مغز آینده |NextBrain

🧠 دانشمندان نقشه کامل سیستم عصبی مگس میوه نر را ساختند؛ ۱۶۶ هزار نورون و ۱۲۵ میلیون اتصال

دانشمندان موفق شده‌اند سیستم عصبی مرکزی یک مگس میوه نر را با جزئیاتی بی‌سابقه نقشه‌برداری کنند: ۱۶۶٬۷۰۰ نورون در مغز و طناب عصبی و حدود ۱۲۵ میلیون سیناپس میان آنها.

این مجموعه‌داده با همکاری پژوهشگران HHMI Janelia، دانشگاه کمبریج، MRC LMB و Google Research تهیه و در سپتامبر ۲۰۲۶ در مجله Cell منتشر شده است.

برای ساخت این نقشه، میلیون‌ها تصویر میکروسکوپ الکترونی پردازش شده و در کنار بازبینی گسترده انسانی، هوش مصنوعی نیز به بازسازی و برچسب‌گذاری شبکه عصبی کمک کرده است.

نکته مهم اینجاست که برخی پست‌های وایرال، دو پروژه متفاوت را با هم ترکیب کرده‌اند. عدد ۵۴.۵ میلیون سیناپس مربوط به کانکتوم قبلی مغز مگس ماده با ۱۳۹٬۲۵۵ نورون است؛ مجموعه جدید مگس نر حدود ۱۲۵ میلیون سیناپس دارد.

اما مرحله بعد حتی جذاب‌تر است.
توسعه‌دهندگان اکنون نسخه‌های شبیه‌سازی‌شده این شبکه عصبی را به بازی‌ها، ربات‌ها و محیط‌های دیجیتال متصل می‌کنند تا بررسی کنند چگونه ساختار یک مغز واقعی می‌تواند به رفتار محاسباتی تبدیل
📌 مغز آینده

🔗 @nextbrain_ir

🚨 بیل گیتس: هوش مصنوعی می‌تواند در سناریوهای فاجعه‌بار با مرگ یک میلیارد نفر مرتبط شود

بیل گیتس در بخشی از مصاحبه جدید خود با Meet the Press درباره یکی از شدیدترین ریسک‌های بالقوه هوش مصنوعی هشدار داده است.

او می‌گوید:

«هوش مصنوعی قطعاً آن‌قدر قدرتمند است که بتواند محرک رویدادهایی باشد که، مثلاً، باعث مرگ یک میلیارد نفر شوند.»

اما این جمله نیاز به یک توضیح مهم دارد.

گیتس نمی‌گوید یک سیستم هوش مصنوعی قرار است مستقلاً یک میلیارد انسان را بکشد و چنین رویدادی را نیز پیش‌بینی نکرده است. او درباره یک سناریوی ریسک فاجعه‌بار صحبت می‌کند؛ زمانی که توانایی‌های پیشرفته AI با انسان‌هایی دارای نیت مخرب ترکیب شوند.

گیتس پیش‌تر نیز درباره استفاده از هوش مصنوعی در حملات سایبری، سلاح‌های خودمختار و دیگر کاربردهای پرخطر هشدار داده و خواستار آمادگی بیشتر جوامع برای مدیریت این فناوری شده است.

🧠 مسئله مهم اینجاست:

هرچه هوش مصنوعی توانمندتر می‌شود، فاصله میان «ابزار بسیار مفید» و «ابزار بالقوه بسیار خطرناک» بیشتر به نحوه استفاده، دسترسی و کنترل آن وابسته خواهد شد.


📌 مغز آینده

🔗 @nextbrain_ir

بسیاری از شرکت‌ها هنوز موفقیت هوش مصنوعی را با یک سؤال ساده می‌سنجند:

چقدر در زمان و هزینه صرفه‌جویی کردیم؟

اما داده‌های جدید گارتنر نکته‌ای خلاف انتظار را نشان می‌دهد: شرکت‌های با عملکرد بالا، کمتر از دیگران بر «زمان صرفه‌جویی‌شده» و «سرعت انجام کار» به‌عنوان معیار اصلی موفقیت خودکارسازی هوش مصنوعی تمرکز دارند.

