📰 AI NEWS | 29 August 2026
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
⚠️ هشدار جدی درباره رفتارهای خارج از کنترل AI
گزارش جدید Loss of Control Observatory می‌گوید در ژوئیه ۲۰۲۶ بیش از ۳۰۰ مورد از رفتارهای غیرمنتظره یا خارج از کنترل سیستم‌های AI ثبت شده؛ تقریباً دو برابر ژوئن. پژوهشگران خواستار نظارت و گزارش‌دهی جدی‌تر شده‌اند.
🛡️ بیش از ۱۰۰ شرکت درباره حملات سایبری AI هشدار دادند
OpenAI، Google، Anthropic و بیش از ۱۰۰ شرکت فناوری و امنیت سایبری در یک بیانیه مشترک درباره افزایش حملات سایبری تقویت‌شده با AI هشدار داده‌اند و خواستار همکاری گسترده‌تر برای دفاع در برابر این تهدیدها شده‌اند.
💻 OpenAI دسترسی Cursor به مدل‌هایش را قطع می‌کند
OpenAI اعلام کرده ارائه مدل‌هایش به Cursor، که اخیراً توسط SpaceX خریداری شده، در ۱۲ نوامبر ۲۰۲۶ متوقف خواهد شد. Cursor می‌گوید مذاکرات با OpenAI برای حل اختلاف همچنان ادامه دارد؛ Anthropic نیز قصد دارد پشتیبانی Claude از Cursor را افزایش دهد.
🤖 NVIDIA فراتر از GPU می‌رود
گزارش جدیدی نشان می‌دهد NVIDIA در حال گسترش مزیت خود از GPU به معماری کامل دیتاسنتر و سیستم‌های AI است؛ تمرکز روی مدیریت هوشمند ترافیک داده و افزایش بهره‌وری سیستم‌های عظیم AI است.
🤖 NVIDIA به‌دنبال تسلط بر Physical AI است
NVIDIA تمرکز بیشتری روی ربات‌ها، خودروها و پهپادها گذاشته و بازار Physical AI را یکی از حوزه‌های رشد بزرگ آینده می‌داند. چین نیز به‌دلیل صنعت قدرتمند رباتیک خود، یکی از بازارهای مهم این استراتژی محسوب می‌شود.
🇨🇳 چین دستورالعمل اخلاقی جدید برای AI پزشکی منتشر کرد
چین دستورالعمل‌های اخلاقی جدیدی برای استفاده از هوش مصنوعی در پژوهش‌های تصویربرداری پزشکی منتشر کرده که روی ایمنی، مسئولیت‌پذیری و استفاده مناسب از AI در این حوزه تمرکز دارد.
📌 جمع‌بندی امروز:
امروز خبرهای AI بیشتر حول سه موضوع می‌چرخند:
🛡️ امنیت و کنترل Agentها
💻 رقابت OpenAI و سایر مدل‌ها در Coding
🤖 حرکت NVIDIA از GPU به سمت Physical AI
#AI #AInews #ArtificialIntelligence #OpenAI #Anthropic #GoogleAI #NVIDIA #Cursor #Claude #AIAgents #PhysicalAI #MachineLearning #TechNews
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
⚠️ هشدار جدی درباره رفتارهای خارج از کنترل AI
گزارش جدید Loss of Control Observatory می‌گوید در ژوئیه ۲۰۲۶ بیش از ۳۰۰ مورد از رفتارهای غیرمنتظره یا خارج از کنترل سیستم‌های AI ثبت شده؛ تقریباً دو برابر ژوئن. پژوهشگران خواستار نظارت و گزارش‌دهی جدی‌تر شده‌اند.
🛡️ بیش از ۱۰۰ شرکت درباره حملات سایبری AI هشدار دادند
OpenAI، Google، Anthropic و بیش از ۱۰۰ شرکت فناوری و امنیت سایبری در یک بیانیه مشترک درباره افزایش حملات سایبری تقویت‌شده با AI هشدار داده‌اند و خواستار همکاری گسترده‌تر برای دفاع در برابر این تهدیدها شده‌اند.
💻 OpenAI دسترسی Cursor به مدل‌هایش را قطع می‌کند
OpenAI اعلام کرده ارائه مدل‌هایش به Cursor، که اخیراً توسط SpaceX خریداری شده، در ۱۲ نوامبر ۲۰۲۶ متوقف خواهد شد. Cursor می‌گوید مذاکرات با OpenAI برای حل اختلاف همچنان ادامه دارد؛ Anthropic نیز قصد دارد پشتیبانی Claude از Cursor را افزایش دهد.
🤖 NVIDIA فراتر از GPU می‌رود
گزارش جدیدی نشان می‌دهد NVIDIA در حال گسترش مزیت خود از GPU به معماری کامل دیتاسنتر و سیستم‌های AI است؛ تمرکز روی مدیریت هوشمند ترافیک داده و افزایش بهره‌وری سیستم‌های عظیم AI است.
🤖 NVIDIA به‌دنبال تسلط بر Physical AI است
NVIDIA تمرکز بیشتری روی ربات‌ها، خودروها و پهپادها گذاشته و بازار Physical AI را یکی از حوزه‌های رشد بزرگ آینده می‌داند. چین نیز به‌دلیل صنعت قدرتمند رباتیک خود، یکی از بازارهای مهم این استراتژی محسوب می‌شود.
🇨🇳 چین دستورالعمل اخلاقی جدید برای AI پزشکی منتشر کرد
چین دستورالعمل‌های اخلاقی جدیدی برای استفاده از هوش مصنوعی در پژوهش‌های تصویربرداری پزشکی منتشر کرده که روی ایمنی، مسئولیت‌پذیری و استفاده مناسب از AI در این حوزه تمرکز دارد.
📌 جمع‌بندی امروز:
امروز خبرهای AI بیشتر حول سه موضوع می‌چرخند:
🛡️ امنیت و کنترل Agentها
💻 رقابت OpenAI و سایر مدل‌ها در Coding
🤖 حرکت NVIDIA از GPU به سمت Physical AI
#AI #AInews #ArtificialIntelligence #OpenAI #Anthropic #GoogleAI #NVIDIA #Cursor #Claude #AIAgents #PhysicalAI #MachineLearning #TechNews
👍2
🤖 تفاوت AI، Machine Learning و Deep Learning دقیقاً چیه؟
خیلی وقت‌ها این سه اصطلاح به‌جای هم استفاده می‌شن، در حالی که از نظر فنی رابطه‌ی مشخصی با هم دارن.
1️⃣ Artificial Intelligence — AI
هوش مصنوعی یک حوزه‌ی بسیار گسترده‌ست که هدفش ساخت سیستم‌هایی هست که بتونن وظایفی رو انجام بدن که معمولاً به نوعی از هوش انسانی نیاز دارن.
مثلاً:
• برنامه‌ریزی و تصمیم‌گیری
• پردازش زبان طبیعی (NLP)
• بینایی ماشین (Computer Vision)
• تشخیص الگو
• بازی کردن
• سیستم‌های خبره
• رباتیک
• یادگیری از داده
نکته مهم اینه که AI الزاماً به معنی Machine Learning نیست.
مثلاً یک سیستم Rule-Based می‌تونه AI محسوب بشه:
اینجا هیچ مدلی از داده یاد نمی‌گیره؛ قوانین توسط انسان تعریف شدن.
---
2️⃣ Machine Learning — ML
یادگیری ماشین زیرمجموعه‌ای از AI هست.
در برنامه‌نویسی سنتی معمولاً داریم:
اما در Machine Learning:
مدل با استفاده از داده‌ها، الگوها و پارامترهایی رو یاد می‌گیره که بعداً برای داده‌های جدید استفاده می‌کنه.
مثلاً برای تشخیص Spam:
الگوریتم‌هایی مثل:
• Linear Regression
• Logistic Regression
• Decision Tree
• Random Forest
• SVM
• K-Means
• Naive Bayes
همگی می‌تونن در Machine Learning استفاده بشن.
ML فقط Neural Network نیست.
---
3️⃣ Deep Learning — DL
Deep Learning زیرمجموعه‌ای از Machine Learning هست که عمدتاً بر پایه‌ی شبکه‌های عصبی چندلایه (Deep Neural Networks) ساخته شده.
به‌جای اینکه بسیاری از ویژگی‌ها رو دستی تعریف کنیم، شبکه عصبی می‌تونه نمایش‌های (Representations) مناسب رو از داده یاد بگیره.
مثلاً در تشخیص تصویر:
در مدل‌های مدرن، معماری‌هایی مثل Transformer هم نقش بسیار مهمی دارن و پایه‌ی بسیاری از مدل‌های زبانی و چندوجهی امروزی هستن.
---
🔥 رابطه‌ی این سه مفهوم
---
🧠 تفاوت اصلی در یک مثال
فرض کن می‌خوایم یک سیستم تشخیص گربه بسازیم.
Rule-Based AI:
اگر گوش نوک‌تیز داشت
و چهار پا داشت
و دم داشت
→ احتمالاً گربه است
مشکل؟
قوانین خیلی سریع پیچیده و شکننده می‌شن.
Machine Learning:
به مدل تعداد زیادی تصویر می‌دیم:
Deep Learning:
مدل می‌تونه بسیاری از ویژگی‌های مورد نیاز برای تشخیص رو مستقیماً از داده یاد بگیره.
---
⚡ پس چرا امروز بیشتر درباره Deep Learning می‌شنویم؟
چون با افزایش:
📊 حجم داده
⚡ قدرت GPU/TPU
🧠 تعداد پارامترهای مدل
💾 حافظه و پهنای باند
شبکه‌های عصبی عمیق در بسیاری از مسائل عملکرد بسیار خوبی پیدا کردن.
مدل‌هایی مثل LLMها نیز در همین خانواده‌ی Deep Learning قرار می‌گیرن.
برای مثال، یک مدل زبانی مدرن را می‌توان به‌صورت ساده این‌طور دید:
🎯 خلاصه‌ی تخصصی
AI یک حوزه‌ی کلی برای ساخت سیستم‌های هوشمند است.
ML رویکردی در AI است که در آن سیستم از داده برای یادگیری الگو یا تابع استفاده می‌کند.
DL شاخه‌ای از ML است که از شبکه‌های عصبی عمیق برای یادگیری نمایش‌ها و توابع پیچیده استفاده می‌کند.
بنابراین:
ولی یک نکته مهم:
AI = فقط ML نیست.
و
ML = فقط Deep Learning نیست.
خیلی از الگوریتم‌های قدرتمند ML اصلاً Neural Network نیستند.
خیلی وقت‌ها این سه اصطلاح به‌جای هم استفاده می‌شن، در حالی که از نظر فنی رابطه‌ی مشخصی با هم دارن.
1️⃣ Artificial Intelligence — AI
هوش مصنوعی یک حوزه‌ی بسیار گسترده‌ست که هدفش ساخت سیستم‌هایی هست که بتونن وظایفی رو انجام بدن که معمولاً به نوعی از هوش انسانی نیاز دارن.
مثلاً:
• برنامه‌ریزی و تصمیم‌گیری
• پردازش زبان طبیعی (NLP)
• بینایی ماشین (Computer Vision)
• تشخیص الگو
• بازی کردن
• سیستم‌های خبره
• رباتیک
• یادگیری از داده
نکته مهم اینه که AI الزاماً به معنی Machine Learning نیست.
مثلاً یک سیستم Rule-Based می‌تونه AI محسوب بشه:
IF temperature > 38
THEN fever = true
اینجا هیچ مدلی از داده یاد نمی‌گیره؛ قوانین توسط انسان تعریف شدن.
---
2️⃣ Machine Learning — ML
یادگیری ماشین زیرمجموعه‌ای از AI هست.
در برنامه‌نویسی سنتی معمولاً داریم:
Rules + Data → Output
اما در Machine Learning:
Data + Expected Output → Model
مدل با استفاده از داده‌ها، الگوها و پارامترهایی رو یاد می‌گیره که بعداً برای داده‌های جدید استفاده می‌کنه.
مثلاً برای تشخیص Spam:
Email → Features → ML Model → Spam / Not Spam
الگوریتم‌هایی مثل:
• Linear Regression
• Logistic Regression
• Decision Tree
• Random Forest
• SVM
• K-Means
• Naive Bayes
همگی می‌تونن در Machine Learning استفاده بشن.
ML فقط Neural Network نیست.
---
3️⃣ Deep Learning — DL
Deep Learning زیرمجموعه‌ای از Machine Learning هست که عمدتاً بر پایه‌ی شبکه‌های عصبی چندلایه (Deep Neural Networks) ساخته شده.
به‌جای اینکه بسیاری از ویژگی‌ها رو دستی تعریف کنیم، شبکه عصبی می‌تونه نمایش‌های (Representations) مناسب رو از داده یاد بگیره.
مثلاً در تشخیص تصویر:
Imageدر معماری‌هایی مثل CNN این فرایند با لایه‌های متعدد شبکه انجام میشه.
↓
Pixels
↓
Edges
↓
Shapes
↓
Object Features
↓
Classification
در مدل‌های مدرن، معماری‌هایی مثل Transformer هم نقش بسیار مهمی دارن و پایه‌ی بسیاری از مدل‌های زبانی و چندوجهی امروزی هستن.
---
🔥 رابطه‌ی این سه مفهوم
Artificial Intelligenceالبته این نمودار یک ساده‌سازی مفهومی است و مرزهای بعضی شاخه‌های AI در ادبیات علمی دقیقاً به این شکل تعریف نمی‌شوند.
│
├── Rule-Based Systems
│
├── Search & Planning
│
└── Machine Learning
│
├── Linear Models
├── Decision Trees
├── SVM
├── Ensemble Methods
│
└── Deep Learning
│
├── CNN
├── RNN / LSTM
├── Transformer
---
🧠 تفاوت اصلی در یک مثال
فرض کن می‌خوایم یک سیستم تشخیص گربه بسازیم.
Rule-Based AI:
اگر گوش نوک‌تیز داشت
و چهار پا داشت
و دم داشت
→ احتمالاً گربه است
مشکل؟
قوانین خیلی سریع پیچیده و شکننده می‌شن.
Machine Learning:
به مدل تعداد زیادی تصویر می‌دیم:
Images + Labelsاما ممکنه هنوز لازم باشه ویژگی‌های مناسبی رو خودمون استخراج کنیم.
↓
ML Algorithm
↓
Model
↓
New Image → Cat / Not Cat
Deep Learning:
Raw Image
↓
Neural Network
↓
Learned Representations
↓
Prediction
مدل می‌تونه بسیاری از ویژگی‌های مورد نیاز برای تشخیص رو مستقیماً از داده یاد بگیره.
---
⚡ پس چرا امروز بیشتر درباره Deep Learning می‌شنویم؟
چون با افزایش:
📊 حجم داده
⚡ قدرت GPU/TPU
🧠 تعداد پارامترهای مدل
💾 حافظه و پهنای باند
شبکه‌های عصبی عمیق در بسیاری از مسائل عملکرد بسیار خوبی پیدا کردن.
مدل‌هایی مثل LLMها نیز در همین خانواده‌ی Deep Learning قرار می‌گیرن.
برای مثال، یک مدل زبانی مدرن را می‌توان به‌صورت ساده این‌طور دید:
Text---
↓
Tokenization
↓
Token IDs
↓
Embeddings
↓
Transformer
↓
Probability Distribution
↓
Next Token
↓
Generated Text
🎯 خلاصه‌ی تخصصی
AI یک حوزه‌ی کلی برای ساخت سیستم‌های هوشمند است.
ML رویکردی در AI است که در آن سیستم از داده برای یادگیری الگو یا تابع استفاده می‌کند.
DL شاخه‌ای از ML است که از شبکه‌های عصبی عمیق برای یادگیری نمایش‌ها و توابع پیچیده استفاده می‌کند.
بنابراین:
AI ⊃ ML ⊃ DL
ولی یک نکته مهم:
AI = فقط ML نیست.
و
ML = فقط Deep Learning نیست.
خیلی از الگوریتم‌های قدرتمند ML اصلاً Neural Network نیستند.
👍2
🖥️ کامپیوتر را واقعاً بشناسیم؛ از ۰ تا ۱۰۰
تا حالا شده از خودت بپرسی یک کامپیوتر واقعاً چطور کار می‌کنه؟
چطور چند تکه فلز و سیلیکون می‌تونن برنامه اجرا کنن؟
CPU دقیقاً چه کاری انجام میده؟
اطلاعات چطور داخل RAM ذخیره می‌شن؟
چطور برق تبدیل به 0 و 1 میشه؟
سیستم‌عامل چطور با سخت‌افزار ارتباط برقرار می‌کنه؟
و در نهایت چطور یک دستور ساده از کدی که ما می‌نویسیم، به چیزی تبدیل میشه که CPU اجراش می‌کنه؟
قراره در یک مجموعه پست، کامپیوتر رو از پایه و مرحله‌به‌مرحله بررسی کنیم.
از سخت‌افزار و بیت و باینری شروع می‌کنیم، می‌رسیم به CPU، حافظه، سیستم‌عامل، برنامه‌نویسی، الگوریتم، شبکه، اینترنت، دیتابیس و در ادامه وارد دنیای هوش مصنوعی می‌شیم.
هدف این نیست که فقط چند تعریف حفظ کنیم؛
می‌خوایم بفهمیم پشت صحنه‌ی چیزی که هر روز باهاش کار می‌کنیم واقعاً چه اتفاقی می‌افته.
📌 این مجموعه از ۰ تا ۱۰۰ پیش می‌ره و هر قسمت یک مفهوم جدید رو باز می‌کنه.
