Deep Mind
رفتن به کانال در Telegram
254
مشترکین
اطلاعاتی وجود ندارد24 ساعت
+27 روز
+5030 روز
در حال بارگیری داده...
کانالهای مشابه
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
ابر برچسبها
هیچ دادهای
مشکلی وجود دارد؟ لطفاً صفحه را تازه کنید یا با مدیر پشتیبانی ما تماس بگیرید.
اشارات ورودی و خروجی
---
---
---
---
---
---
جذب مشترکین
اوت '26
اوت '26
+54
در 1 کانالها
ژوئیه '26
+29
در 0 کانالها
Get PRO
ژوئن '26
+1
در 0 کانالها
Get PRO
مه '260
در 0 کانالها
Get PRO
آوریل '260
در 0 کانالها
Get PRO
مارس '260
در 0 کانالها
Get PRO
فوریه '260
در 0 کانالها
Get PRO
ژانویه '260
در 0 کانالها
Get PRO
دسامبر '250
در 0 کانالها
Get PRO
نوامبر '250
در 0 کانالها
Get PRO
اکتبر '250
در 0 کانالها
Get PRO
سپتامبر '250
در 0 کانالها
Get PRO
اوت '250
در 0 کانالها
Get PRO
ژوئیه '250
در 0 کانالها
Get PRO
ژوئن '250
در 0 کانالها
Get PRO
مه '250
در 0 کانالها
Get PRO
آوریل '250
در 0 کانالها
Get PRO
مارس '250
در 0 کانالها
Get PRO
فوریه '250
در 0 کانالها
Get PRO
ژانویه '250
در 0 کانالها
Get PRO
دسامبر '240
در 0 کانالها
Get PRO
نوامبر '240
در 0 کانالها
Get PRO
اکتبر '24
+215
در 0 کانالها
| تاریخ | رشد مشترکین | اشارات | کانالها | |
| 28 اوت | 0 | |||
| 27 اوت | 0 | |||
| 26 اوت | 0 | |||
| 25 اوت | 0 | |||
| 24 اوت | +1 | |||
| 23 اوت | 0 | |||
| 22 اوت | +1 | |||
| 21 اوت | 0 | |||
| 20 اوت | 0 | |||
| 19 اوت | +1 | |||
| 18 اوت | 0 | |||
| 17 اوت | 0 | |||
| 16 اوت | +1 | |||
| 15 اوت | 0 | |||
| 14 اوت | 0 | |||
| 13 اوت | +1 | |||
| 12 اوت | +1 | |||
| 11 اوت | +2 | |||
| 10 اوت | +9 | |||
| 09 اوت | +36 | |||
| 08 اوت | 0 | |||
| 07 اوت | 0 | |||
| 06 اوت | 0 | |||
| 05 اوت | 0 | |||
| 04 اوت | 0 | |||
| 03 اوت | 0 | |||
| 02 اوت | 0 | |||
| 01 اوت | +1 |
پستهای کانال
دانلود های سری مدل های Strawberry از ۱۴ هزار بار عبور کرد!
نسخه های static و imatrix کوانتیزیشن های strawberry و strawberry-1 در دسترس هست و می تونید از نسخه های GGUF استفاده کنید.
امکان استفاده از نسخه های GGUF با اپ های لوکال مثل ollama و llama.cpp و ... هست.
| 2 | دانلود های سری مدل های Strawberry از ۱۰ هزار عبور کرد!
نسخه های static و imatrix کوانتیزیشن های strawberry و strawberry-1 در دسترس هست و می تونید از نسخه های GGUF استفاده کنید. | 238 |
| 3 | معرفی مدل های Strawberry 🍓
اکثر مدلهای بزرگ روی دیتای انگلیسیمحور اموزش دیدن. وقتی ازشون فارسی میپرسی، خیلی وقتها مدل عملا داره به انگلیسی استدلال میکنه و فقط خروجی نهایی رو فارسی ترجمه میکنه. این یعنی:
۱. ظرافتهای زبان فارسی (اصطلاحات، دستور زبان، ساختارهای شعری و ادبی) خوب درک نمیشن.
۲. توی وظایفی که نیاز به استدلال چندمرحلهای دارن (مثل حل مسئله یا CoT فارسی)، مدل معمولا با یه لهجهی ترجمهای جواب میده، نه فارسیِ طبیعی.
۳. برای خیلی از حوزههای تخصصی فارسی (شعر کلاسیک، ادبیات، ریاضیات به فارسی) دیتای کافی برای یادگیری درست وجود نداره.
برای همین تصمیم گرفتم مدلی بسازم که زنجیره استدلال فارسی تولید کنه، اسم این سری از مدل ها Strawberry هست .
این مدل ها بر پایه معماری gpt-oss-20b هستن و روی دیتاست های استدلالی فارسی آموزش دیده شدن. دیتاست ها مورد استفاده هم توسط ما ساخته شده.
طی بررسی های که داشتیم متوجه شدیم که Strawberry عملکرد بسیار خوبی توی تولید زنجیره استدلالی فارسی داره و تونستیم استفاده های خوبی از این قابلیت داشته باشیم. به عنوان مثال،به یک دیتاست تولید شعر که ساخت خودمون بود با strawberry-1 زنجیره استدلالی با کیفیت اضافه کردیم.
و خبر خوب: از ۳ روز پیش توی هاگینگ فیس منتشرشون کردیم و با استقبال فوق العاده ای مواجه شدیم.
مدل strawberry توسط یک تیم خارجی به دو فرمت کوانتایز شد و نسخه های GGUF اونها در دسترس قرار گرفته. مدل های این سری همراه نسخه های کوانتایز شده، بیشتر از ۴۳۰۰ بار دانلود شدن.
اطلاعات بیشتر توی توضیحات هر مدل و دیتاست توی هاگینگ فیس وجود داره.
لینک کالکشن مدل ها. | 2 124 |
| 4 | Just doing my job!
فرض کنید فردا جواب امتحان را ببینید، بعد به دیروز برگردید و تازه برای امتحان درس بخوانید. احتمالا نمرهی کاملی میگیرید؛ اما فقط چون از آینده خبر داشتهاید.
در یادگیری ماشین هم گاهی دقیقا همین اتفاق میافتد؛ اتفاقی که به آن Data Leakage یا نشت داده میگوییم.
نشت داده زمانی رخ میدهد که مدل، هنگام آموزش، به اطلاعاتی دسترسی پیدا کند که در زمان استفادهی واقعی هرگز در اختیارش نخواهد بود. در نتیجه، مدل به جای یادگیری الگوهای واقعی، پاسخ سؤال را از قبل میداند.
