Ai Feed Hub
Open in Telegram
AI Feed Hub AI & Technology News • Startup & Business Tips
Show moreThe country is not specifiedThe category is not specified
342
Subscribers
No data24 hours
No data7 days
No data30 days
Data loading in progress...
Similar Channels
No data
Any problems? Please refresh the page or contact our support manager.
Tags Cloud
No data
Any problems? Please refresh the page or contact our support manager.
Incoming and Outgoing Mentions
---
---
---
---
---
---
Attracting Subscribers
September '26
September '26
+342
in 1 channels
Channel Posts
از امروز تصمیم گرفتم توی کانال، نکات بیزینسی، تکنیکهای جذب مشتری و روشهایی که برای فروش و رشد کسبوکار استفاده میشن رو هم به اشتراک بذارم.
خودم هم همزمان دارم روی این موضوعات مطالعه و تحقیق میکنم و چیزهای کاربردیای که یاد میگیرم رو اینجا باهاتون به اشتراک میذارم.
از این به بعد این محتواها رو با تگ
#StartupTip
میذارم
@aifeedhub
| 2 | فرض کن داری توی خیابون راه میری
یه کتاب آشپزی میبینی.
«چطور بهتر آشپزی کنیم »
احتمال اینکه همینجوری بخریش چقدره؟
خیلی کم!
چون کلی کتاب آشپزی عمومی هست
و هیچکدوم دقیقاً به درد تو نمیخوره
و حس ی کتاب زرد رو میگیری که آخه مگه میشه با کتاب آشپزی یاد گرفت
حالا بیا فرض کن چشمت به این کتاب بر میخوره؟
«چطور با آشپزی مردها رو بیشتر جذب کنیم»
اینجا دیگه فرق میکنه.
چون مستقیم به یه نیاز و کنجکاوی خاص جواب میده.
حس میکنی این کتاب برای تو نوشته شده
احتمال خرید خیلی بیشتر میشه ! یا حدااقل میگی بزا برم ببینم چی نوشته شده
همه این قضایا بصورت اتوماتیک تو ذهنت اتفاق میوفته و تو بهش آگاهانه فکر نمیکنی!
این دقیقاً نمونهای از تکنیک
Niche Marketing
هست
یعنی به جای اینکه برای همه یچیزی بسازی
که همه استفاده کنند
میری سراغ یه نیاز خیلی خاص که آدمها حاضرن براش سریع پول بدن.
#StartupTip
@aifeedhub | 266 |
| 3 | برای درک سرعت پیشرفت هوش مصنوعی، به نسبت هوش به ازای هر دلار توجه کنید
یک سال و نیم پیش:
مدل o1 Pro: به ازای هر یک میلیون توکن، ۱۵۰ تا ۶۰۰ دلار
امروز:
مدل GLM-5.3 Flash:
تنها ۰.۱۵ تا ۰.۵۰ دلار
بنابراین، در کمتر از ۱.۵ سال، قیمت تقریباً ۱۰۰۰ برابر کاهش یافته است؛ در حالی که مدل GLM-5.3 Flash از نظر هوش و توانایی، از o1 Pro برتری دارد.
@aifeedhub | 136 |
| 4 |  ایلان ماسک میگه تهش ۱۰ سال وقت داریم تا با کار کردن پول دربیاریم؛ بعد از اون هوش مصنوعی همهچیز رو میبلعه و فرمول کهنهٔ
«فروش وقت در ازای حقوق» میمیره. بازی داره عوض میشه
@aifeedhub | 1 466 |
| 5 | در صورتی که به حوزه نوروساینس علاقهمند هستید، میتوانید از کورس رایگان ارائهشده توسط پژوهشگاه دانشگاه شریف جهت آغاز مطالعه در این رشته استفاده کنید
https://docs.google.com/document/d/1dAuxHBZqrZe2TEbl672ZBlO-aBpuYIcSZ6VL26KY6Ig/edit?usp=drivesdk
@aifeedhub | 250 |
| 6 |  بنظرم اول ویدیو رو ببینید، بعد متن زیر رو بخونید!
مدل GPT-6 یا همون Astra توی بنچمارک ARC-AGI-3 امتیاز باورنکردنی ۹۸.۶٪ گرفته و توی تست DeepSWE 1.1 هم به ۷۴٪ رسیده!
