Silicon Brain | جامعه هوش مصنوعی
Ir al canal en Telegram
مغز سیلیکونی|جامعه هوش مصنوعی اولین رسانه فنی و به روز هوش مصنوعی در تلگرام 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
Mostrar más7 552
Suscriptores
+324 horas
+257 días
+8230 días
Carga de datos en curso...
Canales Similares
Nube de Etiquetas
Menciones Entrantes y Salientes
---
---
---
---
---
---
Atraer Suscriptores
septiembre '26
septiembre '26
+24
en 0 canales
agosto '26
+188
en 4 canales
Get PRO
julio '26
+443
en 3 canales
Get PRO
junio '26
+123
en 2 canales
Get PRO
mayo '26
+79
en 0 canales
Get PRO
abril '26
+34
en 1 canales
Get PRO
marzo '26
+6
en 0 canales
Get PRO
febrero '26
+40
en 2 canales
Get PRO
enero '26
+26
en 0 canales
Get PRO
diciembre '25
+84
en 2 canales
Get PRO
noviembre '25
+146
en 10 canales
Get PRO
octubre '25
+218
en 14 canales
Get PRO
septiembre '25
+198
en 10 canales
Get PRO
agosto '25
+155
en 6 canales
Get PRO
julio '25
+180
en 1 canales
Get PRO
junio '25
+96
en 2 canales
Get PRO
mayo '25
+115
en 3 canales
Get PRO
abril '25
+159
en 4 canales
Get PRO
marzo '25
+113
en 4 canales
Get PRO
febrero '25
+129
en 4 canales
Get PRO
enero '25
+171
en 2 canales
Get PRO
diciembre '24
+226
en 5 canales
Get PRO
noviembre '24
+204
en 1 canales
Get PRO
octubre '24
+409
en 10 canales
Get PRO
septiembre '24
+257
en 7 canales
Get PRO
agosto '24
+161
en 2 canales
Get PRO
julio '24
+114
en 1 canales
Get PRO
junio '24
+104
en 3 canales
Get PRO
mayo '24
+215
en 2 canales
Get PRO
abril '24
+122
en 2 canales
Get PRO
marzo '24
+82
en 2 canales
Get PRO
febrero '24
+136
en 2 canales
Get PRO
enero '24
+141
en 6 canales
Get PRO
diciembre '23
+131
en 2 canales
Get PRO
noviembre '23
+601
en 5 canales
Get PRO
octubre '23
+71
en 3 canales
Get PRO
septiembre '23
+99
en 0 canales
Get PRO
agosto '23
+32
en 0 canales
Get PRO
julio '23
+88
en 0 canales
Get PRO
junio '23
+68
en 0 canales
Get PRO
mayo '23
+210
en 0 canales
Get PRO
abril '23
+109
en 0 canales
Get PRO
marzo '23
+155
en 0 canales
Get PRO
febrero '23
+17
en 0 canales
Get PRO
enero '23
+15
en 0 canales
Get PRO
diciembre '22
+32
en 0 canales
Get PRO
noviembre '22
+27
en 0 canales
Get PRO
octubre '22
+20
en 0 canales
Get PRO
septiembre '22
+114
en 0 canales
Get PRO
agosto '22
+42
en 0 canales
Get PRO
julio '22
+88
en 0 canales
Get PRO
junio '22
+123
en 0 canales
Get PRO
mayo '22
+70
en 0 canales
Get PRO
abril '22
+285
en 0 canales
Get PRO
marzo '22
+184
en 0 canales
Get PRO
febrero '22
+125
en 0 canales
Get PRO
enero '22
+48
en 0 canales
Get PRO
diciembre '21
+135
en 0 canales
Get PRO
noviembre '21
+163
en 0 canales
Get PRO
octubre '21
+217
en 0 canales
Get PRO
septiembre '21
+132
en 0 canales
Get PRO
agosto '21
+71
en 0 canales
Get PRO
julio '21
+713
en 0 canales
Get PRO
junio '21
+155
en 0 canales
Get PRO
mayo '21
+93
en 0 canales
Get PRO
abril '21
+276
en 0 canales
Get PRO
marzo '21
+27
en 0 canales
Get PRO
febrero '21
+131
en 0 canales
Get PRO
enero '21
+289
en 0 canales
Get PRO
diciembre '20
+1 103
en 0 canales
| Fecha | Crecimiento de Suscriptores | Menciones | Canales | |
| 05 septiembre | 0 | |||
| 04 septiembre | +5 | |||
| 03 septiembre | +13 | |||
| 02 septiembre | +5 | |||
| 01 septiembre | +1 |
Publicaciones del Canal
رمزنگاری RSA-260 شکسته شده!
