✨ آینده پزشکی همین حالاست!

🔹 پلتفرم Medivis تصاویر دوبعدی پزشکی مثل MRI و CT را به هولوگرام‌های سه‌بعدی تعاملی تبدیل می‌کند.
🔹 پزشکان می‌توانند این هولوگرام‌ها را در زمان واقعی و درست روی بدن بیمار در کنار تخت بیمار قرار دهند.

این فناوری دیگر خیال‌پردازی علمی نیست؛ بلکه واقعیتی است که شیوه تشخیص و انجام جراحی‌ها را متحول می‌کند. 🚀

@rss_ai_ir
#پزشکی #فناوری #هولوگرام #واقعیت_افزوده #هوش_مصنوعی

🤖 تحویل غذای رباتیک در زوریخ آغاز شد

شرکت Just Eat Takeaway.com با همکاری استارتاپ سوئیسی RIVR اولین پایلوت ربات‌های زمینی خودران را در اروپا راه‌اندازی کرد. این ربات‌ها مخصوص حرکت در محیط‌های واقعی شهری طراحی شده‌اند.

🚀 ویژگی‌ها:

♻️سرعت حرکت تا ۱۵ کیلومتر بر ساعت
♻️توانایی بالا رفتن از پله‌ها
♻️ظرفیت حمل ۴۰ لیتر غذا
♻️پیمایش تا ۳۰ کیلومتر با هر بار شارژ


📌 نحوه استفاده:

♻️مشتری از طریق اپلیکیشن JET سفارش می‌دهد
♻️تحویل غذا با اسکن QR کد باز می‌شود
♻️فعلاً ۱۲ ربات در محدوده ۵ کیلومتر مربعی و سه محله فعالیت می‌کنند


🎯 اهداف:

♻️دستیابی به ۹۰٪ تحویل به موقع
♻️کاهش هزینه نسبت به پیک‌های انسانی
♻️هزینه عملیاتی حدود ۰.۴ یورو برای هر کیلومتر با بازگشت سرمایه ۱۸ ماهه


🔮 نقشه توسعه شامل شهرهای آمستردام، برلین و پاریس است.
این پروژه نشان‌دهنده گذار فناوری از آزمایشگاه‌ها به خیابان‌های واقعی و چشم‌اندازی از آینده لجستیک شهری است.

@rss_ai_ir
#رباتیک #هوش_مصنوعی #تحویل_غذا #اتوماسیون #فودتک

🧪ابزار DeepEval؛ چارچوب متن‌باز برای ارزیابی LLMها

ابزار DeepEval یک ابزار ساده و متن‌باز است که برای ارزیابی و تست سیستم‌های مدل زبانی بزرگ طراحی شده. این فریمورک شبیه Pytest عمل می‌کند اما تخصصی برای یونیت‌تست خروجی‌های LLM ساخته شده است.

🔹 ویژگی‌ها:

♻️پشتیبانی از متریک‌های مهم مثل G-Eval، hallucination، answer relevancy، RAGAS و غیره.

♻️اجرای محلی روی سیستم شما بدون وابستگی به سرور خارجی.

♻️مناسب برای RAG pipelineها، چت‌بات‌ها، ایجنت‌ها و پیاده‌سازی با ابزارهایی مثل LangChain یا LlamaIndex.

♻️کمک به بهینه‌سازی مدل‌ها، پرامپت‌ها و معماری برای جلوگیری از prompt drifting یا حتی مهاجرت از OpenAI به میزبانی داخلی مثل DeepSeek R1.


📌 لینک‌ها:
🖥 Github: github.com/confident-ai/deepeval
📕 Colab: Google Colab Notebook
🔗 Project: deepeval.com

@rss_ai_ir
#هوش_مصنوعی #LLM #ارزیابی #DeepEval #AItools

⚡ انویدیا در آستانه عرضه تراشه‌ی جدید برای چین

🔹 شرکت Nvidia در حال توسعه تراشه‌ای تازه بر پایه معماری Blackwell با نام B30A است؛ تراشه‌ای که درست زیر محدودیت‌های صادراتی آمریکا طراحی شده اما همچنان می‌تواند جهش بزرگی برای شرکت‌های چینی در حوزه هوش مصنوعی ایجاد کند.

⚙️ ویژگی‌ها:

♻️حافظه پرسرعت (High-Bandwidth Memory)
♻️پشتیبانی از NVLink
♻️طراحی تک‌تراشه‌ای (Single-die)


⚡ توان پردازشی این تراشه تا حدود نصف قدرت B300 برآورد شده که بسیار قوی‌تر از تراشه‌های کنونی H20 است.

