Silicon Brain | جامعه هوش مصنوعی

من بعد این همه سال تازه الان متوجه زیبایی معادله اویلر شدم. تو دانشگاه چشم بسته، از این معادله برای حل مسائل سنگین و پیچیده استفاده می‌کردیم بدون اینکه یه استادی از زیبایی و کاربرد های سرشار این معادله چیزی بگه

معادله اویلر یکی از اون فرمول‌هاییه که خیلی‌ها بهش لقب زیباترین معادله ریاضی رو دادن چیزی که این معادله رو خاص می‌کنه اینه که ۵ تا از بنیادی‌ترین ثابت‌های ریاضی رو فقط توی یک رابطه کنار هم قرار داده: 0: عنصر خنثی جمع 1: عنصر خنثی ضرب π : ثابت هندسی دایره e: پایه لگاریتم طبیعی و رشد نمایی i: واحد اعداد مختلط این ثابت‌های ریاضی هر کدوم از شاخه‌ای کاملاً متفاوت از ریاضیات میان، اما معادله اویلر نشون می‌ده که همه‌شون عمیقاً به هم مرتبط هستن.

چیزهایی که ظاهراً هیچ ارتباطی با هم ندارن، مثل رشد نمایی، هندسه دایره، اعداد مختلط و جبر، در نهایت با یک رابطه‌ی کوتاه به هم وصل می‌شن. همین هماهنگی عجیب بین شاخه‌های مختلف ریاضی باعث شده خیلی‌ها معادله اویلر رو نه فقط یک فرمول، بلکه نمادی از زیبایی و وحدت ریاضیات بدونن

@silicon_brain | از هوش مصنوعی عقب نمانید

حالا Claude Code موقع کدنویسی خودش حواسش به مشکلات امنیتی هست هرچقدر AI سریع‌تر کد تولید می‌کنه، احتمال اینکه باگ‌های امنیتی هم وارد کد بشن بیشتر می‌شه؛ چیزهایی مثل SQL Injection Hardcoded Secrets (API Key یا Password داخل کد) یا استفاده از توابع ناامن اما این Plugin بدون نیاز به دستور خاصی خودکار کد رو بررسی می‌کنه.

فرآیند بررسی هم در سه مرحله انجام می‌شه:

🔹هر بار که یک فایل رو ویرایش می‌کنید، سریع یک Pattern Scan انجام می‌ده و موارد خطرناکی مثل eval()، os.system() یا innerHTML رو شناسایی می‌کنه. 🔹بعد از هر مرحله کدنویسی، یک مدل جداگانه از Claude کل Git Diff رو بررسی می‌کنه تا مشکلات منطقی مثل Authentication Bypass، Authorization اشتباه یا ارجاع‌های ناامن رو پیدا کنه. 🔹موقع Commit هم یک بررسی عمیق روی کل پروژه انجام می‌ده تا آسیب‌پذیری‌هایی که فقط با بررسی چند فایل کنار هم مشخص می‌شن، شناسایی بشن. این پلاگین برای همه کاربران Claude Code رایگانه. کافیه داخل Terminal دستور /plugins رو اجرا کنید، پلاگین رو نصب کنید و بعد با دستور /reload-plugins فعالش کنید. @silicon_brain | از هوش مصنوعی عقب نمانید

فرض کن تو یه کوهستان هدف، رسیدن به پایین‌ترین نقطه یک دره عمیق و طولانی باشه.دو رویکرد (دو بهینه ساز) رو برای این مسئله در نظر بگیریم:

روش SGD: کوهنوردِ حواس‌پرتی که فقط زیر پاشو می‌بینه

​الگوریتم SGD مثل کوهنوردیه که چشم‌بند زده و فقط با حس کردن شیب زمین، قدم بعدی رو برمی‌داره ​متوجه می‌شه که دیواره‌های دره به سمت چپ و راست شیب تندی دارن، پس قدم بزرگی به سمتشون برمی‌داره‌. اما ​ناگهان می‌بینه که در حال بالا رفتن از دیواره مقابل هست، پس سریع جهت رو عوض می‌کند و به سمت پایین دیواره برمی‌گرده ​نتیجه: این کوهنورد برای رسیدن به ته دره، مدام بین دیواره‌های چپ و راست دره به صورت زیگ‌زاگ (نوسانی) حرکت می‌کنه و خیلی کُند در مسیر اصلی (طول دره) پیش می‌ره.

