💡 گوگل پلتفرم جدیدی به نام Skills راه‌اندازی کرد — بستری آزاد برای یادگیری مهارت‌های هوش مصنوعی!

در این پلتفرم بیش از ۳۰۰۰ دوره، آزمایشگاه و مسیر تمرینی وجود دارد که از مفاهیم پایه‌ی Python و یادگیری ماشین تا مباحث پیشرفته‌ی MLOps، Vertex AI، Gemini و طراحی پرامپت (Prompt Design) را پوشش می‌دهد. 🚀

📘 چیزهایی که می‌توانید یاد بگیرید:

✳️ادغام هوش مصنوعی مولد در پایپلاین داده‌ها
✳️استقرار (Deploy) و نگهداری مدل‌های یادگیری ماشین
✳️ساخت اپلیکیشن شخصی با Gemini و Streamlit
✳️یادگیری تعاملی با مربیان یا جامعه‌ی Google Cloud Innovators


🔹 دوره‌ها از سطح مبتدی تا مدیر تیم (Team Lead) ارائه شده‌اند.
🔹 در پایان، گواهینامه رسمی دریافت می‌کنید که قابل افزودن به رزومه یا پروفایل LinkedIn است. 🎓

✔️ شروع یادگیری:
skills.google
✔️ مشاهده فهرست دوره‌ها:
skills.google/catalog

@rss_ai_ir

#گوگل #هوش_مصنوعی #آموزش_رایگان #GoogleAI #Gemini #MachineLearning #FreeCourses #AI

🔬 خبر بزرگ در دنیای سرطان‌شناسی!

پژوهشگران دانشگاه USC الگوریتم جدیدی به نام RED (Rare Event Detection) توسعه داده‌اند که قادر است سلول‌های نادر سرطانی را در نمونه‌های خون تنها در ۱۰ دقیقه شناسایی کند — کاری که قبلاً هزار برابر بیشتر زمان می‌برد! ⚡️

✨ ویژگی‌های کلیدی:

♻️نیازی نیست الگوریتم بداند سلول سرطانی دقیقاً چه شکلی است؛
بلکه با تحلیل میلیون‌ها سلول عادی، الگوهای غیرمعمول را شناسایی می‌کند.

♻️در آزمایش‌ها، RED توانست ۹۹٪ از سلول‌های سرطانی را با دقت بالا تشخیص دهد.

♻️زمان بررسی داده‌ها را تا ۱۰۰۰ برابر کاهش داد.


این پیشرفت یک گام بزرگ در جهت تشخیص سریع، دقیق و هوش‌مصنوعی‌محور سرطان به شمار می‌رود. 💉🤖

@rss_ai_ir

#هوش_مصنوعی #پژوهش #سرطان #پزشکی #تشخیص_زودهنگام #AI #Healthcare #CancerDetection

🌐 پیش‌بینی شگفت‌انگیز بلک‌استون از انفجار داده‌ها تا سال ۲۰۲۸

شرکت Blackstone پیش‌بینی کرده است که تا سال ۲۰۲۸، حجم کل داده‌هایی که در جهان تولید، استفاده و ذخیره می‌شوند، به عدد باورنکردنی ۳۹۴ زِتابایت خواهد رسید! 🤯

برای مقایسه، کل ترافیک اینترنت جهانی در سال ۲۰۲۴ فقط چند زتابایت بود — یعنی ۳۹۴ زتابایت بیش از ۱۰۰ برابر کل ترافیک اینترنت سالانه‌ی انسان‌هاست! 🌍💾

📊
۳۹۴ زتابایت = ۳۹۴,۰۰۰,۰۰۰,۰۰۰ ترابایت 😳

عصر داده واقعاً در حال انفجار است — و هوش مصنوعی در قلب این انقلاب ایستاده است. 🤖💡

@rss_ai_ir
#هوش_مصنوعی #داده #کلان‌داده #دیجیتال #فناوری #AI #BigData #DataExplosion

🧠 DeepAnalyze:
مدل عامل‌محور برای علم داده‌ی خودکار (Autonomous Data Science)

پژوهشگران دانشگاه Renmin چین مدل جدیدی با نام DeepAnalyze معرفی کرده‌اند — چارچوبی مبتنی بر Agentic LLM که می‌تواند به‌صورت مستقل فرآیند کامل علم داده را انجام دهد: از تحلیل اولیه و پاک‌سازی داده‌ها تا مدل‌سازی و تفسیر نتایج. ⚙️📊

✨ ویژگی‌ها:

✳️طراحی‌شده برای خودکارسازی کامل چرخه علم داده
✳️مجهز به عامل‌های تخصصی (agents) برای تحلیل، مدل‌سازی و ارزیابی
✳️توانایی استدلال چندمرحله‌ای و تصمیم‌گیری داده‌محور
✳️یکپارچه با LLM و ابزارهای داده مانند pandas و sklearn


🔗 منابع:
🖥 GitHub:
github.com/ruc-datalab/DeepAnalyze
📕 Paper:
huggingface.co/papers/2510.16872
🌐 Project Page:
ruc-deepanalyze.github.io

@rss_ai_ir
#AI #DataScience #LLM #AutonomousAI #DeepAnalyze #OpenSource

🤖 شرکت چینی Unitree از ربات انسان‌نمای جدید خود با نام H2 رونمایی کرد

این ربات تازه‌نفس با حرکت‌هایی بسیار طبیعی و متعادل، یکی از پیشرفته‌ترین انسان‌نماهای ساخته‌شده تاکنون به حساب می‌آید.

🔹 قد: ۱۸۰ سانتی‌متر
🔹 وزن: ۷۰ کیلوگرم — تقریباً هم‌اندازه‌ی یک انسان بالغ
🔹 همچنین H2 قادر است راه برود، برقصد، تعادلش را حفظ کند و بین حرکات مختلف با نرمی و دقت بالا جابه‌جا شود.
🔹 چهره‌ای شبه‌انسانی دارد تا تعامل طبیعی‌تر شود، هرچند بسیاری از کاربران هنوز از «اثر دره‌ی وهمی» 😬 صحبت می‌کنند.

قیمت و زمان عرضه هنوز اعلام نشده، اما H2 حالا در کنار Tesla Optimus و Figure 01 به یکی از مدعیان جدی در رقابت جهانی ربات‌های انسان‌نما تبدیل شده است. 🌍


@rss_ai_ir
#ربات #Unitree #هوش_مصنوعی #Humanoid #Robotics #AI #FutureTech

🧮 پیشرفت چشمگیر هوش مصنوعی در تحقیقات ریاضی

استاد Ryu از دانشگاه UCLA با کمک GPT-5 Pro توانست یک مسئله باز در حوزه‌ی بهینه‌سازی محدب (Convex Optimization) را حل کند — مسئله‌ای که سال‌ها بدون پاسخ مانده بود.

گرچه حدود ۸۰٪ از تلاش‌های مدل در اثبات نادرست بودند، اما GPT-5 Pro توانست ایده‌های نوآورانه‌ای ارائه دهد که مسیر پژوهش را تغییر داد.

🧠 مشارکت‌های کلیدی GPT-5 Pro:

♻️تولید استدلال نهایی برای اثبات مسئله

♻️تسریع روند جستجو با حذف سریع مسیرهای بن‌بست


این پژوهش نمونه‌ای برجسته از هم‌افزایی انسان و هوش مصنوعی در کشف دانش جدید است — جایی که AI نه‌تنها ابزار، بلکه شریک پژوهشی واقعی است.

@rss_ai_ir
#هوش_مصنوعی #GPT5 #ریاضیات #AIResearch #Optimization #Science

🏜️ مدل ناوبری خودران OmniNWM — گامی تازه در دنیای رانندگی خودکار 🚗🤖

مدل OmniNWM یک سیستم یکپارچه‌ی جهان‌محور و پانورامیک است که آینده‌ی رانندگی خودکار را متحول می‌کند.
این مدل می‌تواند حالت‌های چندوجهی (multi-modal states) شامل تصویر RGB، نقشه‌های معنایی، عمق و اشغال سه‌بعدی (3D occupancy) را به‌صورت همزمان تولید کند.

✨ ویژگی‌های کلیدی:

♻️تولید هم‌زمان داده‌های تصویری، عمقی و فضایی برای درک کامل محیط؛

♻️کنترل دقیق حرکات و تصمیم‌گیری‌ها در لحظه؛

♻️ارزیابی بسته (closed-loop) با پاداش‌های متراکم مبتنی بر اشغال فضا؛

♻️اجرای سریع و بهینه روی GPU.


📘 این مدل تحت مجوز Apache 2.0 منتشر شده و برای پژوهش و توسعه کاملاً آزاد است.

🔗 منابع:
👉 مقاله: arxiv.org/pdf/2510.17422
👉 پروژه: urbanverseproject.github.io
👉 ریپوی GitHub: lnkd.in/efCSvjtp

@rss_ai_ir
#AI #AutonomousDriving #Navigation #ComputerVision #OmniNWM #DeepLearning #OpenSource

🤖 افشای اسناد: آمازون قصد دارد ۶۰۰ هزار نیروی انسانی را با ربات‌ها جایگزین کند

طبق گزارش‌های لو‌رفته، تیم رباتیک آمازون در حال کار روی برنامه‌ای است که تا سال ۲۰۲۷ بیش از ۷۵٪ از کل عملیات شرکت را خودکار کند.
این طرح می‌تواند به حذف حدود ۱۶۰ هزار شغل در آمریکا منجر شود و در مجموع ۶۰۰ هزار نیروی انسانی را در سراسر زنجیره‌ی تأمین تحت تأثیر قرار دهد.

📉 بر اساس برآوردها، این میزان اتوماسیون می‌تواند ۳۰ سنت از هزینه‌ی هر خرید را کاهش دهد — اما به قیمت از بین رفتن صدها هزار شغل انسانی.

آمازون می‌گوید هدفش افزایش بهره‌وری است، اما کارشناسان هشدار می‌دهند که این مسیر می‌تواند به موج جدیدی از بیکاری ساختاری در صنعت لجستیک منجر شود.

@rss_ai_ir
#هوش_مصنوعی #رباتیک #Amazon #Automation #Jobs #FutureOfWork #AI

🇨🇳 پایش رفتاری کارگران کارخانه‌ها در چین با هوش مصنوعی

در برخی از کارخانه‌های چین، از سیستم‌های تحلیل رفتاری مبتنی بر هوش مصنوعی برای نظارت بر کارگران استفاده می‌شود.
این فناوری هر حرکت را گام‌به‌گام دنبال می‌کند — از مسیر حرکت گرفته تا میزان تمرکز کارگر که بر اساس حالت چهره‌اش تشخیص داده می‌شود.

🎯 هدف رسمی این پروژه‌ها، افزایش بهره‌وری و ایمنی محیط کار است،
اما کارشناسان نگران‌اند که چنین سیستم‌هایی می‌توانند به نظارت افراطی و نقض حریم خصوصی منجر شوند.

@rss_ai_ir
#AI #China #Surveillance #Workplace #Ethics #FacialRecognition #Automation

🎥 مدل جدید ByteDance: Video-As-Prompt Wan2.1-14B 🎬

شرکت ByteDance از مدل جدید خود به نام Wan2.1-14B رونمایی کرده که برای وظیفه‌ی نوآورانه‌ی Video-as-Prompt طراحی شده است — یعنی می‌توانید با دادن یک ویدیو (یا ترکیبی از تصویر و متن)، ویدیوی جدید و خلاقانه‌ای بسازید.

✨ ویژگی‌ها:

پشتیبانی از حالت‌های:
🎞️ Video → Video
🖼️ Text/Image → Video

♻️دارای ۱۴ میلیارد پارامتر برای جزئیات بالا، حرکات روان و واقع‌گرایی چشمگیر.

♻️از ویدیوی ورودی برای حفظ سبک، ترکیب‌بندی و ریتم حرکتی استفاده می‌کند.


⚠️ نکات مهم:

✳️برای اجرای آن به GPU قدرتمند و حافظه بالا نیاز است.
✳️کیفیت خروجی به میزان پیچیدگی درخواست و طول ویدیو بستگی دارد.


🟠 GitHub
🟠 Hugging Face

@rss_ai_ir

#AI #VideoGeneration #ByteDance #Wan2 #GenerativeAI #HuggingFace #Innovation

🕶️ آمازون در حال آزمایش عینک‌های هوشمند برای پیک‌هاست 🚚

این عینک‌ها دارای دوربین داخلی و نمایشگر کوچک هستند که به پیک‌ها امکان می‌دهند اطلاعات حیاتی را در لحظه مشاهده کنند.

📦 روی صفحه‌ی عینک نمایش داده می‌شود:

♻️شماره‌ی خانه یا واحد مقصد،
♻️بسته‌هایی که باید از خودرو برداشته شوند،
♻️و مسیر دقیق تحویل.


👀 آزمایش‌کنندگان گزارش داده‌اند که این فناوری باعث کاهش حواس‌پرتی، افزایش سرعت تحویل، و بهبود ایمنی هنگام حرکت در حیاط‌ها و محوطه‌ها شده است.

این گام جدید، بخشی از تلاش آمازون برای ترکیب واقعیت افزوده و لجستیک هوشمند است.

@rss_ai_ir
#Amazon #SmartGlasses #AugmentedReality #Logistics #AI #WearableTech #Innovation

🦾 چین با سرعتی بی‌سابقه در حال رباتیزه‌کردن کارخانه‌های خود است

در سال ۲۰۲۴، چین حدود ۳۰۰ هزار ربات صنعتی جدید به کار گرفت — رقمی که از مجموع کل سایر کشورها نیز بیشتر است.
امروزه بیش از دو میلیون ربات در کارخانه‌های این کشور شبانه‌روز کار می‌کنند، بدون توقف.

📊 برای مقایسه:
🇺🇸 آمریکا در سال گذشته تنها ۳۴ هزار ربات اضافه کرد،
🇯🇵 ژاپن — ۴۴ هزار،
و در مجموع، چین اکنون ۵ برابر بیشتر از ایالات متحده ربات صنعتی دارد.

🚀 این جهش نتیجه‌ی سیاست‌های بلندمدت دولتی است — دقیقاً همان رویکردی که چین را در زمینه‌ی خودروهای برقی و هوش مصنوعی به پیشتاز جهان تبدیل کرد:
وام‌های ارزان، یارانه‌های هدفمند و برنامه‌های دقیق برای خودکارسازی.

🤖 امروز در بسیاری از خطوط تولید، ربات‌ها عملیات جوشکاری، مونتاژ و جابجایی قطعات را انجام می‌دهند، در حالی که سیستم‌های هوش مصنوعی در پس‌زمینه داده‌های تجهیزات را تحلیل می‌کنند، فرسودگی را پیش‌بینی و توقف‌های تولید را کاهش می‌دهند.

🏭 پیشتازی چین به‌ویژه در صنایع خودروسازی و الکترونیک مشهود است، جایی که هر ثانیه در خط تولید اهمیت دارد.

اکنون حدود ۶۰٪ از ربات‌های نصب‌شده در داخل چین تولید می‌شوند، هرچند حسگرها، درایوها و تراشه‌های دقیق هنوز عمدتاً از آلمان و ژاپن وارد می‌شوند.

🦿 ربات‌های انسان‌نما هم به سرعت در حال رشدند — مدل‌های پایه‌ای که توسط استارتاپ‌های چینی تولید می‌شوند، اکنون حدود ۶ هزار دلار قیمت دارند.

🔧 چالش اصلی فعلی، کمبود متخصص در زمینه‌ی تنظیم و نگهداری ربات‌هاست.
اما چین در اینجا هم برتری دارد: نیروی انسانی گسترده‌ای از برق‌کاران و برنامه‌نویسان PLC، و اکنون میانگین حقوق مهندسان رباتیک در چین به ۶۰ هزار دلار در سال رسیده است.

💡 ترکیب حمایت دولتی، زنجیره‌های تأمین هوشمند و تمرکز بر نرم‌افزار، چین را به مرکز جهانی تولید خودکار تبدیل کرده است.
در سال‌های پیش‌رو، این یعنی کاهش هزینه‌ی تولید و افزایش سرعت تحویل کالا نسبت به بسیاری از رقبا.

@rss_ai_ir

#AI #Robotics #Industry40 #China #Automation #ML #SmartFactory

🤖 WorldVLA —
ترکیب VLA و World Model در یک هسته‌ی خودمولد (Autoregressive Core)

شرکت Alibaba از مدل جدیدی به نام WorldVLA رونمایی کرده است — گامی بزرگ به‌سوی ساخت مدل خودبازگشتی جهانِ کنش‌ها، جایی که یک معماری واحد همزمان می‌تواند فریم‌های بعدی و اقدامات عامل (agent) را پیش‌بینی کند.

🧠 ایده‌ی اصلی:
مدل WorldVLA مدل‌های Vision-Language-Action (VLA) و World Model را درون یک ترنسفورمر یکپارچه می‌کند:

ورودی: (image + language + action)

خروجی: (image + language + action)


یعنی مدل نه‌تنها دنیای فیزیکی را «درک» می‌کند، بلکه یاد می‌گیرد چگونه در آن «عمل» کند.

⚙️ نحوه‌ی عملکرد:

معماری: یک ترنسفورمر واحد که به‌طور هم‌زمان روی داده‌های مربوط به مدل‌های کنش و مدل‌های جهان آموزش می‌بیند.

تابع هزینه (Loss): ترکیبی از پیش‌بینی وضعیت محیط و پیش‌بینی کنش‌ها.

ترفند کلیدی در Attention Mask: پنهان‌سازی کنش‌های قبلی در هنگام تولید کنش فعلی — که باعث بهبود چشمگیر در کیفیت بخش «action-chunk» می‌شود.


📊 نتایج:
در آزمون LIBERO benchmark، مدل WorldVLA از مدل‌هایی که به‌طور جداگانه برای کنش یا شبیه‌سازی جهان آموزش دیده بودند، بهتر عمل کرده است.

💬 به‌طور خلاصه، Alibaba گام بعدی را به‌سوی عامل‌های AGI با درک واقعی از فیزیک جهان برداشته است —
جایی که یک هسته‌ی واحد می‌تواند ادراک، پیش‌بینی و عمل را هم‌زمان انجام دهد.

📄 مقاله:
arxiv.org/abs/2506.21539
💻 کد:
github.com/alibaba-damo-academy/WorldVLA

@rss_ai_ir
#هوش_مصنوعی #WorldModel #VLA #Alibaba #DeepLearning #Transformers #AGI

💡 مجموعه Together AI آموزش ساخت "Lovable Clone" با مدل Kimi K2 را منتشر کرد

این راهنما نشان می‌دهد چطور می‌توانید با استفاده از Next.js اپلیکیشنی بسازید که تنها با یک دستور متنی، کد یک برنامه‌ی کامل React را برایتان بنویسد — درست مثل «کد با یک جمله»!

🧩 مراحل کلیدی:

✳️طراحی رابط کاربری ساده با یک فیلد ورودی برای دستور کاربر (مثلاً: “Build me a calculator app…”)

✳️ایجاد مسیر API به نام /api/generateCode که درخواست را از طریق Together AI SDK به مدل Kimi K2 بفرستد

✳️استفاده از system prompt برای بازگرداندن فقط کد، بدون هیچ توضیح اضافی

✳️تعبیه‌ی ابزار Sandpack (یا مشابه آن) برای اجرای مستقیم کد در مرورگر

✳️افزودن قابلیت streaming تا کاربر بتواند روند تولید کد را در لحظه مشاهده کند


📄 راهنما:
docs.together.ai/docs/how-to-build-a-lovable-clone-with-kimi-k2

#هوش_مصنوعی #توسعه_وب #TogetherAI #KimiK2 #NextJS #React #AItools

🎓 یادگیری فدرال (Federated Learning) — آینده‌ی آموزش هوش مصنوعی بدون نیاز به داده‌های متمرکز


در دنیای امروز، داده شخصی‌ترین دارایی ماست — از اطلاعات تلفن همراه گرفته تا سوابق پزشکی. اما چگونه می‌توان مدل‌های هوش مصنوعی را آموزش داد بدون آنکه داده‌ها از دستگاه کاربران خارج شوند؟

🔹 پاسخ: یادگیری فدرال (Federated Learning)


در این روش، به‌جای ارسال داده‌ها به سرور مرکزی، مدل به سراغ داده‌ها می‌رود. هر دستگاه (مثل موبایل، لپ‌تاپ یا حسگر صنعتی) نسخه‌ای از مدل را به‌صورت محلی آموزش می‌دهد و فقط وزن‌ها (Weights) را به اشتراک می‌گذارد، نه خود داده‌ها.


💡 مراحل کلی فرآیند:
1️⃣ مدل مرکزی به همه دستگاه‌ها ارسال می‌شود.
2️⃣ هر دستگاه مدل را با داده‌های خودش به‌روزرسانی می‌کند.
3️⃣ فقط وزن‌های جدید ارسال می‌شود.
4️⃣ سرور مرکزی این وزن‌ها را ترکیب کرده و مدل به‌روزرسانی‌شده را برمی‌گرداند.


✅ مزایا:
حفظ حریم خصوصی کاربران 🔒
کاهش ترافیک داده و هزینه انتقال 🌐
یادگیری از منابع متنوع در نقاط مختلف جهان 🌍


مناسب برای سیستم‌های IoT و موبایل 📱
🚀 شرکت‌هایی مانند Google, Apple و NVIDIA سال‌هاست از این روش برای بهبود مدل‌های کیبورد، تشخیص گفتار و سلامت استفاده می‌کنند.


📌 در آینده، یادگیری فدرال می‌تواند سنگ‌بنای «هوش مصنوعی توزیع‌شده» شود — جایی که هر دستگاه، بخشی از مغز جهانی هوش مصنوعی خواهد بود.

@rss_ai_ir
#هوش_مصنوعی #یادگیری_فدرال #FederatedLearning #AI #Privacy #MachineLearning #EdgeAI