Masoud's Sharings

قسمت ۱۴۹ رادیو بادیو | وقتی بانک‌های آمریکا وارد بازی کریپتو می‌شوند! با حضور: محمودرضا فرهادی ،مسعود زمانی و میرسهیل نیکزاد در این قسمت به سه خبر داغ پرداختیم: 🔹 تلاقی بانک‌های آمریکا و کریپتو – چطور JP Morgan و BlackRock در حال تغییر قواعد بازی هستند. 🔹 کمبود جهانی RAM – چرا سرورهای AI دارند بازار رم مصرفی را تحت تأثیر قرار می‌دهند؟ 🔹 انقلابی در تولید تصویر – نوآوری اپل که می‌تواند اکوسیستم اپ‌ها را برای همیشه دگرگون کند. 🎧 گوش کنید تا ببینید این تحولات چه آینده‌ای را برای فناوری، اقتصاد و زندگی روزمره ما می‌سازند. ❓ به نظر شما: آیا ورود نهادهای مالی سنتی به حوزه کریپتو، به نفع جامعه است یا کنترل بیشتر؟ لینک یوتیوب https://youtu.be/mYmZys15KvI لینک کست باکس https://castbox.fm/vi/886461452 اگر به این بحث‌ها علاقه‌مندید: • کانال را به دوستان اهل فکر معرفی کنید • نظرتان را برایمان بنویسید • و قسمت‌های قبلی رادیو بادیو را هم از دست ندهید

اول دسامبر پارسال، هیچ مدل خوبی از جمنای وجود نداشت (روی نسخه ۱.۵ بودیم که میگفتیم افرین داره تلاشش رو میکنه!)، هیچ مدل تصویرسازی که بتواند متن را درست در تصویر درج کند وجود نداشت، هیچ مدل ویدیویی باکیفیتی نبود، خبری از Deepseek R1 نبود، مدل o1 تازه با قابلیت «استنتاج در زمان تست» عرضه شده بود، امتیاز FrontierMath دو درصد بود نه ۴۱ درصد، و هیچ مدلی در HLE به ۱۰ درصد نرسیده بود... این‌ها را عرض کردم تا بتوانید برای سال ۲۰۲۶ برنامه‌ریزی کنید. @MasoudSharings پینوشت ۰: #رشد_نمایی پینوشت 1: FrontierMath و HLE (بنچ‌مارک‌ها): این‌ها آزمون‌های استاندارد و بسیار دشواری هستند که برای سنجش هوش مصنوعی طراحی شده‌اند. و FrontierMath هم مجموعه‌ای از مسائل ریاضی بسیار پیشرفته است که حل آن‌ها حتی برای ریاضیدانان خبره هم زمان‌بر است. اشاره به رشد از ۲٪ به ۴۱٪ نشان‌دهنده جهش عظیم توانایی مدل‌ها در حل ریاضیات پیچیده طی یک سال است. پینوشت ۲: HLE (Humanity's Last Exam) آزمون‌های سطح بالای استدلال است که بیش از 2500 سئوال استنتاجی بسیار سخت و سئوالات دیگری از ریاضی و مسائل اخلاقی هم دارد و توانایی مدل را در این حوزه‌ها می‌سنجد. پینوشت ۳: Test Time Inference (استنتاج در زمان تست) به قابلیتی اشاره دارد که مدل هوش مصنوعی بلافاصله پاسخ نمی‌دهد؛ بلکه مانند انسان زمانی را صرف «فکر کردن» و پردازش گام‌به‌گام مسئله می‌کند تا به جواب دقیق‌تری برسد (مشابه کاری که مدل‌های سری o1 انجام می‌دهند). پینوشت ۴: این ‌پست ترجمه‌ای از این توییت است https://x.com/i/status/2002034413866303918

قسمت ۱۴۸ رادیو بادیو منتشر شد با همراهی: مسعود زمانی، محمودرضا فرهادی، میرسهیل نیکزاد در این قسمت در گفتگویی صریح درباره دو موضوع جدی و به‌هم‌پیوسته حرف زدیم: 🔹 پشت‌پرده شرکت‌های بزرگ مشاوره ماجرای گزارش جنجالی دیلویت در کانادا، استفاده از هوش مصنوعی، منابع جعلی، و این سؤال مهم: واقعاً تا کجا می‌شود به گزارش‌های «برنددار» اعتماد کرد؟ 🔹 آینده مهندسی در عصر هوش مصنوعی وقتی AI خیلی از کارهای فکری را بهتر و ارزان‌تر انجام می‌دهد، کدام مهارت‌ها در خطرند؟ آیا مهندسی نرم‌افزار، IT و مشاوره فکری باید بازتعریف شوند؟ و نقش انسان دقیقاً کجاست؟ برای شنیدن و دیدن به لینک های زیر مراجعه کنید: ▶️ کست‌باکس : https://castbox.fm/vi/883487899 ▶️ یوتیوب: https://www.youtube.com/watch?v=biQVsKybpA4 اگر به این بحث‌ها علاقه‌مندید: • کانال را به دوستان اهل فکر معرفی کنید • نظرتان را برایمان بنویسید • و قسمت‌های قبلی رادیو بادیو را هم از دست ندهید

