🌐 تحولات تازه در دنیای هوش مصنوعی
💥 پیشرفت بزرگ IBM در محاسبات کوانتومی بر روی تراشه‌های معمولی FPGA
تنها دو روز پس از خبر بزرگ گوگل، شرکت IBM نیز از دستاوردی چشمگیر پرده برداشت.
این شرکت اعلام کرده است که یکی از الگوریتم‌های کلیدی تصحیح خطا در سامانه‌های کوانتومی را توانسته به‌صورت بلادرنگ روی تراشه‌های FPGA ساخت AMD اجرا کند — بدون نیاز به سخت‌افزار خاص یا تجهیزات فوق‌سرد.
این الگوریتم که خطاهای کیوبیت‌ها را «در لحظه» شناسایی و اصلاح می‌کند، اکنون با سرعتی ۱۰ برابر بیشتر از حد لازم عمل می‌کند.
شرکت IBM می‌گوید این موفقیت، پروژهٔ ساخت رایانهٔ کوانتومی Starling را یک سال جلوتر از برنامهٔ زمان‌بندی‌شدهٔ ۲۰۲۹ پیش برده است.
مقالهٔ علمی مربوط به این کار دوشنبه منتشر خواهد شد.
🔗 reuters
🌐 مرورگر هوشمند جدید مایکروسافت — پاسخ مستقیم به OpenAI Atlas
مایکروسافت نسخهٔ تازه‌ای از مرورگر Edge را با حالت جدید Copilot Mode معرفی کرد — مرورگری تمام‌عیار مبتنی بر هوش مصنوعی.
این حالت با درک زمینه و تاریخچهٔ فعالیت کاربر، می‌تواند وظایف را دنبال کند و پروژه‌ها را ادامه دهد.
🔹 ویژگی‌ها:
ا) Actions: اجرای فرمان‌های صوتی یا متنی برای باز کردن صفحات، یافتن اطلاعات، لغو اشتراک‌ها یا رزرو رستوران.
ب) Journeys: گروه‌بندی فعالیت‌های گذشته بر اساس موضوع و پیشنهاد گام‌های بعدی.
پ) Page Context: دسترسی اختیاری Copilot به سابقهٔ مرور برای پاسخ‌های دقیق‌تر.
ت) AI Defender: محافظ هوشمند در برابر پاپ‌آپ‌های جعلی و بررسی نشت رمزهای عبور.
مرورگر Edge هم‌اکنون در کشورهای دارای Copilot بر روی Windows و macOS در دسترس است.
🔗 microsoft.com/edge/copilot-mode
🌍 برنامه Google Earth حالا «فکر» می‌کند
گوگل فریم‌ورک جدیدی به نام Geospatial Reasoning معرفی کرده است — سامانه‌ای مبتنی بر Gemini AI که داده‌ها و مدل‌های پیش‌بینی را در یک پلتفرم تحلیلی واحد ادغام می‌کند.
این سیستم می‌تواند دربارهٔ پدیده‌های طبیعی استدلال کند:
پیش‌بینی زمین‌لرزه، ارزیابی ریسک‌ها، و حتی پیشنهاد مسیرهای تخلیهٔ اضطراری.
فناوری یادشده هم‌اکنون در سازمان جهانی بهداشت (WHO AFRO) برای پیش‌بینی شیوع وبا و در McGill & Partners برای برآورد خسارت طوفان‌ها به کار می‌رود.
🔗 google
🧩 سیستم DiscoRL — یادگیری با پاداش بدون الگوریتم انسانی
پژوهشگران سیستمی با نام DiscoRL (Discovered Reinforcement Learning) ساخته‌اند که در آن مدل، بدون استفاده از الگوریتم‌های متداول انسانی مانند Q-Learning یا PPO، خود به کشف قوانین یادگیری با پاداش رسیده است.
یک متا‌ـ‌مدل رفتار صدها عامل در محیط‌های گوناگون را تحلیل کرد و قاعدهٔ عمومی بهینه‌سازی رفتار را به‌طور خودکار استخراج نمود.
نتیجه: DiscoRL در آزمون‌های Atari-57 از برترین روش‌های فعلی پیشی گرفت و توانست مهارت‌هایش را به محیط‌های جدید نیز منتقل کند.
🔗 nature
🧱 سرویس Hugging Face معرفی کرد: OpenEnv — محیط باز برای ساخت عامل‌های هوشمند
پلتفرم جدید OpenEnv به پژوهشگران و توسعه‌دهندگان اجازه می‌دهد عامل‌های هوشمند را طراحی، آموزش و در مقیاس بزرگ اجرا کنند.