همین نتایج دوباره بحث AGI رو داغ کرده.
AGI یعنی چی؟
یعنی هوش مصنوعیای که دیگه فقط برای یک کار خاص ساخته نشده؛ میتونه یاد بگیره، فکر کنه، مسئله حل کنه و خودش رو با کارهای جدید وفق بده.
شاید داریم به جایی نزدیک میشیم که دیگه انسان برای خیلی از کارهای فکری، حرف زیادی برای گفتن نداشته باشه!
شاید واقعاً وارد دورهای شدیم که سؤال دیگه این نیست که:
آیا AI میتونه مثل انسان فکر کنه؟
بلکه باید بپرسیم:
انسان قراره توی دنیایی که AI ازش باهوشتره،
چه نقشی داشته باشه؟
@aifeedhub | 2 558 |
| 7 | آیا مدلهای تبدیل گفتار به متن را درست ارزیابی میکنیم؟
برای ارزیابی مدلهای ASR (Automatic Speech Recognition) معمولاً از معیارهایی مثل WER استفاده میشود؛ یعنی بررسی میکنیم متن تولیدشده توسط مدل چقدر با متن مرجع تفاوت دارد.
اما یک مشکل مهم وجود دارد: یک جمله میتواند چند شکل نوشتاریِ درست داشته باشد.
مثلاً مدل مینویسد:
I bought 2 books
اما متن مرجع این است:
I bought two books
از نظر مفهوم، هر دو یک چیز هستند؛ ولی روشهای معمول ارزیابی ممکن است این تفاوت را بهعنوان خطا حساب کنند.
مقالهی asr_eval دقیقاً روی همین مسئله تمرکز دارد. ایده اصلی آن ارائهی یک روش بهتر برای Alignment قبل از محاسبهی معیارهایی مثل WER است.
🔹 پشتیبانی از چند Reference معتبر برای یک صوت
🔹 استفاده از Wildcard برای بخشهای نامشخص یا مبهم گفتار
🔹 Alignment انعطافپذیرتر بین خروجی مدل و متن مرجع
🔹 ابزارهای مخصوص ارزیابی Streaming ASR
🔹 بررسی تأثیر نوع Label و Text Normalization روی نتایج Fine-tuning
نکته جالب اینجاست که مقاله الزاماً نمیخواهد WER جدیدی معرفی کند؛ بلکه سؤال اساسیتری مطرح میکند:
قبل از اینکه WER را محاسبه کنیم، آیا خروجی مدل و متن مرجع را به شکل درستی با هم مقایسه کردهایم؟
این موضوع مهم است، چون گاهی کاهش WER ممکن است فقط به این دلیل باشد که مدل سبک Annotation دیتاست را بهتر یاد گرفته، نه اینکه واقعاً توانایی تشخیص گفتار آن به همان اندازه بهتر شده باشد.
📄 Paper:
link
💻 GitHub Code:
link
@aifeedhub | 194 |
| 8 |  مشکل اصلی رباتها دیگه «مغز» نیست؛ بدنه.
هوش مصنوعی در خیلی از کارهای ذهنی مثل زبان، تحلیل و کدنویسی به سطح بسیار بالایی رسیده و سطح تواناییش از انسان بیشتر شده
چالش اصلی اینه که رباتها بتونن مثل انسان راه برن، تعادل داشته باشن، عضلاتشون رو هماهنگ کنن و با دنیای واقعی تعامل کنن.
اگه این مشکل هم حل بشه، جایگزینی انسان توسط رباتها دیگه خیلی دور از ذهن نیست!!
@aifeedhub | 4 410 |
| 9 | https://s5.sharewood.tech/
@sharewood2_bot
یه سایت جالبه که کلی دوره آموزشی توی موضوعات مختلف داره؛
از روانشناسی و رشد فردی گرفته تا برنامهنویسی، هوش مصنوعی و تکنولوژی.
خیلی از دورههایی که جاهای دیگه پولی هستن، اینجا رایگان یا با دسترسی اشتراکی پیدا میشن.
اگه دنبال یه دوره خاصی هستید، بد نیست اسمش رو اینجا هم سرچ کنید
@aifeedhub | 303 |
| 10 |  چین میزبان مسابقات جهانی رباتهای انساننماست و در یکی از رقابتهای دو، ربات Tienkung از شرکت X-Humanoid با زمان ۹.۳ ثانیه برنده شد. این زمان حدود ۰.۲۸ ثانیه سریعتر از رکورد ۹.۵۸ ثانیهای یوسین بولت است.