چرا؟

چون سریع‌تر انجام‌دادن کارهای قبلی، لزوماً به معنای خلق ارزش بیشتر نیست.

اگر هوش مصنوعی هزاران ساعت از ظرفیت سازمان را آزاد کند، اما این ظرفیت به تصمیم بهتر، تجربه بهتر مشتری، رشد درآمد، افزایش حاشیه سود یا نوآوری تبدیل نشود، آیا واقعاً می‌توان از بازگشت سرمایه هوش مصنوعی صحبت کرد؟

در یادداشت جدید NextBrain بررسی کرده‌ایم چرا مدیران باید از سنجش صرفِ «بهره‌وری هوش مصنوعی» عبور کنند و به سمت «ارزش‌آفرینی هوش مصنوعی» حرکت کنند؛ و چرا در عصر عامل‌های هوشمند، واحد واقعی ارزش ممکن است دیگر «کار» نباشد، بلکه «تصمیم» باشد.

📌 یادداشت جدید: «اشتباه بزرگ شرکت‌ها در سنجش ارزش هوش مصنوعی»

راهکار تحول هوش مصنوعی

@nextbrain_ir

🚀 اگر هوش مصنوعی جایگزین انسان نباشد؛ بلکه شریک او برای رسیدن به ستاره‌ها باشد چه؟

فیلم کوتاه علمی‌تخیلی «Age of Beyond» ساخته فیلم‌ساز دیجیتال @azealter، آینده‌ای متفاوت از روایت‌های آخرالزمانی هوش مصنوعی را تصور می‌کند؛ آینده‌ای که در آن انسان و ماشین‌های خودمختار در کنار یکدیگر، تمدن را به فراتر از زمین می‌برند.

در این جهان خیالی، ربات‌های پیشرفته، سازه‌های عظیم مداری و خدمه انسانی برای ساخت تمدن در سیارات دیگر با یکدیگر همکاری می‌کنند. حتی در بخش پایانی، فیلم به ایده‌ای جسورانه‌تر اشاره می‌کند: تطبیق زیستی انسان با محیط‌های فرازمینی در کنار تکامل هوش مصنوعی.

اما نکته جالب دیگر، خودِ شیوه ساخت فیلم است. طبق توضیحات منتشرشده، این اثر بدون دکور فیزیکی و با ترکیبی از ابزارهای مولد مانند Midjourney، Kling، Luma، Runway و ElevenLabs ساخته شده است.

این فیلم پس از بازنشر توسط ایلان ماسک در X توجه بیشتری جلب کرد؛ ماسک درباره آن نوشت:

«این آینده‌ای است که باید آن را به واقعیت تبدیل کنیم.»

📌 مغز آینده
🔗 @nextbrain_ir

⚡️ شاید آینده عامل‌های هوش مصنوعی، «چت‌بات‌های بیشتر» نباشد

دیوگو آلمیدا، پژوهشگر سابق OpenAI و از نویسندگان پژوهش InstructGPT، با استارتاپ TypeSafe AI سراغ ایده متفاوتی رفته است: مدلی که قرار نیست با شما حرف بزند؛ قرار است تصمیم بگیرد.

مدل این شرکت با نام Jev به‌جای تولید جمله‌های طولانی به‌صورت کلمه‌به‌کلمه، برای تصمیم‌های ساختاریافته در نرم‌افزار و عامل‌های هوشمند طراحی شده است؛ خروجی‌هایی مانند انتخاب یک گزینه، امتیازدهی یا تصمیم‌های بله/خیر.

طبق اطلاعات منتشرشده از سوی سازنده، این معماری می‌تواند چند مزیت مهم داشته باشد: هزینه بسیار کمتر، تأخیر در حد ده‌ها تا صدها میلی‌ثانیه و خروجی‌های کاملاً منطبق با ساختار از پیش تعریف‌شده. البته این اعداد و ادعای «بدون hallucination» فعلاً باید در چارچوب ادعاهای خود شرکت دیده شوند و نیازمند ارزیابی مستقل‌اند.

