قابلیت تحقیق و تحلیل عمیق
یا Deep Research در Perplexity

هوش مصنوعی Perplexity
به Deep Research یا تحقیق عمیق،
برای پاسخگویی به سؤالات پیچیده مجهز شد.

منبع: دیجیاتو
نویسنده: آزاد کبیری | ۲۸ بهمن ۱۴۰۳ | ۰۹:۳۰

شرکت هوش مصنوعی Perplexity قابلیت جدیدی به نام Deep Research عرضه کرده که می‌تواند «تحقیق و تحلیل عمیق» را برای ارائه گزارش‌های دقیق در پاسخ به سؤالات پیچیده شما انجام دهد و برای استفاده محدود نیز رایگان است.

براساس اعلام وب‌سایت Perplexity، این شرکت می‌گوید:

ابزار Deep Research «در طیف وسیعی از کارها از امور مالی و بازاریابی گرفته تا تحقیقات درباره محصولات در سطح متخصص» برتری دارد و حدود 2 تا 4 دقیقه طول می‌کشد به پاسخ برسد؛ طی این زمان هوش مصنوعی «ده‌ها جستجو انجام می‌دهد، صدها منبع را می‌خواند و با مطالب جمع‌آوری‌شده شروع به استدلال می‌کند.» در نهایت می‌توانید پاسخ هوش مصنوعی را بخوانید یا به‌صورت PDF دانلود کنید.

شرکت Perplexity ادعا می‌کند از رقبای خود مانند مدل o3-mini و o1 شرکت OpenAI و مدل DeepSeek R1 در بنچمارک Humanity's Last Exam، آزمونی با سؤالات تخصصی در زمینه‌های مختلف دانشگاهی، عملکرد بهتری دارد. البته امتیاز دقت آن 21.1 درصد است که از قابلیت Deep Research شرکت OpenAI کمتر است.

به‌ نظر می‌رسد تحقیق عمیق Perplexity با سرعت بیشتری انجام می‌شود و در مقایسه با 5 تا 30 دقیقه OpenAI Deep Research اکثر کارها را در کمتر از 3 دقیقه انجام می‌دهد.

قابلیت Deep Research شرکت Perplexity درحال‌حاضر در نسخه وب در دسترس است و به‌زودی برای اندروید، iOS و مک نیز عرضه می‌شود. برای استفاده از آن باید وقتی درخواست خود را در Perplexity ارسال می‌کنید، گزینه «Deep Research» را از منوی کشویی انتخاب کنید. البته در روز فقط به 5 درخواست رایگان پاسخ می‌دهد ولی مشترکین پرو می‌توانند در روز 500 درخواست بکنند.

درکل، اکنون 3 شرکت مختلف قابلیت استدلالگری مدل‌های خود را با نام Deep Research عرضه کرده‌اند. آذرماه گوگل ابزار Deep Research را برای جمینای معرفی کرد. حدوداً 2 هفته قبل نیز OpenAI از قابلیت Deep Research برای ChatGPT رونمایی کرد. اکنون نیز Perplexity قابلیت استدلالگری خود را با همین نام منتشر کرده است.

@Modern_Learning_for_GenZ

میرا موراتی، مدیر فناوری سابق OpenAI، استارتاپ هوش مصنوعی خود را تأسیس کرد.

پاییز امسال میرا موراتی، مدیر ارشد فناوری سابق OpenAI، این شرکت را ترک کرد. اکنون او اعلام کرده استارتاپ هوش مصنوعی را با نام Thinking Machines Lab تأسیس کرده است. این استارتاپ روی تحقیقات و تولید محصولات هوش مصنوعی متمرکز است و هدف آن:

ساختن آینده‌ای است که در آن همه به دانش و ابزارها دسترسی داشته باشند تا هوش مصنوعی را برای نیازها و اهداف منحصربه‌فرد خود به‌ کار بگیرند.
این استارتاپ همچنین با تعهد به انتشار منظم تحقیقات فنی و کدها، سطحی از شفافیت عمومی را وعده می‌دهد.

میرا موراتی اکنون سرگرم تشکیل تیم برای Thinking Machines است. او اخیراً جان شولمن، یکی از بنیان‌گذاران OpenAI، را نیز در جایگاه ریاست تحقیقات استخدام کرده است. همچنین «بارت زوف» (Barret Zoph)، یکی از خالقان ChatGPT، نیز در این استارتاپ حضور دارد و می‌تواند گام‌های مهمی در تحقیق‌ و توسعه هوش مصنوعی بردارد. درمجموع موراتی حدود ۱۰ محقق و مهندس نخبه را از شرکت‌های مختلف هوش مصنوعی مانند OpenAI، دیپ‌مایند گوگل و Character.AI جذب کرده است.

@Modern_Learning_for_GenZ

محققان گوگل همکار دانشمند Co-Scientist مبتنی بر هوش مصنوعی Gemini 2.0 را توسعه دادند.