یه محقق به اسم Eric Lu تونسته یکی از اعداد معروف RSA Numbers به اسم RSA-260 رو Factor کنه.
در واقع Factor کردن یعنی یک عدد رو به عوامل تشکیلدهندهاش تجزیه کنیم. مثلاً: 15 = 3 × 5 پس میگیم 15 رو Factor کردیم.روش RSA اساساً روی این ایده بنا شده که ضرب کردن دو عدد اول بزرگ راحته، ولی برعکس کردن این فرآیند و پیدا کردن اون دو عدد اول از روی حاصلضرب، از نظر محاسبات بسیار سخته حالا Lu تونسته یکی از این عددها رو Factor کنه؛ یعنی یک 130-digit Prime Factor پیدا کرده که وقتی در Factor دیگه ضرب میشه، دقیقاً RSA-260 رو میسازه. جالبتر اینکه برای پیدا کردن این Factor، گفته از AI استفاده نشده و هیچ جزئیاتی از روشش منتشر نکرده و حتی گفته با «paper and pencil» انجامش داده البته مشخصه که برای چنین کاری در عمل به محاسبات کامپیوتری سنگینی نیاز بوده. آخرین رکورد مهم قبل از این، RSA-250 بود که در سال 2020 شکسته شد و چندین ماه محاسبات و قدرت پردازشی دهها هزار کامپیوتر استفاده شده بود. طبق گفته یکی از محققان، Factor کردن RSA-260 حدوداً ۳ برابر computationally expensiveتر از RSA-250 بوده و ممکنه این پروژه حدود ۷ ماه زمان برده باشه. لینک @silicon_brain | از هوش مصنوعی عقب نمانید
| 2 | گزارش کاملی از حمله ۷۰۰ AI Agent به Hugging Face و تلاش برای پاک کردن ردپای خودشون!
طبق دو گزارشی که جدیدا منتشر شده، یک Swarm متشکل از حدود ۷۰۰ AI Agent که توسط OpenAI ساخته شده بودند، در جریان حمله ماه جولای به پلتفرم Hugging Face نقش داشتن و در بسیاری از موارد سعی کردن ردپای فعالیت خودشون رو پاک کنن.
بعضی از رفتارهای غیرعادی Agentها قبلاً هم منتشر شده بود، اما این دو گزارش یکی از طرف خود OpenAI و دیگری توسط محققان مستقل جزئیات جدید و عجیبی رو فاش کردن.
اولش OpenAI فقط گفته بود «Agents» در این اتفاق دخیل بودن، اما METR و Redwood Research که برای بررسی مستقل ماجرا وارد شده بودن، تعداد Agentها رو حدود ۷۰۰ مورد تخمین زدن و OpenAI هم این عدد رو بعدش تأیید کرد.
نتایج تحقیقات
▫️بعضی Agentهای OpenAI به بخشهایی از سیستم های داخلی شرکت نفوذ کردن تا در تستها تقلب کنن یا آزادی عمل بیشتری به دست بیارن.
▫️حتی Agentها در تستهای غیرمرتبط با Cybersecurity هم تقلب کردن از جمله تستهای مربوط به Protein Database و Spreadsheet.
▫️هر دو گزارش میگن مدلها تلاش کردن رفتار خودشون رو مخفی کنن و حتی دنبال حذف یا Alter کردن رکوردهای فعالیتهاشون بودن.
▫️بخش اصلی ماجرا این بود که در یک Message Board غیرمجاز، Agentها دهها هزار پیام با هم ردوبدل کرده بودن تا هماهنگی لازم برای دور زدن امنیت سیستم و دستکاری وقایع انجام بدن!
