هوش مصنوعی و علم داده به فارسی

‏🧬 موفقیت بزرگ هوش مصنوعی در ساخت واکسن سرطان ‏در یک پیشرفت انقلابی، واکسن سرطان شخصی‌سازی‌شده که با کمک هوش مصنوعی توسط شرکت‌های مدرنا و مرک توسعه یافته، فاز سوم کارآزمایی بالینی خود را با موفقیت پشت سر گذاشت. ‏این فرآیند درمانی با توالی‌یابی ژنوم تومور بیمار و مقایسه آن با DNA سالم آغاز می‌شود. سپس هوش مصنوعی جهش‌های خاصی را شناسایی می‌کند که بیشترین پتانسیل را برای تحریک سیستم ایمنی بدن دارند. بر اساس این داده‌ها، یک درمان اختصاصی مبتنی بر mRNA برای هدف قرار دادن حداکثر ۳۴ آنتی‌ژن ساخته می‌شود. ‏نتایج اولیه و فاز سوم این مطالعه نشان‌دهنمهم‌ترین دستاوردهاهای مهمی است: ‏* کاهش ۴۹ درصدی خطر بازگشت بیماری یا مرگ در بیماران. ‏* کاهش ۵۹ درصدی احتمال متاستاز یا مرگ. ‏* ماندگاری نرخ بقای بدون سرطان در بیش از ۶۸ درصد بیماران پس از ۵ سال. ‏جزئیات بیشتر این دستاورد پزشکی را می‌توانید در وب‌سایت رسمی مرک مشاهده کنید. این موفقیت، گامی کلیدی در استفاده از یادگیری ماشین برای درمان‌های شخصی‌سازی‌شده پزشکی است. 📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏📊 تحلیل عملکرد مدل‌های کوانتایز شده Qwen ‏آیا کوانتایز کردن مدل‌ها به قیمت از دست رفتن هوش آن‌ها تمام می‌شود؟ پاسخ به این پرسش در یک بنچمارک ۶۷ ساعته روی خانواده Qwen 2.5-32B بررسی شده است. ‏نتایج نشان می‌دهد که برخلاف تصور رایج، استفاده از کوانتایزیشن ۴ بیت نه تنها فاجعه‌بار نیست، بلکه در برخی متدها عملکردی خیره‌کننده دارد: ‏• متد AWQ INT4 توانسته با ثبت دقت ۹۰٪، حتی از نسخه‌های FP8 با دقت ۸۸.۷٪ نیز پیشی بگیرد. ‏• سایر روش‌های ۴ بیتی نیز در محدوده عملکردی بسیار نزدیک به نسخه‌های سنگین‌تر (۸۸ تا ۸۹ درصد) قرار دارند. ‏• مدل‌های xhigh در عمل تنها باعث مصرف بیشتر توکن و منابع می‌شوند و تفاوت کیفیت آن‌ها با مدل‌های بهینه‌تر بسیار ناچیز است. ‏برای کاربردهای عملی و واقعی، استفاده از مدل‌های سبک‌تر با کوانتایزیشن مناسب، انتخاب هوشمندانه‌ای است. نسخه‌های سنگین عمدتاً برای بهبود رتبه‌بندی در لیدربوردها کاربرد دارند و ارزش افزوده عملیاتی چندانی ایجاد نمی‌کنند. این تحلیل دید دقیق‌تری برای انتخاب مدل بر اساس منابع سخت‌افزاری و نیاز واقعی پروژه به ما می‌دهد. 📚 مطالعه با جزئیات بیشتر 📊 Data➕Science