۱۹ فوریه ۲۰۲۵
نوشته ماریا دویچر

گوگل امروز یک ابزار جدید هوش مصنوعی را معرفی کرد که برای کمک به محققان در مطالعه پدیده‌های علمی به شکلی کارآمدتر طراحی شده است.

این شرکت این ابزار را به عنوان یک همکار دانشمند مبتنی بر هوش مصنوعی توصیف می‌کند. این ابزار توسط Gemini 2.0، جدیدترین نسخه از خانواده مدل‌های زبانی بزرگ پرچمدار گوگل، قدرت گرفته است. مدل‌های LLM در این مجموعه می‌توانند داده‌های چندوجهی را پردازش کنند و دارای قابلیت استفاده از ابزار هستند که به آنها اجازه می‌دهد اقداماتی را در سیستم‌های خارجی مانند پایگاه‌های داده انجام دهند.

محققان از طریق یک رابط چت‌بات با همکار دانشمند هوش مصنوعی گوگل تعامل می‌کنند. کاربر هدفی را مشخص می‌کند، مانند یافتن کاربردهای بالینی جدید برای یک داروی موجود، و این ابزار راه‌های احتمالی برای تحقق آن هدف را پیشنهاد می‌دهد. این نرم‌افزار یک طرح تحقیقاتی چند پاراگرافی تولید می‌کند و مقالات علمی با داده‌های مرتبط با پروژه را پیدا می‌کند.

کاربران می‌توانند خروجی همکار دانشمند را به روش‌های مختلف سفارشی کنند. به جای ارائه صرف یک هدف تحقیقاتی، یک دانشمند می‌تواند پیشنهادی برای رسیدن به آن هدف وارد کند و از هوش مصنوعی بخواهد ایده را بررسی کند. علاوه بر این، کاربران می‌توانند بازخوردی درباره پاسخ اولیه همکار دانشمند ارائه دهند تا به بهبود آن کمک کنند.

جوراج گوتویس و ویوک ناتاراجان، محققان گوگل در یک پست وبلاگی نوشتند:

"فراتر از ابزارهای استاندارد مرور ادبیات، خلاصه‌سازی و 'تحقیق عمیق'، سیستم همکار دانشمند هوش مصنوعی برای کشف دانش جدید و اصلی و فرمول‌بندی فرضیه‌ها و پیشنهادات تحقیقاتی نوآورانه قابل اثبات طراحی شده است."

در پشت صحنه، همکار دانشمند هوش مصنوعی توسط بیش از نیم دوجین عامل هوش مصنوعی قدرت می‌گیرد. اینها برنامه‌های یادگیری ماشینی هستند که می‌توانند با درجه بالایی از خودمختاری اقداماتی را انجام دهند. هر کدام زیرمجموعه متفاوتی از وظایف مربوط به تولید یک طرح تحقیقاتی را انجام می‌دهند.

■ عامل اول: Generation Agent
اولین عامل که Generation نام دارد، پدیده علمی که کاربر می‌خواهد مطالعه کند را تحلیل می‌کند و چندین فرضیه که سعی در توضیح آن دارند تولید می‌کند.

■ عامل دوم: Ranking Agent
یک عامل دوم به نام Ranking سپس این فرضیه‌ها را با کمک چند عامل هوش مصنوعی کمکی پالایش می‌کند.

■ عامل سوم: Proximity Agent
یکی از عامل‌های کمکی، Proximity، ایده‌های تحقیقاتی تکراری را حذف می‌کند.

■ عامل چهارم: Review Agent
عامل دیگر پیشنهادات تحقیقاتی باقیمانده را با کمک داده‌های علمی عمومی در دسترس بررسی می‌کند.

■ عامل پنجم: Evolution Agent
همچنین یک عامل به نام Evolution وجود دارد که می‌تواند خروجی همکار دانشمند هوش مصنوعی را برای درک آسان‌تر ساده‌سازی کند.

این سیستم از رویکردی به نام محاسبات زمان آزمایش برای تولید فرضیه‌ها استفاده می‌کند. این تکنیک امکان افزایش کیفیت خروجی یک مدل هوش مصنوعی را با افزایش زمان و زیرساختی که برای تولید پاسخ‌های فوری سرمایه‌گذاری می‌کند، فراهم می‌سازد.

علاوه بر مجموعه مدل‌های LLM Gemini 2.0 که همکار دانشمند بر آن مبتنی است، محاسبات زمان آزمایش توسط چندین مدل رقیب، از جمله o1 از OpenAI نیز پشتیبانی می‌شود.

■ عامل ششم: ناظر هماهنگ‌کننده Supervisor Agent
عامل‌هایی که Co-Scientist برای انجام تحقیق استفاده می‌کند توسط یک عامل ناظر هماهنگ می‌شوند. طبق گفته گوگل، یکی از مسئولیت‌های آن جمع‌آوری آمار درباره محاسبات مربوط به پردازش درخواست کاربر است. این آمار به همکار دانشمند کمک می‌کند تا تعیین کند چه زمانی باید پردازش را پایان دهد و پاسخ درخواست را نمایش دهد.