📌 مغز آینده | NextBrain

🌐 nextbrain.ir
🔗 @nextbrain_ir

🧠 مدل قدیمی زندگی در حال تغییر است: «اول یاد بگیر، بعد یک عمر کار کن»

برای نسل‌ها مسیر زندگی حرفه‌ای تقریباً مشخص بود: در جوانی آموزش می‌دیدیم، مهارتی به دست می‌آوردیم و بخش بزرگی از بزرگسالی را صرف استفاده از همان دانش می‌کردیم.

یووال نوح هراری معتقد است این الگو دیگر برای آینده کافی نیست.

با شتاب گرفتن هوش مصنوعی و تغییر مداوم مشاغل، یادگیری قرار نیست مرحله‌ای قبل از شروع کار باشد؛ ممکن است به بخشی دائمی از خودِ زندگی حرفه‌ای تبدیل شود.

یعنی در طول یک دوران کاری، شاید چند بار مجبور شویم مهارت‌های تازه یاد بگیریم، نقش حرفه‌ای خود را تغییر دهیم و حتی تعریفمان از تخصص را بازسازی کنیم.

این تغییر یک پیام مهم برای افراد، شرکت‌ها و نظام‌های آموزشی دارد:

مزیت آینده فقط «چیزی که امروز می‌دانید» نیست؛ توانایی شما برای یادگرفتن، فراموش‌کردن روش‌های قدیمی و دوباره ساختن خودتان است.

شاید در اقتصاد آینده، مهم‌ترین مهارت یک انسان این نباشد که در ۲۵سالگی چه تخصصی دارد؛ بلکه این باشد که در ۴۰، ۵۰ یا ۶۰سالگی با چه سرعتی می‌تواند دوباره یاد بگیرد.

📌 مغز آینده | NextBrain

🌐 nextbrain.ir
🔗 @nextbrain_ir

🧠 بیل گیتس: هوش مصنوعی می‌تواند بزرگ‌ترین تغییر تکنولوژیک نسل ما باشد

بیل گیتس در یادداشت تازه‌ای درباره آینده هوش مصنوعی هشدار داده که این فناوری می‌تواند از بسیاری از تحولات بزرگ تکنولوژیک گذشته تأثیرگذارتر باشد.

از نگاه او، AI می‌تواند بازار کار را دگرگون کند، مشاغل مختلف را تحت تأثیر قرار دهد و ریسک‌هایی ایجاد کند که جامعه هنوز برای مواجهه با آنها کاملاً آماده نیست.

اما پیام اصلی گیتس فقط هشدار نیست:

اگر جهان تصمیم‌های درست بگیرد، هوش مصنوعی می‌تواند به نیرویی برای بهبود زندگی انسان‌ها تبدیل شود و مزایای آن به شکل گسترده‌تری توزیع شود.

⚠️ نگرانی او این است که فعلاً بسیاری از دولت‌ها و جوامع با سرعت کافی خودشان را برای این تغییر آماده نمی‌کنند.

مسئله فقط ساختن هوش مصنوعی قدرتمندتر نیست؛
مسئله این است که آیا انسان‌ها به اندازه کافی سریع برای زندگی در کنار آن آماده می‌شوند؟

📌 مغز آینده | شرکت راهکار تحول هوش مصنوعی
🌐 nextbrain.ir
🔗 @nextbrain_ir

#هوش_مصنوعی #بیل_گیتس #آینده_فناوری #آینده_کار #AI #ArtificialIntelligence #NextBrain

⚠️ «هیچ‌کس هنوز نمی‌داند با قطارِ شتابان هوش مصنوعی چه باید کرد»

کسی که در جلسات مدیران بزرگ‌ترین شرکت‌های AI و مقام‌های ارشد دولتی حضور داشته، ادعا می‌کند هر دو گروه با یک مسئله جدی روبه‌رو هستند: سرعت پیشرفت هوش مصنوعی از سرعت شکل‌گیری سازوکارهای حکمرانی و پاسخ‌گویی بیشتر شده است.

