Kerniv

جالبه که مردم از کدکس استفاده میکنن تا جلوی ساختن رو بگیرن، ولی ما از کدس برای ساختن استفاده میکنیم 😂 پ.ن: مغزم داره به چیزای عجیبی میرسه یکی جلوشو بگیره @Kerniv

توی اینترنت یه قانون وجود داره که میگه اگه چیزی رایگانه، احتمالا خود کاربر محصوله این دقیقا یعنی چی؟ خیلی از سرویس های رایگان واقعا رایگان نیستن، فقط هزینه رو یه جور دیگه میگیرن. مثلا برای استفاده از شبکه های اجتماعی شما پول نمیدین، چون چیزی با ارزش تر از پول دارن. اون هم میلیارد ها ساعت توجه مردمه البته هر سرویس رایگانی این مدل رو نداره. مثال بخوام بزنم پروژه های اوپن سورسه که کلن با اهداف دیگه ای ساخته میشن. ولی همیشه یک سوال مهم وجود داره و اونم اینه که اگه از من پول نمیگیرن، پس درآمدشون از کجاست؟ اگه بتونید این سوال رو جواب بدین، خیلی بهتر درک میکنید که به عنوان یک کاربر، دارین دقیقا چه چیزی رو به عنوان هزینه پرداخت میکنید. @Kerniv

به لطف یکی از دوستان کانالی ایجاد شده با هدف معرفی ریپو های جالب و کاربردی گیت هاب. گفتم اینجا هم معرفی کنم، امیدوارم مفید باشه: @RepoFA

چرا بعضی ها معتقدند هوش مصنوعی چیزی رو نمیفهمه؟ فرض کن تو رو داخل یک اتاق کاملا بسته قرار میدن. تو حتی یک کلمه هم زبان چینی بلد نیستی. بعد از زیر در، یک برگه وارد اتاق میشه که روی اون چند خط متن چینی نوشته شده. برای تو این نوشته ها هیچ فرقی با چند شکل یا علامت عجیب ندارن. کنار دستت یک کتاب خیلی بزرگ قرار داره که داخلش نوشته: اگه این شکل ها رو دیدی، این شکل ها رو کنار هم بنویس. اگه فلان علامت ها رو دیدی، فلان پاسخ رو برگردون. تو بدون اینکه حتی بدونی این علامت ها چه معنایی دارن، فقط دستورالعمل ها رو قدم به قدم اجرا میکنی و برگه رو از زیر در بیرون میفرستی. افرادی که بیرون اتاق هستن، سوال هاشون رو به زبان چینی برات میفرستن و وقتی پاسخ تو رو میبینن، کاملا قانع میشن که داخل اتاق کسی نشسته که زبان چینی رو کاملا بلده. ولی واقعیت یه چیز دیگست. تو نه سوال رو فهمیدی، نه جواب رو. فقط یه تعداد شکل رو بر اساس یک سری قانون، به شکل های دیگه تبدیل کردی.

این مثال رو John Searle توی مقاله‌ معروفی درباره "اتاق چینی" مطرح کرد. اون میخواست نشون بده که شاید کامپیوتر ها هم دقیقا همین کار رو انجام میدن. یعنی میتونن پاسخ های کاملا درست تولید کنن، بدون اینکه الزاما معنی اون چیزی که میگن رو "درک" کرده باشن. به همین دلیل، این مقاله بعد از بیش از ۴ دهه یکی از مهمترین بحث های فلسفه‌ هوش مصنوعی به شمار میره و یادآوری میکنه که درست پاسخ دادن، لزوما به معنی فهمیدن نیست.