🗣️ ترامپ تراشه H20 را «منسوخ» خوانده و پیشنهاد کاهش محدودیت‌ها را مطرح کرده، اما نهادهای نظارتی نگران‌اند حتی نسخه‌های ضعیف‌تر هم به شتاب گرفتن رقابت چین در AI کمک کنند.

🎯 انویدیا حالا روی یک تیغ باریک حرکت می‌کند: باید به‌اندازه کافی برای بازار چین بفروشد، بدون آنکه موج جدیدی از ممنوعیت‌ها از واشنگتن کلید بخورد.

@rss_ai_ir
#Nvidia #تراشه #هوش_مصنوعی #Blackwell #چین #AI

🧉 چارچوب YOPO برای تخمین ۹ درجه آزادی (9-DoF Pose) 🧉

پژوهشگران شرکت Pit In Co. از روشی نوین به نام YOPO رونمایی کردند؛ رویکردی تک‌مرحله‌ای و مبتنی بر *query* که تخمین وضعیت سه‌بعدی در سطح دسته‌بندی (category-level) را به‌عنوان توسعه‌ای طبیعی از تشخیص دوبعدی ارائه می‌دهد.

🔹 این روش برای تخمین وضعیت چندشیئی تنها با تصاویر RGB تکی طراحی شده و در دسته SOTA قرار گرفته است.
🔹 کد و مدل‌های آن نیز به‌زودی منتشر خواهند شد.

📌 منابع:
📄 مقاله: [arXiv](https://arxiv.org/pdf/2508.14965)
🌐 پروژه: [YOPO Project Page](https://mikigom.github.io/YOPO-project-page/)
💻 ریپو: به‌زودی

@rss_ai_ir
#بینایی_ماشین #تشخیص_وضعیت #YOPO #هوش_مصنوعی #AI

📌 عنوان:
امنیت سایبری در IIoT؛ خط دفاع اول کارخانه هوشمند 🛡🏭

---

با گسترش اینترنت اشیا صنعتی، دستگاه‌ها و سنسورها به شبکه متصل شده‌اند، اما این اتصال یک چالش بزرگ دارد: آسیب‌پذیری در برابر حملات سایبری.

🔍 تجهیزات صنعتی که بدون امنیت مناسب کار می‌کنند، می‌توانند هدف حملات تزریق داده جعلی یا کنترل از راه دور غیرمجاز شوند؛ این حملات ممکن است باعث توقف کامل خط تولید یا حتی صدمات فیزیکی به ماشین‌آلات شوند.

⚙️ راهکارهای کلیدی
- استفاده از رمزگذاری ارتباطات بین سنسور و سرور
- تأیید هویت چندمرحله‌ای دستگاه‌ها
- به‌روزرسانی دائمی Firmware و نرم‌افزارهای دستگاه‌ها
- نظارت مداوم بر ترافیک شبکه و شناسایی الگوهای غیرعادی

📌 نکته تخصصی:
در سیستم‌های IIoT پیشرفته، ترکیبی از سامانه تشخیص نفوذ (IDS) و هوش مصنوعی تشخیص رفتار غیرعادی برای جلوگیری از نفوذ استفاده می‌شود. این مدل‌ها می‌توانند در همان لبه شبکه (Edge) رفتار مشکوک را مسدود کنند قبل از آنکه به سیستم مرکزی برسد.

---

🔖 #اینترنت_اشیا #IIoT #امنیت_سایبری #صنعت۴ #SmartFactory #هوش_مصنوعی #امنیت_صنعتی
@rss_ai_ir

🚀 رباتی با طراحی خلاقانه که هیچ‌وقت متوقف نمی‌شود!


@rss_ai_ir
#رباتیک #فناوری #هوش_مصنوعی #طراحی_صنعتی #روبات

📊 چارچوب EfficientLLM به ما یادآوری می‌کنه که در دنیای مدل‌های بزرگ، فقط کیفیت مهم نیست؛ کارایی هم به‌اندازه کافی حیاتی‌ست.

پژوهشگران بیش از ۱۰۰ پیکربندی LLM/VLM رو بررسی کردن و به‌جای تمرکز روی FLOPs تئوریک، معیارهای واقعی مثل مصرف حافظه (VRAM)، تأخیر (Latency) و انرژی رو سنجیدن.

🔑 چند نکته کلیدی:

وقتی حافظه یا سرعت گلوگاه باشه → مکانیزم‌های توجه (Attention) با تعداد کلید/هد کمتر، مصرف VRAM و زمان پاسخ رو به‌شدت کاهش می‌دن.

