مدیر سابق گوگل David Petrou که به خاطر کار روی Google Goggles و Google Glass شناخته می‌شود، استارتاپی به نام Continua راه‌اندازی کرده است 💬🤖 — یک عامل هوش مصنوعی که می‌تواند به گروه‌های چت در SMS، iMessage و Discord بپیوندد تا در هماهنگی برنامه‌ها، مدیریت وظایف و کاهش شلوغی گفتگو کمک کند.


---

✨ جزئیات کلیدی

♻️جذب سرمایه ۸ میلیون دلاری در دور Seed به رهبری GV با مشارکت Bessemer Venture Partners و سرمایه‌گذاران فرشته.

♻️قابلیت‌هایی مانند تنظیم یادآور، برگزاری نظرسنجی، ایجاد اسناد و پاسخ‌گویی به سوالات در پیام خصوصی (DM).

♻️آموزش ویژه برای مدیریت مکالمات چندنفره با هوش اجتماعی.

♻️امکان افزودن مستقیم Continua به گروه‌ها و تعیین میزان مشارکت آن توسط کاربر.



---

🎯 هدف این پروژه، تبدیل مدل‌های زبانی بزرگ (LLM) به بخشی طبیعی و بدون مزاحمت از هماهنگی روزمره در گروه‌هاست.

#هوش_مصنوعی 🤖 #استارتاپ 🚀 #چت_بات 💬 #مدیریت_وظایف 📅 #LLM

🧠 نتایج جالب تست IQ برای مدل‌های هوش مصنوعی

طبق داده‌های TrackingAI.org، در تست آفلاین (که مدل‌ها قبلاً آن را ندیده بودند)، مدل GPT-5 Pro توانسته امتیاز IQ = 123 را به دست آورد — بالاترین نمره بین تمام مدل‌های موجود در این مقایسه.

📊 این تست شامل ۱۸ آزمون کلامی و ۱۲ آزمون بینایی است و میانگین امتیاز از آخرین ۷ آزمون برای هر مدل محاسبه شده است.

✨ نکته مهم اینجاست که تست آفلاین به معنی عدم وجود داده‌ها در آموزش مدل است، بنابراین نتایج بازتابی واقعی از توانایی استدلال مدل‌ها محسوب می‌شود.

🔗 جزئیات بیشتر و نمودار کامل در TrackingAI.org

#هوش_مصنوعی 🤖 #GPT5 #تست_IQ #AI_Benchmark #ارزیابی_مدل

📌 انواع روش‌های گرادیان و آپدیت وزن‌ها در شبکه‌های عصبی
@rss_ai_ir 🤖

🔹 Gradient Descent (GD) — #GradientDescent
رویکرد پایه‌ای و دقیق برای بهینه‌سازی، اما بسیار کند روی دیتاست‌های بزرگ.

🔹 Stochastic Gradient Descent (SGD) — #SGD
هر بار با یک نمونه وزن‌ها را به‌روزرسانی می‌کند؛ سریع ولی پر از نویز.

🔹 Mini-Batch GD — #MiniBatchGD
ترکیب دقت GD و سرعت SGD؛ نیازمند انتخاب درست اندازه بچ.

🔹 Momentum — #Momentum
به کمک اینرسی، نوسان را کم و سرعت همگرایی را بالا می‌برد، ولی به نرخ یادگیری حساس است.

🔹 Nesterov Accelerated Gradient (NAG) — #NAG
جهت بهینه را پیش‌بینی کرده و سریع‌تر همگرا می‌شود، اما محاسباتش پیچیده‌تر است.

🔹 Adagrad — #Adagrad
برای هر پارامتر نرخ یادگیری جداگانه تنظیم می‌کند؛ مناسب داده‌های پراکنده ولی نرخ یادگیری در طول زمان افت می‌کند.

🔹 RMSProp — #RMSProp
نرخ یادگیری پایدار نگه داشته و برای RNN و CNN عالی است؛ نیاز به تنظیم بتا دارد.

