کارپاتی (Andrej Karpathy)، یکی از متخصصان برجسته هوش مصنوعی (از OpenAI و تسلا)، در این پست اعتراف می‌کنه که برای اولین بار در زندگی حرفه‌ایش احساس می‌کنه به شدت از برنامه‌نویسی عقب افتاده.

دلیلش اینه که ابزارهای هوش مصنوعی دارن سبک جدیدی از کد زدن رو معرفی می‌کنن: کدهای پراکنده و با اهرم بالا (sparse, high-leverage) در میان اکوسیستم‌های متراکم از ایجنت‌های هوش مصنوعی.

اون می‌گه حالا یک لایه انتزاع جدید به وجود اومده — شامل پرامپت‌ها، حافظه، ابزارها و جریان‌های کاری — برای ادغام هوش مصنوعی که گاهی خطا می‌کنه و رفتارش تصادفی (stochastic) هست. این لایه مثل یک «ابزار بیگانه» بدون دفترچه راهنماست که باید خیلی سریع یاد بگیری چطور ازش استفاده کنی.

این پست نشون‌دهنده یک تحول بزرگ در صنعت در سال ۲۰۲۵ هست؛ جایی که طبق نظرسنجی‌های مثل Stack Overflow Developer Survey ۲۰۲۴، حدود ۷۰٪ برنامه‌نویسان از دستیارهای هوش مصنوعی استفاده می‌کنن. این ابزارها بهره‌وری رو خیلی بالا می‌برن، اما همزمان شکاف مهارتی جدیدی در مهندسی ترکیبی انسان-هوش مصنوعی ایجاد کردن.

اشکالی در کار دنیاست
که گریه رفعش نمی‌کند....


#بهرام_بیضایی

بدرود جناب بیضایی...

DeepDive Podcast on Explainable AI in Medical Decision Support System By The Institution of Engineering and Technology(IET)

سلام بچه ها وقتتون بخیر
من الان open to work شدم
اگه جایی رو میشناسید که ML software engineer بخواد خوشحال میشم معرفی کنید

فایل زیر یک مرجع پژوهشی عالی در خصوص مدل های دیفیوژن (Diffusion Models) هست، که ابتدا به معرفی نسخه های مختلف مدل های دیفیوژن پرداخته و در ادامه توضیح میده که نسخه‌های مختلف این مدل‌ها همگی از ایده‌های ریاضی مشترکی ریشه می‌گیرند.

نویسندگان سه دیدگاه مکمل را برای فهم این مدل‌ها مطرح می‌کنند:
- دیدگاه واریانسی(Variational View) که حذف تدریجی نویز را آموزش می‌دهد.
- دیدگاه مبتنی بر اسکور (Score-Based View) که گرادیان توزیع داده را یاد می‌گیرد.
- دیدگاه مبتنی بر فلو (Flow-Based View) که تولید داده را به‌صورت حرکت پیوسته از نویز به داده مدل می‌کند.

با وجود تفاوت ظاهری، همهٔ این رویکردها به یک چارچوب مشترک می‌رسند: یک میدان برداری وابسته به زمان که نویز را به داده تبدیل می‌کند.

جهت مطالعه بیشتر میتونید کتابچه فوق را از لینک زیر دانلود کنید:
https://arxiv.org/pdf/2510.21890
#مقاله
🔹 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

چگونه می‌توان با استفاده از مدل‌های زبانی بزرگ (LLM) در مخازن بزرگ کد متن باز(OSS)، موارد خطا و بخش‌های مرتبط برای تغییر را پیدا کرد؟

▪️ One Tool Is Enough: Reinforcement Learning for Repository-Level LLM Agents

#یادگیری_تقویتی #مقاله

🔹 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

a deepseek researcher told me that he believes the two biggest architectural innovations in 2025 are 1) muon and 2) hyper-connections
▪️ mHC: Manifold-Constrained Hyper-Connections

#مقاله

🔹 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

دقت کردم که به این کانال من نه star میدید و نه boosting میزنید به خاطر 2026 تعداد 2026 استار بدید به کانال مرسی 🚶‍♂️

هنوز تعداد این استارها کافی نیست starها رو به عدد 100 برسونین تا مقاله بعدی رو بفرستم

این با جزئیات‌ترین و کامل‌ترین انیمیشنی بوده که تا حالا از مکانیزم عملکرد LLMها دیدم.

