برنامه های تغییر آ...ی ... پ.... ی هم کار نمی کنه.

ساختن ویدئو https://ovi.video/ فایل متتنی بهش بدی یا تصویر بهش بدی برات فیلم می سازه. اولش رایگانه، میشه یکی دو تا کار رایگان تولید کرد .. برای تفریح خوبه البته باید صبر کنید #اینترنت به طول کامل باز بشه .. تو این ده دقیقه اخیر ده بار اینترنتم پرید. 🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education ❤️

یادم رفت بگم. این سایتی که معرفی کردم چینیه. مواظب باشید نشکنه

یادم رفت بگم نسخه اندروید هم داره

🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education با هوش مصنوعی ساخته شده

این هوش مصنوعی اسمش #هوشنگه. در این وانفسای اینترنت، غنیمته.. بایدعضو بشید. نوشته کارهای مختلف می کنه پول نگرفتم برای تبلیغش. واسه دل شما گذاشتم امکانات بیشتر بخواین باید اشتراک بخرید https://hooshang.ai/home 🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education ❤️

🟣 سوال شما در خصوص ادعای #هوش_مصنوعی [چت بات] تماماً ایرانی»؛ واقعیت فنی چیست؟ 👈 در این پخش صحبت های ما در قالب چند پیام بارگزاری می شود ؛ بررسی فنی ادعای «هوش مصنوعی تماماً ایرانی» در ماه‌های اخیر به خصوص در زمان هایی که عمده مردم دنبال پلتفرم های خارجی جایگزین هستند ، برخی شرکت‌ها و نهادهای داخلی ادعای توسعه «هوش مصنوعی کاملاً ایرانی» یا «رقیب بومی ChatGPT» را مطرح کرده‌اند. این ادعاها در حالی بیان می‌شود که توسعه سامانه‌های هوش مصنوعی زبانی در سطح مدل‌های مرزی (Frontier Models) نیازمند مجموعه‌ای از پیش‌نیازهای #فنی، #داده‌ای، #زیرساختی و #انسانی است که تنها در اختیار تعداد محدودی از #بازیگران_جهانی قرار دارد. در این پیام تیم ما تلاش می کند با رویکردی علمی، غیرسیاسی و مبتنی بر واقعیت‌های فنی، امکان‌پذیری این ادعاها را بررسی کرده و میان «تولید فناوری»، «بومی‌سازی» و «مصرف فناوری» تمایز قائل شود. ۱. منظور از «هوش مصنوعی هم‌سطح ChatGPT چیست؟» سامانه‌هایی مانند ChatGPT، Claude، Gemini یا DeepSeek صرفاً یک نرم‌افزار یا چت‌بات نیستند، بلکه نتیجه سال‌ها پژوهش، سرمایه‌گذاری و توسعه در مقیاس صنعتی‌اند. این سامانه‌ها در دسته مدل‌های زبانی مرزی (Frontier LLMs) قرار می‌گیرند که ویژگی‌های زیر را دارند: * آموزش از صفر (Pre-training) روی حجم عظیمی از داده‌های متنی چندزبانه * استفاده از معماری‌های پیشرفته (Dense یا