معماران هوش‌مصنوعی؛ برگزیدگان مجله تایم 🔹مجله «تایم» در معرفی چهره سال، به‌جای یک فرد، گروهی با عنوان «معماران هوش مصنوعی» را برگزید؛ افرادی که در حال شتاب‌بخشی به انقلاب صنعتی چهارم و توسعه هوش مصنوعی هستند. 🔹در میان آنها، جنسن هوانگ، مدیرعامل انویدیا، برجسته‌تر است؛ فردی که زیرساخت‌های اصلی انقلاب هوش مصنوعی را فراهم کرده است. 🔹تایم او را مدیری سخت‌گیر و آینده‌نگر معرفی می‌کند که امروز رهبری ارزشمندترین شرکت جهان را بر عهده دارد؛ شرکتی که با تسلط تقریباً کامل بر تراشه‌های پیشرفته هوش مصنوعی، به بازیگری ژئوپلیتیک و دیپلماتیک تبدیل شده است 🔹رقابت هوش مصنوعی به مهم‌ترین میدان رقابت قدرت‌های بزرگ تبدیل شده است. شرکت‌های بزرگ فناوری با سرمایه‌گذاری‌های چندصد میلیارد دلاری، سیاست‌ها و ژئوپلیتیک را تحت تأثیر قرار داده‌اند. 🔹بازیگران این حوزه در سه دسته قرار می‌گیرند: چیپ‌سازان (از جمله انویدیا، AMD، TSMC و ASML)، فراهم‌کنندگان محاسباتی (مانند مایکروسافت، گوگل، آمازون و اوراکل) و سازندگان مدل (اوپن‌ای‌آی، متا، آنتروپیک و دیگران). 🔹تنها در سال ۲۰۲۵، بیش از ۴۷۲ میلیارد دلار در این صنعت هزینه شده؛ سهمی از GDP که با بزرگ‌ترین پروژه‌های تاریخی آمریکا قابل‌مقایسه است. https://donya-e-eqtesad.com/fa/tiny/news-4236660

یک ترفند: یکماه از نسخه اشتراکی جمینی بصورت رایگان استفاده کرده و با nanobanana تصویر بسازید: »»با فیلترشکن قابل تنظیم روی آی پی آمریکا به این لینک بروید: cloud.google.com/gemini-enterprise »»در وسط صفحه روی دکمه Get Started بزنید و به پایین صفحه بروید. »»در پایین صفحه، طرح‌های اشتراکی گوگل را ملاحظه خواهید کرد؛ در بخش Business edition گزینه Start 30-day trial را انتخاب کنید »»نهایتا ایمیلتان را ثبت کنید تا طرح یک ماه رایگان برایتان فعال شود

#آموزش_قدم‌به‌قدم_هوش_مصنوعی فصل سوم جلسه چهارم: شرط‌ها و حلقه‌ها؛ کنترل رفتار برنامه 🔥 امروز وارد مرحله‌ای می‌شیم که برنامه می‌تونه خودش تصمیم بگیره و کارها رو تکرار کنه! در این جلسه با دو ابزار مهم آشنا می‌شیم: 🔹 شرط‌ها (if / else): تصمیم‌گیری 🔹 حلقه‌ها (for): انجام کارهای تکراری 🟢 شرط‌ها (if / else) 📌 مثال ۱ score = 19 if score >= 18:     print("عالی! 👏") else:     print("می‌تونی بهتر هم باشی 🙂") 🔄 حلقه‌ها (for) 📌 مثال ۲ for i in range(5):     print("سلام! این پیام شماره:", i) 🎁 تمرین امروز: «ربات انتخاب هدیه» 📌 یک لیست از علایق دوستت بساز interests = ["کتاب", "فوتبال", "بازی"] 📌 سپس با شرط تصمیم بگیر چه هدیه‌ای مناسب است if "فوتبال" in interests:     print("هدیه پیشنهادی: توپ ⚽️") elif "نقاشی" in interests:     print("هدیه پیشنهادی: مدادرنگی 🎨") else:     print("هدیه پیشنهادی: کارت هدیه 🎁") 📌 حالا با حلقه، علایق را یکی‌یکی چاپ کنیم for item in interests:     print("دوستت علاقه داره به:", item)

