🚀 نگاهی به توانمندی‌های خیره‌کننده GPT-6
مدل جدید GPT-6 به‌تازگی معرفی شد و تجربه کار با آن به معنای واقعی کلمه متفاوت است. این مدل برخلاف نسخه‌های پیشین، به جای ارائه پاسخ‌های طولانی و خسته‌کننده، بسیار دقیق و مختصر عمل می‌کند.
یکی از ویژگی‌های مبهوت‌کننده این مدل، درک عمیق آن از خروجی نهایی پیش از اجرای کد است؛ گویی مدل قبل از اینکه کدی را بنویسد، فضای نهایی و نتیجه را در ذهن خود مجسم کرده است.
مهم‌ترین توانمندی‌های این هوش مصنوعی:
- بازسازی محیط‌های سه‌بعدی از روی عکس و ویدیوهای ساده: این مدل می‌تواند با تحلیل چند تصویر، نقشه‌ای دقیق از یک فضای واقعی تولید کند که حتی برای طراحی مراحل بازی نیز قابل استفاده است.
- استخراج هوشمند بافت‌ها: مدل به‌طور خودکار اجزای موجود در تصاویر مانند پرده‌ها یا تابلوها را تشخیص داده و برای بازسازی صحنه به بهترین شکل در جایگاه درست قرار می‌دهد.
- سرعت خیره‌کننده در تحلیل و اجرا: تنها با چند پرامپت ساده، مدل قادر است مفاهیم پیچیده بصری را به مدل‌های سه‌بعدی کاربردی تبدیل کند.
#GPT_6 #بازسازی_سه_بعدی
مدل جدید GPT-6 به‌تازگی معرفی شد و تجربه کار با آن به معنای واقعی کلمه متفاوت است. این مدل برخلاف نسخه‌های پیشین، به جای ارائه پاسخ‌های طولانی و خسته‌کننده، بسیار دقیق و مختصر عمل می‌کند.
یکی از ویژگی‌های مبهوت‌کننده این مدل، درک عمیق آن از خروجی نهایی پیش از اجرای کد است؛ گویی مدل قبل از اینکه کدی را بنویسد، فضای نهایی و نتیجه را در ذهن خود مجسم کرده است.
مهم‌ترین توانمندی‌های این هوش مصنوعی:
- بازسازی محیط‌های سه‌بعدی از روی عکس و ویدیوهای ساده: این مدل می‌تواند با تحلیل چند تصویر، نقشه‌ای دقیق از یک فضای واقعی تولید کند که حتی برای طراحی مراحل بازی نیز قابل استفاده است.
- استخراج هوشمند بافت‌ها: مدل به‌طور خودکار اجزای موجود در تصاویر مانند پرده‌ها یا تابلوها را تشخیص داده و برای بازسازی صحنه به بهترین شکل در جایگاه درست قرار می‌دهد.
- سرعت خیره‌کننده در تحلیل و اجرا: تنها با چند پرامپت ساده، مدل قادر است مفاهیم پیچیده بصری را به مدل‌های سه‌بعدی کاربردی تبدیل کند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#GPT_6 #بازسازی_سه_بعدی
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 نسل جدید ویدیوهای هوش مصنوعی با H3 Max
تیم Fal نسخه جدید مدل H3 Max را معرفی کرده است که دیگر خبری از چسباندن کلیپ‌های کوتاه به هم نیست. این مدل یک جریان ویدیویی پیوسته و یکپارچه تولید می‌کند و به خوبی حافظه و جزئیات صحنه را حفظ می‌کند.
قابلیت هیجان‌انگیز این نسخه، امکان تغییر پرامپت در لحظه است؛ یعنی می‌توانید حین پخش، مسیر داستان یا اکشن ویدیو را به صورت زنده هدایت کنید. برای مشاهده این فناوری در عمل، می‌توانید به پلتفرم زنده Fal سر بزنید و تعامل کاربران با این پخش بی‌انتها را ببینید.
مهم‌ترین نکات درباره این مدل:
• مدل H3 Max به صورت API برای توسعه‌دهندگان در دسترس قرار گرفته است.
• جلسات عمومی فعلاً به دو دقیقه محدود شده‌اند تا کیفیت و پایداری حفظ شود.
• هزینه‌های استفاده از این سرویس بر اساس زمان تعیین شده و با توجه به مدل قیمت‌گذاری، بهتر است پیش از شروع پروژه‌های طولانی، زمان‌بندی دقیقی داشته باشید.
این جهش تکنولوژیک، آینده تلویزیون و تولید محتوای زنده را دگرگون خواهد کرد.
#H3_Max #Fal_AI
تیم Fal نسخه جدید مدل H3 Max را معرفی کرده است که دیگر خبری از چسباندن کلیپ‌های کوتاه به هم نیست. این مدل یک جریان ویدیویی پیوسته و یکپارچه تولید می‌کند و به خوبی حافظه و جزئیات صحنه را حفظ می‌کند.
قابلیت هیجان‌انگیز این نسخه، امکان تغییر پرامپت در لحظه است؛ یعنی می‌توانید حین پخش، مسیر داستان یا اکشن ویدیو را به صورت زنده هدایت کنید. برای مشاهده این فناوری در عمل، می‌توانید به پلتفرم زنده Fal سر بزنید و تعامل کاربران با این پخش بی‌انتها را ببینید.
مهم‌ترین نکات درباره این مدل:
• مدل H3 Max به صورت API برای توسعه‌دهندگان در دسترس قرار گرفته است.
• جلسات عمومی فعلاً به دو دقیقه محدود شده‌اند تا کیفیت و پایداری حفظ شود.
• هزینه‌های استفاده از این سرویس بر اساس زمان تعیین شده و با توجه به مدل قیمت‌گذاری، بهتر است پیش از شروع پروژه‌های طولانی، زمان‌بندی دقیقی داشته باشید.