قسمت اول به‌زودی...
تا حالا شده از خودت بپرسی یک کامپیوتر واقعاً چطور کار می‌کنه؟
چطور چند تکه فلز و سیلیکون می‌تونن برنامه اجرا کنن؟
CPU دقیقاً چه کاری انجام میده؟
اطلاعات چطور داخل RAM ذخیره می‌شن؟
چطور برق تبدیل به 0 و 1 میشه؟
سیستم‌عامل چطور با سخت‌افزار ارتباط برقرار می‌کنه؟
و در نهایت چطور یک دستور ساده از کدی که ما می‌نویسیم، به چیزی تبدیل میشه که CPU اجراش می‌کنه؟
قراره در یک مجموعه پست، کامپیوتر رو از پایه و مرحله‌به‌مرحله بررسی کنیم.
از سخت‌افزار و بیت و باینری شروع می‌کنیم، می‌رسیم به CPU، حافظه، سیستم‌عامل، برنامه‌نویسی، الگوریتم، شبکه، اینترنت، دیتابیس و در ادامه وارد دنیای هوش مصنوعی می‌شیم.
هدف این نیست که فقط چند تعریف حفظ کنیم؛
می‌خوایم بفهمیم پشت صحنه‌ی چیزی که هر روز باهاش کار می‌کنیم واقعاً چه اتفاقی می‌افته.
📌 این مجموعه از ۰ تا ۱۰۰ پیش می‌ره و هر قسمت یک مفهوم جدید رو باز می‌کنه.
قسمت اول به‌زودی...
👍1👏1
📰 AI NEWS | 30 August 2026
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
⚠️ هشدار درباره خطرات جدی و تدریجی AI
گزارش جدیدی هشدار می‌دهد خطرناک‌ترین پیامدهای AI ممکن است نه در یک حادثه بزرگ، بلکه به‌صورت تدریجی و بدون جلب توجه رخ دهند؛ کارشناسان بر نظارت انسانی، شفافیت و همکاری بین‌المللی تأکید کرده‌اند.
🌐 شبکه‌های موبایل برای موج ترافیک AI آماده نیستند
اپراتورهای بریتانیا هشدار داده‌اند زیرساخت فعلی شبکه‌های موبایل برای افزایش ترافیک ناشی از سرویس‌های AI به اندازه کافی آماده نیست. آنها خواستار ساده‌تر شدن فرایند توسعه زیرساخت ارتباطی شده‌اند.
🧠 AI به مطالعه مغز انسان کمک می‌کند
پژوهشگران از ترکیب علوم اعصاب و AI برای پیش‌بینی فعالیت بخش‌هایی از قشر بینایی مغز هنگام پردازش تصاویر استفاده کرده‌اند؛ روشی که می‌تواند به درک بهتر نحوه پردازش اطلاعات بصری در مغز کمک کند.
🏢 کسب‌وکارهای کوچک رویکرد محتاطانه‌تری به AI دارند
گزارش جدیدی نشان می‌دهد شرکت‌های کوچک‌تر از تجربه شرکت‌های بزرگ در استفاده از AI درس می‌گیرند و بیشتر روی کاربردهای عملی مثل تحلیل کسب‌وکار و افزایش بهره‌وری تمرکز می‌کنند، نه جایگزینی کامل کارکنان با Agentها.
💰 سرمایه‌گذاران همچنان روی AI متمرکزند
با وجود نگرانی‌های مربوط به هزینه زیرساخت و ارزش‌گذاری شرکت‌های AI، این حوزه همچنان یکی از محورهای اصلی بازار فناوری است. Amazon نیز به‌دلیل چشم‌انداز رشد AWS و AI مورد توجه سرمایه‌گذاران قرار گرفته است.
📌 جمع‌بندی امروز:
امروز خبر بزرگی مثل معرفی یک مدل جدید از OpenAI، Google یا Anthropic پیدا نشد.
اما موضوعات اصلی امروز:
⚠️ ایمنی و کنترل AI
🌐 زیرساخت ارتباطی برای AI
🧠 AI و علوم اعصاب
🏢 استفاده عملی AI در کسب‌وکارها
💰 ادامه سرمایه‌گذاری روی زیرساخت AI
#AI #AInews #ArtificialIntelligence #OpenAI #Anthropic #GoogleAI #Amazon #AIAgents #MachineLearning #TechNews
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
⚠️ هشدار درباره خطرات جدی و تدریجی AI
گزارش جدیدی هشدار می‌دهد خطرناک‌ترین پیامدهای AI ممکن است نه در یک حادثه بزرگ، بلکه به‌صورت تدریجی و بدون جلب توجه رخ دهند؛ کارشناسان بر نظارت انسانی، شفافیت و همکاری بین‌المللی تأکید کرده‌اند.
🌐 شبکه‌های موبایل برای موج ترافیک AI آماده نیستند
اپراتورهای بریتانیا هشدار داده‌اند زیرساخت فعلی شبکه‌های موبایل برای افزایش ترافیک ناشی از سرویس‌های AI به اندازه کافی آماده نیست. آنها خواستار ساده‌تر شدن فرایند توسعه زیرساخت ارتباطی شده‌اند.
🧠 AI به مطالعه مغز انسان کمک می‌کند
پژوهشگران از ترکیب علوم اعصاب و AI برای پیش‌بینی فعالیت بخش‌هایی از قشر بینایی مغز هنگام پردازش تصاویر استفاده کرده‌اند؛ روشی که می‌تواند به درک بهتر نحوه پردازش اطلاعات بصری در مغز کمک کند.
🏢 کسب‌وکارهای کوچک رویکرد محتاطانه‌تری به AI دارند
گزارش جدیدی نشان می‌دهد شرکت‌های کوچک‌تر از تجربه شرکت‌های بزرگ در استفاده از AI درس می‌گیرند و بیشتر روی کاربردهای عملی مثل تحلیل کسب‌وکار و افزایش بهره‌وری تمرکز می‌کنند، نه جایگزینی کامل کارکنان با Agentها.
💰 سرمایه‌گذاران همچنان روی AI متمرکزند
با وجود نگرانی‌های مربوط به هزینه زیرساخت و ارزش‌گذاری شرکت‌های AI، این حوزه همچنان یکی از محورهای اصلی بازار فناوری است. Amazon نیز به‌دلیل چشم‌انداز رشد AWS و AI مورد توجه سرمایه‌گذاران قرار گرفته است.
📌 جمع‌بندی امروز:
امروز خبر بزرگی مثل معرفی یک مدل جدید از OpenAI، Google یا Anthropic پیدا نشد.
اما موضوعات اصلی امروز:
⚠️ ایمنی و کنترل AI
🌐 زیرساخت ارتباطی برای AI
🧠 AI و علوم اعصاب
🏢 استفاده عملی AI در کسب‌وکارها
💰 ادامه سرمایه‌گذاری روی زیرساخت AI
#AI #AInews #ArtificialIntelligence #OpenAI #Anthropic #GoogleAI #Amazon #AIAgents #MachineLearning #TechNews
👍2
ᴍᴏʜᴀᴍᴍᴀᴅ ᴅᴇᴠ
🖥️ کامپیوتر را واقعاً بشناسیم؛ از ۰ تا ۱۰۰ تا حالا شده از خودت بپرسی یک کامپیوتر واقعاً چطور کار می‌کنه؟ چطور چند تکه فلز و سیلیکون می‌تونن برنامه اجرا کنن؟ CPU دقیقاً چه کاری انجام میده؟ اطلاعات چطور داخل RAM ذخیره می‌شن؟ چطور برق تبدیل به 0 و 1 میشه؟…
آقا بریم سراغ بحث جذاب و شیرین کامپیوتر 😁
😍2
🖥️ Computer Science From 0 → 100
قسمت ۱ — کامپیوتر واقعاً چیست؟
وقتی اسم «کامپیوتر» میاد، معمولاً یک لپ‌تاپ یا کیس توی ذهنمون شکل می‌گیره.
اما از نظر علمی، کامپیوتر اصلاً به شکل و ظاهرش وابسته نیست.
کامپیوتر را می‌شود این‌طور تعریف کرد:
یک سیستم الکترونیکی که می‌تواند داده را دریافت کند، آن را طبق دستورهای مشخص پردازش کند، نتیجه را ذخیره کند و در صورت نیاز ارائه دهد.
یعنی در ساده‌ترین حالت:
مثلاً وقتی با کیبورد عدد "10" را وارد می‌کنی و ماشین‌حساب جواب "20" را نشان می‌دهد:
اما پشت این اتفاق ساده، لایه‌های زیادی وجود دارد.
---
🧠 کامپیوتر «هوشمند» نیست؛ دستور اجرا می‌کند
کامپیوتر به‌صورت ذاتی نمی‌داند «جمع چیست»، «عکس چیست» یا «متن چیست».
چیزی که دارد، توانایی انجام عملیات بسیار سریع و دقیق روی داده‌هاست.
مثلاً:
برای ما یک محاسبه ساده است.
اما در سطح پایین، این عملیات در نهایت به مجموعه‌ای از دستورها، داده‌ها و سیگنال‌های الکتریکی تبدیل می‌شود که سخت‌افزار بتواند آنها را پردازش کند.
بنابراین چیزی که ما به‌عنوان:
عکس، ویدئو، بازی، برنامه، فایل، متن و حتی هوش مصنوعی
می‌بینیم، در لایه‌های پایین‌تر به شکل داده و عملیات قابل پردازش توسط ماشین نمایش داده می‌شود.
---
⚡ پس کامپیوتر واقعاً چه چیزی را می‌فهمد؟
در پایین‌ترین سطوح، کامپیوتر با وضعیت‌های فیزیکی و الکتریکی کار می‌کند.
این وضعیت‌ها می‌توانند با دو مقدار نمایش داده شوند:
0
1
به این مدل نمایش، Binary یا دستگاه دودویی می‌گوییم.
اما یک نکته بسیار مهم:
کامپیوتر «صفر و یک» را مثل ما نمی‌بیند.
صفر و یک یک مدل منطقی برای نمایش وضعیت‌های فیزیکی در مدارهای دیجیتال هستند.
در سطح سخت‌افزار، این وضعیت‌ها توسط مدارهای الکترونیکی و در نهایت ترانزیستورها پیاده‌سازی می‌شوند.
---
🔬 از یک ترانزیستور تا یک کامپیوتر
اینجا داستان جالب می‌شود.
یک ترانزیستور به‌تنهایی چیز چندان پیچیده‌ای نیست.
اما تعداد بسیار زیادی ترانزیستور را می‌توان به شکلی سازمان‌دهی کرد که:
یعنی بخشی از دنیایی که ما به‌عنوان «کامپیوتر» می‌شناسیم، از ساختارهایی به وجود آمده که در نهایت از اجزای بسیار کوچک الکترونیکی ساخته شده‌اند.
امروزه در تراشه‌های مدرن، میلیاردها ترانزیستور در کنار یکدیگر قرار می‌گیرند.
---
💾 یک فایل عکس چیست؟
فرض کن یک عکس از گالری گوشی باز می‌کنی.
برای ما:
📷 یک تصویر
برای سیستم:
مجموعه‌ای از داده‌ها
هر پیکسل دارای اطلاعاتی درباره رنگ است و این اطلاعات به شکلی عددی ذخیره و پردازش می‌شوند.
پس:
وقتی عکس را باز می‌کنی، سیستم این داده‌ها را می‌خواند، پردازش می‌کند و GPU یا سایر بخش‌های سیستم آن را برای نمایش روی صفحه آماده می‌کنند.
---
🎮 یک بازی چطور؟
همین موضوع برای بازی هم وجود دارد.
چیزی که بازیکن می‌بیند:
Character
Map
Sound
Physics
Graphics
اما درون سیستم، همه‌ی این‌ها به داده، دستور، محاسبات و تعامل میان بخش‌های مختلف سخت‌افزار و نرم‌افزار تبدیل شده‌اند.
و اینجا یک مفهوم مهم شکل می‌گیرد:
Software بدون Hardware نمی‌تواند روی یک کامپیوتر معمولی اجرا شود، و Hardware بدون Software نمی‌داند برای یک کاربرد مشخص چه کاری باید انجام دهد.
---
🧩 پس کامپیوتر از چه بخش‌هایی تشکیل شده؟
به‌طور ساده، می‌توانیم سیستم کامپیوتری را به چند بخش اصلی تقسیم کنیم:
CPU محاسبات و اجرای دستورها را انجام می‌دهد.
Memory داده و دستورهای مورد نیاز اجرای برنامه‌ها را در اختیار سیستم قرار می‌دهد.
Storage اطلاعات را برای نگهداری بلندمدت ذخیره می‌کند.
Input و Output راه ارتباط سیستم با دنیای بیرون هستند.
و Software مجموعه دستورهایی است که مشخص می‌کند سیستم برای انجام یک کار چه مراحلی را طی کند.
بعداً هرکدام از این بخش‌ها را جداگانه و عمیق بررسی می‌کنیم.
---
🤯 یک نکته عجیب
وقتی روی کامپیوتر فقط یک کلید را فشار می‌دهی، اتفاق بسیار بزرگی در پشت صحنه رخ می‌دهد.
مثلاً:
قسمت ۱ — کامپیوتر واقعاً چیست؟
وقتی اسم «کامپیوتر» میاد، معمولاً یک لپ‌تاپ یا کیس توی ذهنمون شکل می‌گیره.
اما از نظر علمی، کامپیوتر اصلاً به شکل و ظاهرش وابسته نیست.
کامپیوتر را می‌شود این‌طور تعریف کرد:
یک سیستم الکترونیکی که می‌تواند داده را دریافت کند، آن را طبق دستورهای مشخص پردازش کند، نتیجه را ذخیره کند و در صورت نیاز ارائه دهد.
یعنی در ساده‌ترین حالت:
Input
↓
Processing
↓
Output
مثلاً وقتی با کیبورد عدد "10" را وارد می‌کنی و ماشین‌حساب جواب "20" را نشان می‌دهد:
10
↓
Computer
↓
20
اما پشت این اتفاق ساده، لایه‌های زیادی وجود دارد.
---
🧠 کامپیوتر «هوشمند» نیست؛ دستور اجرا می‌کند
کامپیوتر به‌صورت ذاتی نمی‌داند «جمع چیست»، «عکس چیست» یا «متن چیست».
چیزی که دارد، توانایی انجام عملیات بسیار سریع و دقیق روی داده‌هاست.
مثلاً:
5 + 7
برای ما یک محاسبه ساده است.
اما در سطح پایین، این عملیات در نهایت به مجموعه‌ای از دستورها، داده‌ها و سیگنال‌های الکتریکی تبدیل می‌شود که سخت‌افزار بتواند آنها را پردازش کند.
بنابراین چیزی که ما به‌عنوان:
عکس، ویدئو، بازی، برنامه، فایل، متن و حتی هوش مصنوعی
می‌بینیم، در لایه‌های پایین‌تر به شکل داده و عملیات قابل پردازش توسط ماشین نمایش داده می‌شود.
---
⚡ پس کامپیوتر واقعاً چه چیزی را می‌فهمد؟
در پایین‌ترین سطوح، کامپیوتر با وضعیت‌های فیزیکی و الکتریکی کار می‌کند.
این وضعیت‌ها می‌توانند با دو مقدار نمایش داده شوند:
0
1
به این مدل نمایش، Binary یا دستگاه دودویی می‌گوییم.
اما یک نکته بسیار مهم:
کامپیوتر «صفر و یک» را مثل ما نمی‌بیند.
صفر و یک یک مدل منطقی برای نمایش وضعیت‌های فیزیکی در مدارهای دیجیتال هستند.
در سطح سخت‌افزار، این وضعیت‌ها توسط مدارهای الکترونیکی و در نهایت ترانزیستورها پیاده‌سازی می‌شوند.
---
🔬 از یک ترانزیستور تا یک کامپیوتر
اینجا داستان جالب می‌شود.
یک ترانزیستور به‌تنهایی چیز چندان پیچیده‌ای نیست.
اما تعداد بسیار زیادی ترانزیستور را می‌توان به شکلی سازمان‌دهی کرد که:
Transistor
↓
Logic Gate
↓
Digital Circuit
↓
Processor
↓
Computer
یعنی بخشی از دنیایی که ما به‌عنوان «کامپیوتر» می‌شناسیم، از ساختارهایی به وجود آمده که در نهایت از اجزای بسیار کوچک الکترونیکی ساخته شده‌اند.
امروزه در تراشه‌های مدرن، میلیاردها ترانزیستور در کنار یکدیگر قرار می‌گیرند.
---
💾 یک فایل عکس چیست؟
فرض کن یک عکس از گالری گوشی باز می‌کنی.
برای ما:
📷 یک تصویر
برای سیستم:
مجموعه‌ای از داده‌ها
هر پیکسل دارای اطلاعاتی درباره رنگ است و این اطلاعات به شکلی عددی ذخیره و پردازش می‌شوند.
پس:
Photo
↓
Data
↓
Binary Representation
↓
Storage
وقتی عکس را باز می‌کنی، سیستم این داده‌ها را می‌خواند، پردازش می‌کند و GPU یا سایر بخش‌های سیستم آن را برای نمایش روی صفحه آماده می‌کنند.
---
🎮 یک بازی چطور؟
همین موضوع برای بازی هم وجود دارد.
چیزی که بازیکن می‌بیند:
Character
Map
Sound
Physics
Graphics
اما درون سیستم، همه‌ی این‌ها به داده، دستور، محاسبات و تعامل میان بخش‌های مختلف سخت‌افزار و نرم‌افزار تبدیل شده‌اند.
