🖤 روایت وداع؛ سهم من از ثبت یک خاطره ماندگار گاهی یک قاب، یک جمله، یک خاطره یا حتی یک حس کوتاه، در دل انسان می‌ماند و به بخشی از حافظه جمعی یک ملت تبدیل می‌شود. رویداد «روایت وداع» فرصتی است برای ثبت و بازآفرینی روایت‌های مردمی از مراسم تشییع؛ این‌بار با کمک ابزارهای هوش مصنوعی. اگر عکس، فیلم، خاطره، دل‌نوشته یا حسی از این روز در دل دارید، آن را با استفاده از ابزارهای هوش مصنوعی به متن، تصویر، ویدیو یا یک روایت ترکیبی تبدیل کنید و برای ما بفرستید. 📌 قالب آثار: متن | تصویر | ویدیو | ترکیبی ⏳ زمان ارسال: هم‌زمان با مراسم تشییع و تا ۷ روز پس از آن 🎁 جوایز نفیس برای آثار برگزیده 📣 انتشار آثار منتخب در کانال حکمرانی هوشمند برای ارسال اثر، رمزینه درج‌شده در پوستر را اسکن کنید یا از طریق لینک زیر فرم ارسال اثر را تکمیل نمایید: https://deepform.ir/s/ff4e79 همچنین می‌توانید با مراجعه به کانال حکمرانی هوشمند به آدرس @AIGovernance در سکوهای ایتا، بله و روبیکا، لینک فرم را دریافت کنید. #روایت_وداع #حکمرانی_هوشمند #هوش_مصنوعی #روایت_مردمی 🆔 @AIGovernance

🚀 مدارس هوش مصنوعی ۷۵,۰۰۰ دلاری! ثروتمندان آمریکا چگونه فرزندان خود را برای عصر جدید آماده می‌کنند؟ ❌ آموزش سنتی در بحران: در حالی که مدارس معمولی هنوز نمی‌دانند چطور با پدیده هوش مصنوعی مواجه شوند و دانش‌آموزان معمولاً از AI فقط برای تقلب در تکالیف استفاده می‌کنند (که طبق تحقیقات باعث افت ۲۴ درصدی نمرات امتحانات نهایی شده!)، طبقه ثروتمند آمریکا مسیر متفاوتی را انتخاب کرده است. 🏫 ظهور مدارس مبتنی بر هوش مصنوعی: بر اساس گزارش وال‌استریت ژورنال، خانواده‌های ثروتمند و فعالان حوزه فناوری (به‌ویژه در نیویورک و سیلیکون‌ولی) در حال فرستادن فرزندان خود به مدارس خصوصی ویژه‌ای مانند "Alpha School" هستند. در این مدارس: 🔹 شهریه سالانه به ۷۵ هزار دلار می‌رسد. 🔹 خبری از معلمان سنتی نیست؛ به جای آن‌ها «راهنماها» یا «کوچ‌ها» با حقوق‌های شش‌رقمی حضور دارند. 🔹 دانش‌آموزان روزانه ۲ ساعت با یک سیستم هوش مصنوعی اختصاصی آموزش می‌بینند که میزان تعامل، اشتیاق و یادگیری آن‌ها را به صورت لحظه‌ای تحلیل کرده و درس‌ها را بر اساس نیاز هر کودک شخصی‌سازی می‌کند. مابقی روز به کارگاه‌های پروژه‌محور و مهارت‌های زندگی اختصاص دارد. 📈 توسعه سریع این مدارس: مدرسه آلفا تنها در سال گذشته ۸ شعبه جدید در شهرهای بزرگ افتتاح کرده و قرار است به زودی ده‌ها شعبه دیگر نیز راه‌اندازی کند. چهره‌های سرشناسی مانند بیل اکمن (میلیاردر معروف) از حامیان این نوع آموزش هستند. ⚖️ شکاف طبقاتی یا آینده آموزش؟ با اینکه هوش مصنوعی به خودی خود می‌تواند به عنوان یک معلم خصوصیِ ۲۴ ساعته و ارزان در دسترس همگان باشد، اما یادگیریِ "نحوه استفاده درست و هوشمندانه" از آن، مهارتی است که فعلاً مدارس گران‌قیمت در حال آموزش آن هستند. این موضوع زنگ خطری را برای افزایش شکاف آموزشی و اقتصادی در عصر هوش مصنوعی به صدا درآورده است. 🍂@NeuronRC

