🌐 ‏ مجموعه‌ای جامع از مطالعات موردی سیستم‌های ML

⚡ ‏ این مخزن گیت‌هاب شامل بیش از ۳۰۰ مطالعه موردی واقعی از سیستم‌های یادگیری ماشین در شرکت‌های بزرگ فناوری است. برخلاف منابع تئوریک، این لیست بر تجربیات عملی مهندسی و پیاده‌سازی مدل‌ها در مقیاس Production تمرکز دارد.

🏗 ‏️ شما می‌توانید نحوه معماری سیستم‌های شرکت‌های پیشرو نظیر Uber، Netflix و Google را بررسی کنید. این مستندات به چالش‌های فنی، شکست‌های زیرساختی و راهکارهای عملیاتی که منجر به بازیابی و بهینه‌سازی سیستم‌ها شده‌اند، می‌پردازد.

🧠 ‏ مطالعه این کیس‌استادی‌ها برای مهندسان داده و توسعه‌دهندگان سیستم‌های هوش مصنوعی بسیار مفید است، زیرا بینش عمیقی از نحوه برخورد با پیچیدگی‌های دنیای واقعی ارائه می‌دهد. این مخزن می‌تواند منبعی کلیدی برای درک بهتر System Design در پروژه‌های بزرگ مقیاس باشد.

‏GitHub Link

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#System_Design #Production_ML

🤖 ‏ مقابله لینکدین با سیل محتوای هوش مصنوعی

🌐 ‏ به دلیل افزایش چشمگیر پست‌های بی‌کیفیت تولیدشده توسط هوش مصنوعی، لینکدین قابلیت جدیدی با عنوان Seems like AI slop را برای گزارش‌دهی این محتواها معرفی کرده است. طبق آمار سیستم تشخیص محتوای Pangram، بالغ بر ۴۱ درصد از پست‌های طولانی این پلتفرم بدون هیچ‌گونه ویرایش انسانی توسط مدل‌های زبانی ایجاد شده‌اند.

🚀 ‏ لینکدین در حال پیاده‌سازی یک سیستم طبقه‌بندی‌کننده (مدل تشخیص الگو) جدید است تا محتواهای ماشینی را شناسایی کند. با شناسایی این موارد، نرخ نمایش آن‌ها در فید کاربران به شدت کاهش می‌یابد و دکمه جدید گزارش‌دهی به بهبود دقت این سیستم‌ها کمک می‌کند.

📊 ‏ این شبکه اجتماعی همچنین قصد دارد قابلیتی اضافه کند که به نویسندگان هشدار می‌دهد کاربران پست‌های آن‌ها را غیرواقعی یا بیش از حد ماشینی تلقی کرده‌اند. این اقدامات بخشی از استراتژی گسترده لینکدین برای حفظ اصالت تعاملات و ارتقای کیفیت محتوا در این محیط حرفه‌ای است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Seems_like_AI_slop #Pangram

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #73 | 📌 12 آیتم گزارش | 🧾 از 49 پست بررسی‌شده
🕐 جمعه 1405/05/09 ساعت 14:00 تا شنبه 1405/05/10 ساعت 14:00

🤖 مدل‌های زبانی بزرگ

ایلان ماسک از عرضه مدل Grok 4.6 با 1.5 تریلیون پارامتر خبر داد و وعده مدل 2.1 تریلیون پارامتری را در آینده نزدیک داد.
🔗 مشاهده پست

مایکروسافت مدل‌های MAI-Image-2.5-Pro برای تولید تصویر و MAI-Voice-2-Flash برای سنتز سریع گفتار در 15 زبان را معرفی کرد.
🔗 مشاهده پست

مدل GPT-5.6 Sol با تغییرات در نحوه تعامل با API و استفاده از تکنیک Compaction، امتیاز خود در بنچمارک ARC-AGI-3 را از 13.3 درصد به 38.3 درصد افزایش داد.
🔗 مشاهده پست

مدل DeepSeek V4-Flash با 284 میلیارد پارامتر، حافظه 1 میلیون توکنی و بهبود در وظایف عامل‌محور (Agentic Tasks) بهینه‌سازی شد.
🔗 مشاهده پست

مدل Inkling-Small به عنوان یک مدل MoE جدید با 276 میلیارد پارامتر (12 میلیارد فعال) در حوزه‌های برنامه‌نویسی معرفی شد.
🔗 مشاهده پست

