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

📢 آکادمی هوش مصنوعی آوید مایند
فرصتی برای برگزاری آکادمی اختصاصی برای سازمان‌ها

آوید مایند، آکادمی هوش مصنوعی خود را در حوزه‌های متنوعی از جمله فروش، مارکتینگ، توسعه کسب و کار، پشتیبانی، منابع انسانی و ... برگزار می‌کند.

📌 این دوره‌ها به گونه‌ای طراحی شده‌اند که مدیران و کارشناسان در صنایع مختلف بتوانند با بهره‌گیری از دانش و ابزارهای پیشرفته هوش مصنوعی، مهارت‌های خود را ارتقا داده و به بهبود عملکرد سازمانی خود بپردازند.

💡با شرکت در این دوره‌ها، فرصت‌های جدیدی برای نوآوری و رشد در دنیای دیجیتال پیش روی شما خواهد بود.

جهت ثبت درخواست برگزاری آکادمی برای سازمان خود به آیدی زیر پیام دهید:
@Hassan_Masdar

#هوش_مصنوعی #آکادمی
‌
@avidmind

مدیرعامل انتروپیک:

هوش مصنوعی تا یک سال دیگر کاملاً جایگزین برنامه‌نویسان می‌شود.

«دارو آمودی»، مدیرعامل شرکت انتروپیک (Anthropic) و خالق چت‌بات Claude، پیش‌بینی جسورانه‌ای درباره آینده دنیای مهندسی ارائه کرده است. او معتقد است که:

هوش مصنوعی تا ۶ ماه آینده قادر خواهد بود ۹۰ درصد از تمام کدهای برنامه‌نویسی را بنویسد و تا یک سال آینده ۱۰۰ درصد کدها توسط این فناوری نوشته خواهد شد.

آمودی با اشاره به پیشرفت سریع ابزارهایی مانند GitHub Copilot و Claude Code (محصول خود شرکت Anthropic)، ادعا کرده که:

این فناوری‌ها به سرعت در حال پیشرفت هستند و به زودی قادر خواهند بود تا ۱۰۰ درصد کدنویسی را انجام دهند.

@Modern_Learning_for_GenZ

چینی‌های با ارائه اولین عامل خودمختار هوش مصنوعی توسط کمپانی MANUS تحول عظیم و زلزله دیگری در اکوسیستم AI به راه انداخته‌اند.

مهمترین تفاوت Manus AI در خودمختاری آن است. برخلاف مدل‌های قبلی که واکنشی عمل می‌کنند و به دستورات مداوم نیاز دارند، Manus می‌تواند به طور مستقل برنامه‌ریزی، اجرا و اصلاح وظایف را انجام دهد.

این تحول پایه‌ای دارای چند بُعد کلیدی است:

۱. تغییر پارادایم از واکنشی به فعال: Manus فراتر از پاسخ به پرامپت‌ها می‌رود و می‌تواند مجموعه‌ای از اقدامات را برنامه‌ریزی کند، محیط خود را بررسی کند و تصمیم‌گیری کند.

۲. دموکراتیزه کردن اتوماسیون هوشمند: مشابه آنچه DeepSeek در حوزه استدلال انجام داد، Manus نشان می‌دهد که عامل‌های خودمختار می‌توانند بدون نیاز به زیرساخت عظیم یا هزینه‌های نجومی ساخته شوند.

۳. رویکرد ماژولار: به جای ساخت یک مدل واحد عظیم، Manus از ترکیب چندین مدل (Claude Sonnet، Qwen و غیره) استفاده می‌کند که می‌تواند الگویی برای توسعه آینده باشد.

