ما توی مدل DeepSeek R1 هم دقیقاً همین نتیجه رو دیدیم. اینکه مدل توکن‌های بیشتری رو صرف فکر کردن کنه، لزوماً به معنی رسیدن به جواب درست نیست. در واقع، با تقریباً نصف اون تعداد توکن هم می‌شد به همون جواب رسید.
اگر خواستید میتونیم در مورد اش بیشتر صحبت کنیم

وقتی یک مدل زبانی بزرگ مثل ChatGPT منتشر شد، خیلی از شرکت‌ها تازه فهمیدند باید استراتژی و مسیر محصولاتشون رو کلاً بازبینی کنند.

توی سال ۲۰۲۳، حس و حال آزمایشگاه‌های بزرگ هوش مصنوعی نسبت به AGI (هوش مصنوعی عمومی) کلاً تغییر کرد. دیگه صحبت از ۱۰ سال آینده نبود؛ صحبت از این بود که توی ۳ تا ۵ سال آینده به AGI می‌رسیم.

چرا به یک تیم افق AGI نیاز داریم؟

جهش از ابزار به هوش عمومی: منظور از AGI سیستمیه که می‌تونه توی اکثر کارهای شناختی، بهتر از یک انسان متوسط عمل کنه (مثلاً انجام ۹۰ درصد کارهای مارکتینگ بهتر از یک مارکتیر).

احتمال رویداد تحول‌آفرین یا حتی نابودکننده: اگه شرکتی مثل OpenAI یا Google DeepMind به AGI برسه، تمام مدل‌های کسب‌وکار قبلی غافلگیر میشن. حتی اگه احتمال این اتفاق توی ۵ سال آینده کم باشه، اثرش اون‌قدر بزرگه که ارزش برنامه‌ریزی داره.

سرعت گرفتن روند: در حال حاضر احتمال اینکه ظرف ۱ تا ۲ سال آینده یکی از این آزمایشگاه‌ها ادعای رسیدن به AGI رو بکنه، بالای ۵۰ درصده.

تشکیل یک تیم تخصصی به اسم «تیم افق AGI» به سازمان‌ها کمک میکنه تا پیشرفت‌های این حوزه رو زیر نظر بگیرند، تهدیدها و فرصت‌ها رو ارزیابی کنند و قبل از اینکه خیلی دیر بشه، آماده تغییرات زیربنایی باشند.

#هوش_مصنوعی
#استراتژی_کسب_و_کار
#توسعه_نرم_افزار
#فناوری
#مدیریت_نوآوری

وقتی صحبت از فراتر رفتن از AGI و رسیدن به ابرهوش مصنوعی (ASI) میشه، خیلی‌ها یا زمان‌بندی‌های تخیلی میدن یا بر اساس حس و گمان حرف می‌زنند. اما نگاه عمیق مهندسی به این مسیر نشان میده که به جای حدس زدن زمان، باید مسیرهای ممکن، ترمزهای واقعی و چالش‌های حل‌نشده رو بررسی کرد.

واقعیت اینه که AGI مثل یک کلید صفر و یک نیست که یهو روشن بشه. حتی اگه هوشِ مدل‌های پایه توی یک نقطه‌ای متوقف بشه، باز هم میشه با اجرا کردن هزاران نسخه هم‌زمان، بالا بردن سرعتشون و دادن زمان بیشتر برای تفکر، به قابلیت‌های فوق‌العاده جدیدی رسید. قدرت محاسباتی سالانه ۱۰ برابر رشد میکنه و همین حجم سنگین محاسبات خودش رو شبیه به یک جهش هوشی جدید نشان میده.

برای رسیدن به ASI چهار مسیر موازی وجود داره که می‌تونند هم‌زمان پیش برن: ادامه دادن اسکیل مدل‌ها، کشف روش‌های الگوریتمی جدید، خودبهینه‌سازی سیستم‌ها (همون حلقه بازگشتی که هوش مصنوعی خودش، خودش رو توسعه میده) و در نهایت همکاری شبکه‌ای از ایجنت‌های هوشمند. مرز نهایی هوش رو میشه بر اساس نظریه ریاضی Universal AI بررسی کرد که نشان میده روش‌های امروزی فقط یک تقریب ساده از اون هوش مطلق هستند.