♨️ادغام تاریخی: ابزارهای ادوبی اکنون در ChatGPT قابل استفاده‌اند 🔹ادوبی مجموعه‌ای از ابزارهای محبوب خود شامل Photoshop، Adobe Express و Acrobat را مستقیماً در محیط ChatGPT در دسترس قرار داده است. 🔹کاربران اکنون می‌توانند تنها با وارد کردن فرمان متنی، ویرایش تصویر، طراحی گرافیکی و مدیریت فایل‌های PDF را بدون خروج از محیط گفتگو انجام دهند. 🔹این قابلیت فعلا برای کاربران ChatGPT در دسکتاپ، وب و iOS فعال شده است. البته نسخه Express برای اندروید نیز در حال فعال‌سازی است و ادوبی وعده داده به‌زودی پشتیبانی کامل برای Photoshop و Acrobat روی Android را نیز فراهم می‌کند. ♨️چگونه این قابلیت را فعال کنیم؟ ▪️وارد chatgpt.com شوید ▪️روی پروفایل کلیک کرده و به بخش تنظیمات بروید ▪️وارد گزینه apps and connectors شوید, در بین ابزارهای پیشنهاد شده, Adobe Photoshop را انتخاب کرده و connect را بزنید ▪️حالا تب جستجو را باز کرده و روی علامت + بزنید.در بخش More گزینه Adobe Photoshop در دسترس خواهد بود

#آموزش_قدم‌به‌قدم_هوش_مصنوعی فصل سوم قسمت 5: آشنایی کامل با کتابخانه‌های مهم هوش مصنوعی + اولین کدنویسی‌های جدی! در دنیای هوش مصنوعی، پایتون یک زبان فوق‌العاده قدرتمند است… اما چیزی که پایتون را تبدیل به سلطان هوش مصنوعی می‌کند، کتابخانه‌های آن هستند! امروز با سه کتابخانه اصلی آشنا می‌شیم و اولین تحلیل داده واقعی‌مون را انجام می‌دیم 🤖🔥 🔸کتابخانه NumPy — قلب محاسبات هوش مصنوعی کتابخانه NumPy مثل یک ماشین‌حساب فوق سریع عمل می‌کنه. هوش مصنوعی پشت صحنه از هزاران عدد (ماتریس) استفاده می‌کنه، و NumPy این محاسبات را برق‌آسا انجام می‌دهد ⚡️ 📌 نصب و وارد کردن NumPy در گوگل کولب فقط کافیه بنویسی: import numpy as np 📌 ساخت آرایه (Array) import numpy as np numbers = np.array([1, 2, 3, 4]) print(numbers) 📌 چند عملیات مهم: print(numbers + 10)      # جمع print(numbers * 2)       # ضرب print(np.mean(numbers))  # میانگین print(np.max(numbers))   # بزرگ‌ترین مقدار ⭐️ چرا مهمه؟ چون تمام مدل‌های هوش مصنوعی روی ماتریس‌ها کار می‌کنن و NumPy استاد ماتریس‌هاست. 🔸کتابخانه Pandas — استاد سامان‌دهی و تحلیل داده‌ها وقتی یک فایل داده داری (مثل نمرات دانش‌آموزان، قد/وزن، قیمت طلا و…)، کتابخانه pandas کمک می‌کنه مثل اکسل سریع‌تر اونو مدیریت کنی 📊🐼 📌 وارد کردن pandas import pandas as pd 📌 ساخت یک دیتاست ساده data = {     "نام": ["علی", "سارا", "مهدی"],     "سن": [15, 16, 15],     "نمره": [18, 19, 17] } df = pd.DataFrame(data) print(df) 📌 خواندن یک فایل CSV df = pd.read_csv("sample.csv") df.head()   # نمایش ۵ ردیف اول 📌 عملیات مهم: print(df.describe())      # خلاصه آماری print(df["نمره"].mean())  # میانگین نمره‌ها print(df[df["سن"] > 15])  # فیلتر کردن 🔸کتابخانه Matplotlib — نقاش داده‌ها قبل از ساخت مدل هوش مصنوعی، باید داده را ببینیم. کتابخانه Matplotlib کمک می‌کند نمودار رسم کنیم و الگوها را بفهمیم 🎨📈 📌 وارد کردن matplotlib import matplotlib.pyplot as plt 📌 رسم یک نمودار ساده x = [1, 2, 3, 4] y = [10, 20, 15, 25] plt.plot(x, y) plt.title("نمودار نمونه") plt.xlabel("X") plt.ylabel("Y") plt.show() 📌 نمودار میله‌ای plt.bar(["علی", "سارا", "مهدی"], [18, 19, 17]) plt.title("نمرات دانش‌آموزان") plt.show() 🔷 تمرین اصلی: تحلیل یک دیتاست واقعی 🔍 این تمرین دانش‌آموز را برای اولین پروژه‌های هوش مصنوعی آماده می‌کند. 📌 دیتاست نمونه (می‌تونی در کولب بسازی) import pandas as pd data = {     "روز": ["شنبه", "یکشنبه", "دوشنبه", "سه‌شنبه", "چهارشنبه"],     "دانش‌آموزان حاضر": [28, 30, 27, 29, 31] } df = pd.DataFrame(data) df 📌 تحلیل داده print("میانگین حضور:", df["دانش‌آموزان حاضر"].mean()) print("بیشترین حضور:", df["دانش‌آموزان حاضر"].max()) 📌 رسم نمودار import matplotlib.pyplot as plt plt.plot(df["روز"], df["دانش‌آموزان حاضر"]) plt.title("میزان حضور دانش‌آموزان در هفته") plt.xlabel("روز") plt.ylabel("تعداد") plt.show() 🔥 این بخش برای اولین بار به دانش‌آموز نشون می‌ده که می‌تونه داده‌های واقعی رو بخونه، تحلیل کنه و نتیجه رو به شکل گراف ببینه. این یعنی ورود رسمی به دنیای Data Science 🌟

مرکز نوآوری صنایع سرگرمی دانشگاه اصفهان یک کارگاه آنلاین با عنوان «صفر تا صد سوپرماریو در صد دقیقه» برگزار کرده که ویدئوی آن بصورت رایگان در کانال تلگرامی https://t.me/uicvgame در دسترس است

🔻انویدیا، چیپ‌های AI خود را در سراسر جهان «ردیابی» می‌کند 🔹شرکت انویدیا (Nvidia)، تولیدکننده اصلی تراشه‌های هوش مصنوعی، در واکنش به گزارش‌هایی مبنی بر قاچاق این قطعات گران‌قیمت به کشورهایی مانند چین، یک نرم‌افزار آزمایشی برای ردیابی موقعیت مکانی تراشه‌های خود توسعه داده است. 🔹بر اساس گزارش‌ها، این فناوری قادر است از طریق عملکرد محاسباتی و اندازه‌گیری تأخیر (Latency) در ارتباط بین سرورها، کشور میزبان تراشه را شناسایی کند. 🔹 انویدیا گفته تاکنون شواهدی مبنی بر قاچاق تراشه‌های نسل جدید خود (Blackwell) نیافته است

چهل هزار ابزار AI در یک کلیک ▪️وب‌سایت «There's An AI For That» به اختصار (TAAFT) یک مرجع و راهنمای جامع برای شناسایی ابزارهای جدید هوش مصنوعی به شمار میرود. ▪️این پلتفرم در واقع بزرگترین و سازمان‌یافته‌ترین کاتالوگ ابزارهای AI در جهان است که ماموریت اصلی آن یافتن ابزار مناسب هوش مصنوعی برای هر کاری است که در ذهن کاربر باشد. ▪️نقطه قوت اصلی TAAFT در مقیاس فعالیت آن نهفته است. این سایت بیش از ۴۳ هزار ابزار هوش مصنوعی را فهرست کرده که در قالب بیش از ۱۱ هزار وظیفه  و بیش از ۵ هزار شغل  دسته‌بندی شده‌اند. ▪️از تولید متن و تصویر و موسیقی گرفته تا بهینه‌سازی موتورهای جستجو، اتوماسیون وظایف اداری و حتی دستیارهای حقوقی و پزشکی، تقریباً برای هر نیازی می‌توان یک راه‌حل در این پایگاه داده پیدا کرد. https://theresanaiforthat.com/

از شناسایی هویت تا رصد شبکه‌ها: سه فناوری که OSINT را برای FBI متحول کردند 🔹اداره تحقیقات فدرال آمریکا (FBI) به‌طور گسترده از سه ابزار تجاری Clearview AI، Babel Street و ZeroFox برای اجرای عملیات اطلاعات منبع‌باز (OSINT) خود بهره گیری میکند؛ ابزارهایی که یک نهاد فدرال نظارتی آن‌ها را «قادر به جمع‌آوری داده‌های بسیار حساس» توصیف کرده است. 🔹این سه سامانه، رویکرد اداره تحقیقات فدرال نسبت به OSINT را متحول کرده‌اند؛ به شکلی که اکنون FBI می‌تواند هویت‌ها را شناسایی، ارتباطات را ترسیم و فعالیت‌های گسترده آنلاین را در مقیاس بزرگ و با سرعتی بی‌سابقه پایش کند. http://osint.ir/7855

#آموزش_قدم‌به‌قدم_هوش_مصنوعی فصل سوم 🔵 قسمت 6: مفهوم مدل‌سازی در یادگیری ماشین (با کدنویسی واقعی) تا اینجا یاد گرفتیم با پایتون داده بسازیم و تحلیل کنیم 📊 حالا وقتشه به برنامه‌مون قدرت فکر کردن و پیش‌بینی بدیم 🤖🧠 🔸 مدل یعنی چی؟ مدل یعنی برنامه‌ای که: * از داده‌های قبلی یاد می‌گیره * بعد می‌تونه برای داده‌های جدید پیش‌بینی انجام بده مثال ساده: اگر بدونیم: * ۲ ساعت مطالعه → نمره ۱۲ * ۴ ساعت مطالعه → نمره ۱۶ مدل یاد می‌گیره هرچی بیشتر درس بخونیم، نمره بالاتر می‌ره 📈 🔸 ورودی و خروجی مدل در این درس: * ورودی (Input): ساعت مطالعه * خروجی (Output): نمره امتحان 🔸 ساخت اولین مدل هوش مصنوعی با پایتون 1️⃣ وارد کردن کتابخانه‌ها import numpy as np from sklearn.linear_model import LinearRegression 2️⃣ ساخت دیتاست آموزشی # ساعت مطالعه hours = np.array([1, 2, 3, 4, 5]).reshape(-1, 1) # نمره‌ها scores = np.array([10, 12, 14, 16, 18]) print(hours) print(scores) 3️⃣ ساخت و آموزش مدل model = LinearRegression() model.fit(hours, scores) print("مدل آموزش دید ✅") اینجا مدل تلاش می‌کنه رابطه بین ساعت مطالعه و نمره رو یاد بگیره. 4️⃣ پیش‌بینی برای داده جدید new_hours = np.array([[6]]) predicted_score = model.predict(new_hours) print("نمره پیش‌بینی‌شده برای ۶ ساعت مطالعه:", predicted_score[0]) 🎯 یعنی اگر دانش‌آموز ۶ ساعت درس بخونه، مدل نمره حدودی رو حدس می‌زنه. 🔸 دیدن نتیجه مدل به‌صورت تصویری 📊 import matplotlib.pyplot as plt plt.scatter(hours, scores) plt.plot(hours, model.predict(hours)) plt.xlabel("ساعت مطالعه") plt.ylabel("نمره") plt.title("مدل پیش‌بینی نمره") plt.show() 🔍 نقطه‌ها داده‌های واقعی هستن 📈 خط، تصمیم مدل هوش مصنوعی 🔥 چرا این درس خیلی مهمه؟ چون: * این اولین مدل واقعی یادگیری ماشین شماست * پایه تمام پروژه‌های بزرگ AI از همین جا ساخته می‌شه * از اینجا به بعد فقط نوع داده و مدل تغییر می‌کنه

یک کاربر یهودیِ پلتفرم ایکس نوشته : کاش هیچوقت به مسلمانان اینترنت نمی‌دادند! کاربر دیگری در پاسخ او نوشته: «همین الگوریتم اصلی که این سایت را مدیریت میکند از یک ریاضیدان مسلمان ایرانی به اسم خوارزمی الهام گرفته شده»

برنامۀ سری چین در نبرد تراشه‌ها 🔹چین در یک آزمایشگاه فوق‌امنیتی در شنژن، موفق شده نمونۀ اولیه ماشینی بسازد که توانایی تولید پیشرفته‌ترین تراشه‌های نیمه‌هادی مورد استفاده در هوش مصنوعی، تلفن‌های هوشمند و تجهیزات نظامی را دارد؛ دستاوردی که آمریکا سال‌ها تلاش کرده از وقوع آن جلوگیری کند. 🔹ظاهرا این نمونۀ اولیه در اوایل سال ۱۴۰۳ تکمیل شده و اکنون در مرحلۀ آزمایش قرار دارد. 🔹این پروژه محرمانه بخشی از تلاش گستردۀ دولت چین برای خودکفایی در صنعت تراشه‌ها است؛ هدفی که در بالاترین سطح اولویت‌های راهبردی این کشور قرار دارد.