این جهش تکنولوژیک، آینده تلویزیون و تولید محتوای زنده را دگرگون خواهد کرد.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#H3_Max #Fal_AI
🚀 هوش مصنوعی اختصاصی برای امنیت سایبری
استفاده از مدل‌های متن‌باز برای تحلیل آسیب‌پذیری و تست نفوذ به‌صورت آفلاین، تحولی بزرگ در امنیت ایجاد کرده است. این مدل‌ها بدون نیاز به اینترنت و روی سخت‌افزارهای معمولی اجرا می‌شوند. مهم‌ترین مدل‌های بهینه عبارتند از:
* VulnLLM-R-7B: پیشرو در شناسایی باگ‌های منطقی و تحلیل جریان کد.
* Foundation-Sec-8B: قدرتمند در استدلال چندمرحله‌ای برای تهدیدات امنیتی.
* CyberSecQwen-4B: گزینه‌ای سریع و سبک برای بررسی سریع کدها.
* Meta-SecAlign-8B: ایمن در برابر تزریق دستورات (Prompt Injection).
برای اجرای این مدل‌ها کافیست از Ollama استفاده کنید تا نسخه‌های کوانتایز شده (GGUF) را به‌راحتی روی لپ‌تاپ خود اجرا کرده و پروژه‌های امنیتی‌تان را به‌صورت کاملاً محلی و بدون وابستگی به فضای ابری پیش ببرید.
بهترین مدل‌های هوش مصنوعی متن‌باز برای امنیت سایبری و تست نفوذ آفلاین
#VulnLLM #Ollama
استفاده از مدل‌های متن‌باز برای تحلیل آسیب‌پذیری و تست نفوذ به‌صورت آفلاین، تحولی بزرگ در امنیت ایجاد کرده است. این مدل‌ها بدون نیاز به اینترنت و روی سخت‌افزارهای معمولی اجرا می‌شوند. مهم‌ترین مدل‌های بهینه عبارتند از:
* VulnLLM-R-7B: پیشرو در شناسایی باگ‌های منطقی و تحلیل جریان کد.
* Foundation-Sec-8B: قدرتمند در استدلال چندمرحله‌ای برای تهدیدات امنیتی.
* CyberSecQwen-4B: گزینه‌ای سریع و سبک برای بررسی سریع کدها.
* Meta-SecAlign-8B: ایمن در برابر تزریق دستورات (Prompt Injection).
برای اجرای این مدل‌ها کافیست از Ollama استفاده کنید تا نسخه‌های کوانتایز شده (GGUF) را به‌راحتی روی لپ‌تاپ خود اجرا کرده و پروژه‌های امنیتی‌تان را به‌صورت کاملاً محلی و بدون وابستگی به فضای ابری پیش ببرید.
بهترین مدل‌های هوش مصنوعی متن‌باز برای امنیت سایبری و تست نفوذ آفلاین
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#VulnLLM #Ollama
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #107 | 📌 8 آیتم گزارش | 🧾 از 16 پست بررسی‌شده
🕐 یکشنبه 1405/06/15 ساعت 14:00 تا دوشنبه 1405/06/16 ساعت 14:00
🔎 تحلیل کوتاه
🚀 نسل جدید مدل‌های پیشرفته
🧠 معماری‌ها و رویکردهای نوین
🛡️ زیرساخت و امنیت سیستم‌های هوشمند
🗂 گزارش #107 | 📌 8 آیتم گزارش | 🧾 از 16 پست بررسی‌شده
🕐 یکشنبه 1405/06/15 ساعت 14:00 تا دوشنبه 1405/06/16 ساعت 14:00
🔎 تحلیل کوتاه
گزارش‌های اخیر نشان می‌دهند که رونمایی از GPT-6 Astra با جهش در بنچمارک‌های استدلالی همراه بوده و همزمان تأثیر مدل Astra بر تسریع برنامه‌های توسعه به وضوح نمایان شده است. با این حال، همچنان چالش‌های بنیادینی وجود دارد؛ به طوری که برخی محققان دستیابی به هوش عمومی را نیازمند گذار به سیستم‌های چندحسی و فراتر از مدل‌های زبانی می‌دانند.
🚀 نسل جدید مدل‌های پیشرفته
رونمایی از GPT-6 Astra با نتایج خیره‌کننده
مدل جدید OpenAI با کسب امتیازهای استثنایی در بنچمارک‌های دشوار ریاضی و منطقی معرفی شد. رونمایی از GPT-6 Astra با نتایج خیره‌کننده
🔗 مشاهده پست
انتشار مستندات فنی و قابلیت‌های API مدل GPT-6 Astra
امکانات پیشرفته استدلال پویا و اجرای همزمان ابزارهای خارجی در مستندات جدید ارائه شد. انتشار مستندات فنی و قابلیت‌های API مدل GPT-6 Astra
🔗 مشاهده پست
تسریع شش‌ماهه پروژه‌های OpenAI با مدل Astra
افزایش کارایی و بهره‌وری تیم‌های داخلی OpenAI زمان عرضه محصولات بزرگ را جلو انداخت.
🔗 جزئیات کامل در سایت
🧠 معماری‌ها و رویکردهای نوین
معرفی مدل HRM-Text با معماری بازگشتی سلسله‌مراتبی
مدل یک میلیاردی شرکت Sapient با تکیه بر استدلال در فضای پنهان و هزینه بسیار کم توسعه یافت. معرفی مدل HRM-Text با معماری بازگشتی سلسله‌مراتبی
🔗 مشاهده پست
نقش هوش عمومی بصری در دستیابی به AGI
بررسی لزوم گذار به درک مستقیم بصری جهان فراتر از قابلیت‌های سنتی مدل‌های زبانی بزرگ.
