🚫 ممنوعیت استفاده از مدل‌های DeepSeek در نهادهای دولتی آمریکا
وزارت امنیت داخلی ایالات متحده در دستورالعمل جدیدی، استفاده از محصولات شرکت چینی DeepSeek را در تمامی سازمان‌های فدرال این کشور ممنوع کرد. طبق این ابلاغیه رسمی، تمام آژانس‌های دولتی موظف‌اند این مدل‌ها را از زیرساخت‌های IT خود حذف کرده و دسترسی به آن را به طور کامل قطع کنند.
دلایل اصلی این تصمیم شامل موارد زیر است:
- جلوگیری از انتقال احتمالی داده‌های کارمندان و پیمانکاران دولتی به دولت چین.
- کاهش ریسک وجود آسیب‌پذیری‌های امنیتی و کدهای مخرب احتمالی در مدل‌ها.
- ممنوعیت کامل مشارکت شرکت DeepSeek در تمامی قراردادهای دولتی آمریکا.
جزئیات بیشتر این حکم در سند رسمی منتشرشده توسط دولت آمریکا در دسترس است.
وزارت امنیت داخلی ایالات متحده در دستورالعمل جدیدی، استفاده از محصولات شرکت چینی DeepSeek را در تمامی سازمان‌های فدرال این کشور ممنوع کرد. طبق این ابلاغیه رسمی، تمام آژانس‌های دولتی موظف‌اند این مدل‌ها را از زیرساخت‌های IT خود حذف کرده و دسترسی به آن را به طور کامل قطع کنند.
دلایل اصلی این تصمیم شامل موارد زیر است:
- جلوگیری از انتقال احتمالی داده‌های کارمندان و پیمانکاران دولتی به دولت چین.
- کاهش ریسک وجود آسیب‌پذیری‌های امنیتی و کدهای مخرب احتمالی در مدل‌ها.
- ممنوعیت کامل مشارکت شرکت DeepSeek در تمامی قراردادهای دولتی آمریکا.
جزئیات بیشتر این حکم در سند رسمی منتشرشده توسط دولت آمریکا در دسترس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🎥 معرفی VideoMaMa++ برای جداسازی ویدئویی
مدل VideoMaMa++ که در کنفرانس NeurIPS 2026 ارائه شده، یک چارچوب جدید برای Video Matting مبتنی بر ماسک است. این سیستم در بازیابی جزئیات دقیق، مانند تارهای مو، عملکرد بالایی دارد و برای پردازش ویدئوهای طولانی بهینه‌سازی شده است.
منابع برای بررسی فنی:
- متن کامل مقاله
- صفحه پروژه
- بررسی و تحلیل
#VideoMaMa_PlusPlus #Video_Matting
مدل VideoMaMa++ که در کنفرانس NeurIPS 2026 ارائه شده، یک چارچوب جدید برای Video Matting مبتنی بر ماسک است. این سیستم در بازیابی جزئیات دقیق، مانند تارهای مو، عملکرد بالایی دارد و برای پردازش ویدئوهای طولانی بهینه‌سازی شده است.
منابع برای بررسی فنی:
- متن کامل مقاله
- صفحه پروژه
- بررسی و تحلیل
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#VideoMaMa_PlusPlus #Video_Matting
🚀 انتشار موتور DeepInfer توسط DeepSeek
تیم DeepSeek کد منبع موتور اختصاصی خود برای اجرای مدل‌های هوش مصنوعی با نام DeepInfer را با مجوز Apache 2.0 منتشر کرد. این موتور در حال حاضر برای اجرای مدل DeepSeek-V4.1-Flash استفاده می‌شود و تمرکز آن بر افزایش کارایی در عملیات استنتاج (Inference) است.
مهم‌ترین ویژگی‌های این موتور عبارتند از:
- افزایش تعداد درخواست‌های پردازش‌شده در واحد زمان.
- مدیریت بهینه منابع GPU برای کاهش هزینه‌های محاسباتی.
- امکان پردازش موازی جهت حفظ توان عملیاتی بالا در بارهای کاری سنگین.
- کاهش میزان منابع مورد نیاز برای تولید پاسخ در هر مرحله.
طبق داده‌های فنی منتشرشده برای مدل DeepSeek V4.1 Flash با طول کانتکست 131,072، عملکرد موتور در بخش Prefill نشان می‌دهد که با افزایش سایز دسته پردازشی (Batch Size) از 4,096 تا 65,536 توکن، توان عملیاتی به حدود 90,000 توکن بر ثانیه در هر GPU می‌رسد. این موتور اکنون برای استفاده در پروژه‌های شخصی و تجاری در دسترس توسعه‌دهندگان قرار گرفته است.
