آنکااارا مسی
آنکااارا مسی
آنکااارا مسی
آنکااارا مسی

🔥🔥🔥

آیا زبان Go در عصر هوش مصنوعی ارزشمندتر می‌شود؟

امروز این پست رو می‌خوندم، که حرفش این بود که در دنیایی که هوش مصنوعی کد‌ها رو تولید می‌کنه، زبان‌های خسته‌کننده یا اصطلاحا Boring، ارزشمند‌تر از زبان‌های پر زرق و برق و پیچیده می‌شن. حالا زبان Boring یعنی چی اصلا؟ عبارت Boring Language یک تعریف منفی نیست بلکه بالعکس می‌تونه بار مثبت داشته باشه. زبانی مثل Go رو در نظر بگیرید. زبانی مثل Go مثل پایتون فیچرهای مندلک زیادی نداره و یک جورهایی شما رو مجبور می‌کنه برای حل یک مساله، یک سولوشن یا تعدادی کمی سولوشن برای پیاده‌سازیش داشته باشید. وقتی شما با Go کد می‌زنید دیگه نمی‌تونید مثل پایتون هزار جور مندلک دربیارید و هنرنمایی کنید موقع کد زدن. بنابراین با این که دستتون رو روی هنرنمایی می‌بنده اما در عوض کاری می کنه که هم کدتون برای دیگران قابل‌فهم‌تر و دیباگ‌پذیرتره و هم چون ساده کد می‌زنید کدتون پایداری بیشتری داره و یکهو از یک ناکجا آبادی یک حالت استثنایی رخ نمی‌ده.

حالا تو این بلاگ، الکس پلوتاو داره می‌گه که آینده برنامه نویسی برای Go هست. چرا؟ پلوتاو معقتده که قبل از هوش مصنوعی، زبان‌ها بر اساس راحتی کار انسان یا ارگونومی انسانی رقابت می‌کردند. اما الان که دیگه آدمها به زبان طبیعی پرامپت می‌دن و AI کد می‌زنه دیگه ارگونومی انسانی به اهمیت گذشته نیست بلکه ارگونومی هوشواره‌ای هست که مهمه. حالا چرا از نظرش Go برای هوش مصنوعی مناسبه؟ به این دلایل:

- سادگی و صراحت: Go زبون ساده‌ایه. کدهایی که توسط هوشواره در این زبان تولید می‌شن، معمولا تمیز و قابل‌نگهداری هستند چون روش‌های خلاقانه و مندلک زیادی برای نوشتن یک کار مشخص در اون وجود نداره.

- سرعت کامپایل: هوش مصنوعی برای حل یک مسئله ممکنه صدها بار کد رو تولید و تست کنه. سرعت بسیار بالای کامپایل Go، حلقه بازخورد هوش مصنوعی رو سریع‌تر می‌کنه (بر خلاف پایتون که مفسریه)

- کتابخانه استاندارد قدرتمند: اکثر نیازهای اولیه (HTTP، JSON، کار با فایل و...) در خود زبان هست. یعنی هوشواره کمتر به وابستگی‌های خارجی و پیچیده نیاز داره که ریسک امنیتی و ناسازگاری را پایین میاره.

- پایداری: تعهد تیم Go به این که کد ۱۰ سال پیش هنوز کار کنه، برای هوشواره‌ای که باید حجم انبوهی از کد تولید کنه حیاتیه. کد تولید شده در Go به این زودی‌ها منسوخ نمیشه (مثل پایتون نیست که یهو پایتون ۲ رو منسوخ کنه)

- فرمت‌بندی خودکار (gofmt): در Go همه کدها شبیه همند. این باعث میشه آشفتگی بصری در کدهای تولید شده توسط هوشواره به حداقل برسه.

