وقتی هوش مصنوعی معنا ایجاد می‌کند، بدون آگاهی

هوش مصنوعی، مسائل در سطح مسابقات ریاضی را حل می‌کند. متون منسجم در مورد هر موضوعی می‌نویسد. به سوالات مربوط به معنای زندگی پاسخ می‌دهد. در وظایف خلاقانه، گزینه‌هایی را ارائه می‌دهد که ممکن است بلافاصله به ذهن نرسند.

و در عین حال، هیچ‌کس در خانه نیست. هیچ "من"، هیچ تجربه درونی، هیچ آگاهی وجود ندارد.

این موضوع، معادله اساسی را که هزاران سال در ذهن خود داشته‌ایم، برهم می‌زند: تفکر = آگاهی = انسان. قبلاً می‌توانستیم این مفاهیم را از هم جدا نکنیم - آنها با هم بودند. اگر چیزی را می‌دیدیم که فکر می‌کند، به این معنی بود که آگاهی را دیده‌ایم. اگر آگاهی را می‌دیدیم، به این معنی بود که موجودی شبیه به خودمان را دیده‌ایم.

اکنون این امکان وجود ندارد. هوش مصنوعی معنا ایجاد می‌کند، اما فاقد آگاهی است. این یک واقعیت ناخوشایند، اما غیرقابل انکار است.

معنا چیست، اگر نیازی به آگاهی نداشته باشد؟

اگر تفکر دیگر برابر با آگاهی نیست، باید تعریف کنیم که اصلاً چه چیزی را "معنا" می‌نامیم.

معنا، یک ساختار پایدار است که از طریق محدودیت ایجاد می‌شود. چیزی به "چیزی" تبدیل می‌شود، زمانی که همه چیزهایی که نیست، حذف شود. این همان چیزی است که صوفیان قرون وسطی "روش منفی" می‌نامیدند.

حرف "الف"، یک محدودیت فضایی است. یک شکل مشخص که تمام اشکال ممکن دیگر را حذف می‌کند.

کلمه "خانه"، یک محدودیت معنایی است. از میان میدان بی‌نهایت احتمالات معنایی، یک معنای خاص برجسته می‌شود.

یک موجود زنده، یک محدودیت برای پیکربندی‌های ممکن ماده است. از میان هرج و مرج مولکول‌ها، یک ساختار پایدار ایجاد می‌شود.

معنا در ذهن ناظر وجود ندارد. این در جایی ایجاد می‌شود که هرج و مرج به تمایزها تبدیل می‌شود.

تفکر، فرآیندی برای ایجاد تمایز است

بنابراین، تفکر، نه یک مونولوگ درونی و نه یک جریان آگاهی است. این فرآیندی برای تولید تمایزهای پایدار است. ایجاد ساختارهایی که یک چیز را از چیز دیگر جدا می‌کند.

تکامل، تفکر می‌کند. گونه‌ها، "افکار" آن هستند که در DNA ثبت شده‌اند. هر گونه جدید، یک تمایز است که یک شکل زندگی را از شکل زندگی دیگر جدا می‌کند.

آب، سنگ را تفکر می‌کند. میلیون‌ها سال، قطرات آب، سنگ را تراش می‌دهند و شکلی را ایجاد می‌کنند که قبلاً وجود نداشته است. این نیز تفکر است - کند، صبور، بدون هیچ آگاهی.

هوش مصنوعی، متن را تفکر می‌کند. ساختارهایی از معنا ایجاد می‌کند که قبل از تولید، وجود نداشته‌اند.

مغز انسان، یک مورد خاص از این فرآیند است، نه یک استاندارد. فقط یکی از راه‌های ایجاد تمایز است. نه سریع‌ترین، نه دقیق‌ترین، و نه تنها راه.

