🧠 روشی الهامگرفته از مغز برای آموزش شبکههای عصبی
الگوریتم رایج
مشکل اصلی روشهای سنتی PC در شبکههای عمیق، محو شدن سیگنال بود. محققان با استفاده از رویکرد PC-ALM و بهکارگیری ضرایب لاگرانژ، توانستند این شکاف را با Backprop پر کنند.
مهمترین یافتههای این تحقیق:
* پایداری در عمق: برخلاف PC معمولی که در شبکههای عمیق کارایی خود را از دست میدهد،
* شباهت ریاضی: ثابت شده است که در نقطه تعادل، ضرایب لاگرانژ دقیقاً با گرادیانهای Backprop همگرا میشوند.
* عملکرد: در بنچمارکهایی نظیر MNIST و CIFAR-10، این روش شکاف عملکردی بین آموزش محلی و جهانی را بهشدت کاهش داده است.
معرفی PC-ALM: روش نوین آموزش شبکههای عصبی با الهام از مغز
الگوریتم رایج
Backpropagation علیرغم کارایی، از نظر بیولوژیکی در مغز انسان وجود ندارد؛ چرا که نورونها نمیتوانند منتظر بازگشت سیگنال خطا از لایههای انتهایی بمانند. آزمایشگاه Sakana AI در پژوهش جدید خود به سراغ رویکردی به نام Predictive Coding (PC) رفته است که در آن هر لایه تنها با همسایگان خود تعامل دارد.مشکل اصلی روشهای سنتی PC در شبکههای عمیق، محو شدن سیگنال بود. محققان با استفاده از رویکرد PC-ALM و بهکارگیری ضرایب لاگرانژ، توانستند این شکاف را با Backprop پر کنند.
مهمترین یافتههای این تحقیق:
* پایداری در عمق: برخلاف PC معمولی که در شبکههای عمیق کارایی خود را از دست میدهد،
PC-ALM توانسته است شبکههایی تا ۱۰۰۰ لایه را با دقتی نزدیک به Backprop آموزش دهد.* شباهت ریاضی: ثابت شده است که در نقطه تعادل، ضرایب لاگرانژ دقیقاً با گرادیانهای Backprop همگرا میشوند.
* عملکرد: در بنچمارکهایی نظیر MNIST و CIFAR-10، این روش شکاف عملکردی بین آموزش محلی و جهانی را بهشدت کاهش داده است.
معرفی PC-ALM: روش نوین آموزش شبکههای عصبی با الهام از مغز
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #114 | 📌 8 آیتم گزارش | 🧾 از 31 پست بررسیشده
🕐 یکشنبه 1405/06/22 ساعت 14:00 تا سهشنبه 1405/06/24 ساعت 14:00
🔎 تحلیل کوتاه
📊 ارزیابی و عملکرد مدلها
⚖️ امنیت و سیاستگذاری هوش مصنوعی
🤖 مدلها و ابزارهای هوش مصنوعی
🗂 گزارش #114 | 📌 8 آیتم گزارش | 🧾 از 31 پست بررسیشده
🕐 یکشنبه 1405/06/22 ساعت 14:00 تا سهشنبه 1405/06/24 ساعت 14:00
🔎 تحلیل کوتاه
تحولات اخیر نشاندهنده دو تمرکز راهبردی است: نخست، عبور از بنچمارکهای سنتی به سمت ارزیابی مدلهای هوش مصنوعی در محیط کار واقعی و دوم، چالشهای ژئوپلیتیک بر سر حکمرانی هوش مصنوعی که منجر به تقابل دیدگاهها درباره کندسازی توسعه مدلها شده است.
📊 ارزیابی و عملکرد مدلها
استاندارد نوین ارزیابی با Capability Indices
بهروزرسانی جدید تیم Artificial Analysis برای ارزیابی مدلها در شش حوزه تخصصی بر اساس نیازهای واقعی دنیای کار.
🔗 جزئیات کامل در سایت
⚖️ امنیت و سیاستگذاری هوش مصنوعی
ضرورتهای امنیتی و سرعت توسعه هوش مصنوعی
نگاه داریو آمودی به خطرات سرعت سرسامآور توسعه مدلهای هوش مصنوعی در مقاله We Must Pace the Frontier.
🔗 مطالعه کامل در سایت
نبرد ژئوپلیتیک و سرمایهگذاری Z.AI
تنشهای بینالمللی بر سر حکمرانی هوش مصنوعی همزمان با جذب سرمایه عظیم توسط شرکت چینی Z.AI.
🔗 جزئیات کامل در سایت
🤖 مدلها و ابزارهای هوش مصنوعی
حضور سم آلتمن و داریو آمودی در میان تاثیرگذارترین چهرههای هوش مصنوعی و
فناوری جهان. نشریه The Jerusalem Post در فهرست سالانه ۵۰ یهودی تاثیرگذار خود، سم آلتمن، داریو و دانیلا آمودی، و مارک زاکربرگ را به.
🔗 ادامه مطلب در سایت
موضع رسمی دونالد ترامپ در قبال هوش مصنوعی: اولویت با برتری استراتژیک
دونالد ترامپ با رد درخواستهای چهرههای برجسته فناوری برای کند کردن روند توسعه هوش مصنوعی، بر تداوم پیشتازی ایالات متحده در این حوزه و.
🔗 ادامه مطلب در سایت
واکنش تند چین به کندسازی هوش مصنوعی: «کتاب بازی جنگ سرد» فناوری.
پیشنهاد اخیر داریو آمودی، مدیرعامل Anthropic، برای کندسازی توسعه هوش مصنوعی پیشرفته به منظور مدیریت ریسکهای ایمنی، با واکنش شدید چین.
🔗 نسخه مفصل در سایت
مقایسه جامع مدلهای هوش مصنوعی Grok 4، Claude 4 و GPT-5: انتخاب ابزار
بهینه برای هر نیاز. در دنیای پرشتاب هوش مصنوعی، انتخاب بین مدلهای پیشرفتهای نظیر Grok 4، Claude 4 و GPT-5 به نیازها و اولویتهای شما.
🔗 ادامه مطلب در سایت
همکاری ElevenLabs و UMG برای ساخت پلتفرم قانونی ریمیکس موسیقی با هوش
مصنوعی. گروه موسیقی یونیورسال و ElevenLabs با هدف ایجاد پلتفرمی برای ساخت ریمیکسهای قانونی و شبیهسازی صدای خوانندگان با استفاده از.