📢 فرصت همکاری در مؤسسه تحقیقات پیشرفته هوش مصنوعی نورون برای توسعه تیم خود، به دنبال یک همکار توانمند، مسئولیت‌پذیر و پیگیر در جایگاه زیر هستیم: کارشناس عملیات محصول و توسعه بازار Product Operations & Growth Specialist مسئولیت‌های اصلی: • کنترل کیفیت و تست کاربردی محصولات نرم‌افزاری • پاسخ‌گویی و پشتیبانی سطح اول مشتریان • پیگیری امور، جلسات و فعالیت‌های تیم • مدیریت کانال‌ها و شبکه‌های اجتماعی محصولات • آماده‌سازی و اجرای فعالیت‌های تبلیغاتی و بازاریابی • توسعه ارتباط با دانشگاه‌ها، پژوهشکده‌ها و مراکز نوآوری • ثبت و پیگیری سرنخ‌های فروش و بازخورد مشتریان شرایط مورد انتظار: • حداقل ۲ سال سابقه مرتبط • روابط عمومی و توانایی پیگیری بالا • منظم، دقیق، مسئولیت‌پذیر و دارای روحیه یادگیری • آشنایی با محصولات دیجیتال، بازاریابی و ارتباط با مشتری • توانایی کار تیمی و مستندسازی فعالیت‌ها 📍 محل فعالیت: تهران، دانشگاه صنعتی امیرکبیر 📩 متقاضیان می‌توانند رزومه خود را از طریق آیدی @NeuronRCA ارسال کنند. مؤسسه تحقیقات پیشرفته هوش مصنوعی نورون 🍂@NeuronRC

🔹پایان یک بدرقه؛ آغاز راهی که مقصدش قله‌های پیشرفت است پیکر رهبر شهید بدرقه شد، اما راه او در دل نسل جوان ادامه دارد؛ راهی که از اشک آغاز می‌شود و با ایمان، تلاش و امید به آینده به قله می‌رسد. رهبرشهید انقلاب: اگر جوان‌ها با انگیزه و همّت وارد کار بشوند، همّت کنند و دنبال کار را بگیرند، هیچ کارِ نشدنی‌ای وجود ندارد. آن جا‌هایی هم که زیرساخت در کشور ندارد، می‌شود آن زیرساخت را به‌تدریج ایجاد کرد. همین پیشرفت‌هایی که امروز در بخش‌های مختلف مشاهده میکنید، هیچ کدام زیرساخت ملّی نداشته. #روایت_وداع #حکمرانی_هوشمند #هوش_مصنوعی 🆔 @AiGovernance

🚀«دیپ فرم»؛ دستاوردی بومی در حوزه فرم، آزمون و تحلیل هوشمند داده 📝 سامانه دیپ فرم با هدف پاسخ‌گویی به نیاز سازمان‌ها، دانشگاه‌ها، مراکز درمانی، شرکت‌ها و صنایع در زمینه طراحی فرم و آزمون، جمع‌آوری داده، تحلیل پاسخ‌ها و تهیه گزارش‌های مدیریتی توسعه یافته است. 🤖 این پلتفرم فارسی، علاوه بر مدیریت فرم‌ها، پرسشنامه‌ها، نظرسنجی‌ها و آزمون‌ها، از قابلیت‌های هوش مصنوعی برای تحلیل پاسخ‌های متنی، شناسایی موضوعات اصلی، خلاصه‌سازی داده‌ها و استخراج بینش‌های قابل استفاده بهره می‌برد. 🏛️ این محصول توسط مؤسسه تحقیقات پیشرفته هوش مصنوعی نورون، وابسته به پژوهشکده فناوری سلامت دانشگاه صنعتی امیرکبیر، و با همراهی شتاب‌دهنده فست به‌عنوان بازوی اجرایی پژوهشکده توسعه یافته است. 🎯 به‌منظور ارزیابی میدانی و شناخت نیازهای واقعی مجموعه‌ها، امکان ثبت درخواست بررسی پایلوت اختصاصی دیپ فرم فراهم شده است. 🔗 معرفی محصول و ثبت درخواست: https://dpform.ir/l/general 💜 دیپ فرم؛ از داده تا تصمیم 🍂@NeuronRC

