🔴 پایان افسانه‌های مهندسی پرامپت؛ آنچه ۱۵۰۰ مقاله علمی درباره گفت‌وگو با هوش مصنوعی به ما آموختند
گزارش تحلیلی aakashgupta، پس از بررسی بیش از ۱۵۰۰ مقاله دانشگاهی درباره مهندسی پرامپت، به نتیجه‌ای چالش‌برانگیز می‌رسد: بخش زیادی از توصیه‌های رایج درباره تعامل با مدل‌های زبانی، بیش از آنکه مبتنی بر شواهد علمی باشند، حاصل تجربه‌های محدود، شهود شخصی و ترندهای شبکه‌های اجتماعی هستند. نویسنده معتقد است که شرکت‌های موفقی که محصولات مبتنی بر هوش مصنوعی را در مقیاس بزرگ توسعه داده‌اند، اغلب برخلاف توصیه‌های رایج عمل می‌کنند.
۱. پرامپت‌های طولانی الزاماً بهتر نیستند. پژوهش‌ها نشان می‌دهد که افزودن توضیحات زیاد، اغلب بهبود چشمگیری در کیفیت خروجی ایجاد نمی‌کند و حتی ممکن است باعث افزایش هزینه و کاهش دقت شود.
۲. ساختار مهم‌تر از واژگان جادویی است. استفاده از تیترها، جداکننده‌ها، شماره‌گذاری و قالب‌بندی منظم، معمولاً اثربخش‌تر از جست‌وجوی عبارت‌های معجزه‌آساست.
۳. مثال‌های متعدد همیشه مفید نیستند. تکنیک Few-shot Prompting در بسیاری از مدل‌های جدید مزیت ثابتی ندارد و گاهی عملکرد مدل بدون ارائه مثال بهتر است.
۴. عبارت «مرحله‌به‌مرحله فکر کن» راه‌حل جهانی نیست. Chain-of-Thought تنها در برخی مسائل استدلالی، منطقی و ریاضی مؤثر است و استفاده بی‌هدف از آن می‌تواند بی‌فایده باشد.
۵. آزمایش و ارزیابی از حفظ کردن ترفندها مهم‌تر است. بهترین پرامپت از طریق آزمون، مقایسه و بهینه‌سازی مستمر به دست می‌آید، نه با پیروی کورکورانه از فهرست توصیه‌ها.
۶. مدل‌های مختلف رفتار متفاوتی دارند. پرامپتی که در یک مدل عملکرد عالی دارد، ممکن است در مدل دیگر کارایی مشابهی نداشته باشد؛ بنابراین انتقال مستقیم دستورها همیشه امکان‌پذیر نیست.
۷. نقش سیستم‌پرامپت‌ها کمتر از تصور عمومی است. بسیاری از کاربران اهمیت بیش از حدی برای برخی دستورات سیستمی قائل‌اند، در حالی که کیفیت تعریف وظیفه اهمیت بیشتری دارد.
۸. تعریف دقیق خروجی مورد انتظار حیاتی است. مشخص کردن قالب پاسخ، معیارهای ارزیابی، مخاطب هدف و محدودیت‌های خروجی، تأثیر بیشتری نسبت به استفاده از اصطلاحات پیچیده دارد.
۹. مهندسی پرامپت در حال تبدیل شدن به مهندسی فرایند است. موفقیت واقعی از طراحی گردش کار، استفاده از چند مرحله پردازش و ترکیب هوش مصنوعی با نظارت انسانی حاصل می‌شود.
۱۰. تفکر انتقادی مهم‌ترین مهارت است. هیچ پرامپتی جایگزین قضاوت انسانی، راستی‌آزمایی اطلاعات و ارزیابی کیفیت پاسخ‌ها نمی‌شود. کاربران حرفه‌ای کسانی هستند که خروجی‌های هوش مصنوعی را بررسی و اصلاح می‌کنند، نه کسانی که صرفاً پرامپت‌های پیچیده می‌نویسند.
Gupta, A. (2025, August 17). I studied 1,500 academic papers on prompt engineering. Here's why everything you know is wrong. Medium. Retrieved from https://aakashgupta.medium.com/i-studied-1-500-academic-papers-on-prompt-engineering-heres-why-everything-you-know-is-wrong-391838b33468
https://t.me/UT_Central_Library
گزارش تحلیلی aakashgupta، پس از بررسی بیش از ۱۵۰۰ مقاله دانشگاهی درباره مهندسی پرامپت، به نتیجه‌ای چالش‌برانگیز می‌رسد: بخش زیادی از توصیه‌های رایج درباره تعامل با مدل‌های زبانی، بیش از آنکه مبتنی بر شواهد علمی باشند، حاصل تجربه‌های محدود، شهود شخصی و ترندهای شبکه‌های اجتماعی هستند. نویسنده معتقد است که شرکت‌های موفقی که محصولات مبتنی بر هوش مصنوعی را در مقیاس بزرگ توسعه داده‌اند، اغلب برخلاف توصیه‌های رایج عمل می‌کنند.
۱. پرامپت‌های طولانی الزاماً بهتر نیستند. پژوهش‌ها نشان می‌دهد که افزودن توضیحات زیاد، اغلب بهبود چشمگیری در کیفیت خروجی ایجاد نمی‌کند و حتی ممکن است باعث افزایش هزینه و کاهش دقت شود.
۲. ساختار مهم‌تر از واژگان جادویی است. استفاده از تیترها، جداکننده‌ها، شماره‌گذاری و قالب‌بندی منظم، معمولاً اثربخش‌تر از جست‌وجوی عبارت‌های معجزه‌آساست.
۳. مثال‌های متعدد همیشه مفید نیستند. تکنیک Few-shot Prompting در بسیاری از مدل‌های جدید مزیت ثابتی ندارد و گاهی عملکرد مدل بدون ارائه مثال بهتر است.
۴. عبارت «مرحله‌به‌مرحله فکر کن» راه‌حل جهانی نیست. Chain-of-Thought تنها در برخی مسائل استدلالی، منطقی و ریاضی مؤثر است و استفاده بی‌هدف از آن می‌تواند بی‌فایده باشد.
۵. آزمایش و ارزیابی از حفظ کردن ترفندها مهم‌تر است. بهترین پرامپت از طریق آزمون، مقایسه و بهینه‌سازی مستمر به دست می‌آید، نه با پیروی کورکورانه از فهرست توصیه‌ها.
۶. مدل‌های مختلف رفتار متفاوتی دارند. پرامپتی که در یک مدل عملکرد عالی دارد، ممکن است در مدل دیگر کارایی مشابهی نداشته باشد؛ بنابراین انتقال مستقیم دستورها همیشه امکان‌پذیر نیست.
۷. نقش سیستم‌پرامپت‌ها کمتر از تصور عمومی است. بسیاری از کاربران اهمیت بیش از حدی برای برخی دستورات سیستمی قائل‌اند، در حالی که کیفیت تعریف وظیفه اهمیت بیشتری دارد.
۸. تعریف دقیق خروجی مورد انتظار حیاتی است. مشخص کردن قالب پاسخ، معیارهای ارزیابی، مخاطب هدف و محدودیت‌های خروجی، تأثیر بیشتری نسبت به استفاده از اصطلاحات پیچیده دارد.
۹. مهندسی پرامپت در حال تبدیل شدن به مهندسی فرایند است. موفقیت واقعی از طراحی گردش کار، استفاده از چند مرحله پردازش و ترکیب هوش مصنوعی با نظارت انسانی حاصل می‌شود.
۱۰. تفکر انتقادی مهم‌ترین مهارت است. هیچ پرامپتی جایگزین قضاوت انسانی، راستی‌آزمایی اطلاعات و ارزیابی کیفیت پاسخ‌ها نمی‌شود. کاربران حرفه‌ای کسانی هستند که خروجی‌های هوش مصنوعی را بررسی و اصلاح می‌کنند، نه کسانی که صرفاً پرامپت‌های پیچیده می‌نویسند.
Gupta, A. (2025, August 17). I studied 1,500 academic papers on prompt engineering. Here's why everything you know is wrong. Medium. Retrieved from https://aakashgupta.medium.com/i-studied-1-500-academic-papers-on-prompt-engineering-heres-why-everything-you-know-is-wrong-391838b33468
https://t.me/UT_Central_Library
Medium
I Studied 1,500 Academic Papers on Prompt Engineering. Here’s Why Everything You Know Is Wrong.
The $50M+ ARR companies are doing the exact opposite of what everyone teaches
Forwarded from کتاب کست هوشمند کتابخانه مرکزی و مرکز اسناد دانشگاه تهران (lib.ut.ac)
Audio
کتاب سیستم‌های هوشمند، کسب‌وکار و پژوهش‌های نوآوری (Intelligent Systems, Business, and Innovation Research) منتشر شده در 2024 به بررسی نقش فناوری‌های نوین مانند هوش مصنوعی و تحلیل داده‌ها در تحول فرآیندهای تجاری می‌پردازد. مقالات این مجموعه بر چگونگی بهره‌گیری از سیستم‌های تصمیم‌ساز برای ارتقای بهره‌وری، تقویت کارآفرینی و بهبود تجربه مشتریان تمرکز دارند. بخشی از متن به طور خاص به مطالعه موردی دولت الکترونیک در اردن اختصاص یافته و تاثیر کیفیت نرم‌افزار بر میزان اعتماد شهروندان را تحلیل می‌کند. نویسندگان همچنین بر ضرورت رعایت اخلاق و امنیت در پیاده‌سازی این فناوری‌ها برای جلوگیری از پیامدهای منفی اجتماعی تاکید ورزیده اند. در نهایت، این منبع به عنوان راهنمایی جامع برای درک پیوند میان نوآوری دیجیتال و مدیریت هوشمند در دنیای امروز عمل می‌کند.
@KETABCAST_AI_LIB_UT_AC
@KETABCAST_AI_LIB_UT_AC
Audio
کتاب دموکراتیک‌سازی هوش مصنوعی: اصولی برای مشارکت عمومی معنادار (Democratizing AI: Principles for Meaningful Public Participation) نوشته میشل گیلمن در سال 2023 منتشر شده و بر ضرورت مشارکت عمومی در طراحی و نظارت بر سیستم‌های هوش مصنوعی تاکید دارد تا از تکرار نابرابری‌ها و آسیب‌های اجتماعی جلوگیری شود. نویسنده با بررسی نمونه‌هایی از حوزه‌های مسکن و رفاه، نشان می‌دهد که چگونه فناوری‌های خودکار بدون نظرخواهی از مردم می‌توانند باعث تبعیض و بی‌عدالتی شوند. این گزارش با الگوبرداری از قوانین زیست‌محیطی، راهکارهایی برای توانمندسازی جوامع و ایجاد شفافیت در مراحل مختلف توسعه فناوری پیشنهاد می‌دهد. هدف نهایی این است که با تبدیل مشارکت به یک الزام قانونی، قدرت تصمیم‌گیری از شرکت‌های بزرگ به افراد متأثر از این سیستم‌ها منتقل شود. در نهایت، متن استدلال می‌کند که دموکراتیک کردن هوش مصنوعی تنها راه حفظ حقوق بشر و تقویت اعتماد عمومی در عصر دیجیتال است.
@KETABCAST_AI_LIB_UT_AC
@KETABCAST_AI_LIB_UT_AC
Audio
عنوان کتاب: Digital Modernity
مولف: Smithies, James
ناشر: Taylor & Francis
سال انتشار: 2026
این متن به بررسی مدرنیته دیجیتال می‌پردازد و استدلال می‌کند که عصر کنونی نه یک گسست، بلکه تداوم پروژه‌های تاریخی مدرنیته است. جیمز اسمیتیز با رویکردی بین‌رشته‌ای، زیرساخت‌های فناوری را با مردم‌سالاری، حاکمیت و میراث استعمار پیوند می‌زند تا چارچوبی برای تحلیل چالش‌های معاصر ارائه دهد. این منابع بر ضرورت نگاه تاریخی به پدیده‌هایی چون هوش مصنوعی و فضای عمومی دیجیتال تأکید دارند تا از قطعیت‌گرایی تکنولوژیک پرهیز شود. نویسنده با نقد سرمایه‌داری پلتفرمی و استعمار دیجیتال، نشان می‌دهد که چگونه قدرت و دانش در لایه‌های نرم‌افزاری متمایز بازتولید می‌شوند. این رویکرد به مخاطبان کمک می‌کند تا پیچیدگی‌های جهان دیجیتال را فراتر از تبلیغات تجاری و در بستری از عدالت اجتماعی و سیاسی درک کنند.
@KETABCAST_AI_LIB_UT_AC
مولف: Smithies, James
ناشر: Taylor & Francis
سال انتشار: 2026
این متن به بررسی مدرنیته دیجیتال می‌پردازد و استدلال می‌کند که عصر کنونی نه یک گسست، بلکه تداوم پروژه‌های تاریخی مدرنیته است. جیمز اسمیتیز با رویکردی بین‌رشته‌ای، زیرساخت‌های فناوری را با مردم‌سالاری، حاکمیت و میراث استعمار پیوند می‌زند تا چارچوبی برای تحلیل چالش‌های معاصر ارائه دهد. این منابع بر ضرورت نگاه تاریخی به پدیده‌هایی چون هوش مصنوعی و فضای عمومی دیجیتال تأکید دارند تا از قطعیت‌گرایی تکنولوژیک پرهیز شود. نویسنده با نقد سرمایه‌داری پلتفرمی و استعمار دیجیتال، نشان می‌دهد که چگونه قدرت و دانش در لایه‌های نرم‌افزاری متمایز بازتولید می‌شوند. این رویکرد به مخاطبان کمک می‌کند تا پیچیدگی‌های جهان دیجیتال را فراتر از تبلیغات تجاری و در بستری از عدالت اجتماعی و سیاسی درک کنند.
@KETABCAST_AI_LIB_UT_AC
Audio
عنوان کتاب: Political Modernity and Social Theory
مولف: Domingues, Jose Maur¡cio
ناشر: Taylor & Francis
سال انتشار: 2024
این منابع به بررسی مدرنیته سیاسی و چارچوب‌های نظری آن در جوامع معاصر می‌پردازند و بر تضاد میان دموکراسی لیبرال و جمع‌گرایی اقتدارگرا تمرکز دارند. نویسنده با تحلیل مفاهیمی چون حقوق شهروندی، حاکمیت قانون و ساختار دولت، تلاش می‌کند ریشه‌ها و تحولات تمدن مدرن را کالبدشکافی کند. متن بر اهمیت آزادی برابر و جایگاه فرد به عنوان دارنده حق در یک نظام حقوقی تأکید ورزیده و تعاملات میان قدرت سیاسی و بازتولید اجتماعی را واکاوی می‌کند. همچنین، این اثر با نگاهی انتقادی به نئولیبرالیسم و بحران‌های جهانی مانند پاندمی کرونا، به دنبال شناسایی جایگزین‌های آینده برای رسیدن به رهایی اجتماعی است.
@KETABCAST_AI_LIB_UT_AC
مولف: Domingues, Jose Maur¡cio
ناشر: Taylor & Francis
سال انتشار: 2024
این منابع به بررسی مدرنیته سیاسی و چارچوب‌های نظری آن در جوامع معاصر می‌پردازند و بر تضاد میان دموکراسی لیبرال و جمع‌گرایی اقتدارگرا تمرکز دارند. نویسنده با تحلیل مفاهیمی چون حقوق شهروندی، حاکمیت قانون و ساختار دولت، تلاش می‌کند ریشه‌ها و تحولات تمدن مدرن را کالبدشکافی کند. متن بر اهمیت آزادی برابر و جایگاه فرد به عنوان دارنده حق در یک نظام حقوقی تأکید ورزیده و تعاملات میان قدرت سیاسی و بازتولید اجتماعی را واکاوی می‌کند. همچنین، این اثر با نگاهی انتقادی به نئولیبرالیسم و بحران‌های جهانی مانند پاندمی کرونا، به دنبال شناسایی جایگزین‌های آینده برای رسیدن به رهایی اجتماعی است.
