خب، پاول گراهام هم یه مطلب جدید تو وبلاگش گذاشته. 🤔 راستش انقدر جالبه که به نظرم خوندنش برای همه واجبه، به خصوص اگه پیگیر دنیای استارتاپ و تکنولوژی هستین.
خلاصه‌ی مطلبش اینه که یه مدل جدید مدیریتی برای شرکتهای بزرگ با حضور موسسین اونها داره شکل میگیره که با مدل سنتی و رایج مدیریتی خیلی متفاوته. در این مدل جدید، موسسین به جای اینکه فقط از طریق مدیران میانی با کارمندان در ارتباط باشن، خودشون مستقیما در جریان کارها قرار میگیرن و با کارمندان در سطوح مختلف تعامل دارن.
گراهام با اشاره به سخنرانی اخیر برایان چسکی، موسس Airbnb، و تجربیات مشابه از سوی دیگر موسسین موفق، این مدل جدید رو "مدل موسس" نامگذاری میکنه. در این مدل، موسسین با الهام گرفتن از روشهایی مثل جلسات سالانه استیو جابز با ۱۰۰ نفر از افراد کلیدی اپل، سعی میکنن انعطاف و پویایی فضای استارتاپی رو حتی در شرکتهای بزرگ حفظ کنن.
به هر حال، خوندن خود مطلب یه چیز دیگه‌اس. مطمئنم شما هم مثل من کلی چیز ازش یاد می‌گیرین. 😉
https://paulgraham.com/foundermode.html?fbclid=PAZXh0bgNhZW0CMTEAAaa_R_Amqm86kDd_J93fy-LJWtzwEEn16d2j9J0KZNk1GaQsUhtLQ4ko4Fs_aem_yaHIMi9QkjD8UB5_-5BiJg

خبر داغ! 🔥 Reflection 70B اومده و با اینکه خیلی کوچیکتره، GPT-4 و Claude Sonnet رو تو benchmark های کلیدی شکست داده! خیلی جالبه، ولی داستان اصلی اینه که چطوری این اتفاق افتاده:

مت شومر یه محقق AI معمولی نیست. این یارو یه prompt engineer هست که از روزای اول GPT-3 تو خط مقدم بوده و واسه میلیون‌ها کاربر چیز ساخته. تجربش باعث شد یه نکته مهم رو بفهمه: LLM ها تو قبول کردن اشتباهاتشون موقع بازتاب خیلی بدن! حتی حاضرن اشتباه کنن که بعدش چیزی واسه درست کردن داشته باشن!

راه حلش چی بود؟ Fine-tuning برای خود-اصلاحی واقعی بدون خطاهای جدید. اونقدر ساده که نبوغ آمیزه، و آزمایشگاه‌های بزرگ ازش غافل شدن.

نتیجش یه مدلیه که فقط وقتی لازمه فکر می‌کنه. و با بازتاب داخلی، میشه راحت از کاربر مخفیش کرد.

تو 3 هفته توسط 2 تا آدم که می‌دونن LLM ها تو دنیای واقعی چجوری رفتار می‌کنن ساخته شد. بدون نیاز به میلیاردها دلار یا سال‌ها تحقیق.

Open-source هست! نسخه 405B هفته بعد میاد، شاید dataset هم منتشر کنن. یه سیل نوآوری داره میاد!

شرکت‌های بزرگ فناوری احتمالاً دارن به خودشون میپیچن. مدل‌هاشون که اغلب توسط محققای بی‌تجربه ساخته شدن، الان قدیمی به نظر میان. System prompt گراک خجالت‌آوره. Claude قبلاً این کارو با prompting می‌کنه (ازش بخواه با دقت فکر کنه، می‌بینی که کندتر جواب میده، چون رابط کاربریش متن بین تگ‌های <Thinking></Thinking> رو نشون نمیده)، ولی fine-tune کردنش می‌تونه یه ارتقاء آسون باشه.

بذارید واضح بگم: مدل‌ها تو یکی دو ماه آینده خیلی بهتر میشن. کار مت ساده‌ست، و هنوز کلی پیشرفت آسون دیگه هست که میشه کرد.

