. مطمئنا چنین فیلمی به شیوه‌ای بسیار متفاوت دانش‌آموزان را درگیر و مجذوب می‌کند. دانش آموزان هم با استفاده از ابزارهای هوش مصنوعی می‌توانند پروژه‌هایی انجام دهند که قبلاً هرگز نمی‌توانستند. اما اصلا چرا و به چه دلیل داستان یا نقاشی کودک باید «تاثیرگذار» باشد؟ روی چه کسی باید تاثیر بگذارد؟ آیا باید مشخص باشد که با هوش مصنوعی ساخته شده‌ است؟ سینها در پاسخ به این سوالات گفت:  اینجاست که نقش مربی پررنگ می‌شود و باید برای دانش آموز مشخص کند که از این کار چه انتظاری دارد؟ در دهه‌ ۱۹۲۰، یک روانشناس آمریکایی به‌نام سیدنی پرسی (Sidney Pressey)، ماشین تدریسی به اندازه‌ یک ماشین تحریر اختراع کرد که می‌توانست آزمون چهارگزینه‌ای طراحی کند و بلافاصله به آن نمره دهد. د در تاریخ آموزش، افرادی مانند سیدنی که دستی در حوزه نوآوری داشتند، همگی درباره‌ دستگاه‌های خود به شبیه به حامیان فعلی یادگیری شخصی‌سازی‌شده صحبت می‌کردند. هدف همه آن‌ها این بود که یک معلم بتواند در کلاس درس روی وظیفه‌ واقعی خود یعنی فعالیت‌های الهام‌بخش و تحریک‌ افکار تمرکز کند و به هر دانش‌آموز به‌صورت فردی توجه داشته باشد. در طول بیش از یک قرن تغییر فناوری، نگاه کلی به علم آموزش ثابت مانده است. هر نوآوری جدیدی چه ماشین‌های تدریس، چه آموزش‌های ویدیویی موسسه خان آکادمی (Khan Academy) و حالا چت‌بات‌ها، هدفشان این بوده است که عصر جدیدی از یادگیری شخصی‌سازی راه بیندازند. البته این ایده هم به نفع معلمان فعال است و هم برای دانش‌آموزان تنبل رهایی‌بخش است. بنت عقیده کاملا مشابهی دارد و می‌گوید: ابزارهای هوش مصنوعی به معلمان کمک می‌کنند که زمان بیشتری با دانش‌آموزان‌شان بگذرانند. برای معلمی که ۳۰ دانش‌آموز دارد، پیگیری وضعیت هر کدام از آن‌ها و طراحی فعالیت‌های متناسب بسیار سخت است. اما با هوش مصنوعی کلاود، ما معلمی را می‌بینیم که در کلاس ۳۰-۳۵ نفره خود، همان کاری را انجام می‌دهد که یک معلم با ۵ دانش آموز انجام می‌دهد؛ اما بهتر. قابلیت اجرای چنین سناریویی هنوز مشخص نشده است. اما یک برنامه‌ آموزشی جدید به نام آکادمی ملی آموزش هوش مصنوعی (National Academy for AI Instruction) قصد دارد فرصتی را برای تحقق وعده‌های صنعت هوش مصنوعی در حوزه آموزش برای معلمان فراهم کند. این آکادمی که دفتر مرکزی آن در منهتن قرار دارد، یک پروژه‌ مشترک بین اتحادیه معلمان نیویورک (U.F.T) و فدراسیون معلمان آمریکا است و از طریق مشارکت ۲۳ میلیون دلاری با مایکروسافت، اوپن ای‌آی و آنتروپیک تأمین مالی می‌شود. رندی واین‌گارتن (Randi Weingarten)، رئیس این فدراسیون به من گفت که کلاس‌های حضوری و آنلاین ارائه‌شده توسط آکادمی با هدف کمک به مربیان طراحی شده‌اند تا به جای پذیرش صرف این پدیده اجتناب‌ناپذیر، آن را هدایت کنند. در نگاه اول، شاید فعالیت این آکادمی اقدامی برای ایجاد رضایت ساختگی به‌نظر برسد که توسط گروهی از غول‌های فناوری خریداری و تأمین‌مالی شده است. اما صحبت‌های واین‌گارتن نشان می‌دهد که نباید او را حامی پر و پا قرص هوش مصنوعی یا کروم‌بوک‌های همیشه حاضر در کلاس درس بدانیم‌. خانم گارتن می‌گوید: هرچقدر مردم بیشتر به هوش مصنوعی تکیه داشته باشند، کمتر فکر می‌کنند. ما به کاغذ و قلم بیشتری نیاز داریم، یادگیری عملی بیشتر و صفحات نمایش کمتر. اگر اعضای اتحادیه با سیاست طرفدار هوش مصنوعی در مدارس منطقه‌ خود مخالفت کنند یا تمایلی به ورود جمینای در محیط فعالیت دانش‌آموزانشان نداشته باشند، ما از آن‌ها حمایت می‌کنیم. همه‌ این‌ها خیلی سریع پیش می‌رود و بخشی از هدف من این است که به معلمان اجازه مخالفت و اعتراض بدهم. اتحادیه‌ معلمان از همکاری با گوگل خودداری کرد؛ زیرا این شرکت تعهدات لازم برای حفظ ایمنی و حریم خصوصی دانش‌آموزان و کارکنان را آنطور که ما به دنبالش بودیم، ارائه نکرد. باید به این موضوع اشاره کنم در گفتگویی که با سینها داشتم، او این موضوع را رد کرد و گفت جمینای با مقررات فدرال مطابقت دارد. از داده‌های دانش‌آموزان برای کسب سود استفاده نمی‌کند، گفت‌وگوی دانش‌آموزان هرگز توسط انسان‌ها دیده نمی‌شود و برای آموزش مدل‌های هوش مصنوعی مورد استفاده قرار نمی‌گیرد. سایر سازمان‌های تحت رهبری معلمان و والدین هم در تلاش هستند برای محدود کردن استفاده از هوش مصنوعی در مدارس ساختارهای مبتنی بر مجوز ایجاد کنند. کریگ گرت (Craig Garrett) که فرزندش در یک مدرسه‌ دولتی در بروکلین تحصیل می‌کند به من گفت بعد از یک سال تازه متوجه شده است که فرزندش در دوران مهدکودک با ربات Amira در کلاس درس خوانده است. به همین خاطر برای هم‌اندیشی والدین نگران در واتس‌اپ گروهی به‌نام «خانواده‌های منطقه ۱۴ برای یادگیری انسانی» راه‌اندازی کرده است. همچنین، گرت عضوی از «ائتلاف برای توقف هوش مصنوعی» است؛ گروهی متشکل از مربیان، والدین و دانش‌آموزان که برای توقف ۲ ساله استفاده هوش مصنوعی در مدارس در حال نامه‌نگاری با شهردار شهر نیویورک، زهران ممدانی (Zohran Mamdani) و مسئولان مدارس هستند. یکی دیگر از اعضای این ائتلاف، نوید حسن (Naveed Hasan) است که خودش در یک مدرسه دولتی در منهتن کار می‌کند و در کمیته‌ مشاوره‌ آموزش هم فعالیت دارد. او که به عنوان یک دانشمند کامپیوتر بیش از بیست سال در زمینه‌ هوش مصنوعی کار کرده است، می‌گوید: من با شرکت‌های خصوصی که سعی می‌کنند هوش مصنوعی را به یک ابزار تبدیل کنند، مشکل دارم. آن‌ها می‌گویند نگران نباشید، ما اشتراک هوش مصنوعی را در دسترس‌تان قرار می‌دهیم و شما آزاد هستید که کارهایتان را انجام دهید. ما باید به شهردار و کسانی که برای او کار می‌کنند فشار بیاوریم تا جلوی این روند را بگیرند. نگرانی‌های والدین و فعالان درباره هوش