@Modern_Learning_for_GenZ

چینی‌های با ارائه اولین عامل خودمختار هوش مصنوعی توسط کمپانی MANUS تحول عظیم و زلزله دیگری در اکوسیستم AI به راه انداخته‌اند.
(بررسی کلی MANUS)

مهمترین تفاوت Manus AI در خودمختاری آن است. برخلاف مدل‌های قبلی که واکنشی عمل می‌کنند و به دستورات مداوم نیاز دارند، Manus می‌تواند به طور مستقل برنامه‌ریزی، اجرا و اصلاح وظایف را انجام دهد.

این تحول پایه‌ای دارای چند بُعد کلیدی است:

۱. تغییر پارادایم از واکنشی به فعال: Manus فراتر از پاسخ به پرامپت‌ها می‌رود و می‌تواند مجموعه‌ای از اقدامات را برنامه‌ریزی کند، محیط خود را بررسی کند و تصمیم‌گیری کند.

۲. دموکراتیزه کردن اتوماسیون هوشمند: مشابه آنچه DeepSeek در حوزه استدلال انجام داد، Manus نشان می‌دهد که عامل‌های خودمختار می‌توانند بدون نیاز به زیرساخت عظیم یا هزینه‌های نجومی ساخته شوند.

۳. رویکرد ماژولار: به جای ساخت یک مدل واحد عظیم، Manus از ترکیب چندین مدل (Claude Sonnet، Qwen و غیره) استفاده می‌کند که می‌تواند الگویی برای توسعه آینده باشد.

درباره آینده هوش مصنوعی با توجه به ظهور هوش مصنوعی خودمختار شبیه MANUS، می‌توان به موارد زیر اشاره داشت:

۱. حرکت به سمت عاملیت واقعی: سیستم‌های هوش مصنوعی به تدریج از ابزارهای پاسخگو به دستیارهای واقعاً خودمختار تبدیل می‌شوند.

۲. چالش اقتصاد فعلی هوش مصنوعی: Manus مدل "اشتراک گران‌قیمت" را به چالش می‌کشد که شرکت‌هایی مانند OpenAI برای خدمات پیشرفته در نظر دارند.

۳. نگرانی‌های فزاینده امنیتی: با افزایش قدرت این عامل‌ها، مسائل امنیتی و کنترل آنها پیچیده‌تر می‌شود.

البته این فناوری هنوز در مراحل اولیه است و شکاف‌های قابل توجهی دارد. گزارش‌های مربوط به خطاهای حلقه‌ای و مشکلات اجرایی نشان می‌دهد که راه طولانی تا عاملیت کامل و قابل اعتماد وجود دارد.

در نهایت، Manus بیشتر نشان‌دهنده یک نقطه عطف مفهومی است - اثبات اینکه رویکرد خودمختار می‌تواند کار کند - تا یک محصول کاملاً تکامل‌یافته. درست مانند DeepSeek که مفهوم مدل‌های استدلالی ارزان‌تر را اثبات کرد، ارزش واقعی Manus ممکن است در الهام‌بخشی به نسل بعدی سیستم‌های خودمختار باشد.

@Modern_Learning_for_GenZ

ویژگی‌ها، معماری، دسترسی، مشکلات اولیه Manus AI و بیشتر

(بخش اول)

درباره Manus AI، یک عامل هوش مصنوعی که عملکرد بهتری نسبت به Deep Research اوپن‌ای‌آی دارد و قول می‌دهد لحظه‌ای مشابه "DeepSeek" باشد، بیاموزید.

۱۰ مارس ۲۰۲۵ · مدت مطالعه ۸ دقیقه

هوش مصنوعی Manus AI چین، که توسط استارتاپ Monica توسعه یافته، به عنوان یکی از اولین عامل‌های هوش مصنوعی کاملاً خودمختار - هوش مصنوعی که فقط به دستورالعمل‌ها پاسخ نمی‌دهد بلکه به طور مستقل وظایف را برنامه‌ریزی و اجرا می‌کند - موجی ایجاد کرده است.