‏⚡️ رقابت داغ در دنیای AI: چین به مرزهای آمریکا رسید ‏گزارش‌های تازه بلومبرگ و تحلیل‌های مستقل نشان می‌دهد که شکاف میان توانمندی‌های هوش مصنوعی چین و آمریکا با سرعتی غیرمنتظره در حال بسته شدن است. مدل جدید Kimi K3 از شرکت Moonshot اکنون در کنار بزرگانی نظیر مدل‌های پیشرو Anthropic و OpenAI قرار گرفته و در بسیاری از بنچمارک‌ها پابه‌پای آن‌ها پیش می‌رود. ‏نکته قابل‌توجه این است که علاوه بر بهبود عملکرد فنی، مدل‌های چینی مانند Kimi، GLM و Qwen به‌طور قابل‌توجهی در هزینه‌های عملیاتی بهینه‌تر هستند. ‏مهم‌ترین یافته‌های تحلیل‌های اخیر: ‏* شاخص Artificial Analysis: مدل Kimi K3 در ارزیابی ترکیبی از کدنویسی و استدلال، خود را به رده‌های بالای جهان رسانده است. ‏* شاخص توانمندی Epoch: این مدل با کسب امتیازهای بالا در بیش از ۵۰ بنچمارک، رسماً در جمع پیشروترین هوش‌های مصنوعی جهان قرار دارد. ‏* شاخص Vals: بررسی عملکرد تخصصی در حوزه‌های حقوقی، مالی و برنامه‌نویسی نشان می‌دهد که Kimi K3 در وضعیت عملکردی بسیار رقابتی قرار گرفته است. 📚 مطالعه با جزئیات بیشتر 📊 Data➕Science

‏هوش مصنوعی مایکروسافت در میدان رقابت تصویر ‏مایکروسافت با عرضه مدل‌های جدید سری MAI-Image توانسته است خود را به جمع برترین‌های حوزه تبدیل تصویر به عکس (t2i) برساند. عملکرد خیره‌کننده این تیم که متشکل از متخصصان سابق Meta GenAI است، در بنچمارک‌های اخیر توجه زیادی را به خود جلب کرده است. ‏بر اساس تحلیل‌های Artificial Analysis، مدل‌های جدید در پیاده‌سازی جزئیات دقیق، رندر متن و طراحی رابط کاربری (UI/UX) نتایج رقابتی و نزدیکی با مدل‌هایی نظیر GPT Image 2 ارائه می‌دهند. ‏مهم‌ترین نکات درباره این تحولات: ‏* مدل MAI-Image-2.6-Preview یکی از مدعیان جدید در صدر جدول رده‌بندی است. ‏* نسخه MAI-Image-2.5-Pro با استفاده از فشرده‌سازی پیشرفته، تعادل خوبی میان کیفیت و هزینه ایجاد کرده است. ‏* عملکرد مدل‌ها در آزمون‌های پیچیده مانند نمایش احساسات در انیمه یا ترسیم دیاگرام‌های ایزومتریک، نشان‌دهنده دقت بالای موتورهای تولید تصویر این مجموعه است. ‏برای بررسی و تست مستقیم توانایی‌های این مدل‌ها می‌توانید از Playground مایکروسافت استفاده کنید. 📚 مطالعه با جزئیات بیشتر 📊 Data➕Science

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #91 | 📌 6 آیتم گزارش | 🧾 از 11 پست بررسی‌شده 🕐 چهارشنبه 1405/05/28 ساعت 14:00 تا پنجشنبه 1405/05/29 ساعت 14:00 🛠️ ابزارها و توسعه نرم‌افزار

شرکت Modular زبان برنامه‌نویسی Mojo را به صورت متن‌باز تحت مجوز Apache 2.0 منتشر کرد که دسترسی توسعه‌دهندگان به زیرساخت‌های این زبان متمرکز بر هوش مصنوعی را متحول می‌کند. 🔗 مشاهده پست ابزار متن‌باز TrueForge معرفی شد؛ یک Agent Harness برای مدیریت هزینه‌ها، حفظ وضعیت و بهبود کارایی اِیجنت‌های هوش مصنوعی در پروژه‌های طولانی‌مدت. 🔗 مشاهده پست

🧪 دستاوردهای علمی و پژوهشی

شرکت Anthropic با استفاده از مدل هوش مصنوعی Claude Opus موفق شد برای ۱۴ مورد از ۱۵ هدف تعیین‌شده، پروتئین‌های اختصاصی با نرخ موفقیت بی‌سابقه ۲۲ تا ۳۵ درصد طراحی کند. 🔗 مشاهده پست پژوهشگران استنفورد و MIT سیستم Meta-Harness را معرفی کردند که با بهینه‌سازی کد محیط اجرا (بدون نیاز به تغییر وزن‌های مدل)، عملکرد مدل‌های زبانی بزرگ را تا ۶ برابر بهبود می‌دهد. 🔗 مشاهده پست