- هندل کردن صریح خطاها: در Go برخلاف زبان‌های دیگ مثل پایتون زیقی، خطاها نادیده گرفته نمیشه و باید صراحتا مدیریت بشن. این صراحت برای هوشواره که باید یک منطق رو دنبال کنه حیاتیه (مثل پایتون نیست که try/except داشته باشید)

لینک:
https://packagemain.tech/p/my-thoughts-on-the-future-of-go-in-ai-era

دو ساعت مونده به ددلاین و کارو دادی دست AI:

🆔 @lifeAsAService

- هیچکدومتون اندازه من توی تلاش‌های اولش موفق نبوده.
+ تو هیچوقت اندازه ما تلاش اول نداشتی.

#مشاهده

💥نقطه‌ حداکثر تأمل کجاست؟

بهترین ایده‌ها زمانی به سراغ‌تان می‌آیند که مشغول نوشتن هستید، نه درحال فکرکردن.

اگر قرار باشد در یک جزیره‌ی دورافتاده در وسط اقیانوس یک همراه داشته باشید، چه کسی را با خودتان می‌برید؟ همسرتان؟ دوست‌تان؟ یک مشاور؟ باهوش‌ترین استاد دانشگاه؟ یک‌نفر که سرگرم‌تان کند؟ البته که هیچ‌کدام برای بلندمدت به‌کارتان نخواهد آمد. کسی را با خود ببرید که بتواند یک قایق بسازد.

دوستی دارم که برای راه‌اندازی و تاسیس شرکت داروسازی‌اش ده‌سال وقت گذاشت. او با دقت صدها کتاب در زمینه‌ی کارآفرینی مطالعه کرد، ساعت‌ها صرف یادگیری نحوه‌ عرضه‌ محصولاتش کرد. انبوهی از تحقیقات علمی درباره‌ بازار را بررسی کرد و دوجین طرح برای کسب و کارش نوشت. نتیجه‌ کار؟ فعلا هیچ؟ او همواره به نقطه‌ای می‌رسد که تفکراتش به او می‌گویند:
"ایده‌ خوبی است، اما بستگی به شیوه‌ اجرایی تو و عملکرد رقبایت دارد."

ما در زمان فکرکردن به یک موضوع، به ‌نقطه‌ای می‌رسیم که دیگر هرچه‌قدر هم که فکر کنیم، حتی یک میلی‌متر هم از این نقطه جلوتر نخواهیم رفت. از این لحظه به بعد، مقدار اطلاعات اضافی که با فکرکردن درباره‌ آن موضوع به‌دست می‌آوریم، به صفر می‌رسد. این همان لحظه‌ای است که "نقطه‌ی حداکثر تأمل" نام دارد.

البته منظورم این نیست که من با فکرکردن روی جزئیات مخالفم. بررسی‌کردن یک ایده حتی برای لحظاتی کوتاه می‌تواند دید فوق‌العاده‌ای به انسان بدهد. با این‌حال بازدهی این فرآیند به‌سرعت کاهش می‌یابد و شگفت‌آور است که چه‌قدر زود به نقطه حداکثر تأمل می‌رسیم.

البته ممکن است لازم شود کمی زمان اضافه هم به خودتان بدهید تا احساسات گذرا، بی‌جهت روی تصمیم‌تان تاثیر نگذارند. اما بعد از آن، فکرکردن، شما را از نتیجه‌ای که گرفته‌اید جلوتر نخواهد برد. اگر به اطلاعات جدید نیاز دارید، بهتر است دست‌به‌کار شوید.

اگر تأمل‌کردن را یک چراغ‌قوه‌ جیبی در نظر بگیریم، عمل‌کردن مانند یک نورافکن به‌معنای واقعی کلمه است. به‌محض اینکه به یک جایگاه جدید و جذاب رسیدید، می‌توانید مجددا چراغ‌قوه‌ خود را روشن کنید.

اما چرا ما عادت داریم بیش از اندازه روی مسائل فکر کنیم، بسیار فراتر از نقطه‌ حداکثر تأمل! چرا؟
چون این‌طور راحت‌تر است. خیلی ساده‌تر است که روی مسائل فکر کنیم تا این‌که ابتکار عمل آن‌ها را به‌دست بگیریم. گمانه‌زنی لذت‌بخش‌تر از عمل‌گرایی است. مادامی که هنوز درحال سبک‌سنگین‌کردن گزینه‌های‌تان هستید، احتمال شکست صفر است؛ اما به‌محض این‌که وارد عمل می‌شوید، خطر شکست‌خوردن به‌مراتب بیشتر خواهد بود. به‌همین دلیل است که مردم فکرکردن و تحلیل‌کردن را ترجیح می‌دهند.

