هوش مصنوعی و علم داده به فارسی

‏🤖 عرضه مدل FleXray برای شناسایی ساختارهای آناتومیک در تصاویر رادیولوژی ‏محققان MIT با همکاری بیمارستان عمومی ماساچوست و دانشکده پزشکی هاروارد، مدل FleXray را برای تحلیل تصاویر رادیولوژی معرفی کردند. این مدل قادر است ۶۰ ساختار آناتومیک مختلف، از ستون فقرات و دنده‌ها تا استخوان‌های لگن و اندام‌ها را شناسایی و تفکیک کند. ‏ویژگی‌های فنی این مدل: ‏• پشتیبانی از انواع تصاویر شامل نماهای استاندارد، مورب و تصاویر فلوروسکوپی حین جراحی. ‏• استفاده از معماری U-Net که به صورت مجموعه‌ای (Ensemble) از پنج شبکه برای افزایش دقت پردازش می‌شود. ‏• قابلیت محاسبه خودکار پارامترهایی مانند زاویه انحنای ستون فقرات در موارد اسکولیوز. ‏• امکان انطباق تصاویر رادیولوژی با داده‌های 3D CT برای کمک به ناوبری در حین مداخلات پزشکی. ‏طبق نتایج آزمایش‌ها، FleXray در اکثر معیارها نسبت به مدل‌هایی نظیر TotalSegmentator2D عملکرد دقیق‌تری داشته است. این مدل، برخلاف برخی ابزارهای مشابه، روی تشخیص آناتومی تمرکز دارد و بیماری‌شناسی را هدف قرار نمی‌دهد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏⚡️ افزایش بی‌سابقه تقاضای برق در آمریکا به‌دلیل مراکز داده هوش مصنوعی ‏طبق گزارش جدید EIA، مصرف برق در ایالات متحده طی سال‌های ۲۰۲۶ و ۲۰۲۷ رکوردهای تازه‌ای ثبت خواهد کرد. رشد فعالیت مراکز داده برای آموزش و اجرای سیستم‌های هوش مصنوعی، عامل اصلی این افزایش است. ‏پیش‌بینی‌ها نشان می‌دهد مصرف برق از ۴.۱۹۵ تریلیون کیلووات‌ساعت در سال ۲۰۲۵ به ۴.۲۸۸ تریلیون در سال ۲۰۲۶ و ۴.۳۵۶ تریلیون در سال ۲۰۲۷ برسد. این روند به معنای اضافه شدن ۱۶۱ میلیارد کیلووات‌ساعت تقاضای جدید تنها در بازه زمانی دو ساله است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Data_Centers #EIA

‏🤖 قابلیت آپلود مستقیم فایل صوتی در ChatGPT ‏پلتفرم ChatGPT اکنون از فایل‌های صوتی پشتیبانی می‌کند. کاربران نسخه‌های پولی (Plus) و محیط‌های کاری می‌توانند فایل‌های ضبط‌شده خود را برای پردازش در محیط گفتگو بارگذاری کنند. ‏این قابلیت امکانات زیر را در اختیار کاربر قرار می‌دهد: ‏* دریافت متن کامل (Transcript) فایل صوتی ‏* خلاصه‌سازی محتوای جلسات یا سخنرانی‌ها ‏* پرسش و پاسخ درباره جزئیاتِ فایل ضبط‌شده ‏فایل‌های صوتی با فرمت‌های MP3، WAV و M4A تا سقف ۵۱۲ مگابایت قابل بارگذاری هستند. عملکرد خروجی ممکن است بسته به زبان فایل و مدل انتخابی متغیر باشد و OpenAI هشدار داده که متون استخراج‌شده احتمال خطای انسانی دارند. دسترسی به این ویژگی بر اساس منطقه جغرافیایی و نوع اشتراک تعیین می‌شود. اطلاعات تکمیلی در مستندات راهنمای OpenAI موجود است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#ChatGPT #Audio_Uploads