🔗 مطالعه کامل در سایت
رونمایی از مدل ویدئویی پیوسته H3 Max
تولید جریان ویدئویی یکپارچه با امکان هدایت زنده و تغییر پرامپت در حین پخش توسط تیم Fal.
🔗 مشاهده پست
🛡️ زیرساخت و امنیت سیستم‌های هوشمند
راه‌اندازی کلاستر عظیم هوش مصنوعی DeepSeek با تراشه‌های هواوی
طرح استفاده از ۱۶۰ هزار شتاب‌دهنده برای استنتاج مدل‌ها در راستای کاهش وابستگی به سخت‌افزار خارجی. راه‌اندازی کلاستر عظیم هوش مصنوعی DeepSeek با تراشه‌های هواوی
🔗 مشاهده پست
توسعه مدل‌های متن‌باز اختصاصی برای امنیت سایبری
معرفی مدل‌های آفلاین بهینه‌شده برای تحلیل آسیب‌پذیری و تست نفوذ روی سخت‌افزارهای معمولی. توسعه مدل‌های متن‌باز اختصاصی برای امنیت سایبری
🔗 مشاهده پست
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 تخمین عمق دقیق در شرایط آب‌وهوایی مختلف
مدل جدید Weather-Conditioned Depth Anything که توسط محققان دانشگاه Texas A&M توسعه یافته، استانداردهای جدیدی را در زمینه تخمین عمق (Depth Estimation) با مقاومت بالا در برابر شرایط جوی ناپایدار تعیین کرده است.
این مدل با استفاده از ترکیبی هوشمندانه از داده‌های واقعی و مصنوعی، موفق شده است ویژگی‌های آب‌وهوایی را به‌طور مستقل از محتوای صحنه استخراج کند. این فناوری گام بزرگی برای بهبود دقت سیستم‌های بینایی ماشین در محیط‌های باز و شرایط جوی دشوار محسوب می‌شود.
مهم‌ترین موارد برای بررسی بیشتر:
- مقاله علمی منتشر شده
- مخزن کد (Repository) تحت لایسنس Apache
- بررسی و تحلیل فنی مدل
#WeatherConditionedDepthAnything #DepthEstimation
مدل جدید Weather-Conditioned Depth Anything که توسط محققان دانشگاه Texas A&M توسعه یافته، استانداردهای جدیدی را در زمینه تخمین عمق (Depth Estimation) با مقاومت بالا در برابر شرایط جوی ناپایدار تعیین کرده است.
این مدل با استفاده از ترکیبی هوشمندانه از داده‌های واقعی و مصنوعی، موفق شده است ویژگی‌های آب‌وهوایی را به‌طور مستقل از محتوای صحنه استخراج کند. این فناوری گام بزرگی برای بهبود دقت سیستم‌های بینایی ماشین در محیط‌های باز و شرایط جوی دشوار محسوب می‌شود.
مهم‌ترین موارد برای بررسی بیشتر:
- مقاله علمی منتشر شده
- مخزن کد (Repository) تحت لایسنس Apache
- بررسی و تحلیل فنی مدل
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#WeatherConditionedDepthAnything #DepthEstimation
🎭 راهنمای تخصصی انتقال احساسات در ویدیوهای هوش مصنوعی
بیشتر آموزش‌های تولید ویدیو با هوش مصنوعی بر تنظیمات دوربین و نور تمرکز دارند، اما قلب یک ویدیوی تاثیرگذار، توانایی شخصیت در انتقال «احساسات واقعی» است.
برای بهبود خروجی‌های خود در مدل‌هایی مثل Seedance 2.5، می‌توانید از وب‌سایت Seedance Emotion Direction استفاده کنید. این ابزار شامل ۲۵ سناریوی مختلف بازیگری است که به شما کمک می‌کند با کپی کردن پرامپت‌های دقیق، واکنش‌های انسانی را به مدل‌های هوش مصنوعی تزریق کنید.
مهم‌ترین احساسات بررسی شده در این مجموعه:
• شادی و خنده: شبیه‌سازی حرکات انفجاری عضلات صورت و تکان‌های شانه.
• شوک: باز شدن ناگهانی چشم‌ها و منجمد شدن چهره در لحظه ناباوری.
• وحشت: ترکیب کشیدگی دهان با تنفس‌های سریع و کم‌عمق.
• خشم: نمایش لحظه از دست رفتن کنترل.
• انزجار: اجرای تکنیک عقب‌نشینی کامل از سوژه.
• گریه: فروپاشی کامل آرامش دراماتیک چهره.
با استفاده از این جزئیات در پرامپت‌نویسی، ویدیوهای شما از حالت مصنوعی خارج شده و به واقع‌گرایی نزدیک‌تر خواهند شد.
بیشتر آموزش‌های تولید ویدیو با هوش مصنوعی بر تنظیمات دوربین و نور تمرکز دارند، اما قلب یک ویدیوی تاثیرگذار، توانایی شخصیت در انتقال «احساسات واقعی» است.
برای بهبود خروجی‌های خود در مدل‌هایی مثل Seedance 2.5، می‌توانید از وب‌سایت Seedance Emotion Direction استفاده کنید. این ابزار شامل ۲۵ سناریوی مختلف بازیگری است که به شما کمک می‌کند با کپی کردن پرامپت‌های دقیق، واکنش‌های انسانی را به مدل‌های هوش مصنوعی تزریق کنید.
مهم‌ترین احساسات بررسی شده در این مجموعه:
• شادی و خنده: شبیه‌سازی حرکات انفجاری عضلات صورت و تکان‌های شانه.
• شوک: باز شدن ناگهانی چشم‌ها و منجمد شدن چهره در لحظه ناباوری.
• وحشت: ترکیب کشیدگی دهان با تنفس‌های سریع و کم‌عمق.