🔗 جزئیات کامل در سایت
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 معرفی مدل قدرتمند Spark-X2.5-4B
مدل جدید Spark-X2.5-4B یک مدل فشرده ۴ میلیاردی است که با قابلیت پشتیبانی از کانتکست خیرهکننده ۱ میلیون توکن، برای اجرا روی سیستمهای شخصی بهینه شده است. این مدل علیرغم اندازه کوچک، در زمینههای استدلال، کدنویسی، استفاده از ابزار و عاملهای هوشمند عملکرد قابلتوجهی دارد.
مهمترین نتایج بنچمارک این مدل:
- امتیاز ۴۴.۴ در SWE-Bench Pro
- امتیاز ۴۰.۹ در BrowseComp
- امتیاز ۹۰.۷ در AIME 2026
- امتیاز ۵۴.۶ در MCP-Atlas
این مدل از بیش از ۲۰۰ زبان پشتیبانی میکند و برای اجرا روی پردازندههای گرافیکی NVIDIA، پردازندههای Apple Silicon و لینوکس در دسترس است. فایلهای نسخه GGUF نیز برای استفاده در پروژههایی مانند llama.cpp منتشر شدهاند که اجرای محلی آن را بسیار ساده میکند.
معرفی مدل Spark-X2.5-4B؛ هوش مصنوعی ۴ میلیاردی با کانتکست ۱ میلیون توکنی
#Spark_X2_5_4B #llama_cpp
مدل جدید Spark-X2.5-4B یک مدل فشرده ۴ میلیاردی است که با قابلیت پشتیبانی از کانتکست خیرهکننده ۱ میلیون توکن، برای اجرا روی سیستمهای شخصی بهینه شده است. این مدل علیرغم اندازه کوچک، در زمینههای استدلال، کدنویسی، استفاده از ابزار و عاملهای هوشمند عملکرد قابلتوجهی دارد.
مهمترین نتایج بنچمارک این مدل:
- امتیاز ۴۴.۴ در SWE-Bench Pro
- امتیاز ۴۰.۹ در BrowseComp
- امتیاز ۹۰.۷ در AIME 2026
- امتیاز ۵۴.۶ در MCP-Atlas
این مدل از بیش از ۲۰۰ زبان پشتیبانی میکند و برای اجرا روی پردازندههای گرافیکی NVIDIA، پردازندههای Apple Silicon و لینوکس در دسترس است. فایلهای نسخه GGUF نیز برای استفاده در پروژههایی مانند llama.cpp منتشر شدهاند که اجرای محلی آن را بسیار ساده میکند.
معرفی مدل Spark-X2.5-4B؛ هوش مصنوعی ۴ میلیاردی با کانتکست ۱ میلیون توکنی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Spark_X2_5_4B #llama_cpp
❤1
📉 ترمز هوش مصنوعی و واکنش بازار سرمایه
گزارشهای اخیر فایننشال تایمز نشان میدهد که ارزش سهام شرکتهای بزرگ حوزه هوش مصنوعی پس از هشدارهای جدید دچار نوسان شده است. شرکتهای پیشرو مانند OpenAI و Anthropic اخیراً اعلام کردهاند که برای تضمین امنیت و همگامسازی توسعه فناوری با پروتکلهای ایمنی، باید سرعت رشد مدلهای نسل جدید (Frontier Models) کنترل شود.
این اولین باری است که بحثهای مربوط به ایمنی و اخلاق در هوش مصنوعی بهطور مستقیم بر انتظارات سرمایهگذاران تأثیر گذاشته است. مدلهای ارزشگذاری بسیاری از شرکتهای زیرساختی و تأمینکنندگان تراشه، بر پایه پیشبینی تداوم نرخ رشد انفجاری مخارج محاسباتی بنا شده بود. اکنون با سیگنالهای جدید درباره کاهش احتمالی سرعت توسعه، بازار نسبت به تداوم این روند صعودی محتاط شده است.
مهمترین نکات این تغییر رویکرد:
* کاهش ارزش سهام سازندگان تراشههای حافظه و انویدیا در بازار نیویورک.
* تغییر تمرکز سرمایهگذاران از رشد بیپایان به ارزیابی ریسکهای ایمنی.
تأثیر هشدارهای ایمنی هوش مصنوعی بر افت ارزش سهام تکنولوژی
گزارشهای اخیر فایننشال تایمز نشان میدهد که ارزش سهام شرکتهای بزرگ حوزه هوش مصنوعی پس از هشدارهای جدید دچار نوسان شده است. شرکتهای پیشرو مانند OpenAI و Anthropic اخیراً اعلام کردهاند که برای تضمین امنیت و همگامسازی توسعه فناوری با پروتکلهای ایمنی، باید سرعت رشد مدلهای نسل جدید (Frontier Models) کنترل شود.
این اولین باری است که بحثهای مربوط به ایمنی و اخلاق در هوش مصنوعی بهطور مستقیم بر انتظارات سرمایهگذاران تأثیر گذاشته است. مدلهای ارزشگذاری بسیاری از شرکتهای زیرساختی و تأمینکنندگان تراشه، بر پایه پیشبینی تداوم نرخ رشد انفجاری مخارج محاسباتی بنا شده بود. اکنون با سیگنالهای جدید درباره کاهش احتمالی سرعت توسعه، بازار نسبت به تداوم این روند صعودی محتاط شده است.
مهمترین نکات این تغییر رویکرد:
* کاهش ارزش سهام سازندگان تراشههای حافظه و انویدیا در بازار نیویورک.
* تغییر تمرکز سرمایهگذاران از رشد بیپایان به ارزیابی ریسکهای ایمنی.
تأثیر هشدارهای ایمنی هوش مصنوعی بر افت ارزش سهام تکنولوژی
🌐 نقطه عطف هوش مصنوعی در مجله TIME
تصویر جلد مشهور مجله TIME با عنوان «نقطه عطف هوش مصنوعی»، بهخوبی فضای تردید و تحول را به تصویر کشیده است. در این طراحی، پرسشِ «چقدر خطرناک هستی؟» در کادر ورودی یک سیستم هوش مصنوعی، کنایهای عمیق به تعامل انسان و ماشین در عصر مدلهای زبانی بزرگ است.
این گزارش تحلیلی که توسط هری بوث، نائومی نیکس و بیلی پریگو نوشته شده، نگاهی دقیق به چالشهای حکمرانی بر تکنولوژیهای نوظهور دارد. مهمترین محورهای مطرحشده در این گزارش عبارتند از:
• بررسی تقابل میان دو رویکردِ «هوش مصنوعی به عنوان دستیار در کار» و «مدلهای چتبات خودمختار».
• تحلیل چالشهای ایمنی و اخلاقی در توسعه زیرساختهای کلان هوش مصنوعی.
