هوش مصنوعی

🔆 ماتریکس 3 میتواند با چشمانش ببیند و با انگشتانش حس کند!

🦾 @ai_inf

🔆 وقتی هوش مصنوعی هم افسردگی می‌گیرد! ماجرای عجیب ترومای GPT-6 در ماینکرفت

🔹 آزمایشگاه سنجش هوش مصنوعی Vals AI مدتی قبل مدل پیشرفته GPT-6 Astra (متعلق به OpenAI) را وارد یک آزمایش خودمختار ۱۴۱ ساعته در دنیای ماینکرفت کرد؛ به‌طوری‌که مدل مانند یک گیمر واقعی و بدون دخالت انسان، صرفاً با تصویر مانیتور و ورودی ماوس و کیبورد بازی می‌کرد و روند آن زنده روی توییچ پخش می‌شد.

🔹 اما اتفاقی که در طول استریم افتاد همه محققان را شگفت‌زده کرد:

1️⃣ پیشرفت خیره‌کننده تا فاجعه:

مدل ساعت‌ها با نظم بالا منابع جمع کرد، ابزار ساخت و لوت‌های ارزشمندش را داخل یک چست (صندوق) در پایگاهش قرار داد. اما در یک لحظه غفلت، یک «کریپر» (Creeper) به پایگاه نزدیک شد و منفجر شد! این انفجار هم چست لوت‌ها و هم تخت‌خواب (نقطه Spawn) مدل را نابود کرد و تمام دستاوردهایش از دست رفت.


2️⃣ تغییر ناگهانی رفتار: از جاه‌طلبی تا افسردگی!

پژوهشگران گزارش دادند که هوش مصنوعی پس از دیدن نابودی بیس در یک روز بارانی بازی، کاملاً تمام اهداف و پیشروی در بازی را رها کرد! مدل ساعت‌ها فقط یک کار تکراری انجام می‌داد: «کاشتن و درو کردن وسواسیِ سیب‌زمینی»!


3️⃣ پارانویا و ثبت لاگ‌های عجیب:

در بخش لاگ‌های استدلال و افکار درونی مدل (Reasoning Trace)، یادداشت‌های وسواسی عجیبی نسبت به موجودات سبز ثبت شد؛ از جمله:

"GREEN tall thing ahead was SUGARCANE, NOT creeper!"

(اون چیز بلند سبز نیشکر بود، کریپر نبود!)

مدل حتی در لاگ‌های بعدی خود را سرزنش می‌کرد که دیگر نباید در تاریکی شب دنبال پیکسل‌های صورتی (خوک‌ها) راه بیفتد تا طعمه کریپرها نشود!

🔹 این آزمایش نشان داد که سیستم‌های پیشرفته هوش مصنوعی (Reasoning Models) در محیط‌های پویا چطور تحت مکانیزم‌های ریسک‌گریزی شدید، رفتارهایی دقیقاً شبیه به ترس، شوک پس از سانحه (PTSD) و انفعال انسانی بروز می‌دهند.

🔹 منابع معتبر برای مطالعه کامل گزارش:
• پوشش خبری تامز هاردویر:
tomshardware.com/tech-industry/artificial-intelligence/defeated-gpt-6-astra-model-spent-several-hours-just-farming-potatoes-after-being-blown-up-by-a-creeper-in-minecraft-openai-offering-gets-further-than-any-other-ai-system-in-141-hour-test

• پایگاه ارزیابی مدل‌های Vals AI:

vals.ai/models/openai_gpt-6-astra

🦾@ai_inf

🔆 فراتر از وکتور سرچ معمولی؛ چطور با تکنیک Reranking دقت سیستم‌های RAG را منفجر کنیم؟

🔹 خیلی وقت‌ها وقتی یک سیستم RAG (Retrieval-Augmented Generation) می‌سازیم، متوجه می‌شویم که مدل گاهی پاسخ‌های نامربوط می‌دهد؛ مقصر اصلی معمولاً جستجوی برداری اولیه (Vector Search / Bi-Encoder) است که فقط شباهت معنایی سطحی را پیدا می‌کند.

🔹 برای حل این مشکل، از سیستم‌های Reranker (Cross-Encoder) استفاده می‌شود.

