علی راشدی - یادداشت‌ها

یه داستان جالب که فاینمن تعریف می‌کنه: میلیکان، فیزیک‌دان معروف، بار الکترون رو اندازه گرفته بود؛ ولی عددش به‌خاطر یک مقدار اشتباه در محاسبه، کمی خطا داشت. به روایت فاینمن، پژوهشگرهای بعدی وقتی به عددی دور از نتیجهٔ میلیکان می‌رسیدن، بیشتر دنبال ایراد آزمایششون می‌گشتن. وقتی عدد نزدیک بود، کمتر شک می‌کردن. یعنی اعتبار جواب قبلی، روی بررسی جواب جدید اثر می‌ذاشت. فاینمن یه جملهٔ معروف هم داره: نباید خودت رو فریب بدی و راحت‌ترین کسی که می‌تونی فریب بدی، خودتی. به نظرم موقع کار با AI هم باید حواسمون به همین دام باشه: یه جواب مرتب می‌گیریم، ازش خوشمون میاد و سؤال بعدیمون می‌شه مطمئنی؟ انگار بیشتر دنبال تاییدیم تا بررسی. در یک پژوهش منتشرشده در ICLR 2024 هم مدل‌های بررسی‌شده در بعضی مسائل استدلالی، بدون بازخورد بیرونی نتونستن جوابشون رو درست اصلاح کنن؛ گاهی حتی جواب درست رو غلط کردن. این نتیجه دربارهٔ همون آزمایش‌هاست، نه اینکه هیچ مدلی نمی‌تونه خودش رو اصلاح کنه. یه سؤال بهتر برای خودمون: اگر این جواب غلط باشه، چه بررسی‌ای می‌تونه معلومش کنه؟ ▫️ برای کد: یک تست با خروجی از قبل معلوم ▫️ برای عدد: محاسبه با روشی مستقل ▫️ برای نقل‌قول: پیدا کردن متن اصلی از AI کمک بگیریم این بررسی رو طراحی کنه، بعد واقعا انجامش بدیم. متن سخنرانی فاینمن: https://calteches.library.caltech.edu/3043/1/CargoCult.pdf مقاله: https://arxiv.org/abs/2310.01798

وقتی AI یه جواب رو دوباره تأیید می‌کنه، لزوما بررسیش نکرده. ممکنه همون اشتباه رو تکرار کنه. به‌جای [مطمئنی؟] بپرسیم: چه فرضی کردی و چطور می‌تونم جوابت رو تست کنم؟ بعد تست رو انجام بدیم اطمینانِ لحنش، مدرکِ درست بودن جواب نیست.

🔹گروه علوم شناختی، پژوهشکده جامع علوم و فناوری‌های همگرا دانشگاه صنعتی شریف برگزار می‌کند: سمپوزیوم یک‌روزه علوم اعصاب شناختی 📆 تاریخ برگزاری: چهارشنبه ۲۲ مهر ۱۴۰۵ 📍 لینک برگزاری: https://vc.sharif.edu/ch/ebrahimpour 🆔 ️@sharif_prm