#LLM
#video

🆔 @lifeAsAService

وب‌سایت mlip-cmu.github.io مربوط به یک منبع آموزشی و پژوهشی به نام Machine Learning in Production @ CMU است که توسط دانشگاه Carnegie Mellon University (CMU) توسعه داده شده. این سایت شامل مواد آموزشی، اسلایدها، تمرین‌ها و منابع مرتبط با یک دوره‌ی کامل درباره‌ی ساخت، استقرار و مهندسی سیستم‌های واقعی مبتنی بر یادگیری ماشین (ML) است، نه فقط مدل‌های تئوری یا کدنوت‌بوک‌ها.

۸۰۰ کلاس درس دانشگاهی، عموما از دانشگاه های Ivy League آمریکا و معتبر در زمینه Computer Science. فرصت خوبی برای یادگیری و یا آشنایی با نحوه تدریس و کلاس های دانشگاهی.

bit.ly/3472Iia‎

#منابع #منابع_پیشنهادی #فیلم #کلاس_آموزشی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind

چرا به پست های من استار star نمیدید واقعا زحمت میکشم پست هلو میارم براتون بلکه پیشرفت کنید به کانال منم چیزیو روا نمیدارید🚶‍♂😂😡🥹 منتظر starهای شما برای پستهام هستم 🚶‍♂

بعضی دوستان پی وی سوال کردن که میتونن مقاله هایی ک نوشته شده رو برامون توی کانال بزنی یا ن؟ یکی از قوانین گروه ما همینه که بتونین خروجی کارهای تحقیقاتی خودتون رو اینجا منتشر کنید پس اگر پروژه یا مقاله ای هست پی وی برام بفرستید تا در کانال منتشر کنم.

این مقاله به بررسی جامع و نظام‌مند نقش هوش مصنوعی در مدیریت و استخراج «دانش ضمنی» می‌پردازد؛ دانشی که ریشه در تجربه، مهارت‌های فردی و شهود انسانی دارد و به دلیل ماهیت نانوشته‌اش، همواره چالش بزرگی برای سازمان‌ها بوده است. پژوهش حاضر با تحلیل بیش از ۴۰ سال مطالعات آکادمیک، مسیر تحول این حوزه را از سیستم‌های خبره اولیه تا مدل‌های زبانی بزرگ و یادگیری عمیق ترسیم کرده و چارچوبی نوین برای آینده این تعامل ارائه می‌دهد.
خلاصه دستاوردهای محوری این پژوهش در ابعاد زیر قابل تبیین است:
۱. تحول از ابزار به همکار معرفتی: این مطالعه نشان می‌دهد که پارادایم حاکم بر مدیریت دانش از «کدگذاری دستی» و صرفاً ذخیره‌سازی اطلاعات، به سمت ایجاد «همکارهای معرفتی» تغییر یافته است. در این نگاه جدید، هوش مصنوعی دیگر تنها یک ماشین برای استخراج داده نیست، بلکه به عنوان شریکی در فرآیند تفکر و معناسازی عمل می‌کند که پا به پای انسان تکامل می‌یابد.
2. مدل تکامل مشترک هوش مصنوعی و دانش: نوآوری اصلی مقاله، معرفی یک مدل پنج‌لایه‌ای است که تعامل پویا میان انسان و ماشین را تشریح می‌کند. این مدل از لایه‌های زیربنایی فلسفی و معرفت‌شناختی آغاز شده، از زیرساخت‌های فنی (مانند گراف‌های دانش و #یادگیری#ماشین) عبور کرده و به لایه‌های تعاملات اجتماعی-فنی و مسیرهای نوظهور می‌رسد. این چارچوب تبیین می‌کند که چگونه هوش مصنوعی می‌تواند با شناسایی الگوهای پنهان در رفتارهای انسانی، دانش ضمنی را بدون از دست رفتن غنای معنایی، به دارایی‌های راهبردی تبدیل کند.
۳. بازتعریف مدل‌های سنتی مدیریت دانش: پژوهش با بهره‌گیری از مدل مشهور SECI، نشان می‌دهد که فناوری‌های مدرن چگونه فرآیندهای «برونی‌سازی» و «ترکیب» دانش را خودکار و مقیاس‌پذیر کرده‌اند. در حالی که در گذشته انتقال تجربه محدود به تیم‌های کوچک بود، اکنون هوش مصنوعی امکان جریان یافتن این بصیرت‌ها را در ابعاد وسیع سازمانی فراهم کرده است.
4. چالش‌ها و ضرورت #هوش_مصنوعی مسئولانه: علیرغم پیشرفت‌های چشمگیر در مدل‌های زبانی و #یادگیری_عمیق، مقاله بر چالش‌هایی نظیر «جعبه سیاه» بودن الگوریتم‌ها، فقدان درک شهود انسانی و مسائل اخلاقی تأکید دارد. راهکار پیشنهادی پژوهش، حرکت به سمت هوش مصنوعی قابل توضیح (XAI) و مدل‌های ترکیبی است که بتوانند منطق پشت تصمیمات خود را شفاف کرده و اعتماد متخصصان انسانی را جلب کنند.