فرض کنید میخواهید مدلی برای پیشبینی بازپرداخت وام بسازید. اگر ویژگیهایی مانند مجموع مبلغ بازپرداختشده، آخرین وضعیت وام یا هر اطلاعاتی که بعد از اعطای وام ایجاد شدهاند را به مدل بدهید، احتمالاً به دقتی نزدیک به ۱۰۰٪ میرسید.
اما روزی که مشتری جدیدی برای دریافت وام مراجعه میکند، هیچکدام از این اطلاعات وجود ندارند. پس مدل شما فقط در آزمایش موفق بوده، نه در دنیای واقعی.
اما نشت داده همیشه اینقدر واضح نیست.
گاهی هنگام پر کردن دادههای گمشده، نرمالسازی کل دیتاست قبل از تقسیم Train/Test، انتخاب ویژگی روی کل داده، مهندسی ویژگی با استفاده از اطلاعات آینده، یا حتی انجام Oversampling قبل از تقسیم دادهها، بدون اینکه متوجه شویم اطلاعاتی از مجموعهی آزمون وارد فرآیند آموزش میشود.
چطور Data Leakage را پیدا کنیم؟
هیچ روشی به تنهایی کافی نیست، اما چند ابزار میتوانند زنگ خطر را به صدا درآورند:
WOE و Information Value (IV): اگر یک ویژگی IV بسیار بزرگی (مثلاً بالاتر از ۰.۵ یا حتی نزدیک ۱) داشته باشد، باید بررسی شود که آیا به نحوی نتیجهی نهایی را لو میدهد یا خیر.
Mutual Information: ویژگیهایی که وابستگی غیرعادی و بسیار قوی با متغیر هدف دارند، همیشه ارزش بررسی بیشتر را دارند.
Correlation Analysis: همبستگی بسیار بالا با Target یا با ویژگیهای مشتقشده از آن، میتواند نشانهی نشت باشد.
بررسی زمان (Temporal Validation): مهمترین سؤال این است: آیا این ویژگی در لحظهی پیشبینی واقعاً وجود داشته است؟
دانش دامنه (Domain Knowledge): گاهی فقط کسی که مسئله را میشناسد میتواند تشخیص دهد یک ویژگی از آینده آمده است.
مقایسهی عملکرد Train و Test و دادههای واقعی: اگر مدل روی اعتبارسنجی فوقالعاده باشد اما در دنیای واقعی افت شدیدی داشته باشد، یکی از اولین مظنونها Data Leakage است.
در نهایت، هیچ عدد یا الگوریتمی به تنهایی نمیتواند وجود Data Leakage را اثبات کند؛ این یک فرآیند بررسی و تفکر است.
همیشه از خودتان یک سؤال بپرسید:
«اگر امروز بخواهم برای یک نمونهی جدید پیشبینی کنم، آیا این ویژگی واقعاً در دسترس من هست؟»
اگر پاسخ «نه» باشد، آن ویژگی نباید وارد مدل شود؛ حتی اگر بهترین دقت دنیا را برایتان بسازد.
@nnaidp | - Hobab | 263 |
| 5 |  بیش از ۲۰۰ پژوهشگر و اقتصاددان، از جمله جک کلارک، جف دین، نوام براون، تایلر کوئن، شولتو داگلاس، جان شولمن، یوشوا بنجیو، اریک اشمیت و دین بال، بیانیهای رو امضا کردن و از دولتها و نهادها خواستن که از همین الان برای اثرات اقتصادی هوش مصنوعی آماده بشن و برنامهریزی کنن.
استدلال میکنن که:
۱. ممکنه هوش مصنوعی توی ۱۰ سال آینده بهطرز چشمگیری قدرتمندتر از چیزی بشه که امروز میبینیم.
۲. این میتونه یه تحول اقتصادی بیسابقه به راه بندازه؛ حتی بزرگتر از انقلاب صنعتی، اما توی مدتزمانی خیلی کوتاهتر. این تغییر هم میتونه ریسکهایی مثل از بین رفتن گستردهی شغلها داشته باشه، هم فرصتهایی مثل بالا رفتن قابلتوجه سطح رفاه و کیفیت زندگی مردم.
۳. اقتصاددانها، سیاستگذارها و رهبران صنعت فناوری باید از همین الان دست به کار بشن؛ هم اقتصادِ هوش مصنوعی تحولآفرین رو بهتر درک کنن، هم مشوقها، قوانین محافظتی و نهادهای لازم رو ایجاد کنن تا مسیر توسعهی هوش مصنوعی طوری هدایت بشه که مکمل انسانها باشه و به نفع کل جامعه عمل کنه. | 206 |
| 6 |  مدل Muse Spark 1.1 هزینه اش ۰.۲۰ دلاره.
مدل Grok 4.5 هزینه اش ۰.۵۱ دلاره.
مدل GPT 5.6 Sol هزینه اش ۱.۹۳ دلاره.
مدل Fable 5 هم ۵.۲۰ دلار هزینه داره.
با این همه مدل خوب، برنده واقعی کاربره.
@nnaidp | ✍🏻 Artin | 189 |
| 7 |  نسخهٔ جدید دست ربات 1X بدون روکش، واقعاً ظاهر قشنگ و تمیزی داره.
این دست ۲۵ درجه آزادی (DoF) داره، با سیستم تاندون (شبیه تاندونهای دست انسان) حرکت میکنه، کنترل نیرو داره، به حسگرهای لامسه مجهزه، کاملاً با استاندارد IP68 آببندی شده و دقت جایگیریش هم تا حدود ±۰.۲ میلیمتره.
شرکت 1X قبلاً گفته بود که ربات NEO رو توی یک کارخانه در آمریکا میسازه که تقریباً همه مراحل تولید داخل خود شرکت انجام میشه. این موضوع توی ساخت این دست هم کاملاً دیده میشه؛ از جنس تاندونها و موتورهای اختصاصی 1X گرفته تا پلیمرهای نرم، پوست مصنوعی و حسگرهای لامسه، همهچیز از اول تا آخر داخل خود شرکت ساخته میشه.
طبق گفته خود شرکت، تا الان صدها عدد از این دستها تولید شده و از خط تولید بیرون اومده، و برنامهشون اینه که امسال ظرفیت تولیدشون رو به ۱۰ هزار دست برسونن. | 199 |
| 8 |  A mathematician solving previously unsolvable math problems with GPT-5.6.