‏⚡ معرفی مدل Claude Haiku 5.5 ‏شرکت Anthropic مدل Claude Haiku 5.5 را به‌عنوان سریع‌ترین و اقتصادی‌ترین گزینه در نسل جدید مدل‌های خود معرفی کرد. این مدل برای کاربردهایی با نیاز به سرعت بالا و هزینه پایین، مانند پردازش انبوه درخواست‌ها، سیستم‌های طبقه‌بندی و خودکارسازی، بهینه‌سازی شده است. ‏در خانواده Claude 5.5، این مدل در کنار Opus 5.5 (حداکثر توانمندی) و Sonnet 5.5 (تعادل بین کیفیت و هزینه) قرار می‌گیرد. بر اساس داده‌های منتشرشده، Haiku 5.5 در بنچمارک‌های مختلف عملکرد قابل‌توجهی نسبت به نسل قبل نشان می‌دهد: ‏* در شاخص Knowledge work (بنچمارک GDPval-AA v2.1) امتیاز ۱۶۲۰ را کسب کرده است. ‏* در عملکرد Computer use (بنچمارک OSWorld 2.1) به دقت ۷۲.۴ درصد رسیده است. ‏* در حل مسائل استدلالی چندرشته‌ای (Humanity's Last Exam بدون ابزار) امتیاز ۴۵.۹ درصد را ثبت کرده است. ‏* در وظایف برنامه‌نویسی ایجنتی (Terminal-Bench 4.0) امتیاز ۳۹.۲ درصد دارد. ‏* در استدلال بصری (Chartography) به امتیاز ۴۶.۴ درصد رسیده است. ‏این نتایج نشان می‌دهد که Haiku 5.5 از نظر کیفی به مدل‌های بزرگ‌تر نسل‌های پیشین نزدیک شده است.

‏ابزار VeriHarness برای راستی‌آزمایی خروجی مدل‌های هوش مصنوعی ‏گوگل و دانشگاه کمبریج ابزار متن‌باز VeriHarness را برای بررسی نتایج وظایف طولانی‌مدت مدل‌های زبانی منتشر کردند. این سیستم با استفاده از همان مدلی که وظیفه را انجام داده است، خروجی‌های مختلف را ارزیابی و اصلاح می‌کند. ‏نحوه عملکرد این ابزار به این صورت است: ‏* بررسی اختلافات: در مواردی که تلاش‌های مختلف مدل نتایج متفاوتی دارند، VeriHarness با بررسی محیط، بهترین گزینه را انتخاب می‌کند. ‏* ارزیابی اجماع: سیستم حتی در مواردی که تمام خروجی‌های مدل یکسان هستند، صحت محاسبات و داده‌ها را بازبینی می‌کند تا خطاهای احتمالی را شناسایی کند. ‏* اصلاح خودکار: خروجی نهایی به همراه گزارش کامل از فرآیند اصلاح و دلایل آن ارائه می‌شود. ‏توسعه‌دهندگان این پروژه حدود ۲۶ هزار نمونه از فعالیت عامل‌های Gemini 3.5 Flash و Opus 4.8 را نیز برای استفاده عمومی منتشر کرده‌اند. در آزمایش‌های انجام شده روی بنچمارک‌هایی مانند APEX-Agents، استفاده از VeriHarness دقت مدل‌ها را به‌طور میانگین افزایش داده است. ‏جزئیات بیشتر شامل کد پروژه، مقاله و مجموعه داده در دسترس است.