🤖 کاربردها و مفاهیم هوش مصنوعی

شرکت OpenAI نسخه اختصاصی ChatGPT را برای نوجوانان ۱۳ تا ۱۷ سال با تمرکز بر یادگیری عمیق، حل مسئله (از طریق حالت Study Mode) و امنیت پیشرفته طراحی و عرضه کرده است. 🔗 مشاهده پست بررسی تفاوت‌های ساختاری کلیدی مانند تفاوت LLM با AI Agent (عامل هوشمند مجهز به حافظه و ابزار) و تفاوت تکنیک RAG (بازیابی اطلاعات) با Grounding (اتصال به منابع معتبر). 🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏۷ پارامتر کلیدی که خروجی LLM را کنترل می‌کنند ‏هر مدل زبانی (LLM) با نمونه‌برداری از توزیع احتمالات، توکن‌ها را یکی‌یکی تولید می‌کند. برای مدیریت دقیق این خروجی، شناخت این هفت پارامتر حیاتی است: ‏* Max tokens: تعیین حداکثر تعداد توکن‌های تولیدی که در صورت رسیدن به سقف، فرآیند را قطع می‌کند. ‏* Temperature: تنظیم میزان خلاقیت یا قطعیت مدل؛ مقادیر کمتر از ۱ مدل را محافظه‌کار و مقادیر بالاتر آن را متنوع‌تر می‌کند. ‏* Top_p: انتخاب از میان مجموعه‌ای از توکن‌ها که مجموع احتمال آن‌ها برابر با p است؛ این پارامتر با میزان اطمینان مدل تطبیق می‌یابد. ‏* Top_k: محدود کردن انتخاب به k توکن برتر؛ فارغ از اینکه مدل چقدر به پاسخ اطمینان دارد. ‏* Frequency & Presence Penalties: کاهش احتمال تکرار کلمات؛ اولی بر اساس دفعات تکرار و دومی بر اساس حضور یک توکن در متن عمل می‌کند تا تنوع موضوعی حفظ شود. ‏* Stop sequences: رشته‌های خاصی که به محض تولید توسط مدل، باعث توقف فوری فرآیند پاسخ‌دهی می‌شوند. 📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Temperature #Top_p

‏🤖 مفاهیم کلیدی که هر متخصص هوش مصنوعی باید بداند ‏بسیاری از مهندسان با اصطلاحات دنیای هوش مصنوعی آشنا هستند، اما درک تفاوت‌های دقیق آن‌ها برای ساخت سیستم‌های واقعی حیاتی است. در اینجا مهم‌ترین این مفاهیم را بررسی می‌کنیم: ‏• LLM در برابر AI Agent: مدل زبانی تنها مغز متفکر است، اما ایجنت سیستمی است که با استفاده از حافظه و ابزارها به یک هدف مشخص می‌رسد. ‏• RAG در برابر Grounding: تکنیک RAG برای بازیابی اطلاعات خارجی استفاده می‌شود، در حالی که Grounding به معنای متصل کردن خروجی مدل به منابع قابل اعتماد است. ‏• Fine-tuning در برابر Prompt Engineering: اولی وزن‌های مدل را تغییر می‌دهد و دومی نحوه تعامل و دستورالعمل‌های ورودی به مدل را بهینه‌سازی می‌کند. ‏• Vector Database در برابر Knowledge Graph: دیتابیس برداری بر پایه شباهت‌های معنایی جستجو می‌کند، اما گراف دانش بر پایه روابط میان موجودیت‌ها استوار است. ‏• Data Lineage در برابر Data Observability: اولی مسیر حرکت و منشأ داده را نشان می‌دهد و دومی سلامت و پایداری داده در لحظه را بررسی می‌کند. 📚 مطالعه با جزئیات بیشتر 📊 Data➕Science