برای آزمایش قابلیت‌های همکار دانشمند، گوگل از گروهی از دانشمندان خواست تا ۱۵ هدف تحقیقاتی را به سیستم ارائه دهند. شرکت‌کنندگان تشخیص دادند که پاسخ‌های هوش مصنوعی "پتانسیل بیشتری برای نوآوری و تأثیرگذاری" نسبت به خروجی مدل‌های رقیب دارند.

گوگل همچنین در حال به‌کارگیری مدل‌های Gemini خود برای سایر وظایف پیچیده و تخصصی حوزه‌ای است. در ماه مه گذشته، این غول جستجو Med-Gemini را معرفی کرد، نسخه‌ای از مجموعه LLM که روی داده‌های مراقبت‌های بهداشتی تنظیم شده است. مدل‌های این مجموعه می‌توانند عکس‌های اشعه ایکس را تحلیل کنند و با استفاده از اطلاعات مقالات علمی به سؤالات بالینی پاسخ دهند.

@Modern_Learning_for_GenZ

ایلان ماسک از Grok 3، هوشمندترین هوش مصنوعی، رونمایی کرد.

همان‌طور که ایلان ماسک پیش‌تر خبر معرفی گراک 3 را داده بود، استارتاپ هوش مصنوعی xAI در یک پخش زنده که خود ماسک نیز در آن حضور داشت، از Grok 3 با قابلیت استدلال پرده برداشت.

در این پخش زنده اعلام شد که مدل هوش مصنوعی گراک 3 با 10 برابر داده بیشتر از گراک 2 آموزش داده شده است. طبق بنچمارک‌های ریاضیات، علوم تجربی و کدنویسی، این مدل جدید از GPT-4o و جمینای 2 پرو بهتر عمل کرده است. xAI همچنین از مدل گراک 3 مینی پرده برداشته که عملکردی برابر یا بهتر از مدل‌های رقیب دارد.

مدل استدلال‌گر Grok 3 هنوز در مرحله بتاست و آموزش آن ادامه دارد. این مدل هم دارای یک نسخه مینی است که در بنچمارک‌های ریاضیات، علوم تجربی و کدنویسی با رقبا مقایسه شده است.

کاربران برای استفاده از مدل‌های استدلال‌گر گراک 3 می‌توانند از اپ Grok استفاده کنند و از هوش مصنوعی بخواهند درباره مسائل مختلف «فکر» کند. همچنین برای مسائل پیچیده‌تر می‌توان از حالت Big Brain استفاده کرد که از استدلال بالاتری برای پاسخگویی به سؤالات بهره می‌گیرد.

مدل هوش مصنوعی گراک 3 دارای قابلیتی موسوم به DeepSearch است که مشابه قابلیت DeepResearch در ChatGPT است. این قابلیت برای پاسخگویی به سؤالات کاربران در وب و شبکه اجتماعی ایکس جستجو می‌کند تا بهترین اطلاعات را به‌دست بیاورد.

یکی از نسخه‌های اولیه Grok 3 با اسم رمز chocolate به‌صورت ناشناس در تست‌های Arena شرکت کرده و جایگاه اول را به‌دست آورده است. این مدل ظاهراً اولین مدلی است که امتیاز بیشتر از 1400 را کسب کرده است.

مدل Grok 3 با 100 هزار کارت گرافیک H100 انویدیا آموزش داده شده و از داده‌های مصنوعی استفاده کرده است. این مدل با تصحیح خودش توسعه پیدا کرده تا کمتر درگیر مشکل هذیان و ارائه اطلاعات غلط باشد، و همچنان از یادگیری تقویتی برای بهبود عملکردش بهره می‌برد.

گراک 3 از امروز به‌صورت Early Access برای مشترکان پولی سرویس پریمیوم پلاس ایکس در دسترس قرار می‌گیرد. البته قابلیت‌های پیشرفته آن در اشتراک جدید SuperGrok عرضه خواهد شد که برای طرفداران سرسخت گراک معرفی شده است؛ این اشتراک دسترسی به Grok 3، قابلیت‌های DeepSearch و Think و محدودیت کمتر برای تولید تصویر را به همراه می‌آورد. هزینه ماهانه این اشتراک 30 دلار و هزینه سالانه آن 300 دلار در نظر گرفته شده است.

در پایان این پخش زنده، ماسک تأیید کرد که مدل‌های قدیمی هوش مصنوعی xAI پس از عرضه کامل مدل‌های جدید متن‌باز می‌شوند. این یعنی مدل Grok 2 زمانی متن‌باز خواهد شد که فرایند توسعه Grok 3 به پایان برسد. پیش‌بینی می‌شود که این روند چند ماهی طول بکشد.

@Modern_Learning_for_GenZ

شرکت OpenAI با معرفی ایجنت Operator گامی مهم در جهت انجام امور روزمره کاربران توسط هوش مصنوعی برداشت.

هم‌اکنون Operator در کشورهای بیشتری علاوه بر آمریکا در دسترس می‌باشد.

