چگونه انویدیا مدل بنیاد پرداخت‌ها را برای پی‌پال ساخت

در شماره ۵ مجله «Agentic Commerce»، سایمون تیلور (رئیس توسعه بازار در تمپو) و بم عزیزی (مدیرعامل و بنیانگذار مش) از پاهال پاتانگیا (رئیس توسعه کسب و کار جهانی صنعت و پرداخت‌ها در انویدیا) دعوت کردند تا در مورد موضوعاتی مانند مدل‌های متن‌باز در خدمات مالی، گردش‌های کاری عامل‌محور به عنوان مالکیت معنوی در کسب و کار و موارد دیگر بحث کنند.

جدول زمانی:

۰۰:۰۰ مقدمه
۰۵:۰۳ مدل بنیاد پرداخت مبتنی بر معماری ترانسفورماتور
۱۰:۴۴ پذیرش مدل‌های متن‌باز در خدمات مالی
۱۷:۵۳ بده‌بستان‌های هزینه و تأخیر در استنتاج هوش مصنوعی
۲۰:۲۴ اقتصاد توکن و کارایی در سیستم‌های هوش مصنوعی
۲۳:۲۱ گردش‌های کاری عامل‌دار به عنوان مالکیت معنوی در کسب‌وکار
۲۵:۴۵ روندهای ادغام پروتکل در Agentic Commerce
۳۰:۱۷ OpenSHIELD متن‌باز برای امنیت عامل
۳۳:۳۳ مزایای استیبل کوین‌ها در پرداخت‌های خرد عامل به عامل
۳۵:۳۶ در مقایسه با پرداخت‌ها، جستجو در نمایندگان سریع‌تر اجرا می‌شود

غذاهای آماده:

1. جوهره تجارت ایجنتیک «برون‌سپاری زمینه» است: زمینه تصمیم‌گیری مصرف‌کننده که قبلاً توسط انسان‌ها انجام می‌شد، اکنون از طریق مدل‌های تعبیه‌شده + پایه به عامل‌ها منتقل می‌شود و قابلیت‌های پرداخت را به بخشی از زنجیره تصمیم‌گیری تبدیل می‌کند، نه فقط لایه اجرا.
2. مدل بنیاد پرداخت یک متغیر اصلی است: وارد کردن داده‌های مالی جدولی سنتی به Transformers، جاسازی‌های رفتار کاربر را ایجاد می‌کند که زیرساخت کلیدی برای «مصرف مانند انسان» توسط عامل‌ها است.
3. جستجو به بلوغ رسیده است، در حالی که پرداخت‌ها هنوز در مراحل اولیه هستند: پیاده‌سازی واقعی Agentic Commerce در حال حاضر بر جستجو و توصیه متمرکز است، در حالی که پرداخت‌ها همچنان در مراحل آزمایشی و آزمایشی هستند.
4. دلیل اساسی انفجار متن‌باز در صنعت مالی، فناوری نیست، بلکه مقررات و کنترل است: قابلیت توضیح، قابلیت کنترل و قابلیت‌های تنظیم دقیق، مهم‌تر از عملکرد هستند.
5. شکاف عملکرد بین مدل‌های متن‌باز و متن‌باز به «محدوده ناچیزی» کاهش یافته است، که باعث می‌شود هزینه، انطباق و انعطاف‌پذیری در استقرار، عوامل غالب در تصمیم‌گیری شرکت‌ها باشند.
6. اقتصاد توکن در حال تبدیل شدن به نسل جدیدی از «اقتصاد پرداخت» است: محدودیت‌های اصلی سیستم‌های هوش مصنوعی دیگر فقط کارمزد تراکنش‌ها نیستند، بلکه بهینه‌سازی جامع مصرف توکن، هزینه‌های استنتاج، تأخیر و مصرف انرژی را نیز شامل می‌شوند.
7. سیستم‌های چندعاملی، میدان نبرد آینده هستند: صادرکنندگان، پذیرندگان، بازرگانان و سیستم‌های داخلی سازمانی به عامل‌هایی تبدیل خواهند شد که فرآیندهای تجاری را از طریق تعاملات ماشین به ماشین تکمیل می‌کنند.
8. گردش‌های کاری عامل‌ها در حال تبدیل شدن به دارایی‌های اصلی جدید برای شرکت‌ها هستند: قبلاً APIها و SaaS بودند، اکنون مسیرهای تصمیم‌گیری، منطق اجرا و حلقه‌های بازخورد عامل‌ها «IP تجاری» جدیدی را تشکیل می‌دهند.
9. استیبل کوین‌ها در سناریوهای عامل به عامل مزایای ساختاری دارند: پرداخت‌های خرد، تسویه حساب در زمان واقعی و دسترسی جهانی مواردی هستند که شبکه‌های کارت سنتی نمی‌توانند از آنها پشتیبانی کنند.
10. رشد حجم تراکنش‌های ناشی از عامل‌ها نمایی است: انسان‌ها روزانه حدود ۲ تراکنش انجام می‌دهند، در حالی که عامل‌ها ممکن است ۲۰۰۰ تراکنش انجام دهند و مدل‌های سنتی TPS سیستم‌های پرداخت نمی‌توانند این تغییر الگو را در خود جای دهند.
11. ریل‌های پرداخت جایگزین نخواهند شد، بلکه در لایه‌های مختلف با هم همزیستی خواهند داشت: شبکه‌های کارتی برای تعاملات انسانی مناسب هستند، در حالی که استیبل کوین‌ها برای تعاملات ماشینی مناسب‌ترند و هر دو در سناریوهای مختلف به صورت موازی اجرا خواهند شد.
12. لایه پروتکل در حال حاضر در «مراحل اولیه LLM» قرار دارد: همزیستی چندین پروتکل، نوآوری را ارتقا می‌دهد و در درازمدت، ناگزیر به سمت چند استاندارد همگرا خواهد شد.
13. امنیت در عصر عامل‌ها به یک مسئله زیرساختی تبدیل شده است: برای ایزوله کردن عامل‌ها در جعبه‌های شنی و جلوگیری از گسترش ریسک سیستمی، به زمان‌های اجرایی مانند OpenSHIELD نیاز است.
14. موارد استفاده اصلی هوش مصنوعی در پرداخت‌ها تغییر نکرده است: مبارزه با کلاهبرداری، تأیید هویت و شخصی‌سازی همچنان اصلی‌ترین ارزش‌ها هستند و پیاده‌سازی آن از قوانین به مدل‌ها و سپس به عامل‌ها تکامل یافته است.
15. موفقیت واقعی Agentic Commerce در پرداخت‌ها نیست، بلکه در «اتوماسیون تصمیم‌گیری» است: وقتی جستجو + توصیه + اجرا کاملاً خودکار شوند، پرداخت‌ها تنها مرحله نهایی فراخوانی قابلیت‌ها هستند.

