🔥 پرسپلیکسی: رقیب واقعی ما فقط گوگل است
مصاحبه‌ای با مدیر ارتباطات شرکت Perplexity نشان می‌دهد که این استارتاپ مسیر متفاوتی در هوش مصنوعی انتخاب کرده است.
برخلاف OpenAI یا Anthropic، پرسپلیکسی مدل پایه نمی‌سازد؛ بلکه روی محصول تمرکز دارد. آن‌ها بهترین مدل‌های موجود را یکپارچه می‌کنند و تمام انرژی خود را صرف تجربه کاربری کرده‌اند.
🔸 جسی دوایر (مدیر ارتباطات): «ما گوگل را تنها رقیب واقعی خود می‌دانیم.»
🔸 پرسپلیکسی خطاهای مدل (Hallucination) را باگ می‌داند، نه ویژگی؛ بنابراین تمام پاسخ‌ها با منبع ارائه می‌شوند تا کاربر بتواند صحت را بررسی کند.
🔸 مرورگر Comet که به تازگی عرضه شده، مثل یک مغز دوم عمل می‌کند: جستجو، رزرو، پر کردن فرم‌ها و حتی کنترل صوتی.
🔸 این شرکت از حاشیه‌ها هم نمی‌ترسد — چه اتهامات Cloudflare در مورد «خزش پنهانی» باشد، چه استفاده Truth Social از API آن‌ها — تمرکز همچنان روی دقت و محصول است.
📌 خلاصه ماجرا: در حالی که دیگران دنبال برتری مدل‌ها هستند، پرسپلیکسی در حال ساختن یک تجربه جستجو و مرور AI-native از صفر است.
برای کسانی که آن را امتحان کرده‌اند، این تجربه حتی از گوگل هم به آینده اینترنت نزدیک‌تر به نظر می‌رسد.
#هوش_مصنوعی #جستجو #پرسپلیکسی #AI #InternetFuture
@rss_ai_ir
مصاحبه‌ای با مدیر ارتباطات شرکت Perplexity نشان می‌دهد که این استارتاپ مسیر متفاوتی در هوش مصنوعی انتخاب کرده است.
برخلاف OpenAI یا Anthropic، پرسپلیکسی مدل پایه نمی‌سازد؛ بلکه روی محصول تمرکز دارد. آن‌ها بهترین مدل‌های موجود را یکپارچه می‌کنند و تمام انرژی خود را صرف تجربه کاربری کرده‌اند.
🔸 جسی دوایر (مدیر ارتباطات): «ما گوگل را تنها رقیب واقعی خود می‌دانیم.»
🔸 پرسپلیکسی خطاهای مدل (Hallucination) را باگ می‌داند، نه ویژگی؛ بنابراین تمام پاسخ‌ها با منبع ارائه می‌شوند تا کاربر بتواند صحت را بررسی کند.
🔸 مرورگر Comet که به تازگی عرضه شده، مثل یک مغز دوم عمل می‌کند: جستجو، رزرو، پر کردن فرم‌ها و حتی کنترل صوتی.
🔸 این شرکت از حاشیه‌ها هم نمی‌ترسد — چه اتهامات Cloudflare در مورد «خزش پنهانی» باشد، چه استفاده Truth Social از API آن‌ها — تمرکز همچنان روی دقت و محصول است.
📌 خلاصه ماجرا: در حالی که دیگران دنبال برتری مدل‌ها هستند، پرسپلیکسی در حال ساختن یک تجربه جستجو و مرور AI-native از صفر است.
برای کسانی که آن را امتحان کرده‌اند، این تجربه حتی از گوگل هم به آینده اینترنت نزدیک‌تر به نظر می‌رسد.
#هوش_مصنوعی #جستجو #پرسپلیکسی #AI #InternetFuture
@rss_ai_ir
👍8🎉7😁6🔥4❤3👏1
⚡️ جدیدترین یافته استنفورد: هوش مصنوعی بیشترین ضربه را به نیروهای تازه‌کار وارد کرده است
📉 طبق این تحقیق، در مشاغلی که بیشتر در معرض اتومات‌سازی با هوش مصنوعی قرار دارند، میزان اشتغال میان جوانان ۲۲ تا ۲۵ ساله ۱۳٪ کاهش یافته است.
🔎 جزئیات نتایج:
بیشترین افت در نقش‌هایی دیده میشود که هوش مصنوعی جایگزین انسان شده، نه ابزاری برای تقویت کار او.
این اثر عمدتاً روی موقعیت‌های سطح پایه (entry-level) متمرکز است.
👉 نتیجه‌گیری سخت است: هوش مصنوعی در حال تغییر جدی بازار کار است و گرفتن «بلیت ورود» به صنعت تکنولوژی هر روز دشوارتر میشود.
#هوش_مصنوعی #بازارکار #استنفورد #AI #صنعت
@rss_ai_ir
📉 طبق این تحقیق، در مشاغلی که بیشتر در معرض اتومات‌سازی با هوش مصنوعی قرار دارند، میزان اشتغال میان جوانان ۲۲ تا ۲۵ ساله ۱۳٪ کاهش یافته است.
