طرحی برای فردای فلسفه در حوزه به نظر می‌رسد به جای بدایه الحکمة باید کتابی باشد که تمام فلسفه‌های نو را، هر چند از نگاه فیلسوفان مسلمان، به‌طور کلی معرفی کند؛ از فلسفۀ هستی تا فلسفۀ سیاست؛ با بیانی روان و متقن. و در مرحلۀ بعد و به جای نهایه، هر طلبه، هر فلسفه‌ای که دوست دارد را پی بگیرد، از یکی هستی شناسی، دیگری فلسفۀ اخلاق و ... . این طرح از دو جهت گشایش دارد: ۱. علاقۀ طلاب را در نظر می‌گیرد ۲. تمامی سؤالات فلسفی جامعه در نظر گرفته می‌شود. الحمد لله

اگر داریم زبان دیگری یاد می‌گیریم، حواسمان باشد که حفظ کردن واژگانِ انتزاعی‌تر، زمان بیشتری می‌گیرد. منظورم این بود که برویم واژگان ملموس‌تر را یاد بگیریم؟ نه؛ اصلا واژگان ملموس‌تر به دردمان می‌خورد!؟ می‌خواستم بگویم اگر در سن و سال من مشغول حفظ کردنید، فکر نکنید چون پا به سن گذاشته‌اید، دیرتر حفظ می‌کنید؛ مشکل همان انتزاعی‌تر بودن و علمی‌تر واژه‌هاست. به بهانه‌های بنی‌اسرائیلی پاپس نکشیم؛ حوصله داشته باشیم.

هیچ چیز مانند از این شاخه به آن شاخه پریدن، عمر انسان را ویران نمی‌کند. از این شغل به آن شغل، از این رشته به آن رشته، از این کتاب به آن کتاب، از این مطلب به آن مطلب، از این شبکۀ اجتماعی به دیگری، از این کانال به دیگری و ... . پس از یک دهه، یا یک عمر، به جای اینکه حاصل عمرمان قصری با شکوه با بنیادی مستحکم باشد، با این پریدن‌ها، پشت سرمان جز تلی از خاک و شن به جای نمی‌گذاریم.

نقد استاد محمدتقی شهیدی بر تفسیر «باطنیه» درس خارج فقه، دوشنبه ۱۷ شهریورماه ۱۴۰۴ https://t.me/Faede_v_Borhan/298 #تفسیر_باطن @gholow

اشتباه می‌کنیم اگه به هوش مصنوعی خیلی تکیه کنیم؛ خودم ضربه خوردم. حالا دیدم می‌گن بین پنج تا ده سال طول می‌کشه تا قابل اطمینان بشه.

#زکات_علم چون دوستان زیادی در مورد اکانت Gemini pro و اکانت دانشجویی جمنای بهم پیام خصوصی دادن در این فایل صوتی در موردش توضیح دادم. به ادمین کانالی که توی صوت بهش اشاره کردم پیام دادم، گفت برای کسایی که از کانال بهش مراجعه کنن اکانت یکساله رو با قیمت ۴۰۰ هزار تومن فعال می کنه. پ.ن: این هم تبلیغ نیست و پول یا امتیازی در مورد درج این مطلب نگرفتم، خودم ۱۱ شهریور اکانتم رو از همین طریق پرو کردم. هیچ تضمینی در موردش نمی تونم بدم. https://t.me/gemini_amir #هوش_مصنوعی #ai 🎯به کانال زکات علم (تجربه نگاری) بپیوندید: @tajrobenegaran

