💠 اوپن‌اِی‌آی برای نوجوانان «نسخه محافظت‌شده» ChatGPT را راه‌اندازی کرد؛ وقتی هوش مصنوعی وارد مرحله شکل‌دهی رابطه با نسل جدید می‌شود 🔹بر اساس گزارش Qatar Tribune و اعلام رسمی OpenAI، این شرکت از ChatGPT for Teens برای کاربران ۱۳ تا ۱۷ ساله رونمایی کرده است؛ نسخه‌ای که هدف آن صرفاً محدودکردن محتوا نیست، بلکه هدایت نحوه تعامل نوجوانان با هوش مصنوعی در مرحله‌ای از رشد است که AI به ابزار مطالعه، پاسخ‌گویی به پرسش‌های روزمره و حتی «همراهی» تبدیل شده است. این قابلیت از ۱۸ اوت ۲۰۲۶ به‌صورت تدریجی برای حساب‌های واجد شرایط در سراسر جهان عرضه شده است. ▫️ حفاظت‌های ویژه: محدودسازی محتوای حساس، از جمله محتوای جنسی و عاشقانه، خشونت گرافیکی، رفتارهای پرخطر و برخی محتوای مرتبط با اختلالات خوردن و آسیب به خود. همچنین مدل نباید به نوجوان القا کند که دارای احساسات شخصی، آگاهی یا رابطه عاطفی با اوست. ▫️ تغییر در نقش آموزشی: ChatGPT برای نوجوانان به سمت پاسخ‌دادن صرف حرکت نمی‌کند؛ ابزارهایی مانند Study Mode، راهنمایی گام‌به‌گام، پرسش‌های پیگیری، آزمون و یادآوری تکالیف برای تقویت فرایند یادگیری در نظر گرفته شده‌اند. ▫️ کنترل والدین: والدین می‌توانند حساب نوجوان را به حساب خود متصل کنند و قابلیت‌هایی مانند Quiet Hours را فعال کنند. در موقعیت‌های محدود و پرخطر نیز امکان دریافت هشدار ایمنی وجود دارد؛ با این حال والدین به محتوای مکالمات نوجوان دسترسی ندارند. ▫️ نکته مهم درباره تشخیص سن: OpenAI الزاماً صرفاً به سن اعلام‌شده کاربر متکی نیست. سیستم Age Prediction با استفاده از سیگنال‌هایی مانند موضوعات گفتگو، زمان و الگوی استفاده و سابقه حساب، احتمال زیر ۱۸ سال بودن کاربر را برآورد می‌کند و در صورت تشخیص، تجربه نوجوان را به‌طور خودکار فعال می‌کند. ▫️ گزارش Qatar Tribune با استناد به مطالعه سال ۲۰۲۵ Common Sense Media می‌گوید بیش از ۷۰ درصد نوجوانان آمریکایی برای نوعی «همراهی» به چت‌بات‌های هوش مصنوعی روی آورده‌اند و نیمی از آنها به‌طور منظم از AI companions استفاده می‌کنند. 🔺وقتی یک نوجوان از چت‌بات برای تکلیف مدرسه، مشاوره روزمره، پرسش‌های شخصی و «همراهی» استفاده می‌کند، AI به بخشی از محیط شناختی و اجتماعی کاربر تبدیل می‌شود. به همین دلیل، ممنوعیت القای احساسات، آگاهی یا رابطه عاشقانه را می‌توان نوعی طراحی ضد وابستگی عاطفی الگوریتمی دانست. از سوی دیگر، Age Prediction یک تحول مهم‌تر در لایه حکمرانی پلتفرم است: سیستم تلاش می‌کند پیش از آنکه کاربر تمام اطلاعات هویتی خود را ارائه کند، از روی رفتار و الگوی تعامل درباره ویژگی مهمی مانند سن او استنباط کند. این یعنی «پروفایل شناختی کاربر» می‌تواند مستقیماً در تعیین نوع الگوریتم، سطح دسترسی و محتوای قابل مشاهده نقش داشته باشد. اگر نوجوانان بخش قابل‌توجهی از یادگیری، جست‌وجو، گفت‌وگو و دریافت توصیه را از طریق AI انجام دهند، طراحی مدل رفتاری این سامانه‌ها از نحوه پاسخ‌گویی و پرسش‌گری تا تشخیص آسیب‌پذیری و مدیریت وابستگی به بخشی از معماری محیط شناختی نسل جدید تبدیل خواهد شد. 🏷 پیوست خبری 🌐 متاکاگ | فراتر از شناخت

