现已上线！2025 年 Telegram 研究 — 年度关键洞察 
Silicon Brain | جامعه هوش مصنوعی
前往频道在 Telegram
مغز سیلیکونی|جامعه هوش مصنوعی و یادگیری ماشین گروه بحث و تبادل نظر: https://t.me/+SWbgmMZt0XU0MGY0 مطالب و بحث های بیشتر در اینستاگرام: https://www.instagram.com/silicon_brain/ ارتباط با ادمین: @silicon_brain_admin
显示更多7 084
订阅者
+224 小时
+107 天
+4930 天
数据加载中...
吸引订阅者
六月 '26
六月 '26
+117
在2个频道中
五月 '26
+79
在0个频道中
Get PRO
四月 '26
+34
在1个频道中
Get PRO
三月 '26
+6
在0个频道中
Get PRO
二月 '26
+40
在2个频道中
Get PRO
一月 '26
+26
在0个频道中
Get PRO
十二月 '25
+84
在2个频道中
Get PRO
十一月 '25
+146
在10个频道中
Get PRO
十月 '25
+218
在14个频道中
Get PRO
九月 '25
+198
在10个频道中
Get PRO
八月 '25
+155
在6个频道中
Get PRO
七月 '25
+180
在1个频道中
Get PRO
六月 '25
+96
在2个频道中
Get PRO
五月 '25
+115
在3个频道中
Get PRO
四月 '25
+159
在4个频道中
Get PRO
三月 '25
+113
在4个频道中
Get PRO
二月 '25
+129
在4个频道中
Get PRO
一月 '25
+171
在2个频道中
Get PRO
十二月 '24
+226
在5个频道中
Get PRO
十一月 '24
+204
在1个频道中
Get PRO
十月 '24
+409
在10个频道中
Get PRO
九月 '24
+257
在7个频道中
Get PRO
八月 '24
+161
在2个频道中
Get PRO
七月 '24
+114
在1个频道中
Get PRO
六月 '24
+104
在3个频道中
Get PRO
五月 '24
+215
在2个频道中
Get PRO
四月 '24
+122
在2个频道中
Get PRO
三月 '24
+82
在2个频道中
Get PRO
二月 '24
+136
在2个频道中
Get PRO
一月 '24
+141
在6个频道中
Get PRO
十二月 '23
+131
在2个频道中
Get PRO
十一月 '23
+601
在5个频道中
Get PRO
十月 '23
+71
在3个频道中
Get PRO
九月 '23
+99
在0个频道中
Get PRO
八月 '23
+32
在0个频道中
Get PRO
七月 '23
+88
在0个频道中
Get PRO
六月 '23
+68
在0个频道中
Get PRO
五月 '23
+210
在0个频道中
Get PRO
四月 '23
+109
在0个频道中
Get PRO
三月 '23
+155
在0个频道中
Get PRO
二月 '23
+17
在0个频道中
Get PRO
一月 '23
+15
在0个频道中
Get PRO
十二月 '22
+32
在0个频道中
Get PRO
十一月 '22
+27
在0个频道中
Get PRO
十月 '22
+20
在0个频道中
Get PRO
九月 '22
+114
在0个频道中
Get PRO
八月 '22
+42
在0个频道中
Get PRO
七月 '22
+88
在0个频道中
Get PRO
六月 '22
+123
在0个频道中
Get PRO
五月 '22
+70
在0个频道中
Get PRO
四月 '22
+285
在0个频道中
Get PRO
三月 '22
+184
在0个频道中
Get PRO
二月 '22
+125
在0个频道中
Get PRO
一月 '22
+48
在0个频道中
Get PRO
十二月 '21
+135
在0个频道中
Get PRO
十一月 '21
+163
在0个频道中
Get PRO
十月 '21
+217
在0个频道中
Get PRO
九月 '21
+132
在0个频道中
Get PRO
八月 '21
+71
在0个频道中
Get PRO
七月 '21
+713
在0个频道中
Get PRO
六月 '21
+155
在0个频道中
Get PRO
五月 '21
+93
在0个频道中
Get PRO
四月 '21
+276
在0个频道中
Get PRO
三月 '21
+27
在0个频道中
Get PRO
二月 '21
+131
在0个频道中
Get PRO
一月 '21
+289
在0个频道中
Get PRO
十二月 '20
+1 103
在0个频道中
| 日期 | 订阅者增长 | 提及 | 频道 | |
| 30 六月 | +2 | |||
| 29 六月 | +4 | |||
| 28 六月 | +2 | |||
| 27 六月 | +9 | |||
| 26 六月 | +3 | |||
| 25 六月 | +5 | |||
| 24 六月 | +2 | |||
| 23 六月 | +2 | |||
| 22 六月 | +5 | |||
