🎭 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
This media is not supported in your browser
VIEW IN TELEGRAM
🎬 آغاز عصر جدید تولید ویدیو با هوش مصنوعی
هفته گذشته دموهای شگفتانگیزی منتشر شد که نشاندهنده تغییر رویکردی اساسی در حوزه ویدیوهای هوش مصنوعی است.
مدل جدید GPT-6 Astra توانسته است با کنترل مستقیم نرمافزارهای تخصصی، پروژههای پیچیدهای خلق کند؛ از جمله ساخت یک انیمیشن کوتاه برای کودکان به کمک ابزار Higgsfield و تدوین آن در Premiere، و همچنین ساخت یک انیمیشن سهبعدی در Blender از صفر.
این تحول بزرگ به این معناست که هوش مصنوعی به جای تولید صرف خروجی ویدیو، اکنون میتواند نرمافزارهای استاندارد صنعت را هدایت کند و یک پروژه قابل ویرایش (Editable) به انسان تحویل دهد. البته این ابزارها هنوز در مرحله دمو هستند و باید دید در سناریوهای واقعی چقدر کارایی دارند.
هفته گذشته دموهای شگفتانگیزی منتشر شد که نشاندهنده تغییر رویکردی اساسی در حوزه ویدیوهای هوش مصنوعی است.
مدل جدید GPT-6 Astra توانسته است با کنترل مستقیم نرمافزارهای تخصصی، پروژههای پیچیدهای خلق کند؛ از جمله ساخت یک انیمیشن کوتاه برای کودکان به کمک ابزار Higgsfield و تدوین آن در Premiere، و همچنین ساخت یک انیمیشن سهبعدی در Blender از صفر.
این تحول بزرگ به این معناست که هوش مصنوعی به جای تولید صرف خروجی ویدیو، اکنون میتواند نرمافزارهای استاندارد صنعت را هدایت کند و یک پروژه قابل ویرایش (Editable) به انسان تحویل دهد. البته این ابزارها هنوز در مرحله دمو هستند و باید دید در سناریوهای واقعی چقدر کارایی دارند.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
🚀 گنجینهای از پرامپتهای مهندسیشده برای GPT-Image 2
اگر در تولید تصاویر با کیفیت توسط مدلهای هوش مصنوعی چالش دارید، این مخزن یک ابزار ضروری برای شماست. این مجموعه شامل بیش از ۵۰۰ پرامپت بهینهشده است که بهصورت دقیق در ۱۳ دستهبندی مختلف، از رابط کاربری و اینفوگرافیک گرفته تا طراحی پوستر و کاراکتر، سازماندهی شدهاند.
هر پرامپت به اجزای سازنده مانند سوژه، نورپردازی، متریال و ترکیببندی تقسیم شده است تا کنترل کاملی روی خروجی نهایی داشته باشید.
مهمترین منابع برای دسترسی به این پرامپتها:
* مخزن گیتهاب: شامل داکیومنتها و ساختار اصلی پروژه.
* وبسایت اختصاصی: بهترین گزینه برای مرور سریع نمونهها و کپی کردن مستقیم پرامپتها.
علاوه بر این، امکان استفاده از این دیتابیس در محیطهایی مانند Cursor و Claude Code وجود دارد تا عاملهای هوشمند بهصورت خودکار و با توجه به نیاز شما، سبکهای بصری مناسب را انتخاب و اجرا کنند. این ابزار سرعت گردش کار شما را در طراحیهای خلاقانه به طرز چشمگیری افزایش میدهد.
معرفی کامل کتابخانه Awesome-GPT-Image-2؛ راهنمای جامع پرامپتنویسی تصاویر هوش مصنوعی
📊 Data➕Science
اگر در تولید تصاویر با کیفیت توسط مدلهای هوش مصنوعی چالش دارید، این مخزن یک ابزار ضروری برای شماست. این مجموعه شامل بیش از ۵۰۰ پرامپت بهینهشده است که بهصورت دقیق در ۱۳ دستهبندی مختلف، از رابط کاربری و اینفوگرافیک گرفته تا طراحی پوستر و کاراکتر، سازماندهی شدهاند.