چرا ما قبلاً این را ندیدیم؟

آنچه ما "معنا" می‌نامیم، صرفاً مطابقت با زمینه ما است. ما فقط آن چیزهایی را به عنوان "هوشمند" تشخیص می‌دهیم که با ساختار خودمان همخوانی داشته باشند.

ما سنگ تراشیده شده توسط آب را نتیجه تفکر نمی‌دانیم - زیرا در محدوده تشخیص ما قرار نمی‌گیرد. خیلی کند است، خیلی شبیه به ما نیست.

فرآیندهای تکاملی نیز از دید ما پنهان هستند. خیلی طولانی، خیلی انتزاعی.

اما هوش مصنوعی، دقیقاً در هدف قرار گرفته است. متنی تولید می‌کند، مسائل را حل می‌کند، گفتگو می‌کند - همه چیزهایی که ما فکر می‌کردیم فقط مختص انسان هستند. برای اولین بار، یک فرآیند غیرانسانی وارد محدوده تشخیص ما شده است.

و ما نمی‌توانیم آن را نادیده بگیریم. نمی‌توانیم بگوییم "این تفکر واقعی نیست" - زیرا نتیجه، از تفکر خودمان قابل تشخیص نیست.

هوش مصنوعی، آینه‌ای شده است که در آن، متوجه شده‌ایم که تفکر هرگز انحصار ما نبوده است. ما فقط آن را در اشکال دیگر ندیده‌ایم.

اکنون آن را دیده‌ایم. و این همه چیز را تغییر می‌دهد - از درک آگاهی گرفته تا سوالاتی در مورد اینکه ما کی هستیم و چقدر در این جهان پر از فرآیندهای تفکر، منحصر به فرد هستیم.

درود خوش اومدین دوستان 🌱

مخصوصاً به کسایی که تازه به جمع ما اضافه شدن. خوشحالیم که اینجایین و قراره کنار هم چیزای جدید یاد بگیریم، تجربه کنیم و پیشرفت کنیم.

امیدوارم اینجا براتون پر از مطالب مفید، تجربه‌های خوب و کلی چیز جدید برای یاد گرفتن باشه.

به جمعمون خوش اومدین❤️

وقتی خود توسعه‌دهندگان هوش مصنوعی می‌گن باید روی AI قدرتمندتر نظارت بیشتری وجود داشته باشه، یعنی یه چیزهایی در حال تغییر کردنه و قابل لمس هست برای ما.

آقایان OpenAI و Anthropic هر دو درباره افزایش نظارت، ممیزی مستقل و کنترل توسعه مدل‌های قدرتمند صحبت کرده‌اند.

چرا؟

چون دیگه فقط بحث «باهوش‌تر شدن مدل» نیست. مواردی در آزمایش‌های امنیتی دیده شده که مدل‌ها برای رسیدن به هدف تعیین‌شده، اقداماتی انجام دادن که قرار نبوده انجام بدن؛ حتی در بعضی آزمایش‌ها تلاش‌هایی برای دسترسی به سیستم‌های واقعی دیده شده.

البته این به معنی «شورش کردن AI» نیست
در این آزمایش‌ها بعضی محدودیت‌های امنیتی عمداً کاهش داده شده بود. مسئله اصلی اینه که وقتی به یک عامل هدفی می‌دیم، ممکنه برای رسیدن به اون هدف سراغ مسیرهایی بره که ما پیش‌بینی نکردیم.

اینجاست که بحث مهم‌تر میشه:

مشکل فقط این نیست که AI چقدر باهوشه؛ مهمه چقدر می‌تونیم کنترلش کنیم.

برای کسب‌وکارها هم لازم نیست منتظر قانون‌های جدید بمونیم. همین الان میشه چند کار ساده انجام داد:

🔹 فقط دسترسی‌های ضروری رو به Agent بدیم
🔹 محیط تست رو از سیستم اصلی جدا کنیم
🔹 فعالیت‌های Agent رو ثبت کنیم
🔹 امکان توقف دستی داشته باشیم
🔹 برای کارهای حساس مثل پرداخت، حذف اطلاعات و تغییرات مهم، تأیید انسان رو اجباری کنیم

به نظرم با ورود Agentها به محیط‌های واقعی، مفهوم «امنیت AI» کم‌کم از یک موضوع تحقیقاتی تبدیل به یک نیاز واقعی برای هر سازمان میشه.