🔎 جزئیات نتایج:
بیشترین افت در نقش‌هایی دیده میشود که هوش مصنوعی جایگزین انسان شده، نه ابزاری برای تقویت کار او.
این اثر عمدتاً روی موقعیت‌های سطح پایه (entry-level) متمرکز است.
👉 نتیجه‌گیری سخت است: هوش مصنوعی در حال تغییر جدی بازار کار است و گرفتن «بلیت ورود» به صنعت تکنولوژی هر روز دشوارتر میشود.
#هوش_مصنوعی #بازارکار #استنفورد #AI #صنعت
@rss_ai_ir
🎉9😁5❤4👍3🔥3
📌 آزمایش پهپادهای مجهز به اسپری فلفل در مدارس فلوریدا برای مقابله با تیراندازی
سه ناحیه آموزشی در ایالت فلوریدا در حال آماده‌سازی برای اجرای طرح آزمایشی پهپادهای ضدحمله هستند. این پهپادها که توسط شرکت Campus Guardian Angel توسعه یافته‌اند، تنها ۵ ثانیه پس از اعلام هشدار فعال شده و ظرف ۱۵ ثانیه به فرد مهاجم می‌رسند.
🔹 ویژگی‌ها:
✳️پرتاب گلوله‌های حاوی اسپری فلفل برای کور کردن یا کند کردن مهاجم.
✳️قابلیت شکستن پنجره‌ها برای ایجاد حواس‌پرتی.
✳️ارسال ویدیو زنده به نیروهای پلیس.
مدیرعامل شرکت اعلام کرده است: اگر اسپری فلفل کافی نباشد، پهپادها تا زمان رسیدن پلیس به طور مداوم به فرد مهاجم ضربه خواهند زد.
⚠️ این پروژه بحث‌های جدی اخلاقی و امنیتی را برانگیخته است، اما ایالت فلوریدا برای فاز آزمایشی آن ۵۵۷ هزار دلار بودجه اختصاص داده است. نصب سیستم‌ها از پاییز آغاز شده و راه‌اندازی کامل برای ژانویه آینده برنامه‌ریزی شده است.
#هوش_مصنوعی #پهپاد #ایمنی #مدارس #امنیت
@rss_ai_ir
سه ناحیه آموزشی در ایالت فلوریدا در حال آماده‌سازی برای اجرای طرح آزمایشی پهپادهای ضدحمله هستند. این پهپادها که توسط شرکت Campus Guardian Angel توسعه یافته‌اند، تنها ۵ ثانیه پس از اعلام هشدار فعال شده و ظرف ۱۵ ثانیه به فرد مهاجم می‌رسند.
🔹 ویژگی‌ها:
✳️پرتاب گلوله‌های حاوی اسپری فلفل برای کور کردن یا کند کردن مهاجم.
✳️قابلیت شکستن پنجره‌ها برای ایجاد حواس‌پرتی.
✳️ارسال ویدیو زنده به نیروهای پلیس.
مدیرعامل شرکت اعلام کرده است: اگر اسپری فلفل کافی نباشد، پهپادها تا زمان رسیدن پلیس به طور مداوم به فرد مهاجم ضربه خواهند زد.
⚠️ این پروژه بحث‌های جدی اخلاقی و امنیتی را برانگیخته است، اما ایالت فلوریدا برای فاز آزمایشی آن ۵۵۷ هزار دلار بودجه اختصاص داده است. نصب سیستم‌ها از پاییز آغاز شده و راه‌اندازی کامل برای ژانویه آینده برنامه‌ریزی شده است.
#هوش_مصنوعی #پهپاد #ایمنی #مدارس #امنیت
@rss_ai_ir
🔥6😁6🎉5❤4👍3
🕷 خزنده Firecrawl؛ خزنده وب با هوش مصنوعی
دیگه خبری از کپی‌پیست دستی نیست! استارتاپ Firecrawl.dev که از فارغ‌التحصیلان YC 2023 هست، خزیدن در وب را به یک ابزار AI-native تبدیل کرده.
💰 این تیم کوچک تنها با ۱۰ نفر، توانست در سال ۲۰۲۴ به ۱.۵ میلیون دلار درآمد برسد و همین حالا هم سودآور است. در آخرین دور سرمایه‌گذاری سری A هم ۱۴.۵ میلیون دلار جذب کرده.
🔹 قابلیت‌ها:
♻️عبور از محدودیت‌ها و محافظت‌های سایت‌ها
♻️پشتیبانی از محتوای داینامیک
♻️خروجی تمیز در قالب JSON، Markdown و ...
کاربردها: پایش قیمت، تحلیل نظرات، لید جنریشن و ساخت دیتاست‌های آموزشی برای AI
✅همکاری با ناشران برای ارائه جبران منصفانه در استفاده از محتوا توسط AI
📌 نیاز به داده روزبه‌روز بیشتر میشود.
اما پرسش اصلی اینجاست: آیا سایت‌ها سخت‌تر جلوی خزنده‌ها را می‌گیرند یا با مدل‌هایی مثل «pay-per-crawl» کلودفلر، این دسترسی را پولی می‌کنند؟
@rss_ai_ir
#هوش_مصنوعی #وب #داده #AI #WebCrawler #Firecrawl
دیگه خبری از کپی‌پیست دستی نیست! استارتاپ Firecrawl.dev که از فارغ‌التحصیلان YC 2023 هست، خزیدن در وب را به یک ابزار AI-native تبدیل کرده.