🔹 Adam — #AdamOptimizer
ترکیب مزایای Momentum و RMSProp، پرکاربرد و سریع، ولی ممکن است در مینیمم محلی گیر کند.

🔹 AdamW — #AdamW
نسخه بهبود یافته Adam برای جلوگیری از overfitting در مدل‌های بزرگ.

🔹 Nadam — #Nadam
ترکیب Adam و NAG برای پایداری بیشتر ولی با پیچیدگی محاسباتی بالاتر.

💡 انتخاب درست این روش‌ها می‌تواند آموزش مدل را هم سریع‌تر و هم دقیق‌تر کند.

@rss_ai_ir

📚 ابزار رایگان شناسایی و انسانی‌سازی متن برای دانشجویان
@rss_ai_ir 🤖

ابزاری جدید معرفی شده که به دانشجویان کمک می‌کند محتوای تولیدشده توسط هوش مصنوعی را شناسایی، بازنویسی و انسانی‌سازی کنند — مناسب برای دور زدن سامانه‌های تشخیص AI و رفع مشکلات سرقت ادبی، درست در آستانه شروع ترم جدید.

✨ ویژگی‌ها:
🔹 شناسایی متن تولیدشده توسط AI در هر نوع سند، تصویر یا ویدئو
🔹 نمایش مدل هوش مصنوعی استفاده‌شده و توضیح روند شناسایی
🔹 بازنویسی قدرتمند برای عبور از فیلترها و افزایش خلاقیت متن
🔹 امکان انتخاب موتور بازنویسی: DeepSeek، GPT-4 یا Claude
🔹 کاملاً رایگان برای استفاده

🎯 یک همراه مطالعاتی رایگان برای دانشجویان که هم سرعت و هم کیفیت کارتان را بالا می‌برد.

#هوش_مصنوعی #AI #دانشجو #متن #بازنویسی #تشخیص_AI #DeepSeek #GPT4 #Claude #سرقت_ادبی #ابزار_رایگان

📸 تشخیص اشیاء با استفاده از مدل‌های بینایی-زبانی (VLM)
@rss_ai_ir 🤖

⛔️در مدل‌های سنتی تشخیص شیء، یک محدودیت جدی وجود دارد: مجموعه کلاس‌ها همان‌هایی هستند که در داده‌های آموزشی دیده شده‌اند (Closed-set Object Detection). برای رفع این محدودیت، نسل جدیدی از مدل‌ها به نام Open Vocabulary Object Detection (OVOD) معرفی شده‌اند که توانایی تشخیص اشیاء دلخواه را دارند.

در یک مقاله جدید، مروری بر مدل‌های OVOD مبتنی بر Vision Language Model (VLM) انجام شده است.

📌 در این مقاله می‌خوانید:

✳️رویکردهای مختلف برای به‌کارگیری VLM در تشخیص شیء

✳️نتایج مقایسه مدل‌ها در بنچمارک‌های Closed-Set و Open Vocabulary

✳️دلیل ماندگاری ایده‌های CLIP در این حوزه


🔗 مطالعه کامل مقاله در لینک زیر 👇
مقاله

#هوش_مصنوعی #بینایی_ماشین #VLM #تشخیص_شیء #CLIP #OpenVocabulary #ComputerVision #OVOD

📌 یادگیری تقویتی در صنعت — چه زمانی مناسب است؟
@rss_ai_ir 🤖🏭

یادگیری تقویتی (Reinforcement Learning) زمانی در پروژه‌های صنعتی کاربرد دارد که:


---

🔹 محیط پویا و غیرقطعی است
وقتی فرآیند یا سیستم دائم در حال تغییر است و مدل باید به مرور زمان بهترین تصمیم را یاد بگیرد، RL انتخاب مناسبی است.
#DynamicSystems

🔹 هدف رسیدن به حداکثر بهره‌وری در بلندمدت است
اگر سود یا کیفیت وابسته به سلسله‌ تصمیم‌ها باشد و نه یک خروجی لحظه‌ای، RL می‌تواند راه‌حل بهینه ارائه دهد.
#LongTermOptimization