Mixture-of-Experts) * آموزش با صدها تا هزاران GPU نسل جدید (A100 / H100) * بهینه‌سازی رفتاری با RLHF در مقیاس وسیع * ارزیابی مستمر در سطح بین‌المللی بنابراین، مقایسه هر سامانه‌ای با ChatGPT مستلزم برخورداری از زیرساختی هم‌تراز در این ابعاد است. ۲. مؤلفه‌های فنی لازم برای توسعه یک LLM مرزی توسعه یک مدل زبانی بزرگ و هم‌سطح ChatGPT یا DeepSeek نیازمند مجموعه‌ای از مؤلفه‌های فنی پیچیده است که هر کدام به تنهایی چالش‌برانگیز و هزینه‌بر است: ۱. مدل در مقیاس مرزی: مدل باید از نظر تعداد پارامتر و پیچیدگی معماری در سطح مدل‌های frontier باشد. این شامل مدل‌های Dense با ده‌ها میلیارد پارامتر یا معماری‌های Mixture-of-Experts است که توانایی پردازش و تولید زبان طبیعی با کیفیت بالا را دارند. ۲. دیتاست چندزبانه و تمیز: آموزش چنین مدلی نیازمند حجم بسیار زیادی از داده‌های متنی متنوع، پاک‌سازی شده و به‌روز است. داده‌ها باید نماینده زبان‌ها، حوزه‌های مختلف و سبک‌های نوشتاری متنوع باشند تا مدل توانایی درک و تولید متن در مقیاس جهانی را داشته باشد. ۳. زیرساخت GPU پیشرفته و در مقیاس بزرگ: برای Pre-training و Fine-tuning، هزاران واحد GPU نسل جدید (مانند NVIDIA A100 یا H100) در خوشه‌های عظیم مورد نیاز است. این زیرساخت‌ها علاوه بر توان محاسباتی، به شبکه داخلی سریع و مدیریت ذخیره‌سازی عظیم نیز نیاز دارند. ۴. آموزش با RLHF در مقیاس صنعتی: مدل‌های frontier معمولاً با روش «تقویت یادگیری از بازخورد انسانی» (RLHF) بهینه می‌شوند. این فرآیند نیازمند تیم انسانی بزرگ برای تولید داده‌های ارزیابی، جمع‌آوری بازخورد، و اجرای چرخه‌های بهینه‌سازی طولانی است. ۵. تیم تحقیقاتی و مهندسی پایدار: توسعه و نگهداری چنین مدلی به تیمی از پژوهشگران و مهندسان تمام‌وقت با تخصص‌های متعدد نیاز دارد، از علم داده و یادگیری ماشین پیشرفته گرفته تا DevOps در مقیاس Hyperscale ۶. اتصال آزاد به اینترنت و اکوسیستم جهانی: مدل باید بتواند داده‌ها را به‌روزرسانی کرده، با منابع جهانی همگام شود، و ارزیابی‌ها و تست‌های Red Teaming بین‌المللی را پشت سر بگذارد. بدون این اتصال، مدل از نظر دانش روز و کیفیت پاسخ‌دهی به سرعت عقب می‌ماند. نبود حتی یکی از این مؤلفه‌ها مانع تولید مدل هم‌سطح می‌شود؛ در ایران، تقریباً همه این مؤلفه‌ها غایب‌اند. ادامه دارد 👇👇👇👇 🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education ❤️

