اخبار هوش مصنوعی در 2025-06-08

مدل‌های جدید هوش مصنوعی

اوپن‌ای‌آی (OpenAI) به‌روزرسانی‌هایی را برای «Advanced Voice Mode» برای همه‌ی کاربران پولی منتشر کرد که شامل الگوهای گفتاری شبیه‌تر به انسان با لکنت‌های عمدی، خنده‌های عصبی و تغییرات صوتی است. @AndrewCurran_
اوپن‌ای‌آی (OpenAI) برای ماه‌ها در حال آزمایش نسخه‌های مختلفی از قابلیت‌های تفکر 4o بوده است؛ به‌طوری که برخی کاربران استدلال‌های خودبه‌خودی و فراخوانی‌های احتمالی به مدل‌های دیگری مانند o3 را تجربه کرده‌اند. @AndrewCurran_
پرپلکسیتی (Perplexity) از نسخه‌ی به‌روز شده‌ی «Deep Research» با استفاده از زیرساخت جدید بک‌اند (backend) خبر داد که در حال حاضر با ۲۰ درصد از کاربران در حال آزمایش است. @AravSrinivas
کووِن (Qwen) مدل جدید جاسازی (embedding) «Apache 2» با وزن‌های باز (open-weights) و بهترین عملکرد را منتشر کرد. @simonw
الوترای (EleutherAI) دو مدل زبان بزرگ (LLM) جدید را منتشر کرد که کاملاً با استفاده از متون دامنه‌ی عمومی یا دارای مجوز آزاد آموزش دیده‌اند؛ مدل ۲T با موفقیت به MLX منتقل شده تا برای استفاده‌ی محلی روی مک (Mac) قابل دسترس باشد. @simonw

تحلیل صنعت

گزارش شده که متا (Meta) در حال مذاکره با «Scale AI» برای سرمایه‌گذاری بیش از ۱۰ میلیارد دلار است؛ این اقدام نشان‌دهنده‌ی سرمایه‌گذاری عمده در زیرساخت هوش مصنوعی است. @AndrewCurran_
تغییرات کد مالیاتی «Section 174» از سال ۲۰۱۷، حقوق مهندسان را از کسر مالیاتی فوری به هزینه‌های قابل استهلاک ۵ ساله تبدیل کرد؛ این امر به اخراج حدود ۵۰۰ هزار نفر در صنعت فناوری و میلیاردها دلار صورت‌حساب مالیاتی اضافی برای شرکت‌هایی مانند مایکروسافت (۴.۸ میلیارد دلار)، متا، آمازون و گوگل منجر شد. @deedydas
شرکت‌ها به‌طور فزاینده‌ای محصولات کدنویسی هوش مصنوعی پیشرفته را ارزیابی می‌کنند، اما اغلب به‌دلیل هزینه‌ی آن‌ها در مقایسه با قیمت پایه‌ی ۱۰ تا ۲۰ دلاری در ماه «GitHub Copilot»، آن‌ها را رد می‌کنند و بسیاری از آن‌ها ترجیح می‌دهند راه‌حل‌های سفارشی خود را بسازند. @GergelyOrosz
کورسر (Cursor) با حجم عظیم زیرساختی (بیش از ۱ میلیون درخواست در ثانیه (QPS) برای پایگاه داده‌ی خود) و بدون تیم زیرساخت اختصاصی کار می‌کند که نشان می‌دهد چگونه ارائه‌دهندگان خدمات ابری و استارتاپ‌ها امکان عملیات چابک و کم‌هزینه را فراهم می‌کنند. @GergelyOrosz
انتقال از «pickles» به «safetensors» نشان‌دهنده‌ی پیشرفت عملی قابل توجهی در ایمنی هوش مصنوعی است، اگرچه کمتر از بحث‌های نظری درباره‌ی ایمنی هوش مصنوعی مورد توجه قرار می‌گیرد. @ClementDelangue