| 21 六月 | +4 | |||
| 20 六月 | +4 | |||
| 19 六月 | +4 | |||
| 18 六月 | +3 | |||
| 17 六月 | +6 | |||
| 16 六月 | +3 | |||
| 15 六月 | +6 | |||
| 14 六月 | +2 | |||
| 13 六月 | +5 | |||
| 12 六月 | +6 | |||
| 11 六月 | +6 | |||
| 10 六月 | +5 | |||
| 09 六月 | +5 | |||
| 08 六月 | +5 | |||
| 07 六月 | +7 | |||
| 06 六月 | +4 | |||
| 05 六月 | +1 | |||
| 04 六月 | +2 | |||
| 03 六月 | +4 | |||
| 02 六月 | +1 | |||
| 01 六月 | 0 |
频道帖子
⭕️ سلسله وبینارهای رایگان: هوشمصنوعی برای همه
اگه توی این حوزه فعالی یا بهش علاقه داری، وقتشه مسیرت رو با هوش مصنوعی گره بزنی. قراره توی این وبینار یاد بگیری چه زمانی و چطوری از هوشمصنوعی بهترین استفاده رو کنی.
🚀 دو شب، از پژوهش تا کسبوکار
🗓 سهشنبه و چهارشنبه، ساعت ۱۸
🚨 همین حالا، رایگان ثبتنام کن:
👉📎 https://httb.ir/oHyWp
👉📎 https://httb.ir/oHyWp
@Cafetadris | کافهتدریس
| 2 | توی مقاله
LLM hallucinations in the wild: Large-scale evidence from non-existent citations
که بیش از ۱۱۱ میلیون رفرنس از حدود ۲.۵ میلیون مقاله علمی بررسی شده و نتیجه نشون میده از سال ۲۰۲۳ به بعد، تعداد Citationهای جعلی با سرعت زیادی افزایش پیدا کرده. فقط برای سال ۲۰۲۵ تخمین زده شده که حدود ۱۴۶ هزار رفرنس غیرواقعی وارد مقالات علمی شده.
نکته ترسناک اینجاست که موضوع فقط چند نویسنده متقلب نیست. بخش زیادی از این رفرنسهای فیک، نتیجه Hallucination مدلهای LLM هست. یعنی نویسنده مقاله رو نوشته، برای ساختن بخش منابع از AI کمک گرفته و مدل هم با اعتمادبهنفس کامل اسم مقاله، کتاب یا حتی DOIهایی ساخته که اصلاً وجود خارجی ندارن. بیشترین آمار هم مربوط به حوزههای Computer Science و Social Science بوده؛ دقیقاً جاهایی که استفاده از AI-assisted writing بیشتر از بقیه است. جالبتر اینکه پژوهشگرهای تازهکار و تیمهای کوچک بیشتر از همه گرفتار این مشکل شدن.
به نظرم خطر اصلی تازه از اینجا شروع میشه. وقتی این رفرنسهای جعلی از فیلتر داوری مجلات هم عبور میکنن، وارد دیتابیسهای علمی میشن و به بخشی از دانش ثبتشده تبدیل میشن. از اون طرف، نسل بعدی مدلهای AI هم روی همین مقالات Train میشن. نتیجه؟ یک Feedback Loop خطرناک که توش مدلهای جدید، خطاها و توهمات مدلهای قبلی رو یاد میگیرن و دوباره تولید میکنن.
لینک مقاله
به همین خاطر، استفاده از AI در پژوهش علمی نباید به معنی اعتماد کورکورانه به خروجی مدلها باشه. هر Citation، DOI و منبعی که توسط AI پیشنهاد میشه باید قبل از انتشار بهصورت دستی یا با ابزارهای معتبر بررسی و تأیید بشه. اگر این موضوع جدی گرفته نشه، در آینده ممکنه با انبوهی از مقالاتی روبهرو بشیم که ظاهراً معتبر هستن، اما بخشی از پایه علمی اونها روی منابعی بنا شده که هیچوقت وجود نداشتن.