از زمان راه‌اندازی در ۶ مارس ۲۰۲۵، Manus هم هیجان و هم تردید ایجاد کرده است. در حالی که برخی آن را دومین "لحظه DeepSeek" چین می‌نامند، دیگران در مورد اینکه آیا واقعاً به ادعاهای خود عمل می‌کند، سؤال دارند و به گزارش‌های اولیه از اشکالات، خطاهای تکراری و ناهماهنگی‌های عملکرد اشاره می‌کنند.

در این مقاله، توضیح خواهیم داد که Manus AI چیست، چگونه کار می‌کند، واقعاً چه کاری می‌تواند انجام دهد و آیا نشان‌دهنده یک پیشرفت است یا فقط یک آزمایش هوش مصنوعی با تبلیغات بیش از حد.

■ عامل Manus AI چیست؟

عامل Manus AI یک عامل هوش مصنوعی خودمختار است که می‌تواند وظایف چند مرحله‌ای را با حداقل ورودی انسان انجام دهد. به جای انتظار برای درخواست‌های مداوم کاربر و پاسخ واکنشی، Manus می‌تواند وظایف را به طور مستقل برنامه‌ریزی، اجرا و اصلاح کند.

ایده پشت Manus این است که فراتر از هوش مصنوعی پایه مبتنی بر چت‌بات برود و سیستمی ایجاد کند که بتواند به عنوان یک دستیار دیجیتال واقعی عمل کند که قادر به تصمیم‌گیری آگاهانه باشد.

به عنوان مثال، می‌تواند با یک پرامپت شروع کند و بدون نیاز به پرامپت‌های اضافی، یک داشبورد تولید کند.

توجه کنید که Manus داشبورد را می‌توان در یک URL عمومی دائمی منتشر کرد که می‌توانید از اینجا به آن دسترسی پیدا کنید.

خواه تحلیل تراکنش‌های مالی، غربالگری متقاضیان شغل یا جستجوی املاک اجاره‌ای، Manus برای پردازش مقادیر زیادی از اطلاعات، مقایسه گزینه‌ها و ارائه راه‌حل‌های ساختاریافته و بهینه طراحی شده است.

■ عامل هوش‌مصنوعی Manus AI چگونه کار می‌کند؟

عامل Manus AI به عنوان یک عامل هوش مصنوعی خودمختار با توانایی انجام موارد زیر عمل می‌کند:

-بازیابی اطلاعات و بررسی حقایق با استفاده از منابع آنلاین
- پردازش و تجسم داده‌ها، شامل تحلیل ساختارمند و داشبوردهای تعاملی
- اجرای کد و اتوماسیون، که به آن اجازه می‌دهد اسکریپت‌ها را بنویسد، آزمایش کند و مستقر کند.
- اتوماسیون وب، که تعامل با برنامه‌های کاربردی وب، پر کردن فرم‌ها و استخراج داده‌ها را امکان‌پذیر می‌سازد.

■ حال بیایید با جزئیات بیشتر توضیح دهیم که Manus AI چگونه کار می‌کند.

سیستم چند عامله و اجرای وظیفه
بر اساس کشفیات اولیه توسط Jian Liao، Manus AI از طریق یک حلقه عامل ساختاریافته عمل می‌کند، که وظایف را به صورت تکراری و مرحله به مرحله پردازش می‌کند. هر جلسه این فرآیند را دنبال می‌کند:

۱. تحلیل رویدادها: درک درخواست‌های کاربر و وضعیت فعلی وظیفه.
۲. انتخاب ابزارها: انتخاب ابزار یا فراخوانی API مناسب برای مرحله بعدی.
۳. اجرای دستورات: اجرای اسکریپت‌های شل، اتوماسیون وب یا پردازش داده در یک محیط sandbox لینوکس.
۴. تکرار: اصلاح اقدامات خود بر اساس داده‌های جدید، تکرار چرخه تا زمانی که وظیفه تکمیل شود.
۵. ارسال نتایج: ارسال خروجی‌های ساختاریافته به کاربر در قالب پیام‌ها، گزارش‌ها یا برنامه‌های مستقر شده.
۶. حالت آماده‌باش: ورود به حالت بیکار تا زمانی که ورودی بیشتر کاربر لازم باشد.