نتیجه‌گیری راهبردی: در نهایت، این مقاله استدلال می‌کند که موفقیت سازمان‌های آینده در گرو ایجاد یک «اکوسیستم دانشی تطبیق‌پذیر» است. در این اکوسیستم، هدف جایگزینی انسان با ماشین نیست، بلکه ایجاد مسیری است که در آن قدرت تحلیل آماری ماشین و درک شهودی انسان در یک فرآیند تکاملی به هم گره بخورند تا خِرَد سازمانی فراتر از توانمندی‌های فردی رشد کند.


▪️ Unveiling the Unspoken: A Conceptual Framework for AI-Enabled Tacit Knowledge Co-Evolution

#مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

عنوان: همکاری در پروژه پژوهشی حوزه سلامت پزشکی و هوش مصنوعی در دانشگاه علوم پزشکی
با سلام و احترام،  
ما در حال تشکیل یک تیم تحقیقاتی برای کار روی دو پروژه نوآورانه در حوزه تلفیق سلامت پزشکی و هوش مصنوعی هستیم. این پروژه بر استفاده از فناوری‌های هوش مصنوعی برای حل چالش‌های عملی در زمینه سلامت/پزشکی متمرکز است.
اگر:
- در حوزه‌هایی مانند برنامه نویسی، شاخه های پزشکی و داروسازی، بیوانفورماتیک، مهندسی پزشکی، مهندسی نرم‌افزار، داده‌کاوی، یادگیری ماشین یا حوزه‌های مرتبط تخصص دارید،
- به کار تیمی و تحقیقات بین‌رشته‌ای علاقه‌مندید،
- تمایل دارید در یک پروژه کاربردی و آینده‌دار همکاری کنید،
خوشحال می‌شویم به جمع تیم ما بپیوندید.  
لطفاً جهت تبادل اطلاعات بیشتر و بررسی فرصت همکاری، در تلگرام به شناسه زیر پیام ارسال بفرمایید.

با سپاس
@sn_biostat
snorouzibiostatistics@zumc.ac.ir

سلام خیلی دوستان از فیلترشکن سوال دارن که کدوم فیلترشکن و چه فیلترشکنی استفاده کنیم پیشنهاد من اینه، از لینک دعوت من استفاده کنین هم شما ی فیلترشکن مطمین استفاده کنین بدونین هویتی واقعی و پشتیبانی میتونین پیگیری کنین و هم شما به فیلترشکنی قابل پشتیبان دسترسی داشته باشید و هم ی حجم ازشون هدیه میگیرم.

https://news.1rj.ru/str/F14PanelBot?start=invite_56479f968ee3cd3dd92bfa05ebf07fc9

پ.ن: خدماتشون من به شدت راضیم دوستانتون رو دعوت کنید و حجم هدیه بگیرید