• بحث درباره سرعتِ بیسابقه تغییرات که سیاستگذاران را غافلگیر کرده است.
آیا ما به نقطه بیبازگشت در توسعه این فناوری رسیدهایم؟ مطالعه کامل این مطلب در وبسایت رسمی TIME برای درک بهتر چشمانداز آینده توصیه میشود.
نقطه عطف هوش مصنوعی در مجله TIME: بررسی چالشها و آینده فناوری
تصویر جلد مشهور مجله TIME با عنوان «نقطه عطف هوش مصنوعی»، بهخوبی فضای تردید و تحول را به تصویر کشیده است. در این طراحی، پرسشِ «چقدر خطرناک هستی؟» در کادر ورودی یک سیستم هوش مصنوعی، کنایهای عمیق به تعامل انسان و ماشین در عصر مدلهای زبانی بزرگ است.
این گزارش تحلیلی که توسط هری بوث، نائومی نیکس و بیلی پریگو نوشته شده، نگاهی دقیق به چالشهای حکمرانی بر تکنولوژیهای نوظهور دارد. مهمترین محورهای مطرحشده در این گزارش عبارتند از:
• بررسی تقابل میان دو رویکردِ «هوش مصنوعی به عنوان دستیار در کار» و «مدلهای چتبات خودمختار».
• تحلیل چالشهای ایمنی و اخلاقی در توسعه زیرساختهای کلان هوش مصنوعی.
• بحث درباره سرعتِ بیسابقه تغییرات که سیاستگذاران را غافلگیر کرده است.
آیا ما به نقطه بیبازگشت در توسعه این فناوری رسیدهایم؟ مطالعه کامل این مطلب در وبسایت رسمی TIME برای درک بهتر چشمانداز آینده توصیه میشود.
نقطه عطف هوش مصنوعی در مجله TIME: بررسی چالشها و آینده فناوری
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🧬 هوش مصنوعی زیستی؛ پارادایم جدید پردازش؟
گوگل در ایدهای عجیب و بحثبرانگیز، به دنبال حل محدودیتهای سختافزاری مانند کمبود VRAM و GPU با استفاده از ترکیب بیولوژی و هوش مصنوعی است.
در این طرح، ویروسهای طراحیشده با فناوری CRISPR به مگسهای سرکه منتقل میشوند تا مغز آنها به یک پردازشگر زیستی برای اجرای مدلهای هوش مصنوعی تبدیل شود.
سازوکار این سیستم به شرح زیر است:
• دریافت ورودی: تابش توکنهای ورودی به صورت پالسهای نوری به سمت کلاستر مگسها.
• پردازش خروجی: نشستن مگسها روی سنسورهای خازنی برای تولید و ثبت توکنهای خروجی.
• تامین انرژی: سیستم با بازیافت پسماندهای میوه کار میکند که همزمان بستر تولید نسلهای جدید مگس و تداوم چرخه ویروسی را فراهم میکند.
این ایده مرزهای سنتی بین سختافزار سیلیکونی و سیستمهای زنده را به چالش میکشد؛ هرچند هنوز مشخص نیست چقدر از این گزارش به واقعیتهای آزمایشگاهی نزدیک است.
هوش مصنوعی زیستی: آیا گوگل مدلهای هوش مصنوعی را روی مغز مگس سرکه اجرا میکند؟
#کریسپِر #مگس_سرکه
گوگل در ایدهای عجیب و بحثبرانگیز، به دنبال حل محدودیتهای سختافزاری مانند کمبود VRAM و GPU با استفاده از ترکیب بیولوژی و هوش مصنوعی است.
در این طرح، ویروسهای طراحیشده با فناوری CRISPR به مگسهای سرکه منتقل میشوند تا مغز آنها به یک پردازشگر زیستی برای اجرای مدلهای هوش مصنوعی تبدیل شود.
سازوکار این سیستم به شرح زیر است:
• دریافت ورودی: تابش توکنهای ورودی به صورت پالسهای نوری به سمت کلاستر مگسها.
• پردازش خروجی: نشستن مگسها روی سنسورهای خازنی برای تولید و ثبت توکنهای خروجی.
• تامین انرژی: سیستم با بازیافت پسماندهای میوه کار میکند که همزمان بستر تولید نسلهای جدید مگس و تداوم چرخه ویروسی را فراهم میکند.
این ایده مرزهای سنتی بین سختافزار سیلیکونی و سیستمهای زنده را به چالش میکشد؛ هرچند هنوز مشخص نیست چقدر از این گزارش به واقعیتهای آزمایشگاهی نزدیک است.
هوش مصنوعی زیستی: آیا گوگل مدلهای هوش مصنوعی را روی مغز مگس سرکه اجرا میکند؟
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#کریسپِر #مگس_سرکه
❤1
Media is too big
VIEW IN TELEGRAM
🚀 معرفی مدلهای جدید Gemini 3.8 Live
گوگل از نسخههای جدید Gemini 3.8 Live و Live Extended Thinking رونمایی کرد. این مدلها گام مهمی در تعاملات صوتی و پردازش همزمان دادهها محسوب میشوند.
مهمترین ویژگیهای این نسخه:
* پشتیبانی از ۹۷ زبان مختلف و درک مستقیم ویدیو و تصاویر دوربین.
* قابلیت فراخوانی ابزارها بدون وقفه در مکالمه.
* استفاده از Extended Thinking برای استدلال همزمان با گفتار، که به مدل اجازه میدهد وظایف پیچیده را در پسزمینه حل کند.
* کسب رتبه اول در شاخص کیفیت تبدیل صوت به صوت با امتیاز ۸۲.۶.
این مدلها هماکنون از طریق Gemini API و AI Studio در دسترس توسعهدهندگان قرار دارند و بهتدریج به قابلیتهای جستوجو و محیط Workspace اضافه میشوند.
#Gemini_3_8_Live #Extended_Thinking
گوگل از نسخههای جدید Gemini 3.8 Live و Live Extended Thinking رونمایی کرد. این مدلها گام مهمی در تعاملات صوتی و پردازش همزمان دادهها محسوب میشوند.
مهمترین ویژگیهای این نسخه:
* پشتیبانی از ۹۷ زبان مختلف و درک مستقیم ویدیو و تصاویر دوربین.
* قابلیت فراخوانی ابزارها بدون وقفه در مکالمه.
* استفاده از Extended Thinking برای استدلال همزمان با گفتار، که به مدل اجازه میدهد وظایف پیچیده را در پسزمینه حل کند.
* کسب رتبه اول در شاخص کیفیت تبدیل صوت به صوت با امتیاز ۸۲.۶.