سایمون تیلور:
به Tokenized خوش آمدید، برنامه‌ای که بر استیبل کوین‌ها و پذیرش توکنیزه کردن دارایی‌های دنیای واقعی تمرکز دارد. من سایمون تیلور، میزبان امروز شما و همچنین نویسنده کتاب Fintech Brain Food و همچنین رئیس توسعه بازار در Tempo هستم.

امروز ما مجموعه مقالات Agentic Commerce را ادامه می‌دهیم و بم عزیزی، مدیرعامل Mesh، در کنار من است. حالت چطوره، بم؟

بم عزیزی:
من خوبم، سایمون، ممنون که دوباره ما را دعوت کردی.

سایمون تیلور:
این سریال واقعاً داره اوج میگیره. من احساس می‌کنم که تجارت ایجنتیک در حال حاضر به یکی از داغ‌ترین موضوعات در جهان تبدیل شده است و واقعاً توجه همه را به خود جلب کرده است.

امروز ما همچنین مهمانی از شرکتی داریم که بسیار مورد توجه است - مسلماً یکی از بزرگترین شرکت‌های جهان - اما آنها کارهایی را برای حمایت از Agentic Commerce انجام داده‌اند که اکثر مردم از آنها آگاه نیستند.

بنابراین امروز از پاهال پاتانگیا، رئیس توسعه کسب و کار جهانی صنعت و پرداخت‌ها در انویدیا، استقبال می‌کنیم. پهال، حالت چطوره؟

پاهال پاتانگیا:
سایمون، من خوبم، از دعوتت ممنونم. از حضور در برنامه هیجان‌زده‌ام و مشتاقانه منتظر گفتگویمان هستم.

سایمون تیلور:
در واقع، همه چیز در حال شکل‌گیری است - این تمام چیزی است که من دوست دارم: پرداخت‌ها، انباشت NVIDIA در فضای بازی‌های ویدیویی، تجارت، استیبل کوین‌ها... همه این چیزهای خوب.

اما قبل از شروع، می‌خواهم به بینندگان و شنوندگانمان یادآوری کنم: دیدگاه‌های مهمانان ما بیانگر نظرات شخصی آنهاست و لزوماً منعکس‌کننده نظرات شرکت‌هایشان نیست. همچنین، هر چیزی که ما در مورد آن بحث می‌کنیم، مشاوره مالیاتی، حقوقی یا مالی محسوب نمی‌شود، بنابراین لطفاً خودتان تحقیق کنید.

بسیار خب، از دیدگاه کلان، Agentic Commerce برای شرکتی مثل انویدیا چه معنایی دارد؟ یک شرکت تولیدکننده‌ی پردازنده‌ی گرافیکی (GPU)، یک شرکت پردازش شتاب‌یافته (CPU)، یک شرکت هوش مصنوعی (AI)، یک شرکت سخت‌افزاری - چرا در حوزه‌ی پرداخت و کسب‌وکار فعالیت می‌کنید؟

پاهال پاتانگیا:
البته، سایمون، این سوال خیلی خوبیه. خوشحالم که از دیدگاه یک شرکت تولیدکننده‌ی پردازنده‌ی گرافیکی، سخت‌افزار و محاسبات شتاب‌یافته می‌پرسید، چرا که در واقع این دیدگاه برای انویدیا برای دهه‌ها بوده است.

اما می‌خواهم بگویم که این برداشت در طول ۲۰ سال گذشته در حال تکامل بوده است.

در طول چند دهه گذشته، انویدیا به یک پلتفرم محاسباتی شتاب‌یافته‌ی کامل تبدیل شده است که قابلیت‌هایی را برای برنامه‌های هوش مصنوعی در کل اکوسیستم فراهم می‌کند.

قبل از اینکه به تجارت Agentic یا هوش مصنوعی بپردازیم، درک جایگاه NVIDIA در سطح پلتفرم و قابلیت‌هایی که ارائه می‌دهیم مهم است - این قابلیت‌ها در واقع باعث انفجار هوش مصنوعی می‌شوند که هر روز می‌بینید.

ما معمولاً قابلیت‌های انویدیا برای ساخت برنامه‌های هوش مصنوعی در اکوسیستم را با استفاده از مفهوم «کیک پنج لایه» توصیف می‌کنیم.

این «کیک پنج لایه» از «مواد تشکیل‌دهنده» مختلفی تشکیل شده است که ساخت برنامه‌های کاربردی هوش مصنوعی و کارخانه‌های هوش مصنوعی را به روشی مقیاس‌پذیر امروزی امکان‌پذیر می‌کند.

لایه زیرین زمین، قدرت و انرژی است - این پایه و اساس انجام هر کاری مرتبط با هوش مصنوعی است.

بالاتر از آن، لایه تراشه قرار دارد که شامل سخت‌افزار، پردازنده‌های گرافیکی (GPU)، پردازنده‌های مرکزی (CPU) و سیستم‌های شبکه‌ای مرتبط می‌شود.

لایه بعدی لایه سیستم یا لایه مرکز داده است که نحوه کنار هم قرار گرفتن این تراشه‌ها را سازماندهی می‌کند؛ ما آنها را به عنوان واحدهای مختلفی می‌بینیم که در نهایت در یک «کامپیوتر عظیم» ترکیب می‌شوند.

در گذشته، ما کامپیوترها را به عنوان دستگاه‌های شخصی درک می‌کردیم، اما اکنون خود مرکز داده یک کامپیوتر است که لایه سیستم محسوب می‌شود.

بالای آن لایه مدل فونداسیون قرار دارد. این مدل‌های پایه شامل دانش، درک صنعت و قابلیت‌های مختلف هستند. شرکای زیادی در این اکوسیستم وجود دارند، مانند OpenAI، Meta، Mistral و غیره که این مدل‌های بنیادی را می‌سازند.

اما این مدل‌های بنیادی باید برای صنایع خاص، سناریوهای خاص و مشکلات خاص، که همان لایه پنجم است - لایه کاربرد - بیشتر اصلاح شوند.

پلتفرم انویدیا این پنج لایه را در بر می‌گیرد و کل این مجموعه قابلیت‌ها را با هم ترکیب می‌کند. توسعه‌دهندگان می‌توانند از این پلتفرم پنج لایه برای ساخت برنامه‌های کاربردی برای موارد استفاده خود استفاده کنند.

در حوزه پرداخت‌ها، یک کاربرد کلیدی، Agentic Commerce است.