🟣 بخش دوم پاسخ| سوال شما در خصوص ادعای «هوش مصنوعی[چت بات] تماماً ایرانی»؛ #واقعیت_فنی چیست؟ 👈 در ادامه باید به سوالات دیگری بپردازیم: ۳. «هوش مصنوعی ایرانی» در عمل به چه معناست؟ آنچه امروز غالباً با عنوان «هوش مصنوعی ایرانی» معرفی می‌شود، معمولاً در یکی از دسته‌های زیر قرار می‌گیرد: ۱. محدودیت در Fine-tune روی مدل‌های متن‌باز خارجی (مانند LLaMA، Mistral یا Qwen) ۲. استفاده غیرمستقیم از APIهای خارجی با واسط بومی ۳. پیاده‌سازی یک رابط کاربری (Wrapper) روی سرویس‌های خارجی ۴. چت‌بات‌های قاعده‌محور یا مبتنی بر NLP کلاسیک ۵. مدل‌های کوچک فارسی‌محور برای کاربردهای محدود (PoC) این رویکردها از نظر مهندسی نرم‌افزار قابل‌قبول و حتی مفید هستند، اما تولید مدل زبانی مرزی محسوب نمی‌شوند. ۴. تمایز مفهومی مهم: تولید، بومی‌سازی، مصرف برای شفافیت علمی، باید میان سه مفهوم تفکیک قائل شد: * هوش مصنوعی بومی (Indigenous AI): طراحی، آموزش و کنترل کامل مدل از صفر * هوش مصنوعی بومی‌سازی‌شده (Localized AI): استفاده از مدل خارجی با تنظیم، داده یا استقرار داخلی * هوش مصنوعی مصرفی (Consumer AI): استفاده مستقیم یا غیرمستقیم از سرویس خارجی اکثر پروژه‌های داخلی حداکثر در دسته دوم قرار می‌گیرند، در حالی که در تبلیغات، خود را در دسته اول معرفی می‌کنند. ۵. مسئله APIها و وابستگی پنهان بررسی‌های فنی نشان می‌دهد بسیاری از سامانه‌های موسوم به «AI ایرانی»: * مستقیماً یا غیرمستقیم به APIهای خارجی وابسته‌اند * یا مدل‌های خارجی را بدون تغییر بنیادین Deploy کرده‌اند * یا فاقد امکان ادامه فعالیت در صورت قطع دسترسی خارجی‌اند این وابستگی، اگر شفاف اعلام نشود، می‌تواند ریسک‌های جدی ایجاد کند: * توقف ناگهانی سرویس * آسیب به امنیت داده و عدم ضمانت از حفاظت اطلاعات داده کاربردان ( این بخش یکی از مهم ترین موارد در کشور ما هست ، به طور مثال در برخی از کلاس هایی که می روم می بینم در برخی از سازمان ها و نهاد های دولتی یا نهاد های نظامی اعلام می‌کنند از فلان ابزار هوش مصنوعی که ایرانی هست استفاده می‌کنند و مطالب طبقه بندی مجموعه خودشان را برای تحلیل یا راحت تر کردن کار خودشان در پروسه های اداری مثل تنظیم کردن متن نامه ، اعلام ماموریت های تخصصی و بومی سازی اسناد طبقه بندی شده سازمان برای زیر مجموعه های خود و... در بستر این پلتفرم ها بارگزاری می‌کنند. ) * وابستگی راهبردی پنهان ۶. آیا ساخت ChatGPT ایرانی ممکن است؟ 🔶 از منظر نظری و علمی: بله؛ هیچ مانع ذاتی وجود ندارد. 🔶 از منظر عملی در شرایط فعلی ایران: بسیار بعید است ، به علت وجود دلایل زیر: ۱. داده * محدودیت دسترسی به وب جهانی * کمبود دیتای متنوع و به‌روز * فقدان زیرساخت RLHF انسانی ۲. زیرساخت * هزینه بسیار بالا * محدودیت واردات سخت‌افزار * کمبود GPU پیشرفته ۳. سرمایه انسانی * مهاجرت گسترده متخصصان * نبود پروژه‌های تحقیقاتی بلندمدت * تمرکز بر پروژه‌های نمایشی کوتاه‌مدت ۴. اتصال جهانی * عدم مشارکت در اکوسیستم بین‌المللی * نبود ارزیابی و Red Teaming خارجی ۷. جمع‌بندی نهایی در پاسخ به سوالات شما : آنچه امروز در ایران تحت عنوان «هوش مصنوعی» تبلیغ می‌شود، در اغلب موارد: * مصرف‌کننده فناوری است، نه تولیدکننده آن * بیشتر مهندسی روایت است تا مهندسی مدل * بیشتر بر رابط کاربری تمرکز دارد تا هوشمندی واقعی این به معنای بی‌ارزش بودن تلاش‌های داخلی نیست؛ بلکه مسئله اصلی اغراق در ادعا و مخدوش شدن مرز واقعیت فنی است. 🔔 در عصر الگوریتم‌ها، هوش مصنوعی صرفاً یک ابزار فناورانه نیست، بلکه ضریب‌دهنده قدرت شناختی، رسانه‌ای و سیاسی است. در چنین شرایطی، شفافیت فنی و صداقت علمی نه یک انتخاب، بلکه یک ضرورت راهبردی است. ادامه دارد 👇👇👇👇 🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education ❤️

