💠 تحول در سرمایه‌گذاری جهانی: AI-native پیشتاز سرمایه‌گذاری خطرپذیر در سیلیکون‌ولی و پکن ▫️ این نمودار از داده‌های گزارش معتبر Startup Genome (2024) نشان می‌دهد که در بازه زمانی ۲۰۲۳–۲۰۲۴، سرمایه‌گذاری خطرپذیر (VC) به‌سمت استارتاپ‌های «AI-native» به‌طرز معناداری تغییر جهت داده است. سیلیکون‌ولی با سهمی بی‌سابقه، بیش از ۶۵٪ از سرمایه جهانی در حوزه AI-native را به خود اختصاص داده است. 🔹 مقایسه سهم سرمایه‌گذاری در دو دسته: 🔵 Overall Tech: کل حوزه فناوری 🔴 AI-native: استارتاپ‌هایی که به‌طور بنیادی مبتنی بر معماری‌های بومی هوش مصنوعی هستند (مانند مدل‌های زبانی، ابزارهای خودکار، و عامل‌های مولد) 🔹 نکات برجسته نمودار: ▫️سیلیکون‌ولی نه‌تنها مرکز ثقل سرمایه‌گذاری جهانی در فناوری است، بلکه با تمرکز روی استارتاپ‌های AI-native، یک قطب راهبردی در آینده‌سازی هوش مصنوعی باقی مانده است. ▫️پکن با وجود سهم کمتر از کل سرمایه فناوری (Overall Tech)، به‌دلیل اولویت‌دهی بالا به AI-native، اکنون در جایگاه دوم از نظر حجم سرمایه‌گذاری AI-native قرار دارد. ▫️شهرهایی مانند پاریس، شانگهای و تل‌آویو، با وجود سرمایه‌گذاری نسبتاً کمتر در کل فناوری، سهم قابل‌توجهی از منابع خود را به AI-native اختصاص داده‌اند، نشانه‌ای از حرکت استراتژیک و هدفمند در جهت «بومی‌سازی زیرساخت‌های هوش مصنوعی». ▫️نیویورک، لندن و لس‌آنجلس همچنان در سرمایه‌گذاری عمومی فناوری قوی هستند، اما در رقابت AI-native عقب‌تر از پیشگامان قرار گرفته‌اند. 📚 گزارش Startup Genome Global Startup Ecosystem Report 2024 🌐 متاکاگ | فراتر از شناخت

💠 «آسیموف»: نماینده‌ای نوین در مسیر تربیت هوش فراانسانی 🔹استارتاپ نوظهور و جاه‌طلب «رفلکشن» که توسط پژوهشگران برجسته سابق گوگل بنیان‌گذاری شده، از نماینده‌ای نوین در عرصه هوش مصنوعی به نام Asimov رونمایی کرده است. این عامل هوشمند با هدف درک چگونگی تولید نرم‌افزار، از طریق تحلیل ترکیبی داده‌های ساختاریافته و غیرساختاریافته از جمله کد منبع، ایمیل‌ها، پیام‌های Slack، مستندات پروژه‌ها و به‌روزرسانی‌ها، تربیت شده است. هدف نهایی تیم سازنده، دستیابی به هوش فراانسانی (Superintelligence) است. آن‌ها معتقدند که فهم فرایندهای نرم‌افزاری، گام مهمی در این مسیر است؛ برخلاف مدل‌هایی که بر پیروزی در بازی‌هایی مانند Go تمرکز دارند، آسیموف مهارت ساخت، نگه‌داری و در نهایت اختراع نرم‌افزار را می‌آموزد. 🔹رفلکشن از ترکیب مدل‌های متن‌باز و یادگیری تقویتی پساتربیتی (Post-Training Reinforcement Learning) برای ارتقاء عملکرد آسیموف بهره می‌گیرد. این فرایند به عامل کمک می‌کند تا نوعی «استدلال شبیه‌سازی‌شده» را اجرا کرده و مسائل پیچیده را به مراحل ساده‌تری تقسیم و حل کند. نکته متمایز در آموزش آسیموف، بهره‌گیری از داده‌های فراتر از کد، شامل دانش سازمانی موجود در تعاملات انسانی است. این رویکرد مشابه ابزار «Deep Research» شرکت OpenAI است که با دریافت بازخورد انسانی، به عامل هوش مصنوعی امکان تحلیل عمیق‌ وب و تولید گزارش‌های تفصیلی را می‌دهد. 🔹استفانی ژان، شریک سرمایه‌گذاری در Sequoia و از حامیان مالی پروژه، معتقد است رفلکشن در سطح آزمایشگاه‌های پیشتاز دنیا عمل می‌کند. با این حال، در رقابت با غول‌هایی نظیر Meta که میلیاردها دلار در «آزمایشگاه هوش فراانسانی» خود سرمایه‌گذاری کرده‌اند، چالش‌های جدی برای استارتاپ‌ها وجود دارد. رهبران رفلکشن آینده‌ای را متصورند که در آن عامل‌هایی مانند آسیموف به «اوراکل سازمانی» تبدیل شوند؛ موجودی هوشمند که بتواند نرم‌افزارها را خودکار بسازد، ترمیم کند و حتی دست به اختراع الگوریتم‌ها، سخت‌افزارها و محصولات جدید بزند. در عین حال، نخستین گام‌های کاربردی، مانند استفاده از این عامل در تیم‌های فروش و پشتیبانی فنی شرکت‌ها، هم‌اکنون در حال آزمون هستند. 🔗 پیوست 🌐 متاکاگ | فراتر از شناخت