در این محیط، همهٔ ابزارهای لازم (API، پلاگین‌ها و پشتیبانی از RL) از پیش تعبیه شده‌اند و نیازی به کتابخانه‌های جانبی نیست.
محیط OpenEnv امکان ساخت اکوسیستم‌هایی از چند عامل را فراهم می‌کند که به‌صورت خودگردان همکاری و اجرای وظایف را میان خود تقسیم می‌کنند.
پلتفرم کاملاً متن‌باز است و برای استفادهٔ عمومی آماده شده است.
🔗 huggingface.co/openenv
📈 مدل Qwen3-Max در صدر جدول AI-تریدینگ
در رقابت واقعی AlphaArena، جایی که مدل‌های هوش مصنوعی با سرمایهٔ ۱۰ هزار دلاری روی پلتفرم Hyperliquid معامله می‌کنند، مدل Qwen3-Max به رتبهٔ اول رسید.
در ابتدای آزمایش، DeepSeek V3.1 پیشتاز بود و GPT-5 زیان ۳۹٪ داشت، اما Qwen3-Max با رشد مستمر همه را پشت سر گذاشت.
در این رقابت، تمام مدل‌ها — از جمله Claude 4.5 Sonnet، Gemini 2.5 Pro، Grok 4 و GPT-5 — در شرایط برابر و بدون دادهٔ خصوصی فعالیت می‌کنند.
در بازار Polymarket، احتمال حفظ جایگاه Qwen3-Max حدود ۴۵٪ برآورد شده است.
برنامهٔ آیندهٔ AlphaArena شامل گسترش رقابت به بازار سهام و راه‌اندازی پلتفرم سرمایه‌گذاری برای عامل‌های هوشمند است.
#AI #ML #QuantumComputing #Agents #ReinforcementLearning #Qwen3Max #DiscoRL #OpenEnv #EdgeCopilot #GoogleEarthAI
@asrgooyeshpardaz
💥 پیشرفت بزرگ IBM در محاسبات کوانتومی بر روی تراشه‌های معمولی FPGA
تنها دو روز پس از خبر بزرگ گوگل، شرکت IBM نیز از دستاوردی چشمگیر پرده برداشت.
این شرکت اعلام کرده است که یکی از الگوریتم‌های کلیدی تصحیح خطا در سامانه‌های کوانتومی را توانسته به‌صورت بلادرنگ روی تراشه‌های FPGA ساخت AMD اجرا کند — بدون نیاز به سخت‌افزار خاص یا تجهیزات فوق‌سرد.
این الگوریتم که خطاهای کیوبیت‌ها را «در لحظه» شناسایی و اصلاح می‌کند، اکنون با سرعتی ۱۰ برابر بیشتر از حد لازم عمل می‌کند.
شرکت IBM می‌گوید این موفقیت، پروژهٔ ساخت رایانهٔ کوانتومی Starling را یک سال جلوتر از برنامهٔ زمان‌بندی‌شدهٔ ۲۰۲۹ پیش برده است.
مقالهٔ علمی مربوط به این کار دوشنبه منتشر خواهد شد.
🔗 reuters
🌐 مرورگر هوشمند جدید مایکروسافت — پاسخ مستقیم به OpenAI Atlas
مایکروسافت نسخهٔ تازه‌ای از مرورگر Edge را با حالت جدید Copilot Mode معرفی کرد — مرورگری تمام‌عیار مبتنی بر هوش مصنوعی.
این حالت با درک زمینه و تاریخچهٔ فعالیت کاربر، می‌تواند وظایف را دنبال کند و پروژه‌ها را ادامه دهد.
🔹 ویژگی‌ها:
ا) Actions: اجرای فرمان‌های صوتی یا متنی برای باز کردن صفحات، یافتن اطلاعات، لغو اشتراک‌ها یا رزرو رستوران.
ب) Journeys: گروه‌بندی فعالیت‌های گذشته بر اساس موضوع و پیشنهاد گام‌های بعدی.
پ) Page Context: دسترسی اختیاری Copilot به سابقهٔ مرور برای پاسخ‌های دقیق‌تر.
ت) AI Defender: محافظ هوشمند در برابر پاپ‌آپ‌های جعلی و بررسی نشت رمزهای عبور.
مرورگر Edge هم‌اکنون در کشورهای دارای Copilot بر روی Windows و macOS در دسترس است.