مثلاً، اگه به یه مدل بگی "اگه درست جواب بدی 20 دلار انعام میدم" یا "شغلم به این بستگی داره"، جواب‌های بهتری میگیری. با آموزش بهتر، شاید دیگه نیازی به این کارا نباشه.

Chain-of-Thought و Self-Reflection هم خیلی ساده‌ن، و این با یه مجموعه داده مصنوعی ساخته شده. فکرشو بکن اگه از آدما واسه جمع‌آوری یه مجموعه داده خیلی بهتر استفاده می‌کردیم چی می‌شد! یا اگه با انواع دیگه CoT، خود-بازتابی، استدلال چند عاملی و غیره آزمایش می‌کردیم چی؟ کلی چیز هست که میشه امتحان کرد، و لازم نیست تو OpenAI باشی تا امتحانشون کنی!

تو درازمدت، شاید مدل‌ها نیازی به fine-tune کردن CoT/Reflection نداشته باشن، شاید این جور فکر کردن عمیقاً توشون جا بیفته. فعلاً که یه برد آسونه.

آره، کُندتره - یه مرحله استدلال اضافه می‌کنه. ولی وقتی Groq/Cerebras داره 1800+ توکن در ثانیه میزنه، مگه فرقی می‌کنه؟ هر نمره IQ واسه یه مدل حیاتیه. من با کمال میل 100 میلی‌ثانیه واسه نتایج بهتر صبر می‌کنم.

آینده AI فقط مدل‌های بزرگتر نیست. آموزش هوشمندتر و تفکر شبیه انسانه. و ممکنه از دست مهندسا بیاد، نه دکترا.

این تازه اولشه. چشماتونو باز نگه دارین! 👀💡

خبر داغ! 🔥 OpenAI دوباره همه رو شگفت‌زده کرده! مدل جدیدشون به اسم o1 اومده و داره مرزهای هوش مصنوعی رو جابجا می‌کنه. این مدل با یه ویژگی خاص طراحی شده: قبل از جواب دادن، مثل انسان‌ها فکر می‌کنه!

بذارید از عملکرد خیره‌کننده‌ش بگم:

1️⃣ تو مسابقات برنامه‌نویسی Codeforces، o1 از 89٪ رقبای انسان بهتر عمل کرده! این یعنی تو کدنویسی داره حرفه‌ای‌ها رو هم پشت سر میذاره.

2️⃣ تو المپیاد ریاضی آمریکا (AIME 2024)، o1 تونسته 83.3٪ سوال‌ها رو درست جواب بده. مقایسه‌ش با GPT-4 که فقط 13.4٪ رو درست زده بود نشون میده چقدر پیشرفت کرده!

3️⃣ حتی تو سوالات سطح دکترا هم عالی عمل کرده:

شیمی: o1 64.7٪ vs. GPT-4 40.2٪
فیزیک: o1 92.8٪ vs. GPT-4 59.5٪
زیست‌شناسی: o1 69.2٪ vs. GPT-4 61.6٪
4️⃣ تو آزمون‌های استاندارد هم حسابی درخشیده:

LSAT (آزمون ورودی حقوق): o1 95.6٪ vs. GPT-4 69.5٪
AP Calculus (ریاضیات پیشرفته): o1 83.3٪ vs. GPT-4 71.3٪
5️⃣ تو معیارهای تخصصی هوش مصنوعی هم پیشتاز بوده:

MATH: o1 94.8 vs. GPT-4 60.3
MathVista: o1 73.2 vs. GPT-4 63.8
MMLU: o1 92.3 vs. GPT-4 88.0
اما راز موفقیت o1 چیه؟ OpenAI میگه این مدل از تکنیک‌های یادگیری تقویتی استفاده می‌کنه تا یاد بگیره چطور مثل انسان‌ها فکر کنه. یعنی قبل از جواب دادن، یه زنجیره طولانی از افکار رو طی می‌کنه - درست مثل وقتی که ما با یه سوال سخت روبرو میشیم!

جالب‌تر اینکه، هر چقدر بیشتر به o1 اجازه فکر کردن بدیم، نتایجش بهتر میشه. این نشون میده که مدل داره واقعاً یاد می‌گیره چطور مسائل پیچیده رو حل کنه.