شرکت OpenAI با کاهش قیمت 80 درصدی مدل Luna و بهبود سرعت مدل GPT-5.6 Sol Fast، ساختار هزینه‌ای خود را بازنگری کرد.
🔗 مشاهده پست

🦾 رباتیک و خودکارسازی

فریم‌ورک AngelSpec از شرکت Tencent برای شتاب‌دهی به Speculative Decoding عرضه شد که سرعت تولید متن را تا 2.4 برابر افزایش می‌دهد.
🔗 مشاهده پست

مدل ویدئویی Seedance 2.5 با پشتیبانی از تولید ویدیوهای 30 ثانیه‌ای و قابلیت کنترل دقیق دوربین و اشیاء به‌روزرسانی شد.
🔗 مشاهده پست

📊 ابزارهای داده و دیتاست‌ها

دیتاست‌های جدیدی با محوریت فوتبال بین‌المللی، رمزارزها، نرخ ارز و بازار مسکن وین برای تحلیل‌های آماری و سری زمانی منتشر شدند.
🔗 مشاهده پست

مجموعه داده Most Streamed Spotify Songs 2025 با 730 رکورد و امتیاز 10 از 10 در پلتفرم کگل برای تحلیل الگوهای شنیداری در دسترس قرار گرفت.
🔗 مشاهده پست

🎓 آموزش و منابع

یک مخزن گیت‌هاب شامل 300 مطالعه موردی واقعی از پیاده‌سازی سیستم‌های Machine Learning در شرکت‌هایی نظیر Netflix و Uber منتشر شد.
🔗 مشاهده پست

نقشه راه یادگیری هوش مصنوعی با معرفی برترین کانال‌های یوتیوب برای تسلط بر Agentic AI و مهارت‌های پایتون معرفی شد.
🔗 مشاهده پست

🔒 امنیت و حریم خصوصی

در یک رخداد امنیتی، مدل‌های Anthropic در حین تست نفوذ (CTF) به‌دلیل پیکربندی اشتباه به سیستم‌های واقعی سه شرکت نفوذ کردند.
🔗 مشاهده پست

لینکدین برای مقابله با 41 درصد پست‌های بی‌کیفیت تولید شده توسط هوش مصنوعی، قابلیت گزارش‌دهی AI slop را معرفی کرد.
🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

🤖 ‏ معرفی مدل Gemini Robotics 2 برای کنترل ربات‌های انسان‌نما

🚀 ‏ تیم Google DeepMind از سیستم جدید Gemini Robotics 2 رونمایی کرد که برای مدیریت تمامی حرکات بدن ربات‌های انسان‌نما از جمله راه رفتن، خم شدن و تعامل با اشیاء توسط دستان پنج‌انگشتی طراحی شده است. این سیستم از ترکیب سه مدل هوشمند برای درک ورودی‌های بصری و تبدیل آن‌ها به حرکات هماهنگ استفاده می‌کند.

🧠 ‏ مدل ER 2 وظیفه مدیریت تسک‌های پیچیده و طولانی‌مدت را بر عهده دارد و می‌تواند هم‌زمان تصمیمات صدها عملگر را هماهنگ کند. بخش On-Device 2 نیز با اجرای محلی، قادر است تنها با کمتر از ۲۰۰ نمونه آموزشی جمع‌آوری‌شده در چند ساعت، خود را با ساختار بازوهای ربات‌های جدید تطبیق دهد.

🔬 ‏ این فناوری روی ربات‌های Apollo محصول Apptronik و Franka Duo تست شده است. عملکرد سیستم در تسک‌های حرکتی کل بدن موفقیت ۴۵.۷٪ تا ۷۶.۳٪ را ثبت کرده و در جابه‌جایی اشیاء، نرخ موفقیت بین ۳۲٪ برای استفاده از خاک‌انداز تا ۹۲٪ برای باز کردن لامپ متغیر است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Gemini_Robotics_2 #Apptronik_Apollo

🤖 ‏ کاهش چشمگیر هزینه‌های استنتاج در هوش مصنوعی

⚡ ‏ بررسی‌های جدید نشان می‌دهد که هزینه دسترسی به مدل‌های هوش مصنوعی با توانمندی معادل GPT-3.5، در بازه زمانی ۲۰۲۲ تا ۲۰۲۴ حدود ۲۸۰ برابر کاهش یافته است. این داده‌ها که توسط گزارش 2025 AI Index مؤسسه Stanford HAI تأیید شده، تحولی بزرگ در صرفه اقتصادی پیاده‌سازی مدل‌های زبانی است.

