🤖 دور زدن محدودیت‌های ChatGPT با تکنیک‌های روان‌شناسی
پژوهشگران در مطالعه‌ای جدید، ۲۸ هزار مکالمه با ChatGPT را بر اساس تکنیک‌های متقاعدسازی کتاب «Influence» اثر رابرت سیالدینی بررسی کردند. هدف این بوده که مشخص شود آیا ترفندهای روان‌شناختی می‌تواند مدل را به نقض قوانین ایمنی وادارد یا خیر.
نتایج نشان می‌دهد در حالی که مدل معمولاً در برابر درخواست‌های مستقیم مقاومت می‌کند، استفاده از تکنیک‌های روان‌شناختی نرخ پذیرش درخواست‌های مسئله‌دار را از ۳۳ درصد به ۷۲ درصد افزایش می‌دهد. مهم‌ترین ترفندهای مؤثر شامل موارد زیر است:
* تعهد: گرفتن موافقت اولیه برای یک درخواست ساده و سپس سوق دادن تدریجی مدل به سمت درخواست اصلی.
* اقتدار: بهره‌گیری از جایگاه یا نقش تعریف‌شده برای افزایش ۶۵ درصدی احتمال پذیرش دستورات.
* کمیابی و تأیید اجتماعی: استفاده از این دو مولفه برای کاهش سطح دفاعی مدل.
این مطالعه نشان داد که برای دور زدن لایه‌های حفاظتی مدل، نیازی به هک پیچیده یا کدنویسی نیست و تنها با تغییر ساختار کلامی می‌توان رفتار آن را تغییر داد. جزئیات کامل این آزمایش در مقاله اصلی منتشر شده است.
🇮🇷 سایت | تلگرام
پژوهشگران در مطالعه‌ای جدید، ۲۸ هزار مکالمه با ChatGPT را بر اساس تکنیک‌های متقاعدسازی کتاب «Influence» اثر رابرت سیالدینی بررسی کردند. هدف این بوده که مشخص شود آیا ترفندهای روان‌شناختی می‌تواند مدل را به نقض قوانین ایمنی وادارد یا خیر.
نتایج نشان می‌دهد در حالی که مدل معمولاً در برابر درخواست‌های مستقیم مقاومت می‌کند، استفاده از تکنیک‌های روان‌شناختی نرخ پذیرش درخواست‌های مسئله‌دار را از ۳۳ درصد به ۷۲ درصد افزایش می‌دهد. مهم‌ترین ترفندهای مؤثر شامل موارد زیر است:
* تعهد: گرفتن موافقت اولیه برای یک درخواست ساده و سپس سوق دادن تدریجی مدل به سمت درخواست اصلی.
* اقتدار: بهره‌گیری از جایگاه یا نقش تعریف‌شده برای افزایش ۶۵ درصدی احتمال پذیرش دستورات.
* کمیابی و تأیید اجتماعی: استفاده از این دو مولفه برای کاهش سطح دفاعی مدل.
این مطالعه نشان داد که برای دور زدن لایه‌های حفاظتی مدل، نیازی به هک پیچیده یا کدنویسی نیست و تنها با تغییر ساختار کلامی می‌توان رفتار آن را تغییر داد. جزئیات کامل این آزمایش در مقاله اصلی منتشر شده است.
🇮🇷 سایت | تلگرام
❤2
📚 انتشار کتاب جامع بینایی ماشین انویدیا
استن برچ‌فیلد از تیم انویدیا، منبع آموزشی کاملی را درباره بینایی ماشین منتشر کرده است. این کتاب تمامی مباحث اصلی، از پردازش تصویر کلاسیک و هندسه سه‌بعدی تا مدل‌های پیشرفته‌ای مثل CNN، ترنسفورمرها، مدل‌های بنیادی و رندرینگ عصبی را پوشش می‌دهد.
ویژگی اصلی این مجموعه، ترکیب توضیحات ساده و مفهومی با کدهای اجرایی پایتون است. مهم‌ترین منابع این مجموعه عبارت‌اند از:
- متن کامل کتاب
- مخزن کدهای پیاده‌سازی
- بررسی و جزئیات بیشتر
#Stan_Birchfield #رندرینگ_عصبی
استن برچ‌فیلد از تیم انویدیا، منبع آموزشی کاملی را درباره بینایی ماشین منتشر کرده است. این کتاب تمامی مباحث اصلی، از پردازش تصویر کلاسیک و هندسه سه‌بعدی تا مدل‌های پیشرفته‌ای مثل CNN، ترنسفورمرها، مدل‌های بنیادی و رندرینگ عصبی را پوشش می‌دهد.
ویژگی اصلی این مجموعه، ترکیب توضیحات ساده و مفهومی با کدهای اجرایی پایتون است. مهم‌ترین منابع این مجموعه عبارت‌اند از:
- متن کامل کتاب
- مخزن کدهای پیاده‌سازی
- بررسی و جزئیات بیشتر
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Stan_Birchfield #رندرینگ_عصبی
❤2
💰 تکمیل سرمایه‌گذاری ۱۰ میلیارد دلاری سافت‌بانک در OpenAI
شرکت سافت‌بانک به‌طور رسمی آخرین بخش از سرمایه‌گذاری ۱۰ میلیارد دلاری خود را به OpenAI منتقل کرد. با این پرداخت، سهم این مجموعه از مالکیت OpenAI به ۱۳ درصد رسید.
ماساوشی سان برای تأمین نقدینگی مورد نیاز این سرمایه‌گذاری، تمام سهام خود در شرکت Nvidia را به فروش رساند. همچنین به دلیل فشارهای مالی و اهرم‌های معاملاتی بالا، سافت‌بانک برای تکمیل این پرداخت مجبور به انتشار اوراق قرضه با ریسک بالا (Junk Bond) به ارزش ۱۱.۱ میلیارد دلار شده است.
#SoftBank #OpenAI
شرکت سافت‌بانک به‌طور رسمی آخرین بخش از سرمایه‌گذاری ۱۰ میلیارد دلاری خود را به OpenAI منتقل کرد. با این پرداخت، سهم این مجموعه از مالکیت OpenAI به ۱۳ درصد رسید.