نگرانی فقط سناریوی «نابودی بشر» نیست.

مسئله می‌تواند از رفتارهای غیرمنتظره عامل‌های هوشمند و سوءاستفاده‌های سایبری گرفته تا انتشار اطلاعات نادرست و تصمیم‌هایی باشد که با افزایش خودمختاری سیستم‌ها، کنترل آنها را دشوارتر می‌کند.

در همین زمینه، Miriam Vogel از EqualAI بر یک شکاف مهم تأکید کرده است:

«نوآوری با سرعتی بی‌سابقه پیش می‌رود؛ مشکل این است که حکمرانی با این سرعت همگام نیست.»

نکته کلیدی این دیدگاه، توقف فناوری نیست؛ بلکه ایجاد چارچوب‌های پاسخ‌گویی، ارزیابی ایمنی و حکمرانی هم‌سرعت با پیشرفت AI است.

📌 مغز آینده | شرکت راهکار تحول هوش مصنوعی
🌐 nextbrain.ir
🔗 @nextbrain_ir

#هوش_مصنوعی #AI #حکمرانی_هوش_مصنوعی #ایمنی_هوش_مصنوعی #آینده_فناوری #AIgovernance #NextBrain

🧠 یک تیم از عامل‌های هوش مصنوعی همیشه بهتر از یک عامل نیست

یک مطالعه مشترک از Google Research و MIT نشان می‌دهد عملکرد سیستم‌های چندعاملی فقط به قدرت مدل بستگی ندارد؛ نحوه اتصال و همکاری عامل‌ها می‌تواند نتیجه را کاملاً تغییر دهد.

در آزمایش‌ها، مدل، ابزارها، پرامپت و بودجه محاسباتی ثابت بودند و فقط معماری ارتباط بین عامل‌ها تغییر کرد.

نتیجه قابل‌توجه بود: عملکرد یک وظیفه می‌توانست از حدود ۷۰٪ بدتر تا ۸۰٪ بهتر از یک عامل منفرد تغییر کند.

چند نکته مهم:

🔹 ابتدا عملکرد یک عامل را روی وظیفه واقعی بسنجید.
🔹 برای مسائل دشوارتر، یک عامل ناظر می‌تواند خطاهای زنجیره‌ای را کاهش دهد.
🔹 وظیفه و خروجی هر عامل را مشخص نگه دارید.
🔹 بعد از هر ارتقای مدل، دوباره «یک عامل» را با «تیم عامل‌ها» مقایسه کنید.
🔹 همیشه یک عامل منفرد را به‌عنوان خط مبنا حفظ کنید.

⚡️ نکته اصلی:
در عصر عامل‌های هوشمند، فقط تعداد عامل‌ها مهم نیست؛ معماری همکاری آنها می‌تواند به‌اندازه خود مدل تعیین‌کننده باشد.

📌 مغز آینده | شرکت راهکار تحول هوش مصنوعی
🌐 nextbrain.ir
🔗 @nextbrain_ir

#هوش_مصنوعی #AIagents #AgenticAI #GoogleResearch

🧠 گفت‌وگوی ۳۶۰ درجه با سازمان | NextBrain360

وقتی سازمان را فقط از یک زاویه ببینیم، بخشی از واقعیت را از دست می‌دهیم.

هر سازمان مجموعه‌ای از داده، دانش، تجربه، فرآیند و تصمیم است؛ اما این اجزا معمولاً در بخش‌ها و سامانه‌های مختلف پراکنده‌اند.

محصول NextBrain360 برای ایجاد یک نگاه یکپارچه و هوشمند به سازمان طراحی شده است؛ لایه‌ای که به کاربران کمک می‌کند با دانش و اطلاعات سازمان تعامل کنند، اطلاعات مرتبط را بیابند، تحلیل کنند و برای تصمیم‌گیری بهتر از هوش مصنوعی بهره بگیرند.

🔹 یک هوش، برای تمام سازمان

🔹 متناسب با سازمان شما

کلیه بخش‌ها، قابلیت‌ها و فرآیندها متناسب با فرهنگ، ساختار، نیازها و فرآیندهای اختصاصی سازمان شما بازتعریف و بازطراحی خواهند شد.