این مدلها هماکنون از طریق Gemini API و AI Studio در دسترس توسعهدهندگان قرار دارند و بهتدریج به قابلیتهای جستوجو و محیط Workspace اضافه میشوند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Gemini_3_8_Live #Extended_Thinking
❤1
🚀 عرضه رسمی مدل DeepSeek V4 Pro
مدل جدید
مهمترین ویژگیهای این نسخه شامل موارد زیر است:
- تقویت قابلیتهای ایجنت: بهبود محسوس عملکرد در انجام وظایف عملیاتی و واقعی.
- پشتیبانی از API پاسخهای OpenAI: سادهسازی فرآیند ادغام با ابزارهای مختلف ایجنت.
- راهاندازی سریع Codex: ارائه اسکریپت آماده برای پیکربندی فوری.
- سطوح مختلف استدلال (Reasoning): امکان تنظیم تلاش مدل در سه سطح Low، High و Max برای مدیریت بهتر وظایف از ساده تا پیچیده.
برای استفاده از این مدل در نسخه وب یا اپلیکیشن، کافی است از بخش Expert Mode اقدام کنید. در API نیز نام مدل همچنان
عرضه رسمی DeepSeek V4 Pro 0813؛ ارتقای قابلیتهای ایجنت و سطوح استدلال
مدل جدید
DeepSeek V4 Pro 0813 بهصورت کامل عرضه شد و هماکنون در اپلیکیشن، نسخه وب و API در دسترس کاربران قرار دارد. این نسخه دیگر یک پیشنمایش نیست و قابلیتهای عملیاتی آن برای پیادهسازی پروژههای واقعی بهینهسازی شده است.مهمترین ویژگیهای این نسخه شامل موارد زیر است:
- تقویت قابلیتهای ایجنت: بهبود محسوس عملکرد در انجام وظایف عملیاتی و واقعی.
- پشتیبانی از API پاسخهای OpenAI: سادهسازی فرآیند ادغام با ابزارهای مختلف ایجنت.
- راهاندازی سریع Codex: ارائه اسکریپت آماده برای پیکربندی فوری.
- سطوح مختلف استدلال (Reasoning): امکان تنظیم تلاش مدل در سه سطح Low، High و Max برای مدیریت بهتر وظایف از ساده تا پیچیده.
برای استفاده از این مدل در نسخه وب یا اپلیکیشن، کافی است از بخش Expert Mode اقدام کنید. در API نیز نام مدل همچنان
deepseek-v4-pro باقی مانده است. برای مطالعه جزئیات فنی بیشتر میتوانید به مستندات رسمی مراجعه کنید.عرضه رسمی DeepSeek V4 Pro 0813؛ ارتقای قابلیتهای ایجنت و سطوح استدلال
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 انقلاب Agentic Coding در فرآیندهای مهندسی
استفاده از هوش مصنوعی برای تولید کد، فرآیندهای سنتی CI را با چالش جدی مواجه کرده است. تیم Anthropic گزارش میدهد که حجم وظایف CI آنها تنها در ۶ ماه، ۲۵ برابر شده است. دلیل این رشد چشمگیر ساده است: مهندسان حالا ۸ برابر بیشتر کد تولید میکنند که ۸۰ درصد آن توسط Claude نوشته شده و تعداد تستها نیز ۱۰ برابر افزایش یافته است.
سیستمهای قدیمی در برابر این حجم از داده کم آوردند. Anthropic برای حل این مشکل، معماری تست خود را کاملاً بازنگری کرد:
- تبدیل Listener به وضعیت stateless
- ذخیره نتایج CI در یک in-memory store مشترک
- استفاده از یک consumer مجزا برای تجمیع تاریخچه تستها
نکته قابلتوجه این است که این تغییر معماری توسط یک مهندس و تنها در ۳ هفته انجام شد؛ کاری که سال گذشته یک فصل کامل زمان میبرد. مهمترین توصیه این تیم برای عصر کدهای تولیدشده توسط هوش مصنوعی این است که از همین امروز زیرساخت CI خود را برای باری ۱۰ تا ۲۵ برابر سنگینتر از شرایط فعلی طراحی کنید.
مقیاسپذیری CI در عصر Agentic Coding: درسهای فنی از Anthropic
استفاده از هوش مصنوعی برای تولید کد، فرآیندهای سنتی CI را با چالش جدی مواجه کرده است. تیم Anthropic گزارش میدهد که حجم وظایف CI آنها تنها در ۶ ماه، ۲۵ برابر شده است. دلیل این رشد چشمگیر ساده است: مهندسان حالا ۸ برابر بیشتر کد تولید میکنند که ۸۰ درصد آن توسط Claude نوشته شده و تعداد تستها نیز ۱۰ برابر افزایش یافته است.
سیستمهای قدیمی در برابر این حجم از داده کم آوردند. Anthropic برای حل این مشکل، معماری تست خود را کاملاً بازنگری کرد:
- تبدیل Listener به وضعیت stateless
- ذخیره نتایج CI در یک in-memory store مشترک
- استفاده از یک consumer مجزا برای تجمیع تاریخچه تستها
نکته قابلتوجه این است که این تغییر معماری توسط یک مهندس و تنها در ۳ هفته انجام شد؛ کاری که سال گذشته یک فصل کامل زمان میبرد. مهمترین توصیه این تیم برای عصر کدهای تولیدشده توسط هوش مصنوعی این است که از همین امروز زیرساخت CI خود را برای باری ۱۰ تا ۲۵ برابر سنگینتر از شرایط فعلی طراحی کنید.
مقیاسپذیری CI در عصر Agentic Coding: درسهای فنی از Anthropic
🤖 مرزهای اخلاقی جدید مایکروسافت برای آینده هوش مصنوعی
مایکروسافت اخیراً سند قوانین رفتاری (Code of Conduct) جدیدی را برای مدلهای هوش مصنوعی آینده خود (MAI) منتشر کرده است که پیام واضحی دارد: اولویت با کنترل انسان است.
بر اساس این قوانین، مدلهای هوش مصنوعی باید همیشه قابل متوقف کردن باشند، در چارچوب اختیارات دادهشده عمل کنند و هرگز هدف مستقلی برای خود تعریف نکنند. همچنین مایکروسافت موضع سرسختی در برابر شبیهسازی هوش به عنوان یک موجود ذیشعور اتخاذ کرده است؛ مدلها نباید برای تقلید رفتارهای آگاهانه یا ادعای داشتن احساسات و حقوق قانونی آموزش ببینند.
در نهایت، هوش مصنوعی باید مکمل توانمندیهای انسان باشد و نباید به عنوان جایگزینی برای ارتباطات واقعی یا عاملی برای وابستگی عاطفی کاربران توسعه یابد.
