🗞 ـ چالش‌های جدید Paras Chopra در دنیای هوش مصنوعی
🔘 ـ پاراس چوپرا، بنیان‌گذار Wingify، با تاکید بر اهمیت خلاقیت در هوش مصنوعی، به دنبال تبدیل رویاهای تورینگ به واقعیت است. برنامه اقامتی شش‌هفته‌ای او، Turing’s Dream، برای محققان و برنامه‌نویسان فرصتی بی‌نظیر فراهم کرده تا پروژه‌های هوش مصنوعی خود را توسعه دهند. چوپرا اعتقاد دارد که لن‌‌مدل‌ها (LLMs) در حال حاضر به خلاقیت انسانی دست نیافته‌اند و با استفاده از داده‌های مصنوعی می‌توان بهبودی در سیستم‌ها داشت، اما باید با احتیاط عمل کرد. او همچنین بر اهمیت اخلاق و ایمنی در توسعه این فناوری‌ها تاکید می‌کند و خواهان ایجاد جوامع بیشتری برای علاقه‌مندان به هوش مصنوعی است.
🗞 ـ بهینه‌سازی آموزش مدل‌های زبان بزرگ با روش Frenzy
🔘 ـ پژوهشگران به منظور افزایش کارایی در آموزش مدل‌های زبان بزرگ (LLM) روی خوشه‌های GPU ناهمگون، روش Frenzy را توسعه داده‌اند. این روش به کمک پیش‌بینی مصرف حافظه و بهینه‌سازی زمان‌بندی، تخصیص منابع را به صورت پویا انجام می‌دهد. Frenzy با استفاده از دو ویژگی Memory-Aware Resources Predictor و Heterogeneity-Aware Scheduling، مصرف حافظه را با دقت بالا پیش‌بینی و وظایف را به صورت بهینه بین GPUهای مختلف توزیع می‌کند. آزمایش‌ها نشان داده‌اند که Frenzy دقت پیش‌بینی مصرف حافظه را به بیش از 92% رسانده و زمان‌بندی را ده برابر سریع‌تر از روش‌های سنتی انجام داده است.
🗞 ـ چالش‌های شفافیت و مجوزهای مجموعه‌داده‌های چندرسانه‌ای در توسعه مسئولانه AI
🔘 ـ پیشرفت هوش مصنوعی وابسته به کیفیت و دسترسی به داده‌های آموزشی است، به ویژه با رشد مدل‌های چندرسانه‌ای که به داده‌های متنوعی از متن، صدا و ویدئو نیاز دارند. با این حال، نبود شفافیت در مورد منبع و ویژگی‌های این داده‌ها چالش‌های اخلاقی و قانونی را ایجاد کرده است. مطالعه‌ای توسط تیم تحقیقات "Data Provenance Initiative" نشان داد که اکثر داده‌ها از وب و شبکه‌های اجتماعی مثل YouTube به دست می‌آیند که گاهی با مجوزهای محدودکننده همراه است. این گزارش نیاز به بهبود شفافیت و تنوع جغرافیایی و زبانی در داده‌های AI را برجسته می‌کند.
🔘 ـ در این برنامه، الیسا کوپر از موسسه Knight-Georgetown میزبان گفت‌وگویی با سه کارشناس برجسته درباره راه‌حل‌های مقابله با انحصار جستجوی گوگل بوده است. کریستینا کافارا، اقتصاددان رقابت، کیت برنان، معاون مدیر موسسه AI Now، و دیوید دینلی، وکیل و پژوهشگر مدرسه حقوق دانشگاه ییل، در این نشست حضور داشتند و دیدگاه‌های خود را به اشتراک گذاشتند. این گفتگو به بررسی جوانب مختلف و ارائه راهکارهایی در برابر تسلط گوگل در بازار جستجو پرداخته است.
🗞 ـ تمرکز اتحادیه اروپا بر سیاست صنعتی هوش مصنوعی: تأثیر بر احزاب سبز و چپ‌گرا
🔘 ـ فردریکه کالتونر از AI Now به بررسی تمرکز کمیسیون اروپا بر سیاست صنعتی هوش مصنوعی و تأثیرات آن بر احزاب سبز و چپ‌گرای این قاره پرداخته است. وی تأکید دارد که سیاست‌های جدید می‌تواند نقش این احزاب را در تصمیم‌گیری‌های مربوط به فناوری تقویت کند و به رشد پایدار و عدالت اجتماعی کمک کند. تغییرات پیشنهادی در سیاست‌های هوش مصنوعی فرصتی برای فعال‌سازی نوآوری‌های محیط‌زیستی و حمایت از تکنولوژی‌های سبز ارائه می‌دهد که به نفع این گروه‌ها خواهد بود.
