اخبار هوش مصنوعی

‏🗣 راهکارهای افزایش حریم خصوصی در چت‌بات‌ها

‏کاربران برای حفظ حریم خصوصی در تعامل با مدل‌های AI نظیر ChatGPT، Gemini، Copilot و Claude می‌توانند از تنظیمات داخلی این پلتفرم‌ها استفاده کنند. با توجه به گزارش ZDNET، شرکت‌های سازنده ابزارهایی برای مدیریت داده‌ها ارائه داده‌اند که به کاربران اجازه می‌دهد از ذخیره‌سازی یا آموزش مدل بر اساس گفتگوهای شخصی جلوگیری کنند. ‏✅ حالت چت موقت: استفاده از قابلیت Temporary Chat برای جلوگیری از ذخیره تاریخچه و عدم استفاده از داده‌ها در آموزش مدل. ‏✅ مدیریت داده‌ها: غیرفعال‌سازی گزینه بهبود مدل در تنظیمات حساب کاربری برای جلوگیری از تحلیل گفتگوها توسط OpenAI یا گوگل. ‏✅ حذف تاریخچه: پاک‌سازی دستی گفتگوهای حساس و مدیریت لینک‌های عمومی اشتراک‌گذاری‌شده برای جلوگیری از دسترسی ناخواسته.

‏🔗 منبع: ZDNET ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 همکاری AWS با استارتاپ Superblocks برای کدنویسی

‏استارتاپ Superblocks که در حوزه «vibe coding» فعالیت می‌کند، از انعقاد یک قرارداد همکاری چندساله با AWS خبر داد. این توافق به شرکت‌های سازمانی اجازه می‌دهد ابزارهای کدنویسی مبتنی بر AI را مستقیماً در فضای ابری خصوصی خود اجرا کنند، به‌طوری که داده‌های حساس از محیط امن سازمان خارج نشود. ‏✅ امنیت داده‌ها: پردازش اطلاعات در فضای ابری اختصاصی مشتریان AWS بدون نیاز به انتقال داده به ارائه‌دهندگان مدل. ‏✅ یکپارچگی با Bedrock: اتصال مستقیم برنامه‌ها به پلتفرم Amazon Bedrock برای مدیریت و امنیت بهتر توسط تیم‌های IT. ‏✅ استراتژی چندمدلی: امکان استفاده از مدل‌های متنوع برای کاهش وابستگی به یک ارائه‌دهنده خاص و جلوگیری از قفل‌شدگی در اکوسیستم‌های انحصاری.

‏🔗 منبع: TechCrunch ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 معرفی Orchard، چارچوب متن‌باز برای عامل‌های هوش‌مصنوعی

‏شرکت Microsoft از Orchard، یک چارچوب متن‌باز برای توسعه و ارزیابی عامل‌های هوشمند (agentic AI) رونمایی کرد. این پلتفرم با هدف رفع محدودیت‌های زیرساختی پژوهشگران، امکان آموزش و تست مدل‌ها را در محیط‌های واقعی و مقیاس‌پذیر فراهم می‌کند. ‏✅ محیط یکپارچه Orchard Env: ارائه زیرساخت مبتنی بر Kubernetes برای مدیریت هزاران جزء ایزوله جهت جمع‌آوری داده و آموزش مدل‌ها. ‏✅ پشتیبانی از محیط‌های واقعی: امکان آموزش مستقیم عامل‌ها درون ابزارهایی نظیر Codex، OpenClaw و ZeroClaw برای کاهش شکاف میان محیط آزمایشگاهی و استقرار نهایی. ‏✅ عملکرد مدل‌های کوچک: دستیابی مدل‌های سبک با وزن باز به نتایج رقابتی در بنچمارک‌های پیچیده مهندسی نرم‌افزار مانند SWE-bench.

