⚡️مهمترین درسی که امسال گرفتم--- بر اساس کتاب هم‌هوشی، نوشته ایثن مالیک

کجا باید از هوش مصنوعی استفاده کنم، و کجا باید ازش دوری کنم؟ این سوال رو چند باری ازم پرسیدید. امروز می‌خوام جوابش رو براتون بنویسم. فکر می‌کنم‌ جوابش براتون عجیب باشه. می‌تونه زندگی‌تون رو عوض کنه.

🧠 مقدمه

✅️ برعکس باور رایج که متاسفانه چهره‌های شناخته شده هم ترویجش می‌کنند، بخش بزرگی از رفتار هوش مصنوعی طراحی‌شده نیست.

✅️ هوش مصنوعی یک نرم‌افزار معمولی نیست که سلسله‌ای از اگر-آنگاه‌های از پیش طراحی شده را اعمال کند.

✅️ اسمش را گذاشته‌اند "هوش" چون نیازی به طراحی کامل ندارد. طراح هدف را برایش تعیین می‌کند، داده را در اختیارش می‌گذارد، و خود هوش مصنوعی سلسله اگر-آنگاه‌های لازم را می‌سازد.

✅️ به همین جهت، بخش بزرگی از رفتار هوش مصنوعی برای خالقین آن غیرقابل پیش‌بینی‌ست! مگر آنکه مثل من و شما نقش کاربر گرفته و رفتار هوش مصنوعی را با استفاده کردن از آن کشف کنند.

🕵 کشف توانمندی‌های هوش مصنوعی

به عنوان کاربر، بخشی از وقت شما به سنجش توانمندی‌های هوش مصنوعی می‌گذرد.

احتمالا دریافته‌اید جی‌پی‌تی بعضی مسائل را خیلی راحت‌تر حل می‌کند. مثلا اگر به او بگویید: "رمان‌های روسی مشهور قرن نوزده را نام ببر." خیلی راحت از پس کار برمی‌آید.

اما اگر از او بخواهید "رمان کاملی برایتان بنویسد"، حاصل کارش چنگی به دل نمی‌زند.

خیلی هم خوب! اما مشکل اینجاست! ما پس از کمی کار کردن با هوش مصنوعی دچار خطای عجیبی می‌شویم. به اشتباه تصور می‌کنیم قوت و ضعف هوش مصنوعی را می‌دانیم.

🌕 خطای تصور دایره‌شکل (می‌توانید از این بخش عبور کرده و به نتیجه‌گیری بروید)

ذهن شما مدل دایره‌شکلی از توانمندی هوش مصنوعی می‌سازد. به عکس بالا نگاه کنید. مرکز دایره درخشان‌تر است. مرکز نشان‌دهنده سوالاتی‌ست که جی‌پی‌تی در پاسخ گفتن به آن‌ها بسیار توانمند است. در این تصور ذهنی، جهت مهم نیست! در هر جهتی از مرکز دور بشویم (یعنی پرسش را در هر راستایی دشوار کنیم)، توانمندی جی‌پی‌تی در پاسخ گفتن به شکل یکسانی کم می‌شود.

1️⃣ مثلا سوالاتی مثل "رمان‌های مشهور روسی قرن نوزدهم را نام ببر،" و "قاعده تقسیم و باقی‌مانده را به من یاد بده" ساده هستند. پس در مرکز بسیار روشن دایره قرار می‌گیرند. و جی‌پی‌تی به راحتی از پسشان برمی‌آید.

2️⃣ اما قبلا دیده‌اید جی‌پی‌تی در جواب دادن به سوالی مثل "یک رمان برایم بنویس" بد عمل می‌کند. اینجا با دشوار کردن سوال در راستای موضوعات ادبی (که فرض می‌کنیم سمت و سوی شرق دایره را دارند)، از مرکز فاصله گرفته‌اید و مشاهده کرده‌اید که توانمندی بسیار کم شده (روشنی کم شده و صفحه تیره شده).

3️⃣ بر همین اساس، ذهن شما تعمیم می‌دهد. یعنی انتظار دارد سوالی مثل "معادلات غیر خطی نورونی مختلف را برایم بنویس و آن‌ها را مقایسه کن" که این بار در راستای ریاضی دشوار است هم جایی بسیار دور از مرکز و در گوشه مثلا شمالی قرار بگیرد--- که در این شکل تاریک است. یعنی جی‌‌پی‌تی نتواند حلش کند.