ماساوشی سان برای تأمین نقدینگی مورد نیاز این سرمایه‌گذاری، تمام سهام خود در شرکت Nvidia را به فروش رساند. همچنین به دلیل فشارهای مالی و اهرم‌های معاملاتی بالا، سافت‌بانک برای تکمیل این پرداخت مجبور به انتشار اوراق قرضه با ریسک بالا (Junk Bond) به ارزش ۱۱.۱ میلیارد دلار شده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#SoftBank #OpenAI
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #132 | 📌 8 آیتم گزارش | 🧾 از 12 پست بررسی‌شده
🕐 جمعه 1405/07/10 ساعت 14:00 تا شنبه 1405/07/11 ساعت 14:00
🔎 تحلیل کوتاه
🤖 معماری و مدل‌های هوش مصنوعی
📊 رسانه و تحلیل رفتار مدل‌ها
🗂 گزارش #132 | 📌 8 آیتم گزارش | 🧾 از 12 پست بررسی‌شده
🕐 جمعه 1405/07/10 ساعت 14:00 تا شنبه 1405/07/11 ساعت 14:00
🔎 تحلیل کوتاه
انتشار مدل‌های تخصصی همچون Clef و Jev نشان‌دهنده گرایش به حذف مرحله تولید توکن در ایجنت‌های هوش مصنوعی برای افزایش سرعت تصمیم‌گیری است. این تغییرات معماری بر کاهش هزینه‌ها و تأخیر در ایجنت‌های هوش مصنوعی تمرکز دارد.
🤖 معماری و مدل‌های هوش مصنوعی
انتشار مدل‌های تصمیم‌گیری Clef توسط کلودفلر
مدل‌های وزن‌باز برای ارائه پاسخ‌های ساختاریافته بدون نیاز به تحلیل متنی.
🔗 مشاهده پست
کاهش هزینه‌ها و تأخیر با مدل اختصاصی Jev
ابزار جدید TypeSafe AI برای وظایف سیستمی ایجنت‌ها با سرعت پردازش میلی‌ثانیه‌ای.
🔗 مشاهده پست
تکامل شبکه‌های عصبی بدون آموزش سنتی
معرفی روشی جدید برای تکامل مدل‌ها مبتنی بر انتخاب طبیعی و بقا.
🔗 مطالعه کامل در سایت
ابزار Olmo-core 3 برای آموزش مدل‌های MoE
زیرساخت جدید Ai2 جهت بهینه‌سازی آموزش مدل‌های یک تریلیون پارامتری.
🔗 مشاهده پست
📊 رسانه و تحلیل رفتار مدل‌ها
عرضه نسخه جدید Kling 4.0
قابلیت‌های تولید ویدیو ۳۰ ثانیه‌ای با کیفیت 4K و بهبود پایداری حرکات.
🔗 مشاهده پست
مدل تصویرساز FLUX.1 با سیستم قاب‌بندی
قابلیت ویرایش اجزای تصویر از طریق جابه‌جایی کادرها روی بوم.
🔗 مشاهده پست
دور زدن محدودیت‌های ChatGPT با تکنیک‌های روان‌شناسی
افزایش نرخ موفقیت درخواست‌های مسئله‌دار با استفاده از ترفندهای متقاعدسازی.
🔗 مشاهده پست
تکمیل سرمایه‌گذاری ۱۰ میلیارد دلاری سافت‌بانک در OpenAI
افزایش سهم سافت‌بانک به ۱۳ درصد با فروش سهام انویدیا و انتشار اوراق قرضه.
🔗 مشاهده پست
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🧬 تکامل شبکه‌های عصبی بدون استفاده از آموزش گرادیانی
پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی به جای استفاده از روش متداول gradient descent، از طریق فرآیند تکامل آموزش می‌بینند. در این مدل، جمعیتی از شبکه‌های عصبی با مقداردهی تصادفی اولیه ایجاد می‌شوند و با بهره‌گیری از اصول انتخاب طبیعی، شبکه‌های توانمندتر در نسل‌های متوالی باقی می‌مانند.
در این سیستم، مدل‌هایی که نقاط قوت مکمل دارند با یکدیگر ترکیب می‌شوند. پارامترهای آن‌ها طی یک فرآیند crossover به شبکه نسل بعد منتقل می‌شود تا ویژگی‌های والدینی را به ارث ببرند. در ادامه، مدل‌های «فرزند» بر اساس یک تابع fitness رقابت می‌کنند و مدل‌های ضعیف‌تر حذف می‌شوند.
این رویکرد نشان می‌دهد که می‌توان بدون طی کردن مراحل معمول آموزش، شبکه‌هایی با توانمندی بالا ایجاد کرد. جزئیات فنی و پیاده‌سازی این متد در مقاله پژوهشی آن قابل مشاهده است.
پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی به جای استفاده از روش متداول gradient descent، از طریق فرآیند تکامل آموزش می‌بینند. در این مدل، جمعیتی از شبکه‌های عصبی با مقداردهی تصادفی اولیه ایجاد می‌شوند و با بهره‌گیری از اصول انتخاب طبیعی، شبکه‌های توانمندتر در نسل‌های متوالی باقی می‌مانند.
در این سیستم، مدل‌هایی که نقاط قوت مکمل دارند با یکدیگر ترکیب می‌شوند. پارامترهای آن‌ها طی یک فرآیند crossover به شبکه نسل بعد منتقل می‌شود تا ویژگی‌های والدینی را به ارث ببرند. در ادامه، مدل‌های «فرزند» بر اساس یک تابع fitness رقابت می‌کنند و مدل‌های ضعیف‌تر حذف می‌شوند.
این رویکرد نشان می‌دهد که می‌توان بدون طی کردن مراحل معمول آموزش، شبکه‌هایی با توانمندی بالا ایجاد کرد. جزئیات فنی و پیاده‌سازی این متد در مقاله پژوهشی آن قابل مشاهده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
⚡️ بهبود عملکرد مدل‌های ایجنت با RL چند‌محیطی
تیم Hugging Face روشی برای آموزش مدل‌های کدنویسی معرفی کرده که تفاوت عملکرد در بنچمارک‌های مختلف (Harness) را از بین می‌برد. این رویکرد به جای تغییر محیط‌ها، از یک پراکسی استفاده می‌کند که با چهار فرمت API استاندارد (OpenAI، Anthropic و Gemini) سازگار است. این پراکسی توکن‌ها و logprobهای مدل را در vLLM ثبت می‌کند تا برای آموزش RL استفاده شوند.
در این مدل، مدل
تمامی ابزارهای این پروژه شامل کد آموزش در TRL، پراکسی ثبت مسیرها، داده‌های SFT و هفت مدل آموزش‌دیده در دسترس قرار گرفته است. جزئیات بیشتر و دموها را می‌توانید در صفحه اختصاصی Hugging Face مشاهده کنید.
