هوش مصنوعی سرعت کد زدن رو کم می‌کنه — ولی حس بهتری می‌ده!

یه تحقیق جدید نشون داده وقتی برنامه‌نویسای حرفه‌ای از ابزارهایی مثل Cursor استفاده کردن، نه‌تنها سریع‌تر نشدن، بلکه حدود ۱۹٪ کندتر بودن. چون پیشنهادای AI معمولاً «نزدیک» به جواب درست بودن و درست کردنشون وقت‌گیرتر از نوشتن کد از صفر بود.

ولی با این حال، خیلیا باز ازش استفاده کردن چون کار کردن باهاش راحت‌تر و کم‌استرس‌تر بود. یعنی انگار فشار ذهنی رو کم می‌کنه، حتی اگه زمان رو زیاد کنه.

مطالعه بیشتر: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

@Ai_Events

Call for Research Assistants in Large Language Model Projects

If you are familiar with Large Language Models (LLMs), you are invited to join our research projects as a research assistant. These projects focus on advanced topics in reasoning with large language models and are jointly supervised by Dr. Rohban and Dr. Jafari. The projects are conducted within the RIML and INL laboratories at Sharif University of Technology, and may also be considered as undergraduate thesis projects, if applicable. If you are interested, please complete the following form:
Registration Form

@Ai_Events

بات‌های تراپی بر پایه‌ی هوش مصنوعی در حال شکست هستند و گاهی اوضاع را بدتر می‌کنند!

دانشگاه استنفورد بات‌های محبوب تراپی هوش مصنوعی را آزمایش کرد و متوجه شد که آن‌ها در تراپی واقعی عملکرد ضعیفی دارند. برخی از این سیستم‌ها کاربران مبتلا به اسکیزوفرنیا یا اعتیاد را مورد انگ قرار دادند. دیگران پاسخ‌های بی‌حساسیت ارائه دادند — مثل ارائه‌ی اطلاعات پراکنده به افرادی که در پریشانی بودند.
این بات‌ها با افسردگی "ملایم" برخورد کردند اما موارد جدی را اشتباه مدیریت کردند. هوش مصنوعی برای مراقبت‌های واقعی سلامت روان آماده نیست. در بهترین حالت، آن‌ها می‌توانند وظایف اداری را انجام دهند، نه احساسات انسانی را مدیریت کنند.

نکته اینکه درمان سلامت روان نیازمند درک عمیق احساسات، همدلی، و قضاوت انسانی است — مهارت‌هایی که هوش مصنوعی فعلی فاقد آن است. بات‌های تراپی اغلب بر اساس الگوهای زبانی آموزش دیده‌اند، نه تجربه‌ی واقعی درمانی. این مطالعه هشداری است که نباید از این فناوری‌ها به‌عنوان جایگزین کامل درمان انسانی استفاده کرد، بلکه حداکثر می‌توان آن‌ها را به‌عنوان ابزار کمکی و تحت نظارت متخصصان بکار برد.

به نظر میرسه بهتره یه بخشی از تمرکز بهبود llmها روی این مورد معطوف بشه، چرا که اشکالاتی که به مدل‌ها گرفته میشه (مثل نداشتن درک احساسات، همدلی و ...) تو این حوزه میتونه بهبود پیدا کنه.

@Ai_Events

#حسام_آرمندهی، بنیان‌گذار دیوار، صلاحیت حضور تو هیئت مدیره دیوار رو نداره؟

توضیح چرایی این تصمیم از طرف نهاد ناظر، کمک بسیاری به روشن شدن و رفع ابهام‌های پیش اومده می‌کنه.