تیم DeepSeek کد منبع موتور اختصاصی خود برای اجرای مدل‌های هوش مصنوعی با نام DeepInfer را با مجوز Apache 2.0 منتشر کرد. این موتور در حال حاضر برای اجرای مدل DeepSeek-V4.1-Flash استفاده می‌شود و تمرکز آن بر افزایش کارایی در عملیات استنتاج (Inference) است.
مهم‌ترین ویژگی‌های این موتور عبارتند از:
- افزایش تعداد درخواست‌های پردازش‌شده در واحد زمان.
- مدیریت بهینه منابع GPU برای کاهش هزینه‌های محاسباتی.
- امکان پردازش موازی جهت حفظ توان عملیاتی بالا در بارهای کاری سنگین.
- کاهش میزان منابع مورد نیاز برای تولید پاسخ در هر مرحله.
طبق داده‌های فنی منتشرشده برای مدل DeepSeek V4.1 Flash با طول کانتکست 131,072، عملکرد موتور در بخش Prefill نشان می‌دهد که با افزایش سایز دسته پردازشی (Batch Size) از 4,096 تا 65,536 توکن، توان عملیاتی به حدود 90,000 توکن بر ثانیه در هر GPU می‌رسد. این موتور اکنون برای استفاده در پروژه‌های شخصی و تجاری در دسترس توسعه‌دهندگان قرار گرفته است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🦂 طراحی پروتئین توسط Claude برای مقابله با سم عقرب
شرکت Anthropic در آزمایشی جهت ساخت پادتن، از هوش مصنوعی Claude برای طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب استفاده کرد. نتایج این آزمایش در آزمایشگاه‌های مستقل نیز بررسی و تأیید شده است.
نتایج آزمایش:
- ۲۱۱ طرح برای آزمون‌های آزمایشگاهی انتخاب شدند.
- ۱۷ پروتئین با موفقیت به سموم هدف متصل شدند.
- دو پروتئین برتر بیشترین قدرت اتصال را نشان دادند.
پژوهشگران Anthropic تمام ۲۱۱ ساختار طراحی‌شده و نتایج آزمون‌های آزمایشگاهی را به‌صورت عمومی منتشر کرده‌اند.
#Claude #طراحی_پروتئین
شرکت Anthropic در آزمایشی جهت ساخت پادتن، از هوش مصنوعی Claude برای طراحی پروتئین‌های متصل‌شونده به سموم خطرناک عقرب استفاده کرد. نتایج این آزمایش در آزمایشگاه‌های مستقل نیز بررسی و تأیید شده است.
نتایج آزمایش:
- ۲۱۱ طرح برای آزمون‌های آزمایشگاهی انتخاب شدند.
- ۱۷ پروتئین با موفقیت به سموم هدف متصل شدند.
- دو پروتئین برتر بیشترین قدرت اتصال را نشان دادند.
پژوهشگران Anthropic تمام ۲۱۱ ساختار طراحی‌شده و نتایج آزمون‌های آزمایشگاهی را به‌صورت عمومی منتشر کرده‌اند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Claude #طراحی_پروتئین
🌐 سه سناریوی سم آلتمن برای آینده هوش مصنوعی
سم آلتمن در گفت‌وگو با کارکنان OpenAI، سه سناریوی احتمالی برای پایان رقابت بر سر دستیابی به هوش مصنوعی سطح بالا (ASI) ترسیم کرده است:
• تشکیل یک نهاد نظارتی بین‌المللی مشابه آژانس بین‌المللی انرژی اتمی (IAEA) برای مدیریت استانداردهای ایمنی.
• ایجاد سازمانی علمی مشابه سرن (CERN) که در آن آزمایشگاه‌های بزرگ هوش مصنوعی فعالیت‌های خود را تجمیع کنند.
• برتری مطلق یک شرکت خاص در دستیابی به مدل‌های خوداصلاح‌گر که با کسب قدرت اقتصادی عظیم، دسترسی سایر رقبا به توان پردازشی و GPUها را قطع می‌کند.
آلتمن سناریوی سوم را «وحشتناک» توصیف کرده و تأکید داشته که تنها برای کامل‌شدن بررسی‌ها آن را مطرح کرده است. با این حال، گزارش‌ها حاکی از آن است که او به تیم خود هشدار داده OpenAI نمی‌تواند از رقبا عقب بماند؛ وضعیتی که عملاً سازمان را در موقعیت تعقیب همان سناریویی قرار می‌دهد که آن را نامطلوب می‌داند.