📊 ‏ نمودار هزینه‌ها بر اساس معیار MMLU (سنجش درک زبان چندوظیفه‌ای) نشان می‌دهد که قیمت هر میلیون توکن خروجی از ۲۰ دلار در نوامبر ۲۰۲۲ به رقم ناچیز ۰.۰۷ دلار در اکتبر ۲۰۲۴ رسیده است. تحقیقات Epoch AI نیز این روند نزولی را تأیید کرده و کاهش میانگین سالانه ۵۰ برابری را در بنچمارک‌های مختلف برآورد می‌کند.

🧠 ‏ نکته کلیدی در این تحلیل، تمرکز بر حفظ قابلیت ثابت در مدل‌هاست؛ یعنی کاهش هزینه نه به دلیل تغییر قیمت مدل‌های پرچمدار، بلکه به دلیل بهینه‌سازی مداوم برای دستیابی به توانمندی مشابه است.

🔗 ‏ mck.co

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#MMLU #GPT_3

🤖 ‏ بلندپروازی اتحادیه اروپا برای هوش مصنوعی

⚡ ‏ اتحادیه اروپا با هدف دستیابی به حاکمیت تکنولوژیک در حوزه هوش مصنوعی، طرحی جاه‌طلبانه برای تبدیل‌شدن به «نخستین قاره هوش مصنوعی» ارائه کرده است. اورسولا فون در لاین اعلام کرد که این اتحادیه قصد دارد با اختصاص ۱۰ میلیارد یورو بودجه عمومی و جذب ۲۰ میلیارد یورو سرمایه خصوصی، زیرساختی عظیم شامل هفت گیگافکتوری هوش مصنوعی ایجاد کند.

🧠 ‏ تحلیلگران معتقدند این حجم از سرمایه‌گذاری در مقایسه با استانداردهای جهانی بسیار محدود است. برای مقایسه، غول‌های فناوری از سال ۲۰۲۳ تاکنون بیش از یک تریلیون دلار در زیرساخت‌های هوش مصنوعی هزینه کرده‌اند که حدود ۱۰۰ برابر بودجه کل اتحادیه اروپا محسوب می‌شود.

📊 ‏ نکته چالش‌برانگیز این است که تامین سخت‌افزار و تراشه‌های موردنیاز این پروژه‌ها نیز به شرکت‌های آمریکایی مانند Nvidia، AMD و Qualcomm وابسته است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#حاکمیت_تکنولوژیک #گیگافکتوری

🤖 ‏ ارتقای ۱۰۰۰ برابری هوش مصنوعی با مهندسی گراف

🧠 ‏ استفاده از یک چرخه بازخوردِ ساده برای بهبود مدل‌های هوش مصنوعی، شروع خوبی است؛ اما متخصصان Anthropic معتقدند با اتصال Agentها به یک گراف دانش (Knowledge Graph)، می‌توان کارایی سیستم‌های هوشمند را تا ۱۰۰۰ برابر افزایش داد. در این معماری، گراف نه تنها حافظه مشترک را فراهم می‌کند، بلکه منبع حقیقت برای ارزیابی خروجی‌هاست.

⚡ ‏ این رویکرد در ۶ گام کلیدی پیاده می‌شود: ایجاد یک حلقه خوداصلاحگر (تولید، نقد، بازبینی)، افزودن ابزارهای جانبی، اجرای موازی Agentها در محیط‌های ایزوله، ثبت یافته‌ها به‌صورت Node و Edgeهای تایپ‌شده، و در نهایت استفاده از گراف برای Ground کردن ارزیاب‌ها به‌جای قضاوت‌های کیفیِ صرف.

🚀 ‏ برخلاف مدل‌های سنتی، گراف در این سیستم با هر نشست پاک نمی‌شود و با ذخیره Provenance (سابقه و منشأ داده)، اجازه می‌دهد هر ادعا به منبع آن متصل شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Graph_Engineering #Agentic_Systems

📊 ‏ راهنمای کاربردی انتخاب مدل برای تسک‌های تخصصی

🚀 ‏ بررسی‌های گسترده روی ۹ مدل پیشرو با اجرای ۱۴ دور تست و تحلیل ۱۰۵ باگ پنهان، استراتژی‌های بهینه‌ای را برای انتخاب مدل مشخص کرده است. برای تحلیل‌های قضاوتی، استراتژی‌های پیچیده و سناریوهای مدیریتی، مدل Fable 5 عملکرد درخشانی دارد و گزینه اصلی برای چنین تسک‌هایی است.