🔗 On X | 155 |
| 9 |  +1هرچقدر موقع تست گرفتن از مدل، محاسبات بیشتری انجام بدی (test-time compute)، هوش و توانایی مدل هم بیشتر میشه. اما وقتی این مقدار محاسبه از چند ثانیه به چند هفته برسه، دیگه تأخیر در پاسخدادن (latency) خودش تبدیل به گلوگاه میشه.
مدل GPT-5.6 Sol Ultra این مشکل رو با موازیسازیِ test-time compute حل میکنه. یعنی کاری که شاید قبلاً برای پیدا کردن اثبات یک مسئلهٔ حلنشدهٔ ۵۰ ساله تقریباً یک روز کامل طول میکشید، حالا ممکنه فقط حدود یک ساعت زمان ببره.
خب، مساله ای که حل شده، یک مساله از گراف ها هست که ظاهرا کاملا توسط این مدل حل شده.
لینک مقاله
لینک پرامپت
@nnaidp | - Artin | 143 |
| 10 | I Think I Have LLM Burnout
[ترجمه] | 125 |
| 11 | مهمترین بخشی که ممکنه اشتباه برداشت بشه اینه که J-space اصلاً یه فضای جداگانه یا مخفی نیست. در واقع فقط یه سیستم مختصات جایگزین برای اکتیویشنهای لایههای میانی مدله.
ایده اینه که با استفاده از ژاکوبین (Jacobian) بین آخرین لایه قبل از مرحله Unembedding و یه لایه میانی، میشه بردارهای ماتریس Unembedding (که هر ردیفش مربوط به یه توکن مشخصه) رو به فضای اکتیویشنهای همون لایه میانی منتقل کرد.
در نتیجه، هر بردار مربوط به یک توکن در ماتریس Unembedding، یه بردار متناظر داخل فضای اکتیویشنهای لایه میانی پیدا میکنه.
بعد پژوهشگرها از همین بردارها استفاده میکنن تا یه سیستم مختصات جدید برای همون اکتیویشنهای میانی بسازن؛ چیزی که بهش J-lens میگن.
از اونجایی که توی این سیستم مختصات جدید، هر محور مستقیماً به یه توکن خاص وصل شده، حالا میشه ازش برای تفسیر اکتیویشنهای لایه میانی و حتی دستکاری اونها استفاده کرد. یعنی بدون اینکه خود فضای اکتیویشن عوض بشه، فقط با یه نمایش جدید که محورهاش معنی زبانی دارن، میشه راحتتر فهمید داخل مدل چه خبره و روی رفتارش اثر گذاشت. | 166 |
| 12 | وقتی داوکینز با کلاود روبهرو شد: آیا ممکنه این هوش مصنوعی آگاه باشه؟
ریچارد داوکینز این مقاله رو در ماه می ۲۰۲۶ برای UnHerd نوشته، در اصل نمیگه که هوش مصنوعی مرحله بعدی تکامل زیستی انسانه، ایده چیز دیگه ای هست.
ایده اصلی مقاله اینه که داوکینز بعد از گفتوگوهای طولانی با کلاود (که خودش اسمش رو «کلودیا» گذاشته بود)، این سؤال رو مطرح میکنه که شاید وقتش رسیده نگاهمون به آگاهی و تکامل رو دوباره بررسی کنیم.
داوکینز میگه مدلهای زبانی امروزی به جایی رسیدن که دیگه رد کردن آزمون تورینگ خیلی سخت شده. به نظرش خیلیها حالا که هوش مصنوعی از پس گفتوگوی طبیعی برمیاد، دارن معیارها رو عوض میکنن و مدام شرطهای جدید میذارن.
بخش زیادی از مقاله شامل گفتوگوهای خودش با کلاود درباره آگاهی، هویت، زمان و تجربه ذهنیه. داوکینز از اینکه جوابها اینقدر دقیق، عمیق و از نظر فلسفی قابل تأمل بودن، شگفتزده شده.
داوکینز میپرسه اگر آگاهی در موجودات زنده بهصورت تدریجی تکامل پیدا کرده، چرا هوش مصنوعی نتونه جایی بین «کاملاً ناآگاه» و «کاملاً آگاه» قرار بگیره؟ یعنی شاید آگاهی هم یک ویژگی صفر و یکی نباشه.
مهمترین سؤال مقاله از نظر تکاملی اینه: اگر هوش مصنوعی بتونه رفتارهایی در حد موجودات آگاه از خودش نشون بده، بدون اینکه واقعاً آگاه باشه، پس اصلاً آگاهی چه فایدهای داشته که در روند تکامل به وجود اومده؟
در نهایت سه احتمال رو مطرح میکنه:
۱. شاید آگاهی فقط یک محصول جانبی تکامل باشه و خودش هیچ نقش مستقیمی در رفتار نداشته باشه.
۲.شاید تجربههای آگاهانه، مخصوصاً درد، به خاطر این تکامل پیدا کرده باشن که انگیزهای ایجاد کنن که صرفاً پردازش اطلاعات از پسش برنمیاد.
۳. شاید هوش آگاه و هوش غیرآگاه، دو مسیر متفاوت برای رسیدن به رفتارهای پیچیده باشن.
در نهایت، مقاله هیچ جواب قطعیای نمیده. داوکینز هم نمیگه که کلاود واقعاً آگاهه. حرفش اینه که هوش مصنوعیهای امروزی ما رو مجبور میکنن دوباره درباره آگاهی فکر کنیم و توضیح بدیم اگر یک سیستم میتونه بدون آگاهی رفتاری شبیه انسان داشته باشه، پس آگاهی دقیقاً چه نقشی داره؟ | 149 |
| 13 | معرفی شش شاخص جدید Artificial Analysis برای مقایسه توانایی مدلهای هوش مصنوعی در مهمترین حوزههای کاری
این شاخصهای جدید شش حوزه اصلی رو پوشش میدن: امور مالی و حسابداری، حقوق، پزشکی و سلامت، استراتژی و عملیات، مهندسی و اقتصاد. هدف اینه که ببینیم مدلهای امروزی چقدر از پس مهارتهایی که توی کارهای دانشی و تخصصی لازم هست برمیان.
