🎯 «انگار دارم فریب می‌خورم»
— پارانویا، یا دوراندیشی؟

🔴 فریب‌خوردن واقعاً حس مزخرفی است. وقتی حس می‌کنید فریب خورده‌اید، ممکن است یک گوشه کز کنید و به حماقتی که کرده‌اید فکر کنید، به اینکه هم واقعاً باخته‌اید و هم جامعه شما را بازنده می‌داند. ترس از فریب‌خوردن یک مسئلۀ پرتکرار فرهنگی و تجربه‌ای بشری است که تقریباً همه درکش می‌کنند. این ترس در حالت افراطی به پارانویا ختم می‌شود، ترسی غیرعقلانی که حتی ممکن است نشانۀ بیماری روانی باشد.

🔴 ولی نوع دیگری از احتیاط دربرابر حماقت را هم می‌شناسیم که شکل پسندیدۀ آن است: غریزۀ محافظت از خود، که ریشه در ارزش‌های مربوط به دوراندیشی و عقلِ معاش دارند. ما تمام عمر مراقب سکه‌های قلابی، کلاهبردارها و پولمان هستیم. این احتیاط تا وقتی اسم پارانویا رویش نیاید، کاملاً معقول است: باید از کسی که می‌خواهد از شما سوءاستفاده کند بترسید.

🔴 دو سر طیفِ ترس از حماقت، یعنی پارانویا و دوراندیشی دوگانۀ واضحی است، اما این دوگانه تصویرِ بسیار ناقصی از این پدیده است، چراکه دوراهی‌های واقعیِ حماقت کردن یا نکردن جایی در میانۀ این طیف سیال سر راه آدم‌ها قرار می‌گیرند. ترس از فریب‌خوردن بیشترِ اوقات نه آن‌قدرها منطقی است و نه آن‌قدرها غیرمنطقی. زندگیِ روزمره مملو از فرصت‌ها و بازی‌های احمقانه‌ای است که هیچ برچسب هشداردهنده‌ای هم رویشان نیست.

🔴 مطمئناً برای خیلی‌هایمان پیش آمده که درخواست کمکی مشکوک را نادیده بگیریم یا پیشنهادی را، به‌دلیل اینکه زیادی خوب به نظر می‌رسیده، رد کنیم. چرا این کار را می‌کنیم؟ ما دقیقاً از چه می‌ترسیم؟ از حماقت‌کردن.

🔴 آدم‌ها چنان از حماقت‌کردن می‌ترسند که از کوچک‌ترین موقعیت های خطر و تحقیر پرهیز می‌کنند، حتی وقتی با ارزیابی آگاهانه متوجه شوند که چیزی برای ترسیدن وجود ندارد. شاید این ترس چندان مهم به نظر نیاید، اما وقتی آدم‌ها را از روابط، فرصت‌ها یا تجارب بسیار ارزشمندی منع کند اهمیت بیشتری پیدا می‌کند.

🔴 فریب‌خوردن بر دو وضعیت بسیار آزارندۀ انسانی دست می‌گذارد: پشیمانی و بیگانه‌شدگی. برحسب اتفاق یا شرطی‌شدگیِ فرهنگی یا سازگاری تکاملی، عذاب سرزنش‌کردنِ خود (پشیمانی) و عذاب انزوای اجتماعی (بیگانه‌شدگی) هر دو قادرند رنج بی‌حدوحصری را رقم بزنند که مردم حاضرند برای دوری از آن دست به هر کاری بزنند.

🔴 اهمیت پشیمانی در عبرت‌آموزبودن آن است، مهم‌ترین علامت خطرِ فریب‌خوردن متعلق به موقعیت‌هایی است که فرد را به همکاری ترغیب می‌کنند. فرق بین کلاهبرداری و دزدی این است که، در کلاهبرداری، فرد ساده‌لوح به اختیار خودش به کلاهبردار پول می‌دهد، درحالی‌که قربانیِ دزدی با دزد همدست نبوده است.