سقوط 260 برابری قیمتها در سال گذشته... البته در حوزه هوش مصنوعی! همین چند ساعت پیش حساب رسمی ARC Prize در توییتر نتایج عملکرد مدل جدید Gemini 3 Flash Preview (High) از گوگل را روی بنچمارک ARC-AGI منتشر کرده که توجه زیادی رو به خودش جلب کرده و بنظر من خیلی خیلی مهم است. این مدل فلش پریویو، که نسخه سریع‌تر و سبک‌تر خانواده Gemini 3 است، توانسته هم عملکرد رقابتی خوبی نشان بدهد و همزمان هزینه‌های محاسباتی را به شکل چشمگیری پایین بیاورد، چیزی که نشان‌دهنده یک پیشرفت بزرگ در کارایی هوش مصنوعی به حساب می‌آید. اول اینو بگم که بنچمارک ARC-AGI (Abstraction and Reasoning Corpus for Artificial General Intelligence) یکی از چالش‌برانگیزترین آزمون‌های هوش مصنوعی است که از سال 2019 توسط François Chollet طراحی شده و هدفش به چالش کشیدن هوش مصنوعی و اندازه‌گیری توانایی واقعی استدلال انتزاعی و یادگیری سریع از مثال‌های محدود است، چیزی که به هوش انسانی نزدیک‌تر است و در واقع تعریف یک سطح بلوغ و آمادگی برای رسیدن به AGI به عنوان مرزی فوق‌العاده مهم در پیشرفت هوش مصنوعی... این آزمون شامل پازل‌های بصری ساده با گریدهای رنگی متنوع می‌شود که چند مثال ورودی-خروجی می‌دهد و مدل باید قانون پنهان را کشف کند و آن را روی ورودی جدید اعمال کند. برخلاف بنچمارک‌های متداول که اغلب با memorization یا داده‌های آموزشی زیاد حل می‌شوند، ARC-AGI پازل‌های کاملاً نوآورانه و منحصربه‌فرد دارد تا مدل‌ها مجبور به استدلال واقعی شوند. ملاک هم این است که ماشین بتواند به امتیاز 85 درصد و بالاتر دست پیدا کند. نسخه اول (ARC-AGI-1) از 2019 تا اواخر ۲۰۲۴ شکست‌ناپذیر باقی مانده بود تا اینکه در 2024 مدل‌هایی مثل o3 از OpenAI به امتیازهای بالا (بالای 85%) رسیدند. اما نسخه دوم (ARC-AGI-2) که در 2025 معرفی شد، کلی سخت‌تر و چالش‌برانگیزتر طراحی شده، بطوریکه انسان‌ها به طور متوسط در آن حدود 60 درصد امتیاز می‌گیرند! در حالی که مدل‌های پیشرو هنوز در محدوده پایین‌تری هستند. آزمون ARC-AGI یکی از معدود بنچمارک‌هایی هست که تا حد قابل قبولی در برابر «تقلب» (overfitting یا brute-force) هم مقاوم هست. خیلی ساده بخواهم بگم امتیازهای بالا با هزینه کم، یعنی AI داره به سمت استدلال کارآمد و عمومی نزدیک‌تر می‌شه، نه لزوماً برمبناب قدرت خام محاسباتی که نیاز به سخت‌افزار و انرژی زیاد دارد. اینم اضافه کنم که این جایزه مبلغ قابل توجهی هم داره و جایزه اصلی برای تیمی که اولین بار به امتیاز 85 درصد یا بالاتر روی ARC-AGI-2 برسه، 700،000 دلار آمریکا است، البته با شرایط open-source بودن راه‌حل و رعایت محدودیت‌های کارایی بهش داده میشه. حالا نزدیک بود سال 2025 بدون سورپرایز تموم بشه ولی در آخرین ارزیابی، Gemini 3 Flash Preview (High) روی ARC-AGI-1 به امتیاز 84.7 درصد با هزینه تنها 0.17 دلار به ازای هر تسک رسیده است، و روی آزمون ARC-AGI-2 امتیاز 33.6 درصد با هزینه 0.23 دلار را کسب کرده. این اعداد به تنهایی چشمگیر هستند، چون مدل‌های بزرگ‌تر و گران‌تر frontier معمولاً برای امتیازهای مشابه هزینه‌های ده‌ها یا صدها برابری دارند، حالا شاید شما بگویید که این که امتیازش فقط 33.6 درصد است، ولی شیطان در جزئیات دیگری است و برای چشمان مسلح! نکته هیجان‌انگیز این است که در طول کمتر از یک سال، هزینه لازم برای رسیدن به امتیاز حدود 85 درصد روی ARC-AGI-1 حدود 260 برابر (99.6درصد!) کاهش یافته است، پیشرفتی عظیم که نشان می‌دهد هوش مصنوعی نه تنها هوشمندتر، بلکه به شدت کارآمدتر شده. این مدل سبک حتی در برخی موارد از نسخه‌های Pro سنگین‌تر بهتر عمل کرده و رقابت را داغ‌تر کرده، چون سطوح رویاگونه‌ای چون AGI را حتی برای کاربردهای واقعی و روزمره مثلاً روی موبایل و ابزارهای خانگی و ... قابل دسترس‌تر می‌کند. اینجا لازم بار دیگر یادآوری کنم #رشد_نمایی منتظر کسی نمی‌ماند و سال پیش همین روزها کسی ادعا میکرد پیروزی در چنین آزمونی «26هزار درصد!!!» کاراتر میشود، هیچ‌کس جدی نمی‌گرفت. حالا میشه کم و بیش همین روند شتاب رو برای یک و دو سال بعد هم متصور بود و این میشه تمرین فکری برای شما که با چنین رشدی سال بعد با همین اکانتهای متداول چه قدرتی در دستان ما شهروندان معمولی خواهد بود و اگر می‌خواستید کسب و کاری طراحی کنید نقطه قوت و ارزش پیشنهاد خودتان را چگونه طراحی می‌کردید؟ @MasoudSharings لینک آزمون: https://arcprize.org

