@ai_python

دکتر سوفیا یانگ از شرکت MistralAI در پستی در X اعلام کرده که آن‌ها یک مطالعه جامع و بی‌سابقه انجام داده‌اند تا تأثیرات زیست‌محیطی مدل‌های زبان بزرگ خود را بررسی کنند. هدف این مطالعه نه‌تنها ارزیابی اثرات خودشان، بلکه کمک به ایجاد استاندارد جهانی برای مسئولیت‌پذیری زیست‌محیطی در حوزه هوش مصنوعی است. 🌳🌲

@ai_python

🔍 نتایج کلیدی مطالعه برای مدل Mistral Large 2 (تا ژانویه ۲۰۲۵ و پس از ۱۸ ماه استفاده):

انتشار گازهای گلخانه‌ای: ۲۰٫۴ هزار تن CO₂e

@ai_python
مصرف آب: ۲۸۱٬۰۰۰ متر مکعب 💦

کاهش منابع طبیعی: ۶۶۰ کیلوگرم Sb eq (واحد استاندارد برای تحلیل کاهش منابع)

لینک مطالعه : https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai

عصر مدل‌های DiffusionLM 👨‍💻🙄

@ai_python

مدل‌های DiffusionLM (مدل‌های زبانی مبتنی بر انتشار) ممکن است جایگزین مدل‌های Autoregressive (AR) شوند، به‌ویژه در شرایطی که داده‌ها محدود هستند.

🔍 نکات کلیدی:

کارایی بهتر در شرایط کم‌داده: اگر محدودیت اصلی شما داده باشد (نه قدرت پردازش یا FLOPs)، مدل‌های Diffusion عملکرد بهتری دارند.

@ai_python

استفاده مجدد از داده‌ها:

داده‌های یکسان می‌توانند تا ۱۰۰ بار (epoch) برای آموزش مدل‌های Diffusion استفاده شوند، در حالی که مدل‌های AR فقط حدود ۴ بار از همان داده‌ها استفاده می‌کنند.

یادگیری عمیق‌تر:

مدل‌های DiffusionLM توانایی یادگیری بسیار بیشتری از داده‌های محدود دارند.

📊 نتیجه‌گیری:

این یافته‌ها نشان می‌دهند که در سناریوهایی با داده‌های محدود، مدل‌های DiffusionLM می‌توانند بسیار مؤثرتر باشند و شاید آینده‌ی مدل‌های زبانی را تغییر دهند.

@ai_python

لینک آلفاشیو : https://www.alphaxiv.org/abs/2507.15857

@ai_python

ایلان ماسک در پستی در شبکه اجتماعی X توضیح داده که به دلیل قوانین مربوط به ممنوعیت صادرات داده‌ها، تسلا در چین بدون استفاده از داده‌های محلی آموزشی موفق شده عملکرد بسیار خوبی در سیستم‌های کمک‌راننده (ADAS) داشته باشد.

@ai_python

ممنوعیت صادرات داده‌ها:

در چین، داده‌های جمع‌آوری‌شده از خودروها (مثل تصاویر دوربین‌ها، موقعیت مکانی، و اطلاعات رانندگی) اجازه خروج از کشور را ندارند. این یعنی تسلا نمی‌تواند از داده‌های واقعی چینی برای آموزش مدل‌های هوش مصنوعی‌اش استفاده کند.

@ai_python

موفقیت بدون داده محلی: با وجود این محدودیت، تسلا توانسته در تست‌های رسانه‌های چینی عملکرد بهتری نسبت به برندهای داخلی مثل هواوی و شیائومی داشته باشد.

@ai_python

تسلا برای جبران نبود داده‌های واقعی، از شبیه‌سازهای پیشرفته و مسیرهای تست اختصاصی استفاده می‌کند تا داده‌های مصنوعی تولید کند و مدل‌هایش را آموزش دهد.

ایلان ماسک در پستش به دستیابی کامل به شش سناریوی کلیدی در تست‌های ADAS اشاره کرده است. و گفته ما به دنبال 6 از 6 هستیم و نه کم تر از آن. این 6 سناریو عبارتند از : رانندگی در شب، در بزرگراه، در شهر، در شرایط بارانی و دوتای دیگه که الان حضور ذهن ندارم. 😅 شما اگر می دونید کامنت بذارید که پست کامل بشه.

🚗 🚘 چرا این موضوع مهم است؟

نشان می‌دهد تسلا در توسعه هوش مصنوعی رانندگی خودکار به سطحی رسیده که حتی بدون داده‌های محلی، می‌تواند عملکردی بهتر از رقبا داشته باشد.

استفاده از شبیه‌سازها به عنوان منبع داده، روشی نوآورانه برای عبور از محدودیت‌های قانونی است.

@ai_python

رقابت در بازار چین برای خودروهای برقی و هوشمند بسیار شدید است، و این موفقیت برای تسلا یک دستاورد بزرگ محسوب می‌شود.