اخبار مهم سه روز اخیر : • Gemini 4 Argon برای توسعه‌دهنده‌ها و کسب‌وکارها در دسترس قرار گرفت. مدل جدید گوگل برای کارهای پیچیده و چندمرحله‌ای مثل کدنویسی و تحلیل ساخته شده. قیمت اولیه‌ی API برای هر یک میلیون توکن ورودی ۲ دلار و خروجی ۱۰ دلاره؛ بعد از ۳۰ نوامبر دو برابر می‌شه. (https://cloud.google.com/blog/products/ai-machine-learning/gemini-4-argon-available-on-google-cloud) • متا دو مدل جدید معرفی کرد: Muse Wonder و Wonder Full. متا می‌گه این‌ها قوی‌ترین مدل‌هایی هستن که تا الان ساخته و هدفش رقابت جدی‌تر با OpenAI و انتروپیکه. (https://www.reuters.com/business/meta-releases-muse-wonder-ai-models-challenge-anthropic-openai-2026-10-12/) • مایکروسافت تراشه‌ی جدید AI خودش رو معرفی کرد. Maia 300 برای اجرای مدل‌ها ساخته شده و مایکروسافت می‌خواد سال آینده احتمالاً بیش از یک میلیون عدد ازش استفاده کنه؛ برای کاهش هزینه و وابستگی به انویدیا. (https://azure.microsoft.com/en-us/blog/deep-dive-into-azure-maia-300-architecture/) • انتروپیک مقابله با کپی‌کردن توانایی‌های Claude رو جدی‌تر کرده. بعضی شرکت‌ها با جمع‌کردن خروجی‌های یک مدل، مدل خودشون رو آموزش می‌دن. انتروپیک می‌گه روش‌های جدیدش جمع‌آوری این داده‌ها رو حدود ۹۰ تا ۹۹ درصد کاهش داده. این اعداد ارزیابی خود شرکته. (https://www.anthropic.com/research/distillation-defenses) • Scaleway قراره در سوئد ابرکامپیوتر AI با تراشه‌های AMD بسازه. قرار شده استارتاپ‌ها و شرکت‌های اروپایی بتونن ازش استفاده کنن؛ یه گزینه‌ی بیشتر برای تأمین سخت‌افزار AI در کنار انویدیا. (https://www.reuters.com/business/media-telecom/scaleway-build-amd-powered-ai-supercomputer-sweden-2026-10-13/) • صندوق بین‌المللی پول درباره‌ی افت احتمالی سرمایه‌گذاری AI هشدار داد. طبق سناریوی این صندوق، افت شدید سرمایه‌گذاری می‌تونه تا ۲۰۲۸ تولید ناخالص داخلی جهان رو ۱.۱ درصد پایین‌تر از مسیر پیش‌بینی‌شده ببره. این یه سناریوی ریسکه، نه پیش‌بینی قطعی. (https://www.reuters.com/business/finance/imf-flags-risks-global-economy-ai-market-correction-war-debt-2026-10-13/) @alirashedi1

اگر واقعا خطری نداره تجربه کن. سال ۱۴۰۰ با جادی عزیزم در کانون فرهنگ و ادب خواجه نصیر یه مصاحبه‌ی کوتاه داشتم و درباره‌ی مسائل مختلفی صحبت کردیم. این بخش از اون ویدیو رو هرسال می‌بینم و مرور می‌کنم که اولا از سن و عددش نترسم و دوما اگر خطری نداره تجربه کنم :) چیزی نمیشه خیلی

برای فهمیدن AI لازم نیست از کد و فرمول شروع کنید؛ کتاب Simply AI مفاهیم رو با تصویر و توضیح‌های کوتاه جا می‌اندازه. این کتاب از انتشارات DK، توی ۱۶۰ صفحه یه نقشهٔ کلی از هوش مصنوعی می‌ده؛ اینکه چیه، چطور کار می‌کنه، کجا به درد می‌خوره و چه محدودیت‌هایی داره. چیز جالبش برای من اینه که بحث‌های فنی رو کنار سؤال‌های بزرگ‌تر می‌ذاره: از مبانی و کاربردهای AI تا تأثیرش روی زندگی و مسائل اخلاقی. به نظرم برای کسی که از یه رشتهٔ دیگه میاد، یا هر روز از ابزارهای AI استفاده می‌کنه ولی مفاهیم براش پراکنده‌ان، شروع خوبیه. قرار نیست باهاش متخصص بشیم، ولی کمک می‌کنه وقتی دربارهٔ AI می‌خونیم یا می‌شنویم، تصویر روشن‌تری توی ذهنمون داشته باشیم. 📘 Simply AI — DK نسخهٔ ۲۰۲۴ | ۱۶۰ صفحه لینک epub کتاب: https://archive.org/details/simply-artificial-intelligence-dk-simply/page/22/mode/1up