@silicon_brain | از هوش مصنوعی عقب نمانید | 647 |
| 3 | دولت آمریکا از OpenAI خواسته انتشار عمومی GPT-5.6 رو فعلاً محدود کنه
طبق گزارش Axios و Reuters، این مدل بهجای عرضه عمومی، فعلاً فقط در اختیار تعداد محدودی از شرکتهای تأییدشده قرار گرفته و دسترسیها هم بهصورت موردی بررسی میشن.
دلیلشم گفتن نگرانیهای امنیت ملی، بهویژه در حوزههایی مثل امنیت سایبری و سوءاستفادههای احتمالی از مدلهای frontier هست!
نکته مهم اینه که:
این اولین باره دولت آمریکا قبل از عرضه عمومی، مستقیماً روی نحوه انتشار یک مدل AI مداخله میکنه و شرکت OpenAI هم گفته این وضعیت موقتیه و امیدوارن طی هفتههای آینده دسترسی گستردهتری بدن.
اما پشت این اتفاق چند تغییر مهم داره شکل میگیره
🔹 پایان انتشار آزاد مدلهای پیشرفته: مدلهای frontier دارن از مسیر لانچهای عادی خارج میشن و وارد فاز نظارت دولتی میشن.
🔹شکلگیری دسترسی لایهای: شرکتهای بزرگ و تأییدشده زودتر به تکنولوژی دسترسی دارن، بقیه دیرتر.
🔹داره AI بهعنوان زیرساخت استراتژیک استفاده میشه: وقتی دولتها وارد فرآیند انتشار میشن، یعنی AI دیگه فقط یک محصول تکنولوژیک نیست.
قبلا تو این پست در مورد داستان مشابه ای هم برای Claude Mythos پیش اومده بود هم صحبت کرده بودیم.
حالا تو این شراط اگه آمریکا دسترسی به مدلهای پیشرفته رو کنترل کنه، آیا بقیه دنیا همچنان به سمت مدلهای اوپن سورس (open-weight) حرکت میکنن؟
@silicon_brain | از هوش مصنوعی عقب نمانید | 808 |
| 4 |  مدل جدید Qwen-AgentWorld بهجای آموزش خود AI Agent، رفتار محیط رو شبیهسازی میکنه.
یعنی مثل یه flight simulator برای Agentها عمل میکنه و بهجای اجرای واقعی Terminal، Browser یا Android، پیشبینی میکنه بعد از هر action چه اتفاقی میافته.
این کار باعث میشه آموزش و تست Agentها خیلی سریعتر، ارزونتر و قابلکنترلتر انجام بشه، چون دیگه لازم نیست هر بار با محیط واقعی کار کنن.
این مدل از ۷ محیط شامل MCP، Search، Terminal، SWE، Web، OS و Android پشتیبانی میکنه و طبق نتایج منتشرشده، روی AgentWorldBench عملکردی بهتر از GPT-5.4 و Claude Opus 4.8 داشته. همچنین در تستهای Sim RL حتی از آموزش با محیط واقعی (Real RL) هم نتیجه بهتری گرفته.
نسخه 35B open-weight این مدل با لایسنس Apache 2.0 روی Hugging Face منتشر شده و با vLLM یا SGLang قابل اجراست
هاگینگ فیس
@silicon_brain | از هوش مصنوعی عقب نمانید | 865 |
| 5 | یکی از عجیبترین و معروفترین معماهای دنیای ریاضیات، «فرضیه ریمان» Riemann Hypothesis هست. که بیشتر از ۱۶۰ ساله کسی نتونسته جواب قطعی براش پیدا کنه.
داستان از اعداد اول شروع میشه؛ همون اعدادی مثل ۲، ۳، ۵، ۷ و ۱۱ که فقط به خودشون و عدد ۱ بخشپذیرن. اگه به اعداد اول نگاه کنیم، انگار کاملاً تصادفی پخش شدن. بعضی جاها پشت سر هم ظاهر میشن و بعضی جاها فاصله زیادی بینشون میفته. سالهاست ریاضیدانها میپرسن: آیا واقعاً این اعداد تصادفی هستن یا یه نظم پنهان پشتشون وجود داره؟
سال ۱۸۵۹ ریاضیدان آلمانی، برنهارد ریمان، یه حدس عجیب مطرح کرد. اون متوجه شد یه تابع ریاضی خاص وجود داره که رفتارش به شکل عجیبی به اعداد اول وصله. ریمان حدس زد که همه نقاط مهم این تابع روی یه خط مشخص قرار میگیرن. این حدس بعدها به اسم «فرضیه ریمان» شناخته شد.