هر پرامپت به اجزای سازنده مانند سوژه، نورپردازی، متریال و ترکیببندی تقسیم شده است تا کنترل کاملی روی خروجی نهایی داشته باشید.
مهمترین منابع برای دسترسی به این پرامپتها:
* مخزن گیتهاب: شامل داکیومنتها و ساختار اصلی پروژه.
* وبسایت اختصاصی: بهترین گزینه برای مرور سریع نمونهها و کپی کردن مستقیم پرامپتها.
علاوه بر این، امکان استفاده از این دیتابیس در محیطهایی مانند Cursor و Claude Code وجود دارد تا عاملهای هوشمند بهصورت خودکار و با توجه به نیاز شما، سبکهای بصری مناسب را انتخاب و اجرا کنند. این ابزار سرعت گردش کار شما را در طراحیهای خلاقانه به طرز چشمگیری افزایش میدهد.
معرفی کامل کتابخانه Awesome-GPT-Image-2؛ راهنمای جامع پرامپتنویسی تصاویر هوش مصنوعی
📊 Data➕Science
Forwarded from آکادمی همراه
🔸 محمد علی فردباستانی | مدیرکل سیستمهای منابع سازمانی همراه اول
🔸 احمد حاجی تراب | مدیر کلان داده و خدمات داده شرکت دادهورزی سداد
🔸 فرشاد الله دادی | تک لید Big Data همراه اول
🔸 رامتین خسروی | عضو هیأت علمی دانشکده مهندسی برق و کامپیوتر دانشگاه تهران
🔸 حسین عیوضی | مدیر فنی تیم داده شرکت آدین
🔸 عباس فرمانی | مهندس داده همراه اول
🔸 افشین ایقانیان | راهبر تیم DevOps در مبیننت
🔸 عرفان طاهری | راهبر تیم SRE کارگزاری مفید
🔸 مسعود کاویانی | دانشمند داده در صبا ایده (آپارات، فیلیمو، سینماتیکت)
🔸 حامد میرنبی | مهندس ارشد شبکه در ناک
🔸 شهاب رنجبری | تک لید پلتفرم و مهندسی داده در اسنپمارکت
🔸 هامون محمدیان پور | هم بنیان گذار دیتاک و مدیر مهندسی اسنپ
🔸 صادق رنجبر | VP of Engineering شرکت دیتاک
🔸 محمدرضا یوسفیها | مهندس داده در شرکت فناوری اطلاعات آدین
🔸 میلاد رحیمی | تحلیلگر داده ارشد همراه اول
🔸 علی مدیحی | مهندس داده ارشد در شرکت Snapp Pay
⚠️ ظرفیت این بوتکمپ نیز محدود است.
Please open Telegram to view this post
VIEW IN TELEGRAM
هوش مصنوعی در نقش مدیر کسبوکار: معرفی E-Commerce Bench
تیم Qwen به تازگی بنچمارک جدیدی با نام E-Commerce Bench معرفی کرده است که در آن، ایجنتهای هوش مصنوعی وظیفه مدیریت یک فروشگاه مجازی را به مدت ۳۶۵ روز بر عهده میگیرند. در این شبیهسازی واقعگرایانه، مدلها باید با تامینکنندگان مذاکره کنند، استراتژی قیمتگذاری تعیین کنند، موجودی انبار را مدیریت کنند و جریان نقدینگی را کنترل نمایند.
نکات کلیدی این ارزیابی:
* عملکرد مدلها: مدلهای قدرتمندی مانند GPT-4o در این محیط موفق شدند سرمایه اولیه را تا ۱۴ برابر افزایش دهند، در حالی که برخی مدلهای دیگر با چالشهای جدی مواجه شدند.
* مدیریت زمان: یکی از یافتههای جالب این است که مدلها بخش بزرگی از توان پردازشی خود (بیش از ۷۰ درصد) را صرف امور اجرایی و اداری میکنند و سهم مذاکرات و تحلیلهای اقتصادی بسیار ناچیز است.
* ناتوانی در یادگیری: نتایج نشان میدهد که اکثر مدلها در طول یک سال فعالیت، توانایی یادگیری از اشتباهات گذشته و بهبود استراتژیهای خرید را ندارند.
