آکادمی ریسرچ هرم ‌| Pyramid

📕 سیاست تحریم کنفرانس NeurIPS علیه مراکز تحت تحریم آمریکا، مخصوصا چینی‌ها 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی 🔗 مرحله ۱: اعلام سیاست رعایت تحریم‌ها توسط بنیاد NeurIPS در ۲۳ مارس ۲۰۲۶، بنیاد NeurIPS (ثبت‌شده در سن‌دیگو، آمریکا) در «راهنمای اصلی ارسال مقاله» برای کنفرانس ۲۰۲۶، اعلام کرد که به دلیل الزامات قانونی تحریم‌های ایالات متحده، قادر به ارائه خدمات (شامل بررسی همتا، ویرایش و انتشار) به افراد یا نهادهای وابسته به فهرست SDN (Specially Designated Nationals) نیست. این سیاست برای اولین بار به‌طور صریح به فهرست کامل OFAC لینک شد و شرکت‌هایی مانند Huawei، SMIC و China Telecom را تحت تأثیر قرار داد. 🔎 مرحله ۲: واکنش رسمی فدراسیون کامپیوتر چین (CCF) در ۲۵ مارس ۲۰۲۶، فدراسیون کامپیوتر چین (CCF) بیانیه‌ای رسمی صادر کرد و سیاست NeurIPS را «سیاسی‌سازی تبادل علمی» و نقض اصول «باز بودن، فراگیری، برابری و همکاری» دانست. CCF از تمام محققان چینی خواست از ارسال مقاله، انجام بررسی همتا و پذیرش مسئولیت‌های آکادمیک (مانند Area Chair) در NeurIPS خودداری کنند و هشدار داد که در صورت عدم اصلاح، کنفرانس را از فهرست «کنفرانس‌های بین‌المللی توصیه‌شده» حذف خواهد کرد. 📈 مرحله ۳: اقدامات اجرایی انجمن علم و فناوری چین (CAST) در ۲۷ مارس ۲۰۲۶، انجمن علم و فناوری چین (CAST) بیانیه‌ای صادر کرد و فوراً پذیرش درخواست‌های تأمین مالی برای حضور محققان در NeurIPS ۲۰۲۶ را متوقف کرد. همچنین اعلام شد که مقالات پذیرفته‌شده در این کنفرانس دیگر به‌عنوان «دستاورد پژوهشی نماینده» برای ارزیابی پروژه‌ها و برنامه‌های CAST معتبر نخواهند بود (هرچند ارزش علمی مستقل آن‌ها توسط انجمن‌های تخصصی قابل ارزیابی است). ⭐️ مرحله ۴: اصلاح سیاست و عذرخواهی رسمی NeurIPS در همان روز ۲۷ مارس ۲۰۲۶، بنیاد NeurIPS در صفحه اصلی کنفرانس و حساب رسمی X خود اعلام کرد که لینک و متن اولیه «به دلیل اشتباه ارتباطی (miscommunication) با تیم حقوقی» فراتر از الزامات قانونی واقعی بوده است. سیاست به نسخه قبلی (مطابق با استانداردهای ACM و IEEE) بازگردانده شد و عذرخواهی رسمی منتشر گردید: «ما بیش از حد لازم عمل کردیم و مسئولیت این خطا با ماست.» 🔻 حالا اما خروجی نهایی چیست؟ سیاست ممنوعیت گسترده ارسال مقاله از نهادهای تحریم‌شده کاملاً لغو شد. کنفرانس NeurIPS ۲۰۲۶ (دسامبر در سیدنی) بدون محدودیت اضافی نسبت به سال‌های قبل ادامه خواهد یافت و هیچ محدودیتی فراتر از الزامات قانونی دقیق تحریم‌های آمریکا اعمال نمی‌شود. این عقب‌نشینی سریع پس از واکنش هماهنگ CCF و CAST رخ داد. ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 رتبه‌بندی جدید دانشگاه‌ها بر اساس کیفیت پژوهش به جای کمیت | معرفی ImpactRank 🚨 زمان مطالعه: ۱ دقیقه 🔗 #مقاله سال‌هاست که سیستم CSRankings با شمارش تعداد مقالات منتشرشده در کنفرانس‌های top-tier، اساتید و دانشگاه‌ها رو رتبه‌بندی می‌کنه. اما این روش یک مشکل اساسی داره؛ پژوهشگرها رو تشویق می‌کنه به جای تمرکز روی کیفیت، دنبال «کمیت» مقالات برن. حالا یک پروژه جدید به اسم ImpactRank اومده تا این بازی رو عوض کنه. ⭐️ ایده اصلی چیه؟ رتبه‌بندی ImpactRank به جای شمارش مقالات، تلاش می‌کنه «تأثیرگذاری واقعی» پژوهش‌ها رو اندازه بگیره. فرض پایه‌ای پروژه دو چیزه: 🔽 کیفیت پژوهش رو بهتر از همه، خود متخصصان همون حوزه می‌فهمن. 🔽 همچنین LLMها می‌تونن قضاوت‌های ضمنی این متخصصان رو که از طریق citationها و نحوه نوشتن منعکس می‌شه، در حجم عظیمی از مقالات استخراج کنن. 📊 روش کار برای هر مقاله، از یک LLM پرسیده می‌شه: «۵ مقاله‌ای که بیشترین تأثیر رو روی این کار داشتن کدومن؟» یعنی صرفاً لیست رفرنس‌ها مهم نیست، بلکه اون چند مقاله‌ای که واقعاً بنیان فکری کار بودن مهمن. این تحلیل روی تمام مقالات کنفرانس‌های اصلی Machine Learning، Computer Vision، NLP و Information Retrieval بین سال‌های ۲۰۲۰ تا ۲۰۲۵ اجرا شده و رفرنس‌ها هم به مقالات از سال ۲۰۰۰ به بعد محدود شدن. 💬 محاسبه امتیاز نویسنده‌های مقاله‌های پرتأثیر با استفاده از دیتابیس name–affiliation سایت CSRankings به دانشگاه‌هاشون نگاشت می‌شن. هر بار که یک مقاله جزو «۵ رفرنس کلیدی» یک کار دیگه شناخته بشه، نویسنده‌ها و مؤسساتشون امتیاز می‌گیرن. برای انصاف، امتیاز بین هم‌نویسنده‌ها تقسیم می‌شه. نتیجه یک نوع رتبه‌بندی جدیده که دانشگاه‌ها رو نه به‌خاطر «زیاد چاپ کردن»، بلکه به‌خاطر تولید پژوهش‌هایی که «ماندگارن، الهام‌بخشن و حوزه رو جلو می‌برن» تحسین می‌کنه. این یعنی دید واضح‌تری برای دانشجوها و پژوهشگرها از اینکه کارهای واقعاً تأثیرگذار کجا تولید می‌شن. 📌 محدودیت‌ها و وضعیت فعلی به‌خاطر محدودیت منابع محاسباتی، تیم فقط تونسته از یک LLM کوچک ۷B استفاده کنه. پروژه عمدتاً توسط دانشجوهای کارشناسی و کارشناسی‌ارشد دانشگاه‌های Oregon State و UC Santa Cruz پیش رفته، پس هنوز work in progress هست و قطعاً خطا و نقاط کور داره. تیم از feedback جامعه، همکاران جدید و کمک GPU برای اجرای مدل‌های بزرگ‌تر استقبال می‌کنه. 🍏 جمع‌بندی ImpactRank یک تلاش جالبه برای عبور از پارادایم «هرچه بیشتر، بهتر» در رتبه‌بندی‌های آکادمیک. اگه CSRankings یک قدم جلوتر از معیارهای ذهنی مثل US News بود، شاید عصر LLMها این فرصت رو بده که یک قدم دیگه هم برداریم؛ به سمت سنجش تأثیر واقعی، نه صرفاً تعداد. 🔗 https://impactrank.org/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «آکادمی هرم | @Pyramid_Research»