البته ابرهوش هم قرار نیست یک سیستم شکست‌ناپذیر باشه. ASI باز هم محدود به قوانین فیزیک مثل سرعت نور و مصرف انرژی محاسباتی میفته و توی دنیای واقعی نمیشه آزمایش‌های کند زیستی یا فرآیندهای زمانی رو دور زد. از طرفی ترمزهای بزرگ دیگری مثل محدودیت شدید انرژی، کمبود داده و «دیوار انتزاع» هم وجود دارند؛ یعنی این سوال که آیا ذهن‌های دیجیتالی اصلاً می‌تونند مثل انسان‌ها مفاهیم عمیق انتزاعی بسازند یا نه.

این نوع تحلیل به جای دادن زمان‌بندی‌های غیرواقعی، یک نقشه راه از مسیرها و محدودیت‌های دنیای واقعی جلو قرار میده که دید خیلی روشن‌تری از آینده هوش مصنوعی میسازه.

#هوش_مصنوعی
#AIAgents

یک قاضی آمریکایی رأی داده که لیست ‌سیاه کردن Anthropic توسط پنتاگون (دولت ترامپ) غیرقانونی بوده

این یعنی چی؟

یعنی Anthropic دوباره می‌تونه تو قراردادهای نظامی شرکت کنه.

درآمد سالانه‌شون هم ظاهراً به سطح خیلی بالایی رسیده.

رقابت OpenAI و Anthropic هر روز داغ‌تر می‌شه.

تحقیق جدید گوگل نشون میده که تعداد کلمات یا توکن‌هایی که یک هوش مصنوعی می‌نویسه، ملاک خوبی برای سنجش میزان تفکر و استدلالش نیست و خیلی وقت‌ها مدل فقط داره وراجی میکنه.

برای حل این مشکل، آن‌ها مفهوم جدیدی به اسم «توکن‌های تفکر عمیق» رو معرفی کردن؛ یعنی توکن‌هایی که مدل روی اون‌ها توی لایه‌های درونی خودش دچار چالش و تغییر نظر میشه تا به جواب درست برسه.

نسبت این توکن‌های عمیق خیلی بهتر از تعداد کلمات یا میزان اعتماد به نفس مدل، می‌تونه دقتش رو توی مسائل سخت ریاضی و علمی پیش‌بینی کنه.
حتی از این روش یک استراتژی جدید به اسم Think@n درست کردن که کمک میکنه جواب‌هایی که تفکر واقعی پشتشون هست انتخاب بشن و جواب‌های به درد نخور زودتر حذف بشن؛ با این کار هم کیفیت بالا می‌مونه و هم هزینه‌ها کمتر میشه.
خلاصه اینکه در دوران جدید هوش مصنوعی، مهم این نیست که مدل چقدر طولانی می‌نویسه، بلکه مهم اینه که چقدر توی هر مرحله واقعاً داره فکر میکنه.

#هوش_مصنوعی
#Ai

🔥 مسیر رایگان یادگیری وب، از صفر تا فول‌استک
خسته شدید از فیلم دیدن‌های بی‌پایان بدون نتیجه؟ اینجا برعکسه: از روز اول پروژه می‌زنید 💪
✅ پروژه‌محور، نه فیلم‌محور
✅ حتی اگه صفر صفرید، یه فاز کامل داریم پایه‌های JS رو از صفر یاد می‌گیرید
✅ گروه پشتیبانی + کدریویو هفتگی
✅ آخر مسیر، یه پروژه واقعی فول‌استک تو کارنومتونه
✅ کاملاً رایگان
برای ثبت‌نام و پیوستن پیام بدید:
🆔 @hamiwebsite
بیاید با هم شروع کنیم 🚀

به نظرم GrokBot از خیلی جهات هنوز پشت Codex و GPT Work قرار داره، اما یک ایده‌ی جالب در تجربه کاربری داره: شخصیت دادن به نشست‌های گفتگو.