■ ویژگی‌های معماری اصلی

ویژگی‌های معماری اصلی Manus AI به آن امکان می‌دهد مانند یک انسان با کامپیوتر تعامل داشته باشد، اما در یک محیط کنترل شده. این ویژگی‌ها شامل:

- محیط sandbox لینوکس: Manus در یک فضای اجرایی کنترل شده عمل می‌کند، جایی که می‌تواند نرم‌افزار نصب کند، اسکریپت‌ها را اجرا کند و فایل‌ها را دستکاری کند.

- اجرای شل و خط فرمان: هوش مصنوعی می‌تواند دستورات شل را اجرا کند، فرآیندها را مدیریت کند و وظایف سیستم را خودکار کند.

- کنترل یکپارچه مرورگر وب: Manus می‌تواند در وب‌سایت‌ها پیمایش کند، داده‌ها را استخراج کند، با عناصر وب تعامل داشته باشد و حتی جاوااسکریپت را در کنسول مرورگر اجرا کند.

- مدیریت سیستم فایل: می‌تواند فایل‌ها را بخواند، بنویسد و سازماندهی کند، که آن را برای مدیریت گردش کارهای مبتنی بر اسناد مفید می‌سازد.

- قابلیت‌های استقرار: Manus می‌تواند برنامه‌ها را مستقر کند، از جمله راه‌اندازی وب‌سایت‌ها و میزبانی سرویس‌ها در URLهای عمومی.

@Modern_Learning_for_GenZ

ویژگی‌ها، معماری، دسترسی، مشکلات اولیه Manus AI و بیشتر
(بخش دوم)

■ امنیت و محدودیت‌ها

هر جلسه Manus AI به صورت جداگانه عمل می‌کند، که از دسترسی کاربران به محیط‌های اجرایی یکدیگر جلوگیری می‌کند. علاوه بر این، ابزارها و دستورات در sandbox قرار دارند، که خطر دسترسی غیرمجاز به سیستم را کاهش می‌دهد. Manus AI همچنین از ایجاد حساب‌های کاربری یا دور زدن اقدامات امنیتی بدون مجوز صریح محدود شده است.

با وجود خودمختاری، Manus AI همچنان به دلیل پنجره زمینه محدود خود، محدودیت‌هایی در مقدار داده‌هایی که می‌تواند یکباره پردازش کند، دارد.

■ معیارهای سنجش Manus AI

اگرچه هنوز داده‌های گسترده معیار سنجش نداریم، Manus AI با استفاده از معیار GAIA، یک آزمون طراحی شده برای اندازه‌گیری چگونگی مدیریت عامل‌های هوش مصنوعی در وظایف حل مسئله دنیای واقعی، ارزیابی شد. برای اطمینان از نتایج تکرارپذیر، Manus با استفاده از همان پیکربندی نسخه تولیدی خود ارزیابی شد.

نتایج نشان می‌دهد که Manus به طور قابل توجهی بهتر از مدل‌های قبلی پیشرفته (SOTA)، از جمله سیستم Deep Research اوپن‌ای‌آی عمل می‌کند:

این معیار عامل‌های هوش مصنوعی را در سه سطح دشواری ارزیابی می‌کند:

- سطح ۱ (وظایف پایه): Manus AI امتیاز ۸۶.۵٪ کسب کرد، بسیار بالاتر از Deep Research اوپن‌ای‌آی با ۷۴.۳٪، و بسیار بالاتر از SOTA قبلی با ۶۷.۹٪.