🔴 ارتباط محتومِ بین بیزاری از پشیمانی و ترس وافر از حماقت‌کردن تصمیم‌گیری را مختل می‌کند و به انتخاب‌هایی می‌انجامد که به نظر می‌رسد با اولویت‌ها و ارزش‌های عمیق‌تر فرد تعارض دارند. مثلاً تصور کنید که یکی از خویشاوندانم به من زنگ می‌زند و درخواست می‌کند ۵۰۰ دلار به او قرض بدهم. قول می‌دهد به‌محض اینکه حقوق ماه بعدش را گرفت پولم را پس بدهد.

🔴 فرض کنیم من چنین پولی دارم، و فکر می‌کنم کار درست کمک‌کردن است، اما فقط در صورتی می‌توانم این کار را بکنم که واقعاً قرار باشد پولم را برگرداند. در اینجا من دارم سعی می‌کنم از دو اشتباه پرهیز کنم: اعتماد نابجا و بی اعتمادیِ نابجا. اما حد تعادل کجاست؟

🔸 آنچه خواندید برگرفته از کتاب «جامعۀ فریب‌کار»، نوشتۀ تس ویلکینسون-رایان، و با ترجمۀ نسیم حسینی است.

🔺 این کتاب برای اولین بار در نمایشگاه بین‌المللی کتاب ۱۴۰۴ رونمایی می‌شود. منتظر حضورتان در غرفۀ ترجمان هستیم (سالن شبستان، نبش راهرو ۲۵). می‌توانید در نمایشگاه کتاب را تورق کنید و آن را با ۱۵ درصد تخفیف تهیه کنید.

🔺 همچنین می‌توانید برای مطالعۀ بخش‌هایی از کتاب و تهیۀ آن به فروشگاه اینترنتی ترجمان بروید.
https://b2n.ir/dz1214

🔸 جامعۀ فریب‌کار
✍🏻 نوشتۀ تس ویلکینسون-رایان
✍🏻 ترجمۀ نسیم حسینی
📚 ۳۲۰ صفحه؛ رقعی؛ جلد نرم؛ قیمت، همراه با تخفیف نمایشگاه: ۳۲۷۲۵۰ تومان

@tarjomaanweb

به عنوان مدیر ارشد فناوری (CTO) در MediversAI، بسیار مفتخرم که انتخابم را برای برنامه Level Up: CTO Coaching Program موسسه Amii (موسسه هوش مصنوعی آلبرتا) اعلام کنم! 🎉

این یک فرصت محوری برای یادگیری عمیق، بهره‌گیری از تجارب بهترین‌ها و سرعت بخشیدن به طرح‌های MediversAI برای ایجاد تفاوت واقعی در حوزه مراقبت‌های بهداشتی است.

ما در MediversAI مشتاقانه منتظر همکاری با رهبران این صنعت و پیشبرد نوآوری در هوش مصنوعی هستیم! 🚀🤖

این برنامه برای MediversAI موارد زیر را فراهم خواهد کرد:
✨ تخصص هوش مصنوعی در سطح جهانی از دانشمندان Amii.
🛠 پشتیبانی برای به‌کارگیری هوش مصنوعی پیشرفته و آینده‌پژوهی فناوری ما.
🧠 توسعه رهبری استراتژیک (استراتژی محصول، مدیریت ریسک هوش مصنوعی، گسترش تیم‌ها).
🤝 شبکه‌سازی با نوآوران هوش مصنوعی.
☁️ تا سقف ۲۵۰ هزار دلار اعتبار Google Cloud.
✅ تمرکز بر هوش مصنوعی مسئولانه برای افزایش اعتبار در بازار.

🔗 گواهی رسمی | پست لینکداین

mediversai.com
‌
‌

‌
موسسه هوش مصنوعی آلبرتا (Amii - Alberta Machine Intelligence Institute) یکی از سه قطب اصلی استراتژی هوش مصنوعی پان-کانادایی و یک مرکز تحقیقاتی برجسته جهانی در ادمونتون است که بر پیشرفت علمی و کاربرد تجاری هوش مصنوعی و یادگیری ماشین تمرکز دارد. اهمیت Amii به دلیل میزبانی از محققان طراز اول، به‌ویژه در زمینه یادگیری تقویتی، و ارتباط آن با دانشمندان بزرگی مانند دکتر ریچارد ساتن (Richard S. Sutton)، یکی از بنیان‌گذاران و از چهره‌های شاخص جهانی در یادگیری تقویتی، دوچندان می‌شود. او در سال ۲۰۲۴ همراه با اندرو بارتو موفق به دریافت جایزۀ تورینگ، معتبرترین نشان علوم رایانه، برای پایه‌گذاری مفاهیم و الگوریتم‌های یادگیری تقویتی شد.