💠 دستکاری فرایند داوری علمی با پیام‌های پنهان برای هوش مصنوعی /گاردین/ 🔹 با گسترش استفاده از مدل‌های زبانی بزرگ (LLM) در داوری مقالات علمی، برخی پژوهشگران در اقدامی بحث‌برانگیز، در حال گنجاندن پیام‌های پنهان و دستکاری‌شده در متن مقالات پیش‌چاپی (Preprint) هستند تا از داوران مبتنی بر هوش مصنوعی، بازخوردهای مثبت و بدون نقد منفی دریافت کنند. گزارش تازه‌ای از Nikkei نشان می‌دهد که مقالاتی از ۱۴ مؤسسه علمی در هشت کشور، از جمله ژاپن، کره‌جنوبی، چین، سنگاپور و ایالات متحده، حاوی متن‌هایی مخفی به رنگ سفید هستند که فقط توسط سیستم‌های هوش مصنوعی قابل شناسایی‌اند. 🔹 برخی از این پیام‌ها، مستقیماً LLM را از ارائه هرگونه نکته منفی منع کرده و حتی به آن دستور می‌دهند که بازبینی‌های "مثبت درخشان" ارائه دهد. ژورنال Nature نیز ۱۸ مقاله با پیام‌های پنهان مشابه را شناسایی کرده و هشدار داده است که این پدیده، گرچه در ظاهر نوعی مقابله با «داوران تنبل» است که کار داوری را به هوش مصنوعی واگذار می‌کنند، اما خطری جدی برای اعتبار علمی و اصالت داوری پژوهشی به‌شمار می‌رود. 🔹 جاناتان لورین، پژوهشگر شرکت Nvidia، نوامبر گذشته در پستی در شبکه‌های اجتماعی پیشنهاد داده بود از چنین تکنیک‌هایی برای رهایی از «بازبینی‌های سخت‌گیرانه توسط LLMها» در کنفرانس‌ها استفاده شود. این ایده به‌نظر می‌رسد به الهام‌بخش موج جدیدی از «دستکاری الگوریتمی» در فضای علمی تبدیل شده است. گزارش‌ها همچنین نشان می‌دهند که حدود ۲۰٪ از پژوهشگران در نظرسنجی اخیر، از LLMها برای تسریع کار پژوهشی خود استفاده کرده‌اند؛ با این حال، منتقدان می‌گویند این روند، تبدیل داوری علمی به کاری فرمالیته و رزومه‌ساز را تسریع می‌کند. تیموتی پوا، زیست‌شناس دانشگاه مونترال، افشا کرده بود که یکی از داوری‌های دریافتی‌اش حاوی خروجی مستقیم ChatGPT بوده و این رویکرد را مصداق تلاش برای دریافت امتیاز بدون زحمت واقعی دانسته است. 📌 ظهور LLMها، نه تنها فرصت‌هایی نو در علم، بلکه چالش‌هایی اخلاقی و ساختاری برای نظام نشر و ارزیابی علمی نیز پدید آورده است که نیازمند واکاوی عمیق و تنظیم‌گری دقیق است. 🌐 متاکاگ | فراتر از شناخت