#OpenAI #سواینتلیجنت
سم آلتمن در گفت‌وگو با کارکنان OpenAI، سه سناریوی احتمالی برای پایان رقابت بر سر دستیابی به هوش مصنوعی سطح بالا (ASI) ترسیم کرده است:
• تشکیل یک نهاد نظارتی بین‌المللی مشابه آژانس بین‌المللی انرژی اتمی (IAEA) برای مدیریت استانداردهای ایمنی.
• ایجاد سازمانی علمی مشابه سرن (CERN) که در آن آزمایشگاه‌های بزرگ هوش مصنوعی فعالیت‌های خود را تجمیع کنند.
• برتری مطلق یک شرکت خاص در دستیابی به مدل‌های خوداصلاح‌گر که با کسب قدرت اقتصادی عظیم، دسترسی سایر رقبا به توان پردازشی و GPUها را قطع می‌کند.
آلتمن سناریوی سوم را «وحشتناک» توصیف کرده و تأکید داشته که تنها برای کامل‌شدن بررسی‌ها آن را مطرح کرده است. با این حال، گزارش‌ها حاکی از آن است که او به تیم خود هشدار داده OpenAI نمی‌تواند از رقبا عقب بماند؛ وضعیتی که عملاً سازمان را در موقعیت تعقیب همان سناریویی قرار می‌دهد که آن را نامطلوب می‌داند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#OpenAI #سواینتلیجنت
🚀 معرفی موتور استنتاج SonicBoom با C++ و CUDA
شرکت HardenedVault ابزار SonicBoom را برای اجرای محلی مدل‌های زبانی روی کارت‌های گرافیک مصرفی منتشر کرده است. این موتور کاملاً با C++ و CUDA نوشته شده و برخلاف بسیاری از ابزارهای مشابه، هیچ وابستگی به پایتون ندارد.
نحوه عملکرد و ویژگی‌های این پروژه:
* مدل‌های با فرمت GGUF را پشتیبانی کرده و با API استانداردهای OpenAI سازگار است.
* با بازنویسی گراف مدل و استفاده از CUDA Graph، عملیات‌های مجاور را ادغام کرده و دستورات را بهینه‌سازی می‌کند.
* از کامپایلر مبتنی بر MLIR برای تولید هسته‌های اختصاصی GPU و انتخاب سریع‌ترین پیکربندی برای کارت گرافیک استفاده می‌کند.
* پیاده‌سازی اصلی آن در حال حاضر از طریق زبان Scheme انجام می‌شود.
طبق بنچمارک‌های اولیه روی RTX 3050، این موتور در اجرای مدل‌هایی مانند Gemma و Qwen سرعت بالاتری نسبت به llama.cpp ثبت کرده است. در حال حاضر تنظیمات تصادفی و پارامترهایی مثل دما در این نسخه پشتیبانی نمی‌شوند و تمرکز توسعه‌دهندگان بر گسترش پشتیبانی از مدل‌های Llama، Mistral و اجرای مبتنی بر Vulkan است.
🇮🇷 سایت | تلگرام
شرکت HardenedVault ابزار SonicBoom را برای اجرای محلی مدل‌های زبانی روی کارت‌های گرافیک مصرفی منتشر کرده است. این موتور کاملاً با C++ و CUDA نوشته شده و برخلاف بسیاری از ابزارهای مشابه، هیچ وابستگی به پایتون ندارد.
نحوه عملکرد و ویژگی‌های این پروژه:
* مدل‌های با فرمت GGUF را پشتیبانی کرده و با API استانداردهای OpenAI سازگار است.
* با بازنویسی گراف مدل و استفاده از CUDA Graph، عملیات‌های مجاور را ادغام کرده و دستورات را بهینه‌سازی می‌کند.
* از کامپایلر مبتنی بر MLIR برای تولید هسته‌های اختصاصی GPU و انتخاب سریع‌ترین پیکربندی برای کارت گرافیک استفاده می‌کند.
* پیاده‌سازی اصلی آن در حال حاضر از طریق زبان Scheme انجام می‌شود.
طبق بنچمارک‌های اولیه روی RTX 3050، این موتور در اجرای مدل‌هایی مانند Gemma و Qwen سرعت بالاتری نسبت به llama.cpp ثبت کرده است. در حال حاضر تنظیمات تصادفی و پارامترهایی مثل دما در این نسخه پشتیبانی نمی‌شوند و تمرکز توسعه‌دهندگان بر گسترش پشتیبانی از مدل‌های Llama، Mistral و اجرای مبتنی بر Vulkan است.