‏🐍 برتری مدل Local Liquid d1 در بازی مار ‏مدل هوش مصنوعی Local Liquid d1 3B در یک آزمایش عملی، عملکرد بهتری نسبت به رابط برنامه‌نویسی OpenAI در کنترل بازی مار (Snake) ثبت کرده است. ‏این مدل که روی یک کارت گرافیک RTX 3090 اجرا شده، برای هر تصمیم‌گیری تنها ۸ میلی‌ثانیه زمان صرف می‌کند. در این بازه زمانی، مدل موفق به انجام ۸۲ حرکت در ثانیه شد و توانست ۸۶ سیب را جمع‌آوری کند. ‏در مقابل، استفاده از API مدل OpenAI در هر فراخوانی ۳۴۵ میلی‌ثانیه زمان نیاز داشت که منجر به ثبت ۳ حرکت و خوردن تنها ۳ سیب در همان محیط شد. ‏جزئیات بیشتر و نحوه اجرای این مدل‌های تصمیم‌گیری در سایت رسمی پروژه قابل دسترسی است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Liquid_d1 #RTX_3090

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #137 | 📌 8 آیتم گزارش | 🧾 از 11 پست بررسی‌شده 🕐 چهارشنبه 1405/07/15 ساعت 14:00 تا پنجشنبه 1405/07/16 ساعت 14:00 🔎 تحلیل کوتاه

نفوذ عمیق‌تر هوش مصنوعی به صنایع سنتی، شرکت‌ها را به سمت سرمایه‌گذاری‌های سنگین زیرساختی و بازتعریف مدل‌های مالی سوق داده است؛ توافق بلندمدت گوگل برای تامین برق هسته‌ای نمونه‌ای از تلاش برای پاسخ به نیازهای پردازشی است، در حالی که احتمال کاهش ارزش دارایی بانک‌ها با ایجنت‌های هوش مصنوعی نشان می‌دهد خودکارسازی فرآیندهای مالی می‌تواند حاشیه سود موسسات بزرگ را تهدید کند.

⚡ زیرساخت و تحول صنایع

توافق بلندمدت گوگل برای افزودن ۸۹۰ مگاوات برق هسته‌ای به شبکه گوگل در همکاری با Constellation بیش از ۴.۳ میلیارد دلار برای تامین برق هسته‌ای پایدار مراکز داده خود سرمایه‌گذاری می‌کند. 🔗 نسخه مفصل در سایت تهدید سپرده‌های ارزان بانک‌های آمریکا توسط ایجنت‌های هوش مصنوعی ایجنت‌های مالی با شناسایی و انتقال خودکار سپرده‌های بدون بهره به حساب‌های سودده، حاشیه سود بانک‌ها را به چالش می‌کشند. 🔗 مشاهده پست

🧠 مدل‌ها و بهینه‌سازی فنی

تولید ۷۲۲ مقاله ریاضی توسط مدل هوش مصنوعی معرفی‌نشده OpenAI این مقالات علمی با حل ۴۰۰۰ مسئله باز ریاضی و با تخصیص متوسط سه ساعت زمان تفکر برای هر مسئله تولید شده‌اند. 🔗 مشاهده پست معرفی مدل چندوجهی Mistral Large 4 با ۱.۰۵ تریلیون پارامتر این مدل با معماری مخلوطی از کارشناسان و پنجره متنی یک میلیون توکنی، با هزینه سرویس‌دهی بسیار پایین عرضه شده است. 🔗 مشاهده پست کاهش مصرف حافظه در مدل‌های Looped LM با حفظ کلیدهای نهایی پژوهشگران با ذخیره اختصاصی وضعیت‌های پایانی مدل، نیاز به حافظه حافظه موقت را تا سه برابر کاهش دادند. 🔗 مشاهده پست

⚙️ توسعه سیستم‌های کاربردی

ادغام مستقیم هوش مصنوعی Claude در سرویس‌های گوگل ورک‌اسپیس این به‌روزرسانی امکان باز کردن، خواندن و اعمال ویرایش‌های مستقیم روی اسناد گوگل داکس و شیتس را فراهم می‌کند. 🔗 مشاهده پست تفکیک ساختارهای چرخه‌ای و گرافی در سیستم‌های ایجنتی راهنمای جدید طراحی سیستم‌ها، تفاوت‌های کلیدی چرخه‌های بهبود کیفیت کار و فرآیندهای گرافی را تبیین می‌کند. 🔗 مشاهده پست انتشار متن‌باز کتابخانه تخصیص منابع Rebalancer توسط متا این ابزار تخصیص منابع پس از ۹ سال استفاده داخلی برای حل روزانه ۴۰ میلیون مسئله به صورت عمومی منتشر شد. 🔗 مشاهده پست