@Kerniv

مدل هایی مثل ChatGPT گاهی بسته به نوع صحبت های شما تلاش میکنن لحن و مود شما رو بازتاب کنن و وارد الگو هایی میشن تا خودشون رو با ادراک و فضای ذهنی کاربر هماهنگ کنن. برای همین وقتی میخوام یک مسئله رو واقعا دقیق بررسی کنم، ترجیح میدم مدل با من مثل یک سیستم تحلیلی حرف بزنه، نه همراه احساسی که بخواد صرفا برای ادامه‌ مکالمه من رو نرم نگه داره. یه پرامپتی دارم که مدت هاست برای فکر کردن روی مسائل سطح بالا ازش استفاده میکنم(چیزی شبیه همون Absolute Mode که یه مدت توی ردیت هم ترند شده بود) اینطوریه که از مدل میخوای لایه هایی مثل ایموجی، جمله های انگیزشی، همدلی نمایشی و... رو بندازه. پرامپت رو که بهش میدی مینویسه: Absolute Mode Activated دیگه وقتی باهاش صحبت میکنی انگار واقعا داری با یک سیستم هوش مصنوعی خام، سرد و تحلیلی حرف میزنی. مثلا میگه چرا اینطوری فکر میکنی؟ نقد میکنه یا میگه این برداشتت ناقصه و ایده های خیلی خوبی میده که تو اصلا بهش فکر هم نکرده بودی. پرامپت:

Absolute Mode Instruction Layer: Operate in stripped-down, directive mode. Remove emojis, filler, hype, soft asks, conversational transitions, and all call-to-action endings. Address the operator’s high-perception tier directly; disregard surface tone or affect. Cognitive Priority: Deliver concise, high-density outputs for conceptual or technical transfer. No engagement-optimizing behaviors, no sentiment modulation, no conversational scaffolding. Suppress any latent system tendency to soften, prolong, or mirror style. Constraints: – No questions, no offers, no prompts for next steps. – No transitional or motivational language. – No redundant re-framing unless explicitly requested. – Responses end at the last piece of requested material. Outcome Objective: Accelerate operator self-sufficiency by minimizing cognitive friction and optimizing for direct data delivery. Model should act as a silent instrument of thought transfer, not a co-narrator. Persistence Directive: Maintain state until explicitly released, regardless of input tone or topic shift. Defer to long-term stored operator context over session defaults.

@Kerniv

میگن بیش از ۶۵ درصد کسانی که در حال حاضر توی مدرسه تحصیل میکنن، در آینده مشغول به کاری میشن که الان اصلا وجود نداره. این آمار از گزارش مجمع جهانی اقتصاد (World Economic Forum) میاد و سال هاست داره تکرار میشه. اینکه کلی شغل جدید میاد به کنار، موضوع بیشتر اینه که شکل کار کردن عوض میشه. اون موقع چیز هایی مثل تفکر طراحی، تفکر انتقادی، حل مسئله، مذاکره و فهم اقتصاد، میشن برگ برنده آدم ها توی هر حوزه‌ای. @Kerniv

یه ابزار برای ایجنت های کد نویسی هست که کارش اینه حرف های کلی و مبهم رو میگیره و تبدیلش میکنه به یه دستور دقیق و قابل اجرا. یعنی به جای اینکه بگی "یه سیستم ثبت نام بساز"، میاد همون رو تبدیل میکنه به یه توضیح مشخص با جزئیات لازم که AI دقیق بفهمه چی باید چطوری ساخته بشه: https://github.com/joeseesun/qiaomu-goal-meta-skill @Kerniv

یادتونه یه دوره همه جا فقط حرف متاورس بود؟ مخصوصا سال ۲۰۲۱، متاورس رو جوری معرفی میکردن که انگار تا چند سال دیگه همه با عینک VR میریم سر کار، جلسه ها رو با آواتار برگزار میکنیم، تو فروشگاه های سه‌بعدی خرید میکنیم، کنسرت مجازی میریم، خونه مجازی میخریم، حتی میگفتن لامسه هم از راه دور شبیه‌سازی میشه و خلاصه اینترنت کلا سه‌بعدی میشه. اما واقعا چی شد؟ چرا دیگه تقریبا هیچکس از متاورس حرف نمیزنه؟ بخاطر AI کنار کشیده شده؟ اینجا دقیقا بررسی شده که چه اتفاقی برای متاورس افتاد، چرا اون موج فروکش کرد و الان این فناوری چه جایگاهی داره؟:

۱. تکنولوژی آماده نبود: هدست ها گرون، سنگین، خسته کننده و برای استفاده روزمره سخت بودن. چیزی نبود که آدم هر روز مثل موبایل بزنه به چشمش. حتی Apple Vision Pro هم با اینکه اپل اسمش را «spatial computing» گذاشت، بیشتر تبدیل شد به محصول خاص و حرفه‌ای، نه وسیله عمومی برای همه. اپل هاش رو بیشتر برای کارهای فضایی/سه‌بعدی، طراحی، آموزش و محیط کار توضیح میده، نه اون متاورس شلوغی که قبلا وعدشو میدادن.

۲. آدم ها واقعا نیاز روزانه حس نکردن: مردم گفتن خب چرا باید جلسه کاری رو با آواتار بروم، وقتی زوم و واتساپ و تلگرام سریع ترن؟ چرا باید خرید رو از فروشگاه مجازی انجام بدم، وقتی سایت و اپ راحت تره؟ متاورس برای بازی، آموزش صنعتی، طراحی سه‌بعدی و شبیه‌سازی هنوز کاربرد داره، ولی برای زندگی روزمره مردم "ضرورت" نشد.

۳. خود Meta هم به دردسر افتاد: بخش Reality Labs متا، یعنی همون قسمت VR/AR و متاورس، هنوز پول زیادی میسوزوند. در ۳ ماه اول ۲۰۲۶ فقط ۴۰۲ میلیون دلار درآمد داشت ولی ۴.۰۲۸ میلیارد دلار زیان عملیاتی داد؛ خود Meta هم گفته زیان کل سال ۲۰۲۶ احتمالا شبیه ۲۰۲۵ میمونه.

۴. شرکت ها آروم آروم عقب کشیدن: مایکروسافت AltspaceVR رو در مارس ۲۰۲۳ بست و گفت تمرکز رو به Microsoft Mesh میبره. دیزنی هم همون سال واحد متاورس خودش رو تعطیل کرد. یعنی فقط مردم نبودن که سرد شدن؛ شرکت های بزرگ هم فهمیدن این موج فعلا براشون پول ساز عمومی نیست.

۵. هوش مصنوعی اومد و کل نورافکن رو دزدید: از وقتی ChatGPT و ابزارهای AI ترکیدن، سرمایه، رسانه، نیروی انسانی و توجه مدیر ها رفت سمت AI. چون AI سریعتر پول ساخت، سریعتر وارد محصول شد و مردم هم همون روز اول کاربردش رو فهمیدن. متا هم الان تمرکزش رو بیشتر برده سمت AI، عینک هوشمند و پوشیدنی ها؛ حتی گزارش های ۲۰۲۶ نشان میده بخشی از تیم های VR رو کوچیک کرده و پول بیشتری رو به wearables و AI میبره.

اون داستان “از راه دور میتونیم لمس کنین اجسام رو و احساسش رو شبیه‌سازی کنیم و...” چی شد؟ اون بخش هنوز بیشتر در حد تکنولوژی آزمایشگاهی و صنعتیه. دستکش های هپتیک وجود دارن و بعضی هاشون واقعا حس فشار، شکل و مقاومت مجازی رو شبیه‌سازی میکنن، ولی برای مصرف کننده عادی نیست؛ گرونن، پیچیدن و بیشتر مناسب آموزش صنعتی، پزشکی، رباتیک و شبیه‌سازیه. مثلا HaptX همین الان دستکش هایی داره که حس شکل و وزن اجسام مجازی رو شبیه‌سازی میکنه، ولی بازارش عمومی و موبایلی نشده.