و اینجا یک مفهوم مهم شکل می‌گیرد:
Software بدون Hardware نمی‌تواند روی یک کامپیوتر معمولی اجرا شود، و Hardware بدون Software نمی‌داند برای یک کاربرد مشخص چه کاری باید انجام دهد.
---
🧩 پس کامپیوتر از چه بخش‌هایی تشکیل شده؟
به‌طور ساده، می‌توانیم سیستم کامپیوتری را به چند بخش اصلی تقسیم کنیم:
COMPUTER
│
┌───────────┼───────────┐
↓ ↓ ↓
CPU Memory Storage
│ │ │
└────────────┼───────────┘
↓
Input / Output
│
↓
Software
CPU محاسبات و اجرای دستورها را انجام می‌دهد.
Memory داده و دستورهای مورد نیاز اجرای برنامه‌ها را در اختیار سیستم قرار می‌دهد.
Storage اطلاعات را برای نگهداری بلندمدت ذخیره می‌کند.
Input و Output راه ارتباط سیستم با دنیای بیرون هستند.
و Software مجموعه دستورهایی است که مشخص می‌کند سیستم برای انجام یک کار چه مراحلی را طی کند.
بعداً هرکدام از این بخش‌ها را جداگانه و عمیق بررسی می‌کنیم.
---
🤯 یک نکته عجیب
وقتی روی کامپیوتر فقط یک کلید را فشار می‌دهی، اتفاق بسیار بزرگی در پشت صحنه رخ می‌دهد.
مثلاً:
Keyboard
↓
Electrical Signal
↓
Controller
↓
Operating System
↓
Application
↓
Processing
↓
Screen
👌1😨1
و تمام این زنجیره می‌تواند در زمانی بسیار کوتاه اتفاق بیفتد.
ما فقط یک حرف روی صفحه می‌بینیم؛
اما پشت آن، سخت‌افزار، سیستم‌عامل، درایورها، حافظه، پردازنده و نرم‌افزار با یکدیگر در تعامل‌اند.
---
🎯 چیزی که باید از قسمت اول یاد بگیری
کامپیوتر فقط یک «وسیله» نیست.
کامپیوتر مجموعه‌ای از لایه‌های به‌هم‌وابسته است:
فیزیک → الکترونیک → ترانزیستور → منطق دیجیتال → معماری کامپیوتر → سیستم‌عامل → نرم‌افزار → برنامه
و در ادامه قرار است دقیقاً همین مسیر را از پایین به بالا باز کنیم.
از جایی که فقط ترانزیستور و سیگنال وجود دارد،
تا جایی که روی صفحه‌ات یک برنامه مثل مرورگر، بازی، ادیتور یا حتی یک مدل هوش مصنوعی اجرا می‌شود.
📌 قسمت بعد: Hardware چیست و کامپیوتر از چه قطعاتی ساخته شده؟
ما فقط یک حرف روی صفحه می‌بینیم؛
اما پشت آن، سخت‌افزار، سیستم‌عامل، درایورها، حافظه، پردازنده و نرم‌افزار با یکدیگر در تعامل‌اند.
---
🎯 چیزی که باید از قسمت اول یاد بگیری
کامپیوتر فقط یک «وسیله» نیست.
کامپیوتر مجموعه‌ای از لایه‌های به‌هم‌وابسته است:
فیزیک → الکترونیک → ترانزیستور → منطق دیجیتال → معماری کامپیوتر → سیستم‌عامل → نرم‌افزار → برنامه
و در ادامه قرار است دقیقاً همین مسیر را از پایین به بالا باز کنیم.
از جایی که فقط ترانزیستور و سیگنال وجود دارد،
تا جایی که روی صفحه‌ات یک برنامه مثل مرورگر، بازی، ادیتور یا حتی یک مدل هوش مصنوعی اجرا می‌شود.
📌 قسمت بعد: Hardware چیست و کامپیوتر از چه قطعاتی ساخته شده؟
👍1👌1
ᴍᴏʜᴀᴍᴍᴀᴅ ᴅᴇᴠ
آقا بریم سراغ بحث جذاب و شیرین کامپیوتر 😁
🖥️ Computer Science From 0 → 100
قسمت ۲ — Hardware چیست؟ کامپیوتر از چه چیزی ساخته شده؟
در قسمت قبل فهمیدیم که کامپیوتر فقط یک دستگاه روی میز نیست؛ بلکه مجموعه‌ای از لایه‌های مختلف است که از سخت‌افزار تا نرم‌افزار با هم کار می‌کنند.
حالا می‌خواهیم ببینیم خودِ کامپیوتر از چه چیزی ساخته شده است.
Hardware چیست؟
Hardware (سخت‌افزار) به تمام بخش‌های فیزیکی یک سیستم کامپیوتری گفته می‌شود؛ یعنی چیزهایی که می‌توانیم لمس کنیم.
مثلاً:
• CPU
• RAM
• SSD و HDD
• GPU
• Motherboard
• Keyboard و Mouse
• Monitor
همه‌ی این‌ها Hardware هستند.
در مقابل، برنامه‌هایی مثل Windows، Linux، Chrome و بازی‌ها جزو Software (نرم‌افزار) هستند.
---
CPU — مرکز پردازش کامپیوتر
CPU یا Central Processing Unit مهم‌ترین بخش پردازشی سیستم است.
وظیفه‌ی اصلی CPU اجرای دستورهاست.
هر برنامه‌ای که اجرا می‌کنیم، در نهایت به مجموعه‌ای از دستورهای قابل فهم برای پردازنده تبدیل می‌شود و CPU آنها را مرحله‌به‌مرحله اجرا می‌کند.
یک CPU معمولاً این کارها را انجام می‌دهد:
• دریافت دستور از حافظه
• بررسی و تفسیر دستور
• انجام عملیات محاسباتی یا منطقی
• ذخیره نتیجه
CPU خودش نمی‌داند یک عکس چیست یا یک بازی چیست؛ فقط دستورها و داده‌ها را طبق طراحی خود پردازنده پردازش می‌کند.
---
RAM — حافظه‌ی سریع و موقت
RAM یا Random Access Memory حافظه‌ای است که برنامه‌های در حال اجرا از آن استفاده می‌کنند.
مثلاً وقتی یک مرورگر را باز می‌کنی:
برنامه از SSD خوانده می‌شود، وارد RAM می‌شود و سپس CPU به داده‌های مورد نیاز دسترسی پیدا می‌کند.
ویژگی‌های RAM:
• سرعت بسیار بالا دارد.
• برای اجرای برنامه‌ها ضروری است.
• با خاموش شدن سیستم، اطلاعات آن از بین می‌رود.
به همین دلیل RAM را حافظه‌ی موقت می‌نامیم.
---
Storage — حافظه‌ی دائمی
Storage محلی است که اطلاعات برای مدت طولانی در آن ذخیره می‌شوند.
مثلاً:
• سیستم‌عامل
• برنامه‌ها
• عکس‌ها
• ویدئوها
• فایل‌ها
دو نوع معروف Storage:
HDD:
از دیسک‌های مکانیکی استفاده می‌کند و معمولاً ارزان‌تر است.
SSD:
از حافظه‌ی فلش استفاده می‌کند، سرعت بالاتری دارد و امروزه در بیشتر سیستم‌های مدرن استفاده می‌شود.
---
GPU — پردازنده‌ی گرافیکی
GPU یا Graphics Processing Unit در ابتدا برای پردازش گرافیک ساخته شد.
وظایف آن شامل:
• رندر کردن تصاویر و بازی‌ها
• پردازش ویدئو
• محاسبات موازی
• اجرای مدل‌های هوش مصنوعی
است.
یکی از دلایل مهم استفاده از GPU در هوش مصنوعی این است که شبکه‌های عصبی شامل تعداد زیادی محاسبه‌ی مشابه هستند و GPU می‌تواند این محاسبات را همزمان انجام دهد.
---
Motherboard — مسیر ارتباط قطعات
Motherboard یا مادربرد، برد اصلی کامپیوتر است که قطعات مختلف روی آن قرار می‌گیرند.
CPU، RAM، Storage و سایر قطعات از طریق مادربرد با یکدیگر ارتباط برقرار می‌کنند.
مادربرد وظیفه دارد:
• ارتباط بین قطعات را برقرار کند.
• انرژی را به بخش‌های مختلف منتقل کند.
• مسیر انتقال داده را مدیریت کند.
---
Input و Output
کامپیوتر باید بتواند با دنیای بیرون ارتباط داشته باشد.
Input (ورودی):
چیزهایی که اطلاعات را وارد سیستم می‌کنند:
• Keyboard
• Mouse
• Microphone
• Camera
• Touchscreen
Output (خروجی):
چیزهایی که نتیجه‌ی پردازش را نمایش می‌دهند:
• Monitor
• Speaker
• Printer
• Headphones
---
یک نکته مهم
قطعات سخت‌افزاری به‌تنهایی کاری انجام نمی‌دهند.
یک CPU قدرتمند بدون نرم‌افزار فقط یک قطعه‌ی الکترونیکی است.
و یک نرم‌افزار بدون سخت‌افزار نمی‌تواند اجرا شود.
قدرت واقعی کامپیوتر از همکاری این دو بخش ایجاد می‌شود:
Hardware + Software = Computer System
---
جمع‌بندی قسمت دوم
در این قسمت یاد گرفتیم:
• Hardware چیست و چه تفاوتی با Software دارد.
• CPU چگونه دستورها را اجرا می‌کند.
• RAM چرا برای اجرای برنامه‌ها مهم است.
• Storage چگونه اطلاعات را نگه می‌دارد.
• GPU چرا در گرافیک و هوش مصنوعی مهم شده است.
• Motherboard چگونه قطعات را به هم متصل می‌کند.
اما هنوز یک سؤال اساسی باقی مانده:
چطور همین قطعات الکترونیکی می‌توانند متن، عکس، فیلم و برنامه را بفهمند؟
پاسخ این سؤال در یکی از بنیادی‌ترین مفاهیم کامپیوتر است:
Bit، Byte و Binary
📌 قسمت ۳: کامپیوتر چگونه اطلاعات را با صفر و یک نمایش می‌دهد؟
قسمت ۲ — Hardware چیست؟ کامپیوتر از چه چیزی ساخته شده؟
در قسمت قبل فهمیدیم که کامپیوتر فقط یک دستگاه روی میز نیست؛ بلکه مجموعه‌ای از لایه‌های مختلف است که از سخت‌افزار تا نرم‌افزار با هم کار می‌کنند.
حالا می‌خواهیم ببینیم خودِ کامپیوتر از چه چیزی ساخته شده است.
Hardware چیست؟
Hardware (سخت‌افزار) به تمام بخش‌های فیزیکی یک سیستم کامپیوتری گفته می‌شود؛ یعنی چیزهایی که می‌توانیم لمس کنیم.
مثلاً:
• CPU
• RAM
• SSD و HDD
• GPU
• Motherboard
• Keyboard و Mouse
• Monitor
همه‌ی این‌ها Hardware هستند.
در مقابل، برنامه‌هایی مثل Windows، Linux، Chrome و بازی‌ها جزو Software (نرم‌افزار) هستند.
---
CPU — مرکز پردازش کامپیوتر
CPU یا Central Processing Unit مهم‌ترین بخش پردازشی سیستم است.
وظیفه‌ی اصلی CPU اجرای دستورهاست.
هر برنامه‌ای که اجرا می‌کنیم، در نهایت به مجموعه‌ای از دستورهای قابل فهم برای پردازنده تبدیل می‌شود و CPU آنها را مرحله‌به‌مرحله اجرا می‌کند.
یک CPU معمولاً این کارها را انجام می‌دهد:
• دریافت دستور از حافظه
• بررسی و تفسیر دستور
• انجام عملیات محاسباتی یا منطقی
• ذخیره نتیجه
CPU خودش نمی‌داند یک عکس چیست یا یک بازی چیست؛ فقط دستورها و داده‌ها را طبق طراحی خود پردازنده پردازش می‌کند.
---
RAM — حافظه‌ی سریع و موقت
RAM یا Random Access Memory حافظه‌ای است که برنامه‌های در حال اجرا از آن استفاده می‌کنند.
مثلاً وقتی یک مرورگر را باز می‌کنی:
برنامه از SSD خوانده می‌شود، وارد RAM می‌شود و سپس CPU به داده‌های مورد نیاز دسترسی پیدا می‌کند.
ویژگی‌های RAM:
• سرعت بسیار بالا دارد.
• برای اجرای برنامه‌ها ضروری است.
• با خاموش شدن سیستم، اطلاعات آن از بین می‌رود.
به همین دلیل RAM را حافظه‌ی موقت می‌نامیم.
---
Storage — حافظه‌ی دائمی
Storage محلی است که اطلاعات برای مدت طولانی در آن ذخیره می‌شوند.
مثلاً:
• سیستم‌عامل
• برنامه‌ها
• عکس‌ها
• ویدئوها
• فایل‌ها
دو نوع معروف Storage:
HDD:
از دیسک‌های مکانیکی استفاده می‌کند و معمولاً ارزان‌تر است.
SSD:
از حافظه‌ی فلش استفاده می‌کند، سرعت بالاتری دارد و امروزه در بیشتر سیستم‌های مدرن استفاده می‌شود.
---
GPU — پردازنده‌ی گرافیکی
GPU یا Graphics Processing Unit در ابتدا برای پردازش گرافیک ساخته شد.
وظایف آن شامل:
• رندر کردن تصاویر و بازی‌ها
• پردازش ویدئو
• محاسبات موازی
• اجرای مدل‌های هوش مصنوعی
است.
یکی از دلایل مهم استفاده از GPU در هوش مصنوعی این است که شبکه‌های عصبی شامل تعداد زیادی محاسبه‌ی مشابه هستند و GPU می‌تواند این محاسبات را همزمان انجام دهد.
---
Motherboard — مسیر ارتباط قطعات
Motherboard یا مادربرد، برد اصلی کامپیوتر است که قطعات مختلف روی آن قرار می‌گیرند.
CPU، RAM، Storage و سایر قطعات از طریق مادربرد با یکدیگر ارتباط برقرار می‌کنند.
مادربرد وظیفه دارد:
• ارتباط بین قطعات را برقرار کند.
• انرژی را به بخش‌های مختلف منتقل کند.
• مسیر انتقال داده را مدیریت کند.
---
Input و Output
کامپیوتر باید بتواند با دنیای بیرون ارتباط داشته باشد.
Input (ورودی):
چیزهایی که اطلاعات را وارد سیستم می‌کنند:
• Keyboard
• Mouse
• Microphone
• Camera
• Touchscreen
Output (خروجی):
چیزهایی که نتیجه‌ی پردازش را نمایش می‌دهند:
• Monitor
• Speaker
• Printer
• Headphones
---
یک نکته مهم
قطعات سخت‌افزاری به‌تنهایی کاری انجام نمی‌دهند.
یک CPU قدرتمند بدون نرم‌افزار فقط یک قطعه‌ی الکترونیکی است.
و یک نرم‌افزار بدون سخت‌افزار نمی‌تواند اجرا شود.
قدرت واقعی کامپیوتر از همکاری این دو بخش ایجاد می‌شود:
Hardware + Software = Computer System
---
جمع‌بندی قسمت دوم
در این قسمت یاد گرفتیم:
• Hardware چیست و چه تفاوتی با Software دارد.
• CPU چگونه دستورها را اجرا می‌کند.
• RAM چرا برای اجرای برنامه‌ها مهم است.
• Storage چگونه اطلاعات را نگه می‌دارد.
• GPU چرا در گرافیک و هوش مصنوعی مهم شده است.
• Motherboard چگونه قطعات را به هم متصل می‌کند.
اما هنوز یک سؤال اساسی باقی مانده:
چطور همین قطعات الکترونیکی می‌توانند متن، عکس، فیلم و برنامه را بفهمند؟
پاسخ این سؤال در یکی از بنیادی‌ترین مفاهیم کامپیوتر است:
Bit، Byte و Binary
📌 قسمت ۳: کامپیوتر چگونه اطلاعات را با صفر و یک نمایش می‌دهد؟
👍1🔥1
🖥️ Computer Science From 0 → 100
قسمت ۳ — Bit، Byte و Binary؛ زبان مخفی کامپیوتر
تا حالا فکر کردی کامپیوتر چطور یک عکس، یک آهنگ، یک فیلم یا حتی همین متنی که الان می‌خوانی را ذخیره می‌کند؟
برای ما یک عکس، یک تصویر واقعی است.
برای ما یک آهنگ، یک صداست.
برای ما یک متن، مجموعه‌ای از حروف است.
اما کامپیوتر هیچ‌کدام از این‌ها را به این شکل نمی‌بیند.
کامپیوتر در پایین‌ترین سطح فقط یک زبان را می‌شناسد:
---
چرا فقط 0 و 1؟
شاید عجیب باشد که یک دستگاه فوق‌العاده پیچیده مثل کامپیوتر، در نهایت با دو عدد کار می‌کند.
اما دلیلش ساده است.
ساختن مدارهایی که فقط دو حالت داشته باشند، بسیار راحت‌تر و مطمئن‌تر است.
مثلاً یک کلید برق را تصور کن:
قطعات الکترونیکی داخل کامپیوتر هم می‌توانند وضعیت‌های مختلفی داشته باشند که ما آنها را به شکل منطقی با 0 و 1 نمایش می‌دهیم.
البته کامپیوتر واقعاً «عدد صفر» و «عدد یک» را مثل انسان نمی‌بیند؛ این فقط روشی است که ما برای نمایش وضعیت‌های الکتریکی استفاده می‌کنیم.
