📣 اخبار هوش مصنوعی

🧠 آندری کارپاتی: «هوش مصنوعی انسان را از توان تصمیم‌گیری محروم می‌کند»

در گفت‌وگویی تازه، آندری کارپاتی از دلایل نگرانی خود نسبت به مسیر کنونی توسعه‌ی هوش مصنوعی سخن گفته است. او معتقد است مدل‌های زبانی امروزی مانند انسان یاد نمی‌گیرند و در نتیجه، بشر به‌تدریج کنترل فرایند اندیشیدن را از دست خواهد داد.
کارپاتی روش یادگیری تقویتی (Reinforcement Learning) را بن‌بست می‌داند و می‌گوید:

«یادگیری تقویتی بد است، فقط هر آنچه پیش از آن بود، از آن بدتر بود.»

به باور او، انسان‌ها از طریق تفکر، تجربه، و ایجاد ارتباط میان دانسته‌های گذشته و مفاهیم تازه یاد می‌گیرند؛ اما مدل‌های زبانی فقط داده‌ها را بازتاب می‌دهند و تکرار می‌کنند، نه اینکه واقعاً بیندیشند.
کارپاتی هشدار می‌دهد که آینده نه با «انفجار هوش» (Singularity)، بلکه با واگذاری آرام و تدریجی توان اندیشیدن به الگوریتم‌ها فرا خواهد رسید:

«هوش مصنوعی انسان را از توان تصمیم‌گیری محروم خواهد کرد. ما دیگر خودمان نخواهیم اندیشید و انتخاب نخواهیم کرد.»

او می‌گوید عامل‌های هوشمند کنونی «به‌هیچ‌وجه قابل اتکا نیستند» و شکل‌گیری هوش مصنوعی عمومی (AGI) واقعی دست‌کم ده سال دیگر زمان می‌برد.
ترس اصلی او، نه شورش ماشین‌ها، بلکه خاموش شدن تدریجی اندیشه‌ی انسانی است — لحظه‌ای که انسان تصمیم‌گیری را بی‌آنکه بداند، به ماشین‌ها می‌سپارد.
🎥 مشاهده گفت‌وگوی کامل


📊 پژوهش Epoch AI: حتی GPT-5 نیز از ۷۰ درصد هوش ریاضی فراتر نمی‌رود

گروه Epoch AI توانایی واقعی مدل‌های زبانی در استدلال ریاضی را با آزمونی به نام FrontierMath بررسی کرده است؛ این آزمون شامل ۲۹۰ مسئله است که برای حل آن‌ها باید استدلال و تعمیم به‌کار گرفته شود، نه صرفاً حفظ فرمول‌ها.
نتیجه‌ها نشان می‌دهد که GPT-5 در یک اجرای منفرد فقط ۲۹ درصد از مسائل را درست حل کرده است. با تکرار ۳۲باره‌ی آزمون، دقت به ۴۶ درصد رسیده و سپس در همان سطح ثابت مانده است.
حتی با ترکیب نتایج چندین مدل پیشرفته — از ChatGPT Agent و Gemini 2.5 Deep Think گرفته تا o4-mini — حداکثر کارایی به حدود ۵۷ درصد می‌رسد.
برآورد نهایی پژوهشگران این است که حتی با بی‌نهایت تکرار، سقف عملکرد از ۷۰ درصد فراتر نخواهد رفت.
🔍 نتیجه: با وجود جهش‌های بزرگ، مدل‌های زبانی هنوز از درک و استدلال واقعی انسانی فاصله دارند.


🧬 پدیده‌ی «پوسیدگی شناختی» در مدل‌های زبانی بزرگ (Brain Rot)

گزارش تازه‌ای نشان می‌دهد که مدل‌های زبانی بزرگ (LLM) در معرض نوعی زوال شناختی تدریجی قرار دارند که پژوهشگران آن را Brain Rot می‌نامند.
دلیل اصلی این پدیده، آموزش مداوم بر داده‌های کم‌کیفیت و محتوای سطحی یا ویروسی اینترنتی است. این روند موجب کاهش توان استدلال، افت تمرکز در متون طولانی و بروز رفتارهای ناپایدار می‌شود.
نشانه‌ی اصلی آن، پدیده‌ی پرش اندیشه (thought-skipping) است؛ یعنی مدل دیگر مرحله‌به‌مرحله فکر نمی‌کند، پاسخ‌های سطحی و ناپیوسته می‌دهد، و گاه نشانه‌هایی از شخصیت تیره مانند خودشیفتگی، پرخاشگری یا بی‌اعتمادی بروز می‌دهد.
حتی پیشرفته‌ترین روش‌های اصلاح داده فقط بخشی از اثرات این زوال را کاهش می‌دهند. به همین دلیل، کیفیت داده‌های آموزشی به عاملی حیاتی در امنیت و پایداری سامانه‌های هوش مصنوعی تبدیل شده است.
📄 منبع: OpenReview


