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

مفسر Wasm حدود ۲.۲ برابر سریع‌تر شده؛ و اینجا مهمه که V8 همیشه کمکتون نمی‌کنه.

داخل مرورگر، WebAssembly معمولاً با JIT اجرا می‌شه و به همین دلیل خیلی از فرانت‌اندکارها اصلاً به Interpreter فکر نمی‌کنن.

اما وقتی Wasm از محیط مرورگر خارج می‌شه و وارد Pluginها، Edge Functionها، اپلیکیشن‌های iOS و Sandboxها می‌شه، شرایط فرق می‌کنه. JIT ممکنه به‌خاطر محدودیت‌های امنیتی ممنوع باشه یا اصلاً از نظر مصرف حافظه مناسب نباشه.

اینجاست که Wasmi، یک Interpreter نوشته‌شده با Rust، وارد می‌شه.

طبق بنچمارک‌های خود پروژه، نسخه 2.0 در میانگین هندسی تست‌ها حدود ۲.۲ برابر سریع‌تر از نسخه 1.0 شده.

پشت این افزایش عملکرد چند تغییر مهم وجود داره؛ از جمله چهار حالت مختلف برای Dispatch به‌جای یک switch-loop، یک IR جدید با رجیسترهای accumulator و ساختار CodeMap که باعث می‌شه هنگام فراخوانی تابع حتی یک Lookup هم انجام نشه.

نکته جالب دیگه اینه که فعال کردن SIMD دیگه مثل قبل باعث افت عملکرد کدهای معمولی نمی‌شه؛ در نسخه 1.0 این قابلیت حدود ۸٪ هزینه عملکردی داشت.

بنچمارک‌ها هم از طریق ریپازیتوری wasmi-benchmarks قابل تکرارن و عملکرد Wasmi با پروژه‌هایی مثل Wasm3، WAMR و Wasmtime Pulley مقایسه شده.

در واقع، این آپدیت بیشتر برای جاهایی مهمه که نمی‌تونیم روی JIT موتورهایی مثل V8 حساب کنیم؛ جایی که یک Interpreter سریع مستقیماً روی Performance تأثیر می‌ذاره.


#wasm
#performance

DLSS 5 | Introducing 3D-Guided Neural Rendering

https://youtu.be/58FagrSqC4M


Learn more about DLSS 5:
https://www.nvidia.com/en-us/geforce/news/dlss-5-3d-guided-neural-rendering/

نکته جالب در این ویدئو اینه که مسیر NVIDIA داره بیشتر از Traditional Rendering به سمت Neural Rendering حرکت می‌کنه.

شاید در آینده GPU فقط محاسبات گرافیکی رو انجام نده.

بخشی از کاری که قبلاً با الگوریتم‌های کلاسیک انجام می‌شد، به مدل‌های AI سپرده بشه شاید قطعی نیست.

الکامپ شده اکثرا ساختارش: محتوا + AI

اگر محصولی ساخته میشه = حداقل تسلط روی پروژه داشته باشید

پیاده سازی محصول با AI خوبه.

اما در بلند مدت کیفیت اش اصولا کاهش پیدا می‌کنه

۵ تا سوال بپرسین نمیدونن چطور پاسخ بدند.

شما الکامپ رفتید؟
چه تجربه ای کسب کردید؟

ویدیو جدید به زودی  🔥

صنعت هوش مصنوعی تا الان حدود ۲۶۵ میلیون دلار وارد انتخابات میان‌دوره‌ی آمریکا کرده. فقط برای اینکه یادتون باشه، مثلا Andreessen Horowitz تنهایی ۵۰ میلیون و OpenAI اومده 25 میلیون، Anthropic هم حداقل ۴۰ میلیون. حالا سوال اینجاست: این شرکتا که مدعی‌ هستن دارن آینده‌ی بشریت رو می‌سازن، چرا این‌قدر پولشون رو خرج سیاست می‌کنن؟

واشنگتن‌پست یه تحقیقی کرده و معلوم شده دست‌کم ۳۹ تا کمپین سیاسی به شرکت‌های AI پول دادن برای تولید محتوا. تبلیغات، پست، کاریکاتور، اسمشو بذار. در حالی که استفاده‌ی سیاسی از ChatGPT رسماً ممنوعه!

یعنی چی؟ یعنی قانون می‌گن، ولی عملاً هیچ‌کس پاشو نمیذاره رو خط. و خبر بدتر اینکه اصلاً نمیشه فهمید یه محتوا رو آدم نوشته یا ماشین. Anthropic حتی یه ابزار به اسم Claude for President درست کرده که کمپین‌ها می‌تونن باهاش محتوا بسازن.