💰 این تیم کوچک تنها با ۱۰ نفر، توانست در سال ۲۰۲۴ به ۱.۵ میلیون دلار درآمد برسد و همین حالا هم سودآور است. در آخرین دور سرمایه‌گذاری سری A هم ۱۴.۵ میلیون دلار جذب کرده.
🔹 قابلیت‌ها:
♻️عبور از محدودیت‌ها و محافظت‌های سایت‌ها
♻️پشتیبانی از محتوای داینامیک
♻️خروجی تمیز در قالب JSON، Markdown و ...
کاربردها: پایش قیمت، تحلیل نظرات، لید جنریشن و ساخت دیتاست‌های آموزشی برای AI
✅همکاری با ناشران برای ارائه جبران منصفانه در استفاده از محتوا توسط AI
📌 نیاز به داده روزبه‌روز بیشتر میشود.
اما پرسش اصلی اینجاست: آیا سایت‌ها سخت‌تر جلوی خزنده‌ها را می‌گیرند یا با مدل‌هایی مثل «pay-per-crawl» کلودفلر، این دسترسی را پولی می‌کنند؟
@rss_ai_ir
#هوش_مصنوعی #وب #داده #AI #WebCrawler #Firecrawl
❤7😁6🔥5👍3🎉3
🔥 خبر داغ برای علاقه‌مندان سخت‌افزار و یادگیری عمیق: نسخه چهارم FlashAttention در راه است!
🔹 تیم توسعه‌دهنده این الگوریتم در کنفرانس HotChips از FlashAttention 4 رونمایی کرد.
🔹 نسخه سوم مدت‌هاست که استاندارد صنعت شده، اما حالا نسخه چهارم روی معماری Blackwell بهینه‌سازی شده و روی توالی‌های طولانی حدود ۲۲٪ افزایش کارایی ارائه می‌دهد.
🔹 این یعنی محاسبات سریع‌تر، ارزان‌تر و کارآمدتر برای مدل‌های بزرگ زبانی و بینایی.
📊 تفاوت اصلی در بهینه‌سازی محاسبات Softmax و Exponent به همراه استفاده بهتر از Tensor Cores است.
📌 هنوز کد و مستندات رسمی منتشر نشده، اما نمودارهای اولیه نشان می‌دهد که در طول دنباله‌های بسیار بزرگ، این الگوریتم به‌طور چشمگیری از cuDNN جلو می‌زند.
به زبان ساده: FlashAttention 4 قراره مصرف منابع را کم کنه، سرعت رو بالا ببره و آموزش و استنتاج مدل‌های غول‌پیکر رو به‌صرفه‌تر کنه 🚀
#FlashAttention #هوش_مصنوعی #GPU #Blackwell #AI #DeepLearning #NVIDIA
@rss_ai_ir
🔹 تیم توسعه‌دهنده این الگوریتم در کنفرانس HotChips از FlashAttention 4 رونمایی کرد.
🔹 نسخه سوم مدت‌هاست که استاندارد صنعت شده، اما حالا نسخه چهارم روی معماری Blackwell بهینه‌سازی شده و روی توالی‌های طولانی حدود ۲۲٪ افزایش کارایی ارائه می‌دهد.
🔹 این یعنی محاسبات سریع‌تر، ارزان‌تر و کارآمدتر برای مدل‌های بزرگ زبانی و بینایی.
📊 تفاوت اصلی در بهینه‌سازی محاسبات Softmax و Exponent به همراه استفاده بهتر از Tensor Cores است.
📌 هنوز کد و مستندات رسمی منتشر نشده، اما نمودارهای اولیه نشان می‌دهد که در طول دنباله‌های بسیار بزرگ، این الگوریتم به‌طور چشمگیری از cuDNN جلو می‌زند.
به زبان ساده: FlashAttention 4 قراره مصرف منابع را کم کنه، سرعت رو بالا ببره و آموزش و استنتاج مدل‌های غول‌پیکر رو به‌صرفه‌تر کنه 🚀
#FlashAttention #هوش_مصنوعی #GPU #Blackwell #AI #DeepLearning #NVIDIA
@rss_ai_ir
👍1🔥1🙏1
🎬 دو خبر جذاب از دنیای چندوجهی هوش مصنوعی: تبدیل صدا به ویدئو و تبدیل ویدئو به صدا
1️⃣ وانچیک مدل جدیدی به نام WAN 2.2-S2V معرفی کرده است.
این فناوری صدا را به ویدئو تبدیل می‌کند؛ شبیه لب‌سینک به نظر می‌رسد اما در نسخه‌های نمایشی، بیشتر شبیه یک audio-to-video واقعی عمل می‌کند. جالب است که کاربران توییتر به شوخی اسم آن را SWAN 🦢 گذاشته‌اند.
2️⃣ شرکت Eleven Labs مسیر معکوس را انتخاب کرده و قابلیت video-to-music را ارائه داده است.