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🟨 بازسازی سه‌بعدی محیط از یک تصویر با متد Rome ‏پروژه Rome ابزاری جدید برای تولید مش‌های سه‌بعدی دقیق از روی تنها یک عکس معرفی کرده است. این مدل قادر است هندسه محیط را فراتر از آنچه در تصویر دیده می‌شود، بازسازی و تکمیل کند. ‏این روش برای کاربردهای مختلفی از جمله فضاهای داخلی، خارجی و محیط‌های مقیاس‌بزرگ طراحی شده است. اطلاعات فنی و جزئیات عملکرد این متد در قالب‌های زیر قابل دسترسی است: ‏* مقاله علمی ‏* بررسی فنی ‏مخزن کدهای این پروژه نیز در آینده نزدیک منتشر خواهد شد.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Rome #3D_scene_reconstruction

‏🏦 احتمال کاهش ۵۰۰ میلیارد دلاری ارزش دارایی بانک‌های آمریکا با ایجنت‌های هوش مصنوعی ‏گسترش ایجنت‌های هوش مصنوعی می‌تواند مزیت رقابتی بانک‌های بزرگ ایالات متحده را به چالش بکشد. عملکرد این ایجنت‌ها ساده است: شناسایی پول‌های موجود در حساب‌های بانکی با سود نزدیک به صفر و انتقال خودکار آن‌ها به گزینه‌هایی با نرخ سود بالاتر. ‏به گزارش Financial Times، بانک‌هایی مانند JPMorgan، Bank of America و Wells Fargo در مجموع ۱.۶ تریلیون دلار سپرده بدون بهره دارند. در صورتی که نرخ سود این سپرده‌ها به ۳ درصد برسد، هزینه‌های سالانه این بانک‌ها حدود ۴۷ میلیارد دلار افزایش می‌یابد. ‏تخمین ۵۰۰ میلیارد دلاری مطرح شده در این تحلیل، مربوط به ارزش مزیت تأمین مالی ارزان برای بانک‌هاست. این برآورد بر این فرض استوار است که اگر ایجنت‌های هوش مصنوعی به‌طور مداوم نرخ‌های بهره بازار را برای سپرده‌گذاران تأمین کنند، این مزیت رقابتی به‌تدریج از بین خواهد رفت. البته بانک‌ها نیز می‌توانند از قابلیت‌های هوش مصنوعی در سایر بخش‌های عملیاتی خود بهره ببرند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏🔎 بهینه‌سازی مصرف حافظه در مدل‌های Looped ‏مدل‌های Looped LM با عبور دادن توکن‌ها از یک بلوک لایه‌های تکراری، عمق مدل را بدون افزایش تعداد پارامترها افزایش می‌دهند. مشکل اصلی این ساختار، مصرف بالای حافظه به دلیل انباشت KV-cache در هر تکرار بود. ‏محققان با مشاهده اینکه وضعیت درونی مدل در تکرارهای نهایی تقریباً ثابت می‌ماند، روشی برای نگهداری فقط کلیدها و مقادیر نهایی ابداع کردند. نتایج این رویکرد به شرح زیر است: ‏* کاهش ۳ برابری نیاز به حافظه KV-cache برای رسیدن به عملکردی مشابه مدل‌های ۱۲ بلوکی. ‏* افزایش سرعت پردازش پرامپت (Prefill) تا ۱.۷۹ برابر. ‏* بهبود ۲ برابری در سرعت آموزش RL. ‏در مدل ۱.۶ میلیارد پارامتری، مدل Looped با ۴ بلوک، عملکردی در سطح مدل‌های ۵ میلیارد پارامتری معمولی نشان می‌دهد. برای بررسی جزئیات فنی و پیاده‌سازی، کد و چک‌پوینت‌ها در گیت‌هاب این پروژه و مقاله آن در arXiv در دسترس است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Looped_LM #KV_cache