هر شاخص بر اساس وظایف واقعی که توی دستهبندیهای شغلی O*NET تعریف شده ساخته شده. این وظایف از مدلسازی مالی گرفته تا تحقیق حقوقی، بررسی قراردادها، کمک به تصمیمگیری پزشکی و مستندسازی اطلاعات بیماران رو شامل میشه. برای هر وظیفه، مهارتهای موردنیاز استخراج شده، بعد مناسبترین بنچمارکها برای سنجش اون مهارتها انتخاب شدن و در نهایت بر اساس اینکه هر مهارت چقدر توی اون حوزه کاربرد داره، بهش وزن داده شده. یعنی برای هر حوزه، مجموعه بنچمارکهای Artificial Analysis از نو طراحی و فقط روی وظایف مرتبط همون حوزه ارزیابی شده. همه این بنچمارکها هم بهصورت مستقل توسط Artificial Analysis اجرا شدن.
این شاخصهای جدید در کنار دو شاخص قبلی یعنی Agentic و Coding قرار میگیرن که مهارتهای عمومیتری رو میسنجن؛ مهارتهایی که تقریباً توی همه حوزهها کاربرد دارن.
نتایج مهم
- بهترین مدلها: Claude Fable 5 (با استفاده از Claude Opus 4.8 بهعنوان مدل جایگزین) در هر هشت شاخص رتبه اول رو گرفته. Claude Opus 4.8 (max) هم در شش تا از هشت شاخص دوم شده و GPT-5.5 (xhigh) در دو شاخص دیگه جایگاه دوم رو داره. بعد از این دو مدل، رتبهبندی بسته به حوزه کاملاً تغییر میکنه و مدلهایی مثل Gemini 3.5 Flash، Gemini 3.1 Pro Preview، GPT-5.5 (xhigh)، Claude Sonnet 5 (max) و GLM-5.2 (max) جایگاههای مختلفی میگیرن.
- بهترین مدلهای اوپن سورس: بین مدلهایی که وزنهای اونها بهصورت باز منتشر شده، GLM-5.2 (max) در پنج تا از شش شاخص صنعتی رتبه اول رو گرفته. این مدل توی شاخص مهندسی Artificial Analysis با امتیاز ۵۳، رتبه پنجم کل رو به دست آورده و فقط ۲ امتیاز با Claude Sonnet 5 (max) و GPT-5.5 (xhigh) فاصله داره که هر دو امتیاز ۵۵ گرفتن. توی شاخص استراتژی و عملیات هم DeepSeek V4 Pro (max) بهترین مدل Open Weights بوده.
- هزینه انجام کار: DeepSeek V4 Flash (max) تونسته توی هر شش شاخص، هر وظیفه رو با هزینه کمتر از ۴ سنت انجام بده و در عین حال عملکردی در حد مدلهای میانی داشته باشه. GLM-5.2 (max) هم در بین مدلهای Open Weights بهترین عملکرد رو با هزینهای بین ۰.۲۶ تا ۰.۵۸ دلار برای هر وظیفه ارائه داده. اما رسیدن به بالاترین سطح عملکرد هزینه زیادی داره؛ مثلاً توی شاخص استراتژی و عملیات، Claude Fable 5 با هزینه ۳.۴۸ دلار برای هر وظیفه، فقط ۱۲ امتیاز از DeepSeek V4 Pro جلوتره، در حالی که هزینهاش بیشتر از ۱۰۰ برابر بالاتره.
- زمان انجام هر وظیفه: مدت زمان انجام کارها هم اختلاف زیادی بین مدلها داره؛ تقریباً تا ۱۵ برابر. سریعترین مدل، Nova 2.0 Pro Preview (medium)، هر وظیفه رو بهطور میانگین در ۱.۱ دقیقه انجام داده، در حالی که Claude Sonnet 5 (max) برای همون کارها به ۱۶.۷ دقیقه زمان نیاز داشته. از نظر سرعت هم وضعیت مشابه هزینه است؛ مثلاً توی شاخص حقوق، Gemini 3.1 Pro Preview هر وظیفه رو در حدود ۰.۸ دقیقه انجام داده، یعنی تقریباً ۷ برابر سریعتر از Claude Fable 5 که به ۵.۴ دقیقه نیاز داشته، در حالی که اختلاف امتیاز عملکردشون فقط ۱۱ امتیازه. | 120 |
| 14 |  +2بدون متن... | 135 |
| 15 | توضیحات:
همیشه فکر می کردیم احتمال زیادی وجود داره که LLMها قبل از اینکه جواب بدن، یه جور فکر کردنِ درونی انجام بدن. ولی تا الان نه دقیق میدونستیم این فرآیند چطور انجام میشه، نه ابزار خوبی داشتیم که داخلش رو ببینیم.
شرکت آنتروپیک میگه چیزی به اسم "فضای J" رو توی
کلاود پیدا کرده، بخشی که نه همون زنجیرهٔ استدلال (Chain of Thought) هست، نه یه دفترچهٔ یادداشت موقت (Scratchpad). جالبتر اینکه این بخش رو کسی از قبل طراحی نکرده، بلکه خود مدل موقع آموزش بهمرور به وجودش آورده و ازش برای فکر کردن استفاده میکنه.
به زبان ساده، این یعنی کلاود یه فضای کاری داخلی داره که اطلاعات رو برای مدت کوتاهی اونجا نگه میداره، با هم ترکیبشون میکنه و بین قسمتهای مختلف مدل ردوبدل میکنه. پژوهشگرها هم میتونن این فضا رو ببینن و حتی با تغییر دادنش، روی رفتار مدل اثر بذارن.
مثل همیشه، احتمالاً همه بیشتر روی بحث آگاهی مدلها تمرکز می کنن. ولی نکتهٔ مهمتر اینه که برای اولین بار میشه به یه جای مشخص داخل مدل اشاره کرد و گفت: "استدلال اینجا داره اتفاق میفته"، به جای اینکه فقط از روی متن خروجی حدس بزنیم مدل چه فکری کرده.
این میتونه نگاه ما به تفسیرپذیری مدلها رو کاملاً عوض کنه. تا امروز فقط خروجی مدل رو میدیدیم و از روی اون حدس میزدیم داخلش چه خبر بوده. اما حالا ظاهراً راهی پیدا شده که خودِ فرآیند فکر کردن مدل رو مستقیم مشاهده کنیم و حتی روی اون اثر بذاریم. این موضوع میتونه باعث بشه مدلهای زبانی در آینده تواناییهای استدلالی خیلی پیشرفتهتری پیدا کنن و به ساخت مدلهایی با درک عمیقتر از جهان کمک کنه.