فقط من تو بهت این هستم که با وجود این‌همه عقل کل که تشخیص میدن طرف تو شرکت خودش نباید عضو هیئت مدیره باشه، چطور تو تامین مایحتاج زندگیمون مسئله داریم؟ #آب #برق #گاز #گازوییل #انرژی #حمل_نقل_عمومی

حسام آرمندهی: به دلیل رد صلاحیت اینجانب از حضور در شرکت خودم، بدین وسیله به‌عنوان موسس، رئیس هیئت‌مدیره و سهامدار اصلی این مجموعه، مخالفت خود را برای حضور در بازار بورس تهران اعلام می‌دارم.

منبع: https://peivast.com/p/238369

@Ai_Events

Compositional Learning Journal Club

Join us this week for an in-depth discussion on Unlearning in Deep generative models in the context of cutting-edge generative models. We will explore recent breakthroughs and challenges, focusing on how these models handle unlearning tasks and where improvements can be made.

✅ This Week's Presentation:

🔹 Title: Categorical Reparameterization with Gumbel-Softmax


🔸 Presenter: Aryan Komaei

🌀 Abstract:
This paper addresses the challenge of using categorical variables in stochastic neural networks, which traditionally struggle with backpropagation due to non-differentiable sampling. The authors propose the Gumbel-Softmax distribution as a solution — a differentiable approximation of categorical variables that allows for efficient gradient-based optimization. The key benefit is that it can be smoothly annealed to behave like a true categorical distribution. The method outperforms previous gradient estimators in tasks like structured prediction and generative modeling, and also enables significant speedups in semi-supervised classification.

Session Details:
- 📅 Date: Tuesday
- 🕒 Time: 11:00 - 12:30 PM
- 🌐 Location: Online at vc.sharif.edu/ch/rohban

We look forward to your participation!

@Ai_Events

AI education keeps getting better

OpenAI just launched study more in ChatGPT. Instead of just giving answers, it guides through problems step-by-step using Socratic questioning, hints, and self-reflection

2025 is becoming the self-learner's paradise

@Ai_Events

ارائۀ علمی «تحلیل صحنه شنیداری در مغز: چگونه از هیاهو، معنا را بیرون می‌کشیم؟»
(Cortical Mechanisms of Auditory Scene Analysis)

👤ارائه‌دهنده:
میثم امیرسرداری
دانشجوی دکتری در دانشگاه مریلند

📖 مناسب برای همهٔ ذهن‌های کنجکاو و علم‌جو، از نوجوانان تا دانشجویان علاقه‌مند به علوم شناختی، نوروساینس و هوش مصنوعی

❗️پیش‌نیازها: هدفون مناسب و محیط آرام، برای تجربه بهتر آزمایش‌های تعاملی

🗓 دوشنبه، ۱۳ مرداد
⏰ ساعت ۱۸

🔗 لینک ورود به جلسه
🔔 اضافه کردن رویداد به تقویم گوگل

@Ai_Events

متا شما را با AI می‌خواهد!

در یک تغییر بزرگ و جسورانه، شرکت متا (مالک فیسبوک، اینستاگرام و واتساپ) در حال آزمایش نوع جدیدی از مصاحبه‌های شغلی است که در آن داوطلبان می‌توانند از ابزارهای هوش مصنوعی مانند ChatGPT برای حل مسائل برنامه‌نویسی استفاده کنند.

به‌جای استفاده از وایت‌بورد و نوشتن کد روی کاغذ، حالا مصاحبه‌ها بیشتر شبیه به دنیای واقعی کار هستند، جایی که مهندس‌ها از ابزارهای کمکی مانند Copilot یا ChatGPT برای افزایش بهره‌وری استفاده می‌کنند.

متا این سبک جدید را "مصاحبه‌ با کمک هوش مصنوعی" (AI-enabled interviews) می‌نامد و هدف آن این است که ببیند شما چطور با ماشین‌ها فکر می‌کنید، نه فقط اینکه بتوانید یک الگوریتم بنویسید.

در حال حاضر این فرمت به‌صورت آزمایشی و داخلی توسط مهندسان متا اجرا می‌شود تا نقاط ضعف و قوت آن شناسایی شود.