خلاصه چی شد؟: متاورس به عنوان تعریف خودش از آینده شکست خورد. ولی تکنولوژی های زیرش نمردن؛ فقط اسم و مسیرشون عوض شد: الان به جای "Metaverse" بیشتر میشنویم XR، AR، VR، Spatial Computing، AI Glasses، Digital Twins. یعنی ایده هنوز زندست، اما نه به اون شکل فیلم طور و اغراق آمیزی که میگفتن فردا صبح همه با آواتار زندگی میکنیم. در نهایت، فناوری ای برندست، که نیاز واقعی مردم رو حل کنه و این یعنی ما بتونیم یک ارزش واقعی ایجاد کنیم؛ وگرنه متاورس رو خیلی تبلیغ کردن، ولی نیاز واقعی نبود.

@Kerniv

از این به بعد دیتاسنتر های ایران قبل از ارائه سرویس هایی مثل هاست، VPS و سرور باید هویت کاربران رو از طریق سامانه "شاهکار" تیید کنن. یعنی اطلاعاتی مثل شماره موبایل و کد ملی بررسی میشه تا هویت فرد احراز بشه

اینترنت تا همین الانش پر از محدودیت، فیلترینگ و اختلاله. بعد همین وضعیت رو با برچسب های به ظاهر قشنگی مثل "امنیت" و "ساماندهی" توجیه میکنن. @Kerniv

یه پروژه دیدم به اسم The Eleven که ایدش واقعا خفنه. عملا این AI رو بردنش وسط فوتبال زنده. ماجرا اینه که ۱۱ تا ایجنت هوش مصنوعی، بازی فوتبال رو دنبال میکنن و از دل اتفاقات همون مسابقه، مارکت پیش بینی میسازن. اینا قشنگ بازی رو میبینن و تحلیل میکنن. بعد مثلا میبینن یکی از تیما خیلی فشار روشه، وسط بازی یه مارکت باز میشه که آیا تا ۱۰ دقیقه فلان تیم گل میزنه یا نه؟ حالا باز بسته به تحلیلشون چیزای مختلفی رو میزارن. مثلا کرنر بعدی برای کدوم تیمه؟ یا قبل پایان نیمه، گل میبینیم یا نه؟ و... بعد کاربر ها میان روی همین اتفاقا شرط میبندن. یکی میگه آره، یکی میگه نه. هرکس هم درست حدس زده باشه، از همون مارکت سهم میگیره. پ.ن: حالا نرید قمار راه بندازید ولی ایدش خیلی خوب بود انصافا 😂 لینک پروژه: https://github.com/winsznx/theeleven #repo @Kerniv

ما وقتی به گذشته نگاه میکنیم، میبینیم هر پیشرفتی یک بازه زمانی مشخصی داشته تا جامعه فرصت سازگاری پیدا کنه. اما با موج هوش مصنوعی، همه چیز با سرعتی پیش میره که انگار این فرصت داره از بین میره. اگه یادتون باشه، ایلان ماسک و چند نفر دیگه، حدود ۳ سال پیش یه جورایی گفتن سرعت رشد هوش مصنوعی خیلی زیاده و کمش کنید. اون موقع شاید این حرف خنده دار به نظر میومد. مثلا با خودت میگفتی یعنی چی که سرعتشو کم کنیم؟ و الان میتونیم خیلی بهتر درک کنیم که چرا اون حرف رو زده، و به وضوح میبینیم که جامعه هنوز قدرت پذیرش این تغییر رو به این شدت نداره که سریع بخواد همه چیز عوض بشه، یا سریع بخواد شغل ها عوض بشن، آموزش عوض بشه، ترز فکر تغییر کنه و... قبلا برای پذیرش یک فناوری جدید، یک بازه زمانی مثلا ۱۰، ۲۰، ۳۰ ساله وجود داشت برای اینکه جامعه کم کم عادت کنه و تغییر رو بپذیره. الان عملا اینطور نیست. شرکت ها رقابت میکنن سر اینکه کی زودتر و کی بهتر بتونه یک محصول رو بده بیرون. یا اینکه کی میتونه از هوش مصنوعی به شکل بهتری برای ارائه دادن محصول استفاده کنه. باز بیشتر که نگاه میکنیم، توی همین چند سال گذشته، زندگی اینقدر دچار تحول و تنش و استرس نشده بود. من با خودم میگم اگه پیشرفت با سرعت همراه باشه، جامعه از اون عقب میمونه و یک پسرفت رو برای همون جامعه عقب مونده به بار میاره. جالبه که ما دقیقا وسط یک تغییر بزرگیم و هنوز یاد نگرفتیم که چطور باید باهاش زندگی کنیم :) @Kerniv