شاید این حرف خیلی فنی به نظر برسه، ولی اگر این فرضیه درست باشه، یعنی اعداد اول اونقدرها هم که فکر میکنیم بینظم نیستن و در واقع از یه قانون عمیق و دقیق پیروی میکنن. به همین خاطر خیلیها این مسئله رو یکی از مهمترین سوالات حلنشده تاریخ ریاضیات میدونن.
جالب اینجاست که با وجود پیشرفت فوقالعاده کامپیوترها، هنوز کسی نتونسته این فرضیه رو اثبات کنه. دانشمندان با استفاده از ابرکامپیوترها میلیاردها و میلیاردها مورد رو بررسی کردن و هر بار نتیجه با پیشبینی ریمان جور دراومده. یعنی تا الان حتی یک مثال نقض هم پیدا نشده.
برای همین بعد از گذشت بیش از یک قرن و نیم، فرضیه ریمان همچنان یکی از بزرگترین رازهای دنیای ریاضیات باقی مونده؛ معمایی که هر کسی بتونه حلش کنه، علاوه بر شهرت علمی، یک میلیون دلار جایزه هم دریافت میکنه.
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 129 |
| 6 | الان یه جوی به وجود اومده که اگه با هوش مصنوعی کاری انجام بدی، بعضیا سریع میگن: «خب این که با AI ساخته شده، پس ارزش خاصی نداره!»
ولی اگه دوران اوایل فراگیر شدن اینترنت رو یادتون باشه، دقیقاً همین حرفها اون موقع هم زده میشد. خیلیها میگفتن چون مطلبت رو از اینترنت پیدا کردی، ارزش نداره و مهم اینه که همه چیز رو خودت بنویسی. اما خیلی طول نکشید که همه فهمیدن اینترنت فقط یه ابزاره؛ ابزاری که دسترسی به اطلاعات رو سریعتر و راحتتر میکنه.
امروز هم تقریباً هیچ تحقیق، پروژه یا کاری رو نمیتونیم تصور کنیم که بدون اینترنت انجام بشه.
هوش مصنوعی هم به نظرم دقیقاً داره همین مسیر رو طی میکنه. ارزش کار رو خود ابزار تعیین نمیکنه، بلکه کسی تعیین میکنه که از اون ابزار چطور استفاده میکنه. همونطور که اینترنت جای فکر کردن رو نگرفت، AI هم قرار نیست جای خلاقیت و تصمیمگیری انسان رو بگیره؛ فقط باعث میشه سریعتر، دقیقتر و مؤثرتر کار کنیم.
احتمالاً چند سال دیگه استفاده از هوش مصنوعی به اندازه استفاده از اینترنت عادی میشه. اون موقع تقریباً هر فرد و هر کسبوکاری یه Agent هوش مصنوعی کنار خودش داره که بخشی از کارهاش رو انجام میده.
اون روز دیگه کسی نمیپرسه «اینو با هوش مصنوعی ساختی؟»؛ میپرسه «چقدر خوب از هوش مصنوعی استفاده کردی؟»
@silicon_brain I از هوش مصنوعی عقب نمانید | 1 291 |
| 7 | احتمالاً تا الان اسم ژرف رو شنیدین یا ازش استفاده کردین؛ یک پلتفرم هوش مصنوعی که مجموعهای از قدرتمندترین مدلهای دنیا رو در یک محیط یکپارچه کنار هم آورده، از مدلهای زبانی (LLM) گرفته تا مدل های تولید تصویر. مدلهایی مثل ChatGPT، Gemini، Claude، Qwen، Nano Banana و مدلهای متنوع دیگه، همگی از طریق ژرف در دسترس هستن.
اما یکی از قابلیتهای مهم ژرف، ارائه به صورت B2B و سازمانی هست
یعنی میتونین ژرف رو به شکل داخلی داخل شرکت یا سازمان خودتون راهاندازی کنین و کنترل کامل روی استفاده از هوش مصنوعی داشته باشین.
مزیتهای استفاده سازمانی از ژرف:
✅ داشبورد مدیریتی کامل
مدیریت و نظارت روی گفتگوها، دادهها، خروجیها و فعالیت کاربران از یک پنل متمرکز.
✅ مدیریت هزینه و مصرف هوش مصنوعی
مشاهده آمار مصرف توکن هر کاربر، تحلیل نرخ استفاده تیمها و بهینهسازی هزینه استفاده از مدلها.