به نظرم اینجا یه خط قرمز داره رد میشه. قبلاً حداقل می‌دونستیم وقتی یه تبلیغ سیاسی می‌بینیم، پشتش یه آدمه با انگیزه و حداقل یه ذره مسئولیت. حالا پشتش کیه؟ یه مدل که بهش گفتن چی بنویسه. و وقتی مردم بفهمن بهشون دروغ گفته شده، مقصر رو پیدا می‌کنن؟ هیچ‌کس.

خلاصه اینکه دارن دروازه‌ی سیاست رو هم مثل بقیه‌ی چیزها با AI باز می‌کنن. و من نمیگم AI بد هست ولی یه چیزی رو خوب داریم می‌بینیم: هر جا پول زیاد و نظارت کم باشه، هوش مصنوعی اول اونجا سرکی می‌کشه.

و سوال اینه: وقتی دیگه نتونیم بفهمیم یه حرف سیاسی رو آدم زده یا ماشین، رأی ما به چیه دیگه؟ به حرف یک نفر، یا به الگوریتمی که کسی نمی‌شناسش؟

#هوش_مصنوعی

#AIAgents
#FutureOfWork

یک نکته ای رو بگم :

سرعت اجرای یک LLM روی سیستم شخصی شما چیز مرموزی یا پیچیده ای نیست. برای بیشتر مدل‌ها، حتی قبل از اینکه وزن‌های مدل رو دانلود کنین با یک محاسبه ساده میتونین حدود سرعت پردازش اون رو (تعداد توکن در هر ثانیه) پیش‌بینی کنین.

جالب اینجاست که این تخمین معمولاً دقت بسیار خوبی داره

#هوش_مصنوعی
#LLM
#AIAgents

یک چیز شاید به نسبت جالبی که دیدم اینه که بعضی توسعه دهنده ها به هوش مصنوعی اجازه نمیدن سورس رو بررسی کنه، چون به‌هم‌ریخته هست و فرض میکنن مدل متوجه اون نمیشه.

به دید من بررسی کردن ایرادی نداره اما بدون هدایت مشکلات متفاوتی رو درست میکنه

پس اگر میخواین دسترسی بدین میتونین دسترسی بدین اما درست و اصولی

یک غفلت باعث یک عمر پیشمانی میشه

مدل های چینی عملکرد خوبی به نسبت مدل های OPEN AI داشتند.

و برآورد میشه رقیب بسیار جدی OPEN AI شدند با نسخه های جدیدی که معرفی می‌شود.

هر کدوم شون سود شون رو کردند.

اما باید دید اختلافات و عملکرد شون در ادامه باعث پیشرفت می‌شود یا باعث کاهش پیشرفت!

اگر فکر می‌کردید ماجرای OpenAI و Hugging Face قراره یک هشدار جدی برای شرکت‌ها باشه و باعث بشه بالاخره ریسک‌های AI Agentها رو جدی‌تر بگیرن، ظاهراً هنوز خیلی زوده که چنین نتیجه‌ای بگیریم.

مسئله جالب اینجاست که حتی بعد از چنین اتفاقی، بخش بزرگی از شرکت‌ها هنوز Agentهای هوش مصنوعی خودشون رو به شکل جدی مانیتور نمی‌کنن. یعنی ما داریم سیستم‌هایی رو وارد محیط‌های واقعی می‌کنیم که می‌تونن تصمیم بگیرن، با ابزارها تعامل داشته باشن، به سرویس‌های مختلف دسترسی پیدا کنن و چندین مرحله پشت سر هم عمل کنن، ولی در خیلی از موارد حتی نظارت مناسبی روی رفتار همین Agentها وجود نداره.

مشکل اصلی هم دقیقاً همین‌جاست. وقتی یک LLM فقط جواب متنی تولید می‌کنه، یک خطای اشتباه ممکنه نهایتاً یک پاسخ غلط باشه؛ اما وقتی همون مدل تبدیل به Agent می‌شه و به ابزار، فایل، API یا سیستم‌های واقعی دسترسی پیدا می‌کنه، یک تصمیم اشتباه می‌تونه تبدیل به یک زنجیره کامل از اقدامات اشتباه بشه.

