عصر گویش | هوش مصنوعی
100K subscribers
2.13K photos
348 videos
4 files
2K links
مجله هوش مصنوعی عصر گویش

021 61931000
Download Telegram
🔥 انویدیا Universal Deep Research (UDR) را معرفی کرد

عامل UDR یک عامل (Agent) قابل تنظیم برای پژوهش عمیق است که می‌تواند با هر مدل زبانی بزرگ (LLM) ادغام شود.

❇️ویژگی‌ها:

🟠 پیکربندی انعطاف‌پذیر بدون نیاز به کدنویسی — بر خلاف بسیاری از ابزارها که سناریوهای سخت و محدود دارند، UDR آزادی عمل بیشتری می‌دهد.

🟠 امکان ایجاد، ویرایش و ترکیب استراتژی‌های جستجو و تحلیل.

🟠 در مخزن (repo) نمونه‌هایی از استراتژی‌ها (minimal، expansive، intensive) وجود دارد، اما نقطهٔ قوت اصلی در سفارشی‌سازی برای نیازهای خاص است.

به طور خلاصه، این یک عامل پژوهشی انعطاف‌پذیر است که می‌توان آن را با هر جریان کاری سازگار کرد.

🟢 پروژه:
https://research.nvidia.com/labs/lpr/udr

🟢 کد:
https://github.com/NVlabs/UniversalDeepResearch

🟢 آزمایشگاه:
https://nv-dler.github.io

#NVIDIA #UDR #UniversalDeepResearch #AI #LLM #ResearchAgent #AIAgents #DeepResearch


@asrgooyeshpardaz
❤2👍1👏1
👨‍🏫 دوره جدید اندرو انگ: Agentic AI!

ساخت عامل‌های هوش مصنوعی (AI Agents) در حال تبدیل شدن به یکی از پرتقاضاترین مهارت‌ها در بازار است.
اکنون می‌توانید در دوره جدید اندرو انگ این مهارت را یاد بگیرید.

در این دوره یاد می‌گیرید چگونه چهار الگوی کلیدی طراحی عامل‌ها را پیاده‌سازی کنید:

🔸الگوی Reflection (بازاندیشی): عامل پاسخ‌های خود را تحلیل و بهبود می‌دهد.

🔸الگوی Tool use (استفاده از ابزار): مدل انتخاب می‌کند از چه ابزارهایی استفاده کند (مثل جستجو، ایمیل، تقویم، کدنویسی و غیره).

🔸الگوی Planning (برنامه‌ریزی): عامل هوش مصنوعی وظیفه را به زیرمسئله‌ها تقسیم و اجرای آن را زمان‌بندی می‌کند.

🔸الگوی Multi-agent collaboration (همکاری چندعاملی): نحوه تعامل چند عامل با هم، مانند اعضای یک تیم.

اندرو انگ در این دوره بر دو مهارت حیاتی تمرکز دارد: ارزیابی (evals) و تحلیل خطاها — مهارت‌هایی کلیدی برای اشکال‌زدایی و بهینه‌سازی سیستم‌های عامل‌محور.

در بخش عملی دوره، یاد می‌گیرید چگونه یک عامل پژوهش عمیق (Deep Research Agent) بسازید که بتواند جستجو کند، اطلاعات را ترکیب نماید و گزارش‌های تحلیلی تولید کند، با بهره‌گیری از تمام این الگوهای طراحی.

🟢 ویژگی‌های دوره:

🔸تمام درس‌ها و نمونه‌کدها با Python

🔸توضیحات گام‌به‌گام و بسیار شفاف از درون‌مایه فنی عامل‌ها

🔸معرفی محبوب‌ترین فریم‌ورک‌های ساخت عامل‌های هوش مصنوعی

🟢 فرمت دوره:
به‌صورت self-paced (آموزش در زمان دلخواه خودتان)