🔘 ـ ابزارهای مدیریت هوش مصنوعی می‌توانند تهدید بالقوه‌ای برای امنیت ملی ایجاد کنند. این ابزارها به دلیل توانایی‌های خود در مدیریت داده‌های حساس و انجام عملیات پیچیده بدون نظارت انسانی، می‌توانند به صورت ناآگاهانه زمینه‌ساز نقض‌های امنیتی شوند. بسیاری از کارشناسان امنیتی هشدار می‌دهند که فقدان قوانین و استانداردهای مناسب برای استفاده و کنترل این فناوری ممکن است منجر به مشکلات جدی در حوزه امنیت ملی شود. از این رو، نیاز به تنظیم مقررات و نظارت دقیق‌تر بر ابزارهای هوش مصنوعی احساس می‌شود.
🗞 ـ مدل جدید بصری علی‌بابا: QvQ برای تقویت استدلال تصویری
🔘 ـ تیم Qwen کمپانی Alibaba مدل آزمایشی جدیدی به نام QvQ-72B-Preview را ارائه کرده است که بر بهبود قابلیت‌های استدلال تصویری متمرکز است. این مدل تحت مجوز Apache2 2 منتشر شده و به کاربران اجازه می‌دهد تا با بارگذاری تصویر و ارائه یک پرسش، پاسخی طولانی دریافت کنند. اگرچه کیفیت نتایج مختلف بوده، اما تأثیر قابلیت‌های مدل جالب توجه است. مدل QvQ در حقیقت ادامه‌ای بر QwQ است که قبلاً معرفی شده و توانایی تحلیل گسترده با دریافت نشانه‌های مختلف را دارد. این مدل اکنون بر روی پلتفرم Hugging Face Spaces در دسترس است و آماده استفاده و ارزیابی توسط کاربران علاقه‌مند است.
🗞 ـ نوآوری AGUVIS در تعامل خودکار با رابط‌های گرافیکی
🔘 ـ رابط‌های گرافیکی کاربر (GUI) اساسی‌ترین بخش در تعامل انسان و کامپیوتر هستند و اتوماسیون در این حوزه می‌تواند بهره‌وری را به طور چشمگیری افزایش دهد. محققان از دانشگاه هنگ کنگ و Salesforce Research چارچوب AGUVIS را معرفی کرده‌اند که با استفاده از مشاهده بصری خالص، بدون نیاز به متون، تعامل با رابط‌های گرافیکی را بهبود می‌بخشد. این روش، با کاهش زمان محاسبه و استفاده از فضای عمل یکپارچه، امکان اجرای موثر وظایف پیچیده را فراهم می‌کند. AGUVIS با دقت بالایی در سناریوهای واقعی تست شده و در مقایسه با مدل‌های پیشین، بهبود چشمگیری را نشان داده است.
🗞 ـ گسترش استفاده از چت‌بات‌های هوشمند در حوزه درمان
🔘 ـ توسعه‌دهندگان AI فرصتی جدید را در چت‌بات‌ها برای ارائه خدمات درمانی یافته‌اند. با گسترش ابزارهای پیشرفته‌ای مثل Google’s Gemini، Meta AI و ChatGPT از OpenAI در دو سال اخیر، نگرانی‌ها درباره جایگزینی این فناوری‌ها به جای نیروی انسانی شدت گرفته است. این فناوری‌ها می‌توانند به عنوان دستیاران مجازی در مشاوره‌های درمانی به کار گرفته شوند و کارایی بالا و دسترسی آسان‌تری را برای عموم امکان‌پذیر کنند.
🔘 ـ مجموعه داده‌های کنونی برای ارزیابی دستیارهای ریاضی مبتنی بر AI، به ویژه LLMها، محدودیت‌هایی دارند. بیشتر بر مسائل ریاضی در سطح کارشناسی تمرکز دارند و از روش‌های ارزیابی دوتایی استفاده می‌کنند که برای تجزیه و تحلیل جامع روش‌های اثبات پیچیده ناکافیست. با پیشرفت‌هایی نظیر AlphaGeometry و Numina که مسائل سطح بالای المپیادها را حل کرده‌اند، نیاز به طراحی دوباره داده‌ها با عناصر جامع‌تر مثل «اثبات‌های محرک» و مراحل واسط در حل مسائل، ضروری است. پژوهشگران بر طراحی داده‌هایی تأکید دارند که نیازهای ریاضیدانان را بهتر نمایش دهد و به مدل‌ها در حل مسائل پیچیده‌تر کمک کند.
🗞 ـ معرفی سیستم ROMAS: انقلاب در نظارت و برنامه‌ریزی پایگاه‌داده با چند عامل
🔘 ـ پژوهشگران Ant Group و JD Group سیستم ROMAS را به عنوان یک سیستم چندعاملی مبتنی بر نقش معرفی کردند که به چالش‌های سیستم‌های MAS سنتی پاسخی نوآورانه می‌دهد. ROMAS با استفاده از چارچوب DB-GPT به تقسیم وظایف بین متخصصان و ایجاد همکاری هدفمند می‌پردازد و امکاناتی چون نظارت برخط بر وظایف و اصلاح خطاها ارائه می‌دهد. نتایج ارزیابی‌ها نشان‌دهنده عملکرد قوی آن در پردازش داده‌های پیچیده و کاهش زمان پردازش است. این ویژگی‌ها ROMAS را به راه‌حلی کارآمد و مقیاس‌پذیر برای نظارت و برنامه‌ریزی پایگاه‌داده در شرایط مختلف تبدیل کرده است.
🔘 ـ در سال ۲۰۲۴، استفاده از داده‌های مصنوعی در مدل‌های زبان بزرگ به شدت افزایش یافته است. این داده‌ها توسط شرکت‌هایی مانند Apple و Microsoft در پروژه‌های مختلفی نظیر توسعه کتاب‌های درسی مصنوعی به کار گرفته می‌شوند. در عین حال، نگرانی‌ها درباره کیفیت پایین داده‌ها و فروپاشی مدل‌ها در این زمینه وجود دارد. همچنین، شرکت‌های متعددی در حال توسعه و بهبود مدل‌های زبان کوچکتر برای استفاده‌های در دستگاه‌های محلی هستند. به عنوان مثال، Meta و اپل با همکاری با Qualcomm و Mediatek، مدل‌های کوچک‌تری را توسعه داده‌اند که کارایی برابر با مدل‌های بسیار بزرگتر دارند. این روند شامل تدوین دقیق‌تر مجموعه‌داده‌ها و راهکارهای جدیدی برای بهینه‌سازی مدل‌های کوچک است.
🗞 ـ تراشه جدید Nvidia با افزایش قابل توجه حافظه و قدرت
🔘 ـ گزارش‌ها از منابع زنجیره تأمین نشان می‌دهند که GPU جدید Nvidia با نام رمز "Blackwell Ultra" به زودی وارد بازار خواهد شد. این تراشه داده‌مرکزی مدل GB300 به حافظه ۲۸۸ گیگابایت HBM3e مجهز شده و توان مصرفی آن به ۱۴۰۰ وات می‌رسد. انتظار می‌رود این تراشه نسبت به مدل قبلی GB200 شرکت، بهبودهای عملکردی چشمگیری را ارائه دهد.
🔘 ـ تحقیقات جدید از شرکت Anthropic نشان می‌دهد که شکستن محافظت‌های هوش مصنوعی مدل‌های زبان بزرگ، از جمله GPT-4o و Claude Sonnet، به طرز غیرمنتظره‌ای آسان است. این فرآیند به نام BoN Jailbreaking با تغییراتی مانند جابجایی حرف‌ها و تلفظ‌های نادرست، توانسته است ۵۲ درصد از حملات را با موفقیت انجام دهد و حتی ۸۹ درصد برای GPT-4o. با تغییرات در ورودی‌های صدا و تصویر، درصد موفقیت نیز بالا بوده است. این نتایج نگرانی‌هایی درباره تنظیم‌پذیری و هم‌سویی این مدل‌ها با ارزش‌های انسانی به وجود آورده است.
🔘 ـ پایج بیلی با بیان اینکه ابزارهای جدید هوش مصنوعی، مانند قرار دادن یک راهنمای خبره و رایگان در جیبتان است که تمام جهان را به شما نشان می‌دهد، بر جذابیت و کارایی این ابزارها تأکید می‌کند. او معتقد است که این فناوری‌ها به کاربران اجازه می‌دهند به سؤالات خود پاسخ دهند و اطلاعات جدیدی کسب کنند، همانطور که انگار جهان به یک کتاب صوتی تبدیل شده است. بیلی همچنین می‌گوید راز بهره‌برداری از این ابزارها در روش پرسش سوالات نهفته است. این ابزارها شامل فناوری‌های پیشرفته‌ای مانند Gemini و LLMs هستند.