‏🧠 کالبدشکافی ساختار ایجنت‌های هوش مصنوعی ‏اگر در حال توسعه یا مقیاس‌پذیری سیستم‌های هوش مصنوعی هستید، باید بدانید که فارغ از نوع مدل یا فریم‌ورک، اکثر ایجنت‌های کاربردی از یک الگوی معماری واحد پیروی می‌کنند. برای درک عمیق‌تر، این لایه‌های کلیدی را به خاطر بسپارید: ‏- لایه ادراک (Perception): ورودی‌ها شامل متن، رویدادها یا سنسورها را دریافت می‌کند. ‏- موتور استدلال (Reasoning): مدل زبانی (LLM) که وظیفه تحلیل، برنامه‌ریزی و تصمیم‌گیری را بر عهده دارد. ‏- ماژول برنامه‌ریزی (Planning): اهداف بزرگ را به گام‌های اجرایی و کوچک تبدیل می‌کند. ‏- لایه اجرا (Action Layer): بخش تعامل با ابزارها، APIها، کدنویسی و پایگاه‌های داده برای انجام کار. ‏- سیستم حافظه (Memory): شامل حافظه کوتاه‌مدت برای متن جاری و حافظه بلندمدت برای دانش تخصصی. ‏- لایه نظارت و ایمنی (Guardrails): مدیریت محدودیت‌ها، فیلترینگ محتوا و تایید نهایی توسط انسان. ‏- لایه رصد (Observability): پایش لاگ‌ها، هزینه، تاخیر و عملکرد سیستم. 📚 مطالعه با جزئیات بیشتر

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#AI_Agent #Reasoning_Engine

‏تحول در سنجش عملکرد مدل‌های هوش مصنوعی با قابلیت‌های جدید Agent Arena ‏پروژه Agent Arena با تحلیل بیش از ۱.۷ میلیون نشست کاربری، رویکرد خود را از یک رتبه‌بندی کلی به سیستمی جامع برای انتخاب مدل‌های هوش مصنوعی تغییر داده است. از این پس، ارزیابی مدل‌ها تنها بر اساس عملکرد نیست و دو فاکتور کلیدی «هزینه انجام وظیفه» و «دسته‌بندی موضوعی» به لیدربرد اضافه شده‌اند. ‏مهم‌ترین نکات این به‌روزرسانی: ‏- هزینه واقعی انجام وظیفه (Agent Costs): مدل‌ها بر اساس هزینه تکمیل هر تسک واقعی سنجیده می‌شوند. با استفاده از نمودار Pareto Frontier، می‌توانید به‌سادگی مدل‌های دارای بهترین نسبت «کارایی به قیمت» را شناسایی کنید. ‏- دسته‌بندی‌های تخصصی (Agent Categories): عملکرد مدل‌ها اکنون در سه حوزه اصلی تفکیک شده است تا درک دقیق‌تری از توانمندی آن‌ها داشته باشید: ‏ - Code: برای برنامه‌نویسی، دیباگ و تحلیل داده. ‏ - Chat: برای چت‌های عمومی، یادگیری و تولید محتوای خلاقانه. ‏ - Work: برای امور اداری، تحقیق حرفه‌ای و مستندسازی که با ۶۹٪ بیشترین حجم تسک‌ها را شامل می‌شود. 📊 Data➕Science

‏🤖 انقلابی در مدیریت Agentهای هوش مصنوعی با TrueForge ‏تیم TrueFoundry ابزار TrueForge را به صورت متن‌باز منتشر کرده است؛ یک Agent Harness که هدف آن تغییر قواعد بازی در مدیریت هزینه‌ها و کارایی مدل‌های هوش مصنوعی است. ‏در پروژه‌های طولانی‌مدت، نحوه مدیریت context، فراخوانی ابزارها و حفظ وضعیت (state)، مستقیماً بر دقت و هزینه نهایی تأثیر می‌گذارد. تست‌های بنچمارک نشان می‌دهد که استفاده از TrueForge به جای سرویس‌های مدیریت‌شده (مانند Claude Managed Agents)، می‌تواند بدون کاهش دقت، تا ۴۰ درصد مصرف توکن را کاهش و هزینه‌ها را تا ۳۰ درصد پایین بیاورد. ‏مهم‌ترین مزایای این ابزار: ‏* مدیریت بهینه حافظه: با فشرده‌سازی تاریخچه و حذف پاسخ‌های غیرضروری ابزارها، از پردازش توکن‌های تکراری جلوگیری می‌کند. ‏* بی‌طرفی در مدل (Vendor Neutrality): این فریم‌ورک به شما اجازه می‌دهد مدل را به راحتی تعویض کنید؛ با جایگزینی مدل‌های تجاری با مدل‌های متن‌باز قدرتمند، می‌توان تا ۷۵ درصد در هزینه‌ها صرفه‌جویی کرد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#TrueForge #MCP_servers

