هوش مصنوعی در جایزه‌ی نوبل شیمی ۲۰۲۴ هم حضور داشت. نیمی از این جایزه به Demis Hassabis و John M. Jumper از دیپ‌مایند بدلیل مدیریت پروژه‌ی آلفافولد اختصاص یافت. این سیستم برای پیش‌بینی ساختار سه‌بُعدی پروتئین‌ها با استفاده از یادگیری ماشین توسعه یافت. نیم دیگر این جایزه به David Baker بدلیل نقش وی در استفاده از تکنیک‌های محاسباتی برای طراحی پروتئین‌های جدید اختصاص داده شد.
https://www.nobelprize.org/prizes/chemistry/2024/press-release/
https://www.nobelprize.org/prizes/chemistry/2024/press-release/
👍24
یادگیری ماشین
دیروز شرکت OpenAI جدیدترین مدل خود را که پیش‌نمایشی از مدل o1 است معرفی کرد. این مدل که قبلا با نام‌های *Q و توت‌فرنگی در رسانه‌ها مطرح شده بود، قدرت استنتاج و استدلال پیشرفته‌تری از مدل‌های قبلی ارائه می‌دهد. البته این فرآیند استدلال باعث کندتر بودن تولید…
مدل o1 که ۴۰ روز پیش از حالت پیش‌نمایش خارج و نسخه‌ی کامل آن ارائه شد، یک ویژگی مهم دارد: مقیاس کردن در زمان استنتاج (inference-time scaling). منظور از این ویژگی چیست؟
همان‌طور که می‌دانیم روند پیشرفت مدل‌های زبانی به سمت مقیاس کردن در فاز آموزش بوده است: استفاده از داده‌های بیشتر و آموزش مدل‌های بزرگ‌تر برای به‌دست آوردن نتایج بهتر. مدل o1 مسیر دیگری را پیموده است: برای بهبود نتایج، به مدل اجازه داده می‌شود که در هنگام تولید خروجی (فاز استنتاج)، فرصت تولید خروجی بیشتر یا حتی تولید خروجی‌های مختلف و انتخاب از بین آنها داشته باشد.
به‌دلیل این ویژگی، مدل o1 برای مسائلی که بین تولید پاسخ و بررسی صحت پاسخ، فاصله وجود دارد (generation-verification gap) مناسب است. منظور، مسائلی است که تولید پاسخ، مشکل‌تر از بررسی صحت پاسخ است. به‌عنوان مثال، برای اثبات یک قضیه، تولید اثبات، مشکل‌تر از بررسی صحت یک اثبات است. ویژگی مقیاس کردن در زمان استنتاج این امکان را برای o1 فراهم می‌کند که با تولید اثبات‌های مختلف و بررسی صحت آنها به سمت اثبات درست حرکت کند.
همان‌طور که می‌دانیم روند پیشرفت مدل‌های زبانی به سمت مقیاس کردن در فاز آموزش بوده است: استفاده از داده‌های بیشتر و آموزش مدل‌های بزرگ‌تر برای به‌دست آوردن نتایج بهتر. مدل o1 مسیر دیگری را پیموده است: برای بهبود نتایج، به مدل اجازه داده می‌شود که در هنگام تولید خروجی (فاز استنتاج)، فرصت تولید خروجی بیشتر یا حتی تولید خروجی‌های مختلف و انتخاب از بین آنها داشته باشد.
به‌دلیل این ویژگی، مدل o1 برای مسائلی که بین تولید پاسخ و بررسی صحت پاسخ، فاصله وجود دارد (generation-verification gap) مناسب است. منظور، مسائلی است که تولید پاسخ، مشکل‌تر از بررسی صحت پاسخ است. به‌عنوان مثال، برای اثبات یک قضیه، تولید اثبات، مشکل‌تر از بررسی صحت یک اثبات است. ویژگی مقیاس کردن در زمان استنتاج این امکان را برای o1 فراهم می‌کند که با تولید اثبات‌های مختلف و بررسی صحت آنها به سمت اثبات درست حرکت کند.
👍24
Batch-Issue300.wav
25.3 MB
یکی از منابع خوب برای پیگیری اخبار مربوط به هوش مصنوعی، هفته‌نامه‌ی Batch شرکت DeepLearning.AI آقای Andrew Ng است. تصمیم گرفتم با کمک NotebookLM هر هفته یک پادکست فارسی کوتاه از این منبع در کانال قرار دهم. پادکست مربوط به لینک زیر را در این فایل بشنوید.
https://www.deeplearning.ai/the-batch/issue-300/
https://www.deeplearning.ai/the-batch/issue-300/
👍51
Batch-Issue301.wav
16.8 MB
پادکست اخبار هوش مصنوعی (۱۴ می ۲۰۲۵)، تولید شده از طریق NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-301/
https://www.deeplearning.ai/the-batch/issue-301/
👍22
Batch-Issue302.wav
22.7 MB
پادکست اخبار هوش مصنوعی (۲۱ می ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-302/
https://www.deeplearning.ai/the-batch/issue-302/
👍11
Batch-Issue303.wav
21 MB
پادکست اخبار هوش مصنوعی (۲۸ می ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-303/
https://www.deeplearning.ai/the-batch/issue-303/
👍10
یادگیری ماشین
سلام دوستان. گاهی عزیزانی که می‌خواهند وارد حوزه‌ی هوش مصنوعی شوند راجع به مسیر پیشنهادی سوال می‌کنند. هرچند نقشه راه‌های پیشنهادی مختلفی وجود دارد، من هم سعی کردم بخشی از تجربیات خودم را در قالب یک نوشتار کوتاه مستند کنم. از طریق لینک زیر می‌توانید این فایل…
این سند را امروز بازخوانی کردم و تغییراتی با توجه به پیشرفت‌های دو سال اخیر در آن اِعمال کردم.
👍26
یادگیری ماشین via @vote
آیا با ادامه دادن پادکست اخبار هوش مصنوعی موافق هستید؟
anonymous poll
بله، مفید است و گوش می‌دهم. – 106
👍👍👍👍👍👍👍 85%
خیر، صرف‌نظر می‌کنم. – 18
👍 15%
👥 124 people voted so far.
anonymous poll
بله، مفید است و گوش می‌دهم. – 106
👍👍👍👍👍👍👍 85%
خیر، صرف‌نظر می‌کنم. – 18
👍 15%
👥 124 people voted so far.
👍9
Batch-Issue304.wav
20.9 MB
پادکست اخبار هوش مصنوعی (۴ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-304
https://www.deeplearning.ai/the-batch/issue-304
👍12
مطالعه‌ای جدید از MIT نشان داده که افرادی که برای نوشتن انشا از ChatGPT استفاده کرده‌اند، فعالیت مغزی بسیار کمتری نسبت به افرادی داشته‌اند که خودشان متن را نوشته یا از گوگل برای جستجو استفاده کرده‌اند.
یافته‌ی دیگر این بود که متن‌های تولیدشده توسط این کاربران تمایل به استفاده از واژگان و ایده‌های مشترک داشتند؛ استفاده از هوش مصنوعی نوعی اثر همگن‌سازی ایجاد کرده بود.
https://newyorkermag.visitlink.me/hWuRQz
یافته‌ی دیگر این بود که متن‌های تولیدشده توسط این کاربران تمایل به استفاده از واژگان و ایده‌های مشترک داشتند؛ استفاده از هوش مصنوعی نوعی اثر همگن‌سازی ایجاد کرده بود.
https://newyorkermag.visitlink.me/hWuRQz
The New Yorker
A.I. Is Homogenizing Our Thoughts
Recent studies suggest that tools such as ChatGPT make our brains less active and our writing less original.
👍17
Batch-Issue305.wav
26.1 MB
پادکست اخبار هوش مصنوعی (١١ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-305
https://www.deeplearning.ai/the-batch/issue-305
👍10
Batch-Issue306.wav
20.5 MB
پادکست اخبار هوش مصنوعی (۱۸ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-306
https://www.deeplearning.ai/the-batch/issue-306
👍7
Batch-Issue307.wav
18.8 MB
پادکست اخبار هوش مصنوعی (۲۵ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-307
https://www.deeplearning.ai/the-batch/issue-307
👍5