🔹 امکان شبیه‌سازی یا تعامل مکرر با سیستم وجود دارد
RL برای یادگیری نیاز به آزمون‌وخطای فراوان دارد؛ داشتن یک شبیه‌ساز صنعتی یا امکان تست ایمن روی سیستم، ضروری است.
#IndustrialSimulation

🔹 قوانین تصمیم‌گیری سخت و دقیق نیستند
وقتی نمی‌توان با قوانین از پیش‌تعریف‌شده تمام سناریوها را پوشش داد، RL می‌تواند با تجربه‌آموزی، سیاست تصمیم‌گیری را کشف کند.
#AdaptiveControl

🔹 مسئله چندمرحله‌ای یا کنترل فرآیند است
از کنترل ربات‌ها و خطوط تولید گرفته تا زمان‌بندی تعمیرات و مدیریت مصرف انرژی، RL در مسائل Sequential Decision Making می‌درخشد.
#ProcessControl


---

📍 مثال‌ها در صنعت:

♻️بهینه‌سازی مصرف انرژی در کارخانه
♻️کنترل بازوی رباتیک در مونتاژ
♻️زمان‌بندی تولید و تعمیرات پیشگیرانه
♻️تنظیمات خودکار پارامترهای فرآیند ذوب یا ریخته‌گری


#ReinforcementLearning #هوش_مصنوعی #AI_industrial #RL_industry #machinelearning

🩺 وقتی هوش مصنوعی از بسیاری از پزشکان بهتر عمل می‌کند

✅داریو آمودئی، مدیرعامل Anthropic، می‌گوید:

❌برخی از برندگان نوبل در زیست‌شناسی امروز از LLMها (مدل‌های زبانی بزرگ) مشاوره‌های بهتری نسبت به اکثر پزشکان دریافت می‌کنند.



🔹 او تأکید می‌کند که البته ۱٪ برتر پزشکان همچنان ارزش مراجعه حضوری دارند،
اما برای بقیه موارد، LLMها سریع‌تر، سازگارتر و دقیق‌تر عمل می‌کنند.

💡 چرا؟
زیرا بخش زیادی از کار پزشکی الگو‌یابی و ترکیب حقایق است، و این دقیقاً همان چیزی است که LLMها در آن می‌درخشند.

🌐 #هوش_مصنوعی #پزشکی_دیجیتال #LLM #AIHealthcare
🧠 @rss_ai_ir

🚗 سیستم دوربین ۳۶۰ درجه خودرو (Surround View Monitoring)

سیستم دوربین ۳۶۰ درجه یا همان SVM – Surround View Monitoring یکی از فناوری‌های پیشرفته در حوزه کمک‌راننده یا ADAS است که با ترکیب تصاویر چند دوربین، نمایی کامل و پیوسته از محیط اطراف خودرو ایجاد می‌کند. این فناوری علاوه بر افزایش ایمنی، در پارک خودکار و رانندگی نیمه‌خودران نیز نقش کلیدی دارد.


---

🔍 ساختار و اجزای اصلی

1. دوربین‌ها

♻️دوربین جلو: نصب شده در بخش جلویی خودرو (معمولاً پشت لوگو یا جلوپنجره).
♻️دوربین عقب: نصب شده روی درب صندوق یا سپر عقب.
♻️دوربین‌های جانبی: تعبیه شده زیر آینه‌های بغل.
♻️هر دوربین معمولاً زاویه دیدی بیش از ۱۸۰ درجه دارد.


2. واحد پردازش تصویر

♻️حذف اعوجاج لنز (Lens Distortion Correction).
♻️ترکیب تصاویر (Image Stitching) برای ایجاد نمای یکپارچه.
♻️پردازش سریع با تأخیر بسیار کم برای نمایش لحظه‌ای.


3. نمایشگر داخل کابین

♻️نمایش نمای از بالا یا Bird’s Eye View.
♻️امکان تغییر نما به حالت سه‌بعدی، چند زاویه‌ای یا بزرگ‌نمایی.