💠 ارتش آمریکا به‌دنبال «عامل‌های خودمختار سایبری»؛ دفاع در سرعت ماشین، بدون ساختن سطح حمله جدید 🔹بر اساس گزارش DefenseScoop، ارتش آمریکا در قالب پروژه آزمایشی Project Griffin به‌دنبال ایجاد اکوسیستمی از عامل‌های هوش مصنوعی است که بتوانند داده‌های گسترده حسگرهای شبکه را دریافت کرده و در برابر تهدیدات سایبری، اقدامات دفاعی را به‌صورت خودکار اجرا کنند؛ هدف اصلی، عبور از «سرعت انسانی» در واکنش به حملات سایبری و رسیدن به سرعت ماشین است. ▫️ هسته این طرح، قابلیتی با عنوان Intelligent Response and Orchestration Node (IRON) است که قرار است تهدیدها را شناسایی کرده و در هماهنگی با اپراتور انسانی، و در آینده احتمالاً به‌صورت مستقل، واکنش نشان دهد. ▫️ ارتش آمریکا می‌گوید حجم عظیم داده تولیدشده توسط حسگرهای شبکه، امکان رصد و واکنش سریع توسط تحلیلگران انسانی را محدود کرده است؛ در حالی که بازیگران تهدید نیز به‌طور فزاینده‌ای از هوش مصنوعی برای شناسایی و بهره‌برداری از آسیب‌پذیری‌ها استفاده می‌کنند. ▫️ هزینه توکن به یکی از ملاحظات اصلی تبدیل شده است. ارتش از شرکت‌های فناوری می‌خواهد راهکاری ارائه کنند که در مرحله آزمایشی عملکرد مطلوبی داشته باشد اما هنگام استقرار عملیاتی، هزینه پردازش آن به‌دلیل مصرف گسترده توکن‌ها به شکل غیرقابل‌کنترل افزایش پیدا نکند. ▫️ مسئله دوم، امنیت خود عامل‌ها است. مقامات ارتش هشدار داده‌اند که اگر ده‌ها یا صدها Agent آسیب‌پذیر در شبکه مستقر شوند، مهاجم می‌تواند خود عامل‌های دفاعی را هدف قرار دهد و در نتیجه، سامانه‌ای که برای کاهش سطح تهدید طراحی شده، به بخشی از سطح حمله تبدیل شود. ▫️ سامانه IRON باید بتواند میان تهدید واقعی و هشدار کاذب تمایز ایجاد کند و برای تمام اقدامات خود یک ردپای حسابرسی کامل و خودکار (Automated Audit Trail) ایجاد کند. ▫️ این معماری بر مبنای Zero Trust طراحی می‌شود؛ یعنی شبکه از ابتدا بالقوه آلوده یا در معرض نفوذ فرض می‌شود. همچنین استفاده از Open API و اتصال به نقاط اعمال سیاست (Policy Enforcement Points) مانند سامانه مدیریت Endpoint، از جمله Tychon و Microsoft Defender، در نظر گرفته شده است. ▫️ برای اقدامات خودکار نیز محدودیت‌های انسانی حفظ خواهد شد: مدیران پنتاگون و ارتش می‌توانند Confidence Thresholds را تعیین و تغییر دهند؛ علاوه بر آن، یک Master Kill Switch برای متوقف‌کردن اقدامات خودکار و قابلیت Undo برای بازگرداندن برخی دستورات Agent پیش‌بینی شده است. ▫️ دامنه اقدامات فعلی IRON شامل هفت کارکرد دفاعی است؛ از جمله اعمال موقت محدودیت‌های Firewall و Patch کردن آسیب‌پذیری‌ها. ▫️ پروژه Griffin بخشی از برنامه Army Rapid Development of Cyber Defense Systems (ARDS) است و ارتش اعلام کرده قصد دارد از چند راهکار مختلف برای ساخت دفاع سایبری Agentic استفاده کند. در مرحله بعد، احتمالاً حداکثر هفت شرکت برای ارائه پیشنهاد انتخاب خواهند شد. 🔺در مدل سنتی، AI می‌تواند بگوید «این رفتار مشکوک است» و تحلیلگر انسانی تصمیم بگیرد چه اقدامی انجام شود. اما در معماری IRON، Agent می‌تواند پس از عبور از آستانه اطمینان، مستقیماً Firewall را تغییر دهد، Endpoint را محدود کند یا آسیب‌پذیری را Patch کند. در اینجا سرعت واکنش به خودی خود مزیت نیست؛ کیفیت تصمیم خودکار تعیین‌کننده است. زیرا یک False Positive در سامانه‌ای که صرفاً هشدار تولید می‌کند، ممکن است فقط وقت تحلیلگر را بگیرد؛ اما همان خطا در یک Agent دارای اختیار اجرایی می‌تواند به اختلال واقعی در شبکه نظامی منجر شود. از همین‌جا مسئله «سطح حمله Agentها» اهمیت پیدا می‌کند. هر Agent جدید یک موجودیت نرم‌افزاری دارای دسترسی، API، اعتبارنامه، داده و اختیار عملیاتی است. بنابراین افزایش تعداد Agentها الزاماً به معنای افزایش امنیت نیست؛ ممکن است سطح حمله را به اندازه‌ای افزایش دهد که خود معماری دفاعی به یک هدف جذاب برای مهاجم تبدیل شود. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 مینی دوره Obsidian 💥 ✅ مغز دوم شما 📖 برای امور تحصیلی، پژوهشی، و کاری خودتان 🤖 برای هارنس های شما (مثه Claude Code و Codex) 📉 افزایش بهینه وری و کارایی! #هوش_مصنوعی #آموزش #ابزارها #اورجینال_متاکاگ #انحصاری