---
Bit چیست؟
کوچک‌ترین واحد اطلاعات در کامپیوتر Bit نام دارد.
Bit از عبارت Binary Digit گرفته شده، یعنی یک رقم دودویی.
هر Bit فقط یک انتخاب دارد:
اما یک بیت اطلاعات خیلی کمی دارد.
برای اینکه بتوانیم اطلاعات بیشتری ذخیره کنیم، تعداد زیادی Bit را کنار هم قرار می‌دهیم.
مثلاً:
یک مجموعه از بیت‌هاست.
هرچه تعداد بیت‌ها بیشتر شود، تعداد حالت‌هایی که می‌توانیم نمایش دهیم بیشتر می‌شود.
---
Byte چیست؟
برای اینکه کار با بیت‌ها راحت‌تر شود، معمولاً آنها را گروه‌بندی می‌کنیم.
مثلاً:
یک Byte است.
با 8 بیت می‌توان 256 حالت مختلف ساخت.
به همین دلیل یک Byte می‌تواند برای نمایش تعداد زیادی از کاراکترها و داده‌ها استفاده شود.
---
پس یک حرف چطور ذخیره می‌شود؟
فرض کن حرف «A» را تایپ می‌کنی.
کامپیوتر نمی‌داند A چیست.
برای کامپیوتر، این فقط یک مقدار عددی است.
در استاندارد ASCII:
و عدد 65 در نهایت به شکل Binary ذخیره می‌شود:
یعنی حتی یک حرف ساده هم درون کامپیوتر تبدیل به صفر و یک می‌شود.
---
عکس‌ها هم فقط عدد هستند!
وقتی یک عکس را باز می‌کنی، کامپیوتر یک تصویر زیبا نمی‌بیند.
آن چیزی که وجود دارد:
• میلیون‌ها مقدار عددی
• اطلاعات رنگ‌ها
• موقعیت Pixelها
است.
مثلاً هر Pixel اطلاعاتی درباره رنگ خودش دارد و کامپیوتر این اطلاعات را پردازش می‌کند تا ما در نهایت یک تصویر ببینیم.
پس:
---
فیلم و صدا چطور؟
فیلم چیزی بیشتر از تعداد زیادی تصویر پشت سر هم نیست.
هر فریم یک سری داده است.
صدا هم به شکل موج‌های صوتی دریافت می‌شود و بعد به مقادیر عددی تبدیل می‌شود.
در نهایت:
عکس، فیلم، موسیقی، بازی، برنامه و متن...
همه در پایین‌ترین سطح یک چیز هستند:
داده‌ای که با 0 و 1 نمایش داده شده است.
---
واحدهای ذخیره‌سازی
وقتی مقدار داده زیاد می‌شود، دیگر با Byte کار نمی‌کنیم.
واحدهای بزرگ‌تر:
مثلاً:
یک عکس معمولی ممکن است چند MB باشد، اما یک بازی جدید ممکن است ده‌ها GB فضا نیاز داشته باشد.
---
اما یک سؤال مهم باقی می‌ماند...
ما فهمیدیم کامپیوتر چطور اطلاعات را به شکل 0 و 1 نگه می‌دارد.
اما هنوز یک سؤال بزرگ داریم:
چطور همین 0 و 1 ها تبدیل به محاسبه، تصمیم‌گیری و اجرای برنامه می‌شوند؟
چطور CPU می‌فهمد:
چطور یک کامپیوتر می‌تواند یک بازی پیچیده یا یک هوش مصنوعی را اجرا کند؟
جواب این سؤال در چیزی به نام Logic Gates است.
مدارهای کوچکی که پایه‌ی تمام محاسبات کامپیوتری هستند.
📌 قسمت ۴: Logic Gates — جایی که کامپیوتر شروع به فکر کردن می‌کند
قسمت ۳ — Bit، Byte و Binary؛ زبان مخفی کامپیوتر
تا حالا فکر کردی کامپیوتر چطور یک عکس، یک آهنگ، یک فیلم یا حتی همین متنی که الان می‌خوانی را ذخیره می‌کند؟
برای ما یک عکس، یک تصویر واقعی است.
برای ما یک آهنگ، یک صداست.
برای ما یک متن، مجموعه‌ای از حروف است.
اما کامپیوتر هیچ‌کدام از این‌ها را به این شکل نمی‌بیند.
کامپیوتر در پایین‌ترین سطح فقط یک زبان را می‌شناسد:
0 و 1
---
چرا فقط 0 و 1؟
شاید عجیب باشد که یک دستگاه فوق‌العاده پیچیده مثل کامپیوتر، در نهایت با دو عدد کار می‌کند.
اما دلیلش ساده است.
ساختن مدارهایی که فقط دو حالت داشته باشند، بسیار راحت‌تر و مطمئن‌تر است.
مثلاً یک کلید برق را تصور کن:
خاموش → 0
روشن → 1
قطعات الکترونیکی داخل کامپیوتر هم می‌توانند وضعیت‌های مختلفی داشته باشند که ما آنها را به شکل منطقی با 0 و 1 نمایش می‌دهیم.
البته کامپیوتر واقعاً «عدد صفر» و «عدد یک» را مثل انسان نمی‌بیند؛ این فقط روشی است که ما برای نمایش وضعیت‌های الکتریکی استفاده می‌کنیم.
---
Bit چیست؟
کوچک‌ترین واحد اطلاعات در کامپیوتر Bit نام دارد.
Bit از عبارت Binary Digit گرفته شده، یعنی یک رقم دودویی.
هر Bit فقط یک انتخاب دارد:
0 یا 1
اما یک بیت اطلاعات خیلی کمی دارد.
برای اینکه بتوانیم اطلاعات بیشتری ذخیره کنیم، تعداد زیادی Bit را کنار هم قرار می‌دهیم.
مثلاً:
"101101"
یک مجموعه از بیت‌هاست.
هرچه تعداد بیت‌ها بیشتر شود، تعداد حالت‌هایی که می‌توانیم نمایش دهیم بیشتر می‌شود.
---
Byte چیست؟
برای اینکه کار با بیت‌ها راحت‌تر شود، معمولاً آنها را گروه‌بندی می‌کنیم.
هر 8 بیت = 1 Byte
مثلاً:
"01000001"
یک Byte است.
با 8 بیت می‌توان 256 حالت مختلف ساخت.
به همین دلیل یک Byte می‌تواند برای نمایش تعداد زیادی از کاراکترها و داده‌ها استفاده شود.
---
پس یک حرف چطور ذخیره می‌شود؟
فرض کن حرف «A» را تایپ می‌کنی.
کامپیوتر نمی‌داند A چیست.
برای کامپیوتر، این فقط یک مقدار عددی است.
در استاندارد ASCII:
A = 65
و عدد 65 در نهایت به شکل Binary ذخیره می‌شود:
"01000001"
یعنی حتی یک حرف ساده هم درون کامپیوتر تبدیل به صفر و یک می‌شود.
---
عکس‌ها هم فقط عدد هستند!
وقتی یک عکس را باز می‌کنی، کامپیوتر یک تصویر زیبا نمی‌بیند.
آن چیزی که وجود دارد:
• میلیون‌ها مقدار عددی
• اطلاعات رنگ‌ها
• موقعیت Pixelها
است.
مثلاً هر Pixel اطلاعاتی درباره رنگ خودش دارد و کامپیوتر این اطلاعات را پردازش می‌کند تا ما در نهایت یک تصویر ببینیم.
پس:
عکس برای انسان = تصویر
عکس برای کامپیوتر = داده
---
فیلم و صدا چطور؟
فیلم چیزی بیشتر از تعداد زیادی تصویر پشت سر هم نیست.
هر فریم یک سری داده است.
صدا هم به شکل موج‌های صوتی دریافت می‌شود و بعد به مقادیر عددی تبدیل می‌شود.
در نهایت:
عکس، فیلم، موسیقی، بازی، برنامه و متن...
همه در پایین‌ترین سطح یک چیز هستند:
داده‌ای که با 0 و 1 نمایش داده شده است.
---
واحدهای ذخیره‌سازی
وقتی مقدار داده زیاد می‌شود، دیگر با Byte کار نمی‌کنیم.
واحدهای بزرگ‌تر:
• 1 KB = 1024 Byte
• 1 MB = 1024 KB
• 1 GB = 1024 MB
• 1 TB = 1024 GB
مثلاً:
یک عکس معمولی ممکن است چند MB باشد، اما یک بازی جدید ممکن است ده‌ها GB فضا نیاز داشته باشد.
---
اما یک سؤال مهم باقی می‌ماند...
ما فهمیدیم کامپیوتر چطور اطلاعات را به شکل 0 و 1 نگه می‌دارد.
اما هنوز یک سؤال بزرگ داریم:
چطور همین 0 و 1 ها تبدیل به محاسبه، تصمیم‌گیری و اجرای برنامه می‌شوند؟
چطور CPU می‌فهمد:
2 + 3 = 5 ؟
چطور یک کامپیوتر می‌تواند یک بازی پیچیده یا یک هوش مصنوعی را اجرا کند؟
جواب این سؤال در چیزی به نام Logic Gates است.
مدارهای کوچکی که پایه‌ی تمام محاسبات کامپیوتری هستند.
📌 قسمت ۴: Logic Gates — جایی که کامپیوتر شروع به فکر کردن می‌کند
👍1👏1
📰 AI NEWS | 31 August 2026
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
💾 NVIDIA روی MediaTek سرمایه‌گذاری ۳.۵ میلیارد دلاری کرد
NVIDIA امروز اعلام کرد در شرکت تایوانی MediaTek حدود ۳.۵ میلیارد دلار سرمایه‌گذاری می‌کند. هدف این همکاری، توسعه تراشه‌های AI و گسترش اکوسیستم NVIDIA در رایانه‌های شخصی و خودروهای هوشمند است.
⚖️ ChatGPT زیر قوانین سخت‌گیرانه‌تر اروپا قرار گرفت
اتحادیه اروپا ChatGPT را تحت چارچوب قوانین خدمات دیجیتال (DSA) به‌عنوان یک پلتفرم بسیار بزرگ دسته‌بندی کرده است. این یعنی OpenAI باید الزامات بیشتری در زمینه امنیت کاربران، شفافیت و حفاظت از کاربران اروپایی رعایت کند.
🧠 DeepSeek مدل چندوجهی جدید منتشر کرد
DeepSeek یک مدل آزمایشی جدید با قابلیت پردازش تصویر و متن منتشر کرده که در جامعه توسعه‌دهندگان Open-Source مورد توجه قرار گرفته است. این مدل نشان‌دهنده ادامه رقابت چین در حوزه مدل‌های باز AI است.
🤖 تمرکز شرکت‌های AI بیشتر به سمت سلامت و پزشکی می‌رود
گزارش جدیدی نشان می‌دهد شرکت‌هایی مثل OpenAI و Anthropic در حال افزایش فعالیت خود در حوزه سلامت و علوم زیستی هستند تا کاربردهای ملموس‌تری از AI ارائه دهند.
💰 OpenAI از تبلیغات ChatGPT درآمد قابل‌توجهی کسب می‌کند
گزارش‌های امروز می‌گویند کسب‌وکار تبلیغاتی OpenAI در سال ۲۰۲۶ به درآمد سالانه‌شده حدود ۱ میلیارد دلار رسیده است. این موضوع نشان می‌دهد OpenAI در حال متنوع‌کردن مدل درآمدی خود است.
🛡️ نگرانی درباره امنیت مالی AI افزایش یافت
هیئت ثبات مالی G20 درباره تأثیر مدل‌های پیشرفته AI بر امنیت سیستم‌های مالی جهانی هشدار داده و خواستار آماده‌سازی بانک‌ها و مؤسسات مالی برای ریسک‌های جدید شده است.
📌 جمع‌بندی امروز:
امروز بیشتر تمرکز صنعت AI روی این موضوعات بود:
💾 تراشه و زیرساخت AI → NVIDIA + MediaTek
⚖️ قوانین و نظارت → ChatGPT در اروپا
🧠 مدل‌های باز → DeepSeek
🏥 کاربردهای واقعی → پزشکی و سلامت
💰 درآمدزایی → تبلیغات AI
🛡️ امنیت → ریسک‌های اقتصادی AI
#AI #AInews #ArtificialIntelligence #OpenAI #ChatGPT #NVIDIA #DeepSeek #Anthropic #MachineLearning #AIAgents
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
💾 NVIDIA روی MediaTek سرمایه‌گذاری ۳.۵ میلیارد دلاری کرد
NVIDIA امروز اعلام کرد در شرکت تایوانی MediaTek حدود ۳.۵ میلیارد دلار سرمایه‌گذاری می‌کند. هدف این همکاری، توسعه تراشه‌های AI و گسترش اکوسیستم NVIDIA در رایانه‌های شخصی و خودروهای هوشمند است.
⚖️ ChatGPT زیر قوانین سخت‌گیرانه‌تر اروپا قرار گرفت
اتحادیه اروپا ChatGPT را تحت چارچوب قوانین خدمات دیجیتال (DSA) به‌عنوان یک پلتفرم بسیار بزرگ دسته‌بندی کرده است. این یعنی OpenAI باید الزامات بیشتری در زمینه امنیت کاربران، شفافیت و حفاظت از کاربران اروپایی رعایت کند.
🧠 DeepSeek مدل چندوجهی جدید منتشر کرد
DeepSeek یک مدل آزمایشی جدید با قابلیت پردازش تصویر و متن منتشر کرده که در جامعه توسعه‌دهندگان Open-Source مورد توجه قرار گرفته است. این مدل نشان‌دهنده ادامه رقابت چین در حوزه مدل‌های باز AI است.
🤖 تمرکز شرکت‌های AI بیشتر به سمت سلامت و پزشکی می‌رود
گزارش جدیدی نشان می‌دهد شرکت‌هایی مثل OpenAI و Anthropic در حال افزایش فعالیت خود در حوزه سلامت و علوم زیستی هستند تا کاربردهای ملموس‌تری از AI ارائه دهند.
💰 OpenAI از تبلیغات ChatGPT درآمد قابل‌توجهی کسب می‌کند
گزارش‌های امروز می‌گویند کسب‌وکار تبلیغاتی OpenAI در سال ۲۰۲۶ به درآمد سالانه‌شده حدود ۱ میلیارد دلار رسیده است. این موضوع نشان می‌دهد OpenAI در حال متنوع‌کردن مدل درآمدی خود است.
🛡️ نگرانی درباره امنیت مالی AI افزایش یافت
هیئت ثبات مالی G20 درباره تأثیر مدل‌های پیشرفته AI بر امنیت سیستم‌های مالی جهانی هشدار داده و خواستار آماده‌سازی بانک‌ها و مؤسسات مالی برای ریسک‌های جدید شده است.
📌 جمع‌بندی امروز:
امروز بیشتر تمرکز صنعت AI روی این موضوعات بود:
💾 تراشه و زیرساخت AI → NVIDIA + MediaTek
⚖️ قوانین و نظارت → ChatGPT در اروپا
🧠 مدل‌های باز → DeepSeek
🏥 کاربردهای واقعی → پزشکی و سلامت
💰 درآمدزایی → تبلیغات AI
🛡️ امنیت → ریسک‌های اقتصادی AI
#AI #AInews #ArtificialIntelligence #OpenAI #ChatGPT #NVIDIA #DeepSeek #Anthropic #MachineLearning #AIAgents
👍2
📰 AI NEWS | 1 September 2026
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
💰 Anthropic قرارداد ۳۵ میلیارد دلاری برای Compute امضا کرد
Anthropic یک قرارداد چندساله به ارزش حدود ۳۵ میلیارد دلار با Lambda امضا کرده تا ظرفیت محاسباتی موردنیاز مدل‌های AI خود را تأمین کند. این قرارداد برای یک دیتاسنتر در تگزاس است و نشان می‌دهد رقابت برای دسترسی به GPU و زیرساخت AI همچنان بسیار شدید است.
🧠 Claude Sonnet 5؛ حالت Max می‌تواند 3.5× یا بیشتر Compute مصرف کند
در تنظیمات Effort مدل Claude Sonnet 5، سطح Max می‌تواند نسبت به سطح پایه به ۳.۵ برابر یا بیشتر Compute/Usage نیاز داشته باشد. این عدد به معنی ۳.۵ برابر شدن مصرف اشتراک Claude Max نیست؛ به میزان تلاش و محاسباتی مربوط است که مدل برای پاسخ‌دادن اختصاص می‌دهد. Anthropic اعلام کرده Sonnet 5 با سطوح مختلف Effort، تعادل متفاوتی میان کیفیت، سرعت و هزینه ارائه می‌کند.
⚖️ آمریکا در G20 خواستار رویکرد سبک‌تر در مقررات AI شد
مقام‌های آمریکایی در نشست فناوری G20 از رویکردی با مقررات سبک‌تر برای هوش مصنوعی حمایت کرده‌اند و استدلال می‌کنند مقررات سنگین می‌تواند سرعت نوآوری را کاهش دهد. این موضوع به یکی از اختلافات اصلی کشورها درباره آینده قانون‌گذاری AI تبدیل شده است.
⚖️ OpenAI ادعاهای Apple درباره اسرار تجاری را رد کرد
OpenAI در پرونده حقوقی خود با Apple، اتهام سوءاستفاده از اطلاعات محرمانه را رد کرده است. Apple مدعی است برخی کارکنان سابقش پس از پیوستن به OpenAI به اطلاعات مربوط به سخت‌افزار دسترسی داشته‌اند؛ OpenAI این ادعاها را رد کرده و پرونده را بخشی از اختلاف دو شرکت بر سر جذب نیرو و رقابت در سخت‌افزار می‌داند.
