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

هدف اصلی ما در زیرک اینه که عموم مردم رو با فناوری‌های جدید هوش مصنوعی بیشتر آشنا کنیم. چرا که قطعاً اتفاقات 2 سال اخیر در هوش مصنوعی ما رو وارد نقطه عطفی از تاریخ کرده. جایی که خیلی از مفاهیمی که بدیهی پنداشته می‌شده و ملکه‌ی ذهن ماست، و در روزمره به هیچ عنوان دلیلی در بازنگری کردن در اون‌ها نمی‌بینیم، دستخوش تغییرات فراوان شده. جایی که خیلی از چهارچوب‌های اساسی که جامعه بشری با اون‌ها کنترل می‌شه، امکان تغییر شگرف پیدا کرده و آینده‌ای رو روبه‌روی ما قرار داده که دیگه ابزار کافی برای فکر کردن به اون نداریم.
در چنین نقطه‌ای از تاریخ باید هر چه سریع‌تر خود را برای تغییرات اساسی و پیاپی آماده کنیم. اولین قدم در این راه از نظر ما، در دسترس قرار دادن فناوری‌های جدید برای همه افراد جامعه است تا هر چه سریع‌تر، هیجان‌هایمان، ترس‌هایمان و امیدهایمان برای این آینده عجیب تبدیل به کانون گفت‌وگوی همه‌ی ما به عنوان یک جامعه شود.


پی‌نوشت ۱: امیدواریم وجود چنین مدل‌هایی خیلی از بهونه‌هامون رو برای مطالعه بهتر و عمیق‌تر بگیره :)
پی‌نوشت ۲: قاعدتاً دو جور می‌شه از این مدل‌ها استفاده کرد، یا برای تحویل لحظه آخری تمرین‌ها (که واقعاً توصیه نمی‌شه، خیلی حیفه که از این همه توان برای همچین کاری استفاده کرد؛ برای تنبلی در حل تمرین همون روش‌های کلاسیک رو پیشنهاد می‌کنیم :) )، یا به عنوان یک دوست خوب که خیلی می‌تونی توی توضیح موارد سخت و ایده برای حل مسائل مختلف ازش کمک بگیرید. تازه هیچ وقت هم قضاوتمون نمی‌کنه :)
پی نوشت ۳: در هنگام استفاده از این مدل‌ها همیشه باید حواستون باشه که می‌تونن خیلی متقاعد کننده چرت و پرت بگن. و فارغ از این که چند بار با حل دقیق مسائل سخت شگفت‌زده می‌کنن شما رو، نباید این نکته رو هیچ وقت فراموش کنید
پی نوشت۴:همچنان فکر کردن این مدل ها در زبان انگلیسی بهتره ولی پرسیدن سوال سخت در فارسی هم مانعی نداره.
پی نوشت۵: مدل های خانواده o1 رو در زیرک میتونید زیر قسمت خاص منظوره ها پیدا کنید.
Xerac.ir