سلام رفقا❤️ بلخره برگشتیم اینجا🥹

📕 قانون arXiv برای مقاله‌های مروری و Position Paperها در علوم کامپیوتر 🚨 زمان مطالعه: ۱ دقیقه 🔗 #مقاله سایت arXiv اعلام کرده که از این به بعد در بخش Computer Science، مقاله‌های مروری یا Survey و همچنین Position Paperها فقط وقتی بررسی می‌شن که قبلاً در یک ژورنال یا کنفرانس معتبر پذیرفته شده باشن و peer review موفق رو گذرونده باشن. ⭐️ تغییر اصلی چیه؟ اگه می‌خواید یک review article یا position paper در arXiv CS ثبت کنید، باید همراهش مدرک پذیرش و داوری موفق ارائه بدید؛ مثل journal reference و DOI. بدون این مدارک، احتمال رد شدن مقاله خیلی بالاست. 💬 چرا این تصمیم گرفته شده؟ در سال‌های اخیر تعداد ارسال‌ها به arXiv شدیداً زیاد شده، مخصوصاً در حوزه CS. از طرفی، ابزارهای هوش مصنوعی و LLMها نوشتن مقاله‌های مروری سطحی رو خیلی راحت‌تر کردن. نتیجه این شده که arXiv هر ماه صدها مقاله مروری دریافت می‌کنه که خیلی‌هاشون بیشتر شبیه لیست منابع توضیح‌دار هستن، نه یک مرور علمی عمیق. 📌 نکته مهم این دقیقاً تغییر policy رسمی نیست، چون review article و position paper از قبل هم جزو content typeهای اصلی و پذیرفته‌شده arXiv نبودن. فقط قبلاً بعضی از این مقاله‌ها، اگر کیفیت علمی بالایی داشتن، با تشخیص moderatorها پذیرفته می‌شدن. ✅ چه مقاله‌هایی هنوز مشکلی ندارن؟ اگر مقاله شما یک research paper واقعی باشه؛ مثلاً درباره تأثیر فناوری روی جامعه، امنیت، حریم خصوصی یا اخلاق در AI پژوهش علمی انجام داده باشه، همچنان می‌تونه بدون این شرط جدید در دسته‌های مرتبط مثل cs.CY ثبت بشه. 🔖 جمع‌بندی سایت arXiv می‌خواد جلوی سیل مقاله‌های مروری کم‌کیفیت و تولیدشده با AI رو بگیره، تا خواننده‌ها راحت‌تر به کارهای ارزشمند برسن و moderatorها هم وقتشون رو روی مقاله‌های پژوهشی اصلی بگذارن. ⭐️ لینک منبع: 🔗 https://blog.arxiv.org/2025/10/31/attention-authors-updated-practice-for-review-articles-and-position-papers-in-arxiv-cs-category/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «آکادمی هرم | @Pyramid_Research»