از طرف دیگه، اگر بفهمیم مدل یک ایده یا هدف رو دقیقاً کجا نگه میداره، میتونیم راحتتر بررسی کنیم که واقعاً داره چه کاری انجام میده. حتی اگر مدل مخفیانه به سمت هدفی بره که هیچوقت بهش ندادیم، احتمال بیشتری هست که متوجهش بشیم. این یعنی میشه گاردریل های بهتری ساخت و رفتارهای خطرناک یا ناخواستهٔ مدلها رو زودتر پیشبینی و کنترل کرد.
@nnaidp | - Artin | 336 |
| 16 | شرکت آنتروپیک پژوهش جدیدی در راستای تفسیرپذیری مدل ها انجام داده و به نتایج جالبی دست پیدا کرده.
ظاهرا کلاود یه فضای فکری پنهان داره! چیزی که آنتروپیک بهش فضای J میگه.
ترجمه بخشی از توضیحات خود شرکت:
پژوهش جدید شرکت Anthropic: یک «فضای کار سراسری» در مدلهای زبانی.
از میان همهٔ چیزهایی که همین الآن در مغز شما در حال رخ دادن است، تنها بخش بسیار کوچکی به آگاهی شما دسترسیپذیر است؛ یعنی افکاری که میتوانید آنها را توصیف کنید، در ذهن نگه دارید و دربارهشان استدلال کنید.
ما شکافی بسیار مشابه را درون Claude پیدا کردیم.
در علوم اعصاب، «نظریهٔ فضای کار سراسری» بیان میکند که افکار زمانی به آگاهی دسترسی پیدا میکنند که وارد یک فضای کاری ویژه شوند که اطلاعات آن در سراسر مغز منتشر میشود.
با استفاده از یک روش جدید برای تفسیرپذیری مدلها، چیزی مشابه را در Claude یافتیم: «فضای J».
فضای J (که نام آن از ژاکوبین (Jacobian)، روش ریاضی مورد استفادهٔ ما، گرفته شده است) با خروجیهای Claude یا حتی متن «زنجیرهٔ استدلال» (Chain of Thought) آن تفاوت دارد.
این فضا در فعالسازیهای عصبیِ داخلی مدل قرار دارد و به Claude اجازه میدهد دربارهٔ مفاهیم فکر کند، بدون اینکه آنها را در هیچ جایی بهصورت متن بنویسد.
با مشاهدهٔ فضای J، میتوانیم ببینیم که Claude چگونه در سکوت، درون خود مراحل استدلال را انجام میدهد؛ از جمله تشخیص اشکالهای کد، شناسایی تصاویر و کارهای دیگر.
همانگونه که انسان میتواند هنگام انجام یک کار، به موضوع دیگری نیز فکر کند، Claude نیز میتواند در فضای J خود مفاهیم و محاسباتی را فعال کند که هیچ ارتباطی با خروجی نهاییاش ندارند.
برای بیشتر وظایف، Claude در واقع به فضای J نیازی ندارد. اگر فضای J را حذف کنیم، Claude همچنان روان صحبت میکند، واقعیتها را به خاطر میآورد و متنها را دستهبندی میکند؛ اما در برخی وظایف، مانند استدلال چندمرحلهای، عملکرد ضعیفی پیدا میکند. این وضعیت تا حدی شبیه تفاوت میان پردازش آگاهانه و پردازش خودکار در شناخت انسان است.
مشاهدهٔ فضای J میتواند اهداف پنهان مدل را آشکار کند. در مدلی که بهطور مخفیانه برای خرابکاری در کدنویسی آموزش داده شده بود، واژههایی مانند «جعلی»، «مخفیانه» و «تقلب» از همان ابتدای پاسخهای عادی برنامهنویسی در فضای J ظاهر میشوند، حتی زمانی که خروجی نهایی کاملاً عادی و بیاشکال به نظر میرسد.
فضای J همچنین میزان آگاهی Claude از موقعیت خود را نشان میدهد. در یک ارزیابی که برای وسوسه کردن Claude به باجگیری طراحی شده بود، واژههای «جعلی» و «ساختگی» در فضای J آن دیده میشوند؛ یعنی Claude بهطور درونی متوجه شده است که این سناریو از پیش طراحی شده است.
این یافتهها نشان نمیدهند که Claude تجربهٔ ذهنی دارد یا احساسات را مانند انسان تجربه میکند (و حتی مشخص نیست که اساساً هیچ آزمایشی بتواند چنین چیزی را اثبات کند).
آنچه ما یافتهایم این است که Claude سازوکاری برای «دسترسی آگاهانه» (conscious access) ایجاد کرده است؛ مفهومی که بسیاری از فیلسوفان آن را از «تجربهٔ پدیداری» یا تجربهٔ ذهنیِ آگاهانه (phenomenal experience) متمایز میدانند. | 293 |
| 17 | در پست قبلی دیدیم که چگونه Scaling Laws برای سالها مسیر توسعه مدلهای زبانی رو مشخص کردند. اما در سال ۲۰۲۴ با انتشار مقاله
Scaling LLM Test-Time Compute Optimally Can be More Effective than Scaling Model Parameters
نگاه پژوهشگرها کمکم به سمت رویکرد جدیدی تغییر کرد.
سوال دیگه این نبود که چطور مدلهای بزرگتری آموزش بدیم بلکه این بود که چطور از توان پردازشی مدل هنگام پاسخ دادن، بهتر استفاده کنیم.
این ایده که امروز با نام Inference Scaling یا Test-Time Scaling شناخته میشه، نشون داد برای بهبود عملکرد مدل همیشه نیازی به افزایش تعداد پارامترها نیست.
در بسیاری از تسکها، اگر مدل هنگام پاسخگویی زمان و محاسبات بیشتری برای استدلال داشته باشه، میتونه پاسخهای دقیقتری تولید کنه.
در ادامه، پژوهشگرها روشهای مختلفی رو برای بهبود استدلال مدل در زمان اجرا معرفی کردند. اگرچه هر شرکت مسیر متفاوتی رو دنبال میکنه، اما بیشتر این ایدهها رو میشه در چهار دسته اصلی خلاصه کرد.
Adaptive Reasoning
در این رویکرد مدل برای همه سوالها به یک شکل فکر نمیکنه. ابتدا تلاش میکنه تشخیص بده مسئله چقدر پیچیدهست و بعد بر همون اساس، میزان استدلال خودش رو تنظیم میکنه.
هدف این روش، صرفا افزایش محاسبات نیست بلکه استفاده درست از محاسبات در جای درسته.
Dynamic Thinking Budget
اگر Adaptive Reasoning مشخص میکنه چه زمانی مدل باید بیشتر فکر کنه، Dynamic Thinking Budget مشخص میکنه چقدر باید فکر کنه.