• خشم: نمایش لحظه از دست رفتن کنترل.
• انزجار: اجرای تکنیک عقب‌نشینی کامل از سوژه.
• گریه: فروپاشی کامل آرامش دراماتیک چهره.
با استفاده از این جزئیات در پرامپت‌نویسی، ویدیوهای شما از حالت مصنوعی خارج شده و به واقع‌گرایی نزدیک‌تر خواهند شد.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 جهش بزرگ به سوی AGI با قدرت ۱۰۰ هزار GPU
جنسن هوانگ، مدیرعامل انویدیا، در تازه‌ترین اظهارات خود درباره آینده هوش مصنوعی، رسیدن به AGI (هوش مصنوعی عمومی) را یک واقعیت نزدیک می‌داند. بر اساس اطلاعات منتشر شده، مدل جدید GPT-6 Astra بر روی زیرساختی عظیم متشکل از بیش از ۱۰۰ هزار واحد پردازنده گرافیکی NVIDIA Grace Blackwell آموزش دیده است.
هوانگ مسیر پیشرفت این حوزه را از ChatGPT به o1 و اکنون به Astra در یک بازه زمانی ۴ ساله بسیار خیره‌کننده توصیف کرده است. مهم‌ترین نکات این تحول عبارتند از:
• ثبت رکورد استفاده از ۱۰۰ هزار سیستم NVIDIA NVLink72 برای آموزش یک مدل واحد.
• گذار سریع از مدل‌های متنی به سیستم‌های پیشرفته با قابلیت استدلال.
• اعلام رسمی ورود به عصر AGI توسط رهبران صنعت.
• برنامه‌ریزی برای گسترش مقیاس زیرساخت و استفاده از ۴۰۰ هزار GPU در نسل بعدی آموزش مدل‌ها.
این مقیاس عظیم پردازشی نشان می‌دهد که رقابت برای توسعه هوش مصنوعی جامع وارد فاز جدیدی شده است که در آن قدرت محاسباتی حرف اول را می‌زند.
دستیابی به AGI با مدل GPT-6 Astra؛ قدرت‌نمایی زیرساخت‌های انویدیا
📊 Data➕Science
جنسن هوانگ، مدیرعامل انویدیا، در تازه‌ترین اظهارات خود درباره آینده هوش مصنوعی، رسیدن به AGI (هوش مصنوعی عمومی) را یک واقعیت نزدیک می‌داند. بر اساس اطلاعات منتشر شده، مدل جدید GPT-6 Astra بر روی زیرساختی عظیم متشکل از بیش از ۱۰۰ هزار واحد پردازنده گرافیکی NVIDIA Grace Blackwell آموزش دیده است.
هوانگ مسیر پیشرفت این حوزه را از ChatGPT به o1 و اکنون به Astra در یک بازه زمانی ۴ ساله بسیار خیره‌کننده توصیف کرده است. مهم‌ترین نکات این تحول عبارتند از:
• ثبت رکورد استفاده از ۱۰۰ هزار سیستم NVIDIA NVLink72 برای آموزش یک مدل واحد.
• گذار سریع از مدل‌های متنی به سیستم‌های پیشرفته با قابلیت استدلال.
• اعلام رسمی ورود به عصر AGI توسط رهبران صنعت.
• برنامه‌ریزی برای گسترش مقیاس زیرساخت و استفاده از ۴۰۰ هزار GPU در نسل بعدی آموزش مدل‌ها.
این مقیاس عظیم پردازشی نشان می‌دهد که رقابت برای توسعه هوش مصنوعی جامع وارد فاز جدیدی شده است که در آن قدرت محاسباتی حرف اول را می‌زند.
دستیابی به AGI با مدل GPT-6 Astra؛ قدرت‌نمایی زیرساخت‌های انویدیا
📊 Data➕Science
هوش مصنوعی و علم داده به فارسی
🚀 جهش بزرگ به سوی AGI با قدرت ۱۰۰ هزار GPU جنسن هوانگ، مدیرعامل انویدیا، در تازه‌ترین اظهارات خود درباره آینده هوش مصنوعی، رسیدن به AGI (هوش مصنوعی عمومی) را یک واقعیت نزدیک می‌داند. بر اساس اطلاعات منتشر شده، مدل جدید GPT-6 Astra بر روی زیرساختی عظیم متشکل…
🚀 هزینه نجومی آموزش هوش مصنوعی GPT-6 Astra
ساخت مدل GPT-6 Astra دیگر شبیه به توسعه نرم‌افزارهای معمولی نیست؛ این پروژه بیشتر به یک ماموریت فضایی چند میلیارد دلاری شباهت دارد که برآوردها نشان می‌دهد هزینه نهایی توسعه آن از مرز ۱.۵ میلیارد دلار عبور کرده است.
ابعاد شگفت‌انگیز توسعه این ابرمدل شامل موارد زیر است:
🔹 به‌کارگیری ۱۰۰ هزار کارت گرافیک Blackwell: آموزش این مدل روی قوی‌ترین پردازنده‌های گرافیکی دنیا حدود ۳ ماه زمان برده که معادل ۲۴۰ میلیون ساعت کار بی‌وقفه تراشه‌هاست.
🔹 هزینه سرسام‌آور دیتاسنترها: اجاره این ابرکامپیوترها در فضای ابری بیش از ۱.۲ میلیارد دلار هزینه روی دست توسعه‌دهندگان گذاشته است.
🔹 ارتشی از متخصصان گران‌قیمت: طراحی معماری و آماده‌سازی داده‌ها توسط نخبه‌ترین دانشمندان داده و مهندسان هوش مصنوعی با دستمزدهای سالانه چند میلیون دلاری انجام شده است.