هدف ما این است که سخت‌افزار، نرم‌افزار و قابلیت‌های مدل‌سازی خود را در این بازیگران اکوسیستم تعبیه کنیم و آنها را قادر سازیم تا این برنامه‌ها را در مقیاس بزرگ بسازند. این جایگاه ماست و نحوه‌ی هدایت توسعه‌ی کل اکوسیستم توسط ما.

سایمون تیلور:
یک نکته جالب برای من این است که وقتی با بسیاری از افراد در مورد Agentic Commerce صحبت می‌کنیم، همه فرض می‌کنند که نرم‌افزارها و سخت‌افزارهای زیادی در پس‌زمینه این موارد را اجرا می‌کنند، اما شما مدت زیادی در این صنعت بوده‌اید و واقعاً می‌دانید که این زیرساخت‌ها چگونه کار می‌کنند. نظر شما چیست؟

بم عزیزی:
بله، جالب است. من در واقع چیزی در لینکدین در مورد این ساختار لایه‌ای پست کردم که توجه زیادی را به خود جلب کرد.

خیلی شبیه چیزیه که پَهال الان توصیف کرد. من در مورد لایه بنیادی، لایه توزیع، لایه تنظیم و لایه اتصال صحبت کردم. نکته من این بود که لایه اتصال مهمترین لایه است - البته کمی "خود-خدمتی"، زیرا مش در آن لایه عمل می‌کند.

اما من واقعاً کنجکاوم که از دیدگاه انویدیا، به نظر شما کدام لایه مهم‌تر است؟ در حال حاضر بیشترین زمان و منابع خود را کجا سرمایه‌گذاری می‌کنید؟

پاهال پاتانگیا:
بله، سوال خیلی خوبی است. من فکر می‌کنم از دیدگاه ما، در حال حاضر دو پدیده بسیار کلیدی در صنعت پرداخت در حال وقوع است.

ما در حال وارد کردن هوش مصنوعی به صنعت پرداخت در مقیاس وسیع هستیم و معمولاً یک پدیده منجر به پدیده دیگری می‌شود.

اولین پدیده، ظهور «مدل بنیاد پرداخت» است.

اگر به کل فرآیند Agentic Commerce نگاهی بیندازید، متوجه خواهید شد که این فرآیند در واقع «فشرده» شده است. برای مثال، فرآیند پرداخت فشرده شده است.

در دنیای گذشته، شما به عنوان یک شخص، زمینه را در دست داشتید. شما می‌دانستید چه می‌خواهید بخرید، می‌دانستید چگونه پرداخت را تکمیل کنید، و آن زمینه در ذهن شما وجود داشت.

اما حالا سوال این است: عامل این زمینه را از کجا می‌آورد؟

عامل باید رفتار کاربر، پروفایل‌های کاربر، ترجیحات کاربر و محدودیت‌های مختلفی که شما برای تراکنش تعیین می‌کنید (از SKU گرفته تا قوانین نهایی تراکنش) را یاد بگیرد تا این زمینه را به دست آورد.

پس عامل چگونه این قابلیت‌ها را به دست می‌آورد؟

این منجر به یک روند جدید می‌شود که به نظر من کمی «زیرزمینی» است، اما به سرعت در حال جلب توجه است - «مدل بنیاد پرداخت».

زیرا در صنعت خدمات مالی، به ویژه در پرداخت‌ها و بانکداری، از لحاظ تاریخی تمام داده‌ها در قالب‌های جدولی ساختاریافته وجود داشته‌اند.

در گذشته، شما این داده‌ها را به الگوریتم‌های یادگیری ماشین می‌دادید تا مدل‌های گرایشی بسازند، مانند پیش‌بینی اینکه کاربران ممکن است چه چیزی بخرند یا چه تراکنش‌هایی انجام دهند.

با این حال، با ظهور نسل جدیدی از الگوریتم‌ها، به ویژه معماری Transformer - که پایه و اساس هوش مصنوعی مولد است - اکنون روند جدیدی برای قرار دادن این داده‌های ساختاریافته در مدل‌های Transformer وجود دارد.

این مفهوم «مدل بنیاد پرداخت» است.

این مدل‌ها چیزی به نام «جاسازی» (embedding) تولید می‌کنند.

به زبان ساده، جاسازی، نمایش معنایی رفتار کاربر است. برای مثال:

• کاری که پَهال احتمالاً انجام خواهد داد

• ترجیحات پویای اخیر او چیست؟

• الگوهای رفتاری بلندمدت او چیست؟

مدل‌های ترانسفورماتور می‌توانند این اطلاعات را برای تشکیل این جاسازی ادغام کنند.

سپس این جاسازی‌ها به عامل وارد می‌شوند که بر اساس این اطلاعات، اقداماتی مانند تکمیل تراکنش‌ها را انجام می‌دهد.

اینجاست که دو دنیا شروع به ادغام می‌کنند - هوش مصنوعی و پرداخت‌ها.

این جاسازی‌ها به «لایه زمینه» برای عامل تبدیل می‌شوند و به عامل اجازه می‌دهند تا بهتر اجرا کند، بهتر تکرار کند و اطمینان حاصل کند که همه اقدامات در چارچوب قوانین تعیین‌شده باقی می‌مانند و در عین حال به طور مداوم در حال یادگیری و بهینه‌سازی هستند.

این یک روند مهم است که در حال حاضر توسعه تجارت Agentic را هدایت می‌کند.

علاوه بر این، می‌خواهم بر روند دیگری که در Agentic Commerce می‌بینیم تأکید کنم:

اگر کل فرآیند را به «جستجو» و «پرداخت» تقسیم کنید،

بخشی که واقعاً سریع‌ترین رشد را دارد و بالغ‌ترین بخش است، مؤلفه‌ی «جستجو» است.

مسئله جستجو سال‌هاست که مورد مطالعه قرار گرفته و اکنون الگوریتم‌های بهتری برای حل آن وجود دارد، بنابراین این موج فناوری در «جستجو» بسیار مؤثر است.

به همین دلیل است که تجربه کاربری شخصی‌تر و جذاب‌تر می‌شود.

ما همچنین همکاری زیادی با پی‌پال داریم. پی‌پال می‌خواهد قابلیت‌های Agentic Commerce را به اکوسیستم تجاری خود که شامل حدود ۱۹ میلیون تاجر است، بیاورد.

بیشتر این بازرگانان، کسب‌وکارهای کوچک تا متوسط ​​هستند و نسبتاً در مورد هوش مصنوعی «در بی‌اطلاعی» هستند و به‌طور کامل نمی‌دانند چه اتفاقی دارد می‌افتد.

رویکرد پی‌پال این است که این قابلیت‌ها را از طریق پلتفرم خود در اختیار این بازرگانان قرار دهد.