🗞 ـ درگذشت افشاگر OpenAI و تاثیر آن بر پرونده‌های قضایی
🔘 ـ سوچیر بالاجی، افشاگر جوان OpenAI که در ماه گذشته درگذشت، به‌عنوان شاهد احتمالی در پرونده‌ای مهم علیه کارفرمای سابقش مورد نظر بوده است. او پیش از مرگ به روزنامه نیویورک تایمز درباره نقض حقوق کپی‌رایت توسط OpenAI هشدار داده بود. بالاجی معتقد بود که مدل‌های هوش مصنوعی این شرکت داده‌ها را به‌صورت غیرقانونی کپی می‌کنند. او در ماه نوامبر در آپارتمان خود در سان‌فرانسیسکو به‌ظاهر خودکشی کرد. خانواده او اعلام کردند که یادبودی برایش در کالیفرنیا برپا خواهد شد. این افشاگری‌ها باعث توجه بیشتر به پرونده‌های قضایی موجود علیه OpenAI شده‌اند.
🔘 ـ شرکت سامسونگ، غول الکترونیک کره‌ای، هر ساله در نمایشگاه CES حضور دارد، اما معمولاً از معرفی محصولات اصلی مصرفی خودداری می‌کند. انتظار می‌رود که در انتهای ژانویه، گوشی پرچمدار جدید خود با نام Galaxy S25 را معرفی کند. در CES 2025، سامسونگ به نمایش تلویزیون‌ها و دیگر فناوری‌های جدید خود ادامه خواهد داد. این کنفرانس فرصتی برای معرفی آخرین نوآوری‌های این شرکت پیش از رونمایی‌های بزرگتر در آینده نزدیک است.
🔘 ـ آیا می‌توان یک هوش مصنوعی را تنها با داده‌هایی که توسط هوش مصنوعی دیگر تولید شده است، آموزش داد؟ این ایده ممکن است به نظر غیرممکن برسد، اما با توجه به کمبود روزافزون داده‌های واقعی، این راهکار به‌تدریج محبوبیت پیدا می‌کند. شرکت Anthropic از بخشی از داده‌های مصنوعی استفاده کرده است تا به پیشرفت فناوری خود کمک کند. این روند نشان‌دهنده نیاز به روش‌های نوین برای تطبیق با محدودیت‌های موجود در دسترسی به داده‌های واقعی است.
🗞 ـ تحول در تصویربرداری پزشکی با هوش مصنوعی: نجات‌بخش یا اخلاقی نامطلوب؟
🔘 ـ تحقیقات جدید نشان می‌دهد که استفاده از هوش مصنوعی در تصویربرداری پزشکی می‌تواند به تحولات چشمگیری در تشخیص و درمان بیماری‌ها منجر شود. این تکنولوژی قابلیت افزایش دقت و سرعت تشخیص‌ها را دارد، اما همزمان چالش‌هایی پیرامون حریم خصوصی بیماران و تصمیم‌گیری‌های اخلاقی مطرح می‌شود که باید به دقت بررسی شوند. آیا اعتماد به ماشین‌ها در مراقبت‌های بهداشتی، بازده بالایی خواهد داشت یا مسائل اخلاقی پیچیده‌ای به همراه خواهد آورد؟
🔘 ـ با افزایش استفاده از محیط‌های چند ابری توسط شرکت‌ها برای بهره‌برداری از مزیت‌های ارائه‌دهندگان مختلف، نیاز به تدابیر امنیتی قوی‌تر شده است. این محیط‌ها انعطاف‌پذیری و مقیاس‌پذیری را افزایش می‌دهند اما چالش‌های امنیتی پیچیده‌ای نیز به دنبال دارند. یکی از مشکلات مهم، ناهماهنگی در سیاست‌های امنیتی بین ارائه‌دهندگان است که می‌تواند به نقاط ضعف منجر شود. دیگر چالش‌ها شامل پیچیدگی‌های انطباق با مقررات و تهدیدات پیچیده سایبری است. راهکارهایی مانند مدیریت متمرکز امنیت، مدل امنیتی اعتماد صفر و رمزنگاری داده‌ها می‌توانند به جلوگیری از نقص امنیتی کمک کنند.