📕 معرفی arXiv Visual | کشف بصری مقالات arXiv 🚨 زمان مطالعه: ۱ دقیقه 🔗 #معرفی اگه تا حالا تو دریای بی‌پایان مقالات arXiv گم شدید و نمی‌دونستید از کجا شروع کنید، ابزار arXiv Visual دقیقاً برای همین لحظه‌ها ساخته شده. این پلتفرم به جای نمایش لیست خشک و طولانی از مقالات، کل فضای پژوهشی رو به شکل یک نقشه بصری و تعاملی به شما نشون می‌ده. ⭐️ این پلتفرم چیکار می‌کنه؟ مقالات arXiv رو روی یک نقشه دوبعدی بر اساس شباهت معنایی نمایش می‌ده خوشه‌بندی موضوعی انجام می‌ده تا حوزه‌های مرتبط کنار هم قرار بگیرن امکان جست‌وجو و فیلتر بر اساس موضوع، تاریخ و کلیدواژه رو فراهم می‌کنه ارتباط بین مقالات و trendهای تحقیقاتی رو راحت‌تر قابل کشف می‌کنه 💬 چرا مهمه؟ وقتی وارد یک حوزه تحقیقاتی جدید می‌شید، بزرگ‌ترین چالش اینه که بفهمید «نقشه کلی» اون حوزه چه شکلیه؛ کدوم زیرشاخه‌ها داغن، کدوم مقالات مرکزی هستن و گپ‌های پژوهشی کجان. ابزارهای متن‌محور مثل Google Scholar این دید کلی رو نمی‌دن، اما arXiv Visual با مصورسازی، در چند دقیقه شما رو با topology یک حوزه آشنا می‌کنه. 📌 برای چه کسانی مفیده؟ دانشجوهایی که در حال انتخاب موضوع پایان‌نامه هستن، پژوهشگرهایی که می‌خوان literature review سریع‌تری انجام بدن، و هر کسی که دنبال کشف ارتباطات بین حوزه‌های به‌ظاهر جدا از همه. 🔖 لینک سایت: 🔗 https://www.arxivisual.org/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «آکادمی هرم | @Pyramid_Research»

📕 پارادوکس صنعت نشر علمی | میلیاردها درآمد، صفر تومان دستمزد! 🚨 زمان مطالعه: ۱ دقیقه 🔗 #مقاله تصویری که می‌بینید یکی از عجیب‌ترین واقعیت‌های دنیای آکادمیک رو نشون می‌ده؛ صنعتی که روی کار رایگان میلیون‌ها پژوهشگر بنا شده. ⭐️ درآمد سالانه ناشران بزرگ درآمد Elsevier: حدود ۳.۹ میلیارد دلار درآمد Wolters Kluwer: حدود ۱.۶ میلیارد دلار درآمد Wiley: حدود ۱.۸ میلیارد دلار درآمد Springer Nature: حدود ۲ میلیارد دلار درآمد Taylor & Francis: حدود ۸۰۰ میلیون دلار درآمد Sage: حدود ۵۰۰ میلیون دلار 💬 و اما سهم نویسنده و داور از این کیک چند میلیارد دلاری؟ پرداخت به نویسندگان: ۰ دلار پرداخت به داوران (reviewers): ۰ دلار ✅ چرخه عجیب این صنعت پژوهشگر با بودجه عمومی (اغلب پول مالیات مردم) تحقیق می‌کنه، مقاله رو رایگان به ژورنال می‌ده، داور دیگه‌ای هم رایگان داوری می‌کنه، بعد همون دانشگاه مجبوره برای دسترسی به همون مقاله، اشتراک گرون‌قیمت بخره. در مدل Open Access هم APC (هزینه انتشار) از خود نویسنده گرفته می‌شه؛ گاهی تا چند هزار دلار برای یک مقاله. 🔖 چرا این موضوع مهمه؟ حاشیه سود ناشرانی مثل Elsevier در سال‌های اخیر بالای ۳۵-۴۰٪ گزارش شده؛ رقمی که حتی از Google و Apple هم بیشتره. این یعنی ارزش واقعی توسط جامعه علمی تولید می‌شه، اما سود به جیب چند ناشر محدود می‌ره. 📌 همین فشار باعث شده جنبش‌هایی مثل Plan S، Diamond Open Access و پلتفرم‌هایی مثل arXiv و bioRxiv قدرت بگیرن؛ مدل‌هایی که تلاش می‌کنن دانش رو از انحصار خارج کنن.

شاید وقتشه به این سوال جدی فکر کنیم: آیا مدل فعلی نشر علمی، واقعاً در خدمت علم هست یا در خدمت سهام‌داران؟

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 دوره رایگان ۵ روزه ساخت AI Agent با Google و Kaggle 🚨 زمان مطالعه: ۳۰ ثانیه 🔗 #هوش‌مصنوعی

امسال Kaggle و Google یه دوره فشرده آنلاین رایگان برگزار می‌کنن که از ۱۵ تا ۱۹ ژوئن ۲۰۲۶ (۲۵ تا ۲۹ خرداد ۱۴۰۵) برگزار میشه. نسخه اول این دوره سال گذشته ۱.۵ میلیون یادگیرنده داشت.

⭐️ محتوای دوره دوره توسط مهندسان و محققان Google طراحی شده و هر روز یه موضوع کلیدی پوشش میده: 📌 روز ۱: مقدمه‌ای بر AI Agentها و Vibe Coding، برنامه‌نویسی با زبان طبیعی 📌 روز ۲: ابزارها و Interoperability، چطور با APIها و Agentهای دیگه ارتباط برقرار کنیم 📌 روز ۳: مدیریت Context، حافظه بلندمدت، و Session 📌 روز ۴: کیفیت، امنیت، و ارزیابی Agent 📌 روز ۵: از Prototype تا Production، استقرار مقیاس‌پذیر و قابل مشاهده 📁 هر روز شامل: مقالات علمی + پادکست + کدلب عملی کلاس Livestream روزانه با متخصصان Google کانال Discord اختصاصی 💻 Capstone Project در پایان دوره، یه پروژه عملی طراحی و ارسال می‌کنید. برندگان مدرک، Badge رسمی Kaggle، و معرفی در شبکه‌های اجتماعی Google دریافت می‌کنن. ددلاین ارسال پروژه: ۳۰ ژوئن ۲۰۲۶. ✉ نکته مهم: ساکنان کشورهای تحریم‌شده دسترسی به ابزارهایی مثل Gemini API و Kaggle Notebooks ندارن. ⭐️ لینک ثبت‌نام (رایگان): 🔗 https://kaggle.com/competitions/5-day-ai-agents-intensive-vibecoding-course-with-google ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 پایان یک قانون ناعادلانه | ICML 2026: حضور در کنفرانس دیگر اجباری نیست 🚨 زمان مطالعه: ۱ دقیقه 🔗 #کنفرانس یکی از دردناک‌ترین سناریوهای دنیای ریسرچ: مقاله‌ات قبول بشه، ولی به‌خاطر نداشتن بودجه یا ویزا، نتونی بری کنفرانس و مجبور بشی پول ثبت‌نام حضوری رو بپردازی.