🟠 پیش‌نیاز:
آشنایی مقدماتی با Python

🟠 ثبت‌نام:
deeplearning.ai/courses/agentic-ai

#AI #AgenticAI #AndrewNg #DeepLearningAI #AIagents

@asrgooyeshpardaz
❤3🔥1👏1🤝1
🌐 اخبار هوش مصنوعی

🤝 یک سال Claude Team رایگان برای استارتاپ‌ها

شرکت Anthropic برنامه Claude for Startups را گسترش داده است. استارتاپ‌های واجد شرایط یک سال اشتراک Claude Team برای پنج کاربر و هزار دلار اعتبار API برای توسعه محصولات مبتنی بر Claude دریافت می‌کنند.
استارتاپ‌هایی که در پنج سال اخیر تأسیس شده‌اند می‌توانند درخواست دهند. این برنامه بخشی از رقابت Anthropic با OpenAI و سرویس‌های ابری بزرگ برای جذب توسعه‌دهندگان است.
🔗 منبع: TechCrunch / Anthropic

🎮 گوگل با توضیح متنی برایتان بازی می‌سازد

شرکت Google با همکاری Unity پلتفرم Playground را راه‌اندازی کرده است؛ ابزاری که از روی توضیحات متنی، بازی قابل اجرا در مرورگر می‌سازد. فیزیک، قوانین، محیط و ظاهر شخصیت‌ها نیز قابل تنظیم هستند.
این سرویس گالری عمومی، جدول رتبه‌بندی و برای برخی بازی‌ها حالت چندنفره دارد. در آینده نیز امکان انتقال پروژه‌ها به Unity اضافه خواهد شد. این پلتفرم فعلاً در آمریکا در دسترس است.
🔗 منبع: Google

📊 کدام مدل برای عامل‌های هوشمند به‌صرفه‌تر است؟

گروه Nous Research بنچمارک Hermes Index را برای مقایسه عملکرد و هزینه مدل‌های زبانی در نقش عامل هوشمند منتشر کرده است. در یکی از آزمون‌ها، عامل باید ۱۵۰ وظیفه واقعی را با استفاده از فایل‌ها و ابزارهای خارجی انجام دهد.
🥇 مدل Claude Opus 5.5 با حدود ۵ دلار هزینه برای هر وظیفه رتبه اول را گرفته است. مدل GPT-6 Astra با هزینه ۱۱٫۶ دلار دوم و Claude Sonnet 5.5 با هزینه ۲٫۸ دلار سوم شده است.
💰 از نظر هزینه‌ـ‌کارایی، مدل DeepSeek V4.1 Flash با ۲۶ سنت و GPT-6 Luna با ۱۴ سنت برای هر وظیفه، از گزینه‌های اقتصادی برجسته این ارزیابی هستند.
🔗 منبع: Nous Research

🎙️ ساخت و عیب‌یابی عامل‌های صوتی با گفت‌وگو

شرکت ElevenLabs ابزار جدید Architect را وارد مرحله آزمایش آلفا کرده است. با این ابزار می‌توان از طریق دستورهای متنی یا صوتی، عامل‌های صوتی را ساخت، تنظیم و عیب‌یابی کرد.
ابزار Architect می‌تواند مکالمات و گزارش‌های خطا را تحلیل کند، نقاط ضعف عامل را پیدا کند و برای منطق، پایگاه دانش، صدای مصنوعی و System Prompt تغییر پیشنهاد دهد. تغییرات تنها پس از تأیید انسان وارد محیط عملیاتی می‌شوند.
🔗 منبع: ElevenLabs

🤖 دست‌های جدید Atlas برای کار با ابزارهای واقعی

شرکت Boston Dynamics دست‌های جدید ربات انسان‌نمای Atlas را معرفی کرده است. هر دست ۱۳ درجه آزادی دارد و برای گرفتن و استفاده از ابزارهایی مانند دریل و ابزارهای پنوماتیک طراحی شده است.
کف دست و انگشتان به حسگرهای فشار مجهز شده‌اند و مکانیزم دست می‌تواند بیش از ۴۵ کیلوگرم نیرو را تحمل کند. سخت‌افزار همچنین برای Sim2Real بهینه شده است؛ یعنی ربات می‌تواند مهارت‌های حرکتی را با یادگیری تقویتی در شبیه‌سازی بیاموزد و سپس به دنیای واقعی منتقل کند.
🔗 منبع: Boston Dynamics