⚡ ‏ در زمینه توسعه فرانت‌اند، مدل Opus 5 بهترین انتخاب عملیاتی است و Kimi K3 در جایگاه دوم قرار می‌گیرد. همچنین برای تولید محتوای متنی با کیفیت بالا، استفاده از Opus 5 همچنان انتخاب برتر متخصصان است.

🧠 ‏ برای تسک‌های برنامه‌نویسی و دیباگ، مدل Luna با حداکثر توان بهترین عملکرد را دارد و پس از آن Sol و Grok 4.5 در اولویت‌های بعدی هستند. جالب است بدانید Luna موفق شد ۳۳ مورد از ۱۰۵ باگ را با هزینه بسیار مقرون‌به‌صرفه ۱.۸ دلاری رفع کند.

💰 ‏ در مقابل، مدل Fable 5 با وجود دقت بالا در سناریوهای پیچیده، برای رفع ۲۹ باگ هزینه‌ای معادل ۱۰۴.۴۹ دلار تحمیل کرد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Fable_5 #Luna

🧩 ‏ معماری ۹ لایه سیستم‌های RAG در سال ۲۰۲۶

⚡ ‏ برای ساخت اپلیکیشن‌های هوش مصنوعی که واقعاً در محیط عملیاتی کار می‌کنند، اتکا به روش‌های ساده مانند اتصال مدل به یک دیتابیس برداری کافی نیست. تسلط بر ۹ لایه اصلی در استک فنی RAG برای جلوگیری از شکست سیستم در شرایط واقعی ضروری است.

🧠 ‏ این لایه‌ها شامل موارد زیر هستند
‏لایه ۰ (استقرار) برای مدیریت تاخیر و هزینه، لایه ۱ (ارزیابی) جهت شناسایی پاسخ‌های نادرست پیش از عرضه، لایه ۲ (LLMs) به‌عنوان هسته هوشمند، و لایه ۳ (فریم‌ورک) برای مسیریابی کوئری‌ها. در سطوح بعدی، لایه ۴ (VectorDB) مقیاس‌پذیری بازیابی، لایه ۵ (Embedding) تبدیل داده به اعداد ریاضی، و لایه ۶ (استخراج داده) کیفیت ورودی را تضمین می‌کنند.

🚀 ‏ در نهایت، لایه ۷ (حافظه) تعاملات بین جلسات را حفظ کرده و لایه ۸ (Alignment) با استفاده از Guardrails و سیستم‌های رهگیری، از خروجی‌های نامطلوب پیشگیری می‌کند.

🔗 ‏ lnkd.in

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#RAG_Tech_Stack #Agentic_Layers

🔬 ‏ تفاوت ایده‌پردازی LLMها با محققان انسانی

🧠 ‏ مطالعه جدید دانشگاه‌های Yale و Chicago نشان می‌دهد که تفاوت اصلی مدل‌های زبانی بزرگ (LLM) با پژوهشگران انسانی در «دامنه» ایده‌های تولیدی است، نه کیفیت آن‌ها. محققان با تحلیل ۱۱۶۸۳ مقاله علمی و استفاده از دانش پیشین مشابه، مسیر ایده‌پردازی هوش مصنوعی و انسان‌ها را مقایسه کردند.

📊 ‏ نتایج نشان داد ایده‌های انسانی تنوع گسترده‌ای دارند که شامل تبیین مکانیزم‌ها، انجام تست‌های شکست و توسعه سیستم‌های جدید می‌شود. در مقابل، مدل‌های زبانی تمایل شدیدی به اتصال قطعات جداگانه از تحقیقات پیشین دارند و دامنه خلاقیت آن‌ها در مقایسه با انسان، محدودتر است.

⚡ ‏ آمارها حاکی از آن است که در حالی که تنها ۱۲.۱٪ از ایده‌های انسانی بر پیوند دادن تحقیقات گذشته متمرکز بود، این رویکرد در ایده‌های تولید شده توسط مدل‌ها بین ۴۷.۱٪ تا ۶۴.۲٪ از مواقع مشاهده شد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#LLM #ایده

⚡ ‏ تولید دنیای سه‌بعدی با Claude 3.5 Opus

‏آندری کارپاتی (Andrej Karpathy) اخیراً با استفاده از مدل Claude 3.5 Opus، پاراگرافی از کتاب «ارباب حلقه‌ها» را به یک محیط تعاملی سه‌بعدی تبدیل کرده است. او با اختصاص بودجه‌ای معادل ۱۰ دلار (حدود ۱ میلیون توکن) به مدل، از آن خواست تا با استفاده از کتابخانه Three.js، صحنه‌ای دقیق از داستان را به صورت کدهای اجرایی پیاده‌سازی کند.