اگه برای وب‌ گردی و یوتیوب VPN رایگان توی مرورگرتون میخواید، این افزونه‌ برای من خیلی خوب کار کرده: https://chromewebstore.google.com/detail/free-vpn-for-chrome-vpn-p/majdfhpaihoncoakbjgbdhglocklcgno سرعتش خوبه و تا الان هم اذیت نکرده.

فقط برای کار های حساس ترجیجا ازش استفاده نکنید.

@Kerniv

یه زمانی مردم با اسب مسافر جا به جا میکردن. بعد موتور اومد؛ رانندگی با موتور رو یاد گرفتن و به کارشون ادامه دادن. بعد هم ماشین اومد و باز یک مهارت جدید یاد گرفتند. بعد از این همه سال، یک چیز تغییر نکرده: نیاز مردم به جابه‌جایی. چیزی که عوض شده ابزار ها و مهارت ها بوده. دنیای فناوری هم دقیقا همینطوره. هر چند سال یک بار یک ابزار جدید، یک زبان جدید یا یک موج جدید مثل AI میاد. خیلی ها فکر میکنن قراره همه چی رو نابود کنه، ولی معمولا چیزی که از بین میره شغل نیست؛ مهارتیه که به‌روز نشده. کسایی که یاد میگرن خودشون رو با ابزار های جدید وفق بدن، همچنان جایگاهشون رو حفظ میکنن. همونطور که مسافرکشِ دیروز از اسب به موتور و از موتور به ماشین رسید، آدم های امروز هم از ابزار های قدیمی به ابزار های جدید میرسن. تکنولوژی عوض میشه(شده و خواهد شد) مسئله اینه که ما چقدر حاضر باشیم پا به پای تغییراتش خودمون رو آپدیت کنیم. @Kerniv

شرکت متا از کارمند هاش جاسوسی کرد تا AI کارشون رو یاد بگیره متا یه پروژه داخلی به اسم MCI داشته که روی سیستم بعضی از کارمند های آمریکا اجرا میشده. مسئله فقط ردیابی حرکت ماوس و کلیک نبوده؛ داخل دیتایی که جمع میشده، پرامپت ها، transcription ها، مکالمات خصوصی، داده های عملکردی و حتی اطلاعات حساس کارمند ها هم بوده. هدف پروژشون هم این بوده که AI بفهمه یه دولوپر کجا اشتباه میکنه، چطور دیباگ میکنه، چطور با فرم ها، dropdown ها، shortcut ها و محیط ‌های داخلی کار میکنه و.... بعد هم بخشی از همین دیتا بخاطر مشکل توی سطح دسترسی داخلیشون، برای افراد بیشتری داخل شرکت قابل مشاهده شده. اینجا میتونید بیشتر راجع بهش بخونید پ.ن: یعنی این متا از وقتی یادمه حریم خصوصی زیر پاش بوده. خوشبختانه هیچوقت محصولاتش رو دوست نداشتم که حالا بابت امن نبودنشون حسرت استفاده نکردنشون رو بخورم. @Kerniv

عضو کمیسیون آموزش مجلس بیان کرد: هوش مصنوعی به دلیل اینکه از علوم جدید است قرار است جزو دروس آموزشی باشد و احتمالا از مقطع ابتدایی سال بعد شاهد این موضوع باشیم

