تعدادی از توئیتهای حول بحث وضعیت ریسرچ در ایران رو مشاهده میکنید. نظر شما چیست؟
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
💔8👍3😢3❤2💯1
ابزار DeepTutor، یک دستیار یادگیری شخصیسازیشده با AI و open-source هست که میتونید local و روی کامپیوتر خودتون ازش استفاده کنید. حالا اما سوال اینه که چه استفادهای میشه ازش داشت؟
خلاصه، DeepTutor یه سیستمه که با استفاده ازش، با ترکیب RAG و agentها، محتوای آموزشیِ خودتون رو تبدیل میکنید به یک محیط سوالجواب و حلمسئلهی قابل اتکا؛ طوری که خروجیها تا حد ممکن قابل پیگیری و مستند باشن.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤13👏4😍1
CNBC
Meta lays off 600 from 'bloated' AI unit as Wang cements leadership
The cuts did not impact employees within TBD Labs, which includes many of the top-tier AI hires brought into Meta this summer, people familiar told CNBC.
در دنیای پرتلاطم فناوری، جایی که غولهایی مانند متا (شرکت مادر فیسبوک) میلیاردها دلار روی آینده سرمایهگذاری میکنند، گاهی اوقات تغییرات ناگهانی مانند طوفانهای غیرمنتظره ظاهر میشوند. یکی از این طوفانها در اکتبر ۲۰۲۵ رخ داد، زمانی که متا اعلام کرد حدود ۶۰۰ کارمند از واحد هوش مصنوعی خود (Meta Superintelligence Labs یا MSL) را اخراج میکند. این حرکت نه تنها بخشی از استراتژی بزرگتر برای چابکسازی بود، بلکه نشاندهنده رقابت شدید در عرصه AI بود، جایی که متا در تلاش است تا با رقبایی مانند OpenAI و گوگل همقدم شود.
متا در سالهای اخیر سرمایهگذاری هنگفتی روی هوش مصنوعی کرده بود. الکساندر وانگ، مدیر ارشد AI متا که تنها چند ماه قبل از این اخراجها (در ژوئن ۲۰۲۵) به شرکت پیوسته بود، در یادداشتی داخلی توضیح داد که این تغییرات برای «کاهش لایههای مدیریتی» و «افزایش تأثیر هر کارمند» ضروری است. واحد MSL که حدود ۳۰۰۰ نفر نیرو داشت، با رشد سریع مواجه شده بود و مشکلات مانند همپوشانی وظایف و «تورم سازمانی» را تجربه میکرد. این اخراجها حدود ۲۰ درصد از کارکنان این واحد را تحت تأثیر قرار داد و عمدتاً بر تیمهای تحقیقاتی پایه AI (FAIR)، زیرساختها و محصولات متمرکز بود.
جالب است بدانید که این حرکت بخشی از موج بزرگتری از اخراجها در صنعت فناوری بود. در سال ۲۰۲۵، بیش از ۵۵ هزار شغل به دلیل ادغام AI در فرآیندها از دست رفت، بیش از ۱۲ برابر سالهای قبل. شرکتهایی مانند Chegg و HP نیز به AI به عنوان دلیل اصلی اخراجها اشاره کردند، که نشاندهنده پارادوکسی است: فناوریای که قرار بود کارها را آسانتر کند، حالا مشاغل را تهدید میکند.
در نهایت، داستان اخراجهای متا درسی بزرگ برای صنعت فناوری است: در دنیایی که AI همه چیز را تغییر میدهد، حتی غولها باید چابک بمانند. این رویداد نه تنها درباره از دست دادن شغلهاست، بلکه درباره آیندهای است که در آن هوش مصنوعی هم نجاتدهنده و هم تهدیدکننده است.
اگر در این زمینه فعالیت میکنید، شاید زمان آن رسیده که مهارتهای خود را متنوع کنید، چون طوفانهای بعدی ممکن است نزدیکتر از آنچه فکر میکنید باشند.