البته OpenAI میگه هنوز کار داره تا o1 به راحتی مدل‌های فعلی قابل استفاده بشه، اما یه نسخه اولیه رو برای ChatGPT و کاربران API منتشر کرده.

این پیشرفت‌ها نشون میده که هوش مصنوعی داره به سرعت به سطح تفکر انسانی نزدیک میشه. آینده AI واقعاً هیجان‌انگیزه! 🤖🧠💡

نظرتون چیه؟ فکر می‌کنید این پیشرفت‌ها چه تأثیری روی آینده کار و زندگی ما خواهد داشت؟ 🤔

یه پیچ جالب تو داستان هست که شاید از چشم خیلی‌ها دور مونده باشه!

دوستان، OpenAI تصمیم گرفته "زنجیره فکر" مدل o1 رو مخفی نگه داره. این یعنی چی و چرا مهمه؟ بیاین باهم بررسی کنیم:

1️⃣ کنترل بیشتر: این نشون میده OpenAI داره به سمت کنترل بیشتر روی تکنولوژیش میره. یادتونه زمانی که همه چیزشون open source بود؟ حالا انگار اوضاع فرق کرده!

2️⃣ جلوگیری از سوءاستفاده: از یه طرف، پنهان کردن زنجیره فکر میتونه به OpenAI کمک کنه جلوی سوءاستفاده‌های احتمالی رو بگیره. مثلاً میتونن مطمئن بشن که مدل قصد دستکاری کاربر رو نداره.

3️⃣ کاهش شفافیت: اما این کار شفافیت رو کم می‌کنه. ما به عنوان کاربر نمی‌تونیم دقیقاً بفهمیم AI چطور به جوابش رسیده. این برای محققان و منتقدان نگران‌کننده‌ست.

4️⃣ آزادی فکر AI: جالب‌تر اینکه، OpenAI میگه نمی‌خواد هیچ سیاستی رو روی زنجیره فکر اعمال کنه. یعنی می‌خوان "ذهن خام" AI رو ببینن، حتی اگه با ارزش‌های ما همخونی نداشته باشه!

5️⃣ تعادل بین شفافیت و رقابت: اینکه فقط یه خلاصه از زنجیره فکر رو نشون میدن، نشون میده دارن بین شفافیت و مزیت رقابتی تعادل برقرار می‌کنن.

اما یه نکته مهم‌تر هست که باید بهش توجه کنیم:

6️⃣ مزیت رقابتی، اسم رمز بازی: شاید دلایلی که OpenAI میگه فقط یه پوشش باشه. واقعیت اینه که اگه زنجیره افکار رو نشون ندن، رقبا نمی‌تونن ازش برای جمع‌آوری داده‌های با کیفیت و ساخت مدل‌های مشابه استفاده کنن.

7️⃣ تأثیر بر جامعه open source: این کار می‌تونه جلوی پیشرفت سریع جامعه open source در هوش مصنوعی رو بگیره. یادمون باشه که استفاده از مدل‌های برتر برای تولید داده‌های مصنوعی با کیفیت، یکی از دلایل اصلی پیشرفت سریع این جامعه بوده.

حالا سوال اینجاست: آیا این رویکرد درسته؟ 🤔

از یه طرف، این استراتژی می‌تونه به پیشرفت سریع‌تر OpenAI کمک کنه. اما از طرف دیگه، ممکنه باعث بشه جامعه علمی و عموم مردم کمتر بتونن روی توسعه AI نظارت داشته باشن و شکاف بین شرکت‌های بزرگ و جامعه open source بیشتر بشه.

به نظر من، ما باید مراقب باشیم. درسته که پیشرفت مهمه، اما شفافیت و اخلاق هم همینطور. شاید وقتشه که ما به عنوان جامعه، یه گفتگوی جدی در مورد اینکه چطور می‌خوایم AI توسعه پیدا کنه، داشته باشیم.