در این مدل، Agent در واقع یک نشست مشخص با اسم، هدف، دستورالعمل و مهارت‌های مخصوص خودشه.

یعنی به‌جای اینکه برای هر کار یک چت جدید بسازیم، چند Agent مشخص داریم:

🧑‍💻 برنامه‌نویسی
📊 تحلیل داده
📰 اخبار
🤖 دستیار شخصی

از طرفی Automation و Cronjob هم داخل همون نشست قرار می‌گیرن، در حالی که مهارت‌ها و افزونه‌ها می‌تونن بین Agentها مشترک باشن.

#هوش_مصنوعی

#Agents
#Grok
#Codex
#AIUX

امروز دوباره یه لحظه از اون لحظه‌هایی بود که واقعاً از قابلیت‌های AI حیرت زده شدم.

داشتم بین Agentهای مختلف کار می‌کردم؛ یه سری روی CLI و یه سری داخل اپ‌ها. فایل‌های Handoff رو بینشون جابه‌جا می‌کردم.

یکی از Agentها کارش تموم شد و گزارش رو داد که ببرم داخل CLI.

رفتم سراغ تب بعدی که گزارش رو Copy/Paste کنم و ...

ولی دیدم خودش گزارش رو مستقیم داخل همون Session روی CLI فرستاده!

من اصلاً بهش نگفته بودم این کار رو انجام بده.

جالب‌تر اینکه مدل‌ها، Providerها و Sessionها هم متفاوت بودن؛ با این حال Agent خودش متوجه شده بود این گزارش باید به کدوم Session برسه.



پ.ن : ما دیگه فقط با مدل‌هایی که جواب میدن کار نمی‌کنیم.

داریم با Agentهایی کار می‌کنیم که محیط، Context و هدف کار رو می‌فهمن و بین ابزارهای مختلف هماهنگ میشن.

#هوش_مصنوعی

#Ai
#Agent

یه چیزی که فکر می‌کنم خیلی زودتر از چیزی که انتظار داریم جدی بشه، امنیت AI Agentهاست.

تا همین چند وقت پیش وقتی می‌گفتیم امنیت هوش مصنوعی بیشتر ذهنمون می‌رفت سمت prompt injection و jailbreak یا لو رفتن اطلاعات از داخل چت.

ولی Agentها داستان رو عوض کردن.

چون Agent فقط جواب نمی‌ده.
می‌تونه API صدا بزنه، فایل بخونه، به دیتابیس وصل بشه، ابزار اجرا کنه و حتی با Agentهای دیگه ارتباط داشته باشه.

حالا تصور کن یک Agent هک بشه یا یک prompt مخرب باعث بشه از محدوده‌ای که براش تعریف شده خارج بشه.

مشکل دیگه فقط این نیست که چه جوابی به کاربر داده.

مشکل اینه که چه کاری انجام داده.

برای همین بازار جدیدی داره شکل می‌گیره به اسم AI Agent Security.

جالب اینجاست که شرکت‌هایی مثل CyberArk، SailPoint، WitnessAI و Noma Security دارن روی همین موضوع کار می‌کنن و حتی Tigera هم Lynx رو برای امنیت Agentهای اجراشده روی Kubernetes معرفی کرده.

مثلاً ایده Lynx اینه که ارتباطات Agent با LLM، ابزارها و Agentهای دیگه تحت کنترل باشه؛ برای Agent هویت ایجاد بشه، دسترسی‌ها محدود بشن، رفتار Agent مانیتور بشه و اگر رفتار مشکوکی دیدیم، Agent بتونه قرنطینه بشه. حتی از eBPF برای مشاهده فعالیت‌هایی مثل network call، syscall و دسترسی به فایل استفاده می‌کنه.

به نظرم این قسمت ماجرا خیلی مهمه.

چون ما داریم به سمتی می‌ریم که تعداد زیادی Agent داخل شرکت‌ها، سرورها و Kubernetes اجرا می‌شن و هرکدوم یک‌سری دسترسی دارن.

اون موقع دیگه اینکه این Agent خوبه یا بد؟ سؤال اصلی نیست.