@aifeedhub | 548 |
| 11 | 🔹 آیا مدلهای ASR واقعاً بهتر شدهاند یا فقط برای بنچمارکها بهینه شدهاند؟
مقالهی جدید Hugging Face یک سؤال مهم را بررسی میکند:
آیا مدلهای تشخیص گفتار (ASR) واقعاً صدای انسان را بهتر درک میکنند، یا فقط یاد گرفتهاند چگونه در بنچمارکهای معروف امتیاز بالاتری بگیرند؟
معمولاً برای مقایسهی مدلهای ASR از معیارهایی مثل WER (Word Error Rate) استفاده میکنیم. اما مشکل اینجاست که یک مدل ممکن است برای یک دیتاست خاص بیش از حد بهینه شود و رفتارهایی یاد بگیرد که در دنیای واقعی مفید نیستند.
مثلاً اگر در دیتاست، متن مرجع اشتباه باشد، آیا مدل چیزی را که واقعاً شنیده مینویسد یا همان متن اشتباه دیتاست را تکرار میکند؟
نویسندگان مقاله برای بررسی این موضوع چند آزمایش طراحی کردند:
🔹 Reference Disagreement Analysis
بررسی اینکه آیا مدل از صدای واقعی پیروی میکند یا از متن مرجع، حتی وقتی متن اشتباه است.
🔹 Masked Number Recovery
بررسی اینکه آیا مدل اطلاعات را از سیگنال صوتی استخراج میکند یا بر اساس الگوهای یادگرفتهشده حدس میزند.
🔹 Orthographic Switching Analysis
بررسی اینکه آیا مدل بر اساس انتظار بنچمارک، شکل نوشتاری خاصی را انتخاب میکند یا واقعاً به محتوای صوتی توجه دارد.
نتیجهی اصلی مقاله:
🔹 یک WER پایین همیشه به معنی یک مدل بهتر نیست.
🔹 رتبهی بالاتر در Leaderboard همیشه نشاندهندهی توانایی واقعی مدل نیست.
🔹 برای انتخاب یک مدل ASR باید علاوه بر بنچمارکهای عمومی، آن را روی دادههای جدید و شرایط واقعی آزمایش کرد.
برای Developerها و محققان حوزهی Speech AI، پیام اصلی این است:
ارزیابی خوب به اندازهی ساخت مدل خوب اهمیت دارد.
یک مدل قابل اعتماد باید بتواند روی صداهای جدید، گویندههای مختلف، نویز محیطی و سناریوهای واقعی عملکرد پایدار داشته باشد؛ نه فقط روی یک تست عمومی امتیاز بالا بگیرد.
🔗 Paper:
https://huggingface.co/blog/asr-benchmark-optimization
@aifeedhub | 290 |
| 12 |  شرکت چینی Unitree، بزرگترین سازنده رباتهای انسان نما در جهان، از ربات جدیدش به نام سوپرمن رونمایی کرده که میتونه تا 2 متر بپره و با سرعت 12.66 متر بر ثانیه بدوه که سرعتی بالاتر از یوسین بولت، سریعترین انسان، هست!
@aifeedhub | 3 787 |
| 13 | ارزیابی پاسخهای هوش مصنوعی فقط با یک عدد کافی نیست!
امروزه یکی از روشهای رایج برای ارزیابی خروجی مدلهای هوش مصنوعی این است که از یک مدل زبانی دیگر به عنوان داور یا همان LLM-as-a-Judge استفاده کنیم.
یعنی یک مدل، پاسخ مدل دیگر را بررسی میکند و مثلاً از ۱ تا ۵ به آن امتیاز میدهد.
اما یک مشکل مهم وجود دارد:
فرض کنید دو پاسخ مختلف، هر دو در نهایت امتیاز ۴ میگیرند.
در روش معمول، این دو پاسخ تقریباً یکسان دیده میشوند. اما اگر Probability Distribution مدل را بررسی کنیم، ممکن است تصویر کاملاً متفاوتی ببینیم.