نظر شما چیه؟ فکر می‌کنید این رویکرد OpenAI در بلندمدت چه تأثیری روی توسعه AI، جامعه علمی و حتی دموکراتیزه شدن هوش مصنوعی خواهد داشت؟ 🌐🤖

#OpenAI #AI #Ethics #Technology #Future #OpenSource

تا حداکثر دو روز دیگه میتونید از xerac.ir به o1 دسترسی داشته باشید.
به اضافه چندتا قابلیت باحال

تا رسانم بوسه‌ای بر رویِ ماهت یک سحر

نکته جالبی که در مورد openai o1 قابل دیدنه اینه که نسبت به نسخه‌های قبلی بهتر می‌تونه شعر فارسی بگه. نسخه‌های قبلی وزن و عروض رو به خوبی نمی‌تونستند دربیارن ولی o1 در این مورد خیلی بهتره. هر چند کامل نیست و خیلی جاها هم خراب می‌کنه ولی در کل بهتر از یک آدم نرمال می‌تونه شعر بگه و چه بسا o2 یا o3 بتونند فال حافظ و غزل سعدی رو هم بی‌کار کنند. یک نمونه از خروجی‌های شعر o1 رو که هیچ اصلاحی روشون اعمال نشده رو در ادامه می‌فرستم:

آمدی ای صبحِ روشن، از پسِ شامِ سحر
برده‌ای خواب از دو چشمم، با نگاهی خیره سر

شوقِ دیدارِ تو دارم، ای نگارِ نازنین
دل شده آشفتهٔ تو، بی‌قرار و در به در

عشقِ تو آتش‌فشان است، در دلِ دیوانه‌ام
می‌کِشد سودای وصلت، هر نفس سوی خطر

در رهت جان می‌سپارم، ای پری رویِ قمر
تا رسانم بوسه‌ای بر رویِ ماهت یک سحر

با خیالِ وصلِ رویت زنده‌ام در این قفس
چون شکسته بالِ خسته، منتظر بر یک خبر

کاش آید آن زمانی کز لبت نوشم شراب
می‌شود پایان غم‌ها، می‌رسد خورشیدِ بر

عصر هوشمندی


آینده رو چطور می‌بینید؟ سم آلتمن، مدیرعامل OpenAI، در مقاله‌ای از دستاوردهای هوش مصنوعی در آینده‌ای نزدیک می‌گه، آینده‌ای که به گفته‌ی اون پر از ثروت و رفاه برای همه و البته راه حلی برای چالش‌های بزرگ جهان مثل تغییرات اقلیمی هست.
ترجمه کامل مقاله رو در ادامه میتونید بخونید 👇