مصنوعی در مدارس نیویورک نگرانی‌های والدین درباره هوش مصنوعی در مدارس اعضای «ائتلاف توقف موقت هوش مصنوعی» معتقدند که در تهیه دستورالعمل‌های اولیه هوش مصنوعی برای مدارس نیویورک به اندازه کافی با معلمان یا والدین مشورت نمی‌شود و این دستورالعمل‌ها به‌خوبی به نگرانی‌های مربوط به حریم خصوصی یا اثرات منفی احتمالی استفاده از هوش مصنوعی بر رشد مغز و سلامت روان دانش‌آموزان نمی‌پردازند. نکته قابل‌توجه این است که میاثریسا پیت (Miatheresa Pate)، مسئول نظارت بر این دستورالعمل‌ها در اداره‌ی آموزش و پرورش شهر نیویورک، بورسیه مشترکی از گوگل و شرکت سرمایه‌گذاری خطرپذیر فناوری آموزشی جی‌اس‌وی (GSV Ventures) دریافت کرده است؛ شرکتی که پورتفولیوی آن شامل محصولاتی مانند “Amira” و “MagicSchool” می‌شود. جالب‌تر اینجاست که در فهرست دریافت‌کنندگان این بورسیه نام مقامات ارشد آموزشی برکلی، دالاس، لس آنجلس، نیوآرک و مقامات کلرادو و مریلند هم دیده می‌شود. گرت در واکنش به این تضاد منافع با اظهارنظر طعنه‌آمیزی می‌گوید:  اگر از شرکت‌های دخانیات بخواهید در نوشتن خط‌مشی مدرسه در مورد سیگار به شما کمک کنند، در نهایت راهنمایی‌هایی در مورد نحوه‌ سیگار کشیدن مسئولانه در مدرسه دریافت خواهید کرد.» سخنگوی وزارت آموزش در نیویورک در پاسخ به این ادعا در ایمیلی توضیح داده است که بیش از هزار ذینفع، از جمله خانواده‌ها و مربیان در تدوین دستورالعمل‌های اولیه نیویورک مشارکت داشته‌اند. به‌علاوه، استفاده از محصولاتی مانند Amira و MagicSchool در سطح مدرسه تعیین می‌شود، نه توسط دکتر پیت؛ زیرا شهر هیچ قرارداد متمرکزی با این شرکت‌ها ندارد. تلاش برای محدود کردن سلطه شرکت‌های AI در آموزش مدارس سال گذشته گروه مشابهی به نام «مدارس فراتر از صفحات نمایش» (Schools Beyond Screens) توسط اتحادیه مدارس لس‌آنجلس تشکیل شد. این اتحادیه در حال‌حاضر با چالش‌هایی روبرو است؛ زیرا مدیر آن آلبرتو کاروالیو (Alberto Carvalho)، پس از یورش اف‌بی‌آی به خانه و دفترش در ماه فوریه، به دلیل ارتباط احتمالی با یک شرکت ورشکسته فناوری آموزشی که در حال توسعه یک چت‌بات هوش مصنوعی برای کودکان بوده است، اکنون در مرخصی اداری به سر می‌برد. او که در هیئت مدیره‌ Code.org، عرضه‌کننده‌ محصول “Mix & Move with AI” هم فعالیت دارد، هرگونه تخلف را رد کرده است. یکی از اهداف گروه «مدارس فراتر از صفحات نمایش»، نظارت دقیق‌تر بر قراردادهای پرسودی است که مناطق شهری با شرکت‌های فناوری منعقد می‌کنند. کیت برودی (Kate Brody)، مادر یک دانش‌آموز کلاس اول در منطقه لس‌آنجلس به من گفت:  پولی که صرف پلتفرم‌های فناوری و جایگزینی کروم‌بوک‌ها می‌شود، می‌توانست صرف معلمان شود. این گروه همچنین خواستار ایجاد دستورالعمل‌های شفاف‌تر برای رضایت‌سنجی در مورد استفاده از پلتفرم‌های دیجیتال و تصویب «منشور حقوق دانش‌آموزان در استفاده در فناوری» است. این منشور شامل حق «خواندن کامل کتاب‌ها»، «مطالعه و نوشتن منظم روی کاغذ» و «محیط یادگیری با محرک کم» می‌شود. برودی می‌گوید: «هنوز احساس می‌کنیم جایی برای گفتن اینکه ما به عنوان یک خانواده، این را قبول نداریم و درست نمی‌دانیم، وجود ندارد. نگرانی اصلی من در مورد استفاده فرزندانم از هوش مصنوعی، تأثیر شناختی آن است؛ اما برای سایر والدین، این موضوع جنبه اخلاقی، ارزشی یا حتی زیست‌محیطی هم دارد. این فناوری‌ها خیلی سریع و بدون کسب رضایت معرفی شدند و حالا ما در تلاش هستیم آن‌ها را از بین ببریم.» آنچه برودی و دیگران سعی در برچیدن آن دارند، درحال‌حاضر بخشی از یک ساختار عظیم شرکتی و فناورانه ترسناک است. با این حال، هیچ چیز جاودانه، قطعی یا برگشت‌ناپذیر در سیستم آموزش مبتنی بر هوش مصنوعی وجود ندارد. جمینای جدید است؛ اما همین که بچه‌ها تمام روز را روی یک کامپیوتر نامناسب خم می‌شوند، خودش یک پدیده‌ نسبتاً جدیدتر و به ظاهر موقتی است. استفاده از کروم‌بوک‌ها در کلاس‌های درس اجباری نیست؛ ما می‌توانیم آن‌ها را به‌عنوان یک علف هرز سرسخت اما کاملاً قابل‌حذف از دوران همه‌گیری کرونا در نظر بگیریم، درست مثل باب شدن منوهای QR کد در رستوران‌ها. هیچ کجا نوشته نشده است که یک مجتمع چندملیتی با ارزش بازار تقریبی چهار تریلیون دلاری می‌تواند بر مدارس دولتی ما فرمانروایی کند، به مدیران این مدارس بورسیه و کمک مالی بدهد یا از کودکانی که در آن‌ها تحصیل می‌کنند، درآمد کسب کند. در واقع، یکی دیگر از بندهای منشور حقوق دانش‌آموزان در استفاده از فناوری، حق داشتن محیط یادگیری عاری از نفوذ نامناسب شرکت‌ها است. جمع‌بندی  هوش مصنوعی در آموزش نه یک معجزه بی‌خطر است و نه هیولایی که باید به‌کلی طرد شود. همان‌قدر که می‌تواند فرصتی برای بهره‌وری بیشتر، شخصی‌سازی یادگیری و دسترسی عادلانه‌تر به منابع آموزشی باشد، به همان اندازه می‌تواند در قالب یک تهدید پنهان بر حریم خصوصی، سلامت روان، خلاقیت و حتی شکل‌گیری هویت کودکان سایه بیندازد. این فناوری به احتمال بسیار زیاد، نه‌تنها از کلاس‌های درس ما بیرون نخواهد رفت، بلکه به‌عنوان همان «همسایه عجیب و غریب» همیشه در کنار آموزش رسمی و غیررسمی باقی می‌ماند. پس مسأله اصلی، «بودن یا نبودن» هوش مصنوعی نیست، بلکه چگونگی بودن آن در کنار سیستم آموزشی و دانش‌آموزان است. وظیفه ما به‌عنوان والدین، معلمان، سیاست‌گذاران و پژوهشگران این است که به نسل آینده بیاموزیم چگونه از این ابزار قدرتمند برای رشد، یادگیری و ارتقای توانمندی‌های خود استفاده کنند، بدون آنکه خلاقیت، استقلال فکری و ارزش‌های انسانی‌شان آسیب ببیند. تنها در این صورت است که می‌توانیم میان ظرفیت‌های چشمگیر هوش مصنوعی در آموزش و کرامت انسانی، تعادلی پایدار برقرار کنیم.