برای اینکه بفهمیم چرا تجربه‌ی آدم‌ها از AI این‌قدر فرق داره، بد نیست عددهایی که کارپتی توی توییتش گفته رو ببینیم. این‌ها تخمین‌های خودشن، نه آمار قطعی: ▫️ حدود ۶ میلیارد نفر، نزدیک ۷۵٪ جمعیت جهان، هنوز تقریباً با مدل‌های زبانی سروکار نداشتن. ▫️ حدود ۱ تا ۲ میلیارد نفر، نزدیک ۲۰٪، گهگاهی از ابزارهای رایگان استفاده می‌کنن؛ برای سرچ، نوشتن و سؤال‌های روزمره. ▫️ حدود ۲۰ میلیون نفر، نزدیک ۰٫۲٪، توی کدنویسی و ریاضی با مدل‌های قوی کار می‌کنن و به‌گفته‌ی کارپتی، می‌بینن بعضی پروژه‌های چند هفته‌ای یا چند ماهه رو حالا می‌شه با ایجنت‌ها جلو برد. ▫️ حدود ۵ هزار نفر، نزدیک ۰٫۰۰۰۰۶٪، به سیستم‌های پیشرفته‌ی داخلی دسترسی دارن؛ جایی که هزاران ایجنت می‌تونن هفته‌ها روی پروژه‌های بزرگ کار کنن. کارپتی می‌گه این فاصله سه دلیل اصلی داره: اندازه و سختی مسئله، حوزه‌ی کار و سطح دسترسی. یه سؤال کوتاه ظرفیت مدل رو خیلی به چالش نمی‌کشه. کدنویسی و ریاضی هم چون خروجی‌شون قابل بررسیه، بستر مناسب‌تری برای آموزش مدل‌ها دارن. نکته‌ی آخرش هم به نظرم مهمه: سرعت تولید خروجی داره از توان آدم‌ها برای فهمیدن و بررسی‌کردنش جلو می‌زنه. یعنی هرچه ساختن راحت‌تر می‌شه، بلدبودنِ بررسی و قضاوت درباره‌ی خروجی ارزش بیشتری پیدا می‌کنه.

اگه حس می‌کنید AI اون‌قدر که بقیه می‌گن به کارتون نمیاد، این نکته‌ی کارپتی شاید کمک کنه بفهمید چرا. کارپتی می‌گه فاصله‌ی تجربه‌ی آدم‌ها از AI داره بیشتر می‌شه: ▫️ خیلی‌ها هنوز تقریباً ازش استفاده نکردن. ▫️ یه عده گاهی با نسخه‌های رایگان سؤال می‌پرسن یا متن می‌نویسن. ▫️ یه گروه کوچک‌تر با مدل‌های قوی‌تر، پروژه‌های جدی کدنویسی و ریاضی رو جلو می‌برن. ▫️ یه جمع خیلی محدود هم به سیستم‌های داخلی پیشرفته‌تر دسترسی دارن. همه می‌گن «AI»، ولی دارن از تجربه‌های خیلی متفاوتی حرف می‌زنن. به نظرم نکته‌ی کاربردیش اینه: فقط مدل مهم نیست؛ کاری که بهش می‌سپریم هم مهمه. مثلاً به‌جای اینکه فقط بپرسیم «این کد چه مشکلی داره؟»، مسئله، کد، خطا و خروجی مورد انتظار رو بدیم و بخوایم اصلاحش کنه و راهی برای تستش پیشنهاد بده. البته توانایی‌هاش یکدست نیست؛ خوب کدزدن به معنی درست‌جواب‌دادن به همه‌چیز نیست. ولی قبل از اینکه بگیم «به دردم نمی‌خوره»، بد نیست یه کار واقعی که وقتمون رو می‌گیره باهاش امتحان کنیم.

یه مقاله‌ی یک‌صفحه‌ای با عنوان «اهمیت حماقت در پژوهش علمی». حرفش اینه که وقتی روی یه سؤال تازه کار می‌کنی، طبیعیه حس کنی هیچی بلد نیستی؛ شاید هنوز کسی جوابش رو نمی‌دونه. به نظرم برای وقتایی که توی کار و تحقیق گیر می‌کنیم، خوندنیه. https://doi.org/10.1242/jcs.033340

تولد ۱۷ سالگی اسنپفود بود... جای شما عزیزان خالی... اسنپفود با همه‌ی بدی‌هاش، کاستی هاش و نکات منفی‌ای که بهش وارده ولی خوبی، بهبود و نکات مثبت زیادی هم داره... اگر حوصله و عمر و انگیزه‌ای بود حتما یه روز مفصل درباره‌‌ی اسنپفود و تجربه‌م و احساسم بهش خواهم نوشت...