⚠️ اما واقعیت این نیست. ممکن است توانمندی جی‌پی‌تی از سمت شمالی (تحلیل معادلات) خیلی بیشتر از سمت شرقی (ادبیات) باشد و درواقع وجه شمالی دایره کش بیاید. در این صورت، برای تصحیح تصور ذهنی، به جای دایره، می‌بایست یک بیضی تصور کنید که از شمال کش آمده. البته نقشه توانمندی‌های واقعی هوش مصنوعی قلمرویی بسیار عجق‌وجق‌تر از بیضی و دایره دارد و کشف آن مستلزم استفاده مداوم است.

⚡️ نتیجه‌گیری: از امروز تلاش کنید که در هر کاری از هوش مصنوعی استفاده کنید!

نه به این خاطر که هوش مصنوعی از پس هر کاری بر می‌آید--- که نمی‌آید.

نه به این شکل که خودتان عمل و فکر نکنید و عنان را به جی‌پی‌تی بسپارید.

در هر کاری از هوش مصنوعی استفاده کنید، به این هدف که توانمندی آن را در قلمروهای متنوع محک بزنید، و تجربه کنید و نقشه واقعی را کشف کنید.

در عصر هوش مصنوعی، کسانی خواهند درخشید که یاد گرفته‌اند بهترین بهره را از هوش مصنوعی ببرند.

امیدوارم این درس برای شما هم مفید باشه. باور دارم می‌تونه زندگی‌تون رو عوض کنه.

@Physics_Daily | از نورون تا هوش

طی دو هفته گذشته ۶۰۰ نفر به جمعمون اضافه شدند. پست قبلی بیش از ۱۱۰ بار اشتراک‌گذاری شده. به نظر میاد کانال دوباره زنده شده، و این به خاطر شماست. ❤️

برای روزهای آتی تعدادی پست آماده کردم که طبق معمول شامل ایناست:

۱. کاربرد هوش مصنوعی در زندگی 🎯
۲. ادامه تاریخ هوش مصنوعی 🧵
۳. طرز کار هوش مصنوعی 📐

ری‌اکشن‌ها و اشتراک‌گذاری‌های شما مسیر محتوایی کانال رو مشخص می‌کنه. 💪🏻

🧠 اَبَرهوش تجمعی: نوع دوم ابرهوش در کتاب نیک باسترام

قبلا در مورد ابرهوش یه نظرسنجی داشتیم. نوع اولش هم که ابرهوش سرعتی بود معرفی کردیم. امروز درباره ابرهوش تجمعی از زاویه کتاب ابرهوش از نیک باسترام براتون می‌گم. البته با تحلیل‌های خودم. دونستن این‌ها به فهم خطرات هوش مصنوعی--- که در آینده بحث می‌کنیم--- کمک خواهد کرد.

یاداوری: این کتاب یه کلاسیک محسوب می‌شه. البته که عمومیه، اما اطلاعات زیادی داخلش هست. سال ۲۰۱۴ نوشته شده، بنابرین می‌شه گزاره‌های کتاب رو با رویدادهای این ده سال مقایسه کرد. ابرهوش چیه؟ نیک باسترام می‌گه ابرهوش یه هوشیه که به طرز چشم‌گیری بهترین توانمندی ذهن انسان رو مغلوب کنه، در بسیاری زمینه‌های شناختی.

🧠 ابرهوش تجمعی: حاصل تجمع اصولی تعداد بسیار بسیار زیادی هوش‌های کوچکتر که توانمندی آن در گستره وسیعی از زمینه‌ها از هر سیستم شناختی موجودی بیشتر است.

✅️ ما تجربه هوش جمعی رو داریم: ادارات، تیم‌های کاری، شبکه‌های غیبت (!)، گروه‌های اجتماعی، جوامع علمی، کشورها (!)، و حتی بشریت به عنوان یک کل، رو می‌شه با تعریفی شُل و وِل هوش جمعی دانست.

✅️ هوش جمعی برای حل مسائلی که می‌توان آن‌ها را به مسائل کوچکتر شکاند ایده‌آل است. فکر می‌کنید چرا بازار آزاد انقدر قوی عمل می‌کنه؟

✅️ در دانشگاه بودجه‌ها و گروه‌های مختلف بر مسائل متنوع و گسترده‌ای متمرکز می‌شوند. اگر دقت کنید اینجا و آنجا گروه‌های علمی پیدا می‌شه که بین زمینه‌ها پل می‌زنه و این تنوع رو یکپارچه می‌کنه. بخشی از معجزه دانشگاه همین شکاندن و سر هم کردن کردنه.

🔴 اما این‌ها ابرهوش نیست. یک ارتش مقتدر یک هوش جمعیه که مساله دفاع یا حمله رو حل می‌کنه. سیستم دانشگاهی یک هوش جمعیه که دانش می‌سازه. هیچکدوم اَبَرهوش نیستند چون کارشون مشخصه، و در راستای عمومی کار نمی‌کنند. ارتش نمی‌تونه کار دانشگاه رو بکنه و برعکس.

✅️ البته هوش یا ابرهوش بودن می‌تونه نسبی باشه. جوامع امروزی با جمعیت بسیار بزرگتر و دانش انباشته شده و ابزارهای مدرن می‌تونه گستره بسیار بزرگتری از انسان کهن رو حل کنه. ابرهوشی که اینجا دنبالشیم تا حدی نسبت به وضع فعلی‌مونه.

✅️ حالا سراغ یه سیاره خیالی بریم. سیاره فرازمین رو تجسم کنید. در فرازمین مردم همین تکنولوژی و رفاه و چالش‌های ما رو دارند. اما تعدادشون هزار برابر ماست. بنابرین تعداد آدم‌های خیلی خیلی باهوششون هم هزار برابر ماست. بنابرین تعداد ایده‌های خوبشون برای حل مسائل هزار برابر ماست. (اینجا شاید باید به هزار برابر خراب‌کار و احمق هم فکر کرد، نه؟) باسترام می‌گه سرعت پیشرفت این‌ها بسیار بسیار زیاده و خیلی زود، نسبت به ما، می‌شن یه چیزی شبیه ابرهوش تجمعی.

✅️ کتاب در آخر این مبحث می‌گه دوتا متغیر داریم. همبستگی و استقلال. هوش‌های کوچکتر گاهی بسیار مستقلند، گاهی بسیار همبسته و گاهی چیزی بین این دو. باسترام میگه اگر همبستگی زیاد بشه چیزی شبیه ذهن جمعی خلق می‌شه و ابرهوش جمعی به ابرهوش کیفی تبدیل می‌شه--- که بحث بعدیه.

این رو اضافه کنم که همبستگی در عین استقلال از ویژگی‌های سیستم‌های پیچیده‌ای هست که دوام، پایداری و توانایی حل مساله بالایی دارند.

چه راه‌هایی برای ساختن ابرهوش تجمعی، با استفاده از کامپیوتر و ربات‌ها، به ذهنتون می‌رسه؟

@Physics_Daily | از نورون تا هوش

🧠 مغز بر لبه تیغ بحرانیت

یک راه ساده اما قدرتمند برای فهم مغز مدل شاخه‌ای هست.

این تصویر رو از کتاب "کورتکس و نقطه بحرانی" نوشته همکارم جان بگز برداشتم. نورون‌ها در تصویر به شکل دایره و آتش کردنشون با مشکی شدن دایره نشون داده شده. به آتش کردن نورون‌ها اسپایک هم می‌گیم.

به طور میانگین، اگر هر اسپایک:

۱. کمتر از یک اسپایک ایجاد کند، فعالیت خیلی زود خاموش می‌شود (سطر اول تصویر).
۲. بیشتر از یک اسپایک ایجاد کند، فعالیت از کنترل خارج می‌شود (سطر پایین).
۳. دقیقا یک اسپایک ایجاد کند --> سیستم در نزدیکی نقطه بحرانی، بین دو حالت قبلی، می ماند.


چه اهمیتی داره؟

بحرانیت به مغز خصوصیات مهمی می‌ده:

بیشینه انتقال اطلاعات: سیگنال‌ها بدون خاموش شدن یا رشد غیر قابل کنترل در مغز حرکت می‌کنند.

تنوع زیاد: الگوهای فعالیت نورونی متنوعی شکل می‌گیرد که می‌تواند اطلاعات گسترده ای را بازنمایی کند.

تعادل: پایدار بودن به اندازه‌ای که سیگنال‌ها نابود نشوند، در عین منعطف بودن برای بروز رفتارهای جدید.


تصویر بزرگتر:

بحرانیت ممکنه یک اصل یا قانون برای پردازش اطلاعات یا شناخت باشه.

محاسبات مغز نه سفت و سخت و از پیش مشخص شده‌ست و نه آشوبناک و غیرقابل کنترل.

مغز بر لبه تیغ بحرانیت محاسبه می‌کنه. جایی که هر اسپایک می‌تونه مهم باشه.

@Physics_Daily | از نورون تا هوش

اسم خوارزمی و خیام در ۲۵۰ دستاورد مهم تاریخ ریاضیات.

@Physics_Daily | از نورون تا هوش

برنامه لایو شنبه شب ساعت ۲۱

لینک صفحه اینستاگرام

دوستان ازتون درخواست می‌کنم که حتما حتما حتما این پست رو برای دوستان، اقوام و آشنایان و خانواده بفرستید و در لایو شنبه شب شرکت کنید.

برخی از دوستان ممکنه در روزهای آینده تصمیم‌هایی رو بگیرن که تا سال‌ها بابتش حسرت بخورن.