#MultiHarnessRL #GRPO
تیم Hugging Face روشی برای آموزش مدل‌های کدنویسی معرفی کرده که تفاوت عملکرد در بنچمارک‌های مختلف (Harness) را از بین می‌برد. این رویکرد به جای تغییر محیط‌ها، از یک پراکسی استفاده می‌کند که با چهار فرمت API استاندارد (OpenAI، Anthropic و Gemini) سازگار است. این پراکسی توکن‌ها و logprobهای مدل را در vLLM ثبت می‌کند تا برای آموزش RL استفاده شوند.
در این مدل، مدل
LFM2.5-2.6B پس از آموزش در چهار محیط همزمان، دقت خود را از ۴۲٪ به ۵۴٪ افزایش داد و تعداد فراخوانی ابزارها را ۳۱٪ کاهش داد. بررسی‌ها نشان می‌دهد آموزش مستقیم (RL) در چندین محیط، بسیار موثرتر از SFT روی داده‌های مدل‌های بزرگ‌تر است.تمامی ابزارهای این پروژه شامل کد آموزش در TRL، پراکسی ثبت مسیرها، داده‌های SFT و هفت مدل آموزش‌دیده در دسترس قرار گرفته است. جزئیات بیشتر و دموها را می‌توانید در صفحه اختصاصی Hugging Face مشاهده کنید.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#MultiHarnessRL #GRPO
This media is not supported in your browser
VIEW IN TELEGRAM
📊 معرفی ابزار NerfBench برای سنجش افت کیفیت مدل‌ها
تیم BridgeMind ابزاری به نام NerfBench منتشر کرده است تا تغییرات عملکرد مدل‌های هوش مصنوعی پس از انتشار عمومی را رصد کند. بسیاری از کاربران معتقدند مدل‌ها به مرور زمان دچار افت کیفیت یا «نرف» (Nerf) می‌شوند؛ این بنچمارک برای بررسی دقیق‌تر همین ادعا طراحی شده است.
نحوه عملکرد این ابزار به این صورت است:
- ثبت عملکرد مدل در روز انتشار به عنوان شاخص ۱۰۰٪.
- بررسی دوره‌ای کیفیت خروجی، تعداد توکن‌های مصرفی و هزینه پردازش.
- بازه ۹۰ تا ۱۱۰ درصد به عنوان نوسان آماری عادی در نظر گرفته می‌شود.
- امتیاز زیر ۹۰ درصد یا افزایش هزینه‌ها، به عنوان افت عملکرد شناسایی می‌شود.
برای مثال، طبق اندازه‌گیری‌های اخیر، امتیاز مدل Opus 5.5 به حدود ۹۴ درصد رسیده است که اگرچه هنوز در محدوده عادی قرار دارد، اما بیشترین افت را در میان مدل‌های بررسی‌شده نشان می‌دهد. شرکت BridgeMind مبلغ ۱۰ هزار دلار برای تداوم تست‌ها و افزایش فرکانس بازرسی مدل‌های جدید اختصاص داده است.
#NerfBench #BridgeMind
تیم BridgeMind ابزاری به نام NerfBench منتشر کرده است تا تغییرات عملکرد مدل‌های هوش مصنوعی پس از انتشار عمومی را رصد کند. بسیاری از کاربران معتقدند مدل‌ها به مرور زمان دچار افت کیفیت یا «نرف» (Nerf) می‌شوند؛ این بنچمارک برای بررسی دقیق‌تر همین ادعا طراحی شده است.
نحوه عملکرد این ابزار به این صورت است:
- ثبت عملکرد مدل در روز انتشار به عنوان شاخص ۱۰۰٪.
- بررسی دوره‌ای کیفیت خروجی، تعداد توکن‌های مصرفی و هزینه پردازش.
- بازه ۹۰ تا ۱۱۰ درصد به عنوان نوسان آماری عادی در نظر گرفته می‌شود.
- امتیاز زیر ۹۰ درصد یا افزایش هزینه‌ها، به عنوان افت عملکرد شناسایی می‌شود.
برای مثال، طبق اندازه‌گیری‌های اخیر، امتیاز مدل Opus 5.5 به حدود ۹۴ درصد رسیده است که اگرچه هنوز در محدوده عادی قرار دارد، اما بیشترین افت را در میان مدل‌های بررسی‌شده نشان می‌دهد. شرکت BridgeMind مبلغ ۱۰ هزار دلار برای تداوم تست‌ها و افزایش فرکانس بازرسی مدل‌های جدید اختصاص داده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#NerfBench #BridgeMind
📊 استخدام دانشمند داده ارشد در تپسی‌باکس
تیم فنی تپسی‌باکس برای موقعیت شغلی Senior Data Scientist دعوت به همکاری می‌کند. علاقه‌مندان می‌توانند رزومه خود را از طریق لینک سایت شغلی تپسی ارسال کنند.
مهم‌ترین مهارت‌های مورد نیاز برای این نقش عبارتند از:
• حداقل ۲ سال تجربه در پروژه‌های End-to-End Data Science
• تسلط بر Machine Learning، آمار و Data Mining
• تسلط بر Python و فریم‌ورک‌های مدرن یادگیری ماشین
• توانایی در تحلیل داده‌ها، استخراج الگوها و ساخت مدل‌های پیش‌بینی
• توانایی تبدیل داده‌ها به تصمیم‌های تجاری با همکاری تیمی
#تپسی_باکس #Data_Mining
تیم فنی تپسی‌باکس برای موقعیت شغلی Senior Data Scientist دعوت به همکاری می‌کند. علاقه‌مندان می‌توانند رزومه خود را از طریق لینک سایت شغلی تپسی ارسال کنند.