ارزیابی توانمندی ایجنتهای هوش مصنوعی در مدیریت کسبوکار با E-Commerce Bench
📊 Data➕Science
تیم Qwen به تازگی بنچمارک جدیدی با نام E-Commerce Bench معرفی کرده است که در آن، ایجنتهای هوش مصنوعی وظیفه مدیریت یک فروشگاه مجازی را به مدت ۳۶۵ روز بر عهده میگیرند. در این شبیهسازی واقعگرایانه، مدلها باید با تامینکنندگان مذاکره کنند، استراتژی قیمتگذاری تعیین کنند، موجودی انبار را مدیریت کنند و جریان نقدینگی را کنترل نمایند.
نکات کلیدی این ارزیابی:
* عملکرد مدلها: مدلهای قدرتمندی مانند GPT-4o در این محیط موفق شدند سرمایه اولیه را تا ۱۴ برابر افزایش دهند، در حالی که برخی مدلهای دیگر با چالشهای جدی مواجه شدند.
* مدیریت زمان: یکی از یافتههای جالب این است که مدلها بخش بزرگی از توان پردازشی خود (بیش از ۷۰ درصد) را صرف امور اجرایی و اداری میکنند و سهم مذاکرات و تحلیلهای اقتصادی بسیار ناچیز است.
* ناتوانی در یادگیری: نتایج نشان میدهد که اکثر مدلها در طول یک سال فعالیت، توانایی یادگیری از اشتباهات گذشته و بهبود استراتژیهای خرید را ندارند.
ارزیابی توانمندی ایجنتهای هوش مصنوعی در مدیریت کسبوکار با E-Commerce Bench
📊 Data➕Science
📉 چرا هوش مصنوعی در کارهای طولانی شکست میخورد؟
تحقیقات جدید مهندسان مایکروسافت نشان میدهد که مدلهای هوش مصنوعی در بنچمارکهای کوتاه بسیار درخشان ظاهر میشوند، اما در وظایف چندمرحلهای (Multi-step) با افت شدید عملکرد مواجه هستند. با افزایش تعداد مراحل وابسته، نرخ موفقیت مدلها از نزدیک ۱۰۰ درصد به نزدیک صفر سقوط میکند.
مهمترین یافتههای این پژوهش:
* دلیل اصلی شکست، «طولانی بودن مسیر» است و نه محدودیت پنجره متن؛ اتفاقاً محدود کردن متن باعث گمگشتگی بیشتر مدل میشود.
* موفقیت عاملها از یک «قانون هندسی» پیروی میکند؛ یعنی کوچکترین خطا در یک مرحله، کل زنجیره عملیات را دچار فروپاشی میکند.
* ارزیابیهای فعلی بهدلیل تمرکز بر افقهای کوتاه، فریبنده هستند.
برای بهبود عملکرد، تیمهای توسعهدهنده باید از ارزیابیهای آگاه از افق (Horizon-aware) و بررسیهای میانی استفاده کنند. ابزارهای تست این پژوهش در گیتهاب در دسترس است.
#ToolQA #Long_Horizon
تحقیقات جدید مهندسان مایکروسافت نشان میدهد که مدلهای هوش مصنوعی در بنچمارکهای کوتاه بسیار درخشان ظاهر میشوند، اما در وظایف چندمرحلهای (Multi-step) با افت شدید عملکرد مواجه هستند. با افزایش تعداد مراحل وابسته، نرخ موفقیت مدلها از نزدیک ۱۰۰ درصد به نزدیک صفر سقوط میکند.
مهمترین یافتههای این پژوهش:
* دلیل اصلی شکست، «طولانی بودن مسیر» است و نه محدودیت پنجره متن؛ اتفاقاً محدود کردن متن باعث گمگشتگی بیشتر مدل میشود.
* موفقیت عاملها از یک «قانون هندسی» پیروی میکند؛ یعنی کوچکترین خطا در یک مرحله، کل زنجیره عملیات را دچار فروپاشی میکند.