🔹 مصرف انرژی در مقیاس شهری: مصرف مداوم ۱۴۰ مگاوات برق (مجموعاً بیش از ۳۵۰ گیگاوات‌ساعت) که معادل تامین انرژی همزمان صدها هزار خانه مسکونی است.
رقابت در لبه فناوری هوش مصنوعی دیگر کار استارتاپ‌های کوچک نیست؛ این زمین بازی اکنون در انحصار غول‌های چند هزار میلیارد دلاری است که می‌توانند بودجه‌ای در ابعاد تولید ناخالص داخلی یک کشور کوچک را فقط پای آموزش یک مدل بگذارند.
#GPT_6_Astra #Blackwell
ساخت مدل GPT-6 Astra دیگر شبیه به توسعه نرم‌افزارهای معمولی نیست؛ این پروژه بیشتر به یک ماموریت فضایی چند میلیارد دلاری شباهت دارد که برآوردها نشان می‌دهد هزینه نهایی توسعه آن از مرز ۱.۵ میلیارد دلار عبور کرده است.
ابعاد شگفت‌انگیز توسعه این ابرمدل شامل موارد زیر است:
🔹 به‌کارگیری ۱۰۰ هزار کارت گرافیک Blackwell: آموزش این مدل روی قوی‌ترین پردازنده‌های گرافیکی دنیا حدود ۳ ماه زمان برده که معادل ۲۴۰ میلیون ساعت کار بی‌وقفه تراشه‌هاست.
🔹 هزینه سرسام‌آور دیتاسنترها: اجاره این ابرکامپیوترها در فضای ابری بیش از ۱.۲ میلیارد دلار هزینه روی دست توسعه‌دهندگان گذاشته است.
🔹 ارتشی از متخصصان گران‌قیمت: طراحی معماری و آماده‌سازی داده‌ها توسط نخبه‌ترین دانشمندان داده و مهندسان هوش مصنوعی با دستمزدهای سالانه چند میلیون دلاری انجام شده است.
🔹 مصرف انرژی در مقیاس شهری: مصرف مداوم ۱۴۰ مگاوات برق (مجموعاً بیش از ۳۵۰ گیگاوات‌ساعت) که معادل تامین انرژی همزمان صدها هزار خانه مسکونی است.
رقابت در لبه فناوری هوش مصنوعی دیگر کار استارتاپ‌های کوچک نیست؛ این زمین بازی اکنون در انحصار غول‌های چند هزار میلیارد دلاری است که می‌توانند بودجه‌ای در ابعاد تولید ناخالص داخلی یک کشور کوچک را فقط پای آموزش یک مدل بگذارند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#GPT_6_Astra #Blackwell
Telegram
هوش مصنوعی و علم داده به فارسی
DataPlusScience | هوش مصنوعی و علم داده به فارسی
اخبار، تحلیل، آموزش و ابزارهای کاربردی
🌐 DataPlusScience.ir
📩 ارتباط با ما: @Contact2Mebot
📂 کانال فایل‌ها: @Datascientists_Files
💎 بله: ble.ir/dataplusscience
💡 ایتا: eitaa.com/DataPlusScience
اخبار، تحلیل، آموزش و ابزارهای کاربردی
🌐 DataPlusScience.ir
📩 ارتباط با ما: @Contact2Mebot
📂 کانال فایل‌ها: @Datascientists_Files
💎 بله: ble.ir/dataplusscience
💡 ایتا: eitaa.com/DataPlusScience
❤2
🚀 تحول تحقیقات با ایجنت‌های هوشمند در OpenAI
کمپانی OpenAI در گزارشی تازه از شتاب‌دهی به تحقیقات علمی توسط ایجنت‌های خود خبر داده است. طبق این مستندات، آن‌ها توانسته‌اند به هدف خود برای ایجاد یک «دستیار پژوهشگر خودکار» برسند.
برخی از مهم‌ترین نکات این گزارش:
* افزایش چشمگیر هزینه‌کرد: محققان این شرکت روزانه مبالغ قابل‌توجهی را صرف استفاده از API ایجنت‌ها می‌کنند؛ به‌طوری که هزینه روزانه برای کاربران پرمصرف به بیش از ۷۰۰۰ دلار رسیده است.
* سبقت گرفتن از انسان: در حال حاضر به ازای هر روز کاریِ یک محقق، بیش از ۳ روز کاری توسط ایجنت‌ها انجام می‌شود.
* رشد بازدهی: میزان تولید خروجی (تعداد توکن‌ها) در تیم تحقیقاتی نسبت به سایر بخش‌ها ۱۲۴ برابر رشد داشته است.
* سرعت کدنویسی: میزان تغییرات در خطوط کد توسط مشارکت‌کنندگان، نسبت به سال ۲۰۲۵، بیش از ۷ برابر افزایش یافته است.
OpenAI معتقد است که ما در حال حرکت به سمت خودبهبوددهی بازگشتی (RSI) هستیم و شفافیت در این مسیر برای جوامع علمی یک ضرورت است.
چگونه ایجنت‌های تحقیقاتی OpenAI سرعت پژوهش را به شدت افزایش داده‌اند؟
کمپانی OpenAI در گزارشی تازه از شتاب‌دهی به تحقیقات علمی توسط ایجنت‌های خود خبر داده است. طبق این مستندات، آن‌ها توانسته‌اند به هدف خود برای ایجاد یک «دستیار پژوهشگر خودکار» برسند.
برخی از مهم‌ترین نکات این گزارش:
* افزایش چشمگیر هزینه‌کرد: محققان این شرکت روزانه مبالغ قابل‌توجهی را صرف استفاده از API ایجنت‌ها می‌کنند؛ به‌طوری که هزینه روزانه برای کاربران پرمصرف به بیش از ۷۰۰۰ دلار رسیده است.
