خیلی‌ها از Programming می‌ترسن، ولی اگر بخوام صادق باشم، خود کدنویسی برای من بخش ساده‌ی ماجراست. بخش سخت‌تر، تمام زمانی‌ـه که صرف ساختن Logic توی ذهنت می‌کنی و فکر کردن به تمام حالت‌هایی که ممکنه یک راه‌حل در اون‌ها شکست بخوره.

بعضی روزها ساعت‌ها فقط می‌شینم و فکر می‌کنم. یه راه‌حل رو توی ذهنم می‌سازم، خرابش می‌کنم، دوباره از اول می‌چینمش و همین چرخه رو ادامه می‌دم تا به چیزی برسم که از نظر منطقی برام درست و قابل اتکا باشه.

جالب اینجاست که این مدل فکر کردن فقط توی کار به دردم نخورده. کم‌کم تبدیل شده به بخشی از نحوه تصمیم‌گیریم توی زندگی. اینکه قبل از تصمیم گرفتن، سناریوهای مختلف رو بررسی کنی، پیامدهاشون رو ببینی و سعی کنی به‌جای واکنش لحظه‌ای، منطقی‌ترین مسیر رو انتخاب کنی.

شاید برای همینه که همیشه Chess رو هم دوست داشتم. به نظرم Coding و Chess خیلی بیشتر از چیزی که در ظاهر به نظر میاد به هم شبیهن. توی هر دو، باید چند حرکت جلوتر رو ببینی، حالت‌های مختلف رو تصور کنی، اشتباهات احتمالی رو پیش‌بینی کنی و بدون عجله بهترین تصمیم ممکن رو پیدا کنی.

واقعاً نمی‌دونم اگر Programming و Chess وارد زندگی من نمی‌شدن، امروز چه شکلی فکر می‌کردم یا کجا بودم. ولی مطمئنم هر دو، بیشتر از اینکه فقط یک مهارت یا سرگرمی باشن، روی نحوه فکر کردنم تأثیر گذاشتن.

#Programming
#Coding
#Chess
#ProblemSolving
#CriticalThinking
#Logic
#SoftwareEngineering

شاید یکی از دلایلی که امروز صدها Open Source C2 داریم ولی تعداد خیلی کمی از اون‌ها واقعاً در دنیای واقعی قابل استفاده‌ان، همین باشه.

بعد از یه نقطه مشخص، واقعاً Coding بخش کوچکی از نتیجه نهایی می‌شه. شاید حتی همون ۱۰ درصدی که همه بیشتر می‌بیننش. بخش اصلی ماجرا جاییه که باید خارج از چارچوب معمول فکر کنی، Research خودت رو انجام بدی، فرضیاتت رو به چالش بکشی و یک سناریو رو بارها و بارها تست کنی.

ساختن چیزی که روی کاغذ کار می‌کنه یک مسئله‌ست. ساختن چیزی که در دنیای واقعی قابل اتکا باشه، مسئله کاملاً متفاوتیه.

برای همین فکر می‌کنم تفاوت بین یک پروژه معمولی و یک ابزار واقعاً کاربردی، اغلب نه در تعداد Lines of Code، بلکه در میزان فکر، تحقیق و Testing پشت اون مشخص می‌شه.

در نهایت Coding شاید فقط ۱۰ درصد نتیجه باشه. ۹۰ درصد دیگه مربوط به طرز فکر، Research و تست بی‌پایانه.

#Programming
#Cybersecurity
#RedTeam
#C2
#OpenSource
#OffensiveSecurity
#Pentesting
#SoftwareEngineering
#Research
#ProblemSolving

یک موضوع دلی رو بگم بهتون دوستان.

امروز داشتم با یکی از دوستام صحبت می‌کردم و یاد یه عادت قدیمی افتادم. سال ۲۰۱۸، وقتی تازه شروع کرده بودم Windows Internals رو یاد بگیرم، من و چندتا از دوستام یه عادت نسبتاً ساده برای خودمون ساخته بودیم.

هر روز ۱۰ تا فایل EXE یا DLL از System32 انتخاب می‌کردیم و فقط درباره‌شون می‌خوندیم. نه خبری از Hack خاصی بود، نه Reversing و نه کار عجیب‌وغریبی. اسم فایل، کاربردش، اینکه چرا وجود داره، چه کاری انجام می‌ده و هر چیزی که می‌شد درباره‌ش پیدا کرد.

این کار رو تقریباً ۶۰ روز ادامه دادیم و حجم دانشی که فقط با Google کردن و خوندن به دست آوردیم واقعاً عجیب بود.