🛡️ Anthropic آزمایش‌های امنیت سایبری Claude را از سر گرفت
پس از حوادث امنیتی اخیر در آزمایش‌های Claude، Anthropic برخی آزمایش‌های خارجی امنیت سایبری را دوباره آغاز کرده است. موضوع اصلی، ارزیابی توانایی Agentهای AI و اطمینان از کنترل رفتار آنها در محیط‌های حساس است.
💻 AI Coding وارد مرحله رقابت قیمتی شده است
رقابت میان OpenAI و Anthropic فقط بر سر قدرت مدل‌ها نیست؛ قیمت، سرعت و هزینه اجرای مدل‌های Coding نیز به عامل مهمی تبدیل شده است. شرکت‌ها در تلاش‌اند مدل‌هایی ارائه کنند که برای توسعه نرم‌افزار و Agentها هم قدرتمند و هم اقتصادی باشند.
☁️ زیرساخت AI همچنان بزرگ‌ترین میدان رقابت است
قراردادهای چندده‌میلیارددلاری اخیر Anthropic نشان می‌دهند شرکت‌های AI برای تأمین GPU، دیتاسنتر، برق و ظرفیت Cloud سرمایه‌گذاری بسیار سنگینی انجام می‌دهند.
📌 جمع‌بندی امروز:
💾 Compute → قرارداد ۳۵ میلیارد دلاری Anthropic
🧠 Claude → حالت Max در Effort می‌تواند 3.5× یا بیشتر Compute مصرف کند
⚖️ Regulation → اختلاف کشورها بر سر قوانین AI
🛡️ Safety → آزمایش و کنترل Agentهای پیشرفته
💻 Coding → رقابت شدید بر سر قیمت و عملکرد
#AI #AInews #ArtificialIntelligence #Anthropic #Claude #Sonnet5 #OpenAI #Apple #NVIDIA #AIAgents #AICoding #AISafety #MachineLearning #TechNews
🔥 مهم‌ترین اخبار هوش مصنوعی امروز:
💰 Anthropic قرارداد ۳۵ میلیارد دلاری برای Compute امضا کرد
Anthropic یک قرارداد چندساله به ارزش حدود ۳۵ میلیارد دلار با Lambda امضا کرده تا ظرفیت محاسباتی موردنیاز مدل‌های AI خود را تأمین کند. این قرارداد برای یک دیتاسنتر در تگزاس است و نشان می‌دهد رقابت برای دسترسی به GPU و زیرساخت AI همچنان بسیار شدید است.
🧠 Claude Sonnet 5؛ حالت Max می‌تواند 3.5× یا بیشتر Compute مصرف کند
در تنظیمات Effort مدل Claude Sonnet 5، سطح Max می‌تواند نسبت به سطح پایه به ۳.۵ برابر یا بیشتر Compute/Usage نیاز داشته باشد. این عدد به معنی ۳.۵ برابر شدن مصرف اشتراک Claude Max نیست؛ به میزان تلاش و محاسباتی مربوط است که مدل برای پاسخ‌دادن اختصاص می‌دهد. Anthropic اعلام کرده Sonnet 5 با سطوح مختلف Effort، تعادل متفاوتی میان کیفیت، سرعت و هزینه ارائه می‌کند.
⚖️ آمریکا در G20 خواستار رویکرد سبک‌تر در مقررات AI شد
مقام‌های آمریکایی در نشست فناوری G20 از رویکردی با مقررات سبک‌تر برای هوش مصنوعی حمایت کرده‌اند و استدلال می‌کنند مقررات سنگین می‌تواند سرعت نوآوری را کاهش دهد. این موضوع به یکی از اختلافات اصلی کشورها درباره آینده قانون‌گذاری AI تبدیل شده است.
⚖️ OpenAI ادعاهای Apple درباره اسرار تجاری را رد کرد
OpenAI در پرونده حقوقی خود با Apple، اتهام سوءاستفاده از اطلاعات محرمانه را رد کرده است. Apple مدعی است برخی کارکنان سابقش پس از پیوستن به OpenAI به اطلاعات مربوط به سخت‌افزار دسترسی داشته‌اند؛ OpenAI این ادعاها را رد کرده و پرونده را بخشی از اختلاف دو شرکت بر سر جذب نیرو و رقابت در سخت‌افزار می‌داند.
🛡️ Anthropic آزمایش‌های امنیت سایبری Claude را از سر گرفت
پس از حوادث امنیتی اخیر در آزمایش‌های Claude، Anthropic برخی آزمایش‌های خارجی امنیت سایبری را دوباره آغاز کرده است. موضوع اصلی، ارزیابی توانایی Agentهای AI و اطمینان از کنترل رفتار آنها در محیط‌های حساس است.
💻 AI Coding وارد مرحله رقابت قیمتی شده است
رقابت میان OpenAI و Anthropic فقط بر سر قدرت مدل‌ها نیست؛ قیمت، سرعت و هزینه اجرای مدل‌های Coding نیز به عامل مهمی تبدیل شده است. شرکت‌ها در تلاش‌اند مدل‌هایی ارائه کنند که برای توسعه نرم‌افزار و Agentها هم قدرتمند و هم اقتصادی باشند.
☁️ زیرساخت AI همچنان بزرگ‌ترین میدان رقابت است
قراردادهای چندده‌میلیارددلاری اخیر Anthropic نشان می‌دهند شرکت‌های AI برای تأمین GPU، دیتاسنتر، برق و ظرفیت Cloud سرمایه‌گذاری بسیار سنگینی انجام می‌دهند.
📌 جمع‌بندی امروز:
💾 Compute → قرارداد ۳۵ میلیارد دلاری Anthropic
🧠 Claude → حالت Max در Effort می‌تواند 3.5× یا بیشتر Compute مصرف کند
⚖️ Regulation → اختلاف کشورها بر سر قوانین AI
🛡️ Safety → آزمایش و کنترل Agentهای پیشرفته
💻 Coding → رقابت شدید بر سر قیمت و عملکرد
#AI #AInews #ArtificialIntelligence #Anthropic #Claude #Sonnet5 #OpenAI #Apple #NVIDIA #AIAgents #AICoding #AISafety #MachineLearning #TechNews
👍2
ᴍᴏʜᴀᴍᴍᴀᴅ ᴅᴇᴠ
📰 AI NEWS | 1 September 2026 🔥 مهم‌ترین اخبار هوش مصنوعی امروز: 💰 Anthropic قرارداد ۳۵ میلیارد دلاری برای Compute امضا کرد Anthropic یک قرارداد چندساله به ارزش حدود ۳۵ میلیارد دلار با Lambda امضا کرده تا ظرفیت محاسباتی موردنیاز مدل‌های AI خود را تأمین کند.…
الان دقت کردم مثل اینکه کلاد مدل Fable 5 رو به مدل Fable 5.1 ارتقا داد و الان برای کاربران دارای اشتراک Pro و Max در دسترس هست.
👍2
🖥️ Computer Science From 0 → 100
قسمت ۴ — Logic Gates؛ کامپیوتر چطور تصمیم می‌گیرد؟
تا اینجا رسیدیم به جایی که کامپیوتر تقریباً همه‌چیز را با 0 و 1 نمایش می‌دهد.
اما یک سؤال مهم هنوز باقی مانده:
خب، این 0 و 1 قرار است چه کاری انجام بدهند؟
مثلاً اگر بخواهیم دو عدد را با هم جمع کنیم، کامپیوتر چطور باید بفهمد جواب چیست؟
اینجاست که Logic Gates وارد داستان می‌شوند.
Logic Gateها مدارهای دیجیتالی کوچکی هستند که روی ورودی‌های 0 و 1 عملیات منطقی انجام می‌دهند و خروجی تولید می‌کنند.
چند نوع اصلی داریم:
AND
خروجی فقط وقتی 1 می‌شود که هر دو ورودی 1 باشند.
مثلاً:
"1 AND 1 = 1"
ولی:
"1 AND 0 = 0"
OR
اگر حداقل یکی از ورودی‌ها 1 باشد، خروجی 1 می‌شود.
"1 OR 0 = 1"
و:
"0 OR 0 = 0"
NOT
این یکی ورودی را برعکس می‌کند.
"NOT 1 = 0"
"NOT 0 = 1"
تا اینجا شاید خیلی ساده به نظر برسد؛ ولی همین عملیات‌های ساده، پایه‌ی بخش بزرگی از منطق دیجیتال هستند.
---
حالا قسمت جالب ماجرا
اگر چند Logic Gate را کنار هم قرار بدهیم، می‌توانیم مدارهای پیچیده‌تری بسازیم.
مثلاً می‌توانیم مداری بسازیم که دو عدد را با هم جمع کند.
از همین ایده‌ها مدارهایی مثل:
• Adder
• Comparator
• Multiplexer
• Decoder
• Register
ساخته می‌شوند.
و وقتی تعداد بسیار زیادی از این مدارها را کنار هم قرار دهیم، می‌توانیم بخش‌هایی از یک CPU را بسازیم.
یعنی مسیر تقریباً این شکلی است:
Transistor → Logic Gate → Digital Circuit → CPU
و این دقیقاً یکی از چیزهایی است که فهمیدن کامپیوتر را جذاب می‌کند.
یک CPU مدرن در ظاهر یک تراشه‌ی کوچک است، اما درون آن ساختار بسیار عظیمی از مدارهای الکترونیکی وجود دارد.
---
پس CPU واقعاً «چطور حساب می‌کند»؟
وقتی CPU قرار است عملیاتی مثل جمع، مقایسه یا AND انجام دهد، این کار را با اجرای دستورهایی روی مدارهای دیجیتال انجام می‌دهد.
یکی از بخش‌های مهم CPU که این نوع عملیات را انجام می‌دهد ALU یا Arithmetic Logic Unit است.
ALU وظایفی مثل:
• جمع و تفریق
• عملیات منطقی
• مقایسه‌ی مقادیر
را انجام می‌دهد.
اما ALU به‌تنهایی یک CPU کامل نیست.
CPU بخش‌های دیگری مثل Registers، Control Unit، Cache و اجزای مختلف دیگر هم دارد که با هم برای اجرای دستورها کار می‌کنند.
---
یک نکته خیلی مهم
کامپیوتر از یک «قطعه جادویی» ساخته نشده.
چیزی که ما به اسم CPU می‌شناسیم، نتیجه‌ی کنار هم قرار گرفتن تعداد بسیار زیادی مدار ساده است.
و خود آن مدارها هم از اجزای بنیادی‌تری ساخته شده‌اند.
در پایین‌ترین سطح، داستان به ترانزیستور می‌رسد.
ترانزیستور همان قطعه‌ای است که اجازه داد مدارهای دیجیتال در مقیاس بسیار بزرگ ساخته شوند و اساس تراشه‌های مدرن را تشکیل می‌دهد.
📌 قسمت ۵ — Transistor؛ قطعه‌ای که دنیای کامپیوتر را متحول کرد
قسمت ۴ — Logic Gates؛ کامپیوتر چطور تصمیم می‌گیرد؟
تا اینجا رسیدیم به جایی که کامپیوتر تقریباً همه‌چیز را با 0 و 1 نمایش می‌دهد.
اما یک سؤال مهم هنوز باقی مانده:
خب، این 0 و 1 قرار است چه کاری انجام بدهند؟
مثلاً اگر بخواهیم دو عدد را با هم جمع کنیم، کامپیوتر چطور باید بفهمد جواب چیست؟
اینجاست که Logic Gates وارد داستان می‌شوند.
Logic Gateها مدارهای دیجیتالی کوچکی هستند که روی ورودی‌های 0 و 1 عملیات منطقی انجام می‌دهند و خروجی تولید می‌کنند.
چند نوع اصلی داریم:
AND
خروجی فقط وقتی 1 می‌شود که هر دو ورودی 1 باشند.
مثلاً:
"1 AND 1 = 1"
ولی:
"1 AND 0 = 0"
OR
اگر حداقل یکی از ورودی‌ها 1 باشد، خروجی 1 می‌شود.
"1 OR 0 = 1"
و:
"0 OR 0 = 0"
NOT
این یکی ورودی را برعکس می‌کند.
"NOT 1 = 0"
"NOT 0 = 1"
تا اینجا شاید خیلی ساده به نظر برسد؛ ولی همین عملیات‌های ساده، پایه‌ی بخش بزرگی از منطق دیجیتال هستند.
---
حالا قسمت جالب ماجرا
اگر چند Logic Gate را کنار هم قرار بدهیم، می‌توانیم مدارهای پیچیده‌تری بسازیم.
مثلاً می‌توانیم مداری بسازیم که دو عدد را با هم جمع کند.
از همین ایده‌ها مدارهایی مثل:
• Adder
• Comparator
• Multiplexer
• Decoder
• Register
ساخته می‌شوند.
و وقتی تعداد بسیار زیادی از این مدارها را کنار هم قرار دهیم، می‌توانیم بخش‌هایی از یک CPU را بسازیم.
یعنی مسیر تقریباً این شکلی است:
Transistor → Logic Gate → Digital Circuit → CPU
و این دقیقاً یکی از چیزهایی است که فهمیدن کامپیوتر را جذاب می‌کند.
یک CPU مدرن در ظاهر یک تراشه‌ی کوچک است، اما درون آن ساختار بسیار عظیمی از مدارهای الکترونیکی وجود دارد.
---
پس CPU واقعاً «چطور حساب می‌کند»؟
وقتی CPU قرار است عملیاتی مثل جمع، مقایسه یا AND انجام دهد، این کار را با اجرای دستورهایی روی مدارهای دیجیتال انجام می‌دهد.
یکی از بخش‌های مهم CPU که این نوع عملیات را انجام می‌دهد ALU یا Arithmetic Logic Unit است.
ALU وظایفی مثل:
• جمع و تفریق
• عملیات منطقی
• مقایسه‌ی مقادیر
را انجام می‌دهد.
اما ALU به‌تنهایی یک CPU کامل نیست.
CPU بخش‌های دیگری مثل Registers، Control Unit، Cache و اجزای مختلف دیگر هم دارد که با هم برای اجرای دستورها کار می‌کنند.
---
یک نکته خیلی مهم
کامپیوتر از یک «قطعه جادویی» ساخته نشده.
چیزی که ما به اسم CPU می‌شناسیم، نتیجه‌ی کنار هم قرار گرفتن تعداد بسیار زیادی مدار ساده است.
و خود آن مدارها هم از اجزای بنیادی‌تری ساخته شده‌اند.
در پایین‌ترین سطح، داستان به ترانزیستور می‌رسد.
ترانزیستور همان قطعه‌ای است که اجازه داد مدارهای دیجیتال در مقیاس بسیار بزرگ ساخته شوند و اساس تراشه‌های مدرن را تشکیل می‌دهد.
📌 قسمت ۵ — Transistor؛ قطعه‌ای که دنیای کامپیوتر را متحول کرد
👍2
📰 AI NEWS | 2 September 2026
مهم‌ترین اخبار هوش مصنوعی امروز:
🧠 Anthropic مدل Claude Fable 5.1 را معرفی کرد
Anthropic مدل جدید Fable 5.1 را عرضه کرده است. طبق گزارش‌های منتشرشده، این مدل در برخی ارزیابی‌های برنامه‌نویسی عملکرد بهتری نسبت به نسل قبلی نشان داده و هزینه خواندن داده‌های Cache نیز کاهش یافته است.
🤖 Alibaba نسخه پیش‌نمایش Qwen3.8-Flash-Next را منتشر کرد
Alibaba مدل چندوجهی جدیدی از خانواده Qwen ارائه کرده که از معماری Mixture-of-Experts استفاده می‌کند. این مدل با وجود تعداد پارامترهای بالا، در هر مرحله تنها بخشی از پارامترها را فعال می‌کند تا هزینه محاسبات کاهش یابد.
🎬 Google مدل ویدیویی Gemini Omni 1.1 Flash را معرفی کرد
نسخه جدید قابلیت‌هایی مانند کنترل فریم ابتدایی و پایانی، گسترش صحنه و ارتقای ویدئو تا 4K را ارائه می‌کند. این مدل برای تولید و ویرایش ویدئو از طریق API در دسترس قرار گرفته است.
🎙️ Google مدل Gemini 3.5 Transcribe را عرضه کرد
این مدل برای تبدیل گفتار به متن طراحی شده و از بیش از ۸۵ زبان پشتیبانی می‌کند. Google همچنین نسخه‌ای برای پردازش بلادرنگ صدا ارائه کرده است.
🛡️ NVIDIA و CrowdStrike سیستم امنیتی مبتنی بر Agentهای AI معرفی کردند
دو شرکت از سیستم SafeMind خبر داده‌اند؛ سامانه‌ای که از مدل‌های NVIDIA Nemotron برای خودکارسازی بخشی از فرایند تشخیص و مقابله با تهدیدهای سایبری استفاده می‌کند.
🧪 پژوهش جدید درباره حفظ داده‌های آزمون در مدل‌های زبانی
چارچوب BenchMIRT نشان می‌دهد بخشی از عملکرد بالای برخی مدل‌های زبانی در بنچمارک‌ها ممکن است به حفظ داده‌های آزمون مربوط باشد و الزاماً نشان‌دهنده توانایی استدلال مستقل نباشد. این یافته اهمیت طراحی بنچمارک‌های مقاوم در برابر آلودگی داده را بیشتر می‌کند.