🔗 microsoft.com/edge/copilot-mode
🌍 برنامه Google Earth حالا «فکر» می‌کند
گوگل فریم‌ورک جدیدی به نام Geospatial Reasoning معرفی کرده است — سامانه‌ای مبتنی بر Gemini AI که داده‌ها و مدل‌های پیش‌بینی را در یک پلتفرم تحلیلی واحد ادغام می‌کند.
این سیستم می‌تواند دربارهٔ پدیده‌های طبیعی استدلال کند:
پیش‌بینی زمین‌لرزه، ارزیابی ریسک‌ها، و حتی پیشنهاد مسیرهای تخلیهٔ اضطراری.
فناوری یادشده هم‌اکنون در سازمان جهانی بهداشت (WHO AFRO) برای پیش‌بینی شیوع وبا و در McGill & Partners برای برآورد خسارت طوفان‌ها به کار می‌رود.
🧩 سیستم DiscoRL — یادگیری با پاداش بدون الگوریتم انسانی
پژوهشگران سیستمی با نام DiscoRL (Discovered Reinforcement Learning) ساخته‌اند که در آن مدل، بدون استفاده از الگوریتم‌های متداول انسانی مانند Q-Learning یا PPO، خود به کشف قوانین یادگیری با پاداش رسیده است.
یک متا‌ـ‌مدل رفتار صدها عامل در محیط‌های گوناگون را تحلیل کرد و قاعدهٔ عمومی بهینه‌سازی رفتار را به‌طور خودکار استخراج نمود.
نتیجه: DiscoRL در آزمون‌های Atari-57 از برترین روش‌های فعلی پیشی گرفت و توانست مهارت‌هایش را به محیط‌های جدید نیز منتقل کند.
🔗 nature
🧱 سرویس Hugging Face معرفی کرد: OpenEnv — محیط باز برای ساخت عامل‌های هوشمند
پلتفرم جدید OpenEnv به پژوهشگران و توسعه‌دهندگان اجازه می‌دهد عامل‌های هوشمند را طراحی، آموزش و در مقیاس بزرگ اجرا کنند.
در این محیط، همهٔ ابزارهای لازم (API، پلاگین‌ها و پشتیبانی از RL) از پیش تعبیه شده‌اند و نیازی به کتابخانه‌های جانبی نیست.
محیط OpenEnv امکان ساخت اکوسیستم‌هایی از چند عامل را فراهم می‌کند که به‌صورت خودگردان همکاری و اجرای وظایف را میان خود تقسیم می‌کنند.
پلتفرم کاملاً متن‌باز است و برای استفادهٔ عمومی آماده شده است.
🔗 huggingface.co/openenv
📈 مدل Qwen3-Max در صدر جدول AI-تریدینگ
در رقابت واقعی AlphaArena، جایی که مدل‌های هوش مصنوعی با سرمایهٔ ۱۰ هزار دلاری روی پلتفرم Hyperliquid معامله می‌کنند، مدل Qwen3-Max به رتبهٔ اول رسید.
در ابتدای آزمایش، DeepSeek V3.1 پیشتاز بود و GPT-5 زیان ۳۹٪ داشت، اما Qwen3-Max با رشد مستمر همه را پشت سر گذاشت.
در این رقابت، تمام مدل‌ها — از جمله Claude 4.5 Sonnet، Gemini 2.5 Pro، Grok 4 و GPT-5 — در شرایط برابر و بدون دادهٔ خصوصی فعالیت می‌کنند.
در بازار Polymarket، احتمال حفظ جایگاه Qwen3-Max حدود ۴۵٪ برآورد شده است.
برنامهٔ آیندهٔ AlphaArena شامل گسترش رقابت به بازار سهام و راه‌اندازی پلتفرم سرمایه‌گذاری برای عامل‌های هوشمند است.
#AI #ML #QuantumComputing #Agents #ReinforcementLearning #Qwen3Max #DiscoRL #OpenEnv #EdgeCopilot #GoogleEarthAI
@asrgooyeshpardaz
❤5👍1🔥1💯1
📢 دانشگاه کارنگی ملون و مفهوم تازه در تربیت عامل‌های هوشمند: «عامل‌های فعال و شخصی‌سازی‌شده»
محققان دانشگاه Carnegie Mellon با انتشار پژوهشی با عنوان
«Training Proactive and Personalized LLM Agents»
گامی تازه در تربیت عامل‌های زبانی برداشتند؛ معرفی چارچوب جدیدی که تمرکز آن دیگر صرفاً «انجام وظیفه» نیست، بلکه «تعامل مؤثر با انسان» است.