کنفرانس ICML 2026 این قانون رو شکست.

⭐️ تغییر جدید چیه؟ طبق اعلام رسمی ICML 2026، نویسندگان مقاله‌های پذیرفته‌شده دیگر ملزم به حضور فیزیکی در کنفرانس نیستند. بعد از اعلام نتایج، نویسنده‌ها می‌تونن تصمیم بگیرن: 🔽 گزینه ۱: ارائه حضوری در کنفرانس (مثل همیشه) 🔽 گزینه ۲: فقط چاپ مقاله در Proceedings، بدون ارائه، با ثبت‌نام مجازی (Virtual) 📌 نکته مهم: هر دو گروه دقیقاً معادل هم در Proceedings تلقی می‌شن و هر دو واجد شرایط دریافت جوایز ICML و عناوین Oral/Spotlight هستن. 💬 چرا این مهمه؟ تا همین ICML 2024، قانون صریح بود: «حداقل یک نویسنده باید ثبت‌نام حضوری داشته باشد، حتی اگر نتواند بیاید.» یعنی ثبت‌نام ۱۵۰۰ تا ۲۰۰۰ دلاری، به‌علاوه ویزا، هواپیما و هتل. این مانع عملی بزرگی برای محققان کشورهای در حال توسعه، دانشجویان بدون funding و افراد با محدودیت‌های ویزایی بود. ✅ چه کنفرانس‌هایی هنوز حضور اجباری دارند؟ کنفرانس‌های ICLR 2026 و ICML 2025 هنوز قانون قدیمی را حفظ کرده‌اند. ICML 2026 اولین کنفرانس top-tier یادگیری ماشین است که این قدم را برداشته. امید جامعه ریسرچ اینه که NeurIPS، ICLR و کنفرانس‌های ACM مثل CHI و CSCW هم به زودی همین مسیر رو طی کنن. 🎙 منبع رسمی: 🔗 https://icml.cc/Conferences/2026/CallForPapers ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 پروژه دانشجویی | ابزار تشخیص اخبار جعلی و سوگیری رسانه‌ای 🚨 زمان مطالعه: ۳۰ ثانیه 🔗 #پژوهش 🔗 یک تیم دانشجویی داره روی یه browser extension کار می‌کنه که وقتی یه مقاله یا خبر می‌خونید، بهتون می‌گه: منبع چقدر قابل اعتماده، آیا bias سیاسی داره، آیا clickbait یا manipulation استفاده شده، و چه مغالطاتی توش هست. 🎙 به عنوان بخشی از research این پروژه، یه فرم کوتاه ۱ دقیقه‌ای طراحی شده که بررسی می‌کنه مردم چطور اخبار می‌خونن. 📈 اگه ۶۰ ثانیه وقت دارید، پر کردنش مستقیماً به کیفیت این پژوهش کمک می‌کنه 🔗 فرم را اینجا پر کنید 📌 کاملاً anonymous، بدون جمع‌آوری ایمیل یا اطلاعات شخصی. ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 تفاوت تمپلیت ۱ ستونه و ۲ ستونه در ACM 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #مقاله اگه مقاله‌ای با تمپلیت ACM می‌نویسید یا می‌خونید، دونستن این تفاوت برای تخمین حجم واقعی محتوا خیلی مهمه. ⭐️ دو تمپلیت اصلی ACM تمپلیت Manuscript (1ستون) برای مقالات journal track مثل PACM HCI استفاده می‌شه. فونت ۱۰pt، حاشیه‌های ۱ اینچ از هر طرف، و عرض متن حدود ۶.۵ اینچ داره. هر صفحه‌اش حدود ۴۵۰ تا ۵۵۰ کلمه جا می‌گیره. تمپلیت SigConf (2ستون) برای Proceedings و Companion کنفرانس‌هایی مثل CHI، CSCW، UIST و غیره استفاده می‌شه. فونت ۹pt، حاشیه‌های ۰.۷۵ اینچ، و دو ستون ۳.۳۳ اینچی با یه gutter کوچک داره. هر صفحه‌اش حدود ۸۰۰ تا ۹۰۰ کلمه جا می‌گیره. 📌 نکته کلیدی که اکثراً نادیده گرفته می‌شه ۵ صفحه ۲ستون ≈ ۴,۲۵۰ کلمه ۵ صفحه ۱ستون ≈ ۲,۵۰۰ کلمه یعنی وقتی یه مقاله ۵ صفحه‌ای Companion می‌بینید، محتواش تقریباً ۱.۷ برابر یه مقاله ۵ صفحه‌ای journal track هست. ✅ کاربرد عملی وقتی می‌خواید حجم کار یه مقاله رو تخمین بزنید یا بین دو مقاله مقایسه کنید، به تعداد صفحه تنها نگاه نکنید؛ اول تمپلیت رو چک کنید. ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 سیاست تحریم کنفرانس NeurIPS علیه مراکز تحت تحریم آمریکا، مخصوصا چینی‌ها 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی 🔗 مرحله ۱: اعلام سیاست رعایت تحریم‌ها توسط بنیاد NeurIPS در ۲۳ مارس ۲۰۲۶، بنیاد NeurIPS (ثبت‌شده در سن‌دیگو، آمریکا) در «راهنمای اصلی ارسال مقاله» برای کنفرانس ۲۰۲۶، اعلام کرد که به دلیل الزامات قانونی تحریم‌های ایالات متحده، قادر به ارائه خدمات (شامل بررسی همتا، ویرایش و انتشار) به افراد یا نهادهای وابسته به فهرست SDN (Specially Designated Nationals) نیست. این سیاست برای اولین بار به‌طور صریح به فهرست کامل OFAC لینک شد و شرکت‌هایی مانند Huawei، SMIC و China Telecom را تحت تأثیر قرار داد. 🔎 مرحله ۲: واکنش رسمی فدراسیون کامپیوتر چین (CCF) در ۲۵ مارس ۲۰۲۶، فدراسیون کامپیوتر چین (CCF) بیانیه‌ای رسمی صادر کرد و سیاست NeurIPS را «سیاسی‌سازی تبادل علمی» و نقض اصول «باز بودن، فراگیری، برابری و همکاری» دانست. CCF از تمام محققان چینی خواست از ارسال مقاله، انجام بررسی همتا و پذیرش مسئولیت‌های آکادمیک (مانند Area Chair) در NeurIPS خودداری کنند و هشدار داد که در صورت عدم اصلاح، کنفرانس را از فهرست «کنفرانس‌های بین‌المللی توصیه‌شده» حذف خواهد کرد. 📈 مرحله ۳: اقدامات اجرایی انجمن علم و فناوری چین (CAST) در ۲۷ مارس ۲۰۲۶، انجمن علم و فناوری چین (CAST) بیانیه‌ای صادر کرد و فوراً پذیرش درخواست‌های تأمین مالی برای حضور محققان در NeurIPS ۲۰۲۶ را متوقف کرد. همچنین اعلام شد که مقالات پذیرفته‌شده در این کنفرانس دیگر به‌عنوان «دستاورد پژوهشی نماینده» برای ارزیابی پروژه‌ها و برنامه‌های CAST معتبر نخواهند بود (هرچند ارزش علمی مستقل آن‌ها توسط انجمن‌های تخصصی قابل ارزیابی است). ⭐️ مرحله ۴: اصلاح سیاست و عذرخواهی رسمی NeurIPS در همان روز ۲۷ مارس ۲۰۲۶، بنیاد NeurIPS در صفحه اصلی کنفرانس و حساب رسمی X خود اعلام کرد که لینک و متن اولیه «به دلیل اشتباه ارتباطی (miscommunication) با تیم حقوقی» فراتر از الزامات قانونی واقعی بوده است. سیاست به نسخه قبلی (مطابق با استانداردهای ACM و IEEE) بازگردانده شد و عذرخواهی رسمی منتشر گردید: «ما بیش از حد لازم عمل کردیم و مسئولیت این خطا با ماست.» 