This media is not supported in your browser
VIEW IN TELEGRAM
🤖 تشخیص چهره با هوش مصنوعی
الگوریتم‌های Face Recognition با استفاده از شبکه‌های عصبی کانولوشنی (CNN) می‌توانند ویژگی‌های منحصر به فرد چهره را استخراج و با یکدیگر مقایسه کنند.
📌 همانطور که در این ویدیو می‌بینید:
✅تصاویر مختلف از یک فرد (مثلاً در شرایط نوری یا حالات متفاوت) وارد شبکه می‌شوند.
✅مدل CNN Encoder ویژگی‌های کلیدی چهره را به بردار عددی تبدیل می‌کند.
✅در نهایت، این بردارها با هم مقایسه شده و مشخص می‌شود که هر دو تصویر متعلق به یک فرد هستند یا خیر.
این تکنیک امروز در کاربردهایی مثل امنیت، کنترل دسترسی، گوشی‌های هوشمند و حتی شبکه‌های اجتماعی استفاده می‌شود.
👁🗨 آینده سیستم‌های بینایی ماشین بدون شک با چنین الگوریتم‌هایی گره خورده است.
@rss_ai_ir
#AI #FaceRecognition #DeepLearning #ComputerVision #MachineLearning
الگوریتم‌های Face Recognition با استفاده از شبکه‌های عصبی کانولوشنی (CNN) می‌توانند ویژگی‌های منحصر به فرد چهره را استخراج و با یکدیگر مقایسه کنند.
📌 همانطور که در این ویدیو می‌بینید:
✅تصاویر مختلف از یک فرد (مثلاً در شرایط نوری یا حالات متفاوت) وارد شبکه می‌شوند.
✅مدل CNN Encoder ویژگی‌های کلیدی چهره را به بردار عددی تبدیل می‌کند.
✅در نهایت، این بردارها با هم مقایسه شده و مشخص می‌شود که هر دو تصویر متعلق به یک فرد هستند یا خیر.
این تکنیک امروز در کاربردهایی مثل امنیت، کنترل دسترسی، گوشی‌های هوشمند و حتی شبکه‌های اجتماعی استفاده می‌شود.
👁🗨 آینده سیستم‌های بینایی ماشین بدون شک با چنین الگوریتم‌هایی گره خورده است.
@rss_ai_ir
#AI #FaceRecognition #DeepLearning #ComputerVision #MachineLearning
🥰12❤11🔥11🎉10👏8👍7😁6
🇳🇵 نخست‌وزیر نپال تصمیم گرفته از ChatGPT کمک بگیرد.
هوش مصنوعی پس از تحلیل شرایط، سوشیلا کارکی ۷۳ ساله، قاضی‌القضات پیشین کشور را به عنوان گزینه معرفی کرده است.
✳️به گفته‌ی ChatGPT، او «توانایی جلب اعتماد گروه‌های مختلف و اجرای اصلاحات» را دارد.
@rss_ai_ir
#هوش_مصنوعی #ChatGPT #نپال #تحلیل_سیاسی #AI
هوش مصنوعی پس از تحلیل شرایط، سوشیلا کارکی ۷۳ ساله، قاضی‌القضات پیشین کشور را به عنوان گزینه معرفی کرده است.
✳️به گفته‌ی ChatGPT، او «توانایی جلب اعتماد گروه‌های مختلف و اجرای اصلاحات» را دارد.
@rss_ai_ir
#هوش_مصنوعی #ChatGPT #نپال #تحلیل_سیاسی #AI
👏21🔥19😁19👍18🎉14❤12🥰11🥴2
❓ چطور میشه جلوی «فراموشی فاجعه‌بار» در مدل‌های زبانی بزرگ رو هنگام فاین‌تیونینگ گرفت؟
🧩 مسئله
وقتی مدل روی داده‌های جدید فاین‌تیون میشه، ممکنه دانسته‌های قبلی خودش رو از دست بده. این پدیده به اسم Catastrophic Forgetting شناخته میشه.