در این روش، یک ویدئوی بی‌صدا به ورودی داده میشود و خروجی آن موسیقی و افکت‌هایی هماهنگ با تصویر است.
✔ روی موشن‌گرافیک و تصاویر抽象 عملکرد عالی دارد (چون گوش انتظار مشخصی ندارد).
✔ روی اشیای واقعی کمی ضعیف‌تر است، اما همچنان جالب و کاربردی.
⚡ همچنین نسخه آزمایشی Eleven v3 (alpha) API هم منتشر شده که برای توسعه‌دهندگان قدرت و انعطاف بیشتری فراهم می‌کند.
#هوش_مصنوعی #چندوجهی #ویدئو #صدا #ElevenLabs #SWAN
@rss_ai_ir
1️⃣ وانچیک مدل جدیدی به نام WAN 2.2-S2V معرفی کرده است.
این فناوری صدا را به ویدئو تبدیل می‌کند؛ شبیه لب‌سینک به نظر می‌رسد اما در نسخه‌های نمایشی، بیشتر شبیه یک audio-to-video واقعی عمل می‌کند. جالب است که کاربران توییتر به شوخی اسم آن را SWAN 🦢 گذاشته‌اند.
2️⃣ شرکت Eleven Labs مسیر معکوس را انتخاب کرده و قابلیت video-to-music را ارائه داده است.
در این روش، یک ویدئوی بی‌صدا به ورودی داده میشود و خروجی آن موسیقی و افکت‌هایی هماهنگ با تصویر است.
✔ روی موشن‌گرافیک و تصاویر抽象 عملکرد عالی دارد (چون گوش انتظار مشخصی ندارد).
✔ روی اشیای واقعی کمی ضعیف‌تر است، اما همچنان جالب و کاربردی.
⚡ همچنین نسخه آزمایشی Eleven v3 (alpha) API هم منتشر شده که برای توسعه‌دهندگان قدرت و انعطاف بیشتری فراهم می‌کند.
#هوش_مصنوعی #چندوجهی #ویدئو #صدا #ElevenLabs #SWAN
@rss_ai_ir
❤1👍1🔥1
⚡ افزایش مصرف انرژی با گسترش هوش مصنوعی در آمریکا
💥 رشد سریع مراکز داده (Data Centers) برای آموزش و اجرای مدل‌های هوش مصنوعی باعث شده قبض‌های برق در ایالات متحده به شکل محسوسی بالا برود. شبکه بزرگ PJM که ۱۳ ایالت و واشنگتن دی‌سی را پوشش می‌دهد، با فشار سنگینی مواجه شده است.
📊 آمارها نشان می‌دهد:
🟢 در ۹ ایالت تحت پوشش PJM و همچنین واشنگتن دی‌سی، قبض‌های برق بیش از میانگین کشوری و بالای ۶٪ رشد داشته است.
🟢 در نیوجرسی افزایش ۱۳.۳٪ و در نیویورک ۱۴.۴٪ ثبت شده است.
🟢 طبق گزارش Monitoring Analytics، حدود ۶۴٪ از هزینه‌های جدید مستقیماً به تقاضای فعلی و پیش‌بینی‌شده مراکز داده مرتبط است.
⚡ آموزش و استفاده از مدل‌های هوش مصنوعی چندین برابر بیشتر از یک جستجوی اینترنتی عادی انرژی مصرف می‌کند.
هرچند اپراتورها به سمت بهبود بهره‌وری انرژی حرکت کرده‌اند، اما بازار هنوز نیاز به زمان برای سازگاری دارد. تحلیلگران Bloomberg می‌گویند اگر هوش مصنوعی به درستی به کار گرفته شود، خودش می‌تواند راه‌حل بخشی از بحران انرژی باشد.
#هوش_مصنوعی #صنعت #مصرف_انرژی #تحول_دیجیتال #AI_industrial_news
@rss_ai_ir
💥 رشد سریع مراکز داده (Data Centers) برای آموزش و اجرای مدل‌های هوش مصنوعی باعث شده قبض‌های برق در ایالات متحده به شکل محسوسی بالا برود. شبکه بزرگ PJM که ۱۳ ایالت و واشنگتن دی‌سی را پوشش می‌دهد، با فشار سنگینی مواجه شده است.
📊 آمارها نشان می‌دهد:
🟢 در ۹ ایالت تحت پوشش PJM و همچنین واشنگتن دی‌سی، قبض‌های برق بیش از میانگین کشوری و بالای ۶٪ رشد داشته است.
🟢 در نیوجرسی افزایش ۱۳.۳٪ و در نیویورک ۱۴.۴٪ ثبت شده است.
🟢 طبق گزارش Monitoring Analytics، حدود ۶۴٪ از هزینه‌های جدید مستقیماً به تقاضای فعلی و پیش‌بینی‌شده مراکز داده مرتبط است.
⚡ آموزش و استفاده از مدل‌های هوش مصنوعی چندین برابر بیشتر از یک جستجوی اینترنتی عادی انرژی مصرف می‌کند.
هرچند اپراتورها به سمت بهبود بهره‌وری انرژی حرکت کرده‌اند، اما بازار هنوز نیاز به زمان برای سازگاری دارد. تحلیلگران Bloomberg می‌گویند اگر هوش مصنوعی به درستی به کار گرفته شود، خودش می‌تواند راه‌حل بخشی از بحران انرژی باشد.