🧬 شرکت‌های بزرگ AI روی کاهش ریسک‌های زیستی تمرکز بیشتری دارند
گزارش جدید Financial Times می‌گوید Anthropic، OpenAI و Google DeepMind در حال تقویت سازوکارهای ارزیابی و کنترل دسترسی برای کاهش احتمال سوءاستفاده از مدل‌های پیشرفته در حوزه زیستی هستند.
🇺🇸 آمریکا خواستار امکان آموزش مدل‌های AI با محتوای دارای کپی‌رایت شد
در نشست فناوری G20، دولت آمریکا از چارچوبی حمایت کرده که به شرکت‌های AI اجازه آموزش مدل‌ها با محتوای دارای حق نشر را بدهد، در حالی که حقوق صاحبان آثار نیز مورد حفاظت قرار گیرد. این موضوع در کنار پرونده‌های حقوقی متعدد درباره داده‌های آموزشی AI مطرح شده است.
🇬🇧 معمار استراتژی AI بریتانیا به Anthropic پیوست
Matt Clifford، یکی از چهره‌های مؤثر در تدوین استراتژی AI دولت بریتانیا، به‌عنوان مدیر امور بین‌الملل به Anthropic پیوسته است. این انتصاب به‌دلیل ادامه فعالیت او در یک نهاد دولتی بریتانیا، بحث‌هایی درباره احتمال تعارض منافع ایجاد کرده است.
🏫 نیویورک استفاده از AI در مدارس ابتدایی و راهنمایی را محدود کرد
مدارس دولتی شهر نیویورک اعلام کرده‌اند استفاده از هوش مصنوعی مولد برای دانش‌آموزان تا پایان پایه هشتم ممنوع خواهد بود و در مقاطع بالاتر، آموزش سواد AI مورد توجه قرار می‌گیرد.
📌 جمع‌بندی امروز:
🧠 مدل‌های جدید → Claude Fable 5.1 و Qwen3.8
🎬 تولید ویدئو → Gemini Omni 1.1 Flash
🎙️ صوت → Gemini 3.5 Transcribe
🛡️ امنیت → NVIDIA + CrowdStrike
🧪 ارزیابی مدل‌ها → نگرانی درباره آلودگی بنچمارک‌ها
⚖️ قانون‌گذاری → کپی‌رایت و آموزش مدل‌ها
🏫 آموزش → محدودیت استفاده از AI در مدارس
#AI #AInews #ArtificialIntelligence #Anthropic #Claude #Qwen #GoogleAI #Gemini #NVIDIA #CrowdStrike #OpenAI #MachineLearning
مهم‌ترین اخبار هوش مصنوعی امروز:
🧠 Anthropic مدل Claude Fable 5.1 را معرفی کرد
Anthropic مدل جدید Fable 5.1 را عرضه کرده است. طبق گزارش‌های منتشرشده، این مدل در برخی ارزیابی‌های برنامه‌نویسی عملکرد بهتری نسبت به نسل قبلی نشان داده و هزینه خواندن داده‌های Cache نیز کاهش یافته است.
🤖 Alibaba نسخه پیش‌نمایش Qwen3.8-Flash-Next را منتشر کرد
Alibaba مدل چندوجهی جدیدی از خانواده Qwen ارائه کرده که از معماری Mixture-of-Experts استفاده می‌کند. این مدل با وجود تعداد پارامترهای بالا، در هر مرحله تنها بخشی از پارامترها را فعال می‌کند تا هزینه محاسبات کاهش یابد.
🎬 Google مدل ویدیویی Gemini Omni 1.1 Flash را معرفی کرد
نسخه جدید قابلیت‌هایی مانند کنترل فریم ابتدایی و پایانی، گسترش صحنه و ارتقای ویدئو تا 4K را ارائه می‌کند. این مدل برای تولید و ویرایش ویدئو از طریق API در دسترس قرار گرفته است.
🎙️ Google مدل Gemini 3.5 Transcribe را عرضه کرد
این مدل برای تبدیل گفتار به متن طراحی شده و از بیش از ۸۵ زبان پشتیبانی می‌کند. Google همچنین نسخه‌ای برای پردازش بلادرنگ صدا ارائه کرده است.
🛡️ NVIDIA و CrowdStrike سیستم امنیتی مبتنی بر Agentهای AI معرفی کردند
دو شرکت از سیستم SafeMind خبر داده‌اند؛ سامانه‌ای که از مدل‌های NVIDIA Nemotron برای خودکارسازی بخشی از فرایند تشخیص و مقابله با تهدیدهای سایبری استفاده می‌کند.
🧪 پژوهش جدید درباره حفظ داده‌های آزمون در مدل‌های زبانی
چارچوب BenchMIRT نشان می‌دهد بخشی از عملکرد بالای برخی مدل‌های زبانی در بنچمارک‌ها ممکن است به حفظ داده‌های آزمون مربوط باشد و الزاماً نشان‌دهنده توانایی استدلال مستقل نباشد. این یافته اهمیت طراحی بنچمارک‌های مقاوم در برابر آلودگی داده را بیشتر می‌کند.
🧬 شرکت‌های بزرگ AI روی کاهش ریسک‌های زیستی تمرکز بیشتری دارند
گزارش جدید Financial Times می‌گوید Anthropic، OpenAI و Google DeepMind در حال تقویت سازوکارهای ارزیابی و کنترل دسترسی برای کاهش احتمال سوءاستفاده از مدل‌های پیشرفته در حوزه زیستی هستند.
🇺🇸 آمریکا خواستار امکان آموزش مدل‌های AI با محتوای دارای کپی‌رایت شد
در نشست فناوری G20، دولت آمریکا از چارچوبی حمایت کرده که به شرکت‌های AI اجازه آموزش مدل‌ها با محتوای دارای حق نشر را بدهد، در حالی که حقوق صاحبان آثار نیز مورد حفاظت قرار گیرد. این موضوع در کنار پرونده‌های حقوقی متعدد درباره داده‌های آموزشی AI مطرح شده است.
🇬🇧 معمار استراتژی AI بریتانیا به Anthropic پیوست
Matt Clifford، یکی از چهره‌های مؤثر در تدوین استراتژی AI دولت بریتانیا، به‌عنوان مدیر امور بین‌الملل به Anthropic پیوسته است. این انتصاب به‌دلیل ادامه فعالیت او در یک نهاد دولتی بریتانیا، بحث‌هایی درباره احتمال تعارض منافع ایجاد کرده است.
🏫 نیویورک استفاده از AI در مدارس ابتدایی و راهنمایی را محدود کرد
مدارس دولتی شهر نیویورک اعلام کرده‌اند استفاده از هوش مصنوعی مولد برای دانش‌آموزان تا پایان پایه هشتم ممنوع خواهد بود و در مقاطع بالاتر، آموزش سواد AI مورد توجه قرار می‌گیرد.
📌 جمع‌بندی امروز:
🧠 مدل‌های جدید → Claude Fable 5.1 و Qwen3.8
🎬 تولید ویدئو → Gemini Omni 1.1 Flash
🎙️ صوت → Gemini 3.5 Transcribe
🛡️ امنیت → NVIDIA + CrowdStrike
🧪 ارزیابی مدل‌ها → نگرانی درباره آلودگی بنچمارک‌ها
⚖️ قانون‌گذاری → کپی‌رایت و آموزش مدل‌ها
🏫 آموزش → محدودیت استفاده از AI در مدارس
#AI #AInews #ArtificialIntelligence #Anthropic #Claude #Qwen #GoogleAI #Gemini #NVIDIA #CrowdStrike #OpenAI #MachineLearning
👍2
📰 AI NEWS | 3 September 2026
مهم‌ترین اخبار هوش مصنوعی امروز:
🤖 NVIDIA خرید Hugging Face را با ارزش ۱۲.۹۳ میلیارد دلار اعلام کرد
NVIDIA رسماً اعلام کرده است که پلتفرم هوش مصنوعی Hugging Face را با مبلغ ۱۲.۹۳ میلیارد دلار خریداری می‌کند. NVIDIA می‌گوید Hugging Face پس از این معامله همچنان یک پلتفرم باز باقی خواهد ماند و از مدل‌ها، فریم‌ورک‌ها، ارائه‌دهندگان ابری و شتاب‌دهنده‌های مختلف پشتیبانی خواهد کرد.
🧠 Google مدل‌های Gemini 3.8 Flash و 3.8 Flash Cyber را معرفی کرد
Google مدل‌های جدید Gemini 3.8 Flash و نسخه تخصصی 3.8 Flash Cyber را برای وظایف Agentic و کاربردهای امنیت سایبری معرفی کرده است. نسخه Cyber به‌طور ویژه برای سناریوهای مرتبط با امنیت و دفاع سایبری طراحی شده است.
🌦️ Google مدل WeatherNext 3 را برای پیش‌بینی هوا معرفی کرد
Google DeepMind از WeatherNext 3، نسل جدید مدل هوش مصنوعی پیش‌بینی آب‌وهوا، رونمایی کرده است. این مدل از داده‌های ماهواره‌ای بلادرنگ، به‌روزرسانی ساعتی و وضوح بالاتر برای پیش‌بینی دقیق‌تر، از جمله بارش، استفاده می‌کند.
🇦🇪 ابوظبی مدل‌های کاملاً متن‌باز هوش مصنوعی منتشر کرد
یک مؤسسه هوش مصنوعی در ابوظبی مجموعه‌ای از مدل‌ها را همراه با کد و داده‌های آموزشی منتشر کرده است. هدف این پروژه فراهم‌کردن امکان بررسی و توسعه مدل‌ها برای پژوهشگران و جامعه متن‌باز است.
💻 اختلال همزمان در ChatGPT، Claude و Grok
امروز چند سرویس بزرگ هوش مصنوعی از جمله ChatGPT، Claude و Grok با اختلال مواجه شدند. علت این رخدادها هنوز به‌طور قطعی مرتبط با یکدیگر اعلام نشده است؛ OpenAI نیز اختلال جداگانه‌ای را در ChatGPT و Codex ثبت کرد و پس از اعمال اقدامات اصلاحی، وضعیت سرویس‌ها تحت نظارت قرار گرفت.
🎙️ Google قابلیت‌های صوتی جدیدی برای Workspace معرفی کرد
Google چند قابلیت صوتی جدید برای Gmail، Docs و Keep معرفی کرده است که به کاربران اجازه می‌دهد با دستورات طبیعی صوتی برخی وظایف را انجام دهند و محتوای جدید ایجاد یا ویرایش کنند.
🏫 Google آموزش‌های جدید AI برای معلمان ارائه می‌کند
Google در قالب Google AI Educator Series مجموعه‌ای از آموزش‌های رایگان و کوتاه برای معلمان ارائه می‌کند. این دوره‌ها روی استفاده عملی از ابزارهای AI در کلاس، شخصی‌سازی آموزش و کاهش بخشی از کارهای اداری تمرکز دارند.
📊 سرمایه‌گذاری روی زیرساخت AI همچنان افزایش می‌یابد
گزارش‌های جدید بازار نشان می‌دهند تقاضا برای تراشه‌ها و زیرساخت‌های هوش مصنوعی همچنان در حال رشد است. Broadcom نیز پیش‌بینی کرده فروش تراشه‌های AI در دو سال آینده رشد قابل‌توجهی داشته باشد؛ موضوعی که نشان‌دهنده ادامه سرمایه‌گذاری سنگین شرکت‌های فناوری در زیرساخت AI است.
📌 جمع‌بندی امروز:
🤖 اکوسیستم AI → خرید Hugging Face توسط NVIDIA
🧠 مدل‌ها → Gemini 3.8 Flash و 3.8 Flash Cyber
🌦️ کاربرد علمی → WeatherNext 3
🇦🇪 متن‌باز → انتشار مدل‌های جدید در ابوظبی
💻 زیرساخت → ادامه رشد تقاضای تراشه‌های AI
⚠️ سرویس‌ها → اختلال همزمان چند پلتفرم بزرگ
🏫 آموزش → برنامه جدید Google برای معلمان
#AI #AInews #ArtificialIntelligence #NVIDIA #HuggingFace #GoogleAI #Gemini #OpenSource #MachineLearning #DeepLearning
مهم‌ترین اخبار هوش مصنوعی امروز:
🤖 NVIDIA خرید Hugging Face را با ارزش ۱۲.۹۳ میلیارد دلار اعلام کرد
NVIDIA رسماً اعلام کرده است که پلتفرم هوش مصنوعی Hugging Face را با مبلغ ۱۲.۹۳ میلیارد دلار خریداری می‌کند. NVIDIA می‌گوید Hugging Face پس از این معامله همچنان یک پلتفرم باز باقی خواهد ماند و از مدل‌ها، فریم‌ورک‌ها، ارائه‌دهندگان ابری و شتاب‌دهنده‌های مختلف پشتیبانی خواهد کرد.
🧠 Google مدل‌های Gemini 3.8 Flash و 3.8 Flash Cyber را معرفی کرد
Google مدل‌های جدید Gemini 3.8 Flash و نسخه تخصصی 3.8 Flash Cyber را برای وظایف Agentic و کاربردهای امنیت سایبری معرفی کرده است. نسخه Cyber به‌طور ویژه برای سناریوهای مرتبط با امنیت و دفاع سایبری طراحی شده است.
🌦️ Google مدل WeatherNext 3 را برای پیش‌بینی هوا معرفی کرد
Google DeepMind از WeatherNext 3، نسل جدید مدل هوش مصنوعی پیش‌بینی آب‌وهوا، رونمایی کرده است. این مدل از داده‌های ماهواره‌ای بلادرنگ، به‌روزرسانی ساعتی و وضوح بالاتر برای پیش‌بینی دقیق‌تر، از جمله بارش، استفاده می‌کند.
🇦🇪 ابوظبی مدل‌های کاملاً متن‌باز هوش مصنوعی منتشر کرد
یک مؤسسه هوش مصنوعی در ابوظبی مجموعه‌ای از مدل‌ها را همراه با کد و داده‌های آموزشی منتشر کرده است. هدف این پروژه فراهم‌کردن امکان بررسی و توسعه مدل‌ها برای پژوهشگران و جامعه متن‌باز است.
💻 اختلال همزمان در ChatGPT، Claude و Grok
امروز چند سرویس بزرگ هوش مصنوعی از جمله ChatGPT، Claude و Grok با اختلال مواجه شدند. علت این رخدادها هنوز به‌طور قطعی مرتبط با یکدیگر اعلام نشده است؛ OpenAI نیز اختلال جداگانه‌ای را در ChatGPT و Codex ثبت کرد و پس از اعمال اقدامات اصلاحی، وضعیت سرویس‌ها تحت نظارت قرار گرفت.
🎙️ Google قابلیت‌های صوتی جدیدی برای Workspace معرفی کرد
Google چند قابلیت صوتی جدید برای Gmail، Docs و Keep معرفی کرده است که به کاربران اجازه می‌دهد با دستورات طبیعی صوتی برخی وظایف را انجام دهند و محتوای جدید ایجاد یا ویرایش کنند.
🏫 Google آموزش‌های جدید AI برای معلمان ارائه می‌کند
Google در قالب Google AI Educator Series مجموعه‌ای از آموزش‌های رایگان و کوتاه برای معلمان ارائه می‌کند. این دوره‌ها روی استفاده عملی از ابزارهای AI در کلاس، شخصی‌سازی آموزش و کاهش بخشی از کارهای اداری تمرکز دارند.
📊 سرمایه‌گذاری روی زیرساخت AI همچنان افزایش می‌یابد
گزارش‌های جدید بازار نشان می‌دهند تقاضا برای تراشه‌ها و زیرساخت‌های هوش مصنوعی همچنان در حال رشد است. Broadcom نیز پیش‌بینی کرده فروش تراشه‌های AI در دو سال آینده رشد قابل‌توجهی داشته باشد؛ موضوعی که نشان‌دهنده ادامه سرمایه‌گذاری سنگین شرکت‌های فناوری در زیرساخت AI است.
📌 جمع‌بندی امروز:
🤖 اکوسیستم AI → خرید Hugging Face توسط NVIDIA
🧠 مدل‌ها → Gemini 3.8 Flash و 3.8 Flash Cyber
🌦️ کاربرد علمی → WeatherNext 3
🇦🇪 متن‌باز → انتشار مدل‌های جدید در ابوظبی
💻 زیرساخت → ادامه رشد تقاضای تراشه‌های AI
⚠️ سرویس‌ها → اختلال همزمان چند پلتفرم بزرگ
🏫 آموزش → برنامه جدید Google برای معلمان
#AI #AInews #ArtificialIntelligence #NVIDIA #HuggingFace #GoogleAI #Gemini #OpenSource #MachineLearning #DeepLearning
👍2
🖥️ Computer Science From 0 → 100
قسمت ۵ — Transistor؛ کوچک‌ترین قطعه‌ای که دنیای کامپیوتر را ساخت
در قسمت قبل دیدیم که با کنار هم قرار دادن Logic Gateها می‌توانیم مدارهای دیجیتالی بسازیم.
اما خود Logic Gate از کجا می‌آید؟
اینجا می‌رسیم به یکی از مهم‌ترین اختراعات تاریخ فناوری:
Transistor
ترانزیستور یک قطعه‌ی الکترونیکی است که می‌تواند جریان الکتریکی را کنترل یا تقویت کند.
اما برای کامپیوتر یک ویژگی آن فوق‌العاده مهم است:
می‌توان از ترانزیستور به‌عنوان یک کلید الکترونیکی استفاده کرد.
یعنی می‌توانیم شرایطی ایجاد کنیم که جریان عبور کند یا نکند.