این بخشی از صحبت‌های لری پیج (هم‌بنیان‌گذار گوگل) در سال 2000 است که خیلی کوتاه درباره آرمانش از چیزی که گوگل قرار است به آن تبدیل بشود صحبت می‌کند. در آن زمان تقریباً هیچکدام از ابزارهایی که هم‌اکنون جعبه‌ابزار هوش مصنوعی را پُر‌کرده‌اند، وجود خارجی و حتی تئوریک نداشتند و کمی هم واقع‌بین باشید بخش قابل توجهی از آن جعبه‌ابزار را هم گوگل توسعه داده است. سال 2000 میشه 1379، یکم این حرف تلخه و حتماً آدم‌های نخبه‌ای بودند که اون موقع هم بینش عمیق و دقیقی نسبت به آینده داشته باشند، ولی همونقدری که 25 سال پیش با این حرف لری پیج فاصله داشتید/داشتم (چه کم و چه زیاد)، به احتمال زیاد همانقدر هم الان با آن چیزی که در حال ساخت است و بازیگران اصلی در حال خلق آن هستند، فاصله دارید. قرار نیست این فاصله با لبه، خوبی و بدی را نشون بدهد و اصلاً متر خوبی هم نیست، چون همان زمان در آمریکا هم بجز معدودی افراد، کمتر کسی چنین رویایی را به عنوان «هدف کسب و کاری» دنبال می‌کرد؛ بلکه تقریبی است برای تمرین آن‌که توهم نداشته باشیم. @MasoudSharings آدمهای زیادی فکر می‌کنند رشد نمایی را می‌فهمند ولی معرفت واقعی همچنان در دست افراد معدودی است.

آیا حاضرید یک نسخه دیجیتالی از خودتان در جلسات کاری شرکت کند؟ 🤖👔   در قسمت ۱۴۷ رادیو بادیو، پرونده‌ای را باز کردیم که شاید ترسناک به نظر برسد اما همین حالا در حال وقوع است. بحث ما از "دیپ‌فیک" فراتر رفته؛ ما درباره "همزاد دیجیتالی" (Digital Twin) صحبت می‌کنیم. ایجنت‌هایی که از طرف شما تصمیم می‌گیرند، امضا می‌کنند و حتی شاید بهتر از خودتان منافع شما را تشخیص دهند!   🎙 در این اپیزود همراه مسعود، سهیل و محمودرضا بشنوید:  ۱️⃣    چرا احراز هویت سنتی (KYC) دیگر مرده است؟  ۲️⃣    تحلیل نوسانات عجیب بازار کریپتو و بیت‌کوین  ۳️⃣    پیش‌بینی سال ۲۰۲۹: وقتی هوش مصنوعی از کنترل خارج می‌شود؟ 🚀 نظرتان چیست؟ آیا اختیار حساب بانکی‌تان را به همزاد هوشمندتان می‌دهید؟   لینک گوش دادن به پادکست یوتیوب: https://www.youtube.com/watch?v=q38WlmiVrNs کست باکس: https://castbox.fm/vi/879369660