بیت کوین در روزهای اخیر چند بار تلاش کرده سطح ۶۰٬۰۰۰ دلار را پس بگیرد، اما هنوز نتوانسته این محدوده را به حمایتی قابل اتکا تبدیل کند. قیمت BTC در ۲ جولای ۲۰۲۶ دوباره به بالای ۶۰٬۰۰۰ دلار برگشت، اما کف و سقف روزانه آن نشان می‌دهد بازار همچنان در محدوده فشرده ۵۸٬۰۰۰ تا ۶۱٬۰۰۰ دلار درگیر است. به گزارش میهن بلاکچین، سه عامل اصلی باعث شده‌اند سطح ۶۰٬۰۰۰ دلار برای بیت کوین سنگین‌تر از مقاومتی معمولی باشد: خروج سرمایه از ETFهای اسپات بیت کوین در آمریکا، سررسید بزرگ آپشن‌ها در صرافی دریبیت و فشار فضای کلان اقتصادی آمریکا. تا زمانی که این سه عامل تغییر نکنند، عبور لحظه‌ای از ۶۰٬۰۰۰ دلار به‌تنهایی برای تایید بازگشت روند کافی نیست. خروج سرمایه از ETFها فشار خرید بیت کوین را کم کرده است مهم‌ترین فشار اخیر از سمت ETFهای اسپات بیت کوین آمریکا آمده است. طبق داده‌های SoSoValue، این صندوق‌ها در ماه ژوئن حدود ۴.۵ میلیارد دلار خروجی خالص ثبت کردند؛ بدترین عملکرد ماهانه آن‌ها از زمان راه‌اندازی در ژانویه ۲۰۲۴. رکورد قبلی خروج سرمایه، حدود ۳.۴۸ میلیارد دلار در فوریه ۲۰۲۵ بود. این عدد برای بازار بیت کوین مهم است، چرا که ETFهای اسپات از زمان آغاز فعالیت، یکی از مسیرهای اصلی ورود سرمایه نهادی به BTC بوده‌اند. وقتی ورودی این صندوق‌ها مثبت است، بازار می‌تواند روی تقاضای نسبتا پایدار از سمت سرمایه‌گذاران بزرگ حساب کند. وقتی جریان معکوس می‌شود، همان کانالی که قبلا نقش خریدار داشت، به منبع فشار فروش یا کاهش تقاضا تبدیل می‌شود. البته خروج ۴.۵ میلیارد دلاری از ETFها لزوما به این معنا نیست که همین مقدار بیت کوین بلافاصله در بازار اسپات فروخته شده است. سازوکار ETFها پیچیده‌تر از این حرف‌هاست، بخشی از جریان‌ها می‌تواند به بازتعادل پرتفوی، آربیتراژ یا جابه‌جایی بین صندوق‌ها مربوط باشد. اما جهت کلی داده روشن است: سرمایه نهادی در ژوئن محتاط‌تر شده و همین موضوع کار خریداران را برای تثبیت قیمت بالای ۶۰٬۰۰۰ دلار سخت‌تر کرده است. برای بررسی دقیق‌تر اثر این جریان‌ها، می‌توانید مقاله میهن بلاکچین درباره جریان نقدینگی ETF بیت کوین را بخوانید؛ مخصوصا از این جهت که خروج سرمایه از ETFها همیشه اثر فوری روی نمودار ندارد، اما وقتی چند روز یا چند هفته ادامه پیدا کند، معمولا روی احساسات بازار و نقدینگی اسپات اثر می‌گذارد. سررسید آپشن‌های دریبیت سطح ۶۰٬۰۰۰ دلار را شلوغ‌تر کرد عامل دوم به بازار مشتقات مربوط است. در ۲۶ ژوئن، بیش از ۱۰.۶ میلیارد دلار قرارداد آپشن بیت کوین در دریبیت سررسید شد. طبق داده‌های دریبیت که کوین‌دسک گزارش کرده، فقط حدود ۲۰٪ از این موقعیت‌ها در سود بودند و بخش بزرگی از سود باز آپشن‌ها در قیمت‌های دور از محدوده فعلی قرار داشت. نکته مهم‌تر این بود که قیمت اعمال ۶۰٬۰۰۰ دلاری در سمت پوت، حدود ۴۵۰ میلیون دلار سود باز داشت و به یکی از سطوح حساس بازار تبدیل شده بود. در چنین شرایطی، بازارسازها و معامله‌گران بزرگ برای مدیریت ریسک خود مجبور می‌شوند در بازار اسپات یا فیوچرز موقعیت‌های پوششی باز و بسته کنند. نتیجه این رفتار می‌تواند گیر کردن قیمت نزدیک یک سطح خاص باشد. در ظاهر، بازار فقط اطراف ۶۰٬۰۰۰ دلار نوسان می‌کند؛ اما پشت صحنه، پوزیشن‌های آپشن، هجینگ بازارسازها و فشار اهرم در بازار فیوچرز مدام روی همان محدوده اثر می‌گذارند. این یعنی ۶۰٬۰۰۰ دلار فقط یک عدد رُند و روانی نیست. این سطح در چند بازار هم‌زمان اهمیت پیدا کرده است: در بازار اسپات، در جریان ETFها، در آپشن‌های دریبیت و در نقشه لیکوییدیشن معاملات اهرمی. همین شلوغی باعث می‌شود هر حرکت کوچک بالاتر یا پایین‌تر از این سطح، سریع بزرگ شود. برای آشنایی بیشتر با ساختار این بازار، مقاله میهن بلاکچین درباره آپشن‌های بیت کوین در دریبیت می‌تواند تصویر روشن‌تری از نقش سررسیدها، قیمت اعمال و سود باز در نوسان BTC بدهد. فدرال رزرو هنوز به نفع دارایی‌های پرریسک عقب ننشسته است فشار سوم از اقتصاد کلان آمریکا می‌آید. فدرال رزرو در نشست ۱۷ ژوئن ۲۰۲۶ نرخ بهره هدف را در محدوده ۳.۵۰٪ تا ۳.