‏🔗 منبع: Microsoft AI ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 شناسایی و رفع ۱۰۰۰ باگ امنیتی Chrome با AI

‏تیم امنیتی Google با بهره‌گیری از عامل‌های هوشمند مبتنی بر Gemini موفق شد در مدت ۶۰ روز، ۱,۰۷۲ آسیب‌پذیری امنیتی را در مرورگر Chrome شناسایی و برطرف کند. این دستاورد که با استفاده از یک ساختار عامل‌محور (agentic harness) محقق شده، فرآیند کشف و اصلاح باگ‌ها را در مقایسه با روش‌های سنتی به‌طور چشمگیری تسریع کرده است. ‏✅ افزایش سرعت اصلاح: شناسایی و رفع باگ‌ها در دو نسخه اخیر، معادل مجموع کل باگ‌های رفع‌شده در ۲۳ نسخه پیشین است. ‏✅ تحلیل سناریوهای پیچیده: استفاده از هوش‌مصنوعی برای پیش‌بینی الگوهای تعاملی و کشف آسیب‌پذیری‌های عمیق مانند فرار از محیط ایزوله (sandbox escape) که بیش از یک دهه پنهان مانده بودند.

‏🔗 منبع: ZDNET ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

📰 روزنامه خبری هوش‌مصنوعی (13 مرداد) 🔢آمازون وارد باشگاه سه‌تریلیون‌دلاری شد

ارزش بازار آمازون برای نخستین‌بار از سه تریلیون دلار عبور کرد. رشد سهام پس از گزارش مالی قوی و شتاب خدمات ابری رخ داد. تقاضای مرتبط با هوش مصنوعی، موتور اصلی رونق بخش ابری بود. آمازون پنجمین شرکت تاریخ با چنین ارزش بازاری شد.

🔢هورایزن۳ با جذب سرمایه دو میلیارد دلاری شد

استارتاپ امنیت سایبری هورایزن۳، ۲۵۰ میلیون دلار سرمایه جذب کرد. ارزش این شرکت طی چهارده ماه بیش از سه برابر شد. پلتفرم آن از هوش مصنوعی برای آزمایش مداوم امنیت شبکه‌ها استفاده می‌کند. سرمایه تازه صرف توسعه جهانی و پژوهش‌های امنیتی خواهد شد.

🔢استارتاپ جون برای استقرار هوش مصنوعی سرمایه گرفت

شرکت نوپای جون با سرمایه اولیه ۲۰ میلیون دلاری معرفی شد. این پلتفرم سامانه‌های قدیمی سازمان‌ها و گلوگاه‌های کاری را بررسی می‌کند. سپس مسیر استقرار عامل‌های هوش مصنوعی را به‌صورت خودکار پیشنهاد می‌دهد. هدف شرکت، ساده‌سازی اجرای هوش مصنوعی در سازمان‌های بزرگ است.

🔢نگاه بازی‌های کشورهای مشترک‌المنافع به هند دوخته شد

بیست‌وسومین دوره مسابقات با مراسم اختتامیه در گلاسگو پایان یافت. حدود ۴۳۴ هزار تماشاگر طی یازده روز مسابقات را دنبال کردند. شهر احمدآباد هند میزبان دوره صدمین سالگرد در سال ۲۰۳۰ خواهد بود. هند این رویداد را گامی برای میزبانی المپیک ۲۰۳۶ می‌داند.

🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 سامسونگ اپلیکیشن‌های دارای پروکسی هوش‌مصنوعی را مسدود کرد

‏شرکت Samsung در واکنش به گزارش‌های امنیتی مبنی بر سوءاستفاده از اتصال اینترنت کاربران، اقدام به مسدودسازی اپلیکیشن‌های تلویزیون‌های هوشمند کرده است که از کدهای پروکسی مسکونی (resproxies) استفاده می‌کنند. این کدها به اشخاص ثالث اجازه می‌دهند ترافیک وب خود را از طریق شبکه خانگی کاربران عبور دهند که می‌تواند منجر به مخاطرات امنیتی شود. ‏✅ ممنوعیت سراسری: مسدودسازی ثبت‌نام اپلیکیشن‌های جدید دارای قابلیت پروکسی و حذف برنامه‌های موجود در فروشگاه Samsung. ‏✅ مقابله با سوءاستفاده: جلوگیری از تبدیل تلویزیون‌های هوشمند به گره‌های خروجی برای فعالیت‌های غیرقانونی و دور زدن سیستم‌های امنیتی توسط شرکت‌های AI.