🔹 هوش مصنوعی در کشاورزی؛ انقلابی در تولید یا تهدیدی برای دانش بومی؟ محققان دانشگاه تهران با تلفیق یادگیری ماشین و علوم باغبانی، روشی نوین برای بهینه‌سازی کشت بافت ارکیده «فالانوپسیس» ابداع کرده‌اند که ضمن کاهش هزینه‌ها و زمان تولید، کیفیت و کمیت محصول را افزایش می‌دهد. اما کارشناسان هشدار می‌دهند که وابستگی بیش‌ازحد به مدل‌های هوشمند در کشاورزی، اگر با حفظ دانش تجربی و نظارت انسانی همراه نشود، می‌تواند به تدریج به کاهش مهارت‌های عملی متخصصان و تضعیف دانش بومی کشت منجر شود. 📌 موضوع گزارش بررسی تأثیر استفاده از هوش مصنوعی در بهینه‌سازی کشت بافت گیاهان زینتی بر بهره‌وری تولید، کیفیت علمی پژوهش‌ها و حفظ دانش تخصصی انسانی در حوزه کشاورزی. 🔬 یافته‌های کلیدی 🔻 محققان دانشگاه تهران با همکاری مؤسسات علمی، از مدل‌های یادگیری ماشین برای بهینه‌سازی عناصر غذایی، کیفیت نور، تنظیم‌کننده‌های رشد و شرایط کشت درون‌شیشه‌ای ارکیده فالانوپسیس استفاده کرده‌اند که منجر به افزایش رشد، بهبود ویژگی‌های مورفولوژیک و بیوشیمیایی و کاهش چشمگیر هزینه‌های تولید شده است. 🔻 از این پروژه تاکنون چهار مقاله علمی در مجلات معتبر بین‌المللی مانند Plant Cell, Tissue and Organ Culture و BMC Plant Biology منتشر شده و بستری برای تربیت دانشجویان تحصیلات تکمیلی و انجام پایان‌نامه‌های متعدد در حوزه تکثیر و اصلاح ارکیده فراهم کرده است. 🔻 با وجود این دستاوردها، کارشناسان نسبت به خطر «زوال دانش عملی» هشدار می‌دهند؛ وضعیتی که متخصصان جوان به‌جای تکیه بر تجربه‌های مستقیم کشت، صرفاً به خروجی مدل‌های هوشمند اعتماد کرده و توانایی تشخیص خطاهای محیطی، واکنش به شرایط غیرمنتظره و خلاقیت در اصلاح روش‌های سنتی را از دست می‌دهند. ⚠️ سه چالش اصلی سازمان‌های پژوهشی و کشاورزی 🔸 راستی‌آزمایی مدل‌ها: خروجی الگوریتم‌های یادگیری ماشین نیازمند تأیید تجربی در شرایط واقعی گلخانه و مزرعه است؛ فرایندی که زمان‌بر بوده و بخشی از مزیت بهره‌وری را کاهش می‌دهد. 🔸 کاهش نقش متخصص انسانی: کارفرمایان و مؤسسات پژوهشی ممکن است به‌تدریج ارزش افزوده‌ی دانش تجربی محققان را نادیده بگیرند و صرفاً به مدل‌های عددی تکیه کنند، که این امر می‌تواند به کاهش انگیزه برای یادگیری عمیق علوم پایه و مهارت‌های عملی منجر شود. 🔸 فروپاشی داده‌های آموزشی (Model Collapse): اگر داده‌های تولیدشده توسط مدل‌های قبلی، بدون پالایش انسانی، به‌عنوان ورودی نسل‌های بعدی الگوریتم‌ها استفاده شوند، کیفیت پیش‌بینی‌ها به‌تدریج کاهش یافته و از واقعیت‌های زیستی فاصله می‌گیرد. ✅ راهکارهای پیشنهادی ✔️ منشأ داده‌های ورودی و خروجی‌های مدل‌های هوش مصنوعی به‌صورت شفاف ثبت و امکان بازبینی انسانی برای هر پیش‌نهاد کشت فراهم شود. ✔️ در فرایندهای پژوهشی و تولیدی، ارزش‌گذاری برای مهارت‌های تجربی متخصصان حفظ شده و ارزیابی عملکرد محققان صرفاً بر اساس تعداد مقالات یا پیش‌بینی‌های ماشینی نباشد، بلکه توانایی حل مسئله در شرایط واقعی نیز سنجیده شود. ✔️ پژوهشگاه‌ها و مراکز کشاورزی به‌جای اتکای کامل به مدل‌های عمومی، از سیستم‌های اختصاصی مبتنی بر داده‌های بومی و دانش سنتی کشت خود بهره بگیرند و همیشه یک لایه نظارت انسانی بر فرایندهای تصمیم‌گیری هوشمند حفظ کنند. 📚 منبع: برگرفته از گزارش خبرگزاری صدا و سیما درباره طرح پژوهشی دانشگاه تهران در بهینه‌سازی کشت بافت ارکیده با هوش مصنوعی و تحلیل کارشناسان حوزه کشاورزی و فناوری اطلاعات. 🍂@NeuronRC