۷۵٪ نگه داشت. در بیانیه این نهاد آمده است که فعالیت اقتصادی با وجود نااطمینانی‌ها همچنان با سرعت قابل قبول در حال رشد است، رشد اشتغال ادامه دارد، نرخ بیکاری تغییر زیادی نکرده و تورم هنوز بالاتر از هدف ۲٪ فدرال رزرو قرار دارد. برای بازار بیت کوین، این ترکیب چندان دلگرم‌کننده نیست. وقتی تورم هنوز بالاست و بازار کار آمریکا ضعیف نشده، معامله‌گران کمتر روی کاهش سریع نرخ بهره حساب می‌کنند. کاهش احتمال کاهش نرخ بهره معمولا از دلار و بازده اوراق خزانه حمایت می‌کند. این وضعیت برای دارایی‌های پرنوسان، از جمله بیت کوین، فشار ایجاد می‌کند. بیت کوین در روایت‌های بلندمدت گاهی «طلای دیجیتال» نامیده می‌شود، اما در دوره‌هایی که دلار قوی می‌شود و انتظارات نقدینگی کاهش پیدا می‌کند، رفتار معاملاتی آن بیشتر شبیه دارایی‌های پرریسک است. به همین دلیل، حتی اگر بخشی از ریسک‌های ژئوپلیتیک آرام‌تر شود، سرمایه لزوما سریع به بازار کریپتو برنمی‌گردد. از طرف دیگر، بخشی از سرمایه ریسک‌پذیر همچنان جذب سهام مرتبط با هوش مصنوعی، نیمه‌هادی‌ها و شرکت‌هایی می‌شود که در بازار سهام روایت درآمدی قوی‌تری دارند. این چرخش سرمایه باعث شده بیت کوین برای جلب تقاضای تازه، فقط به خبر خوب نیاز نداشته باشد؛ بازار باید هم از سمت ETFها نشانه بهتری ببیند، هم از سمت نرخ بهره و دلار فشار کمتری حس کند. محدوده‌های مهم فعلی: ۶۲٬۰۰۰ دلار در بالا، ۵۸٬۰۰۰ دلار در پایین از نظر ساختار کوتاه‌مدت، بیت کوین فعلا بیشتر در یک محدوده فشرده معامله می‌شود تا در یک روند یک‌طرفه. داده‌های کوین‌گلس که Crypto.news گزارش کرده، نشان می‌دهد خوشه‌های نقدینگی بالای قیمت در محدوده ۶۱٬۰۰۰ تا ۶۱٬۸۰۰ دلار قرار دارد و در سمت پایین نیز محدوده ۵۷٬۵۰۰ تا ۵۸٬۰۰۰ دلار یکی از نواحی مهم لیکوییدیشن است. به زبان ساده، اگر قیمت به سمت ۶۲٬۰۰۰ دلار حرکت کند، بخشی از پوزیشن‌های فروش اهرمی ممکن است تحت فشار قرار بگیرند. اما همین محدوده می‌تواند با عرضه تازه هم روبه‌رو شود. در سمت پایین، از دست رفتن محدوده ۵۸٬۰۰۰ دلار می‌تواند فشار پوزیشن‌های لانگ را بیشتر کند و موجی از لیکوییدیشن ایجاد کند. لیکوییدیشن در بازارهای اهرمی یعنی صرافی به‌دلیل کافی نبودن وثیقه، پوزیشن معامله‌گر را به‌صورت اجباری می‌بندد. این اتفاق می‌تواند حرکت قیمت را تشدید کند، چون بسته شدن پوزیشن‌های لانگ در ریزش‌ها فشار فروش را بیشتر می‌کند و بسته شدن پوزیشن‌های شورت در رشدها فشار خرید ایجاد می‌کند. برای توضیح پایه‌ای‌تر این موضوع، راهنمای میهن بلاکچین درباره لیکویید شدن در بازار کریپتو نقطه شروع خوبی است. به همین دلیل، معامله‌گران کوتاه‌مدت فعلا دو عدد را زیر نظر دارند: ۶۲٬۰۰۰ دلار برای تایید قدرت خریداران و ۵۸٬۰۰۰ دلار برای سنجش خطر شکست حمایت. اگر بیت کوین بتواند بالای ۶۲٬۰۰۰ دلار تثبیت شود، بازار راحت‌تر می‌تواند سناریوی بازگشت را جدی بگیرد. اما اگر ۵۸٬۰۰۰ دلار از دست برود، نگاه‌ها دوباره به محدوده ۵۵٬۰۰۰ تا ۵۶٬۰۰۰ دلار برمی‌گردد. چرا ۶۰٬۰۰۰ دلار هنوز حمایت نشده است؟ مشکل فعلی بیت کوین کمبود یک خبر مثبت نیست. بازار با چند فشار هم‌زمان روبه‌روست. ETFهای اسپات بیت کوین در آمریکا خروج سرمایه سنگینی داشته‌اند. سررسید بزرگ آپشن‌ها سطح ۶۰٬۰۰۰ دلار را به یک ناحیه شلوغ معاملاتی تبدیل کرده است. فدرال رزرو هنوز سیگنال روشنی برای کاهش سریع نرخ بهره نداده و بازار مشتقات هم پر از موقعیت‌های اهرمی نزدیک قیمت فعلی است. تا زمانی که خروج سرمایه از ETFها کند نشود، فشار دلار و نرخ بهره کمتر نشود و BTC بالای ۶۲٬۰۰۰ دلار تثبیت نشود، سطح ۶۰٬۰۰۰ دلار بیشتر شبیه مقاومت است تا حمایت. در سمت مقابل، شکست معتبر محدوده ۵۸٬۰۰۰ دلار می‌تواند بحث بازار را خیلی سریع از «بازگشت قیمت» به «موج بعدی لیکوییدیشن» تغییر دهد. فعلا بیت کوین وسط همین دو سناریو گیر کرده است. نه خریداران آن‌قدر قدرت دارند که قیمت را از ۶۰٬۰۰۰ دلار جدا کنند، نه فروشندگان هنوز شکست سنگینی را قطعی کرده‌اند. چنین بازاری معمولا با یک داده تازه تکان می‌خورد: جریان ETFها، حرکت دلار، بازده اوراق خزانه یا تغییر در پوزیشن‌های مشتقه. تا آن زمان، ۶۰٬۰۰۰ دلار برای بیت کوین هنوز یک سطح پس‌گرفته‌شده نیست؛ یک میدان درگیری است.