✅ مدیریت کاربران و سطح دسترسی
تعریف نقشها و کنترل اینکه هر تیم یا کاربر به کدوم مدلها و قابلیتها دسترسی داشته باشه.
✅ حفظ حریم خصوصی و کنترل دادهها
برای سازمانهایی که امنیت و محرمانگی اهمیت بالایی داره، امکان استفاده از تنظیمات و مدلهایی وجود داره که دادهها در زیرساخت سازمان باقی بمونن.
✅ دسترسی به چندین مدل در یک پلتفرم
بهجای استفاده پراکنده از چند سرویس مختلف، همه ابزارهای هوش مصنوعی رو یکجا مدیریت کنین و برای هر سناریو بهترین مدل رو انتخاب کنین.
✅ مقیاسپذیری برای تیمها و سازمانها
از تیمهای کوچک تا سازمانهای بزرگ، ژرف میتونه متناسب با نیاز مجموعه توسعه پیدا کنه.
✅ یکپارچهسازی با فرآیندهای داخلی
امکان استفاده از ژرف در کنار ابزارها و فرآیندهای فعلی سازمان برای افزایش بهرهوری و سرعت انجام کارها.
مشاهده عملکرد ژرف
chat.zharph.com
برای پشتیبانی، سوالات یا درخواست همکاری به اکانت ادمین پیام بدین یا از طریق اطلاعات موجود در:
zharph.com/contact-us.html
اقدام کنین
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 214 |
| 8 | احتمالا از هوش مصنوعی ژرف استفاده کردین و میدونین که یک پلتفرم هوش مصنوعی هست مدل های LLM و تولید تصویر مختلف مثل ChatGPT، Gemini، Claude، Qwen، Nano Banana و... رو تو دل خودش جا داده
این پلتفرم به صورت B2B هم ارائه میشه، یعنی شما میتونین ژرف رو به صورت داخلی در شرکت یا سازمان خودتون بالا بیارین این کار چند تا آپشن خیلی مهم به مجموعه شما خواهد داد:
1- داشبورد مدیریت خواهید داشت و میتونین تمام داده ها، گفتگوها و تولیدات رو مدیریت کنین
1- آمار مصرف توکن هر کاربر و نرخ استفاده مجموعه از هر مدل رو مدیریت کنین
3- کاربران مجموعه و سطح دسترسی هر کاربر به مدل های مختلف رو مدیریت کنین
4- اگه براتون مهمه که داده هاتون داخل سازمان بمونه و حریم خصوصی مجموعه رعایت بشه مدل های مخصوص این شرایط رو فعال کنین
و کلی آپشن های دیگه داشبورد و پتلفرم ژرف در اختیار شما قرار خواهد داد.
مشاهده عملکرد ژرف:
chat.zharph.com
برای پشتیبانی، سوالات و درخواست همکاری به | 1 |
| 9 |  فقط با ۳ ثانیه از صدای تو، هوش مصنوعی Qwen3-TTS میتونه هر متنی رو با صدای تو بخونه
تا چند سال پیش، ساخت یک نسخه دیجیتالی از صدای یک فرد به ساعتها داده صوتی نیاز داشت. بعد این عدد به چند دقیقه رسید و حالا با نسل جدید مدلهای Text-to-Speech (TTS)، تنها چند ثانیه نمونه صوتی برای voice cloning کافیه.
مدل Qwen3-TTS یک مدل متنباز از Qwen در Alibaba Cloud هست که میتونه با یک نمونه بسیار کوتاه از صدا، گفتار جدیدی تولید کنه، و اینکارو میتونه با حفط ویژگیهای صوتی گوینده اصلی انجام بده
بدون نیاز به fine-tuning اختصاصی یا فرایندهای آموزشی پیچیده.
این قابلیت فقط یک پیشرفت فنی نیست، چون کاربردهای واقعی زیادی داره:
🔹 تولید پادکست بدون نیاز به ضبط مجدد
🔹 ساخت ویدیوهای آموزشی با حفظ صدای اصلی تولیدکننده
🔹 تولید دیالوگ برای شخصیتهای بازی
🔹 انتشار محتوا در چند زبان بدون از بین رفتن هویت صوتی برند
از نظر فنی هم مشخصات قابلتوجهی دارد:
🔹 پشتیبانی از ۱۰ زبان
🔹 اندازه مدل بین ۰.۶ تا ۱.۷ میلیارد پارامتر
🔹 حدود ۹۷ میلیثانیه latency برای streaming
گیتهاب | مقاله
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 160 |
| 10 |  آنتروپیک نتایج تحلیل 400 هزار جلسه Claude Code از 235 هزار کاربر رو منتشر کرده
انسان حدود 70٪ تصمیمگیری و planning رو انجام میده
Claude حدود 80٪ اجرا (execution) رو به عهده میگیره
البته تخصص هنوز مهمه؛ افراد مبتدی فقط حدود 15٪ موفقیت تأییدشده داشتن، ولی کاربران متوسط و حرفهای بین 28 تا 33٪ رسیدن و فاصله بین intermediate و expert خیلی زیاد نبوده.