🚨 بدتر از اون «کلاپس مدل» هست: زمانی که داده‌های آموزشی شامل متن‌هایی میشه که خود LLM تولید کرده. این باعث میشه داده‌ها تحریف بشن، مثال‌های نادر حذف بشن و خطاها تقویت بشن.
✅ راهکارهای عملی برای جلوگیری:
1️⃣ LoRA / فاین‌تیونینگ پارامتر-موثر
فقط آداپترها آپدیت میشن، نه همه وزن‌ها → دانش پایه حفظ میشه.
2️⃣ Dynamic Replay / Rehearsal
(بازپخش پویا)
به دیتاست جدید، داده‌های پیش‌آموزش اضافه میشه.
معمولاً ۲ تا ۳ برابر بیشتر از داده‌های تخصصی → پس‌زمینه دانشی مدل حفظ میشه.
3️⃣ Dataset Mixing
(ترکیب دیتاست‌ها)
ترکیب داده‌های عمومی + داده‌های دامنه‌ای → مانع از «گیر کردن» مدل در یک حوزه خاص.
4️⃣ Variation Across Epochs
(تنوع بین اپوک‌ها)
در هر اپوک از نمونه‌های متفاوت پیش‌آموزش استفاده میشه → تنوع بالا و کاهش ریسک اورفیت روی دیتای محدود.
📌 جواب کوتاه برای مصاحبه شغلی:
«برای جلوگیری از فراموشی، از LoRA برای فاین‌تیون پارامتر-موثر، بازپخش پویا با نسبت ۱:۲ یا ۱:۳ داده‌های پایه، و تنوع نمونه‌ها بین اپوک‌ها استفاده میشه. این باعث میشه دانش قدیمی حفظ بشه و مدل انعطاف لازم برای یادگیری داده‌های جدید رو داشته باشه».
@rss_ai_ir
#هوش_مصنوعی #LLM #یادگیری_ماشین #فاین_تیونینگ
🧩 مسئله
وقتی مدل روی داده‌های جدید فاین‌تیون میشه، ممکنه دانسته‌های قبلی خودش رو از دست بده. این پدیده به اسم Catastrophic Forgetting شناخته میشه.
🚨 بدتر از اون «کلاپس مدل» هست: زمانی که داده‌های آموزشی شامل متن‌هایی میشه که خود LLM تولید کرده. این باعث میشه داده‌ها تحریف بشن، مثال‌های نادر حذف بشن و خطاها تقویت بشن.
✅ راهکارهای عملی برای جلوگیری:
1️⃣ LoRA / فاین‌تیونینگ پارامتر-موثر
فقط آداپترها آپدیت میشن، نه همه وزن‌ها → دانش پایه حفظ میشه.
2️⃣ Dynamic Replay / Rehearsal
(بازپخش پویا)
به دیتاست جدید، داده‌های پیش‌آموزش اضافه میشه.
معمولاً ۲ تا ۳ برابر بیشتر از داده‌های تخصصی → پس‌زمینه دانشی مدل حفظ میشه.
3️⃣ Dataset Mixing
(ترکیب دیتاست‌ها)
ترکیب داده‌های عمومی + داده‌های دامنه‌ای → مانع از «گیر کردن» مدل در یک حوزه خاص.
4️⃣ Variation Across Epochs
(تنوع بین اپوک‌ها)
در هر اپوک از نمونه‌های متفاوت پیش‌آموزش استفاده میشه → تنوع بالا و کاهش ریسک اورفیت روی دیتای محدود.
📌 جواب کوتاه برای مصاحبه شغلی:
«برای جلوگیری از فراموشی، از LoRA برای فاین‌تیون پارامتر-موثر، بازپخش پویا با نسبت ۱:۲ یا ۱:۳ داده‌های پایه، و تنوع نمونه‌ها بین اپوک‌ها استفاده میشه. این باعث میشه دانش قدیمی حفظ بشه و مدل انعطاف لازم برای یادگیری داده‌های جدید رو داشته باشه».
@rss_ai_ir
#هوش_مصنوعی #LLM #یادگیری_ماشین #فاین_تیونینگ
🥰13👏13❤11🔥10👍9😁7🎉4👌1
⚠️ ریسک‌های پروژه‌های هوش مصنوعی در صنعت
هوش مصنوعی می‌تواند تحول بزرگی در صنعت ایجاد کند، اما بدون مدیریت ریسک‌ها، پروژه‌ها ممکن است شکست بخورند. مهم‌ترین ریسک‌ها:
🔹 فنی: داده‌های ناقص و نویزی، مشکلات مقیاس‌پذیری، وابستگی به سنسورها و تغییر شرایط محیطی.
🔹 سازمانی: مقاومت کارکنان، کمبود نیروی متخصص، نبود هماهنگی بین تیم‌ها.
🔹 اقتصادی: هزینه‌های بالا، بازگشت سرمایه نامشخص، وابستگی به سرویس‌های خارجی.
🔹 حقوقی و امنیتی: نقض حریم خصوصی، حملات سایبری، مسئولیت تصمیمات اشتباه.
🔹 ایمنی: خرابی تجهیزات یا خطر برای جان کارکنان در صورت تصمیم غلط AI.
📌 جمع‌بندی: موفقیت در پروژه‌های صنعتی هوش مصنوعی فقط به الگوریتم قوی بستگی ندارد، بلکه به مدیریت دقیق ریسک‌ها هم وابسته است.
@rss_ai_ir
#هوش_مصنوعی #صنعت #مدیریت_ریسک #فناوری #AI #Industry
هوش مصنوعی می‌تواند تحول بزرگی در صنعت ایجاد کند، اما بدون مدیریت ریسک‌ها، پروژه‌ها ممکن است شکست بخورند. مهم‌ترین ریسک‌ها:
🔹 فنی: داده‌های ناقص و نویزی، مشکلات مقیاس‌پذیری، وابستگی به سنسورها و تغییر شرایط محیطی.
🔹 سازمانی: مقاومت کارکنان، کمبود نیروی متخصص، نبود هماهنگی بین تیم‌ها.
🔹 اقتصادی: هزینه‌های بالا، بازگشت سرمایه نامشخص، وابستگی به سرویس‌های خارجی.
🔹 حقوقی و امنیتی: نقض حریم خصوصی، حملات سایبری، مسئولیت تصمیمات اشتباه.
🔹 ایمنی: خرابی تجهیزات یا خطر برای جان کارکنان در صورت تصمیم غلط AI.
📌 جمع‌بندی: موفقیت در پروژه‌های صنعتی هوش مصنوعی فقط به الگوریتم قوی بستگی ندارد، بلکه به مدیریت دقیق ریسک‌ها هم وابسته است.
@rss_ai_ir
#هوش_مصنوعی #صنعت #مدیریت_ریسک #فناوری #AI #Industry
🥰14😁13🔥11❤9👏8👍7🎉6🙏1👌1
This media is not supported in your browser
VIEW IN TELEGRAM
🚤🤖 لذت قایقرانی با پاروهای رباتیک!
🔹 «دیو نیوینسکی» یک قایق خاص ساخته که به جای موتور، از دو بازوی رباتیک Agilex Robotics استفاده می‌کنه. این بازوها با نرم‌افزار اختصاصی، به صورت خودکار پارو می‌زنن.
🎮 در حال حاضر کنترل با دسته‌ی گیم‌پد انجام میشه،
اما هدف نهایی: یک سیستم کاملاً خودران برای پارو زدن!
🌊 ترکیب مهندسی خلاق + رباتیک = آینده حمل‌ونقل آبی هوشمند.
#رباتیک #نوآوری #روبات_خودران #روبات_خدماتی #روباتیک_صنعتی
@rss_ai_ir
🔹 «دیو نیوینسکی» یک قایق خاص ساخته که به جای موتور، از دو بازوی رباتیک Agilex Robotics استفاده می‌کنه. این بازوها با نرم‌افزار اختصاصی، به صورت خودکار پارو می‌زنن.
🎮 در حال حاضر کنترل با دسته‌ی گیم‌پد انجام میشه،
اما هدف نهایی: یک سیستم کاملاً خودران برای پارو زدن!
🌊 ترکیب مهندسی خلاق + رباتیک = آینده حمل‌ونقل آبی هوشمند.
#رباتیک #نوآوری #روبات_خودران #روبات_خدماتی #روباتیک_صنعتی
@rss_ai_ir
👍11🥰11👏10❤9😁9🎉9🔥7🤯1
🚀 Chain-of-Vibes —
همکاری انسان و هوش مصنوعی در کدنویسی
👨💻 به جای اینکه کل یک فیچر را به صورت خودکار به AI بسپاریم، Chain-of-Vibes کار را به بخش‌های کوچک و قابل مدیریت تقسیم می‌کند.
🔹 روند کار:
1. برنامه‌نویس و AI با هم یک نقشه پیاده‌سازی طراحی می‌کنند.
2. همچنین AI هر بخش کوچک را انجام می‌دهد.
3. توسعه‌دهنده در هر مرحله بازخورد و اصلاح می‌دهد.
✨ مزایا:
✅جلوگیری از خطاهای طراحی و تصمیم‌های نادرست AI ⚠️
✅کاهش پیچیدگی و «over-engineering»
✅کنترل بهتر مسیر توسعه، بدون گیر افتادن در rabbit holes
✅در عین حال افزایش بهره‌وری با کمک کدنویسی هوش مصنوعی
⛔️این روش، تعادلی بین قدرت AI و قضاوت انسانی ایجاد می‌کند و برای پروژه‌های پیچیده بسیار کاربردی است.
@rss_ai_ir
#AI #Coding #ChainOfVibes #DevTools #Productivity
همکاری انسان و هوش مصنوعی در کدنویسی
👨💻 به جای اینکه کل یک فیچر را به صورت خودکار به AI بسپاریم، Chain-of-Vibes کار را به بخش‌های کوچک و قابل مدیریت تقسیم می‌کند.
🔹 روند کار:
1. برنامه‌نویس و AI با هم یک نقشه پیاده‌سازی طراحی می‌کنند.
2. همچنین AI هر بخش کوچک را انجام می‌دهد.
3. توسعه‌دهنده در هر مرحله بازخورد و اصلاح می‌دهد.
✨ مزایا:
✅جلوگیری از خطاهای طراحی و تصمیم‌های نادرست AI ⚠️
✅کاهش پیچیدگی و «over-engineering»
✅کنترل بهتر مسیر توسعه، بدون گیر افتادن در rabbit holes
✅در عین حال افزایش بهره‌وری با کمک کدنویسی هوش مصنوعی
⛔️این روش، تعادلی بین قدرت AI و قضاوت انسانی ایجاد می‌کند و برای پروژه‌های پیچیده بسیار کاربردی است.
@rss_ai_ir
#AI #Coding #ChainOfVibes #DevTools #Productivity
🔥16😁12👏11🎉9❤8👍7🥰5
This media is not supported in your browser
VIEW IN TELEGRAM
📚 Oboe –
هوش مصنوعی آموزشی شخصی‌ساز
⛔️مدیر سابق اسپاتیفای پلتفرم Oboe را معرفی کرده است؛ یک ابزار رایگان مبتنی بر AI که می‌تواند برای شما برنامه‌ی آموزشی کاملاً شخصی‌سازی‌شده بسازد — رقیبی جدی برای دوره‌های آنلاین.
🔹 تنها با یک پرامپت، یک ساعت یادگیری ساختارمند روی هر موضوعی (از فیزیک تا تغذیه) دریافت می‌کنید.
🔹 خروجی‌ها: خلاصه‌ها، پادکست‌ها، مقالات تصویری، فلش‌کارت‌ها و آزمون‌های کوتاه.
🔹 تمرکز بر سازگار شدن با سبک یادگیری شما، نه صرفاً ارائه اطلاعات خام.
🔹 خیلی‌ها آن را رقیب قدرتمندتری نسبت به Google NotebookLM می‌دانند.
✨ پلتفرم Oboe یادگیری فردی را به یک تجربه‌ی کاملاً شخصی و پویا تبدیل می‌کند و آینده‌ای را نوید می‌دهد که در آن مربیان AI جایگزین آموزش‌های سنتی شوند.
@rss_ai_ir
#AI #EdTech #Oboe #SelfLearning #NotebookLM #CryptoInsider
هوش مصنوعی آموزشی شخصی‌ساز
⛔️مدیر سابق اسپاتیفای پلتفرم Oboe را معرفی کرده است؛ یک ابزار رایگان مبتنی بر AI که می‌تواند برای شما برنامه‌ی آموزشی کاملاً شخصی‌سازی‌شده بسازد — رقیبی جدی برای دوره‌های آنلاین.
🔹 تنها با یک پرامپت، یک ساعت یادگیری ساختارمند روی هر موضوعی (از فیزیک تا تغذیه) دریافت می‌کنید.
🔹 خروجی‌ها: خلاصه‌ها، پادکست‌ها، مقالات تصویری، فلش‌کارت‌ها و آزمون‌های کوتاه.
🔹 تمرکز بر سازگار شدن با سبک یادگیری شما، نه صرفاً ارائه اطلاعات خام.
🔹 خیلی‌ها آن را رقیب قدرتمندتری نسبت به Google NotebookLM می‌دانند.
✨ پلتفرم Oboe یادگیری فردی را به یک تجربه‌ی کاملاً شخصی و پویا تبدیل می‌کند و آینده‌ای را نوید می‌دهد که در آن مربیان AI جایگزین آموزش‌های سنتی شوند.
@rss_ai_ir
#AI #EdTech #Oboe #SelfLearning #NotebookLM #CryptoInsider
🎉15👏11👍10🔥10😁10❤8🥰8
This media is not supported in your browser
VIEW IN TELEGRAM
🦠 رهگیری سلول با هوش مصنوعی – بدون نیاز به داده‌های برچسب‌خورده! 🦠
پژوهشگران دانشگاه RWTH یک چارچوب نوآورانه برای Cell Tracking معرفی کرده‌اند که با ترکیب مدل Segment Anything 2 (SAM2) در پایپ‌لاین رهگیری، می‌تواند هر سلول را به‌صورت Zero-Shot بخش‌بندی و رهگیری کند 🚀
🔹 نیازی به داده‌های آموزشی اختصاصی ندارد.
🔹 دقت بالا در شناسایی و دنبال‌کردن سلول‌ها در ویدیوهای میکروسکوپی.
🔹 انتشار کد منبع برای جامعه‌ی علمی 💙
📖
📄 مقاله:
https://arxiv.org/pdf/2509.09943
💻 کد منبع:
https://github.com/zhuchen96/sam4celltracking
@rss_ai_ir
#AI #BioAI #CellTracking #SAM2 #DeepLearning #BiomedicalResearch
پژوهشگران دانشگاه RWTH یک چارچوب نوآورانه برای Cell Tracking معرفی کرده‌اند که با ترکیب مدل Segment Anything 2 (SAM2) در پایپ‌لاین رهگیری، می‌تواند هر سلول را به‌صورت Zero-Shot بخش‌بندی و رهگیری کند 🚀
🔹 نیازی به داده‌های آموزشی اختصاصی ندارد.
🔹 دقت بالا در شناسایی و دنبال‌کردن سلول‌ها در ویدیوهای میکروسکوپی.