■ خلاصه گزارش:
ایجنت Operator یک پیش‌نمایش تحقیقاتی از یک عامل هوش مصنوعی است که می‌تواند با استفاده از مرورگر خود برای شما وظایف روزانه متنوعی را انجام دهد.

■ نکات کلیدی:

- اپراتور می‌تواند به وب برود و با رابط کاربری تعامل کند (تایپ، کلیک و اسکرول)
- در حال حاضر فقط برای کاربران Pro در آمریکا و برخی کشورهای دیگر در دسترس است.
- توسط مدل جدید Computer-Using Agent (CUA) که ترکیبی از GPT-4o و یادگیری تقویتی است، قدرت گرفته است.
- می‌تواند وظایف مختلفی مانند پر کردن فرم‌ها، سفارش خواربار و ساخت میم انجام دهد.

■ این ایجنت دارای سه لایه ایمنی برای جلوگیری از سوء استفاده است:

۱. کنترل کاربر در نقاط حساس
۲. مدیریت حریم خصوصی داده‌ها
۳. دفاع در برابر وب‌سایت‌های مخرب

■ محدودیت‌ها:

- هنوز در مراحل اولیه است و ممکن است اشتباه کند.
- در رابط‌های پیچیده مانند ساخت اسلایدشو یا مدیریت تقویم با چالش مواجه می‌شود.


■ برنامه‌های آینده:

- ارائه CUA در API برای توسعه‌دهندگان
- بهبود توانایی‌ها
- گسترش دسترسی به سایر سطوح کاربری
- ادغام با ChatGPT در آینده

ویدئوی نحوه کار کردن Operator توسط یکی از متخصصین OpenAI
در این ویدئو کاربر با استفاده از ایجنت Operator دستور جستجوی و سفارش یک غذا از رستوران را به ایجنت می‌دهد و Operator مثل یک منشی هوشمند تمامی کارها را خود به صورت خودکار انجام می‌دهد.

https://openai.com/index/introducing-operator/

https://openai.com/index/introducing-operator/?video=1049531514

چرا هوش مصنوعی DEEPSEEK اینقدر مهم است و در صدر اخبار قرار گرفته است.

برای ارائه پیش‌زمینه باید بدانید که شرکت DeepSeek یک استارت‌آپ چینی در حوزه هوش مصنوعی است که به طور ناگهانی ظهور کرده است. این شرکت با ChatGPT رقابت می‌کند و هزینه توسعه آن کمتر از ۱۰ میلیون دلار بوده است. DeepSeek از تراشه‌هایی توسعه یافته که به مراتب ضعیف‌تر از تراشه‌های مورد استفاده شرکت‌های آمریکایی هستند استفاده می‌کند.

کاربران تست‌های مختلفی را بین DeepSeek و ChatGPT انجام داده‌اند و در بسیاری از دسته‌بندی‌ها، DeepSeek عملکرد بهتری نسبت به ChatGPT نشان داده است. این موضوع برای محصولی که در عرض چند ماه توسعه یافته، بسیار شگفت‌انگیز است.

سؤال اصلی اینجاست: آیا فناوری‌های بزرگ در آمریکا در حال از دست دادن سلطه خود هستند؟

برای درک بهتر، OpenAI، شرکت مادر چت جی پی تی، ۱۷.۹ میلیارد دلار سرمایه در ۱۰ دور سرمایه‌گذاری جذب کرده و ارزش آن در اکتبر ۲۰۲۴ حدود ۱۵۷ میلیارد دلار بوده است. OpenAI تقریباً ۲۲ برابر بیشتر از DeepSeek کارمند دارد. این موضوع باعث شگفتی بازارها شده است.

حالا DeepSeek در معیارهای MATH-500، AIME و GPQA عملکرد برتری دارد. ولی ChatGPT هنوز در تست‌های کدنویسی بهتر عمل می‌کند، اما فاصله آن با DeepSeek در حال کاهش است. سرعت توسعه DeepSeek نشان می‌دهد که سلطه آمریکا در حوزه هوش مصنوعی در خطر است.

علاوه بر این، DeepSeek به عنوان پردانلودترین اپلیکیشن رایگان در اپ استور شناخته شده است. کاربران گزارش می‌دهند که تجربه استفاده از API آن کاربرپسند است، محدودیت‌های نرخ استفاده مشکلی ایجاد نمی‌کند و احتمالاً در هوش مصنوعی عامل‌محور (Agentic AI) ادغام خواهد شد. هوش مصنوعی عامل‌محور چیزی است که Nvidia آن را به عنوان تحول بزرگ بعدی معرفی کرده است.

موضوع جالب‌تر این است که DeepSeek تقریباً ۹۶ درصد ارزان‌تر از ChatGPT است. همچنین DeepSeek R1 کاملاً متن‌باز است و هزینه آن کسری از ChatGPT است. بدون شک، سرمایه‌گذاران در فناوری‌های بزرگ آمریکا نگران هستند. سهام‌های Magnificent 7 (هفت شرکت بزرگ فناوری) حدود ۲ انحراف معیار بالاتر از سطح سال ۲۰۰۱ در مقایسه با سهام جهانی معامله می‌شوند. بخش عمده‌ای از رشد بازار در دو سال گذشته بر اساس برآورد فروش سخت‌افزار و نرم‌افزار هوش مصنوعی بوده است.