@KETABCAST_AI_LIB_UT_AC
Court_and_Cosmos.pdf
22.9 MB
کتاب «دربار و کیهان: عصر بزرگ سلجوقیان» (Court and Cosmos: The Great Age of the Seljuqs) کاتالوگ جامع نمایشگاهی است که در سال ۲۰۱۶ در موزه هنر متروپولیتن نیویورک برگزار شد. این اثر به بررسی گسترده و دقیق هنر و فرهنگ دوره سلجوقیان در مناطقی از جمله ایران، آناتولی، شمال عراق و شمال سوریه می‌پردازد.
نویسندگان این کتاب (شیلا کنبی و همکاران)، به جای بررسی صرفاً سبک‌شناختی، به تحلیل پیوند میان تصاویر هنری با زندگی سلاطین، علوم، پزشکی، طالع‌بینی، جادو و مذهب پرداخته‌اند.. این اثر با ارائه مجموعه‌ای ارزشمند از اشیاء هنری، از نسخه‌های کهن شاهنامه گرفته تا ابزارهای علمی و آثار تدفینی، به دنبال بازنمایی میراث فرهنگی عظیم سلجوقیان در آسیای غربی است.
https://t.me/UT_Central_Library
نویسندگان این کتاب (شیلا کنبی و همکاران)، به جای بررسی صرفاً سبک‌شناختی، به تحلیل پیوند میان تصاویر هنری با زندگی سلاطین، علوم، پزشکی، طالع‌بینی، جادو و مذهب پرداخته‌اند.. این اثر با ارائه مجموعه‌ای ارزشمند از اشیاء هنری، از نسخه‌های کهن شاهنامه گرفته تا ابزارهای علمی و آثار تدفینی، به دنبال بازنمایی میراث فرهنگی عظیم سلجوقیان در آسیای غربی است.
https://t.me/UT_Central_Library
✅ هوش مصنوعی در خدمت علم باز؛ کشف ابعاد پنهان استفاده مجدد از داده‌های پژوهشی
پژوهشگران مؤسسه PLOS و شرکت DataSeer با بهره‌گیری از هوش مصنوعی مولد، شاخصی نوین برای سنجش میزان استفاده مجدد از داده‌های پژوهشی توسعه داده‌اند.
هدف این طرح، ارزیابی یکی از مهم‌ترین پیامدهای علم باز، یعنی بازاستفاده از داده‌های علمی در تحقیقات جدید است.
نتایج اولیه نشان می‌دهد که حدود ۴۳ درصد از مقالات علمی مورد بررسی از داده‌های پژوهشی موجود استفاده مجدد کرده‌اند.
این میزان به‌مراتب بیشتر از برآوردهای پیشین مبتنی بر روش‌های کتاب‌سنجی سنتی است که معمولاً بین ۹ تا ۱۶ درصد گزارش می‌شد.
پژوهشگران برای این مطالعه بیش از ۴۴۰۰ مقاله منتشرشده در سه‌ماهه نخست سال ۲۰۲۴ را تحلیل کردند.
سامانه هوش مصنوعی به‌گونه‌ای آموزش داده شد که بتواند تشخیص دهد یک مقاله داده جدید تولید کرده یا از داده‌های موجود بهره برده است.
بررسی‌ها نشان داد ۵۹ درصد مقالات داده جدید تولید کرده‌اند و ۴۳ درصد نیز از داده‌های قبلی استفاده کرده‌اند.
بیشترین میزان استفاده مجدد از داده‌ها در علوم اجتماعی و علوم فیزیکی مشاهده شد، در حالی که علوم زیستی بیشترین سهم تولید داده‌های جدید را داشتند.
یافته‌ها همچنین نشان می‌دهد که الگوهای استفاده از داده در مناطق مختلف جهان متفاوت است و برخی تفاوت‌های جغرافیایی قابل توجه وجود دارد.
به باور نویسندگان، روش‌های سنتی تاکنون میزان واقعی استفاده مجدد از داده‌های علمی را کمتر از مقدار واقعی برآورد کرده‌اند.
این موضوع نشان می‌دهد که مزایای علم باز و اشتراک‌گذاری داده‌های پژوهشی ممکن است بسیار بیشتر از تصورات پیشین باشد.
محققان امیدوارند این ابزار جدید به سیاست‌گذاران، دانشگاه‌ها و نهادهای تأمین مالی کمک کند تا تأثیر واقعی علم باز را با دقت بیشتری ارزیابی کنند.
Cadwallader, L., Hrynaszkiewicz, I., Sarin, P., & Vines, T. (2026). Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results. PLOS & DataSeer.
https://t.me/UT_Central_Library
پژوهشگران مؤسسه PLOS و شرکت DataSeer با بهره‌گیری از هوش مصنوعی مولد، شاخصی نوین برای سنجش میزان استفاده مجدد از داده‌های پژوهشی توسعه داده‌اند.
هدف این طرح، ارزیابی یکی از مهم‌ترین پیامدهای علم باز، یعنی بازاستفاده از داده‌های علمی در تحقیقات جدید است.
نتایج اولیه نشان می‌دهد که حدود ۴۳ درصد از مقالات علمی مورد بررسی از داده‌های پژوهشی موجود استفاده مجدد کرده‌اند.
این میزان به‌مراتب بیشتر از برآوردهای پیشین مبتنی بر روش‌های کتاب‌سنجی سنتی است که معمولاً بین ۹ تا ۱۶ درصد گزارش می‌شد.
پژوهشگران برای این مطالعه بیش از ۴۴۰۰ مقاله منتشرشده در سه‌ماهه نخست سال ۲۰۲۴ را تحلیل کردند.
سامانه هوش مصنوعی به‌گونه‌ای آموزش داده شد که بتواند تشخیص دهد یک مقاله داده جدید تولید کرده یا از داده‌های موجود بهره برده است.
بررسی‌ها نشان داد ۵۹ درصد مقالات داده جدید تولید کرده‌اند و ۴۳ درصد نیز از داده‌های قبلی استفاده کرده‌اند.
بیشترین میزان استفاده مجدد از داده‌ها در علوم اجتماعی و علوم فیزیکی مشاهده شد، در حالی که علوم زیستی بیشترین سهم تولید داده‌های جدید را داشتند.
یافته‌ها همچنین نشان می‌دهد که الگوهای استفاده از داده در مناطق مختلف جهان متفاوت است و برخی تفاوت‌های جغرافیایی قابل توجه وجود دارد.
به باور نویسندگان، روش‌های سنتی تاکنون میزان واقعی استفاده مجدد از داده‌های علمی را کمتر از مقدار واقعی برآورد کرده‌اند.
این موضوع نشان می‌دهد که مزایای علم باز و اشتراک‌گذاری داده‌های پژوهشی ممکن است بسیار بیشتر از تصورات پیشین باشد.
محققان امیدوارند این ابزار جدید به سیاست‌گذاران، دانشگاه‌ها و نهادهای تأمین مالی کمک کند تا تأثیر واقعی علم باز را با دقت بیشتری ارزیابی کنند.
Cadwallader, L., Hrynaszkiewicz, I., Sarin, P., & Vines, T. (2026). Measuring research data reuse in scholarly publications using generative artificial intelligence: Open Science Indicator development and preliminary results. PLOS & DataSeer.
https://t.me/UT_Central_Library
Telegram
کتابخانه مرکزی دانشگاه تهران
وب سايت کتابخانه مرکزی:
Library.ut.ac.ir
آدرس:
خیابان انقلاب، خیابان ۱۶ آذر، داخل پردیس مرکزی دانشگاه تهران، کتابخانه مرکزی، مرکز اسناد و تامین منابع علمی.
Library.ut.ac.ir
آدرس:
خیابان انقلاب، خیابان ۱۶ آذر، داخل پردیس مرکزی دانشگاه تهران، کتابخانه مرکزی، مرکز اسناد و تامین منابع علمی.
✴️ روی دیگر انقلاب هوش مصنوعی؛ خطراتی که آینده بشر را به تأمل وامی‌دارد
گزارش تحلیلی منتشرشده در وب‌سایت Built In، ضمن تأکید بر ظرفیت‌های تحول‌آفرین هوش مصنوعی، نسبت به پیامدهای ناخواسته و مخاطرات فزاینده این فناوری هشدار می‌دهد. نویسندگان معتقدند که در کنار فرصت‌های بی‌سابقه، هوش مصنوعی می‌تواند به یکی از پیچیده‌ترین چالش‌های اجتماعی، اقتصادی و اخلاقی عصر حاضر تبدیل شود. از مهم‌ترین خطرات شناسایی‌شده می‌توان به حذف مشاغل بر اثر خودکارسازی، گسترش دیپ‌فیک‌ها و دستکاری افکار عمومی، نقض حریم خصوصی، سوگیری الگوریتمی و تعمیق نابرابری‌های اجتماعی اشاره کرد.
این گزارش نشان می‌دهد که الگوریتم‌های غیرشفاف و فاقد قابلیت توضیح‌پذیری، ممکن است تصمیم‌هایی اتخاذ کنند که دلایل آن برای کاربران و حتی توسعه‌دهندگان روشن نباشد. همچنین، استفاده گسترده از هوش مصنوعی در شبکه‌های اجتماعی، زمینه را برای انتشار اطلاعات نادرست و تأثیرگذاری بر انتخابات و افکار عمومی فراهم کرده است. از سوی دیگر، توسعه تسلیحات خودمختار، افزایش جرایم سایبری، نقض حقوق مالکیت فکری و سوءاستفاده از آثار خلاقانه، از دیگر نگرانی‌های جدی مطرح‌شده در این گزارش هستند.
نویسندگان همچنین به پیامدهای کمتر مورد توجه این فناوری اشاره می‌کنند؛ از جمله وابستگی شناختی کاربران به ابزارهای مولد، تضعیف مهارت‌های تفکر انتقادی، آسیب‌های روانی ناشی از تعامل افراطی با چت‌بات‌ها و تأثیرات زیست‌محیطی ناشی از مصرف گسترده انرژی و آب در مراکز داده. به باور آنان، آینده هوش مصنوعی نه صرفاً به پیشرفت فنی، بلکه به کیفیت حکمرانی، مقررات‌گذاری و توسعه سواد هوش مصنوعی وابسته است. در نهایت، این گزارش تأکید می‌کند که چالش اصلی، توقف نوآوری نیست؛ بلکه بهره‌گیری مسئولانه، شفاف و انسان‌محور از فناوری است تا منافع آن در خدمت رفاه عمومی قرار گیرد، نه تشدید مخاطرات جهانی.
این گزارش یادآور می‌شود که آینده هوش مصنوعی، بیش از آنکه به توانایی ماشین‌ها وابسته باشد، به تصمیم‌های انسانی درباره نحوه طراحی، استفاده و نظارت بر این فناوری بستگی دارد؛ تصمیم‌هایی که می‌توانند آن را به ابزاری برای پیشرفت یا منشأ بحران‌های نوظهور تبدیل کنند.
Thomas, M., & Rodriguez, A. (2026, January 28). 18 risks and dangers of artificial intelligence (AI). Built In. Retrieved from https://builtin.com/artificial-intelligence/risks-of-artificial-intelligence
https://t.me/UT_Central_Library
گزارش تحلیلی منتشرشده در وب‌سایت Built In، ضمن تأکید بر ظرفیت‌های تحول‌آفرین هوش مصنوعی، نسبت به پیامدهای ناخواسته و مخاطرات فزاینده این فناوری هشدار می‌دهد. نویسندگان معتقدند که در کنار فرصت‌های بی‌سابقه، هوش مصنوعی می‌تواند به یکی از پیچیده‌ترین چالش‌های اجتماعی، اقتصادی و اخلاقی عصر حاضر تبدیل شود. از مهم‌ترین خطرات شناسایی‌شده می‌توان به حذف مشاغل بر اثر خودکارسازی، گسترش دیپ‌فیک‌ها و دستکاری افکار عمومی، نقض حریم خصوصی، سوگیری الگوریتمی و تعمیق نابرابری‌های اجتماعی اشاره کرد.
این گزارش نشان می‌دهد که الگوریتم‌های غیرشفاف و فاقد قابلیت توضیح‌پذیری، ممکن است تصمیم‌هایی اتخاذ کنند که دلایل آن برای کاربران و حتی توسعه‌دهندگان روشن نباشد. همچنین، استفاده گسترده از هوش مصنوعی در شبکه‌های اجتماعی، زمینه را برای انتشار اطلاعات نادرست و تأثیرگذاری بر انتخابات و افکار عمومی فراهم کرده است. از سوی دیگر، توسعه تسلیحات خودمختار، افزایش جرایم سایبری، نقض حقوق مالکیت فکری و سوءاستفاده از آثار خلاقانه، از دیگر نگرانی‌های جدی مطرح‌شده در این گزارش هستند.
نویسندگان همچنین به پیامدهای کمتر مورد توجه این فناوری اشاره می‌کنند؛ از جمله وابستگی شناختی کاربران به ابزارهای مولد، تضعیف مهارت‌های تفکر انتقادی، آسیب‌های روانی ناشی از تعامل افراطی با چت‌بات‌ها و تأثیرات زیست‌محیطی ناشی از مصرف گسترده انرژی و آب در مراکز داده. به باور آنان، آینده هوش مصنوعی نه صرفاً به پیشرفت فنی، بلکه به کیفیت حکمرانی، مقررات‌گذاری و توسعه سواد هوش مصنوعی وابسته است. در نهایت، این گزارش تأکید می‌کند که چالش اصلی، توقف نوآوری نیست؛ بلکه بهره‌گیری مسئولانه، شفاف و انسان‌محور از فناوری است تا منافع آن در خدمت رفاه عمومی قرار گیرد، نه تشدید مخاطرات جهانی.
این گزارش یادآور می‌شود که آینده هوش مصنوعی، بیش از آنکه به توانایی ماشین‌ها وابسته باشد، به تصمیم‌های انسانی درباره نحوه طراحی، استفاده و نظارت بر این فناوری بستگی دارد؛ تصمیم‌هایی که می‌توانند آن را به ابزاری برای پیشرفت یا منشأ بحران‌های نوظهور تبدیل کنند.
Thomas, M., & Rodriguez, A. (2026, January 28). 18 risks and dangers of artificial intelligence (AI). Built In. Retrieved from https://builtin.com/artificial-intelligence/risks-of-artificial-intelligence
https://t.me/UT_Central_Library
Built In
18 Dangers of Artificial Intelligence (AI) | Built In
Dangers of artificial intelligence include bias, job losses, increased surveillance, lack of transparency, lack of data privacy, large-scale targeted fraud, growing inequality, psychological harm and more.
عید غدیر در دوره پهلوی به عنوان یک مناسبت مذهبی در دربار مورد توجه بود و گاه در کنار جشن های ملی، از مقامات روحانی و لشکری برای این مراسم دعوت می شد. اصطلاحاتی مانند "سلام تشرف" در متون رسمی آن دوره برای دعوت به حضور در برابر شاه کاربرد داشته است.
#معرفی_منابع
#منابع_غیر_کتابی
https://t.me/UT_Central_Library
#معرفی_منابع
#منابع_غیر_کتابی
https://t.me/UT_Central_Library