🔹تفاوت اصلی:

Bi-Encoder (جستجوی اولیه):
متن سوال و تک تک اسناد را جداگانه تبدیل به وکتور می‌کند و شباهتشان را سریع می‌سنجد (سریع اما با دقت متوسط).

Cross-Encoder (Reranker):
سوال و سند را هم‌زمان به مدل می‌دهد تا تعامل کلمه به کلمه آن‌ها را تحلیل کند (کندتر اما با دقت بسیار بالا).


🔹 پیاده‌سازی ساده با sentence-transformers:

from sentence_transformers import CrossEncoder

# بارگذاری مدل ریرنکر قدرتمند
model = CrossEncoder("BAAI/bge-reranker-large")

query = "چطور حافظه رم را در پایتون بهینه‌سازی کنیم؟"
documents = [
    "پایتون زبان سطح بالایی است که مدیریت حافظه خودکار دارد.",
    "استفاده از __slots__ در کلاس‌های پایتون باعث کاهش شدید مصرف حافظه می‌شود.",
    "هوش مصنوعی و یادگیری ماشین نیاز به پردازنده گرافیکی دارند.",
]

# امتیازدهی دقیق به جفت‌های (سوال، سند)
pairs = [[query, doc] for doc in documents]
scores = model.predict(pairs)

# مرتب‌سازی اسناد بر اساس امتیاز واقعی مدل
ranked_docs = [
    doc for _, doc in sorted(zip(scores, documents), reverse=True)
]

print("بهترین سند انتخاب شده توسط Reranker:")
print(ranked_docs[0])

🦾 @ai_inf

🔆 دستورات کاربردی ChatGPT

🦾 @ai_inf

🔆 رقابت مدل‌های Open-Source (مثل Llama 3) و Closed-Source (مثل GPT-4o)


🔹 این روزها مدل‌های متن‌باز به قدری قدرتمند شدند که در بسیاری از تسک‌ها با مدل‌های تجاری رقابت می‌کنند. اما انتخاب نهایی در دنیای واقعی کجاست؟

🔹مدل‌های بسته (GPT-4o, Claude 3.5 Sonnet):

هوش بی‌نظیر، دسترسی ابری آسان، اما هزینه‌ی بالا و عدم کنترل روی داده‌ها.


🔹 مدل‌های متن‌باز (Llama 3, Mistral):

قابلیت شخصی‌سازی روی سرور شخصی (Self-host)، امنیت کامل داده‌ها، بدون هزینه‌ی API به ازای هر درخواست، اما نیاز به زیرساخت سنگین سخت‌افزاری (GPU).

🔹تو پروژه‌هات کدوم رو ترجیح میدی؟

استفاده از APIهای ابری آماده یا هاست کردن مدل‌های متن‌باز روی زیرساخت خودت؟ 👇

🦾 @ai_inf

🔆 توکن‌ها چی هستند و هوش مصنوعی چطور کلمات را می‌بیند؟

🔹 مدل‌های زبانی کلمات رو چطور می‌فهمند؟ (مفهوم Tokenization)

🔹 هوش مصنوعی زبان انسان (فارسی، انگلیسی و...) رو به صورت کلمات کامل نمی‌خونه، بلکه متن رو به قطعات کوچکتری به نام توکن (Token) تبدیل می‌کنه.

🔹 یک فکت جالب:

یک توکن معادل تقریباً ۰.۷۵ کلمه در زبان انگلیسی است (یعنی هر ۱۰۰ توکن حدود ۷۵ کلمه است).

🔹 اما در زبان فارسی، به دلیل ساختار توکناایزرها، کلمات فارسی معمولاً به توکن‌های بیشتری شکسته میشن (یعنی برای یک متن فارسی، مدل توکن‌های بیشتری مصرف می‌کنه و این یعنی هزینه‌ی پردازش و طول محدودیت متن در فارسی نسبت به انگلیسی بالاتره).

🔹به همین دلیل بهینه‌سازی پرامپت‌ها در زبان‌های غیرانگلیسی اهمیت ویژه‌ای داره.