علاوه بر تهدید سلطه فناوری آمریکا، شاهد تشدید جنگ‌های تجاری با تعرفه‌های جدید هستیم. این موضوع پس از آن رخ داده که رئیس جمهور ترامپ پروژه Stargate را اعلام کرد، یک سرمایه‌گذاری ۵۰۰ میلیارد دلاری در حوزه هوش مصنوعی در آمریکا.

اگر DeepSeek بتواند هوش مصنوعی را با کمتر از ۱ درصد این هزینه توسعه دهد، آیا واقعاً به ۵۰۰ میلیارد دلار سرمایه‌گذاری نیاز است؟

@Modern_Learning_for_GenZ

آنتروپیک اولین مدل استدلالگر هیبریدی جهان را معرفی کرد: Claude 3.7 Sonnet

شرکت هوش مصنوعی آنتروپیک به‌تازگی از مدل Claude 3.7 Sonnet و ابزار کدنویسی جدیدی رونمایی کرد. مدل جدید اولین «مدل استدلالگر ترکیبی» است که می‌تواند بهتر از مدل‌های قبلی مسائل پیچیده‌تر در زمینه‌هایی مانند ریاضی و کدنویسی را حل کند.
براساس اعلام آنتروپیک، Claude 3.7 Sonnet هوشمندترین مدل این شرکت و اولین مدل استدلالگر ترکیبی یا هیبریدی جهان است. کلود 3.7 سانت می‌تواند پاسخ‌های تقریباً فوری یا با تفکر گام‌به‌گام ارائه دهد که برای کاربر قابل‌مشاهده باشد. توسعه‌دهندگان در API نیز می‌توانند روی مدتی که مدل می‌تواند فکر کند، کنترل داشته باشند. قیمت API کلود 3.7 Sonnet مشابه مدل‌های قبلی است: 3 دلار به‌ازای هر میلیون توکن ورودی و 15 دلار در هر میلیون توکن خروجی.

درحالی‌که OpenAI و شرکت‌های دیگر مدل‌های استدلالگر جداگانه‌ای ارائه می‌کنند، آنتروپیک می‌گوید می‌خواهد تجربه استفاده از این مدل‌ها را ساده‌تر کند. این شرکت می‌گوید: «اساساً معتقدیم استدلال ویژگی هوش مصنوعی است نه چیزی کاملاً مجزا.» برای مثال این هوش مصنوعی ترکیبی در پاسخ به سؤالی
مانند «ساعت چند است» دیگر به اندازه پاسخ‌دادن به سؤالات پیچیده‌تر زمان نمی‌گذارد.

هوش مصنوعی کلود مانند سایر مدل‌ها هنوز امکان جستجوی وب را ندارد اما تاریخ آپدیت اطلاعات آن در مدل 3.7 برابر اکتبر 2024 قید شده که نسبت به سایر مدل‌ها تاریخ به‌روزتری است.

علاوه‌بر این مدل جدید، آنتروپیک از ابزار کدنویسی «عاملی» (Agentic) خود به نام Claude Code رونمایی کرد. البته آنترویپک Anthropic درحال‌حاضر ابزارهای کدنویسی هوش مصنوعی مانند Cursor را هم دارد اما Claude Code همکاری مجازی است که می‌تواند کد را برای شما جستجو کند و بخواند، فایل‌ها را ویرایش کند یا کد را به GitHub بفرستد.

@Modern_Learning_for_GenZ

اجاره مغز انسان - هوش ارگانوئیدی 😳

@Modern_Learning_for_GenZ

سهم شبکه‌های اجتماعی در ایران

@Modern_Learning_for_GenZ

یک توئیت بسیار مهم:

@Modern_Learning_for_GenZ

در این تصویر، یک توییت از حساب کاربری با نام @TaviCosta (اوتاویو "تاوی" کاستا) نشان داده شده است که درباره روند بازارهای مالی جهانی صحبت می‌کند.

توییت می‌گوید: "دلار پایین‌تر، دارایی‌های سخت بالاتر. ما در یک نقطه عطف کلیدی در تاریخ قرار داریم و یک توازن مجدد جهانی در حال وقوع است، به نظر من."

نمودار همراه توییت، نسبت کالاها به سهام را در مقابل شاخص دلار آمریکا از سال 1975 تا 2025 نشان می‌دهد. نمودار آبی نشانگر شاخص دلار آمریکا است، در حالی که خط سفید نسبت کالاها به سهام را نشان می‌دهد.