* سبقت گرفتن از انسان: در حال حاضر به ازای هر روز کاریِ یک محقق، بیش از ۳ روز کاری توسط ایجنت‌ها انجام می‌شود.
* رشد بازدهی: میزان تولید خروجی (تعداد توکن‌ها) در تیم تحقیقاتی نسبت به سایر بخش‌ها ۱۲۴ برابر رشد داشته است.
* سرعت کدنویسی: میزان تغییرات در خطوط کد توسط مشارکت‌کنندگان، نسبت به سال ۲۰۲۵، بیش از ۷ برابر افزایش یافته است.
OpenAI معتقد است که ما در حال حرکت به سمت خودبهبوددهی بازگشتی (RSI) هستیم و شفافیت در این مسیر برای جوامع علمی یک ضرورت است.
چگونه ایجنت‌های تحقیقاتی OpenAI سرعت پژوهش را به شدت افزایش داده‌اند؟
⚡ ابزار TeamAI برای مدیریت هوش مصنوعی در تیم‌ها
شرکت تنسنت ابزاری کاربردی به نام TeamAI-CLI را منتشر کرده که مانند یک «حافظه اشتراکی» برای ایجنت‌های هوش مصنوعی عمل می‌کند. این ابزار مهارت‌ها، قوانین، مستندات و تجربه‌های تیم را در یک مخزن Git متمرکز می‌کند تا همه ایجنت‌ها به دانش به‌روز دسترسی داشته باشند.
مهم‌ترین قابلیت‌های این ابزار:
- مدیریت تغییرات از طریق Merge Request برای حفظ استانداردها.
- به‌روزرسانی خودکار دانش ایجنت‌ها پس از هر تغییر.
- اولویت‌بندی راهکارهای موفق و پرکاربرد در حافظه مدل.
- قابلیت جستجوی دانش در کل پروژه‌ها و کدهای سازمانی.
- پشتیبانی از محبوب‌ترین ابزارها مانند Claude Code، Cursor و Codex.
برای شروع کافی است دستور زیر را اجرا کنید:
سپس با تعریف یک مخزن Git اشتراکی، دسترسی تیم به استانداردهای فنی و حل باگ‌های پیچیده را همگام‌سازی کنید. استفاده از این ابزار باعث می‌شود دانش تولید شده توسط یک توسعه‌دهنده، بلافاصله به استانداردی برای تمام اعضای تیم تبدیل شود.
ابزار TeamAI-CLI: حافظه اشتراکی برای هماهنگی ایجنت‌های هوش مصنوعی در تیم‌ها
شرکت تنسنت ابزاری کاربردی به نام TeamAI-CLI را منتشر کرده که مانند یک «حافظه اشتراکی» برای ایجنت‌های هوش مصنوعی عمل می‌کند. این ابزار مهارت‌ها، قوانین، مستندات و تجربه‌های تیم را در یک مخزن Git متمرکز می‌کند تا همه ایجنت‌ها به دانش به‌روز دسترسی داشته باشند.
مهم‌ترین قابلیت‌های این ابزار:
- مدیریت تغییرات از طریق Merge Request برای حفظ استانداردها.
- به‌روزرسانی خودکار دانش ایجنت‌ها پس از هر تغییر.
- اولویت‌بندی راهکارهای موفق و پرکاربرد در حافظه مدل.
- قابلیت جستجوی دانش در کل پروژه‌ها و کدهای سازمانی.
- پشتیبانی از محبوب‌ترین ابزارها مانند Claude Code، Cursor و Codex.
برای شروع کافی است دستور زیر را اجرا کنید:
npm install -g teamai-cliسپس با تعریف یک مخزن Git اشتراکی، دسترسی تیم به استانداردهای فنی و حل باگ‌های پیچیده را همگام‌سازی کنید. استفاده از این ابزار باعث می‌شود دانش تولید شده توسط یک توسعه‌دهنده، بلافاصله به استانداردی برای تمام اعضای تیم تبدیل شود.
ابزار TeamAI-CLI: حافظه اشتراکی برای هماهنگی ایجنت‌های هوش مصنوعی در تیم‌ها
🚀 جهش خیره‌کننده در بهره‌وری با دستیاران هوشمند
شرکت OpenAI اعلام کرد که به نقطه عطف «کارآموز پژوهشی خودکار» دست یافته است. این پیشرفت به معنای آن است که هوش مصنوعی اکنون قادر است وظایف تحقیقاتی دقیقی را که پیش‌تر نیازمند چندین روز کار تخصصی بود، تحت نظارت انسان به اتمام برساند.
تحولات اخیر در محیط عملیاتی این شرکت نشان‌دهنده تغییرات ساختاری عمیقی است:
- مهندسان OpenAI اکنون تغییرات کدی را با سرعتی حدود هفت برابر بیشتر از دوران پیش از ۲۰۲۵ اعمال می‌کنند.
- نسبت کارکرد «عامل هوش مصنوعی به انسان» به ۳.۱ به ۱ رسیده است؛ یعنی به ازای هر روز کاریِ یک انسان، عامل‌های هوشمند معادل ۳.۱ روز کاری خروجی دارند.
این آمار بر اساس زمان اجرای عملیاتی عامل‌ها محاسبه شده و نشان‌دهنده ادغام گسترده نیروی کار خودمختار در فرآیندهای پیچیده تحقیق و توسعه است. به نظر می‌رسد عصر جدیدی در بهره‌وری مهندسی آغاز شده که در آن AI نه فقط یک ابزار کمکی، بلکه عضوی فعال از تیم‌های پژوهشی است.
دستیابی OpenAI به نقطه عطف «کارآموز پژوهشی خودکار» و جهش در بهره‌وری مهندسی
شرکت OpenAI اعلام کرد که به نقطه عطف «کارآموز پژوهشی خودکار» دست یافته است. این پیشرفت به معنای آن است که هوش مصنوعی اکنون قادر است وظایف تحقیقاتی دقیقی را که پیش‌تر نیازمند چندین روز کار تخصصی بود، تحت نظارت انسان به اتمام برساند.