@the_maze2022

زندگی لبه آشوب

1️⃣ یعنی چی؟
سیستم‌ها می‌تونند بیش از حد قانون‌مند و منظم باشند. صلب و قابل حدس.
یا آشوبناک باشند. تصادفی و ناپایدار.
لبه آشوب تعادل بین ساختارمندی و انعطافه.

2️⃣ مثال؟
سیستم حمل و نقل: کم ماشین توی خیابون باشه حمل و نقلی انجام نمی‌شه. زیاد باشه ترافیک. یه تعدلی بین این دو ---> جریان و انتقال کالا و انسان در شهر.
یادگیری: حفظ کردن خالی یه ذهن خشک و نامنعطف می‌سازه که از روبرویی با شرایط جدید ناتوانه. خلاقیت و استدلال خالی به درد نمی‌خوره، مگر از طریق حافظه با واقعیت‌های دنیا در تماس باشه. یادگیری موثر ---> ذهنی که می‌تونه با پیچیدگی دنیا روبرو بشه.
نظم سیاسی: اگر بیش از حد ضعیف باشه نمی‌تونه ثبات خودش یا حقوق و امنیت شهروندانش رو تامین کنه. اگر بیش از حد مقتدر باشه آزادی‌های شهروندانش رو زیر پا می‌گذاره.

3️⃣ چه ازش متنفرید چه عاشقشید یا هر چیزی--- خسته شدم از این بحث‌های مجازی :))). ولی جوردن پیترسون به مساله «چگونه زیستن» با تعبیری مشابه لبه آشوب جواب می‌ده. یک پا رو در امن‌ها و شناخته‌شده‌ها محکم کنید و با پای دیگه به قلمرو ناشناخته برید.

4️⃣ مغز؟
گفتیم که اگر آتش کردن نورون‌ها زیادی ضعیف باشه مغز خاموش می‌شه.
اگر زیادی قوی باشه از دست در می‌ره--- امکان حمله صرعی.
لبه آشوب--> بهمن‌های نورونی که اطلاعات رو به خوبی تا فواصل دور حمل می‌کنند.

5️⃣ هوش مصنوعی؟
نورون‌های مصنوعی با اتصالات شبیه‌سازی شده به هم وصل هستند. اگر اتصالات بیش از حد ضعیف باشد سیگنال‌ها به انتهای شبکه عمیق نمی‌رسند.
اگر بیش از حد قوی باشند، سیگنال‌ها اصطلاحا من.فجر می‌شن (خیلی بزرگ می‌شن).
لبه آشوبه که یادگیری عمیق و هوش مصنوعی ممکن می‌شه.

✅️ لبه آشوب به سیستم‌ها آداپته‌پذیری، خلاقیت و بهینگی می‌ده.
✅️ به این دلیله که مغز در تکامل به سمت لب آشوب رفته، و پژوهشگران هوش مصنوعی رو به سمت لبه آشوب کوک می‌کنند.

(حالا من یه جدلی سر این ماجرا دارم که مقاله‌ش بیاد عرض می‌کنم.)

@Physics_Daily | از نورون تا هوش

توی این مقاله می گه ریاضیات دبیرستانی توی آمریکا زیادی رو calculus متمرکز شده. این درس هم شده فیلتر برای ورود به دانشگاه. یه جاهایی اصلا این درس درست و حسابی ارائه نمی شه و جاهایی هم می رند
AP calculus
بر می دارند.(توی دبیرستان دروس پیشرفته دانشگاهی بر می دارند و براشون رزومه می شه و امتیاز می گیرند)
این مساله خودش باعث تشدید نابرابری می شه.
می گه ریاضیاتی که با زندگی واقعی سروکار داره ارائه کنید:
آمار و داده کاوی، احتمال، بهینه سازی، الگوریتم ها و گیم تئوری.
می گه calculus میراث دوران جنگ سرد هست، زمانی که باید یه سری فیزیک دان و مهندس تربیت می کردند تا با ایوانف ها رقابت کنند(اشاره به دانشمندای شوروی)

https://www.forbes.com/sites/ryancraig/2025/08/29/america-needs-a-revolution-in-math-education-heres-how/

البته من اخیرا روی شانس بودم. داده‌های شما می‌گن آره یا نه؟
@Physics_Daily | از نورون تا هوش

⚡️ چند نکته درباره انتخاب رشته.

هر انتخابی هزینه/فایده خودش رو داره. عزیزان از الان روی تفاوت مشورت و هدایت کار کنید. بعید می‌دونم کسی صلاحیت هدایت کردن شما رو داشته باشه--- حتی والدین. ولی چیزایی می‌گم که امیدوارم به تصمیم‌تون کمک کنه.

