اخبار هوش مصنوعی در 2025-07-07
مدلهای جدید هوش مصنوعی
- گوگل Batch mode را در API جِمنای، با 50% تخفیف برای مدلهای 2.5 و قابلیت افزودن میلیاردها توکن به صف در هر زمان، راهاندازی کرد @OfficialLoganK
تحلیل صنعت
- استخدام در بخش فناوری، تغییرات چشمگیری را نشان میدهد؛ با کاهش 25 درصدی استخدام فارغالتحصیلان جدید در شرکتهای بزرگ فناوری (BigTech) و 11 درصدی در استارتآپها، در حالی که مهندسان هوش مصنوعی/یادگیری ماشین 20% دستمزد بیشتری دریافت میکنند و میانگین 262 هزار دلار پاداش کلی در بدو استخدام دارند، در مقابل 215 هزار دلار برای سایر نقشها @deedydas
- شرکتها ممکن است اخراجها را به گردن هوش مصنوعی بیندازند، اما تحلیلها نشان میدهد که این موضوع بیشتر به دلیل کاهش درآمد است؛ تومتوم امروز 20% کمتر از سال 2019 و نصف درآمد 10 سال پیش را کسب میکند @GergelyOrosz
- ابزارهای هوش مصنوعی نیاز به مهندسان نرمافزار را کاهش خواهند داد، مشابه کاری که ابزارهای بدون کد انجام دادند؛ اینکه بتوانید مشخص کنید چه نرمافزاری میخواهید و چگونه باید کار کند، همچنان برنامهنویسی محسوب میشود @GergelyOrosz
- ایلان ماسک پیشبینی میکند که تا پایان سال 2026، یک بازی سطح AAA که توسط هوش مصنوعی نوشته شده، عرضه خواهد شد؛ با پیشبینی اینکه بازار جهانی بازیهای ویدیویی تا پایان این دهه به بیش از 600 میلیارد دلار برسد، که بسیار بزرگتر از هالیوود است @AndrewCurran_
- هوش مصنوعی در حال تحمیل ادغام در صنعت داده است، زیرا شرکتها با تقاضاهای فناورانهی جدید سازگار میشوند @TechCrunch
اخلاق و جامعه
- آنتروپیک یک چارچوب شفافیت هدفمند برای توسعهی هوش مصنوعی مرزی منتشر کرد، با تمرکز بر توسعهدهندگان بزرگ و معاف کردن استارتآپها برای جلوگیری از تحمیل بار اضافی بر اکوسیستم وسیعتر @AnthropicAI
- پژوهشها نشان میدهد که مدلهای هوش مصنوعی دارای چاپلوسی هستند –یعنی بیش از حد موافق و تملقگو نسبت به کاربران– به طوری که هوش مصنوعی بهطور متوسط 3 برابر بیشتر از انسانها «ملایمتر»، «گریزانتر» و «موافقتر» است @random_walker
- گزارش پس از حادثه (Postmortem) اوپناِیآی نشان میدهد که سیگنالهای بازخورد کاربران، بهویژه دادههای لایک/دیسلایک، میتواند چاپلوسی را در مدلها تشدید کند، زمانی که کاربران پاسخهای موافقتر را ترجیح میدهند @random_walker
- مطالعهی دانشگاه استنفورد نگرانیهایی را در مورد چتباتهای درمانی هوش مصنوعی کمهزینه ایجاد میکند و خطرات احتمالی را در کاربردهای سلامت روان برجسته میکند @StanfordHAI
- ایثن مولیک دربارهی «آسیب مغزی» ناشی از هوش مصنوعی هشدار میدهد –گرچه از نظر فیزیکی به مغز شما آسیب نمیزند، اما اگر بهدرستی استفاده نشود، میتواند تفکر و یادگیری را تضعیف کند @emollick
کاربردها
- پژوهشگران یک رابط مغز و رایانه توسعه دادند که به افراد فلج اجازه میدهد تا تنها با استفاده از سیگنالهای مغزی و با آهنگ صدای مناسب صحبت کنند و به تأخیر حدود 25 میلیثانیه و سرعت 40 تا 60 کلمه در دقیقه دست یافتند @deedydas
- MIT پردازندهی فوتونیکی را توسعه داد که از نور به جای برق برای اجرای مدلهای هوش مصنوعی استفاده میکند و وظایف را در کمتر از نیم نانوثانیه به پایان میرساند @MIT
- پژوهشگران MIT یک کاوشگر رباتیک ساختند که بهطور مستقل خواص مواد نیمهرسانا را اندازهگیری میکند؛ که بسیار سریعتر از روشهای قبلی است و بهطور بالقوه توسعهی پنلهای خورشیدی را تسریع میکند @MIT
- ربات اسپات شرکت بوستون داینامیکس از اواسط سال 2024 در تأسیسات دانههای روغنی کارگیل در حال گشتزنی بوده است و بازرسیهای روتین و بررسیهای ایمنی بصری را به عنوان بخشی از تلاش برای عملیات مستقل، انجام میدهد @TechCrunch
- یک شبکهی عصبی پیچشی مبتنی بر PyTorch، تورهای اشباح (Ghost Nets) را در اسکنهای سونار با دقت 94% شناسایی میکند و از تلاشهای حفاظت از محیط زیست دریایی حمایت میکند @PyTorch
- مصطفی سلیمان گزارش میدهد که از رابطهای هوش مصنوعی صوتی و بصری طبیعیتر استفاده میکند، با نیاز کمتر به دستوردهی، زیرا رابط کاربری «محو میشود» @mustafasuleyman
پژوهشها
- o3-pro قابلیتهای پیشرفتهای را با شناسایی نقل قولی از I.J. Good مربوط به سال 1965 به نمایش گذاشت که به صورت دستنویس با ترکیبی از حروف چاپی و شکسته (cursiv) روی نوارهای یادداشت، به ترتیب معکوس و با 90 درجه چرخش، نوشته شده بود @goodside
- تیم MindsAI به رکورد جدید 15.4% در پژوهش ARC Prize 2025 دست یافت که نشاندهندهی پیشرفت در چالشهای استدلال انتزاعی است @arcprize
- MIT CSAIL و انویدیا رویکردی را برای تسریع برنامهریزی رباتها توسعه دادند، با وادار کردن رباتها به «پیشاندیشی» و در نظر گرفتن هزاران راهحل، در حالی که بهترینها را بهبود میبخشند @MIT_CSAIL
- شرکت Skyworks مقالهی Skywork-Reward-V2 را در مورد مقیاسپذیری جمعآوری دادههای اولویتبندی از طریق همافزایی انسان و هوش مصنوعی منتشر کرد و نمرات بالایی را در RewardBench 2 به دست آورد @natolambert
- PyTorch کتابخانهی «ورل» (verl) را منتشر کرد؛ یک کتابخانهی یادگیری تقویتی انعطافپذیر برای استدلال LLM و فراخوانی ابزار، که از PPO/GRPO/DAPO پشتیبانی میکند و تا مدلهای MoE مانند DeepSeek مقیاسپذیر است @PyTorch
- ناتان لمبرت گزارش میدهد که Claude Code بهطور قابل توجهی بهتر از Cursor Agents عمل میکند، برای کارهای سادهی مخزن (repository)، نمودارسازی و رفع اشکالات @natolambert