پیکاسو می‌گوید برای اینکه بدانید می‌خواهید چه چیزی بکشید، باید دست‌به‌قلم شوید. در مورد امور زندگی‌تان هم همین‌طور است. برای اینکه بدانید چه می‌خواهید باید دست‌به‌کار شوید. این مطلب ممکن است تلنگری به شما بزند ولی حواس‌تان را جمع کنید که صرفا با فکرکردن به یک زندگی خوب، به آن نمی‌رسید.

لطفا دفعه‌ بعد که می‌خواهید تصمیم مهمی بگیرید، به‌دقت روی آن فکر کنید، اما فقط تا مرز نقطه‌ حداکثر تأمل. غافلگیر خواهید شد از اینکه چقدر زود به نقطه‌ حداکثر تأمل می‌رسید. به‌محض رسیدن، چراغ‌قوه‌ خود را خاموش و نورافکن را روشن کنید. این روش هم در محل‌کار و هم در خانه به‌کارتان خواهد آمد؛ چه مشغول سرمایه‌گذاری روی حرفه‌تان باشید، چه دنبال بهبود زندگی عاشقانه‌تان.

✍ برگرفته از کتاب هنر خوب‌ زندگی‌ کردن، اثر رولف‌ دوبلی


📚 ایستارتاپس 👇
🆔 @eastartups 🎯

#music
🆔 @lifeAsAService

🧭 وقتی تصورمان از آینده دقیق نیست!

چند سال با روزی فاصله داریم که دیگر «متخصص» به معنای امروزی‌اش لازم نباشد؟

تصور کنید یک پزشک عمومی در مطبی کوچک نشسته؛ بیماری با علائم همزمان قلبی، غدد و روانی جلویش است. به‌جای سه ارجاع به سه فوق‌تخصص، او در عرض چند دقیقه با یک سامانه‌ی هوش مصنوعی مشورت می‌کند که هم‌زمان نقش کاردیولوژیست، اندوکرینولوژیست و روان‌پزشک را بازی می‌کند؛ نسخه می‌نویسد، توضیح می‌دهد و حتی لحن دلگرم‌کننده‌ی یک متخصص باتجربه را تقلید می‌کند. مسئله مهمی هست که بدانیم چند سال با آن فاصله داریم و اگر سیستم آموزش پزشکی برای آن روز آماده نباشد، چه نسلی از پزشکان قربانی این فاصله می‌شوند...

🔎 افسانه‌ای به‌نام جایگزینی
در ادبیات تعامل انسان-ماشین از دهه‌ی ۱۹۸۰، پژوهش‌های تخصیص‌وظیفه (function allocation) به باوری اشاره می‌کنند که آن را «افسانه‌ی جایگزینی» (substitution myth) می‌نامند: این تصور نادرست که می‌شود یک وظیفه‌ی انسانی را عیناً و بدون تغییر پویایی کل سیستم به ماشین منتقل کرد که به آن humanized کردن بیش از حد هوش مصنوعی می‌گویند :
یعنی وادار کردنش به این‌که دقیقاً مثل یک پزشک انسانی «رفتار» کند، نه این‌که با منطق محاسباتی متفاوت خودش نقشی مکمل (complementary) ایفا کند. وقتی این افسانه باور شود، نتیجه‌ی منطقی‌اش برون‌سپاری تدریجی وظایف فوق‌تخصصی به AI است؛ دقیقاً مسیری که مقاله‌ای در Health Affairs Scholar آن را با عنوان «پزشک همه‌کاره-متخصص» (generalist-specialist) صورت‌بندی کرده: مدلی که در آن مراقبت از بیماری‌های مزمن حول محور «بیماری» سازمان‌دهی می‌شود نه حول «دستگاه مبتلا در بدن»، و پزشک عمومیِ مجهز به AI بار زیادی از فوق‌تخصص‌ها را بر عهده می‌گیرد(1).