1️⃣ کنکورم خراب شد دیگه بیچاره شدم. چه بسیار آدم رتبه خوب می‌شناسم که زندگی‌ کاری‌شون رو جور خوبی پیش نبردند و بسیار ناراضیند. چه بسیار آدم رتبه بد می‌شناسم که موفقیت‌های درخشان کسب کردند. آزمونی که در سه ساعت از عربی و دینی تا ریاضی و فیزیک و زیست رو می‌سنجه، در درس‌های عمیق مثل ریاضی به سرعت عمل پاداش می‌ده و خلاقیت و تفکر رو نادیده می‌گیره، سنجه مضحکیه.

2️⃣ رشته رو میارم ولی دانشگاه تهران و فلان و بیسار می‌خواستم. دانشگاه در مقطع لیسانس تخم دو زرده نمی‌کنه. ته تهش یک سری کتاب مرجع دانشگاهی هست که سراسر دنیا خونده می‌شه. هر دانشگاهی هستید، اگر واقعا می‌خواید یاد بگیرید، اصل درس رو از اون کتاب‌ها یاد می‌گیرید. رنکینگ دانشگاه‌ها یکی از هزاران چرندیاتی‌ست که باور کرده‌ایم. شریف می‌ری یا اصفهان می‌ری، تهش کره زمین برات همونجوری می‌چرخه. البته دارم بین دانشگاه‌های نسبتا خوب می‌گم. یه نکته مثبت ولی آپشنال وجود چهارتا استاد با انگیزه هست که افق نگاهتون رو بازتر کنند. که معمولا جایی از اینا نداریم. 🥲

3️⃣ رشته علوم پایه به چه درد می‌خوره؟ در دید بعضی "بزرگان"، حقایق همه در کتاب‌های آسمانی اومده یا مثلا توسط اشخاص بزرگی از غیب دریافت شده یا مثلا مارکس اومده اطلاع داده. در دنیای این‌ها جایی برای علم نمی‌مونه مگر در ساخت ابزار: منجنیق، کالسکه، قطار، کشتی، دارو. که خب این هم توی مهندسی بهتر انجام می‌شه! ولی واقعیت اینطور نیست. علوم پایه بهترین راه فهمیدن دنیاست که بشر بهش دست یافته. فهمیدن دنیا به خودی خود ارزش هست. در کنار اون ارزش بنیادی، فهمیدن دنیا به خلق ارزش مادی، مثل اختراعات، هم منجر می‌شه. این روند همیشه بوده، الان هم در اوج خودشه و به طرز درخشانی داره ادامه پیدا می‌کنه.

4️⃣ بازار کار علوم پایه بده. پیش‌بینی بازار کار راحتی نیست. باید بگید بر طبق این شواهد که من دارم، بازار کار علوم پایه بده. مشکل اونجاست که اون شواهد معمولا گفته‌های همینجوری مردمه. بازار کار پویاست. وقتی وارد لیسانس شدم میگفتن کامپیوتر استخدام پایینی داره و برای همین دیر پر می‌شد. دانشگاهی بودم که کامپیوتر رفت صدر جدول. توی آمریکا هم تا پیارسال دیتاساینتیست رو توی هوا می‌قاپیدن ولی الان پیدا کردن شغل دیتاساینس مکافاته. در ایران از پزشک‌های جوان‌تر در مورد وضعیت کار و درامدشون بپرسید. بپرسید آیا قابل قیاس با نسل‌های قبلی‌شون هست؟ بازار کار پویا و در تحوله. دریچه‌های ارائه خدمات از طریق فضای مجازی باز می‌شن. هوش مصنوعی شکل دنیا رو خیلی سریع عوض می‌کنه. اون پسرعمه‌تون که خیلی مطمئن "بکن-نکن" می‌کنه احتمالا خیلی کم فکر می‌کنه. من شخصا فکر می‌کنم‌ کار برای کسی که تاپه خواهد بود، حتی اگر ادبیات و فلسفه خونده باشه. علوم پایه که جای خود داره.

5️⃣ می‌خوام باعث افتخار خونواده‌م بشم. این جمله واقعا مریضه. بس کنید افتخارعلی‌ها.

6️⃣ وضعیت درامد علوم‌ پایه در خارج؟ بارها بالاتر از میانه آمریکا‌یی‌ها. مثلا استاد دانشگاه به طور پایه در حدود ۱۵۰ هزار دلار در سال در میاره. برای علوم پایه مشاغل دیگری هست که درامدش بالاتره و مشاغل دیگری هست که درامدش پایین‌تره. میانه درامد عموم آمریکایی‌ها حدود ۶۰ هزاردلار در ساله. و میانه آمریکایی‌ها خونه خوب، ماشین خوب و زندگی خوب دارند. به نظر شخصی من این دیگه عقده‌ای بازیه که بگی شغلی کم درآمده که دو-سه برابر میانه آمریکایی‌ها درآمدشه. از اون کلیشه‌هاییه که عین طوطی تکرار می‌کنند دیگه.