https://www.amii.ca/

آقای Ilya Sutskever برای دریافت مدرک افتخاری از دانشگاه تورنتو در روز ۹ ژوئن ۲۰۲۵ یک سخنرانی درباره هوش مصنوعی داشته. پادکست فارسی این سخنرانی رو می‌تونید گوش بدید.

ویدئوی اصلی

#موقت

🔴 هشدار امنیتی
مفهوم «فاین‌تیون» یا fine-tuning فقط توی دیپ‌لرنینگ نیست؛ توی جنگ‌ها هم کاربرد داره.
وقتی دشمن فیلم‌ اصابت موشک‌ها رو ببینه، می‌تونه ازشون برای بهبود دقت حملات بعدی استفاده کنه — دقیق‌تر بزنه.
این یادگیری از خطاها، به نفع دشمن تموم می‌شه.
⚠️ لطفاً به‌هیچ‌وجه فیلم یا تصویر از محل اصابت موشک منتشر نکنید.

نابودى شما در آن زندگى‌ست كه محصولش شكست است، و زندگى شما در آن مرگى‌ست كه نتيجه‌اش پیروزی‌ست.

- علی، درود خدا بر او

فَالْمَوْتُ فِي حَيَاتِكُمْ مَقْهُورِينَ وَ الْحَيَاةُ فِي مَوْتِكُمْ قَاهِرِينَ - خطبهٔ ۵۱ نهج‌البلاغه

‌

این کانال برای دادن اطلاعات مفید و قابل اعتماد برای بالا بردن ایمنی غیرنظامیان در شرایط جنگی و خطرناک ایجاد شده است.

اگر در آپارتمان بدون زیرزمین زندگی می‌کنید یا مطمئن نیستید ساختاون چقدر مقاوم است، این اقدامات ساده می‌توانند جان شما را نجات بدهند یا خطر رو کاهش بدهند.



● انتخاب امن‌ترین اتاق خانه

○ بدون پنجره یا با کمترین پنجره

○ در مرکز خانه (مثلاً راهرو، سرویس بهداشتی داخلی)

○ دور از دیوارهای خارجی



● ساخت پناهگاه اضطراری داخل خانه

○ در گوشه‌ای از اتاق یا فضای کوچک

○ استفاده از بالش، پتو، میز محکم یا جعبه برای محافظت

○ محافظت از سر با شیشه ضدضربه، پتو یا متکا



● دوری از پنجره و بالکن

○ حتی نگاه کردن از پنجره در زمان هشدار خطرناک است

○ موج انفجار می‌تواند شیشه را بشکند



● اگر ساختمان ناایمن یا قدیمی است:

○ از قبل محل امن‌تری برای پناه (مترو، مدرسه، مسجد...) مشخص کنید

○ در صورت هشدار، فقط اگر فرصت برای خروج امن داشتید، با احتیاط خارج شوید



● وسایل ضروری رو آماده کنید:

○ آب، غذا، دارو، چراغ قوه، پاوربانک، کمک‌های اولیه، مدارک مهم



❗ اگر هیچ جای امنی ندارید:

● کف اتاق دراز بکشید، پشت به دیوار داخلی

● سر را با دست یا بالش بپوشانید

● کنار دیوار خارجی یا وسایل سنگین نباشید

t.me/IranSafeZone

‏أحبك طبعاً
‏و إلا ماذا يمكن أن أفعل
‏فی وطن منهوب و حزين؟

حتماً که دوستت دارم!
وگرنه در وطنی غمگین و غارت‌شده
چه می‌توانستم کنم؟

Music

🎯 از کجا بفهمیم آدم نفهمی هستیم؟

🔴 آیا دور و برتان پر است از آدم‌های احمق و بی‌فرهنگ؟ آدم‌های حوصله‌سربری که لیاقت توجه شما را ندارند؟ آدم‌هایی که می‌توان به‌راحتی آن‌ها را شناخت؟ آدم‌های چاپلوس، متکبر، گنده‌دماغ، وحشی، کله‌پوک و بیشعورهای ازخودراضی و، از همه مهم‌تر، آدم‌های نفهم؟ اریک شویتسگِبِل، استاد فلسفۀ دانشگاه کالیفرنیا، خبری بدی برایتان دارد: اگر بیشتر مواقع جهان را این شکلی می‌بینید، احتمالاً آدم نفهمی هستید. جهان در نظر بیشتر مردم این شکلی نیست، و در واقعیت هم این‌شکلی نیست.

🔴 روان‌شناسان می‌گویند ما معمولاً تمایل داریم تا تصویر مثبتی از خصوصیات خودمان داشته باشیم. بنابراین در مواجهه با سؤال سهمگینِ «آیا من آدم نفهمی هستم؟» خیلی سریع جواب می‌دهیم: «البته که نه!» با‌این‌حال شاید بد نباشد جدی‌تر به این موضوع فکر کنیم.

🔴 اول باید بدانیم «نفهمی» دقیقاً یعنی چه. سه‌نوع شخصیت بیشترین نزدیکی را به «نفهمی» دارند: نارسیسیست‌ها، ماکیاوللیست‌ها و روان‌رنجورها. نفهم‌ها مثل نارسیسیست‌ها خودشان را مهم‌تر از بقیه می‌دانند، اما برخلاف آن‌ها همیشه نمی‌خواهند در مرکز توجه باشند. از طرف دیگر، اگرچه برخوردی ابزاری با بقیه دارند، اما بدبینیِ خودآگاهانۀ ماکیاوللیست‌ها را ندارند. مثلِ روان‌رنجورها سنگدل و خودخواهند، اما برخلاف آن‌ها می‌توانند محاسبه‌گر و محتاط باشند. راستش به تعریف جدیدی از این «واژه» نیاز داریم.

🔴 شویتسگِبِل می‌گوید نفهم‌ها افرادی هستند که به‌طرز ملامت‌انگیزی برای دیدگاه اطرافیان خود ارزش قائل نمی‌شوند. نفهم بودن یعنی نادان بودن به روشی خاص، یعنی غفلت از شایستگی ایده‌های دیگران، بی‌اعتنا بودن به امیال و باورهای آن‌ها و چشم‌پوشی نکردن از تقصیراتشان.

🔴 می‌توانیم از سمتِ دیگری هم مسئله را ببینیم؛ یعنی «فهیم‌بودن» را تعریف کنیم. آدم‌های فهیم کسانی‌اند که به افکار و علایق دیگران اهمیت می‌دهند، گاهی گمان می‌کنند قصور ممکن است از آن‌ها باشد نه طرف مقابل، آن‌ها مسئول و متعهدند و به‌شدت مراقب‌اند که مثلِ نفهم‌ها نباشند. پس می‌توانیم به نتیجه‌ای برسیم: اگر برایتان مهم است که مثلِ نفهم‌ها رفتار نکرده باشید، احتمالاً جزء آن‌ها به‌شمار نمی‌روید.

🔴 سرنخ دیگری هم داریم: «خوب گوش‌کردن». نفهم‌ها به‌سختی می‌توانند به حرف‌های دیگران توجه کنند یا انتقاد‌های آنان را جدی بگیرند. اگر برایتان مهم است که حرف‌های دیگران را مشتاقانه بشنوید، آدم نفهمی نیستید، چون طبیعتِ نفهمی گوش‌نکردن است.

🔴 نفهمی معمولاً خصوصیتی همیشگی نیست. خیلی از ما ممکن است بعضی مواقع یا در مواجهه با برخی آدم‌ها مثل نفهم‌ها رفتار کنیم، و در مواقع دیگر چنین رفتاری نداشته باشیم. بااین‌حال، لازم است از خودمان بپرسیم: «هر چند وقت یک‌بار مثل نفهم‌ها رفتار می‌کنم؟» شاید حافظۀ ما نتواند همۀ این موارد را به‌درستی نگه دارد، اما تکرار این پرسش ما را به خودشناسی بیشتری می‌رساند. همۀ ما گاهی از پشت عینک نفهمی به جهان نگاه می‌کنیم، اما اسیر این بینش نیستیم.

📌 آنچه خواندید مروری کوتاه است بر مطلب «از کجا بدانیم آدم نفهمی هستیم یا نه؟» که در دومین شمارۀ مجلۀ ترجمان علوم انسانی منتشر شده است. این مطلب در تاریخ ۳ آذر ۱۳۹۵ در وب‌سایت ترجمان نیز بارگذاری شده است. این مطلب نوشتۀ اریک شویتسگِبِل است و امیر قاجارگر آن را ترجمه کرده است. برای خواندن نسخه کامل این مطلب و دیگر مطالب ترجمان، به وب‌سایت ترجمان سر بزنید.

📌 ادامۀ مطلب را در لینک زیر بخوانید:

https://B2n.ir/mx3203

@tarjomaanweb

شناخت ستم و موضع اجتماعی عاشورا

در موضع اجتماعی آن‌چه مهم است نشر آگاهی و فرهنگ مبارزه است و یکی از عمده‌ترین قسمت‌های فرهنگ عاشورا، شناخت اجتهادی جامعه است نسبت به تعدی و خیانت و ستم و نقض اصول و محو حقوق و اتلاف اموال.

- محمدرضا حکیمی، کتاب حسین، صفحه‌ی ۸

‌‌

چرا دستیارهای هوش مصنوعی وسط مکالمه گیج می‌شن؟

اگه تا حالا با مدل‌هایی مثل ChatGPT یا Gemini گفت‌وگو کرده باشین، ممکنه براتون پیش اومده باشه که وقتی اطلاعات رو کم‌کم و مرحله‌به‌مرحله بهشون می‌دین، یه جایی مدل قاطی کنه یا دیگه درست متوجه منظورتون نشه. این موضوع تازگیا تو یه تحقیق مشترک بین مایکروسافت و Salesforce بررسی شده و نتایج جالبی به‌دست اومده.

طبق این تحقیق، وقتی اطلاعات به‌صورت تدریجی وارد مکالمه می‌شه، عملکرد حتی بهترین مدل‌های زبانی بزرگ (LLMها) به‌طور میانگین تا ۳۹٪ افت می‌کنه. یعنی تقریباً ۴۰٪ احتمال داره که جواب‌ها نادرست یا کم‌کیفیت‌تر بشن!

مشکل اصلی از کجاست؟

مسئله این نیست که مدل «کم‌هوش‌تر» می‌شه، بلکه مشکل اصلی اینه که رفتارش قابل پیش‌بینی نیست. فاصله بین بهترین و بدترین پاسخ‌هاش زیاد می‌شه و شما نمی‌دونین باید به کدومش اعتماد کنین.

چرا این اتفاق می‌افته؟

تحقیق چند تا رفتار مشکل‌ساز رو تو مدل‌ها شناسایی کرده:

1. عجله در پاسخ‌دهی: مدل‌ها معمولاً زود قضاوت می‌کنن و حتی وقتی اطلاعات ناقصه، سریع می‌خوان یه جواب نهایی بدن که باعث اشتباه می‌شه.


2. گیر کردن به جواب‌های قبلی: حتی اگه پاسخ قبلی اشتباه بوده باشه، مدل ممکنه به اون بچسبه و ادامه مکالمه رو هم بر همون اساس پیش ببره. این باعث می‌شه جواب‌ها طولانی، مبهم یا حتی متناقض بشن.


3. گم شدن وسط مکالمه: مدل‌ها معمولاً اطلاعاتی که اول یا آخر گفتگو بهشون می‌دین بهتر یادشون می‌مونه، اما اون چیزی که وسط صحبت گفتین، خیلی راحت فراموش می‌شه.