‏🔗 منبع: TechCrunch ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 استارتاپ June برای استقرار هوش‌مصنوعی در سازمان‌ها

‏استارتاپ June که توسط مدیران سابق Salesforce بنیان‌گذاری شده، با جذب ۲۰ میلیون دلار سرمایه به دنبال ساده‌سازی فرآیند پیاده‌سازی AI در محیط‌های سازمانی است. این پلتفرم با تحلیل سیستم‌های موجود، گلوگاه‌ها را شناسایی کرده و نقشه‌راهی خودکار برای یکپارچه‌سازی عامل‌های هوشمند ارائه می‌دهد. ‏✅ تحلیل خودکار فرآیندها: شناسایی نقاط ضعف و داده‌های پراکنده در پلتفرم‌های سازمانی برای بهینه‌سازی گردش کار. ‏✅ حذف نیاز به متخصصان جانبی: ارائه راهنمای گام‌به‌گام برای استقرار عامل‌ها بدون نیاز به مهندسان اعزامی (FDEs) یا مشاوران خارجی.

‏🔗 منبع: TechCrunch ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 کمبود شدید MacBook Air به دلیل هوش‌مصنوعی

‏به گفته Mark Gurman در گزارش Bloomberg، شرکت Apple با کمبود عرضه مدل‌های MacBook Air مواجه شده است. این وضعیت که منجر به تأخیر ۲ تا ۶ هفته‌ای در تحویل سفارش‌ها شده، ناشی از رقابت برای تأمین تراشه‌های حافظه است. ‏✅ محدودیت در تأمین قطعات: افزایش تقاضا برای تراشه‌های RAM و SSD جهت ساخت دیتاسنترهای مجهز به سرورهای قدرتمند AI، زنجیره تأمین را تحت فشار قرار داده است. ‏✅ تأثیر بر محصولات دیگر: علاوه بر MacBook Air، تولید سایر دستگاه‌های این شرکت از جمله Mac Studio و Mac mini نیز تحت تأثیر این کمبود جهانی قرار گرفته است.

‏🔗 منبع: MacRumors ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 عرضه مدل هوش مصنوعی Qwen3.8-Max علی‌بابا

‏شرکت Alibaba از مدل پرچمدار جدید خود با نام Qwen3.8-Max رونمایی کرد که با بهره‌گیری از ۲.۴ تریلیون پارامتر، عملکردی رقابتی با مدل‌های پیشرو جهانی ارائه می‌دهد. بر اساس گزارش‌ها، این مدل در چندین بنچمارک کلیدی، امتیازاتی مشابه یا فراتر از مدل Fable 5 محصول Anthropic کسب کرده است. این دستاورد نشان‌دهنده پیشرفت قابل‌توجه در توانمندی‌های پردازشی مدل‌های چینی است که اکنون در سطحی مشابه با فناوری‌های تحت محدودیت‌های صادراتی US قرار گرفته‌اند.

‏🔗 منبع: Bloomberg ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 معرفی سیستم هوش مصنوعی چندوجهی MiniMax-H3

‏شرکت MiniMaxAI از سیستم هوش مصنوعی جدید خود با نام MiniMax-H3 رونمایی کرد که برای درک و تولید همزمان متن، تصویر، ویدیو و صدا طراحی شده است. این مدل با بهره‌گیری از معماری H3-Omni-Transformer، قادر است ویدیوهایی با وضوح 2K و مدت زمان ۱۵ ثانیه به همراه صدای استریو تولید کند. ‏✅ پردازش چندوجهی: پشتیبانی از درک یکپارچه ورودی‌های متنی، تصویری و صوتی برای تولید خروجی‌های هماهنگ. ‏✅ بهینه‌سازی وضوح: استفاده از ماژول H3-Regenerate-2K برای ارتقای کیفیت ویدیوهای تولیدشده از وضوح 768p به 2K. ‏✅ معماری ماژولار: بهره‌گیری از سیستم H3-Context-IR برای تفسیر دقیق دستورات پیچیده و تبدیل آن‌ها به بازنمایی‌های ساختاریافته.