روش آنها این است:
تنظیم دقیق مدل‌های متن‌باز برای تطبیق این مدل‌ها با محیط پی‌پال و موارد استفاده خاص.

به این ترتیب، بازرگانان می‌توانند به طور طبیعی از این قابلیت‌ها استفاده کنند، بدون اینکه نیازی به درک فناوری زیربنایی آن داشته باشند.

سایمون تیلور:
من چیزهای زیادی از شما شنیده‌ام و می‌خواهم سعی کنم آن را خلاصه کنم تا ببینم آیا درست فهمیده‌ام یا نه، و در عین حال درک آن را برای مخاطب آسان‌تر کنم.

بسیاری از مردم یک نکته را نادیده می‌گیرند: علاوه بر مدل‌هایی مانند Anthropic، ChatGPT و Gemini، در واقع مدل‌های متن‌باز زیادی وجود دارند و NVIDIA بازیگر مهمی در این زمینه است.

مدل‌هایی مانند NeMo و Neotron شما همواره از نظر عملکرد در خط مقدم بوده‌اند.

سپس شرکت‌هایی مانند پی‌پال این قابلیت‌ها را در اختیار فروشندگان قرار خواهند داد.

ایجاد ارزش برای پذیرندگان، همه چیز در صنعت پرداخت است. بازرگانان هسته اصلی عملیات جهان هستند. اگر نتوانید به بازرگانان خدمت کنید، پس اساساً هیچ هستید.

آنها هستند که کالا می‌فروشند، آنها مشتریان شما هستند، آنها به شما پول می‌دهند. بنابراین شما باید برای آنها ارزش ایجاد کنید.

استرایپ پیش از این یک مدل بنیاد پرداخت منتشر کرده بود که در زمینه مبارزه با کلاهبرداری عملکرد خوبی داشت.

اما من کنجکاوم، علاوه بر مقابله با کلاهبرداری، مدل بنیاد پرداخت چه کارهای دیگری می‌تواند انجام دهد؟

اگر اکنون یک سیستم جاسازی چندبعدی و بسیار غنی داشته باشم که بتواند ترجیحات مختلف کاربران را درک کند، این قابلیت‌ها چگونه می‌توانند به فروشندگان کمک کنند تا فروش بیشتری داشته باشند و خدمات بهتری به مشتریان ارائه دهند؟

و احتمالاً بازرگانان تمایلی به اشتراک‌گذاری این داده‌ها با آزمایشگاه‌های بزرگ هوش مصنوعی ندارند.

بنابراین آنها تمایل دارند از مدل‌های متن‌باز استفاده کنند.

علاوه بر این، فاصله بین مدل‌های متن‌باز و مدل‌های پیشرفته اکنون حدود ۶ ماه است و این یک فاصله عملکردی است.

برای اکثر کاربردهای روزمره، تفاوت تقریباً نامحسوس است.

برای بسیاری از بازرگانان کوچک تا متوسط، این مدل‌ها در حال حاضر بسیار برتر از نسخه رایگان ChatGPT هستند که در حال حاضر از آن استفاده می‌کنند.

بنابراین پی‌پال می‌تواند تجربه بسیار خوبی را برای آنها فراهم کند، در حالی که قابلیت‌های اساسی در واقع از انویدیا هستند.

فکر می‌کنم خیلی‌ها از این موضوع بی‌اطلاع هستند.

علاوه بر این، من یک نظرسنجی دیدم که نشان می‌داد ۶۵٪ از موسسات مالی در حال حاضر از هوش مصنوعی استفاده می‌کنند، در حالی که ۸۴٪ می‌گویند مدل‌های متن‌باز برای استراتژی هوش مصنوعی آنها مهم هستند.

بنابراین می‌خواهم از شما بپرسم: چرا مدل‌های متن‌باز در صنعت مالی تا این حد مهم شده‌اند؟

پاهال پاتانگیا:
بله، سوال خیلی خوبی است.

صنعت مالی همیشه در پذیرش فناوری‌های جدید «کند» بوده است.

دلایل این «پذیرش کند» عبارتند از:
مقررات
الزامات مربوط به قابلیت توضیح
و بی‌اعتمادی به «مدل‌های جعبه سیاه»

موسسات مالی می‌خواهند بفهمند که درون مدل چه اتفاقی می‌افتد تا بتوانند با اطمینان از آن در محیط‌های عملیاتی استفاده کنند.

بنابراین آنها تمایل دارند مدل‌هایی را ترجیح دهند که قابل کنترل و تنظیم دقیق باشند.

در عین حال، همانطور که اشاره کردید، عملکرد مدل‌های متن‌باز اکنون بسیار نزدیک به مدل‌های متن‌باز بزرگ است.

این «نزدیکی عملکرد» تمرکز بحث را از «عملکرد مدل» به ابعاد دیگری مانند موارد زیر تغییر می‌دهد:

• هزینه

• کنترل

• انطباق

• انعطاف‌پذیری سیستم

شرکت‌ها هنگام ساخت این برنامه‌ها به جای تکیه بر یک فروشنده واحد، گزینه‌های بیشتری می‌خواهند.

البته، ما ارائه دهندگان مدل بنیاد را نیز به عنوان مشتریان و شرکای مهم می بینیم.

اما در عین حال، وقتی شرکت‌ها به انعطاف‌پذیری بیشتری نیاز دارند، مدل‌های متن‌باز مناسب‌تر می‌شوند.

برای مثال، مدل Neotron انویدیا و ابزار NeMo می‌توانند به شرکت‌ها کمک کنند تا مدل‌ها را راحت‌تر تنظیم کنند.

و این قابلیت در Agentic Commerce به طور فزاینده‌ای اهمیت پیدا خواهد کرد.

سایمون تیلور:
این بده بستان واقعاً جالب است.

بم، من همچنین می‌خواهم از شما بپرسم، از منظر ایجاد یک شرکت در حوزه استیبل کوین و پرداخت‌ها، دیدگاه شما نسبت به متن‌باز در مقابل متن‌باز چیست؟ آیا مشتریان شما به این موضوع اهمیت می‌دهند؟

بم عزیزی:
من فکر می‌کنم از دیدگاه مشتری، آنها واقعاً اهمیتی نمی‌دهند که متن‌باز باشد یا متن‌باز.

این یک نگرانی برای جامعه فناوری است که برای توسعه علمی و فناوری مهم است.

اما مشتریان به یک چیز اهمیت می‌دهند:
آیا بهترین راه حلی وجود دارد که بتواند به آنها در اداره کسب و کارشان کمک کند؟

با این حال، متن‌باز برای صنعت بسیار مهم است و ما هنوز باید تا حد امکان آن را ترویج دهیم.