جادوی فناوری؛ ایمپلنت‌هایی که خودشان راه مغز را پیدا می‌کنند در سالهای اخیر خیلی از نمودهای فناورانه‌ای که در فیلم‌ها و کتابها میدیم به واقعیت تبدیل شده است ولی آرام آرام وارد دورانی می‌شویم که حتی بخش‌های رویایی! ماجراهای علمی-داستانی (Sci-Fi) واقعاً در حال ورود به زندگی ما هستند و در این میان شتاب تغییرات بقدری بالا رفته است که حتی نوآورترین شرکت‌ها نظیر نورالینک هم با خطر نابودی و شکست مواجه خواهند شد. یکی از پیش‌بینی‌های بسیار مهم حضرت «ری کورزویل - Ray Kurzweil» که من بارها در ارائه‌ها هم به آن اشاره کرده بودم ساخت و تزریق نانوبات‌هایی برای پایش مستمر، درمان و البته افزایش ظرفیت‌های شناختی و پردازشی مغز و بدن بوده است که با هشتگ #Singularity می‌توانید آن‌ها را در کانال بیابید و به تفصیل درباره‌اش صحبت کرده‌ام. که بنظر می‌آید رویای کورزویل در همان بازه زمانی که پیش‌بینی میکرد (2025) محقق شده است.💪 خانم دکتر «دبلینا سارکار - Deblina Sarkar» دانشمند و مخترعی برجسته است که در حال حاضر استادیار دانشگاه و بنیان‌گذار و مدیر گروه تحقیقاتی Nano-Cybernetic Biotrek Lab در MIT است. مسیر علمی ایشان از مهندسی الکترونیک و فیزیک شروع شده و سپس به بیولوژی و فناوری‌های نانو و بیوالکترونیک کشیده شده است. هدف تحقیقات گروه او اتصال و همگرایی فناوری‌های نانو و زیست‌پزشکی به یکدیگر بوده تا در نهایت به تعامل پیشرفته بین ماشین و موجود زنده دست یابد، که قابلیت‌های درمانی و تشخیصی جدیدی را در پزشکی آینده ایجاد می‌کند. پس از هفت سال پژوهش، ماه گذشته ایشان و تیم توانمند این گروه مقاله‌ای در Nature Biotechnology منتشر کرده‌اند که درباره توسعه یک ایمپلنت بایوالکترونیکی نصب‌شونده بدون نیاز به جراحی مغز است. این ایمپلنت‌های انقلابی که محققان آن را اصطلاحاً «Circulatronics» نامیده‌اند، با استفاده از ترکیب سلول‌های ایمنی بدن و قطعات الکترونیکی بسیار کوچک طراحی شده‌اند تا از طریق رگ‌های خونی وارد بدن شده و خود را به نواحی خاصی از مغز که دچار التهاب هستند برسانند. در حال حاضر، ایمپلنت‌های موجود برای درمان بعضی بیماری‌های مغزی باید با جراحی باز و روش‌های تهاجمی داخل مغز گذاشته شوند، که خطراتی مثل زخم، عفونت و آسیب بافتی دارند. بنابراین هدف این تحقیق، ایجاد روشی غیرجراحی برای کاشت ایمپلنت‌های بیوالکترونیکی است که به‌صورت خودکار به ناحیه‌ی هدف می‌رسند و می‌توانند فعالیت نورونی را با دقت بالا تحریک کنند. برای این منظور، محققان دستگاه‌های الکترونیکی بسیار ریز، سبک و بی‌سیم ساختند که از طریق انرژی نوری تغذیه می‌شوند. این دستگاه‌ها اندازه‌شان مشابه یا کوچک‌تر از سلول‌های خونی است تا در جریان خون آزادانه حرکت کنند. سپس این دستگاه‌ها را به سلول‌های ایمنی (مونووسیت‌ها) متصل می‌کنند تا از مسیر طبیعی خون به نواحی التهاب‌رسان مغز بروند و در آنجا خود را مستقر کنند. این دستگاه‌های ریز مقیاس (زیر سلولی) انرژی خود را به صورت بی‌سیم و از طریق نور تامین می‌کنند، نکته شگفت‌انگیز این است که این سلول‌ها می‌توانند به طور خودکار مناطق ملتهب در مغز را شناسایی کرده، از سد خونی-مغزی عبور کنند و دقیقاً در محل هدف مستقر شوند و قادرند با دقت بسیار بالا (در حد ۳۰ میکرومتر) نورون‌های مغز را تحریک کنند. این دقت بالا اجازه می‌دهد تا درمان فقط روی ناحیه آسیب‌دیده متمرکز شود و به بافت‌های سالم اطراف آسیبی نرسد. این فناوری جدا از انقلاب و تحول بنیادین در حوزه BCI (Brain-Computer Interface)، می‌تواند برای درمان بیماری‌های مغزی مانند آلزایمر، ام‌اس، سکته مغزی و اختلالات درد عصبی کاربرد پیدا کند و البته در ادامه هم آنچه در وهم ناید آن شود و... @MasoudSharings لینک مقاله: https://www.nature.com/articles/s41587-025-02809-3 پینوشت: زیرنویس فارسی به کمک سرویس شهاب‌الدین عزیز @AiSegaro تهیه شده است.

قسمت ۱۴۶ - پشت پرده شتاب دیوانه‌وار هوش مصنوعی؛ شما کجای این تغییرات ایستادید؟ در این قسمت رادیو بادیو رفتیم سراغ یکی از عجیب‌ترین داستان‌های این روزهای دنیای AI؛ جایی که معامله ۳ میلیارد دلاری، دعوای مایکروسافت و OpenAI، قطع دسترسی‌ها، فرار مدیرعامل و خرید یک‌شبه توسط گوگل، فقط در ۱۰ روز اتفاق افتاد! در بخش دوم هم درباره یک گروه موسیقی ترندشده حرف زدیم که به‌نظر می‌رسه «واقعی نیست»… و واکنش عجیب آدم‌ها به هنر ساخته‌شده با هوش مصنوعی.   🎧 قسمت کامل را اینجا گوش کنید. شما همچنین میتوانید از طریق کانال یوتیوب هم نسخه ویدیویی این قسمت را مشاهده کنید: https://youtu.be/6wJvHDJknow?si=XS7uqCjbpnhZ9CNU منتظر نظرتان هستیم.

قسمت ۱۴۶ - پشت پرده شتاب دیوانه‌وار هوش مصنوعی؛ شما کجای این تغییرات ایستادید؟ در این قسمت رادیو بادیو رفتیم سراغ یکی از عجیب‌ترین داستان‌های این روزهای دنیای AI؛ جایی که معامله ۳ میلیارد دلاری، دعوای مایکروسافت و OpenAI، قطع دسترسی‌ها، فرار مدیرعامل و خرید یک‌شبه توسط گوگل، فقط در ۱۰ روز اتفاق افتاد! در بخش دوم هم درباره یک گروه موسیقی ترندشده حرف زدیم که به‌نظر می‌رسه «واقعی نیست»… و واکنش عجیب آدم‌ها به هنر ساخته‌شده با هوش مصنوعی.   🎧 قسمت کامل را اینجا گوش کنید. شما همچنین میتوانید از طریق کانال یوتیوب هم نسخه ویدیویی این قسمت را مشاهده کنید: https://youtu.be/6wJvHDJknow?si=XS7uqCjbpnhZ9CNU منتظر نظرتان هستیم.