به‌جای تمرکز صرف بر حل مسئله، تمرکز حالا بر نحوه استفاده هوشمندانه از ابزارهای AI قرار گرفته است — مثلاً اینکه چطور یک مشکل را با کمک ChatGPT بشکنید، تجزیه تحلیل کنید، و راه‌حل بسازید.

این تغییر همچنین پاسخی است به پدیده تقلب در مصاحبه‌های فنی، جایی که داوطلبان از AI به‌صورت پنهانی کمک می‌گرفتند. حالا این کمک نه تنها ممنوع نیست، بلکه بخشی از فرآیند است.

✅ نتیجه؟ اگر می‌خواهید در متا استخدام شوید، فقط دانش فنی کافی نیست، شما باید نشان دهید که چطور با هوش مصنوعی همکاری می‌کنید، تصمیم‌گیری می‌کنید، و از آن در زمان مناسب بهره می‌گیرید.

دنیای کار عوض شده — و متا هم مسیر جدیدی برای کشف استعدادها انتخاب کرده است.

@Ai_Events

Elon Musk on X

@Ai_Events

🔵کد باید به شما بگوید چگونه، کامنت باید بگوید چرا!🔵

فرض کنید کدی به شما تحویل می دهند که مربوط به یک سیستم پرداخت است. فایلی را باز می کنید و چیزی شبیه به این میبینید:

# Parse the JSON response
data = json.loads(response.text)

با خودتان فکر میکنید خب این کامنت به چه دردی می خورد؟ خود کد دقیقا همان کار را می کند. سوال این است که چرا چنین فایلی اصلا خوانده و پارس می شود؟ این کد چه فرض هایی دارد و در نهایت می خواهد چکار کند؟ ساعت ها کد را بالا پایین می کنید تا بالاخره میفهمید «آها» و دلیل نهایی آن را می فهمید.

حالا تصور کنید که کد پایین را می بینید:
# The payment gateway sometimes returns a 200 OK with an embedded error message in JSON.
# We parse the body here before the upstream validation so we can extract error codes early.
data = json.loads(response.text)


به یکباره همه چیز روشن می شود: حالا می دانید که چرا این کد اینجا نوشته شده است. این why به شما دقیقا می گوید مساله چیست. این همان تفاوت میان «کامنت‌های چگونه» (توضیح دادن اینکه کد چه می‌کند) و «کامنت‌های چرا» (توضیح دادن منطق و دلیل) است. و در دنیای توسعهٔ نرم‌افزار مدرن، کامنت‌های چرا همیشه برنده‌اند.

کامنت های چگونه هیچ ارزش افزوده ای ایجاد نمی کنند شما باید کدتان آنقدر تمیز باشد که نیازی به کامنت «چگونه» نداشته باشید. برای این کار باید متغیر های با معنا انتخاب کنید و از منطق های پیچیده برای انجام کاری مشخص پرهیز کنید. با این حال چگونه انجام دادن چیزی به شما نمی گوید «چرا» این کار را انجام می دهیم. به صورت مشخص تر کد ها تهی از «نیت» (intention) و «چرایی» هستند. به مثال زیر توجه کنید:

def calculate_settlement_amount(transactions):
    """
    Calculates the final settlement amount.

    Why: 
    - We apply a 3-day rolling average to smooth out FX fluctuations (requested by Finance, Jan 2024).
    - Exclude refunds pending investigation (compliance requirement).
    - Round to 2 decimal places because the downstream ledger rejects more precision.
    """
    # Exclude suspicious refunds
    filtered = [t for t in transactions if not t.pending_investigation]

    # Apply rolling average for FX normalization
    normalized = rolling_average(filtered, days=3)

    # Sum and round
    return round(sum(t.amount for t in normalized), 2)

بدون این کامنت‌ها، یک توسعه‌دهندهٔ آینده ممکن است میانگین متحرک را حذف کند (با این تصور که لازم نیست) یا گرد کردن را تغییر دهد (بی‌آنکه بداند این باعث ایجاد خطا در خروجی این تابع می شود که جای دیگری استفاده می شود). اما با این توضیحات، فوراً می‌فهمد چرا این کد این‌طور نوشته شده محدودیت‌های تجاری، تصمیمات تاریخی و نیازمندی‌های سیستمی.