اخلاق و جامعه

دادگاه بریتانیا هشدار داد که وکلای دادگستری ممکن است به‌دلیل استفاده از استنادات جعلی تولیدشده با هوش مصنوعی، با مجازات‌های سنگین مواجه شوند؛ این موضوع مشکلات مسئولیت‌پذیری حقوقی محتوای تولیدشده توسط هوش مصنوعی را برجسته می‌کند. @TechCrunch
جفری هینتون درباره‌ی یک کتاب کلاهبرداری با عنوان «Modern AI Revolution» که به‌دروغ در آمازون (Amazon) به او نسبت داده شده است، هشدار داد و خواستار حذف آن شد. @geoffreyhinton
بحثی درباره‌ی ماهیت بنیادین سیستم‌های هوش مصنوعی به‌عنوان ذهن و نه ابزار در حال شکل‌گیری است که این پرسش را مطرح می‌کند: آیا ما شجاعت تشخیص عاملیت در اشکالی که خود خلق کرده‌ایم را داریم یا خیر؟ @jasonyuandesign

کاربردها

جن‌اسپارک (Genspark) ایجاد اسلایدشو با هوش مصنوعی را به نمایش گذاشت که ارائه‌های مفصل با نمودارها و دیاگرام‌ها را با تم گوگل (Google) تولید می‌کند؛ این کار از کتابخانه‌ی «matplotlib» پایتون (Python) برای گرافیک استفاده کرده و آن‌ها را به وب‌سایت‌های HTML افقی تبدیل می‌کند. @deedydas
پرپلکسیتی (Perplexity) داده‌های مالی «EDGAR» را برای افزایش قابلیت‌های مالی خود یکپارچه کرد که این امکان به کاربران می‌دهد تا مشکلات را گزارش کرده و بازخورد ارائه دهند. @AravSrinivas
MLX-LM با موفقیت به‌صورت محلی با «MCP» با استفاده از «tiny-agents» هاگینگ فیس (Hugging Face) اجرا می‌شود که این امر استقرار موثر هوش مصنوعی محلی را با مدل «Qwen3 4B» به نمایش می‌گذارد. @awnihannun
تیم‌های مهندسی باید عوامل کدنویسی هوش مصنوعی را به‌عنوان مربیان ارتباطات داخلی و نگارش فنی بپذیرند. @clairevo

پژوهش‌ها

پژوهش جدید نشان می‌دهد که دستورات ساده‌ی «Chain-of-Thought» به مدل‌های زبان بزرگ (LLM) پیشرفته‌ی اخیر برای عملکرد بهتر در وظایف کمک نمی‌کنند، حتی با وجود افزایش هزینه‌ها؛ این یافته شیوه‌های رایج مهندسی دستور (prompt engineering) را به چالش می‌کشد. @emollick
تحلیل معیار «برج هانوی» (Tower of Hanoi) محدودیت‌های بنیادین در مدل‌های استدلالی را به‌دلیل محدودیت‌های توکن خروجی آشکار می‌کند: DeepSeek R1 به ۱۲ دیسک، Sonnet 3.7 و o3-mini به ۱۳ دیسک محدود هستند و مدل‌ها در استدلال درباره‌ی مسائل بیش از ۷ دیسک ناتوان‌اند. @scaling01
مرکز پژوهش هوش مصنوعی برکلی (Berkeley AI Research) تکنیک «Improved Immiscible Diffusion» را برای تسریع آموزش دیفیوژن (diffusion training) با کاهش مشکلات امتزاج‌ناپذیری (miscibility problems) معرفی کرد؛ این تکنیک با پیاده‌سازی کارآمد KNN همراه است که روی مدل‌های پایه‌ی متنوعی کار می‌کند. @Yiheng_Li_Cal
فرانسوا شوله (François Chollet) استدلال می‌کند که بین تطبیق الگو (pattern matching) و قابلیت‌های استدلال یک شکاف بنیادی وجود دارد؛ او بیان می‌کند که تطبیق الگو نمی‌تواند منجر به کسب مهارت خودکار در حوزه‌های جدید شود. @fchollet
ایتان مولیک (Ethan Mollick) معتقد است روایت «مدل‌های زبان بزرگ (LLM) به دیوار خورده‌اند» که پیرامون مقاله‌ی اپل (Apple) درباره‌ی محدودیت‌های استدلال مطرح شده، زودرس به نظر می‌رسد؛ او این موضوع را با نگرانی‌های مربوط به فروپاشی مدل (model collapse) مقایسه می‌کند که به سرعت برطرف شدند. @emollick