روش Adam: گویِ سنگین روی برف‌روبِ هوشمند

​الگوریتم Adam مانند یک گوی سنگین و هوشمنده که دو تا سنسور داره: ​سنسور حافظه مسیر (Momentum): روش Adam به یاد میاره که در قدم‌های قبلی چه جهتی رو طی کرده. وقتی می‌بینه مدام داره چپ و راست می‌ره، می‌فهمه که این نوسانات بی‌فایده‌ست. پس نیروی حرکات چپ و راست رو خنثی می‌کنه و در عوض، سرعت حرکت به سمت جلو (مسیر اصلی دره) رو افزایش می‌ده. ​سنسور سازگاری با شیب (تنظیم هوشمند قدم‌ها): این سنسور متوجه می‌شه که شیب دیواره‌ها (چپ و راست) خیلی تنده، پس ترمز می‌کنه و قدم‌های بسیار کوچکی در این جهت برمی‌داره. همزمان می‌بینه شیب طول دره (مسیر اصلی) کمه، پس در این جهت، قدم‌های بلندتری برمی‌داره. ​

نتیجه نهایی: در حالی که کوهنورد SGD در حال بالا و پایین رفتن زیگ‌زاگی از دیواره‌هاست و انرژی‌شو هدر می‌ده، Adam مثل یک خط مستقیم و روان، با سرعت به سمت مرکز دره و پایین‌ترین نقطه می‌غلته

@silicon_brain | از هوش مصنوعی عقب نمانید

سه مدل جدید گوگل: سرعت، کیفیت و امنیت گوگل با عرضه سه مدل جدید Gemini سروصدایی به پا کرده؛ این مدل‌ها قراره کار توسعه‌دهنده‌ها رو برای ساخت عوامل تولیدی ساده‌تر و اقتصادی‌تر کنن. مدل Gemini 3.6 Flash مانند یک مدل کارآمد، کیفیت بالا و استفاده کمتر از توکن‌ها را با قیمتی مناسب هست در کنارش، Gemini 3.5 Flash-Lite با سرعتی خیره‌کننده، به بهترین انتخاب برای پردازش‌های سریع تبدیل شده. اما جذاب‌ترینش، نسخه 3.5 Flash Cyber هست که با قدرت شناسایی و رفع عیوب امنیتی نرم‌افزاری، گوی سبقت را از سایر رقبا ربوده. @silicon_brain | از هوش مصنوعی عقب نمانید

برعکس چیزی که خیلیا فک میکنن در آینده نزدیک درک ریاضیات پایه، جبرخطی و دیفرانسیل مهارتی مهم برای مهندسان کامپیوتر محسوب می‌شه. و قرار نیست وجود AI باعث بشه ریاضیات رو نادیده بگیریم. همینطور علوم پایه کامپیوتر هم شرایط مشابهی خواهد داشت‌.

برای همین از این به بعد علاوه بر پست‌های همیشگی AI، مطالب پایه ریاضیات و کامپیوتر هم خواهیم داشت.

تقریباً هر برنامه‌ای که با دیتابیس، API یا سیستم‌های توزیع‌شده سر و کار داشته باشه، یه جایی به UUID (Universally Unique Identifier) می‌رسه. همون رشته‌های ۳۶ کاراکتری مثل:

550e8400-e29b-41d4-a716-446655440000

هدف UUID فقط یه چیزه: ساختن یک شناسه که با احتمال بسیار زیاد، در هیچ جای دنیا تکراری نباشه. نکته جالب اینجاست که UUID لازم نیست قبل از ساخت با Database چک کنه که این شناسه قبلاً وجود داشته یا نه. هر سیستم، هر سرور یا حتی هر دستگاهی می‌تونه کاملاً مستقل UUID تولید کنه و بعداً همه این داده‌ها رو با هم Merge کنه، بدون اینکه نگران تداخل شناسه‌ها باشه. به همین خاطر توی Microservices، Distributed Systems و Offline-first Apps استفاده از UUID خیلی رایجه.