سؤال اینه:

این Agent دقیقاً کیه؟

به چی دسترسی داره؟

چه کاری اجازه داره انجام بده؟

با چه چیزی ارتباط گرفته؟

و اگر یک روز رفتار عجیبی از خودش نشون داد، چه کسی می‌تونه متوقفش کنه؟

به نظرم یکی از بازارهای خیلی جدی چند سال آینده همینجاست.

چون هرچقدر Agentها قدرتمندتر بشن، امنیتشون هم باید از یه API Key و چندتا permission خیلی فراتر بره.

و احتمالاً به زودی امنیت Agentها، درست مثل امنیت سرویس‌ها و کانتینرها، تبدیل به یکی از اجزای عادی زیرساخت نرم‌افزار می‌شه.

شاید الان برای خیلی‌ها زوده.

ولی فکر نمی‌کنم برای مدت زیادی زود بمونه.


#Ai

آنتروپیک نسخه جدید Claude Fable 5.1 و Mythos 5.1 رو معرفی کرد.

مهم‌ترین تغییرات Fable 5.1:

• عملکرد بهتر در برنامه‌نویسی
• سرعت بیشتر و مصرف بهینه‌تر توکن
• عملکرد بهتر در کارهای Agentic و پیچیده
• حدود ۲۵٪ هزینه کمتر و تا ۴۵٪ کاهش هزینه در بعضی کارهای Agentic
• درک بهتر ابهام‌ها و جزئیات در داده‌ها
• سیستم Safety دقیق‌تر و با محدودیت‌های غیرضروری کمتر
• امکان استفاده برای شناسایی آسیب‌پذیری‌های نرم‌افزاری

و این Mythos 5.1 هم عملکرد قوی‌تری ارائه می‌ده، اما فعلاً فقط برای اعضای Project Glasswing در دسترسه.


#claude
#AgenticAI

از من به شما توصیه دوستان توی هر حوزه ای که کار میکنید تکبر رو بزارید کنار تا موفق بشید
اگر تکبر داشته باشید مسیر هموار پیچیده تر میشه براتون

اصول بنیادین مهندسی منسوخ نشده‌
حتما اگر روی اصول تمرکز نکردید حتما تمرکز کنید و بنای خوبی بسازید تا دیر نشده

من قبول دارم که نگاه عمومی نسبت به هوش مصنوعی منفی شده و این واقعاً یک مشکل جدی هست. اما فکر نمی‌کنم دلیل اصلی این موضوع من یا دیگر رهبران حوزه هوش مصنوعی باشیم که درباره خطرات AI هشدار میدیم.

به نظرم مسئله اصلی، بحران اعتماد هست.

مردم دیگه اعتماد زیادی به شرکت‌ها، دولت‌ها یا صنعت فناوری ندارند و همیشه این نگرانی رو دارند که شاید ما در حال طراحی یک راه جدید برای سوءاستفاده از اونا یا ضربه زدن به منافعشون باشیم. ریشه این بی‌اعتمادی هم به سال‌ها و حتی دهه‌ها قبل برمی‌گرده و هوش مصنوعی فقط جدیدترین نمونه این ماجراست.

به همین دلیل، فکر نمی‌کنم یک کمپین تبلیغاتی پرزرق‌وبرق با تمرکز روی جنبه‌های مثبت AI چیزی که بعضی‌ها پیشنهاد کردن Anthropic انجام بده  بتونه این اعتماد ازدست‌رفته رو برگردونه.

در شرایط فعلی، گفتن اینکه هوش مصنوعی قرار هست سرطان رو درمان کنه دیگه چندان الهام‌بخش نیست.

بیشتر شبیه یک شعار تبلیغاتی تکراری به نظر می‌رسه و حتی ممکن هست از نظر خیلی‌ها گمراه‌کننده باشه.

چیزی که واقعاً میتونه اعتماد مردم رو برگردونه، این هست که واقعاً سرطان رو درمان کنیم.