شرکت OpenAI هم‌زمان با افزایش نظارت‌های واشنگتن بر حوزه هوش مصنوعی، ظاهراً در حال گفتگو برای اعطای ۵ درصد از سهام خود به دولت ایالات متحده است. بر اساس گزارشی که روز پنجشنبه از سوی فایننشال تایمز (Financial Times) و به نقل از افراد مطلع منتشر شد، این شرکت ایده مذکور را در گفتگوهای اولیه با دولت ترامپ مطرح کرده است؛ چرا که این شرکت به دنبال آن است تا پیش از عرضه عمومی احتمالی سهام خود در بورس، از یک فضای سیاسی سخت‌تر به سلامت عبور کند. سم آلتمن (Sam Altman)، مدیرعامل OpenAI، استدلال کرده است که اختصاص یک سهم مالی به عموم مردم، بهترین راه برای به اشتراک گذاشتن مزایای اقتصادی صنعت پررونق هوش مصنوعی است. این گزارش چند هفته پس از آن منتشر می‌شود که OpenAI اعلام کرد فرم S-1 خود را به‌صورت محرمانه برای عرضه اولیه عمومی سهام (IPO) در ایالات متحده ثبت کرده است و بدین ترتیب، همراه با شرکت آنتروپیک (Anthropic) برای ورود به وال استریت در سال جاری آماده می‌شود. این اتفاق همچنین همزمان با آن رخ می‌دهد که دولت آمریکا نقش فعال‌تری در نظارت بر مدل‌های پیشرفته هوش مصنوعی بر عهده گرفته است. گسترش این پیشنهاد به سایر شرکت‌های هوش مصنوعی این پیشنهاد می‌تواند باعث شود که چندین شرکت پیشرو هوش مصنوعی در ایالات متحده، سهمی ۵ درصدی از سهام خود را به یک صندوق سرمایه‌گذاری عمومی اختصاص دهند. با این حال، هنوز مشخص نیست که آیا شرکت‌هایی مانند آنتروپیک، گوگل (Google) و متا (Meta) نیز از این ایده حمایت خواهند کرد یا خیر. فایننشال تایمز گزارش داد که آلتمن این پیشنهاد را بر اساس مدل صندوق دائمی آلاسکا (Alaska's Permanent Fund) طراحی کرده است که درآمدهای نفتی این ایالت را در سهام سرمایه‌گذاری کرده و سود آن را به ساکنان پرداخت می‌کند. با رویکردی مشابه، آمریکایی‌ها می‌توانند در دستاوردهای اقتصادی حاصل از هوش مصنوعی سهیم شوند. بر اساس این گزارش، آلتمن با رئیس‌جمهور دونالد ترامپ، هاوارد لوتنيک (Howard Lutnick)، وزیر بازرگانی و اسکات بسنت (Scott Bessent)، وزیر خزانه‌داری آمریکا در حال گفتگو بوده است. گفته می‌شود که او همچنین با سناتور برنی سندرز (Bernie Sanders) نیز صحبت کرده است که در ماه ژوئن پیشنهاد داده بود یک مالیات ۵۰ درصدی یک‌باره از سهام بزرگ‌ترین شرکت‌های هوش مصنوعی دریافت شود تا یک صندوق ثروت ملیِ تقریباً ۷ تریلیون دلاری برای شهروندان آمریکایی ایجاد شود. افزایش نظارت واشنگتن بر هوش مصنوعی پس از مداخله در عرضه سیستم‌های جدیدِ متعلق به شرکت‌های OpenAI و Anthropic، کاخ سفید اکنون در حال آماده‌سازی استانداردهای داوطلبانه‌ای برای مدل‌های پیشگام (Frontier) هوش مصنوعی است. انتظار می‌رود این دستورالعمل‌ها از اوایل هفته آینده اعلام شوند و قرار است معیارهای امنیتی را تعیین کنند، زمان‌بندی‌های مربوط به بازبینی را مشخص سازند و روشن کنند که چه کسانی در ایالات متحده و خارج از آن می‌توانند به پیشرفته‌ترین مدل‌های هوش مصنوعی دسترسی داشته باشند. بنا بر گزارش‌ها، دولت ترامپ پیش از این درخواست کرده بود که عرضه مدل GPT-5.6 از شرکت OpenAI به‌صورت مرحله‌بندی شده انجام شود و همچنین به دلیل نگرانی‌های مربوط به امنیت سایبری، موقتاً کنترل‌های صادراتی را بر روی جدیدترین مدل‌های شرکت آنتروپیک اعمال کرده بود (پیش از آنکه این محدودیت‌ها را لغو کند).

حجم معاملات ترکیبی کالشی (Kalshi) و پالی‌مارکت (Polymarket) در ماه گذشته افزایش چشمگیری یافت، چراکه جام جهانی فوتبال ۲۰۲۶ همچنان پیش‌بینی‌کنندگان را به سمت بازارهای پیش‌بینی هدایت می‌کند. به گزارش میهن بلاکچین و بر اساس داشبورد داده‌های دبلاک (The Block)، کالشی، پالی‌مارکت و پلی‌مارکت آمریکا در ماه ژوئن مجموعاً ۴۴.۸ میلیارد دلار حجم معاملات ماهانه ثبت کردند که نشان‌دهنده افزایش ۷۵ درصدی نسبت به حجم ۲۵.۶۶ میلیارد دلاری در ماه می است. در میان این سه، کالشی بیشترین افزایش حجم ماه به ماه را شاهد بود و با رشد ۸۷.۴ درصدی، از ۱۶.۸۱ میلیارد دلار به ۳۱.۵ میلیارد دلار رسید. پلتفرم اصلی و غیرآمریکایی پالی‌مارکت در ماه گذشته ۱۰.۲۶ میلیارد دلار حجم معاملات جذب کرد که ۴۵ درصد بیشتر از حجم ۷.۰۸ میلیارد دلاری ماه قبل از آن است. پالی‌مارکت از ماه مارس تا می شاهد کاهش مداوم حجم ماهانه خود بود، در حالی که پلتفرم تحت نظارت آمریکاِ آن، روند صعودی خود را حفظ کرد. پالی‌مارکت آمریکا در ماه گذشته ۳.۰۴ میلیارد دلار حجم ماهانه گزارش داد که نسبت به ۱.۷۷ میلیارد دلار در ماه می افزایش داشته است. منبع: دبلاک تب جام جهانی این افزایش شدید حجم معاملات را می‌توان به جام جهانی فوتبال نسبت داد که از ۱۱ ژوئن آغاز شد. بازار پیش‌بینی برنده جام جهانیِ کالشی، بیش از ۸۳۲ میلیون دلار سرمایه جذب کرده است که در آن حدود ۳۵ درصد از افراد، فرانسه را به عنوان برنده انتخاب کرده‌اند. بازارهای پیش‌بینی جام جهانی در پالی‌مارکت نیز توجه زیادی را به خود جلب کرده‌اند، به طوری که قراردادهای رویداد مربوط به هر بازی بین ۵۰۰ هزار تا ۲ میلیون دلار حجم معاملاتی جذب می‌کنند. جام جهانی امسال قرار است در ۱۹ جولای به پایان برسد. در همین حال، این پلتفرم‌هایِ بازار پیش‌بینی در ایالات متحده بر سر قراردادهای مرتبط با ورزش با بررسی‌های قانونی مواجه هستند. بیش از دوازده مقام در سطح ایالتی اقدامات قانونی را علیه کالشی و پالی‌مارکت آغاز کرده و آن‌ها را به ارائه خدمات پیش‌بینی ورزشی بدون مجوز یا فعالیت‌های بخت‌آزمایی به ساکنان متهم کرده‌اند. این پلتفرم‌ها در کنار «کمیسیون معاملات آتی کالای آمریکا» استدلال می‌کنند که مقررات فدرال به آن‌ها اجازه می‌دهد تا بازارهای مرتبط با ورزش را ارائه دهند و این قوانین، بر اختیارات قضایی ایالتی ارجحیت دارد.

