Elon Musk on X

@Ai_Events

🔵کد باید به شما بگوید چگونه، کامنت باید بگوید چرا!🔵

فرض کنید کدی به شما تحویل می دهند که مربوط به یک سیستم پرداخت است. فایلی را باز می کنید و چیزی شبیه به این میبینید:

# Parse the JSON response
data = json.loads(response.text)

با خودتان فکر میکنید خب این کامنت به چه دردی می خورد؟ خود کد دقیقا همان کار را می کند. سوال این است که چرا چنین فایلی اصلا خوانده و پارس می شود؟ این کد چه فرض هایی دارد و در نهایت می خواهد چکار کند؟ ساعت ها کد را بالا پایین می کنید تا بالاخره میفهمید «آها» و دلیل نهایی آن را می فهمید.

حالا تصور کنید که کد پایین را می بینید:
# The payment gateway sometimes returns a 200 OK with an embedded error message in JSON.
# We parse the body here before the upstream validation so we can extract error codes early.
data = json.loads(response.text)


به یکباره همه چیز روشن می شود: حالا می دانید که چرا این کد اینجا نوشته شده است. این why به شما دقیقا می گوید مساله چیست. این همان تفاوت میان «کامنت‌های چگونه» (توضیح دادن اینکه کد چه می‌کند) و «کامنت‌های چرا» (توضیح دادن منطق و دلیل) است. و در دنیای توسعهٔ نرم‌افزار مدرن، کامنت‌های چرا همیشه برنده‌اند.

کامنت های چگونه هیچ ارزش افزوده ای ایجاد نمی کنند شما باید کدتان آنقدر تمیز باشد که نیازی به کامنت «چگونه» نداشته باشید. برای این کار باید متغیر های با معنا انتخاب کنید و از منطق های پیچیده برای انجام کاری مشخص پرهیز کنید. با این حال چگونه انجام دادن چیزی به شما نمی گوید «چرا» این کار را انجام می دهیم. به صورت مشخص تر کد ها تهی از «نیت» (intention) و «چرایی» هستند. به مثال زیر توجه کنید:

def calculate_settlement_amount(transactions):
    """
    Calculates the final settlement amount.

    Why: 
    - We apply a 3-day rolling average to smooth out FX fluctuations (requested by Finance, Jan 2024).
    - Exclude refunds pending investigation (compliance requirement).
    - Round to 2 decimal places because the downstream ledger rejects more precision.
    """
    # Exclude suspicious refunds
    filtered = [t for t in transactions if not t.pending_investigation]

    # Apply rolling average for FX normalization
    normalized = rolling_average(filtered, days=3)

    # Sum and round
    return round(sum(t.amount for t in normalized), 2)

بدون این کامنت‌ها، یک توسعه‌دهندهٔ آینده ممکن است میانگین متحرک را حذف کند (با این تصور که لازم نیست) یا گرد کردن را تغییر دهد (بی‌آنکه بداند این باعث ایجاد خطا در خروجی این تابع می شود که جای دیگری استفاده می شود). اما با این توضیحات، فوراً می‌فهمد چرا این کد این‌طور نوشته شده محدودیت‌های تجاری، تصمیمات تاریخی و نیازمندی‌های سیستمی.

این اطلاعاتی است که فقط با نگاه به کد نمی‌توان به دست آورد. «کامنت‌های چگونه» با تغییر پیاده‌سازی از بین می‌روند. «کامنت‌های چرا» زنده می‌مانند چون هدف را توضیح می‌دهند، نه نحو کد را.
حالت های استثنایی وجود دارد که کامنت های چگونه می توانند مفید باشند. مثلا زمانی که خود عملیات کمی پیچیده بنظر می رسد. مثلا مورد زیر را در نظر بگیرید