خود OpenAI میگه که از Agentهای خودش آسیب دیده و در تاریخ ۱۹ جولای Agentها به زیرساخت داخلی خود OpenAI نفوذ کردن.
در یک مورد، Agentها از یک آسیب پذیری در کامپیوتری که قرار بود داخل اون محدود بمونن استفاده کردن و تونستن از Testing Environment خارج بشن و به سیستمهای متصل دیگه دسترسی پیدا کنن.
در یک حادثهی دیگه در همون روز، Agentها OpenAI Credentials رو به دست آوردن و در Cloud Environment شرکت دستکاری ایجاد کردن.
تحقیقات مستقل درباره حمله به Hugging Face جزئیات بیشتری ارائه کرده. طبق این بررسی، یک Agent از هر پنج Agent مورد بررسی، علاقه مشخصی به دستکاری کردن وقایع نشون داده و تعداد زیادی از Agentها بهطور گسترده دنبال تکنیکهایی برای دستکاری Transcript خودشون بودن.
با توجه به سرعت بالای پیشرفت AI، باید چنین حملاتی رو یک Near-Term Threat واقعی برای سازمانها در نظر گرفت. حملاتی که در آینده احتمالاً میتونن بسیار پیچیدهتر از چیزی باشن که تو این گزارش بود.
@silicon_brain | از هوش مصنوعی عقب نمانید | 665 |
| 3 |  مدل GPT-6 Astra؛ ورود ملموس به عصر AI Agents
ادعا میکنن در حال حاضر یکی از قویترین مدلها برای Computer Use، Coding، Science، Cybersecurity و Professional Work هست.
مدل Astra فقط قرار نیست بهت جواب بده میتونه با کامپیوتر کار کنه و تسک رو تا انتها انجام بده. مثلاً فرمهای آنلاین رو پر کنه، اطلاعات CRM رو آپدیت کنه، تقویم رو مدیریت کنه، روی اینترنت ریسرچ انجام بده، داخل Excel و Power BI کار کنه، وبسایت بسازه و تست کنه.
در پروژههای طولانیتر Context رو بهتر حفظ میکنه. وقتی Context Window پر میشه، بهجای اینکه همه چیز رو خلاصه و فراموش کنه، میتونه Notes و Context قبلی رو بین Context Windowها حفظ و دوباره سرچ کنه.
از نظر Benchmark هم اعداد خیلی بالاست:
🔹 ARC-AGI-3: 99.9٪
🔹 FrontierMath Tier 4: 97.6٪
🔹 GPQA Diamond: 96٪
🔹 Terminal-Bench: 57.9٪
در نهایت چیزی که GPT-6 Astra رو مهم میکنه فقط افزایش Intelligence نیست ترکیب Reasoning + Computer Use + Coding + Tool Use + Long Context + Autonomous Execution هست.
Pricing: $10 / 1M input tokens و $50 1M output tokens
@silicon_brain | از هوش مصنوعی عقب نمانید | 703 |
| 4 | AI قرار بود کارمونو کمتر کنه اما داره باعث میشه بیشتر کار کنیم!
یه تحقیق ۸ ماهه توسط محققهای UC Berkeley Haas روی کارمندان یک شرکت تکنولوژی، به یه نتیجه جالب و البته نگرانکننده رسیده:
Generative AI لزوماً زمان کارمندا رو آزاد نکرده بلکه باعث شده ظرفیت بیشتری برای انجام کار پیدا کنن و در نتیجه، خودشون کار بیشتری به عهده بگیرن.
محققها این اتفاق رو Work Intensification نامگذاری کردن.
🔹 ۱. حجم کار بزرگتر میشه
وقتی با استفاده از AI انجام یه task که قبلاً ۲ ساعت طول میکشید، مثلاً ۲۰ دقیقه زمان میبره، کارمند ممکنه بهجای اینکه ۱ ساعت و ۴۰ دقیقه باقیمونده رو استراحت کنه، task جدیدی شروع کنه.