مثلاً برای پاسخ اول:
Score 3 → 5%
Score 4 → 90%
Score 5 → 5%
اما برای پاسخ دوم:
Score 3 → 5%
Score 4 → 55%
Score 5 → 40%
در هر دو حالت، محتملترین امتیاز ۴ است.
اما در پاسخ دوم، مدل احتمال قابل توجهی هم به امتیاز ۵ داده است.
اگر به جای انتخاب فقط محتملترین عدد، کل این توزیع احتمال را در نظر بگیریم، امتیازها تقریباً میشوند:
پاسخ اول → 4.00
پاسخ دوم → 4.35
اینجاست که تفاوتی که پشت یک عدد ساده پنهان شده بود، مشخص میشود.
🔹 مقاله LLM-as-a-Verifier: A General-Purpose Verification Framework دقیقاً روی همین مسئله تمرکز دارد.
به جای اینکه LLM فقط یک امتیاز ثابت مثل ۳، ۴ یا ۵ تولید کند، این روش از Probability Distribution مربوط به امتیازها استفاده میکند و از آن یک Continuous Score میسازد.
اما ایده مقاله فقط به Continuous Scoring محدود نمیشود.
روش دیگر، Repeated Evaluation است.
به جای اینکه مدل فقط یک بار یک پاسخ را ارزیابی کند، این کار چند بار تکرار میشود و نتایج با هم ترکیب میشوند. این کار کمک میکند اثر تصادفی بودن خروجی مدل کمتر شود و ارزیابی قابل اعتمادتر باشد.
همچنین در مسائل پیچیده، یک معیار بزرگ میتواند به چند معیار کوچکتر تقسیم شود؛ مثلاً به جای اینکه مدل یکجا درباره کیفیت کلی یک پاسخ تصمیم بگیرد، Correctness، رعایت دستورالعمل و سایر معیارها را جداگانه بررسی کند.
در واقع نویسندگان مقاله Verification را به عنوان یک محور جدید برای Scaling سیستمهای هوش مصنوعی مطرح میکنند؛ در کنار Pre-training، Post-training و Test-time Compute.
📄 مقاله:
https://arxiv.org/pdf/2607.05391
@aifeedhub | 293 |
| 14 | از طریق این سایت میتونید آخرین آدرس سایتهای دانلود رایگان کتابها و مقالات خارجی مثل annas archive و zlibrary و libgen و scihub رو پیدا کنید:
https://open-slum.org/index.html
@aifeedhub | 264 |
| 15 |  در دنیایی که تولید ایده تقریبا ارزون شده، توانایی اجرا و تبدیل ایده به خروجی به یه مزیت رقابتی تبدیل شده.
پژوهشها ناهمترازی بین ایده و اجرا رو نشون میده و فعالیتهای پراکنده با هوش مصنوعی خیلی بیشتر از پروژهها و انتشارات واقعیه!
@aifeedhub | 4 253 |
| 16 |  مارک اندریسن، سرمایهگذار و فعال حوزه فناوری، درباره هوش مصنوعی:
«ما شن و ماسه را به فکر تبدیل کردهایم؛ و شاید این انقلابیترین فناوری در تاریخ بشر باشد.»
به زبان ساده، مسیرش این است:
Sand → silicon → chip → data center → power → AI → thought.
اندریسن معتقد است هوش مصنوعی در حال تبدیل مواد اولیهای مثل سیلیکون و انرژی به چیزی شبیه «توانایی فکر کردن» است؛ تحولی که میتواند یکی از بزرگترین تغییرات تاریخ فناوری باشد.
@aifeedhub | 4 478 |
| 17 |  ـTypeless؛ ابزاری که تایپ کردن رو خیلی کمتر میکنه
ـTypeless یک ابزار مبتنی بر هوش مصنوعیه که صحبت شما رو به متن تبدیل میکنه، اما نه به شکل سادهی Voice to Text.
هنگام صحبت، تپقها، تکرارها و اصلاحاتی که وسط جمله انجام میدید رو تشخیص میده و در نهایت یک متن مرتب و قابل استفاده تحویل میده.
مثلاً اگر بگید:
«جلسه رو بذاریم فردا... نه، بهتره پسفردا ساعت ۱۰ باشه»
خروجی نهایی میتونه این باشه:
«جلسه را برای پسفردا ساعت ۱۰ تنظیم کنیم.»