7️⃣ تو با شغلت برای حدود سی سال روزی حداقل هشت ساعت تنها خواهی بود. می‌شه حدود یک سوم بهترین سال‌های عمرت. چرا اون شغل؟ امیدوارم جواب به خاطر خاله و شوهر عمه و شرم و دِین و تلاش برای کافی بودن و این چیزا نباشه.

در آخر بگم. علوم پایه راه سخت‌تریه. دروس سنگین‌تری داره. فهم عمیقشون تلاش بیشتری می‌خواد. صرفا با دیدن چهارتا فیلم سای‌فای و زندگی دانشمندان انتخابش نکنید. و البته، با نظرات گهربار پسر عمه یا همکلاسی‌تون هم ازش دست نکشید.

@Physics_Daily | از نورون تا هوش

🎯 ریشه واقعی مشکلات با هوش مصنوعی--- این روش خیلی کمکم کرده

بیشتر مدیران به جای علت مشکل به علائمش می‌پردازند. پروژه تاخیر خورده؟ عضو اضافه کنید. فروش کم شده؟ تبلیغ جدید بسازید. اما اگر عمیق‌تر نشوید، مشکل حل نمی‌شود. مدیریت منحصر به ادارات و شرکت‌ها نیست: اگر مدیر یک شرکت، فروشگاه، صفحه اینستاگرام، یا کلاس درس نیستید، مدیر زندگی خودتان که هستید! اینجا با یک روش مدیریتی از شرکت تویوتا آشناتون می‌کنم و بهتون یاد می‌دم با جی‌پی‌تی به عمق مسائل برید.


✅️ بخش اول --- پنج چرا.
فرض کنید تیم شما یک ددلاین--- مهلت انجام کار--- رو از دست داده.

۱. چرا ددلاین از دست رفت؟
- چون گزارش کامل نبود.
۲. چرا گزارش کامل نبود؟
- چون داده‌ها دیر دریافت شد.
۳. چرا داده‌ها دیر دریافت شد؟
- چون جمع‌آوری داده مسئول مشخصی نداشت.
۴. چرا مسئول مشخصی نداشت؟
- چون نقش‌ها در ابتدای کار دقیق تعریف نشد.
۵. چرا نقش‌ها دقیق تعریف نشد؟
- چون چارتر (منشور) پروژه رو نساختیم.

می‌بینید؟ مساله هم‌تیمی‌های تنبل نبوده! بلکه ساختار پروژه از ابتدا مشکل داشته. بدون عمیق شدن نمی‌شد به راحتی فهمید. و «پنج چرا» راهی برای عمیق شدنه. تا یاد بگیرید و درگیر علت‌های حاشیه‌ای نشید یکم تمرین می‌طلبه. ضمنا می‌تونید چندین بار و از مسیر‌های مختلف انجامش بدید.


✅️ بخش دوم --- استفاده از چت جی‌پی‌تی در پنج چرا.

۱. نقش رو مشخص کنید.

من سوالاتی با «چرا» می‌پرسم. تو به من چندین جواب خوب می‌دی. اگر مناسب بود، یکی از اون‌ها رو انتخاب می‌کنم. اگر نبود ازت می‌خوام جواب‌های بیشتری بسازی یا خودم جواب رو بهت می‌دم. بعد یک «چرا» دیگه در مورد جواب می‌پرسم. اینطوری قدم به قدم روش مدیریتی «پنج چرا» رو پیاده می‌کنیم.

۲. با سوال چرا شروع کنید. مثلا:

چرا دانشجویانم نمره پایین آوردند؟

۳. در آخر ازش بخواید خلاصه کنه.

زنجیره علت‌ها را خلاصه کن. ریشه اصلی و جانبی رو پیدا کن. اگر توصیه‌ای برای بهبود داشتی بنویس.

✅️ بخش سوم--- این روش چطور جواب می‌ده؟
- اولین چرا فقط علائم رو مشخص می‌کنه.
- چرا‌های عمیق‌تر مشکلات ساختاری رو مشخص می‌کنه.
- تا مشکلات ساختاری رو حل نکنید علایم ظهور خواهند کرد.

جی‌پی‌تی مفیده چون دیالوگ ایجاد می‌کنه. بخشی از بار شناختی رو به دوش می‌کشه. استرس کاوش در مشکلات به تنهایی رو میاره پایین. و خب خیلی وقت‌ها حدس‌های خوبی هم می‌زنه.