#هوش_مصنوعی #صنعت #مصرف_انرژی #تحول_دیجیتال #AI_industrial_news
@rss_ai_ir
👎1🥰1🙏1
📚 آموزش × هوش مصنوعی: تجربه واقعی اساتید با Claude
تحقیقات جدید Anthropic (تابستان ۲۰۲۵) نشان می‌دهد اساتید دانشگاه بیش از هر چیز از هوش مصنوعی به عنوان ابزار کمکی (augmentation) استفاده می‌کنند، نه جایگزین.
🔹 کاربردها در آموزش
♻️طراحی سریع‌تر سرفصل دروس و ماژول‌ها
♻️تنظیم سطح دشواری تمرین‌ها
♻️پیشنهاد روش‌های سنجش درک مطلب
کمک در تحقیقات: جمع‌آوری منابع، طرح آزمایش و ساختاربندی استدلال‌ها (با بررسی نهایی توسط انسان)
🔹 کجا اتوماسیون جدی‌تر است؟
کارهای پشتیبانی (برنامه‌ریزی، ایمیل، بودجه‌بندی)
ارزیابی: وسوسه‌انگیز است، اما بیشترین تردید همین‌جاست. چون عدالت، بافت و ظرافت را سخت میشود به AI سپرد.
🔹 لایه جدید: مینی‌ابزارها (Artifacts)
اساتید حالا در خود چت ابزارهای آموزشی کوچک می‌سازند:
— شبیه‌سازی و بازی‌های آموزشی
— تولید خودکار روبریک (معیارهای نمره‌دهی)
— داشبوردهای کوچک برای تجسم داده
— کمک‌یارهای موضوعی (از استوکیومتری تا گرامر)
🔹 چرا این تغییر مهم است؟
1. شخصی‌سازی واقعی‌تر: تمرین‌ها و توضیحات متناسب با سرعت و پیش‌زمینه دانشجو.
2. تغییر در ارزیابی: تمرکز بر توانایی تفکر نه فقط جواب درست.
3. نقش جدید استاد: طراح و کیوریتور تجربه یادگیری، نه صرفاً یک مدرس.
4. مهارت‌های آینده: دانشجوها یاد می‌گیرند به جای "مبارزه با AI"، از آن درست استفاده کنند — چارچوب بدهند، صحت را بررسی کنند و ترکیب نمایند.
🔹 نمونه عملی
به Claude موضوع ماژول و سطح دانشجویان را بدهید و بگویید:
«یک برنامه ۴ جلسه‌ای بده، برای هر جلسه یک فعالیت ۱۵ دقیقه‌ای، یک مینی‌پروژه یک‌هفته‌ای و ۳ سوال خودسنجی. در پایان هم روبریک ارزیابی.»
نتیجه یک پیش‌نویس استاندارد خواهد بود که به سرعت می‌توانید اصلاح کنید.
⚡ جمع‌بندی:
هوش مصنوعی در آموزش بهترین عملکرد را وقتی دارد که قدرت تفکر و طراحی استاد را تقویت کند. اتوماسیون برای کارهای تکراری و اداری عالی است، اما ارزیابی و سنجش نیاز به دقت و شفافیت انسانی دارد.
❓ پرسش برای شما: مرز بین «کمک‌یار» و «خلبان خودکار» در آموزش کجاست؟ شما چطور از AI در تدریس یا یادگیری استفاده کرده‌اید؟
#آموزش #هوش_مصنوعی #دانشگاه #Claude #AI_in_Education
@rss_ai_ir
تحقیقات جدید Anthropic (تابستان ۲۰۲۵) نشان می‌دهد اساتید دانشگاه بیش از هر چیز از هوش مصنوعی به عنوان ابزار کمکی (augmentation) استفاده می‌کنند، نه جایگزین.
🔹 کاربردها در آموزش
♻️طراحی سریع‌تر سرفصل دروس و ماژول‌ها
♻️تنظیم سطح دشواری تمرین‌ها
♻️پیشنهاد روش‌های سنجش درک مطلب
کمک در تحقیقات: جمع‌آوری منابع، طرح آزمایش و ساختاربندی استدلال‌ها (با بررسی نهایی توسط انسان)
🔹 کجا اتوماسیون جدی‌تر است؟
کارهای پشتیبانی (برنامه‌ریزی، ایمیل، بودجه‌بندی)
ارزیابی: وسوسه‌انگیز است، اما بیشترین تردید همین‌جاست. چون عدالت، بافت و ظرافت را سخت میشود به AI سپرد.
🔹 لایه جدید: مینی‌ابزارها (Artifacts)
اساتید حالا در خود چت ابزارهای آموزشی کوچک می‌سازند:
— شبیه‌سازی و بازی‌های آموزشی
— تولید خودکار روبریک (معیارهای نمره‌دهی)
— داشبوردهای کوچک برای تجسم داده
— کمک‌یارهای موضوعی (از استوکیومتری تا گرامر)
🔹 چرا این تغییر مهم است؟
1. شخصی‌سازی واقعی‌تر: تمرین‌ها و توضیحات متناسب با سرعت و پیش‌زمینه دانشجو.