‏طراحی سیستم‌های Agentic: تفاوت Loop و Graph ‏بسیاری از توسعه‌دهندگان، سیستم‌های مبتنی بر ایجنت (Agent) را با چرخه‌های تکرار (Loop) اشتباه می‌گیرند. در حالی که یک Loop برای بهبود کیفیت یک واحد کاری به کار می‌رود، Graph ساختار کلی پروژه، ترتیب اجرا و نحوه تعامل واحدها را مشخص می‌کند. ‏به جای نظارت دستی بر تک‌تک مراحل ایجنت، این اصول را در معماری سیستم خود لحاظ کنید: ‏* ساختار Loop: شامل چهار بخش تولید، بررسی (Check)، اصلاح و تکرار تا رسیدن به نتیجه مطلوب است. نکته کلیدی این است که «بررسی» باید پیش از هر چیز تعریف شود تا برنامه بتواند در صورت خطا، کار را متوقف کند. ‏* ساختار Graph: شامل گره‌ها (واحد کاری) و یال‌ها (وابستگی‌ها) است. اشتباه رایج، تبدیلِ توالیِ زمانی به وابستگی است. اگر گام بعدی به خروجی گام قبلی نیاز ندارد، نباید با آن زنجیره شود. ‏* بازگشت برای یادگیری: دو مسیر بازگشت وجود دارد؛ اصلاح (کوتاه) برای رفع خطای فعلی، و یادگیری (بلند) که نتیجه تأییدشده را به عنوان یک قید جدید به ابتدای سیستم می‌فرستد تا از تکرار همان خطا در آینده جلوگیری شود. 🇮🇷 سایت | تلگرام

‏⚙️ انتشار کتابخانه Rebalancer توسط متا ‏متا ابزار Rebalancer را به صورت متن‌باز منتشر کرد. این سیستم طی ۹ سال گذشته مسئول تخصیص منابع در زیرساخت‌های این شرکت بوده و روزانه حدود ۴۰ میلیون مسئله تخصیص را در بیش از ۳۰ حوزه مختلف، از جای‌گذاری شاردها تا مسیریابی ترافیک جهانی، حل می‌کند. ‏نوآوری اصلی این ابزار در جدا کردن مشخصات مسئله از حل‌کننده (Solver) است. کاربر اشیا، مخازن، محدودیت‌ها و اهداف را تعریف می‌کند و سیستم آن را به یک گراف عبارتی تبدیل کرده و با استفاده از جستجوی محلی موازی یا حل‌کننده‌های MIP مانند Gurobi یا HiGHS حل می‌کند. ‏در مقیاس‌های بسیار بزرگ که مدل‌های MIP به دلیل پیچیدگی محاسباتی کارایی ندارند، متا از جستجوی محلی استفاده می‌کند که سرعت آن به میلیون‌ها حرکت در ثانیه می‌رسد. طبق داده‌های تولیدی، زمان حل برای ۲۶۵ هزار شیء در ۳.۲ هزار مخزن حدود ۱۲ ثانیه است و در مسائل بزرگتر با بیش از یک میلیون شیء، زمان میانگین به ۱۷۱ ثانیه می‌رسد. ‏جزئیات فنی بیشتر را می‌توانید در بلاگ مهندسی متا یا مقاله منتشر شده در OSDI 2024 مطالعه کنید. 🇮🇷 سایت | تلگرام