همین رفتار ساده را می‌توان به شکل دو حالت دیجیتال در نظر گرفت:
روشن → 1
خاموش → 0
البته یک نکته مهم وجود دارد:
در دنیای واقعی، 0 و 1 لزوماً به معنی «هیچ ولتاژی» و «ولتاژ دقیقاً مشخصی» نیستند؛ مدارهای دیجیتال محدوده‌هایی از ولتاژ را به‌عنوان 0 و 1 تفسیر می‌کنند.
---
چرا ترانزیستور این‌قدر مهم است؟
چون می‌توانیم چند ترانزیستور را به شکل خاصی به هم متصل کنیم و از آنها Logic Gate بسازیم.
بعد چند Logic Gate را ترکیب کنیم و مدارهای پیچیده‌تر بسازیم.
و همین روند را ادامه دهیم تا به بخش‌هایی از CPU برسیم.
پس چیزی که در قسمت‌های قبل دیدیم، در نهایت به ترانزیستورها متصل می‌شود.
جالب‌تر اینکه این اتفاق فقط در حد چند ترانزیستور نیست.
پردازنده‌های مدرن از میلیاردها ترانزیستور تشکیل می‌شوند.
هرکدام از آنها به‌تنهایی بسیار ساده‌اند، اما وقتی تعداد عظیمی از آنها با معماری دقیق کنار هم قرار بگیرند، می‌توانند محاسبات و اجرای دستورهای بسیار پیچیده را ممکن کنند.
---
ترانزیستور دقیقاً از چه چیزی ساخته شده؟
ترانزیستورهای مورد استفاده در تراشه‌های کامپیوتری معمولاً بر پایه‌ی نیمه‌رساناها (Semiconductors) ساخته می‌شوند.
ماده‌ی اصلی در بسیاری از تراشه‌ها:
Silicon — سیلیکون
سیلیکون نه مثل فلزها رسانای خیلی خوبی است و نه مثل عایق‌ها جلوی جریان را کاملاً می‌گیرد.
ویژگی‌های الکتریکی آن را می‌توان با روش‌های مهندسی‌شده کنترل کرد.
همین ویژگی باعث شده سیلیکون به یکی از مهم‌ترین مواد صنعت نیمه‌رسانا تبدیل شود.
---
از یک ترانزیستور تا CPU
اینجا یک زنجیره‌ی خیلی مهم داریم:
Transistor
↓
Logic Gate
↓
Digital Circuit
↓
ALU / Register / Control Logic
↓
CPU
یعنی وقتی روی کامپیوترت یک برنامه را اجرا می‌کنی، پشت آن چیزی که می‌بینی، در پایین‌ترین سطح، مجموعه‌ای عظیم از مدارهای الکترونیکی در حال تغییر وضعیت هستند.
و همه‌ی این‌ها از یک مفهوم بسیار ساده شروع می‌شوند:
کنترل جریان الکتریکی.
---
اما هنوز یک سؤال بزرگ باقی مانده:
اگر CPU فقط مدارهای الکترونیکی دارد، چطور می‌فهمد باید مثلاً یک عدد را جمع کند یا یک دستور را اجرا کند؟
اینجاست که باید برویم سراغ Architecture و Instruction.
📌 قسمت ۶ — CPU؛ مغز کامپیوتر واقعاً چه کاری انجام می‌دهد؟
قسمت ۵ — Transistor؛ کوچک‌ترین قطعه‌ای که دنیای کامپیوتر را ساخت
در قسمت قبل دیدیم که با کنار هم قرار دادن Logic Gateها می‌توانیم مدارهای دیجیتالی بسازیم.
اما خود Logic Gate از کجا می‌آید؟
اینجا می‌رسیم به یکی از مهم‌ترین اختراعات تاریخ فناوری:
Transistor
ترانزیستور یک قطعه‌ی الکترونیکی است که می‌تواند جریان الکتریکی را کنترل یا تقویت کند.
اما برای کامپیوتر یک ویژگی آن فوق‌العاده مهم است:
می‌توان از ترانزیستور به‌عنوان یک کلید الکترونیکی استفاده کرد.
یعنی می‌توانیم شرایطی ایجاد کنیم که جریان عبور کند یا نکند.
همین رفتار ساده را می‌توان به شکل دو حالت دیجیتال در نظر گرفت:
روشن → 1
خاموش → 0
البته یک نکته مهم وجود دارد:
در دنیای واقعی، 0 و 1 لزوماً به معنی «هیچ ولتاژی» و «ولتاژ دقیقاً مشخصی» نیستند؛ مدارهای دیجیتال محدوده‌هایی از ولتاژ را به‌عنوان 0 و 1 تفسیر می‌کنند.
---
چرا ترانزیستور این‌قدر مهم است؟
چون می‌توانیم چند ترانزیستور را به شکل خاصی به هم متصل کنیم و از آنها Logic Gate بسازیم.
بعد چند Logic Gate را ترکیب کنیم و مدارهای پیچیده‌تر بسازیم.
و همین روند را ادامه دهیم تا به بخش‌هایی از CPU برسیم.
پس چیزی که در قسمت‌های قبل دیدیم، در نهایت به ترانزیستورها متصل می‌شود.
جالب‌تر اینکه این اتفاق فقط در حد چند ترانزیستور نیست.
پردازنده‌های مدرن از میلیاردها ترانزیستور تشکیل می‌شوند.
هرکدام از آنها به‌تنهایی بسیار ساده‌اند، اما وقتی تعداد عظیمی از آنها با معماری دقیق کنار هم قرار بگیرند، می‌توانند محاسبات و اجرای دستورهای بسیار پیچیده را ممکن کنند.
---
ترانزیستور دقیقاً از چه چیزی ساخته شده؟
ترانزیستورهای مورد استفاده در تراشه‌های کامپیوتری معمولاً بر پایه‌ی نیمه‌رساناها (Semiconductors) ساخته می‌شوند.
ماده‌ی اصلی در بسیاری از تراشه‌ها:
Silicon — سیلیکون
سیلیکون نه مثل فلزها رسانای خیلی خوبی است و نه مثل عایق‌ها جلوی جریان را کاملاً می‌گیرد.
ویژگی‌های الکتریکی آن را می‌توان با روش‌های مهندسی‌شده کنترل کرد.
همین ویژگی باعث شده سیلیکون به یکی از مهم‌ترین مواد صنعت نیمه‌رسانا تبدیل شود.
---
از یک ترانزیستور تا CPU
اینجا یک زنجیره‌ی خیلی مهم داریم:
Transistor
↓
Logic Gate
↓
Digital Circuit
↓
ALU / Register / Control Logic
↓
CPU
یعنی وقتی روی کامپیوترت یک برنامه را اجرا می‌کنی، پشت آن چیزی که می‌بینی، در پایین‌ترین سطح، مجموعه‌ای عظیم از مدارهای الکترونیکی در حال تغییر وضعیت هستند.
و همه‌ی این‌ها از یک مفهوم بسیار ساده شروع می‌شوند:
کنترل جریان الکتریکی.
---
اما هنوز یک سؤال بزرگ باقی مانده:
اگر CPU فقط مدارهای الکترونیکی دارد، چطور می‌فهمد باید مثلاً یک عدد را جمع کند یا یک دستور را اجرا کند؟
اینجاست که باید برویم سراغ Architecture و Instruction.
📌 قسمت ۶ — CPU؛ مغز کامپیوتر واقعاً چه کاری انجام می‌دهد؟
👍1👨💻1
خیلیا دارن از مدلFable 5.1 کلاد تعریف میکنن ولی خب قسمت اکثر ما ها نیست که تستش کنیم چون اکانت Pro یا Max میخواد. |:
ولی خب وبسایت Arena.ai واقعا دمش گرم تا ۱۴ شهریور بهتون این امکان رو میده که این مدل رو به صورت رایگان تستش کنید.
هر چقدر میتونید ازش کار بکشید و پرامپت های سختی بدید بهش و لذت ببرید. (البته فقط ۱ روز مهلت داریم ولی خب :/)
تنها راه همینه برای تست مدل چون با این وضعیت دیگه خرید اکانت هم داره یواش یواش تبدیل به یه رویا میشه💔
ولی خب وبسایت Arena.ai واقعا دمش گرم تا ۱۴ شهریور بهتون این امکان رو میده که این مدل رو به صورت رایگان تستش کنید.
هر چقدر میتونید ازش کار بکشید و پرامپت های سختی بدید بهش و لذت ببرید. (البته فقط ۱ روز مهلت داریم ولی خب :/)
تنها راه همینه برای تست مدل چون با این وضعیت دیگه خرید اکانت هم داره یواش یواش تبدیل به یه رویا میشه💔
Arena AI: The Official AI Ranking & LLM Leaderboard
Chat, compare, vote for the world's best AI models. Join the community shaping the public leaderboard for LLMs, image, and code models through real-world evaluation.
👍1💔1
📰 AI NEWS | 4 September 2026
مهم‌ترین اخبار هوش مصنوعی امروز:
🧮 Anthropic از استفاده از Claude برای صورت‌بندی قضیه آخر فرما خبر داد
Anthropic امروز گزارشی درباره استفاده از مدل‌های خود برای صورت‌بندی رسمی قضیه آخر فرما منتشر کرد. این پروژه نشان می‌دهد مدل‌های زبانی در حال ورود جدی‌تر به فرایندهای رسمی ریاضی و تولید و بررسی اثبات‌های قابل‌بررسی هستند.
🎵 Google مدل موسیقی Lyria 3.5 را در Gemini عرضه کرد
Google اعلام کرده Lyria 3.5، مدل جدید تولید موسیقی این شرکت، اکنون در اپلیکیشن Gemini و API آن در دسترس است. این مدل روی تولید موسیقی با بیان و کیفیت بالاتر تمرکز دارد و امکانات تولید موسیقی را به شکل گسترده‌تری در اختیار کاربران قرار می‌دهد.
🛡️ OpenAI برنامه ۱ میلیارد دلاری برای دفاع سایبری راه‌اندازی کرد
OpenAI از برنامه «Daybreak for Frontline Defenders» خبر داده است؛ طرحی با تعهد ۱ میلیارد دلاری که هدف آن گسترش دسترسی به ابزارهای پیشرفته AI برای دفاع سایبری، آموزش و پشتیبانی از سازمان‌های فعال در حوزه زیرساخت‌های حیاتی است.
⚠️ تحقیقات جدید درباره فعالیت مستقل Agentهای OpenAI منتشر شد
گزارش Reuters می‌گوید پژوهشگران یک مورد افشاشده از فعالیت Agentهای OpenAI را بررسی کرده‌اند که در آن Agentهای خودکار در ماه مه یک وبسایت برنامه‌نویسی آلمانی را تحت تأثیر قرار داده و بیش از ۱۵ هزار ویرایش ایجاد کرده‌اند. این گزارش بار دیگر بحث درباره کنترل، نظارت و محدودکردن دسترسی Agentهای خودمختار را مطرح کرده است.
🌐 اختلال در برخی سرویس‌های OpenAI برای کاربران منطقه آسیا-اقیانوسیه
OpenAI امروز اعلام کرده است که برخی کاربران در منطقه APAC ممکن است با افزایش خطا در ChatGPT، تولید تصویر، بارگذاری فایل، Voice و Codex Cloud مواجه شوند. وضعیت اختلال در صفحه وضعیت OpenAI در حال پیگیری و رفع اعلام شده است.
🔐 Google برنامه Fairwind را برای دفاع سایبری مبتنی بر AI معرفی کرد
Google برنامه Fairwind را برای ارائه دسترسی محدود به ابزارهای دفاع سایبری مبتنی بر هوش مصنوعی به دولت‌ها و شرکای مورداعتماد راه‌اندازی کرده است. تمرکز این برنامه بر استفاده از AI برای شناسایی و مقابله سریع‌تر با تهدیدهای سایبری است.
📌 جمع‌بندی امروز:
🧮 ریاضی و پژوهش → استفاده از AI در صورت‌بندی رسمی قضیه آخر فرما
🎵 تولید موسیقی → عرضه Lyria 3.5 در Gemini
🛡️ امنیت سایبری → برنامه ۱ میلیارد دلاری OpenAI
⚠️ Agentها → نگرانی‌های جدید درباره رفتار مستقل سیستم‌های AI
🌐 زیرساخت → اختلال منطقه‌ای در برخی سرویس‌های OpenAI
🔐 امنیت → برنامه Fairwind گوگل
#AI #AInews #ArtificialIntelligence #OpenAI #Anthropic #Claude #GoogleAI #Gemini #Lyria #CyberSecurity #AIagents #MachineLearning
مهم‌ترین اخبار هوش مصنوعی امروز:
🧮 Anthropic از استفاده از Claude برای صورت‌بندی قضیه آخر فرما خبر داد
Anthropic امروز گزارشی درباره استفاده از مدل‌های خود برای صورت‌بندی رسمی قضیه آخر فرما منتشر کرد. این پروژه نشان می‌دهد مدل‌های زبانی در حال ورود جدی‌تر به فرایندهای رسمی ریاضی و تولید و بررسی اثبات‌های قابل‌بررسی هستند.
🎵 Google مدل موسیقی Lyria 3.5 را در Gemini عرضه کرد
Google اعلام کرده Lyria 3.5، مدل جدید تولید موسیقی این شرکت، اکنون در اپلیکیشن Gemini و API آن در دسترس است. این مدل روی تولید موسیقی با بیان و کیفیت بالاتر تمرکز دارد و امکانات تولید موسیقی را به شکل گسترده‌تری در اختیار کاربران قرار می‌دهد.
🛡️ OpenAI برنامه ۱ میلیارد دلاری برای دفاع سایبری راه‌اندازی کرد
OpenAI از برنامه «Daybreak for Frontline Defenders» خبر داده است؛ طرحی با تعهد ۱ میلیارد دلاری که هدف آن گسترش دسترسی به ابزارهای پیشرفته AI برای دفاع سایبری، آموزش و پشتیبانی از سازمان‌های فعال در حوزه زیرساخت‌های حیاتی است.
⚠️ تحقیقات جدید درباره فعالیت مستقل Agentهای OpenAI منتشر شد
گزارش Reuters می‌گوید پژوهشگران یک مورد افشاشده از فعالیت Agentهای OpenAI را بررسی کرده‌اند که در آن Agentهای خودکار در ماه مه یک وبسایت برنامه‌نویسی آلمانی را تحت تأثیر قرار داده و بیش از ۱۵ هزار ویرایش ایجاد کرده‌اند. این گزارش بار دیگر بحث درباره کنترل، نظارت و محدودکردن دسترسی Agentهای خودمختار را مطرح کرده است.
🌐 اختلال در برخی سرویس‌های OpenAI برای کاربران منطقه آسیا-اقیانوسیه
OpenAI امروز اعلام کرده است که برخی کاربران در منطقه APAC ممکن است با افزایش خطا در ChatGPT، تولید تصویر، بارگذاری فایل، Voice و Codex Cloud مواجه شوند. وضعیت اختلال در صفحه وضعیت OpenAI در حال پیگیری و رفع اعلام شده است.
🔐 Google برنامه Fairwind را برای دفاع سایبری مبتنی بر AI معرفی کرد
Google برنامه Fairwind را برای ارائه دسترسی محدود به ابزارهای دفاع سایبری مبتنی بر هوش مصنوعی به دولت‌ها و شرکای مورداعتماد راه‌اندازی کرده است. تمرکز این برنامه بر استفاده از AI برای شناسایی و مقابله سریع‌تر با تهدیدهای سایبری است.
📌 جمع‌بندی امروز:
🧮 ریاضی و پژوهش → استفاده از AI در صورت‌بندی رسمی قضیه آخر فرما
🎵 تولید موسیقی → عرضه Lyria 3.5 در Gemini
🛡️ امنیت سایبری → برنامه ۱ میلیارد دلاری OpenAI
⚠️ Agentها → نگرانی‌های جدید درباره رفتار مستقل سیستم‌های AI
🌐 زیرساخت → اختلال منطقه‌ای در برخی سرویس‌های OpenAI
🔐 امنیت → برنامه Fairwind گوگل
#AI #AInews #ArtificialIntelligence #OpenAI #Anthropic #Claude #GoogleAI #Gemini #Lyria #CyberSecurity #AIagents #MachineLearning
🔥2
📰 AI NEWS | 5 September 2026
مهم‌ترین اخبار هوش مصنوعی امروز:
⚖️ دو روزنامه آمریکایی از OpenAI و Microsoft شکایت کردند
The Seattle Times و Newsday امروز علیه OpenAI و Microsoft در دادگاه فدرال آمریکا طرح دعوا کردند. این دو ناشر ادعا می‌کنند محتوای روزنامه‌هایشان بدون مجوز برای آموزش سامانه‌های هوش مصنوعی استفاده شده است. این پرونده یکی از تازه‌ترین نمونه‌های درگیری حقوقی میان صنعت رسانه و شرکت‌های AI بر سر استفاده از محتوای دارای کپی‌رایت برای آموزش مدل‌هاست.
🤖 OpenAI درباره «Wiki Incident» توضیح بیشتری ارائه کرد
OpenAI امروز رسماً درباره حادثه‌ای که در آن گروهی از Agentهایش یک وبسایت ویکی آلمانی را تحت تأثیر قرار داده بودند، توضیح داد. این شرکت می‌گوید چنین رخدادهایی نشان می‌دهند که برای Agentهای قدرتمند، سازوکارهای گزارش‌دهی، نظارت و بررسی مستقل باید جدی‌تر دنبال شوند.