نسخه‌ها

رایج‌ترین نسخه، UUID v4 هست که کاملاً بر پایه اعداد تصادفی ساخته می‌شه. البته نسخه‌های دیگه‌ای هم وجود دارن؛ مثلاً UUID v1 از زمان و MAC Address دستگاه استفاده می‌کنه و نسخه‌های جدیدتر مثل UUID v7 علاوه بر یکتا بودن، بر اساس زمان هم مرتب می‌شن

اما سؤال مهم اینه که احتمال تکراری شدن UUID چقدره؟

در واقع UUID v4 حدود ۱۲۲ بیت تصادفی داره؛ یعنی چیزی حدود: 5.3 × 10³⁶ حالت مختلف! این عدد اون‌قدر بزرگه که غیرقابل تصوره.

اگر فرض کنیم هر ثانیه یک میلیارد (10⁹) UUID تولید بشه و این کار رو ۱۰۰ سال بدون توقف ادامه بدیم، باز هم احتمال اینکه دو UUID یکسان ساخته بشن، تقریباً صفره

البته UUID بی‌نقص هم نیست. چون طولش ۱۲۸ بیت و نمایش متنی اون ۳۶ کاراکتره، نسبت به یک Integer ID فضای بیشتری اشغال می‌کنه و اگر از نسخه‌های تصادفی مثل UUID v4 به‌عنوان Primary Key در Database استفاده کنید، ممکنه باعث Index Fragmentation و کاهش Performance بشه. به همین دلیل امروزه خیلی از سیستم‌های مدرن از UUID v7 یا شناسه‌هایی مثل ULID و KSUID استفاده می‌کنن که هم یکتا هستن و هم بر اساس زمان مرتب می‌شن. @silicon_brain | از هوش مصنوعی عقب نمانید

شرکت Palantir یک اتاق فرمان (War Room) با قیمت چند میلیون دلاری به دولت‌ها می‌فروشه. حالا یه توسعه‌دهنده اومده تقریباً همون سیستم رو ساخته، روی GitHub منتشرش کرده و کاملاً رایگان در اختیار همه گذاشته. اسم این پروژه World Monitor هست. این ابزار یه کره سه‌بعدی زنده از زمین نمایش می‌ده که اطلاعاتش رو از بیش از ۵۰۰ منبع خبری در ۱۵ دسته‌بندی مختلف دریافت می‌کنه و با کمک هوش مصنوعی، خبرها رو همون لحظه خلاصه می‌کنه؛ از جابه‌جایی‌های نظامی و بحران‌های اقتصادی گرفته تا حملات سایبری، مسیر کشتی‌ها و پروازها.

ویژگی‌های اصلی:

🔹امکان نمایش همزمان ۵۶ لایه (Map Layer) مختلف روی نقشه 🔹نمایش Stress Score برای ۳۱ کشور به‌صورت لحظه‌ای 🔹نمایش اطلاعات ۲۹ بورس، کالاهای اساسی (Commodities) و بازار Crypto در یک پنل 🔹استفاده از Ollama برای اجرای مدل‌های هوش مصنوعی به‌صورت Local، بدون نیاز به API Key 🔹اپلیکیشن Desktop برای Windows، macOS و Linux گیتهاب @silicon_brain | از هوش مصنوعی عقب نمانید

ميرا موراتى، CTO سابق OpenAl فقط چند ماه بعد از تأسيس Thinking Lab Machines دو ميليارد دلار در بزرگترين Seed Round تاريخ جذب كرد، با ارزشگذارى ٢ ميليارد دلار تو این پست به‌صورت فنی در نورد این مدل از Thinking Machines صحبت کردیم حالا يه مدل ۹۷۵ ميليارد پارامترى ساخته و رايگان منتشرش كرده. اما تمركز اصلى شركت ساخت يه مدل رقيب نيست. محصول واقعى Tinker و زيرساختيه كه شركتها باهاش مدلهاى اختصاصى خودشونو روى دادههاى خودشون شخصی سازى و فاين‌تيون میکنن. بقيه مدلا تمركزشون روى فروش مدل‌هاشون به ازاى توكنه؛ اما موراتى داره كارخانه ساخت هوش اختصاصى رو می‌فروشه، همين استراتثى می‌تونه رقابت رو خيلى جذاب كنه

تا اینجا و Cisc ،AMD ،Vvidia، ServiceNov و Accel هم تو اين استارتاپ سرمایه‌گذاری كردن.

