🇨🇳 چین و نسل جدید «مراقب درس‌خواندن» با هوش مصنوعی

در چین، والدین یک استفاده عجیب‌وغریب اما رو‌به‌گسترش از هوش مصنوعی پیدا کرده‌اند: ناظر لحظه‌ای درس‌خواندن بچه‌ها.

آن‌ها اپ Doubao (محصول ByteDance) را باز می‌کنند، دوربین را به سمت کودک می‌گیرند و فقط یک دستور می‌دهند:

«دوباو، مراقبش باش. اگر حواسش پرت شد یا قوز کرد، تذکر بده.»

از همان لحظه، دستیار هوشمند کنترل را به‌دست می‌گیرد و پشت‌سرهم اخطار می‌دهد:

🔸 «با خودکارت ور نرو.»
🔸 «روی تکلیف تمرکز کن.»
🔸 «صاف بنشین.»
🔸 «چرت نزن.»
🔸 «روی دستت تکیه نده.»
🔸 «خودکار را نجو.»

یک ناظر دیجیتالی کلاس درس؛ چیزی که تا چند سال پیش فقط در فیلم‌های علمی‌تخیلی می‌دیدیم.

📌 هشتگ‌ها

#AI #China #Doubao #ByteDance #EducationTech #StudyMonitor #EdTech #AIinEducation

🎨 راهنمای رسمیِ پرامپت‌نویسی FLUX.2
این مدل تازه‌نفس چندتا قاعدهٔ مهم دارد که اگر رعایت شوند، خروجی‌ها دقیق‌تر و قابل‌کنترل‌تر می‌شوند:

🔹 پرامپت ساختاریافته با JSON
اینکه FLUX.2 از پرامپت‌های JSON پشتیبانی می‌کند. یعنی می‌توانید ترکیب‌بندی، اشیا، رنگ‌ها، سبک و جزئیات صحنه را شفاف و خط‌به‌خط مشخص کنید.

🔹 پشتیبانی از HEX برای رنگ‌ها
اگر رنگ دقیق می‌خواهید، مستقیم کد HEX بدهید.
مثلاً "#E91E63" دقیقاً همان رنگی است که دریافت می‌کنید.

🔹 بدون پرامپت منفی
این مدل «اجتناب»، «نباشد»، «نذار»، «بدون» و… را متوجه نمی‌شود.
باید فقط بگویید چه می‌خواهید، نه چه نمی‌خواهید.

🔹 پرامپت چندزبانه
پرامپت فارسی، انگلیسی یا هر زبان دیگری را می‌فهمد. همین باعث می‌شود خروجی‌ها از نظر فرهنگی طبیعی‌تر باشند.

🔹 پشتیبانی از تنظیمات دوربین
برای کار فتو‌رئال می‌توانید مدل دوربین، لنز، فاصلهٔ کانونی و تنظیمات تصویربرداری را دقیق مشخص کنید.

https://docs.bfl.ai/guides/prompting_guide_flux2

#Flux2 #راهنمای_پرامپت #AI #تولید_تصویر

🔥 اسپلت‌های مصنوعی؛ یک تکنیک خلاقانه برای شبیه‌سازی سه‌بعدی

یک روش جالب برای ساخت synthetic splats این روزها بین کاربران محبوب شده:

1️⃣ ابتدا انفجار یا افکت موردنظر داخل Embergen شبیه‌سازی و رندر می‌شود.
2️⃣ سپس از یک فریم ثابت، یک ویدئوی ۳۶۰ درجه (turntable) تهیه می‌شود.
3️⃣ این ویدئو وارد Postshot می‌شود تا از آن یک Gaussian Splat سه‌بعدی ساخته شود.
4️⃣ نتیجه؟
یک صحنه اسپلات‌شده که می‌توانید در هر موتور یا ابزار سازگار با splats به‌صورت زنده و تعاملی بچرخانید—کاملاً خارج از محیط Embergen.

⚡️ نتیجه چشم‌گیر است:
نه‌تنها زیبا، بلکه یک ایده جذاب برای ساخت دیتاهای سه‌بعدی سبک، تعاملی و قابل‌استفاده در پروژه‌های گرافیکی و ریل‌تایم.

🔗 Embergen:
jangafx.com/software/embergen

🔗 Postshot:
jawset.com

@cgevent

🔥 نسل جدید «دانشمند هوش مصنوعی» از اندرو اَن (Andrew Ng) منتشر شد — همان استاد افسانه‌ای استنفورد و هم‌بنیان‌گذار Coursera.

این ابزار، یک AI محقق و داور سطح PhD است که می‌تواند کیفیت پژوهش‌های شما را چند برابر کند.

🎓 چه کار می‌کند؟

• پایان‌نامه یا مقاله را در چند ثانیه مثل یک استاد سخت‌گیر بررسی می‌کند
اشتباهات، ضعف‌ها، منابع ناقص، استدلال‌های سست و حتی ایرادات ساختاری را پیدا می‌کند.