مایکل سیلور (Michael Saylor) در شبکه اجتماعی ایکس (X) تاکید کرد که هدف ۹۹ تا ۱۰۰ دلاری شرکت Strategy برای سهام STRC همچنان پابرجاست. در حال حاضر STRC نزدیک به ۸۷.۴۶ دلار معامله می‌شود که حدود ۱۳ دلار از هدف ارزش اسمی تعیین‌شده توسط Strategy کمتر است. این شرکت برای دفاع از هدف قیمتی خود، سود سهام STRC را از اول جولای به ۱۲ درصد افزایش داده است. به گزارش میهن بلاکچین، مایکل سیلور در ایکس مجدداً تأکید کرد که هدف شرکتی Strategy همچنان این است که STRC در محدوده ۹۹ تا ۱۰۰ دلار معامله شود. این صحبت‌ها در شرایطی مطرح می‌شود که این سهام ممتاز (Preferred Stock) در تلاش است تا از پایین‌ترین سطح تاریخی خود که در ۲۶ ژوئن ثبت شده بود، بازگردد. این اظهارنظر در حالی بیان شد که STRC به دنبال اعلام یک چارچوب سرمایه جدید، از رکورد پایین ۷۱.۲۵ دلاری خود فاصله گرفت و تا حدود ۸۷.۴۶ دلار رشد کرد. با این وجود، به دلیل افت قیمت بیت‌کوین (BTC)، فاصله قیمت این سهام تا ارزش اسمی آن همچنان زیاد است. STRC همچنان پایین‌تر از هدف سیلور معامله می‌شود سهام STRC که مخفف عبارت «سهام ممتاز کششی دائمی سری A با نرخ متغیر Strategy» است، یک سهام عادی محسوب نمی‌شود. این دارایی یک اوراق بهادار ممتاز است که طوری طراحی شده تا نزدیک به ارزش اسمی ۱۰۰ دلاری معامله شود. برخلاف سهام‌های عادی، شرکت Strategy برای ثابت نگه داشتن قیمت این سهم، نرخ سود تقسیمی (Dividend Rate) آن را به صورت ماهانه تنظیم می‌کند. بیت‌کوین در همان هفته‌ای که STRC پایین‌ترین سطح قیمتی خود را ثبت کرد، به زیر ۶۰ هزار دلار سقوط کرده بود. این موضوع باعث تشدید ریزش این سهام ممتاز شد و سرمایه‌گذاران را بیش از پیش نگران کرد. از آن زمان تاکنون STRC کمی احیا شده، اما همچنان حدود ۱۳ دلار با ارزش اسمی که سیلور از آن به عنوان هدف شرکت یاد می‌کند، فاصله دارد. در روز دوشنبه، ۲۹ ژوئن، Strategy نرخ سود سهام STRC را ۰.۵ درصد افزایش داد و به ۱۲ درصد رساند. این افزایش از ماه جولای اعمال می‌شود و بخشی از تحول بنیادین در مدیریت سرمایه است که Strategy در همان روز دوشنبه خبر آن را اعلام کرده بود. شرکت Strategy این نرخ را با در نظر گرفتن سطح معاملات STRC، قیمت بیت‌کوین و همچنین ذخایر نقدی خود بررسی می‌کند و صرفاً به این دلیل که سهام زیر ارزش اسمی معامله می‌شود، نرخ سود را به طور خودکار افزایش نخواهد داد. سیلور در تاریخ ۱ جولای ۲۰۲۶ در توییتی نوشت: همانطور که Strategy روز دوشنبه اعلام کرد: هدف شرکتی ما این است که STRC در طول زمان در محدوده ۹۹ تا ۱۰۰ دلار معامله شود. این توییت در واقع تکرار همان ادبیات بیانیه مطبوعاتی روز دوشنبه است و جزئیات جدیدی به همراه ندارد. زمان‌بندی این اظهارنظر در حین رشد مجدد STRC نشان می‌دهد که Strategy می‌خواهد بازار، این بازیابی قیمتی را به عنوان تاییدی بر موفقیت برنامه‌هایش در نظر بگیرد. این پافشاری مجدد پس از هفته‌ها انتقاد از سوی برد گارلینگهاوس (Brad Garlinghouse)، مدیرعامل ریپل (XRP) صورت می‌گیرد. او سقوط STRC را نشانه‌ای ناامیدکننده از ضعف مدل تامین مالی Strategy دانسته بود. علاوه بر این، موسسه حقوقی روزن (Rosen Law Firm) نیز تحقیقاتی را در خصوص تخلفات احتمالی اوراق بهادار و نحوه افشای اطلاعات این شرکت آغاز کرده است. اینکه آیا STRC در نهایت می‌تواند به ارزش اسمی ۱۰۰ دلاری خود بازگردد یا خیر، تا حد زیادی به روند حرکتی بیت‌کوین بستگی دارد. بیت‌کوین همچنان اصلی‌ترین محرک ساختار سرمایه و پوشش سود سهام شرکت Strategy محسوب می‌شود.

شرکت صنایع فوروارد (Forward Industries) که بزرگترین هولدر شرکتی ارز دیجیتال سولانا (SOL) محسوب می‌شود، روز چهارشنبه شاهد رشد دو رقمی قیمت سهام خود بود. به گزارش میهن بلاکچین، این افزایش قیمت پس از آن رخ داد که شرکت فاش کرد در سه‌ماهه سوم مالی سال ۲۰۲۶، بیش از ۵۰۰ هزار سولانا (SOL) خریداری کرده است. موجودی خزانه‌داری سولانای فوروارد از مرز ۷.۵ میلیون عبور کرد سهام فوروارد (با نماد FWDI) در تاریخ ۱ جولای با رشد ۱۱.۳۷ درصدی، در قیمت ۴.۷۰ دلار بسته شد. این رشد در واقع ادامه روندی بود که از اواخر ماه ژوئن و همزمان با شروع بازیابی قیمت سولانا آغاز شده بود. این بهبود توانست التیام‌بخش سهامی باشد که تحت فشار رکود گسترده‌تر بازارهای مالی در سال ۲۰۲۶ قرار گرفته بود. طبق اطلاعیه منتشر شده، این شرکت توکن‌ها را با میانگین قیمت حدود ۷۹ دلار به ازای هر واحد خریداری کرده است. بدین ترتیب، تا تاریخ ۳۰ ژوئن ۲۰۲۶، شرکت فوروارد مجموعاً ۷.۵۵ میلیون سولانا در اختیار داشته است. میزان دارایی سولانا به ازای هر سهم کاملاً رقیق‌شده (Fully diluted share) از ۰.۰۶۶۹ در سه‌ماهه پیشین، به ۰.۰۷۲۹ افزایش یافت که نشان‌دهنده یک نرخ رشد سالانه ۳۶ درصدی است. علاوه بر این، تعداد سهام در دست انتشار (Shares outstanding) از ۷۶.۳۱ میلیون سهم به ۷۳.۸۵ میلیون کاهش یافته است. در همین حال، این شرکت در طول این سه‌ماهه توانست ۹۳,۶۴۲ سهم را از طریق برنامه عرضه به قیمت بازار (at-the-market) خود به فروش برساند. شرکت فوروارد همچنین به قرارگیری اخیر خود در فهرست شاخص‌های راسل ۲۰۰۰ (Russell 2000) و راسل ۳۰۰۰ (Russell 3000) اشاره کرد. رایان ناوی (Ryan Navi)، مدیر ارشد سرمایه‌گذاری (CIO) این شرکت اظهار داشت: با بازخرید سهام در زمان‌هایی که سهام فوروارد پایین‌تر از ارزش خالص دارایی (تخفیف نسبت به NAV) معامله می‌شود و همچنین انتشار سهام در زمان‌هایی که قیمت سهام ما با پرمیوم معامله می‌شود، ما به شکلی پویا سرمایه را به روشی تخصیص می‌دهیم که دارایی سولانا به ازای هر سهم را افزایش داده و ارزش ذاتی شرکت را در بلندمدت بالا ببرد. زیان‌ها همچنان بر دوش بزرگترین دارنده SOL سنگینی می‌کنند این موجِ خریدهای گسترده پس از یک دوره دردناک اتفاق افتاده است. شرکت فوروارد برای سه‌ماهه منتهی به ۳۱ مارس ۲۰۲۶، یک زیان خالص ۲۸۳.۱ میلیون دلاری را ثبت کرد که دلیل اصلی آن کاهشِ ارزش منصفانه (Markdowns) دارایی‌های سولانای این شرکت بود. با این حال، درآمد شرکت از محل پاداش‌های استیکینگ (Staking) نسبت به سال گذشته چهار برابر شده است. از آن زمان به بعد، شرایط بازار وضعیت مطلوب‌تری به خود گرفته است. سولانا در هفته گذشته با تکیه بر فعالیت‌های قدرتمند شبکه خود بیش از ۱۵ درصد رشد کرده و عملکرد بهتری نسبت به سایر ارزهای دیجیتال بزرگ بازار از خود نشان داده است. ماه‌های آینده مشخص خواهد کرد که آیا روند احیای سولانا می‌تواند پایدار بماند یا خیر؛ نوسانی که به طور مستقیم و بی‌واسطه بر ترازنامه شرکت فوروارد تأثیر می‌گذارد.