@silicon_brain | از هوش مصنوعی عقب نمانید

نگاهی دقیق و مهندسی به مفهوم Agent Harness (یا Harness Engineering) عبارتی که این روزها به شدت ترند شده ولی چون هم خیلی کلیه و هم به شدت تخصصی، خیلیا هنوز دقیقاً نمی‌دونن کجای معماری سیستم‌های AI قرار می‌گیره. خیلیا به اشتباه فکر می‌کنن Harness فقط همون محیط اجرایی (Environment) ایجنت هست، اما داستان خیلی عمیق‌تر از این حرف‌هاست. برای درک جایگاه واقعی Harness، باید مسیر تکامل تعامل ما با مدل‌های زبانی رو مرور کنیم:

۱. عصر Prompt Engineering (سال ۲۰۲۳)

اوایل که ChatGPT سر و صدا کرد، بزرگترین محدودیت ما Context Window کوچیک (مثلاً ۴۰۹۶ توکن) بود. تمام هنر ما این بود که با تکنیک‌های مختلف پرامپت‌نویسی، مدل رو وادار کنیم خروجی دقیق‌تری بده. اما برای کارهای پیچیده و توسعه‌ی سیستم‌های Production-grade، این روش اصلاً کافی نبود.

۲. عصر Context Engineering (سال ۲۰۲۴)

اینجا بود که معماری‌های پیشرفته‌تر مثل RAG، Tool Calling و پروتکل‌هایی مثل MCP (Model Context Protocol) وارد بازی شدن. هدف این بود که کانتکست مدل رو بهتر مدیریت کنیم تا ایجنت بتونه به دیتابیس‌ها یا فایل‌های خاص دسترسی داشته باشه و ابزارها رو فراخوانی کنه. اما یک گلوگاه وحشتناک خودش رو نشون داد: بحران طولانی شدن تسک‌ها: وقتی یه ایجنت قراره ۱۰-۱۲ ساعت کار مداوم انجام بده، کانتکست پر می‌شه و سیستم مجبور می‌شه اطلاعات تاریخچه رو خلاصه‌سازی (Summarize) کنه. این کار باعث می‌شه جزئیات حیاتیِ فنی گم بشه، ایجنت دچار توهم بشه، گیج بزنه و در نهایت تسک رو نصفه‌کاره رها کنه.

۳. بلوغ با Harness Engineering (عصر حاضر)

اینجاست که Harness وارد عمل می‌شه و معماری رو نجات می‌ده. Harness در واقع یک لایه‌ی Orchestration قدرتمند بالای سر کانتکست هست. به جای اینکه ایجنت رو توی یک کانتکست عظیم و شلوغ غرق کنیم، اون رو وارد یک Loop (حلقه) منظم و استیت‌فول (Stateful) می‌کنیم.

نمونه‌های واقعی در لبه‌ی تکنولوژی

بهترین مثال‌های این رویکرد رو می‌شه توی دموی اخیر Anthropic برای قابلیت Computer Use دید. یا حتی ابزاری مثل Cursor با معرفی Cloud Agents عملاً داره مرزهای Harness Engineering رو جابه‌جا می‌کنه. شما یک Automation برای آپدیت خودکار کدبیس تعریف می‌کنی، حتی نیازی نیست IDE باز باشه؛ ایجنت روی کلاد طبق تسک‌های تعریف شده بیدار می‌شه، کد می‌زنه، تست‌ها رو پاس می‌کنه و در نهایت یک Pull Request تمیز برات می‌فرسته. قدرت و مزیت رقابتیِ سیستم‌های ایجنتیِ آینده، نه فقط توی مدل‌های زبانیِ قوی‌تر، بلکه توی طراحی یک Harness یا زیرساخت مدیریتیِ قدرتمنده که بتونه ایجنت رو برای تسک‌های طولانی‌مدت، بدون افت کیفیت به خط پایان برسونه. ادامه دارد... @silicon_brain | از هوش مصنوعی عقب نمانید

زیباترین پل ارتباط ریاضی و طبیعت؛ دنباله فیبوناچی دنباله فیبوناچی (Fibonacci Sequence) یکی از عجیب‌ترین الگوهای ریاضی دنیاست. این دنباله با اعداد ۰ و ۱ شروع میشه و هر عدد از جمع دو عدد قبلی به دست میاد:

۰، ۱، ۱، ۲، ۳، ۵، ۸، ۱۳، ۲۱، ۳۴، ...