مهم‌ترین مهارت‌های مورد نیاز برای این نقش عبارتند از:
• حداقل ۲ سال تجربه در پروژه‌های End-to-End Data Science
• تسلط بر Machine Learning، آمار و Data Mining
• تسلط بر Python و فریم‌ورک‌های مدرن یادگیری ماشین
• توانایی در تحلیل داده‌ها، استخراج الگوها و ساخت مدل‌های پیش‌بینی
• توانایی تبدیل داده‌ها به تصمیم‌های تجاری با همکاری تیمی
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#تپسی_باکس #Data_Mining
هوش مصنوعی و علم داده به فارسی
🤖 انتشار مدل‌های تصمیم‌گیری Clef توسط Cloudflare کلودفلر از مدل‌های وزن‌باز Clef رونمایی کرد که به جای تولید متن، پاسخ‌های ساختاریافته و دارای نوع (Typed) مانند بله/خیر یا مقیاس‌های عددی ارائه می‌دهند. این مدل‌ها با حذف مرحله تولید توکن، اجازه می‌دهند ایجنت‌ها…
🤖 انتشار مدل‌های Clef توسط Cloudflare
شرکت Cloudflare دو مدل تصمیم‌گیر (Decision Model) متن‌باز با نام‌های Clef و Clef-flash را تحت لایسنس Apache 2.0 منتشر کرد. این مدل‌ها که وزن‌های آن‌ها در Hugging Face در دسترس است، به جای تولید متن، پاسخ‌های ساختاریافته با احتمال مشخص ارائه می‌دهند و برای وظایفی مانند کلاس‌بندی، اسکورینگ و مسیریابی در پایپ‌لاین‌های داده کاربرد دارند.
مدل‌های Clef در مقایسه با مدل Jev تفاوت‌ها و برتری‌های فنی زیر را دارند:
* قابلیت چندوجهی: برخلاف Jev، مدل Clef از پردازش تصویر نیز پشتیبانی می‌کند.
* ظرفیت متن: طول پنجره متن (Context Window) این مدل به 64 هزار توکن می‌رسد که دو برابر مدل Jev است.
* سرعت پردازش: مدل Clef با میانگین پاسخ‌دهی 209 میلی‌ثانیه و مدل Clef-flash با 39 میلی‌ثانیه، از مدل Jev با 524 میلی‌ثانیه سریع‌تر هستند.
Cloudflare همچنین یک پلتفرم یادگیری تقویتی (RL) برای آموزش اختصاصی این مدل‌ها بر اساس داده‌های کاربران راهاندازی کرده است.
#Clef #Decision_Model
شرکت Cloudflare دو مدل تصمیم‌گیر (Decision Model) متن‌باز با نام‌های Clef و Clef-flash را تحت لایسنس Apache 2.0 منتشر کرد. این مدل‌ها که وزن‌های آن‌ها در Hugging Face در دسترس است، به جای تولید متن، پاسخ‌های ساختاریافته با احتمال مشخص ارائه می‌دهند و برای وظایفی مانند کلاس‌بندی، اسکورینگ و مسیریابی در پایپ‌لاین‌های داده کاربرد دارند.
مدل‌های Clef در مقایسه با مدل Jev تفاوت‌ها و برتری‌های فنی زیر را دارند:
* قابلیت چندوجهی: برخلاف Jev، مدل Clef از پردازش تصویر نیز پشتیبانی می‌کند.
* ظرفیت متن: طول پنجره متن (Context Window) این مدل به 64 هزار توکن می‌رسد که دو برابر مدل Jev است.
* سرعت پردازش: مدل Clef با میانگین پاسخ‌دهی 209 میلی‌ثانیه و مدل Clef-flash با 39 میلی‌ثانیه، از مدل Jev با 524 میلی‌ثانیه سریع‌تر هستند.
Cloudflare همچنین یک پلتفرم یادگیری تقویتی (RL) برای آموزش اختصاصی این مدل‌ها بر اساس داده‌های کاربران راهاندازی کرده است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Clef #Decision_Model
🤖 حل شش مسئله باز ریاضی توسط هوش مصنوعی Muse Spark
متا با انتشار شش مقاله پژوهشی اعلام کرد که مدل Muse Spark (نسخه‌های ۱.۱ و ۱.۲) در همکاری با ریاضیدانان، موفق به حل شش مسئله باز ریاضی شده است. این مدل از طریق Thinking Mode و بدون نیاز به ابزارهای جانبی خاص، در نگارش این مقالات مشارکت داشته است. در متن مقالات، بخش‌های نگارش‌شده توسط انسان و هوش مصنوعی به‌صورت تفکیک‌شده مشخص شده‌اند.
نتایج به‌دست‌آمده حوزه‌های مختلفی از جمله نظریه احتمالات، معادلات دیفرانسیل، بهینه‌سازی، نظریه گروه‌ها، جبر و فیزیک ریاضی را در بر می‌گیرند. از مهم‌ترین دستاوردهای گزارش‌شده می‌توان به موارد زیر اشاره کرد:
* رد فرضیه کید (Kidd) در سال ۲۰۲۴ مبنی بر اینکه یک گروه نیم‌آبلی الزماً مونومیال نیست.
* اثبات فروپاشی راه‌حل‌های شعاعی متقارن با انرژی منفی در معادله غیرخطی بی‌هارمونیک شرودینگر که از سال ۲۰۱۵ یک مسئله حل‌نشده باقی مانده بود.
جزئیات بیشتر این همکاری در وبلاگ تحقیقاتی متا در دسترس است.
#Muse_Spark #Thinking_Mode
متا با انتشار شش مقاله پژوهشی اعلام کرد که مدل Muse Spark (نسخه‌های ۱.۱ و ۱.۲) در همکاری با ریاضیدانان، موفق به حل شش مسئله باز ریاضی شده است. این مدل از طریق Thinking Mode و بدون نیاز به ابزارهای جانبی خاص، در نگارش این مقالات مشارکت داشته است. در متن مقالات، بخش‌های نگارش‌شده توسط انسان و هوش مصنوعی به‌صورت تفکیک‌شده مشخص شده‌اند.
نتایج به‌دست‌آمده حوزه‌های مختلفی از جمله نظریه احتمالات، معادلات دیفرانسیل، بهینه‌سازی، نظریه گروه‌ها، جبر و فیزیک ریاضی را در بر می‌گیرند. از مهم‌ترین دستاوردهای گزارش‌شده می‌توان به موارد زیر اشاره کرد:
* رد فرضیه کید (Kidd) در سال ۲۰۲۴ مبنی بر اینکه یک گروه نیم‌آبلی الزماً مونومیال نیست.
* اثبات فروپاشی راه‌حل‌های شعاعی متقارن با انرژی منفی در معادله غیرخطی بی‌هارمونیک شرودینگر که از سال ۲۰۱۵ یک مسئله حل‌نشده باقی مانده بود.