آینده هوش مصنوعی مولد (۲) هوش مصنوعی مولد الان داره خودش رو با محتوای روی اینترنت تغذیه میکنه. بخشی از این خوراک، رایگان و در دسترسه. بخشی هم به شکل غیرقانونی داره استفاده میشه (کتابهایی که نسخه‌ی دزدی‌شون هست و ...). این خوراک فعلی محتوایی، هر چه هست، روش تهیه‌اش چه اخلاقی باشه و چه غیراخلاقی، یه ویژگی مهم داره: بخش زیادی از اون، انسانیه. یعنی محتوای اصیل (authentic) هست نه محتوای ساخته‌شده (synthetic). اگر تعداد کاربران هوش مصنوعی مولد زیاد بشه، طی چند سال، بخش بزرگی از محتوای آنلاین، سینتتیک و ساختگی میشه و سهم محتوای تولیدی انسان در برابر محتوای تولیدی هوش مصنوعی تقریباً به صفر می‌رسه. و این گاوهایی که ما به "چراگاه محتوا" می‌فرستیم، عملاً به جای خوراک خوب، چیزی رو میخورن که قبلاً خودشون دفع کرده‌ان. همهٔ ضعف‌ها، ایرادها، توهم‌های زبانی (که اجتناب‌ناپذیر و لازمهٔ خلاقیت مدل‌های زبانیه) نهایتاً اون‌قدر زیاد تکثیر میشن که خود مدل زبانی هم تحت تاثیر همون‌ها قرار می‌گیره. اگر بخواهیم اسم عام برای این پدیده بذاریم، میشه بگیم saturation effect. اگر اسم خاص‌تر رو می‌پسندید، میشه بگیم model collapse. اصطلاحی که - اگر اشتباه نکنم - اولین بار ایلیا شومایلوف به کار برد. اگر با دنیای الگوریتم آشنا باشید، احتمالاً اصطلاح The curse of recursion رو بیشتر دوست خواهید داشت (نفرین ناشی از حلقه‌های تو در توی ریکرسیو). آیا این مشکل رو می‌شه حل کرد؟ در کوتاه‌مدت، عملاً این مشکل حس نخواهد شد. در بلندمدت هم احتمالاً راه‌حل‌هایی پیدا میشه. اما در میان‌مدت، قطعاً یه چالش جدیه. به هر حال، چیزی که مهمه اینه که حل این مشکل، سخت‌تر از چیزیه که در نگاه نخست به‌نظر میاد. چون آدم‌ها خروجی مدل‌های زبانی رو ادیت میکنن و تمیز میشه. و ممکنه مدلها به سادگی متوجه نشن که با خروجی خودشون مواجه هستن. اما قطعا ایده‌هایی هم هست که دیگه نوشتن از اونا، در حوصلهٔ نویسندهٔ خسته و وارفتهٔ این کانال تلگرامی نیست. 😉 اگر دوست داشتید، مقالهٔ شومایلوف و رفقاش رو هم ببینید: AI models collapse when trained on recursively generated data. #هوش_مصنوعی

🌐 #خردنما | حتی یک آتئیست هم ... ➖ از زبان یک اندیشمند غربی 📚 #فلسفه_دین | #عمومی 📮 ایتا | تلگرام | اینستاگرام | آپارات

⁉️ تا حالا فکر کردید کدام هوش مصنوعی درک بهتری از زبان فارسی داره؟ ✅ برای پاسخ به این سوال، یک کاربر ایرانی اومده یک آزمون طراحی کرده. در این آزمون از 500 تست کنکور قرابت معنایی استفاده شده و 30 مدل به این سوال‌ها پاسخ دادن. نتیجه‌ی این آزمون رو در نمودار زیر می‌تونید ببینید. رتبه‌های 1 تا 5 هم به ترتیب عبارتند از: 1️⃣ gemini 2.5 - pro 2️⃣ Kimi -K2 thinking 3️⃣ gemini 2.5 flash 4️⃣Qwen 3 -max 5️⃣ GPT 5 mini (برتری هوش مصنوعی جمینی گوگل به‌ شکل واضحی مشخصه.) ❇️ اطلاعات کامل‌تر آزمایش رو اینجا می‌تونید ببینید.

هوش مصنوعی در برابر شعر فارسی: آیا ماشین‌ها می‌فهمن حافظ چی می‌گه؟ یه پروژه تازه روی گیت‌هاب منتشر شده که قراره یه سؤال پرتکرار رو جواب بده: آیا مدل‌های هوش مصنوعی می‌تونن شعر فارسی رو بفهمن؟ این پروژه که اسمش Persian Poetry Semantic Similarity Benchmarkـه، توسط «آرمان جعفرنژاد» ساخته شده و تمرکزش روی سنجش درک معنایی مدل‌های زبانی از اشعار فارسیه، چیزی که تا حالا کمتر کسی سراغش رفته بود. 💡هدف پروژه در این بنچمارک، مدل‌های زبانی (مثل GPT، Gemini، Claude و DeepSeek) و مدل‌های embedding (مثل SBERT یا LaBSE) باید بین چند بیت، اون بیتی رو پیدا کنن که از نظر معنا با بقیه فرق داره. به‌عبارتی یه آزمون هوش ادبی برای هوش مصنوعی طراحی شده؛ جایی که بیت‌ها گاهی پر از استعاره و لایه‌های معنایی پیچیده‌ان. 📊 نتایج: از درک تا حدس نتایج اولیه ترکیبی از شگفتی و ضعف رو نشون می‌دن: در میان مدل‌های زبانی بزرگ (LLM)، مدل Gemini 2.5 Pro با دقت ۷۰٪ در صدر قرار گرفته. بعد از اون Kimi K2-Thinking با ۶۲٪ و Gemini 2.5 Flash با ۶۱٪ رتبه‌های بعدی رو گرفتن. مدل‌های GPT-5 Mini و Claude Haiku 4.5 هم با حدود ۵۵–۵۷٪ عملکرد، در میانه جدول ایستادن. 🔘خط قرمز روی نمودارها (۲۵٪) نشون‌دهنده‌ی حدس تصادفیه، پس بیشتر مدل‌های برتر واقعاً یه درک نسبی از معنا داشتن. اما وقتی نوبت به مدل‌های embedding رسید، اوضاع خیلی امیدوارکننده نبود. بهترین مدل در این دسته یعنی RoBERTa-SBERT فقط ۴۱٪ دقت داشت و اکثر مدل‌ها بین ۳۰ تا ۳۹٪ موندن یعنی تقریباً نزدیک به حدس شانسی. این نشون می‌ده که مدل‌هایی که صرفاً معنا رو به بردار عددی تبدیل می‌کنن، هنوز از درک شعر فاصله زیادی دارن. 💬 توضیح دادن شعرها؛ نقطه‌ی عطف نتایج یکی از بخش‌های هوشمندانه پروژه، مقایسه‌ی عملکرد مدل‌ها روی شعر خام و شعر به‌همراه توضیح کوتاه از معنی بود. نتیجه؟ بعضی مدل‌ها به طرز چشمگیری بهتر شدن: مدل Qwen3-Embedding-4B با ۲۰٪ افزایش دقت جهش کرد. مدل Mistral-Embed-2312 حدود ۱۷٪ پیشرفت داشت. مدل‌های دیگه هم بین ۵ تا ۱۰ درصد رشد نشون دادن. یعنی ظاهراً وقتی مدل‌ها بدونن شعر «درباره‌ی چی» حرف می‌زنه، خیلی بهتر می‌تونن معناش رو تحلیل کنن. 🛍 آزمون‌های استدلالی و یادگیری نمونه‌ای (Few-Shot) در بخش reasoning، مدل Gemini 2.5 Pro دوباره با امتیاز ۸۱٪ در صدر قرار گرفت. در حالت few-shot (وقتی قبل از پاسخ چند مثال یاد می‌گیره)، عملکردش حتی به ۸۹.۷٪ رسید، بالاترین نمره‌ی کل پروژه. مدل Claude 3.5 Sonnet با حدود ۷۲٪ در جایگاه دوم بود، و DeepSeek-R1 هم با ۶۱٪ عملکرد قابل قبولی نشون داد. 🧭 جمع‌بندی نتایج این پروژه یه پیام روشن دارن: مدل‌های بزرگ زبانی حالا کم‌کم می‌تونن از شعر فارسی سر دربیارن، حداقل در حد تشخیص معناهای متفاوت. ولی مدل‌های embedding و روش‌های عددی هنوز راه زیادی تا درک زیبایی و پیچیدگی شعر فارسی در پیش دارن. به بیان ساده‌تر، ماشین‌ها تازه یاد گرفتن شعر بخونن؛ اما هنوز نمی‌دونن چرا قشنگه. گیتهاب پروژه #هوش_مصنوعی #زبان_فارسی ✈️@mohammad_zammani

🔥 یک سال Microsoft 365 Copilot Pro رایگان برای دانشجوها! بدون نیاز به کارت بانکی یا هیچ پرداختی. فقط از لینک زیر وارد بشید و ثبت‌نام کنید: 🔗 https://www.microsoft.com/en-us/microsoft-copilot/for-individuals/ai-for-students?form=MA140R فقط با اکانت مایکروسافت (outlook , Hotmail) ثبتنام کنید

🎙 یکی از شاهکارهای جدید دنیای هوش مصنوعی! این ابزار هوش مصنوعی صدا به متن، به‌صورت لایو و با دقت نزدیک به ۱۰۰٪ صدای شما رو به متن فارسی تبدیل می‌کنه! 😳 این ابزار از سرویس جدید ElevenLabs هست و واقعاً فوق‌العاده عمل می‌کنه. کافیه وارد سایت بشید 👇🏻 روی گزینه Speech to Text بزنید، از بخش Try Demo زبان مورد نظرتون رو انتخاب کنید (بیش از ۹۰ زبان دنیا!) و بعد گزینه Transcribe رو بزنید تا صداتون به‌صورت زنده تبدیل به متن بشه 🔥 می‌تونید برای جلسات، کلاس‌ها یا حتی تولید محتوا ازش استفاده کنید. دقتش خیلی بالاست و خروجی تقریباً بدون خطاست! https://elevenlabs.io/app/speech-to-text