واقعاً عجیب است که آرش سروری مدیرعامل‌های یک شرکت یا مجموعه‌ای از افراد اثرگذار را جمع کند و با عنوانی مثل «راهبری سینما و کارآفرینی» ببرد سراغ تحلیل و نقد فیلم، اما از افراد ایده‌دار و کسانی که نگاه تحلیلی به کسب‌وکار دارند دعوت نشود.

وقتی چنین جمعی شکل می‌گیرد، چرا نباید به کسانی گفته شود که اگر ایده‌ای در حوزه هوش مصنوعی، تولید محتوا، راه‌اندازی تبلیغات با AI یا کسب‌وکارهای نوآورانه دارید، بیایید اینجا تا ببینیم چه کاری می‌توان انجام داد؟ اینجا جمعی از مدیرعامل‌ها، فعالان و افراد دارای ظرفیت حضور دارند؛ می‌شود هم‌اندیشی کرد، ایده‌ها را شنید، افراد را به شرکت‌ها نزدیک کرد و شاید از دل همین گفت‌وگوها مسیر تازه‌ای برای اجرا و حمایت شکل بگیرد.

مسئله این است که در این حدود بیست سالی که آقای سروری با عنوان‌هایی مثل مجری، راهبر یا هر نام دیگری که برای نقش خود انتخاب کرده‌اند در این فضا حضور داشته‌اند، دست‌کم خروجی ملموس و قابل مشاهده‌ای برای اکوسیستم تکنولوژی ایران دیده نشده است. هر بار جلسه‌ای برگزار شده، عده‌ای خودشان را دعوت کرده‌اند، برای خودشان سخنرانی کرده‌اند و در نهایت هم اتفاق روشنی برای صاحبان ایده، استارت‌آپ‌ها یا جوانانی که دنبال مسیر اجرا هستند نیفتاده است.

اگر کسی واقعاً عنوان «راهبر» را برای خود به کار می‌برد، انتظار این است که نقش او فقط برگزار کردن جلسه و سخنرانی نباشد. نمونه اثرگذارترش می‌تواند شبیه کاری باشد که آقای علی رشیدی انجام داده؛ یعنی افرادی را دعوت کرده، از مدیرعامل‌ها و اسپانسرها استفاده کرده، صاحبان ایده را وارد فضا کرده، امکان ارائه پروپوزال ایجاد کرده و تلاش کرده افراد ایده‌پرداز را به شرکت‌ها، استارت‌آپ‌ها و سرمایه‌گذاران نزدیک کند. چنین چیزی یعنی راهبری عملی؛ یعنی اتصال دادن آدم‌ها، ایده‌ها و ظرفیت‌ها به هم.

اگر درباره آقای سروری هم چنین نمونه‌هایی وجود دارد، خوب است شفاف گفته شود. دقیقاً از کدام ایده حمایت شده؟ کدام فرد ایده‌پرداز به یک شرکت یا سرمایه‌گذار متصل شده؟ کدام پروژه از دل این جلسات بیرون آمده؟ کدام تحول واقعی در اکوسیستم تکنولوژی ایران رقم خورده است؟

ما می‌دانیم که جلسه بوده، عنوان بوده، سخنرانی بوده و برنامه برگزار شده است؛ اما پرسش اصلی این است که خروجی آن چه بوده؟ اگر این مدل راهبری در این بیست سال مسیر درست و مؤثری بود، امروز باید اثر آن را در رشد، پویایی و جان گرفتن اکوسیستم فناوری می‌دیدیم، نه اینکه هر سال این فضا بی‌رمق‌تر از سال قبل شود.

در نهایت نقد من به اصل گفت‌وگو، سینما یا تحلیل فیلم نیست؛ نقد من این است که وقتی چنین ظرفیت‌هایی کنار هم قرار می‌گیرند، چرا نباید از آن برای حمایت از ایده‌ها، مخصوصاً ایده‌های مرتبط با AI، تبلیغات هوشمند، تولید محتوا و کسب‌وکارهای نو استفاده کرد؟ چرا نباید این جلسات به جای تکرار حرف‌های همیشگی، به جایی برای شنیدن، وصل کردن، حمایت کردن و ساختن تبدیل شود؟

این #پادکست در خصوص دو مقاله بیس در زمینه مدل های دیفیوژن به نام های Score_SDE و EDM با NotebookLM تولید شده.

- Score-Based Generative Modeling through Stochastic Differential Equations

- Elucidating the Design Space of Diffusion-Based Generative Models

#NotebookLM
#Podcast
#Diffusion_Models
#Score_SDE

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
✅ @AI_Person

این هم اسلایدهای مربوط به دو مقاله فوق هست، که با NotebookLM تولید شده و بسیار عالی و با دقت فرمول های ریاضی مربوطه داخلش آورده شده است.

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
✅ @AI_Person

هر سایتی که میخواین web scraping را به صورت ررایگان میتوانید چندین سایت را به صورت همزمان و بدون پروکسی و رایگان و سریع انجام بده

https://github.com/ScrapeGraphAI/Scrapegraph-ai

#هوش_مصنوعی #برنامه_نویسی #منابع

✅ @AI_DeepMind
✅ @AI_Person

داده‌های تصویری اگرچه در فضای پیکسلی بسیار پُربعد هستند، در عمل روی ساختارهای کم‌بُعد قرار دارند. نویسندگان این را با مدلی به نام Mixture of Low-Rank Gaussians / MoLRG مدل می‌کنند؛ یعنی داده‌ها ترکیبی از چند توزیع گاوسی‌اند که هر کدام کوواریانس کم‌رتبه دارند و بنابراین روی زیرفضاهای کم‌بُعد زندگی می‌کنند.

نتیجه‌ی نظری مهم مقاله این است که اگر پارامتردهی مناسبی برای denoising autoencoder در diffusion model انتخاب شود، کمینه‌کردن loss آموزش diffusion معادل حل یک مسئله‌ی کلاسیک subspace clustering می‌شود. به زبان ساده‌تر، مدل diffusion دارد یاد می‌گیرد داده‌ها متعلق به چه زیرفضاهای کم‌بُعدی هستند، نه اینکه کل فضای پُربعد پیکسلی را کورکورانه مدل کند.

مهم‌ترین ادعای مقاله درباره‌ی sample complexity است: برای یادگیری این توزیع‌های کم‌بُعد، تعداد نمونه‌های لازم با intrinsic dimension of the data تقریباً خطی رشد می‌کند، نه با بُعد محیطی بسیار بزرگ. این همان چیزی است که نویسندگان آن را شکستن Curse of Dimensionality در این تنظیم می‌نامند.

یک نکته‌ی جالب دیگر این است که زیرفضاهای یادگرفته‌شده فقط ابزار ریاضی نیستند؛ در مدل‌های واقعی diffusion، بردارهای پایه‌ی این زیرفضاها با ویژگی‌های معنایی تصویر مثل جنسیت، مدل مو، یا رنگ هم‌راستا می‌شوند. یعنی همین تحلیل می‌تواند توضیحی برای کنترل‌پذیری و ویرایش تصویر در diffusion models بدهد.

این مقاله می‌گوید diffusion modelها الزاماً مجبور نیستند کل توزیع پُربعد تصویر را یاد بگیرند. اگر داده‌ها واقعاً ساختار کم‌بُعد داشته باشند، مدل می‌تواند با یادگیری زیرفضاهای مهم، توزیع را بسیار کارآمدتر یاد بگیرد. این یک توضیح نظری برای این مشاهده‌ی تجربی است که diffusion modelها گاهی با داده‌ی کمتر از انتظار هم خوب تعمیم می‌دهند.

🔸 Breaking the Curse of Dimensionality: Diffusion Models Efficiently Learn Low-Dimensional Distributions

#پردازش_تصویر #مدل_مولد #مقاله

✅ @AI_DeepMind
✅ @AI_Person

یکی سوال کرد که راجب داده های چند بُعدی منبع و مقاله چی هست که قبلا یک #کتاب معرفی کرده بودم
#آمار
🔸 High-Dimensional Data Analysis with Low-Dimensional Models

اکثر بانک‌ها درگیر اختلال شدند. بازم شما رو به این پیام ریپلای شده دعوت میکنم.

#مقاله JoyAI-VL-Interaction یک مدل بینایی زبان ۸ میلیاردپارامتری که به‌جای مدل‌های معمول «نوبتی» که فقط بعد از سؤال کاربر پاسخ می‌دهند، دائماً ویدئو را می‌بیند و هر ثانیه خودش تصمیم می‌گیرد: ساکت بماند، پاسخ بدهد، یا کار سخت‌تر را به یک مدل/عامل پس‌زمینه واگذار کند. ایده‌ی اصلی مقاله این است که برای دنیای واقعی، مثل دوربین امنیتی، عینک هوشمند، پخش زنده یا کمک به کاربر هنگام آشپزی، مدل باید «حاضر» باشد و قبل از اینکه کاربر بپرسد، لحظه‌ی مهم را تشخیص دهد.

مشکل مدل‌های فعلی فقط سرعت نیست؛ مشکل این است که ذاتاً turn-based هستند، یعنی فقط وقتی کاربر چیزی می‌گوید فعال می‌شوند. JoyAI-VL-Interaction می‌خواهد این را به مدل event-driven / interaction model تبدیل کند: مدلی که جریان زنده‌ی تصویری را دنبال می‌کند و زمان درستِ حرف زدن را خودش انتخاب می‌کند.

این مقاله می‌گوید مسیر بعدی VLMها فقط «باهوش‌تر شدن» نیست، بلکه تعامل‌گرتر شدن است: مدل باید بتواند حاضر باشد، ببیند، زمان را بفهمد، خودش تصمیم بگیرد چه زمانی صحبت کند، و برای مسائل سخت‌تر از عامل پس‌زمینه کمک بگیرد. نقطه قوت اصلی کار، تبدیل proactivity و timing به قابلیت درونی مدل است، نه یک polling loop یا trigger بیرونی.

🔸 JoyAI-VL-Interaction: Real-Time Vision-Language Interaction Intelligence

#مدل_بینایی #بینایی_ماشین

☑️ @AI_DeepMind
✅ @AI_Person

چرا مدل‌های بزرگ‌تر کارهایی را یاد می‌گیرند که مدل‌های کوچک‌تر یاد نمی‌گیرند. پاسخ نویسندگان این است: مسئله فقط «قدرت بیان مدل» یا «نمونه‌کارایی» نیست؛ در داده‌های مخلوط، بین تسک‌ها برای استفاده از نورون‌ها/ظرفیت مدل رقابت ایجاد می‌شود. مدل‌های کوچک‌تر ظرفیت خود را بیشتر صرف تسک‌های پرتکرار یا ساده می‌کنند و بنابراین تسک‌های نادر یا پیچیده را از دست می‌دهند.

🔸 Why Larger Models Learn More: Effects of Capacity, Interference, and Rare-Task Retention

#مقاله #پردازش_زبان_طبیعی

☑️ @AI_DeepMind
✅ @AI_Person

مدل پر سروصدای fable 5 که توسط پنتاگون آمریکا براخلاف امنیت ملی تشخیص داده شده بود برای انتشار مجوز گرفت ولی باید برای دسترسی بهش تایید هویت کنید.

این #مقاله چارچوب به نام LatentMAS معرفی می‌کند که در آن ایجنت‌های LLM به‌جای اینکه با متن و Chain-of-Thought با هم حرف بزنند، مستقیماً در فضای نهفته/latent space با هم همکاری می‌کنند. ایده اصلی این است که متن، واسطه‌ای پرهزینه و کم‌فشرده برای انتقال فکر بین ایجنت‌هاست؛ بنابراین بهتر است «فکرهای داخلی» مدل، یعنی hidden states و KV cache، بین ایجنت‌ها منتقل شود. همکاری چندایجنتی لزوماً نباید از طریق متن انجام شود.

در سیستم‌های چندایجنتی معمول، یک ایجنت خروجی متنی می‌دهد و ایجنت بعدی همان متن را دوباره encode می‌کند. LatentMAS این مسیر را حذف می‌کند: هر ایجنت چند گام latent thought تولید می‌کند، یعنی به‌جای تولید token، hidden representation لایه آخر را به‌صورت autoregressive ادامه می‌دهد. سپس این اطلاعات از طریق latent working memory، یعنی KV cache لایه‌ها، به ایجنت بعدی منتقل می‌شود.برای اینکه hidden state لایه آخر دوباره به‌عنوان ورودی معتبر مدل استفاده شود، مقاله یک ماتریس هم‌ترازی خطی به نام Wa تعریف می‌کند. این ماتریس hidden vector را به فضای embedding ورودی نزدیک می‌کند تا مدل در گام‌های latent دچار activation خارج از توزیع نشود.

🔸 Latent Collaboration in Multi-Agent Systems

#مقاله #پردازش_زبان_طبیعی

☑️ @AI_DeepMind
✅ @AI_Person

میگن امروز روز جهانی دختر هست خواستم توجهتون رو جلب کنم که در این روز چه مناسبت‌هایی داریم:

۵ تیر روز تجلیل از اسرا و مفقودان
روز صنعت ابزارآلات
روز جهانی مبارزه با مواد مخدر

روز جهانی دختر در مهر ماه هست.

از صبح جمعه تا الان شبکه چنان اختلالی رو داره تجربه میکنه ک فک میکنم از اتفاقی نیفتاده داره اتفاقی میفته 😂

رادار اروان هم میگه اکثر دیتاسنترا خاموشن

در گفت‌وگوها، اگر نمی‌توانید کسی را با منطق و استدلال خود قانع کنید، به توهین، تحقیر یا جملاتی مانند «ساکت باش» و «حرف دهنت را بفهم» متوسل نشوید. یاد بگیرید که گاهی دو نفر ممکن است در اصلِ مسیر و ماهیت موضوع هم‌نظر باشند، اما در شیوه‌ی بیان، درک و برداشتشان از مسئله تفاوت داشته باشد. پیش از آنکه سخنی بگویید، ابتدا روشن کنید دقیقا چه می‌خواهید، چه می‌فهمید و چه می‌گویید؛ سپس نظر خود را بیان کنید.

کتاب بخوانید تا دایره واژگان شما در بیان احساسات و عقاید خودتان تا بتوانید به روشنی چیزی را بیان کنید.

🚀 به تیم ما در قلب فناوری ایران بپیوندید!

ما در شرکت فناوری هوشمند حنیف در برج فناوری شریف، در حال توسعه پلتفرم‌های مبتنی بر هوش مصنوعی مولد هستیم.
برای تکمیل تیم توسعه در موقعیت‌های زیر هم‌تیمی می‌پذیریم:

🧠 مهندس NLP / Agentic AI
طراحی و توسعه عامل‌های هوشمند با LangChain و LangGraph و بهینه‌سازی معماری‌های RAG برای درک عمیق اسناد تخصصی فارسی.
🔗لینک توضحات و ارسال رزومه

🎨 طراح UI/UX
طراحی تجربه‌ای روان و حرفه‌ای برای داشبوردها و سامانه‌های پیچیده؛ تسلط بر Figma
🔗لینک توضیحات و ارسال رزومه

💻 برنامه‌نویس Full-Stack (React & Django)
توسعه‌ی بک‌اند پایدار، امن و مقیاس‌پذیر و اتصال آن به رابط‌های کاربری پویا و تعاملی.
🔗لینک توضحات و ارسال رزومه

🔬 محقق هوش مصنوعی (AI Researcher)
طراحی بنچمارک‌های اختصاصی، کاهش توهم مدل‌ها، تحلیل عملکرد LLMها و توسعه روش‌های ترکیب خروجی مدل‌ها.
🔗لینک توضیحات و ارسال رزومه

📌 ارتباط با ما:
🌐 وب‌سایت: hanif-ai.com
📱 تلگرام و بله: @hanif_aitech

♻️ اگر کسی را می‌شناسی که این فرصت برایش مناسب است، این پست را برایش بفرست. ممنونیم! 🤝

این مقاله درباره‌ی VisualClaw است؛ یعنی یک عامل چندوجهی/بینایی‌ـ‌زبانی که برای دنیای واقعی طراحی شده: ویدئوی زنده را می‌بیند، فقط فریم‌های مهم را به مدل می‌فرستد، از تجربه‌های قبلی یاد می‌گیرد، و به‌مرور برای کاربر شخصی‌سازی می‌شود.

ایده‌ی اصلی مقاله این است که VLMها یا مدل‌های vision-language برای کارهای ویدئویی خیلی قوی شده‌اند، اما در استفاده‌ی واقعی سه مشکل دارند: پردازش فریم‌های زیاد و پرامپت‌های طولانی گران و کند است؛ عامل بعد از استقرار معمولاً ثابت می‌ماند و از شکست‌هایش یاد نمی‌گیرد؛ و بنچمارک‌های رایج ویدئو-QA معمولاً فقط جواب دادن به سؤال را می‌سنجند، نه انجام کار واقعی در یک workspace با فایل، ابزار، و شواهد تصویری.

نکته‌ی جالب این است که VisualClaw وزن‌های مدل اصلی را تغییر نمی‌دهد. یعنی مثلاً از Gemini 3 Flash یا GPT-5.2 به‌عنوان مدل frozen استفاده می‌کند، اما با حافظه، skill bank، انتخاب فریم، و evolution بیرونی باعث می‌شود عملکرد عامل بهتر شود. این برای کاربردهایی مثل عینک هوشمند، دستیار شخصی تصویری، یا agentهای دنیای واقعی مهم است، چون نمی‌توان همیشه همه‌ی ویدئو را کامل به مدل فرستاد.

روش فشرده‌سازی ویدئو در مقاله ساده ولی کاربردی است: سیستم ابتدا با perceptual hash فریم‌های تکراری را حذف می‌کند، بعد با یک encoder سبک ۱۲۸بعدی روی CPU تغییرات صحنه را می‌سنجد، و بعد با adaptive change gate تصمیم می‌گیرد کدام فریم واقعاً ارزش ارسال به cloud VLM را دارد. این یعنی سیستم لازم ندارد کل ویدئو را از قبل داشته باشد؛ می‌تواند روی stream زنده و نامحدود کار کند.

برای skill bank هم مقاله از مدل hot/cold injection استفاده می‌کند. مهارت‌های خیلی مرتبط با سؤال به‌صورت کامل وارد پرامپت می‌شوند؛ این‌ها بخش hot هستند. بقیه‌ی مهارت‌ها فقط با نام و توضیح کوتاه معرفی می‌شوند؛ این‌ها بخش cold هستند. هدف این است که با بزرگ شدن بانک مهارت‌ها، پرامپت خیلی طولانی و گران نشود.

▪️ VisualClaw: A Real-Time, Personalized Agent for the Physical World

#مقاله #علوم_پزشکی #هوش_مصنوعی #یادگیری_تقویتی #مدل_مولد #بینایی_ماشین #بینایی_زبانی

☑️ @AI_DeepMind
✅ @AI_Person

#کتاب نظریه بازی ها

▪️ Game Theory (Open Access textbook with 165 solved exercises)

#منابع #نظریه_بازی #الگوریتمها

☑️ @AI_DeepMind
✅ @AI_Person

ولی ژاپنی ها به ارزوشون رسیدن که بتونن با برزیل بازی کنن، یاد فوتبالیستا بخیر و چه روزگاری بود 🥹😄

بهینه‌سازی‌های مرحله‌ی Inference اگر می‌خواستید پاسخ‌های LLM را به زیر یک ثانیه برسانید این موارد رو مطالعه کنید.

1. KV-Caching
2. Speculative Decoding
3. FlashAttention
4. PagedAttention
5. Batch Inference
6. Early Exit Decoding
7. Parallel Decoding
8. Mixed Precision Inference
9. Quantized Kernels
10. Tensor Parallelism
11. Pipeline Parallelism
12. Sequence Parallelism
13. Graph Optimization (ONNX, TensorRT)
14. Dynamic Batching
15. Memory Offloading
16. Streaming Generation

#الگوریتمها #منابع #هوش_مصنوعی #پردازش_زبان_طبیعی #مقاله

☑️ @AI_DeepMind
✅ @AI_Person

فروش فیلترشکن قابل ارایه و پشتیبانی برای تمام پلتفرمهای هوش مصنوعی و ... بدون ضریب

هرگیگ برای نت همراه اول 7 تومن
هرگیگ برای همه خطوط 11 تومن

آفر ویژه کانال روی نت همراه اول 200 گیگ 200 تومن

اشتراک نامحدود یک ماهه و دو کاربره برای زمان عادی 800 تومن به صورت محدود قابل فروش هست


بهم پیام بدید
@Farzadh1h

این ریپو گیتهاب به ایجنت‌ها دسترسی Twitter/X، Reddit، YouTube، GitHub، LinkedIn و چندین پلتفرم دیگه رو میده بدون API Key و رایگان
برای کسایی که روی Agentها کار می‌کنن چیز جالبیه

https://github.com/Panniantong/Agent-Reach

#الگوریتمها #برنامه_نویسی

☑️ @AI_DeepMind
✅ @AI_Person