🔹 انتشار کد منبع برای جامعه‌ی علمی 💙
📖
📄 مقاله:
https://arxiv.org/pdf/2509.09943
💻 کد منبع:
https://github.com/zhuchen96/sam4celltracking
@rss_ai_ir
#AI #BioAI #CellTracking #SAM2 #DeepLearning #BiomedicalResearch
🔥15🎉12👍10🥰8😁8👏6❤3🤔1
This media is not supported in your browser
VIEW IN TELEGRAM
🪄 Higgsfield
دوباره غافلگیر کرد: Fashion Factory
حالا می‌توانید در چند مرحله ساده یک فوتوشوت حرفه‌ای بسازید:
👤 ساخت کاراکتر
🌆 انتخاب پس‌زمینه
📸 تولید اولین ست عکس
👗 آپلود لباس دلخواه
✨ زدن روی «پیرایش» → و یک آلبوم کامل در همان لباس جدید تحویل بگیرید!
🔧 «هیگزها» مرتب فیچرهای قدیمی‌شان را در قالب مینی‌محصولات تازه بسته‌بندی می‌کنند.
❌ ولی حیف که نسخه رایگان برای تست وجود نداره.
🔗 تست کنید:
Higgsfield Fashion Factory
@rss_ai_ir
#AI #FashionTech #GenerativeAI #هگزفیلد
دوباره غافلگیر کرد: Fashion Factory
حالا می‌توانید در چند مرحله ساده یک فوتوشوت حرفه‌ای بسازید:
👤 ساخت کاراکتر
🌆 انتخاب پس‌زمینه
📸 تولید اولین ست عکس
👗 آپلود لباس دلخواه
✨ زدن روی «پیرایش» → و یک آلبوم کامل در همان لباس جدید تحویل بگیرید!
🔧 «هیگزها» مرتب فیچرهای قدیمی‌شان را در قالب مینی‌محصولات تازه بسته‌بندی می‌کنند.
❌ ولی حیف که نسخه رایگان برای تست وجود نداره.
🔗 تست کنید:
Higgsfield Fashion Factory
@rss_ai_ir
#AI #FashionTech #GenerativeAI #هگزفیلد
🔥16🎉14👍11❤9😁7🥰6👏4
📸 HunyuanImage 2.1 –
دردسرهای تست مدل تصویری تنسنت
✅یکی از کاربران تجربه‌اش از تست HunyuanImage-2.1 در رزولوشن 2048×2048 را به اشتراک گذاشته:
⚡ نتیجه اولیه:
✳️خیلی کند ⏳
✳️کیفیت خروجی نسبت به زمان محاسبه، ارزشمند نیست 😕
🔹 مسائل اصلی:
✳️مدل بسیار حجیم است و از چندین ماژول (denoiser، refiner، reprompter و ...) تشکیل شده.
✳️حتی روی کارت H100 هم با CPU offloading اجرای آن به شدت کند می‌شود.
✳️نیاز به 200 گیگابایت RAM (60GB روی GPU + 140GB روی CPU) داشت!
🔹 تجربه اجرا:
✳️بارگذاری مدل‌ها حدود ۳ دقیقه طول می‌کشد.
✳️تولید تصویر ۲K روی H100 حدود ۱ دقیقه.
✳️اجرای refiner یا rewrite (بازنویسی پرامپت) زمان را تا ۵ دقیقه افزایش می‌دهد.
✳️خروجی در بهترین حالت کمی بهتر از Qwen Image است، اما نه خیلی متفاوت.
🔹 نقاط قوت:
✅ درک عالی پرامپت
✅ عملکرد خوب در تولید متن روی تصویر، مناظر، انیمه و آبستره‌ها
🔹 نقاط ضعف:
❌ سرعت بسیار پایین
❌ مدیریت حافظه ناکارآمد (CPU ↔ GPU swapping)
❌ کیفیت نه‌چندان خاص روی تصاویر انسان
❌ خروجی کمی «سوخته» یا بیش از حد اشباع
📌 نویسنده جمع‌بندی می‌کند که فعلاً ادامه دادن با این مدل ارزش وقت ندارد و باید منتظر ادغام با ComfyUI و بهبود مدیریت حافظه بود.