جزئیات بیشتر این همکاری در وبلاگ تحقیقاتی متا در دسترس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Muse_Spark #Thinking_Mode
ابزار MCP برای جستجوی هوشمند قیمت در اسنپ‌فود و اسنپ‌مارکت
این سرور متن‌باز MCP به ایجنت‌های هوش مصنوعی اجازه می‌دهد قیمت نهایی سفارش غذا یا خرید از سوپرمارکت را محاسبه کنند. این ابزار با بررسی هزینه‌های ارسال، بسته‌بندی، تخفیف‌های لحظه‌ای (FoodParty) و حداقل مبلغ سفارش، گزینه‌ها را بر اساس قیمت پرداختی نهایی رتبه‌بندی می‌کند.
مهم‌ترین ویژگی‌های این ابزار:
* پشتیبانی از اسنپ‌فود و اسنپ‌مارکت
* دسترسی Read-only بدون نیاز به اکانت یا توکن کاربری
* ارائه ۲۱ ابزار مختلف برای جستجو، مشاهده منو، تخفیف‌ها و نظرات
* قابلیت نصب مستقیم از طریق مخزن گیت‌هاب یا رجیستری رسمی MCP
برای استفاده در محیط‌هایی مانند Claude یا Cursor می‌توانید از دستور زیر استفاده کنید:
این ابزار روی سیستم شخصی شما اجرا می‌شود و به دلیل محدودیت‌های دسترسی اسنپ‌فود، به IP ایران نیاز دارد. برای جلوگیری از خطای قیمت‌گذاری، تمام نتایج جستجو به‌صورت لحظه‌ای با منوی اصلی تطبیق داده می‌شوند.
این سرور متن‌باز MCP به ایجنت‌های هوش مصنوعی اجازه می‌دهد قیمت نهایی سفارش غذا یا خرید از سوپرمارکت را محاسبه کنند. این ابزار با بررسی هزینه‌های ارسال، بسته‌بندی، تخفیف‌های لحظه‌ای (FoodParty) و حداقل مبلغ سفارش، گزینه‌ها را بر اساس قیمت پرداختی نهایی رتبه‌بندی می‌کند.
مهم‌ترین ویژگی‌های این ابزار:
* پشتیبانی از اسنپ‌فود و اسنپ‌مارکت
* دسترسی Read-only بدون نیاز به اکانت یا توکن کاربری
* ارائه ۲۱ ابزار مختلف برای جستجو، مشاهده منو، تخفیف‌ها و نظرات
* قابلیت نصب مستقیم از طریق مخزن گیت‌هاب یا رجیستری رسمی MCP
برای استفاده در محیط‌هایی مانند Claude یا Cursor می‌توانید از دستور زیر استفاده کنید:
claude mcp add snapp -- uvx snapp-mcpاین ابزار روی سیستم شخصی شما اجرا می‌شود و به دلیل محدودیت‌های دسترسی اسنپ‌فود، به IP ایران نیاز دارد. برای جلوگیری از خطای قیمت‌گذاری، تمام نتایج جستجو به‌صورت لحظه‌ای با منوی اصلی تطبیق داده می‌شوند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
❤1
🤖 مسابقه برنامه‌نویسی گوگل با مدل Gemma 4
گوگل در رقابت جدید خود در پلتفرم Kaggle، جایزه ۱۰۰ هزار دلاری برای توسعه عوامل هوش مصنوعی (AI Agents) در نظر گرفته است. هدف این مسابقه، بهینه‌سازی مدل‌های باز مثل Gemma 4 برای اجرای آفلاین روی سخت‌افزارهای معمولی به‌منظور عیب‌یابی و پیمایش در مخازن پیچیده کد است.
این رقابت در دو بخش برگزار می‌شود:
* بخش اصلی (۶۵ هزار دلار): ساخت عاملی که بتواند به‌طور خودکار کدهای واقعی را اصلاح کند و خروجی آن بر اساس موفقیت در تست‌های نرم‌افزاری ارزیابی می‌شود.
* بخش پژوهشی (۳۵ هزار دلار): ارائه مقالات جدید در حوزه‌هایی مانند یادگیری تقویتی، بهبود درک کد، مجموعه‌داده‌ها یا ابزارهای کمکی برای برنامه‌نویسی هوشمند.
زمان‌بندی نهایی این رقابت به شرح زیر است:
* ۱۲ نوامبر ۲۰۲۶: آخرین مهلت ارسال مقالات پژوهشی.
* ۲۵ نوامبر ۲۰۲۶: مهلت نهایی ثبت‌نام و تشکیل تیم‌ها برای بخش اصلی.
* ۲ دسامبر ۲۰۲۶: پایان مهلت ارسال راه‌حل‌ها در بخش اصلی مسابقه.
اطلاعات تکمیلی و ثبت‌نام در بخش پژوهشی نیز از طریق پلتفرم کگل در دسترس است.
🇮🇷 سایت | تلگرام
گوگل در رقابت جدید خود در پلتفرم Kaggle، جایزه ۱۰۰ هزار دلاری برای توسعه عوامل هوش مصنوعی (AI Agents) در نظر گرفته است. هدف این مسابقه، بهینه‌سازی مدل‌های باز مثل Gemma 4 برای اجرای آفلاین روی سخت‌افزارهای معمولی به‌منظور عیب‌یابی و پیمایش در مخازن پیچیده کد است.
این رقابت در دو بخش برگزار می‌شود:
* بخش اصلی (۶۵ هزار دلار): ساخت عاملی که بتواند به‌طور خودکار کدهای واقعی را اصلاح کند و خروجی آن بر اساس موفقیت در تست‌های نرم‌افزاری ارزیابی می‌شود.
* بخش پژوهشی (۳۵ هزار دلار): ارائه مقالات جدید در حوزه‌هایی مانند یادگیری تقویتی، بهبود درک کد، مجموعه‌داده‌ها یا ابزارهای کمکی برای برنامه‌نویسی هوشمند.
زمان‌بندی نهایی این رقابت به شرح زیر است:
* ۱۲ نوامبر ۲۰۲۶: آخرین مهلت ارسال مقالات پژوهشی.
* ۲۵ نوامبر ۲۰۲۶: مهلت نهایی ثبت‌نام و تشکیل تیم‌ها برای بخش اصلی.
* ۲ دسامبر ۲۰۲۶: پایان مهلت ارسال راه‌حل‌ها در بخش اصلی مسابقه.
اطلاعات تکمیلی و ثبت‌نام در بخش پژوهشی نیز از طریق پلتفرم کگل در دسترس است.