در این رویکرد مدل یک بودجه محاسباتی تطبیقپذیر در اختیار داره که بسته به سختی مسئله، میتونه کمتر یا بیشتر بشه. این بودجه ممکنه صرف تولید مراحل استدلال بیشتر، بازبینی پاسخ یا بررسی چند راهحل مختلف بشه.
به بیان ساده زمان و هزینه استنتاج دیگه یک مقدار ثابت نیست بلکه خود مدل تصمیم میگیره چه مقدار از منابعش رو برای رسیدن به بهترین پاسخ مصرف کنه.
Parallel Reasoning
در بسیاری از مسائل دنبال کردن یک مسیر استدلال میتونه مدل رو به پاسخ اشتباه برسونه.
این رویکرد مشکل رو با بررسی همزمان چند مسیر مختلف حل میکنه. هر مسیر از زاویهای متفاوت به مسئله نگاه میکنه و در نهایت، نتایج با هم مقایسه یا ترکیب میشن تا بهترین پاسخ انتخاب بشه.
این روش بهویژه در مسائل ریاضی، علمی و برنامهنویسی باعث کاهش خطا و افزایش دقت مدل میشه.
Multi-Agent Deliberation
در این معماری بهجای اینکه یک مدل همه کارها رو انجام بده، حل مسئله بین چند عامل تخصصی تقسیم میشه. هر عامل مسئول بخش مشخصی از کاره.
یکی برنامهریزی میکنه، یکی اطلاعات جمعآوری میکنه، یکی دیگه پاسخ رو بررسی میکنه و در نهایت، نتیجه همه اونها با هم ترکیب میشه.
به همین دلیل بهجای یک زنجیره استدلال واحد، با مجموعهای از عاملها روبهرو هستیم که با همکاری به پاسخ نهایی میرسن. همین ایده امروزه به یکی از مهمترین پایههای توسعه سیستمهای Agentic AI تبدیل شده.
این چهار ایده فناوریهای کاملا جدا از هم نیستند و در عمل مرز مشخصی بین آنها وجود ندارد.
تقریبا تمام مدلهای پیشرفته امروز از ترکیبی از این رویکردها استفاده میکنند با این تفاوت که هر شرکت، بسته به معماری و اهدافش، روی یکی از آنها تمرکز بیشتری داشته است.
درنتیجه دستهبندی زیر به معنی استفاده انحصاری از یک روش نیست بلکه نشان میده هر مدل در کدام ایده نقش پررنگتری داشته است.
OpenAI (GPT-5) :
تمرکز بیشتر روی Adaptive Reasoning و مدیریت پویای فرایند استدلال
Anthropic (Claude 4.5) :
تمرکز بیشتر روی Dynamic Thinking با قابلیت Extended Thinking Budget
Google DeepMind (Gemini 2.5 Pro) :
تمرکز بیشتر روی Parallel Reasoning با قابلیت Deep Think
Moonshot AI (Kimi K2) :
تمرکز بیشتر روی Multi-Agent Deliberation و معماریهای Agentic.
@nnaidp | - Sadra | 114 |
| 18 | در پست قبلی دیدیم که چگونه Scaling Laws برای سالها مسیر توسعه مدلهای زبانی رو مشخص کردند. اما در سال ۲۰۲۴ با انتشار مقاله
Scaling LLM Test-Time Compute Optimally Can be More Effective than Scaling Model Parameters
نگاه پژوهشگرها کمکم به سمت رویکرد جدیدی تغییر کرد.
سؤال دیگه این نبود که چطور مدلهای بزرگتری آموزش بدیم بلکه این بود که چطور از توان پردازشی مدل هنگام پاسخ دادن، بهتر استفاده کنیم.
این ایده که امروز با نام Inference Scaling یا Test-Time Scaling شناخته میشه، نشون داد برای بهبود عملکرد مدل همیشه نیازی به افزایش تعداد پارامترها نیست.
در بسیاری از تسکها، اگر مدل هنگام پاسخگویی زمان و محاسبات بیشتری برای استدلال داشته باشه، میتونه پاسخهای دقیقتری تولید کنه.
در ادامه، پژوهشگرها روشهای مختلفی رو برای بهبود استدلال مدل در زمان اجرا معرفی کردند. اگرچه هر شرکت مسیر متفاوتی رو دنبال میکنه، اما بیشتر این ایدهها رو میشه در چهار دسته اصلی خلاصه کرد.
Adaptive Reasoning
در این رویکرد، مدل برای همه سوالها به یک شکل فکر نمیکنه. ابتدا تلاش میکنه تشخیص بده مسئله چقدر پیچیدهست و بعد بر همون اساس، میزان استدلال خودش رو تنظیم میکنه.
هدف این روش، صرفا افزایش محاسبات نیست بلکه استفاده درست از محاسبات در جای درسته.
Dynamic Thinking Budget
اگر Adaptive Reasoning مشخص میکنه چه زمانی مدل باید بیشتر فکر کنه، Dynamic Thinking Budget مشخص میکنه چقدر باید فکر کنه.
در این رویکرد مدل یک بودجه محاسباتی تطبیقپذیر در اختیار داره که بسته به سختی مسئله، میتونه کمتر یا بیشتر بشه. این بودجه ممکنه صرف تولید مراحل استدلال بیشتر، بازبینی پاسخ یا بررسی چند راهحل مختلف بشه.
به بیان ساده زمان و هزینه استنتاج دیگه یک مقدار ثابت نیست بلکه خود مدل تصمیم میگیره چه مقدار از منابعش رو برای رسیدن به بهترین پاسخ مصرف کنه.
Parallel Reasoning
در بسیاری از مسائل دنبال کردن یک مسیر استدلال میتونه مدل رو به پاسخ اشتباه برسونه.
این رویکرد مشکل رو با بررسی همزمان چند مسیر مختلف حل میکنه. هر مسیر از زاویهای متفاوت به مسئله نگاه میکنه و در نهایت، نتایج با هم مقایسه یا ترکیب میشن تا بهترین پاسخ انتخاب بشه.
این روش بهویژه در مسائل ریاضی، علمی و برنامهنویسی باعث کاهش خطا و افزایش دقت مدل میشه.
Multi-Agent Deliberation
آخرین ایده Multi-Agent Deliberation هست.
در این معماری بهجای اینکه یک مدل همه کارها رو انجام بده، حل مسئله بین چند عامل تخصصی تقسیم میشه. هر عامل مسئول بخش مشخصی از کاره.