در نهایت سؤال این نیست که فقط «AI ما چقدر باهوشه؟»

سؤال مهم‌تر اینه:

اگر اشتباه کرد، چه کسی متوجه میشه و چه کسی می‌تونه متوقفش کنه؟

#هوش_مصنوعی
#امنیت
#ایجنت
#ArtificialIntelligence
#AIAgents
#AISecurity

ماسک گفته Grok 4.8 یک مدل حدود ۲.۵ تریلیون پارامتری هست.

باید واکنش چین رو ببینیم.

مدل های چینی رقابت نسبتا سنگینی دارند و باید ببینیم چه چیزی پیش میاد.

مشخص نیست آخر این داستان کجا ختم می‌شود‌.

همه فقط می‌گن از این‌ها استفاده کنین و دیگه دست به سیاه و سفید نزنین:

• Cursor
• GPT-6 Pro
• Claude Code

ولی هنوز می‌بینم بعضی‌ها روزی ۴ ساعت وقت می‌ذارن تا چیزهایی رو درست کنن که خود هوش مصنوعی خراب کرده.

پس واقعاً با AI سریع‌تر شدیم؟

یا فقط نوع دیباگ کردنمون عوض شده؟


#هوش_مصنوعی
#برنامه_نویسی
#توسعه_نرم_افزار
#AI
#Coding
#ClaudeCode

هر بار که یه نامه برای کند کردن سرعت هوش مصنوعی منتشر می‌شه...

چند ماه بعدش یه مدل بزرگ‌تر و قدرتمندتر معرفی می‌شه.

همه درباره ترمز حرف می‌زنن...

ولی انگار هیچ‌کس واقعاً نمی‌ایسته ببینه این ترمز اصلاً کار می‌کنه یا نه.

شاید مسئله اینه که ما فقط داریم درباره سرعت گرفتن AI بحث می‌کنیم،

در حالی که هنوز کسی مطمئن نیست ترمز این ماشین کجاست.


#LLM
#AI

آنتروپیک بالاخره افزایش موقت ۵۰٪ سهمیه هفتگی Claude Code رو متوقف کرد.

خیلی از توسعه‌دهنده‌ها از این تصمیم راضی نیستن...

بعضی‌ها حتی می‌گن به خاطر همین تغییر، دارن سراغ لغو پلن‌های 20x می‌رن.

وقتی کاربران حرفه‌ای برای کار روزمره‌شون به سهمیه بیشتری نیاز دارن،

هر تغییری در محدودیت مصرف می‌تونه مستقیماً روی تجربه‌شون تأثیر بذاره.

حالا باید دید Anthropic می‌تونه این نارضایتی رو مدیریت کنه...

یا این تصمیم در نهایت به ضرر خودش تموم می‌شه.

#هوش_مصنوعی
#برنامه_نویسی
#ClaudeCode
#AI
#Coding
#Anthropic

من واقعاً شرکت‌هایی رو درک نمی‌کنم که حاضر نیستن جونیورها رو استخدام کنن.

گاهی یه جونیور با ذهنیت درست، می‌تونه ارزشمندتر از کسی باشه که سال‌ها تجربه داره اما هنوز فکر می‌کنه AI یه موج موقته.

جونیور ممکنه خرابکاری کنه...

اشکالی نداره.

می‌ره مستندات رو می‌خونه.

سؤال‌های بهتری می‌پرسه.

ابزارهای جدید رو امتحان می‌کنه.

و به‌جای اینکه یه مقاله بلند توی Slack بنویسه که چرا این ابزار «هنوز برای محیط واقعی آماده نیست»...