اگر دقت حرف اول رو می‌زنه → توجه کامل (Full Attention) و موقعیت‌دهی RoPE بهترین انتخاب هستن، اما هزینه‌ی منابع بالاتر خواهد بود.

✳️همچنین MoE (Mixture of Experts) کیفیت رو بدون افزایش زیاد هزینه‌ی محاسباتی بالا می‌بره، ولی VRAM بیشتری نیاز داره و دیپلوی سخت‌تر می‌شه.

در فاین‌تیونینگ:
✳️ مدل‌های کوچک (≈۱–۳B) → LoRA و خانواده‌اش بهترین بازدهی رو دارن.
✳️ مدل‌های بزرگ‌تر (≈۱۴B+) → RSLoRA معمولا برتره.
✳️ اگر چرخه‌های سریع مهم باشه → Freeze لایه‌ها سرعت رو چندبرابر می‌کنه.

در استنتاج:
♻️ کوانتیزه‌سازی تا int4 جهش بزرگی در صرفه‌جویی هزینه/وات/گیگابایت می‌ده، با اندکی افت دقت.
♻️ برای حفظ دقت بالا → bf16 معمولا بهتر از fp16 روی GPUهای مدرن عمل می‌کنه.


📌 جمع‌بندی:

کمبود VRAM → توجه بهینه + موقعیت نسبی + LoRA + int4

نیاز به حداکثر دقت → توجه کامل + RoPE + RSLoRA + bf16

محدودیت Compute → سراغ MoE بروید، اما VRAM رو حساب کنید

چرخه‌های سریع توسعه → Freeze موقت، بعد LoRA/RSLoRA


❓شما بیشتر کجا گیر می‌کنید؟ حافظه، سرعت، انرژی یا دقت؟

@rss_ai_ir
#هوش_مصنوعی #مدل_زبان_بزرگ #بهینه‌سازی #LLM #کارایی

🔴 در پروژه‌های صنعتی هوش مصنوعی، حضور بعضی افراد می‌تواند پروژه را به شکست بکشاند.

🚫 این افراد را در تیم خود استفاده نکنید:

1️⃣ تئوری‌زده‌های صرف: کسانی که فقط مقاله می‌خوانند و مدل می‌سازند، بدون توجه به محدودیت‌های واقعی صنعت مثل سخت‌افزار یا هزینه.
2️⃣ کدنویس‌های بی‌خبر از صنعت: برنامه‌نویس‌هایی که صرفاً به کد نگاه می‌کنند و فرآیند واقعی تولید یا محدودیت سنسورها را نمی‌شناسند.
3️⃣ فریلنسرهای بدون تعهد: افرادی که فقط برای دریافت پول وارد پروژه می‌شوند و بعد از تحویل، سیستم را بدون پشتیبانی رها می‌کنند.
4️⃣ مدیران غیر فنی با توقعات غیرواقعی: کسانی که فقط برای مد بودن به سراغ AI می‌آیند و انتظار دارند ظرف یک ماه کل خط تولید خودکار شود.
5️⃣ افراد تک‌بعدی و منزوی: کسانی که حاضر به تعامل بین‌رشته‌ای نیستند (مثلاً فقط دیتا ساینتیست یا فقط IT).
6️⃣ بی‌توجه به تست و مانیتورینگ: افرادی که فکر می‌کنند پروژه با آموزش مدل تمام می‌شود و نگهداری و پایش در عمل را نادیده می‌گیرند.


✅ بهترین تیم صنعتی ترکیبی است از دیتاساینتیست‌های آشنا به صنعت، مهندسان نرم‌افزار و DevOps، متخصصان صنعتی (Domain Experts) و مدیر پروژه واقع‌بین.

#هوش_مصنوعی #پروژه_صنعتی #مدیریت_پروژه #AI_industrial

🆔 @rss_ai_ir

⚙️ وقتی اتوماسیون شکست می‌خورد و دوباره به انسان‌ها نیاز می‌شود

📉 اجرای هوش مصنوعی در شرکت‌های آمریکا باعث تعدیل نیرو بسیار کمتر از پیش‌بینی‌ها شده است. بر اساس گزارش «روس‌کنگرس»، تنها ۱۴٪ کارکنان شغل خود را از دست داده‌اند، اما ۴۷٪ همچنان از خطر بیکاری به دلیل اتوماسیون نگران هستند.