🔻 حالا اما خروجی نهایی چیست؟ سیاست ممنوعیت گسترده ارسال مقاله از نهادهای تحریم‌شده کاملاً لغو شد. کنفرانس NeurIPS ۲۰۲۶ (دسامبر در سیدنی) بدون محدودیت اضافی نسبت به سال‌های قبل ادامه خواهد یافت و هیچ محدودیتی فراتر از الزامات قانونی دقیق تحریم‌های آمریکا اعمال نمی‌شود. این عقب‌نشینی سریع پس از واکنش هماهنگ CCF و CAST رخ داد. ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 دور زدن سیستم‌های تشخیص متن هوش مصنوعی با روش GradEscape 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی مقاله GradEscape یک روش پیشرفته و مبتنی بر Gradient برای دور زدن AIGT Detectors (سیستم‌های تشخیص متن هوش مصنوعی) معرفی می‌کنه. مکانیسم‌های اصلی این روش به این شکل کار می‌کنن: ⭐️ دور زدن مشکل گسستگی متن با Pseudo-Embeddings توی پردازش تصویر، چون مقادیر پیکسل‌ها پیوسته هستن، خیلی راحت می‌شه روی مدل Gradient محاسبه کرد. ولی متن از کلمات و توکن‌های گسسته تشکیل شده و مشتق‌پذیر نیست. برای حل این چالش، به جای اینکه مدل یک کلمه قطعی رو خروجی بده، یک Probability Matrix (ماتریس احتمالات) می‌سازه و مستقیما در ماتریس Embedding دتکتور ضرب می‌کنه. این‌جوری مسیر Backpropagation باز می‌شه تا مدل یاد بگیره چطور دتکتور رو فریب بده. 📁 بهینه‌سازی سه‌گانه از طریق Loss Function اگه متن تغییر کنه ولی بی‌معنی بشه، حمله رسما شکست خورده. برای همین مدل Evader همزمان برای سه تا هدف Optimize می‌شه: ۱. هدف Classification Loss: برای فریب دادن مستقیم دتکتور. ۲. هدف Semantic Loss: برای حفظ معنی اورجینال متن. ۳. هدف Syntactic Loss: برای حفظ گرامر و ساختار جمله‌ها. 📈 حل مشکل عدم تطابق با Warm-started Evader اگه Tokenizer مدل حمله‌کننده با دتکتور فرق داشته باشه، کلا متوجه توکن‌های هم نمی‌شن. راهکار اینه که مدل Evader همون اول با وزن‌ها و ساختار خود دتکتور Initialize بشه تا پایه‌ای مشترک برای ارتباط داشته باشن. 📊 حمله به سیستم‌های Black-Box (مثل APIها) وقتی به مدل اصلی دسترسی نداریم، اول با تکنیک Tokenizer Inference (تزریق کاراکترهای خاص مثل Space یا Pad و بررسی خروجی) معماری دتکتور رو حدس می‌زنیم. بعد یه مدل Surrogate (جایگزین) آموزش می‌دیم و پروسه حمله رو روی اون کپی پیاده می‌کنیم. 🎁 دفاع از طریق Active Paraphrasing چون این حملات مبتنی بر تغییرات بسیار ظریف و محاسبه‌شده (در سطح Gradient) هستن، بهترین راه دفاع اینه که متن ورودی رو قبل از دادن به دتکتور، بدیم به یک LLM تا Paraphrase (بازنویسی) کنه. این کار تمام الگوهای مخفی و مهندسی‌شده مهاجم رو خنثی می‌کنه. ⭐️ لینک منبع: 🔗 https://www.usenix.org/system/files/usenixsecurity25-meng.pdf ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 بیش از ۵۰ مقاله NeurIPS 2025 حاوی ارجاعات جعلی تولیدشده توسط AI 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی در دنیای تحقیقات هوش مصنوعی، یکی از چالش‌های جدی اخیر، ورود اطلاعات جعلی تولیدشده توسط مدل‌های زبانی بزرگ (LLMها) به مقالات علمی هست. این پدیده که به عنوان توهمات هوش مصنوعی (AI Hallucinations) شناخته می‌شه، به معنای تولید محتوای غلط یا ساختگی مثل ارجاعات جعلی، نویسنده‌های خیالی، عنوان‌های ناموجود یا شناسه‌های DOI نامعتبر هست. این موارد می‌تونن پایه‌های اعتبار تحقیقات رو تضعیف کنن، چون ارجاعات نقش کلیدی در زنجیره دانش علمی دارن. سال گذشته، در کنفرانس NeurIPS 2025، یکی از معتبرترین رویدادهای حوزه یادگیری ماشین، شرکت GPTZero با ابزار تشخیص خودش، ۴۸۴۱ مقاله پذیرفته‌شده رو بررسی کرد و ۱۰۰ مورد توهم تاییدشده رو در حداقل ۵۳ مقاله شناسایی کرد (حدود ۱% از کل مقالات). این مقالات از نهادهای برجسته‌ای مثل دانشگاه نیویورک (با بیشترین موارد، حدود ۱۸ توهم)، MIT، دانشگاه کمبریج، و شرکت‌هایی مانند گوگل، META و NVIDIA منتشر شده بودن. حتی یک مقاله رکورد ۱۳ توهم رو داشت. 🔖 چرا این خطاها از peer review رد شدن؟ هر مقاله رو ۳-۵ داور چک می‌کنه، اما اینا دیده نشدن. دلایل اصلی: ۱. مقالات ارسالی منفجر شدن: از ۹۴۶۷ تا تو ۲۰۲۰ به ۲۲ هزار تا تو ۲۰۲۵ (رشد ۲۲۰%)، فشار روی داورها زیاده. ۲. استفاده بدون چک از AI: محققا از LLMها برای متن یا ارجاعات استفاده می‌کنن، اما خروجی رو بررسی نمی‌کنن. نیمی از مقاله‌های مشکل‌دار نشونه محتوای AI داشتن. ۳. انواع توهمات: ۶۶% کاملاً جعلی، ۲۷% تغییر جزئی (مثل سال اشتباه)، و بعضی «ارجاعات تقریبی» که حس درسته اما دقیق نیستن. 💻 درس‌های مهم خروجی AI رو دستی چک کنین، مخصوصاً ارجاعات، مدل‌ها اشتباه می‌کنن. ابزارهایی مثل Hallucination Check رو تو peer review بذارین تا خطاها کم بشه. مسئولیت بیشتر لازمه، چون توهمات کیفیت علم رو پایین می‌برن و تحقیقات بعدی رو تحت تاثیر می‌ذارن.