لینک منبع:
Please open Telegram to view this post
VIEW IN TELEGRAM
😢5👍3💯3❤2💔1
در دنیای تحقیقات هوش مصنوعی، یکی از چالشهای جدی اخیر، ورود اطلاعات جعلی تولیدشده توسط مدلهای زبانی بزرگ (LLMها) به مقالات علمی هست. این پدیده که به عنوان توهمات هوش مصنوعی (AI Hallucinations) شناخته میشه، به معنای تولید محتوای غلط یا ساختگی مثل ارجاعات جعلی، نویسندههای خیالی، عنوانهای ناموجود یا شناسههای DOI نامعتبر هست. این موارد میتونن پایههای اعتبار تحقیقات رو تضعیف کنن، چون ارجاعات نقش کلیدی در زنجیره دانش علمی دارن.
سال گذشته، در کنفرانس NeurIPS 2025، یکی از معتبرترین رویدادهای حوزه یادگیری ماشین، شرکت GPTZero با ابزار تشخیص خودش، ۴۸۴۱ مقاله پذیرفتهشده رو بررسی کرد و ۱۰۰ مورد توهم تاییدشده رو در حداقل ۵۳ مقاله شناسایی کرد (حدود ۱% از کل مقالات). این مقالات از نهادهای برجستهای مثل دانشگاه نیویورک (با بیشترین موارد، حدود ۱۸ توهم)، MIT، دانشگاه کمبریج، و شرکتهایی مانند گوگل، META و NVIDIA منتشر شده بودن. حتی یک مقاله رکورد ۱۳ توهم رو داشت.
۱. مقالات ارسالی منفجر شدن: از ۹۴۶۷ تا تو ۲۰۲۰ به ۲۲ هزار تا تو ۲۰۲۵ (رشد ۲۲۰%)، فشار روی داورها زیاده.
۲. استفاده بدون چک از AI: محققا از LLMها برای متن یا ارجاعات استفاده میکنن، اما خروجی رو بررسی نمیکنن. نیمی از مقالههای مشکلدار نشونه محتوای AI داشتن.
۳. انواع توهمات: ۶۶% کاملاً جعلی، ۲۷% تغییر جزئی (مثل سال اشتباه)، و بعضی «ارجاعات تقریبی» که حس درسته اما دقیق نیستن.
خروجی AI رو دستی چک کنین، مخصوصاً ارجاعات، مدلها اشتباه میکنن.
ابزارهایی مثل Hallucination Check رو تو peer review بذارین تا خطاها کم بشه.
مسئولیت بیشتر لازمه، چون توهمات کیفیت علم رو پایین میبرن و تحقیقات بعدی رو تحت تاثیر میذارن.
کنفرانسهایی مثل ICLR 2026 با GPTZero همکاری کردن تا جلوی تکرار بگیرن. AI عالیه، اما بدون نظارت دقیق، دردسر میسازه برای اعتبار علم.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7😱5🤯3💯2
مقاله GradEscape یک روش پیشرفته و مبتنی بر Gradient برای دور زدن AIGT Detectors (سیستمهای تشخیص متن هوش مصنوعی) معرفی میکنه. مکانیسمهای اصلی این روش به این شکل کار میکنن:
توی پردازش تصویر، چون مقادیر پیکسلها پیوسته هستن، خیلی راحت میشه روی مدل Gradient محاسبه کرد. ولی متن از کلمات و توکنهای گسسته تشکیل شده و مشتقپذیر نیست. برای حل این چالش، به جای اینکه مدل یک کلمه قطعی رو خروجی بده، یک Probability Matrix (ماتریس احتمالات) میسازه و مستقیما در ماتریس Embedding دتکتور ضرب میکنه. اینجوری مسیر Backpropagation باز میشه تا مدل یاد بگیره چطور دتکتور رو فریب بده.
اگه متن تغییر کنه ولی بیمعنی بشه، حمله رسما شکست خورده. برای همین مدل Evader همزمان برای سه تا هدف Optimize میشه:
۱. هدف Classification Loss: برای فریب دادن مستقیم دتکتور.
۲. هدف Semantic Loss: برای حفظ معنی اورجینال متن.
۳. هدف Syntactic Loss: برای حفظ گرامر و ساختار جملهها.
اگه Tokenizer مدل حملهکننده با دتکتور فرق داشته باشه، کلا متوجه توکنهای هم نمیشن. راهکار اینه که مدل Evader همون اول با وزنها و ساختار خود دتکتور Initialize بشه تا پایهای مشترک برای ارتباط داشته باشن.
وقتی به مدل اصلی دسترسی نداریم، اول با تکنیک Tokenizer Inference (تزریق کاراکترهای خاص مثل Space یا Pad و بررسی خروجی) معماری دتکتور رو حدس میزنیم. بعد یه مدل Surrogate (جایگزین) آموزش میدیم و پروسه حمله رو روی اون کپی پیاده میکنیم.
چون این حملات مبتنی بر تغییرات بسیار ظریف و محاسبهشده (در سطح Gradient) هستن، بهترین راه دفاع اینه که متن ورودی رو قبل از دادن به دتکتور، بدیم به یک LLM تا Paraphrase (بازنویسی) کنه. این کار تمام الگوهای مخفی و مهندسیشده مهاجم رو خنثی میکنه.
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥6❤2👍2
اگه مقالهای با تمپلیت ACM مینویسید یا میخونید، دونستن این تفاوت برای تخمین حجم واقعی محتوا خیلی مهمه.
تمپلیت Manuscript (1ستون) برای مقالات journal track مثل PACM HCI استفاده میشه. فونت ۱۰pt، حاشیههای ۱ اینچ از هر طرف، و عرض متن حدود ۶.۵ اینچ داره. هر صفحهاش حدود ۴۵۰ تا ۵۵۰ کلمه جا میگیره.
تمپلیت SigConf (2ستون) برای Proceedings و Companion کنفرانسهایی مثل CHI، CSCW، UIST و غیره استفاده میشه. فونت ۹pt، حاشیههای ۰.۷۵ اینچ، و دو ستون ۳.۳۳ اینچی با یه gutter کوچک داره. هر صفحهاش حدود ۸۰۰ تا ۹۰۰ کلمه جا میگیره.
۵ صفحه ۲ستون ≈ ۴,۲۵۰ کلمه
۵ صفحه ۱ستون ≈ ۲,۵۰۰ کلمه
یعنی وقتی یه مقاله ۵ صفحهای Companion میبینید، محتواش تقریباً ۱.۷ برابر یه مقاله ۵ صفحهای journal track هست.
وقتی میخواید حجم کار یه مقاله رو تخمین بزنید یا بین دو مقاله مقایسه کنید، به تعداد صفحه تنها نگاه نکنید؛ اول تمپلیت رو چک کنید.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👍2
Google Docs
How do you read news today?
A 1-minute survey
A 1-minute survey
We're a team of students building a free browser tool that warns you about misinformation, bias, and manipulation in news. Your answers go into our final research write-up. No personal data, no email collected.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍2😍1
یکی از دردناکترین سناریوهای دنیای ریسرچ: مقالهات قبول بشه، ولی بهخاطر نداشتن بودجه یا ویزا، نتونی بری کنفرانس و مجبور بشی پول ثبتنام حضوری رو بپردازی.
کنفرانس ICML 2026 این قانون رو شکست.
طبق اعلام رسمی ICML 2026، نویسندگان مقالههای پذیرفتهشده دیگر ملزم به حضور فیزیکی در کنفرانس نیستند. بعد از اعلام نتایج، نویسندهها میتونن تصمیم بگیرن:
تا همین ICML 2024، قانون صریح بود: «حداقل یک نویسنده باید ثبتنام حضوری داشته باشد، حتی اگر نتواند بیاید.» یعنی ثبتنام ۱۵۰۰ تا ۲۰۰۰ دلاری، بهعلاوه ویزا، هواپیما و هتل. این مانع عملی بزرگی برای محققان کشورهای در حال توسعه، دانشجویان بدون funding و افراد با محدودیتهای ویزایی بود.