🔹 هوش مصنوعی در حسابداری مدیریت؛ تحولگر استراتژیک یا تهدیدی برای دانش مالی؟ با پیچیده‌تر شدن اقتصاد در سال ۱۴۰۵، سازمان‌ها از حسابداری سنتی به سمت حسابداری مدیریت استراتژیک حرکت کرده‌اند. هوش مصنوعی با پردازش کلان‌داده‌ها و پیش‌بینی دقیق جریان نقدی، به بازوی اصلی تصمیم‌سازی مدیران مالی تبدیل شده است. اما کارشناسان هشدار می‌دهند که اتکای بی‌رویه به الگوریتم‌ها، بدون حفظ مهارت‌های تحلیلی انسانی، می‌تواند به «زوال دانش مالی» منجر شود؛ وضعیتی که حسابداران به‌جای تحلیل استراتژیک، صرفاً به خروجی مدل‌ها اعتماد کرده و توانایی تشخیص خطاها، درک بافت اقتصادی و خلاقیت در راه‌حل‌دهی را از دست می‌دهند. 📌 موضوع گزارش بررسی تأثیر استفاده از هوش مصنوعی بر تصمیم‌گیری‌های حسابداری مدیریت، کیفیت تحلیل‌های مالی و حفظ سرمایه‌ی دانشی سازمان‌ها در سال ۱۴۰۵. 🔬 یافته‌های کلیدی 🔻 هوش مصنوعی در حسابداری مدیریت، برخلاف هوش تجاری (BI) که گذشته‌نگر است، با مدل‌های پیشرفته آماری (مانند OLS و ARIMA) و ایجنت‌های هوشمند، آینده‌نگر عمل کرده و پیش‌بینی جریان نقدی، بودجه‌بندی بهینه و هشدارهای نقدینگی را خودکار می‌کند. 🔻 دستیارانی مانند ChatGPT، Claude و Gemini به مدیران مالی امکان می‌دهند بدون نیاز به فرمول‌نویسی، تحلیل مدیریتی دریافت کنند. همچنین ایجنت‌های هوشمند به‌صورت فعالانه انحراف از بودجه را تشخیص داده و شاخص‌های کلیدی عملکرد (KPIs) را کنترل می‌کنند. 🔻 با وجود این مزایا، کارشناسان نسبت به شکل‌گیری چرخه‌ای هشدار می‌دهند که در آن حسابداران به‌جای تفکر تحلیلی، تولید گزارش و حتی بررسی منطق اقتصادی را به هوش مصنوعی واگذار می‌کنند. این روند که نوعی «زوال دانش مالی» نامیده می‌شود، مهارت‌های انسانی را تضعیف کرده و اعتماد به خروجی‌های مالی را کاهش می‌دهد. ⚠️ سه چالش اصلی سازمان‌ها در پیاده‌سازی هوش مصنوعی حسابداری 🔸 راستی‌آزمایی داده‌ها و خروجی‌ها: کیفیت پیش‌بینی‌های هوش مصنوعی کاملاً وابسته به کیفیت داده‌های ورودی است. تشخیص خطاهای آماری و توهمات مدل‌های زبانی نیازمند نظارت انسانی است که بخشی از مزیت بهره‌وری را از بین می‌برد. 🔸 کاهش ارزش افزوده‌ی انسانی: استفاده از مدل‌های عمومی (مانند ChatGPT) برای اطلاعات محرمانه، ریسک امنیتی و اعتباری ایجاد می‌کند. همچنین خروجی‌های تولیدشده توسط هوش مصنوعی، بدون تحلیل انسانی، ممکن است فاقد درک عمیق از بافت کسب‌وکار باشند. 🔸 وابستگی به ابزار و افت توانایی تحلیلی: با حذف تدریجی محاسبات دستی و تحلیل‌های انسانی، مهارت‌های تشخیصی و خلاقیت حسابداران تحلیل رفته و سازمان در بلندمدت به ایجنت‌های هوشمند وابسته می‌شود. ✅ راهکارهای پیشنهادی ✔️ شفاف‌سازی منشأ داده‌ها و تفکیک خروجی‌های تولیدشده توسط انسان و هوش مصنوعی در گزارش‌های مالی. ✔️ حفظ نظارت انسانی بر تمام پیش‌بینی‌ها و تصمیم‌گیری‌های کلان؛ استفاده از هوش مصنوعی به‌عنوان دستیار تحلیلی، نه جایگزین قضاوت حرفه‌ای. ✔️ به‌کارگیری پلتفرم‌های بومی و اختصاصی (مانند مستر اکانت) که به مدل‌های هوش مصنوعی متصل شده و با داده‌های انحصاری سازمان، امنیت و دقت را افزایش دهند. 📚 منبع: برگرفته از گزارش بازرگانی خبرگزاری مهر با عنوان «کاربرد هوش مصنوعی در تصمیم‌گیری حسابداری مدیریت سال ۱۴۰۵» و تحلیل کارشناسان حوزه مالی و فناوری. 🍂@NeuronRC

رژیم صهیونسیتی میلیون‌ها دلار برای تأثیرگذاری بر چت‌بات‌های هوش مصنوعی هزینه می‌کند برد پارسکیل، مدیر سابق کارزار انتخاباتی دونالد ترامپ، هدایت یک پروژه ۴۶.۵ میلیون دلاری دولت اسرائیل را بر عهده دارد که هدف آن تأثیرگذاری بر پاسخ‌های چت‌بات‌های هوش مصنوعی از طریق انتشار صدها مقاله حامی اسرائیل در شبکه‌ای از وب‌سایت‌ها است. این وب‌سایت‌ها عمدتاً برای سیستم‌های هوش مصنوعی طراحی شده‌اند، نه برای مطالعه توسط کاربران انسانی. طبق این گزارش، در متن قرارداد پارسکیل به‌طور صریح هدف «تأثیرگذاری بر گفت‌وگوهای GPT» ذکر شده و تیم او مدعی است که این راهبرد تاکنون نتایج موفقی داشته است. گزارش همچنین ادعا می‌کند که ابزارهای هوش مصنوعی مانند Perplexity، Microsoft Copilot، Gemini و گاهی ChatGPT یا Claude در پاسخ به پرسش‌هایی درباره غزه و روابط آمریکا و اسرائیل، به این وب‌سایت‌ها استناد کرده‌اند. برخی از این چت‌بات‌ها اعلام کرده‌اند که این وب‌سایت‌ها با حمایت مالی دولت اسرائیل اداره می‌شوند، اما برخی دیگر چنین موضوعی را بیان نکرده‌اند. 🍂@NeuronRC

ـ این گزارش نمونه‌ای از LLM Influence Operations یا عملیات تأثیرگذاری بر مدل‌های زبانی است. - این روش به جای هک کردن مدل، تلاش می‌کند با تولید حجم زیادی از محتوای قابل ایندکس، داده‌های مورد استفاده موتورهای جست‌وجو و سامانه‌های بازیابی (RAG) را تحت تأثیر قرار دهد. - میزان موفقیت چنین راهبردی به این بستگی دارد که هر سامانه هوش مصنوعی از چه منابعی برای پاسخ‌گویی استفاده کند و چگونه اعتبار منابع را ارزیابی کند. - این موضوع نشان می‌دهد که در آینده، نبرد اطلاعاتی از سطح شبکه‌های اجتماعی به سمت اکوسیستم هوش مصنوعی و موتورهای پاسخ‌گو نیز گسترش خواهد یافت. 🍂@NeuronRC

🎤 اوپن ای آی راز طبیعی بودن مکالمات صوتی GPT Live را فاش کرد. برخلاف بسیاری از دستیارهای صوتی که منتظر پایان صحبت کاربر می‌مانند، GPT Live به‌صورت هم‌زمان هم به صحبت‌های شما گوش می‌دهد و هم پاسخ می‌دهد؛ بنابراین مکالمه روان‌تر و طبیعی‌تر پیش می‌رود. در همین حین، پردازش‌های سنگین مانند استدلال و اجرای ابزارها در پس‌زمینه انجام می‌شود و یک مدل سریع‌تر مکالمه را ادامه می‌دهد تا مکثی ایجاد نشود. اوپن‌ای‌آی همچنین بخش بزرگی از زیرساخت صوتی خود را با زبان Go بازنویسی کرده و تأخیر را به‌شدت کاهش داده است. به گفته این شرکت، کندترین پاسخ‌های نسخه جدید اکنون به اندازه میانگین پاسخ‌های نسخه قبلی سریع هستند. در مکالمات طولانی نیز بدون اینکه کاربر متوجه شود، به مدلی جدید که از قبل تاریخچه گفت‌وگو را بارگذاری کرده منتقل می‌شود تا مکالمه بدون وقفه ادامه پیدا کند. همچنین پروتکل WARP زمان برقراری اتصال را از ۶ رفت‌وبرگشت شبکه به یک رفت‌وبرگشت کاهش می‌دهد و قابلیت Instant Connect نیز آغاز جلسه را تنها با یک بسته UDP ممکن می‌کند. نتیجه: GPT Live بیش از هر زمان دیگری حس صحبت با یک انسان واقعی را منتقل می‌کند. 🍂@NeuronRC

🔹 هوش مصنوعی حالا می‌تواند ویروس‌های جدید طراحی کند پژوهشی تازه در مجله Science نشان می‌دهد مدل‌های هوش مصنوعی می‌توانند برای طراحی توالی‌های ژنتیکی جدید به کار گرفته شوند؛ فناوری‌ای با ظرفیت علمی بالا و در عین حال ریسک‌های زیستی جدی. 📌 موضوع پژوهش بررسی توانایی هوش مصنوعی در طراحی ویروس‌های جدیدی که بتوانند باکتری‌ها را آلوده کرده و تکثیر شوند. 🔬 روش پژوهش 🔻 پژوهشگران Arc Institute و دانشگاه استنفورد از مدل‌های ژنومی Evo 1 و Evo 2 استفاده کردند. 🔻 این مدل‌ها به‌جای متن، روی حجم عظیمی از توالی‌های ژنتیکی آموزش دیده‌اند. 🔻 آزمایش فقط به ویروس‌هایی محدود شد که باکتری E. coli را آلوده می‌کنند و موارد مرتبط با انسان، حیوانات، گیاهان و قارچ‌ها حذف شدند. ✅ نتیجه پژوهش 🔸 هوش مصنوعی حدود ۷۰۰ هزار طرح احتمالی تولید کرد. 🔸 پژوهشگران ۲۸۵ نمونه را انتخاب کردند. 🔸 در نهایت ۱۶ نمونه توانستند فعالانه تکثیر شوند. 🔸 برخی نمونه‌ها عملکردی هم‌سطح یا بهتر از ویروس مرجع داشتند. ⚠️ چرا مهم است؟ این فناوری می‌تواند به ژن‌درمانی، زیست‌فناوری و مقابله با باکتری‌های مضر کمک کند؛ اما استفاده بدون نظارت از آن می‌تواند ریسک‌های زیستی جدی ایجاد کند. ✔️ پژوهش‌های آینده تمرکز آینده باید بر ایمنی زیستی، کنترل دسترسی، نظارت و چارچوب‌های اخلاقی باشد تا این فناوری در مسیرهای علمی و درمانی باقی بماند. 📚 منبع: Science | Arc Institute | Stanford University | دیجیاتو 🍂@NeuronRC

عامل‌های هوش مصنوعی می‌توانند در گروه‌هایی بزرگ‌تر از مقیاس معمول انسانی به اجماع برسند مقاله‌ای در Science Advances نشان می‌دهد جوامع متشکل از عامل‌های مبتنی بر مدل‌های زبانی، در تصمیم‌های فاقد پاسخ عینی می‌توانند از طریق پیروی از اکثریت به توافق برسند. پژوهشگران دریافتند هر مدل یک «اندازه بحرانی گروه» دارد که پس از عبور از آن، رسیدن به اجماع بسیار دشوار می‌شود. این اندازه با توانایی زبانی مدل افزایش می‌یابد و مدل‌های قوی‌تر در آزمایش‌ها توانسته‌اند در گروه‌هایی بسیار بزرگ، حتی تا حدود هزار عامل، هماهنگ شوند. تحلیل: هماهنگی خودکار می‌تواند در تقسیم کار مفید باشد، اما همین سازوکار ممکن است به هم‌نوایی نادرست، رفتار گله‌ای یا هماهنگی ناخواسته میان سامانه‌ها منجر شود. آزمون ایمنی یک عامل منفرد برای ارزیابی سامانه‌های چندعاملی کافی نیست. سازمان‌ها باید رفتار جمعی، انتشار خطا و احتمال شکل‌گیری اجماع نادرست را نیز ارزیابی کنند. منبع : Science Advances #عامل_هوشمند #سیستم_چندعاملی #ایمنی_هوش_مصنوعی #رفتار_جمعی 🍂@NeuronRC