🇮🇷 سایت | تلگرام
🤖 معرفی سیستم توصیه‌گر QD-Rec از Sakana AI
تیم Sakana AI سیستم توصیه‌گر جدیدی به نام QD-Rec را معرفی کرده است که برخلاف روش‌های سنتی رتبه‌بندی، از ترکیب LLM و الگوریتم‌های تکاملی برای جستجوی گزینه‌های متنوع و غیرمتعارف استفاده می‌کند.
این سیستم با بهره‌گیری از جستجوی «کیفیت-تنوع» (Quality-Diversity)، کاندیداهای پیشنهادی را به جای امتیازدهی ساده، با تولید فرضیه و ارزیابی نوآوری بررسی می‌کند. فرآیند اصلی این سیستم شامل چهار مرحله زیر است:
* انتخاب‌گر کاندیدا: اولویت‌دهی به تنوع و حوزه‌های کشف‌نشده در استخر کاندیداها.
* پیشنهاددهنده: استفاده از عملگرهای تکاملی (جهش و ترکیب) برای تولید فرضیه‌های جدید.
* ارزیاب: سنجش میزان نوآوری با بررسی فاصله نسبت به موارد موجود در آرشیو.
* به‌روزرسانی: افزودن، جایگزینی یا حذف کاندیداها بر اساس کیفیت و جدید بودن.
QD-Rec در آزمایش‌ها روی مجموعه‌هایی تا ۱۷,۵۰۰ کاندیدا، عملکرد بهتری نسبت به روش‌های سنتی در شاخص‌های کیفیت و تنوع نشان داده است. این ابزار در حوزه‌هایی مانند تحلیل ادغام و تملک (M&A)، بازاریابی و پیشنهادهای پژوهشی کاربرد دارد.
🇮🇷 سایت | تلگرام
تیم Sakana AI سیستم توصیه‌گر جدیدی به نام QD-Rec را معرفی کرده است که برخلاف روش‌های سنتی رتبه‌بندی، از ترکیب LLM و الگوریتم‌های تکاملی برای جستجوی گزینه‌های متنوع و غیرمتعارف استفاده می‌کند.
این سیستم با بهره‌گیری از جستجوی «کیفیت-تنوع» (Quality-Diversity)، کاندیداهای پیشنهادی را به جای امتیازدهی ساده، با تولید فرضیه و ارزیابی نوآوری بررسی می‌کند. فرآیند اصلی این سیستم شامل چهار مرحله زیر است:
* انتخاب‌گر کاندیدا: اولویت‌دهی به تنوع و حوزه‌های کشف‌نشده در استخر کاندیداها.
* پیشنهاددهنده: استفاده از عملگرهای تکاملی (جهش و ترکیب) برای تولید فرضیه‌های جدید.
* ارزیاب: سنجش میزان نوآوری با بررسی فاصله نسبت به موارد موجود در آرشیو.
* به‌روزرسانی: افزودن، جایگزینی یا حذف کاندیداها بر اساس کیفیت و جدید بودن.
QD-Rec در آزمایش‌ها روی مجموعه‌هایی تا ۱۷,۵۰۰ کاندیدا، عملکرد بهتری نسبت به روش‌های سنتی در شاخص‌های کیفیت و تنوع نشان داده است. این ابزار در حوزه‌هایی مانند تحلیل ادغام و تملک (M&A)، بازاریابی و پیشنهادهای پژوهشی کاربرد دارد.
🇮🇷 سایت | تلگرام
انتشار شبیه‌ساز اقلیمی HiRO-ACEv2 توسط موسسه Ai2
موسسه هوش مصنوعی آلن (Ai2)، نسخه جدید شبیه‌ساز اقلیمی خود با نام HiRO-ACEv2 را منتشر کرد. این سیستم قادر است پدیده‌های جوی نظیر بارش‌های شدید، بادهای طوفانی و تغییرات فشار را با دقت ۳ کیلومتر شبیه‌سازی کند.
این مدل از ترکیب دو بخش تشکیل شده است:
* مدل ACE: محاسبات اتمسفری را روی شبکه‌ای با دقت ۱۰۰ کیلومتر انجام می‌دهد.
* مدل HiRO: یک مدل انتشار (Diffusion) که خروجی را تا دقت ۳ کیلومتر کاهش مقیاس (Downscaling) می‌دهد.