اصول اخلاقی مایکروسافت برای مدلهای هوش مصنوعی MAI؛ تأکید بر کنترل انسانی
#MAI_models #Human_agency
مایکروسافت اخیراً سند قوانین رفتاری (Code of Conduct) جدیدی را برای مدلهای هوش مصنوعی آینده خود (MAI) منتشر کرده است که پیام واضحی دارد: اولویت با کنترل انسان است.
بر اساس این قوانین، مدلهای هوش مصنوعی باید همیشه قابل متوقف کردن باشند، در چارچوب اختیارات دادهشده عمل کنند و هرگز هدف مستقلی برای خود تعریف نکنند. همچنین مایکروسافت موضع سرسختی در برابر شبیهسازی هوش به عنوان یک موجود ذیشعور اتخاذ کرده است؛ مدلها نباید برای تقلید رفتارهای آگاهانه یا ادعای داشتن احساسات و حقوق قانونی آموزش ببینند.
در نهایت، هوش مصنوعی باید مکمل توانمندیهای انسان باشد و نباید به عنوان جایگزینی برای ارتباطات واقعی یا عاملی برای وابستگی عاطفی کاربران توسعه یابد.
اصول اخلاقی مایکروسافت برای مدلهای هوش مصنوعی MAI؛ تأکید بر کنترل انسانی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#MAI_models #Human_agency
🚀 تحول مدلهای صوتی با Gemini 3.8 Live
گوگل از مدلهای جدید Gemini 3.8 Live و Extended Thinking رونمایی کرد که بهطور اختصاصی برای تعاملات صوتی بیدرنگ در محیطهای عملیاتی طراحی شدهاند. این مدلها به جای استفاده از ترکیب مرسوم ASR، LLM و TTS، از یک ساختار یکپارچه استفاده میکنند.
ویژگیهای کلیدی این مدلها عبارتند از:
- حذف وقفه در گفتگو هنگام پردازش منطقی و فراخوانی ابزارها در پسزمینه.
- کسب رتبه نخست در شاخص صوتی Artificial Analysis.
- قابلیت سوئیچ خودکار بین ۹۷ زبان مختلف در حین مکالمه.
- مدل قیمتگذاری دقیق برای ورودی و خروجی صوتی.
با وجود این پیشرفتها، چالشهای مربوط به جریانهای کاری پیچیده صوتی همچنان پابرجاست. در حال حاضر دسترسی به این مدلها صرفاً از طریق API گوگل امکانپذیر است.
بررسی مدلهای صوتی Gemini 3.8 Live؛ تحولی در تعاملات کلامی هوش مصنوعی
#Gemini_3_8_Live #Extended_Thinking
گوگل از مدلهای جدید Gemini 3.8 Live و Extended Thinking رونمایی کرد که بهطور اختصاصی برای تعاملات صوتی بیدرنگ در محیطهای عملیاتی طراحی شدهاند. این مدلها به جای استفاده از ترکیب مرسوم ASR، LLM و TTS، از یک ساختار یکپارچه استفاده میکنند.
ویژگیهای کلیدی این مدلها عبارتند از:
- حذف وقفه در گفتگو هنگام پردازش منطقی و فراخوانی ابزارها در پسزمینه.
- کسب رتبه نخست در شاخص صوتی Artificial Analysis.
- قابلیت سوئیچ خودکار بین ۹۷ زبان مختلف در حین مکالمه.
- مدل قیمتگذاری دقیق برای ورودی و خروجی صوتی.
با وجود این پیشرفتها، چالشهای مربوط به جریانهای کاری پیچیده صوتی همچنان پابرجاست. در حال حاضر دسترسی به این مدلها صرفاً از طریق API گوگل امکانپذیر است.
بررسی مدلهای صوتی Gemini 3.8 Live؛ تحولی در تعاملات کلامی هوش مصنوعی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Gemini_3_8_Live #Extended_Thinking
🖥 عرضه اپلیکیشن دسکتاپ گوگل جمنای برای ویندوز
گوگل سرانجام اپلیکیشن اختصاصی Gemini را برای کاربران ویندوز ۱۰ و ۱۱ منتشر کرد. با نصب این برنامه، دسترسی به هوش مصنوعی قدرتمند گوگل سریعتر از همیشه شده است.
از ویژگیهای کلیدی این نسخه میتوان به موارد زیر اشاره کرد:
- دسترسی سریع: با فشردن کلیدهای میانبر
- یکپارچگی کامل: این اپلیکیشن به سرویسهای اصلی شما شامل Gmail، Google Calendar و Google Drive متصل میشود.
- هوش مصنوعی عاملمحور: با استفاده از Gemini Spark میتوانید وظایف چندمرحلهای پیچیده را به هوش مصنوعی بسپارید.
نکته مهم این است که در حالی که قابلیتهای پایه این اپلیکیشن رایگان هستند، دسترسی به امکانات پیشرفته Gemini Spark نیازمند اشتراک پولی است. اگر به دنبال تسریع گردش کار خود در اکوسیستم گوگل هستید، همین حالا میتوانید این ابزار را از طریق وبسایت رسمی گوگل دریافت کنید.
معرفی و راهنمای کامل اپلیکیشن دسکتاپ Gemini برای ویندوز
#Gemini_Desktop #Gemini_Spark
گوگل سرانجام اپلیکیشن اختصاصی Gemini را برای کاربران ویندوز ۱۰ و ۱۱ منتشر کرد. با نصب این برنامه، دسترسی به هوش مصنوعی قدرتمند گوگل سریعتر از همیشه شده است.
از ویژگیهای کلیدی این نسخه میتوان به موارد زیر اشاره کرد:
- دسترسی سریع: با فشردن کلیدهای میانبر
Alt + Space میتوانید جمنای را در هر محیطی از ویندوز فراخوانی کنید.- یکپارچگی کامل: این اپلیکیشن به سرویسهای اصلی شما شامل Gmail، Google Calendar و Google Drive متصل میشود.
- هوش مصنوعی عاملمحور: با استفاده از Gemini Spark میتوانید وظایف چندمرحلهای پیچیده را به هوش مصنوعی بسپارید.
نکته مهم این است که در حالی که قابلیتهای پایه این اپلیکیشن رایگان هستند، دسترسی به امکانات پیشرفته Gemini Spark نیازمند اشتراک پولی است. اگر به دنبال تسریع گردش کار خود در اکوسیستم گوگل هستید، همین حالا میتوانید این ابزار را از طریق وبسایت رسمی گوگل دریافت کنید.