نکته‌ی دیگری که مرا تحت تأثیر قرار داد، چیزی بود که پَهال در مورد موضع انویدیا به آن اشاره کرد.

در گذشته، انویدیا بیشتر شبیه لایه سخت‌افزار بود، سپس یک لایه بین آن‌ها وجود داشت، مانند ChatGPT، فروشندگان ابری و غیره، و سپس لایه برنامه.

اما حالا که مستقیماً با شرکت‌هایی مثل پی‌پال همکاری می‌کنید، آیا این به معنای «پرش از لایه میانی» است؟

آیا این به معنای سریع‌تر، ارزان‌تر و کارآمدتر بودن است؟

آیا این موضوع تهدیدی برای شرکت‌هایی مانند OpenAI محسوب می‌شود؟

پاهال پاتانگیا:
اصلاً اینطور نیست.

فلسفه ما این است که «از توسعه‌دهندگان در هر کجا که هستند حمایت کنیم».

اگر توسعه‌دهندگان بخواهند از شرکای بزرگ ما، مانند ارائه‌دهندگان مدل بنیاد، استفاده کنند، ما کاملاً از آن حمایت می‌کنیم و به آنها کمک می‌کنیم تا به بهترین نتایج دست یابند.

اگر آنها بخواهند از مدل‌های متن‌باز استفاده کنند، ما ابزارها و پشتیبانی پلتفرم را نیز ارائه می‌دهیم.

این واقعاً به نیازهای داخلی کسب و کار و تصمیمات شرکت بستگی دارد.

ما یک پلتفرم کامل ارائه می‌دهیم که به آنها اجازه می‌دهد آزادانه انتخاب کنند.

سایمون تیلور:
من این معامله را خیلی جالب می‌دانم.

پَهال، چطور شرکت‌های پرداختی مثل پی‌پال را در تصمیم‌گیری‌ها راهنمایی می‌کنی؟ برای مثال، وقتی می‌خواهند این قابلیت‌ها را در اختیار بازرگانان قرار دهند، چگونه به آنها کمک می‌کنید تا موارد استفاده مختلف را بسنجند؟ چه بازخوردی از این شرکت‌های پرداخت می‌شنوید؟

پاهال پاتانگیا:
سوال خیلی خوبی است.

در این زمینه، همانطور که شروع به اجرای مدل‌های پیچیده‌تر می‌کنید، از مدل‌های امروزی گرفته تا عامل‌های آینده و سیستم‌های چندعاملی، عوامل زیادی برای بررسی وجود دارد.

اول، البته، دقت است. اما وقتی دقت را تا حد مشخصی بهینه کنید، آنچه واقعاً نتیجه را تعیین می‌کند، چندین عامل دیگر هستند.

اولین مورد هزینه است.

برای مثال، اگر به ۱۹ میلیون تاجر خدمات ارائه می‌دهید، این امر روزانه تعداد بسیار زیادی تماس استنتاجی ایجاد می‌کند. شما باید در مورد چگونگی بهینه‌سازی هزینه این فراخوانی‌های استنتاج به کمترین میزان در مورد استفاده خود فکر کنید.

مورد دوم، تأخیر است.

هیچ‌کس نمی‌خواهد منتظر بماند، درست مثل آن بازی مار کوچک در مرورگر وقتی که شبکه قطع می‌شود (بازی آفلاین کروم).

شما به پاسخ‌هایی در سطح میلی‌ثانیه نیاز دارید.

این مدل باید فکر کند، استنتاج کند، اطلاعات را از منابع داده مختلف جمع‌آوری کند، زمینه را ترکیب کند و در چارچوب قوانین تعیین‌شده تصمیم‌گیری کند - همه اینها در عرض چند میلی‌ثانیه.

برای انجام همه این کارها نیاز به مصرف توکن‌های زیاد، تصمیم‌گیری‌های زیاد، اجرای فرآیندهای پیچیده است و همه این‌ها باید پویا و هوشمند باشند.

اگر عامل به درستی تنظیم شده باشد و تحت محدودیت‌های مناسب عمل کند، می‌تواند به این هدف دست یابد.

شما یک بار اجرا می‌کنید، و سپس یک حلقه بازخورد وجود دارد.

این حلقه بازخورد یک «چرخ لنگر داده» ایجاد می‌کند:
شما پیوسته داده‌های جدید به دست می‌آورید، «نتایج واقعی» را با «نتایج ایده‌آل» مقایسه می‌کنید و سپس پیوسته مدل را بهینه می‌کنید.

سایمون تیلور:
و سپس وقتی این منطق را از یک عامل واحد به یک سیستم چندعاملی تعمیم می‌دهید، مسائل حتی پیچیده‌تر می‌شوند.

برای مثال:

• عامل‌ها در سمت شبکه

• نمایندگان در سمت صادرکننده

• نمایندگان در سمت خریدار

این عوامل با یکدیگر ارتباط برقرار خواهند کرد.

یا در داخل شرکت:

• یک نماینده تدارکات در سیستم SAP

• باید با سیستم موجودی کالا صحبت کند

• همچنین باید با سیستم مالی صحبت کند.

کل سیستم چگونه استنتاج را انجام می‌دهد؟ چگونه کارآمدتر می‌شود؟

این منجر به یک مشکل می‌شود: توکن‌ها به طور انفجاری رشد خواهند کرد.

به همین دلیل است که «اقتصاد توکن» بسیار مهم می‌شود.

این فقط مربوط به کاهش استفاده از توکن نیست، بلکه چگونگی دستیابی به کارایی بهینه بین هزینه، قدرت محاسباتی و تأخیر است.

حتی می‌توان آن را اینگونه هم فهمید:
«به ازای هر کیلووات ساعت، چند خروجی توکن با کیفیت بالا می‌توان تولید کرد؟»

در واقع یک مدل اقتصادی پشت این قضیه وجود دارد.

اگر آن را به خوبی مدیریت نکنید، به راحتی می‌توانید پول زیادی را هدر دهید.

هر کسی که OpenClaw بازی کرده باشد می‌داند که می‌توان به راحتی با فراخوانی چند API، ماهی ۱۰۰۰ دلار خرج کرد و بعد در دام انواع و اقسام دردسرها افتاد.

برای شرکت‌ها، این مسئله حتی جدی‌تر است.

در گذشته، ممکن بود فقط برخی از مدل‌های یادگیری ماشینی، مانند مدل‌های روی Snowflake، CNNها و غیره را اجرا کنید، اما اکنون ساختار هزینه این مدل‌های هوش مصنوعی کاملاً متفاوت است.