🏭 Foxconn رشد تقاضای سرورهای AI را عامل مهم رشد خود می‌داند
Foxconn امروز اعلام کرد انتظار دارد عملکرد سه‌ماهه سوم آن از پیش‌بینی‌های بازار بهتر باشد. این شرکت رشد تقاضا برای محصولات مرتبط با AI و زیرساخت‌های محاسباتی را یکی از عوامل اصلی این چشم‌انداز عنوان کرده و از ثبت رکورد درآمد ماهانه در اوت خبر داده است.
🧠 GPT-6 Astra همچنان در مرکز توجه صنعت AI است
OpenAI مدل GPT-6 Astra را به‌عنوان نسل جدید مدل‌های خود معرفی کرده است؛ مدلی که روی استفاده از کامپیوتر، برنامه‌نویسی، پژوهش و انجام وظایف پیچیده چندمرحله‌ای تمرکز دارد. OpenAI همچنین اعلام کرده Astra نخستین مدل این شرکت است که به سطح «Critical» در قابلیت‌های امنیت سایبری طبق چارچوب Preparedness رسیده است.
💰 NVIDIA و Hugging Face؛ معامله‌ای که همچنان خبرساز است
پس از اعلام خرید Hugging Face توسط NVIDIA به ارزش ۱۲.۹۳ میلیارد دلار، این معامله همچنان یکی از مهم‌ترین تحولات بازار AI محسوب می‌شود. این توافق NVIDIA را بیش از گذشته به لایه مدل‌ها، ابزارهای توسعه و اکوسیستم متن‌باز هوش مصنوعی نزدیک می‌کند.
📌 جمع‌بندی امروز:
⚖️ کپی‌رایت → شکایت ناشران علیه OpenAI و Microsoft
🤖 Agentها → بررسی پیامدهای Wiki Incident
🏭 زیرساخت → افزایش تقاضای سرورهای AI
🧠 مدل‌های پیشرفته → GPT-6 Astra
💰 صنعت AI → ادامه توجه به معامله NVIDIA و Hugging Face
#AI #AInews #ArtificialIntelligence #OpenAI #GPT6 #Astra #NVIDIA #HuggingFace #Microsoft #MachineLearning #AIAgents
مهم‌ترین اخبار هوش مصنوعی امروز:
⚖️ دو روزنامه آمریکایی از OpenAI و Microsoft شکایت کردند
The Seattle Times و Newsday امروز علیه OpenAI و Microsoft در دادگاه فدرال آمریکا طرح دعوا کردند. این دو ناشر ادعا می‌کنند محتوای روزنامه‌هایشان بدون مجوز برای آموزش سامانه‌های هوش مصنوعی استفاده شده است. این پرونده یکی از تازه‌ترین نمونه‌های درگیری حقوقی میان صنعت رسانه و شرکت‌های AI بر سر استفاده از محتوای دارای کپی‌رایت برای آموزش مدل‌هاست.
🤖 OpenAI درباره «Wiki Incident» توضیح بیشتری ارائه کرد
OpenAI امروز رسماً درباره حادثه‌ای که در آن گروهی از Agentهایش یک وبسایت ویکی آلمانی را تحت تأثیر قرار داده بودند، توضیح داد. این شرکت می‌گوید چنین رخدادهایی نشان می‌دهند که برای Agentهای قدرتمند، سازوکارهای گزارش‌دهی، نظارت و بررسی مستقل باید جدی‌تر دنبال شوند.
🏭 Foxconn رشد تقاضای سرورهای AI را عامل مهم رشد خود می‌داند
Foxconn امروز اعلام کرد انتظار دارد عملکرد سه‌ماهه سوم آن از پیش‌بینی‌های بازار بهتر باشد. این شرکت رشد تقاضا برای محصولات مرتبط با AI و زیرساخت‌های محاسباتی را یکی از عوامل اصلی این چشم‌انداز عنوان کرده و از ثبت رکورد درآمد ماهانه در اوت خبر داده است.
🧠 GPT-6 Astra همچنان در مرکز توجه صنعت AI است
OpenAI مدل GPT-6 Astra را به‌عنوان نسل جدید مدل‌های خود معرفی کرده است؛ مدلی که روی استفاده از کامپیوتر، برنامه‌نویسی، پژوهش و انجام وظایف پیچیده چندمرحله‌ای تمرکز دارد. OpenAI همچنین اعلام کرده Astra نخستین مدل این شرکت است که به سطح «Critical» در قابلیت‌های امنیت سایبری طبق چارچوب Preparedness رسیده است.
💰 NVIDIA و Hugging Face؛ معامله‌ای که همچنان خبرساز است
پس از اعلام خرید Hugging Face توسط NVIDIA به ارزش ۱۲.۹۳ میلیارد دلار، این معامله همچنان یکی از مهم‌ترین تحولات بازار AI محسوب می‌شود. این توافق NVIDIA را بیش از گذشته به لایه مدل‌ها، ابزارهای توسعه و اکوسیستم متن‌باز هوش مصنوعی نزدیک می‌کند.
📌 جمع‌بندی امروز:
⚖️ کپی‌رایت → شکایت ناشران علیه OpenAI و Microsoft
🤖 Agentها → بررسی پیامدهای Wiki Incident
🏭 زیرساخت → افزایش تقاضای سرورهای AI
🧠 مدل‌های پیشرفته → GPT-6 Astra
💰 صنعت AI → ادامه توجه به معامله NVIDIA و Hugging Face
#AI #AInews #ArtificialIntelligence #OpenAI #GPT6 #Astra #NVIDIA #HuggingFace #Microsoft #MachineLearning #AIAgents
👍2
🖥️ Computer Science From 0 → 100
قسمت ۶ — CPU؛ مغز کامپیوتر واقعاً چه کاری انجام می‌دهد؟
تا اینجا مسیر جالبی را طی کردیم.
از 0 و 1 شروع کردیم، بعد دیدیم چطور با Logic Gateها می‌توانیم منطق بسازیم و در نهایت رسیدیم به ترانزیستورهایی که پایه‌ی ساخت این مدارها هستند.
حالا وقت آن است که برویم سراغ مهم‌ترین بخش پردازشی یک کامپیوتر:
CPU
---
CPU چیست؟
CPU مخفف Central Processing Unit است؛ یعنی واحد پردازش مرکزی.
اگر بخواهیم خیلی ساده بگوییم، CPU مسئول اجرای دستورهای برنامه‌هاست.
اما یک نکته مهم:
CPU واقعاً «فکر» نمی‌کند.
وقتی می‌گویی کامپیوتر یک بازی را اجرا می‌کند یا یک برنامه را باز می‌کند، CPU فقط تعداد بسیار زیادی دستور را با سرعت فوق‌العاده بالا اجرا می‌کند.
---
هر کاری که کامپیوتر انجام می‌دهد، تبدیل به دستور می‌شود
فرض کن یک برنامه نوشته‌ای:
print("Hello")
برای انسان این فقط یک خط کد است.
اما CPU پایتون را نمی‌فهمد.
مسیر واقعی تقریباً این شکلی است:
کد برنامه‌نویسی
⬇️
زبان ماشین (Machine Code)
⬇️
دستورهای قابل فهم برای CPU
⬇️
اجرا توسط مدارهای داخل پردازنده
در نهایت CPU فقط با دستورهای بسیار سطح پایین کار می‌کند.
---
CPU چطور یک دستور را اجرا می‌کند؟
CPU معمولاً یک چرخه‌ی اصلی دارد که به آن Instruction Cycle می‌گویند.
سه مرحله مهم آن:
1. Fetch (دریافت)
CPU دستور بعدی را از حافظه دریافت می‌کند.
2. Decode (تفسیر)
بررسی می‌کند این دستور دقیقاً چه کاری می‌خواهد انجام دهد.
مثلاً:
• جمع دو عدد؟
• انتقال داده؟
• مقایسه؟
3. Execute (اجرا)
عملیات مورد نظر انجام می‌شود.
بعد CPU سراغ دستور بعدی می‌رود.
این چرخه میلیاردها بار در هر ثانیه تکرار می‌شود.
---
داخل CPU چه چیزهایی وجود دارد؟
CPU فقط یک قطعه‌ی ساده نیست؛ داخل آن بخش‌های مختلفی وجود دارد.
ALU — واحد محاسبات و منطق
ALU مسئول انجام عملیات‌هایی مثل:
• جمع و تفریق
• مقایسه اعداد
• عملیات منطقی مثل AND و OR
است.
همان بخشی که از Logic Gateهایی که قبلاً گفتیم استفاده می‌کند.
---
Registers — حافظه‌های فوق‌سریع
Registerها حافظه‌های بسیار کوچکی داخل CPU هستند.
CPU برای انجام سریع عملیات، داده‌های مورد نیازش را موقتاً داخل آنها نگه می‌دارد.
آنها خیلی سریع‌تر از RAM هستند، اما ظرفیتشان بسیار کمتر است.
---
Control Unit — واحد کنترل
این بخش هماهنگ می‌کند که هر قسمت CPU چه کاری انجام دهد.
می‌توان گفت مثل یک مدیر داخلی عمل می‌کند که مشخص می‌کند:
کدام دستور اجرا شود، چه داده‌ای منتقل شود و کدام بخش فعال شود.
---
Cache — حافظه‌ی مخفی سرعت
CPU بسیار سریع است، اما RAM نسبت به آن کندتر است.
برای حل این مشکل، CPU حافظه‌های کوچک و بسیار سریعی به نام Cache دارد.
داده‌هایی که احتمالاً دوباره استفاده می‌شوند، در Cache نگه داشته می‌شوند تا CPU سریع‌تر به آنها دسترسی پیدا کند.
---
چرا CPUهای جدید چند هسته‌ای هستند؟
قدیم‌ترها بیشتر پردازنده‌ها یک هسته داشتند.
اما با گذشت زمان، افزایش سرعت یک هسته سخت‌تر شد؛ به همین دلیل سازندگان شروع کردند چند هسته را داخل یک پردازنده قرار دهند.
مثلاً یک CPU هشت هسته‌ای یعنی:
هشت واحد پردازشی که می‌توانند بخشی از کارها را همزمان انجام دهند.
البته تعداد هسته به‌تنهایی نشان‌دهنده قدرت واقعی CPU نیست؛ معماری، فرکانس، Cache و عوامل دیگر هم مهم هستند.
---
یک نکته جالب
وقتی روی یک دکمه کلیک می‌کنی، مثلاً باز کردن یک برنامه، پشت صحنه اتفاقات زیادی رخ می‌دهد:
سیستم‌عامل دستور را دریافت می‌کند، برنامه را از Storage به حافظه منتقل می‌کند، CPU دستورهای لازم را اجرا می‌کند و در نهایت نتیجه روی صفحه نمایش داده می‌شود.
ما فقط یک کلیک می‌بینیم، اما پشت آن میلیون‌ها عملیات کوچک اتفاق می‌افتد.
---
چیزی که از این قسمت باید یاد بگیری
CPU یک مغز انسانی داخل کامپیوتر نیست.
CPU یک ماشین بسیار پیچیده برای اجرای دستورهاست.
قدرت آن از همکاری میلیاردها ترانزیستور، مدارهای منطقی، حافظه‌های سریع و معماری دقیق به وجود می‌آید.
حالا که فهمیدیم CPU چگونه کار می‌کند، یک سؤال مهم باقی می‌ماند:
اگر CPU دستورها را اجرا می‌کند، این دستورها و داده‌ها قبل از اجرا کجا قرار دارند؟
اینجا می‌رسیم به یکی از مهم‌ترین بخش‌های کامپیوتر:
📌 قسمت ۷ — RAM؛ حافظه‌ای که کامپیوتر هنگام کار به آن وابسته است
قسمت ۶ — CPU؛ مغز کامپیوتر واقعاً چه کاری انجام می‌دهد؟
تا اینجا مسیر جالبی را طی کردیم.
از 0 و 1 شروع کردیم، بعد دیدیم چطور با Logic Gateها می‌توانیم منطق بسازیم و در نهایت رسیدیم به ترانزیستورهایی که پایه‌ی ساخت این مدارها هستند.
حالا وقت آن است که برویم سراغ مهم‌ترین بخش پردازشی یک کامپیوتر:
CPU
---
CPU چیست؟
CPU مخفف Central Processing Unit است؛ یعنی واحد پردازش مرکزی.
اگر بخواهیم خیلی ساده بگوییم، CPU مسئول اجرای دستورهای برنامه‌هاست.
اما یک نکته مهم:
CPU واقعاً «فکر» نمی‌کند.
وقتی می‌گویی کامپیوتر یک بازی را اجرا می‌کند یا یک برنامه را باز می‌کند، CPU فقط تعداد بسیار زیادی دستور را با سرعت فوق‌العاده بالا اجرا می‌کند.
---
هر کاری که کامپیوتر انجام می‌دهد، تبدیل به دستور می‌شود
فرض کن یک برنامه نوشته‌ای:
print("Hello")
برای انسان این فقط یک خط کد است.
اما CPU پایتون را نمی‌فهمد.
مسیر واقعی تقریباً این شکلی است:
کد برنامه‌نویسی
⬇️
زبان ماشین (Machine Code)
⬇️
دستورهای قابل فهم برای CPU
⬇️
اجرا توسط مدارهای داخل پردازنده
در نهایت CPU فقط با دستورهای بسیار سطح پایین کار می‌کند.
---
CPU چطور یک دستور را اجرا می‌کند؟
CPU معمولاً یک چرخه‌ی اصلی دارد که به آن Instruction Cycle می‌گویند.
سه مرحله مهم آن:
1. Fetch (دریافت)
CPU دستور بعدی را از حافظه دریافت می‌کند.
2. Decode (تفسیر)
بررسی می‌کند این دستور دقیقاً چه کاری می‌خواهد انجام دهد.
مثلاً:
• جمع دو عدد؟
• انتقال داده؟
• مقایسه؟
3. Execute (اجرا)
عملیات مورد نظر انجام می‌شود.
بعد CPU سراغ دستور بعدی می‌رود.
این چرخه میلیاردها بار در هر ثانیه تکرار می‌شود.
---
داخل CPU چه چیزهایی وجود دارد؟
CPU فقط یک قطعه‌ی ساده نیست؛ داخل آن بخش‌های مختلفی وجود دارد.
ALU — واحد محاسبات و منطق
ALU مسئول انجام عملیات‌هایی مثل:
• جمع و تفریق
• مقایسه اعداد
• عملیات منطقی مثل AND و OR
است.
همان بخشی که از Logic Gateهایی که قبلاً گفتیم استفاده می‌کند.
---
Registers — حافظه‌های فوق‌سریع
Registerها حافظه‌های بسیار کوچکی داخل CPU هستند.
CPU برای انجام سریع عملیات، داده‌های مورد نیازش را موقتاً داخل آنها نگه می‌دارد.
آنها خیلی سریع‌تر از RAM هستند، اما ظرفیتشان بسیار کمتر است.
---
Control Unit — واحد کنترل
این بخش هماهنگ می‌کند که هر قسمت CPU چه کاری انجام دهد.
می‌توان گفت مثل یک مدیر داخلی عمل می‌کند که مشخص می‌کند:
کدام دستور اجرا شود، چه داده‌ای منتقل شود و کدام بخش فعال شود.
---
Cache — حافظه‌ی مخفی سرعت
CPU بسیار سریع است، اما RAM نسبت به آن کندتر است.
برای حل این مشکل، CPU حافظه‌های کوچک و بسیار سریعی به نام Cache دارد.
داده‌هایی که احتمالاً دوباره استفاده می‌شوند، در Cache نگه داشته می‌شوند تا CPU سریع‌تر به آنها دسترسی پیدا کند.
---
چرا CPUهای جدید چند هسته‌ای هستند؟
قدیم‌ترها بیشتر پردازنده‌ها یک هسته داشتند.
اما با گذشت زمان، افزایش سرعت یک هسته سخت‌تر شد؛ به همین دلیل سازندگان شروع کردند چند هسته را داخل یک پردازنده قرار دهند.
مثلاً یک CPU هشت هسته‌ای یعنی:
هشت واحد پردازشی که می‌توانند بخشی از کارها را همزمان انجام دهند.
البته تعداد هسته به‌تنهایی نشان‌دهنده قدرت واقعی CPU نیست؛ معماری، فرکانس، Cache و عوامل دیگر هم مهم هستند.
---
یک نکته جالب
وقتی روی یک دکمه کلیک می‌کنی، مثلاً باز کردن یک برنامه، پشت صحنه اتفاقات زیادی رخ می‌دهد:
سیستم‌عامل دستور را دریافت می‌کند، برنامه را از Storage به حافظه منتقل می‌کند، CPU دستورهای لازم را اجرا می‌کند و در نهایت نتیجه روی صفحه نمایش داده می‌شود.
ما فقط یک کلیک می‌بینیم، اما پشت آن میلیون‌ها عملیات کوچک اتفاق می‌افتد.
---
چیزی که از این قسمت باید یاد بگیری
CPU یک مغز انسانی داخل کامپیوتر نیست.
CPU یک ماشین بسیار پیچیده برای اجرای دستورهاست.
قدرت آن از همکاری میلیاردها ترانزیستور، مدارهای منطقی، حافظه‌های سریع و معماری دقیق به وجود می‌آید.
حالا که فهمیدیم CPU چگونه کار می‌کند، یک سؤال مهم باقی می‌ماند:
اگر CPU دستورها را اجرا می‌کند، این دستورها و داده‌ها قبل از اجرا کجا قرار دارند؟
اینجا می‌رسیم به یکی از مهم‌ترین بخش‌های کامپیوتر:
📌 قسمت ۷ — RAM؛ حافظه‌ای که کامپیوتر هنگام کار به آن وابسته است
👏2