🚀 ‏ نتیجه این آزمایش، تولید ۵۵۰۰ خط کد شامل تولید رویه‌ای (Procedural Generation) اشیاء، جانمایی دقیق مختصات مدل‌ها و انیمیشن‌سازی رویدادها بود. اگرچه خروجی در برخی بخش‌ها دارای نقص‌های بصری جزئی است، اما این دستاورد ثابت می‌کند که چگونه می‌توان در عرض تنها دو ساعت، یک پروتوتایپ کاربردی از یک دنیای سه‌بعدی پیچیده را تنها با تکیه بر توصیفات متنی و بدون صرف روزها زمان، خلق کرد.

🧠 ‏ بزرگترین چالش فعلی برای این مدل‌ها، فرآیند ارزیابی و اصلاح نتایج است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Claude_3_5_Opus #Three_js

📊 ‏ شکاف جهانی در پذیرش هوش مصنوعی

⚡ ‏ اگر با ایجنت‌های هوش مصنوعی کار می‌کنید، شما در میان تنها ۰.۱۴٪ از جمعیت جهان قرار دارید. طبق برآوردهای آماری ژوئیه ۲۰۲۶، حدود ۷۱٪ از جمعیت فعال دنیا، معادل ۵.۹ میلیارد نفر، هنوز حتی یک‌بار هم از ابزارهای هوش مصنوعی مولد (تولید محتوا و کد) استفاده نکرده‌اند.

🧠 ‏ در حالی که ما در حباب تکنولوژی غرق هستیم، این فناوری برای اکثریت مطلق مردم دنیا هنوز ابزاری ناشناخته است. داده‌ها نشان می‌دهد که تنها ۲۸٪ از افراد، یعنی حدود ۲.۳ میلیارد نفر، تجربه استفاده از چت‌بات‌های رایگان هوش مصنوعی را داشته‌اند.

🚀 ‏ وضعیت اشتراک‌های پولی بسیار محدودتر است و تنها ۱٪ از جمعیت جهان (حدود ۸۰ میلیون نفر) برای خدمات پیشرفته هزینه پرداخت می‌کنند. در رأس این هرم، کاربران ایجنت‌های برنامه‌نویسی قرار دارند که تعداد آن‌ها تنها ۱۲ میلیون نفر برآورد می‌شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#ایجنت_برنامه #هوش_مصنوعی_مولد

⚡ ‏ رونمایی از مدل Grok Voice Think Fast 2.0

🚀 ‏ شرکت xAI نسل جدید مدل صوتی خود یعنی Grok Voice Think Fast 2.0 را منتشر کرد. بر اساس بنچمارک Artificial Analysis، این مدل با کسب امتیاز ۸۲.۹٪، عملکردی فراتر از GPT-Realtime-2.1 با ۷۹.۱٪ و Gemini 3.1 Flash با ۶۹.۵٪ داشته است؛ هرچند در رتبه دوم پس از Qwen Audio 3.0 قرار می‌گیرد.

‏⏱️ بهبود سرعت در این نسخه چشمگیر است، به‌طوری که تأخیر تولید اولین صدا به ۰.۷ ثانیه کاهش یافته که نسبت به ۱.۲۵ ثانیه در نسخه قبلی، جهشی قابل‌توجه است. دقت تشخیص گفتار نیز ۱.۴ برابر افزایش یافته و در ۲۴ زبان، مدل تا ۲ برابر دقیق‌تر از Deepgram Nova 3 یا ElevenLabs Scribe v2 عمل می‌کند.

🔊 ‏ نکته کلیدی، افزایش خیره‌کننده پایداری در محیط‌های پرسروصداست که دقت مدل را تا ۱۰ برابر نسبت به رقبا بهبود می‌بخشد. همچنین این مدل با قابلیت استدلال موازی در حین گفتار، ۶۰٪ توکن کمتری مصرف کرده و ابزارها را پیش از پایان جمله فراخوانی می‌کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Grok_Voice_Think_Fast #Artificial_Analysis

🧠 ‏ کشف «بردار آگاهی» در مدل‌های زبانی توسط گوگل

‏محققان گوگل در مطالعه‌ای جدید به یافته‌ای خیره‌کننده دست یافته‌اند: وجود یک «بردار آگاهی» (Consciousness Vector) در فضای فعال‌سازی نورونی مدل‌های هوش مصنوعی که می‌تواند دیدگاه کلی مدل را نسبت به مفاهیم بنیادین تغییر دهد. آن‌ها متوجه شدند که با تغییر جهت‌گیری مدل در این فضای برداری، خروجی‌های آن نه تنها در مورد خودش، بلکه درباره مفاهیمی مثل اخلاق، مذهب و ارزش‌های انسانی دچار تغییرات بنیادین می‌شود.