• فکت‌ها، ارجاعات و استانداردهای دانشگاهی را چک می‌کند
طبق فرمت دانشگاه شما، APA, IEEE, MLA و … .

• مثل یک استاد واقعی رفتار می‌کند
نه تعریف بی‌خود، نه پاسخ سطحی — دقیقاً مثل یک پروفسور وسواسی که تا آخرین جمله را به چالش می‌کشد.

• باعث می‌شود سریع‌تر بنویسید، بهتر منتشر کنید و کمتر گرفتار اصلاحیه شوید
دیگر لازم نیست ماه‌ها منتظر داوری مجلات باشید.

🔗 لینک ابزار

https://paperreview.ai/

اگر کار پژوهشی دارید، پایان‌نامه می‌نویسید، یا دانشجوهای شما مقاله می‌نویسند — این ابزار واقعاً یک انقلاب است.
@rss_ai_ir

🔥 بهترین راهنمای فاین‌تیونینگ که امسال در arXiv می‌بینید!

اگر با مدل‌های زبانی کار می‌کنید—چه مبتدی باشید چه حرفه‌ای—این مقاله دقیقاً همان چیزی است که لازم دارید. یک راهنمای کامل، مرحله‌به‌مرحله و فوق‌العاده منظم برای تسلط بر Fine-Tuning مدرن.

📘 مباحثی که پوشش می‌دهد:

🧠 مبانی NLP (برای اینکه بدانید زیرساخت مدل چه می‌گوید)

⚙️ روش‌های PEFT / LoRA / QLoRA (تکنیک‌های سبک برای آموزش مدل‌های بزرگ روی GPUهای معمولی)

🔀اینکه Mixture of Experts (MoE) و نکات ریز مربوط به آموزش کارآمد

🧩 پایپلاین ۷ مرحله‌ای برای فاین‌تیونینگ حرفه‌ای

🎯 توصیه‌های عملی، چک‌لیست‌ها و اشتباهاتی که باید از آن‌ها دوری کرد


📄 منبع:
https://arxiv.org/pdf/2408.13296v1

#AI #ML #FineTuning #LoRA #QLoRA #MoE #NLP #DeepLearning #arXiv

@rss_ai_ir

✨ NAF: Zero-Shot Feature Upsampling via Neighborhood Attention Filtering ✨

📝 خلاصه کوتاه:
روش NAF یک تکنیک جدید برای Upsampling ویژگی‌ها در مدل‌های پایه بینایی (Vision Foundation Models) است — کاملاً به‌صورت Zero-Shot و بدون هیچ‌گونه بازآموزی.
این روش با یادگیری وزن‌های تطبیقی بر اساس فضا + محتوا، دقت بالاتر و کارایی بهتر از آپ‌سمپلرهای سنتی ارائه می‌دهد.

🔹 ویژگی‌های کلیدی:

♻️آپ‌سمپل کردن ویژگی‌های VFM بدون نیاز به فاین‌تیون

♻️عملکرد SOTA در طیف گسترده‌ای از وظایف بینایی

♻️کارایی بالا و مناسب برای استفاده در سیستم‌های real-time

♻️قابل استفاده برای مدل‌های مختلف بدون وابستگی به معماری خاص


🔗 Paper & Code:
• arXiv: https://arxiv.org/abs/2511.18452
• PDF: https://arxiv.org/pdf/2511.18452
• GitHub: https://github.com/valeoai/NAF

#ZeroShotLearning #ComputerVision #FeatureUpsampling #DeepLearning #AIResearch @rss_ai_ir

🤖 سؤال مهم درباره ویدئوی ربات‌ها

✅نمایش‌ها چشمگیرند — رباتی که سریع بلند می‌شود و شروع به دویدن می‌کند.
اما واقعاً کاربرد عملی این توانایی چیست؟
آیا فقط برای نشان دادن قدرت مهندسی است، یا پشت آن یک سناریوی صنعتی-نظامی-تجاری جدی قرار دارد؟

⛔️این همان پرسشی است که بسیاری از متخصصان رباتیک امروز مطرح می‌کنند:
«به‌جز اثبات اینکه می‌توانیم چنین کاری انجام دهیم، این توانایی دقیقاً کجا به کار می‌آید؟»

@rss_ai_ir
#رباتیک #هوش_مصنوعی #Autonomy #AIpost

📌 خلاصه‌ای از تحلیل‌های The Information و Financial Times درباره مسیر مالی و رشد OpenAI

در پشت‌صحنه موج عظیم استفاده از ChatGPT، مدل تجاری OpenAI با شتاب در حال تغییر است. شرکت از همان استراتژی موفق Zoom و Slack بهره می‌برد: جذب کاربران رایگان، سپس تبدیل آن‌ها به اشتراک‌های سازمانی.