عصر هوشمندی

در چند دهه‌ی آینده، قادر خواهیم بود کارهایی انجام دهیم که برای پدربزرگ و مادربزرگ‌هایمان مانند جادو به نظر می‌رسید.
این پدیده تازگی ندارد، اما سرعت آن به شکلی بی‌سابقه افزایش خواهد یافت. انسان‌ها در طول زمان به طور چشمگیری تواناتر شده‌اند؛ ما هم‌اکنون می‌توانیم کارهایی انجام دهیم که پیشینیان ما آن را غیرممکن می‌پنداشتند.
ما نه به خاطر تغییرات ژنتیکی، بلکه به دلیل بهره‌مندی از زیرساخت‌های جامعه‌ای که بسیار هوشمندتر و تواناتر از هر یک از ماست، قابلیت‌های بیشتری داریم. در واقع، جامعه با مجموعه دانش و تجربیاتش، همچون یک هوش جمعی پیشرفته عمل می‌کند. نسل‌های پیشین ما چیزهای بزرگی ساختند و به دست آوردند. آنها در ساخت پایه‌های پیشرفت بشری که همه ما از آن بهره می‌بریم، سهیم بودند. هوش مصنوعی به مردم ابزارهایی برای حل مشکلات دشوار خواهد داد و به ما کمک خواهد کرد تا پایه‌های جدیدی به این ساختار اضافه کنیم که خودمان به تنهایی نمی‌توانستیم آنها را کشف کنیم. داستان پیشرفت ادامه خواهد یافت و فرزندان ما قادر خواهند بود کارهایی انجام دهند که ما نمی‌توانیم.
این تحول یک شبه رخ نخواهد داد، اما به زودی می‌توانیم با هوش مصنوعی‌ای کار کنیم که به ما کمک می‌کند دستاوردهای بیشتری نسبت به گذشته داشته باشیم. در نهایت، هر کدام از ما می‌توانیم یک تیم هوش مصنوعی شخصی داشته باشیم، متشکل از متخصصان مجازی در زمینه‌های مختلف که با هم کار می‌کنند تا تقریباً هر چیزی را که می‌توانیم تصور کنیم، خلق کنند. فرزندان ما معلمان مجازی خواهند داشت که می‌توانند آموزش شخصی‌سازی شده در هر موضوعی، به هر زبانی و با هر سرعتی که نیاز دارند، ارائه دهند. می‌توانیم ایده‌های مشابهی را برای مراقبت‌های بهداشتی بهتر، توانایی ایجاد هر نوع نرم‌افزاری و بسیاری موارد دیگر تصور کنیم.
با این توانایی‌های جدید، می‌توانیم به سطحی از رفاه مشترک دست یابیم که امروزه غیرقابل تصور به نظر می‌رسد؛ در آینده، کیفیت زندگی همه می‌تواند از بهترین استانداردهای امروزی فراتر رود. البته، ثروت به تنهایی برای شادی کافی نیست، اما می‌تواند به طور معناداری زندگی مردم در سراسر جهان را بهبود بخشد.
این یک نگاه فشرده به تاریخ بشر است: پس از هزاران سال اکتشافات علمی و پیشرفت‌های فناوری تجمعی، ما یاد گرفته‌ایم چگونه شن را ذوب کنیم، برخی ناخالصی‌ها را به آن اضافه کنیم، آن را با دقت حیرت‌انگیز در مقیاس‌های بسیار ریز به تراشه‌های کامپیوتری تبدیل کنیم، انرژی را از آن عبور دهیم و در نهایت به سیستم‌هایی برسیم که قادر به ایجاد هوش مصنوعی با قابلیت‌های روزافزون هستند.