🟣 سوال شما : سلام استاد من یک کارمند در یک نهاد نیمه دولتی ولی دارای طبقه بندی هستم چند ماه پیش یک جلسه سواد رسانه داشتیم اونجا به ما هوش مصنوعی هایی مثل زیگپ و ویرا و... را بهمون گفتند این ها تماما ایرانی هستند مشکلی ندارد باهاش کار در سازمان کنید و خیلی هم گفتند از خارجی ها استفاده نکنید و فقط از داخلی ها استفاده کنید که این ها امن هستند.نظدتون چیه؟ 👈 جواب ما : باسلام خدمت شما بزرگوار، خوب باتوجه به اینکه این سوالات با جزئیات کامل شرح داده شد متن سوالتان را بارگزاری نمی دونیم. با توجه به صحبت های قبلی ما و پاسخ به سوالات شما در خصوص واقعیت هوش مصنوعی های داخلی در بخش ۱ و بخش۲ برای شما و همکاران تان و دیگر عزیزان کارمند در بخش دولتی و نیمه دولتی و خصوصی یک تحلیل تخصصی حفاظت اطلاعات سازمانی در استفاده از سامانه‌های هوش مصنوعی منتشر می کنیم. 🔸 تحلیل تخصصی حفاظت اطلاعات سازمانی در استفاده از سامانه‌های هوش مصنوعی با توجه به گسترش استفاده از ابزارهای هوش مصنوعی زبانی در حوزه‌های دولتی و نظامی، بررسی دقیق ریسک‌های حفاظت اطلاعات و امنیت داده‌ها اهمیت ویژه‌ای دارد. در ایران، آنچه تحت عنوان «هوش مصنوعی ایرانی» تبلیغ می‌شود، غالباً مصرف‌کننده فناوری خارجی است و نه تولیدکننده مدل‌های زبانی مرزی این وضعیت می‌تواند پیچیدگی و آسیب‌پذیری اطلاعات طبقه‌بندی شده در سازمان‌ها را افزایش دهد. 🟤 وضعیت واقعی «هوش مصنوعی ایرانی» سامانه‌های داخلی معمولاً در یکی از دسته‌های زیر قرار می‌گیرند: ۱. محدودیت در Fine-tune روی مدل‌های متن‌باز خارجی (LLaMA، Mistral، Qwen) ۲. استفاده غیرمستقیم از APIهای خارجی با واسط بومی ۳. پیاده‌سازی رابط کاربری (Wrapper) روی سرویس خارجی ۴. چت‌بات‌های قاعده‌محور یا NLP کلاسیک ۵. مدل‌های کوچک فارسی‌محور برای کاربردهای محدود اگرچه این رویکردها از نظر مهندسی نرم‌افزار قابل قبول هستند، اما تولید مدل‌های زبانی frontier محسوب نمی‌شوند و تضمین کنترل کامل داده‌های وارد شده را فراهم نمی‌کنند. 🔹 برای شفافیت، باید سه سطح هوش مصنوعی را از هم تفکیک کرد: * هوش مصنوعی بومی (Indigenous AI): مدل طراحی، آموزش و کنترل کامل از صفر * هوش مصنوعی بومی‌سازی‌شده (Localized AI): مدل خارجی با تنظیم، داده یا استقرار داخلی * هوش مصنوعی مصرفی (Consumer AI): استفاده مستقیم یا غیرمستقیم از سرویس خارجی اکثر پروژه‌های داخلی در دسته دوم یا سوم هستند، در حالی که در تبلیغات، خود را در دسته اول معرفی می‌کنند. 