طبق اعلام Ai2، هزینه اجرای این مدل حدود ۳۰۰ برابر کمتر از مدل‌های مشابه مانند X-SHiELD است. HiRO-ACEv2 امکان اجرای سناریوهای ۱۰ ساله را فراهم کرده و داده‌های مربوط به بارش، باد و فشار را در بازه‌های ۶ ساعته ارائه می‌دهد. این سیستم در محدوده جغرافیایی ۶۶ درجه جنوبی تا ۷۰ درجه شمالی عمل می‌کند و نتایج آن در شاخص‌های آماری تا ۳ درصد با داده‌های اصلی مطابقت دارد.
جزئیات بیشتر در وبلاگ Ai2، کدهای منبع در GitHub و نمونه‌های شبیه‌سازی در دموی آنلاین در دسترس است. این پروژه تحت مجوز Apache 2.0 منتشر شده است.
🇮🇷 سایت | تلگرام
موسسه هوش مصنوعی آلن (Ai2)، نسخه جدید شبیه‌ساز اقلیمی خود با نام HiRO-ACEv2 را منتشر کرد. این سیستم قادر است پدیده‌های جوی نظیر بارش‌های شدید، بادهای طوفانی و تغییرات فشار را با دقت ۳ کیلومتر شبیه‌سازی کند.
این مدل از ترکیب دو بخش تشکیل شده است:
* مدل ACE: محاسبات اتمسفری را روی شبکه‌ای با دقت ۱۰۰ کیلومتر انجام می‌دهد.
* مدل HiRO: یک مدل انتشار (Diffusion) که خروجی را تا دقت ۳ کیلومتر کاهش مقیاس (Downscaling) می‌دهد.
طبق اعلام Ai2، هزینه اجرای این مدل حدود ۳۰۰ برابر کمتر از مدل‌های مشابه مانند X-SHiELD است. HiRO-ACEv2 امکان اجرای سناریوهای ۱۰ ساله را فراهم کرده و داده‌های مربوط به بارش، باد و فشار را در بازه‌های ۶ ساعته ارائه می‌دهد. این سیستم در محدوده جغرافیایی ۶۶ درجه جنوبی تا ۷۰ درجه شمالی عمل می‌کند و نتایج آن در شاخص‌های آماری تا ۳ درصد با داده‌های اصلی مطابقت دارد.
جزئیات بیشتر در وبلاگ Ai2، کدهای منبع در GitHub و نمونه‌های شبیه‌سازی در دموی آنلاین در دسترس است. این پروژه تحت مجوز Apache 2.0 منتشر شده است.
🇮🇷 سایت | تلگرام
🎙 شرکت Mistral مدل صوتی Voxtral 3 را معرفی کرد
شرکت Mistral نسل
جدید مدل‌های صوتی خود را با نام Voxtral 3 برای ساخت عامل‌های صوتی معرفی کرد. این مدل با تأخیر کمتر از یک ثانیه برای گفتگوی هم‌زمان طراحی شده و امکان اجرا روی زیرساخت اختصاصی را دارد.
مهم‌ترین ویژگی‌ها:
• تشخیص گفتار و شناسایی گوینده در بیش از ۵۰ زبان (از جمله فارسی)
• تولید گفتار در بیش از ۳۵ زبان با امکان تنظیم احساس، لحن و سرعت
• کلون‌سازی صدا بر اساس ۳۰ دقیقه فایل صوتی
• اجرای وظایف اجرایی و کار با API در پردازش تماس‌ها
هزینه استفاده از API برای تشخیص گفتار از ۰٫۰۰۳۵ دلار به ازای هر دقیقه و برای تولید گفتار ۱۳ دلار به ازای هر میلیون کاراکتر است. در ارزیابی‌های بنچمارک FLEURS، مدل Voxtral 3 در نرخ خطای کلمات (WER) عملکرد بهتری نسبت به رقبایی چون Whisper large-v3، Gemini 3.5 و Scribe v2 ثبت کرده است.
شرکت Mistral نسل
جدید مدل‌های صوتی خود را با نام Voxtral 3 برای ساخت عامل‌های صوتی معرفی کرد. این مدل با تأخیر کمتر از یک ثانیه برای گفتگوی هم‌زمان طراحی شده و امکان اجرا روی زیرساخت اختصاصی را دارد.