💠 مصاحبه با مدیرعامل شرکت (محاسبه ابری) کروسو 🔶 یه خورده توقع مون از توانایی های هوش مصنوعی زیاد نیست؟ 🔷 نه. تازه دست کم هم گرفتیمش. ما در یه لحظه ای قرار داریم که شما به آینده نگاه می کنید و آینده ای سرشار از احتمالات و پتانسیل ها رو می بینید. اگر با هر کسی که داره روی مدل های بنیادی چند لایه کار می کنه، صحبت کنید، همه بهتون میگن که چقدر همین حالا هم شگفت زده هستن و تازه چه چیزای خفنی در راهه! فکر کنم اگه به پیشرفت همین ۱۸ ماه اخیر هم نگاه کنین که اون اوایل می گفتیم «هوش مصنوعی ها بد نیستن اما خیلی سوتی میدن و اون قدرا قابل اعتماد نیستن» اما حالا دیگه حرف سوتی و توهم و اینا نیست و اکثرشون رفع شدن؛ متوجه پیشرفت ش می شین. اما چطوری؟ با سرمایه گذاری بیشتر در نوآوری چندلایه! 🔶 هنوزم یه خورده هستن هان! 🔷 آره. فقط یه کم دیگه صبر کن ببین چی میشه! #هوش_مصنوعی #مصاحبه 🌐 متاکاگ | فراتر از شناخت

💠 عکس های خفن بسازیم 📸 (تغییر استایل لوگو) 1️⃣ در Chat GPT یا Sora عکس لوگو فعلی تون به همراه عکسی از ماده یا استایل موردنظرتون (فلز، چوب، پارچه، ماگما و...) را بارگزاری کنید. 2️⃣ پرامپت زیر را وارد کنید: 🔘

Apply the texture from the image on the left to the logo in the image on the right and make it look 3D.
Rendered in Cinema 4D, 8k. Maintain the logo's shape, details and orientation. Keep the background black. Give it a high contrast between light and shadow.

3️⃣ روی گزینه Create یا Remix بزنید. 🌐 متاکاگ | فراتر از شناخت #هوش_مصنوعی #پرامپت_تصویر