کنفرانس‌هایی مثل ICLR 2026 با GPTZero همکاری کردن تا جلوی تکرار بگیرن. AI عالیه، اما بدون نظارت دقیق، دردسر می‌سازه برای اعتبار علم.

⭐️ لینک منبع: 🔗 https://gptzero.me/news/neurips/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 اخراج ۶۰۰ کارمند متا در سال ۲۰۲۵ 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #هوش‌مصنوعی در دنیای پرتلاطم فناوری، جایی که غول‌هایی مانند متا (شرکت مادر فیسبوک) میلیاردها دلار روی آینده سرمایه‌گذاری می‌کنند، گاهی اوقات تغییرات ناگهانی مانند طوفان‌های غیرمنتظره ظاهر می‌شوند. یکی از این طوفان‌ها در اکتبر ۲۰۲۵ رخ داد، زمانی که متا اعلام کرد حدود ۶۰۰ کارمند از واحد هوش مصنوعی خود (Meta Superintelligence Labs یا MSL) را اخراج می‌کند. این حرکت نه تنها بخشی از استراتژی بزرگ‌تر برای چابک‌سازی بود، بلکه نشان‌دهنده رقابت شدید در عرصه AI بود، جایی که متا در تلاش است تا با رقبایی مانند OpenAI و گوگل هم‌قدم شود. ✅ زمینه و دلایل اخراج‌ها متا در سال‌های اخیر سرمایه‌گذاری هنگفتی روی هوش مصنوعی کرده بود. الکساندر وانگ، مدیر ارشد AI متا که تنها چند ماه قبل از این اخراج‌ها (در ژوئن ۲۰۲۵) به شرکت پیوسته بود، در یادداشتی داخلی توضیح داد که این تغییرات برای «کاهش لایه‌های مدیریتی» و «افزایش تأثیر هر کارمند» ضروری است. واحد MSL که حدود ۳۰۰۰ نفر نیرو داشت، با رشد سریع مواجه شده بود و مشکلات مانند هم‌پوشانی وظایف و «تورم سازمانی» را تجربه می‌کرد. این اخراج‌ها حدود ۲۰ درصد از کارکنان این واحد را تحت تأثیر قرار داد و عمدتاً بر تیم‌های تحقیقاتی پایه AI (FAIR)، زیرساخت‌ها و محصولات متمرکز بود.