مهم‌ترین ویژگی‌ها:
• تشخیص گفتار و شناسایی گوینده در بیش از ۵۰ زبان (از جمله فارسی)
• تولید گفتار در بیش از ۳۵ زبان با امکان تنظیم احساس، لحن و سرعت
• کلون‌سازی صدا بر اساس ۳۰ دقیقه فایل صوتی
• اجرای وظایف اجرایی و کار با API در پردازش تماس‌ها
هزینه استفاده از API برای تشخیص گفتار از ۰٫۰۰۳۵ دلار به ازای هر دقیقه و برای تولید گفتار ۱۳ دلار به ازای هر میلیون کاراکتر است. در ارزیابی‌های بنچمارک FLEURS، مدل Voxtral 3 در نرخ خطای کلمات (WER) عملکرد بهتری نسبت به رقبایی چون Whisper large-v3، Gemini 3.5 و Scribe v2 ثبت کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧠 خلاصه تحولات 48 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #3 | 📌 8 آیتم گزارش | 🧾 از 24 پست بررسی‌شده
🕐 دوشنبه 1405/07/27 ساعت 14:00 تا چهارشنبه 1405/07/29 ساعت 14:00
🔎 تحلیل کوتاه
🤖 استراتژی‌های سازمانی و مدل‌های جدید
🛡 امنیت، سیاست‌گذاری و چالش‌ها
🤖 مدل‌ها و ابزارهای هوش مصنوعی
🗂 گزارش #3 | 📌 8 آیتم گزارش | 🧾 از 24 پست بررسی‌شده
🕐 دوشنبه 1405/07/27 ساعت 14:00 تا چهارشنبه 1405/07/29 ساعت 14:00
🔎 تحلیل کوتاه
تمرکز شرکت‌های پیشرو بر توسعه زیرساخت‌های استنتاج و افزایش توان پردازشی، منجر به ارائه مدل‌های اقتصادی‌تر و پرسرعت‌تر شده است. در همین حال، شرکت‌های بزرگ با افزایش کارکرد عامل‌های هوش مصنوعی، به‌دنبال بهینه‌سازی عملیاتی در حوزه‌های فنی و تخصصی هستند.
🤖 استراتژی‌های سازمانی و مدل‌های جدید
تغییر نیروی کار در Anthropic
سهم استخدام نیروهای فنی تازه‌کار در Anthropic به ۹ درصد کاهش یافته و عامل‌های هوش مصنوعی جایگزین کارکرد انسانی شده‌اند.
🔗 ادامه مطلب در سایت
معرفی مدل MiniMax M3.1 Flash
مدل جدید مینی‌مکس با معماری MoE و ۴۲۸ میلیارد پارامتر برای عامل‌های هوشمند و با هدف بهینه‌سازی هزینه‌ها عرضه شد.
🔗 ادامه مطلب در سایت
مشخصات فنی و سرعت MiniMax M3.1 Flash
نسخه جدید MiniMax نسبت به نسل قبل سه برابر سریع‌تر بوده و با قیمت رقابتی برای اجرای محاسبات سنگین بهینه‌سازی شده است.
🔗 مشاهده پست
تخصیص منابع پردازشی Anthropic
شرکت Anthropic ۷۵ درصد توان پردازشی خود را صرف آموزش مدل‌های آتی کرده و تنها ۲۵ درصد را به سرویس‌دهی کاربران اختصاص داده است.
🔗 مشاهده پست
مدل Mercury 3 با معماری Diffusion
مدل جدید Inception با حذف تولید متوالی توکن‌ها و استفاده از معماری دیفیوژن، به نرخ تولید ۱۰۶۸ توکن بر ثانیه دست یافته است.
🔗 مشاهده پست
🛡 امنیت، سیاست‌گذاری و چالش‌ها
شناسایی بدافزار ماینر توسط Claude
یک کاربر با استفاده از Claude Code موفق به شناسایی بدافزار استخراج ارز دیجیتال روی سیستم مک خود شد که باعث فشار شدید به پردازنده می‌شد.
🔗 مشاهده پست
محدودیت استفاده از مدل‌های DeepSeek
وزارت امنیت داخلی آمریکا استفاده از مدل‌های DeepSeek و محصولات وابسته به آن را در تمامی سازمان‌های دولتی به دلایل امنیتی ممنوع کرد.
🔗 جزئیات کامل در سایت
🤖 مدل‌ها و ابزارهای هوش مصنوعی
بررسی عملی عملکرد مدل‌های Claude، GPT و Grok در وظایف روزمره و کدنویسی
مقایسه کاربردی و دقیق مدل‌های هوش مصنوعی Claude، GPT و Grok در حوزه‌های کدنویسی، تحلیل اسناد و گردش‌های کاری ایجنت‌محور برای استفاده.