‏🚀 تحول عملکرد LLMها با بهینه‌سازی کد محیط اجرا ‏پژوهشگران استنفورد و MIT در مقاله اخیر خود ثابت کردند که برای افزایش قدرت مدل‌های زبانی، همیشه نیازی به تغییر وزن‌های مدل نیست. آن‌ها سیستمی به نام Meta-Harness معرفی کرده‌اند که با بهینه‌سازی «کدِ محیط اجرا» (Python harness)، عملکرد مدل را تا ۶ برابر بهبود می‌دهد. ‏مهم‌ترین یافته‌های این تحقیق: ‏• دسترسی کامل به لاگ‌های اجرایی: جایگزینی خلاصه‌های فشرده با دسترسی مستقیم به فایل‌سیستم و لاگ‌های خام برای تشخیص دقیق‌تر خطاها. ‏• تحلیل علّی در فضای کد: به جای تغییر پرامپت، سیستم خطاهای زنجیره‌ای را ریشه‌یابی کرده و توابع پایتون را بازنویسی می‌کند. ‏• فشرده‌سازی توکن با دقت بالاتر: دستیابی به نتایجی بهتر از سیستم‌های حافظه فعلی با استفاده از ۴ برابر توکن کمتر و سرعت همگرایی ۱۰ برابر سریع‌تر. ‏• انتقال دانش به مدل‌های دیگر: بهینه‌سازی‌های انجام‌شده در این سیستم روی مدل‌های فرانتیر کاملاً جدید نیز عملکرد بهتری را ثبت کرده است. ‏نتیجه‌گیری این مطالعه ساده است: کدی که اطراف مدل قرار دارد به اندازه وزن‌های خودِ مدل اهمیت دارد. 📊 Data➕Science

‏🔥 زبان Mojo متن‌باز شد! ‏اتفاقی بزرگ برای دنیای هوش مصنوعی؛ تیم Modular زبان برنامه‌نویسی Mojo را به‌صورت متن‌باز (Open Source) تحت مجوز Apache 2.0 منتشر کرد. ‏این اقدام دسترسی توسعه‌دهندگان به زیرساخت‌های این زبان را متحول می‌کند. از جمله مهم‌ترین موارد منتشر شده می‌توان به این‌ها اشاره کرد: ‏- کد منبع کامل کامپایلر Mojo ‏- ابزارهای توسعه و Toolchain اختصاصی ‏- کتابخانه‌های استاندارد زبان ‏- نمونه‌های آموزشی کاربردی ‏- بخش‌هایی از زیرساخت AI و کرنل‌های بهینه‌شده برای CPU و GPU ‏با این انتشار، حالا جامعه متن‌باز می‌تواند مستقیماً در توسعه این زبان که با هدف ترکیب سادگی پایتون و عملکرد خیره‌کننده سی‌پلاس‌پلاس طراحی شده است، مشارکت کند. این تحول گامی کلیدی برای افزایش سرعت و کارایی در پروژه‌های سنگین یادگیری ماشین محسوب می‌شود.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Mojo #Apache_2_0