کنفرانسهای ICLR 2026 و ICML 2025 هنوز قانون قدیمی را حفظ کردهاند. ICML 2026 اولین کنفرانس top-tier یادگیری ماشین است که این قدم را برداشته. امید جامعه ریسرچ اینه که NeurIPS، ICLR و کنفرانسهای ACM مثل CHI و CSCW هم به زودی همین مسیر رو طی کنن.
Please open Telegram to view this post
VIEW IN TELEGRAM
👍5❤4
Kaggle
5-Day AI Agents: Intensive Vibe Coding Course With Google
June 15 - 19, 2026
امسال Kaggle و Google یه دوره فشرده آنلاین رایگان برگزار میکنن که از ۱۵ تا ۱۹ ژوئن ۲۰۲۶ (۲۵ تا ۲۹ خرداد ۱۴۰۵) برگزار میشه. نسخه اول این دوره سال گذشته ۱.۵ میلیون یادگیرنده داشت.
دوره توسط مهندسان و محققان Google طراحی شده و هر روز یه موضوع کلیدی پوشش میده:
مقالات علمی + پادکست + کدلب عملی
کلاس Livestream روزانه با متخصصان Google
کانال Discord اختصاصی
در پایان دوره، یه پروژه عملی طراحی و ارسال میکنید. برندگان مدرک، Badge رسمی Kaggle، و معرفی در شبکههای اجتماعی Google دریافت میکنن. ددلاین ارسال پروژه: ۳۰ ژوئن ۲۰۲۶.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍1
تصویری که میبینید یکی از عجیبترین واقعیتهای دنیای آکادمیک رو نشون میده؛ صنعتی که روی کار رایگان میلیونها پژوهشگر بنا شده.
درآمد Elsevier: حدود ۳.۹ میلیارد دلار
درآمد Wolters Kluwer: حدود ۱.۶ میلیارد دلار
درآمد Wiley: حدود ۱.۸ میلیارد دلار
درآمد Springer Nature: حدود ۲ میلیارد دلار
درآمد Taylor & Francis: حدود ۸۰۰ میلیون دلار
درآمد Sage: حدود ۵۰۰ میلیون دلار
پرداخت به نویسندگان: ۰ دلار
پرداخت به داوران (reviewers): ۰ دلار
حاشیه سود ناشرانی مثل Elsevier در سالهای اخیر بالای ۳۵-۴۰٪ گزارش شده؛ رقمی که حتی از Google و Apple هم بیشتره. این یعنی ارزش واقعی توسط جامعه علمی تولید میشه، اما سود به جیب چند ناشر محدود میره.
شاید وقتشه به این سوال جدی فکر کنیم: آیا مدل فعلی نشر علمی، واقعاً در خدمت علم هست یا در خدمت سهامداران؟
Please open Telegram to view this post
VIEW IN TELEGRAM
👍8❤3
اگه تا حالا تو دریای بیپایان مقالات arXiv گم شدید و نمیدونستید از کجا شروع کنید، ابزار arXiv Visual دقیقاً برای همین لحظهها ساخته شده. این پلتفرم به جای نمایش لیست خشک و طولانی از مقالات، کل فضای پژوهشی رو به شکل یک نقشه بصری و تعاملی به شما نشون میده.