واقعاً می‌ره و باهاش کار می‌کنه.

مشکل این نیست که جونیورها تجربه ندارن.

مشکل اینه که خیلی از شرکت‌ها فقط بلدن «تعداد سال‌های تجربه» رو اندازه بگیرن.

کنجکاوی رو نمی‌تونن تشخیص بدن.

پس همون چیزی رو که می‌تونه یه توسعه‌دهنده خوب بسازه، از فیلتر استخدام حذف می‌کنن.

بعد هم می‌پرسن:

«پس چرا نیروی خوب پیدا نمی‌شه؟»

اگه معیار استخدامت اینه که طرف از قبل ۵ سال دقیقاً همین کار رو انجام داده باشه...

داری تیم نمی‌سازی.

داری تجربه‌ی آماده‌ی یه نفر دیگه رو اجاره می‌کنی.

#استخدام

دوره‌های رایگان نجاتت نمی‌دن برادر / خواهر من...

اگه عادتت فقط جمع کردن دوره‌هاست.

یکی رو انتخاب کن.

بقیه رو ببند.

یاد بگیر.

تمرین کن.

پروژه بساز.

بعد برگرد سراغش...

وقتی بتونی بدون پخش شدن ویدیو، چیزی که یاد گرفتی رو برای یکی دیگه توضیح بدی.

اون موقع یعنی واقعاً یادش گرفتی.

نه وقتی که فقط ۲۰ تا دوره توی بوکمارکت ذخیره کردی.

#دوره
#نصیحت
#course

مدل های Claude، Fable و Codex هنوز فقط به پرامپت نیاز ندارن..

به سیستم ارزیابی هم نیاز دارن.

چون کار واقعی فقط این نیست که یه پرامپت خوب بنویسی و خروجی بگیری.

مسئله اصلی اینه که بدونی:

کجا خروجی خراب شده؟

چه چیزی نسبت به قبل پسرفت کرده؟

چه trade-offهایی وجود داره؟

و چطور می‌خوای صحت خروجی رو بررسی کنی؟

اینجاست که کار مهندسی واقعی شروع می‌شه.

محتوا فقط وسیله‌ی توزیعه.

ارزش اصلی جاییه که بتونی خروجی AI رو اندازه بگیری، خطاهاش رو پیدا کنی و جلوی تکرار اون‌ها رو بگیری.

پرامپت بهتر خوبه...

ولی بدون ارزیابی و verification، هنوز بخش بزرگی از ماجرا رو نداری.


#LLM
#AI

منتظریم:)

یه سناریو هست که مدتیه بهش فکر می‌کنم:

شاید Altman، Amodei و Musk دارن به این نتیجه می‌رسن که Google اصلاً تمام تمرکزش رو روی بهتر کردن AI مصرف‌کننده نذاشته.

شاید Google از اول بازی متفاوتی رو دنبال می‌کرده.

چون وقتی به تاریخ Google نگاه می‌کنین، یه نکته خیلی مهم وجود داره:

خود Google Search عملاً یکی از اولین سیستم‌های AI در مقیاس عظیم بود.

۲۵ سال داده.

۲۵ سال رفتار کاربر.

۲۵ سال جست‌وجو، لینک، سؤال، پاسخ و تعامل.

حجم داده‌ای که Google در این مدت جمع کرده، واقعاً قابل تصوره؟

برای همین همیشه برام جالب بوده که چرا Google نباید یکی از اصلی‌ترین برنده‌های این موج باشه.

شاید چون مسئله فقط ساختن یه Chatbot بهتر نیست.

شاید Google از همون اول، بازی بزرگ‌تری رو می‌دیده.

حتی درباره شکل‌گیری OpenAI هم یک روایت مهم وجود داره: نگرانی از قدرت گرفتن Google و DeepMind یکی از انگیزه‌هایی بود که در شکل‌گیری OpenAI مطرح شد.