- سطح ۲ (وظایف متوسط): Manus عملکرد قوی خود را با ۷۰.۱٪ حفظ کرد، به طور جزئی از Deep Research اوپن‌ای‌آی (۶۹.۱٪) پیشی گرفت و نسبت به SOTA قبلی (۶۷.۴٪) بهبود یافت.

- سطح ۳ (وظایف پیچیده): Manus همچنین در این دسته پیشتاز است، با امتیاز ۵۷.۷٪، در مقایسه با ۴۷.۶٪ برای اوپن‌ای‌آی و ۴۲.۳٪ برای بهترین مدل قبلی.

این واقعیت که Manus AI در تمام سطوح دشواری پیشتاز است، نشان می‌دهد که ممکن است یکی از قابل‌ترین عامل‌های هوش مصنوعی خودمختار موجود باشد. با این حال، کاهش امتیازات در سطوح دشواری بالاتر نشان می‌دهد که حتی بهترین مدل‌های هوش مصنوعی هنوز با وظایف پیچیده چند مرحله‌ای استدلالی مشکل دارند.

اگرچه این معیارها تأثیرگذار هستند، عملکرد دنیای واقعی اغلب با آزمایش کنترل شده متفاوت است. قابلیت استفاده واقعی Manus AI به این بستگی دارد که چقدر خوب با وظایف غیرقابل پیش‌بینی کنار می‌آید و آیا خودمختاری آن منجر به بهبود عملی در گردش کارهای کاربر می‌شود.

■ چگونه به Manus AI دسترسی پیدا کنیم؟

دسترسی به Manus AI در حال حاضر به یک مرحله بتا و فقط با دعوت‌نامه محدود است.

■ آیا Manus AI یک "لحظه DeepSeek" است؟

عامل Manus AI می‌تواند یک "لحظه مانند لحظه DeepSeek" برای هوش مصنوعی باشد، DeepSeek-R1 منظر را تغییر نداد چون ما همه ناگهان تغییر کردیم. در واقع، بسیاری از ما در چند روز اول آن را امتحان کردیم و حتی نمی‌توانستیم از آن استفاده کنیم زیرا سرورهای آنها نمی‌توانستند بار را تحمل کنند و آنها هنوز هم امروز با این مشکل مواجه هستند. اما DeepSeek یک نقطه عطف بود زیرا سه چیز را ثابت کرد:

۱. ما می‌توانیم مدل‌های استدلالی قوی را با کسری از هزینه‌ای که فکر می‌کردیم لازم است، بسازیم.
۲. تراشه‌های پیشرفته هوش مصنوعی ممکن است به اندازه‌ای که تصور می‌کردیم حیاتی نباشند.
۳. هوش مصنوعی منبع باز دیگر عقب‌تر نیست. همتراز یا حتی برتر از مدل‌های اختصاصی بسته است.

من Manus AI را به عنوان یک لحظه DeepSeek بالقوه برای هوش مصنوعی عاملی به جای استدلال می‌بینم. این فرض را به چالش می‌کشد که عامل‌های هوش مصنوعی قدرتمند نیاز به زیرساخت‌های عظیم، اکوسیستم‌های بسته و هزینه‌های بالا دارند.

بر اساس کشفیات اولیه توسط Jian Liao، Manus با ترکیبی از Claude Sonnet، تنظیم‌های دقیق Qwen و عامل‌های هوش مصنوعی ماژولار کار می‌کند، و نشان می‌دهد که می‌توانید یک سیستم خودمختار بسیار قابل را بدون آموزش یک مدل اختصاصی عظیم از ابتدا بسازید.

این انتشار همچنین در زمان بسیار جالبی می‌آید، درست زمانی که شایعاتی مبنی بر این که اوپن‌ای‌آی قصد دارد سه عامل هوش مصنوعی پیشرفته با هزینه‌های اشتراک بین ۲,۰۰۰ تا ۲۰,۰۰۰ دلار راه‌اندازی کند، پخش می‌شود. اگر Manus AI به وعده خود مبنی بر دسترسی باز و کم هزینه به هوش مصنوعی خودمختار عمل کند، می‌تواند شرکت‌هایی مانند اوپن‌ای‌آی را مجبور کند که تجدید نظر کنند که آیا اتوماسیون هوش مصنوعی نیاز به قفل شدن پشت دیوارهای پرداختی گران قیمت دارد.