برای شرکتی که بر وفاداری مشتری یا مبارزه با کلاهبرداری تمرکز دارد، این تفاوت هزینه بسیار زیاد است.

و در میان نقش‌های مختلف مانند سازمان‌های کارت، بازرگانان و صادرکنندگان، هر نقش الزامات متفاوتی برای نمایندگان و نیازهای توکن متفاوتی دارد.

بنابراین پیچیدگی کل سیستم بسیار زیاد است.

شما نه تنها نیاز به کنترل هزینه‌ها دارید، بلکه به سیستمی نیاز دارید که به مرور زمان به طور مداوم بهبود یابد و مانند یک انسان یاد بگیرد:
«تو فقط یه اشتباه کردی، دفعه‌ی بعد دیگه این کارو نکن.»

اما اگر واقعاً از OpenClaw استفاده کرده باشید، می‌دانید که حفظ پایداری مداوم سیستم در انجام کارهای درست، در واقع بسیار دشوار است.

بنابراین حل این مشکل در سناریوهای سازمانی برای انویدیا بسیار ارزشمند است.

سایمون تیلور:
بیایید موضوع را به تجارت الکترونیک برگردانیم.

در حال حاضر، Agentic Commerce چه تأثیری بر کسب‌وکارها دارد؟

آیا کاربران واقعاً می‌توانند این تغییرات را در هنگام پرداخت احساس کنند؟ این ارزش کجا خود را نشان می‌دهد؟

پاهال پاتانگیا:
هدف ما حمایت از بازیگرانی است که واقعاً برای کاربران نهایی ارزش ایجاد می‌کنند، مانند پلتفرم‌های پرداختی مانند پی‌پال.

در عین حال، آنها با خرده‌فروشان بزرگ همکاری خواهند کرد تا نمایندگانی را که مستقیماً با مصرف‌کننده در ارتباط هستند، در راس آنها مستقر کنند.

از دیدگاه صنعت، برخی از روندهایی که شاهد آن هستیم عبارتند از:

برای مثال، مسترکارت در حال حاضر تراکنش‌های کاملاً مبتنی بر عامل را در برخی کشورها پیاده‌سازی کرده است.

اینها نشانه‌های اولیه موفقیت هستند.

این به ما اطمینان می‌دهد که این فناوری‌ها در نهایت به جریان اصلی تبدیل خواهند شد.

البته هنوز مسائل زیادی برای حل شدن وجود دارد، مانند:
آیا این نمایندگان واقعاً می‌توانند نرخ تبدیل پرداخت را بهبود بخشند؟
آیا به اندازه کافی پایدار هستند؟

در حال حاضر، برای اینکه عامل‌ها بتوانند وظایف خود را به صورت خودکار انجام دهند، به سازوکارهای تنظیم دقیق‌تر و محدودکننده‌تری نیاز است.

سایمون تیلور:
می‌خواهم به‌طور خاص از ساردین نام ببرم، زیرا آنها در حوزه مبارزه با کلاهبرداری کارهای زیادی انجام داده‌اند.

آنها یک شبکه داده با ۷ میلیارد دستگاه دارند، مدل‌های خودشان را ساخته‌اند و عملکرد عامل‌ها را ثبت کرده‌اند.

این داده‌های تاریخی و گردش‌های کاری عامل، به خودی خود، نوعی مالکیت معنوی هستند.

در تجارت الکترونیک، گردش کار نماینده شما، مالکیت معنوی اصلی شماست.

به نظر من این نکته بسیار کلیدی است.

سایمون تیلور:
بسیار خب، از مش و همه حامیان مالی که امکان برگزاری این نمایش را فراهم کردند، متشکرم.

بم، نمی‌دانم تو هم مثل من هستی یا نه، اما حالا آنقدر اسم پروتکل‌های مختلف می‌شنوم که نمی‌توانم همه‌شان را به خاطر بسپارم.

الان چطور این پروتکل‌ها را با مشتریان در میان می‌گذارید؟ چه سوالاتی از انویدیا می‌پرسید؟

بم عزیزی:
فکر می‌کنم مهم‌ترین سوال اکنون این است: آیا آینده به سمت ادغام پیش خواهد رفت یا همچنان به تجزیه ادامه خواهد داد؟

این یک «سوال میلیارد دلاری» است. اگر کسی بتواند به این سوال پاسخ دهد، می‌تواند یک شرکت بزرگ در این زمینه بسازد.

اگر نظر من را بخواهید، من به سمت ادغام متمایل می‌شوم، درست مانند توسعه اینترنت.

در گذشته، پروتکل‌های مختلفی وجود داشت، اما در نهایت ما در HTTP متحد شدیم.

همچنین پروتکل‌های زیادی برای ارتباط بین دستگاه‌ها وجود داشت، اما در نهایت، آنها اساساً در وای‌فای و بلوتوث متحد شدند.

حتی در رابط‌های شارژ، از رابط‌های مختلف به یک یا دو رابط استاندارد تغییر یافت.

بنابراین فکر می‌کنم اینجا هم اتفاق مشابهی خواهد افتاد.

به خصوص با پیشرفت‌های اخیر در x402، به عنوان مثال، آنها در تلاشند تا وارد بنیاد لینوکس شوند که توسط یک سازمان بی‌طرف میزبانی می‌شود و از حمایت شرکت‌هایی مانند Stripe و Coinbase برخوردار است.

من در حوزه تأیید هویت و امنیت کار می‌کنم و ما شاهد فرآیند یکپارچه‌سازی مشابهی در پروتکل‌های احراز هویت بوده‌ایم.

بنابراین قضاوت من این است که ادغام صورت خواهد گرفت.

اما من در مورد دیدگاه پاهال نیز بسیار کنجکاو هستم.

سوال دیگر این است:
آیا در آینده پروتکل‌های متفاوتی وجود خواهد داشت؟

برای مثال:

• تعامل بین انسان‌ها و عامل‌ها

• تعامل بین عامل‌ها

رابط کاربری/تجربه کاربری و پروتکل‌های این دو سناریو ممکن است کاملاً متفاوت باشند.

نظر شما در مورد تحولات فعلی بازار چیست؟

سایمون تیلور:
یاد یه کمیک کلاسیک از XKCD افتادم:

اکنون ۱۴ استاندارد احراز هویت وجود دارد؛ ما به یک استاندارد یکپارچه نیاز داریم.
بعدش شد: اکنون ۱۵ استاندارد وجود دارد.»

شما مدت زیادی است که در این حوزه فعالیت دارید، این موضوع را چگونه می‌بینید؟

پاهال پاتانگیا:
بله، اگر گوی بلورین داشتم، خیلی دوست داشتم جواب را بدانم (می‌خندد).