مقالات arXiv رو روی یک نقشه دوبعدی بر اساس شباهت معنایی نمایش میده
خوشهبندی موضوعی انجام میده تا حوزههای مرتبط کنار هم قرار بگیرن
امکان جستوجو و فیلتر بر اساس موضوع، تاریخ و کلیدواژه رو فراهم میکنه
ارتباط بین مقالات و trendهای تحقیقاتی رو راحتتر قابل کشف میکنه
وقتی وارد یک حوزه تحقیقاتی جدید میشید، بزرگترین چالش اینه که بفهمید «نقشه کلی» اون حوزه چه شکلیه؛ کدوم زیرشاخهها داغن، کدوم مقالات مرکزی هستن و گپهای پژوهشی کجان. ابزارهای متنمحور مثل Google Scholar این دید کلی رو نمیدن، اما arXiv Visual با مصورسازی، در چند دقیقه شما رو با topology یک حوزه آشنا میکنه.
دانشجوهایی که در حال انتخاب موضوع پایاننامه هستن، پژوهشگرهایی که میخوان literature review سریعتری انجام بدن، و هر کسی که دنبال کشف ارتباطات بین حوزههای بهظاهر جدا از همه.
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍2
سایت arXiv اعلام کرده که از این به بعد در بخش Computer Science، مقالههای مروری یا Survey و همچنین Position Paperها فقط وقتی بررسی میشن که قبلاً در یک ژورنال یا کنفرانس معتبر پذیرفته شده باشن و peer review موفق رو گذرونده باشن.
اگه میخواید یک review article یا position paper در arXiv CS ثبت کنید، باید همراهش مدرک پذیرش و داوری موفق ارائه بدید؛ مثل journal reference و DOI. بدون این مدارک، احتمال رد شدن مقاله خیلی بالاست.
در سالهای اخیر تعداد ارسالها به arXiv شدیداً زیاد شده، مخصوصاً در حوزه CS. از طرفی، ابزارهای هوش مصنوعی و LLMها نوشتن مقالههای مروری سطحی رو خیلی راحتتر کردن. نتیجه این شده که arXiv هر ماه صدها مقاله مروری دریافت میکنه که خیلیهاشون بیشتر شبیه لیست منابع توضیحدار هستن، نه یک مرور علمی عمیق.
این دقیقاً تغییر policy رسمی نیست، چون review article و position paper از قبل هم جزو content typeهای اصلی و پذیرفتهشده arXiv نبودن. فقط قبلاً بعضی از این مقالهها، اگر کیفیت علمی بالایی داشتن، با تشخیص moderatorها پذیرفته میشدن.
اگر مقاله شما یک research paper واقعی باشه؛ مثلاً درباره تأثیر فناوری روی جامعه، امنیت، حریم خصوصی یا اخلاق در AI پژوهش علمی انجام داده باشه، همچنان میتونه بدون این شرط جدید در دستههای مرتبط مثل cs.CY ثبت بشه.
سایت arXiv میخواد جلوی سیل مقالههای مروری کمکیفیت و تولیدشده با AI رو بگیره، تا خوانندهها راحتتر به کارهای ارزشمند برسن و moderatorها هم وقتشون رو روی مقالههای پژوهشی اصلی بگذارن.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤6👍5
سالهاست که سیستم CSRankings با شمارش تعداد مقالات منتشرشده در کنفرانسهای top-tier، اساتید و دانشگاهها رو رتبهبندی میکنه. اما این روش یک مشکل اساسی داره؛ پژوهشگرها رو تشویق میکنه به جای تمرکز روی کیفیت، دنبال «کمیت» مقالات برن. حالا یک پروژه جدید به اسم ImpactRank اومده تا این بازی رو عوض کنه.
رتبهبندی ImpactRank به جای شمارش مقالات، تلاش میکنه «تأثیرگذاری واقعی» پژوهشها رو اندازه بگیره. فرض پایهای پروژه دو چیزه:
برای هر مقاله، از یک LLM پرسیده میشه: «۵ مقالهای که بیشترین تأثیر رو روی این کار داشتن کدومن؟» یعنی صرفاً لیست رفرنسها مهم نیست، بلکه اون چند مقالهای که واقعاً بنیان فکری کار بودن مهمن.