در نمودار چند دوره مهم مشخص شده است:

- دوره "Plaza Accord" (توافق پلازا) در اوایل دهه 1980 که در آن دلار به اوج رسید
- دوره "Commodities Bottom" (کف قیمت کالاها) در اواسط دهه 1980
- دو دوره "Tech Bubble" (حباب فناوری) در اواخر دهه 1990 و "Tech Bubble 2.0" در اوایل دهه 2020
- چندین "Commodities Bottom" دیگر در طول زمان

آنچه تاوی کاستا استدلال می‌کند این است که:

ما در حال ورود به یک دوره جدید هستیم که در آن "ارزش دلار آمریکا" کاهش می‌یابد و ارزش "دارایی‌های سخت" (احتمالاً کالاها، طلا، نقره و شاید دارایی‌های واقعی مانند املاک) افزایش می‌یابند. او این را یک "توازن مجدد جهانی" می‌نامد که نشان می‌دهد ممکن است تغییری اساسی در نظم اقتصادی جهانی در حال وقوع باشد.

نمودار نشان می‌دهد که نسبت کالاها به سهام در سال‌های اخیر به پایین‌ترین حد خود رسیده است، که می‌تواند نشانه‌ای از ارزش‌گذاری پایین کالاها نسبت به سهام باشد و احتمالاً برگشت این روند را پیش‌بینی می‌کند.

@Modern_Learning_for_GenZ

۱. این سه دقیقه، قلاب نداره؛ طنز نداره، موسیقی ترند بازار نداره…. ظاهرا یک پیرمرد با آسم شدید دو دقیقه در مراسم تجلیل خودش صحبت کرده؛ ولی من خلاصه‌ی فرهنگ و رنج دوست داشتن ایران زمین را در این سه دقیقه برایتان درج کرده ام. مردی که یک تنه با نفس‌تنگی سال‌هاست مجله بخارا و شب‌های بخارا را تقدیم ما کرده؛ بدون هیچ پشتوانه، رانت و …

۲. سال‌ها بخارا را منتشر كرد، بدون حمايتى خاص از جايي؛ تصورش هم سخت است عشق اين مرد به ايران، ادبيات فارسى و بزرگانِ ادبِ اين ديار، حيرت‌آور است.

۳. از سعيد ديده‌بان ممنونیم بابت تدوين خوبش.

@Modern_Learning_for_GenZ

اولین مقاله علمی، که با دانشمند هوش مصنوعی تولید شده بود، در کنفرانس ICLR در یک فرایند داوری علمی مورد پذیرش قرار گرفت.

آیا ربات‌ها جایگزین پژوهشگران دانشگاهی می‌شوند؟!

مؤسسه Autoscience از «Carl»، اولین هوش مصنوعی که مقالات علمی را با موفقیت در یک فرآیند داوری علمی منتشر کرده، رونمایی کرد.

موفقیت "Carl" در ICLR ۲۰۲۴، بحث‌های گسترده‌ای درباره نقش هوش مصنوعی در تحقیقات دانشگاهی و استانداردهای انتشار مقالات علمی به وجود آورده است.

مؤسسه تازه‌تأسیس Autoscience از "Carl" رونمایی کرده است؛ نخستین سیستم هوش مصنوعی که توانسته مقالات علمی را با موفقیت در یک فرآیند داوری دقیق و بی‌طرف مورد تائید قرار دهد. مقالات "Carl" در کنفرانس بین‌المللی یادگیری نمایش‌ها (ICLR) پذیرفته شده‌اند، آن هم با حداقل دخالت انسانی، که نشان‌دهنده آغاز عصری جدید در تحقیقات علمی مبتنی بر هوش مصنوعی است.

این مدل فراتر از یک ابزار کمکی است و به‌عنوان یک «دانشمند و پژوهشگر هوشمند و خودکار» عمل می‌کند. «Carl» از مدل‌های پردازش زبان طبیعی برای ایده‌پردازی، ایجاد فرضیه و استناد علمی دقیق استفاده می‌کند.

ویژگی‌های کلیدی آن عبارتند از:

- خواندن و درک مقالات علمی در چند ثانیه
- تولید فرضیات جدید و طراحی آزمایش‌ها
- اجرای آزمایش‌های علمی و پردازش داده‌ها
- نوشتن مقالات آکادمیک با گراف‌ها و تحلیل‌های دقیق

برتری اصلی «Carl» نسبت به پژوهشگران انسانی، سرعت فوق‌العاده بالا و کاهش هزینه‌های تحقیقاتی است، اما همچنان در بخش‌هایی به نظارت انسانی نیاز دارد.

فرآیند کار "Carl"؛ از ایده تا انتشار مقاله

مدل "Carl" در سه مرحله پژوهش خود را انجام می‌دهد:

۱. ایده‌پردازی و فرضیه‌سازی: تحلیل تحقیقات قبلی و ارائه فرضیات نوآورانه.
۲. آزمایش و تحلیل: نوشتن کد، انجام آزمایش‌ها و ارائه داده‌های تصویری.
3. انتشار نتایج: تهیه مقاله علمی با نمودارها، داده‌ها و نتیجه‌گیری‌های دقیق.