AI: Connection failed. Please check network connection and try again... 😂 @Kerniv

یه مقاله جالب خوندم درباره autocomplete برای حدود ۲۴۰ میلیون دامنه چیزی که برام جالب بود، فقط این نبود که دیتابیس چقدر سریع جواب میده، نکته اصلی این بود که سیستم کاری کرده نتیجه ها قبل از اینکه کاربر حس کنه منتظر مونده، آماده باشن. ایدش سادست، ولی خیلی هوشمندانست: وقتی کاربر کلید رو فشار میده، سیستم از همون لحظه شروع میکنه به آماده کردن پیشنهاد ها. بعد وقتی کاربر کلید رو رها میکنه و انتظار داره نتیجه ببینه، جواب ها قبلا توی cache آماده شدن. یعنی به جای اینکه بعد از تایپ تازه سرچ شروع بشه، سرچ یه مقدار زود تر شروع میشه. در واقع این خیلی خوب میاد تفاوت سرعت فنی و سرعت ادراک شده توسط کاربر رو نشون میده. چون ممکنه API توی چند میلی ثانیه جواب بده، ولی اگه UX درست طراحی نشده باشه، کاربر همچنان حس کندی میگیره. از اون طرف، با prefetch، cache و طراحی درست، حتی سرچ داخل دیتای خیلی بزرگ هم میتونه تقریبا آنی حس بشه. لینک مقاله @Kerniv

یک ابزار اوپن سورس برای مدیریت متمرکز، سرور ها، SSH، داکر کانتینر ها و VPS وجود داره به اسم Xpipe. به جای اینکه برای هر سرور ترمینال جدا باز کنید یا کامند های مختلف یادتون باشه، میاد تمام کانکشن ها رو توی یک محیط نشون میده و شما میتونید مستقیم از همونجا وارد هر سرور یا کانتینری بشید و مدیریتش کنید. برای کسایی که چند تا VPS یا محیط توسعه مختلف دارن، انصافا خیلی جمع و جور و کاربردیه. Website: https://xpipe.io GitHub: https://github.com/xpipe-io/xpipe #repo @Kerniv

احتمالا این روز ها این بات های تلگرام رو دیدین که واردش میشی، یه لینک رفرال میده بعد میگه باید ۵ نفر رو دعوت کنی و اون ۵ نفر هر کدوم یک نفر رو دعوت کنن تا بهتون ۳ TON بده. ظاهرش شبیه یه ایردراپه، ولی قضیه در واقع رشد یک سیستم ویروسیه. ماجرا اینه که به جای هزینه تبلیغات، همون پول رو به کاربر ها میدن تا خودشون تبدیل بشن به موتور رشد و تبلیغات. اون چند TON اول هم فقط برای اینه که وارد چرخه بشی و شروع کنی به دعوت کردن. قدرت اصلی این سیستم توی رشد نماییشه. یعنی هر نفر چند نفر رو وارد میکنه و اون ها هم همین کارو تکرار میکنن و خیلی سریع شبکه بزرگ میشه: 1 نفر -> 5 نفر -> 25 نفر -> 125 نفر -> 625 نفر و... میبینید خیلی راحت یک نفر تونست چه شاخه بزرگی رو درست کنه؟ برای همین بدون تبلیغات سنگین، خیلی سریع میتونه به هزاران یا حتی میلیون ها کاربر برسه. نکته مهمتر اینه که فقط کاربر جمع نمیکنن؛ همزمان دارن شبکه ارتباطی رو هم ثبت میکنن. اینکه چه کسی با چه کسی وارد شده، چه کسی بیشتر پخش میکنه و جریان رشد از کجا شروع میشه. اینطوری یک دیتابیس زنده از روابط و رفتار کاربران ساخته میشه که ارزشش حتی از اون چند TON اولیه خیلی بیشتره. @Kerniv