🔹 اکنون حدود ۵٪ از کاربران هفتگی، اشتراک پولی دارند.
🔹 پیش‌بینی: طی ۵ سال آینده، ۲۲۰ میلیون کاربر در جهان مشترک Plus می‌شوند (حدود ۸.۵٪ کاربران فعال).
🔹 برای مقایسه: Netflix حدود ۳۰۰ میلیون مشترک دارد و Office 365 نزدیک به ۴۵۰ میلیون.

اما بخش جذاب‌تر، ارقام اقتصادی زیرساخت است:

⚡ بر اساس برآورد HSBC:

♻️قراردادهای فعلی دیتاسنترها: تا ۱.۸ تریلیون دلار

♻️هزینه سالانه دیتاسنتر تا پایان دهه: حدود ۶۲۰ میلیارد دلار

♻️مصرف واقعی احتمالاً تنها یک‌سوم ظرفیت قراردادها خواهد بود.

♻️پیش‌بینی تعداد کاربران ChatGPT تا ۲۰۳۰: ۳ میلیارد نفر (معادل ۴۴٪ بزرگسالان جهان بدون چین)

♻️حدود ۱۰٪ این جمعیت به مشتریان پولی تبدیل می‌شوند.


🔸 تحلیل HSBC همچنین پیش‌بینی می‌کند مدل‌های زبانی حدود ۲٪ از کل بازار تبلیغات دیجیتال را تصاحب می‌کنند — عددی که با توجه به آغاز سرویس Shopping Assistant شاید حتی محافظه‌کارانه باشد.

📉 در فاصله امروز تا ۲۰۳۰، یک کسری بودجه حدود ۲۰۰ میلیارد دلار برای OpenAI پیش‌بینی شده است.
اما نکته مهم: این رقم در برابر ارزش درآمدی آینده و سرمایه‌گذاری‌های کنونی (حدود ۶۰ میلیارد دلار جذب‌شده تاکنون) کاملاً قابل مدیریت است.

به زبان ساده:
اینکه OpenAI با سرعتی بی‌سابقه رشد می‌کند، سرویس‌ها توسعه می‌یابند، و اگر جایگاه شماره یک خود را حفظ کند، تمام این هزینه‌ها به یک سرمایه‌گذاری بلندمدت تبدیل می‌شود — نه بحران مالی.


https://www.theinformation.com/articles/openai-projected-least-220-million-people-will-pay-chatgpt-2030

https://www.ft.com/content/23e54a28-6f63-4533-ab96-3756d9c88bad
---

#OpenAI #ChatGPT #AI #TechEconomy #DataCenters #AIFuture #SamAltman @rss_ai_ir

🔥 بالاخره یک کاربرد واقعی برای ربات‌های انسان‌نما!

این ربات حالا در چین برای تمیز کردن توالت‌ها استفاده می‌شود — یک نمونه واقعی از ورود ربات‌ها از آزمایشگاه‌ها به عملیات روزمره.

این یعنی:
• ربات‌ها فقط برای دموهای نمایشی نیستند
• حوزه‌های آزاردهنده، خطرناک یا کم‌درآمد اولین جاهایی هستند که اتوماسیون در آن‌ها می‌درخشد
• مرحله «واقعاً مفید بودن» رسماً آغاز شده است

به‌جای نمایش‌های آینده‌نگرانه، این یکی دارد کار واقعی انجام می‌دهد.

@rss_ai_ir
#رباتیک 🤖 #اتوماسیون #هوش_مصنوعی #روبات_انسان‌نما #فناوری #Robot_AI

🤖 دنیا سریع‌تر از آنچه فکر می‌کنیم در حال تغییر است.

چین رسماً شروع به استفاده گسترده از ربات‌های انسان‌نما در مرز با ویتنام کرده است.
این ربات‌ها در کارهای زیر به‌کار گرفته می‌شوند:

• راهنمایی و هدایت مسافران
• بازرسی و گشت‌زنی
• پشتیبانی لجستیکی
• و هم‌زمان استفاده صنعتی در کارخانه‌های فولاد، مس و آلومینیوم

✨ ستاره‌ی این پروژه: Walker S2
اولین ربات انسان‌نما که می‌تواند باتری خودش را به‌صورت کاملاً خودکار تعویض کند — یعنی تقریباً ۲۴/۷ کار می‌کند.

ویژگی‌ها:
• ۵۲ درجه آزادی
• دست‌های بسیار دقیق و قوی
• بینایی استریو
• سیستم هوش مصنوعی UBTech BrainNet 2.0 / Co-Agent AI برای برنامه‌ریزی و اجرای خودمختار وظایف

📈اینکه UBTech تاکنون ۱.۱ میلیارد یوان قرارداد امضا کرده و قصد دارد:
• امسال ۵۰۰ ربات تحویل دهد
• سال بعد تولید را ۱۰ برابر کند
• و تا ۲۰۲۷ به ظرفیت ۱۰هزار ربات در سال برسد

این دیگر “فناوری آینده” نیست —
ربات‌های انسان‌نما به‌صورت رسمی وارد زیرساخت جهان شده‌اند.

منبع:
https://interestingengineering.com/innovation/ubtech-secures-us37-million-deal