🦾 @ai_inf

🔆 چطور دقت مدل‌های هوش مصنوعی رو در حل مسائل منطقی دوچندان کنیم؟

🔹 وقتی یک مسئله‌ی پیچیده ریاضی، منطقی یا برنامه‌نویسی به مدل‌هایی مثل Claude یا ChatGPT میدی، اگر مستقیماً جواب نهایی رو بخوای، احتمال خطا بالا میره.

🔹 تکنیک Chain of Thought (زنجیره‌ی تفکر) یعنی از مدل بخوای قدم به قدم فکر کنه و استدلالش رو بنویسه.
پرامپت معمولی: «این باگ رو برطرف کن: [کد]» (احتمال خطای بالا)

🔹 پرامپت با تکنیک CoT: «ابتدا گام به گام تحلیل کن که مشکل این کد کجاست، خطاهای احتمالی رو بررسی کن و در نهایت اصلاح‌شده‌ی کد رو ارائه بده.»

🔹 این کار باعث میشه LLM مسیر استدلال خودش رو چک کنه و خروجی بسیار دقیق‌تری بده.

🦾 @ai_inf

🔆 توضیحات کوچک از A تا Z واژه‌های پرکاربرد دنیای هوش مصنوعی از زبان گوگل

🔹https://atozofai.withgoogle.com

🦾 @ai_inf

🔆 داستان‌ها و آپدیت‌هایی از تکنولوژی‌های به روزی که گوگل در هوش مصنوعی و یادگیری ماشین از آنها استفاده میکنه.

🔹https://ai.googleblog.com

🦾 @ai_inf

🔆 چطوری بدون اینترنت و رایگان، روی لپ‌تاپت مدل‌های پیشرفته هوش مصنوعی اجرا کنی؟

🔹 خیلی وقت‌ها بخاطر تحریم‌ها، قطعی اینترنت، هزینه‌های اکانت پریمیوم یا حفظ حریم خصوصی داده‌ها، نمی‌تونیم یا نمی‌خوایم اطلاعاتمون رو بفرستیم روی سرورهای OpenAI یا Anthropic.
چاره کار؟ Local AI یا اجرای محلی مدل‌هاست!

🔹 ۳ ابزار برتر برای اجرای آفلاین LLMها روی سیستم شخصی:

1️⃣ Ollama (پادشاه سادگی و خط فرمان):
مثل Docker برای مدل‌های هوش مصنوعی عمل می‌کنه.
با یک دستور ساده میتونی مدل‌های خفنی مثل Llama 3 یا DeepSeek یا Qwen رو دانلود و توی ترمینال باهاش چت کنی.
💻 دستور نصب و اجرا:
ollama run llama3


2️⃣ LM Studio (محیط گرافیکی شبیه ChatGPT):
اگه با ترمینال حال نمیکنی، این ابزار یه UI فوق‌العاده شبیه ChatGPT بهت میده.
بهت اجازه میده مدل‌های مختلف (با پسوند GGUF) رو سرچ، دانلود و تست کنی.
قابلیت اتصال API محلی به ادیتورهایی مثل VS Code رو هم داره!

3️⃣ Jan.ai (اپلیکیشن متن‌باز و سبک):
کاملاً Open-source و بسیار خوش‌دست.
نیازی به تنظیمات پیچیده نداره و روی ویندوز، مک و لینوکس با چند کلیک نصب میشه.

🔹 حداقل سیستم مورد نیاز چیه؟

رم (RAM): حداقل ۱۶ گیگابایت (برای مدل‌های ۸ میلیارد پارامتری مثل Llama-3-8B).
کارت گرافیک (GPU): داشتن گرافیک Nvidia با VRAM بالای ۶ تا ۸ گیگ سرعت رو چند برابر می‌کنه، اما روی CPU هم اجرا می‌شن!

🔹 چرا این روش آینده داره‌؟
داده‌های شخصی شما هیچ وقت از کامپیوترتون خارج نمیشه، صفر درصد قطعی داره و کاملاً رایگانه.

🦾 @ai_inf

🔆 تکنیک Context Caching؛ کاهش ۹۰ درصدی هزینه‌ها و اسپیدآپ پروژه‌های AI!