این ویدیو رو از دست ندید! مهرزاد عزیز رفته سراغ Jev و با بیان عالی‌ش توضیح می‌ده که چیه و چیکار می‌کنه‌... دیدن ویدیوهای مهرزاد فارغ از موضوع به همه توصیه می‌شه :) جهت لذت بردن از دیدن کسی که در عین خفن بودن... متواضعانه آموزش می‌ده و کنار بقیه است https://youtu.be/mxijLTA5RTw?si=YUdPxdU9aBnDIFqI

این صفحه یه نکته ساده داره که به نظرم راحت یادمون می‌ره: حل مسئله، هم خوب فکر کردن می‌خواد، هم خوب عمل کردن. گاهی انقدر دنبال بهترین راه می‌گردیم که هیچ کاری نمی‌کنیم. گاهی هم فقط می‌خوایم سریع یه کاری کرده باشیم، قبل از اینکه بفهمیم مسئله چیه. از بین نکته‌های این صفحه، این دوتا رو بیشتر دوست داشتم: ▫️ روی چیزی تمرکز کن که می‌تونی روش اثر بذاری. ▫️ از بقیه کمک بگیر؛ لازم نیست همه‌چیز رو تنهایی حل کنی. به نظرم وقتی توی یه مسئله گیر می‌کنیم،باید از خودمون بپرسیم: کدوم بخشش دست منه و قدم بعدی چیه؟ شاید جوابش کل مسئله رو حل نکنه، ولی کمک کنه از فکر کردنِ بی‌پایان بیرون بیایم.

یه چیزی که موقع یاد گرفتن با AI باید حواسمون بهش باشه: ممکنه توضیح رو بخونیم، همه‌چیز هم منطقی به نظر بیاد و فکر کنیم «خب، یاد گرفتم». ولی وقتی جواب رو می‌بندیم، نتونیم خودمون توضیحش بدیم یا ازش استفاده کنیم. به نظرم یه تست ساده داره: بعد از خوندن جواب، یه مثال جدید برای خودمون بسازیم و بدون کمک حلش کنیم. مثلاً اگه JOIN یاد گرفتیم، دو تا جدول کوچیک بکشیم و حدس بزنیم خروجی چی می‌شه. اگه یه لغت یاد گرفتیم، باهاش یه جمله درباره زندگی خودمون بنویسیم. حتی می‌شه به AI گفت: «یه تمرین مشابه بده، جوابش رو فعلاً نگو. بذار اول خودم امتحان کنم.» اون گیر کردن وسط تمرین هم مفیده؛ دقیقاً نشون می‌ده کجای موضوع هنوز برامون روشن نیست.

یه کتاب جالب از اوریلی برای کسایی که می‌خوان بدونن AI چطور با عکس، ویدیو و سندها کار می‌کنه و خودشون هم باهاش چیزی بسازن. اسمش Vision Language Models هست و نویسنده‌هاش از تیم Hugging Face هستن. از نحوه‌ی کار این مدل‌ها شروع می‌کنه و با کد و مثال می‌ره سراغ کاربردهاشون مثل استخراج اطلاعات از PDF، جست‌وجوی عکس با متن، تحلیل ویدیو و ساخت ایجنت‌هایی که می‌تونن ببینن. آموزش و آماده‌کردن مدل‌ها برای استفاده رو هم پوشش می‌ده. برای دنبال‌کردن بخش‌های عملی، آشنایی با پایتون و یادگیری ماشین لازمه. @AliRashedi1