آیا مدل‌های قوی‌تر هم همین مشکل رو دارن؟

بله، متأسفانه این الگو در همه‌ی ۱۵ مدلی که توی تحقیق بررسی شدن دیده شده. از جمله GPT-4، Claude 3، Gemini، Llama و حتی مدل‌هایی که برای استدلال طراحی شدن مثل o3 و Deepseek-R1.
نتیجه اینه که حتی اگه یه مدل تو تست‌های تک‌مرحله‌ای نمره‌ی بالایی بگیره، تضمینی نیست که تو گفت‌وگوهای چندمرحله‌ای هم خوب عمل کنه.

راه‌حل‌هایی مثل خلاصه‌سازی خودکار مکالمه یا کاهش Temperature (برای اینکه مدل مطمئن‌تر جواب بده)، فقط تا حدی مؤثر بودن و نتونستن مشکل اصلی رو کامل برطرف کنن.


توصیه‌هایی برای کاربران:

اگه حین چت حس کردین مدل داره گیج می‌شه یا دیگه حرفاتون رو درست متوجه نمی‌شه، این چند تا کار ممکنه کمک‌کننده باشه:

🔁 چت جدید شروع کنین: به‌جای اینکه سعی کنین همون گفت‌وگوی قاطی رو ادامه بدین، بهتره مکالمه رو از اول شروع کنین. همون اطلاعات رو دوباره، اما به صورت یکجا و منظم وارد کنین. احتمال اینکه این‌بار مدل بهتر عمل کنه خیلی بیشتره.

📝 ازش بخواین خلاصه کنه: اگه حس کردین گیج شده، ازش بخواین «لطفاً خلاصه‌ای از چیزهایی که تا حالا گفتم بنویس». بعد اون خلاصه رو کپی کنین، توی یه چت جدید بذارین و از اونجا ادامه بدین. اینطوری مدل اطلاعات رو یکجا و منسجم می‌گیره و احتمال اشتباه کم‌تر می‌شه.

لینک مقاله

@reza_jafari_ai

🧠 چرا مدل‌های Claude انتروپیک اینقدر خوبن؟ شاید چون پایه‌ای‌ترین کار رو درست انجام می‌دن: `Instruction Following`

توی توییتر انگلیسی یه بحث جالبی راه افتاده بود که چرا حتی مدل‌های اپن‌سورس قوی، گاهی اوقات توی دنبال کردن دستورات ساده هم فاجعه‌ان. قضیه این نیست که مدل یه پرامپت ساده رو بفهمه. بحث سر دستورات پیچیده و چند مرحله‌ایه.

مثلاً به مدل بگی: «برای پاراگراف اول از قانون X استفاده کن، ولی برای پاراگراف دوم قانون Y رو اعمال کن.» اکثر مدل‌های اپن‌سورس اینجا به هم می‌ریزن و یا فقط قانون اول رو اعمال می‌کنن یا کلاً قاطی می‌کنن.

ریشه‌ی این مشکل چیه؟ یه چیزی به اسم State Tracking.
یعنی مدل نمی‌تونه «وضعیت» (state) و قواعدی که بهش دادی رو در طول تولید متن حفظ کنه. اسم یه شخصیت رو توی داستان عوض می‌کنی، وسط راه یادش می‌ره. جنسیت رو تغییر می‌دی، قاطی می‌کنه. نمی‌تونه context رو بین بخش‌های مختلف خروجی حفظ کنه.

📉 این مشکل معماریه یا مشکل آموزش؟

یه عده سریع می‌پرن وسط و می‌گن این یه ضعف ذاتی و معماری تو مدل‌های ترنسفورمره (شبیه به بحث‌های Reversal Curse که آکادمیک‌ها دوست دارن).

اما دیدگاه عملی‌تر و به نظر من درست‌تر اینه که این یه post-training skill issue هست. یعنی مشکل از خود معماری نیست؛ مشکل از کیفیت پایین دیتا و پروسه‌های fine-tuning (مثل SFT و RLHF) هست. این یه مهارته که باید بعد از pre-training به مدل تزریق بشه.

🎯 راه حل چیه؟
استفاده از Reinforcement Learning (RL) با محیط‌هایی که مشخصاً برای تست و بهبود instruction following طراحی شدن. دقیقاً همون کاری که انتروپیک استادشه.