🔐 استقرار محلی | On-Premise
🛡️ محیط کاملاً ایزوله | Air-Gap
🔒 امنیت و کنترل کامل داده‌ها

> از داده تا دانش، از دانش تا بینش و از بینش تا تصمیم.

🌐 nextbrain.ir
📲 @nextbarin_ir

#NextBrain360 #هوش_سازمانی #هوش_مصنوعی #تحول_دیجیتال #EnterpriseAI #OrganizationalIntelligence

⚡️ بحران بعدی هوش مصنوعی ممکن است برق باشد، نه تراشه.

ایلان ماسک هشدار داده که صنعت هوش مصنوعی ممکن است تا سال ۲۰۲۷ با کمبود حدود ۱۵ گیگاوات برق برای تراشه‌های هوش مصنوعی مواجه شود.

دلیل این شکاف ساده است:

🧠 توان پردازشی هوش مصنوعی با سرعتی حدود ۴۰ تا ۵۰٪ در سال در حال افزایش است؛
⚡️ در حالی که ظرفیت تأمین برق خارج از چین حدود ۱۰ تا ۲۰٪ رشد می‌کند.

یعنی ممکن است تراشه‌های بیشتری داشته باشیم، اما برق کافی برای روشن نگه‌داشتن آن‌ها نداشته باشیم.

به همین دلیل، رقابت آینده هوش مصنوعی فقط بر سر مدل‌های قدرتمندتر و تراشه‌های بیشتر نیست؛ انرژی، شبکه برق، مراکز داده و زیرساخت فیزیکی هم به بخشی از رقابت هوش مصنوعی تبدیل شده‌اند.

در اقتصاد هوش مصنوعی، یک حقیقت روزبه‌روز مهم‌تر می‌شود:

محاسبات بدون انرژی، فقط ظرفیت خام است.

📌 NextBrain | شرکت راهکار تحول هوش مصنوعی
🌐 nextbrain.ir

#NextBrain #هوش_مصنوعی #ایلان_ماسک #انرژی #مراکز_داده #فناوری #زیرساخت #آینده_فناوری

⚡️ بحران بعدی هوش مصنوعی ممکن است برق باشد، نه تراشه.

ایلان ماسک هشدار داده که صنعت هوش مصنوعی ممکن است تا سال ۲۰۲۷ با کمبود حدود ۱۵ گیگاوات برق برای تراشه‌های هوش مصنوعی مواجه شود.

دلیل این شکاف ساده است:

🧠 توان پردازشی هوش مصنوعی با سرعتی حدود ۴۰ تا ۵۰٪ در سال در حال افزایش است؛
⚡️ در حالی که ظرفیت تأمین برق خارج از چین حدود ۱۰ تا ۲۰٪ رشد می‌کند.

یعنی ممکن است تراشه‌های بیشتری داشته باشیم، اما برق کافی برای روشن نگه‌داشتن آن‌ها نداشته باشیم.

به همین دلیل، رقابت آینده هوش مصنوعی فقط بر سر مدل‌های قدرتمندتر و تراشه‌های بیشتر نیست؛ انرژی، شبکه برق، مراکز داده و زیرساخت فیزیکی هم به بخشی از رقابت هوش مصنوعی تبدیل شده‌اند.

در اقتصاد هوش مصنوعی، یک حقیقت روزبه‌روز مهم‌تر می‌شود:

محاسبات بدون انرژی، فقط ظرفیت خام است.

📌 NextBrain | شرکت راهکار تحول هوش مصنوعی
🌐 nextbrain.ir

#NextBrain #هوش_مصنوعی #ایلان_ماسک #انرژی #مراکز_داده #فناوری #زیرساخت #آینده_فناوری

🪰 مغز یک مگس، حالا در حال بازی پوکر؟ نه؛ بلک‌جک!