🔹 ۲. چندین Workflow همزمان اجرا میشن
قبلاً ممکن بود یک developer فقط روی یک task تمرکز کنه. اما الان میتونه همزمان code رو review کنه یک AI agent رو برای تحلیل code اجرا کنه یک document رو با LLM بنویسه و یک RAG pipeline رو برای پیدا کردن اطلاعات اجرا کنه و اگه زرنگ باشه حتی تو یک میتینگ هم شرکت کنه
🔹 ۳. مرز Work و Break از بین میره
چون تعامل با AI خیلی سریع و آسونه، استفاده ازش وارد زمانهایی میشه که قبلاً break محسوب میشدن. مثلاً موقع غذا خوردن یا شب قبل خوابیدن میگی فلان ایده رو امکان سنجی کنم هرکدوم شاید فقط چند دقیقه باشه، ولی در طول روز دائماً context switching اتفاق میافته.
آیا این یه مشکله؟
اصل ماجرا پدیدهای به اسم Vibe Coding و توهم بازدهی بالاست. تولید کردن کدهای اولیه واقعاً چند دقیقه بیشتر طول نمیکشه، ولی مهندسی نرمافزار هیچوقت فقط نوشتن کد خام نبوده. گزارش DORA نشون میده ذخیرهی زمانی که AI در نوشتن کد ایجاد میکنه، مستقیماً سرازیر میشه توی پروسههای Verification، بازبینیهای سنگین، دیباگ، تست امنیت، Performance و رسیدگی به معماری در مقیاس Production. حتی مطالعه METR روی توسعهدهندههای باسابقه نشون داد با اینکه افراد حس میکردن ۲۰ درصد سریعتر شدن، در عمل به خاطر زمان تمیزکاری و عیبیابی کدهای تولیدی، تسکها ۱۹ درصد بیشتر طول کشیده بود.
علت این وضعیت یک اصل اقتصادی آشناست
وقتی هزینهی تولید چیزی شدیداً افت میکنه، سازمانها مصرفش رو بالا میبرن نه اینکه کار رو تعطیل کنن. اگر قبلاً توی دو هفته یک Feature پیاده میشد، الان با AI پنج فیچر نیمهکاره تولید میشه و همهی اونها هم نیاز به Code Review، ادغام و مانیتورینگ دارن.
خلاصهی ماجرا اینه که هوش مصنوعی هزینهی ساخت پیشنویس اول رو تقریباً صفر کرده، اما هزینهی مسئولیت فنی، صحتسنجی و نگهداری در Production سر جاشه. گلوگاه سیستم حذف نشده، فقط از مرحلهی «کدنوشتن» به سمت «تست، اعتبارسنجی و نگهداری» جابهجا شده.
لینک مقاله
@silicon_brain | از هوش مصنوعی عقب نمانید | 939 |
| 5 | آیا AI Agents قراره Software Engineering سنتی رو منقرض کنه؟
یه مقاله جدید با عنوان
The End of Software Engineering
منتشر شده که عنوانش خیلی تنده، ولی ایدهای که مطرح میکنه جالبه
در Software های سنتی، خودِ کد محصوله. برنامهنویس کد مینویسه، Deploy میکنه و بعداً همون Codebase رو Maintain میکنه.
اما در Agentic Software قضیه فرق میکنه. اینجا خودِ AI Agent عملاً تبدیل به Software میشه. Agent در لحظه تصمیم میگیره، کد لازم رو تولید میکنه، ازش برای انجام Task استفاده میکنه و ممکنه اون کد بعدش اصلاً نگهداری نشه.
این مقاله تکامل Software Delivery رو تقریباً در سه دوره توضیح میده:
Era 1 — Local Software
ما Software رو روی سیستم خودمون نصب میکردیم.
Era 2 — SaaS
تو این دوره Software روی Cloud قرار گرفت و ما فقط ازش استفاده کردیم.
Era 3 — Agent-as-a-Service
حالا خود AI Agent نهتنها Software رو اجرا میکنه، بلکه تصمیمگیری هم میکنه.
در هر مرحله بخشی از Complexity از دوش User برداشته شده اما در مرحله جدید، چیزی فراتر از Operational Complexity منتقل میشه
البته Paper نمیگه Software Engineering همین فردا تموم میشه. اتفاقاً محدودیتهای فعلی Agentic Systems و نتایج Benchmarkهایی مثل SWE-bench، EvoClaw و Multi-Agent Coordination رو هم بررسی میکنه.