این تحلیل روی تمام مقالات کنفرانسهای اصلی Machine Learning، Computer Vision، NLP و Information Retrieval بین سالهای ۲۰۲۰ تا ۲۰۲۵ اجرا شده و رفرنسها هم به مقالات از سال ۲۰۰۰ به بعد محدود شدن.
نویسندههای مقالههای پرتأثیر با استفاده از دیتابیس name–affiliation سایت CSRankings به دانشگاههاشون نگاشت میشن. هر بار که یک مقاله جزو «۵ رفرنس کلیدی» یک کار دیگه شناخته بشه، نویسندهها و مؤسساتشون امتیاز میگیرن. برای انصاف، امتیاز بین همنویسندهها تقسیم میشه.
نتیجه یک نوع رتبهبندی جدیده که دانشگاهها رو نه بهخاطر «زیاد چاپ کردن»، بلکه بهخاطر تولید پژوهشهایی که «ماندگارن، الهامبخشن و حوزه رو جلو میبرن» تحسین میکنه. این یعنی دید واضحتری برای دانشجوها و پژوهشگرها از اینکه کارهای واقعاً تأثیرگذار کجا تولید میشن.
بهخاطر محدودیت منابع محاسباتی، تیم فقط تونسته از یک LLM کوچک ۷B استفاده کنه. پروژه عمدتاً توسط دانشجوهای کارشناسی و کارشناسیارشد دانشگاههای Oregon State و UC Santa Cruz پیش رفته، پس هنوز work in progress هست و قطعاً خطا و نقاط کور داره. تیم از feedback جامعه، همکاران جدید و کمک GPU برای اجرای مدلهای بزرگتر استقبال میکنه.
🍏 جمعبندی ImpactRank یک تلاش جالبه برای عبور از پارادایم «هرچه بیشتر، بهتر» در رتبهبندیهای آکادمیک. اگه CSRankings یک قدم جلوتر از معیارهای ذهنی مثل US News بود، شاید عصر LLMها این فرصت رو بده که یک قدم دیگه هم برداریم؛ به سمت سنجش تأثیر واقعی، نه صرفاً تعداد.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤7👌7👍4
در ۲۳ مارس ۲۰۲۶، بنیاد NeurIPS (ثبتشده در سندیگو، آمریکا) در «راهنمای اصلی ارسال مقاله» برای کنفرانس ۲۰۲۶، اعلام کرد که به دلیل الزامات قانونی تحریمهای ایالات متحده، قادر به ارائه خدمات (شامل بررسی همتا، ویرایش و انتشار) به افراد یا نهادهای وابسته به فهرست SDN (Specially Designated Nationals) نیست. این سیاست برای اولین بار بهطور صریح به فهرست کامل OFAC لینک شد و شرکتهایی مانند Huawei، SMIC و China Telecom را تحت تأثیر قرار داد.
در ۲۵ مارس ۲۰۲۶، فدراسیون کامپیوتر چین (CCF) بیانیهای رسمی صادر کرد و سیاست NeurIPS را «سیاسیسازی تبادل علمی» و نقض اصول «باز بودن، فراگیری، برابری و همکاری» دانست. CCF از تمام محققان چینی خواست از ارسال مقاله، انجام بررسی همتا و پذیرش مسئولیتهای آکادمیک (مانند Area Chair) در NeurIPS خودداری کنند و هشدار داد که در صورت عدم اصلاح، کنفرانس را از فهرست «کنفرانسهای بینالمللی توصیهشده» حذف خواهد کرد.
در ۲۷ مارس ۲۰۲۶، انجمن علم و فناوری چین (CAST) بیانیهای صادر کرد و فوراً پذیرش درخواستهای تأمین مالی برای حضور محققان در NeurIPS ۲۰۲۶ را متوقف کرد. همچنین اعلام شد که مقالات پذیرفتهشده در این کنفرانس دیگر بهعنوان «دستاورد پژوهشی نماینده» برای ارزیابی پروژهها و برنامههای CAST معتبر نخواهند بود (هرچند ارزش علمی مستقل آنها توسط انجمنهای تخصصی قابل ارزیابی است).