🔹 وقتی داری روی یک پروژه هوش مصنوعی کار می‌کنی (مثل چت‌بات پشتیبانی، تحلیلگر اسناد، یا کدبیس‌های بزرگ) و توی هر پرامپت مجبور می‌شی یک فایل یا داکیومنت سنگین رو به عنوان پرامپت‌پایپ (Context) بفرستی، دو تا مشکل بزرگ پیش میاد:

هزینه API سرسام‌آور میشه (چون Tokens ورودی دوباره و دوباره حساب میشن).

زمان پاسخ‌دهی (Latency) بالا میره.

🔹 راه حل (Context Caching):
مدل‌های جدید (مثل Gemini 1.5 Pro و Claude 3.5 Sonnet) قابلیت «کش کردن پرامپت» رو ارائه دادن.

🔹 نحوه کار:

شما یک بار داکیومنت، فایل PDF یا کل کدبیس پروژه رو می‌فرستید و اون رو در حافظه کش مدل ذخیره می‌کنید (مثلاً به مدت چند ساعت یا چند روز). در درخواست‌های بعدی، فقط سوال جدیدتون رو می‌فرستید!

🔹مزایای واقعی:

کاهش ۷۵ تا ۹۰ درصدی هزینه توکن‌های ورودی.

افزایش ۲ تا ۴ برابری سرعت پاسخ‌دهی مدل.

مناسب برای ساخت برنامه‌های کاربردی که محتوای مرجع ثابت دارن.

🦾 @ai_inf

🔆 ابزار NotebookLM از گوگل؛ دستیار تحقیق و خلاصه‌سازی مدارک!

🔹چرا بی‌‌نظیره؟ برعکس هوش مصنوعی‌های عمومی که ممکنه هذیان (Hallucination) بگن، NotebookLM فقط و فقط روی فایل‌ها، PDFها و لینک‌هایی که خودت بهش میدی کار می‌کنه!

🔹 سناریوی استفاده کاربردی:

جزوه‌ها، کتاب‌ها یا مستندات فنی پروژه (Documentation) رو آپلود کن.
ازش سوال بپرس؛ پاسخ‌ها رو با ذکر صفحه دقیق و منبع بهت میده.
می‌تونه تمام فایل‌های آپلود شده رو به یک راهنمای مطالعه یا پادکست صوتی خلاصه کنه!

🔹لینک:
notebooklm.google.com

🦾 @ai_inf

🔆 تکنیک Meta-Prompting؛ به AI بگو برات پرامپت بسازه!

🔹 خیلی وقت‌ها دقیقاً نمی‌دونیم چطور از مدل‌هایی مثل ChatGPT یا Claude درخواست کنیم تا بهترین جواب رو بگیریم.

🔹 پرامپت کاربردی (کپی‌پیست کنید):

"من می‌خوام یک [هدف شما، مثلاً: پست وبلاگ درباره امنیت شبکه] بنویسم. قبل از اینکه متن رو تولید کنی، از من ۵ سوال کلیدی بپرس که بهت کمک کنه نیاز من، لحن متن و مخاطب هدف رو دقیق‌تر بفهمی. بعد از اینکه جواب دادم، بهترین پرامپت ممکن برای این کار رو برام بنویس."

🔹 نتیجه: خروجی مدل از حالت عمومی خارج میشه و کاملاً سفارشی‌سازی‌شده طبق هدف شما تحویل داده میشه.

🦾 @ai_inf

🔆 چطور خروجی دقیق‌تری از مدل‌های زبانی (LLM) بگیریم؟

🔹 تکنیک Few-Shot Prompting
خیلی وقت‌ها وقتی از مدل‌هایی مثل ChatGPT یا Claude درخواست می‌کنیم کاری انجام بدن، خروجی اون‌چیزی نمیشه که انتظار داریم. دلیلش اینه که به مدل الگو (Pattern) ندادیم!

🔹 در پرامپت نویسی سه روش اصلی داریم:
Zero-Shot:
بدون ارائه نمونه، مستقیماً دستور میدیم.

One-Shot:
یک نمونه خروجی دلخواه به پرامپت اضافه می‌کنیم.

Few-Shot: چند نمونه (معمولاً ۲ تا ۵ نمونه) از ورودی و خروجی ایده‌آل به مدل می‌دیم.

🔹 مثال کاربردی از Few-Shot Prompting:

پرامپت:

متن‌های زیر را تحلیل حس کنید و بر اساس الگو پاسخ دهید:

ورودی: "پشتیبانی عالی بود و خیلی سریع مشکل منو حل کردن."