با این حال، هنوز نگرانی‌های معتبری وجود دارد، و ما آنها را در بخش بعدی بررسی خواهیم کرد.

@Modern_Learning_for_GenZ

ویژگی‌ها، معماری، دسترسی، مشکلات اولیه Manus AI و بیشتر
(بخش سوم)

مشکلات اولیه Manus AI

عامل Manus قبلاً به دلیل خطاهای حلقه‌ای، وابستگی بیش از حد به مدل‌های موجود و خطرات امنیتی مورد انتقاد قرار گرفته است. و در حالی که در تئوری هیجان‌انگیز است، اینکه آیا در مقیاس بزرگ واقعاً کار می‌کند هنوز یک سؤال باز است. اگر مسیر DeepSeek را دنبال کند، می‌تواند انقلابی در مفهوم اما ناامیدکننده در اجرا باشد، یک سیستم قدرتمند که تعداد کمی می‌توانند به طور قابل اعتماد از آن استفاده کنند.

به عنوان مثال، آزمایش‌کنندگان اولیه به چندین مشکل اشاره کرده‌اند:

- اشکالات و ناسازگاری‌ها: برخی از کاربران گزارش کرده‌اند که Manus حلقه می‌زند یا در چرخه‌های تکراری گیر می‌کند، و در تصمیم‌گیری پیچیده زمانی که وظایف به خوبی تعریف نشده‌اند، مشکل دارد.

- وابستگی بیش از حد به مدل‌های موجود: تحقیقات در مورد معماری آن نشان می‌دهد که Manus به شدت Claude Sonnet و تنظیم‌های دقیق Qwen را ادغام می‌کند، به جای استفاده از یک مدل اختصاصی منحصر به فرد. این نگرانی‌هایی را در مورد اینکه آیا واقعاً روش‌های جدید هوش مصنوعی را پیشگام است یا فقط فناوری‌های موجود را به طور هوشمندانه هماهنگ می‌کند، ایجاد کرده است.

- خطرات امنیتی و حریم خصوصی: توانایی Manus در اجرای دستورات، بازیابی فایل‌ها و تعامل با سیستم‌های خارجی باعث شده است برخی از کنترل‌های امنیتی آن سؤال کنند. اگر به درستی در sandbox قرار نگیرد، یک هوش مصنوعی خودمختار با دسترسی به داده‌های حساس می‌تواند آسیب‌پذیری‌های ناخواسته‌ای را ایجاد کند.

نتیجه‌گیری

عامل Manus AI یک حرکت جسورانه به سمت عامل‌های هوش مصنوعی خودمختار است، اما هنوز مشخص نیست که آیا واقعاً وعده هوش مصنوعی عاملی را که می‌تواند به طور قابل اعتماد وظایف پیچیده و واقعی را انجام دهد، محقق می‌کند.

مقایسه با DeepSeek-R1 منطقی است، اما نه به این دلیل که همه ناگهان به Manus تغییر خواهند داد. در عوض، مانند DeepSeek، Manus اقتصاد هوش مصنوعی را به چالش می‌کشد و نشان می‌دهد که عامل‌های خودمختار لزوماً به زیرساخت‌های عظیم یا مدل‌های اختصاصی برای عملکرد نیاز ندارند.