‏🚀 عرضه مدل Mistral Large 4 با ۱.۰۵ تریلیون پارامتر ‏شرکت Mistral AI مدل چندوجهی جدید خود با نام مستعار Le Chonk را در دسترس عموم قرار داد. این مدل MoE با ۱.۰۵ تریلیون پارامتر کل و ۴۹ میلیارد پارامتر فعال در هر توکن، از پنجره متنی ۱ میلیون توکنی پشتیبانی می‌کند و قابلیت دریافت مستقیم تصویر را دارد. این مدل با استفاده از ۳۸۰۰ پردازنده NVIDIA Grace Blackwell آموزش دیده است. ‏از نظر فنی، در هر توکن تنها ۴.۷ درصد از وزن‌های مدل فعال می‌شوند که باعث شده هزینه سرویس‌دهی برای ۱ میلیون توکن ورودی ۱.۳۶ دلار و خروجی ۴.۱۸ دلار باشد. با این حال، کل وزن‌های مدل باید در حافظه قرار بگیرد. ‏برخی نتایج ارزیابی مدل: ‏- امتیاز ۹۳ در Cybench و ۸۲ در CyberGym-E2E ‏- امتیاز ۶۱.۷ در DeepSWE v1.1 ‏- قرارگیری در میان ۵ مدل برتر شاخص سایبر Artificial Analysis ‏جزئیات فنی کامل در سایت رسمی Mistral و تحلیل معماری آن در MarkTechPost قابل بررسی است. دسترسی به این مدل از طریق API با نام mistral-large-4 امکان‌پذیر شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Mistral_Large_4 #Grace_Blackwell

‏🏢 شرکت‌های برنده آینده: کوچک‌تر، چابک‌تر و با لایه‌های مدیریتی کمتر ‏توسعه ابزارهای هوش مصنوعی این ایده را تقویت کرده است که برندگان رقابت‌های تجاری در سه سال آینده، دیگر غول‌های سنتی با ساختارهای سازمانی پیچیده و چندلایه نخواهند بود. ‏با ورود هوش مصنوعی به فرایندهای کاری، پیش‌بینی می‌شود سازمان‌های کوچک‌تر و سریع‌تری که سلسله‌مراتب مدیریتی بسیار کمتری دارند، شانس بیشتری برای موفقیت داشته باشند. اتوماسیون وظایف، افزایش بهره‌وری فردی با کمک دستیارهای هوشمند و سرعت بالا در تصمیم‌گیری، از عوامل اصلی این تغییر ساختار هستند. در این شرایط، توانایی انطباق سریع با بازار جایگزین مزیت ناشی از بزرگ بودن ابعاد شرکت‌ها می‌شود.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#تحول_سازمانی #اتوماسیون_وظایف

‏🍌 انتشار نسخه 2.1 مدل Nano Banana گوگل ‏گوگل نسخه جدید مدل Nano Banana 2.1 را برای تولید و ویرایش تصاویر عرضه کرد. طبق اعلام این شرکت، عملکرد مدل در تمامی بخش‌ها نسبت به نسخه‌های قبلی بهبود یافته است. ‏مهم‌ترین تغییرات این نسخه شامل موارد زیر است: ‏- ارتقای کیفیت طراحی بصری ‏- بهبود قابلیت ویرایش بر اساس ماسک ‏- حفظ ثبات سوژه در فریم‌های متوالی ‏این به‌روزرسانی تنها چند روز پس از انتشار مدل FLUX 3 Image با قابلیت ویرایش مبتنی بر کادر معرفی شده است.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#NanoBanana_2_1 #FLUX_3_Image

‏🤖 یکپارچگی Claude با ابزارهای Google Workspace ‏مدل هوش مصنوعی Claude اکنون به‌صورت مستقیم در سرویس‌های Google Docs، Sheets و Slides در دسترس است. این قابلیت به کاربر اجازه می‌دهد تا فایل‌های خود را مستقیماً در محیط Claude باز کند. ‏در این به‌روزرسانی، Claude در پنل کناری فضای کاری گوگل قرار می‌گیرد، محتوای فایل باز را می‌خواند و تغییرات لازم را در همان محل اعمال می‌کند. تمامی ویرایش‌های پیشنهادی پیش از نهایی شدن، توسط کاربر بررسی و تأیید می‌شوند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Claude #Google_Workspace

🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده 🗂 گزارش #136 | 📌 8 آیتم گزارش | 🧾 از 18 پست بررسی‌شده 🕐 سه‌شنبه 1405/07/14 ساعت 14:00 تا چهارشنبه 1405/07/15 ساعت 14:00 🔎 تحلیل کوتاه

تمرکز آزمایشگاه‌های هوش مصنوعی بر بهینه‌سازی استنتاج و کاهش هزینه‌های عملیاتی افزایش یافته است؛ هم‌زمان، الزامات قانونی برای شفافیت، از جمله افزودن واترمارک به متن‌های تولیدی OpenAI، رویکرد توسعه‌دهندگان را نسبت به امنیت و خروجی‌های مدل تغییر داده است.

🤖 مدل‌های هوش مصنوعی و بهینه‌سازی

معرفی مدل زبانی Beam از ReflectionAI مدل Beam با ۵۰۱ میلیارد پارامتر و تمرکز بر بهینه‌سازی استنتاج، ۳ تا ۴ برابر کارایی بیشتری نسبت به مدل‌های مشابه ارائه می‌دهد. 🔗 مشاهده پست انتشار مدل امبدینگ چندوجهی EmbeddingGemma 2 مدل جدید گوگل با حجم کم برای اجرای محلی و جستجوی چندوجهی متن، تصویر و صوت در فضای برداری واحد طراحی شده است. 🔗 مشاهده پست افزودن قابلیت بینایی به مدل d1 از شرکت Liquid AI مدل d1 اکنون با پردازش تصویری زیر ۳۰۰ میلی‌ثانیه، هزینه‌های پردازشی کمتری را نسبت به مدل‌های تجاری رقیب ثبت کرده است. 🔗 مشاهده پست

🛡️ امنیت، قانون‌گذاری و کاربرد

هوش مصنوعی و زیرساخت‌های فیزیکی یادداشت OpenAI بر نقش کلیدی انرژی و منابع فیزیکی در تعیین نرخ واقعی پیشرفت هوش مصنوعی تمرکز دارد. 🔗 ادامه مطلب در سایت انتشار ۷۲۲ مقاله تخصصی ریاضی توسط OpenAI OpenAI مقالاتی را منتشر کرده که حاصل حل ۴۰۰۰ مسئله باز ریاضی توسط یک مدل داخلی این شرکت است. 🔗 ادامه مطلب در سایت

🤖 مدل‌ها و ابزارهای هوش مصنوعی

شناسایی دو نیمه‌رسانای Luttinger-compensated توسط هوش مصنوعی برای. شناسایی دو نیمه‌رسانای Luttinger-compensated توسط هوش مصنوعی برای حافظه‌های نسل بعد. 🔗 مطالعه کامل در سایت تعویق در انتشار مدل Astra 6.1؛ بررسی رویکرد OpenAI نسبت به امنیت و کنترل هوش مصنوعی. عرضه مدل Astra 6.1 به دلیل ملاحظات امنیتی و نیاز به کنترل دقیق‌تر رفتار سیستم به تعویق افتاد. 🔗 مطالعه کامل در سایت بهینه‌سازی طراحی محتوا با ترکیب مدل‌های هوش مصنوعی و Canva Magic Studio با استفاده از مدل‌های تولید تصویر نظیر GPT-Image و Flux در کنار قابلیت‌های ویرایشی Canva Magic Studio، می‌توان مراحل سنتی طراحی گرافیک. 🔗 جزئیات کامل در سایت