یکی از جالب‌ترین جاهایی که این دنباله رو می‌بینیم، طبیعته. مثلاً اگه به گل آفتابگردون، آناناس یا مخروط کاج دقت کنین، تعداد مارپیچ‌ها معمولاً یکی از اعداد فیبوناچیه. دلیلش هم اینه که این الگو باعث میشه دونه‌ها و برگ‌ها با بهترین چیدمان ممکن کنار هم قرار بگیرن و بیشترین استفاده رو از فضا و نور خورشید ببرن. یه نکته جذاب دیگه اینه که اگر هر عدد فیبوناچی رو بر عدد قبلی تقسیم کنین، کم‌کم به عدد 1.618 می‌رسین که بهش Golden Ratio یا نسبت طلایی میگن. این نسبت توی خیلی از ساختارهای طبیعی مثل صدف‌ها، بعضی گل‌ها، طوفان‌های مارپیچی و حتی شکل بعضی کهکشان‌ها دیده میشه. البته برخلاف چیزی که خیلی‌ها فکر می‌کنن، همه چیز توی طبیعت دقیقاً از این نسبت پیروی نمی‌کنه، ولی در خیلی از فرآیندهای رشد به شکل عجیبی ظاهر میشه. فیبوناچی فقط به طبیعت محدود نیست. توی دنیای کامپیوتر هم کاربردهای زیادی داره. از ساختمان داده‌هایی مثل Fibonacci Heap گرفته تا الگوریتم‌های جستجو و بهینه‌سازی. حتی بعضی از الگوریتم‌های Machine Learning و AI هم از ایده‌های بازگشتی (Recursion) و الگوهای مشابه فیبوناچی استفاده می‌کنن. جالب‌تر اینکه خیلی از معامله‌گرها هم از ابزارهایی مثل Fibonacci Retracement برای تحلیل بازارهای مالی استفاده می‌کنن. البته این به معنی پیش‌بینی قطعی قیمت نیست و بیشتر یک ابزار در Technical Analysis محسوب میشه.

شاید قشنگ‌ترین بخش ماجرا این باشه که یک قانون فوق‌العاده ساده، تونسته الگویی بسازه که از دل طبیعت تا علوم کامپیوتر، از زیست‌شناسی تا ریاضیات، بارها و بارها خودش رو نشون بده. فیبوناچی یکی از بهترین مثال‌هاست که نشون میده ریاضیات فقط روی کاغذ نیست؛ بلکه زبان پنهان دنیای اطراف ماست.

@silicon_brain | از هوش مصنوعی عقب نمانید

مدل ‏Kimi K3 بزرگ‌ترین مدل Open-weight دنیا با عملکردی بهتر از Claude و GPT-5 شرکت Moonshot AI از مدل جدید Kimi K3 رونمایی کرده؛ مدلی با 2.8 تریلیون Parameter که فعلاً بزرگ‌ترین Open-weight LLM به حساب میاد. این مدل از Context Window یک میلیون Token پشتیبانی می‌کنه؛ یعنی می‌تونه کل یک Codebase، اسناد بسیار بزرگ یا ساعت‌ها مکالمه رو یکجا پردازش کنه، بدون اینکه Context رو از دست بده.

نکته جذاب این مدل، معماری جدید Kimi Delta Attention هست که سرعت Decoding رو در Contextهای طولانی تا 6.3 برابر افزایش داده. این معماری به جای پردازش دوباره کل اطلاعات، فقط بخش‌هایی که تغییر کرده‌اند رو پردازش می‌کنه و به همین دلیل بسیار بهینه‌تره.