اما نکته‌ی اصلی این نیست که این افسانه درست است یا غلط؛ نکته این است که فاصله‌ی زمانی تا تحقق (یا شکستِ) آن، مستقیماً تعیین می‌کند سیستم آموزش پزشکی امروز باید چه تصمیمی بگیرد. اگر این افق ۲ سال باشد، برنامه‌ریزی درسی باید همین امروز از ریشه بازطراحی شود؛ اگر ۴۰ سال باشد، عجله در حذف چرخه‌های فوق‌تخصصی می‌تواند نسلی از پزشکان را با دانشی ناقص و اتکای زودهنگام به ابزاری تربیت کند که هنوز جای پزشک را نگرفته.

📊 چرا این پرسش فوری‌ست؟
طبق آخرین نظرسنجی انجمن پزشکی آمریکا (AMA) که در پستهای قبلی هم به آن اشاره شده، در ابتدای ۲۰۲۶ حدود ۸۱٪(2) از پزشکان گفته‌اند در کار حرفه‌ای‌شان از هوش مصنوعی استفاده می‌کنند؛ رقمی که در ۲۰۲۳ فقط ۳۸٪(2) بود؛ یعنی در کمتر از سه سال بیش از دو برابر شده، و شیب این منحنی خودش شاهدی‌ست بر این‌که افق «۲ سال» به‌اندازه‌ی افق «۴۰ سال» غیرمنطقی نیست. نویسندگان مقاله‌ی «همه‌کاره-متخصص» هم گزارش کرده‌اند در آزمایش‌های اولیه‌شان، ارجاع‌های تخصصی پیشنهادی توسط AI و پزشک انسانی هم‌خوانی قابل‌توجهی داشته‌اند(1)؛ یعنی فاصله تا جایگزینیِ حداقل بخشی از قضاوت تخصصی، شاید کوتاه‌تر از آن چیزی باشد که نظام آموزشی برایش برنامه دارد.

▫️ اما همین داده‌ها محدودیت هم دارند: بخشی از یافته‌های مقاله‌ی «همه‌کاره-متخصص» بر تجربه‌های منتشرنشده (unpublished) استوار است، نه کارآزمایی مستقل؛ و نظرسنجی AMA میزان «استفاده» را می‌سنجد، نه میزان «اتکا»ی واقعی پزشک به قضاوت AI به‌جای قضاوت خودش، که همان چیزی‌ست که افسانه‌ی جایگزینی درباره‌اش هشدار می‌دهد.

🔚 اگر باور کنیم این افسانه ظرف چند سال محقق می‌شود، باید همین حالا برنامه‌ی درسی پزشکان عمومی و حتی تخصص و فوق تخصص را حول همکاری با AI بازتعریف کنیم؛ اگر باور کنیم چند دهه فاصله داریم، عجله در این بازتعریف می‌تواند مهارت‌های بنیادینی را که هنوز جایگزینی برایشان وجود ندارد، از نسل‌های آینده‌ی پزشکان بگیرد. کدام برآورد زمانی را باید مبنای تصمیم قرار داد؟
و چه ساختاری مسئول اشتباه در این برآورد است؟

منابع:
1_https://academic.oup.com/healthaffairsscholar/article/4/4/qxag075/8541477
2_https://www.ama-assn.org/practice-management/digital-health/more-80-physicians-use-ai-professionally-ama-survey

در آکادمی Med-AI شبکه نخبگان ایران با ما همراه باشید 🎓
🌐@MedAI_academy

دعوتتون می‌کنم به پناه بردن به این صدا از شر شیطان گرم :)

اگه برنامه‌نویس هستین یا شغلی دارین که پیچیدگی‌های ذهنیش بیشتر از پیچیدگی‌های فیزیکیشه حتما یه سری فعالیت فیزیکی مخصوصا با دست‌ها برای خودتون در نظر بگیرید. مغز انسان اصلا عادت به پیچیدگی‌های ذهنی تا این حد نداشته و براش ناشناخته است برای همین بیش از حد تحت فشار قرار می‌گیره. یکی از راه‌های کاهش این فشار و جلوگیری از فرسودگی اینه که پیچیدگی‌های ذهنی و شناختی رو تبدیل به پیچیدگی‌های فیزیکی و ملموس کنید. این می‌تونه هم شامل تغییر سبک کاری باشه و هم شامل انجام یه سری فعالیت تفریحی/اضافه برنامه.