تحولات اخیر در محیط عملیاتی این شرکت نشان‌دهنده تغییرات ساختاری عمیقی است:
- مهندسان OpenAI اکنون تغییرات کدی را با سرعتی حدود هفت برابر بیشتر از دوران پیش از ۲۰۲۵ اعمال می‌کنند.
- نسبت کارکرد «عامل هوش مصنوعی به انسان» به ۳.۱ به ۱ رسیده است؛ یعنی به ازای هر روز کاریِ یک انسان، عامل‌های هوشمند معادل ۳.۱ روز کاری خروجی دارند.
این آمار بر اساس زمان اجرای عملیاتی عامل‌ها محاسبه شده و نشان‌دهنده ادغام گسترده نیروی کار خودمختار در فرآیندهای پیچیده تحقیق و توسعه است. به نظر می‌رسد عصر جدیدی در بهره‌وری مهندسی آغاز شده که در آن AI نه فقط یک ابزار کمکی، بلکه عضوی فعال از تیم‌های پژوهشی است.
دستیابی OpenAI به نقطه عطف «کارآموز پژوهشی خودکار» و جهش در بهره‌وری مهندسی
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
эйай ньюз
На фоне закрытия проекта Stargate,
🚀 رکوردشکنی OpenAI در زیرساخت‌های پردازشی
جنسن هوانگ، مدیرعامل انویدیا، ضمن تبریک به مناسبت عرضه مدل Astra، از به‌کارگیری بیش از ۱۰۰ هزار پردازنده سری Blackwell در پروژه Stargate خبر داد. این مرکز داده اکنون به یکی از عظیم‌ترین قطب‌های پردازش هوش مصنوعی جهان تبدیل شده است.
بر اساس تحلیل‌های Epoch.AI، روند توسعه این دیتاسنتر به شکل خیره‌کننده‌ای پیش می‌رود:
* تا ۲۸ ژوئیه ۲۰۲۶: ظرفیت عملیاتی به حدود ۵۰۹ هزار واحد H100-eq با مصرف برق ۴۲۱ مگاوات رسیده است.
* پیش‌بینی عملیاتی شدن ساختمان‌های ۵ تا ۸ در ۱ نوامبر ۲۰۲۶ برای افزایش دوبرابری ظرفیت.
* هدف نهایی پروژه: دستیابی به توان پردازشی معادل ۱.۰۱۹ میلیون واحد H100-eq با بودجه ۳۱.۹ میلیارد دلار.
ساختار این دیتاسنتر نشان می‌دهد که مقیاس‌گذاری در دنیای هوش مصنوعی، علاوه بر الگوریتم‌های پیشرفته، نیازمند زیرساخت‌های عظیم سخت‌افزاری و مدیریت هوشمند انرژی است. هر ساختمان در این مجموعه حدود ۱۶ ماه از زمان شروع عملیات ساخت تا بهره‌برداری نهایی زمان نیاز دارد.
بررسی زیرساخت‌های عظیم پروژه Stargate؛ از ۱۰۰ هزار پردازنده Blackwell تا مقیاس یک میلیون GPU
جنسن هوانگ، مدیرعامل انویدیا، ضمن تبریک به مناسبت عرضه مدل Astra، از به‌کارگیری بیش از ۱۰۰ هزار پردازنده سری Blackwell در پروژه Stargate خبر داد. این مرکز داده اکنون به یکی از عظیم‌ترین قطب‌های پردازش هوش مصنوعی جهان تبدیل شده است.
بر اساس تحلیل‌های Epoch.AI، روند توسعه این دیتاسنتر به شکل خیره‌کننده‌ای پیش می‌رود:
* تا ۲۸ ژوئیه ۲۰۲۶: ظرفیت عملیاتی به حدود ۵۰۹ هزار واحد H100-eq با مصرف برق ۴۲۱ مگاوات رسیده است.
* پیش‌بینی عملیاتی شدن ساختمان‌های ۵ تا ۸ در ۱ نوامبر ۲۰۲۶ برای افزایش دوبرابری ظرفیت.
* هدف نهایی پروژه: دستیابی به توان پردازشی معادل ۱.۰۱۹ میلیون واحد H100-eq با بودجه ۳۱.۹ میلیارد دلار.
ساختار این دیتاسنتر نشان می‌دهد که مقیاس‌گذاری در دنیای هوش مصنوعی، علاوه بر الگوریتم‌های پیشرفته، نیازمند زیرساخت‌های عظیم سخت‌افزاری و مدیریت هوشمند انرژی است. هر ساختمان در این مجموعه حدود ۱۶ ماه از زمان شروع عملیات ساخت تا بهره‌برداری نهایی زمان نیاز دارد.
بررسی زیرساخت‌های عظیم پروژه Stargate؛ از ۱۰۰ هزار پردازنده Blackwell تا مقیاس یک میلیون GPU
هوش مصنوعی و علم داده به فارسی
🚀 رکوردشکنی OpenAI در زیرساخت‌های پردازشی جنسن هوانگ، مدیرعامل انویدیا، ضمن تبریک به مناسبت عرضه مدل Astra، از به‌کارگیری بیش از ۱۰۰ هزار پردازنده سری Blackwell در پروژه Stargate خبر داد. این مرکز داده اکنون به یکی از عظیم‌ترین قطب‌های پردازش هوش مصنوعی…
🚀 غول‌های پردازشی: پشت‌صحنه دیتاسنترهای هوش مصنوعی
این روزها شاهد هستیم که سرمایه‌گذاری‌های کلان OpenAI و شرکای بزرگش، در قالب مراکز داده عظیم با قدرت پردازشی خیره‌کننده به واقعیت تبدیل شده‌اند. این زیرساخت‌ها، ستون فقرات توسعه مدل‌های نسل جدید و هوش مصنوعی پیشرفته هستند.