علاوه بر این، Kimi K3 از معماری Mixture of Experts (MoE) استفاده می‌کنه و از بین 896 Expert، فقط 16 Expert رو برای هر درخواست فعال می‌کنه تا هزینه محاسباتی پایین بمونه. در حال حاضر Kimi K3 از طریق Kimi API و Kimi Code قابل استفاده است و Open Weights این مدل هم قرار است در 27 جولای منتشر شود. @silicon_brain | از هوش مصنوعی عقب نمانید

مالیات پنهان Hallucination؛ هزینه‌ای که شرکت‌ها برای عجله در استفاده از AI می‌دن یک مقاله جدید مفهوم جالبی به اسم Hallucination Tax رو مطرح کرده؛ یعنی هزینه پنهانی که شرکت‌ها به خاطر استفاده از AI بدون Governance و Business Context مناسب پرداخت می‌کنن. ماجرا از جایی شروع شد که Anthropic اعلام کرد مدل Claude بدون استفاده از Skills فقط حدود 21٪ از سوالات تحلیلی مربوط به داده‌های سازمانی رو درست جواب می‌ده، اما با اضافه کردن Skills این دقت به بالای 95٪ می‌رسه. پیام اصلی اینه که مشکل فقط مدل نیست؛ بلکه AI برای عملکرد قابل اعتماد، به Context و درک درست از داده‌های کسب‌وکار نیاز داره. نویسنده می‌گه

هر بار که یک کارمند مجبور می‌شه خروجی AI رو بررسی، اصلاح یا راستی‌آزمایی کنه، شرکت در حال پرداخت Hallucination Tax هست. طبق یک نظرسنجی هم 55٪ مدیران فناوری گفته‌اند گاهی مجبورند خروجی AI رو شخصاً اصلاح کنند و 89٪ هم معتقدند تا زمانی که داده‌های پایه قابل اعتماد و Verified نباشند، نمی‌توان به تحلیل‌های AI اعتماد کامل کرد.

راه‌حل اصلی، ساخت یک Semantic Layer و پیاده‌سازی Data Governance از همان ابتداست. چون حالا AI Agentها فقط پاسخ نمی‌دن، بلکه تصمیم می‌گیرن و اقدام هم انجام می‌دن. اگر داده‌های ورودی اشتباه یا بدون استاندارد باشن، نتیجه فقط یک پاسخ اشتباه نیست؛ بلکه می‌تونه به تصمیم‌های اشتباه و خسارت‌های واقعی برای کسب‌وکار منجر بشه. در آینده مزیت رقابتی شرکت‌ها فقط داشتن بهترین LLM نیست، بلکه داشتن داده‌های باکیفیت، ساختاریافته و قابل اعتماد خواهد بود. @silicon_brain | از هوش مصنوعی عقب نمانید

خبر انتشار بعضی از این مدل ها رو قبل اینکه خود شرکته خبرشو بده، ما پوشش میدیم سطح کار درستی در این حده 😁

‏Thinking Machines اولین مدل Open-weight خودشو منتشر کرد اسم این مدل Inkling هستش؛ مدلی که به‌صورت Native از Text، Image و Audio پشتیبانی می‌کنه. یعنی برخلاف خیلی از مدل‌های Multimodal که چند مدل مختلف رو به هم وصل می‌کنن، Inkling همه این ورودی‌ها رو داخل یک معماری واحد پردازش می‌کنه.

مهم‌ترین ویژگی‌های

🔹این مدل 975B پارامتر داره، اما در هر درخواست فقط 41B پارامتر فعال می‌شن (Mixture of Experts) بنابراین با وجود اندازه بزرگ، سرعت مناسبی داره. 🔹از Context Window یک میلیون Token پشتیبانی می‌کنه و روی 45 تریلیون Token شامل Text، Image، Audio و Video آموزش دیده. 🔹در بنچمارک‌های صوتی مثل MMAU جزو بهترین مدل‌های Open-weight بوده 🔹قابلیت Controllable Thinking داره؛ یعنی می‌تونید میزان Reasoning رو کم یا زیاد کنید تا بین سرعت و دقت تعادل برقرار بشه. 🔹با لایسنس Apache 2.0 منتشر شده و می‌تونید مدل رو دانلود کنید، Fine-tune کنید، تغییر بدید و روی زیرساخت خودتون (On-premises) اجراش کنید. در کنار نسخه اصلی، یک نسخه سبک‌تر به نام Inkling-Small هم معرفی شده @silicon_brain | از هوش مصنوعی عقب نمانید

ساختار تیم‌ها به سمت کوچک‌تر شدن در حال حرکته البته نه به این معنی که دیگه نیازی به نیروی انسانی نیست؛ بلکه نوع کارها و نقش‌ها داره تغییر می‌کنه. چند سال پیش توی خیلی از تیم‌های بزرگ، تعداد زیادی Junior Developer و Intern حضور داشتن. بخش زیادی از کار این افراد پیاده‌سازی Featureهای ساده، تبدیل Design به Code، نوشتن Boilerplate Code یا انجام Taskهای تکراری بود. معمولا یک Senior Engineer یا Tech Lead یک Task تعریف می‌کرد و می‌گفت: «این صفحه رو دقیقا طبق Design پیاده‌سازی کن» یا «این API رو با این Specification بنویس». امروز بخش بزرگی از همین Taskها رو میشه با کمک LLMها در مدت زمان بسیار کوتاه‌تری انجام داد. در واقع کاری که قبلا به یک Junior سپرده می‌شد، الان Senior همان درخواست را به AI می‌دهد، خروجی را دریافت می‌کند، آن را اصلاح و Validate می‌کند و در نهایت در پروژه استفاده می‌کند. به همین خاطر ارزش اصلی یک Senior Engineer دیگر صرفا کدنویسی سریع نیست. تمرکز افراد باتجربه بیشتر روی موضوعاتی مثل System Design، Software Architecture، طراحی سرویس‌ها، تصمیم‌گیری‌های فنی (Technical Decision Making)، Code Review، Performance Optimization، Security، Scalability و طراحی زیرساخت قرار گرفته است. علاوه بر این، زمان بیشتری برای تعامل با Stakeholders، درک نیازهای بیزینس، برنامه‌ریزی محصول و حتی توسعه Side Projects یا فرصت‌های جدید کسب‌وکار پیدا می‌کنند. به نظر من در آینده، تفاوت اصلی بین مهندس‌های نرم‌افزار کمتر در سرعت نوشتن Code و بیشتر در توانایی حل مسئله، طراحی سیستم، تصمیم‌گیری‌های معماری و استفاده هوشمندانه از AI خواهد بود. AI جایگزین مهندس‌های باتجربه نشده؛ بلکه بخش زیادی از کارهای تکراری را حذف کرده و باعث شده نقش افراد از «Code Producer» به «System Designer» و «Technical Decision Maker» تغییر کند. @silicon_brain | از هوش مصنوعی عقب نمانید

ساخت صحنه سه‌بعدی در Blender فقط با نوشتن متن! کاربران با استفاده از GPT-5.6 Sol داخل Cursor و بدون هیچ تجربه‌ای در Blender، یک مدل سه‌بعدی واقع‌گرایانه از یک MacBook شناور ساختن و Render گرفتن پشت این قابلیت، پروژه متن‌باز Blender MCP قرار داره. این ابزار مثل یک پل بین Cursor (یا Claude Desktop) و Blender عمل می‌کنه و به هوش مصنوعی اجازه می‌ده مستقیماً Blender رو کنترل کنه. یعنی شما فقط توضیح می‌دید چی می‌خواید و AI خودش دستورات Blender رو تولید و اجرا می‌کنه.

با این ابزار می‌تونید:

🔹با زبان طبیعی آبجکت‌های سه‌بعدی ایجاد، ویرایش یا حذف کنید. 🔹متریال رنگ، نورپردازی و تنظیمات صحنه رو با Prompt تغییر بدید. 🔹مدل‌ها، Texture و HDRIهای رایگان رو از Poly Haven وارد کنید. 🔹با استفاده از Hyper3D از روی متن، مدل سه‌بعدی بسازید.

برای استفاده هم کافیه Addon مربوط به Blender رو نصب کنید و تنظیمات MCP Server رو به Cursor یا Claude Desktop اضافه کنید. بعد از اون، هوش مصنوعی می‌تونه مرحله‌به‌مرحله پروژه‌های طولانی رو داخل Blender انجام بده، بدون اینکه وسط کار متوقف بشه.