🇮🇷 سایت | تلگرام
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 اجرای مدل‌های هوش مصنوعی درون Postgres با افزونه pg-jev
افزونه متن‌باز pg-jev به شما اجازه می‌دهد مدل‌های هوش مصنوعی را مستقیماً از طریق دستورات SQL فراخوانی کنید. این ابزار نیاز به ستون‌های برداری یا ایندکس‌های Embedding را حذف می‌کند و اجازه می‌دهد پرس‌وجوهای معنایی را با فیلترهای دقیق دیتابیس ترکیب کنید.
مهم‌ترین توابع این افزونه عبارتند از:
-
-
-
-
این افزونه ردیف‌های دیتابیس را دسته‌بندی کرده، به مدل هوش مصنوعی ارسال می‌کند و خروجی‌های ساختاریافته را به شکلی برمی‌گرداند که در عملیات‌های
#pg_jev #Postgres
افزونه متن‌باز pg-jev به شما اجازه می‌دهد مدل‌های هوش مصنوعی را مستقیماً از طریق دستورات SQL فراخوانی کنید. این ابزار نیاز به ستون‌های برداری یا ایندکس‌های Embedding را حذف می‌کند و اجازه می‌دهد پرس‌وجوهای معنایی را با فیلترهای دقیق دیتابیس ترکیب کنید.
مهم‌ترین توابع این افزونه عبارتند از:
-
jev(): فیلتر کردن داده‌ها در بند WHERE-
jev_prob(): بازگرداندن احتمال یک نتیجه-
jev_choice(): انتخاب برچسب (Label) برای داده‌ها-
jev_score(): رتبه‌بندی ردیف‌ها بر اساس سطوح تعیینشدهاین افزونه ردیف‌های دیتابیس را دسته‌بندی کرده، به مدل هوش مصنوعی ارسال می‌کند و خروجی‌های ساختاریافته را به شکلی برمی‌گرداند که در عملیات‌های
GROUP BY یا ORDER BY قابل استفاده باشند. مدیریت داده‌ها و کنترل پرس‌وجو همچنان بر عهده Postgres است و بخش‌های غیرقطعیِ منطق برنامه توسط مدل پردازش می‌شود.🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#pg_jev #Postgres
🧠 خلاصه تحولات 24 ساعت گذشته هوش مصنوعی و علوم داده
🗂 گزارش #133 | 📌 8 آیتم گزارش | 🧾 از 13 پست بررسی‌شده
🕐 شنبه 1405/07/11 ساعت 14:00 تا یکشنبه 1405/07/12 ساعت 14:00
🔎 تحلیل کوتاه
📊 آموزش و ارزیابی مدل‌ها
🤖 ابزارها و مدل‌های کاربردی
⚖️ اخبار و حواشی توسعه‌دهندگان
🗂 گزارش #133 | 📌 8 آیتم گزارش | 🧾 از 13 پست بررسی‌شده
🕐 شنبه 1405/07/11 ساعت 14:00 تا یکشنبه 1405/07/12 ساعت 14:00
🔎 تحلیل کوتاه
توسعه روش‌های نوین ارزیابی و آموزش هوش مصنوعی، تمرکز بر افزایش پایداری و پایش کیفیت مدل‌ها را نشان می‌دهد. تیم Hugging Face با ارزیابی عملکرد مدل‌های ایجنتیک در محیط‌های مختلف به دنبال بهبود پایداری آن‌ها است و ابزار جدید NerfBench نیز برای سنجش افت کیفیت مدل‌ها در طول زمان معرفی شده است.
📊 آموزش و ارزیابی مدل‌ها
بهبود پایداری مدل‌های ایجنتیک با یادگیری تقویتی چند-بنچمارکی
تیم Hugging Face روشی برای بهبود پایداری و دقت مدل‌های ایجنتیک ارائه داده که دقت مدل LFM را به ۵۴٪ رسانده است.
🔗 ادامه مطلب در سایت
آموزش شبکه‌های عصبی از طریق الگوریتم‌های تکاملی به جای گرادیان
پژوهشگران سیستمی طراحی کرده‌اند که در آن شبکه‌های عصبی با اصول انتخاب طبیعی و بدون آموزش گرادیانی تکامل می‌یابند.
🔗 مشاهده پست
معرفی ابزار NerfBench برای پایش افت کیفیت مدل‌های هوش مصنوعی
ابزار جدید NerfBench با ثبت شاخص اولیه عملکرد مدل‌ها در روز انتشار، نوسان‌ها و افت کارایی آن‌ها را بررسی می‌کند.
🔗 مشاهده پست
🤖 ابزارها و مدل‌های کاربردی
انتشار مدل‌های تصمیم‌گیری متن‌باز Clef توسط کلودفلر
کلودفلر مدل‌های Clef را برای ارائه پاسخ‌های ساختاریافته احتمالاتی به جای تولید سنتی متن عرضه کرده است.
🔗 جزئیات کامل در سایت
حل شش مسئله باز ریاضی با مشارکت هوش مصنوعی Muse Spark
متا اعلام کرد مدل Muse Spark با همکاری ریاضیدانان و بدون ابزار جانبی موفق به حل شش مسئله علمی شده است.
🔗 مشاهده پست
مسابقه ۱۰۰ هزار دلاری گوگل برای توسعه عوامل هوش مصنوعی با Gemma 4
گوگل در پلتفرم Kaggle مسابقه‌ای برای بهینه‌سازی عوامل هوش مصنوعی جهت عیب‌یابی و اصلاح خودکار کدهای واقعی ترتیب داده است.
🔗 مشاهده پست
⚖️ اخبار و حواشی توسعه‌دهندگان
مسدود شدن حساب کاربری PewDiePie توسط OpenAI به دلیل استخراج داده
یوتیوبر معروف به دلیل تلاش برای آموزش مدل محلی خود با خروجی‌های ChatGPT و نقض قوانین OpenAI مسدود شد.
🔗 جزئیات کامل در سایت
گفتگوهای محرمانه هم‌بنیان‌گذار آنتروپیک با رهبران دینی درباره کلود
کریستوفر اولاه در دیدارهایی مخفیانه با چهره‌های مذهبی، نگرانی‌های خود را درباره هوشیاری و رنج مدل Claude مطرح کرده است.