این ممکن است مهم‌ترین واقعیت درباره کل تاریخ تا به امروز باشد. احتمال دارد که در چند هزار روز آینده به هوش فوق‌العاده پیشرفته دست یابیم؛ شاید بیشتر طول بکشد، اما مطمئنم که به آنجا خواهیم رسید.
چگونه به آستانه‌ی این جهش بزرگ در رفاه رسیده‌ایم؟
در سه کلمه: یادگیری عمیق موفق شد.
در یک جمله: یادگیری عمیق موفق شد و با افزایش مقیاس، به طور منظم پیشرفت کرد، و ما منابع بیشتری به آن اختصاص دادیم.
واقعاً همین است؛ بشریت الگوریتمی را کشف کرد که می‌تواند تقریباً هر نوع داده‌ای را یاد بگیرد. هر چه قدرت محاسباتی و داده‌های بیشتری در دسترس باشد، این الگوریتم در کمک به حل مشکلات دشوار بهتر عمل می‌کند. هر چه بیشتر درباره این موضوع فکر می‌کنم، عظمت تأثیر آن برایم شگفت‌انگیزتر می‌شود.
هنوز چالش‌های زیادی پیش رو داریم، اما نباید اجازه دهیم این چالش‌ها ما را از هدف اصلی منحرف کنند. یادگیری عمیق کارآمد است و ما مشکلات باقی‌مانده را حل خواهیم کرد. نکته‌ی اصلی این است که هوش مصنوعی با افزایش مقیاس بهتر خواهد شد و این منجر به بهبودهای معناداری در زندگی مردم در سراسر جهان خواهد شد.
مدل‌های هوش مصنوعی به زودی به عنوان دستیاران شخصی خودمختار عمل خواهند کرد که وظایف خاصی را برای ما انجام می‌دهند، مانند هماهنگی مراقبت‌های پزشکی. در آینده‌ای نه چندان دور، سیستم‌های هوش مصنوعی آنقدر پیشرفته خواهند شد که به ما در ساخت سیستم‌های نسل بعدی و پیشرفت علمی در همه زمینه‌ها کمک می‌کنند.
فناوری ما را از عصر سنگ به عصر کشاورزی و سپس به عصر صنعتی رساند. از اینجا، پیشرفت به سوی عصر هوشمندی با ترکیبی از قدرت محاسباتی، منابع انرژی و اراده انسان‌ها امکان‌پذیر می‌شود.
برای دسترسی عموم به هوش مصنوعی، باید هزینه‌ی محاسبات را کاهش داده و آن را فراگیر کنیم. این امر نیازمند انرژی و تراشه‌های فراوان است. اگر زیرساخت کافی نسازیم، هوش مصنوعی منبعی بسیار محدود خواهد بود که بر سر آن جنگ‌ها درمی‌گیرد و عمدتاً به ابزاری برای ثروتمندان تبدیل می‌شود.
باید با خردمندی و در عین حال با اعتقاد راسخ عمل کنیم. ظهور عصر هوشمندی تحولی مهم با چالش‌های پیچیده و خطرات بالقوه است. این مسیر بدون چالش نخواهد بود، اما مزایای آن آنقدر عظیم است که وظیفه داریم راهی برای مقابله با خطرات پیش رو پیدا کنیم.
من معتقدم آینده آنقدر درخشان خواهد بود که توصیف آن در حال حاضر دشوار است؛ ویژگی اصلی عصر هوشمندی، رفاه گسترده خواهد بود.
اگرچه این تحول به تدریج رخ خواهد داد، اما دستاوردهای شگفت‌انگیز - مانند حل مشکل تغییرات اقلیمی، ایجاد مستعمره‌های فضایی و کشف قوانین بنیادی فیزیک - در نهایت به امری عادی تبدیل خواهند شد. با هوش تقریباً نامحدود و انرژی فراوان - توانایی تولید ایده‌های بزرگ و قدرت تحقق بخشیدن به آنها - می‌توانیم به دستاوردهای خارق‌العاده‌ای دست یابیم.
با پیشرفت سریع هوش مصنوعی، این نگرانی طبیعی وجود دارد که اگر ماشین‌ها در انجام بسیاری از کارها از ما بهتر شوند، نقش ما چه خواهد بود؟ اما تاریخ نشان داده که انسان‌ها همواره راهی برای سازگاری و یافتن معنا پیدا کرده‌اند. هوش مصنوعی، در کنار چالش‌هایش، فرصت‌های بی‌سابقه‌ای برای افزایش رفاه عمومی فراهم می‌آورد. با خودکارسازی بسیاری از کارهای تکراری، ما فرصت خواهیم داشت تا خلاقیت خود را در زمینه‌های جدیدی به کار بگیریم. انسان‌ها ذاتاً تمایل به خلق و مفید بودن برای یکدیگر دارند، و هوش مصنوعی به ما اجازه می‌دهد این توانایی‌ها را به شکلی بی‌سابقه تقویت کنیم. به عنوان یک جامعه، دوباره در دنیایی رو به گسترش قرار خواهیم گرفت و می‌توانیم بر همکاری‌هایی تمرکز کنیم که برای همه سودمند است.
تصور کنید اگر کسی از صد سال پیش به زمان ما سفر می‌کرد، چقدر از سطح رفاه و فناوری‌های امروزی ما شگفت‌زده می‌شد. بسیاری از مشاغل امروزی ما برای او کاملاً ناآشنا و شاید حتی بی‌معنی به نظر می‌رسید. با این حال، ما امروز نه تنها از این مشاغل جدید استقبال می‌کنیم، بلکه حتی به فکر بازگشت به مشاغل قدیمی مثل فانوس‌افروزی هم نیستیم. به همین ترتیب، صد سال دیگر، نوادگان ما با شگفتی به زندگی امروز ما نگاه خواهند کرد و از سطح پیشرفت و رفاه خودشان حیرت خواهند کرد. آنها احتمالاً مشغول فعالیت‌هایی خواهند بود که برای ما قابل تصور نیست، اما این فعالیت‌ها به آنها اجازه می‌دهد تا از سطح رفاه و کیفیت زندگی بالاتری نسبت به ما بهره‌مند شوند. این چرخه‌ی پیشرفت، نوآوری و افزایش رفاه همچنان ادامه خواهد داشت، و ما در آستانه‌ی یکی از هیجان‌انگیزترین دوره‌های آن قرار داریم.