لینک
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 285 |
| 11 |  جدیدا Unsloth یه جرکتی زده تا اجرای مدل های خیلی بزرگ GLM-5.2 روی سیستم های شخصی تا حدی ممکن بشه
خود GLM-5.2 یه مدل 744B parameter با 1M context window هست که اندازه کاملش حدود 1.51TB میشه یعنی عملاً اجرای مستقیمش برای بیشتر سیستم ها غیرممکنه.
راهحل Unsloth استفاده از quantization بوده
یعنی کاهش دقت ذخیرهسازی اعداد (یه جور فشردهسازی هوشمند
مدل). نسخه 2-bit اندازه مدل رو حدود 84٪ کوچیکتر کرده و به 238GB رسونده، در حالی که هنوز حدود 82٪ از accuracy حفظ شده. برای جلوگیری از افت کیفیت هم بعضی لایههای مهم با دقت بالاتر نگه داشته شدن.
برای اجراش چی میخوای؟
یه Mac با 256GB RAM (M3/M4 Ultra) برای اجرای کامل روی یه دستگاه
یا GPU با 24GB VRAM + 256GB RAM با memory offloading
و میتونی با ابزارهایی مثل llama.cpp، LM Studio یا Unsloth Studio اجراش کنی.
درسته این سیستمی که میخواد خیلی قویه و برای خیلیا در دسترس نیست اما کارهایی مثل local coding agent و پردازش long-context که قبلاً فقط با cloud API ممکن بود، کمکم دارن روی سیستم شخصی هم قابل اجرا میشن
لینک
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 245 |
| 12 |  سایت OpenRouter یه ابزار اضافه کرده به اسم Cost Simulator
این ابزار ۱۰۰ تا ریکوئست آخرت رو برمیداره و میندازه روی مدلهای دیگه مثل GPT-5.5 یا GLM 5.2 تا ببینی روی اون مدلا چقد هزینت میشد.
سیستمش بر اساس Median Endpoint Pricing کار میکنه
یعنی قیمت واقعی رو حساب میکنه نه اون قیمتهای اسمی که شرکتها توی داکیومنتهاشون میزنن. خروجی کار هم یه جدول مقایسهای و فایل CSV هست که برای گزارش دادن به تیم محصول یا مدیریت عالیه.
مثلاً توی دمو نشون میده که سوییچ کردن از Claude Fable 5 به مدلهای اقتصادیتر میتونه تا ۷۰ درصد هزینههات رو کم کنه بدون اینکه لازم باشه حدس بزنی.
لینک
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 488 |
| 13 |  احیای نسبی بازار کار پس از اتصال مجدد اینترنت
📊 در دوره اختلال اینترنت، بسیاری از کسبوکارها به دلیل افزایش نااطمینانی و آسیب به فرآیندهای عملیاتی، برنامههای جذب نیرو را متوقف یا محدود کرده بودند. اکنون با بازگشت اینترنت، بخشی از نیازهای استخدامی معوق دوباره فعال شده و نشانههایی از احیای بازار کار دیده میشود. به طوری که:
تعداد آگهیهای استخدامی به بالاترین میزان از دیماه سال گذشته رسیده است.
📈 با این حال، این بهبود هنوز به معنای خروج کامل از رکود نیست. زیرا
تعداد آگهیهای استخدامی همچنان حدود ۵۰ درصد کمتر از مدت مشابه سال گذشته است
و همزمان
تعداد کارجویانی که رزومه ارسال میکنند نیز ۱۰ درصد کاهش یافته است؛
موضوعی که میتواند ناشی از ناامیدی در رقابت شدید بازار کار یا احتیاط بیشتر افراد برای تغییر شغل در شرایط اقتصادی نامطمئن باشد.