🔹 ریسک‌های حفاظت اطلاعات؛ ۱. آسیب‌پذیری داده‌های طبقه‌بندی‌شده استفاده از ابزارهایی که: * مستقیماً یا غیرمستقیم به API خارجی وابسته‌اند * یا مدل خارجی را Deploy کرده‌اند می‌تواند منجر به عدم تضمین حفاظت اطلاعات کاربران شود. مثال‌های واقعی در برخی نهادها نشان می‌دهد کارمندان، برای تسهیل فرآیندهای اداری یا تحلیل، اسناد طبقه‌بندی‌شده خود را وارد این پلتفرم‌ها می‌کنند. این اقدام می‌تواند خطرات زیر را ایجاد کند: دسترسی غیرمجاز: سرویس‌دهنده خارجی یا عوامل ثالث قادر به مشاهده داده‌ها خواهند بود. نشت اطلاعات راهبردی: اطلاعات ماموریت‌ها، اسناد طبقه‌بندی‌شده و فرآیندهای داخلی در معرض افشا هستند. * وابستگی راهبردی پنهان: توقف سرویس خارجی، کل فرآیند را متوقف می‌کند و امکان ادامه فعالیت داخلی بدون داده و مدل مستقل وجود ندارد. ۲. خطر نفوذ و استفاده از سوی سرویس‌های خارجی با توجه به ماهیت پلتفرم‌های خارجی و APIهای متن‌باز: سرویس‌های جاسوسی یا مراکز دولتی خارجی می‌توانند از داده‌های وارد شده سوء استفاده کنند. داده‌های داخلی حتی اگر ظاهراً «فارسی و داخلی» باشند، از طریق مدل‌ها یا سرورهای خارجی در دسترس خواهند بود. هیچ تضمین فنی وجود ندارد که داده‌های وارد شده به صورت محلی نگهداری یا پردازش شوند، مگر اینکه مدل واقعاً از صفر بومی‌سازی شده باشد، که در شرایط فعلی ایران عملی نیست. به طور کلی ؛ ۱. هوش مصنوعی مصرفی یا بومی‌سازی‌شده داخلی، گزینه‌ای #امن برای اطلاعات طبقه‌بندی‌شده نیست. ۲. ورود اطلاعات حساس به پلتفرم‌های خارجی حتی با واسط بومی، #تهدید امنیت داده و راهبرد ملی محسوب می‌شود. ۳. در شرایط فعلی، توسعه یک مدل بومی واقعی با کنترل کامل داده‌ها عملی #نیست؛ بنابراین استفاده از مدل‌های خارجی برای تحلیل اسناد طبقه‌بندی‌شده توصیه نمی‌شود. ⚠️ در عصر الگوریتم‌ها، هوش مصنوعی نه فقط ابزار فناورانه، بلکه ضریب‌دهنده امنیت و قدرت راهبردی است. شفافیت، کنترل و استقلال در پردازش داده‌های حساس، یک ضرورت راهبردی است نه گزینه 📝 #امین_مهاجرانی 🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education ❤️

بعضی ها برای دسترسی به اینترنت بین المللی رفتند سراغ سیم‌کارتهای عراقی ظاهرا بازارش هم خیلی داغ شده راستی کسی نداره یه دونه به ما بده. البته رایگان می خوام.

🟣 هوش مصنوعی OpenAI با ChatGPT Health وارد حوزه‌ی سلامت شد. انتشار خبر مربوط به 18 دی ماهه. تب جدیدی به این هوش مصنوعی اضافه شده و شما می تونید تحلیل آزمایش هاتون را ازش بخواین و توضیح ویزیت پزشک و یا حتی از او یک توصیه رژیمی دریافت کنید چت جی پی حدود 260 پزشک را به کار گرفته تا با بررسی پاسخها، بر دقت آنها بیفزاید. حالا ان‌شاءالله اینترنت باز بشه دقیق‌تر توضیح خواهم داد. البته قبلا هم این چت بات این کار را می کرد ولی الان به صورت یک بخش مستقل درآمده. 🌺کانال را به دوستان خود معرفی کنید🌸. 👉 @Al_Education ❤️