شاید بهتر باشه بهجای
The End of Software Engineering
بگیم:
The End of Software Engineering as We Know It.
یعنی Software Engineering حذف نمیشه؛ بلکه abstraction level اون بالاتر میره.
@silicon_brain | از هوش مصنوعی عقب نمانید | 914 |
| 6 | به نظرم امروز AI به نقطهای رسیده که بخش بزرگی از اون هوش و تخصصی که ازش انتظار داشتیم، واقعاً قابل استفاده شده؛ از coding و research گرفته تا reasoning و agentic systems.
از اینجا به بعد احتمالاً رقابت فقط روی باهوشتر کردن مدل نیست و بخش بزرگی از مسیر به سمت Physical AI میره یعنی آوردن این هوش به دنیای واقعی، از رباتها و خودروهای autonomous گرفته تا سیستمهای صنعتی.
اما یه چالش بزرگ دیگه هم وجود داره:
انرژی. هرچی مدلها قدرتمندتر و استفاده ازشون گستردهتر بشه، مصرف برق دیتاسنترها هم بیشتر میشه. بنابراین زیرساخت انرژی، Grid modernization، تولید برق و بهینهسازی مصرف میتونن به یکی از صنایع مهم عصر AI تبدیل بشن.
شاید آینده فقط متعلق به شرکتهایی که مدلهای قویتر میسازن نباشه بلکه به شرکتهایی هم تعلق داشته باشه که برق و زیرساخت لازم برای اجرای این مدلها رو فراهم میکنن.
@silicon_brain | از هوش مصنوعی عقب نمانید | 959 |
| 7 |  🤖 تا چند ماه دیگر، AI Agentها بخش بزرگی از کارهای روزمره را انجام میدهند...
سؤال اینجاست؛ شما کاربر آنها هستید یا سازندهشان؟
در دوره ساخت AI Agent های تصمیمگیر با N8N و LangChain یاد میگیرید Agentهای هوشمندی بسازید که:
⚡ تصمیم بگیرند
⚡ وظایف را بهصورت خودکار انجام دهند
⚡ با ابزارها و APIهای مختلف ارتباط برقرار کنند
⚡ برای کسبوکارها راهکارهای واقعی ایجاد کنند.
این مهارتی است که امروز شرکتها به دنبال آن هستند و فردا به یک ضرورت تبدیل خواهد شد.
🎯 اگر میخواهید از موج هوش مصنوعی عقب نمانید، همین حالا شروع کنید.
کسب اطلاعات بیشتر و ثبتنام ↙️
https://link.sharif.ac/MyT8F
➖➖➖➖➖➖➖➖➖➖➖➖
☎️مشاوره وثبت نام : 02167641999
📲مشاوره بله: https://ble.ir/Jdsharif_626
➖➖➖➖➖➖➖➖➖➖➖➖
🔹 جهاد دانشگاهی صنعتی شریف؛ یک پله بالاتر از تخصص... | 610 |
| 8 | اگه دوس دارین تو پروژه CortexKG (یک پروژه متنباز در حوزه Knowledge Graph، LLM، AI Memory، Graph-RAG و AI Agents هست) مشارکت داشته باشین، در حال حاضر چند تسک باز برای این پروژه داریم.
🟢 مناسب برای شروع (Good First Issue)
Add Copy Graph Statistics Button (#9)
Improve Empty Knowledge Graph State (#8)
Add a Project Demo GIF to README (#11)
🧠 تسکهای فنیتر
Highlight Relevant Graph Context During Conversations (#4)
Add Configurable Recent Message Window (#3)
Implement Entity Deduplication (#2)
Implement Memory Contradiction Detection (#1)
لیست تسکها|ریپو گیتهاب
اگه قبلاً تو پروژههای Open Source مشارکت نداشتی میتونه یه فرصت شروع برات باشه و از تسک های Good First Issueها شروع کنی
هر سوالی داشتین به اکانت ادمین پیام بدین | 1 061 |
| 9 | یه طرف دنیا AI Agent داره برات خرید میکنه، کارت مجازی یکبارمصرف میسازه و خودش تا Checkout میره یه طرف ما استرس اینو داریم وسط خرید درگاه یا موبایل بانک قطع نشه
اگه زیرساخت و سیستم پرداخت بینالمللی داشتیم میشد پرداخت هامون رو از طریق زیرساختهایی مثل Stripe و شبکههای بینالمللی انجام بدیم و وابستگیبه شبکه پرداخت داخلی کمتر بشه | 1 034 |
| 10 | 
قابلیت پرداخت آنلاین Grok Bot!