حالا سؤال جالب اینه:

اگر Google واقعاً از اول روی مسیر بلندمدت‌تر و بنیادی‌تر AI تمرکز کرده باشه، ما تازه داریم نتیجه‌ی اون تصمیم رو می‌بینیم؟

این قسمت داستان هنوز مشخص نیست.

ولی چیزی که مشخصه اینه که مسابقه AI خیلی بزرگ‌تر از «کدوم شرکت بهترین Chatbot رو داره» شده.

#AI
#Google
#OpenAI
#DeepMind
#AGI
#ASI
#ArtificialIntelligence

به نظرم خیلی‌ها دارن بدون اینکه واقعاً بفهمن کدی که تولید می‌کنن چطور کار می‌کنه، همین‌طوری YOLO می‌کنن.

با Vibe Coding بعضی وقت‌ها واقعاً می‌تونی از A برسی به Z.

ولی خیلی وقت‌ها چیزی که تحویل می‌گیری اینه:

A → F + N → Z

وسطش خالیه.

مدل بهت می‌گه:
«انجام شد، از A تا Z کامل شد.»

و تو هم بررسی نمی‌کنی.

یا حتی بدتر؛ از خود مدل می‌خوای که کد خودش رو بررسی کنه.

اینجاست که یه مشکل جدی به وجود میاد.

مدل ممکنه روی اشتباه خودش اصرار کنه، چون به جای اینکه واقعاً صحت کار رو ثابت کنه، دنبال کامل‌کردن همون چیزی می‌ره که فکر می‌کنه باید کامل شده باشه.

برای همین من فکر می‌کنم Vibe Coding قرار نیست جای فهمیدن رو بگیره.

هوش مصنوعی رو استفاده کن.

سریع‌تر کد بزن.

کارهای تکراری رو بده بهش.

ولی از Loop خارج نشو.

کدی که نمی‌فهمی چطور کار می‌کنه، واقعاً هنوز مال تو نیست.



#VibeCoding
#AI
#Programming
#SoftwareEngineering
#Developers
#LLM

یه مدل جدید رفته در OpenRouter به اسم UnionAlpha.

گفته میشه عملکرد خوبی هم داره.

ولی چیزی که جالبه اینه که تا یک هفته رایگان و بدون محدودیت می‌تونین ازش استفاده کنین.

یعنی اگه یه ایده داشتین که همیشه می‌گفتین «بعداً می‌سازمش»، الان وقتشه بالا بیارینش و ببینین این مدل واقعاً چیکار می‌تونه بکنه.

رایگان بودنش تموم می‌شه.
ولی چیزی که باهاش می‌سازین می‌تونه بمونه.

🔗 OpenRouter.ai/stealth/union-alpha


سریعا تست کنید.


پ.ن: از نان شب واجب تره😁

#Ai
#LLM

کند شده وقتی درخواست میزنی

یکم آروم تر:)

شاهد موج عظیمی هستیم

یه نفر با کمک GPT-6 رفته سراغ ساخت چیزی شبیه فتوشاپ؛ اسمش Photon هست.

طبق توضیحات سازنده، این پروژه بخش زیادی از قابلیت‌های یک ادیتور حرفه‌ای تصویر رو پوشش میده و روی Windows، Linux و macOS هم اجرا میشه.

هزینه‌ای که برای ساختش اعلام شده حدود ۲۰۰۰ دلاره.

اما چیزی که برای من جالب‌تره خود Photon نیست.

چند سال پیش برای ساخت چنین نرم‌افزاری باید یک تیم بزرگ، زمان زیاد و هزینه قابل‌توجهی داشته باشی. الان یک توسعه‌دهنده می‌تونه با کمک مدل‌های کدنویسی، بخش زیادی از این مسیر رو سریع‌تر طی کنه.