‏🔗 منبع: Hugging Face ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

🐱 معرفی پروژه GitHub Trend | aisuite

یادگیری هوش مصنوعی از صفر معمولاً میان دوره‌ها، کتاب‌ها و آموزش‌های پراکنده تقسیم می‌شود؛ اما AI-For-Beginners مایکروسافت یک مسیر آموزشی منظم و کاملاً متن‌باز برای شروع این مسیر فراهم کرده است. این دوره در قالب یک برنامه ۱۲ هفته‌ای و ۲۴ درس طراحی شده و از مبانی هوش مصنوعی تا شبکه‌های عصبی، بینایی ماشین، پردازش زبان طبیعی، ترنسفورمرها، یادگیری تقویتی و اخلاق هوش مصنوعی را پوشش می‌دهد. در کنار توضیحات نظری، نوت‌بوک‌های اجرایی، تمرین، آزمایش و آزمون نیز در اختیار کاربران قرار گرفته و محتوای آن به بیش از ۵۰ زبان، از جمله فارسی، ترجمه شده است. قابلیت‌های کلیدی دوره کامل هوش مصنوعی در ۱۲ هفته و ۲۴ درس مناسب برای افراد تازه‌وارد به حوزه AI آموزش عملی با PyTorch و TensorFlow نوت‌بوک‌های قابل اجرای Jupyter تمرین، Lab و Quiz برای بسیاری از مباحث آموزش شبکه‌های عصبی و Deep Learning پوشش Computer Vision و پردازش زبان طبیعی آموزش Transformers، BERT و مدل‌های زبانی بزرگ مباحث Reinforcement Learning و Multi-Agent Systems آموزش AI Ethics و Responsible AI پشتیبانی از بیش از ۵۰ زبان، از جمله فارسی 🚀 نحوه استفاده ۱. ابتدا مخزن پروژه را Clone کنید: git clone https://github.com/microsoft/AI-For-Beginners.git ۲. وارد پوشه پروژه شوید: cd AI-For-Beginners ۳. محیط توسعه را طبق بخش Course Setup آماده کرده و وابستگی‌های موجود در requirements.txt یا environment.yml را نصب کنید. ۴. از پوشه lessons درس‌ها را به‌ترتیب دنبال کنید و برای بخش‌های عملی، نوت‌بوک‌های Jupyter مربوط به PyTorch یا TensorFlow را اجرا کنید. ۵. پس از هر مبحث، Labها و Quizهای مرتبط را انجام دهید تا مفاهیم را به‌صورت عملی تمرین کنید. ۶. اگر حجم ترجمه‌های بیش از ۵۰ زبان برایتان ضروری نیست، می‌توانید با قابلیت Sparse Checkout نسخه سبک‌تر مخزن را دریافت کنید.