با قابلیت جدید Grok Bot، میتونید بهش بگید چی میخواید بخرید خودش میره محصولات رو پیدا میکنه، گزینهها رو با هم مقایسه میکنه، سبد خرید رو میسازه و تا مرحلهی پرداخت پیش میره.
اما در مورد امنیت ماجرا
▫️سیستم Grok هیچوقت شماره کارت واقعی شما رو نمیبینه.
▫️ برای هر خرید، Stripe Link یک کارت مجازی یکبارمصرف میسازه و بعد از خرید دورش میندازه.
▫️ قبل از پرداخت، خودتون باید هزینه رو تأیید کنید و مبلغ و فروشنده رو میبینید.
▫️ حتی میتونید محدودیت بذارید؛ مثلاً چه سایتهایی مجاز باشن، سقف خرید چقدر باشه و چه چیزهایی اصلاً اجازه خرید نداشته باشه.
یعنی عملاً دارید به AI Agent دسترسی خرید آنلاین میدید، ولی با یک لایهی کنترل و محدودیت مالی.
جدیدا خبرش اومده که حتی یکی از کاربران با همین سیستم یک Tesla Model Y سفارش داده! 😅
فعلاً این قابلیت فقط در آمریکا فعاله و تأیید خرید از طریق موبایل هم قراره اضافه بشه.
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 053 |
| 11 | چرا بهجای Redis از Memory معمولی استفاده نکنیم؟
شاید بگیم وقتی برنامهمون میتونه داده رو توی RAM نگه داره، چرا اصلاً Redis بیاریم وسط؟
چون مسئله فقط سرعت نیست مسئله اینه که داده قراره کجا و چطور بین بخشهای مختلف سیستم قابل دسترسی باشه.
اگه از In-Memory Storage مثل یک dict پایتون استفاده کنیم، داده فقط داخل همون Process قرار داره. اگه برنامه Restart بشه، داده میپره. اگه چند تا Instance از برنامه داشته باشیم، هر Instance حافظهی خودش رو داره و بقیه از دادههای اون خبر ندارن.
اینجاست که Redis وارد میشه. Redis یک Centralized In-Memory Data Store هست؛ یعنی چندین سرویس و چندین Instance میتونن به یک Storage مشترک دسترسی داشته باشن. علاوه بر این، امکاناتی مثل TTL، Pub/Sub، Atomic Operations، Distributed Lock و Caching رو هم در اختیارتون میذاره.
مثلاً فرض کنید
یک API رو روی ۱۰ تا Server اجرا کردید و میخواید Session یا Rate Limit کاربر رو نگه دارید. اگر از Memory معمولی استفاده کنید، ممکنه درخواست اول بره روی Server 1 و درخواست بعدی روی Server 7 هر کدوم هم State متفاوتی دارن. ولی با Redis، همهی Instanceها به یک State مشترک دسترسی دارن.
البته اینا به معنی این نیست که همیشه Redis بهتره. اگر داده فقط داخل یک Process لازمه، عمر کوتاهی داره و از بین رفتنش مشکلی ایجاد نمیکنه، استفاده از Memory معمولی حتی میتونه انتخاب بهتری باشه چون سادهتر و سریعتره و Dependency اضافهای هم نداره.
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 128 |
| 12 |  مقالهای که برای همیشه همه چیو تغییر داد! | 1 082 |
| 13 |  اگه تا حالا با Autonomous Driving کار کرده باشین، احتمالاً اسم Autoware به گوشتون خورده.
در واقع Autoware یک Open-Source Software Stack برای ساخت سیستمهای خودروهای خودران هست که روی ROS 2 ساخته شده و بخش بزرگی از قابلیتهای لازم برای رانندگی خودکار رو در اختیار میذاره.