اما از دیدگاه ما، من با نکته‌ی بم موافقم:

در نهایت، این پروتکل‌ها به چند راه‌حل اصلی همگرا خواهند شد.

اما در این فرآیند، تنوع فعلی در واقع چیز خوبی است.

زیرا این پروتکل‌ها توسعه‌دهندگان بیشتری را فعال می‌کنند و افراد بیشتری را به شروع ساخت و ساز ترغیب می‌کنند.

مرحله فعلی در واقع «مرحله دموکراتیزه شدن» است، مشابه توسعه LLM ها در سه سال گذشته.

مدل‌های مختلف همچنان در حال ظهور هستند و باعث پذیرش در سراسر صنعت می‌شوند.

همین اتفاق در مورد این پروتکل‌ها نیز رخ خواهد داد.

این پروتکل‌ها مشارکت‌کنندگان بیشتر و بیشتری - توسعه‌دهندگان، شرکت‌ها، کاربران - را جذب خواهند کرد و همه بر اساس این پایه‌ها بنا خواهند کرد.

این امر توسعه قابلیت همکاری را ارتقا می‌دهد و در نهایت منجر به ادغام می‌شود.

علاوه بر این، با ساخته شدن عامل‌های بیشتر، مسائل امنیتی اهمیت فزاینده‌ای پیدا می‌کنند.

هر کسی در حال ساخت سیستم‌های عامل خود است، اما ضروری است که اطمینان حاصل شود این سیستم‌ها در یک محیط امن کار می‌کنند.

به همین دلیل ما چیزی به نام OpenSHIELD را در GTC منتشر کردیم.

OpenSHIELD یک محیط اجرایی متن‌باز است که از نظر امنیتی تقویت شده و بین عامل‌ها و زیرساخت قرار می‌گیرد.

می‌تواند یک محیط سندباکس برای عامل‌ها فراهم کند تا در یک محیط کنترل‌شده فعالیت کنند.

به این ترتیب، حتی اگر مشکلاتی پیش بیاید، می‌توان تأثیر آن را مهار کرد.

سایمون تیلور:
بله، این خیلی حیاتی است.

بسیاری از مردم متوجه نمی‌شوند:

وقتی در حال ساخت عامل‌ها هستید و یک محیط تولید هم دارید، آیا باید عامل‌ها را در محیط تولید قرار دهید؟

اگر انزوا وجود نداشته باشد، وقتی مشکلی پیش بیاید، تأثیر آن قابل توجه خواهد بود.

بنابراین مکانیسم‌های سندباکس مانند OpenSHIELD بسیار مهم هستند.

سایمون تیلور:
من همچنین به یک مثال فکر کردم: در روزهای اولیه اینترنت موبایل، WAP وجود داشت که مردم قبل از ظهور تلفن‌های هوشمند سعی می‌کردند از آن برای پرداخت‌ها استفاده کنند.

تجارت عامل، تا حدودی، ممکن است هنوز در مراحل بسیار اولیه باشد.

بنابراین من کنجکاو هستم:

الان تمرکزت رو چطور تقسیم می‌کنی؟

آیا تمرکز اصلی شما روی استیبل کوین‌ها است؟
یا در مورد تعاملات انسان و عامل؟
یا در مورد تعاملات عامل-عامل؟

آیا همه آنها را انجام می‌دهید یا روی یک مورد تمرکز دارید؟

پاهال پاتانگیا:
سوال خیلی خوبی است.

از دیدگاه من، ما عمدتاً بر روی مهم‌ترین روندهای فعلی تمرکز داریم:

• مدل‌های بنیاد پرداخت

• تجارت آژانسی

اما در درون اینها، زیرروندهای جدید همچنان پدیدار خواهند شد.

برای مثال، استیبل کوین‌ها.

ما استیبل کوین‌ها را به عنوان مکملی برای سیستم ارز فیات موجود می‌بینیم که کاربران جدید و اکوسیستم‌های جدیدی را به ارمغان می‌آورد.

نسل بعدی کاربران ممکن است به جای کارت‌های اعتباری، به استفاده از استیبل کوین‌ها عادت بیشتری داشته باشند.

اما در عین حال، ادغامی بین این دو وجود خواهد داشت.

با این حال، اساساً موارد استفاده اصلی هوش مصنوعی در پرداخت‌ها تغییر نکرده است:

• ضد کلاهبرداری

• تأیید هویت

• شخصی سازی

اینها مهمترین موارد باقی مانده اند.

سایمون تیلور:
بله، اساساً هنوز هم ارزش افزوده پرداخت‌ها مطرح است.

چه از استیبل کوین‌ها استفاده کنید و چه از شبکه‌های کارتی، این مشکلات وجود خواهند داشت.

سایمون تیلور:
بم، کنجکاوم بدونم نظرت چیه. شما در حال ایجاد شبکه‌ای در حوزه استیبل کوین هستید؛ رابطه بین Agentic Commerce و استیبل کوین‌ها را چگونه می‌بینید؟

بم عزیزی:
من معتقدم که Agentic Commerce می‌تواند از ریل‌های پرداخت مختلفی استفاده کند.

برای مثال، اکنون کاربران در ChatGPT، Anthropic یا Perplexity به دنبال محصولاتی مانند کفش یا تی‌شرت هستند و سپس نمایندگان می‌توانند به کاربران در تکمیل پرداخت‌ها کمک کنند.

این پرداخت را می‌توان با کارت‌های اعتباری یا استیبل کوین‌ها انجام داد.

در این سناریو، هر دو موازی هستند.

اما در پرداخت‌های فرامرزی و تراکنش‌های بین‌المللی، استیبل کوین‌ها مزایای بیشتری خواهند داشت.

در سناریوهای عامل به عامل، من معتقدم که استیبل کوین‌ها مزیت مشخصی دارند.

دلیلش این است:

این تراکنش‌ها معمولاً ریزپرداخت‌ها هستند.
برای مثال، مبالغی مانند 0.00005 دلار.

چنین مبالغی توسط ویزا یا سیستم‌های بانکی سنتی قابل پردازش نیستند.

در عین حال، این تراکنش‌ها باید:
زمان واقعی
جهانی
آنلاین

استیبل کوین‌ها کاملاً این شرایط را برآورده می‌کنند.

نکته دیگر، تعداد تراکنش‌ها است.

یک فرد ممکن است به طور متوسط ​​روزانه ۲ تراکنش انجام دهد، اما یک نماینده ممکن است روزانه ۲۰۰۰ تراکنش انجام دهد.

این نوع TPS (توان عملیاتی) فقط توسط بلاکچین قابل پشتیبانی است.