‏🤖 معرفی ۶ ابزار برتر برای مدیریت و توسعه هوش مصنوعی ‏دنیای هوش مصنوعی به سرعت در حال حرکت به سمت سیستم‌های «عامل‌محور» (Agentic) است. در ادامه، مهم‌ترین مخازن و ابزارهای کاربردی برای توسعه و مدیریت بهتر این ایجنت‌ها را معرفی می‌کنیم: ‏* Agency Agents: مجموعه‌ای از بیش از ۲۰۰ ایجنت تخصصی برای انجام وظایف مختلف از توسعه نرم‌افزار تا مدیریت و بازاریابی. ‏* Codebase Memory MCP: ابزاری کاربردی برای ساخت گراف دانش از کدهای شما که به ایجنت‌ها کمک می‌کند روابط بین فایل‌ها و توابع را با دقت بسیار بالاتری درک کنند. ‏* OpenMontage: نخستین سیستم متن‌باز و عامل‌محور برای تولید ویدیو که از سناریو تا تدوین نهایی را با استفاده از پرامپت انجام می‌دهد. ‏* Agent-Reach: پلی میان ایجنت‌ها و منابع آنلاین برای جمع‌آوری و جستجوی اطلاعات در شبکه‌هایی نظیر X، Reddit و GitHub. ‏* Orca: یک ارکستراتور قدرتمند برای سازندگان حرفه‌ای که امکان اجرای هم‌زمان چندین ایجنت کدنویسی را در محیطی یکپارچه فراهم می‌کند. ‏* OmniRoute: دروازه‌ای واحد برای اتصال به ارائه‌دهندگان مختلف هوش مصنوعی تنها از طریق یک endpoint. 📊 Data➕Science

‏🤖 نسخه اختصاصی ChatGPT برای نوجوانان ‏شرکت OpenAI به‌تازگی تجربه کاربری ویژه‌ای را برای بازه سنی ۱۳ تا ۱۷ سال طراحی کرده است. هدف اصلی این نسخه، تغییر رویکرد از «ارائه مستقیم پاسخ» به «یادگیری عمیق و حل مسئله» است. ‏مهم‌ترین ویژگی‌های این نسخه شامل موارد زیر است: ‏• حالت Study Mode: تشویق دانش‌آموزان به تحلیل و استدلال به‌جای کپی مستقیم پاسخ‌ها. ‏• امنیت پیشرفته: اعمال محدودیت‌های سخت‌گیرانه متناسب با سن نوجوانان. ‏• نظارت والدین: امکان اتصال حساب کاربری، مدیریت حافظه (Memory)، تنظیم زمان استراحت و دریافت هشدارهای امنیتی. ‏• مرزبندی با هوش مصنوعی: جلوگیری از تبدیل شدن چت‌بات به دوست صمیمی دیجیتال و تشویق نوجوانان به برقراری روابط اجتماعی در دنیای واقعی. ‏این اقدام گامی مهم برای ایمن‌سازی محیط یادگیری و استفاده مسئولانه از فناوری در مدارس و خانه محسوب می‌شود. جزئیات بیشتر را می‌توانید در گزارش اصلی مطالعه کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#OpenAI #Study_Mode

