مطالب این بخش از سایر خبرگزاری‌ها جمع‌آوری شده است و صرفا جهت افزایش آگاهی شما قرار گرفته است و لزوما به معنای تایید آن توسط چنج‌کن نیست.

ساتوشی ناکاموتو یک فرد بود یا یک تیم؟ پاسخ هوش مصنوعی به معمای جنجالی بیت کوین

پس از گذشت بیش از هفده سال از راه‌اندازی شبکه بیت کوین، هویت واقعی خالق آن، ساتوشی ناکاموتو (Satoshi Nakamoto)، همچنان یکی از بزرگ‌ترین معماهای دنیای فناوری باقی مانده است.

در یک بررسی جدید، پنج مدل پیشرو هوش مصنوعی شامل چت جی پی تی (ChatGPT)، کلود (Claude)، جمنای (Gemini)، گراک (Grok) و کیمی (Kimi) به تحلیل این موضوع پرداختند که آیا بیت کوین و پروتکل آن نتیجه نبوغ یک فرد تنها بوده یا یک تیم هماهنگ پشت آن قرار داشته است.

نتایج متناقض مدل‌های هوش مصنوعی

تحلیل‌های ارائه شده نشان‌دهنده نبود یک اجماع کلی میان سیستم‌های هوش مصنوعی است. مدل جمنای با اختصاص ۷۰ درصد احتمال، بیشترین اطمینان را به «تک‌نفره بودن» ساتوشی داشت و دلیل آن را ثبات در سبک کدنویسی و زمان‌بندی فعالیت‌های او عنوان کرد. در مقابل، مدل کیمی تنها مدلی بود که با احتمال ۵۰ درصد در برابر ۴۵ درصد، فرضیه «گروهی بودن» را محتمل‌تر دانست. این مدل معتقد است که تسلط هم‌زمان بر رمزنگاری، اقتصاد و برنامه‌نویسی سطح بالا، فراتر از توان یک فرد معمولی است.

عوامل موثر در تحلیل هویت ساتوشی

اکثر این مدل‌ها بر دو ستون اصلی برای تحلیل خود تکیه کردند: سبک نوشتاری یکنواخت در مقالات و تالارهای گفتگو، و الگوی ثابت استخراج اولیه که به «پاتوشی» معروف است. با این حال، مدل‌هایی مانند گراک و چت جی پی تی احتمالات خود را نزدیک به ۵۰-۵۰ نگه داشتند که نشان‌دهنده تردید جدی در این باره است. هوش مصنوعی گراک در تحلیل خود اشاره کرد که نبود هیچ‌گونه نشت اطلاعاتی در طول سال‌ها، احتمال وجود یک تیم بزرگ یا سازمانی را به شدت کاهش می‌دهد. مدل کیمی در تحلیل خود گفت:

من وزن ۴۵ درصد را برای خالق واحد در نظر گرفتم؛ زیرا وایت پیپر و کدها صدای یکپارچه‌ای دارند، اما فعالیت شبانه‌روزی در انجمن‌ها بین سال‌های ۲۰۰۸ تا ۲۰۱۰ و تسلط هم‌زمان بر اقتصاد و رمزنگاری، احتمال وجود یک تیم کوچک (۳۵٪) را تقویت می‌کند.

در نهایت، این آزمایش نشان داد که حتی پیشرفته‌ترین ابزارهای هوش مصنوعی نیز نمی‌توانند به قطعیت برسند. تفاوت ۲۵ درصدی در احتمالات ارائه شده توسط مدل‌های مختلف ثابت می‌کند که معمای ساتوشی ناکاموتو همچنان فراتر از تحلیل‌های داده‌محور فعلی است و وزن‌دهی به شواهد موجود، کاملاً به نوع ساختاردهی عدم قطعیت در هر مدل بستگی دارد.