در اینجا نگاهی داریم به مهم‌ترین مراکز داده حال حاضر و ظرفیت پردازشی آن‌ها بر مبنای توان معادل کارت‌های
• Microsoft Fairwater Atlanta: با ظرفیت ۷۶۹ هزار H100
• OpenAI Stargate Abilene: با ظرفیت ۵۰۹ هزار H100
• Microsoft Fairwater Wisconsin: با ظرفیت ۴۴۶ هزار H100
• CoreWeave Denton: با ظرفیت ۲۵۳ هزار H100
• Microsoft Goodyear: با ظرفیت ۲۰۵ هزار H100
این اعداد نشان‌دهنده رقابتی فشرده برای دستیابی به توان محاسباتی بیشتر است تا مرزهای هوش مصنوعی فراتر رود. جالب است بدانید که این لیست تنها بخشی از زیرساخت‌های فعلی است و ظرفیت نهایی پروژه‌هایی مانند
ظرفیت پردازشی مراکز داده؛ تحلیل زیرساخت‌های عظیم هوش مصنوعی و توان H100
📊 Data➕Science
این روزها شاهد هستیم که سرمایه‌گذاری‌های کلان OpenAI و شرکای بزرگش، در قالب مراکز داده عظیم با قدرت پردازشی خیره‌کننده به واقعیت تبدیل شده‌اند. این زیرساخت‌ها، ستون فقرات توسعه مدل‌های نسل جدید و هوش مصنوعی پیشرفته هستند.
در اینجا نگاهی داریم به مهم‌ترین مراکز داده حال حاضر و ظرفیت پردازشی آن‌ها بر مبنای توان معادل کارت‌های
H100:• Microsoft Fairwater Atlanta: با ظرفیت ۷۶۹ هزار H100
• OpenAI Stargate Abilene: با ظرفیت ۵۰۹ هزار H100
• Microsoft Fairwater Wisconsin: با ظرفیت ۴۴۶ هزار H100
• CoreWeave Denton: با ظرفیت ۲۵۳ هزار H100
• Microsoft Goodyear: با ظرفیت ۲۰۵ هزار H100
این اعداد نشان‌دهنده رقابتی فشرده برای دستیابی به توان محاسباتی بیشتر است تا مرزهای هوش مصنوعی فراتر رود. جالب است بدانید که این لیست تنها بخشی از زیرساخت‌های فعلی است و ظرفیت نهایی پروژه‌هایی مانند
Stargate بسیار فراتر از این ارقام پیش‌بینی می‌شود.ظرفیت پردازشی مراکز داده؛ تحلیل زیرساخت‌های عظیم هوش مصنوعی و توان H100
📊 Data➕Science
⚡️ به‌روزرسانی مهم مدل Hy4 تنسنت
تنسنت نسخه جدیدی از مدل Hy4 Preview را منتشر کرد که با هدف رفع کندی و اصلاح فرآیند تفکر در مسائل پیچیده بهینه‌سازی شده است. این مدلِ مبتنی بر معماری MoE، با ۷۷۰ میلیارد پارامتر و پشتیبانی از کانتکست ۱ میلیون توکنی، اکنون در پلتفرم WorkBuddy در دسترس است.
طبق گزارش تیم فنی، مهم‌ترین تغییرات این نسخه شامل موارد زیر است:
* کاهش گام‌های میانی در محاسبات و استدلال
* کاهش قابل‌توجه مصرف توکن‌های ورودی و خروجی
* حفظ کیفیت عملکرد در سطوح قبلی
* افزایش سرعت در سناریوهای پیچیده ایجنت‌محور
در بررسی بنچمارک‌های اخیر در حوزه‌های برنامه‌نویسی و استدلال ایجنتیک، مدل‌هایی نظیر Claude Opus، GPT و GLM همچنان رقابت نزدیکی دارند و مدل Hy3 نیز جایگاه خود را در تست‌های تخصصی مثل BioMysteryBench و Toolathlon حفظ کرده است.
بررسی جامع به‌روزرسانی مدل Hy4 تنسنت؛ بهبود سرعت و بهینه‌سازی در استدلال پیچیده
#Hy4_Preview #WorkBuddy
تنسنت نسخه جدیدی از مدل Hy4 Preview را منتشر کرد که با هدف رفع کندی و اصلاح فرآیند تفکر در مسائل پیچیده بهینه‌سازی شده است. این مدلِ مبتنی بر معماری MoE، با ۷۷۰ میلیارد پارامتر و پشتیبانی از کانتکست ۱ میلیون توکنی، اکنون در پلتفرم WorkBuddy در دسترس است.
طبق گزارش تیم فنی، مهم‌ترین تغییرات این نسخه شامل موارد زیر است:
* کاهش گام‌های میانی در محاسبات و استدلال
* کاهش قابل‌توجه مصرف توکن‌های ورودی و خروجی
* حفظ کیفیت عملکرد در سطوح قبلی
* افزایش سرعت در سناریوهای پیچیده ایجنت‌محور
در بررسی بنچمارک‌های اخیر در حوزه‌های برنامه‌نویسی و استدلال ایجنتیک، مدل‌هایی نظیر Claude Opus، GPT و GLM همچنان رقابت نزدیکی دارند و مدل Hy3 نیز جایگاه خود را در تست‌های تخصصی مثل BioMysteryBench و Toolathlon حفظ کرده است.
بررسی جامع به‌روزرسانی مدل Hy4 تنسنت؛ بهبود سرعت و بهینه‌سازی در استدلال پیچیده
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#Hy4_Preview #WorkBuddy