🤖 تجربه نشان داده است که جایگزینی کامل انسان با هوش مصنوعی همیشه نتیجه مطلوبی ندارد. برای مثال در شرکت Klarna، چت‌بات‌ها نتوانستند خدمات مشتری را به‌خوبی ارائه دهند و شرکت مجبور شد بخشی از کارکنان را بازگرداند. همچنین IBM با معرفی AskHR تقریباً بخش منابع انسانی را حذف کرد، اما بعدها دوباره متخصصانی را برای وظایفی که نیازمند همدلی و تعامل انسانی بودند، استخدام کرد.


#هوش_مصنوعی #اتوماسیون #فناوری #تحول_دیجیتال #صنعتی

🆔 @rss_ai_ir

📸 یک بیلبورد جالب در سان‌فرانسیسکو:

«هوش مصنوعی نمی‌تواند یک فیش‌تاکو را گریل کند»

شرکت Pacific Catch با این شعار تبلیغ کرده که هرچقدر هم AI پیشرفت کند، هنوز بعضی چیزها مثل طعم و مهارت آشپزی انسانی جایگزین‌پذیر نیستند.

ولی خب، سؤال اصلی اینجاست:
⏳ واقعاً کی اولین «ربات تاکو» را خواهیم دید که بتواند همزمان هم ماهی را گریل کند، هم تاکو بپیچد، هم لبخند بزند؟

به نظر شما، ربات‌های آشپزخانه چقدر تا تسخیر فست‌فودها فاصله دارند؟ 🌮🤖

#AI #رباتیک #هوش_مصنوعی #آشپزخانه_هوشمند

@rss_ai_ir

🤖 ربات انسان‌نمای ALLEX معرفی شد

شرکت کره‌ای WIRobotics از ربات انسان‌نمای همه‌منظوره خود رونمایی کرد. این ربات دارای بازوهایی با اصطکاک بسیار پایین و قابلیت بازگردانی نیرو (backdrivable) و همچنین دست‌هایی شبیه انسان است.

🔹 مشخصات فنی چشمگیر:

♻️هر دست دارای ۱۵ درجه آزادی (DOF)
♻️توانایی بلند کردن اجسام بالای ۳۰ کیلوگرم
♻️قدرت بیش از ۴۰ نیوتن در نوک انگشتان


⚡ کره‌جنوبی با این دستاورد نشان داد که نه‌تنها در حوزه ضدپیری، بلکه در رباتیک، بیوتک و تحقیقات سرطان نیز جایگاهی فراتر از انتظار خود پیدا کرده است.

#Humanoid #Robotics #AI #WIRobotics #SouthKorea

⛔️ تازه یک مدل جدید برای ساخت دنیا معرفی شده!

🔗 همچنین WorldLabs ابزاری ساخته که فقط با یک تصویر، یک دنیا کامل سه‌بعدی می‌سازد.

✨ ویژگی‌ها:

♻️جهان‌ها برای همیشه در حافظه ذخیره می‌شوند و جزئیات از بین نمی‌رود.
♻️مبتنی بر 3D Gaussian Splatting (3DGS) است، پس می‌توان صحنه‌ها را با هم ترکیب یا تغییر داد.
♻️برخلاف روش‌های قدیمی، دنیاها مقیاس‌پذیر و قابل ویرایش در زمان واقعی هستند.


📌 فعلاً در حالت بتای خصوصی قرار دارد.

به‌نظرتان آینده‌ی بازی‌سازی و متاورس دقیقاً همین مسیر نیست؟ 🎮🌍

#AI #3D #WorldModel #GenerativeAI #Metaverse #GameTech
@rss_ai_ir

🔹 شرکت Anthropic دسترسی Claude Code را برای کاربران Team و Enterprise فعال کرد.

این نسخه شامل قابلیت‌های مدیریتی تازه است:
⚙️ کنترل‌های ادمین برای مدیریت هزینه
⚙️ تنظیم سیاست‌ها
⚙️ امکانات بیشتر برای مقیاس‌پذیری همراه با رشد مصرف

این تغییر به تیم‌ها کمک می‌کند راحت‌تر کدنویسی مبتنی بر Claude را در مقیاس سازمانی استفاده کنند.

#AI #Claude #Anthropic #Enterprise #Coding

@rss_ai_ir 🪙

🔬 یک نکته تخصصی در مورد CNN:

♻️در معماری‌های مدرن CNN به جای استفاده از پولینگ سنتی (MaxPooling/AvgPooling)، اغلب از stride > 1 در کانولوشن استفاده می‌شود.

📌 چرا؟

✅یادگیری‌پذیری بالاتر: بر خلاف Pooling که یک عمل ثابت و بدون پارامتر است، کانولوشن با stride بزرگ‌تر می‌تواند همزمان هم کاهش ابعاد بدهد و هم ویژگی‌های قابل یادگیری استخراج کند.

