هوش مصنوعی در جایزه‌ی نوبل شیمی ۲۰۲۴ هم حضور داشت. نیمی از این جایزه به Demis Hassabis و John M. Jumper از دیپ‌مایند بدلیل مدیریت پروژه‌ی آلفافولد اختصاص یافت. این سیستم برای پیش‌بینی ساختار سه‌بُعدی پروتئین‌ها با استفاده از یادگیری ماشین توسعه یافت. نیم دیگر این جایزه به David Baker بدلیل نقش وی در استفاده از تکنیک‌های محاسباتی برای طراحی پروتئین‌های جدید اختصاص داده شد.

https://www.nobelprize.org/prizes/chemistry/2024/press-release/

مدل o1 که ۴۰ روز پیش از حالت پیش‌نمایش خارج و نسخه‌ی کامل آن ارائه شد، یک ویژگی مهم دارد: مقیاس کردن در زمان استنتاج (inference-time scaling). منظور از این ویژگی چیست؟
همان‌طور که می‌دانیم روند پیشرفت مدل‌های زبانی به سمت مقیاس کردن در فاز آموزش بوده است: استفاده از داده‌های بیشتر و آموزش مدل‌های بزرگ‌تر برای به‌دست آوردن نتایج بهتر. مدل o1 مسیر دیگری را پیموده است: برای بهبود نتایج، به مدل اجازه داده می‌شود که در هنگام تولید خروجی (فاز استنتاج)، فرصت تولید خروجی بیشتر یا حتی تولید خروجی‌های مختلف و انتخاب از بین آنها داشته باشد.
به‌دلیل این ویژگی، مدل o1 برای مسائلی که بین تولید پاسخ و بررسی صحت پاسخ، فاصله وجود دارد (generation-verification gap) مناسب است. منظور، مسائلی است که تولید پاسخ، مشکل‌تر از بررسی صحت پاسخ است. به‌عنوان مثال، برای اثبات یک قضیه، تولید اثبات، مشکل‌تر از بررسی صحت یک اثبات است. ویژگی مقیاس کردن در زمان استنتاج این امکان را برای o1 فراهم می‌کند که با تولید اثبات‌های مختلف و بررسی صحت آنها به سمت اثبات درست حرکت کند.

یکی از منابع خوب برای پیگیری اخبار مربوط به هوش مصنوعی، هفته‌نامه‌ی Batch شرکت DeepLearning.AI آقای Andrew Ng است. تصمیم گرفتم با کمک NotebookLM هر هفته یک پادکست فارسی کوتاه از این منبع در کانال قرار دهم. پادکست مربوط به لینک زیر را در این فایل بشنوید.
https://www.deeplearning.ai/the-batch/issue-300/

پادکست اخبار هوش مصنوعی (۱۴ می ۲۰۲۵)، تولید شده از طریق NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-301/

پادکست اخبار هوش مصنوعی (۲۱ می ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-302/

پادکست اخبار هوش مصنوعی (۲۸ می ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-303/

این سند را امروز بازخوانی کردم و تغییراتی با توجه به پیشرفت‌های دو سال اخیر در آن اِعمال کردم.

آیا با ادامه دادن پادکست اخبار هوش مصنوعی موافق هستید؟
anonymous poll

بله، مفید است و گوش می‌دهم. – 115
👍👍👍👍👍👍👍 86%

خیر، صرف‌نظر می‌کنم. – 19
👍 14%

👥 134 people voted so far.

پادکست اخبار هوش مصنوعی (۴ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-304

مطالعه‌ای جدید از MIT نشان داده که افرادی که برای نوشتن انشا از ChatGPT استفاده کرده‌اند، فعالیت مغزی بسیار کمتری نسبت به افرادی داشته‌اند که خودشان متن را نوشته‌ یا از گوگل برای جستجو استفاده کرده‌اند.
یافته‌ی دیگر این بود که متن‌های تولیدشده توسط این کاربران تمایل به استفاده از واژگان و ایده‌های مشترک داشتند؛ استفاده از هوش مصنوعی نوعی اثر همگن‌سازی ایجاد کرده بود.

http://newyorkermag.visitlink.me/hWuRQz

پادکست اخبار هوش مصنوعی (١١ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-305

پادکست اخبار هوش مصنوعی (۱۸ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-306

پادکست اخبار هوش مصنوعی (۲۵ ژوئن ۲۰۲۵)، تولید شده با NotebookLM مربوط به لینک زیر:
https://www.deeplearning.ai/the-batch/issue-307

نسخه‌ی سوم کتاب یادگیری عمیق با پایتون آقای فرانسوا شوله که به زودی منتشر می‌شود، در وب‌سایت کتاب به آدرس زیر بطور رایگان در دسترس قرار گرفته است. این کتاب یکی از بهترین منابع این حوزه است و در این نسخه به مباحث جدیدتر مانند ترنسفورمرها و مدل‌های بزرگ زبانی هم پرداخته شده است.

https://deeplearningwithpython.io/chapters/

یکی از اثرات سریع هوش مصنوعی، جایگزینی بسیاری از شغل‌ها است. آقای برنی سندرز سناتور ایالات متحده در ویدئوی زیر به این موضوع پرداخته و راهکارهایی برای آن پیشنهاد می‌دهد. یکی از پیشنهادهای جالب، اخذ مالیات از ربات‌ها و استفاده از آن برای کسانی است که تحت تأثیر قرار می‌گیرند.

https://youtu.be/dthbi4lzO58?si=Cjq2yGwhtrAfc90

درس یادگیری عمیق استنفورد مربوط به ترم جاری که ویدئوها در طول ترم بارگذاری می‌شوند:

https://youtube.com/playlist?list=PLoROMvodv4rNRRGdS0rBbXOUGA0wjdh1X&si=rxVW_A-bb9FB7IN7