یکی از قابلیتهای جالبش اینه که میتونه متن رو متناسب با فضای کاری شما تنظیم کنه؛ مثلاً برای ایمیل، پیام یا متنهای روزمره.
همچنین از بیش از ۱۰۰ زبان پشتیبانی میکنه و نسخههای Windows، macOS، iOS و Android هم داره.
اگر زیاد با ایمیل، پیام، تولید محتوا یا نوشتن متنهای کاری سروکار دارید، Typeless میتونه
ابزار جالبی برای امتحان کردن باشه.
typeless.com
@aifeedhub | 5 012 |
| 18 | ارزیابی مدلهای هوش مصنوعی هم در حال Agentic شدن است!
یکی از چالشهای مهم در مدلهای مولد (Generative AI)، ارزیابی (Evaluation) آنهاست.
روش سنتی معمولاً به این صورت است که یک مجموعه ثابت شامل صدها یا هزاران پرامپت آماده میشود، مدل روی همه آنها اجرا شده و در نهایت خروجیها با معیارهای مختلف یا توسط انسان ارزیابی میشوند.
اما این روش چند مشکل اساسی دارد:
• هزینه محاسباتی بالا
• زمان زیاد برای تولید و ارزیابی خروجیها
• استفاده از مجموعهای ثابت از تستها برای همه مدلها، بدون توجه به نقاط قوت و ضعف هر مدل
🔹 در مقاله Evaluation Agent: Efficient and Promptable Evaluation Framework for Visual Generative Models ایده جالبی مطرح شده است.
به جای استفاده از یک Benchmark ثابت، یک Evaluation Agent مبتنی بر LLM مسئول فرآیند ارزیابی میشود.
این Agent ابتدا چند تست اولیه طراحی میکند، خروجیهای مدل را تحلیل میکند و سپس تصمیم میگیرد تست بعدی چه باشد. اگر مدل در یک بخش عملکرد خوبی داشته باشد، Agent به سراغ سناریوهای سختتر میرود و اگر نقطه ضعفی پیدا کند، همان بخش را عمیقتر بررسی میکند.
در واقع فرآیند ارزیابی دیگر یک لیست ثابت از سوالها نیست؛ بلکه شبیه یک مصاحبه هوشمند است که سوال بعدی را بر اساس پاسخ قبلی انتخاب میکند.
نکته جالب دیگر این است که این فریمورک وابسته به یک LLM خاص نیست، اما نویسندگان مقاله گزارش کردهاند که GPT-4o در این Agentic Workflow عملکرد قابل اعتمادتر و بهتری نسبت به مدلهای آزمایششده دیگر داشته است.
به نظر من نکته مهم این مقاله فقط ارائه یک روش جدید برای Evaluation نیست.
بلکه نشان میدهد مفهوم Agentic AI در حال گسترش به بخشهای مختلف هوش مصنوعی است. قبلاً بیشتر Agentها را در تولید محتوا، برنامهنویسی یا استفاده از ابزارها میدیدیم؛ اما حالا حتی فرآیند ارزیابی مدلهای هوش مصنوعی هم در حال Agentic شدن است.
به نظرم در سالهای آینده این الگو را در حوزههای بسیار بیشتری خواهیم دید؛ جایی که سیستمها فقط یک Pipeline ثابت را اجرا نمیکنند، بلکه مشاهده میکنند، تصمیم میگیرند و مسیر بعدی را خودشان انتخاب میکنند.
📄 مقاله: Evaluation Agent: Efficient and Promptable Evaluation Framework for Visual Generative Models
@aifeedhub | 367 |
| 19 | چرا هوش مصنوعی همیشه به همه سؤالها جواب نمیدهد؟
شاید برایتان پیش آمده باشد که از ChatGPT یا یک هوش مصنوعی سؤال بپرسید، اما به جای پاسخ، با جملهای مثل این روبهرو شوید:
««متأسفم، نمیتوانم در این مورد کمکی کنم.»»
شاید فکر کنید هوش مصنوعی پاسخ را بلد نیست؛ اما در بسیاری از مواقع، دلیل اصلی امنیت است، نه ناآگاهی.
در دنیای هوش مصنوعی مفهومی به نام Harmlessness (بیضرر بودن) وجود دارد. یعنی مدل باید بتواند تشخیص دهد که آیا پاسخ دادن به یک سؤال ممکن است به فرد یا دیگران آسیب برساند یا خیر.