سیستم‌های پرداخت سنتی برای نمایندگان طراحی نشده‌اند؛ آنها شکست خواهند خورد.

بنابراین من در مورد کاربرد استیبل کوین‌ها در Agentic Commerce بسیار خوش‌بین هستم.

سایمون تیلور:
این واقعاً یک انفجار نمایی است، درست است؟

یادم هست که در هر ثانیه حدود ۴ میلیون ایمیل در اینترنت ارسال می‌شود، و این فقط ایمیل است، بدون احتساب ویدیوها.

در چنین دنیایی، ظرفیت سیستم‌های پرداخت سنتی برای مدیریت ده‌ها هزار تراکنش در ثانیه به وضوح ناکافی است.

اما بیایید کمی به واقعیت برگردیم، پاهال، از دیدگاه شما، تقاضای واقعی کاربران کجاست؟ حجم واقعی معاملات کجاست؟

من اغلب به شوخی می‌گویم که اکنون پروتکل‌های بیشتری در Agentic Commerce نسبت به پروتکل‌های پرداخت وجود دارد.

شما ممکن است نزدیک‌ترین فرد به زیرساخت زیربنایی باشید - حتی «زیرساختِ زیرساختِ زیرساخت».

پس تقاضای واقعی را کجا می‌بینید؟ موارد استفاده واقعی کجا هستند؟

پاهال پاتانگیا:
به نظر من از دو منظر می‌توان به این سوال پاسخ داد.

مورد اول از منظر کل اکوسیستم است.

همانطور که قبلاً اشاره کردم، می‌توانیم کل فرآیند را به دو بخش تقسیم کنیم:

• جستجو

• پرداخت

در حال حاضر، بخش جستجو نسبتاً بالغ شده است، حتی تا جایی که می‌توان گفت تا حد زیادی حل شده است.

با این حال، بخش پرداخت هنوز در مراحل آزمایشی زیادی است.

بسیاری از آزمایش‌های سندباکس در حال انجام هستند.

به همین دلیل است که من نسبت به ابزارهایی مانند OpenSHIELD بسیار خوشبین هستم، زیرا آنها می‌توانند به اکوسیستم کمک کنند تا این عامل‌ها را در یک محیط امن بسازد و آنها را قادر به داشتن قابلیت‌های تراکنش کند.

دیدگاه دوم، بلندمدت است.

من در مورد توسعه سیستم‌های چندعاملی بسیار خوش‌بین هستم.

در دنیای آینده، عامل‌های مختلف با یکدیگر تعامل و همکاری خواهند داشت.

نقش ما کمک به بهبود این سیستم‌ها است:

• از طریق حلقه‌های بازخورد

• از طریق محیط‌های عملیاتی امن

• از طریق مکانیسم‌های محدودکننده مختلف (گاردریل‌ها)

البته، برای اطمینان از اینکه این عوامل می‌توانند بدون انحراف، همانطور که انتظار می‌رود عمل کنند، به تنظیم دقیق زیادی نیز نیاز خواهد بود.

اینها همه مسیرهایی هستند که در آینده روی آنها تمرکز خواهیم کرد.

سایمون تیلور:
من فکر می‌کنم یک موضوع بسیار مهم در بحث امروز، «اقتصاد ژتونی» است.

در واقع، وقتی قبلاً در مورد توکن‌ها صحبت کردیم، من و بم هر دو خندیدیم زیرا در فضای استیبل کوین، درک ما از اقتصاد توکن منطقی متفاوت است.

اما حالا خواهید یافت:

همه چیز به «ژتون» تبدیل شده است.

در تأیید هویت، توکن‌هایی وجود دارد
توکن‌ها در امنیت سایبری
ویزا و مسترکارت توکن‌های شبکه‌ای دارند
توکن‌ها در بانکداری باز
استیبل کوین‌ها توکن هستند
توکن‌ها در هوش مصنوعی نیز

اصطلاح «توکن» در انگلیسی می‌تواند کاملاً گیج‌کننده باشد، زیرا در ابتدا فقط به معنای «جایگزین» بود، اما اکنون تقریباً هر چیزی را می‌توان توکن نامید.

اما در هر صورت، شما باید مدل اقتصادی پشت آن را درک کنید.

در نهایت، چه در هوش مصنوعی و چه در شبکه‌های پرداخت، آنچه تجربه کاربری را تعیین می‌کند، همچنان موارد زیر است:

• سرعت

• هزینه

این دو عامل پیوسته ما را به واقعیت بازمی‌گردانند.

سایمون تیلور:
پهال، از بینش امروزت خیلی ممنونم. به عنوان کسی که مدت‌هاست اخبار انویدیا را دنبال می‌کند و همچنین بخشی از صنعت پرداخت است، این گفتگو بسیار جالب بوده است. اگر مردم بخواهند درباره شما یا فعالیت‌های انویدیا در حوزه پرداخت اطلاعات بیشتری کسب کنند، به کجا می‌توانند مراجعه کنند؟

پاهال پاتانگیا:
افراد می‌توانند از طریق لینکدین یا ایمیل با من در ارتباط باشند.

اگر می‌خواهید درباره فعالیت‌های انویدیا در حوزه خدمات مالی اطلاعات کسب کنید، می‌توانید به وب‌سایت رسمی انویدیا مراجعه کنید، جایی که ما یک صفحه اختصاصی در صنعت داریم که جزئیات فعالیت‌هایمان در حوزه پرداخت، بانکداری و بازارهای سرمایه را شرح می‌دهد.

ما امیدواریم که قابلیت‌های هوش مصنوعی را به کل اکوسیستم بیاوریم و خوشحالیم که شریک شما هستیم.

سایمون تیلور:
عالیه، ممنونم. بم، اگر مردم بخواهند با شبکه مش ارتباط برقرار کنند یا با شما تماس بگیرند، چگونه باید این کار را انجام دهند؟

بم عزیزی:
می‌توانید به meshpay.com مراجعه کنید، یا Mesh Pay را در توییتر یا لینکدین جستجو کنید. اگر می‌خواهید من را پیدا کنید، می‌توانید در تلگرام یا توییتر، بم عزیزی را جستجو کنید.

سایمون تیلور:
همچنین می‌توانید من را در پلتفرم‌های مختلف پیدا کنید یا از finttechbrainfood.com دیدن کنید. من اخیراً مقاله‌ای در مورد «تجارت نامرئی» نوشتم و در آن به برخی از مشکلات احتمالی در مورد Agentic Commerce پرداختم. اگر از این نمایش لذت بردید، فراموش نکنید که مشترک شوید، لایک کنید و با دوستان خود به اشتراک بگذارید تا افراد بیشتری بتوانند این محتوا را ببینند. دفعه بعد می‌بینمت.