#هوش_مصنوعی #AI #Claude #AIAgents #LLM #رباتیک #VoiceAI #بازی_سازی
🆔 @asrgooyeshpardaz
❤3
🌐 اخبار هوش مصنوعی

🧩 مدل GPT-6 با رابط کاربری پویا از راه رسید
شرکت OpenAI عرضه GPT-6 را آغاز کرده است. مهم‌ترین قابلیت جدید، Intelligent UI است که به‌جای محدود شدن به پاسخ متنی، متناسب با درخواست کاربر رابط‌های تعاملی مثل نمودار، ماشین‌حساب، دیاگرام و حتی مینی‌گیم تولید می‌کند.
رابط‌ها هم‌زمان با تولید پاسخ ساخته می‌شوند و مدل می‌تواند محاسبات پنهان و تولید متن را به‌صورت پیوسته انجام دهد. نسخه GPT-6 Sol برای کاربران پولی عرضه شده و نسخه سبک‌تر GPT-6 Luna نیز برای کاربران Free و Go ارائه می‌شود.
🔗 منبع: OpenAI

🏢 عامل خودمختار گوگل؛ یک همکار هوش مصنوعی با ایمیل و تقویم خودش
شرکت Google در رویداد Gemini at Work از عاملی برای انجام پروژه‌های مهندسی و سازمانی چندروزه رونمایی کرده است. این عامل مانند یک کارمند، حساب کاربری، ایمیل، تقویم و فضای ذخیره‌سازی خودش را دارد و می‌تواند میان محیط‌هایی مثل Slack، خط فرمان و Google Workspace فعالیت کند.
حافظه عامل در چهار سطحِ جلسه‌ای، معنایی، رویه‌ای و رویدادی سازمان‌دهی شده و امکان اتصال به Git، Jira، BigQuery، Databricks و MCP را دارد. اجرای کد نیز در محیط‌های ایزوله انجام می‌شود و اقدامات عامل با سازوکارهای رمزنگاری‌شده احراز هویت می‌شوند.
🔗 منبع: Google Cloud

🐦 ربات Grok حالا مستقیماً پست‌های X را می‌خواند
دستیار Grok Bot اکنون می‌تواند بدون اتصال جداگانه حساب کاربری یا استفاده از API پولی، اطلاعات عمومی X را بخواند؛ مثلاً پست‌ها را جمع‌آوری کند، بازخورد کاربران را خلاصه کند یا موضوعات خبری را زیر نظر بگیرد.
زمان‌بندی داخلی نیز اجازه می‌دهد این بررسی‌ها به‌صورت دوره‌ای انجام شوند و خلاصه نتایج به چت ارسال شود. انتشار پست از طرف کاربر همچنان نیازمند اتصال مجاز حساب است.
🔗 منبع: X / Grok Bot

🔐 محیط ایزوله محلی برای عامل‌های GitHub Copilot
شرکت GitHub قابلیت Local Sandboxing را برای Copilot ارائه کرده است تا فرمان‌های اجراشده توسط عامل‌ها نتوانند آزادانه به فایل‌های سیستم، شبکه، کلیدهای امنیتی یا متغیرهای محیطی میزبان دسترسی پیدا کنند.
این قابلیت با استفاده از Microsoft eXecution Container و سازوکارهای بومی هر سیستم‌عامل اجرا می‌شود و هزینه جداگانه‌ای ندارد. نسخه CLI همچنین امکان استفاده از مدل‌های محلی از طریق Ollama را فراهم کرده است؛ بنابراین بخشی از کارها می‌تواند بدون ارسال داده به مدل‌های ابری انجام شود.
🔗 منبع: GitHub