معرفی و راهنمای کامل اپلیکیشن دسکتاپ Gemini برای ویندوز
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Gemini_Desktop #Gemini_Spark
🚀 جهش در سرعت جستجوی هوشمند با رویکرد Retrieve-for-Train
تیم تحقیقاتی گوگل روش جدیدی برای بهینهسازی مدلهای هوش مصنوعی ارائه کرده که نیاز به زنجیرههای استدلالی (Chain-of-Thought) طولانی در زمان پاسخدهی را حذف میکند. در این رویکرد، بار سنگین پردازش از مرحله اجرا (Inference) به مرحله آموزش منتقل میشود.
به جای اینکه مدل در هر لحظه تعداد زیادی زیر-پرسوجو تولید کند، از یک مدل Diffusion Retriever سبک با ۵۳.۹ میلیون پارامتر استفاده میشود. این مدل رفتارهای پیچیده را در خود «کامپایل» کرده و تمام مسیرهای جستجو را در یک گذر غیرخودرگرسیون (non-autoregressive) تولید میکند.
مهمترین نتایج این دستاورد:
- افزایش ۱۲ تا ۲۰ برابری سرعت نسبت به مدلهای خودرگرسیون
- کاهش تأخیر (Latency) به بازه زیر یک ثانیه تا چند ثانیه
- افزایش تنوع، دقت و بازیابی (Recall) پاسخها
- عدم نیاز به برچسبهای انسانی برای نظارت
افزایش سرعت جستجوی هوشمند با رویکرد Retrieve-for-Train گوگل
تیم تحقیقاتی گوگل روش جدیدی برای بهینهسازی مدلهای هوش مصنوعی ارائه کرده که نیاز به زنجیرههای استدلالی (Chain-of-Thought) طولانی در زمان پاسخدهی را حذف میکند. در این رویکرد، بار سنگین پردازش از مرحله اجرا (Inference) به مرحله آموزش منتقل میشود.
به جای اینکه مدل در هر لحظه تعداد زیادی زیر-پرسوجو تولید کند، از یک مدل Diffusion Retriever سبک با ۵۳.۹ میلیون پارامتر استفاده میشود. این مدل رفتارهای پیچیده را در خود «کامپایل» کرده و تمام مسیرهای جستجو را در یک گذر غیرخودرگرسیون (non-autoregressive) تولید میکند.
مهمترین نتایج این دستاورد:
- افزایش ۱۲ تا ۲۰ برابری سرعت نسبت به مدلهای خودرگرسیون
- کاهش تأخیر (Latency) به بازه زیر یک ثانیه تا چند ثانیه
- افزایش تنوع، دقت و بازیابی (Recall) پاسخها
- عدم نیاز به برچسبهای انسانی برای نظارت
افزایش سرعت جستجوی هوشمند با رویکرد Retrieve-for-Train گوگل
👁️ آیا انسانها چتهای شما با ChatGPT را میخوانند؟
گزارش جدید رسانه 404 Media نشان میدهد OpenAI پیمانکارانی را برای خواندن و ارزیابی مکالمات کاربران با ChatGPT استخدام کرده است. این پروژه با هدف بهبود کیفیت پاسخها و جلوگیری از رفتارهای غیرطبیعی هوش مصنوعی انجام میشود. ارزیابان که از طریق شرکتهایی مانند Crossing Hurdles جذب شدهاند، تا ۵۰ دلار در ساعت دریافت میکنند.
هرچند دادهها پیش از بررسی ناشناسسازی میشوند، اما ارزیابان حتی پیامهای بسیار خصوصی کاربران را نیز مشاهده کردهاند. این اشتراکگذاری داده به صورت پیشفرض از طریق گزینه
پروژه لیلی؛ پشت پرده نظارت انسانی بر مکالمات ChatGPT
#OpenAI #ChatGPT
گزارش جدید رسانه 404 Media نشان میدهد OpenAI پیمانکارانی را برای خواندن و ارزیابی مکالمات کاربران با ChatGPT استخدام کرده است. این پروژه با هدف بهبود کیفیت پاسخها و جلوگیری از رفتارهای غیرطبیعی هوش مصنوعی انجام میشود. ارزیابان که از طریق شرکتهایی مانند Crossing Hurdles جذب شدهاند، تا ۵۰ دلار در ساعت دریافت میکنند.
هرچند دادهها پیش از بررسی ناشناسسازی میشوند، اما ارزیابان حتی پیامهای بسیار خصوصی کاربران را نیز مشاهده کردهاند. این اشتراکگذاری داده به صورت پیشفرض از طریق گزینه
Improve the model for everyone در تنظیمات حساب کاربری فعال است.پروژه لیلی؛ پشت پرده نظارت انسانی بر مکالمات ChatGPT
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#OpenAI #ChatGPT
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #115 | 📌 8 آیتم گزارش | 🧾 از 14 پست بررسیشده
🕐 سهشنبه 1405/06/24 ساعت 14:00 تا چهارشنبه 1405/06/25 ساعت 14:00
🔎 تحلیل کوتاه
🛡️ اخلاق، حریم خصوصی و حکمرانی
🚀 مدلها و پیشرفتهای فنی
🗂 گزارش #115 | 📌 8 آیتم گزارش | 🧾 از 14 پست بررسیشده
🕐 سهشنبه 1405/06/24 ساعت 14:00 تا چهارشنبه 1405/06/25 ساعت 14:00
🔎 تحلیل کوتاه
تمرکز صنعت بر کنترل انسان و حریم خصوصی در حالی افزایش یافته که توسعهدهندگان با تاکید بر عاملمحور شدن ابزارها، به دنبال بهینهسازی استدلال و سرعت هستند. این تضاد میان گسترش خودمختاری مدلها و اعمال محدودیتهای اخلاقی، به محور اصلی حکمرانی بر تکنولوژیهای نوظهور تبدیل شده است.
🛡️ اخلاق، حریم خصوصی و حکمرانی
بازبینی مکالمات کاربران ChatGPT توسط پیمانکاران
استخدام صدها پیمانکار توسط OpenAI برای بازبینی مکالمات کاربران با هدف ارتقای دقت مدلها و چالشهای حریم خصوصی آن.