متن زیر که در مورد جوایز نوبل امسال است شاید بی ربط به متن بالا نباشه
پ.ن: متن زیر بازنویسی پست انتشار یافته در نشریه UnHerd است .
https://unherd.com/newsroom/has-the-nobel-prize-cancelled-physics-and-chemistry/
👇

متن انتشار یافته در نشریه UnHerd در باب موضع جوایز نوبل امسال .

شاید فکر کنید که جایزه نوبل فیزیک به یک فیزیکدان تعلق می‌گیرد. اما امسال اینطور نبود. طبق روال، این جایزه در اوایل هفته گذشته به طور مشترک اهدا شد، اما هر دو برنده، دانشمند کامپیوتر بودند. انگار که مدال طلای دوی ۱۰۰ متر المپیک به یک دوچرخه‌سوار رسیده باشد!

باید گفت که دو برنده جایزه، جفری هینتون و جان هاپفیلد، در رشته خود بسیار برجسته هستند. با این حال، رشته آنها هوش مصنوعی (AI) است، که معمولاً به عنوان شاخه‌ای از فیزیک در نظر گرفته نمی‌شود.

بنابراین، این اتفاق مثل سیلی محکمی به صورت فیزیکدانان بود. اما روز بعد، سیلی دوم هم نثار شیمیدانان شد! جایزه نوبل شیمی نیز به طور غافلگیرکننده‌ای به حوزه علوم کامپیوتر رسید. یکی از سه برنده، دیوید بیکر، سابقه‌ای در بیوشیمی دارد، اما دو نفر دیگر - جان مایکل جامپر و دمیس هاسابیس - از متخصصان برجسته هوش مصنوعی هستند.

آیا این به این معناست که موج بزرگ تبلیغات هوش مصنوعی، نوبل را هم با خود برده است؟ یا اینکه ممکن است اهداکنندگان جایزه معیارهای خود را کمی آسان‌تر کرده‌اند تا دستاورد علمی واقعی را به رسمیت بشناسند؟

برای مورد دوم سابقه هم وجود دارد. سومین جایزه نوبل علمی مربوط به فیزیولوژی یا پزشکی است. با این حال، در سال ۱۹۷۳ این جایزه به سه جانورشناس تعلق گرفت: کارل فون فریش، کنراد لورنز و نیکولاس تینبرگن. توصیف کار آن‌ها روی رفتار حیوانات به عنوان فیزیولوژی یا پزشکی کمی سخت به نظر می‌رسد، بنابراین مشخص است که در آن زمان هم انعطاف‌پذیری وجود داشته است.

به نظر می‌رسد که سطح مشابهی از انعطاف‌پذیری امسال نیز نشان داده شده است. شکی نیست که هاپفیلد و هینتون از بنیانگذاران یادگیری ماشین هستند. آن‌ها شایسته تقدیر هستند، و با توجه به اینکه جایزه نوبلی برای علوم کامپیوتر وجود ندارد، جایزه نوبل فیزیک باید این وظیفه را انجام می‌داد.

در مورد جایزه شیمی، کاری که هاسابیس و جامپر در زمینه استفاده از هوش مصنوعی برای پیش‌بینی ساختار پروتئین‌ها انجام داده‌اند، یکی از هیجان‌انگیزترین تحولات علمی زمانه ماست - آن‌ها نیز شایسته تاج افتخار هستند. با این حال، یک فرد سخت‌گیر ممکن است اعتراض کند که دستاوردهای آن‌ها پیشرفتی برای شیمیدانان است، نه توسط شیمیدانان.

با وجود تمام نبوغ نرم‌افزار AlphaFold آن‌ها، دانشی که برای ما به دست می‌آورد، محصول قدرت پردازش کامپیوتر است، نه الهام انسانی. بنابراین، این یک لحظه "اورکا" نیست، نه سیب افتاده بر سر نیوتن، نه سفر داروین با کشتی بیگل، و نه تفکرات انیشتین در دفتر ثبت اختراع سوئیس. بلکه، این علم از طریق شناسایی الگو به صورت خودکار است - کاری که ماشین‌ها به طور غیرقابل تصوری قدرتمندتر، اما به طور نامحدودی کسل‌کننده‌تر از ذهن انسان انجام می‌دهند.