شاخص کاسپی در روز پنج‌شنبه ۶.۳۴۹ درصد سقوط کرد که منجر به فعال شدن مکانیزم توقف معاملاتی موقت (Sell-side Sidecar) در زمان باز شدن بازار شد. پس از فروش گسترده و ریزش سهام فناوری در آمریکا طی شب گذشته، سهام شرکت‌های نیمه‌هادی بیشترین ضرر را ثبت کردند. بورس کره (Korea Exchange) تا اینجای سال ۲۰۲۶ ده‌ها بار معاملات را متوقف کرده است. به گزارش میهن بلاکچین، شاخص کاسپی (KOSPI) در تاریخ ۲ جولای به زیر سطح ۸,۰۰۰ واحد سقوط کرد. این افت باعث شد بورس کره (KRX) تنها چند دقیقه پس از به صدا درآمدن زنگ شروع بازار، مکانیزم «سایدکار» در سمت فروش را فعال کند. بورس کره معاملات برنامه‌ریزی‌شده سهام‌های لیست شده در کاسپی را به مدت پنج دقیقه متوقف کرد. فروش سنگین در سهام شرکت‌های نیمه‌هادی عامل اصلی این اتفاق بود. این شاخصِ معیار، با افت ۴.۴۶ درصدی باز شد و پس از آن نیز به روند نزولی خود ادامه داد. یک توقف دیگر در سالی رکوردشکن این شاخص تا ساعت ۹:۵۱ صبح به وقت محلی با ۵۳۴.۲۵ واحد افت (معادل ۶.۴۳ درصد) به سطح ۷,۷۶۹.۱۶ رسید. مکانیزم سایدکار در سمت فروش به‌طور خودکار زمانی فعال می‌شود که قراردادهای آتی KOSPI 200 به مدت حداقل یک دقیقه، ۵ درصد یا بیشتر افت کنند. شاخص کاسپی اخیراً نوسانات زیادی را تجربه کرده است؛ از یک سو رکوردهای تاریخی بالایی ثبت کرده و از سوی دیگر با افت‌های شدیدی مواجه شده است. توقف روز پنج‌شنبه به‌هیچ‌وجه یک اتفاق نادر نیست. صرافی بورس کره در طول سال ۲۰۲۶ بارها مکانیزم‌های سایدکار و قطع‌کننده مدار (Circuit breaker) را فعال کرده است. نوسانات امسال تاکنون از بحران مالی سال ۲۰۰۸ پیشی گرفته است که کاسپی رکورد سالانه قبلی خود را با ۲۶ بار توقف معاملاتی به ثبت رسانده بود. تا اواخر ماه ژوئن، بورس کره نزدیک به ۳۰ بار فعال‌سازی سایدکار و پنج بار قطع‌کننده مدار را تنها در سال جاری ثبت کرده بود. هر دو رقم در حال حاضر از آمارهای سال ۲۰۰۸ عبور کرده‌اند. تولیدکنندگان تراشه بیشترین ضربه را متحمل شدند شرکت‌های سامسونگ الکترونیکس (Samsung Electronics) و اس‌کی هاینیکس (SK Hynix) روی هم رفته تقریباً نیمی از ارزش بازار کاسپی را تشکیل می‌دهند. این دو غول تولیدکننده تراشه بارها عامل اصلی این نوسانات بوده‌اند. سهام آن‌ها روز پنج‌شنبه نیز به روند نزولی خود ادامه داد که دنباله‌روی موج فروش جهانی سهام شرکت‌های تراشه‌ساز بود؛ موجی که از شب گذشته در وال استریت آغاز شد. شاخص نزدک کامپوزیت (Nasdaq Composite) روز چهارشنبه ۰.۶۶ درصد کاهش یافت. صندوق ETF نیمه‌هادی VanEck نیز ۵.۴ درصد افت کرد. سهام شرکت‌های مایکرون تکنولوژی (Micron Technology) و سن‌دیسک (Sandisk) هر کدام بیش از ۱۰ درصد سقوط کردند. این ریزشِ شدید به دنبالِ هفته‌ها تغییرات تند و سریع در روند صعودی کاسپی (که موتور محرک آن سهام تراشه‌ها بود) رخ داد؛ همین روند در اوایل امسال شاخص را به رکوردهای بالایی رسانده بود. سهام شرکت‌های نیمه‌هادی همچنان بر این شاخص تسلط دارند. معامله‌گران اکنون با یک سوال آشنا روبرو هستند: آیا فشار فروش روز پنج‌شنبه عمیق‌تر خواهد شد، یا مانند سایر نوسانات امسال به سرعت محو می‌شود؟

انتخابات مقدماتی حزب دموکرات و جمهوری‌خواه کلرادو روز سه‌شنبه به پایان رسید و حداقل یک نامزد که از حمایت ۱ میلیون دلاری یک کمیته اقدام سیاسی (PAC) همسو با ارزهای دیجیتال برخوردار بود، به انتخابات سراسری ماه نوامبر راه یافت. به گزارش میهن بلاکچین، مانی روتینل (Manny Rutinel)، نامزد دموکرات برای نمایندگی منطقه هشتم کنگره کلرادو، در انتخابات مقدماتی حزب خود پیروز شد و پس از دریافت حمایت از یک کمیته اقدام سیاسی طرفدار رمزارز (PAC)، راهی انتخابات ماه نوامبر خواهد شد. اوایل روز چهارشنبه، روتینل اعلام کرد که با کسب ۶۱.۷ درصد آرا در برابر ۳۳.۶ درصد آرای رقیبش شانون برد (Shannon Bird)، نامزد دموکرات‌ها برای منطقه هشتم کلرادو خواهد بود. پیش از انتخابات مقدماتی، سوپرپکِ (Super PAC) شما می‌توانید مقابله کنید (You Can Push Back)، با پشتوانه ۳.۵ میلیون دلاری از سوی کریس لارسن (Chris Larsen)، هم‌بنیان‌گذار ریپل لبز (Ripple Labs)، طبق گزارش‌ها ۱ میلیون دلار در رسانه‌ها برای حمایت از کارزار روتینل هزینه کرده است. این دموکراتِ اهل کلرادو، بر اساس پاسخ‌هایش به سوالاتی درباره استیبل‌کوین‌ها، ساختار بازار و شفافیت نظارتی، از سوی سازمان همراه با کریپتو بایستید (Stand With Crypto) که وابسته به صرافی کوین‌بیس (Coinbase) است، رتبه «حمایت قوی از کریپتو» را دریافت کرده است. کوین‌بیس همچنین یکی از مشارکت‌کنندگان اصلی در کمیته اقدام سیاسی Fairshake است که از نامزدهای دموکرات و جمهوری‌خواه کنگره که آن‌ها را «طرفدار کریپتو» می‌داند، حمایت می‌کند. روز سه‌شنبه، گروه حمایت از مصرف‌کننده شهروند عمومی (Public