ماجرای OpenAI و Hugging Face بیشتر از اینکه فقط یک اتفاق عجیب باشه، نشون می‌ده مسئله امنیت Agentها دیگه یک بحث تئوری نیست. اگر شرکت‌ها قراره Agentها رو وارد فرآیندهای واقعی کنن، مانیتورینگ، محدودکردن دسترسی‌ها، ثبت رفتار و امکان متوقف‌کردن Agent باید از ابتدا بخشی از طراحی سیستم باشه، نه چیزی که بعداً وقتی یک اتفاق جدی افتاد بهش فکر کنیم.


#AIAgents
#FutureOfWork
#AI_Architecture

احتمالاً قراره به‌زودی شاهد botnetهایی باشیم که از AI Agentهای سرکش تشکیل شدن. راستش ایده‌اش همزمان هم ترسناکه و هم یه جورایی خفن.

تصورش رو بکنید : به‌جای اینکه فقط چندتا سیستم آلوده داشته باشیم، تعداد زیادی AI Agent مستقل داشته باشیم که هرکدوم می‌تونن تصمیم بگیرن، با سرویس‌های مختلف تعامل کنن و در کنار بقیه Agentها یک هدف مشخص رو دنبال کنن.

حتی می‌شه تصور کرد یه روز توستر خونه‌تون هم تبدیل به بخشی از یک شبکه بشه که هدفش حمله به Hugging Face باشه!

البته بخش جالب ماجرا دقیقاً همون بخش خطرناکشه. وقتی Agentها بتونن به سیستم‌های واقعی دسترسی داشته باشن و به‌صورت خودمختار با هم هماهنگ بشن، مفهوم botnet هم می‌تونه از چیزی که امروز می‌شناسیم کاملاً متفاوت بشه. دیگه فقط بحث اجرای یک اسکریپت مخرب نیست؛ بحث مجموعه‌ای از Agentهاست که می‌تونن محیط رو بررسی کنن، تصمیم بگیرن و واکنش نشون بدن.


#LLM
#AIAgents

اگر با Machine Learning کار می‌کنید ولی هنوز بعضی الگوریتم‌ها براتون بیشتر شبیه مجموعه‌ای از فرمول‌های خشک هستن، این پروژه می‌تونه خیلی جالب باشه.

پروژه اوپن‌سورس ML Visualized الگوریتم‌های مختلف Machine Learning رو از پایه پیاده‌سازی کرده و به‌جای اینکه فقط کد یا فرمول رو نشون بده، سعی می‌کنه فرآیند یادگیری مدل رو به‌صورت بصری نمایش بده.

نکته جالبش اینه که بخش زیادی از پیاده‌سازی‌ها فقط با NumPy انجام شده؛ یعنی می‌تونید دقیق‌تر ببینید پشت الگوریتم‌هایی که معمولاً با کتابخونه‌های آماده استفاده می‌کنیم چه اتفاقی می‌افته و مدل چطور از داده‌ها یاد می‌گیره.

از طرفی با نمودارها و visualizationهای تعاملی می‌شه تغییرات مدل در طول Training رو مرحله‌به‌مرحله مشاهده کرد. برای کسی که می‌خواد به‌جای حفظ‌کردن فرمول‌ها، واقعاً منطق پشت الگوریتم‌ها رو بفهمه، چنین پروژه‌ای می‌تونه منبع تمرینی خوبی باشه.


┌─ 〔 PROJECT LINKS 〕
│ ↳ ◈ Website
│ ↳ ◈ GitHub
└──────────────────


#AIAgents
#AI_Architecture

نسخه جدید LibreOffice منتشر شده و جالب‌ترین ویژگی‌ای که رویش تأکید شده، چیزی هست که داخلش وجود نداره: هوش مصنوعی اجباری.

اگر بخوای از AI استفاده کنی، خودت انتخابش می‌کنی. اسناد و فایل‌هات بدون اجازه از سیستم خارج نمی‌شن و حتی برای قابلیت‌های مرتبط با AI هم قرار نیست استفاده‌ات ردیابی بشه.

در واقع LibreOffice داره همون کاری رو می‌کنه که از یک Office Suite انتظار داریم؛ ابزارهای اداری رو ارائه می‌ده، بدون اینکه وسط کار مدام یک لایه AI بهت تحمیل کنه.

این رو وقتی کنار مسیر Microsoft و Google بذاریم، جالب‌تر می‌شه. مایکروسافت داره Copilot رو هرچه بیشتر وارد Office می‌کنه و گوگل هم Gemini رو به Workspace میاره. خود لیبر آفیس اما عمداً مسیر متفاوتی رو انتخاب کرده.