گیتهاب @silicon_brain | از هوش مصنوعی عقب نمانید

گوگل دیپ‌مایند یه مسأله جالب به اسم تست اینشتین The Einstein Test مطرح کرده فرض کنید یه LLM فقط به تمام دانش و مقالات علمی منتشرشده تا سال ۱۹۰۵ دسترسی داشته باشه؛ یعنی دقیقاً همون اطلاعاتی که اینشتین قبل از ارائه نظریه نسبیت در اختیار داشت. حالا سؤال اینه: آیا این مدل می‌تونست خودش نظریه نسبیت رو کشف کنه؟ پاسخ پژوهشگرهای DeepMind اینه: نه. به همین خاطر هم اسم ارائه‌شون رو گذاشتن "LLMs can't jump"؛ یعنی مدل‌های زبانی نمی‌تونن «جهش فکری» انجام بدن. دلیلش اینه که LLMها توی پیدا کردن الگوها، ترکیب اطلاعات و استدلال بر اساس چیزهایی که قبلاً یاد گرفتن فوق‌العاده قوی هستن. اما وقتی پای خلق یک ایده کاملاً جدید یا ارائه یک اصل بنیادی که هیچ‌کس قبلاً مطرحش نکرده وسط باشه، به مشکل می‌خورن. در واقع مدل‌ها بیشتر بر پایه Induction و Deduction کار می‌کنن، ولی چیزی که اینشتین انجام داد بیشتر شبیه Abduction بود

یه جهش ذهنی که فقط از کنار هم گذاشتن داده‌های قبلی به دست نمیاد.

البته این به معنی «ناتوانی کامل» LLMها نیست. مدل‌های جدید وقتی به ابزارهایی مثل جستجوی وب، اجرای کد، شبیه‌سازی، آزمایش‌های تکرارشونده و Agentها مجهز می‌شن، توی کشف فرضیه‌های جدید و کمک به تحقیقات علمی عملکرد خیلی بهتری دارن. حتی در یکی دو سال اخیر، سیستم‌های AI تونستن در حوزه‌هایی مثل طراحی دارو، کشف مواد جدید و حل بعضی مسائل ریاضی به پژوهشگرها کمک کنن. اما هنوز فاصله زیادی بین «کمک به کشف» و «انجام یک انقلاب علمی در حد نظریه نسبیت» وجود داره. شاید مهم‌ترین نکته همین باشه حداقل با معماری فعلی، LLMها بیشتر نقش یک پژوهشگر فوق‌العاده سریع و دقیق رو دارن، نه یک «اینشتین جدید» @silicon_brain | از هوش مصنوعی عقب نمانید

‏OpenAI از ChatGPT Work رونمایی کرده یک حالت Agentic جدید که می‌تونه فقط با یک دستور، یک Workflow کامل رو انجام بده. این قابلیت با مدل جدید GPT-5.6 کار می‌کنه و به اپ‌هایی مثل Google Drive، Slack، Gmail، Calendar و ابزارهای دیگه وصل میشه تا خودش اطلاعات رو جمع‌آوری کنه، تحلیل انجام بده و در نهایت فایل‌های آماده مثل PowerPoint، Excel، گزارش، Document یا حتی Web App تحویل بده. علاوه بر این، قابلیت Scheduled Tasks هم اضافه شده تا کارهای تکراری مثل بررسی ایمیل‌ها، خلاصه کردن پیام‌های Slack یا ساخت گزارش‌های دوره‌ای به‌صورت خودکار انجام بشن. مدل GPT-5.6 هم در سه نسخه Sol، Terra و Luna عرضه شده که هر کدوم برای سطح متفاوتی از Reasoning و هزینه طراحی شدن. نسخه Sol برای سخت‌ترین کارهای Agentic مثل برنامه‌نویسی، امنیت سایبری و تحقیقات علمی ساخته شده و حتی می‌تونه چند Sub-Agent رو به‌صورت موازی اجرا کنه.

البته OpenAI هم تأکید کرده که برای کارهای حساس هنوز Human-in-the-loop و بررسی خروجی‌ها ضروریه.

@silicon_brain | از هوش مصنوعی عقب نمانید

مدل Grok 4.5 تو چند روز اخیر خیلی سر و صدا کرده با ادعای قدرت Opus 4.7 اما با سرعت بالاتر و قیمت خیلی کمتر اطلاعات فنی تکمیلی به‌زودی... @silicon_brain | از هوش مصنوعی عقب نمانید