پروژه aisuite یک کتابخانه سبک پایتونی برای کار با چندین ارائه‌دهنده مدل‌های زبانی از طریق یک رابط واحد است. به‌جای نوشتن کد متفاوت برای OpenAI، Anthropic، Google، Ollama و سرویس‌های دیگر، می‌توانید تنها با تغییر نام مدل بین آن‌ها جابه‌جا شوید. این پروژه علاوه بر Chat Completions، یک Agents API برای ساخت عامل‌های هوشمند مجهز به ابزار، Toolkits، حافظه اجرای کار و MCP نیز ارائه می‌کند و زیرساخت پروژه دسکتاپ OpenWorker هم بر پایه آن ساخته شده است. قابلیت‌های کلیدی رابط یکپارچه برای چندین ارائه‌دهنده LLM جابه‌جایی بین مدل‌ها فقط با تغییر نام مدل پشتیبانی از OpenAI، Anthropic، Google و Ollama پشتیبانی از Mistral، Hugging Face، Cohere و OpenRouter قابلیت Streaming پاسخ مدل‌ها اجرای خودکار Tool Calling در چند مرحله ساخت Agentهای مستقل با Agent و Runner Toolkits آماده برای File، Git و Shell پشتیبانی بومی از پروتکل MCP تعریف سیاست‌های تأیید و محدودسازی ابزارها ذخیره و ادامه اجرای Agentها پشتیبانی از Tracing و Artifacts 🚀 نحوه استفاده ۱. ابتدا کتابخانه را نصب کنید: pip install aisuite ۲. اگر فقط به یک ارائه‌دهنده خاص نیاز دارید، افزونه همان سرویس را نصب کنید: pip install 'aisuite[anthropic]' یا برای نصب پشتیبانی همه Providerها: pip install 'aisuite[all]' ۳. کلاینت aisuite را ایجاد کنید: import aisuite as ai client = ai.Client() ۴. مدل موردنظر را با فرمت provider:model-name مشخص کنید؛ برای مثال: response = client.chat.completions.create( model="openai:gpt-4o", messages=[ {"role": "user", "content": "Explain AI agents simply."} ] ) print(response.choices[0].message.content) ۵. برای تغییر Provider لازم نیست ساختار کد را تغییر دهید؛ کافی است نام مدل را عوض کنید: model="anthropic:claude-3-5-sonnet-20240620" ۶. برای ساخت Agentهای پیشرفته‌تر می‌توانید از Agent، Runner، ابزارهای Python، Toolkits و MCP Serverها استفاده کنید.

🔗 لینک پروژه 🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 اجرای قوانین شفافیت هوش مصنوعی در اتحادیه اروپا

‏اتحادیه اروپا با اجرایی کردن بخش‌های کلیدی قانون جامع AI، شرکت‌ها را ملزم به برچسب‌گذاری محتوای تولیدشده توسط هوش مصنوعی کرد. این مقررات با هدف افزایش شفافیت و تمایز میان محتوای واقعی و جعلی در فضای آنلاین وضع شده است. ‏✅ الزامات برچسب‌گذاری: استفاده از واترمارک یا نشانه‌های شناسایی برای محتوای متنی، تصویری و صوتی تولیدشده توسط AI. ‏✅ اطلاع‌رسانی به کاربران: الزام سیستم‌ها به اعلام هویت خود در تعامل با افراد و اطلاع‌رسانی هنگام استفاده از ابزارهای تشخیص احساسات یا دسته‌بندی بیومتریک.

‏🔗 منبع: Euronews ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 معرفی مدل هوش مصنوعی جدید OpenAI با نام Astra

‏شرکت OpenAI در حاشیه انتشار یک مقاله علمی درباره ریاضیات، از مدل هوش مصنوعی جدید خود با نام Astra رونمایی کرد. بر اساس گزارش‌ها، این مدل که در مراحل داخلی توسعه قرار دارد، برای انجام وظایف طولانی‌مدت طراحی شده و مدیرعامل این شرکت، Sam Altman، اخیراً آن را به مقامات دولتی در واشینگتن معرفی کرده است. ‏✅ قابلیت پردازش طولانی‌مدت: مدل Astra برای اجرای وظایف پیچیده و زمان‌بر بهینه‌سازی شده است. ‏✅ توسعه در سکوت: معرفی این مدل در میان متون تخصصی ریاضیات، بخشی از استراتژی جدید OpenAI برای اطلاع‌رسانی درباره پیشرفت‌های فنی است.

‏🔗 منبع: Gizmodo ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 اجرای قانون ممنوعیت تولید محتوای غیراخلاقی هوش‌مصنوعی

‏قانون جدید ایالت مینه‌سوتا برای ممنوعیت فناوری‌های «nudification» یا تولید تصاویر غیراخلاقی با استفاده از AI، پس از رد درخواست تعلیق توسط قاضی فدرال، از اول اوت ۲۰۲۶ اجرایی شد. شرکت xAI که علیه این قانون شکایت کرده بود، با استدلال قاضی مبنی بر تأخیر در ارائه درخواست و عدم وجود فوریت مواجه شد. ‏✅ جریمه‌های سنگین: اعمال جریمه تا ۵۰۰ هزار دلار برای هر مورد استفاده غیرقانونی و امکان شکایت خصوصی برای دریافت خسارت. ‏✅ حمایت از قربانیان: اختصاص درآمدهای حاصل از جریمه‌ها به سازمان‌های حامی بازماندگان خشونت‌های جنسی و خانگی. ‏✅ محدودیت‌های قانونی: ممنوعیت تبلیغ یا ترویج سرویس‌هایی که قابلیت تغییر تصاویر برای تولید محتوای غیراخلاقی را دارند.