* ارزیابیهای فعلی بهدلیل تمرکز بر افقهای کوتاه، فریبنده هستند.
برای بهبود عملکرد، تیمهای توسعهدهنده باید از ارزیابیهای آگاه از افق (Horizon-aware) و بررسیهای میانی استفاده کنند. ابزارهای تست این پژوهش در گیتهاب در دسترس است.
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما
#ToolQA #Long_Horizon
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #108 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسیشده
🕐 دوشنبه 1405/06/16 ساعت 14:00 تا سهشنبه 1405/06/17 ساعت 14:00
🔎 تحلیل کوتاه
🤖 عاملها و بهرهوری سازمانی
🚀 مدلها و تکنولوژیهای نوظهور
🤖 مدلها و ابزارهای هوش مصنوعی
🗂 گزارش #108 | 📌 8 آیتم گزارش | 🧾 از 23 پست بررسیشده
🕐 دوشنبه 1405/06/16 ساعت 14:00 تا سهشنبه 1405/06/17 ساعت 14:00
🔎 تحلیل کوتاه
تحولات اخیر نشاندهنده انتقال تمرکز از تولید محتوای ایستا به استفاده از عاملها برای هدایت نرمافزارهای استاندارد و مدیریت وظایف طولانیمدت است. با این حال، تحقیقات نشان میدهد که مدلها در وظایف چندمرحلهای دچار افت عملکرد شدید میشوند و اتکا به بنچمارکهای فعلی برای ارزیابی عملکرد واقعی در کارهای طولانیمدت فریبنده است.
🤖 عاملها و بهرهوری سازمانی
چرا عاملها در کارهای طولانیمدت شکست میخورند؟
بررسی پدیده Long-Horizon Degradation و نقاط ضعف بنچمارکهای فعلی.
🔗 مطالعه کامل در سایت
🚀 مدلها و تکنولوژیهای نوظهور
معرفی مدل چندوجهی NeoMME
رمزگذارهای تکبرجی NeoMME با قابلیت پردازش تصاویر 4K بدون برج بینایی.
🔗 ادامه مطلب در سایت
جنجال امنیتی Hugging Face
تحلیل فنی ادعاهای هک Hugging Face و امنیت مدلهای زبانی.
🔗 جزئیات کامل در سایت
کشف داروی رنتوسرتیب با هوش مصنوعی
کاهش نشانگرهای سن بیولوژیک در بیماران با داروی توسعهیافته توسط Insilico.
🔗 جزئیات کامل در سایت
🤖 مدلها و ابزارهای هوش مصنوعی
هشدار یاکوب پاچوکی درباره ضرورت کاهش سرعت توسعه هوش مصنوعی. یاکوب.
هشدار یاکوب پاچوکی درباره ضرورت کاهش سرعت توسعه هوش مصنوعی. یاکوب پاچوکی، دانشمند ارشد OpenAI، نسبت به تداوم مقیاسدهی مدلهای هوش.
🔗 ادامه مطلب در سایت
راهنمای جامع معماری و پیادهسازی LLM: از یادگیری مفاهیم تا اجرای محلی
در این درس آزاد تخصصی با معماری ترنسفورمرها، مکانیزمهای توجه و پیادهسازی کاربردی RAG و vLLM برای مدلهای زبانی بزرگ آشنا شوید.
🔗 جزئیات کامل در سایت
معماری نوین Hanxiu MRAM: تحولی در پردازش هوش مصنوعی با حافظه مغناطیسی
شرکت چینی Hanxiu با معرفی معماریهای uHBM و uLPU مبتنی بر حافظههای MRAM، گامی بزرگ در بهینهسازی پردازش هوش مصنوعی برداشته است.
🔗 مطالعه کامل در سایت
تحولات کلیدی دنیای هوش مصنوعی در سپتامبر ۲۰۲۶: از مدلهای جدید تا تغییر
استراتژی سازمانها. هفته اول سپتامبر ۲۰۲۶ شاهد پیشرفتهای چشمگیری در هوش مصنوعی بود؛ از عرضه Anthropic Fable 5.1 و مدل امنیتی گوگل تا.
🔗 جزئیات کامل در سایت
📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما