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

🔻آیت‌الله‌ سید موسی شبیری زنجانی در دهه‌ی ۶۰: ◾ایمان در قرآن [الزاما] به معنای ایمان به امامان دوازده‌گانه نیست. ◾در هنگام نزول بسیاری از آیات ایمان، بحث ولایت امامان مطرح نبوده است. ◾اگر هم بحث ولایت در اواخر نزول قرآن مطرح شده بوده، فقط ولایت حضرت علی بوده و نه امامان دیگر. ◾شرط ایمان برای اصحاب امامان این نبوده که به ولایت امامان بعدی باور داشته باشند؛ آنچه شرط بوده این بوده که امامِ زمانۀ خود را باور داشته باشند. ◾ایمان، همان اعتقاد اصولی است که مصداقش به اختلاف ازمنه فرق می‌کند. در زمان پیامبر و پیش از نصب ولایت امیر المومنین، شرط لازم ایمان باور به نبوت پیامبر بود؛ همینطور در زمان هر امامی چنین بوده است (شرط لازم ایمان، اعتقاد به آن امام و امامان قبلی است). ◾در زمان ما، مومن کسی است که به امامت امامان اثناعشر معتقد باشد. @tavanerejal

🔵 مدل جدید شرکت چینی Moonshot AI یعنی Kimi K2 Thinking حسابی سر و صدا کرده. این مدل متن‌بازه (Open-Source) و تونسته از مدل‌های معروف مثل GPT-5 از OpenAI و Claude Sonnet 4.5 از Anthropic بهتر عمل کنه. مدل Kimi K2 با معماری مخصوصی به اسم «ترکیب متخصص‌ها» (Mixture-of-Experts) ساخته شده و حدود یک تریلیون پارامتر داره. توی چند تا آزمون مهم، نتایجش خیلی خوب بوده: توی آزمون Humanity’s Last Exam نمره ۴۴.۹٪ گرفته، توی BrowseComp نمره ۶۰.۲٪ و توی SWE-Bench Verified هم ۷۱.۳٪. این یعنی قدرت استدلال (Reasoning) و توانایی تصمیم‌گیریش (Agentic Capabilities) خیلی بالاست. این استارتاپ که توی پکنه و شرکت Alibaba ازش حمایت می‌کنه، مدل Kimi K2 رو رایگان توی GitHub و پلتفرم خودش منتشر کرده. همین باعث شده کلی بحث توی X (توئیتر سابق) راه بیفته. خیلی‌ها می‌گن این مدل می‌تونه قدرت مدل‌های بسته (Proprietary AI) مثل GPT رو به چالش بکشه. کاربرا از قیمت پایین آموزش مدل هم تعجب کردن، چون کل هزینه آموزش فقط ۴.۶ میلیون دلار بوده. البته بعضیا هنوز شک دارن که توی کدنویسی به اندازه بقیه بخش‌ها قوی باشه. منتشر شدن این مدل باعث شده بعضیا بگن آمریکا باید قوانین سختگیرانه هوش مصنوعی رو کمی راحت‌تر کنه، چون حالا مدل‌های متن‌باز دارن با مدل‌های بسته رقابت می‌کنن. از اون طرف، بعضی کارشناسا نگران بحث «هم‌ترازی» (Alignment) هستن، چون قدرت مدل‌های باز هم حالا به سطح مدل‌های تجاری رسیده. https://www.kimi.com/ #هوش_مصنوعی ✈️@mohammad_zammani پ‌ن: به‌نظر بنده دیگه می‌تونیم از آمریکایی‌های پولی عبور کنیم. بازده رایگان‌های چینی در حد پولی‌های گران‌قیمت آمریکایی شده.

باز هم خلاقیت و نوآوری و باز هم DeepSeek انتشار جدید DeepSeek واقعاً اتفاق مهمی برای دنیای LLM‌های متن‌بازه. مدل DeepSeek-V3.2-Speciale از نظر توانایی در IMO 2025 و IOI 2025 تقریباً هم‌سطح Gemini-3-Pro ظاهر شده و حتی تو چندتا benchmark هم ازش جلو زده. DeepSeek سه گلوگاه جدی رو شناسایی کرده: vanilla attention که تو توالی‌های خیلی بلند کم میاره، کمبود post-training compute، و ضعف generalization تو سناریوهای agentic. برای همین هم DeepSeek-V3.2 رو معرفی کردن که هر سه مشکل رو هم‌زمان هدف می‌گیره. یکی از نوآوری‌های مهم این مدل، DeepSeek Sparse Attention (DSA) هست که پیچیدگی attention رو از ‌O(L²)‌ به ‌O(Lk)‌ کاهش می‌ده؛ جایی که ‌k‌ خیلی کوچیک‌تر از طول sequence هست. یه «lightning indexer» سبک تعیین می‌کنه کدوم tokenها مهم‌ترن و فقط همون top-kها attention کامل می‌گیرن، و نتیجه اینه که تو contextهای طولانی سرعت به‌طور قابل‌توجهی بالا می‌ره بدون اینکه کیفیت افت کنه. البته معماری به‌تنهایی کافی نبوده؛ DeepSeek میزان post-training compute‌یی اختصاص داده که بیش از ۱۰٪ کل هزینه pre-trainingه و این سرمایه‌گذاری بزرگ روی RL باعث شده مدل تو reasoning خیلی قوی‌تر بشه. برای کارهای agentic هم یه سیستم خودکار ساختن که ۱٬۸۲۷ محیط مختلف و بیش از ۸۵ هزار prompt پیچیده تولید می‌کنه؛ شامل code agent، search agent و انواع تسک‌های برنامه‌ریزی، که همگی در مقیاس بزرگ برای آموزش RL ساخته شدن. از نظر نتایج هم DeepSeek-V3.2 تو AIME 2025 به ۹۳٫۱٪ رسیده (تقریباً نزدیک GPT-5-High که ۹۴٫۶٪ گرفته). تو SWE-Verified درصد حل‌شده‌ها ۷۳٫۱٪ بوده و تو HLE text-only هم ۲۵٫۱٪ عملکرد داشته که خیلی نزدیک GPT-5 با ۲۶٫۳٪ هست. نسخه پرکامپیوتر این مدل یعنی DeepSeek-V3.2-Speciale حتی فراتر هم می‌ره و تو IMO 2025 مدال طلا گرفته (با ۳۵ از ۴۲ امتیاز)، تو IOI 2025 به امتیاز ۴۹۲ از ۶۰۰ رسیده و تو ICPC World Finals 2025 تونسته ۱۰ تا از ۱۲ مسئله رو حل کنه. در نهایت این مدل اولین مدل متن‌بازیه که واقعاً می‌تونه با سیستم‌های کلوزسورس پیشرو تو حوزه‌های reasoning، coding و تسک‌های agentic رقابت جدی داشته باشه. 🔗لینک صفحه hf مدل @reza_jafari_ai

مرحلۀ دوم بدایة الحکمة؛ مبحث معرفت‌شناسی