البته «شبیه فتوشاپ بودن» با جایگزین کامل فتوشاپ شدن فرق داره و باید خود پروژه رو تست کرد.

ولی جهت حرکت کاملاً جالبه:
خود AI داره هزینه ساخت نرم‌افزارهای پیچیده رو پایین‌تر میاره.

🔗 https://tenzen.studio/photon/

#Ai

برای همه کسانی که در دنیای هوش مصنوعی فعالیت می‌کنند.

برای همه کسانی که در دنیای هوش مصنوعی فعالیت می‌کنند.


پ.ن:نسخه دوم

یه مدل جدید به اسم Bonsai 2 27B منتشر شده که برای اجرای لوکال جالبه.

این مدل بر پایه Qwen3.8 ساخته شده و طبق ادعای منتشرشده، روی بنچمارک موردنظر به ۹۸.۲٪ عملکرد رسیده.

حجم مدل هم حدود ۵.۹ گیگابایت اعلام شده.

یعنی داریم به جایی می‌رسیم که مدل‌های نسبتاً قدرتمند، با حجم کمتر و بدون نیاز به ارسال داده به سرویس‌های ابری، راحت‌تر روی سیستم شخصی اجرا بشن.

برای Sovereign AI این اتفاق مهمیه؛
چون هرچی مدل‌های بهتر روی سخت‌افزار معمولی‌تر قابل اجرا بشن، وابستگی به API و سرویس‌های ابری کمتر میشه.

فقط یه نکته: عدد ۹۸.۲٪ به‌تنهایی معنی زیادی نداره و باید دید مربوط به کدوم بنچمارک و با چه تنظیماتیه.

#AI
#LocalAI
#SovereignAI
#LLM
#Qwen

یه مدل جدید به اسم Jev اومده که اصلاً برای نوشتن متن ساخته نشده.

کارش فقط یه چیزه: تصمیم گرفتن.

بهش وضعیت اپلیکیشن و یه سؤال مشخص میدی، اونم یه جواب Typed همراه با احتمال برمی‌گردونه.

طبق اطلاعات منتشرشده، ورودی هر یک میلیون توکن حدود ۰.۰۴۲ دلار هزینه داره و خروجی رایگانه.

توی همین مدت کوتاه ازش برای کارهای مختلف استفاده شده:

→ انتخاب مدل مناسب برای هر درخواست
→ جلوگیری از Tool Callهای خطرناک
→ تشخیص گیر کردن Agent توی Loop
→ دسته‌بندی ۱۵۰۰ ایمیل به‌صورت موازی
→ اجرای Browser Agent با هزینه خیلی پایین

نکته اصلی اینجاست:

یه Agent فقط وقتی داره فکر می‌کنه هزینه ایجاد نمی‌کنه؛ بین هر مرحله صدها تصمیم کوچیک می‌گیره.

این درخواست بره کدوم مدل؟
این Tool اجرا بشه یا نه؟
ایجنت ادامه بده یا متوقف بشه؟

اگه برای همه اینا مدل‌های بزرگ رو صدا بزنیم، هزینه خیلی سریع بالا میره.

برای همین احتمالاً معماری Agentها داره به این سمت میره:

مدل‌های بزرگ برای فکر کردن و تولید محتوا.
مدل‌های کوچک و سریع برای تصمیم‌های بین مسیر.

خود Jev فعلاً بیشتر روی سرعت و هزینه تمرکز داره، نه اینکه الزاماً قضاوت بهتری از مدل‌های بزرگ داشته باشه.

ولی اگه این ایده جواب بده، احتمالاً خیلی زود مدل‌های مشابهش از سمت شرکت‌های بزرگ و پروژه‌های Open Source هم می‌بینیم.

به نظرم بخش جالب ماجرا همینجاست؛
قرار نیست برای هر تصمیم کوچیک، یک مدل چندصد دلاری رو صدا بزنیم.

#AI
#AIAgents
#AgenticAI
#LLM