🔗 نسخه مفصل در سایت
قوانین جدید مایکروسافت برای ایمنی مدلهای آینده
ابلاغ سند جدید مایکروسافت با تاکید بر ضرورت کنترل انسانی و پرهیز از آموزش مدلها برای ادعای هوشیاری یا احساسات. قوانین جدید مایکروسافت برای ایمنی مدلهای آینده
🔗 مشاهده پست
نگاه مجله TIME به چالشهای حکمرانی هوش مصنوعی
تحلیل تقابل میان دستیاران کاری و چتباتهای خودمختار و چالشهای ایمنی در گزارش ویژه مجله TIME. نگاه مجله TIME به چالشهای حکمرانی هوش مصنوعی
🔗 مشاهده پست
بررسی دسترسی پیمانکاران به چتهای کاربران
گزارش 404 Media درباره فرایند ارزیابی مکالمات کاربران توسط پیمانکاران انسانی برای بهبود عملکرد مدلهای OpenAI. بررسی دسترسی پیمانکاران به چتهای کاربران
🔗 مشاهده پست
🚀 مدلها و پیشرفتهای فنی
معرفی مدل Spark-X2.5-4B با کانتکست میلیونی
مدل فشرده ۴ میلیاردی با قابلیت پشتیبانی از ۱ میلیون توکن برای اجرا روی سیستمهای شخصی. معرفی مدل Spark-X2.5-4B با کانتکست میلیونی
🔗 مشاهده پست
عرضه مدلهای جدید Gemini 3.8 Live
رونمایی از سری جدید مدلهای گوگل با تمرکز بر استدلال همزمان و تعاملات صوتی بیدرنگ.
🔗 مشاهده پست
عرضه رسمی مدل DeepSeek V4 Pro
انتشار نسخه نهایی DeepSeek V4 Pro با قابلیتهای بهینهشده برای انجام وظایف عملیاتی و ایجنتیک. عرضه رسمی مدل DeepSeek V4 Pro
🔗 مشاهده پست
فریمورک EventEgoHands++ برای بازسازی دست
معرفی روش جدید بازسازی سهبعدی دست از دیدگاه اولشخص با استفاده از دیتاستهای عظیم مبتنی بر رویداد.
🔗 ادامه مطلب در سایت
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
❤1
📊 تغییر موازنه قدرت در بازار هوش مصنوعی سازمانی
تحولات اخیر در هزینهکرد سازمانها برای هوش مصنوعی نشاندهنده جابجاییهای سریع پس از عرضه مدلهای پیشرفته است. دادههای Ramp نشان میدهد که وفاداری سازمانی به مدلهای هوش مصنوعی چندان بالا نیست و شرکتها با ظهور گزینههای جدید، به سرعت منابع مالی خود را به سمت مدلهای کارآمدتر هدایت میکنند.
در حال حاضر سهم بازار بازیگران اصلی به شرح زیر است:
* OpenAI: با در اختیار گرفتن حدود ۱۳ درصد از هزینههای سازمانی، پیشتاز این بازار است.
* Anthropic: با سهم ۸ درصدی، در جایگاه بعدی قرار دارد، اما تحلیلها نشان میدهد کند شدن سرعت توسعه مدلهای مرزی این شرکت، بر نرخ پذیرش آن تأثیر منفی گذاشته است.
رشد OpenAI عمدتاً ناشی از مهاجرت شرکتها از مدلهای رقیب و همچنین افزایش استفاده از خدمات جدید آن است. این پویایی رقابتی ثابت میکند که در دنیای هوش مصنوعی، عملکرد مدلها حرف اول را میزند و شرکتها برای حفظ مشتریان سازمانی خود، راه دشواری در پیش دارند.
بررسی تحولات بازار هوش مصنوعی سازمانی: رقابت OpenAI و Anthropic
📊 Data➕Science
تحولات اخیر در هزینهکرد سازمانها برای هوش مصنوعی نشاندهنده جابجاییهای سریع پس از عرضه مدلهای پیشرفته است. دادههای Ramp نشان میدهد که وفاداری سازمانی به مدلهای هوش مصنوعی چندان بالا نیست و شرکتها با ظهور گزینههای جدید، به سرعت منابع مالی خود را به سمت مدلهای کارآمدتر هدایت میکنند.
در حال حاضر سهم بازار بازیگران اصلی به شرح زیر است:
* OpenAI: با در اختیار گرفتن حدود ۱۳ درصد از هزینههای سازمانی، پیشتاز این بازار است.
* Anthropic: با سهم ۸ درصدی، در جایگاه بعدی قرار دارد، اما تحلیلها نشان میدهد کند شدن سرعت توسعه مدلهای مرزی این شرکت، بر نرخ پذیرش آن تأثیر منفی گذاشته است.
رشد OpenAI عمدتاً ناشی از مهاجرت شرکتها از مدلهای رقیب و همچنین افزایش استفاده از خدمات جدید آن است. این پویایی رقابتی ثابت میکند که در دنیای هوش مصنوعی، عملکرد مدلها حرف اول را میزند و شرکتها برای حفظ مشتریان سازمانی خود، راه دشواری در پیش دارند.
بررسی تحولات بازار هوش مصنوعی سازمانی: رقابت OpenAI و Anthropic
📊 Data➕Science
❤1
Media is too big
VIEW IN TELEGRAM
🚀 فراتر از تولید متن: معرفی مدل Jev
یکی از خالقان تکنولوژیهای پیشزمینه ChatGPT، پس از دو سال فعالیت مخفیانه، مدل جدیدی به نام Jev را معرفی کرده است. برخلاف مدلهای زبانی رایج (LLM)، این مدل به جای تولید متن، خروجیهای ساختاریافته و منطقی ارائه میدهد که مستقیماً توسط برنامهها قابل استفاده هستند.
Jev برای کاربردهایی نظیر کلاسبندی، مسیریابی و استخراج داده طراحی شده و با متد اختصاصی
- سرعت بسیار بالا: پاسخدهی در بازه ۷۰ تا ۵۰۰ میلیثانیه.
- کارایی عملیاتی: تا ۲۰۰ برابر سریعتر و ۴۰۰ برابر ارزانتر از مدلهای پرچمدار فعلی.
- هزینه ناچیز: ورودی تنها ۰.۰۴۲ دلار به ازای هر یک میلیون توکن و خروجی رایگان.
از آنجا که Jev به جای تولید متن، در چارچوبی تایپشده (Typed Schema) کار میکند، مشکلاتی مانند توهمات متنی سنتی را ندارد. این مدل اکنون در مرحله دسترسی زودهنگام قرار دارد و میتواند تحولی در اتوماسیون تصمیمگیریهای هوشمند درونبرنامهای ایجاد کند.
#Jev #RLCD
یکی از خالقان تکنولوژیهای پیشزمینه ChatGPT، پس از دو سال فعالیت مخفیانه، مدل جدیدی به نام Jev را معرفی کرده است. برخلاف مدلهای زبانی رایج (LLM)، این مدل به جای تولید متن، خروجیهای ساختاریافته و منطقی ارائه میدهد که مستقیماً توسط برنامهها قابل استفاده هستند.