این اطلاعاتی است که فقط با نگاه به کد نمی‌توان به دست آورد. «کامنت‌های چگونه» با تغییر پیاده‌سازی از بین می‌روند. «کامنت‌های چرا» زنده می‌مانند چون هدف را توضیح می‌دهند، نه نحو کد را.
حالت های استثنایی وجود دارد که کامنت های چگونه می توانند مفید باشند. مثلا زمانی که خود عملیات کمی پیچیده بنظر می رسد. مثلا مورد زیر را در نظر بگیرید

# Bit trick: drops the lowest set bit (faster than looping)
x &= x - 1

با این حال چنین مواردی استثنا هستند

قاعدهٔ طلایی: بگذارید کد «چگونه» را توضیح دهد. بگذارید کامنت «چرا» را توضیح دهد. اگر می‌بینید کامنت فقط چیزی را که کد نشان می‌دهد تکرار می‌کند، ننویسید. اگر دارید توضیح می‌دهید چرا این خط وجود دارد به‌خصوص وقتی دلیلش بدیهی نیست، درست عمل کرده‌اید.
@matlabtips


@Ai_Events

حاجی GPT5 با این همه توهمی که اجدادش داشتن، داره یواش یواش یاد میگیره که اطلاعاتش کامل نیست و نمی‌تونه جواب درست به بعضی از مسائل بده!

@Ai_Events

ما با اون حجم دانایی که اجدادمون داشتند، کماکان متوهم :)))

#موقت

xAI latest Grok model has finished pre-training and will be natively multimodal.

@Ai_Events

اعلام انتشار مجموعه‌داده‌ی فرش ایرانی در پلتفرم Kaggle

به اطلاع پژوهشگران، متخصصان پردازش تصویر و علاقه‌مندان به هنر اصیل ایرانی می‌رساند، مجموعه‌دانه‌ی جدید "Iranian Carpet Dataset: Lechak-Toranj & Afshan" با همت سیامک سربازی و مهدی سربازی در پلتفرم Kaggle منتشر شد.

ویژگی‌های کلیدی این مجموعه‌داده:
✅ شامل تصاویر باکیفیت از دو طرح ماندگار فرش ایرانی: «لچک‌ترنج» و «افشان»
✅ مناسب برای پژوهش‌های حوزه‌ی طبقه‌بندی تصاویر، تولید داده‌های بصری و بازشناسی الگو
✅ دسترسی آزاد و رایگان با شناسه‌ی DOI: [https://doi.org/10.34740/kaggle/dsv/12702937]

📥 دریافت مجموعه‌داده:
علاقه‌مندان می‌توانند از طریق لینک فوق، داده‌ها را دانلود و در پروژه‌های پژوهشی و صنعتی مورد استفاده قرار دهند.

🌐 اطلاعات تکمیلی:
برای دسترسی به مستندات و کدهای مرتبط، به صفحه‌ی گیت‌هاب پروژه مراجعه نمایید:
github.com/mahdisarbazi/Iranian-Carpet-Dataset-Lechak-Toranj-Afshan-Patterns

@Ai_Events

‏تردید نکن که نوری هست.
شاید چندان نباشد که گفته‌اند،
امّا آنقدر هست که از پس تاریکی‌ات برآید.

❤
@Ai_Events

Sam Altman says a child born today will never be smarter than AI. By the time they understand the world, rapid scientific progress will feel normal.

It will be unthinkable that people once used technology less intelligent than themselves. "The 2020s will look like the stone age".

@Ai_Events

دنیا داره عجیب‌تر میشه 😂😂😂
صبح‌تون بخیر

@Ai_Events