چیپ‌های جادویی که انرژی را بازیافت می‌کنند: راز Vaire برای نجات هوش مصنوعی شرکت Vaire Computing یک استارت‌آپ بریتانیایی است که در سال ۲۰۲۱ تأسیس شده است و بر ساخت سخت‌افزارهای کامپیوتری با مصرف انرژی نزدیک به صفر (near-zero energy computing) تمرکز دارد. این شرکت هدفش حل بحران مصرف انرژی در هوش مصنوعی (AI) است، جایی که دیتاسنترها سالانه میلیاردها کیلووات ساعت برق مصرف می‌کنند و گرمای زیادی تولید می‌کنند. Vaire مدعی است با فناوری نوآورانه‌اش، چیپ‌هایی می‌سازد که انرژی را بازیافت می‌کنند و نیاز به سیستم‌های خنک‌کننده پیچیده را کاهش می‌دهند. بنیان‌گذاران آن رودولفو روزینی (Rodolfo Rosini) به عنوان مدیرعامل و دکتر هانا ایرلی (Dr. Hannah Earley) به عنوان مدیر فنی هستند. فناوری کلیدی Vaire بر پایه محاسبات برگشت‌پذیر (Reversible Computing) است. در چیپ‌های معمولی، محاسبات یک‌طرفه هستند: در هر گیت ورودی‌ها به خروجی تبدیل می‌شوند و اطلاعات ورودی به عنوان گرما هدر می‌رود. اما در Reversible Computing، فرآیند محاسباتی زمان‌برگشت‌پذیر (time-reversible) است، یعنی می‌توان از خروجی به ورودی برگشت و انرژی را حفظ کرد. این ایده از اصل لانداور (Landauer's principle) الهام گرفته شده که می‌گوید حذف بیت‌های اطلاعات حداقل انرژی مصرف می‌کند (حدود ۰.۰۱۸ الکترون‌ولت در دمای اتاق). Vaire می‌گوید که با جلوگیری از حذف اطلاعات، انرژی را بازیافت می‌کند و گرما را به حداقل می‌رساند. برای عملی کردن این مهم، براساس اون چیزی که من در سپیدنامه خواندم، Vaire از محاسبات آدیاباتیک (Adiabatic Computing) استفاده می‌کند، جایی که ترانزیستورها به آرامی عمل می‌کنند تا انرژی به عنوان گرما تلف نشود و به یک مفهوم دو طرفه عمل می‌کنند!. مثلاً در یک مدار تشدید یا ال‌سی (LC resonator)، انرژی مثل یک پاندول و نوسان‌گر (oscillator) جلو و عقب می‌رود و بازیافت می‌شود. چیپ آزمایشی آن‌ها به نام Ice River در فرآیند ۲۲ نانومتری CMOS ساخته شده و در آزمایشات نشان داده که می‌تواند انرژی را بازیافت کند (گویا حدود ۵۰ درصد انرژی را بازمی‌گرداند). این چیپ یک جمع‌کننده برگشت‌پذیر (reversible adder) دارد که در اوایل ۲۰۲۵ برای تولید ارسال شد. Vaire پیش‌بینی می‌کند چیپ‌هایش تا ۴۰۰۰ برابر (!!) کارآمدتر از دستگاه‌های فعلی باشند، بدین شکل که با بهبود سرعت توکن‌ها، توان عملیاتی (throughput) را افزایش داده و تأخیر (Latency) را بدون افزایش مصرف برق، کاهش میدهد. پینوشت: این چیزی که این شرکت ادعا می‌کند واقعاً خیلی رویایی است و صادقانه جهالت عمیقی نسبت به بخش بزرگ از جزئیات فنی و چگونگی کارکرد آن دارم، ولی با فرض صحت ادعا، همانطور که در پست قبلی (شرکت اکستروپیک) عرض کردم، چنین فناوری‌هایی در عصر AI حیاتی است. با رشد مدل‌های بزرگ زبانی، مصرف انرژی جهانی محاسبات تا ۲۰۳۰ حداقل دو برابر می‌شود و برخی پیش‌بینی‌ها می‌گویند دیتاسنترها ۳-۵ درصد برق جهان را خواهند بلعید. Vaire با کاهش گرما، امکان تراکم بیشتر درون چیپ‌ها را فراهم می‌کند و هزینه‌های عملیاتی را پایین می‌آورد. علاوه بر این، بنظر من برای کاربردهایی مثل دستگاه‌های موبایل یا خودروهای خودران که باتری محدود دارند، ایده‌آل است. این شرکت تا حالا ۴.۵ میلیون دلار سرمایه جذب کرده و بخش‌های فنی آن در مجلاتی مثل IEEE Spectrum و EE Times پوشش داده شده. سپیدنامه‌های (whitepapers) منتشر شده ایشان جزئیات معماری‌های جدید را توضیح می‌دهند. در کل، Vaire ادعا میکند می‌تواند محدودیت‌هایی و تشکیکی را که اخیراً برخی به قانون مور وارد می‌کنند (بدلایل رسیدن به محدودیتهای فیزیکی پردازنده‌ها)، دور زده و با مصرف انرژی کمتر قانون مور همچنان ادامه یافته و AI را پایدارتر کند. @MasoudSharings