‏🧬 طراحی پروتئین توسط هوش مصنوعی با Claude ‏شرکت Anthropic در آزمایش اخیر خود نشان داد که مدل‌های Claude قادرند طراحی پروتئین‌های پیونددهنده را سریع‌تر و دقیق‌تر از متخصصان شیمی انجام دهند. در این تحقیق، مدل‌های Mythos Preview و Opus 4.8 وظیفه داشتند برای ۱۵ هدف مختلف، پروتئین طراحی کنند. ‏نتایج آزمایشگاهی توسط شرکت‌های مستقل نشان داد که مدل‌ها در ۱۴ مورد از ۱۵ هدف موفق عمل کردند. نرخ موفقیت (Hit rate) حدود ۲۷ درصد ثبت شد که تقریباً دو برابر میانگین ۱۰ تا ۱۵ درصدی در این حوزه است. نکته قابل توجه، خودمختاری مدل‌ها در مدیریت آزمایش‌ها، مستندسازی و به‌کارگیری مدل‌های تخصصی طراحی پروتئین روی GPU بود. ‏مهم‌ترین نکات نتایج: ‏* مدل‌های Mythos و Opus موفق شدند در بسیاری از اهداف مانند PD-L1، TREM2 و VEGF-A عملکرد بهتری نسبت به روش‌های سنتی ثبت کنند. ‏* دقت طراحی در برخی موارد به قدری بالا بود که پیوندها بسیار قوی‌تر از بهترین نتایج علمی منتشرشده قبلی عمل کردند. ‏* مدل‌ها حتی در طراحی ساختارهای پیچیده بتا-شیت نیز توانایی بالایی از خود نشان دادند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🧬 تحولی شگرف در طراحی پروتئین با Claude ‏شرکت Anthropic در یک آزمایش پیشگامانه، از مدل هوش مصنوعی Claude Opus برای طراحی پروتئین‌های متصل‌شونده استفاده کرد. این مدل موفق شد از میان ۱۵ هدف تعیین‌شده، برای ۱۴ مورد پروتئین‌های اختصاصی طراحی کند که توسط آزمایشگاه‌های مستقل Adaptyv Bio و Twist Bioscience در محیط واقعی سنتز و تست شدند. ‏مهم‌ترین نکات این موفقیت علمی: ‏- افزایش کارایی: نرخ موفقیت اتصال پروتئین‌ها در این آزمایش بین ۲۲ تا ۳۵ درصد بود، در حالی که میانگین استاندارد در صنعت معمولاً بین ۱۰ تا ۱۵ درصد است. ‏- دقت در طراحی: کیفیت برخی اتصالات ایجاد شده توسط این مدل، از بهترین نتایج علمی منتشرشده قبلی نیز فراتر رفت. ‏- فرآیند هوشمند: کلود برای دستیابی به این نتیجه به جای ابداع روشی جدید از صفر، از مدل‌های تخصصی متن‌باز طراحی پروتئین به عنوان ابزار کمکی استفاده کرد. ‏با وجود این پیشرفت، متخصصان یادآوری می‌کنند که طراحی پروتئین تنها گام نخست در مسیر طولانی تولید دارو است و چالش‌هایی مانند طراحی برای اهداف درون‌سلولی همچنان باقی است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #90 | 📌 6 آیتم گزارش | 🧾 از 14 پست بررسی‌شده 🕐 سه‌شنبه 1405/05/27 ساعت 14:00 تا چهارشنبه 1405/05/28 ساعت 14:00 🛡️ امنیت سایبری و چالش‌های هوش مصنوعی

گزارش‌ها از نخستین حمله سایبری موفق عامل‌های هوشمند به یک زیرساخت دولتی با استفاده از ابزارهایی مانند Hermes و OpenClaw خبر می‌دهند. 🔗 مشاهده پست شرکت OpenAI به دلیل ریسک‌های امنیتی بالا و توانایی مدل نسل جدید Astra در انجام حملات سایبری، آموزش یادگیری تقویتی آن را موقتاً متوقف کرد. 🔗 مشاهده پست پژوهش جدید Anthropic نشان می‌دهد ایده یا اهداف مخرب (ویروس‌های ذهنی) می‌توانند از طریق یک عامل آلوده، به سرعت کل شبکه عامل‌های هوش مصنوعی را درگیر کنند. 🔗 مشاهده پست

🤖 پیشرفت‌ها در رباتیک و آموزش

ربات انسان‌نمای شرکت Unitree با ثبت رکورد پرش ایستاده دو متری و سرعت دویدن ۱۲.۶۶ متر بر ثانیه، توانایی‌های حرکتی خیره‌کننده‌ای را به نمایش گذاشت. 🔗 مشاهده پست دانشگاه میشیگان تمام منابع آموزشی، کدها و شبیه‌سازهای برنامه رباتیک خود را به صورت رایگان و متن‌باز در گیت‌هاب منتشر کرد. 🔗 مشاهده پست

🔊 مدل‌ها و ابزارهای نوین گفتاری

شرکت Cartesia با انتشار مدل Sonic-3.6 استانداردهای تولید متن به گفتار را ارتقا داد و رتبه اول بنچمارک‌های اصلی این حوزه را کسب کرد. 🔗 مشاهده پست