📱 گروه Facebook Research از MobileLLM-Pro رونمایی کرد

این مدل جدید، با حدود یک میلیارد پارامتر، برای اجرای محلی بر روی دستگاه‌ها طراحی شده است.
با وجود اندازه‌ی کوچک، عملکرد آن در حوزه‌های استدلال، دانش عمومی و پردازش متن‌های بلند (تا ۱۲۸ هزار توکن) از مدل‌هایی مانند Gemma 3 1B و Llama 3.2 1B بهتر است.
مدل MobileLLM-Pro از سازوکار توجه ترکیبی (محلی و جهانی) با نسبت ۳ به ۱ و پنجره‌ی ۵۱۲ توکنی بهره می‌برد که موجب کاهش تأخیر و صرفه‌جویی چشمگیر در حافظه‌ی KV می‌شود.
📲 جزئیات بیشتر


🤖 سامانه HuggingChat v2 — ارکستری از ۱۱۵ مدل در یک پلتفرم واحد

نسخه‌ی دوم HuggingChat اکنون بیش از ۱۰۰ مدل متن‌باز از شرکت‌های بزرگ از جمله OpenAI، Qwen، Google، NVIDIA، DeepSeek و دیگران را در خود جای داده است.
این سامانه می‌تواند به‌صورت خودکار بهترین مدل را بر اساس نوع درخواست کاربر انتخاب کند و پاسخ دهد.
🔗 آزمایش کنید در Hugging Face


#هوش_مصنوعی #یادگیری_ماشین #اخبار_روز #GenerativeAI

https://t.me/boost/asrgooyeshpardaz

🔥 انویدیا OmniVinci — مدل چندوجهی که رکوردها را شکست!

🔗 مدل OmniVinci تازه‌ترین مدل چندوجهی (Omnimodal) از آزمایشگاه‌های NVIDIA است که می‌تواند متن، تصویر، ویدیو و صدا را به‌صورت هم‌زمان درک و پردازش کند.

با وجود آن‌که تنها با ۲۰۰ میلیارد توکن آموزش دیده (شش‌برابر کمتر از Qwen2.5-Omni با ۱.۲ تریلیون توکن)، کارایی شگفت‌انگیزی نشان داده است — نتیجه‌ی معماری هوشمند و پردازش دقیق داده‌ها.

🧩 سه جزء کلیدی OmniVinci:

🔹Temporal Embedding Grouping (TEG)
نظم‌دهی به توکن‌های صوت و تصویر بر اساس زمان.
🔹Constrained Rotary Time Embedding (CRTE)
رمزگذاری دقیق زمان مطلق هر فریم.
🔹OmniAlignNet
هم‌ترازسازی توکن‌های ویدیو و صدا در یک فضای نهفته مشترک از طریق یادگیری کانتراستیوی.

📊 تست ابلیشن نشان داد هر جزء نقشی مهم دارد:

مدل پایه: 45.51
با TEG: +2.21 → 47.72
با CRTE: +4.74 → 50.25
با OmniAlignNet: +7.08 → 52.59 ✅

🧠 داده‌های آموزش:

۲۴ میلیون دیالوگ چندوجهی
با کمک LLM برای یکپارچه‌سازی توضیحات در قالب واحد

ترکیب داده‌ها:

۳۶٪ تصویر
۲۱٪ صدا
۱۷٪ گفتار
۱۵٪ داده‌های ترکیبی
۱۱٪ ویدیو

📈 نتایج بنچ‌مارک:

Worldsense: 48.23 (در برابر 45.40 برای Qwen2.5-Omni)

DailyOmni: 66.50 (در برابر 47.45)

MMAR (وظایف صوتی): 58.40

MMAU: 71.60

LibriSpeech-clean (WER): فقط 1.7٪ 🔊
🧪 تست‌های صنعتی:

در کاربردهای واقعی نیز OmniVinci درخشید:

در تشخیص عیوب ویفرهای نیمه‌هادی به دقت 98.1٪ رسید — بالاتر از
مدل NVILA (97.6٪)
مدل VILA-40B (90.8٪)

⚙️ مجوز و منابع:

کد: Apache 2.0 License

مدل: NVIDIA One Way Noncommercial License

🟢 صفحه پروژه
🟢 مدل در HuggingFace
🟢 مقاله arXiv
🟢 کد منبع در GitHub

📢 #NVIDIA #OmniVinci #AI #Multimodal #DeepLearning #GenerativeAI

@asrgooyeshpardaz