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

‏📊 انتشار ۷۲۲ مقاله ریاضی توسط مدل هوش مصنوعی OpenAI ‏شرکت OpenAI مجموعه‌ای از ۷۲۲ مقاله ریاضی تولید شده توسط یک مدل داخلی معرفی‌نشده را به‌صورت عمومی منتشر کرد. این مدل برای تولید این مقالات، ۴۰۰۰ مسئله باز ریاضی را حل کرده است که به‌طور متوسط برای هر نتیجه، سه ساعت زمان صرف تفکر شده است. این آثار در قالب ۳۷۲ خانواده از مقالات مرتبط دسته‌بندی شده‌اند و هدف از این پروژه، عبور از ارزیابی‌های سنتی (Benchmark) است. ‏مهم‌ترین نتایج منتشر شده در مخزن گیت‌هاب پروژه عبارتند از: ‏* حدس هاج برای واریته‌های آبلی CM که موردی خاص از مسائل هزاره است. ‏* گسترش ناحیه بدون صفر در تابع زتای ریمان تا بازه ۱۱/۱۲ که نتیجه‌ای میانی برای حدس ریمان محسوب می‌شود. ‏* حل مسئله فاکتورهای گروه‌های آزاد که از دهه ۴۰ میلادی در نظریه جبرهای فون نویمان باز مانده بود. ‏* حدس بازی‌های یکتا (Unique Games Conjecture) که محدودیت‌های محاسبات تقریبی و مسائل NP-hard را تعیین می‌کند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#حدس_هاج #Unique_Games_Conjecture

‏📉 محدودیت دسترسی به مدل‌های Claude در مایکروسافت و متا ‏شرکت‌های مایکروسافت و متا در حال کاهش استفاده داخلی از مدل‌های هوش مصنوعی Claude متعلق به Anthropic هستند. مایکروسافت بودجه ماهانه توکن برای هر کارمند در بخش Cloud and AI را از ۱۰۰ هزار دلار به ۱۰ هزار دلار کاهش داده و استفاده از مدل‌های ارزان‌تر را در سیستم Copilot اجباری کرده است. ‏متا نیز تعداد کاربران فعال ابزار Claude Code را با ۵۰ درصد کاهش از ۶۰ هزار نفر به ۳۰ هزار نفر رسانده است. مهم‌ترین دلایل این رویکرد شامل موارد زیر است: ‏* جایگزینی Claude با ابزارهای اختصاصی متا مانند MetaCode و مدل‌های Muse برای توسعه کد. ‏* نگرانی‌های امنیتی در خصوص داده‌های حساس. ‏* افزایش هزینه‌های عملیاتی استفاده از مدل‌های تجاری. ‏علاوه بر این دو شرکت، گزارش‌ها حاکی از آن است که انویدیا و پالانتیر نیز به دلیل هزینه‌های بالا و ملاحظات حریم خصوصی، استفاده از Claude را در محیط‌های داخلی خود محدود کرده‌اند.

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما

#Claude_Code #Muse_Code

‏🤖 ChatGPT ممکن است روش نوشتاری خود را در اتحادیه اروپا تغییر دهد ‏OpenAI در حال آماده‌سازی متن نامرئی به صورت واترمارک برای خروجی‌های ChatGPT و Codex در اتحادیه اروپا است، هم‌زمان با آنکه قانون هوش مصنوعی اتحادیه اروپا محتوای تولیدشده توسط هوش مصنوعی را به سمت قابل‌شناسایی کردن سوق می‌دهد. ‏مهم‌ترین موارد: ‏- واترمارک‌های نامرئی در تولید ChatGPT و Codex (موضوع اصلی) ‏- هدف: تطابق با الزامات قانون هوش مصنوعی اتحادیه اروپا برای شناسایی محتوا ‏- آزمایش‌ها نشان می‌دهند هیچ تاثیر قابل توجهی بر کیفیت وجود ندارد. ‏- الزامات تشخیص ممکن است نحوه بیان هوش مصنوعی را تغییر دهند. ‏- واترمارک مقاوم نیست: جایگزینی ۲۵٪ کلمات با مترادف‌ها تشخیص را از حدود ۹۲٪ به ۱۷٪ کاهش می‌دهد (در بخش ۴۰۰ کلمه‌ای).

🇮🇷 - هوش مصنوعی و علم داده به فارسی 🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما