🏮 بحث پیرامون حباب هوش مصنوعی

🌑 آقای هوش مصنوعی

@MrArtificialintelligence

هرگونه بحثی در مورد به اصطلاح «حباب هوش مصنوعی» باید حداقل نکات زیر را در نظر بگیرد:

1. دمیس هاسابیس (DeepMind/Google) و یان لکان (Meta سابق، که اکنون AMI Labs است) موافقند که LLM ها مشکلات قابلیت اطمینان دارند. اکثر برنامه‌های سازمانی/شرکتی به سیستم‌های قابل اعتماد و کم توهم نیاز دارند.

2. آنها همچنین موافقند که LLM ها نمی‌توانند در سطح انسان (یا حتی سطح حیوانات) استدلال و برنامه‌ریزی کنند و به پیشرفت‌های علمی جدیدی فراتر از مقیاس‌بندی محاسبات و داده‌ها نیاز است. این موضوع، هیاهوی عامل‌محوری کوتاه‌مدت را تعدیل می‌کند: ممکن است به زودی عامل‌های محدود مفیدی به دست آوریم، اما عامل‌های گسترده و قابل اعتماد می‌توانند زمان بیشتری طول بکشند و نیاز به تغییرات معماری داشته باشند. با این حال، برخی پیشرفت‌های عامل‌محوری از طریق تنظیم دقیق یادگیری تقویتی، لایه‌های استفاده از ابزار و زمینه‌سازی چندوجهی در حال وقوع است، بنابراین ممکن است قبل از تغییرات کامل پارادایم، با عامل‌های «به اندازه کافی خوب» کنار بیاییم.

3. حتی لکان می‌گوید که هوش کامل در سطح انسان (از جمله ناوبری دنیای فیزیکی) در کمتر از 20 سال قابل دستیابی است.

۴. هزینه‌های سرمایه‌ای هنگفتی به سمت پردازنده‌های گرافیکی، مراکز داده و زیرساخت‌های انرژی سرازیر می‌شود، با این امید که مدل‌های پیشرو به زودی درآمد انفجاری ایجاد کنند (از طریق ابزارهای سازمانی، کارگزارها، اتوماسیون). اگر پیشرفت‌ها - به دلیل محدودیت‌های فوق - به تأخیر بیفتند یا اگر پذیرش به دیوارهای قابلیت اطمینان برخورد کند، ممکن است شاهد یک جابه‌جایی باشیم. بازارها اغلب زمان‌بندی را اشتباه قیمت‌گذاری می‌کنند - و مجازات می‌کنند - نه جهت.

ممکن است که هوش مصنوعی در کوتاه‌مدت بیش از حد و در میان‌مدت و بلندمدت کمتر از حد انتظار مورد توجه قرار گیرد.

در عین حال، مزیت قابل استقرار می‌تواند کافی باشد. اگر کارگزارهای «به اندازه کافی خوب» بتوانند ۲۰٪ از هزینه‌های گردش کار یقه سفید را در مقیاس حذف کنند، همین امر به تنهایی تغییرات عظیم ارزش‌گذاری را توجیه می‌کند.

در هر صورت، سرمایه‌گذاران باید به خاطر داشته باشند که «بازار می‌تواند مدت طولانی‌تری از آنچه شما می‌توانید در آن دوام بیاورید، غیرمنطقی باقی بماند.»

(منابع ویدیو: دوارکش پاتل - داریو آمودی / CNBC - دمیس هاسابیس / دانشگاه پن، فوربس - یان لکان)

🏮 چین با 90 درصد سهم بازار ربات انسان نما جایگاه نخست جهانی

🌑 آقای هوش مصنوعی

@MrArtificialintelligence

از فوریه ۲۰۲۶، چین جایگاه رهبری را در بخش ربات‌های انسان‌نما به دست آورده است و بر اساس میزان عرضه در سال ۲۰۲۵ و پیش‌بینی‌های اولیه ۲۰۲۶، تقریباً ۹۰٪ از سهم بازار جهانی را در اختیار دارد. شرکت‌هایی مانند Unitree Robotics، AgiBot، Galbot، Noetix و MagicLab در طول جشنواره بهاری ۲۰۲۶ پیشرفت‌های چشمگیری را به نمایش گذاشتند که شامل اجراهای هنرهای رزمی روان، پشتک وارو و رقص هماهنگ بود که چابکی، تعادل و هماهنگی برتر را برجسته می‌کرد - که بسیار فراتر از نمایش‌های قبلی بود.

نکات کلیدی عبارتند از:
Unitree قصد دارد تا ۲۰،۰۰۰ واحد در سال ۲۰۲۶ (از حدود ۵۵۰۰ واحد در سال ۲۰۲۵) عرضه کند که از مجموع تولیدات ایالات متحده از تسلا، Figure AI و دیگران پیشی می‌گیرد.

مورگان استنلی پیش‌بینی می‌کند که فروش ربات‌های انسان‌نمای چینی امسال دو برابر شده و به حدود ۲۸،۰۰۰ واحد برسد. بیش از ۱۴۰ تولیدکننده و بیش از ۳۳۰ مدل تا سال ۲۰۲۵ در چین راه‌اندازی خواهند شد که توسط زنجیره‌های تأمین قوی، سیاست‌های دولتی و سرمایه‌گذاری‌های عظیم پشتیبانی می‌شوند.

در حالی که ایالات متحده در نرم‌افزارهای پیشرفته هوش مصنوعی، هوش تجسمی و نوآوری‌های پیشرفته (مانند تسلا اوپتیموس و بوستون داینامیکس اطلس) برتری خود را حفظ می‌کند، چین در تولید انبوه، بهره‌وری هزینه (قیمت‌هایی نزدیک به سطح گوشی‌های هوشمند) و تجاری‌سازی سریع برتری دارد. این منعکس‌کننده استراتژی‌هایی است که در خودروهای برقی و رباتیک صنعتی دیده می‌شود، جایی که تسلط بر مقیاس و اکوسیستم، رهبری بلندمدت را هدایت کرده است.

این مسیر نشان می‌دهد که چین بخش قابل توجهی از بازار پیش‌بینی‌شده چند تریلیون دلاری ربات‌های انسان‌نما را در دهه‌های آینده به دست خواهد گرفت. این امر چگونه رقابت جهانی فناوری را تغییر خواهد داد؟

منابع: رویترز، سی‌ان‌ان، ساوت چاینا مورنینگ پست، اومدیا، مورگان استنلی، بقیه جهان.

#ربات‌های_انسان‌نما

📌 گزارش تحلیلی شاخص هوش مصنوعی 2026استنفورد
اگر بخواهید فقط با یک منبع، تصویر واقعی آینده هوش مصنوعی را ببینید، پاسخ روشن است: گزارش تحلیلی شاخص هوش مصنوعی 2026استنفورد .
این یادداشت تحلیلی نشان می‌دهد چه چیزی واقعاً در حال تغییر است، چرا اهمیت دارد، و چرا بسیاری هنوز آن را دست‌کم می‌گیرند. اگر بخواهید بفهمید هوش مصنوعی فقط «چه می‌کند» نه، بلکه «به کجا می‌رود»، اینجا نقطه شروع شماست.

🌑 مغز آینده | NextBrain

@NextBrain_ir

🏮 نقشه راه هوش مصنوعی گارتنر

هفت بُعد حیاتی برای ساخت سازمان هوشمند از نگاه Gartner 2025
هوش مصنوعی یک ابزار ساده نرم‌افزاری نیست ؛ هوش مصنوعی، یک لایه شناختی برای سازمان است لایه‌ای که می‌تواند ببیند، تحلیل کند، یاد بگیرد، پیش‌بینی کند و حتی تصمیم‌سازی انجام دهد.به همین دلیل، سازمان‌هایی که بدون نقشه راه وارد این حوزه می‌شوند، معمولاً پس از چند پروژه نمایشی و چند داشبورد جذاب، با هزینه‌های سنگین، فرسودگی تیم‌ها و بی‌اعتمادی مدیریتی مواجه می‌شوند.در مقابل، سازمان‌هایی موفق خواهند شد که هوش مصنوعی را نه به‌عنوان یک پروژه فناوری، بلکه به‌عنوان یک معماری تحول سازمانی ببینند.
نقشه راه هوش مصنوعی گارتنر یکی از عملیاتی‌ترین مدل‌ها برای طراحی بلوغ هوش مصنوعی در سازمان‌هاست. این مدل، مسیر حرکت سازمان را در هفت بُعد کلیدی تعریف می‌کند؛ ابعادی که اگر حتی یکی از آن‌ها نادیده گرفته شود، احتمال شکست پروژه‌های هوش مصنوعی به‌شدت افزایش پیدا می‌کند.
مشاهده یادداشت

🌑 آقای هوش مصنوعی

@MrArtificialintelligence

🚨 هشدار یان لکون درباره آینده Agentic AI

یان لکون، برنده جایزه تورینگ و یکی از چهره‌های مطرح دنیای هوش مصنوعی، هشدار داده که تمرکز فعلی صنعت روی Agentic AI مبتنی بر مدل‌های زبانی می‌تواند «نسخه‌ای برای فاجعه» باشد.

او معتقد است مدل‌های زبانی بزرگ (LLM) درک واقعی از جهان فیزیکی ندارند و فقط بر اساس پیش‌بینی متن عمل می‌کنند؛ به همین دلیل نمی‌توانند پیامدهای واقعی تصمیمات خود را به‌درستی پیش‌بینی کنند.

به گفته لکون:
🔹 مدل‌های فعلی فاقد «World Model» واقعی هستند
🔹 درک ضعیفی از علت و معلول دارند
🔹 برای تعامل با دنیای واقعی هنوز شکننده و مستعد خطا هستند

لکون تأکید می‌کند آینده هوش مصنوعی باید از «پیش‌بینی کلمه بعدی» عبور کند و به سمت یادگیری از داده‌های واقعی مثل ویدئو و تعامل با جهان حرکت کند.

❓ آیا یک ماشین بدون درک علت و معلول واقعاً می‌تواند برنامه‌ریزی کند؟

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #AI #AgenticAI #LLM #YannLeCun

🚀 دوره تخصصی «مدیریت محصول هوش مصنوعی در سلامت»

🏛 برگزارکننده: دانشگاه علوم پزشکی تهران
⏳ مدت دوره: ۴۰ ساعت
📍 شیوه برگزاری: آنلاین و حضوری
📅 شروع دوره: ۲۰ خرداد ۱۴۰۵
🕑 زمان برگزاری: چهارشنبه‌ها ساعت ۱۴ الی ۱۸
📌 محل برگزاری حضوری:
دانشگاه علوم پزشکی تهران، دانشکده فناوری‌های نوین پزشکی
🎓 همراه با گواهینامه معتبر پایان دوره آموزشی

🎯 این دوره مناسب چه کسانی است؟
✔️ مدیران و کارشناسان سلامت دیجیتال
✔️ علاقه‌مندان Product Management
✔️ پزشکان و متخصصان حوزه فناوری سلامت
✔️ فعالان استارتاپ‌های سلامت
✔️ تحلیلگران داده و علاقه‌مندان هوش مصنوعی

🌐 لینک ثبت نام

📞 پشتیبانی شبکه اجتماعی:
۰۹۳۸۰۸۹۸۸۲۸

🤖 کانال آقای هوش مصنوعی

🆔 @MrArtificialintelligence

دوره حرفه‌ای مدیریت محصول هوش مصنوعی در سلامت با همکاری دانشگاه علوم پزشکی تهران طراحی شده است تا پاسخی ساختاریافته به یکی از مهم‌ترین چالش‌های نظام سلامت دیجیتال ایران و جهان بدهد: شکاف عمیق بین ایده‌های بالینی و محصولات قابل عرضه به بازار.
سه چالش اساسی که این دوره حل می‌کند:
ایده‌های بالینی بدون مسیر اجرایی
پزشکان و متخصصان سلامت ایده‌های نوآورانه زیادی دارند، اما ابزار و دانش تبدیل این ایده‌ها به یک محصول هوش مصنوعی مقیاس‌پذیر را در اختیار ندارند. این دوره پلی است بین بالین و بازار.
شکاف تیم‌های فنی و بالینی
در اغلب سازمان‌های سلامت، تیم فنی زبان پزشکی نمی‌داند و تیم بالینی زبان الگوریتم را نمی‌فهمد. مدیر محصول هوش مصنوعی سلامت، حلقه گمشده‌ای است که این دو جهان را به هم متصل می‌کند.
کمبود نیروی متخصص در بازار ایران
با رشد سریع استارتاپ‌های سلامت دیجیتال و هوشمندسازی بیمارستان‌ها، تقاضا برای مدیران محصول متخصص در حوزه هوش مصنوعی سلامت به شدت افزایش یافته، اما عرضه نیروی آموزش‌دیده و دارای گواهی معتبر بسیار محدود است.

🧠 آیا هوش مصنوعی واقعاً «می‌فهمد»؟

سر راجر پنروز، فیزیکدان و برنده نوبل، یکی از بزرگ‌ترین فرضیات عصر ما را به چالش می‌کشد:
آیا چیزی که امروز «هوش مصنوعی» می‌نامیم واقعاً هوشمند است؟

به گفته پنروز:
کامپیوترها می‌توانند محاسبه کنند، پردازش کنند و حتی رفتار انسان را تقلید کنند…
اما این به معنای «فهمیدن» نیست.

او معتقد است:
🔹 هوش واقعی به درک نیاز دارد
🔹 درک ممکن است به آگاهی وابسته باشد
🔹 و آگاهی شاید چیزی فراتر از محاسبات کامپیوتری باشد

پنروز باور دارد که آگاهی می‌تواند به فیزیکی عمیق‌تر وابسته باشد؛ فرآیندهایی که کامپیوترهای امروزی قادر به بازتولید آن نیستند.

شاید وقتش رسیده که دیگر به آن «هوش مصنوعی» نگوییم…

شاید فقط:
«باهوشی مصنوعی» باشد. 👀

📡 مغز آینده | NextBrain
🆔 @NextBrain_ir

#هوش_مصنوعی #AI #RogerPenrose #Consciousness #ArtificialIntelligence

🤖 وقتی هوش مصنوعی درباره جنگ نظر می‌دهد

آقای Shane Harris از یک هوش مصنوعی پرسید سوالی که انتظار پاسخ مستقیمش را نداشت:
نه درباره ریاضی، نه بهره‌وری…
بلکه درباره جنگ.

سوال این بود: هوش مصنوعی چه احساسی دارد وقتی برای انتخاب اهداف نظامی استفاده می‌شود؟

اکثر مردم انتظار داشتند پاسخی خشک و رسمی بشنوند، چیزی امن و بی‌طرف.
اما پاسخ عجیباً آگاهانه به وزن اخلاقی سؤال بود.

این موضوع ما را وادار می‌کند فکر کنیم:
چقدر تصمیم‌گیری انسانی را به سیستم‌هایی می‌سپاریم که به‌درستی نمی‌شناسیم؟
و وقتی این سیستم‌ها عادی شوند، تشخیص خط قرمز سخت‌تر می‌شود.

❓ پس سوال مهم: هوش مصنوعی تا چه حد باید بتواند تصمیم بگیرد؟

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #AI #اخلاق_تکنولوژی #ClaudeAI #فناوری_آینده

⚠️ رشد هوش مصنوعی یا رشد ترس از آن؟

اریک اشمیت، مدیرعامل سابق Google، در سخنرانی فارغ‌التحصیلی دانشگاه آریزونا گفت تحول هوش مصنوعی «سریع‌تر و بزرگ‌تر از هر فناوری قبلی» خواهد بود.
اما دانشجویان با صدای بلند او را هو کردند.

در ماه‌های اخیر، نگرانی مردم درباره AI به‌شدت افزایش یافته:
🔹 ترس از حذف شغل‌ها
🔹 افزایش مصرف انرژی و رشد دیتاسنترها
🔹 نگرانی درباره آموزش و سلامت روان کودکان
🔹 اعتراضات و واکنش‌های تند علیه شرکت‌های AI

طبق نظرسنجی‌ها، موج مخالفت با هوش مصنوعی با سرعتی بی‌سابقه در حال گسترش است.

❓ آیا AI واقعاً زندگی را بهتر می‌کند یا جامعه هنوز برای آن آماده نیست؟

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #AI #EricSchmidt #OpenAI #فناوری_آینده

🤖 برای AI Engineer شدن لازم نیست عمیق وارد Machine Learning شوید؟

امروز ML Engineer و AI Engineer دو مسیر متفاوت هستند.

🔹 شغل ML Engineer روی خودِ مدل کار می‌کند:
Training، بهینه‌سازی مدل، داده‌ها، Loss Function و زیرساخت ML

🔹 اما AI Engineer اطراف مدل را می‌سازد:
Prompt Engineering، RAG، ابزارها، مدیریت Context، Guardrails و ساخت اپلیکیشن‌های واقعی با LLMها

اگر عاشق ریاضی و سیستم‌های دقیق هستید → ML Engineering
اگر عاشق ساخت محصول و اپلیکیشن‌های واقعی هستید → AI Engineering

نکته مهم اینجاست:
بیشتر شرکت‌ها الان بیشتر از ML Engineer، به AI Engineer نیاز دارند.
چون مشکل اصلی دیگر ساخت مدل جدید نیست؛
بلکه ساخت سیستم‌های قابل اعتماد روی مدل‌های موجود است.

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #AIEngineer #MachineLearning #LLM #RAG

🚀 بعد از SaaS حالا نوبت GaaS است؟

این روزها همه درباره SaaS صحبت می‌کنند،
اما موج جدیدی آرام‌آرام در حال شکل‌گیری است:

🤖 GaaS = Generative / Agentic AI as a Service

در مدل جدید، شرکت‌ها فقط یک داشبورد نرم‌افزاری ارائه نمی‌دهند؛
بلکه Agentهای هوش مصنوعی می‌سازند که می‌توانند:

🔹 فکر کنند
🔹 برنامه‌ریزی کنند
🔹 ابزارها را استفاده کنند
🔹 کارها را خودکار انجام دهند
🔹 با کمترین دخالت انسان تصمیم بگیرند

مثال ساده 👇

📌 عصر SaaS:
«این داشبورد CRM است، خودت کارها را انجام بده.»

📌 عصر GaaS:
«این Agent فروش AI است؛ خودش مشتری پیدا می‌کند، ایمیل می‌نویسد، جلسه تنظیم می‌کند و CRM را آپدیت می‌کند.»

ما به‌آرامی در حال حرکت هستیم از:
Software → Copilot → Autonomous Agents 🚀

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #GaaS #AgenticAI #GenerativeAI #AIAgents #SaaS

🤖 تکنیک RAG چیست و چرا مهم است؟

RAG (Retrieval-Augmented Generation) یک تکنیک در هوش مصنوعی است که کمک می‌کند مدل‌های زبانی پاسخ‌های دقیق‌تر و به‌روزتر تولید کنند.

ایده ساده است: قبل از اینکه AI جواب بدهد، اول «جستجو» می‌کند.

فرآیند RAG به این شکل است:
1️⃣ کاربر سوال می‌پرسد
2️⃣ سیستم اطلاعات مرتبط را از اسناد یا منابع پیدا می‌کند
3️⃣ اطلاعات مهم به ورودی مدل اضافه می‌شود
4️⃣ مدل بر اساس این داده‌ها پاسخ تولید می‌کند
5️⃣ کاربر یک جواب دقیق‌تر و واقعی‌تر دریافت می‌کند

🔹 در واقع RAG ترکیب دو بخش است:
• Retriever → پیدا کردن اطلاعات مرتبط
• Generator → تولید پاسخ طبیعی

مثلاً در شرکت‌ها، AI اول سراغ اسناد داخلی یا دیتابیس می‌رود، اطلاعات جدید را استخراج می‌کند و بعد پاسخ نهایی را می‌سازد.

به همین دلیل RAG یکی از مهم‌ترین تکنیک‌ها در:
💬 چت‌بات‌های سازمانی
📞 پشتیبانی مشتری
🔎 جستجوی هوشمند اسناد
🤖 دستیارهای AI

❓ سوال مهم: آیا RAG همان چیزی است که AI را واقعاً «قابل اعتماد» می‌کند؟

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#RAG #هوش_مصنوعی #AI #MachineLearning #LLM #NLP #فناوری

🍏 استیو وزنیاک: هوش مصنوعی هنوز نمی‌تواند جای انسان را بگیرد

استیو وزنیاک، هم‌بنیان‌گذار Apple، معتقد است AI هنوز ویژگی‌های انسانی لازم برای جایگزینی کامل انسان‌ها را ندارد.

او در مصاحبه‌ای به مناسبت پنجاهمین سالگرد Apple گفت:
هوش مصنوعی شاید پیشرفته‌تر شود، اما هنوز نمی‌تواند احساسات، تجربه‌های انسانی و موقعیت‌های واقعی زندگی را مثل انسان درک کند.

وزنیاک با شوخی گفت:
«شرکت‌ها می‌خواهند مغز انسان را با AI بازسازی کنند، اما ساختن یک مغز واقعی هنوز ۹ ماه زمان می‌برد!» 👶

با این حال، او قبول دارد که فناوری دائماً در حال پیشرفت است و نمی‌توان جهش‌های آینده را کاملاً رد کرد.

❓ آیا AI روزی واقعاً می‌تواند مثل انسان فکر و احساس کند؟

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence

#هوش_مصنوعی #AI #Apple #SteveWozniak #فناوری_آینده

🚀 دوره تخصصی «مدیریت محصول هوش مصنوعی در سلامت»

با همکاری دانشگاه علوم پزشکی تهران

👩‍🏫 دبیر علمی دوره
دکتر فهیمه قاسمی
عضو هیات علمی دانشکده فناوری‌های نوین پزشکی
دانشگاه علوم پزشکی تهران

📚 سرفصل‌ها:
▫️ هوش مصنوعی در سلامت
▫️ استراتژی محصول و تدوین نقشه راه
▫️ تیم سازی محصول هوش مصنوعی
▫️ تحلیل و مصورسازی داده‌های سلامت
▫️ مدیریت و حکمرانی داده سلامت
▫️ طراحی تجربه کاربری (UX) در سلامت دیجیتال
▫️ آشنایی با LLM و پرامپت‌نویسی مؤثر
▫️ ابزار مدیریت محصول دیجیتال
▫️ مدیریت محصول هوش مصنوعی + پروژه پایانی
▫️ کارگاه طراحی محصول مبتنی بر AI در سلامت

🎯 ویژه:
مدیران محصول، CTOها، پزشکان، تحلیلگران داده سلامت، پژوهشگران AI و بنیانگذاران استارتاپ‌های سلامت

🕒 مدت دوره: ۴۰ ساعت
📅 شروع دوره: ۲۰ خرداد ۱۴۰۵
⏰ چهارشنبه‌ها | ۱۴ تا ۱۸
📍 دانشگاه علوم پزشکی تهران، دانشکده فناوری‌های نوین پزشکی

🌐 ثبت‌نام

📌 قبل از هر ابزار ترند، اصول را یاد بگیر

قبل از RAG، جست‌وجو را یاد بگیر
قبل از GPT، n-gram ها را بفهم
قبل از Airflow، cron job را یاد بگیر
قبل از Kubernetes، Docker را بفهم
قبل از AI Agent، API call را یاد بگیر
قبل از fine-tuning، ارزیابی (evaluation) را یاد بگیر
قبل از embeddings، bag of words را بفهم
قبل از scaling، یک سرور ساده را یاد بگیر
قبل از LangChain، function chaining را یاد بگیر
قبل از MLOps، دیپلوی کردن Flask را یاد بگیر
قبل از neural networks، رگرسیون خطی را بفهم
قبل از vector database، معیارهای فاصله را یاد بگیر
قبل از transformers، ضرب ماتریسی را بفهم

💡 این لیست برای باهوش نشان دادن نیست
بلکه یک حقیقت ساده است:

هر ابزار پیچیده و ترند، فقط یک مفهوم پایه‌ای است با اسم جدید

تجربه در AI/ML نشان می‌دهد:
کسانی که پایه‌ها را خوب بلدند، هیچ‌وقت در ابزارهای جدید گیر نمی‌کنند

📡 کانال آقای هوش مصنوعی
🆔 @MrArtificialintelligence