به نظرم مهم‌ترین و منصفانه‌ترین انتقادی که میشه به شرکت‌های هوش مصنوعی، از جمله Anthropic، وارد کرد این هست که ما هنوز نتونستیم به وعده‌های بزرگی که درباره تأثیر مثبت AI بر جهان دادیم، آن‌طور که باید عمل کنیم.

این مسئولیت کاملاً بر عهده خود ماست.
بنابراین فکر می‌کنم به جای اینکه مدام درباره پیام‌رسانی، تبلیغات و نحوه معرفی هوش مصنوعی صحبت کنیم، باید از ما بخواید نتیجه واقعی ارائه کنیم.

چون در نهایت چیزی که اعتماد مردم رو برمیگردونه، تبلیغات و شعار نیست.

عمل و دستاورد واقعی هست!!

شب همگی خوش❤️

یه اتفاق جالب توی دنیای AI افتاده که به نظرم خیلی‌ها هنوز جدی نگرفتن.
استارتاپ AIR به‌تازگی ۵۰ میلیون دلار سرمایه جذب کرده؛ برای چی؟

برای امنیت AI Agentها.

شاید در نگاه اول خیلی معمولی به نظر برسه، ولی اگر یکم عمیق‌تر نگاه کنیم، داستان خیلی مهم‌تره.

ما داریم وارد دوره‌ای می‌شیم که شرکت‌ها فقط چندتا مدل AI ندارند.

ده‌ها و صدها Agent دارن که به ابزارهای مختلف وصل می‌شن.

حالا سؤال مهم اینه:

از کجا بدونیم چیزی که Agent بهش دسترسی داره امنه؟
اگر یک Skill مخرب باشه چی؟
اگر یک MCP Server آلوده باشه چی؟
اگر Plugin دسترسی بیشتری از چیزی که باید داشته باشه بگیره چی؟

اینجاست که یک مفهوم جدید داره جدی می‌شه:

آقای Agent Security!

تقریباً شبیه همون چیزی که سال‌ها در Software Supply Chain Security داشتیم، ولی این بار برای اکوسیستم Agentها.

به نظرم این یکی از بازارهای جدی چند سال آینده‌ست.

چون هرچقدر Agentها قدرتمندتر بشن، سطح دسترسی‌شون هم بیشتر می‌شه.
و هرچقدر دسترسی بیشتر بشه، امنیت مهم‌تر می‌شه.

حالا دوست دارم نظر شما رو بدونم.

به نظرتون بزرگ‌ترین تهدید برای AI Agentها چیه؟

خود مدل؟
دسترسی به سیستم و Terminal؟
یا اشتباهات انسانی در زمان استفاده؟
بیاید اینجا درباره‌ش حرف بزنیم.
اگر تجربه‌ای در کار با Agentها، MCP یا امنیت این سیستم‌ها دارید، حتماً بنویسید.

احتمالاً تجربه شما می‌تونه برای خیلی‌های دیگه هم مفید باشه.

#AI
#AIAgents
#CyberSecurity
#AgentSecurity
#MCP
#DevOps
#SoftwareDevelopment

یه راه ساده برای سبک‌تر کردن Context مدل‌ها

اگه با Coding Agentها یا سیستم‌های RAG کار کرده باشید، احتمالاً دیدید که بعد از مدتی حجم اطلاعاتی که همراه هر درخواست به مدل فرستاده می‌شه، حسابی زیاد می‌شه. خروجی ابزارها، نتایج Search، لاگ‌ها و حتی فایل‌هایی که چند بار خونده شدن، دوباره وارد Context می‌شن و در نهایت هم هزینه بیشتری برای پردازش پرداخت می‌کنید.

خود هدروم اومده دقیقاً روی همین قسمت کار کنه. این پروژه به‌عنوان یک لایه بین برنامه شما و مدل قرار می‌گیره و قبل از ارسال درخواست، محتوای اضافی رو متناسب با نوع داده فشرده می‌کنه. برای مثال، خروجی‌های طولانی ابزارها، نتایج تکراری Search و داده‌های ساختاریافته می‌تونن بدون اینکه لازم باشه کل معماری Agent رو تغییر بدید، کوچک‌تر بشن.