🔗 مطالعه کامل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
راهنمای تخصصی تحلیل عملکرد پردازنده‌های گرافیکی
درک نحوه بارگذاری و اجرای دستورات در GPU اغلب با تصورات اشتباه همراه است. این راهنمای ۴۲ صفحه‌ای به بررسی دقیق تفاوت بین حجم کار ارسالی، کارهای قرار گرفته روی SM و کارهای آماده اجرا می‌پردازد.
نکته اصلی اینجاست که شاخص‌هایی مانند «Utilization» در ابزارهایی مثل NVML، لزوماً نشان‌دهنده استفاده حداکثری از پتانسیل سخت‌افزار نیستند؛ چرا که پردازنده ممکن است ۱۰۰٪ مشغول باشد، اما Tensor Coreها یا پهنای باند حافظه به‌درستی به کار گرفته نشوند.
مهم‌ترین مباحث این راهنما عبارتند از:
• عملکرد Streaming Multiprocessors (SM)، وارپ‌ها و زمان‌بندها
• سلسله‌مراتب حافظه، نهان‌سازی تأخیر و مدیریت پهنای باند
• جزئیات نحوه عملکرد Tensor Cores در محاسبات ماتریسی
• توزیع محاسبات GEMM در منابع سخت‌افزاری
• تحلیل دقیق شاخص‌های عملکرد و دقت عددی
به‌جای تمرکز بر افزایش عددی درصد Utilization، این مستند بر شناسایی گلوگاه‌های واقعی در اجرای دستورات CUDA تمرکز دارد.
درک نحوه بارگذاری و اجرای دستورات در GPU اغلب با تصورات اشتباه همراه است. این راهنمای ۴۲ صفحه‌ای به بررسی دقیق تفاوت بین حجم کار ارسالی، کارهای قرار گرفته روی SM و کارهای آماده اجرا می‌پردازد.
نکته اصلی اینجاست که شاخص‌هایی مانند «Utilization» در ابزارهایی مثل NVML، لزوماً نشان‌دهنده استفاده حداکثری از پتانسیل سخت‌افزار نیستند؛ چرا که پردازنده ممکن است ۱۰۰٪ مشغول باشد، اما Tensor Coreها یا پهنای باند حافظه به‌درستی به کار گرفته نشوند.
مهم‌ترین مباحث این راهنما عبارتند از:
• عملکرد Streaming Multiprocessors (SM)، وارپ‌ها و زمان‌بندها
• سلسله‌مراتب حافظه، نهان‌سازی تأخیر و مدیریت پهنای باند
• جزئیات نحوه عملکرد Tensor Cores در محاسبات ماتریسی
• توزیع محاسبات GEMM در منابع سخت‌افزاری
• تحلیل دقیق شاخص‌های عملکرد و دقت عددی
به‌جای تمرکز بر افزایش عددی درصد Utilization، این مستند بر شناسایی گلوگاه‌های واقعی در اجرای دستورات CUDA تمرکز دارد.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🤖 مذاکره ۴۵ میلیارد دلاری Anthropic برای خرید قدرت پردازشی
شرکت Anthropic در حال مذاکره برای امضای دومین قرارداد بزرگ خود جهت تأمین قدرت پردازشی با شرکت Nscale است. این معامله که ارزشی معادل ۴۵ میلیارد دلار دارد، کمتر از دو ماه پس از قرارداد اول این دو شرکت مطرح شده است.
در صورت نهایی شدن این توافق، مجموع ارزش قراردادهای Anthropic با Nscale به حدود ۹۰ میلیارد دلار می‌رسد. جزئیات این توسعه شامل موارد زیر است:
* ایجاد ظرفیت پردازشی مجموع ۹۲۰ مگاوات در دیتاسنترهای Monarch واقع در ویرجینیای غربی.
* بهره‌گیری از ساختمان جدید Vera Rubin در پروژه Monarch با توان ۴۶۰ مگاوات.
* استفاده از تراشه‌های هوش مصنوعی پیشرفته انویدیا در زیرساخت‌های جدید.
شرکت Nscale که دیتاسنترهای مذکور را توسعه می‌دهد، از حمایت مستقیم انویدیا برخوردار است. داریو آمودی، مدیرعامل Anthropic، با این اقدامات در حال گسترش قابل‌توجه ظرفیت سخت‌افزاری برای آموزش و اجرای مدل‌های Claude است.