# Bit trick: drops the lowest set bit (faster than looping)
x &= x - 1

با این حال چنین مواردی استثنا هستند

قاعدهٔ طلایی: بگذارید کد «چگونه» را توضیح دهد. بگذارید کامنت «چرا» را توضیح دهد. اگر می‌بینید کامنت فقط چیزی را که کد نشان می‌دهد تکرار می‌کند، ننویسید. اگر دارید توضیح می‌دهید چرا این خط وجود دارد به‌خصوص وقتی دلیلش بدیهی نیست، درست عمل کرده‌اید.
@matlabtips


@Ai_Events

حاجی GPT5 با این همه توهمی که اجدادش داشتن، داره یواش یواش یاد میگیره که اطلاعاتش کامل نیست و نمی‌تونه جواب درست به بعضی از مسائل بده!

@Ai_Events

ما با اون حجم دانایی که اجدادمون داشتند، کماکان متوهم :)))

#موقت

xAI latest Grok model has finished pre-training and will be natively multimodal.

@Ai_Events

اعلام انتشار مجموعه‌داده‌ی فرش ایرانی در پلتفرم Kaggle

به اطلاع پژوهشگران، متخصصان پردازش تصویر و علاقه‌مندان به هنر اصیل ایرانی می‌رساند، مجموعه‌دانه‌ی جدید "Iranian Carpet Dataset: Lechak-Toranj & Afshan" با همت سیامک سربازی و مهدی سربازی در پلتفرم Kaggle منتشر شد.

ویژگی‌های کلیدی این مجموعه‌داده:
✅ شامل تصاویر باکیفیت از دو طرح ماندگار فرش ایرانی: «لچک‌ترنج» و «افشان»
✅ مناسب برای پژوهش‌های حوزه‌ی طبقه‌بندی تصاویر، تولید داده‌های بصری و بازشناسی الگو
✅ دسترسی آزاد و رایگان با شناسه‌ی DOI: [https://doi.org/10.34740/kaggle/dsv/12702937]

📥 دریافت مجموعه‌داده:
علاقه‌مندان می‌توانند از طریق لینک فوق، داده‌ها را دانلود و در پروژه‌های پژوهشی و صنعتی مورد استفاده قرار دهند.

🌐 اطلاعات تکمیلی:
برای دسترسی به مستندات و کدهای مرتبط، به صفحه‌ی گیت‌هاب پروژه مراجعه نمایید:
github.com/mahdisarbazi/Iranian-Carpet-Dataset-Lechak-Toranj-Afshan-Patterns

@Ai_Events

‏تردید نکن که نوری هست.
شاید چندان نباشد که گفته‌اند،
امّا آنقدر هست که از پس تاریکی‌ات برآید.

❤
@Ai_Events

Sam Altman says a child born today will never be smarter than AI. By the time they understand the world, rapid scientific progress will feel normal.

It will be unthinkable that people once used technology less intelligent than themselves. "The 2020s will look like the stone age".

@Ai_Events

دنیا داره عجیب‌تر میشه 😂😂😂
صبح‌تون بخیر

@Ai_Events

Elon launches “Macrohard” — a company run by AI, not people

Elon Musk just announced Macrohard, an xAI spinoff that he describes as “tongue-in-cheek” — but insists it’s real!

@Ai_Events

If you want to see something that will make you feel optimistic about the future, then watch this.

Medical research moves faster with GPT-5. Professor Derya demonstrates its impact.

@Ai_Events

مسیرهای شغلی سنتی در حال دگرگونی هستند. بنیانگذار تیم هوش مصنوعی مولد گوگل اعلام کرد که حتی برای کسب مدرک حقوق یا پزشکی زحمت نکشید، زیرا هوش مصنوعی پیش از فارغ‌التحصیلی شما، هر دو این مشاغل را از بین خواهد برد.

ایشان توصیه کردند: "یا وارد یک حوزه تخصصی شوید (مانند هوش مصنوعی در زیست‌شناسی)... یا اصلاً وارد هیچ حوزه‌ای نشوید."