در همان روز ۲۷ مارس ۲۰۲۶، بنیاد NeurIPS در صفحه اصلی کنفرانس و حساب رسمی X خود اعلام کرد که لینک و متن اولیه «به دلیل اشتباه ارتباطی (miscommunication) با تیم حقوقی» فراتر از الزامات قانونی واقعی بوده است. سیاست به نسخه قبلی (مطابق با استانداردهای ACM و IEEE) بازگردانده شد و عذرخواهی رسمی منتشر گردید: «ما بیش از حد لازم عمل کردیم و مسئولیت این خطا با ماست.»
سیاست ممنوعیت گسترده ارسال مقاله از نهادهای تحریمشده کاملاً لغو شد. کنفرانس NeurIPS ۲۰۲۶ (دسامبر در سیدنی) بدون محدودیت اضافی نسبت به سالهای قبل ادامه خواهد یافت و هیچ محدودیتی فراتر از الزامات قانونی دقیق تحریمهای آمریکا اعمال نمیشود. این عقبنشینی سریع پس از واکنش هماهنگ CCF و CAST رخ داد.
Please open Telegram to view this post
VIEW IN TELEGRAM
❤5👍4🔥2
تصور کنید سالها فقط برای گرفتن یه پاداش کوچیک توی یه بازی موبایلی، از محیط اطرافتون فیلم و اسکن گرفتید؛ حالا معلوم شده همون دادهها پای یک فناوری ناوبری پهپادی به میدون باز کرده.
بازی Pokémon Go در آپدیت سال ۲۰۲۱، قابلیتی به اسم AR Scan معرفی کرد که از کاربران میخواست در ازای پاداش درونبازی، از مکانهای واقعی فیلم بگیرن و اسکن آپلود کنن (با opt-in داوطلبانه). شرکت Niantic این اسکنها رو جمعآوری کرد و بعداً، قبل از فروش بخش گیمینگش در ۲۰۲۵، ازشون برای آموزش مدلهای مکانی هوش مصنوعی استفاده کرد.
شرکت Niantic Spatial (اسپینآف Niantic) در دسامبر ۲۰۲۵ با شرکت Vantor، فعال در نرمافزار تشخیص فضایی برای پهپادها، از جمله پهپادهای نظامی، وارد همکاری شد. هدف این همکاری: ناوبری دقیق در محیطهایی که GPS در دسترس نیست یا دچار jamming و spoofing شده. همین دادههای اسکنشده، پایه سیستم Visual Positioning System (VPS) این شرکت رو ساختن.
اینجا باید دقیق بود و دچار اغراق نشیم. آنچه مستند شده:
۱. دادههای اسکن Pokémon Go در آموزش مدلهای پایه (foundation models) Niantic Spatial نقش داشتن.
۲. همچنین Niantic Spatial با شرکت دفاعی Vantor همکاری داره.
۳. این همکاری برای ناوبری در شرایط اختلال GPS طراحی شده.
هر دو شرکت تأکید کردن که دادههای خام بازی مستقیماً به Vantor منتقل نشده، و خود Vantor هم از پاسخ صریح به میزان اتکای سامانه نظامی به این دادهها خودداری کرده.
این پرونده یک نمونه از یک نگرانی بزرگتره: استفاده از دادههای غیرنظامی برای اهداف نظامی. به قول Tom Sulston از Digital Rights Watch، اکثر مردم متن طولانی Terms of Service رو نمیخونن و همین باعث میشه کاربر، بهجای «مشتری»، تبدیل به «محصولی برای فروش» بشه. دکتر Rob Nicholls از دانشگاه Sydney هم میگه این فقط نوک کوه یخه؛ همونطور که قبلاً دادههای Strava برای شناسایی موقعیت پایگاههای نظامی استفاده شد.
Please open Telegram to view this post
VIEW IN TELEGRAM
😱6🔥3❤2