در آخر:
بار بعد که با یه مشکل مهم یا تکرارشونده برخورد کردید زیر قالی قایمش نکنید. پنج چرا رو با جی‌پی‌تی اعمال کنید!

برای دوستانتون بفرستید چون به کار خیلی‌ها میاد. 🧠


@Physics_Daily | از نورون تا هوش

🧠 برداشت عموم از اراده آزاد--- ناشی از آرای آذرخش مکری، نیما قربانی و سایرین


1️⃣ در فضای مجازی فارسی‌زبان، باور دارند که علم با استناد به قوانین خود --- از علوم اعصاب گرفته تا فیزیک--- اراده آزاد را رد کرده است. رگ گردن بعضی طرفداران این دیدگاه هم زیاد بیرون می‌زند و ما هم قبلا مورد عنایت ایشان بوده‌ایم.

2️⃣ با این حال، در بحث اراده آزاد، طبق آخرین نظرسنجی‌ها و تحلیل مقالات، اکثریت قاطع نزدیک به ۶۰ درصدی متخصصین دانشگاهی قائل به دیدگاه «سازگارگرایانه» است. دیدگاهی که بین قانونمندی عالم، یا حتی تعیین‌شدگی، و اراده آزاد تضادی نمی‌بیند. (و تنها ده درصد قائل به رد اراده آزادند.)

3️⃣ از چرت و پرت‌های پریشان چهره‌های رسانه‌ای می‌گذرم. اینجا بیشتر با مخاطبین افراد محترمی مثل آذرخش مکری و نیما قربانی صحبت می‌کنم. قصد دارم به عنوان کسی که دیدگاه سازگارگرایانه را بارها معقول‌تر می‌دانم، در یک سری نوشته این دیدگاه را برایتان توضیح بدهم.

✅️ مهمتر از آنکه رای نهایی من و شما چیست، این است که مساله‌ای که درباره آن رای می‌دهیم را بفهمیم. 😉

ممنون از همراهی شما.

@Physics_Daily | از نورون تا هوش

توزیع طبیعی (نرمال)
توزیع فراطبیعی (پارانرمال)

@Physics_Daily | از نورون تا هوش

🧠 چرا شبکه عصبی چندلایه؟

گفتیم که هجرت هینتون به کالیفرنیا بعد از یک شروع نه چندان ایده‌آل با دوران موسوم به زمستان هوش مصنوعی همراه بود. یک ریشه‌ش ناتوانی شبکه‌های عصبی تک‌لایه در حل مسائل پیچیده بود. اینجا بررسی می‌کنیم چرا چندلایه بودن مهمه.

1️⃣ در دهه ۶۰، رزنبلات و ساینتیست‌های دیگر تلاش می‌کردند یک شبکه عصبی (پرسپترون) چندلایه بسازند. گروه جدید هینتون در کالیفرنیا این تلاش را در دهه ۸۰ ادامه می‌داد.

2️⃣ پرسپترون اولیه تک‌لایه بود. یعنی فقط یک لایه نورون بین ورودی (مثلا یک حرف A انگلیسی که بر کاغذی نوشته شده) و خروجی (تشخیص حرف A پس از پردازش) وجود داشت. تصویر رو زیر این پست می‌گذارم.

3️⃣ وقتی پرسپترون حرف A انگلیسی چاپ شده بر کاغذ را بررسی می‌کرد، هر نورون بر یک نقطه کاغذ متمرکز می‌شد. مثلا یکی از نورون‌ها یاد گرفته بود اگر حرف A بر کاغذ چاپ شود، نقطه مورد بررسیش معمولا سیاه هست. دیگری یاد گرفته بود سفید است. تشخیص نهایی از همین بررسی نقطه به نقطه می‌آمد.

4️⃣ شبکه عصبی چندلایه می‌توانست فراتر برود. تصور کنید شبکه عصبی چندلایه می‌خواهد صورت انسان را تشخیص بدهد. لایه اول نقطه‌های روی تصویر را بررسی می‌کند: هر نقطه سیاه یا سفید است. بعد از این پردازش اطلاعات را به لایه دوم می‌فرستد. لایه دوم نقطه‌ها را سر هم می‌کند و خطوط مهم تصویر را پیدا می‌کند: این نقاط سیاه در کنار هم خطی در حاشیه تصویر ساخته‌اند. لایه سوم خطوط را در کنار هم می‌گذارد: این سه خط مثلث ناقصی می‌سازند که شبیه بینی انسان است.

✅️ شبکه‌های چندلایه می‌توانستند الگوهای بسیار پیچیده را تشخیص بدهند. چندلایه شدن پرسپترون کافی بود تا پاسخ منتقدین داده شود. اما در آن زمان الگوریتم مناسبی برای یادگیری شبکه چندلایه وجود نداشت. هینتون و رفقا در کالیفرنیا روی این مساله کار می‌کردند.