شرکت Anthropic در حال مذاکره برای امضای دومین قرارداد بزرگ خود جهت تأمین قدرت پردازشی با شرکت Nscale است. این معامله که ارزشی معادل ۴۵ میلیارد دلار دارد، کمتر از دو ماه پس از قرارداد اول این دو شرکت مطرح شده است.
در صورت نهایی شدن این توافق، مجموع ارزش قراردادهای Anthropic با Nscale به حدود ۹۰ میلیارد دلار می‌رسد. جزئیات این توسعه شامل موارد زیر است:
* ایجاد ظرفیت پردازشی مجموع ۹۲۰ مگاوات در دیتاسنترهای Monarch واقع در ویرجینیای غربی.
* بهره‌گیری از ساختمان جدید Vera Rubin در پروژه Monarch با توان ۴۶۰ مگاوات.
* استفاده از تراشه‌های هوش مصنوعی پیشرفته انویدیا در زیرساخت‌های جدید.
شرکت Nscale که دیتاسنترهای مذکور را توسعه می‌دهد، از حمایت مستقیم انویدیا برخوردار است. داریو آمودی، مدیرعامل Anthropic، با این اقدامات در حال گسترش قابل‌توجه ظرفیت سخت‌افزاری برای آموزش و اجرای مدل‌های Claude است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
💰 بحران بدهی و توقف پروژه‌های زیرساخت هوش مصنوعی در آمریکا
گزارش‌ها حاکی از آن است که روند توسعه زیرساخت‌های هوش مصنوعی در آمریکا با چالش‌های جدی مالی روبه‌رو شده است. هزینه‌های روبه‌افزایش باعث شده تا دست‌کم ۴۷ پروژه بزرگ دیتاسنتر در سال ۲۰۲۶ با تأخیر، توقف یا لغو کامل مواجه شوند.
تحلیلگران «برنستین» معتقدند تنها ۳۵ درصد از پروژه‌های برنامه‌ریزی‌شده برای دیتاسنترها در این کشور اعتبار اجرایی دارند. وضعیت کنونی با این چالش‌های اصلی همراه است:
* مخالفت‌های محلی: بیش از ۱۰۰۰ جامعه و منطقه در آمریکا طی سال جاری درخواست اعمال محدودیت برای توسعه زیرساخت‌های هوش مصنوعی را مطرح کرده‌اند.
* ریسک‌های مالی: افت ۲۵ درصدی ارزش سهام
تأمین مالی اصلی‌ترین نگرانی فعلی است. شرکت‌های فعال در حوزه هوش مصنوعی برای ساخت دیتاسنترها میلیاردها دلار وام دریافت کرده‌اند، اما تداوم هزینه‌های سنگین و عقب افتادن از زمان‌بندی‌ها، بقای مالی آن‌ها را با ابهام مواجه کرده است.
🇮🇷 سایت | تلگرام
گزارش‌ها حاکی از آن است که روند توسعه زیرساخت‌های هوش مصنوعی در آمریکا با چالش‌های جدی مالی روبه‌رو شده است. هزینه‌های روبه‌افزایش باعث شده تا دست‌کم ۴۷ پروژه بزرگ دیتاسنتر در سال ۲۰۲۶ با تأخیر، توقف یا لغو کامل مواجه شوند.
تحلیلگران «برنستین» معتقدند تنها ۳۵ درصد از پروژه‌های برنامه‌ریزی‌شده برای دیتاسنترها در این کشور اعتبار اجرایی دارند. وضعیت کنونی با این چالش‌های اصلی همراه است:
* مخالفت‌های محلی: بیش از ۱۰۰۰ جامعه و منطقه در آمریکا طی سال جاری درخواست اعمال محدودیت برای توسعه زیرساخت‌های هوش مصنوعی را مطرح کرده‌اند.
* ریسک‌های مالی: افت ۲۵ درصدی ارزش سهام
CoreWeave در یک هفته، نشان‌دهنده تردید سرمایه‌گذاران نسبت به مدل توسعه مبتنی بر وام این شرکت‌هاست.تأمین مالی اصلی‌ترین نگرانی فعلی است. شرکت‌های فعال در حوزه هوش مصنوعی برای ساخت دیتاسنترها میلیاردها دلار وام دریافت کرده‌اند، اما تداوم هزینه‌های سنگین و عقب افتادن از زمان‌بندی‌ها، بقای مالی آن‌ها را با ابهام مواجه کرده است.
🇮🇷 سایت | تلگرام