‏🔗 منبع: Mashable ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

📰 روزنامه خبری هوش‌مصنوعی (12 مرداد) 🔢اجرای مقررات تازه هوش مصنوعی اروپا آغاز شد

از دوم اوت، مرحله تازه اجرای قانون هوش مصنوعی اتحادیه اروپا آغاز شده است. کاربران باید در موارد مشمول قانون از تعامل با سامانه هوش مصنوعی آگاه شوند. برای محتوای مصنوعی و دست‌کاری‌شده نیز الزامات شفافیت و افشا اعمال می‌شود. دفتر هوش مصنوعی اروپا و نهادهای ملی مسئول نظارت بر اجرای مقررات هستند.

🔢اجرای هوش مصنوعی در جشنواره واگنر با اعتراض روبه‌رو شد

جشنواره مشهور بایرویت آلمان از تصاویر تولیدشده با هوش مصنوعی در یک اپرا استفاده کرد. این تصاویر به‌صورت زنده و متفاوت در طول اجرا تولید می‌شدند. تماشاگران خوانندگان و رهبر ارکستر را تشویق کردند، اما بخش تصویری را هو کردند. برگزارکنندگان قصد دارند این آزمایش را در اجراهای بعدی نیز ادامه دهند.

🔢کمبود پژوهشگر، ایمنی هوش مصنوعی را با چالش روبه‌رو کرد

آزمایشگاه مستقل «متر» از کمبود شدید نیروی متخصص برای ارزیابی مدل‌های پیشرفته خبر داده است. این مؤسسه حتی با حقوق سالانه بیش از ۵۰۰ هزار دلار برای جذب پژوهشگر مشکل دارد. افزایش سریع توان مدل‌ها، نیاز به آزمون‌های مستقل ایمنی را بیشتر کرده است. مدیران این مرکز می‌گویند کمبود متخصص می‌تواند نظارت مؤثر بر مدل‌های قدرتمند را دشوار کند.

🔢حملات پهپادی اوکراین پنج کشته در روسیه برجا گذاشت

حملات پهپادی اوکراین در چند منطقه روسیه دست‌کم پنج کشته برجا گذاشت. یک انبار بزرگ شرکت خرده‌فروشی وایلدبریس نیز در منطقه سامارا هدف قرار گرفت. مقام‌های روسیه از رهگیری صدها پهپاد در جریان حملات شبانه خبر داده‌اند. هم‌زمان حملات روسیه به اوکراین نیز تلفات و خسارت‌هایی برجای گذاشت.

🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 شبکه‌های عصبی چگونه به پایه هوش مصنوعی مدرن تبدیل شدند؟

ایلیا ساتسکور، یکی از چهره‌های کلیدی شکل‌گیری یادگیری عمیق، در گفت‌وگو با جنسن هوانگ روایت می‌کند که اوایل دهه ۲۰۰۰ هنوز اهمیت مقیاس در شبکه‌های عصبی روشن نبود. پژوهشگران مدل‌هایی با تنها ۵۰ تا چندصد نورون می‌ساختند، یک میلیون پارامتر را بسیار بزرگ می‌دانستند و آزمایش‌ها را با پردازنده‌های معمولی و MATLAB انجام می‌دادند. ساتسکور معتقد بود شبکه‌های عصبی مسیر بلندمدت مناسبی برای هوش مصنوعی هستند، چون می‌توانند از داده یاد بگیرند و با افزایش قدرت محاسباتی مقیاس پیدا کنند؛ دیدگاهی که چند سال بعد با AlexNet و ترکیب شبکه‌های عمیق، داده‌های عظیم و پردازنده‌های گرافیکی به یکی از نقاط عطف هوش مصنوعی مدرن تبدیل شد. ✅ آن زمان چندصد نورون، شبکه‌ای بزرگ محسوب می‌شد. ✅ یک میلیون پارامتر عددی بسیار بزرگ بود. ✅ آموزش مدل‌ها با CPU و MATLAB انجام می‌شد. ✅ چند سال بعد، AlexNet با حدود ۶۰ میلیون پارامتر مسیر یادگیری عمیق را تغییر داد.

‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 مدل DeepSeek V4 Flash با هزینه بسیار پایین وارد رقابت شد!

دیپ‌سیک با نسخه جدید DeepSeek V4 Flash 0731 دوباره بحث هزینه مدل‌های هوش مصنوعی را داغ کرده است. ارزیابی‌های مستقل نشان می‌دهند این مدل با وجود قیمت بسیار پایین، در بنچمارک‌های هوش و وظایف عامل‌محور عملکرد قابل‌توجهی دارد و هزینه اجرای کامل ارزیابی Intelligence Index برای آن تنها بخش کوچکی از هزینه Claude Fable 5 بوده است. ✅ قیمت ورودی دیپ‌سیک: ۰٫۱۴ دلار به‌ازای یک میلیون توکن ✅ قیمت خروجی دیپ‌سیک: ۰٫۲۸ دلار به‌ازای یک میلیون توکن ✅ قیمت ورودی Fable 5: ۱۰ دلار ✅ قیمت خروجی Fable 5: ۵۰ دلار ✅ هزینه کل اجرای بنچمارک برای Fable 5 حدود ۵۶۳۰ دلار گزارش شده؛ در حالی که هزینه دیپ‌سیک به‌مراتب پایین‌تر است. این اختلاف نشان می‌دهد رقابت مدل‌های بزرگ دیگر فقط بر سر قدرت نیست؛ هزینه رسیدن به یک پاسخ خوب هم در حال تبدیل شدن به یکی از مهم‌ترین معیارهای رقابت است.

‏🔗 منبع: artificialanalysis ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 تنوع ایده‌های پژوهشی هوش مصنوعی کمتر از انسان است!

پژوهش تازه‌ای از محققان دانشگاه ییل و دانشگاه شیکاگو با بررسی ۱۱٬۶۸۳ مقاله علمی نشان می‌دهد مدل‌های زبانی می‌توانند ایده‌های پژوهشی معقولی تولید کنند، اما تنوع مسیرهای فکری آن‌ها هنوز به اندازه پژوهشگران انسانی نیست. پژوهشگران انسانی از روش‌هایی مثل کشف سازوکارها، بررسی نقاط شکست، اندازه‌گیری شواهد و توسعه سیستم‌های جدید استفاده می‌کنند؛ در حالی که مدل‌ها بیشتر به سمت «ترکیب و اتصال پژوهش‌های موجود» می‌روند. نتایج کلیدی مطالعه: ✅ فقط ۱۲.۱٪ ایده‌های انسانی بر اتصال پژوهش‌های قبلی تمرکز داشتند. ✅ این عدد در ایده‌های تولیدشده توسط مدل‌های زبانی به ۴۷.۱ تا ۶۴.۲٪ رسید. ✅ روش‌های ترکیب و یکپارچه‌سازی در انسان‌ها فقط ۵.۱٪ بود، اما در مدل‌ها به ۲۲.۵ تا ۳۸.۷٪ رسید. ✅ حتی افزایش مراحل استدلال نیز این گرایش را از بین نبرد. نتیجه پژوهش این است که مشکل فعلی لزوماً ناتوانی هوش مصنوعی در تولید یک ایده مناسب نیست؛ بلکه دامنه ایده‌هایی است که تولید می‌کند و تمایل بیش از حد آن به چند الگوی فکری مشابه.