پنج سال آینده، بسیار شگفت‌انگیز خواهند بود.

@Ai_Events

قیافه اونایی که الان دارن تجربی می‌خونن یا دانشجوی پزشکی هستن:

مصطفی سلیمان، مدیرعامل هوش مصنوعی مایکروسافت و از بنیان‌گذاران دیپ‌مایند، هشدار می‌دهد که شبیه‌سازی بدون‌فکر قابلیت‌های انسانی در هوش مصنوعی، خطرات واقعی ایجاد می‌کند. اکنون زمان مقابله با این چالش‌ها است، نه فقط برای شرکت‌های بزرگ، بلکه برای انبوه توسعه‌دهندگان متن‌بازی که به زودی به این مدل‌های قدرتمند دسترسی خواهند داشت.

پس باید بپرسیم: وقتی این فناوری‌ها در دنیای ما حاضر شوند، چه اتفاقی می‌افتد؟

@Ai_Events

ورکشاپ دو روزه IPM با موضوع
Mathematical Modeling and Learning in Biology

توضیح ورکشاپ:
Mathematics has provided the language to describe, explain, and predict biological phenomena. Today, with the explosive growth of data and artificial intelligence, biology is witnessing a profound shift: traditional mechanistic models are being complemented by powerful learning approaches capable of uncovering hidden patterns and structures in complex datasets. This mini workshop highlights how geometry, topology, and modern algorithms can extend classical approaches. The goal is to explore how the synthesis of theory-driven and data-driven tools is shaping the next generation of biological discovery.

مکان: پژوهشگاه علوم زیستی ipm، فرمانیه

این ورکشاپ رایگان است. صرفا می‌بایست از طریق این لینک ثبت‌نام کنید.

@hamband_sut

@Ai_Events

اوپن‌عی‌آی رسماً تأیید کرد که ممکنه چت‌های شما رو به پلیس گزارش بده! البته نگران نباشید، فقط اگه قصد آسیب رسوندن به کسی رو داشته باشید!

حالا این بخش چطوری کار می‌کنه:

- تهدیدهای خشونت‌آمیز توسط ناظرهای انسانی بررسی می‌شن و اگه فوری باشن، به پلیس گزارش می‌شن

- محتوای خودآزاری گزارش نمی‌شه، بلکه کاربر به خطوط کمک‌های اجتماعی هدایت می‌شه

- کاربرانی که تهدید جدی می‌کنن هم امکان داره هم از حسابشون محروم بشن هم با اقدام قانونی روبه‌رو بشن

این تصمیم نگرانی‌های جدی درمورد حریم خصوصی ایجاد کرده. چون ممکنه چت‌های معمولی رو هم در معرض بارزسی قرار بده.

منبع
@Ai_Events

مجله تایم لیست ۱۰۰ نفر از تاثیرگذارترین افراد در دنیای هوش مصنوعی رو منتشر کرده.

یه سری از اسم های آشنا و جالب توی این لیست:

لیدرها:

Matthew Prince (مدیرعامل Cloudflare)
Elon Musk (موسس xAI)
Sam Altman (مدیرعامل OpenAI)
Jensen Huang (مدیرعامل Nvidia)
Fidji Simo (مدیر بخش اپلیکیشن های OpenAI)
Mark Zuckerberg (مدیرعامل متا)
Andy Jassy (مدیرعامل آمازون)
Allie K. Miller (مدیرعامل Open Machine)
Dario Amodei (مدیرعامل Anthropic)
Liang Wenfeng (مدیرعامل DeepSeek)
Alexandr Wang & Nat Friedman (سرپرستان آزمایشگاه ابرهوش متا)
David Holz (موسس Midjourney)
Ren Zhengfei (مدیرعامل هوآوی)
Masayoshi Son (مدیرعامل سافتبانک)


https://time.com/collections/time100-ai-2025/


@Ai_Events