برای اولی: مثلا سعی کنید برنامه‌ی روزانه و یادداشت برداری رو حتما روی کاغذ انجام بدین. الگوریتم‌ها و دیزاین‌هایی که توی سرتون میاد برای برنامه‌ها رو به صورت چارت روی کاغذ بکشید(فلوچارت، سیستم دیزاین، erd و ...). نقشه‌های ذهنی رو روی کاغذ رسم کنید. و کلا هر فعالیت دیگه‌ای که بار شناختی رو تبدیل به بار فیزیکی می‌کنه و کمک می‌کنه اون پیچیدگی نمود بیرونی و فیزیکی پیدا کنه.

برای دومی: کاردستی درست کنید. نقاشی کنید، طراحی کنید، برید باغ بیل بزنید، فوتبال دستی بازی کنید، تنیس بازی کنید، بدوید، فوتبال بازی کنید، برید طبیعت آشغال جمع کنید، خونه رو مرتب کنید، آشپزی کنید و خلاصه هر فعالیتی که کمک می‌کنه اون اضطراب/فشار/خلاقیت/هیجان شناختی و فکری بیاد بیرون و نمود فیزیکی و ملموس پیدا کنه.

#تجربه
🆔 @lifeAsAService

در مدل جدیدی به اسم bina که برای ocr زبان فارسی فاین تیون کردن با عملکردی خیره کننده نسبت به مدل‌های سطح یک دنیا در رتبه ۱ برتری خودشو نشون داد
https://huggingface.co/Reza2kn/Bina-0.1

#متن_باز

☑️ @AI_DeepMind
✅ @AI_Person

جدی سلامت روان از منوچهر صدری چکه می‌کنه 🔥

به مقدار خوبی شبیه Fable 5 شده. ترجیح خودم همون Opus 4.8 بود. یکی از اصلی‌ترین تفاوت‌هایی که دارن اینه که مدل‌های جدیدتر بیشتر به سمت autonomous بودن آموزش داده شدن. قبلا وقتی Opus 4.8 می‌فهمید یه جایی رو داره نمی‌فهمه و مطمئن نیست می‌اومد از یوزر پرامپت می‌گرفت که من نمی‌دونم اینجا رو چیکار کنم هدایتم کن. الان ولی خودش یه تصمیم نسبتا خوبی می‌گیره و طبق اون جلو می‌ره. کمتر هم فلو فکریشو توضیح میده دیگه و داخل ترمینال یه مقدار خوبی فقط کامند می‌بینم بدون اینکه بفهمم مدل در اثر چه تصمیمی و برای کشف یا تغییر چه چیزی به سمتش رفته. این تبدیل طبیعی هست از اونجا که بیشتر یوزرها دنبال استفاده autonomous هستن و مخصوصا پاور یوزرها که بیشترین خرج‌کرد رو دارن ترجیح میدن N تا سشن همزمان تو worktree داشته باشن و همزمان کارها پیش بره و فرصت یا انرژی context switch برای بررسی یوزر پرامپت و گرفتن تصمیم درست رو ندارن. احتمالا بررسی کردن دیدن اکثر کاربرها موقع یوزر پرامپت همون گزینه recommended رو می‌زنن و از همین رو به این سمت رفتن. در کل ولی از اونجا که همواره این اعتماد رو ندارم که تصمیم خوبی می‌گیره و روی کد بیس بیشتر از کلاد آن‌برد هستم ترجیح میدم verboseتر باشه که بتونم تغییر جهت بدم اگه داره به سمت اشتباهی حرکت می‌کنه.