@Physics_Daily | از نورون تا هوش

سمت چپ: شبکه عصبی تک‌لایه
سمت راست: شبکه عصبی چندلایه

چرا شبکه‌های عصبی عمیق در یادگیری چنین قابل اتکا هستند، و آیا شباهت آن‌ها با مغز چیزی بیشتر از شباهتی سطحی‌ست؟

جمله اول چکیده مقاله جدیدم. باز قصد دارم حسابی گرد و خاک کنم.

@Physics_Daily | از نورون تا هوش

⚡️ منظور قدیمی‌ها از اراده آزاد چی بوده؟

در اندیشه غربی، ریشه بحث "اراده آزاد" به فلاسفه قرون وسطی مثل سنت آگوستین و البته پیش‌تر از اون اپیکتتوس می‌رسه. اما اگر دقت کنید، خود این‌ها وام‌دار گذشتگان هستند. افلاطون و ارسوط عین عبارت "اراده آزاد" رو ندارند، اما از "تسلط بر عمل" صحبت می‌کنند.

🟢 افلاطون می‌گه روان سه بخش داره: عقلانیت، هیجانات (خلق‌وخو هم ترجمه شده) و امیال. آزادی انسان در گرو برقراری عدالتی درونی بین این‌هاست. جوری که خرد هدایت کند، هیجانات باهاش همسو باشند و امیال در قید عقلانیت قرار بگیرند.

🟢 ارسطو تا حدودی با افلاطون موافقه. می‌پذیره که باید آزادی رو پرورش داد. اما یه نکته جالبی می‌گه:

ما اراده انجام داوطلبانه کارها را داریم. به این معنا که: بخش بزرگی از آنچه انجام می‌دهیم از درون خودمان می‌آید.

نکته جالبتر ارسطو برای من اینه: می‌گه تصمیمات ما در چند راهی‌های زندگی بر درونمون اثر می‌گذارند. تصمیمات خردمندانه شخصیتی خردمندتر می‌سازند که بهتر تصمیم خواهد گرفت.

پانوشت: صحبت ارسطو از این حیث خیلی جالبه که نوعی جفت‌شدگی (کاپلینگ) بین محیط و فرد در نظر می‌گیره. حرکت نظریه‌های متاخر علوم اعصاب به سمت جفت‌شدگی ادراک و عمل و به طور کلی لحاظ کردن عاملیت مغز رو هم دریابید.

اطلاعات بیشتر درباره آرای ارسطو و افلاطون: دانشنامه استنفورد، اراده آزاد، بخش آرای فلاسفه باستان و قرون وسطی

@Physics_Daily | از نورون تا هوش

شطرنج معمولی دیدند خیلی سخته و از پسش بر نمیاند رفتند سراغ ورژن ها و مدل های دیگه ای از شطرنج.
یه برآورد تقریبی از کل تعداد موقعیت های ممکن در شطرنج که به عدد شانون معروفه حدودا
10¹²⁰
تا است، که همینم با فرضیاتی به دست اومده.

این شطرنج ۵ در ۵ هم به شطرنج گاردنر معروفه و کامل حل شده. مهره های سمت شاه حذف شدند، حرکت
en passant
و قلعه ممنوعه. بررسی کردند و به این نتیجه رسیدند که وضعیت نهایی بازی مساویه(یعنی اگر دو حریف بهترین حرکاتشون رو انجام بدند بازی مساوی می شه)

⚡️ توهم یا برآیش (امرجنس)؟

مثال همیشگیم از پدیده برآمده:

گرداب. گرداب نوعی رفتار جمعی مولکول‌های آب در شرایط محیطی خاص هست. این پدیده در یک دونه مولکول آبِ تنها دیده نمی‌شه. در جمعیتشون دیده می‌شه. لازم به ذکره که این پدیده از آسمون هم نازل نمی‌شه. منشا این پدیده خصوصیات مولکول‌های آب، چینش اون‌ها کنار هم و تبادلاتشون با محیط--- شامل ماده، انرژی و اطلاعات.

✅️ این مثالی از برآیش علمی هست. گرداب توهم نیست، بلکه یک پدیده برآمده‌ست. گرداب جادویی نیست، بلکه منشا کاملش مکانیسم‌‌های فیزیکی هستند.

✅️ حافظه، پول، فرهنگ و... هم همینند. نه جادویی هستند (که منشاهایی فراتر از فیزیک داشته باشند) و نه توهم هستند به این معنا که وجود خارجی نداشته باشند.

@Physics_Daily | از نورون تا هوش