یکی از ویژگی‌های جالبش اینه که برای همه داده‌ها از یک روش ثابت استفاده نمی‌کنه؛ برای لاگ، کد، JSON، نتایج Search و متن معمولی مسیرهای متفاوتی داره. در حالت‌های مختلف هم می‌تونه داده‌های فشرده‌شده رو به شکل قابل بازیابی نگه داره تا اگر Agent دوباره به نسخه کامل اطلاعات احتیاج داشت، امکان Retrieve وجود داشته باشه.

طبق Quickstart خود پروژه، در بعضی سناریوها کاهش مصرف قابل‌توجهه؛ مثلاً برای خروجی ابزارهایی که شامل لیست‌های بزرگ هستن حدود ۷۰ تا ۹۰٪ و برای نتایج جست‌وجوی تکراری حدود ۶۰ تا ۸۰٪ صرفه‌جویی گزارش شده. البته این اعداد به نوع داده و تنظیمات بستگی دارن و قرار نیست هر Context ای با همین نسبت کوچک بشه.

برای استفاده هم می‌تونی Headroom رو به‌صورت Proxy جلوی Agent قرار بدی یا از headroom wrap برای بعضی ابزارها استفاده کنی؛ در نتیجه لازم نیست برای استفاده ازش کل کدت رو بازنویسی کنی.

در واقع ایده‌اش خیلی ساده‌ست: قبل از اینکه Context رو بزرگ‌تر و پرهزینه‌تر کنی، ببین واقعاً کدوم قسمت‌های اطلاعات برای مدل ضروریه

لینک مخزن این پروژه : Github

#Ai

تازگیا تلگرام یک سری مشکلات پیدا کرده متاسفانه
هر آپدیتی به منظور افزایش کیفیت و بهره وری نیست

اگر در مورد اش سوالی داشتید بپرسید

هوش مصنوعی داره از صفحه‌نمایش بیرون میاد و وارد دنیای واقعی میشه.

یکی از شرکت‌هایی که این تغییر رو خیلی جدی دنبال می‌کنه، شرکت آلمانی NEURA Robotics هست؛ شرکتی که می‌خواد Physical AI رو از یک مفهوم تحقیقاتی به یک اکوسیستم واقعی برای ربات‌ها تبدیل کنه.

این NEURA اخیراً یک سرمایه‌گذاری Series C با ارزش بالقوه تا ۱.۴ میلیارد دلار اعلام کرده و حالا هدفش توسعه چیزی فراتر از چند ربات هوشمنده. ایده اصلی، ساخت اکوسیستمی به نام Neuraverse هست؛ جایی که ربات‌های انسان‌نما، ربات‌های صنعتی و ربات‌های متحرک بتونن از زیرساخت هوش مشترکی استفاده کنن، از محیط واقعی یاد بگیرن و با یکدیگر همکاری کنن.

نکته مهم اینجاست که NEURA فقط روی خود ربات تمرکز نکرده. ترکیبی از AI، سنسورها، پردازش لبه‌ای، زیرساخت یادگیری و سیستم‌های رباتیک در یک پلتفرم واحد قرار گرفته تا این ربات‌ها بتونن در محیط‌های واقعی فعالیت کنن.

حتی ACTIVE Shuttle که قبلاً توسط Bosch Rexroth توسعه داده شده بود، حالا وارد اکوسیستم NEURA شده تا یک سیستم حمل‌ونقل صنعتی موجود، به مرور با قابلیت‌های Physical AI ترکیب بشه.

این NEURA همچنین از چیزی به نام NEURA Gyms صحبت می‌کنه؛ محیط‌های واقعی بزرگی که برای آموزش و تمرین ربات‌های شناختی طراحی میشن. یعنی به‌جای اینکه مدل فقط روی داده‌های دیجیتال آموزش ببینه، باید با دنیای فیزیکی، اشیا، حرکت و محدودیت‌های واقعی هم تعامل داشته باشه.

اینجا به نظرم یک تغییر مهم در مسیر AI اتفاق می‌افته.

و در واقع LLM بیشتر با «اطلاعات» سر و کار دارن؛ اما Physical AI باید بتونه محیط رو درک کنه، تصمیم بگیره، حرکت کنه و نتیجه حرکت خودش رو دوباره مشاهده کنه.