🔗 کد و جزئیات در گیت‌هاب
#هوش_مصنوعی #تنسنت #تولید_تصویر #HunyuanImage #مدل_دیفیوژن #مولد_تصویر #پردازش_تصویر #کامفی #GPU #AI_Models #ImageGeneration
دردسرهای تست مدل تصویری تنسنت
✅یکی از کاربران تجربه‌اش از تست HunyuanImage-2.1 در رزولوشن 2048×2048 را به اشتراک گذاشته:
⚡ نتیجه اولیه:
✳️خیلی کند ⏳
✳️کیفیت خروجی نسبت به زمان محاسبه، ارزشمند نیست 😕
🔹 مسائل اصلی:
✳️مدل بسیار حجیم است و از چندین ماژول (denoiser، refiner، reprompter و ...) تشکیل شده.
✳️حتی روی کارت H100 هم با CPU offloading اجرای آن به شدت کند می‌شود.
✳️نیاز به 200 گیگابایت RAM (60GB روی GPU + 140GB روی CPU) داشت!
🔹 تجربه اجرا:
✳️بارگذاری مدل‌ها حدود ۳ دقیقه طول می‌کشد.
✳️تولید تصویر ۲K روی H100 حدود ۱ دقیقه.
✳️اجرای refiner یا rewrite (بازنویسی پرامپت) زمان را تا ۵ دقیقه افزایش می‌دهد.
✳️خروجی در بهترین حالت کمی بهتر از Qwen Image است، اما نه خیلی متفاوت.
🔹 نقاط قوت:
✅ درک عالی پرامپت
✅ عملکرد خوب در تولید متن روی تصویر، مناظر، انیمه و آبستره‌ها
🔹 نقاط ضعف:
❌ سرعت بسیار پایین
❌ مدیریت حافظه ناکارآمد (CPU ↔ GPU swapping)
❌ کیفیت نه‌چندان خاص روی تصاویر انسان
❌ خروجی کمی «سوخته» یا بیش از حد اشباع
📌 نویسنده جمع‌بندی می‌کند که فعلاً ادامه دادن با این مدل ارزش وقت ندارد و باید منتظر ادغام با ComfyUI و بهبود مدیریت حافظه بود.
🔗 کد و جزئیات در گیت‌هاب
#هوش_مصنوعی #تنسنت #تولید_تصویر #HunyuanImage #مدل_دیفیوژن #مولد_تصویر #پردازش_تصویر #کامفی #GPU #AI_Models #ImageGeneration
🎉37🥰35👍34❤32🔥31👏31😁21
⚡️ الکساندر موردوینتسِف، پژوهشگر گوگل، سیستم‌های دیجیتالی بر پایه اتوما‌تا سلولی ساخته است؛ جایی که هر سلول فقط با همسایه‌هایش تعامل دارد.
🧩 این Neural Cellular Automata قادرند:
✅خودبه‌خود به شکل‌های مشخص مونتاژ شوند.
✅بعد از تخریب، دوباره بازسازی شوند.
🔹 الهام از «بازی زندگی» (Game of Life):
در نسخه کلاسیک، قوانین از قبل مشخص می‌شوند و ما فقط نتیجه را تماشا می‌کنیم.
اما اینجا برعکس است: ابتدا هدف (شکل) تعیین می‌شود، سپس قوانین به‌گونه‌ای آموزش داده می‌شوند که سلول‌ها خودشان به آن شکل برسند.
⚙️ تغییرات کلیدی:
1. حالات پیوسته – سلول فقط روشن/خاموش نیست، می‌تواند نیمه‌فعال باشد.