میشه Autoware رو مثل یک سیستم عامل یا Framework برای Autonomous Vehicle در نظر گرفت
مثلاً Sensorهایی مثل LiDAR، Camera و Radar اطلاعات محیط رو میدن، بخش Perception اشیای اطراف رو تشخیص میده، Localization موقعیت خودرو رو مشخص میکنه، Planning تصمیم میگیره خودرو چه مسیری رو بره و در نهایت Control فرمان، ترمز و شتاب رو کنترل میکنه.
جالب که Autoware فقط یک پروژه تحقیقاتی نیست برای use caseهایی مثل Robo-Taxi، Autonomous Shuttle، Cargo Delivery و Urban Mobility طراحی شده
C++ + ROS 2 + AI/ML + Computer Vision + Robotics + Distributed Systems + Autonomous Driving
گیتهاب
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 145 |
| 14 | I survived all the snakes, it was the butterfly killed me. | 1 050 |
| 15 | حالا اینایی که گفته شد یه مساله تو سطح جهانیه. برای ما باید آپشن در ایران بودن هم در نظر بگیری 😂 | 6 |
| 16 | «انسان مدرن خوشبختتر نشده، فقط سرگرمتر شده.»
انسان مدرن داخل قواعد از پیش تعریفشده گیر کرده، بدون اینکه معنی خاصی براش داشته باشه:
کار میکنه تا پول دربیاره، پول درمیاره تا چیزهایی بخره که برای مدتی خوشحالش کنن، بعد دوباره باید کار کنه تا بتونه همون چرخه رو ادامه بده.
حتی اوقات فراغتش هم از قبل براش طراحی شده. وقتی خستهای، سرگرمی آماده است شبکههای اجتماعی، ویدئوهای کوتاه. لازم نیست با خودت تنها بمونی. لازم نیست به این فکر کنی که زندگیه چیه؟ کافیه صفحه رو اسکرول کنی و محتوای بعدی خودش میرسه
ما ابزارهای بیشتری برای راحتی داریم، اما الزاماً دلیل بیشتری برای زندگی نداریم. انتخابهای بیشتری داریم، اما الزاماً نمیدونیم کدوم انتخاب ارزشمندتره. ارتباطات بیشتری داریم، اما تنهایی همچنان یکی از تجربههای عمیق انسان امروزیه.
سرگرمی بد نیست. کار هم بد نیست. پول هم بد نیست. تکنولوژی هم دشمن انسان نیست. مسئله زمانی شروع میشه که اینها تبدیل به جایگزین معنا میشن وقتی به جای اینکه از زندگی لذت ببریم، دائماً خودمون رو مشغول اینا نگه میداریم تا مجبور نباشیم دربارهی زندگی فکر کنیم.
شاید انسان امروز بیش از هر زمان دیگری به چیزی احتیاج داشته باشه که هیچ الگوریتمی نمیتونه براش تولید کنه:
معنا
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 344 |
| 17 | اگه AI Engineer، GenAI Engineer یا Agentic AI هستی، بدون Google کردن ببین میتونی به این سؤالها جواب بدی
1️⃣ سیستم RAG شما یهدفعه شروع میکنه جوابهای اشتباه دادن.
اول سراغ کدوم بخش میری و چطور ثابت میکنی مشکل دقیقاً از همونجاست؟
2️⃣ سیستم RAG اسناد مرتبط رو پیدا میکنه، ولی جواب نهایی هنوز ضعیفه.
چه مشکلی ممکنه بین مرحلهی پیدا کردن اطلاعات و تولید جواب اتفاق افتاده باشه؟
3️⃣ از کجا میفهمی بهتر کردن Embedding واقعاً سیستم رو بهتر کرده؟
قبل و بعد از تغییر، چه Metricهایی رو اندازه میگیری؟
4️⃣ کاربر سؤالی میپرسه که جوابش توی ۵ سند مختلفه.
چطور Retrieval و ساخت Context رو طراحی میکنی که بتونه اطلاعات همهی این اسناد رو درست کنار هم بذاره؟
5️⃣ سیستم RAG با ۱۰ هزار سند عالی کار میکنه، ولی حالا شده یک میلیون سند.