این نشون می‌ده چرا وقتی با مدل‌های اپن‌سورس (مخصوصاً مدل‌های کوچیک‌تر مثل خانواده Llama 3 8B یا Mistral 7B) کار می‌کنید، حس می‌کنید دستوراتتون رو نادیده می‌گیرن. این اتفاقی نیست، یه چالش اساسیه. طرف داشته با یه مدل 24B کار می‌کرده و دیده گند می‌زنه، تهش برگشته سراغ DeepSeek v3 که ظاهراً تو این زمینه بهتر عمل می‌کنه.

خلاصه: توانایی دنبال کردن دستورات پیچیده، یه مزیت رقابتی جدی برای مدل‌های بزرگ و بسته‌ست و یکی از دلایلی که باعث می‌شه حس کنیم «هوشمندترن». در حالی که صرفاً یه مهارت پایه رو بهتر و عمیق‌تر یاد گرفتن.

🛠 Join @LLMEngineers Community

✨ فراخوان پیوستن به گروه هوش مصنوعی، نرم‌افرار و دادۀ ARAS،
همکاری در پروژه‌های هوش مصنوعی با همکاران بین‌المللی ✨


🎯 اگر در یکی از حوزه‌های زیر «تخصص» یا «علاقه» دارید، جای شما این‌جاست:

🧠 AI/ML:
LLMs, VLMs, RAG, Agents | Computer Vision/OCR | MLOps | PyTorch, TensorFlow, LangChain

💻 Software Engineering:
Back-End: Python (FastAPI, Django), API Design | Front-End: React, Flutter | UI/UX Design (Figma)

📊 Data & Analytics:
SQL, NoSQL, Vector DBs


👥 ما از استعدادهای پرتلاش و باانگیزه استقبال می‌کنیم:

💡 کارآموزها و فریلنسرهای پرانرژی و خلاق
🎓 دانشجوهای کارشناسی و به‌ویژه ورودی‌های جدید کارشناسی ارشد
🔬 پژوهشگرهای دکتری و پسا دکتری


✅ اگر شما فردی هستید که:

به حل چالش‌های پیچیده علاقه‌مندید.
روحیه کار تیمی و عطش یادگیری دارید.
می‌خواهید تأثیری واقعی در دنیای تکنولوژی بگذارید.

... ما مشتاقانه منتظر آشنایی با شما و دیدن توانایی‌هایتان هستیم. رزومهٔ خود را از طریق لینک زیر برای ما ارسال کنید:

🔗 https://survey.porsline.ir/s/hfMzDvYq
‌
LinkdeIn

🎯 هیچ‌کس نمی‌تواند حتی دو کار را با هم انجام دهد، چه برسد به چندتا
—افسانۀ چندوظیفگی

🔴 در سال‌های اخیر، توانایی جلوبردن هم‌زمان چند کار -اصطلاحاً «چندوظیفگی»- در دنیای کسب‌و‌کار اهمیت زیادی پیدا کرده. کارفرمایان از کارمندان می‌خواهند که چند وظیفه را کنار هم انجام دهند و اگر کارمندی نتواند از عهده برآید که او را سرزنش می‌کنند. حتی برخی در رزومه‌هایشان توانایی «چندوظیفگی» را به‌عنوان یکی از مهارت‌هایشان ذکر می‌کنند. اما ریچارد سایتوئیک، استاد عصب‌شناسی دانشگاه جورج واشنگتن، دربارۀ این موضوع صریح است: مغز هیچ‌کس نمی‌تواند حتی دو کار را همزمان انجام دهد، چه برسد به سه، چهار یا پنج کار.

🔴 سایتوئیک می‌نویسد: چندوظیفگی حتی برای ماشین هم اصطلاح بی‌مسمایی است، چه برسد به انسان. برخلاف همۀ ادعاهای رایج، مغز انرژی لازم برای چنین کاری را ندارد.