انقلاب در تراشه‌ها: کامپیوتری که با نویز کار می‌کند نه منطق! اکستروپیک - Extropic، استارتاپی از سان‌فرانسیسکو است که توسط «Guillaume Verdon» معروف به Beff Jezos، مهندس سابق Google X و Quantum AI، در سال ۲۰۲۲ تأسیس شد. هدف آن ساخت نوع جدیدی از رایانه و پردازشگر بوده است: کامپیوتر احتمالاتی ترمودینامیکی. این سیستم از نویز حرارتی (همان نوسانات طبیعی الکترون‌ها) نه به عنوان مزاحم (که معمولاً عامل ایجاد خطا است و کلی الگوریتم برای رفع آن وجود دارد)، بلکه به عنوان سوپرپاور محاسباتی استفاده می‌کند. هسته‌ی فناوری Extropic تراشه‌ای است به نام TSU (Thermodynamic Sampling Unit)، نخستین رایانه‌ی مقیاس‌پذیر مبتنی بر p-bit، یعنی بیت‌های احتمالی که به جای ۰ یا ۱ قطعی، مانند سکه‌ای با احتمال تنظیم‌پذیر (مثلاً ۶۰٪ شیر) عمل می‌کنند. شبکه‌ای از p-bitها از طریق فرآیند Gibbs Sampling محاسبات احتمالاتی را انجام می‌دهد، به بیان ساده، این سخت‌افزار به جای اینکه فقط جواب «درست یا غلط» بدهد، با نمونه‌گیری از توزیع‌های احتمالی تصمیم می‌گیرد، مشابه کاری که مغز انسان انجام می‌دهد. (خیلی دقت کنید که کلاً با پردازشگرهای کوانتومی متفاوت است و اشتباه نشود) نسل جدید مدل Extropic، یعنی DTM (Denoising Thermo Model)، نسخه‌ی فیزیکی مدل‌های diffusion است که داده‌هایی مانند تصاویر را با مصرف انرژی هزاران برابر کمتر از GPU تولید می‌کند (بدون نیاز به هزاران ضرب‌ماتریس سنگین مانند GPUها). نتیجه، مصرف انرژی بسیار کمتر و سرعت بالاتر در وظایف احتمالی است، از جمله در مدل‌های زایشی (Generative AI) که متن یا تصویر تولید می‌کنند، یا در شبیه‌سازی‌های علمی پیچیده مثل پیش‌بینی هوا و مدل‌های مالی. Extropic همچنین یک کتابخانه پایتون متن‌باز به نام THRML ارائه کرده که به پژوهشگران اجازه می‌دهد الگوریتم‌های ترمودینامیکی را شبیه‌سازی کرده و برای اجرای واقعی روی TSU آماده کنند. اهمیت این دستاورد در آن است که می‌تواند بحران انرژی در عصر هوش مصنوعی را حل کند: مدل‌هایی مانند GPT-5 به مقادیر عظیم برق نیاز دارند، اما تراشه‌های Extropic براساس ادعای ایشان تا ۱۰,۰۰۰ برابر کم‌انرژی‌تر کار می‌کنند، در دمای اتاق و بدون نیاز به خنک‌کننده کوانتومی. با این حال، فناوری هنوز در مراحل اولیه‌ی اثبات است. اگر ادعاهای آن در مقیاس بزرگ تأیید شوند، Extropic می‌تواند مسیر جدیدی در محاسبات باز کند، راهی بین هوش مصنوعی کلاسیک و کوانتومی، و شاید رقیبی جدی برای انویدیا در عصر بعدی پردازش. @MasoudSharings پینوشت 1 و ضروری: این آقای Verdon از خوبهای Post-Humanism است و بنیان‌گذار جنبش e/acc (Effective Accelerationism) است و بی‌وقفه این جنبش تکنو-اُپتیمیسم رادیکال را ترویج می‌دهد (خداش خیر دهاد). این جنبش بر شتاب‌دهی حداکثری پیشرفت فناوری (به ویژه AI) بدون ترمزهای ایمنی بیش از حد تأکید دارد، این جنبش مخالف "decels" (کُندکننده‌ها) و doomers (بدبین‌های AI) است و e/acc باور دارد تسریع نوآوری، entropy جهان را افزایش می‌دهد، مقیاس کارداشف را بالا می‌برد و درنهایت مشکلات بشر (فقر، جنگ، اقلیم) را حل می‌کند. همچنین گول ظاهر این عزیز را نخورده و ایشان یکی از بسیار ترول‌کنندگان و میم‌بازهای قهار اینترنت است. پینوشت 2: این ویدیو هم با کمک سرویس شهاب عزیزم (https://isega.ro) ترجمه و زیرنویس‌دار شده است. وی نیز خداش خیر فراوان دهاد. @MasoudSharings

ویدیو معرفی ربات Neo از شرکت ربوبتیک 1X زیرنویس فارسی تقریباً در کمتر از 1 دقیقه به کمک سرویس شهاب عزیزم (https://isega.ro) تهیه شده است که البته از این لینک در یوتیوب میتوانید ویدیو اصلی را هم مشاهده کنید. @MasoudSharings

شرکت 1X با غافلگیری ربات نئو را معرفی کرد که شما می‌توانید با 500 دلار در ماه بصورت سابسکریپشن نسخه بیسیک آن را تهیه کرده و با 20هزار دلار نسخه کامل با سه سال گارانتی را داشته باشید. من سه سال پیش گفته بودم قیمت تقریباً در این حدود شروع خواهد شد و بتدریج برای مدل‌های مشابه زیر 10هزار دلار خواهد. با توجه به امکاناتی که در ویدیو معرفی (که دقایقی پیش منتشر شده است) گفته شد، بنظرم کاملاً هم قیمت یک خودرو ارزان قیمت است و برای بسیاری در کشورهای توسعه یافته قابل تحصیل است. البته که 1X بهترین شرکت این حوزه نیست ولی در شرکتهای آمریکایی چون بدین شکل برای استفاده عمومی در منزل پلن فروشش را ارائه داده قاعدتاً از مزیت پیشگامی برخوردار خواهد بود و بقیه را به تکاپو خواهد انداخت. ولی من اگر میخواستم شرط ببندم در «شرکتهای آمریکایی» روی Figure و البته Optimus شرط میبستم. @MasoudSharings