🔗 برای جزئیات بیشتر، میتوانید لینک زیر را مشاهده کنید:
www.e-estekhdam.com/u-zk4bi4 | 794 |
| 14 |  Z.ai مدل جدیدش یعنی GLM-5.2 رو منتشر کرده
یه open-weights model که تمرکزش روی coding و کارهای سنگین توسعه نرمافزاره.
مهمترین تغییرش 1M context window هست، یعنی میتونی تقریباً یه codebase کامل رو یکجا به مدل بدی و ازش بخوای refactor، debug یا توسعه بده، بدون اینکه وسط کار context رو از دست بده. این عدد نسبت به GLM-5.1 حدود ۵ برابر بیشتر شده (از 200K به 1M رسیده)
برای کنترل تعادل بین سرعت و کیفیت هم دو حالت reasoning داره:
Max mode
قدرت بیشتر برای مسئلههای پیچیده، ولی مصرف compute بالاتر
High mode
سریعتر و ارزونتر، مناسب بیشتر کارها
یه نکته جذاب دیگه اینه که با MIT license منتشر شده؛ یعنی میتونی weights رو دانلود کنی، self-host کنی، fine-tune انجام بدی و راحت برای کارای تجاری استفاده کنی.
از نظر benchmark هم روی Terminal-Bench 2.1 امتیاز 81.0 گرفته که نسبت به 62.0 در GLM-5.1 رشد قابل توجهیه.
از نظر قیمت هم حدود 1.40 دلار برای هر میلیون input token هزینه داره؛ تقریباً یکششم GPT-5.5.
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 546 |
| 15 | نتیجه ۴ تا از بازیهای اخیر توسط AI درست پیش بینی شد. با اختلاف گل نزدیک
بعد از اتمام دور اول بازیها یه ریپورتی از عملکردش درمیارم بررسی کنیم
@preaiball | 1 558 |
| 16 |  جدیدا MiniMax وزنهای (weights) مدل MiniMax M3 رو بهصورت عمومی روی Hugging Face منتشر کرده
نکته مهم اینه که M3 اولین open-weight model محسوب میشه که همزمان coding قوی، پنجره context یک میلیون توکنی و پشتیبانی multimodal از تصویر و ویدیو رو تو یه مدل ارائه میده؛ قابلیتی که تا الان بیشتر پشت APIهای پولی بود.
بزرگترین ویژگی M3 همون 1M context window هست؛ یعنی میتونه حجم خیلی بزرگی از اطلاعات (مثلاً کل یه codebase) رو یکجا پردازش کنه و به کمک معماری جدید sparse attention هزینه پردازش contextهای بلند رو تا حدود ۲۰ برابر کمتر از نسل قبل کرده.
از نظر performance هم توی SWE-Bench Pro امتیاز 59.0٪ گرفته و کمی از GPT-5.5 (58.6٪) جلو زده.
قابلیتهای مهم
پردازش کل codebase بدون نیاز به chunking
دریافت مستقیم image و video بدون مدل vision جدا
کنترل کامپیوتر شبیه computer-use API شرکت Anthropic
فعال یا غیرفعال کردن thinking mode برای هر درخواست
هم از طریق API قابل استفادهست و هم چون weights منتشر شده، میشه بهصورت self-host اجراش کرد
هاگینگفیس
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 713 |
| 17 | یه مقاله از Arvind Narayanan و Sayash Kapoor میگه برخلاف ترس رایج، هنوز شواهدی وجود نداره که AI قراره باعث کاهش وابستگی software engineerها بشه
حتی توی حوزهای مثل software engineering که نسبت به بقیه شغلها راحتتر قابل اتوماسیون به نظر میرسه.
یکی از دادههای جالب مقاله اینه که توی New York از سال ۲۰۲۵ شرکتها موقع اعلام تعدیل نیرو (WARN filings) باید مشخص کنن آیا دلیلش AI بوده یا نه؛ ولی بین بیشتر از ۱۶۰ شرکت، حتی یه مورد هم AI رو دلیل اخراج اعلام نکرده.
استدلال اصلی اینه که AI فعلاً بیشتر مرحله نوشتن کد رو سریعتر کرده، در حالی که software engineering فقط کد زدن نیست. بخش سختتر کار چیزهاییه مثل تصمیم گرفتن چی ساخته بشه، مشخص کردن نیازها، verify کردن خروجی و مسئولیتپذیری نسبت به نتیجه.