بااین‌حال، برخی مراحل هنوز به کمک انسانی نیاز دارند، از جمله:

- کنترل فرآیند پژوهش: پژوهشگران مسیر کلی را هدایت می‌کنند تا منابع پردازشی هدر نرود.
- بررسی استنادات و قالب‌بندی: اطمینان از دقت ارجاعات و هماهنگی با استانداردهای علمی.
- کمک به مدل‌های بدون API: برخی مدل‌های جدید نیاز به تعامل دستی دارند.

پذیرش مقاله در ICLR یک دستاورد بزرگ بود، اما موفقیت «Carl» بحث‌های جدی درباره نقش هوش مصنوعی در تحقیقات علمی را برانگیخته است.

- اگر تحقیق علمی استانداردها را رعایت کند، آیا مهم است که توسط یک انسان یا هوش مصنوعی تولید شده باشد؟
- چگونه باید مقالات «تماماً تولیدشده توسط هوش مصنوعی» را از مقالات انسانی متمایز کرد؟

به دلیل حساسیت این موضوع، Autoscience مقالات «Carl» را موقتاً از ICLR خارج کرد تا منتظر تدوین دستورالعمل‌های جدید برای مقالات پژوهشی تولیدشده توسط هوش مصنوعی باشد. این شرکت قصد دارد در NeurIPS ۲۰۲۵ کارگاهی را برای بررسی رسمی نقش هوش مصنوعی در پژوهش‌های علمی برگزار کند.

پ.ن.

ICRL: International Conference on Learning Representations

www.autoscience.ai

@Modern_Learning_for_GenZ

مقایسه توانمندی‌های هوش مصنوعی با انسان در زمینه اهداف یادگیری بر مبنای دسته‌بندی بلوم

طبقه‌بندی بلوم، که در سال ۱۹۵۶ توسط بنجامین بلوم معرفی شد، چارچوبی برای دسته‌بندی اهداف یادگیری در شش سطح است. در نسخه بازنگری‌شده سال ۲۰۰۱، این سطوح به‌روزرسانی شدند تا فرایندهای شناختی را بهتر منعکس کنند. در ادامه، هر سطح، تکامل آن، و چالش‌های هوش مصنوعی در ارزیابی واقعی آن شرح داده شده است:

۱. یادآوری (Knowledge/Remembering): 
 
در نسخه اولیه، "دانش" به معنای به خاطر آوردن اطلاعات بود. در نسخه جدید، "یادآوری" بر بازیابی اطلاعات از حافظه تأکید دارد (مثل نام‌ها، تاریخ‌ها، یا تعاریف). 

چالش هوش مصنوعی: هوش مصنوعی در این سطح بسیار قوی است، زیرا می‌تواند حجم عظیمی از داده‌ها را ذخیره و به‌سرعت بازیابی کند. چالش واقعی نیست، بلکه برتری هوش مصنوعی در اینجاست.

۲. درک (Comprehension/Understanding): 

از "درک" در نسخه قدیم (فهمیدن معانی) به "درک" در نسخه جدید (توضیح ایده‌ها یا مفاهیم) تکامل یافت. 

چالش هوش مصنوعی: هوش مصنوعی می‌تواند توضیحات واضحی ارائه دهد و مفاهیم را خلاصه کند، اما ممکن است در فهم عمیق زمینه‌های فرهنگی یا احساسی که انسان‌ها به طور طبیعی درک می‌کنند، محدود باشد.

۳. به‌کارگیری (Application/Applying): 

از "کاربرد" (استفاده از دانش در موقعیت‌های آشنا) به "به‌کارگیری" (حل مسائل در موقعیت‌های جدید) تغییر یافت. 

چالش هوش مصنوعی: هوش مصنوعی می‌تواند الگوها را اعمال کند و راه‌حل‌هایی پیشنهاد دهد، اما در موقعیت‌های کاملاً جدید یا غیرمنتظره که نیاز به انعطاف‌پذیری انسانی دارد، ممکن است عملکرد ضعیفی داشته باشد.

۴. تجزیه و تحلیل (Analysis/Analyzing): 

از "تجزیه و تحلیل" (شکستن اطلاعات به اجزا) به "تحلیل" (بررسی روابط بین اجزا و استنتاج) تکامل یافت. 

چالش هوش مصنوعی: هوش مصنوعی در تحلیل داده‌ها و یافتن الگوها مهارت دارد، اما درک انگیزه‌ها یا روابط پیچیده انسانی (مثل احساسات یا نیت) برایش دشوار است، زیرا به شهود وابسته است.

۵. ارزیابی (Synthesis/Evaluating): 

در نسخه قدیم، "ترکیب" (ساختن چیزی جدید از اجزا) بود، اما در نسخه جدید، "ارزیابی" (قضاوت مبتنی بر معیارها) جایگزین شد. 

چالش هوش مصنوعی: هوش مصنوعی می‌تواند بر اساس معیارهای مشخص قضاوت کند، اما قضاوت‌های اخلاقی، زیبایی‌شناختی یا خلاقانه که نیاز به تجربه زیسته دارند، برایش چالش‌برانگیز است.