2. متغیرهای پنهان – هر سلول حافظه یا «حالت درونی» دارد.
3. به‌روزرسانی ناهمگام – سلول‌ها هم‌زمان تغییر نمی‌کنند، مثل زندگی واقعی.
💡 کاربردها:
پزشکی 🏥: مدل‌سازی بافت‌های خودترمیم‌شونده.
رباتیک 🤖: ازدحام ربات‌ها که بدون کنترل مرکزی ساختار بسازند.
مواد هوشمند 🧱: آجرها یا قطعاتی که خود را با محیط وفق دهند.
محاسبات جدید 💻: معماری‌های توزیع‌شده و کم‌مصرف.
🔬 محدودیت‌ها:
♻️فعلاً در حد تصاویر و شکل‌هاست، نه موجودات زنده‌ی پیچیده.
♻️نیاز به آموزش خاص برای بازسازی پس از آسیب دارد.
♻️انتقال این ایده به سلول‌های واقعی یا ربات‌ها ساده نیست.
📌 اهمیت:
این مدل‌ها نشان می‌دهند که محاسبه و زندگی دو روی یک سکه‌اند.
در حالی‌که طبیعت بدون هدف تکامل می‌یابد، اتوما‌تا برای یک مأموریت آموزش داده می‌شوند.
🟢 متن کامل در Quanta Magazine:
https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/
@rss_ai_ir
#هوش_مصنوعی #یادگیری_ماشین #زیست_شناسی #شبکه_عصبی #تکاملی #رباتیک #محاسبات_آینده
@rss_ai_ir
🧩 این Neural Cellular Automata قادرند:
✅خودبه‌خود به شکل‌های مشخص مونتاژ شوند.
✅بعد از تخریب، دوباره بازسازی شوند.
🔹 الهام از «بازی زندگی» (Game of Life):
در نسخه کلاسیک، قوانین از قبل مشخص می‌شوند و ما فقط نتیجه را تماشا می‌کنیم.
اما اینجا برعکس است: ابتدا هدف (شکل) تعیین می‌شود، سپس قوانین به‌گونه‌ای آموزش داده می‌شوند که سلول‌ها خودشان به آن شکل برسند.
⚙️ تغییرات کلیدی:
1. حالات پیوسته – سلول فقط روشن/خاموش نیست، می‌تواند نیمه‌فعال باشد.
2. متغیرهای پنهان – هر سلول حافظه یا «حالت درونی» دارد.
3. به‌روزرسانی ناهمگام – سلول‌ها هم‌زمان تغییر نمی‌کنند، مثل زندگی واقعی.
💡 کاربردها:
پزشکی 🏥: مدل‌سازی بافت‌های خودترمیم‌شونده.
رباتیک 🤖: ازدحام ربات‌ها که بدون کنترل مرکزی ساختار بسازند.
مواد هوشمند 🧱: آجرها یا قطعاتی که خود را با محیط وفق دهند.
محاسبات جدید 💻: معماری‌های توزیع‌شده و کم‌مصرف.
🔬 محدودیت‌ها:
♻️فعلاً در حد تصاویر و شکل‌هاست، نه موجودات زنده‌ی پیچیده.
♻️نیاز به آموزش خاص برای بازسازی پس از آسیب دارد.
♻️انتقال این ایده به سلول‌های واقعی یا ربات‌ها ساده نیست.
📌 اهمیت:
این مدل‌ها نشان می‌دهند که محاسبه و زندگی دو روی یک سکه‌اند.
در حالی‌که طبیعت بدون هدف تکامل می‌یابد، اتوما‌تا برای یک مأموریت آموزش داده می‌شوند.
🟢 متن کامل در Quanta Magazine:
https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/
@rss_ai_ir
#هوش_مصنوعی #یادگیری_ماشین #زیست_شناسی #شبکه_عصبی #تکاملی #رباتیک #محاسبات_آینده
@rss_ai_ir
🥰42👍41👏41🎉38🔥37❤35😁33