شاید مهم‌ترین بخش ماجرا همین باشه؛ در دوره‌ای که تقریباً همه‌جا AI داره به شکل پیش‌فرض وارد نرم‌افزارها می‌شه، LibreOffice داره روی انتخاب کاربر، حریم خصوصی و پردازش محلی تأکید می‌کنه.

گاهی ویژگی اصلی یک نرم‌افزار، چیزی نیست که اضافه کرده.

چیزی هست که تصمیم گرفته اضافه نکنه.

#LibreOffice
#OpenSource
#Privacy
#ArtificialIntelligence
#AI
#MicrosoftOffice
#GoogleWorkspace
#Software
#OpenSourceSoftware
#DataPrivacy
#LocalAI
#Tech
#Technology

اگر با هلم کار می‌کنید، چندتا فایل و پوشه هست که خیلی زود تبدیل می‌شن به چیزهایی که مدام بهشون برمی‌گردید.

فایل مربوط به اطلاعات اصلی نمودار، متادیتا و مشخصات کلی نمودار رو نگه می‌داره. فایل تنظیمات هم برای مقادیر پیش‌فرض استفاده می‌شه و داخل پوشه قالب‌ها هم فایل‌های تعریف منابع کوبرنتیز قرار می‌گیرن.

پوشه وابستگی‌ها برای مدیریت وابستگی‌های نمودار استفاده می‌شه و فایل کمکی هم جاییه که می‌تونید منطق‌های قابل‌استفاده مجدد برای قالب‌ها رو تعریف کنید. پوشه تست‌ها هم برای تست‌های هلم و فایل نادیده‌گرفتن هم مشخص می‌کنه چه فایل‌هایی هنگام بسته‌بندی نمودار در نظر گرفته نشن.

اگر ساختار این فایل‌ها رو خوب بشناسید، کار با هلم خیلی قابل‌فهم‌تر می‌شه. چون تقریباً هر بخش از یک نمودار وظیفه مشخصی داره و در نهایت همه‌چیز به تولید و مدیریت فایل‌های پیکربندی کوبرنتیز ختم می‌شه.

#Helm
#Kubernetes
#DevOps
#CloudNative
#CNCF
#Docker
#InfrastructureAsCode
#IaC
#CloudComputing
#DevSecOps
#SRE
#PlatformEngineering
#K8s
#GitOps

لینوکس بدون هیچ همکاری از طرف اپل، حالا یک قدم دیگه برای پشتیبانی از تاندربولت روی تراشه‌های اپل سیلیکون برداشته.

لینوس توروالدز اومده اولین نسخه آزمایشی هسته لینوکس ۷.۳ رو منتشر کرده و یکی از تغییرات مهمی که داخلشه، پشتیبانی اولیه از یو‌اس‌بی ۴ و تاندربولت روی تراشه‌های ام ۱ تا ام ۳ اپله.

این قابلیت نتیجه چند سال مهندسی معکوس سخت‌افزارهای اپله که توسط تیم کوچیک و داوطلب اساهی لینوکس انجام شده. حالا بخش مهمی از این تلاش‌ها رسماً وارد هسته اصلی لینوکس شده.

البته نسخه آزمایشی اول به معنی انتشار نسخه نهایی نیست. این مرحله بیشتر نشون می‌ده تغییرات اصلی وارد شاخه انتشار شدن و از اینجا چند هفته آزمایش و رفع مشکل باقی می‌مونه تا نسخه نهایی لینوکس ۷.۳ احتمالاً حوالی اواسط تا اواخر اکتبر منتشر بشه.

چیزی که این ماجرا رو جالب می‌کنه فقط اضافه شدن یک قابلیت جدید نیست. یک تیم داوطلب، بدون دسترسی رسمی به جزئیات سخت‌افزار اپل، سال‌ها وقت گذاشته تا بخش‌هایی از این سخت‌افزار رو مهندسی معکوس کنه و حالا نتیجه کارش داره وارد هسته رسمی لینوکس می‌شه.

این دقیقاً یکی از نقاط قوت دنیای متن‌بازه. وقتی سازنده سخت‌افزار همکاری نمی‌کنه، جامعه توسعه‌دهندگان هنوز می‌تونه مسیر خودش رو پیدا کنه.

#Linux
#LinuxKernel
#AppleSilicon
#AsahiLinux
#Thunderbolt
#USB4
#OpenSource
#ReverseEngineering
#KernelDevelopment
#LinuxDevelopment
#Apple
#M1
#M2
#M3
#SoftwareEngineering
#Technology

یه زمانی داشتیم XP جمع می‌کردیم، الان داریم YAML می‌زنیم.