۶. آفرینش (Evaluation/Creating): 

در نسخه قدیم، "ارزیابی" (قضاوت درباره ارزش) بود، اما در نسخه جدید، "آفرینش" (تولید ایده‌ها یا محصولات جدید) بالاترین سطح شد. 

چالش هوش مصنوعی: این بزرگ‌ترین چالش است. هوش مصنوعی می‌تواند محتوا تولید کند (مثل متن یا تصویر)، اما خلاقیت اصیل، نوآوری غیرمنتظره، یا آفرینش با عمق احساسی هنوز به توانایی‌های انسانی وابسته است.

نتیجه‌گیری:
 

تکامل طبقه‌بندی بلوم از یادگیری مبتنی بر حافظه به سمت مهارت‌های شناختی پیچیده‌تر، نشان‌دهنده اهمیت تفکر خلاق و انتقادی است. هوش مصنوعی امروزی در سطوح پایین‌تر (یادآوری و درک) عالی عمل می‌کند، اما در سطوح بالاتر (ارزیابی و آفرینش)، به دلیل وابستگی به زمینه، شهود، و تجربه انسانی، با محدودیت مواجه می‌شود.

@Modern_Learning_for_GenZ

نظریه کانکتیویسم Connectivism در زمینه یادگیری مدرن

کانکتیویسم یا ارتباط‌گرایی نظریه‌ای نوین در حوزه یادگیری است که توسط جورج زیمنس در سال ۲۰۰۴ مطرح شد. این نظریه را می‌توان به شکل ساده اینگونه توضیح داد:

مفهوم اصلی
کانکتیویسم یادگیری را به عنوان فرآیند ایجاد ارتباط بین گره‌های اطلاعاتی می‌بیند. در این دیدگاه، دانش در یک شبکه گسترده توزیع شده است، نه فقط در ذهن افراد.

ویژگی‌های کلیدی

■ انعطاف‌پذیری: برخلاف روش‌های سنتی که مسیری خطی و از پیش تعیین شده دارند، کانکتیویسم مسیری سیال و منعطف برای یادگیری ارائه می‌کند.

■ یادگیری شبکه‌ای: دانش در شبکه‌ای از گره‌ها (افراد، منابع، پلتفرم‌های دیجیتال) پراکنده است و یادگیرنده با اتصال به این گره‌ها یاد می‌گیرد.

■ محوریت نیاز: یادگیری بر اساس نیازها و سؤالات فعلی یادگیرنده هدایت می‌شود، نه یک برنامه درسی ثابت.

■ اهمیت اتصال: طبق گفته زیمنس، "لوله مهم‌تر از محتوای داخل لوله است" یعنی توانایی اتصال به منابع اطلاعاتی مهم‌تر از حفظ کردن خود اطلاعات است.

در عمل

در کانکتیویسم، یادگیرنده ممکن است:

- بین مفاهیم پایه و پیشرفته بر اساس نیاز خود جابجا شود.
- از منابع مختلف مانند افراد، کتاب‌ها، وب‌سایت‌ها، پایگاه‌های داده یا هوش مصنوعی بهره ببرد.
- بداند چگونه اطلاعات مورد نیاز را پیدا کند، بجای اینکه همه چیز را به خاطر بسپارد.
- شبکه‌ای شخصی از منابع یادگیری ایجاد کند که بتواند در زمان نیاز به آنها مراجعه کند.

به بیان ساده‌تر، کانکتیویسم می‌گوید:

مهم نیست همه چیز را بدانید، مهم این است که بدانید اطلاعات کجاست و چگونه به آن دسترسی پیدا کنید و آن را با دانش قبلی خود پیوند دهید.

@Modern_Learning_for_GenZ

هوش مصنوعی: تهدید یا سکوی پرتاب برای مدیران؟ 🤖🚀
📢 هوش مصنوعی در حال متحول کردن مدیریت دانش در سازمان‌هاست!

✨ فرصت‌های طلایی:
✅ دسترسی سریع و هوشمند به اطلاعات
✅ تصمیم‌گیری دقیق و داده ‌محور
✅ مدیریت خودکار دانش سازمانی
✅ افزایش بهره‌وری تیم‌ها

⚡️ چالش‌هایی که به فرصت تبدیل
می‌شوند:

🔹 نیاز به آموزش؟ یادگیری ابزارهای هوش مصنوعی سریع و ساده است.

🔹 مقاومت کارکنان؟ وقتی نتیجه را ببینند، همراه می‌شوند.

🔹 هزینه‌های اولیه؟ بهره‌وری بالاتر، سرمایه را چندین برابر برمی‌گرداند.

💡 حقیقت این است که... شرکت‌های پیشرو با AI عملکرد خود را تا ۴۰٪ بهبود داده‌اند!

🎯 هوش مصنوعی تهدید نیست، بلکه دستیار هوشمند شما برای تصمیمات بهتر است.

🚀 آینده از آنِ مدیرانی است که از AI، بهترین استفاده را می‌کنند!


#هوش_مصنوعی#مدیریت_دانش
@avidmind