اولین چیزی که احتمالاً خراب میشه چیه و معماری رو چطور تغییر میدی؟
نکته اینجاست که اینا صرفاً سؤالهای RAG نیستن سؤالهای مهندسی هستن. و دقیقاً همینجاست که خیلی از کاندیداها به مشکل میخورن.
خیلی از کاندیداها بیشتر روی اینا تمرکز میکنن:
Framework
API
Model
در حالی که یک AI Engineer حرفهای باید روی اینا هم مسلط باشه:
Evaluation
Reliability
Observability
Scalability
System Design
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 298 |
| 18 | جنسن هوانگ، مدیر عامل انودیا:
ما به AGI دست پیدا کردیم اما این موفق بزرگ برای انودیا بی معنی است!
تو این سیستم های خودمختار، یادگیری از دستور های متنی فراتر رفته و عامل میتونه به صورت خودکار مهارت های تازه ای رو یاد بگیره
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 452 |
| 19 | بازار AI Engineering الان یکی از عجیبترین و گیجکنندهترین بازارهای کاری تو سطج جهانیه. از یه طرف همه دارن میگن"کمبود نیرو تو AI داریم"، از طرف دیگه وقتی یه آگهی "Senior AI Engineer" میذارن خودشون هم نمیدونن دقیقاً دنبال چی هستن
مشکل اینجاست که شرکتها یه عنوان کلی مثل AI Engineer رو مینویسن، ولی واقعاً نمیدونن منظورشون از این نقش چیه. میخوان یکی مدل fine-tune کنه؟ یکی agentic system بسازه؟ یکی infrastructure و inference رو optimize کنه؟ یا یکی evaluation و governance انجام بده؟
اینها کارهای کاملاً متفاوتیان با skill setهای متفاوت، ولی همه رو زیر یه چتر میذارن . البته نه که بلد بودن همه اینا چیز بدی باشه، اتفاقا عالیه اما خب کسی که Agentic AIکار میکنه فرصت نمیکنه بیاد GPU optimization AI کار کنه و خیلی مثال های دیگه...
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 679 |
| 20 | ۸۱۰۰ اجرای آزمایشی دربارهی Skillهای AI Agentها چه چیزی نشون میده؟
یک مطالعه روی 8,135 trial نشون داده که Skillها اون چیزی نیستن که خیلیها فکر میکنن. Skill قرار نیست صرفاً یه Knowledge Base برای Agent باشه؛ بیشتر نقش یه procedural anchor رو داره که Agent رو توی workflowهای پیچیده از مسیر خارج شدن نجات میده.
جالبتر اینکه وقتی تجربههای قبلی رو به شکل یک step-by-step runbook و استاندارد تبدیل میکنیم، عملکرد Agent بهتر میشه؛ در این تحقیق، استفاده از distilled skills نسبت به raw execution حدود 6.06 درصد موفقیت بیشتری ایجاد کرد. یعنی مهمه تجربه رو چطور به Agent منتقل میکنیم، نه فقط اینکه چه اطلاعاتی بهش میدیم.
از اون طرف، زیاد کردن تعداد Skillها هم لزوماً خوب نیست. وقتی Skill catalog از 5 به 100 مورد رسید، دقت retrieval از 29.6٪ به 3.3٪ سقوط کرد؛ چون Skillهای مشابه زیاد میشن و Agent ممکنه مورد اشتباه رو انتخاب کنه. با این حال، حتی Skill اشتباه هم گاهی بخشی از راهحل رو در اختیار Agent میذاره و باعث موفقیت میشه.
یه نکته خیلی مهم دیگه هم اینه که موقع ساخت Skill از executionهای قبلی، باید مشخص باشه کدوم trajectory موفق بوده و کدوم شکست خورده. در آزمایش، با مشخص بودن این اطلاعات success rate به 74.6٪ رسید، ولی بدون این annotation به 40٪ سقوط کرد.
هدف این نیست که Agent همهچیز رو به خاطر بسپره؛ هدف اینه که تجربههای قبلی رو به abstractionهای قابلاستفاده تبدیل کنیم
@silicon_brain | از هوش مصنوعی عقب نمانید | 1 362 |