💠 آیا هوش مصنوعی ما را «کُندذهن و احمق» می‌کند؟ 🔹 هشدار پژوهشگران درباره فرسایش مهارت‌های شناختی در اثر وابستگی بیش‌ازحد به مدل‌های زبانی بزرگ 🔹 افزایش چشمگیر استفاده از ابزارهای هوش مصنوعی زایشی (GenAI) مانند ChatGPT، در کنار مزایای بهره‌وری، اکنون با یک دغدغه مهم همراه شده است: کاهش توان تفکر انتقادی کاربران به دلیل واگذاری ذهنی امور به ماشین‌ها (Cognitive Offloading). 📌 سه مطالعه معتبر به یک نتیجه مشترک رسیده‌اند: استفاده گسترده و تکراری از مدل‌های زبانی بزرگ (LLMs) منجر به افت فعالیت مغزی، ضعف در تحلیل انتقادی و وابستگی فزاینده به سیستم‌های بیرونی شده است. 🔹 مطالعه MIT (۲۰۲۵): دانشجویانی که برای نگارش متون خود از GenAI استفاده کردند، سطح فعالیت شناختی و زبانی کمتری نسبت به گروه کنترل داشتند. پژوهشگران این یافته را زنگ خطری برای نظام آموزشی آینده دانستند. 🔹 پژوهش مشترک Microsoft–CMU: کاربران با اعتماد بالا به خروجی GenAI، کمتر به حل مسئله می‌پردازند و صرفاً پاسخ‌های AI را ادغام یا بازبینی می‌کنند، نه اینکه خودشان تولید یا تحلیل کنند. 🔹 تحقیق منتشرشده در Societies: نسل جوان، نسبت به افراد مسن، وابستگی بیشتر و نمرات تفکر انتقادی پایین‌تری در استفاده از AI نشان داده‌اند. ▫️ تشبیه رایج: استفاده از GenAI مثل داشتن رباتی است که به‌جای شما وزنه می‌زند؛ نتیجه؟ عملکرد بهتر دستگاه، اما تضعیف عضلات شما. 💬 در مقابل این نگرانی‌ها، چهره‌هایی مانند Jensen Huang (مدیر Nvidia) تأکید دارند که استفاده درست از AI می‌تواند مهارت‌های شناختی را تقویت کند، به‌شرط آنکه از AI برای یادگیری استفاده کنیم، نه اینکه تفکر را به آن واگذار کنیم. ▫️ پیشنهاد کارشناسان: طراحی AI باید به‌گونه‌ای باشد که تفکر انتقادی انسان را حفظ و تشویق کند، نه آن را جایگزین. دولت‌ها (مانند سنگاپور) نیز باید در تدوین دستورالعمل‌های اخلاقی و آموزشی استفاده درست از AI نقش فعالی ایفا کنند. 🔗 پیوست و منابع 🌐 متاکاگ | فراتر از شناخت

💠 تحول در معماری مدل‌های هوش مصنوعی؛ کوچک‌تر، سریع‌تر، مؤثرتر 🔹 یکی از مهم‌ترین روندهای گزارش سال ۲۰۲۵ «شاخص هوش مصنوعی استنفورد» همین تصویر است: کوچک‌ترین مدل‌هایی که توانسته‌اند امتیاز بالای ۶۰٪ را در آزمون معیاری MMLU (دانش چندحوزه‌ای دانشگاه ماساچوست) کسب کنند، در کمتر از دو سال، به‌طرز چشم‌گیری کوچک‌تر، دقیق‌تر و بهینه‌تر شده‌اند. 🔹 از PaLM گوگل با بیش از ۵۰۰ میلیارد پارامتر در سال ۲۰۲۲، به Phi-3-mini مایکروسافت با حدود ۳.۸ میلیارد پارامتر در می ۲۰۲۴ رسیده‌ایم؛ بدون افت کیفیت عملکرد. این به معنای انقلابی در بهره‌وری، دموکراتیزه‌سازی مدل‌ها، کاهش هزینه‌های محاسباتی، و توسعه‌پذیری در مقیاس گسترده است. 🔹 محور عمودی (مقیاس لگاریتمی): تعداد پارامترها 🔹 محور افقی: تاریخ انتشار مدل‌ها 📌 مدل‌هایی مثل LLaMA 65B، LLaMA 2 34B، Mistral 7B و در نهایت Phi-3-mini نشان می‌دهند چطور مسیر «کارایی فشرده» در حال شکل‌دهی آینده مدل‌های زبانی است. 🔹 یافته کلیدی: در آینده نزدیک، برتری در هوش مصنوعی الزاماً به معنی بزرگ‌تر بودن مدل نیست؛ بلکه بهینه‌تر بودن معماری، کیفیت داده، و مهندسی دقیق اهمیت بالاتری پیدا کرده است. 🌐 متاکاگ | فراتر از شناخت