Citizen) گزارش داد که صنعت ارزهای دیجیتال تاکنون حدود ۱۸۹ میلیون دلار برای تاثیرگذاری بر انتخابات سال ۲۰۲۶ آمریکا، عمدتاً از طریق کمیته‌های اقدام سیاسی، کمک مالی کرده است. برخی کارشناسان معتقدند این صنعت در حال تکرار استراتژی سال ۲۰۲۴ خود است و انتظار می‌رود گروه‌های همسو با رمزارزها همچنان برای انتخاب سیاستمدارانی که آن‌ها را «طرفدار کریپتو» می‌دانند، به هزینه‌های خود ادامه دهند. نظرسنجی‌ها نشان می‌دهد آمریکایی‌ها معتقدند کریپتو نفوذ بیش از حدی در واشنگتن دی‌سی دارد نظرسنجی جدیدی که با سفارش گروه آمریکایی‌ها برای اصلاحات مالی» (Americans for Financial Reform) انجام و روز چهارشنبه منتشر شد، نشان می‌دهد که اکثریت مردم آمریکا نگران نفوذ صنعت رمزارزها بر قانون‌گذاران آمریکایی هستند. این نتایج پس از افشای اسناد مالی منتشر شد که نشان می‌داد دونالد ترامپ، رئیس‌جمهور آمریکا، بیش از ۱.۴ میلیارد دلار از سرمایه‌گذاری‌های رمزارزی خود سود برده است. مارک هیز (Mark Hays)، معاون مدیر بخش کریپتو و فین‌تک در گروه نام‌برده، گفت: رای‌دهندگان شاهد فسادهای جدی در حوزه کریپتو بوده‌اند و دیده‌اند که مقامات عالی‌رتبه دولتی سودهای کلانی به جیب می‌زنند، در حالی که مردم عادی با کلاهبرداری‌ها و ضررهای ناشی از رمزارزها دست‌وپنجه نرم می‌کنند. رای‌دهندگان می‌خواهند ارزهای دیجیتال نیز طبق قوانینی مشابه سایر شرکت‌های مالی عمل کنند و امتیازات ویژه‌ای برای خود قائل نشوند. آنا کلی (Anna Kelly)، معاون مطبوعاتی کاخ سفید، روز سه‌شنبه اعلام کرد که ترامپ و خانواده‌اش «هرگز درگیر تضاد منافع نبوده و نخواهند بود.» از جمله نتایج این نظرسنجی این بود که اکثریت دموکرات‌ها، جمهوری‌خواهان و مستقل‌ها نگران تاثیرگذاری کمک‌های مالی فعالان این صنعت بر قوانین مربوط به ارزهای دیجیتال هستند. گروه «آمریکایی‌ها برای اصلاحات مالی» نتیجه گرفت که رای‌دهندگان احتمالاً با این موضوع موافق هستند که صنعت کریپتو به مقررات و نظارت معقولی نیاز دارد.

پلتفرم معاملاتی سهام و ارزهای دیجیتال رابینهود، حدود چهار ماه پس از آغاز آزمایش شبکه خود، راه‌اندازی شبکه اصلی عمومی خود را اعلام کرد. به گزارش میهن بلاکچین روز چهارشنبه، این شرکت اعلام کرد که رابینهود چین (Robinhood Chain)، که یک بلاک‌چین لایه ۲ (L2) ساخته‌شده بر بستر آربیتروم (Arbitrum) است، پس از فعالیت در شبکه آزمایشی از ماه فوریه، اکنون به‌طور رسمی راه‌اندازی شده است. این بلاک‌چین که شرکت آن را «مبتنی بر هوش مصنوعی و برای دارایی‌های دنیای واقعی (RWA) طراحی‌شده» توصیف کرده است، در بحبوحه توسعه خدمات مرتبط با کریپتو و امور مالی غیرمتمرکزِ رابینهود ارائه می‌شود. به گفته رابینهود، این شرکت قصد دارد به‌زودی معاملات ارزهای دیجیتال را در بریتانیا نیز راه‌اندازی کند. این شرکت همچنین اعلام کرد که محصولات سهام توکنیزه‌شده (Tokenized stock) آن اکنون فعال بوده و از طریق اپلیکیشن کیف پول اختصاصی خود برای کاربران در بیش از ۱۲۰ کشور در دسترس است. ولاد تنف (Vlad Tenev)، مدیرعامل این شرکت، در ماه ژانویه سهام توکنیزه‌شده را امری «اجتناب‌ناپذیر» خوانده و استدلال کرده بود که ارائه این محصولات می‌تواند به جلوگیری از توقف‌ها و فریزهای معاملاتی که گاهی در صرافی‌های سنتی رخ می‌دهد، کمک کند. راه‌اندازی شبکه اصلی عمومی تنها چند هفته پس از آن صورت می‌گیرد که تنف اعلام کرد رابینهود به عنوان بخشی از برنامه تجدید ساختار خود، ۱۰ درصد از نیروی کارش را تعدیل می‌کند. انتظار می‌رود این شرکت نتایج سه‌ماهه دوم سال ۲۰۲۶ خود را در ۲۹ جولای اعلام کند؛ هرچند پیشتر در ماه آوریل گزارش داده بود که درآمد حاصل از تراکنش‌های رمزارزی آن نسبت به سال گذشته تقریباً ۵۰ درصد کاهش یافته و از ۲۵۲ میلیون دلار به ۱۳۴ میلیون دلار رسیده است. رابینهود همچنین محصولی به نام رابینهود اِرن (Robinhood Earn) را معرفی کر. رابینهود ارن یک محصول غیرمتمرکز که است که به کاربران اجازه می‌دهد استیبل‌کوین با پشتوانه دلار یعنی USDG را از طریق یک کیف پول خودحضانتی (Self-custody) با بازده درصدی سالانه تخمینی ۷ درصد، وام دهند. ارزش سهام رابینهود پس از این اخبار در روز چهارشنبه حدود ۸ درصد افزایش یافت. شبکه لایه ۲ بِیس (Base) از قطعی‌های پی‌درپی خبر می‌دهد رابینهود در حال ورود به بازار لایه ۲ است که به‌طور فزاینده‌ای رقابتی شده و در حال حاضر تحت سلطه شبکه‌هایی مانند بیس (Base) بلاک‌چین تحت حمایت صرافی کوین بیس قرار دارد. در ماه ژوئن، شبکه بیس در فاصله چند ساعت دو قطعی متوالی را تجربه کرد که تیم مهندسی بعداً گزارش داد این مشکل ناشی از یک باگ در سکوئنسر (Sequencer) بوده است. شبکه اصلی بیس با در اختیار داشتن حدود ۱۱ میلیارد دلار ارزش قفل‌شده (TVL)، در حال حاضر دومین شبکه بزرگ لایه ۲ محسوب می‌شود.