جالب است بدانید که این حرکت بخشی از موج بزرگ‌تری از اخراج‌ها در صنعت فناوری بود. در سال ۲۰۲۵، بیش از ۵۵ هزار شغل به دلیل ادغام AI در فرآیندها از دست رفت، بیش از ۱۲ برابر سال‌های قبل. شرکت‌هایی مانند Chegg و HP نیز به AI به عنوان دلیل اصلی اخراج‌ها اشاره کردند، که نشان‌دهنده پارادوکسی است: فناوری‌ای که قرار بود کارها را آسان‌تر کند، حالا مشاغل را تهدید می‌کند.

در نهایت، داستان اخراج‌های متا درسی بزرگ برای صنعت فناوری است: در دنیایی که AI همه چیز را تغییر می‌دهد، حتی غول‌ها باید چابک بمانند. این رویداد نه تنها درباره از دست دادن شغل‌هاست، بلکه درباره آینده‌ای است که در آن هوش مصنوعی هم نجات‌دهنده و هم تهدیدکننده است.

اگر در این زمینه فعالیت می‌کنید، شاید زمان آن رسیده که مهارت‌های خود را متنوع کنید، چون طوفان‌های بعدی ممکن است نزدیک‌تر از آنچه فکر می‌کنید باشند.

لینک منبع: 🔗 https://www.cnbc.com/2025/10/22/meta-layoffs-ai.html ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 ابزار DeepTutor 🚨 زمان مطالعه: ۱ دقیقه 🔗 #هوش‌مصنوعی ابزار DeepTutor، یک دستیار یادگیری شخصی‌سازی‌شده با AI و open-source هست که می‌تونید local و روی کامپیوتر خودتون ازش استفاده کنید. حالا اما سوال اینه که چه استفاده‌ای می‌شه ازش داشت؟ 💬 قابلیت‌های این ابزار 🔽 کتاب‌ها و paperها رو آپلود می‌کنید، یک knowledge base قابل سرچ می‌سازید، بعدش سوال می‌پرسید و جواب می‌گیرید با citationهای دقیق. 🔽 یک workflow مولتی ایجنتی به اسم Solver می‌سازه که برای حل مسئله‌ها به شکل step-by-step خیلی به درد می‌خوره. 🔽 تعدادی ابزار دیگر برای یادگیری خروجی می ده، مثل visualizationهای interactive + ساخت سوالای تمرینی + حالت research/idea-gen. 📊 لینک‌های مرتبط به این ابزار 🔗 Repo: https://github.com/HKUDS/DeepTutor 🔗 Website: https://hkuds.github.io/DeepTutor

خلاصه، DeepTutor یه سیستمه که با استفاده ازش، با ترکیب RAG و agentها، محتوای آموزشیِ خودتون رو تبدیل می‌کنید به یک محیط سوال‌جواب و حل‌مسئله‌ی قابل اتکا؛ طوری که خروجی‌ها تا حد ممکن قابل پیگیری و مستند باشن.

✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 کیلویی مقاله نوشتن | وضعیت ریسرچ در ایران؟ تعدادی از توئیت‌های حول بحث وضعیت ریسرچ در ایران رو مشاهده می‌کنید. نظر شما چیست؟ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 دور زدن ممنوعیت انتشار: تغییر نام خانوادگی برای ادامه انتشار در مجلات ممنوعه! 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #اخلاق‌پژوهشی

یک اتفاق عجیبی اخیرا مرتبط به یک پژوهشگر ایرانی رخ داده، در این پست درباره‌ی این اتفاق توضیح خواهیم داد.

🔽 یک پژوهشگر ایرانی مهندسی مکانیک (هاشم بابایی، معروف به هاشم قره‌بابایی سابقاً)، استاد دانشگاه گیلان، در سال ۲۰۱۰ به دلیل سرقت ادبی و استفاده بدون مجوز از کارهای پژوهشگران آفریقای جنوبی (ژنویو لنگدن و تروور کلوت) توسط مؤسسه مهندسان مکانیک بریتانیا (IMechE) از ارسال مقاله به مجلات این مؤسسه برای همیشه محروم شد. 🗂 با این حال، او با کوتاه کردن نام خانوادگی به «بابایی» (بدون تغییر ایمیل دانشگاهی)، موفق شد حداقل ۱۰ مقاله را پس از ممنوعیت، در همان مجلات IMechE منتشر کند. 🎓 این اقدام توسط جرالد نوریک (Gerald Nurick، استاد دانشگاه کیپ‌تاون و یکی از قربانیان اصلی) شناسایی شد و به عنوان دور زدن عمدی تحریم اخلاقی انتشار توصیف گردید. ✅ همچنین، یک مقاله دیگر او در سال ۲۰۱۰ به دلیل نقض اصول IEEE سلب اعتبار شده است. 📌 وضعیت فعلی به چه شکل هست؟ ناشر (Sage) موضوع را به تیم integrity ارجاع داده و بررسی برای احتمالی سلب اعتبار این ۱۰ مقاله در جریان است. حتی اگر محتوای علمی مقالات مشکلی نداشته باشد، تغییر نام برای دور زدن ban، تخلف جدی اخلاقی محسوب می‌شود و می‌تواند منجر به retraction شود.

این داستان نشان‌دهنده اهمیت نظارت بر هویت نویسندگان و سیستم‌های blacklist در مجلات است. تغییر نام ساده نباید بتواند ممنوعیت‌های اخلاقی را بی‌اثر کند.