‏🔗 مقاله: arxiv ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

🐱 معرفی پروژه GitHub Trend | AI-For-Beginners

یادگیری هوش مصنوعی از صفر معمولاً میان دوره‌ها، کتاب‌ها و آموزش‌های پراکنده تقسیم می‌شود؛ اما AI-For-Beginners مایکروسافت یک مسیر آموزشی منظم و کاملاً متن‌باز برای شروع این مسیر فراهم کرده است. این دوره در قالب یک برنامه ۱۲ هفته‌ای و ۲۴ درس طراحی شده و از مبانی هوش مصنوعی تا شبکه‌های عصبی، بینایی ماشین، پردازش زبان طبیعی، ترنسفورمرها، یادگیری تقویتی و اخلاق هوش مصنوعی را پوشش می‌دهد. در کنار توضیحات نظری، نوت‌بوک‌های اجرایی، تمرین، آزمایش و آزمون نیز در اختیار کاربران قرار گرفته و محتوای آن به بیش از ۵۰ زبان، از جمله فارسی، ترجمه شده است. قابلیت‌های کلیدی دوره کامل هوش مصنوعی در ۱۲ هفته و ۲۴ درس مناسب برای افراد تازه‌وارد به حوزه AI آموزش عملی با PyTorch و TensorFlow نوت‌بوک‌های قابل اجرای Jupyter تمرین، Lab و Quiz برای بسیاری از مباحث آموزش شبکه‌های عصبی و Deep Learning پوشش Computer Vision و پردازش زبان طبیعی آموزش Transformers، BERT و مدل‌های زبانی بزرگ مباحث Reinforcement Learning و Multi-Agent Systems آموزش AI Ethics و Responsible AI پشتیبانی از بیش از ۵۰ زبان، از جمله فارسی 🚀 نحوه استفاده ۱. ابتدا مخزن پروژه را Clone کنید: git clone https://github.com/microsoft/AI-For-Beginners.git ۲. وارد پوشه پروژه شوید: cd AI-For-Beginners ۳. محیط توسعه را طبق بخش Course Setup آماده کرده و وابستگی‌های موجود در requirements.txt یا environment.yml را نصب کنید. ۴. از پوشه lessons درس‌ها را به‌ترتیب دنبال کنید و برای بخش‌های عملی، نوت‌بوک‌های Jupyter مربوط به PyTorch یا TensorFlow را اجرا کنید. ۵. پس از هر مبحث، Labها و Quizهای مرتبط را انجام دهید تا مفاهیم را به‌صورت عملی تمرین کنید. ۶. اگر حجم ترجمه‌های بیش از ۵۰ زبان برایتان ضروری نیست، می‌توانید با قابلیت Sparse Checkout نسخه سبک‌تر مخزن را دریافت کنید.

🔗 لینک پروژه 🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی

‏🗣 پیشنهاد GPT-5.6 Sol مسیر یک کشف ریاضی را تغییر داد!

پژوهشگران در مقاله‌ای جدید نشان داده‌اند که حدس معروف منتسب به جیمز کلرک ماکسول درباره نقاط بحرانی میدان الکتریکی در حالت کلی درست نیست. آن‌ها آرایشی از پنج بار نقطه‌ای پیدا کردند که حداقل ۲۴ نقطه بحرانی غیرتبهگن ایجاد می‌کند؛ در حالی که حد پیشنهادی برای پنج بار، تنها ۱۶ نقطه بود. نکته جالب، نقش مدل GPT-5.6 Sol در این کشف است: ✅ ایده اصلی ساخت مثال نقض توسط مدل پیشنهاد شد. ✅ اثبات و بررسی دقیق ریاضی را پژوهشگران انجام دادند. ✅ محاسبات نیز با ابزارهایی مانند Mathematica و Maple بررسی شد. ✅ نتیجه فعلاً به‌صورت پیش‌چاپ پژوهشی منتشر شده و مقاله هنوز در مرحله انتشار ژورنالی داوری‌شده نیست. این پژوهش نمونه جالبی از نقشی است که مدل‌های هوش مصنوعی می‌توانند نه فقط در حل مسئله، بلکه در پیشنهاد ایده‌های تازه برای تحقیقات ریاضی داشته باشند.

‏🔗 مقاله: arxiv ‏🔹 تلگرام . یوتیوب . توییتر . لینکدین

هوش‌مصنوعی در پژوهش، بروزترین ارائه‌دهنده اخبار هوش‌مصنوعی