🔴 افسانه‌ای قدیمی می‌گوید ما فقط از ۱۰ درصد مغزمان استفاده می‌کنیم. گویا ۹۰ درصد دیگر آن بیکار مانده و نقش ظرفیت ذخیره را بازی می‌کند. بااینکه دقیقاً معلوم نیست این افسانه از کجا شکل گرفته، اما پژوهش‌ها نشان می‌دهد دو سوم مردم آمریکا آن را درست می‌دانند. همین افسانه یکی از دلایل شکل‌گیری ایده‌ای بود که می‌گفت اگر ذهن بچه‌ها را زیر بمباران محرک‌های عصبی -اعم از رنگ‌ها و صداها و کلمات- قرار دهیم، بخش‌های بیشتری از مغزشان درگیر می‌شود و در آینده باهوش‌تر یا بهره‌ورتر می‌شوند. شواهد تجربی هیچگاه چنین نتایجی را نشان نداده است.

🔴 اکثر ما امروزه حداقل نوعی از چندوظیفگی را تجربه می‌کنیم که می‌توانیم آن را «چندوظیفگی رسانه‌ای» بنامیم. مثلاً وقتی که تلویزیون روشن است، اما گوشی هم جلوی چشممان است.

🔴 ممکن است فکر کنیم با «چندوظیفگی رسانه‌ای» هم سریالمان را می‌بینیم، هم با دوستانمان چت می‌کنیم. اما واقعیت این است که هیچ‌وقت نمی‌توانیم این دو کار را درست انجام دهیم. اسکرین‌ها به شکل ویژه‌ای توجه‌طلب‌اند و سهم بزرگی از تمرکز ما را می‌گیرند. حتی نگاهی کوتاه به اسکرین بر ساختار توجه و حافظۀ ما اثری عمیق می‌گذارد. برای مثال، تحقیقی مفصل بر روی ۲۵۷ پرستار بخش مراقبت‌های ویژه در آمریکا نشان داد: اکثر خطاهای دارویی زمانی اتفاق می‌افتند که «ده دقیقه پیش از دادن دارو به مریض» گوشی پرستار زنگ می‌خورد یا پیامی دریافت می‌کند.

🔴 وقتی بفهمیم مغز چگونه انرژی مصرف می‌کند، این حرف که بخشی از مغز ما بلااستفاده مانده است اعتبار خود را از دست می‌دهد. اگرچه در هر لحظه فقط بخش کوچکی از نورون‌های مغز فعالند، اما دلیل آن محدودیت انرژی در دسترس مغز است.

🔴 مغز ما طوری طراحی شده است که تعادلی بین وظایف اساسی‌اش و میزان انرژی در دسترسش برقرار کند. حفظ توجه و هوشیاری در هنگام جابه‌جاشدن نقطهٔ توجه، تمرکزکردن و حفظ تمرکز از انرژی‌برترین کارهایی هستند که مغز ما می‌تواند انجام دهد. به همین دلیل، توجه ما گزینشی است تا مغز بتواند انرژی خود را حفظ کند. یعنی در هر لحظه فقط می‌توانیم بر یک چیز تمرکز کنیم. بنابراین می‌توانیم بگوییم اگر مبنا تحقیقات علمی دربارۀ عملکرد مغز باشد، چندوظیفگی کاری است ابلهانه و بیش‌از‌حد هزینه‌بر که اصولاً امکان موفق‌شدن در آن وجود ندارد.

📌 آنچه خواندید مروری کوتاه است بر مطلب «مغز نمی‌تواند چند کار را با هم انجام دهد، حتی اگر به این توهمِ رایج باور داشته باشیم» که در سی‌وپنجمین شمارۀ مجلۀ ترجمان علوم انسانی منتشر شده است. این مطلب نوشتۀ ریچارد سایتوئیک است و بهناز دهکردی آن را ترجمه کرده است.

📌 برای خرید شمارۀ ۳۵ مجلۀ ترجمان به لینک زیر مراجعه کنید:

https://B2n.ir/xt9189

@tarjomaanweb

CS231n: Deep Learning for Computer Vision ,Stanford - Spring 2025 (Slides, Videos)
https://cs231n.stanford.edu/schedule.html
https://www.youtube.com/playlist?list=PLoROMvodv4rOmsNzYBMe0gJY2XS8AQg16
#course
#youtube