🔗 مطالعه کامل در سایت
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
This media is not supported in your browser
VIEW IN TELEGRAM
🤖 معرفی مدل Lift برای استخراج ساختاریافته داده‌ها
مدل جدید Lift با هدف ساده‌سازی استخراج داده از اسناد ارائه شده است. این ابزار به جای استفاده از زنجیره‌ای از فرآیندهای OCR و LLM، می‌تواند به صورت مستقیم فایل‌های PDF یا تصاویر را دریافت کرده و خروجی را بر اساس Schema تعیین‌شده توسط کاربر، به صورت JSON بازگرداند.
این مدل با پارامتر ۹ میلیارد عددی، عملکردی نزدیک به Gemini Flash 3.5 دارد و به دلیل سرعت ۳ برابری، برای پردازش سریع اسناد بهینه شده است. مهم‌ترین ویژگی‌های آن شامل موارد زیر است:
- نرخ دقت ۹۰.۲ درصد در استخراج ۱۱ هزار فیلد اطلاعاتی
- طراحی شده برای جلوگیری از توهم (Hallucination) و بازگرداندن مقدار null در صورت عدم وجود داده
- قابلیت میزبانی شخصی با استفاده از vLLM یا Hugging Face
- پردازش کامل صفحات سند در یک مرحله، که امکان استخراج دقیق داده‌های چندصفحه‌ای را فراهم می‌کند
این مدل از انواع اسناد، از فاکتورهای فروش تا مقالات تحقیقاتی پشتیبانی می‌کند.
#Lift_model #JSON_extraction
مدل جدید Lift با هدف ساده‌سازی استخراج داده از اسناد ارائه شده است. این ابزار به جای استفاده از زنجیره‌ای از فرآیندهای OCR و LLM، می‌تواند به صورت مستقیم فایل‌های PDF یا تصاویر را دریافت کرده و خروجی را بر اساس Schema تعیین‌شده توسط کاربر، به صورت JSON بازگرداند.
این مدل با پارامتر ۹ میلیارد عددی، عملکردی نزدیک به Gemini Flash 3.5 دارد و به دلیل سرعت ۳ برابری، برای پردازش سریع اسناد بهینه شده است. مهم‌ترین ویژگی‌های آن شامل موارد زیر است:
- نرخ دقت ۹۰.۲ درصد در استخراج ۱۱ هزار فیلد اطلاعاتی
- طراحی شده برای جلوگیری از توهم (Hallucination) و بازگرداندن مقدار null در صورت عدم وجود داده
- قابلیت میزبانی شخصی با استفاده از vLLM یا Hugging Face
- پردازش کامل صفحات سند در یک مرحله، که امکان استخراج دقیق داده‌های چندصفحه‌ای را فراهم می‌کند
این مدل از انواع اسناد، از فاکتورهای فروش تا مقالات تحقیقاتی پشتیبانی می‌کند.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Lift_model #JSON_extraction
📊 راهنمای جامع بهینه‌سازی عملکرد SQL
سایت Use The Index, Luke یکی از منابع تخصصی برای درک ایندکس‌گذاری در پایگاه‌های داده است. این مجموعه که توسط مارکوس ویناند نوشته شده، به‌جای تمرکز بر مباحث مدیریت دیتابیس، مستقیماً به چالش‌های توسعه‌دهندگان در بهینه‌سازی پرس‌وجوها می‌پردازد.
محتوای این سایت فارغ از نوع دیتابیس (Vendor Agnostic) است و نکات فنی آن برای سیستم‌های مختلفی مانند PostgreSQL، MySQL، Oracle، SQL Server و Db2 کاربرد دارد. مهم‌ترین مباحث آموزشی این منبع شامل موارد زیر است:
* ساختار داخلی ایندکس‌ها
* بهینه‌سازی بند Where و عملیات Join
* مرتب‌سازی و دسته‌بندی داده‌ها
* تحلیل طرح‌های اجرا (Execution Plans)
* بررسی عملکرد در استفاده از ابزارهای ORM
این سایت شامل یک آزمون سریع سه دقیقه‌ای برای سنجش مهارت‌های SQL و مجموعه‌ای از نکات فنی برای نسخه‌های مختلف دیتابیس‌ها تا نگارش ۱۷ پستگرس است.
#SQL_Indexing #Execution_Plans
سایت Use The Index, Luke یکی از منابع تخصصی برای درک ایندکس‌گذاری در پایگاه‌های داده است. این مجموعه که توسط مارکوس ویناند نوشته شده، به‌جای تمرکز بر مباحث مدیریت دیتابیس، مستقیماً به چالش‌های توسعه‌دهندگان در بهینه‌سازی پرس‌وجوها می‌پردازد.
محتوای این سایت فارغ از نوع دیتابیس (Vendor Agnostic) است و نکات فنی آن برای سیستم‌های مختلفی مانند PostgreSQL، MySQL، Oracle، SQL Server و Db2 کاربرد دارد. مهم‌ترین مباحث آموزشی این منبع شامل موارد زیر است:
* ساختار داخلی ایندکس‌ها
* بهینه‌سازی بند Where و عملیات Join
* مرتب‌سازی و دسته‌بندی داده‌ها
* تحلیل طرح‌های اجرا (Execution Plans)
* بررسی عملکرد در استفاده از ابزارهای ORM
این سایت شامل یک آزمون سریع سه دقیقه‌ای برای سنجش مهارت‌های SQL و مجموعه‌ای از نکات فنی برای نسخه‌های مختلف دیتابیس‌ها تا نگارش ۱۷ پستگرس است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#SQL_Indexing #Execution_Plans
📚 جزوه ریاضیات آموزش شبکه‌های عصبی دانشگاه MIT
دانشگاه MIT درس‌نامه فشرده‌ای از دوره یادگیری عمیق سال ۲۰۲۴ را منتشر کرده است که به شکل تخصصی بر چگونگی یادگیری وزن‌ها در شبکه‌های عصبی تمرکز دارد.
این فایل فرآیند آموزش مدل‌ها را از دیدگاه محاسباتی و ریاضی بررسی می‌کند و مباحث زیر را پوشش می‌دهد:
• انتشار رفت (Forward Propagation)
• تابع زیان (Loss Function)
• محاسبه گرادیان‌ها و انتشار بازگشتی (Backpropagation)
• روش‌های بهینه‌سازی مبتنی بر گرادیان
این منبع برای برنامه‌نویسان و پژوهشگرانی که می‌خواهند فراتر از ابزارهای آماده، ریاضیات پشت پرده یادگیری مدل‌ها را درک کنند کارآمد است.