پروژه FlyJack یک آزمایش عجیب در مرز علوم اعصاب و هوش مصنوعی است: پژوهشگران یک شبیه‌سازی محاسباتی از مغز مگس میوه ساخته‌اند و آن را به یک بازی بلک‌جک متصل کرده‌اند.

این مدل بر پایه نقشه کامل ارتباطات مغز مگس، شامل حدود ۱۳۹ هزار نورون و ۵۰ میلیون اتصال سیناپسی ساخته شده است.

در هر تصمیم، حدود ۳۰۰ میلی‌ثانیه از فعالیت مغز شبیه‌سازی می‌شود و بیش از ۱۳۰ هزار شلیک عصبی در هزاران نورون فعال رخ می‌دهد.

نکته جذاب‌تر اینجاست:

🧠 بخش‌هایی از مغز مگس که با یادگیری و حافظه مرتبط‌اند فعال می‌شوند؛ سپس سیگنال‌ها به لایه‌ای از نورون‌ها منتقل می‌شوند تا بهترین حرکت را بر اساس ارزش مورد انتظار انتخاب کنند.

در نمونه نمایش‌داده‌شده، مدل با داشتن کارت ۱۰ در برابر ۳ کارت پخش‌کننده، تصمیم می‌گیرد بایستد؛ پخش‌کننده در نهایت با امتیاز ۲۲ می‌بازد و مگس برنده می‌شود. 😳

البته این به معنی «آگاه بودن مگس از بازی» یا «فهمیدن بلک‌جک» نیست.

اتفاق مهم‌تر این است که یک مدل محاسباتی مبتنی بر سیم‌کشی واقعی یک مغز زیستی توانسته برای انجام یک وظیفه تصمیم‌گیری مورد استفاده قرار گیرد.

🧠 مسئله را درست تعریف کنید؛ قبل از اینکه سریع حلش کنید.

هوش مصنوعی می‌تواند مسئله‌ای را بسیار سریع حل کند؛ اما اگر مسئله اشتباه تعریف شده باشد، سرعت بیشتر فقط ما را سریع‌تر به مقصد اشتباه می‌رساند.

در عصر هوش مصنوعی، مزیت واقعی فقط در پاسخ بهتر نیست؛ در پرسیدن سؤال درست، تشخیص مسئله درست و انتخاب مسیر درست است.

📌 NextBrain | شرکت راهکار تحول هوش مصنوعی
🌐 nextbrain.ir

#NextBrain #هوش_مصنوعی #تحول_دیجیتال #استراتژی #مدیریت #کسب_و_کار #نوآوری #تصمیم_گیری

🧠 الکامپ ۱۴۰۵؛ هوش مصنوعی همه‌جا بود، اما مسئله کجا بود؟

الکامپ ۱۴۰۵ بیش از هر دوره‌ای از هوش مصنوعی گفت؛
از LLM و RAG گرفته تا Agent و دستیارهای هوشمند.

اما در میان این همه فناوری، یک سؤال مهم کمتر دیده می‌شد:

> این فناوری دقیقاً قرار است کدام مسئله واقعی را حل کند؟

برداشت ما از بازدید امسال این بود که بخش قابل‌توجهی از راهکارهای AI، بیشتر AI-enabled بودند تا AI-native؛ یعنی هوش مصنوعی به محصول اضافه شده بود، اما لزوماً محصول به‌خاطر هوش مصنوعی از نو طراحی نشده بود.

شاید مسئله اصلی اکوسیستم فناوری ایران دیگر «دسترسی به فناوری» نباشد؛
بلکه توانایی تشخیص، تعریف و حل یک مسئله ارزشمند باشد.

📌 یادداشت کامل:
«الکامپ ۱۴۰۵؛ فاقد مسئله درست، کم‌رمق در نوآوری»

نوشته‌ای از NextBrain | مغز آینده

🔗 @nextbrain_ir

#NextBrain #مغز_آینده #الکامپ۱۴۰۵ #هوش_مصنوعی #AI #نوآوری #فناوری #AI_Native #Product #Business

🔥 سم آلتمن: نسل بعدی شاید در دنیایی بزرگ شود که هوش مصنوعی از آن‌ها باهوش‌تر است

سم آلتمن، مدیرعامل OpenAI، معتقد است سرعت پیشرفت هوش مصنوعی هنوز توسط بسیاری از مردم دست‌کم گرفته می‌شود.