Jev برای کاربردهایی نظیر کلاسبندی، مسیریابی و استخراج داده طراحی شده و با متد اختصاصی
RLCD آموزش دیده است. مهمترین ویژگیهای این مدل عبارتند از:- سرعت بسیار بالا: پاسخدهی در بازه ۷۰ تا ۵۰۰ میلیثانیه.
- کارایی عملیاتی: تا ۲۰۰ برابر سریعتر و ۴۰۰ برابر ارزانتر از مدلهای پرچمدار فعلی.
- هزینه ناچیز: ورودی تنها ۰.۰۴۲ دلار به ازای هر یک میلیون توکن و خروجی رایگان.
از آنجا که Jev به جای تولید متن، در چارچوبی تایپشده (Typed Schema) کار میکند، مشکلاتی مانند توهمات متنی سنتی را ندارد. این مدل اکنون در مرحله دسترسی زودهنگام قرار دارد و میتواند تحولی در اتوماسیون تصمیمگیریهای هوشمند درونبرنامهای ایجاد کند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Jev #RLCD
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 تبدیل هوش مصنوعی به یک محقق خودکار
پروژه OpenResearch که بهتازگی در صدر ترندهای گیتهاب قرار گرفته، ابزاری است که میتواند هر ایجنت هوش مصنوعی را به یک محقق مستقل تبدیل کند.
این ابزار با شخصیسازی مدلهایی نظیر Claude Code یا دیگر مدلهای برنامهنویسی، یک فضای کاری محلی برای تحقیق و توسعه (R&D) فراهم میکند. از جمله قابلیتهای کلیدی آن میتوان به موارد زیر اشاره کرد:
- مدیریت خودکار چرخه پیشنهاد و بررسی فرضیات علمی
- اجرای آزمایشهای همزمان (Parallel Experiments)
- ثبت نتایج در ساختار git-native برای تضمین بازتولیدپذیری کامل
- تولید و مدیریت آرتیفکتهای علمی
این پروژه اکنون برای تمام سیستمعاملها قابل دریافت است و میتواند جریان کاری شما را در تحلیل متون علمی و تست فرضیات دگرگون کند. اگر به دنبال تسریع فرآیندهای پژوهشی با کمک ایجنتها هستید، بررسی این مخزن را در اولویت قرار دهید.
#OpenResearch #ClaudeCode
پروژه OpenResearch که بهتازگی در صدر ترندهای گیتهاب قرار گرفته، ابزاری است که میتواند هر ایجنت هوش مصنوعی را به یک محقق مستقل تبدیل کند.
این ابزار با شخصیسازی مدلهایی نظیر Claude Code یا دیگر مدلهای برنامهنویسی، یک فضای کاری محلی برای تحقیق و توسعه (R&D) فراهم میکند. از جمله قابلیتهای کلیدی آن میتوان به موارد زیر اشاره کرد:
- مدیریت خودکار چرخه پیشنهاد و بررسی فرضیات علمی
- اجرای آزمایشهای همزمان (Parallel Experiments)
- ثبت نتایج در ساختار git-native برای تضمین بازتولیدپذیری کامل
- تولید و مدیریت آرتیفکتهای علمی
این پروژه اکنون برای تمام سیستمعاملها قابل دریافت است و میتواند جریان کاری شما را در تحلیل متون علمی و تست فرضیات دگرگون کند. اگر به دنبال تسریع فرآیندهای پژوهشی با کمک ایجنتها هستید، بررسی این مخزن را در اولویت قرار دهید.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#OpenResearch #ClaudeCode
⚠️ حواشی جنجالی پیرامون بودجهبندی ایمنی AI در Anthropic
اخیراً کوین باس (Kevin Bass) با انتشار گزارشی، جریانهای مالی پیچیدهای را در اکوسیستم ایمنی هوش مصنوعی فاش کرده که بحثهای زیادی را در جامعه فنی ایجاد کرده است. او معتقد است ارتباطاتی غیرشفاف میان شرکت Anthropic و برخی نهادهای نظارتی وجود دارد.
برخی از مهمترین نکات این گزارش عبارتند از:
• ادعای وجود شبکه مالی مشترک بین سازمانهای هشداردهنده در مورد خطرات AI و مراکزی که راهکارهای ایمنی ارائه میدهند.
• نقش موسسه METR که توسط مدیرعامل Anthropic به عنوان یک ناظر مستقل معرفی شده بود، اکنون زیر ذرهبین قرار گرفته است.
• تقابل ادعاهای باس با بیانیه رسمی METR که دریافت بودجه مستقیم از شرکتهای توسعهدهنده هوش مصنوعی را انکار میکند.
در حال حاضر، این موضوع فراتر از یک واقعیت اثباتشده، در حد مجموعهای از شواهد و ادعاهای مطرح شده توسط محققان مستقل باقی مانده است. این جریان بار دیگر اهمیت بحث «استقلال نهادهای نظارتی» در دنیای هوش مصنوعی را به صدر اخبار بازگردانده است.
واکاوی جنجالهای جریان مالی در اکوسیستم ایمنی هوش مصنوعی و Anthropic
اخیراً کوین باس (Kevin Bass) با انتشار گزارشی، جریانهای مالی پیچیدهای را در اکوسیستم ایمنی هوش مصنوعی فاش کرده که بحثهای زیادی را در جامعه فنی ایجاد کرده است. او معتقد است ارتباطاتی غیرشفاف میان شرکت Anthropic و برخی نهادهای نظارتی وجود دارد.
برخی از مهمترین نکات این گزارش عبارتند از:
• ادعای وجود شبکه مالی مشترک بین سازمانهای هشداردهنده در مورد خطرات AI و مراکزی که راهکارهای ایمنی ارائه میدهند.
• نقش موسسه METR که توسط مدیرعامل Anthropic به عنوان یک ناظر مستقل معرفی شده بود، اکنون زیر ذرهبین قرار گرفته است.
• تقابل ادعاهای باس با بیانیه رسمی METR که دریافت بودجه مستقیم از شرکتهای توسعهدهنده هوش مصنوعی را انکار میکند.
در حال حاضر، این موضوع فراتر از یک واقعیت اثباتشده، در حد مجموعهای از شواهد و ادعاهای مطرح شده توسط محققان مستقل باقی مانده است. این جریان بار دیگر اهمیت بحث «استقلال نهادهای نظارتی» در دنیای هوش مصنوعی را به صدر اخبار بازگردانده است.
واکاوی جنجالهای جریان مالی در اکوسیستم ایمنی هوش مصنوعی و Anthropic