---

⚙️ مراحل عملکرد

1. تصویربرداری همزمان از چهار یا چند دوربین با لنز واید.
2. کالیبراسیون دوربین‌ها برای تعیین موقعیت دقیق هر دوربین نسبت به خودرو.
3. تصحیح پرسپکتیو برای هماهنگ‌سازی زاویه دید.
4. ترکیب نرم و بدون مرز تصاویر (Image Blending).
5. نمایش خروجی نهایی به صورت آنی روی نمایشگر خودرو.

---

🧠 کاربرد هوش مصنوعی در این فناوری

♻️شناسایی موانع با مدل‌های بینایی ماشین مانند YOLO یا EfficientDet.
♻️هشدار برخورد با پیش‌بینی مسیر حرکت خودرو.
♻️شناسایی خطوط پارک برای پارک خودکار.
♻️تشخیص عابر پیاده در نقاط کور.

---

📊 مزایا و کاربردها

♻️افزایش ایمنی در محیط‌های شلوغ.
♻️تسهیل پارک حتی در فضاهای کوچک.
♻️کمک به مانورهای پیچیده مانند حرکت دنده عقب در مسیر باریک.
♻️کاهش ریسک برخورد با اجسام کوچک یا کودکان.
---

⚠️ چالش‌ها و محدودیت‌ها

♻️افت کیفیت تصویر در نور کم.
♻️نیاز به کالیبراسیون مجدد پس از تعمیر یا تعویض قطعات.
♻️هزینه بالای سیستم‌های پیشرفته مجهز به هوش مصنوعی.
---

🌐 #فناوری_خودرو #ADAS #بینایی_ماشین #پردازش_تصویر #هوش_مصنوعی
🧠 @rss_ai_ir

🛰 جدیدترین روش‌های ترکینگ (Object Tracking) در بینایی ماشین

ترکینگ یا ردیابی اشیا یکی از مباحث کلیدی در بینایی ماشین است که هدف آن دنبال کردن یک یا چند هدف در توالی فریم‌های ویدئویی می‌باشد. در سال‌های اخیر، پیشرفت چشمگیری در این حوزه به کمک یادگیری عمیق رخ داده و روش‌ها به سمت دقیق‌تر، سریع‌تر و مقاوم‌تر در برابر چالش‌ها حرکت کرده‌اند.

---

🔹 ۱. ترکینگ تک‌شیء (Single Object Tracking – SOT)

در این روش‌ها تمرکز روی ردیابی یک هدف مشخص است.
جدیدترین رویکردها:
۱. شبکه‌های سیامی (Siamese Networks) مانند SiamRPN++، SiamMask، SiamBAN

✳️ایده: استخراج ویژگی از تصویر هدف و فریم جدید و مقایسه شباهت‌ها.
✳️ مزیت: سرعت بسیار بالا و قابل استفاده در ریل‌تایم.
✳️ چالش: حساسیت به تغییر شکل یا تغییر مقیاس شدید.

۲. ترنسفورمرمحور (Transformer-based Trackers) مانند TransT، STARK

✳️ ایده: استفاده از ویژن ترنسفورمر (ViT) برای مدل‌سازی وابستگی‌های بلندمدت بین فریم‌ها.
✳️ مزیت: دقت بالا حتی در شرایط نور و زاویه متفاوت.
✳️ چالش: نیاز به توان پردازشی بالاتر نسبت به CNN.

---

🔹 ۲. ترکینگ چندشیء (Multi-Object Tracking – MOT)

در این روش ردیابی چندین هدف همزمان مانند عابرین یا خودروها انجام می‌شود.
جدیدترین رویکردها:
۱. تشخیص و ردیابی همزمان (Joint Detection and Tracking) مانند FairMOT، CenterTrack، ByteTrack

✳️ایده: ادغام شناسایی و ردیابی در یک شبکه عصبی.
✳️ مزیت: دقت و سرعت بالا، کاهش خطاهای identity switch.