📣📣 قسمت 16 #پادکست منتشر شد: موضوع: #یادگیری مادام العمر یا lifelong learning در عصر AI 🎥 لینک این قسمت: https://www.youtube.com/watch?v=t6qiB7X8QfQ&list=PLXV7YW7KtHvc1nhupR6LuCCsOAASwnoti شبکه‌های اجتماعی ما: یوتیوب | اینستاگرام ✅ @AI_Natives .

استارتاپ Noematrix که در حوزه Embodied Intelligence فعالیت می‌کند، با سرمایه‌گذاری جدیدی به رهبری گروه علی‌بابا، چندصد میلیون یوان (گویا حدود 6 میلیون دلار) جذب کرده تا تحقیق و توسعه، پیاده‌سازی کاربردهای واقعی و گسترش اکوسیستم خود را سرعت بخشد. محصول اصلی آن، Noematrix Brain 2.0، پلتفرمی هوشمند است که ربات‌ها را قادر می‌سازد عادات و محیط کاربران را درک و به خاطر بسپارند. این شرکت با مدل‌های یادگیری پیشرفته و همکاری انسان‌و‌ربات، قصد دارد راه‌حل‌های خود را در صنایع خرده‌فروشی و لوازم خانگی به‌صورت گسترده عرضه کند. بنیان‌گذارانش از پژوهشگران برجسته استنفورد و دانشگاه شانگهای هستند. البته دقت داشته باشید این ویدیو که از این تیم منتشر شده است مال یکسال قبل هست، ولی بخاطر خبر سرمایه‌گذاری در شبکه‌ها وایرال شده است. @MasoudSharings پینوشت 1: این ربات تا رسیدن به کاربردپذیری در خاورمیانه! راه درازی در پیش دارد. 😅 پینوشت 2: بنظرم فارغ از همه شوخی‌هایی که می‌شود با این ویدیو کرد، خیلی جسورانه و شجاعانه ساخته شده است.

در همین راستا، این بخشی از برنامه دیشب حضرت بیل مار است که در آن آقای مارک کیوبن بعنوان یک میلیاردر و کارآفرین قدیمی حوزه فناوری چند جمله کوتاه می‌گوید که شاید جالب باشد و نشان می‌دهد این ابهام پیش‌رو خیلی جدی است. @MasoudSharings پینوشت: شهاب عزیزم، کنار همه کارهای ارزشمندش، یک سرویس هم برای ترجمه زیرنویس بالا آورده است که بوضوح خوب و با کیفیت کار می‌کند. پیشنهاد اکید دارم از آن استفاده کنید: https://t.me/AiSegaro

ادامه از پست قبل👆👆👆👆👆 تحلیل خود من این است که این متن تصویر نسبتاً درستی از واقعیت امروز هوش مصنوعی می‌دهد: رشد تقاضا نجومی است اما هنوز سودآور نشده است. هزینه‌ی محاسبات از درآمد پیشی گرفته و شرکت‌ها در فاز «زیان برای رشد» گیر کرده‌اند. شباهت آن با دوران دات‌کام در شدت هیجان و نبود سودآوری است، اما تفاوت اصلی اینجاست برخلاف آن دوره تقاضا واقعی است، نه فرضی. فلذا فرضیه ترکیدن حباب خیلی نامحتمل است. در نهایت تنها چند بازیگر بزرگ (مثل متا، گوگل، انویدیا و OpenAI و البته شاید گروک!) احتمالاً سود اصلی را خواهند برد. مسیر پایداری اقتصاد AI در گرو مدل‌های کم‌هزینه‌تر، زیرساخت‌های کارآمدتر و توانایی خودِ هوش مصنوعی برای بهینه‌سازی خودش است که اگرچه در همین مسیر هستیم، ولی این هم قرار نیست به این سادگی باشد و اصلاً شاید برخی ترجیح بدهند خیلی هم پایدار نباشد!! @MasoudSharings