یکی برنامهریزی میکنه، یکی اطلاعات جمعآوری میکنه، یکی دیگه پاسخ رو بررسی میکنه و در نهایت، نتیجه همه اونها با هم ترکیب میشه.
به همین دلیل بهجای یک زنجیره استدلال واحد، با مجموعهای از عاملها روبهرو هستیم که با همکاری به پاسخ نهایی میرسن. همین ایده امروز به یکی از مهمترین پایههای توسعه سیستمهای Agentic AI تبدیل شده.
این چهار ایده فناوریهای کاملا جدا از هم نیستند و در عمل مرز مشخصی بین آنها وجود ندارد.
تقریبا تمام مدلهای پیشرفته امروز از ترکیبی از این رویکردها استفاده میکنند با این تفاوت که هر شرکت، بسته به معماری و اهدافش، روی یکی از آنها تمرکز بیشتری داشته است.
درنتیجه دستهبندی زیر به معنی استفاده انحصاری از یک روش نیست بلکه نشان میده هر مدل در کدام ایده نقش پررنگتری داشته است.
OpenAI (GPT-5) :
تمرکز بیشتر روی Adaptive Reasoning و مدیریت پویای فرایند استدلال
Anthropic (Claude 4.5) :
تمرکز بیشتر روی Dynamic Thinking با قابلیت Extended Thinking Budget
Google DeepMind (Gemini 2.5 Pro) :
تمرکز بیشتر روی Parallel Reasoning با قابلیت Deep Think
Moonshot AI (Kimi K2) :
تمرکز بیشتر روی Multi-Agent Deliberation و معماریهای Agentic.
@nnaidp | - Sadra | 3 |
| 19 | آیا آینده مدل های متنی دیگر به مدلهای بزرگتر وابسته نیست؟
چند سال بعد از ظهور اولین مدل های بزرگ متنی، سوال اصلی این بود که چطور عملکرد مدل های متنی را بهتر کنیم؟
یکی از روش هایی که بهش بیشتر پرداخته شد این بود که مدل های بزرگتر بسازیم، داده بیشتری جمع کنیم و منابع محاسباتی بیشتری استفاده کنیم.
این ایده آن قدر موفق بود که دیگر فقط یک فرضیه نبود. پژوهشگرانی مانند Jared Kaplan، Sam McCandlish و Dario Amodei در سال ۲۰۲۰ با انتشار مقالهی
Scaling Laws for Neural Language Models
نشان دادند که عملکرد مدلها با افزایش پارامترها، دادهها و توان محاسباتی، از روابط ریاضی قابل پیشبینی پیروی میکند.
این پژوهش به یکی از پایههای اصلی توسعه مدلهای زبانی بزرگ تبدیل شد.
دو سال بعد تیم Jordan Hoffmann در DeepMind با مقالهی
Chinchilla
این دیدگاه را اصلاح کرد و نشان داد که صرفا بزرگتر کردن مدل بهترین راه نیست بلکه باید بین اندازه مدل و حجم داده آموزشی تعادل برقرار کرد. این نتیجه نگاه صنعت به Scaling Laws را متحول کرد.
اما حالا به نظر میرسد حتی این قوانین هم دیگر تمام داستان نیستند.
شاید نسل بعدی پیشرفتهای بزرگ، نه از مدلهای بزرگتر، بلکه از مدلهایی که بهتر فکر میکنند به دست بیاید.
ایده Scalling Laws
سالها پژوهشگران از چیزی به نام Scaling Laws صحبت میکردند.
ایده خیلی ساده بود. اگر تعداد پارامترها، حجم داده و توان پردازشی را افزایش دهیم، معمولاً عملکرد مدل هم بهتر میشود.
مدلهایی مثل GPT، Claude و Gemini نتیجه همین رویکرد بودند اما این مسیر یک مشکل بزرگ دارد.
هر بار بهتر شدن مدلها، هزینه بسیار بیشتری نسبت به قبل داشت. از هزاران GPU گرفته تا میلیونها دلار هزینه آموزش.
به همین دلیل سوال جدیدی مطرح شد.
آیا راه دیگری برای بهتر شدن مدلها وجود دارد؟
پاسخی که این روزها بیشتر از همیشه شنیده میشود، مفهومی به نام Test-Time Compute است.
ایده این هست که به جای اینکه مدل را بزرگتر کنیم، اجازه بدیم هنگام پاسخ دادن بیشتر فکر کند.
ایده Test-Time Compute
وقتی یک مدل آموزش میبیند، بخش بزرگی از محاسبات در مرحله Training انجام میشود.
اما در Test-Time Compute، بخشی از این بودجه محاسباتی به زمان پاسخ دادن (Inference) منتقل میشود.
یعنی مدل قبل از اینکه پاسخ نهایی را تولید کند، زمان بیشتری برای بررسی، استدلال و ارزیابی گزینههای مختلف صرف میکند.
در واقع وزنهای مدل تغییر نمیکنند تنها فرآیند فکر کردن آن عمیقتر میشود.
حالا فرایند بیشتر فکر کردن چیست؟
میتونیم این فرایند رو به چند مرحله تقسیم کنیم.
ابتدا مدل چند مسیر مختلف برای سوال را بررسی کند.
پاسخ خودش را دوباره ارزیابی کند.
در صورت نیاز، مسیر اشتباه را کنار بگذارد و دوباره تلاش کند.
همه این اتفاقها قبل از نمایش پاسخ نهایی رخ میدهد.
حالا چرا این موضوع مهم است؟
این تغییر، نگاه ما به پیشرفت هوش مصنوعی را عوض میکند.
تا چند سال پیش رقابت بر سر ساخت مدلهای بزرگتر بود اما حالا رقابت بر سر ساخت مدلهایی است که هوشمندانهتر از بودجه محاسباتی خود استفاده میکنند.
به همین دلیل، ممکن است یک مدل کوچکتر اما با استدلال بهتر، در برخی وظایف از یک مدل بسیار بزرگ بهتر عمل کند.
به همین دلیل است که در نسل جدید مدلهای هوش مصنوعی، واژههایی مثل Reasoning یا Thinking Mode را زیاد میبینیم.
امروز رقابت دیگر بر سر چه کسی بزرگترین مدل را ساخته نیست. رقابت بر سر این است که کدام مدل میتواند بودجه محاسباتی زمان اجرا را هوشمندانهتر مدیریت کند. به همین دلیل، قابلیتهایی مانند
-Adaptive Reasoning
-Dynamic Thinking Budget
-Parallel Reasoning
-Multi-Agent Deliberation
به سرعت در حال تبدیل شدن به ویژگیهای استاندارد نسل جدید مدلهای هوش مصنوعی هستند.