✅پایداری گرادیان: استفاده بیش‌ازحد از pooling می‌تواند باعث از دست رفتن اطلاعات ظریف و مشکلات در backpropagation شود.

✅دقت بالاتر در شبکه‌های عمیق: مدل‌هایی مثل ResNet و EfficientNet نشان داده‌اند که حذف یا کاهش pooling و جایگزینی آن با کانولوشن استرایددار (stride convolution) باعث بهبود generalization می‌شود.


⚡ نتیجه: در طراحی CNN برای پروژه‌های صنعتی، به جای اتکا به Pooling‌های متعدد، استفاده از کانولوشن استرایددار هم دقت بالاتر و هم بهینه‌سازی بهتری در حافظه و سرعت به همراه دارد.

@rss_ai_ir
#CNN #DeepLearning #هوش_مصنوعی #بینایی_ماشین #Convolution

🚀 شرکت علی‌بابا از پلتفرم جدید خود با نام Qoder رونمایی کرد؛ یک ابزار عامل‌محور برای کدنویسی که می‌تواند کل چرخه توسعه را از نوشتن کد تا تست و مونتاژ نهایی انجام دهد.

✨ ویژگی‌ها:

🖱 دو حالت کاری:
• Agent Mode → جفت‌برنامه‌نویسی با کنترل کامل
• Quest Mode → کدنویسی خودران از تعریف وظیفه تا تولید نهایی

🖱 توانایی تحلیل عمیق کدبیس‌های بزرگ، معماری و الگوها

🖱 ارائه‌ی راهنمایی هوشمند، مستندسازی خودکار و حافظه بلندمدت برای تطابق با سبک تیم

🖱 انتخاب خودکار بهترین مدل (Claude، Gemini، GPT و …) متناسب با وظیفه


🔓همچنین Qoder هم‌اکنون در Public Preview و به صورت رایگان در دسترس است.

⚡ مرز بین «توسعه‌دهنده انسانی» و «عامل هوش مصنوعی» حالا باریک‌تر از همیشه شده است.

@rss_ai_ir
#Alibaba #Qoder #AI #Coding #AgenticAI #هوش_مصنوعی

🫔 مدل انسان ATLAS؛ دستاورد تازه متا 🫔

شرکت Meta از مدل نوین بدن انسان با نام ATLAS رونمایی کرد؛ مدلی با دقت بالا که بر پایه ۶۰۰ هزار اسکن با وضوح بالا و توسط ۲۴۰ دوربین همگام‌سازی‌شده آموزش دیده است.

🔹 ویژگی‌ها:

* بازسازی سه‌بعدی با جزئیات بسیار بالا
* قابلیت استفاده در انیمیشن، متاورس و واقعیت افزوده
* یادگیری از دیتاست بی‌نظیر با مقیاس عظیم

📌 منابع:

📄 مقاله: [arXiv](https://arxiv.org/pdf/2508.15767)
🌐 پروژه: [ATLAS Project Page](https://jindapark.github.io/projects/atlas/)
💻 کد: به‌زودی منتشر خواهد شد

@rss_ai_ir
#هوش_مصنوعی #متا #ATLAS #مدل_سه‌بعدی #متاورس #بینایی_ماشین

📌 بینایی ماشین در خدمت صنعت

هوش مصنوعی و بینایی ماشین در خطوط تولید دیگر یک انتخاب لوکس نیست، بلکه یک ضرورت است. نمونه‌ی تازه از DeepX نشان می‌دهد چگونه می‌توان با مدل‌های پردازش تصویر، بهره‌وری و ایمنی را چند برابر کرد:

🔹 ردیابی لحظه‌ای اشیا: شناسایی و دنبال‌کردن بطری‌ها و محصولات روی خط تولید.
🔹 تشخیص عیوب: کشف ایراداتی که از چشم انسان پنهان می‌ماند (مانند بطری‌های معیوب ۲۳ و ۲۸).
🔹 اسکن موجودی انبار: شناسایی خودکار جایگاه‌های خالی و پایش لحظه‌ای انبار.
🔹 ردیابی کارکنان: تحلیل حرکات کارکنان برای افزایش ایمنی و جلوگیری از ورود به مناطق خطرناک.

⚡️ این فناوری‌ها نه‌تنها باعث کاهش خطا و افزایش سرعت می‌شوند، بلکه امنیت کارگران و کیفیت محصول را هم تضمین می‌کنند.
@rss_ai_ir
#AI_industrial #ComputerVision #SmartFactory #Industry40