۲. ترنسفورمرمحور در MOT مانند MOTR، MeMOT

✳️ ایده: استفاده از ترنسفورمر برای مدل‌سازی وابستگی بین مسیر حرکت اشیا.
✳️ مزیت: عملکرد پایدار در صحنه‌های شلوغ و با پوشانندگی بالا.

۳. یادگیری انتهابه‌انتها (End-to-End Learning) مانند TrackFormer

✳️ایده: آموزش یک مدل واحد برای شناسایی و ردیابی بدون نیاز به پردازش‌های بعدی پیچیده.
✳️ مزیت: سادگی و کاهش زمان پردازش.

---

🔹 ۳. روش‌های هیبریدی (Hybrid Approaches)

در این روش‌ها Tracking-by-Detection با Optical Flow یا فیلتر کالمن و ذره‌ای ترکیب می‌شود.

✳️ نمونه: استفاده از YOLOv8 یا DETR برای تشخیص و فیلتر کالمن برای پیش‌بینی مسیر.
✳️ مزیت: ایجاد تعادل بین دقت و سرعت.

---

🔹 ۴. چالش‌های مهم و راهکارها

✳️پوشانده شدن هدف (Occlusion) → استفاده از حافظه بلندمدت مانند LSTM یا Transformer Memory.
✳️ تغییر مقیاس و ظاهر → بهره‌گیری از Data Augmentation گسترده و شبکه‌های چندمقیاسی.
✳️ پردازش بلادرنگ → استفاده از مدل‌های سبک مانند NanoTrack و YOLOv8-Track.

---

🌐 #بینایی_ماشین #ردیابی_اشیا #هوش_مصنوعی #پردازش_تصویر
🧠 @rss_ai_ir

🔍 انتشار دیتابیس پژوهشی: مزایا و معایب

✅ مزایا

✳️ افزایش اعتبار علمی و بیشتر شدن استنادها
✳️ تسریع پیشرفت علمی و صرفه‌جویی در وقت پژوهشگران
✳️ ایجاد امکان مقایسه عادلانه مدل‌ها
✳️ جذب همکاری‌های علمی و صنعتی جدید
✳️ شفافیت علمی و بازتولید نتایج

❌ معایب / ریسک‌ها

⛔️ از دست رفتن انحصار و مزیت رقابتی
⛔️ احتمال سوءاستفاده یا استفاده نادرست
⛔️ مسائل حقوقی و مالکیت داده‌ها
⛔️ ریسک حریم خصوصی و محرمانگی اطلاعات
⛔️ رقابت مستقیم و پیشی گرفتن دیگران در نتایج

📌 جمع‌بندی:
اگر داده‌ها عمومی و غیرحساس باشند، انتشارشان ارزشمند است.
اما در صورت صنعتی یا محرمانه بودن، بهتر است محدود یا تحت قرارداد به اشتراک گذاشته شوند.

#داده #تحقیق #هوش_مصنوعی #پژوهش
@rss_ai_ir

📌 نقشه راه برای تبدیل شدن به پرامپت انجینیر در سال ۲۰۲۵ 🧑🏻‍💻✨

برای متخصص شدن در حوزه Prompt Engineering باید مسیر زیر را طی کنید:

1️⃣ یادگیری مبانی اولیه پرامپت‌نویسی
2️⃣ آشنایی با مدل‌های زبانی (LLMs) و نحوه تنظیم آن‌ها
3️⃣ تمرین نوشتن پرامپت‌های کارآمد و بهینه
4️⃣ ساخت الگوهای پرامپت و درک معماری آن‌ها
5️⃣ تسلط بر تکنیک‌های پیشرفته در پرامپت‌نویسی
6️⃣ تجربه کار با مدل‌های چندوجهی (متنی–تصویری–صوتی)
7️⃣ تمرین مداوم برای تبدیل شدن به یک پرامپت‌نویس حرفه‌ای

🌐 آینده مشاغل مرتبط با هوش مصنوعی نیازمند مهارت در پرامپت‌نویسی است. کسی که این مهارت را دارد، نقش کلیدی در جهت‌دهی به مدل‌های هوش مصنوعی ایفا می‌کند.