یعنی چرخه‌ی واقعی:

Perception → Reasoning → Action → Feedback

و این دقیقاً جاییه که AI وارد مرحله‌ی جدیدی میشه.

از طرف دیگه، همکاری NEURA با شرکت‌هایی مثل Amazon، Qualcomm و Bosch نشون میده که Physical AI فقط یک پروژه رباتیک نیست؛ بلکه ترکیبی از AI، Edge Computing، سنسورها، Cloud Infrastructure، چیپ‌ها و مهندسی مکانیکه.

به نظرم رقابت بزرگ بعدی AI فقط روی مدل‌های زبانی نخواهد بود.

بخشی از رقابت اصلی روی این خواهد بود که چه کسی می‌تونه هوش مصنوعی رو از «تولید پاسخ» به «انجام عمل در دنیای واقعی» برسونه.

و اگر این اتفاق در مقیاس بالا عملی بشه، ربات‌ها دیگه صرفاً ماشین‌های برنامه‌ریزی‌شده نیستن؛ تبدیل میشن به Agentهایی که می‌بینن، تصمیم می‌گیرن، یاد می‌گیرن و عمل می‌کنن.

و در نهایت Physical AI شاید یکی از مهم‌ترین موج‌های بعدی هوش مصنوعی باشه.

#LLM
#AIAgents
#AI_Architecture

وزارت خارجه آمریکا اعلام کرد برای هر اطلاعاتی که به شناسایی محل «امیر یاریاب» از مقام‌های ارشد فرماندهی سایبری و جنگ الکترونیک سپاه پاسداران، منجر بشه تا 10 میلیون دلار(2200میلیارد تومن) پاداش میده!

سندروم ایمپاستر (Impostor Syndrome) یکی از عجیب‌ترین چیزهایی‌ که ممکنه مخصوصاً توی مسیر برنامه‌نویسی تجربه‌ش کنین.

همون حسی که باعث می‌شه با خودتون بگین: «من واقعاً برنامه‌نویسم؟ نکنه چیز زیادی بلد نیستم؟ نکنه بقیه بفهمن من اون‌قدرا هم خوب نیستم؟»

جالب اینجاست که خیلی وقت‌ها این حس دقیقاً زمانی سراغ آدم میاد که داره پیشرفت می‌کنه.

وارد یک پروژه جدید می‌شین، با یک تکنولوژی جدید روبه‌رو می‌شین، کد بقیه رو می‌بینین و ناگهان فکر می‌کنین همه از شما بهترن و شما فقط دارین نقش بازی می‌کنین.

ولی واقعیت اینه که برنامه‌نویسی حوزه‌ایه که تقریباً همیشه چیز جدیدی برای یاد گرفتن وجود داره.

حتی آدم‌های باتجربه هم با کدهایی مواجه می‌شن که نمی‌فهمن، باگ‌هایی دارن که ساعت‌ها براشون وقت می‌ذارن و گاهی مجبور می‌شن برن مستندات رو از اول بخونن.
مشکل از جایی شروع می‌شه که ناآشنا بودن با یک موضوع رو با «ناتوان بودن» اشتباه بگیریم.

اینکه امروز React، Docker، سیستم‌های توزیع‌شده یا یک API خاص رو بلد نیستین، به این معنی نیست که برنامه‌نویس خوبی نیستین. فقط یعنی هنوز اون بخش رو یاد نگرفتین.

به نظرم یکی از بهترین راه‌های مقابله با سندروم ایمپاستر اینه که پیشرفت خودتون رو با نسخه قبلی خودتون مقایسه کنین، نه با کسی که چند سال بیشتر از شما تجربه داره.

قرار نیست همه‌چیز رو بلد باشین. قرار نیست همیشه مطمئن باشین. حتی قرار نیست همیشه بهترین آدم داخل تیم باشین.
فقط باید مطمئن باشین که هر بار که با چیزی مواجه می‌شین که بلد نیستین، می‌تونین یادش بگیرین.

#توصیه