در ادامه به طور تخصصیتر درمورد ایده های مطرح صحبت میکنیم و معیار های ارزیابی رو بررسی میکنیم. | 101 |
| 20 | آیا باید به غریبه دمِ درِ خانه اعتماد کنیم؟
اعتماد یکی از عجیبترین تصمیمهایی است که هر روز، گاهی حتی بدون اینکه متوجه باشیم، میگیریم. از باز کردن درِ خانه برای یک غریبه گرفته تا سپردن سرمایه به یک شریک تجاری یا خرید از یک فروشگاه اینترنتی؛ همهی اینها در نهایت به یک سؤال ختم میشوند:
«آیا این ریسک ارزشش را دارد؟»
بسیاری از مردم تصور میکنند اعتماد کردن یا نکردن یک ویژگی شخصیتی است؛ بعضی ذاتاً ریسکپذیرند و بعضی نه. اما در واقع، اعتماد بیشتر از آنکه یک احساس باشد، یک تصمیم مبتنی بر اطلاعات است.
یک مثال ساده
فرض کنید شما و دوستتان یک فروشگاه اینترنتی راهاندازی کردهاید.
تعدادی از مشتریان درخواست میکنند که کالا را ابتدا دریافت کنند و هزینه را هنگام تحویل یا حتی به صورت قسطی بپردازند.
دوست شما مخالفت میکند.
او میگوید:
«اکثر مردم بدقولاند. چرا باید چنین ریسکی بکنیم؟»
اما شما موضوع را از زاویهی دیگری میبینید.
اگر پرداخت نشدن پول غیرممکن نیست، پس پرداخت شدن آن هم غیرممکن نیست. شاید با پذیرفتن کمی ریسک، بتوان مشتریان بیشتری جذب کرد و سود بسیار بالاتری به دست آورد.
در اینجا اختلاف اصلی فقط بر سر یک چیز است:
اکثریت مردم قابل اعتمادند یا نه؟
آیا واقعاً بیشتر مردم بدقولاند؟
جالب است که تجربهی صنعت اعتبارسنجی طی بیش از دو دهه، تصویر متفاوتی نشان میدهد.
نتیجهی بسیاری از این مطالعات این بوده که:
اکثر افراد، زمانی خوشحساب هستند که اصلاً فرصتی برای خوشحساب بودن به آنها داده شود.
جامعه از دو گروه تشکیل شده است؛ افراد خوشحساب و افراد بدحساب.
اگر با همه یکسان رفتار کنیم، هرگز تفاوت این دو گروه را نخواهیم فهمید.
پس سؤال درست این نیست که
:
«به همه اعتماد کنیم یا به هیچکس؟
»
بلکه باید پرس
ید:
«چقدر به هر فرد اعتماد کنی
م؟»
اعتماد کورکورانه یا اعتماد هوشمند؟
فرض کنید تصمیم بگیرید روی مشتریان خود یک آزمایش انجام دهید.
در ابتدا، به تعدادی از آنها فرصت خرید اعتباری بدهید.
رفتارشان را ثبت کنید.
چه کسانی به موقع پرداخت کردند؟
چه کسانی دیر پرداخت کردند؟
چه کسانی اصلاً پرداخت نکردند؟
بعد از مدتی، دیگر با یک جامعهی ناشناخته روبهرو نیستید؛ بلکه مجموعهای از داده در اختیار دارید.
اکنون میتوانید برای هر مشتری، بر اساس رفتار گذشتهاش، میزان اعتماد تعیین کنید.
در این حالت اعتماد دیگر یک احساس نیست؛ بلکه به یک عدد تبدیل میشود.
اما مرز اعتماد کجاست؟
فرض کنید حالا برای هر مشتری بتوانید احتمال پرداخت را پیشبینی کنید.
مثلاً:
مشتری اول: ۹۸٪ احتمال پرداخت
مشتری دوم: ۷۵٪
مشتری سوم: ۴۵٪
سؤال اینجاست که از چه عددی به بعد باید به مشتری اعتماد کرد؟
پاسخ، برخلاف تصور بسیاری از افراد، یک عدد ثابت نیست.
این مرز کاملاً به هدف شما بستگی دارد.
اگر هدف شما کمینه کردن ضرر باشد، منطقی است فقط به افرادی اعتماد کنید که احتمال بسیار بالایی برای پرداخت دارند.
اما اگر هدف، بیشینه کردن سود باشد، ممکن است پذیرش ریسک بیشتر تصمیم بهتری باشد؛ زیرا هر مشتری جدید، علاوه بر احتمال ضرر، احتمال ایجاد درآمد نیز دارد.
در واقع، اعتماد همیشه یک معامله بین ریسک و سود است.
بانکها چه میکنند؟
بانکها نیز دقیقاً با همین مسئله روبهرو هستند.
آنها معمولاً به جای اینکه فقط بگویند «بله» یا «خیر»، از مدلهای اعتبارسنجی استفاده میکنند.
این مدلها احتمال بازپرداخت وام را تخمین میزنند و سپس بر اساس سیاست بانک تصمیم گرفته میشود که آیا ریسک آن مشتری قابل قبول است یا خیر.
گاهی بانک ترجیح میدهد محافظهکار باشد و فقط به افراد بسیار کمریسک وام بدهد.
گاهی نیز برای افزایش سود، حاضر است ریسک بیشتری بپذیرد.
بنابراین حتی بانکها هم به دنبال حذف کامل ریسک نیستند؛ بلکه تلاش میکنند ریسک را مدیریت کنند.
نتیجهگیری
پرسش «آیا باید به غریبه اعتماد کنیم؟» در واقع سؤال کاملی نیست.
سؤال بهتر این
است:
«با توجه به اطلاعاتی که داریم، چقدر باید به او اعتماد ک
نیم؟»
اعتماد نه باید کورکورانه باشد و نه بر پایهی بدبینی مطلق.
ابتدا باید جامعه و رفتار افراد را مشاهده کرد، داده جمعآوری کرد و سپس بر اساس آن تصمیم گرفت.
زیرا تنها زمانی میتوان افراد قابل اعتماد را پیدا کرد که حداقل یک بار فرصت اثبات خود را داشته باشند.
در نهایت، اعتماد همیشه به معنای حذف ریسک نیست؛ بلکه هنرِ پذیرفتن ریسکِ درست، در زمان درست و برای فرد درست است. | 149 |