2. تغییر در ارزیابی: تمرکز بر توانایی تفکر نه فقط جواب درست.
3. نقش جدید استاد: طراح و کیوریتور تجربه یادگیری، نه صرفاً یک مدرس.
4. مهارت‌های آینده: دانشجوها یاد می‌گیرند به جای "مبارزه با AI"، از آن درست استفاده کنند — چارچوب بدهند، صحت را بررسی کنند و ترکیب نمایند.
🔹 نمونه عملی
به Claude موضوع ماژول و سطح دانشجویان را بدهید و بگویید:
«یک برنامه ۴ جلسه‌ای بده، برای هر جلسه یک فعالیت ۱۵ دقیقه‌ای، یک مینی‌پروژه یک‌هفته‌ای و ۳ سوال خودسنجی. در پایان هم روبریک ارزیابی.»
نتیجه یک پیش‌نویس استاندارد خواهد بود که به سرعت می‌توانید اصلاح کنید.
⚡ جمع‌بندی:
هوش مصنوعی در آموزش بهترین عملکرد را وقتی دارد که قدرت تفکر و طراحی استاد را تقویت کند. اتوماسیون برای کارهای تکراری و اداری عالی است، اما ارزیابی و سنجش نیاز به دقت و شفافیت انسانی دارد.
❓ پرسش برای شما: مرز بین «کمک‌یار» و «خلبان خودکار» در آموزش کجاست؟ شما چطور از AI در تدریس یا یادگیری استفاده کرده‌اید؟
#آموزش #هوش_مصنوعی #دانشگاه #Claude #AI_in_Education
@rss_ai_ir
😁9🎉9🔥5👍3❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🔦 فلش‌اَتنشن (FlashAttention): جهشی در سرعت آموزش و استنتاج مدل‌های زبانی بزرگ
وقتی بحث مدل‌های زبانی بزرگ (LLM) مطرح میشود، یکی از سنگین‌ترین بخش‌های محاسباتی مکانیزم توجه (Attention) است. این بخش هم پرهزینه است و هم حافظه زیادی مصرف می‌کند، مخصوصاً زمانی که طول ورودی زیاد باشد.
🔹 در اینجا الگوریتم فلش‌اَتنشن وارد عمل میشود.
این الگوریتم توسط تیم «تری دائو» معرفی شد و اکنون به نسخه‌های جدید مثل FlashAttention 2 و به‌زودی 4 رسیده است.
🔑 ایده اصلی
به جای ذخیره‌سازی کل محاسبات توجه در حافظه، فلش‌اَتنشن این عملیات را بهینه‌شده در سطح GPU انجام می‌دهد:
استفاده از حافظه سریع Shared Memory به جای حافظه اصلی کندتر (HBM)
محاسبه softmax و ضرب ماتریس‌ها به صورت بلوک‌بلوک و استریمی
حذف نیاز به ذخیره‌سازی کل ماتریس توجه
⚙️ مزایا
✅ کاهش مصرف حافظه تا ۱۰ برابر در توالی‌های طولانی
✅ افزایش سرعت ۲ تا ۴ برابر نسبت به روش کلاسیک
✅ مقیاس‌پذیری عالی برای ورودی‌های بسیار بلند (ده‌ها هزار توکن)
✅ بدون خطای تقریبی؛ برخلاف روش‌های سریع‌تر دیگر، خروجی دقیق حفظ میشود
📊 کاربرد در صنعت
فرض کنید در یک پروژه صنعتی باید یک مدل LLM را روی گزارش‌های طولانی یا لاگ‌های حجیم سنسورها آموزش دهید.
بدون فلش‌اَتنشن حتی با کارت‌های قوی GPU هم مشکل حافظه وجود دارد. اما با این الگوریتم:
سرعت آموزش بالا می‌رود → پروژه زودتر به نتیجه می‌رسد
هزینه استفاده از GPU کاهش می‌یابد → صرفه‌جویی مالی
امکان پردازش ورودی‌های بلند فراهم میشود → دقت مدل بیشتر میشود
🚀 نسخه‌های جدید
فلش‌اَتنشن ۲ → بهینه‌شده برای کارت‌های A100 و H100
فلش‌اَتنشن ۴ → تازه معرفی‌شده، حدود ۲۲٪ سریع‌تر روی توالی‌های بلند با GPUهای Blackwell
📌 جمع‌بندی
فلش‌اَتنشن نشان می‌دهد که همیشه لازم نیست معماری مدل تغییر کند؛ گاهی تنها با بهینه‌سازی الگوریتمی و سخت‌افزاری می‌توان جهش بزرگی در سرعت و مقیاس‌پذیری ایجاد کرد. امروز این تکنیک به استاندارد صنعتی در آموزش LLMها تبدیل شده است.
#هوش_مصنوعی #یادگیری_عمیق #GPU #مدل_زبان
@rss_ai_ir
وقتی بحث مدل‌های زبانی بزرگ (LLM) مطرح میشود، یکی از سنگین‌ترین بخش‌های محاسباتی مکانیزم توجه (Attention) است. این بخش هم پرهزینه است و هم حافظه زیادی مصرف می‌کند، مخصوصاً زمانی که طول ورودی زیاد باشد.