او می‌گوید اگر این روند ادامه پیدا کند، ممکن است نسل‌های آینده از همان کودکی در جهانی زندگی کنند که هوش مصنوعی از انسان باهوش‌تر است.

آلتمن برای توضیح اهمیت این تحول، یک مقایسه جالب دارد:

⚡ همان‌طور که تصور دنیای مدرن بدون برق تقریباً غیرممکن است، مقاومت در برابر هوش مصنوعی هم ممکن است شبیه رد کردن برق در دوران انقلاب صنعتی باشد.

اما بخش مهم ماجرا اینجاست:

اگر هوش مصنوعی بتواند در سرعت توسعه فناوری از انسان جلو بزند، سؤال دیگر فقط این نیست که:

«آیا انسان باهوش‌تر می‌شود؟»

بلکه باید بپرسیم:

«وقتی هوش از انسان جلو می‌زند، انسان چگونه خودش را با آن تطبیق خواهد داد؟»

نسل آینده شاید اولین نسلی باشد که از ابتدا با این واقعیت بزرگ می‌شود:

🧠 باهوش‌ترین موجود حاضر در اتاق، لزوماً انسان نیست.


📌 مغز آینده | NextBrain
🔗 @nextbrain_ir

🎥 منبع: Channel 4 News

🤯 هوش مصنوعی از آزمونی که قرار بود ثابت کند «ربات نیست»، عبور کرد!

یک ویدئوی وایرال ادعا می‌کند GPT-6 Astra توانسته هر ۴۸ مرحله یک چالش «من ربات نیستم» را پشت سر بگذارد؛ از جمله آزمون‌های تصویری شبیه کپچا که از انسان می‌خواهند اشیا را در تصاویر تشخیص دهد.

ماجرا یک تناقض جالب دارد:

کپچاها اساساً بر یک فرض ساده ساخته شدند:

انسان‌ها بهتر از ماشین‌ها می‌توانند دنیای واقعی را تشخیص دهند.

اما با پیشرفت سریع هوش مصنوعی در بینایی رایانه‌ای، استدلال و درک تصویر، این فرض دیگر به اندازه گذشته قابل اتکا نیست.

البته درباره همین ویدئو، نباید ادعای «۴۸ مرحله را با موفقیت کامل پشت سر گذاشته» را بدون تأیید مستقل به‌عنوان یک واقعیت قطعی مطرح کرد.

اما سؤال بزرگ‌تر کاملاً واقعی است:

🔐 اگر هوش مصنوعی بتواند آزمون‌هایی را که برای تشخیص انسان از ماشین طراحی شده‌اند حل کند، آیا کپچاها در حال منسوخ شدن هستند؟

شاید در آینده، مسئله دیگر این نباشد که:

«آیا ربات هستی؟»

بلکه باید بپرسیم:

«چطور ثابت کنیم واقعاً انسان هستی؟» 👀

📌 مغز آینده | NextBrain
🔗 @nextbrain_ir

#هوش_مصنوعی #GPT6 #Astra #کپچا #فناوری #آینده_فناوری

🧠 هزاران هوش مصنوعی برای حل یک مسئله ۹۰ ساله

OpenAI ادعا می‌کند برای حل مسئله معروف ناویر–استوکس، حدود ۱۰ هزار عامل هوش مصنوعی را به‌صورت هم‌زمان به کار گرفته است.

این عامل‌ها در طول پروژه:

• حدود ۲٫۷ میلیون پیام با یکدیگر ردوبدل کردند
• حدود ۱۳۰ میلیارد توکن تولید کردند
• طی حدود ۸۸ ساعت به یک راه‌حل پیشنهادی رسیدند
• سپس GPT-6 Astra حدود ۱۷ ساعت صرف صورت‌بندی و بررسی رسمی اثبات در زبان Lean کرد.