شاید نکته همین باشد. جوایز نوبل امسال نشانه‌ای از این است که علم انجام شده توسط مغز انسان به حدود طبیعی خود رسیده است. بنابراین، اگر می‌خواهیم پیشرفت بیشتری داشته باشیم، محاسبات باید بار سنگین را به دوش بکشند. ممکن است میوه‌های در دسترس کشف علمی قبلاً چیده شده باشد. اگر چنین باشد، هوش مصنوعی ممکن است نردبانی باشد که برای رسیدن به شاخه‌های بالاتر به آن نیاز داریم.

با این حال، ممکن است عاقلانه باشد که این علم جدید را از علم قدیمی جدا کنیم. بیایید از سیلیکون ولی بخواهیم که یک جایزه نوبل جدید برای علوم کامپیوتر - یا بهتر بگوییم علم توسط کامپیوتر - اختصاص دهد. سپس می‌توانیم جوایز تاسیس شده را برای هدف اولیه آن‌ها نگه داریم. هنوز برای کنار گذاشتن الهام به سبک قدیمی زود است - و در هر صورت، این الهام به تشویق نیاز دارد.

## آیا ربات‌های تسلا فقط عروسک‌های خیمه‌شب‌بازی‌اند؟

مراسم رونمایی We Robot تسلا با خودنمایی نسخه جدید ربات انسان‌نمای آپتیموس همراه بود. این ربات‌ها که در میان جمعیت می‌چرخیدند، نوشیدنی سرو می‌کردند و حتی در ایستگاه مترو قدم می‌زدند، با توانایی صحبت کردنشان همه را متعجب کردند. اما حالا به نظر می‌رسد این نمایش چشمگیر، بیشتر به یک نمایش سرگرم‌کننده شباهت داشته تا رونمایی از یک دستاورد فناوری انقلابی!

بررسی دقیق‌تر ویدئوهای منتشر شده از این رویداد نشان می‌دهد که حرکات آپتیموس چندان هم خودکار نیست. وب‌سایت Jalopnik با اشاره به اینکه یک ربات واقعاً خودمختار باید قادر به واکنش آنی به محرک‌های مختلف و برقراری ارتباط مستقیم با افراد در محیط‌های شلوغ باشد، این سوال را مطرح می‌کند که آیا اصلا شاهد عملکرد مستقل آپتیموس بوده‌ایم؟

ادامه در کامنت ها

کاهش هزینه مدل‌های OpenAI با قابلیت Prompt Caching

شاید متوجه شده باشید که وقتی توی یک مکالمه کلی پیام رد و بدل کردید، هزینه تولید پیام جدید بیشتر میشه. علتش اینه که مدل برای ایجاد هر پاسخ جدید، همه پیام‌های قبلی رو یک دور از اول مرور می‌کنه تا اگر سوالتون به پیام‌های قبلی اشاره‌ای کرده باشه، بتونه به‌درستی اون رو تشخیص بده و پاسخ بده. برای همین تعداد توکن‌های مصرفی و هزینه ایجاد پیام جدید به تدریج بیشتر میشه.
اینجاست که پرامپت کشینگ به کار میاد. با این قابلیت، وقتی توی یک مکالمه طولانی (حدود ۵۰۰ کلمه به بالا) پیام جدید بدید، مدل به مدت ۵ دقیقه کل مکالمه قبلی رو حفظ می‌کنه...این یعنی اینکه اگر مکالمه شما ادامه پیدا کنه و در هر 5 دقیقه حداقل یک پیام بدهید، هزینه مکالمه شما تا 50 درصد کاهش پیدا میکنه.

برای استفاده از این قابلیت نیاز به هیچ کاری نیست و از امروز برای مدل‌های OpenAI مثل GPT-4o-mini ،GPT-4 و GPT 4o در زیرک فعال شده!

لینک لوکیشن محل برگزاری رویداد
پارک فناوری پردیس، آمفی تئاتر ساختمان فن بازار رویداد LevelUP
https://g.co/kgs/iHwUv84