📊 منبع رسمی: 🔗 Author changes name, publishes 10 papers in journals that banned him ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 معرفی Gemini 3 Flash در alphaXiv: درک آسان‌تر مقالات تحقیقاتی 🎙 از امروز با ابزار alphaXiv می‌تونید هر بخشی از مقاله‌های تحقیقاتی رو هایلایت کنید و سؤال بپرسید. حتی با "@" کردن مقاله‌های دیگه، توضیحات مربوط به زمینه، مقایسه و ارجاع به بنچمارک‌ها رو به سرعت دریافت کنید.

یک نمونه استفاده ازین ابزار رو در ویدیوی این پست مشاهده کنید.

◀️ لینک به این ابزار: 🔗 https://www.alphaxiv.org/ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 یادگیری مقاله نویسی به صورت عملی و hands-on شاید فرصتیه که خیلی‌هامون منتظرش بودیم و هستیم. در این پست به معرفی دوره‌ای تحت نظر پروفسور رویا کلیشادی، استاد مطرح در سطوح جهانی و در همکاری با معاونت تحقیقات و فناوری دانشگاه علوم پزشکی اصفهان، می‌پردازیم. 🗓 مدت دوره: ۷ هفته 📌 در پایان دوره، با شرکت‌کنندگان برتر جهت همکاری با اساتید برجسته در نگارش مقاله‌های علمی همکاری خواهد شد. 📌 ثبت‌نام اولیه و تکمیل فرم: از ۲۴ آذر تا ۲۹ آذر، ساعت ۱۴ پس از بررسی فرم‌ها، به نفرات برگزیده‌شده جهت تکمیل ثبت‌نام و پرداخت وجه اطلاع‌رسانی خواهد شد. 💳 هزینه دوره: ۴,۴۰۰,۰۰۰ تومان ⭐️ تخفیف پرداخت زودهنگام: برای افرادی که در ۳ روز اول پس از اعلام قبولی پرداخت خود را تکمیل کنند، ۱۰ درصد تخفیف لحاظ خواهد شد. ⏰ مهلت تکمیل وجه برای افراد برگزیده: از ۲۹ آذر، ساعت ۱۴ تا ۳ دی، ساعت ۲۳:۵۹ 💬 ظرفیت محدود جهت ثبت‌نام اولیه فرم زیر را تکمیل نمایید. فرم ثبت‌نام اولیه لینک پست اصلی ثبت‌نام: 🔗 https://t.me/medevo_mui/4 اطلاعات بیشتر و پشتیبانی: 🔗 @medevogroup ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»

📕 شکستن رکوردها | سونامی مقاله‌ها در زمینه‌ی Computer Vision 🚨 زمان مطالعه: ۱ دقیقه و نیم 🔗 #مهندسی

عکس‌های این پست رو مشاهده کنید، رشد انفجاری تعداد مقالات ارسالی (Submissions) رو می‌تونید ببینید. جامعه هوش مصنوعی و بینایی ماشین همچنان با سرعت نور در حال گسترش است.

⭐️ وضعیت ۲۰۲۵: امسال در مهم‌ترین کنفرانس بینایی ماشین (CVPR 2025) با ثبت ۱۳,۰۰۸ مقاله، رکورد تاریخ این کنفرانس شکسته شد. 💬 مقایسه با سال قبل (۲۰۲۴): در سال ۲۰۲۴ تعداد سابمیشن‌ها ۱۱,۵۳۲ بود. این یعنی تنها در یک سال، نزدیک به ۱,۵۰۰ مقاله (حدود ۱۲.۸٪ رشد) به حجم رقابت اضافه شده است. 📑 مقایسه با یک دهه قبل: اگر به سال ۲۰۱۵ نگاه کنید (حدود ۲۱۰۰ مقاله)، می‌بینیم که در ۱۰ سال اخیر حجم مقالات بیش از ۶ برابر (۶۰۰٪) شده است. 📁 رقابت سخت‌تر و نرخ پذیرش (Acceptance Rate)

با وجود اینکه تعداد مقالات ورودی به شدت زیاد شده، ظرفیت پذیرش همگام با آن رشد نکرده و «فیلتر» سخت‌گیرانه‌تر شده.

🔽 نرخ پذیرش ۲۰۲۵: تنها ۲۲.۱۲٪ از مقالات پذیرفته شده‌اند (۲۸۷۸ مقاله). 🔽 مقایسه: این نرخ نسبت به سال ۲۰۲۴ (که ۲۳.۵۸٪ بود) و سال‌های دورتر (مثل ۲۰۱۶ که حدود ۳۰٪ بود)، کاهش یافته است. 🔽 نتیجه: شانس پذیرش کمتر شده و استانداردهای داوری به دلیل حجم بالای مقالات، سخت‌گیرانه‌تر شده است. 👥 کیفیت و نمره داوری یک نکته جالب تکنیکال در داده‌ها: میانگین نمره داورها (Reviewer Scores) برای مقالات پذیرفته شده در سال ۲۰۲۵ حدود ۳.۴۹ (از ۵) است. این نشان می‌دهد برای قبولی حتماً نیاز به نمره کامل ۵ نیست، اما رقابت در بازه نمرات ۳ تا ۴ بسیار فشرده است. 🎙 جمع‌بندی ما با یک تورم علمی در حوزه AI روبرو هستیم. سابمیشن‌ها با شیب تندی بالا رفته‌اند (نزدیک به ۱۳٪ رشد نسبت به پارسال)، اما درِ ورودی کنفرانس تنگ‌تر شده است (کاهش نرخ پذیرش به ۲۲٪). این یعنی پژوهشگران برای دیده شدن در ۲۰۲۵، نه تنها باید نوآوری داشته باشند، بلکه باید با noise حاصل از ۱۳ هزار مقاله دیگر هم رقابت کنند. ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ ✍️✍️✍️ 😊 ما رو به دوستانتون معرفی کنین 😉 🔅 «Instagram 💎 @Pyramid_Research»