🔹 در اینجا الگوریتم فلش‌اَتنشن وارد عمل میشود.
این الگوریتم توسط تیم «تری دائو» معرفی شد و اکنون به نسخه‌های جدید مثل FlashAttention 2 و به‌زودی 4 رسیده است.
🔑 ایده اصلی
به جای ذخیره‌سازی کل محاسبات توجه در حافظه، فلش‌اَتنشن این عملیات را بهینه‌شده در سطح GPU انجام می‌دهد:
استفاده از حافظه سریع Shared Memory به جای حافظه اصلی کندتر (HBM)
محاسبه softmax و ضرب ماتریس‌ها به صورت بلوک‌بلوک و استریمی
حذف نیاز به ذخیره‌سازی کل ماتریس توجه
⚙️ مزایا
✅ کاهش مصرف حافظه تا ۱۰ برابر در توالی‌های طولانی
✅ افزایش سرعت ۲ تا ۴ برابر نسبت به روش کلاسیک
✅ مقیاس‌پذیری عالی برای ورودی‌های بسیار بلند (ده‌ها هزار توکن)
✅ بدون خطای تقریبی؛ برخلاف روش‌های سریع‌تر دیگر، خروجی دقیق حفظ میشود
📊 کاربرد در صنعت
فرض کنید در یک پروژه صنعتی باید یک مدل LLM را روی گزارش‌های طولانی یا لاگ‌های حجیم سنسورها آموزش دهید.
بدون فلش‌اَتنشن حتی با کارت‌های قوی GPU هم مشکل حافظه وجود دارد. اما با این الگوریتم:
سرعت آموزش بالا می‌رود → پروژه زودتر به نتیجه می‌رسد
هزینه استفاده از GPU کاهش می‌یابد → صرفه‌جویی مالی
امکان پردازش ورودی‌های بلند فراهم میشود → دقت مدل بیشتر میشود
🚀 نسخه‌های جدید
فلش‌اَتنشن ۲ → بهینه‌شده برای کارت‌های A100 و H100
فلش‌اَتنشن ۴ → تازه معرفی‌شده، حدود ۲۲٪ سریع‌تر روی توالی‌های بلند با GPUهای Blackwell
📌 جمع‌بندی
فلش‌اَتنشن نشان می‌دهد که همیشه لازم نیست معماری مدل تغییر کند؛ گاهی تنها با بهینه‌سازی الگوریتمی و سخت‌افزاری می‌توان جهش بزرگی در سرعت و مقیاس‌پذیری ایجاد کرد. امروز این تکنیک به استاندارد صنعتی در آموزش LLMها تبدیل شده است.
#هوش_مصنوعی #یادگیری_عمیق #GPU #مدل_زبان
@rss_ai_ir
😁7❤6🔥6🎉5👍2
❓ در سیستم‌های بینایی ماشین مبتنی بر Stereo Vision، عمق هر نقطه در صحنه چگونه محاسبه میشود؟
Anonymous Quiz
25%
با مقایسه تغییر شدت روشنایی بین دو تصویر
67%
با محاسبه اختلاف مکان متناظر یک نقطه در تصاویر چپ و راست و استفاده از فاصله بین دو دوربین
8%
با اندازه‌گیری مستقیم زمان رفت و برگشت نور (Time of Flight)
0%
با افزایش وضوح تصویر و کاهش نویز
😁7🔥6🎉6❤4👍4
This media is not supported in your browser
VIEW IN TELEGRAM
🌍 ویژگی Video Overviews در NotebookLM حالا روی ۸۰ زبان فعال شد
📑 با این قابلیت می‌توانید یادداشت‌ها، فایل‌های PDF و تصاویر خود را به ویدیوهای خلاصه‌سازی شده با صداگذاری روی هر زبانی (از جمله فارسی) تبدیل کنید.
🎧 علاوه بر آن، Audio Overviews هم آپدیت شدند: قبلاً فقط به انگلیسی خلاصه‌های کامل ساخته می‌شد، اما حالا روی تمام ۸۰ زبان در دسترس هستند.
🔗 جزئیات بیشتر: notebooklm.google
#هوش_مصنوعی #گوگل #NotebookLM #چندرسانه‌ای #AI
@rss_ai_ir
📑 با این قابلیت می‌توانید یادداشت‌ها، فایل‌های PDF و تصاویر خود را به ویدیوهای خلاصه‌سازی شده با صداگذاری روی هر زبانی (از جمله فارسی) تبدیل کنید.
🎧 علاوه بر آن، Audio Overviews هم آپدیت شدند: قبلاً فقط به انگلیسی خلاصه‌های کامل ساخته می‌شد، اما حالا روی تمام ۸۰ زبان در دسترس هستند.