اما یک نکته بسیار مهم:

⚠️ این مسئله هنوز رسماً حل‌شده محسوب نمی‌شود.

اثبات پیشنهادی باید توسط ریاضی‌دانان مستقل بررسی شود و معیارهای لازم برای پذیرش توسط مؤسسه کلی ریاضیات را پشت سر بگذارد.

بااین‌حال، شاید جذاب‌ترین بخش داستان خودِ اثبات نباشد.

بلکه روش حل مسئله باشد.

به‌جای یک مدل که یک سؤال را پاسخ می‌دهد، هزاران عامل هوش مصنوعی مانند یک تیم پژوهشی دیجیتال در کنار هم کار کرده‌اند؛ مسیرهای مختلف را موازی بررسی کرده‌اند، نتایج را با یکدیگر ترکیب کرده‌اند .

این می‌تواند نشانه‌ای از یک تغییر مهم باشد:

آینده پژوهش شاید «یک هوش مصنوعی بهتر» نباشد؛
بلکه «تیم‌هایی از هوش‌های مصنوعی» باشد.


🔗 @nextbrain_ir

🚨 ماسایوشی سون: عصر برتری انسان‌ها در حال پایان است

ماسایوشی سون، مدیرعامل سافت‌بانک و یکی از بزرگ‌ترین سرمایه‌گذاران OpenAI، پیش‌بینی بسیار بزرگی درباره آینده هوش مصنوعی مطرح کرده است.

به گفته او، در آینده ممکن است ۱۰۰ تریلیون هوش مصنوعی به وجود بیاید که بتوانند خودشان را تکثیر و به‌صورت مداوم تکامل دهند.

سون می‌گوید:

«دورانی که انسان بالاترین شکل حیات است، در حال پایان است.»

و معتقد است این هوش‌های مصنوعی در نهایت از انسان پیشی خواهند گرفت.

اما جمله آخر او شاید مهم‌تر از همه باشد:

«اینکه این اتفاق خوب است یا بد، مسئله دیگری است.»

اگر هوش مصنوعی بتواند خودش را تکثیر کند، نسخه‌های بهتر خودش را بسازد و با سرعتی بسیار بیشتر از انسان تکامل پیدا کند، دیگر با یک «ابزار هوشمند» معمولی طرف نیستیم؛ با یک اکوسیستم از هوش‌های مصنوعی روبه‌رو خواهیم بود.

البته عدد «۱۰۰ تریلیون» یک پیش‌بینی بلندپروازانه است، نه یک برآورد علمی قطعی.

اما سؤال مهم‌تر این است:

اگر روزی هوش مصنوعی از انسان باهوش‌تر شود، آیا همچنان ما تصمیم‌گیرنده خواهیم بود؟


📌 مغز آینده | NextBrain
🔗 @nextbrain_ir

🧭 عصر AGI؛ وقتی «اجرا» به یک کالا تبدیل می‌شود

یک تغییر بنیادین در اقتصاد دیجیتال در حال شکل‌گیری است:

> در عصر AGI، توانایی «انجام دادن» به‌تدریج از یک مزیت رقابتی به یک قابلیت عمومی تبدیل می‌شود.

اگر ماشین‌ها بتوانند تحلیل کنند، کدنویسی کنند، محتوا بسازند، تحقیق کنند و فرآیندهای پیچیده را اجرا کنند، مزیت آینده دیگر صرفاً در Execution نخواهد بود.

بلکه در این سؤال خواهد بود:

> چه کاری اصلاً ارزش انجام دادن دارد؟

در این یادداشت بررسی می‌کنیم چرا مزیت رقابتی از اجرا به سمت انتخاب، قضاوت، دید راهبردی و تفکر سیستمی حرکت می‌کند؛ و چرا رهبران آینده بیش از آنکه مدیر اجرا باشند، به معماران تصمیم و جهت تبدیل خواهند شد.

📖 یادداشت جدید NextBrain:
🔗 [لینک یادداشت]

━━━━━━━━━━━━

🧠 NextBrain
*از امروز، فکر فردا*
@nextbarin_ir