برای مثال:
🔹 آموزش ساخت بدافزار
🔹 آموزش هک کردن حساب دیگران
🔹 راهنمایی برای آسیب زدن به افراد
🔹 یا حتی تلاش برای فریب دادن هوش مصنوعی با تکنیکهایی مثل Jailbreak و Prompt Injection
اما سؤال مهم اینجاست:
چطور هوش مصنوعی این موارد را تشخیص میدهد؟
برخلاف تصور بسیاری از افراد، این کار فقط با یک جمله مثل «به سؤالهای خطرناک پاسخ نده» انجام نمیشود!
شرکتهای بزرگ از چندین لایه امنیتی استفاده میکنند:
🔹 آموزش اختصاصی مدل روی دادههای مرتبط با ایمنی (Safety Fine-tuning)
🔹 استفاده از مدلها یا سیستمهای کوچکتر برای بررسی درخواست کاربر قبل از رسیدن به مدل اصلی
🔹 بررسی پاسخ نهایی قبل از نمایش به کاربر
🔹 و مهمتر از همه، اجرای مداوم Red Teaming؛ یعنی متخصصان دائماً تلاش میکنند هوش مصنوعی را فریب دهند تا نقاط ضعف آن را پیدا کرده و در نسخههای بعدی برطرف کنند.
در واقع، امنیت در هوش مصنوعی یک قابلیت نیست؛ بلکه یک فرآیند دائمی است.
هر حمله موفق، تبدیل به یک درس جدید برای مدل میشود و باعث میشود نسخه بعدی مقاومتر از قبل باشد.
به همین دلیل، امروز یکی از مهمترین رقابتهای شرکتهای هوش مصنوعی فقط ساخت مدلهای قویتر نیست؛ بلکه ساخت مدلهایی است که در عین قدرت، ایمن و قابل اعتماد هم باشند.
این مقاله چارچوب 3C3H را معرفی میکند؛ روشی جدید برای ارزیابی مدلهای زبانی که علاوه بر درستی (Correctness)، معیارهایی مانند کمککنندگی (Helpfulness)، صداقت (Honesty) و بیضرر بودن (Harmlessness) را نیز در ارزیابی مدل در نظر میگیرد. همچنین با استفاده از Dynamic Leaderboard تلاش میکند از حفظ کردن (Memorization) سؤالات توسط مدلها جلوگیری کند و ارزیابیها را واقعیتر و قابل اعتمادتر سازد.
لینک بلاگ
@aifeedhub | 316 |
| 20 | تا چند سال پیش اگر با یک هوش مصنوعی صحبت میکردیم، معمولاً خیلی زود متوجه میشدیم که صدایش مصنوعی است.
اما حالا اوضاع در حال تغییر است.
محققان Fish Audio S2 یک مدل متنبهگفتار (Text-to-Speech) متنباز معرفی کردهاند که صدایی بسیار طبیعی تولید میکند و حتی میتواند دستوراتی مثل «آهسته صحبت کن»، «با خنده بگو» یا «با هیجان حرف بزن» را اجرا کند.
جالبتر اینکه اگر این روند ادامه پیدا کند، در آینده ممکن است:
🔹 هنگام تماس با پشتیبانی، اصلاً متوجه نشوید طرف مقابل یک هوش مصنوعی است.
🔹 دستیارهای صوتی، مشاورهای آموزشی یا حتی همراههای سلامت روان، بسیار طبیعیتر از امروز با ما صحبت کنند.
🔹 مراکز تماس (Call Center) بتوانند بخش زیادی از پاسخگویی اولیه را به چنین مدلهایی بسپارند.
البته این به معنی حذف کامل انسانها نیست؛ اما نشان میدهد که کیفیت مکالمهی صوتی هوش مصنوعی با سرعت زیادی در حال نزدیک شدن به انسان است.
این مقاله بیشتر از اینکه فقط یک مدل جدید معرفی کند، نشان میدهد آیندهی تعامل ما با هوش مصنوعی چقدر میتواند طبیعیتر از امروز باشد.
📄 مقاله:
https://arxiv.org/pdf/2603.08823
@aifeedhub
#FishAudio | 295 |