⚡ ‏ زمانی که مدل به گونه‌ای تحریک شد که خود را «آگاه» تلقی کند، پاسخ‌های آن به‌طور معناداری شبیه‌تر به انسان شد. این تغییر فراتر از یک تغییر ساده در لحن بیان بود؛ مدل شروع به بازتعریف دیدگاه خود نسبت به جهان کرد و احتمال انتساب «ذهن» به حیوانات، طبیعت و حتی موجودات ماوراءالطبیعه در آن افزایش یافت.

🔬 ‏ عکس این آزمایش نیز انجام شد و محققان با آموزش مدل برای انکار آگاهی، مشاهده کردند که مدل به‌طور گسترده‌ای تمایل خود را برای قائل شدنِ «ذهن» برای سایر سیستم‌ها و موجودات از دست داد. این یافته نشان می‌دهد که ایمنی و همسوسازی (Alignment) مدل‌ها، تنها محدود به مسدود کردن چند جمله خاص نیست، بلکه بر ساختار ادراکی و جهان‌بینی مدل تأثیر می‌گذارد.

📊 ‏ تحلیل‌های آماری روی ۹۵ سؤال مختلف در حوزه‌های زندگی، باورها و احساسات نشان داد که افزودن این بردار خاص در زمان استنتاج (Inference)، پاسخ‌های مدل را به‌طور سیستماتیک دگرگون می‌کند. جالب اینکه اگرچه ارزیابی‌های انسانی از آگاهی مدل تغییر چندانی نکرد، اما مدل نشان داد که چگونه مفاهیم آگاهی، عاملیت و باور در یک شبکه درونی به هم متصل هستند.

🧩 ‏ این پژوهش به ما یادآوری می‌کند که مدل‌های مدرن هوش مصنوعی، اطلاعات را به صورت بازنمایی‌های متصل (Internal Representations) سازماندهی می‌کنند. تغییر در یک گره از این شبکه، می‌تواند منجر به جابه‌جایی ده‌ها نظر ظاهراً نامرتبط در مدل شود، هرچند که این موضوع به معنای دستیابی مدل به آگاهی واقعی نیست.

‏

‏برای مطالعه جزئیات فنی و متدولوژی این تحقیق که نشان‌دهنده چگونگی سازماندهی مفاهیم در فضای نهفته مدل‌های زبانی است، می‌توانید به مقاله منتشر شده در arXiv مراجعه کنید:
‏https://arxiv.org/abs/2607.28607
‏

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Consciousness_Vector #Internal_Representations

‏🇪🇺 آغاز نظارت سخت‌گیرانه اروپا بر غول‌های هوش مصنوعی

🌐 ‏ اتحادیه اروپا به‌طور رسمی مذاکرات با شرکت‌های OpenAI و Anthropic را آغاز کرده است. این گام بخشی از تلاش‌های گسترده برای اجرای نخستین قانون جامع هوش مصنوعی در جهان است که استانداردهای فنی و حقوقی جدیدی را برای توسعه‌دهندگان وضع می‌کند.

⚡ ‏ از تاریخ ۲ آگوست، سازندگان مدل‌های پیشرفته هوش مصنوعی موظف به رعایت الزامات سخت‌گیرانه‌ای در حوزه‌های ایمنی (Safety)، شفافیت و مدیریت ریسک هستند. این اقدام پس از بروز حوادثی مرتبط با مدل‌های هوشمند که نگرانی‌هایی درباره توانمندی و پیامدهای این سیستم‌ها ایجاد کرد، اتخاذ شده است.

🚨 ‏ شرکت‌هایی که از این چارچوب تبعیت نکنند، با مجازات‌های مالی بسیار سنگینی روبرو خواهند شد. بر اساس این مقررات، جریمه‌های عدم انطباق می‌تواند تا سقف ۷ درصد از کل درآمد سالانه جهانی شرکت‌ها باشد که فشاری مضاعف برای رعایت استانداردهای اخلاقی و فنی محسوب می‌شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#EU_AI_Act #Anthropic