🔗 جزئیات بیشتر: notebooklm.google
#هوش_مصنوعی #گوگل #NotebookLM #چندرسانه‌ای #AI
@rss_ai_ir
❤10👍7🔥4😁3🎉2👏1
✖️ چرا بعضی پروژه‌های صنعتی هوش مصنوعی شکست می‌خورند یا بلااستفاده می‌مانند؟
خیلی از کارخانه‌ها و شرکت‌ها سراغ هوش مصنوعی می‌روند، اما بعد از مدتی پروژه‌ها یا به نتیجه نمی‌رسند یا در گوشه‌ای خاک می‌خورند. دلایل اصلی این موضوع معمولاً تکراری و شناخته‌شده‌اند:
1️⃣ تعریف نامشخص مسأله صنعتی
پروژه از همان ابتدا به زبان الگوریتم تعریف میشود، نه به زبان مشکل واقعی خط تولید. نتیجه؟ الگوریتم هست، ولی درد صنعت درمان نمی‌شود.
2️⃣ کمبود داده یا کیفیت پایین داده‌ها
خیلی وقت‌ها پروژه با دیتای ناقص یا بدون استراتژی جمع‌آوری داده شروع میشود. مدل آموزش می‌بیند، اما در محیط واقعی جواب نمی‌دهد.
3️⃣ نبود پشتیبانی مدیریتی
اگر مدیران ارشد باور نداشته باشند و صرفاً پروژه برای پرستیژ راه بیفتد، بعد از مدتی بودجه و انگیزه قطع میشود.
4️⃣ عدم ادغام با فرآیند موجود
مدل آماده میشود، اما با نرم‌افزارها، ماشین‌آلات و جریان کاری کارخانه ادغام نمی‌شود. خروجی روی کاغذ عالی است، ولی کسی در خط تولید استفاده‌اش نمی‌کند.
5️⃣ نگاه صرفاً تحقیقاتی و نه عملیاتی
تیم پروژه بیشتر روی مقاله و دقت الگوریتم تمرکز می‌کند تا KPI واقعی مثل کاهش ضایعات یا افزایش بهره‌وری.
---
✅ مثال واقعی:
در یک کارخانه فلزی، سیستم بینایی ماشین برای شناسایی ترک‌های سطحی ساخته شد. مدل روی دیتای تست ۹۵٪ دقت داشت، اما چون دوربین‌ها درست کالیبره نشده بودند و اپراتورها آموزش ندیده بودند، سیستم کنار گذاشته شد.
📌 نتیجه‌گیری:
موفقیت پروژه‌های AI صنعتی فقط به مدل خوب بستگی ندارد. داده، ادغام با فرآیند، پذیرش انسانی و پشتیبانی مدیریتی چهار ستون اصلی هستند. اگر یکی از این‌ها بلنگد، پروژه به شکست می‌رسد.
#هوش_مصنوعی #صنعت #مدیریت #AI #DigitalTransformation
@rss_ai_ir
خیلی از کارخانه‌ها و شرکت‌ها سراغ هوش مصنوعی می‌روند، اما بعد از مدتی پروژه‌ها یا به نتیجه نمی‌رسند یا در گوشه‌ای خاک می‌خورند. دلایل اصلی این موضوع معمولاً تکراری و شناخته‌شده‌اند:
1️⃣ تعریف نامشخص مسأله صنعتی
پروژه از همان ابتدا به زبان الگوریتم تعریف میشود، نه به زبان مشکل واقعی خط تولید. نتیجه؟ الگوریتم هست، ولی درد صنعت درمان نمی‌شود.
2️⃣ کمبود داده یا کیفیت پایین داده‌ها
خیلی وقت‌ها پروژه با دیتای ناقص یا بدون استراتژی جمع‌آوری داده شروع میشود. مدل آموزش می‌بیند، اما در محیط واقعی جواب نمی‌دهد.
3️⃣ نبود پشتیبانی مدیریتی
اگر مدیران ارشد باور نداشته باشند و صرفاً پروژه برای پرستیژ راه بیفتد، بعد از مدتی بودجه و انگیزه قطع میشود.
4️⃣ عدم ادغام با فرآیند موجود
مدل آماده میشود، اما با نرم‌افزارها، ماشین‌آلات و جریان کاری کارخانه ادغام نمی‌شود. خروجی روی کاغذ عالی است، ولی کسی در خط تولید استفاده‌اش نمی‌کند.
5️⃣ نگاه صرفاً تحقیقاتی و نه عملیاتی
تیم پروژه بیشتر روی مقاله و دقت الگوریتم تمرکز می‌کند تا KPI واقعی مثل کاهش ضایعات یا افزایش بهره‌وری.
---
✅ مثال واقعی:
در یک کارخانه فلزی، سیستم بینایی ماشین برای شناسایی ترک‌های سطحی ساخته شد. مدل روی دیتای تست ۹۵٪ دقت داشت، اما چون دوربین‌ها درست کالیبره نشده بودند و اپراتورها آموزش ندیده بودند، سیستم کنار گذاشته شد.
📌 نتیجه‌گیری:
موفقیت پروژه‌های AI صنعتی فقط به مدل خوب بستگی ندارد. داده، ادغام با فرآیند، پذیرش انسانی و پشتیبانی مدیریتی چهار ستون اصلی هستند. اگر یکی از این‌ها بلنگد، پروژه به شکست می‌رسد.
#هوش_مصنوعی #صنعت #مدیریت #AI #DigitalTransformation
@rss_ai_ir
❤9😁6👍4🔥3🎉3