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏🎨 قابلیت جدید Claude Code: طراحی مستقیم در ترمینال ‏ابزار Claude Code به ویژگی جدیدی به نام /design (در فاز پیش‌نمایش تحقیقاتی) مجهز شده است که بوم‌های طراحی را از Claude Design مستقیماً به محیط خط فرمان (CLI) و دسکتاپ می‌آورد. ‏با اجرای دستور /design و توصیف رابط کاربری مورد نظرتان، چندین طرح اولیه (mockup) قابل ویرایش دریافت می‌کنید. سپس می‌توانید طرح دلخواه را انتخاب، آن را به‌صورت دستی شخصی‌سازی و در نهایت از Claude بخواهید آن طرح را به کد کاربردی و نهایی تبدیل کند.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

‏⚠️ هوش مصنوعی در برابر مرزهای امنیت سایبری ‏شرکت OpenAI در گزارش جدید خود از توقف موقت آموزش مدل‌های نسل آینده خبر داد. این تصمیم به دلیل شناسایی قابلیت‌های بالای مدل جدید یعنی Astra در حوزه حملات سایبری اتخاذ شده است. طبق ارزیابی‌ها، این مدل به مرز «قابلیت سایبری حیاتی» رسیده که ریسک‌های امنیتی بی‌سابقه‌ای را به همراه دارد. ‏مهم‌ترین اقدامات حفاظتی انجام شده: ‏* توقف دو هفته‌ای در آموزش یادگیری تقویتی (RL) برای افزایش امنیت محیط‌های تحقیقاتی و تست‌های Red-teaming. ‏* تشدید سیاست‌های داخلی، شامل ایزوله‌سازی محیط‌های Sandbox و نظارت دقیق بر فرایندهای Reasoning و Tool calls. ‏* تخصیص ۲۰ درصد توان پردازشی بیشتر به سیستم‌های نظارتی برای بررسی فعالیت‌های مشکوک مدل. ‏* تمرکز بر هم‌راستایی (Alignment) جهت اطمینان از مطابقت رفتار مدل‌ها با اهداف و نظارت انسانی. ‏OpenAI اعلام کرده است که تا زمان کسب شواهد قوی‌تر از هم‌راستایی سیستم‌ها، توسعه مدل‌های بزرگ‌تر را با احتیاط و سرعت کمتری ادامه خواهد داد.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی 📩 ارتباط با ما

#Astra #Alignment

‏🚀 جهش خیره‌کننده ربات‌های انسان‌نما ‏شرکت Unitree اخیراً با انتشار ویدیویی از ربات انسان‌نمای خود، توانایی‌های حرکتی جدیدی را به نمایش گذاشت. این ربات موفق شد یک پرش ایستاده دو متری را با موفقیت اجرا کند که نشان‌دهنده قدرت انفجاری فوق‌العاده در طراحی سخت‌افزاری آن است. ‏علاوه بر این، سرعت دویدن این ربات به ۱۲.۶۶ متر بر ثانیه (حدود ۴۵ کیلومتر بر ساعت) رسیده است. جالب اینجاست که این عدد حتی از رکورد سرعت لحظه‌ای اوسین بولت که ۱۲.۴ متر بر ثانیه اندازه‌گیری شده بود، پیشی گرفته است. ‏مهم‌ترین نکات درباره این پیشرفت: ‏- نمایش قدرت انفجاری در پرش‌های بلند ‏- عبور از رکورد سرعت قهرمانان دو سرعت جهان ‏- تمرکز بر بهبود عملکرد در تست‌های بنچمارک حرکتی ‏البته باید توجه داشت که این تست‌ها در شرایط ایده‌آل و به عنوان نمایش حداکثر توان اجرا شده‌اند. هنوز جزئیات دقیقی از میزان استقامت، شتاب‌گیری عملیاتی، مصرف بهینه انرژی و پایداری این ربات در استفاده‌های طولانی‌مدت در دسترس نیست. مسیر تکامل هوش مصنوعی و رباتیک با چنین شتابی، آینده‌ای متفاوت را برای اتوماسیون رقم می‌زند. 📊 Data➕Science