🔹 در این مدل، عامل هوشمند سه ویژگی کلیدی را هم‌زمان می‌آموزد:
۱. بهره‌وری (Productivity) — توانایی انجام درست وظیفه
۲. پیش‌دستی (Proactivity) — طرح پرسش‌های روشن‌ساز در مواجهه با ابهام
۳. شخصی‌سازی (Personalization) — تطبیق لحن، سبک و طول پاسخ با سلیقهٔ کاربر
برای آموزش چنین عاملی، محیطی نو به نام UserVille طراحی شده است؛ جهانی شبیه‌سازی‌شده که در آن «کاربران مصنوعی» با شخصیت‌ها و ترجیحات متفاوت حضور دارند. عامل در این محیط می‌آموزد که چگونه با کاربران مختلف گفتگو کند، فقط زمانی سؤال بپرسد که لازم است و لحن خود را با ویژگی‌های مخاطب هماهنگ سازد.
📊 نتایج شگفت‌انگیز بوده است:
عامل‌های آموزش‌دیده با چارچوب جدید PPP (Productive, Proactive, Personalized) نسبت به مدل‌های پایه مانند GPT-5 تا ۲۱٫۶٪ عملکرد بهتر در تعاملات واقعی و مسائل پیچیده‌ی پژوهشی و مهندسی نرم‌افزار نشان دادند.
این پژوهش نشان می‌دهد آیندهٔ عامل‌های هوشمند نه در «خودکارسازی صرف»، بلکه در «تعامل انسانی‌تر» نهفته است — جایی که هوش مصنوعی می‌پرسد، درک می‌کند و خود را با انسان سازگار می‌کند.
🔗 arxiv.org/abs/2511.02208v1
📍 Carnegie Mellon University, 2025
#هوش_مصنوعی #عامل_هوشمند #کارنگی_ملون #AgenticAI #Personalization #ProactiveAI #LLMAgents #UserVille #ReinforcementLearning #هوش_تعاملی
محققان دانشگاه Carnegie Mellon با انتشار پژوهشی با عنوان
«Training Proactive and Personalized LLM Agents»
گامی تازه در تربیت عامل‌های زبانی برداشتند؛ معرفی چارچوب جدیدی که تمرکز آن دیگر صرفاً «انجام وظیفه» نیست، بلکه «تعامل مؤثر با انسان» است.
🔹 در این مدل، عامل هوشمند سه ویژگی کلیدی را هم‌زمان می‌آموزد:
۱. بهره‌وری (Productivity) — توانایی انجام درست وظیفه
۲. پیش‌دستی (Proactivity) — طرح پرسش‌های روشن‌ساز در مواجهه با ابهام
۳. شخصی‌سازی (Personalization) — تطبیق لحن، سبک و طول پاسخ با سلیقهٔ کاربر
برای آموزش چنین عاملی، محیطی نو به نام UserVille طراحی شده است؛ جهانی شبیه‌سازی‌شده که در آن «کاربران مصنوعی» با شخصیت‌ها و ترجیحات متفاوت حضور دارند. عامل در این محیط می‌آموزد که چگونه با کاربران مختلف گفتگو کند، فقط زمانی سؤال بپرسد که لازم است و لحن خود را با ویژگی‌های مخاطب هماهنگ سازد.
📊 نتایج شگفت‌انگیز بوده است:
عامل‌های آموزش‌دیده با چارچوب جدید PPP (Productive, Proactive, Personalized) نسبت به مدل‌های پایه مانند GPT-5 تا ۲۱٫۶٪ عملکرد بهتر در تعاملات واقعی و مسائل پیچیده‌ی پژوهشی و مهندسی نرم‌افزار نشان دادند.
این پژوهش نشان می‌دهد آیندهٔ عامل‌های هوشمند نه در «خودکارسازی صرف»، بلکه در «تعامل انسانی‌تر» نهفته است — جایی که هوش مصنوعی می‌پرسد، درک می‌کند و خود را با انسان سازگار می‌کند.
🔗 arxiv.org/abs/2511.02208v1
📍 Carnegie Mellon University, 2025
#هوش_مصنوعی #عامل_هوشمند #کارنگی_ملون #AgenticAI #Personalization #ProactiveAI #LLMAgents #UserVille #ReinforcementLearning #هوش_تعاملی
arXiv.org
Training Proactive and Personalized LLM Agents
While existing work focuses primarily on task success, we argue that effective real-world agents require optimizing three dimensions: productivity (task completion), proactivity (asking essential...
🔥1👌1