1️⃣ ابتدا این اسکیل رو داخل کلاد نصب کنید که مدیرعامل خود Obsidian ساخته و کمک می کنه Claude Cowork یا Claude Code شما راحت تر بتونه با Obsidian تان مچ بشه!

2️⃣ سیستم سنتی فولدربندی ذخیره اطلاعات، ایده های ناب شما رو حبس می کنند! اما قضیه ابسیدین کاملاً متفاوته: 🔶 با فایل Strategic-Insight.md شروع می کنیم (اسم های دیگه هم می تونه داشته باشه) این فایل متنی، بصورت آفلاین در داخل یکی از فولدرهاتون ذخیره شده و کنترل کامل بر مجموعه اطلاعاتی تون میده! وقتی داخل این فایل ]] بزنین و اسم یک فایل متنی markdown دیگه داخل همین فولدر رو بزنین، این دوتا به هم وصل میشن! به این میگن Bidirectional Linking یا اتصال دوجهتی. همین جور که جلو می رین و فایل های مرتبط رو به هم متصل پی کنید، در تب نمای گراف، می تونین تمامی این فایل ها رو در قالب شکلی شبیه به اتصالات مغزی ببینید، یک شبکه ای که سازماندهی خودکار داره! یه بخشی به نام Bases هم داریم برای پرسش از این شبکه و نقشه بندی این اطلاعات خام!

3️⃣ اول برنامه Obsidian رو دانلود کنید. بعد Create a new vault رو بزنید و یه فایل داخل کامپیوتر رو به اون اختصاص بدین. حالا فقط کافیه در Claude Cowork یا Claude Code هم دسترسی به همون فولدر رو بدین تا این دو ابزار به هم متصل بشن و کلاد بتونه فایل هاتون رو بخونه، ویرایش کنه، و فایل های جدید بسازه! 📖 این فایل markdown رو داخل همون فولدر کپی کنید تا داخل محیط Obsidian نمایش داده بشه. این فایل حاوی اطلاعات کاملی درباره این ابزار هست. مثلا یکی از چیزهایی که باید بلد باشین Markdown Syntax هست مثه همین ]] که برای لینک هست یا ## که برای بولد کردن تیترها استفاده میشه. 4️⃣ داخل برنامه رفتین، پیشنهاد میشه از قسمت Appearance و Themes تم برنامه رو شخصی سازی کنین و از قسمت Community Plugins هم چندتا قابلیت بهش اضافه کنین. چیزهای خوبی اونجا پیدا میشه!

5️⃣ اگه خواستین بیشتر در مورد این ابزار یاد بگیرید چی؟! خود شرکت ش که راهنمایی منتشر نکرده اما متاکاگ براتون یک کتاب Obsidian 101 نوشته که ۸۲ صفحه داره! کلمه Obsidian رو در پی وی بفرستین تا اونو دریافت کنین. بعدش اگه این پرامپت شماره یک رو به همراه PDF به Chat GPT یا Claude بدین، براتون کتاب رو ترجمه می کنه (صفحه به صفحه یا بخش به بخش)

6️⃣ اما پیشنهاد خود ما اینه که داخل Chat GPT یا Claude یک Project ایجاد کنید و از این پرامپت دوم به عنوان Instructions و از فایل PDF و Markdown هم به عنوان مرجع استفاده کنید. اینجوری اون هوش مصنوعی تبدیل میشه به معلم تون و به زبون ساده بصورت جلسه ای بهتون مطالب رو یاد میده و حتی کوئیز پایان جلسه هم داریم! ⚠️ فقط هربار خواستین چت (جلسه) جدید باز کنین اولش بگین:

Start session [1]. Here is my progress card:

=== PROGRESS CARD — Obsidian Course ===
[2]

بجای 1 شماره جلسه جدید و بجای 2 هم کارنامه جلسه قبل که آخر جلسه بهتون گفت رو بذارین. 🆔 @MetaCognition 🌐 متاکاگ | فراتر از شناخت

💠 هوش مصنوعی: سکویی به سوی آینده 💥 برنامه ۵ گامی آقای Andrew NG که جزو ۱۰ شخص برتر هوش مصنوعی در جهان هستند!! 🔷 قابل توجه مدیران شرکت ها و سازمان هایی که می خوان کارمندان شون به موج هوش مصنوعی ملحق بشن و بازدهی ها شدید بره بالا!! #هوش_مصنوعی #آموزش #اورجینال_متاکاگ #ابزارها #انحصاری

💎 نمای کلی این طرح 1️⃣ اجرای پروژه های ساده برای این کار دستتون بیاد (با قابلیت ها و محدودیت های هوش مصنوعی بیشتر آشنا بشید) 2️⃣ ایجاد یک تیم داخلی هوش مصنوعی 3️⃣ فراهم سازی آموزش های گسترده هوش مصنوعی برای نیروها 4️⃣ تدوین یک استراتژی هوش مصنوعی (مخصوص شما) 5️⃣ توسعه ارتباطات داخلی و خارجی (ارائه خدمات مبتنی بر هوش مصنوعی به مشتریان و هم چنین گفتگوی نیروها در جهت بهبود عملکرد استفاده از ابزارها)

💎 کتابچه اصلی منتشر شده توسط خود آقای Andrew NG در سال ۲۰۱۸ که خب مطمئنا خیلی از تحولات اخیر دور هست ولی در عین حال همچنان پایه های اون، کاربرد دارن! ما اومدیم یه آپدیت حسابی و اساسی بهش دادیم 👇