⚠️ نشانه‌ها یکی‌یکی نزدیک‌تر می‌شوند

گزارش‌ها در آمریکا هشدار می‌دهند که نرخ بیکاری میان فارغ‌التحصیلان جدید دانشگاهی ممکن است طی چند سال آینده به حدود ۲۵٪ برسد؛ علت اصلی، جایگزینی سریع مشاغل با سیستم‌های هوش مصنوعی است. سناتور «مارک وارنر» این موج را یک شوک اقتصادی–اجتماعی بزرگ می‌داند که در صورت بی‌توجهیِ سیاست‌گذاران، می‌تواند اختلالات بی‌سابقه‌ای ایجاد کند.

نمایندگان هر دو حزب معتقدند که هوش مصنوعی احتمالاً میلیون‌ها شغل را کنار خواهد زد و بر ایجاد قوانین گزارش‌دهی، برنامه‌های بازآموزی و آماده‌سازی نیروی کار تأکید دارند.
نگرانی اصلی این است که قانون‌گذاران دوباره در برابر یک تحول عظیم تکنولوژیک دیر واکنش نشان دهند.

@rss_ai_ir
#هوش_مصنوعی #اقتصاد #بازارکار #بیکاری #AI #آینده_شغل

⚡ کتابخانه UI-Venus؛ رابط کاربری مدرن و کاملاً فراگیر

پروژه‌ی UI-Venus از تیم inclusionAI یک کتابخانه‌ی رابط کاربری است که با هدف ساخت رابط‌های مدرن، تمیز و کاملاً در دسترس (a11y) طراحی شده است. این مجموعه برای توسعه‌دهندگانی عالی است که در پروژه‌های فرانت‌اند به تجربه‌ی کاربری استاندارد و فراگیر اهمیت می‌دهند.

✨ ویژگی‌های کلیدی UI-Venus
• معماری شفاف و ماژولار برای ساخت کامپوننت‌ها
• دسترس‌پذیری پیش‌فرض و رعایت اصول a11y
• هماهنگی با فریم‌ورک‌های مختلف و قابل استفاده در پروژه‌های متنوع
• مستندات کامل، مثال‌های قابل فهم و شروع سریع

اگر به دنبال یک UI-Library هستید که علاوه بر زیبایی و ساختار، به شمول‌پذیری، خوانایی و تجربه‌ی کاربری حرفه‌ای توجه کند، UI-Venus انتخاب بسیار مناسبی است.

📁 ریپازیتوری:

https://github.com/inclusionAI/UI-Venus/

@rss_ai_ir
#فرانت_اند #UI #UX #Accessibility #a11y #توسعه_وب #هوش_مصنوعی

🎞 ابزار Multi-Frames در Dreamina اضافه شد

قابلیت جدید Multi-Frames امکان می‌دهد کاربر کنترل دقیق‌تری روی ساخت ویدئو داشته باشد. با این ابزار می‌توانید تا ۱۰ فریم کلیدی وارد کنید و مدل از آن‌ها یک ویدئوی منسجم تا ۵۴ ثانیه بسازد.

✨ تنظیمات جذاب این قابلیت:
• امکان تعیین تعداد فریم‌های کلیدی
• ساخت یک خط داستانی پیوسته از تصاویر
• تنظیم نرم و مرحله‌ایِ انتقال‌ها بین ۱ تا ۶ ثانیه
• حفظ سبک بصری و شخصیت در تمام ویدئو

همزمان، پلتفرم Dreamina دسترسی رایگان به Nano Banana Pro را برای یک هفته فعال کرده است ☕️

🌐 • قابل تست در صفحه رسمی Dreamina

@rss_ai_ir
#ویدئو #ژنتوری_ویدئو #هوش_مصنوعی #تولید_محتوا #neural #ای_آی

❇️ فریم‌ورک GAUSSGYM؛ شبیه‌ساز Real-to-Sim برای یادگیری حرکت از پیکسل‌ها 🔥

در دنیای رباتیک و یادگیری تقویتی، یکی از چالش‌های اصلی این است که مدل بتواند از داده‌های واقعی یاد بگیرد و همان رفتار را در محیط شبیه‌سازی‌شده تکرار کند.
فریم‌ورک جدید GAUSSGYM دقیقاً برای حل همین مسئله ساخته شده است.

این پروژه یک فریم‌ورک کاملاً متن‌باز است که امکان می‌دهد ربات‌ها با استفاده از ورودی تصویری (pixels) مهارت‌های حرکتی را بیاموزند و سپس همان حرکت را در دنیای واقعی یا شبیه‌سازی شده بازتولید کنند.

🌟 مزایا و ویژگی‌ها
• پشتیبانی از یادگیری Locomotion فقط با ورودی بصری
• سازگار با محیط‌های مختلف شبیه‌سازی
• طراحی شده برای تحقیقات پیشرفته در RL و رباتیک
• ابزار مناسب برای دانشگاه‌ها، آزمایشگاه‌ها و توسعه‌دهندگان مستقل

🔗 کد منبع:
https://github.com/escontra/gauss_gym

@rss_ai_ir
#هوش_مصنوعی #یادگیری_ماشین #رباتیک #Locomotion #یادگیری_تقویتی #open_source #GAUSSGYM

⚡️ آغاز عصر «علمِ خودکار» با برنامه‌ی Genesis Mission

دولت آمریکا به‌تازگی دسترسی مستقیم سه غول هوش مصنوعی — اوپن‌اِی‌آی، آنتروپیک و گوگل — را به پتـابایت‌ها دادهٔ فوق‌محرمانهٔ علمی که طی دهه‌ها در ۱۷ آزمایشگاه ملی آمریکا جمع‌آوری شده، آزاد کرد.

ماجرا فقط ارتقای چت‌بات‌ها نیست؛ پروژهٔ جدید وزارت انرژی آمریکا با نام Genesis Mission مأمور شده یک نسل تازه از عامل‌های علمیِ خودمختار بسازد؛ سامانه‌هایی که می‌توانند بدون دخالت انسان علم تولید کنند.

این طرح یک «حلقهٔ علمی بسته» می‌سازد؛ جایی که چرخهٔ فرضیه‌سازی → طراحی آزمایش → اجرای رباتیک → تحلیل نتایج، کاملاً خودکار و ۲۴ ساعته انجام می‌شود.

🔬 روند کار طبق نقشهٔ راه DOE چنین است:

• سامانهٔ هوش مصنوعی با بررسی داده‌ها، فرضیه می‌سازد؛ مثلاً:
«اگر این آلیاژها در ۴۰۰۰ درجه ترکیب شوند، احتمالاً به اَبَررسانایی می‌رسیم.»

• سپس دستور ساخت دقیق نمونه را به آزمایشگاه رباتیک ارسال می‌کند.

• ربات آزمایش را اجرا می‌کند و نتیجه را در لحظه برمی‌گرداند.

• اگر نتیجه خوب نباشد، مدل فوراً فرمول را اصلاح کرده و آزمایش بعدی را آغاز می‌کند—بدون توقف.

این چرخه می‌تواند هزاران بار پشت‌سر‌هم تکرار شود و سرعت پیشرفت علمی را از سال‌ها به روزها کاهش دهد.

در واقع Genesis Mission یک گام جدی به‌سمت جهانی است که در آن علم، خودش را تولید می‌کند؛ و انسان تنها ناظرِ مسیر خواهد بود، نه موتور محرک آن.

@rss_ai_ir
#هوش_مصنوعی #علم #رباتیک #AGI #ژنز_ماموریت #GenesisMission #AI #پیشرفت_علمی

🌩️ مدل Cloud4D؛ بازسازی چهاربعدی ابرها با دقت خیره‌کننده 🌩️

پژوهش تازهٔ Cloud4D یک گام بزرگ در مدل‌سازی سه‌بعدی جوّ است. با استفاده از شبکهٔ دوربین‌های زمینی، میدان‌های سه‌بعدی ابر با تفکیک مکانی ۲۵ متر و تفکیک زمانی ۵ ثانیه بازسازی می‌شود — چیزی شبیه فیلم‌برداری چهاربعدی از آسمان.

این مدل امکان تحلیل دینامیک ابر، پیش‌بینی محلی تغییرات آب‌وهوا و مطالعهٔ فرآیندهای میکروفیزیکی را فراهم می‌کند؛ آن هم بدون نیاز به پهپاد، رادار یا ماهواره.

📌 لینک‌ها:

• مقاله: arxiv.org/pdf/2511.19431
• پروژه: cloud4d.jacob-lin.com
• داده‌ها: https://drive.google.com/drive/folders/1QU_0kIUXIVt8h3uqygBeaF3Gvr_L5SdX
• مخزن کد: به‌زودی

@rss_ai_ir
#ابر #مدل‌سازی_جو #بینایی_ماشینی #هوش_مصنوعی #Cloud4D #اقلیم #علم

🪞وقتی واقعیت در آینه یک جهان تازه می‌سازد

دنیای اسکن سه‌بعدی و Gaussian Splats این روزها وارد مرحله‌ای شده که بیشتر شبیه جادوی بصری است.
تصویری که می‌بینید نه یک اتاق واقعی پشت در و نه محیطی است که با دوربین موبایل قدم‌به‌قدم وارد آن شده باشید—این یک جهان درون آینه است؛ جایی که فضا بازسازی می‌شود، اما با حال‌وهوای محو و تکه‌تکهٔ مخصوص «زَزِرکانه».

🌫️ ویژگی خاص این دنیا:
مرز واقعیت و بازسازی دیجیتال از هم می‌لغزد؛ همه‌چیز طبیعی است اما کمی روان، کمی محو، کمی عجیب… دقیقاً همان‌طور که انتظار می‌رود یک جهان پشت آینه باشد.

✨ نتیجه؟
ترکیبی از هنر، ریاضیات، بینایی کامپیوتری و خلاقیتی که فقط تکنیک Gaussian Splats قادر به خلق آن است.
من شخصاً از کیفیت و حسِ فضاسازی این کارها واقعاً شگفت‌زده شدم.

اگر می‌خواهید خودتان وارد این زَزِرکاله سه‌بعدی شوید و در آن قدم بزنید، لینک تجربه همان است که همه را شگفت‌زده کرده:

🔗 https://superspl.at/view?id=0feb4c5c

@rss_ai_ir
#هوش_مصنوعی #سه‌بعدی #GaussianSplats #3DScan #RealityCapture #کامپیوتر_ویژن #AI

🌍 مدل WorldGen؛ نسل بعدی ساخت جهان‌های سه‌بعدی
متا رسماً وارد بازی «خدای 3D» شده است.

اگر Marble و Genie فقط «تصویر از یک دوربین» می‌دادند، WorldGen یک قدم جلوتر است:
یک تکه واقعی از جهان سه‌بعدی — حدود ۵۰×۵۰ متر فضای قابل پیمایش — که می‌توانید مستقیماً داخل Unity یا Unreal بندازید و مثل یک محیط بازی واقعی استفاده کنید.

🔥 چرا WorldGen متفاوت است؟
چون این دیگر نه Gaussian Splats است و نه ویدئو.
🔹 مش واقعی (3D Mesh)
🔹 ساختار هندسی کامل
🔹 قابل استفاده در موتورهای بازی‌سازی
🔹 جهان قابل ناوبری (Navmesh-ready)

متا خودش می‌گوید WorldGen ترکیبی از 3 چیز است:

1. روش‌های پروسیجرال
2. دیفیوژن برای تولید 2D
3. بازسازی کامل 3D بر اساس آبجکت‌ها



نتیجه؟
جهان‌هایی پایدار، قابل راه‌رفتن، قابل رندر و مناسب برای:
🎮 بازی‌ها
🤖 شبیه‌سازها
🌐 محیط‌های اجتماعی و VR


---

🔧 Pipeline چهار مرحله‌ای WorldGen

(1) Planning – برنامه‌ریزی
▫️ ساخت پروسیجرال بلوک‌ها
▫️ استخراج Navmesh
▫️ تولید تصاویر مرجع

(2) Reconstruction – بازسازی
▫️ تبدیل تصویر به 3D
▫️ تولید صحنه براساس Navmesh
▫️ ساخت بافت اولیه

(3) Decomposition – تجزیهٔ صحنه
▫️ استخراج قطعات با AutoPartGen
▫️ پاک‌سازی و سازمان‌دهی داده

(4) Refinement – پالایش نهایی
▫️ ارتقای کیفیت تصویر
▫️ اصلاح مش
▫️ تکسچرینگ نهایی


---

🚨 اما خبر بد؟

اینکهWorldGen فعلاً محصول نیست.
متا هنوز روی سرعت تولید و ساخت جهان‌های بزرگ‌تر کار می‌کند (فعلاً خیلی کند است).

اما خروجی‌های اولیه شگفت‌انگیزند — ویدیوی دمو را اینجا ببینید:
🔗 https://www.uploadvr.com/meta-worldgen-ai-generates-3d-worlds/

به‌ظاهر، متا می‌خواهد Minecraft + Unreal + AI را یک‌جا ترکیب کند.
سال ۲۰۲۵ احتمالاً سال متولد شدن GenAI-Worlds خواهد بود.

@rss_ai_ir
#متاورس #WorldGen #MetaAI #3DGeneration #Unity #Unreal #AI #GameDev #GenerativeAI

✨ مدل MSRNet؛ شبکهٔ چندمقیاسی بازگشتی برای آشکارسازی اشیای استتار‌شده
@rss_ai_ir

تشخیص اشیایی که عمداً در محیط «محو» شده‌اند همیشه یکی از سخت‌ترین چالش‌های بینایی ماشین بوده است.
مدل MSRNet با ترکیب Pyramid Vision Transformer و Recursive Feature Refinement توانسته یک جهش جدی ایجاد کند و در بنچمارک‌ها به State-of-the-Art برسد.

🔍 چرا MSRNet مهم است؟

✳️عملکرد عالی روی اجسام کوچک و چندگانه

✳️تقویت چندمرحله‌ای ویژگی‌ها با معماری بازگشتی

✳️یادگیری پایدارتر و دقت بالاتر نسبت به مدل‌های قبلی

✳️مناسب برای کاربردهایی مثل: نظارت، رباتیک، پزشکی و تحلیل حیات‌وحش


📅 تاریخ انتشار: ۱۶ نوامبر
📄 لینک مقاله:
arXiv: https://arxiv.org/abs/2511.12810
PDF: https://arxiv.org/pdf/2511.12810

🤗 مدل‌های منتشرشده:
https://huggingface.co/linaa98/MSRNet


---

#CamouflagedObjectDetection #MSRNet #ObjectDetection #ComputerVision #DeepLearning #VisionTransformer #AIResearch #NeuralNetworks

⚡️ مدل Flux 2 رسماً منتشر شد – ارتقای بزرگ در نسل تصویر
@rss_ai_ir

مدل Flux 2 با یک آپدیت سنگین برگشته و حالا دقیق‌تر، واقع‌گراتر و بسیار توانمندتر شده است.

✨ چه چیزهایی بهتر شده؟

♻️پشتیبانی همزمان از ۱۰ رفرنس

♻️درک بسیار بهتر از نور، متریال‌ها و اپتیک

♻️رندر دقیق‌تر و طبیعی‌تر متن

♻️خروجی با کیفیت ۴K واقعی

♻️تصاویر نرم‌تر، واقع‌گراتر و بدون «براقی پلاستیکی»

♻️امکان ترکیب، ویرایش و ژنریشن چندمرحله‌ای


🖥️ اجرای محلی هم کاملاً ممکن است
وزن‌ها باز هستند و با حدود ۶۵ گیگابایت می‌توانید مدل را روی سیستم خود اجرا کنید.

🟠 دمو:
https://playground.bfl.ai/image/generate

🟠 وزن‌ها:
https://huggingface.co/black-forest-labs

🟠 FLUX.2-dev در HF:
https://huggingface.co/black-forest-labs/FLUX.2-dev


---

#Flux2 #AI #ImageGeneration #AIGraphics #GenerativeAI #BlackForestLabs #DiffusionModels