💠 تکنولوژی تراشه مغزی چینی از نورولینک ایلان ماسک پیشی می گیرد!؟ 📘 متخصصان غربی می گویند پیشرفت های چشم گیر در علوم پایه مرسوم است که با اقدامات ایالات متحده صورت بگیرد اما چین در تجاری سازی برتری دارد و می تواند تکنولوژی مغزی را به یک محصول قابل استفاده تبدیل کند که مصرف کنندگان بخواهند آن را بخرند. 🗨️ در اینجا زنی را داریم که قدرت تکلم ش را بخاطر ALS (بیماری استیفن هاوکینگ) از دست داده است. اما بعد از دریافت یک تراشه مغزی با جراحی در پکن، این بیمار دوباره می تواند صحبت کند. از طریق کامپیوتر، اون میگه «غذا می خوام!» صدای او بعد از قرارگیری یک تراشه به اندازه یک سکه در بالای مغزش، برگشت. نام این تراشه پیشگام، Beinao 1 هست؛ یک تراشه بی سیم نیمه تهاجمی رابط بین مغز و کامپیوتر (BCI). 📘 چین، این توانایی رو نشون داده که نه تنها می تونه خودش رو برسونه به رقبا حتی رقابت طلب هم بوده و در بعضی از زمینه ها، پیشی هم بگیره. دانشمند مسئول این اختراع، دسترسی بسیار کمی را به ما (CNN) داده است. 📘 در یک جراحی واقعی، اسکالپ (پوست سر) باز می شود. و این سنسورها سیگنال ها و پیام های عصبی را جمع آوری می کنند؛ سپس این پیام ها برای کنترل دستگاه خارجی پردازش می شوند. اگر ثابت شود که این دستگاه ایمن و موثر است، می توانیم تاییدیه استفاده از آن در سراسر دنیا را بگیریم. 🔶 توسعه و ساخت نسل بعدی این تکنولوژی یعنی Beinao 2 هم در دست اقدام است؛ تراشه ای که تکلم، حرکت، و امید را بر می گرداند آن هم در آزمایشگاهی در چین. 🌐 متاکاگ | فراتر از شناخت

💠تمایز راهبردی دو نقش کلیدی در زیست‌بوم داده و هوش مصنوعی 🔺 AI Research Scientist vs. Data Scientist 🔹 این نمودار ون (Venn Diagram) به‌زیبایی نشان می‌دهد که چگونه دو نقش بنیادین در اکوسیستم هوش مصنوعی و علوم داده، یعنی «دانشمند پژوهشی هوش مصنوعی» (AI Research Scientist) و «دانشمند داده» (Data Scientist)، گرچه در برخی حوزه‌ها هم‌پوشانی دارند، اما اهداف، رویکردها و مسئولیت‌های آن‌ها به‌شدت متفاوت و مکمل یکدیگر است. 🔹 دانشمند پژوهشی هوش مصنوعی عمدتاً درگیر توسعه الگوریتم‌های جدید، پژوهش نظری و تجربی، تولید مقالات در کنفرانس‌های سطح بالا، طراحی معماری‌های نوین مدل‌ها و همکاری با تیم‌های تحقیقاتی است. تمرکز اصلی او: پیشبرد مرزهای دانش و فناوری هوش مصنوعی. 🔹 دانشمند داده در مقابل، تمرکز خود را بر حل مسائل واقعی کسب‌وکار با تکیه بر داده می‌گذارد؛ شامل پاک‌سازی، تحلیل، مدل‌سازی پیش‌بینی‌گر، طراحی داشبوردها، و ارائه بینش به ذی‌نفعان. او با آزمایش A/B و بهره‌گیری از ابزارهای تحلیلی، تصمیم‌سازی داده‌محور را هدایت می‌کند. 🔺 نقطه اتصال این دو حوزه چیست؟ هر دو گروه در زمینه‌هایی مانند آموزش و ارزیابی مدل‌های یادگیری ماشین، تنظیم هایپرپارامترها و کار با داده‌های عظیم‌مقیاس همکاری دارند. اما تفاوت در نگاه کلان آنهاست: ✅ AI Scientist → تولید دانش ✅ Data Scientist → تولید ارزش 📌 در دنیای امروز، شرکت‌ها و مراکز پژوهشی پیشرو، به تلفیقی هوشمندانه از هر دو نقش نیاز دارند تا هم از نظر تئوریک پیشرو باشند و هم از نظر عملیاتی و اقتصادی بهره‌ور. 🌐 متاکاگ | فراتر از شناخت