با این حال، فناوری هنوز شکاف‌هایی دارد. گزارش‌هایی از خطاهای حلقه‌ای، خطاهای اجرایی و وابستگی بیش از حد به مدل‌های موجود نشان می‌دهد که Manus هنوز کاملاً سیستم هوش مصنوعی انقلابی که ادعا می‌کند نیست. حداقل هنوز نه. اگر بتواند بر این مشکلات غلبه کند، می‌تواند یک تغییر دهنده بازی در اتوماسیون هوش مصنوعی باشد. اگر نه، خطر تبدیل شدن به یک آزمایش هوش مصنوعی با تبلیغات بیش از حد دیگر را دارد، که بیشتر برای آنچه نمایندگی می‌کند ارزشمند است تا آنچه واقعاً ارائه می‌دهد.

■ سوالات متداول

آیا Manus AI از زبان‌های دیگر به جز انگلیسی پشتیبانی می‌کند؟
بله، Manus AI امکان چندزبانه را پشتیبانی می‌کند، که به کاربران اجازه می‌دهد به زبان مورد نظر خود تعامل داشته باشند و خروجی دریافت کنند.

آیا Manus AI می‌تواند وظایف پردازش داده‌های بلادرنگ را انجام دهد؟
بله، Manus AI قادر به پردازش داده‌های بلادرنگ است، که آن را برای وظایفی که نیاز به اطلاعات به‌روز دارند، مانند تجزیه و تحلیل داده‌های زنده و نظارت، مناسب می‌سازد.

عامل Manus AI با چه پلتفرم‌ها و سیستم‌های عاملی سازگار است؟
عامل Manus AI یک سرویس مبتنی بر ابر است که از طریق مرورگرهای وب در دستگاه‌های مختلف، شامل دسکتاپ، لپ‌تاپ، تبلت و گوشی‌های هوشمند، صرف نظر از سیستم عامل، قابل دسترسی است.

آیا Manus AI از ورودی‌های چندوجهی پشتیبانی می‌کند؟
بله، Manus AI با قابلیت‌های چندوجهی طراحی شده است، که به آن اجازه می‌دهد انواع مختلفی از داده‌ها، از جمله متن، تصاویر و کد را پردازش و تولید کند. این به Manus امکان می‌دهد وظایف پیچیده‌ای را که نیاز به درک و تولید اشکال مختلف اطلاعات دارند، مدیریت کند.

آیا Manus AI می‌تواند محتوا را در وجوه مختلف تولید کند؟
بله، Manus AI می‌تواند محتوا را در قالب‌های مختلف ایجاد کند، مانند تولید گزارش‌های متنی، ایجاد نمایش‌های تصویری داده‌ها و نوشتن کد قابل اجرا، بسته به نیازهای وظیفه.

نویسنده بلاگ: الکس التیانو
التیانو یک ویراستار و نویسنده است که وبلاگ‌های هوش مصنوعی، آموزش‌ها و اخبار را پوشش می‌دهد و اطمینان حاصل می‌کند که همه چیز با استراتژی محتوای قوی و بهترین شیوه‌های سئو مطابقت دارد. او دوره‌های علوم داده را در مورد پایتون، آمار، احتمال و تجسم داده‌ها نوشته‌ است. همچنین یک رمان برنده جایزه منتشر کرده‌ و وقت آزادش را صرف فیلمنامه‌نویسی و کارگردانی فیلم می‌کند.

@Modern_Learning_for_GenZ

هوش مصنوعی در حال دگرگون کردن بازار کار است. به‌طوری که مدیران فناوری آن را بزرگ‌ترین تحول دوران ما می‌دانند. اما تحقیقات نشان می‌دهد این تحول به نفع نخبگان است و کارگران و کارمندانی با سطح مهارتِ متوسط و پائین به تدریج از بازار کار حذف می‌شوند.

@Modern_Learning_for_GenZ

ابتدا مایلیم به:

مهمترین گزارشات بین‌المللی در زمینه تحولات تاثیرگذار در زمینه اشتغال و مهارت‌های مورد نیاز آینده با ظهور هوش مصنوعی

بپردازیم. 👇👇👇