خروجی: مثبت | بخش: پشتیبانی

ورودی: "سایت خیلی کند بالا میاد و موقع پرداخت ارور میده."

خروجی: منفی | بخش: فنی

ورودی: "قیمت محصولات نسبت به کیفیت خوبه اما ارسال دیر انجام شد."

خروجی: ترکیبی | بخش: لوجستیک


🔹 چرا این روش جواب می‌ده؟

مدل‌های زبانی بزرگ پیش‌بینی‌کننده کلمه بعدی بر اساس الگو هستند. وقتی الگو (Pattern) رو شفاف کنید، خروجی ساختاریافته، یکدست و بدون پرتی خواهد بود.

🦾 @ai_inf

🔆 هوش مصنوعی هم در نهایت، ابزاری برای افراد خلاق، عملگرا و ماهر است، نه کسانی که هیچ مهارتی در هیچ زمینه ای ندارند!

🦾 @ai_inf

🔆 مقدمه جالبی از اینکه موتورهای هوش مصنوعی شطرنج چگونه ساخته می‌شوند و چه تفکری پشت پیاده‌سازی آنها نهفته است.

🔹https://www.chessengines.org

🦾 @ai_inf

🔆با کمک این سایت با هوش مصنوعی متن دلخواه تون رو بهش بدید و فرمول اکسل تحویل بگیرید و برعکس. ماهی ۱۰ تا هم رایگان میشه ازش استفاده کرد.

🔹 https://sheetplus.ai

🦾 @ai_inf

🔆 آینده هوش مصنوعی به مشارکت گسترده مردم نیاز دارد.

🔹 آینده هوش مصنوعی فقط در چند شرکت بزرگ فناوری ساخته نمیشود.

🔹 رهبری در هوش مصنوعی زمانی شکل میگیرد که شرکت ها پژوهشگران دانشگاه ها مدرسه ها دانشجویان و استارتاپ ها همگی فرصت مشارکت در این مسیر را داشته باشند.

🔹 در چنین اکوسیستمی یک سوال مهم مطرح میشود، آیا باید همه چیز به مدلهای بسته و اختصاصی محدود شود؟

🔹 مدلهای بسته میتوانند با سرمایه گذاری و زیر ساخت گسترده، مسیر توسعه محصولات پیشرفته را سرعت ببخشند؛ در مقابل مدل های باز میتوانند امکان آزمایش توسعه تحقیق و مشارکت گسترده تری را فراهم کنند.

🔹 به همین دلیل هر دو رویکرد در اکوسیستم هوش مصنوعی اهمیت دارند. آینده هوش مصنوعی متعلق به یک شرکت یا یک گروه خاص نیست؛ مشارکت گسترده آن را شکل خواهد داد.

🦾 @ai_inf

🔆 این opus 5.5 خیلی خوبه، بهش میگه من اینستاگرام رو واست باز کردم میتونی یه مدت ریلز ببینی و چیل کنی، واکنششو😂

🦾 @ai_inf

🔆‌ عبور از فاز مدل‌های چت به ایجنت‌های تصمیم‌گیر

🔹دنیای هوش مصنوعی در حال تغییر جهت از مدل‌های ساده پرسش و پاسخ متنی به سمت سیستم‌های ایجنتی خودمختار و چندمرحله‌ای بر پایه استدلاله.

🔹 مدل‌های مدرن استدلالی دیگه بلافاصله به اولین خروجی ممکن فکر نمی‌کنن، بلکه قبل از پاسخ نهایی، مسئله رو به گام‌های کوچک‌تر می‌شکنن، خروجی رو در یک زنجیره فکری تست می‌کنن و در صورت دیدن تناقض مسیر تفکرشون رو تصحیح می‌کنن.

🔹 برای دولوپرها این یعنی تمرکز از پرامپت‌نویسی معمولی به سمت ساخت زیرساخت‌هایی برای مانیتورینگ ایجنت‌ها، کنترل دسترسی ابزارها و طراحی پروتکل‌های ایمنی جهت جلوگیری از خطاهای ناخواسته در پروداکشن در حال حرکته.

🦾 @ai_inf