🎬 شرکت ByteDance روی فیلم‌های کاملاً ساخته‌شده با هوش مصنوعی سرمایه‌گذاری می‌کند
شرکت ByteDance برنامه بین‌المللی Dreamina Originals را برای حمایت از تولید فیلم و سریال با هوش مصنوعی راه‌اندازی کرده است. سازندگان به توان پردازشی مدل‌های ویدیویی، مشاوره مهندسی و حمایت تبلیغاتی دسترسی خواهند داشت.
برای فیلم‌های بلند تا ۱۵ میلیون اعتبار تولید در نظر گرفته شده و ByteDance در توزیع و ارسال آثار به جشنواره‌ها نیز مشارکت می‌کند. برخی پروژه‌های سریالی سطح S حتی به اعتبار نامحدود تولید دسترسی خواهند داشت و پروژه‌های سطح A نیز می‌توانند برای هر قسمت تا یک میلیون اعتبار دریافت کنند.
🔗 منبع: Dreamina AI

#هوش_مصنوعی #AI #GPT6 #OpenAI #Google #Grok #GitHubCopilot #ByteDance #AIAgents

🆔 @asrgooyeshpardaz
❤3
🦠 کرم‌های هوش مصنوعی؛ مدلی که می‌تواند خودش را در شبکه تکثیر کند

پژوهشی از Anthropic به سناریویی نگران‌کننده می‌پردازد: مدل‌های کوچک هوش مصنوعی ممکن است به نقطه‌ای نزدیک شوند که بدون نیاز به دیتاسنتر، خودشان را روی دستگاه‌های مختلف یک شبکه پیدا، منتقل و اجرا کنند.

🔹 یک مدل ۹ میلیارد پارامتری روی ۸ مورد از ۹ نوع دستگاه آزمایش‌شده اجرا شده است. مدلی ۲۶ میلیارد پارامتری نیز روی مجموعه‌ای از ۱۵ اندروید TV Box ارزان‌قیمت اجرا شد؛ هرچند سرعت آن فقط حدود ۰٫۳۹ توکن در ثانیه بود.

🔹 در آزمایش دیگری، مدل GLM-5.2 توانسته چرخه کامل تکثیر را انجام دهد: شبکه را اسکن کند، به دستگاه هدف دسترسی پیدا کند، وزن‌های مدل را منتقل کند و اجرای مدل را روی دستگاه جدید آغاز کند. این فرایند روی هر ۸ گره آزمایشی موفق بوده است.

🔹 مسئله فقط کامپیوترها نیست. بسیاری از دستگاه‌های اینترنت اشیا مانند دوربین‌ها و لوازم خانگی هوشمند، چند گیگابایت حافظه دارند و در صورت ضعف امنیتی می‌توانند میزبان چنین مدل‌هایی شوند.

🧬 نکته جالب‌تر، امکان انتقال تجربه بین نسل‌هاست. طبق گزارش، وقتی عامل تکثیرشونده یادداشت‌ها و تجربه‌های خود را به نسخه بعدی منتقل می‌کند، نرخ موفقیت از ۴۵ به ۸۴ درصد افزایش یافته است.

⚠️ چنین «کرم هوشمندی» فعلاً بسیار کند است و تکثیر آن می‌تواند چند روز طول بکشد، اما برخلاف یک سرویس متمرکز، الزاماً یک سرور مرکزی برای خاموش کردن ندارد. به همین دلیل Anthropic بر پایش ترافیک شبکه، قرنطینه شبکه‌های آلوده و افزایش امنیت و رمزهای عبور تجهیزات IoT تأکید می‌کند.
پژوهشگران پیش‌بینی می‌کنند با ادامه کوچک‌تر و توانمندتر شدن مدل‌ها، امکان رسیدن به سطح لازم برای چنین تکثیر مستقلی تا پایان سال ۲۰۲۶ جدی‌تر شود. البته این پژوهش درباره امکان فنی و ریسک آینده است، نه گزارش وجود یک کرم هوش مصنوعی خودمختار در اینترنت.

🔗 منبع: Anthropic Research

#Anthropic #AIAgents #Cybersecurity
#امنیت_سایبری #هوش_مصنوعی

🆔 @asrgooyeshpardaz
❤2