اخبار مهم سه روز اخیر : • کلود ابزار ساخت داشبورد و انیمیشن معرفی کرد. Dashboards به داده‌های شرکت وصل می‌شه و با سؤال متنی داشبورد زنده می‌سازه. Motion هم انیمیشن قابل‌ویرایش می‌سازه. هر دو فعلاً بتان. "لینک خبر" (https://www.reuters.com/technology/anthropic-launches-dashboard-animation-tools-claude-2026-10-08/) • گوگل یه ایجنت کاری معرفی کرد که از Claude هم استفاده می‌کنه. به ابزارهای شرکت وصل می‌شه، کارهای چندمرحله‌ای انجام می‌ده و مدل مناسب هر کار رو انتخاب می‌کنه. فعلاً دسترسی محدوده. "لینک خبر" (https://cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026) • درآمد OpenAI کمتر از عدد قبلی گزارش شد. طبق رویترز، نرخ درآمد سالانه‌شده‌ی سپتامبر نزدیک ۵۰ میلیارد دلار بوده، نه ۷۰ میلیارد. بخشی از اختلاف به روش محاسبه برمی‌گرده؛ این عدد درآمد واقعی یک سال نیست. "لینک خبر" (https://www.reuters.com/business/openais-annualized-revenue-20-billion-less-than-previously-signaled-ft-reports-2026-10-08/) • Manus بیش از ۵۰۰ میلیون دلار سرمایه گرفت. بعد از لغو خریدش توسط متا، دوباره مستقل شده و جذب سرمایه کرده؛ برای توسعه‌ی ایجنت‌هایی که تحقیق و کارهای اجرایی انجام می‌دن. "لینک خبر" (https://www.reuters.com/world/china/manus-raises-more-than-500-million-after-meta-exit-2026-10-08/) • سافت‌بانک دنبال جذب تا ۱۰۰ میلیارد دلار برای AIه. طبق گزارش FT، می‌خواد شرکت‌ها رو بخره و با AI عملکردشون رو بهتر کنه. هنوز توافق قطعی نشده. "لینک خبر" (https://www.reuters.com/world/asia-pacific/softbank-seeks-100-billion-gulf-investors-ft-reports-2026-10-09/) • Firmus عرضه‌ی اولیه‌ی بزرگش رو لغو کرد. این شرکت زیرساخت AI که انویدیا هم از سرمایه‌گذارهاشه، قرار بود بیش از ۵ میلیارد دلار جذب کنه؛ ولی نگرانی سرمایه‌گذارها درباره‌ی ارزش‌گذاری و بازار AI مانع شد. "لینک خبر" (https://www.reuters.com/world/asia-pacific/australian-nvidia-backed-ai-data-centre-operator-firmus-shelves-ipo-2026-10-08/) • Upscale AI پلتفرمی برای اتصال تراشه‌های شرکت‌های مختلف معرفی کرد. هدفش اینه که تراشه‌ها کمتر منتظر داده بمونن و بیشتر کار کنن؛ یعنی استفاده‌ی بهتر از سخت‌افزار گرون‌قیمت AI. "لینک خبر" (https://www.reuters.com/business/nvidia-backed-upscale-ai-launches-platform-connect-chips-rival-suppliers-2026-10-08/) Generated by khadang AI :) @alirashedi1

امروز تولد ۱۷ سالگی اسنپفوده و ۷۰۰ تا پیتزا گرفتن 😂🤷‍♂😱

این ویدیو رو ببینید، به نظرم برای هر کسی که داره یه چیزی یاد می‌گیره مفیده. ما معمولا دنبال اینیم که چی بخونیم و کدوم دوره رو ببینیم، ولی کمتر به این فکر می‌کنیم که اصلا چجوری یاد بگیریم. باربارا اوکلی اینجا خیلی ساده درباره‌ی همین موضوع حرف می‌زنه اینکه وقتی توی یه مطلب گیر کردیم چیکار کنیم و چطور یادگیری رو هی عقب نندازیم. https://youtu.be/O96fE1E-rf8 @alirashedi1

کلود حالا از دیتای شرکت داشبورد می‌سازه و گزارش رو به انیمیشن تبدیل می‌کنه. انتروپیک دو قابلیت جدید رو به‌صورت بتا معرفی کرده: 📊 Dashboards به منابعی مثل BigQuery، Snowflake و ClickHouse وصل می‌شه. سوالت رو به زبان ساده می‌پرسی، کلود کوئری می‌نویسه و داشبورد می‌سازه. کوئری پشت اعداد و زمان آخرین آپدیت هم قابل دیدنه. 🎬 Motion متن و نمودار و مراحل کار با محصول رو به انیمیشن کوتاه تبدیل می‌کنه، با خروجی MP4. جالبش اینه که انیمیشن رو با کد می‌سازه؛ برای همین می‌تونی یک عدد یا زمان‌بندی رو جدا تغییر بدی. قابلیت ‌Dashboards برای پلن‌های پولیه و Motion فعلاً برای Team و Enterprise. ابزارهای Docs، Slides و Design هم از بتا خارج شدن و روی پلن رایگان هم در دسترسن. چیزی که برای من به‌عنوان کسی که با دیتا کار می‌کنه جذابه، قابل‌بررسی‌بودن کوئری پشت نموداره. به نظرم با آسون‌ترشدن ساخت گزارش، ارزش تحلیلگر بیشتر می‌ره سمت تعریف درست مسئله و اعتبارسنجی جواب. نمودار قشنگ، به‌تنهایی جواب درست نیست :) معرفی رسمی انتروپیک (https://claude.com/resources/articles/dashboards-and-motion) @alirashedi1