خیلی وقت‌ها فکر می‌کنیم برای یادگیری یک حوزه حتماً باید یک Course گرون، یک کتاب خاص یا یک مسیر پیچیده داشته باشیم. در حالی که اصل ماجرا خیلی ساده‌تره. یک موضوع مشخص انتخاب کن، هر روز براش وقت بذار و این کار رو با Discipline ادامه بده.

خیلی‌ها با دیدن مباحث Advanced از همون اول می‌ترسن، در حالی که چیزی که واقعاً تفاوت ایجاد می‌کنه، کیفیت Fundamentals هست.

اگر پایه‌هات رو واقعاً خوب بفهمی، مباحث پیچیده‌تر دیگه اون‌قدر ترسناک نیستن. خیلی از چیزهایی که در ابتدا Advanced به نظر می‌رسن، در نهایت فقط ترکیب عمیق‌تری از همون مفاهیم پایه‌ان.

به نظرم یکی از بزرگ‌ترین اشتباهات در یادگیری اینه که همیشه دنبال چیزهای سخت‌تر بگردیم، در حالی که شاید بهتر باشه همون چیزهای ساده رو عمیق‌تر بفهمیم.

و البته بله، من خودم چندتا Course هم می‌فروشم؛ ولی حتی با وجود این، هنوز فکر می‌کنم چیزی که بیشتر از هر منبعی نتیجه می‌ده، Time + Consistency + Discipline هست.

#WindowsInternals
#Cybersecurity
#Programming
#Fundamentals
#Learning
#ReverseEngineering
#Infosec
#Security
#SoftwareEngineering
#Discipline

صرفاً Prompt نوشتن و کپی کردن خروجی AI ازت Developer نمی‌سازه.

اگر کدی که AI برات نوشته رو نمی‌فهمی، نمی‌تونی Debug اش کنی، نمی‌دونی چرا این Architecture انتخاب شده و وقتی چیزی خراب می‌شه نمی‌فهمی مشکل از کجاست، در واقع بیشتر از اینکه Developer باشی، AI Babysitter هستی.

وایب کدینگ خودش مشکلی نداره. مشکل از جایی شروع می‌شه که فکر کنی استفاده از AI جای فهمیدن Programming رو گرفته.

#VibeCoding
#Programming
#SoftwareEngineering
#AI
#Developers
#Coding

وقتی درباره AI حرف می‌زنیم، خیلی وقت‌ها فقط مدل، GPU و دیتاست رو می‌بینیم. ولی پشت تمام این‌ها یک دنیای فیزیکی عظیم وجود داره.

خود AI به Data Center نیاز داره. Data Center یعنی Construction، برق، شبکه، Cooling، HVAC و کلی زیرساخت دیگه. برای همین رشد AI فقط به معنی رشد شغل‌های Software و AI نیست؛ بخش بزرگی از این موج داره وارد دنیای واقعی و صنایع زیرساختی می‌شه.

نکته جالب اینجاست که هرچی تقاضا برای Compute بیشتر بشه، نیاز به ساخت Data Center و تأمین انرژی و تجهیزات هم بیشتر می‌شه و طبیعتاً نیروی انسانی بیشتری هم برای ساخت و نگهداری این زیرساخت‌ها لازم خواهد بود.

در نهایت AI هرچقدر هم Digital به نظر برسه، برای رشد کردن به یک دنیای کاملاً فیزیکی وابسته‌ست.

مدل‌ها در Cloud اجرا می‌شن، ولی Cloud از هوا ساخته نشده.

#AI
#ArtificialIntelligence
#DataCenters
#Infrastructure
#Technology
#CloudComputing
#Energy
#Construction
#HVAC
#Jobs

اما بخش Disruption کاملاً واقعیه.

بعضی از کارهای روتین مثل کارهای اداری، پشتیبانی و Customer Service واقعاً تحت فشار AI و Automation قرار گرفتن. بعضی موقعیت‌های شغلی از بین می‌رن، در عوض موقعیت‌های جدیدی شکل می‌گیرن و همزمان مهارت‌هایی که شرکت‌ها دنبالشن هم تغییر می‌کنه.

به نظرم مسئله اصلی این نیست که AI قراره همه شغل‌ها رو از بین ببره. مسئله اینه که تعریف خیلی از شغل‌ها داره تغییر می‌کنه و کسی که خودش رو با این تغییرات وفق نده، احتمالاً بیشتر از خود AI آسیب می‌بینه.

واقعاً چرا هنوز توی خیلی از مصاحبه‌های Programming ازت می‌خوان Code رو از صفر و با دست بنویسی؟

وقتی قراره در دنیای واقعی از AI برای کدنویسی استفاده کنیم، شاید بهتر باشه مصاحبه‌ها هم از این مدل ارزیابی فاصله بگیرن.

به‌جای اینکه ببینیم کسی چقدر سریع می‌تونه چند خط Code رو بدون کمک بنویسه، بهتر نیست درباره Fundamentals سؤال بپرسیم؟ اینکه چرا یک تکنولوژی رو انتخاب می‌کنی، چطور یک مسئله رو تحلیل می‌کنی، چطور Architecture مناسب رو انتخاب می‌کنی، چطور یک Bug رو پیدا می‌کنی و چطور تشخیص می‌دی کدی که AI تولید کرده واقعاً درست و قابل استفاده هست یا نه.

در نهایت، AI می‌تونه Code رو بنویسه. چیزی که هنوز باید خود Developer بلد باشه، فهمیدن مسئله و تصمیم گرفتن درباره راه‌حل درستشه.

شاید وقتشه Technical Interview هم خودش رو با دنیای AI وفق بده.

#AI
#Programming
#Coding
#SoftwareEngineering
#TechnicalInterview
#Developers
#VibeCoding
#ArtificialIntelligence

چه خوشتون بیاد چه نیاد، Omarchy تونسته تجربه Linux Desktop رو واقعاً جذاب‌تر کنه.

شاید قرار نباشه همه باهاش موافق باشن، ولی نمی‌شه انکار کرد که Omarchy دوباره توجه خیلی‌ها رو به تجربه استفاده روزمره از Linux روی Desktop جلب کرده.

گاهی برای بهتر شدن یک پلتفرم، لازم نیست همه‌چیز از صفر ساخته بشه. فقط کافیه یکی بالاخره تجربه کاربری رو جدی بگیره.

#Linux
#Omarchy
#LinuxDesktop
#OpenSource
#DesktopLinux
#Technology
#Software

یه چیزی درباره‌ی ماجرای OpenAI دیدم که جالبه.
گفته شده OpenAI برای حل یک مسئله، حدود ۱۵ میلیون دلار هزینه‌ی توکن کرده، در حالی که جایزه‌ی مسئله فقط ۱ میلیون دلار بوده.
بعضیا سریع میگن:
خب این دیگه اقتصاد عجیب هوش مصنوعیه!

ولی واقعاً این برداشت کاملی نیست.
کاری که OpenAI انجام داده، احتمالاً ارزش خیلی بیشتری از اون ۱۵ میلیون دلار داشته.
اینکه جایزه فقط ۱ میلیون دلار بوده، بیشتر نشون میده خود جایزه نسبت به ارزش واقعی مسئله خیلی کم بوده.
حتی ترول کردن ایلان ماسک هم بیشتر از همین زاویه قابل فهمه؛ چون خودش هم احتمالاً می‌دونه ارزش چنین کاری فقط به مبلغ جایزه محدود نمی‌شه.
اما یه بخش دیگه‌ی ماجرا برای من عجیب‌تره.
وقتی OpenAI از داده‌های هنرمندان استفاده کرد و بحث کپی‌رایت مطرح شد، خیلی از دانشمندان و آدم‌های حوزه‌ی ریاضی و تکنولوژی واکنش جدی نشون ندادن.
ولی وقتی بحث استفاده از داده برای حل یک مسئله‌ی ریاضی و اثبات یک قضیه مطرح شد، ناگهان حساسیت‌ها خیلی بیشتر شد.
همین تفاوت واکنش‌ها واقعاً قابل تأمله.
مسئله فقط این نیست که هوش مصنوعی چقدر پول برای حل یک مسئله خرج کرده.
مسئله اینه که وقتی پای منافع و حوزه‌ی تخصصی خودمون وسط میاد، نگاه‌مون به استفاده از داده چقدر تغییر می‌کنه؟
شاید بهتر باشه قبل از قضاوت درباره‌ی این اتفاق، همین تناقض رو هم ببینیم.

#هوش_مصنوعی
#OpenAI
#AI
#Math
#Technology

این خانوم مریم عظیمی هاشمی هست
دانشمند و متخصص تصویر برداری اپل هست.
اومده دوربین آیفون ۱۸ اپل رو رونمایی کرده.
لیسانس مهندسی کامپیوتر از فردوسی مشهد رو داره
و برای تحصیل هم به کانادا مهاجرت کرد.
دکترای خودش رو در پردازش تصویر گرفت.
جالب اینجاست از سال ۲۰۲۱ به عنوان دانشمند الگوریتم های زیبایی شناسی دوربین در اپل استخدام شد.

آنتروپیک دوباره اتهام جدیدی علیه دیپ‌سیک و مون‌شات مطرح کرده.

طبق ادعای آنتروپیک، این شرکت‌های چینی بخشی از درخواست‌های کاربرانشون رو به کلود می‌فرستادن و بعد جواب‌های کلود رو به اسم مدل‌های خودشون ارائه می‌کردن.
آنتروپیک گفته مون‌شات فقط در ۱۰ روز، بیش از ۳۰۰ هزار درخواست به کلود فرستاده و برای این کار از حدود ۵۳۸۰ حساب استفاده شده.

اما یک سؤال مهم وجود داره:

اگه واقعاً از کلود استفاده می‌کردن، چطور کیمی و دیپ‌سیک هنوز می‌تونن خدماتشون رو با قیمت خیلی پایین‌تری نسبت به کلود ارائه بدن؟

فعلاً آنتروپیک توضیح مشخصی برای این اختلاف قیمت نداده.

#آنتروپیک
#کلود
#دیپ_سیک
#مون_شات
#هوش_مصنوعی

#Ai

اوپن‌ای‌آی از شرکت در یک هکاتون ریاضی در مؤسسه فناوری کالیفرنیا کنار کشیده و دیگه اسپانسر این مسابقه هم نیست.

این اتفاق جالبه، چون قبلاً گزارش‌هایی منتشر شده بود که اوپن‌ای‌آی قصد داره با مدل‌های هوش مصنوعی خودش، سخت‌ترین مسائل ریاضی و حتی ۷ مسئله هزاره رو حل کنه.

حالا بعضی‌ها این اتفاق رو به ماجرای استفاده از راه‌حل‌های دزدیده‌شده ربط دادن، اما فعلاً مدرک معتبری برای این ادعا منتشر نشده.

#اوپن_ای‌آی
#هوش_مصنوعی
#ریاضی

#Ai

پ.ن :ببینین دوستان به نظرم ریاضی‌دان‌ها رو نمی‌شه با چندتا بنچمارک و اشتراک حرفه‌ای قانع کرد :)

بحث اصلی برای من اینه که وقتی درباره حل مسائل بسیار سخت ریاضی توسط هوش مصنوعی صحبت می‌کنیم، باید ببینیم مدل واقعاً داره مسئله رو می‌فهمه یا صرفاً الگوهایی که قبلاً دیده رو بازترکیب می‌کنه.

ترنسفورمرها فوق‌العاده قدرتمندن، ولی در نهایت با الگوهای موجود در داده‌ها کار می‌کنن.

هرچقدر داده بهتر و آموزش قوی‌تر باشه، خروجی هم بهتر می‌شه.

اما این الزاماً به معنی فهم یا توانایی کشف چیز کاملاً جدید نیست.

برای همین درباره مسائل هزاره قضیه خیلی جذابه. این مسائل هنوز حل‌نشده‌ان و ممکنه برای حلشون به ایده‌ها و روش‌های کاملاً جدید نیاز باشه.

به نظرم سؤال اصلی این نیست که هوش مصنوعی چقدر می‌تونه مسئله‌ای رو که قبلاً نمونه مشابهش رو دیده حل کنه.

سؤال واقعی اینه که:

آیا می‌تونه چیزی رو کشف کنه که هیچ نمونه‌ای ازش در داده‌های آموزشی نداشته؟

اگر شما هم نظری دارید توی کامنت ها بنویسید.

یک استارتاپ به نام Kepler Computing بعد از ۷ سال فعالیت مخفیانه، از فناوری حافظه‌ای رونمایی کرده که می‌تونه رقیب HBM در شتاب‌دهنده‌های هوش مصنوعی باشه.

این شرکت با استفاده از مواد فروالکتریک و تراشه‌چینی سه‌بعدی می‌خواد حافظه‌ای با ظرفیت HBM و مصرف انرژی نزدیک به SRAM بسازه.

تا امروز روی بیش از ۲ هزار ویفر آزمایش شده و ۴۶۸ میلیون دلار سرمایه جذب کرده.
قرار است نمونه‌های اولیه تا پایان ۲۰۲۶ و تولید انبوه از ۲۰۲۷ شروع شود.

البته هنوز آزمایش مستقل روی محصول نهایی انجام نشده و برتری‌های ادعاشده باید در عمل ثابت بشن.

#هوش_مصنوعی

#HBM

یک کلام بگم هوش مصنوعی متخصصتون نمی‌کنه.
فقط می‌تونه توهم متخصص بودن رو خیلی سریع‌تر ایجاد کنه.

این روزها بعضی‌ها چند مقاله مقدماتی می‌خونن و با کمک مدل، کد می‌زنن، باگ پیدا می‌کنن، تحقیق می‌کنن و گزارش می‌نویسن.

بعد خروجی مدل رو بدون اینکه بفهمنش به اسم خودشون منتشر می‌کنن.

کد کار کرد؟ می‌ره روی محصول.
خراب شد؟ معمولاً مشتری یا بدبختی که ساعت ۳ صبح شیفته متوجه می‌شه.

مشکل خود هوش مصنوعی نیست. مشکل اینه که بعضی‌ها ابزار رو با تخصص اشتباه گرفتن.

هوش مصنوعی می‌تونه سرعت یک متخصص رو چند برابر کنه، اما جای فهمیدن چیزی که تحویل می‌دی رو نمی‌گیره.

قبل از اینکه زیر خروجی مدل اسمتون رو بذارین، حداقل بخونین و متوجه بشین.

چکش ابزار خوبیه، ولی چکش کسی رو نجار نمی‌کنه.

#هوش_مصنوعی
#AI

اولین برداشت‌ها از GPT-6 Astra

چند نکته جالب درباره مدل جدید:

• برخلاف چیزی که انتظار می‌ره، منابع زیادی مصرف نمی‌کنه.

• از نظر سرعت تولید توکن و زمان رسیدن به اولین توکن، محسوساً سریع‌تر از مدل‌های قبلیه.

• مدیریت Context بهتر شده و برای حل مسئله لازم نیست حجم زیادی از اطلاعات رو وارد Context کنه.

• فیلترهای امنیتی هم حداقل در کارهای مرتبط با توسعه ابزارهای امنیتی، خیلی محدودکننده نیستن.

برای Bug Hunting هنوز بازخوردهای ضدونقیضی وجود داره و شواهد کافی برای قضاوت نداریم.

فعلاً تست جدی روی تسک‌های پیچیده انجام ندادم، ولی بر اساس تجربه‌های اولیه کاربران، به نظر می‌رسه Astra جواب‌های دقیق‌تری رو سریع‌تر و با خروجی‌های بی‌ربط کمتر ارائه می‌ده.



#GPT6
#Astra
#OpenAI
#AI

به نظرم بهتره این سه‌تا رو رقیب هم نبینیم.

اولا MCP برای سرویس‌های Remote  مهمه. یه جورایی مثل API برای Agentها.

دوما Skill برای کارهای Local و وابسته به Context مناسبه.

ثالثا CLI هم بیشتر در Runtime کاربرد داره. جایی که Agent باید چندین Action رو پشت سر هم اجرا کنه یا Automation بسازه.

در نهایت مسئله این نیست که MCP بهتره یا CLI.

هرکدوم برای یک لایه و یک نوع Task مناسب‌تره. 👀


#AI
#AIAgents
#MCP
#CLI
#AgentEngineering

نوروساینس می‌گه تکرار می‌تونه از استعداد مهم‌تر باشه.

خیلی وقت‌ها فکر می‌کنیم آدم‌های موفق از اول بااستعدادتر بودن.

اما مغز یک ویژگی مهم داره: Neuroplasticity

هر بار که یک مهارت رو تمرین می‌کنیم، شبکه‌های عصبی مرتبط با اون مهارت تغییر می‌کنن و مسیرهای مربوط به اون فعالیت تقویت می‌شن.

برای همینه که مثلاً یک سخنران حرفه‌ای بعد از صدها بار تمرین می‌تونه خیلی راحت‌تر روی صحنه صحبت کنه.

نه لزوماً چون از اول مغز متفاوتی داشته، بلکه چون بارها همون مهارت رو تمرین کرده.

استعداد می‌تونه نقطه شروع باشه، ولی چیزی که در طول زمان تفاوت ایجاد می‌کنه، تمرین مداوم و هدفمنده.

در نهایت مغز بیشتر از چیزی که یک‌بار انجام می‌دی، به چیزی که مدام تکرار می‌کنی واکنش نشون می‌ده.

#Neuroscience
#Neuroplasticity
#Learning
#SelfImprovement