اقتصاد بی‌رحمِ هوش مصنوعی؛ گویا فقط غول‌ها زنده می‌مانند - - - - آقای Steve Rosenbush دیروز مقاله‌ای در وال‌استریت‌ژورنال منتشر کرده‌اند با این عنوان: «اقتصاد هوش مصنوعی بی‌رحم است. تقاضا، متغیرِ تعیین‌کننده است» که بنظر من صورت‌بندی و تحلیل مناسبی داشته است. چون مقاله پشت پی‌وال است خلاصه‌اش را عرض می‌کنم: 🔹🔹🔹🔹 شرکت‌های فعال در حوزه‌ی هوش مصنوعی با سرعتی بی‌سابقه در حال از دست دادن پول هستند و دلایل آن فراتر از یک ولخرجی ساده است. اقتصاد هوش مصنوعی فعلاً علیه آن‌هاست، البته به‌دلایلی که پیش‌تر پیش‌بینی نشده بود!. بسیاری نگران هستند که حباب سرمایه‌گذاری عظیم در هوش مصنوعی ممکن است بترکد و بحرانی در حد حباب دات‌کام (یا حتی بزرگتر از آن) ایجاد کند. دغدغه‌ها درباره‌ی هزینه‌های سرمایه‌ای، ارزش‌گذاری‌های نجومی، سطح بدهی و روال ظاهراً مشکوک چرخه‌ی بسته‌ی سرمایه‌گذاری شرکت‌های AI در یکدیگر افزایش یافته است. و جالب این‌که احتمالاً حتی محتمل‌ترین برندگان آینده، اکنون میلیاردها دلار زیان می‌دهند. پیش‌بینی آینده‌ی این روند در بازارهای مالی دشوار است، اما بنظر نویسنده باید به تقاضا برای هوش مصنوعی «برحسب حجم داده‌های پردازش‌شده» توجه کرد. این تقاضا در حال انفجار است و مسیر کل صنعت به آن بستگی دارد. به گفته‌ی «هیث تری» از شرکت Citi، اشتباه مهم سال گذشته این بود که رهبران صنعت فقط بر کاهش هزینه‌ی واحد محاسبات تمرکز کردند (که محقق هم شد و هزینه توکن‌ها فقط در سال گذشته 75% کاهش یافته است)، اما فراموش کردند که تعداد واحدهای لازم برای انجام کار به‌طور چشمگیر افزایش می‌یابد. البته که انتظار هم می‌رفت با کاهش قیمت، استفاده بالا برود، اما رشد مصرف کاملاً «نمایی و غیرقابل‌کنترل» شد، وضعیتی مشابه با مدل اولیه‌ی Uber که برای ایجاد بازار، یکجورهایی دامپینگ می‌کرد! و سفرها را با زیان قیمت‌گذاری می‌کرد و با افزایش ناگهانی سفرها تا مرز ورشکستگی پیش‌رفت! (و به لطف تزریق دائمی پول و سرمایه‌گذاری مجدد تعدادی سرمایه‌گذار بسیار باهوش و البته پولدار)... برای مثال گوگل در فروردین ماه امسال اعلام کرد: «سال گذشته ۹.۷ تریلیون توکن در ماه پردازش می‌کردیم، اکنون بیش از ۴۸۰ تریلیون، یعنی ۵۰ برابر.» و جالب اینکه اواسط خرداد گفت: «حالا بیش از ۹۸۰ تریلیون توکن در ماه پردازش می‌کنیم.» و در مهرماه! این رقم به ۱.۳ کوادریلیون رسیده است. در همین حال، تقاضا برای محصولات جدیدی مانند برنامه‌های ساخت ویدیو Sora از OpenAI به‌شدت افزایش یافته و شرکتهای دیگر برای اینکه بتوانند تمایز خود را نشان دهند کارهای متهورانه‌ای کرده‌اند نظیر این‌که مدل Claude Sonnet 4.5 از Anthropic می‌تواند تا ۳۰ ساعت متوالی کدنویسی کند و احتمالاً این نبرد برای تمایز (دقت کنید نه برای اغوای مشتریان، بلکه برای اینکه به سرمایه‌گذار ثابت کنند که اونی که قرار هست برنده بشود ما هستیم و پولت رو از ما دریغ نکن) جنسن هوانگ، مدیرعامل انویدیا، ماه گذشته در پادکست Bg2Pod گفت «محاسبات هوش مصنوعی در نهایت (منظورش تا 2028 بود) یک میلیارد برابر خواهد شد، این همان انقلاب صنعتی است.» با فرض اینکه آقای هوانگ درست پیش‌بینی کرده است، با چنین رشدی ممکن است مدل‌های بهتر، ظرفیت بیشتر مراکز داده و توانایی خودِ AI برای بهبود خودش، در آینده معادله‌ی اقتصادی را تغییر دهند و سرانجام تقاضای عظیم را به سود تبدیل کنند. اما احتمالا!ً بازده همچنان در میان چند بازیگر بزرگ متمرکز خواهد بود. احتمالاً چنین فضایی باعث شده است که حضرت «وینود خوسلا - Vinod Khosla» (یکی از مطرح‌ترین بازیگران سرمایه‌گذاری در حوزه فناوری، که من هیچوقت علیه‌ حرفهایش شرط ‌نمی‌بندم!) همین هفته پیش گفته است: «در سرمایه‌گذاری جسورانه، 6% از سرمایه‌گذاری‌ها 60% بازده را ایجاد می‌کنند. در هوش مصنوعی، احتمالاً 3% از پروژه‌ها بیش از 60% بازده خواهند داشت.» جدا از اینکه وقتی که این گزاره به شکل عمومی گفته می‌شود، درواقع حاوی چه پیامی برای اکوسیستم سرمایه‌گذاری جهان است!؛ نشان ‌میدهد VCها هم نیاز است با متریکس‌های جدیدی به سراغ این حوزه بروند. (البته که من کارمند ساده آقای خوسلو هم نیستم ولی اواخر بهار یک سخنرانی در London VC Summit داشتم که خیلی دقیق این تغییرات رو پیش‌بینی کرده بودم و اینکه سیاست‌گذاری حوزه سرمایه‌گذاری تغییرات جدی خواهد داشت و چگونه باید رفتار کنند) و نتیجه نهایی روشن است: در این حوزه، نیمه‌راه وجود ندارد و توسعه‌ی مدل یا زیرساخت به‌صورت نصفه‌نیمه کافی نیست. این بازی همه یا هیچ است، در مقیاس تریلیون‌دلاری، و سرمایه‌گذاران تا انتها درگیر شده‌اند. @MasoudSharings ادامه در پست بعد 👇👇👇