اینا سه bottleneck اصلی پیدا کردن که هنوز بهشدت انسانی باقی موندن:
🔹تصمیم گرفتن و تعریف دقیق مسئله (deciding & specifying)
🔹بررسی و مسئولیتپذیری نسبت به خروجی (verification & accountability)
🔹داشتن درک عمیق از codebase، بیزینس و محیط
خلاصه میگه AI داره مهندسها رو سریعتر میکنه، ولی ارزش اصلی هنوز از درک عمیق مسئله و راهحل میاد؛ نه صرفاً نوشتن کد
@silicon_brain I از هوش مصنوعی عقب نمانید | 1 775 |
| 18 |  🎓 آشنایی با اساتید «بوتکمپ هوش مصنوعی مولد» (با محوریت تصویر)
⚙️ در بوتکمپ جدید آکادمی همراه، میزبان متخصصان و مدیران با تجربهی بسیاری هستیم تا جامعترین دانش و تجربیات در خصوص هوش مصنوعی مولد را، در اختیار شرکتکنندگان قرار بدهیم.
🔸 آرش امینی | سرپرست تیم هوش مصنوعی همراه اول، فوقدکتری پردازش تصاویر پزشکی دانشگاه EPFL
🔸 محمدرضا محمدی | استادیار گروه هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه علم و صنعت
🔸 رشاد حسینی | عضو هیئت علمی دانشگاه تهران
🔸 علیرضا اخوان پور | مدیر فنی مجموعه دانش بنیان شناسا
🔸 حسن کتابی | سرپرست تیم هوش مصنوعی شرکت فناوری اطلاعات آدین
🔸 احسان ناظرفرد | عضو هیئت علمی دانشکده مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر
🔸 مریم امیرمزلقانی | دانشیار گروه هوش مصنوعی و رباتیک دانشگاه امیرکبیر
🔸 شهره کسائی | استاد تمام دانشکده مهندسی کامپیوتر دانشگاه صنعتی شریف
🔸 مصطفی توسلیپور | عضو هیئت علمی دانشکده برق و کامپیوتر دانشگاه تهران
🔸 سهیل تهرانیپور | مدیرعامل و متخصص هوش مصنوعی ساعیان ارتباط
🔸 مسعود کاویانی | دانشمند داده در صبا ایده (آپارات، فیلیمو، سینماتیکت)
🔸 محسن دارچینی | دکتری مهندسی کامپیوتر و استاد دانشگاه علم و صنعت
🔸 هادی عاشری | مدیر تیم هوش مصنوعی شرکت ارتباط فردا
🔸 احمدرضا هروی | مشاور تیم هوش مصنوعی Sensifai
🔸 جمال کزازی | مدرس مدعو همکاران سیستم و دانشگاه تهران
🔸 سینا رنجکشزاده | دانشجوی دکتری مهندسی مخابرات دانشگاه شریف - AI Developer
🔸 امین دهنوی | پژوهشگر هوش مصنوعی شرکت پارت
⏰ 170 ساعت | آموزش آنلاین و آفلاین
💎 امکان کارآموزی در گروه همراه اول
🌐پیشثبتنام #رایگان:
🔗 https://l.hamrah.academy/4wh
⭐️ @hamrah_academy | آکادمی همراه اول | 781 |
| 19 |  RAG و fine-tuning هر دو برای شخصیسازی LLM استفاده میشن، ولی دو مشکل کاملاً متفاوت رو حل میکنن
توی RAG خود مدل تغییر نمیکنه؛ موقع سؤال، اطلاعات مرتبط از knowledge base (معمولاً با vector DB) پیدا و به مدل داده میشه. یعنی دانش مدل همیشه میتونه بهروز بمونه و فقط data رو آپدیت میکنی، نه خود مدل.
ولی fine-tuning خود مدل رو تغییر میده. با train کردن روی مثالهای مشخص، وزنهای مدل (weights) تغییر میکنن تا مدل یه رفتار، لحن یا فرمت خروجی خاص رو یاد بگیره.
قانون کلی
در واقع RAG به مدل یاد میده چی بدونه
ولی fine-tuning به مدل یاد میده چطور رفتار کنه
پس:
اگر اطلاعات جدید، قابل استناد و بهروز میخوای → RAG
اگر خروجی با لحن، سبک یا فرمت ثابت میخوای → fine-tuning
اگر هر دو رو میخوای → ترکیب RAG + fine-tuning
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 607 |
| 20 | Prediction System Performance in 4 World Cup Matches:
🔹Game Winner Accuracy: 75%
🔹Goals Scored Accuracy: 81.25% | 1 369 |