دانشگاه MIT درس‌نامه فشرده‌ای از دوره یادگیری عمیق سال ۲۰۲۴ را منتشر کرده است که به شکل تخصصی بر چگونگی یادگیری وزن‌ها در شبکه‌های عصبی تمرکز دارد.
این فایل فرآیند آموزش مدل‌ها را از دیدگاه محاسباتی و ریاضی بررسی می‌کند و مباحث زیر را پوشش می‌دهد:
• انتشار رفت (Forward Propagation)
• تابع زیان (Loss Function)
• محاسبه گرادیان‌ها و انتشار بازگشتی (Backpropagation)
• روش‌های بهینه‌سازی مبتنی بر گرادیان
این منبع برای برنامه‌نویسان و پژوهشگرانی که می‌خواهند فراتر از ابزارهای آماده، ریاضیات پشت پرده یادگیری مدل‌ها را درک کنند کارآمد است.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
🇩🇪 انتشار مدل زبانی Kolibri توسط آلمان
آلمان با معرفی مدل حاکمیتی خود با نام Kolibri، به‌طور رسمی وارد رقابت توسعه مدل‌های زبانی بزرگ (LLM) شد. این مدل به‌صورت متن‌باز منتشر شده و از معماری سفارشی MoE Transformer استفاده می‌کند.
بر اساس بنچمارک‌های انجام شده در حوزه‌های ریاضی، علوم و کدنویسی، عملکرد این مدل از موارد زیر پیشی گرفته است:
* Qwen2.5-72B
* Nemotron-3
* Mistral Small 4
#Kolibri #MoE_Transformer
آلمان با معرفی مدل حاکمیتی خود با نام Kolibri، به‌طور رسمی وارد رقابت توسعه مدل‌های زبانی بزرگ (LLM) شد. این مدل به‌صورت متن‌باز منتشر شده و از معماری سفارشی MoE Transformer استفاده می‌کند.
بر اساس بنچمارک‌های انجام شده در حوزه‌های ریاضی، علوم و کدنویسی، عملکرد این مدل از موارد زیر پیشی گرفته است:
* Qwen2.5-72B
* Nemotron-3
* Mistral Small 4
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#Kolibri #MoE_Transformer
⚠️ تمرکز قدرت اقتصادی در دستان شرکت‌های هوش مصنوعی
دارون عجم‌اوغلو، اقتصاددان برنده جایزه نوبل، معتقد است یکی از پیامدهای نادیده‌گرفته‌شده هوش مصنوعی، تمرکز قدرت اقتصادی است. در حالی که هوش مصنوعی باعث ارزان‌تر و در دسترس‌تر شدن «هوش» شده، زیرساخت‌های اصلی آن شامل مدل‌های پیشرفته، تراشه‌ها، داده‌ها، ظرفیت پردازشی و سرمایه، همچنان در اختیار تعداد محدودی از شرکت‌هاست.
طبق دیدگاه عجم‌اوغلو، اگر هوش مصنوعی به یک عامل اصلی تولید تبدیل شود، این شرکت‌ها سهم بزرگ‌تری از ارزش ایجادشده در اقتصاد را به دست می‌آورند. این تمرکز قدرت اقتصادی می‌تواند به قدرت سیاسی نیز تبدیل شود.
او این روند را در سطوح مختلف مشاهده می‌کند:
* شرکت‌ها با افزایش بهره‌وری، مزیت رقابتی خود را از دست می‌دهند.
* افراد با افزایش بهره‌وری، تخصص و مهارت‌های فردی خود را کاهش می‌دهند.
* کشورها همزمان با رشد اقتصادی، وابستگی بیشتری به زیرساخت‌های خارجی پیدا می‌کنند.
در سطح بین‌المللی، کشورهایی که کنترل زیرساخت‌های کلیدی را ندارند، ممکن است به مدل‌ها و سخت‌افزارهای خارجی وابسته شوند. این کشورها ممکن است رشد اقتصادی داشته باشند، اما همزمان کنترل بخشی از فناوری پیش‌ران خود را از دست بدهند. پرسش اساسی این است که در صورت تمرکز فزاینده هوش، سرمایه و زیرساخت‌ها در دستان افراد و شرکت‌های محدود، نهادهای دموکراتیک تا چه حد قادر به تطبیق با این ساختار جدید خواهند بود.
#دارون_عجم #تمرکز_قدرت_اقتصادی
دارون عجم‌اوغلو، اقتصاددان برنده جایزه نوبل، معتقد است یکی از پیامدهای نادیده‌گرفته‌شده هوش مصنوعی، تمرکز قدرت اقتصادی است. در حالی که هوش مصنوعی باعث ارزان‌تر و در دسترس‌تر شدن «هوش» شده، زیرساخت‌های اصلی آن شامل مدل‌های پیشرفته، تراشه‌ها، داده‌ها، ظرفیت پردازشی و سرمایه، همچنان در اختیار تعداد محدودی از شرکت‌هاست.
طبق دیدگاه عجم‌اوغلو، اگر هوش مصنوعی به یک عامل اصلی تولید تبدیل شود، این شرکت‌ها سهم بزرگ‌تری از ارزش ایجادشده در اقتصاد را به دست می‌آورند. این تمرکز قدرت اقتصادی می‌تواند به قدرت سیاسی نیز تبدیل شود.
او این روند را در سطوح مختلف مشاهده می‌کند:
* شرکت‌ها با افزایش بهره‌وری، مزیت رقابتی خود را از دست می‌دهند.
* افراد با افزایش بهره‌وری، تخصص و مهارت‌های فردی خود را کاهش می‌دهند.
* کشورها همزمان با رشد اقتصادی، وابستگی بیشتری به زیرساخت‌های خارجی پیدا می‌کنند.
در سطح بین‌المللی، کشورهایی که کنترل زیرساخت‌های کلیدی را ندارند، ممکن است به مدل‌ها و سخت‌افزارهای خارجی وابسته شوند. این کشورها ممکن است رشد اقتصادی داشته باشند، اما همزمان کنترل بخشی از فناوری پیش‌ران خود را از دست بدهند. پرسش اساسی این است که در صورت تمرکز فزاینده هوش، سرمایه و زیرساخت‌ها در دستان افراد و شرکت‌های محدود، نهادهای دموکراتیک تا چه حد قادر به تطبیق با این ساختار جدید خواهند بود.
🇮🇷 - هوش مصنوعی و علم داده به فارسی
🌐 سایت | تلگرام | بله | ایتا | ارتباط با ما
#دارون_عجم #تمرکز_قدرت_اقتصادی
❤1