#هوش_مصنوعی #PromptEngineering #AI #LLM #DeepLearning
@rss_ai_ir

🛡️ ورود هوش مصنوعی به خط مقدم دفاع سایبری

هکرها امروز با کمک هوش مصنوعی به‌راحتی حملات فیشینگ بدون خطا، دیپ‌فیک‌ها و کدنویسی مخرب انجام می‌دهند. در پاسخ، شرکت‌ها نیز به سمت استفاده از عامل‌های هوش مصنوعی برای مقابله رفته‌اند.

🤖 پلتفرم ReliaQuest GreyMatter Agentic Teammates می‌تواند ایمیل‌های آلوده را قرنطینه کند، حساب‌های هک‌شده را قفل کند و بررسی تهدیدات را به‌طور خودکار انجام دهد.
⚡ این رویکرد بار زیادی را از دوش تحلیلگران انسانی برمی‌دارد تا آن‌ها روی نبردهای سایبری فعال تمرکز کنند.
❌ هدف این فناوری جایگزینی انسان نیست، بلکه مقابله با حملات هوش مصنوعی پیش از گسترش آن‌هاست.
📣 مدیران امنیتی تأکید می‌کنند که این ابزارها برای تقویت نیروهای انسانی طراحی شده‌اند، نه حذف آن‌ها.

وقتی مهاجمان سطح حملات خود را ارتقا می‌دهند، دفاع سایبری نمی‌تواند آنالوگ باقی بماند.

🌐 #امنیت_سایبری #هوش_مصنوعی #حمله_سایبری #AI_cyberdefense
🧠 @rss_ai_ir 🪙 🥇

📊 شکاف قدرت محاسباتی هوش مصنوعی؛ آمریکا جلوتر از چین

🇺🇸 ایالات متحده مالک بیشترین منابع محاسباتی جهان برای آموزش مدل‌های هوش مصنوعی است و همچنان قوی‌ترین کلسترها را توسعه می‌دهد.

🇨🇳 چین در تلاش برای جبران عقب‌ماندگی است:

♻️تا سال ۲۰۲۵ حدود ۹۸ میلیارد دلار سرمایه‌گذاری می‌کند (+۴۸٪ نسبت به ۲۰۲۴)
♻️۵۶ میلیارد از سمت دولت و ۲۴ میلیارد از سوی غول‌های اینترنتی
♻️محدودیت‌های صادرات GPUهای پیشرفته رشد سریع را دشوار کرده است

🔧 چالش سخت‌افزاری

♻️آمریکا صادرات GPUهای برتر Nvidia و AMD را ممنوع کرده
♻️چین روی Huawei Ascend 910C حساب باز کرده (نسخه دوبرابر 910B)؛ اما همچنان از نظر سرعت، حافظه و اکوسیستم نرم‌افزاری ضعیف‌تر است


📜 بازی سیاسی

♻️آمریکا فروش نسخه‌های ضعیف‌تر H20 و MI308 را مجاز کرده؛ اما ۱۵٪ از درآمد آن به خزانه آمریکا می‌رود
♻️این اجازه دسترسی به GPUهای متوسط را فراهم می‌کند، ولی تراشه‌های رده‌بالا همچنان ممنوع هستند


⚡ چرا آمریکا جلوتر است؟

♻️حتی H20 هم از Huawei 910B قوی‌تر است
♻️نرم‌افزار Nvidia بسیار بالغ‌تر است و کارایی واقعی را افزایش می‌دهد
♻️آموزش مدل‌های بزرگ در چین هنوز پرهزینه‌تر و زمان‌برتر از آمریکا است


#هوش_مصنوعی 🤖 #AI_policy 📜 #محاسبات_پیشرفته ⚡ #Nvidia #Huawei #GPU #ایالات_متحده #چین
@rss_ai_ir