آموزش سواد سایبری

‏از DeepSeek-V3 بگیم که یه مدل با هزینه کم به حساب میاد.
‏یه آزمایشگاه چینی این مدل رو توی ۲ ماه با ۵.۵ میلیون دلار ساخته که میشه مقایسه کرد با آموزش GPT-4o با ۱۰۰ میلیون دلار هزینه.
‏در واقع میشه یه مدل AI اوپن‌سورس ترکیبی و (Mixture-of-Experts یا MoE). یعنی به جای یه مدل بزرگ که همه‌کاره باشه، میان چند تا مدل «تخصصی» کوچیکتر میسازن که با هم کار میکنن.

‏با ۱۴.۸ تریلیون توکن آموزش داده شده، از تکنیک‌های جدیدی مثل Multi-Head Latent Attention (MLA) استفاده کردن.

‏برای توضیح این تکنیک باید به اصل «مفهوم توجه» یا همون Attention توی مدل‌های زبانی نگاه کنیم.
‏در مدل‌های زبانی، «توجه» یه مکانیزمه که به مدل اجازه میده تا روی کلمات مهم‌تر تمرکز کنه و کلمات کم‌اهمیت‌تر رو نادیده بگیره. این بهش کمک میکنه ارتباط کلمات رو بیشتر بفهمه و جواب بهتری بده.

‏حالا MLA میاد با جنبه‌های مختلفی به متن نگاه میکنه و سعی میکنه اهمیت کلمات رو متوجه بشه، مثلا یه بار ممکنه به روابط گرامری نگاه کنه، یه بار به معنی کلمات نگاه کنه و ...
‏خروجی میشه درک بیشتر و مصرف کمتر GPU و منابع محاسباتی.

‏طراحی و آموزش این مدل هم روی چیپ NVIDIA H800 بوده که میشه یه مدل ارزون و محدود از H100 برای بازارهای تحریمی مثل چین.

‏از ویژگی‌هاش توانایی پردازش تا ۱۲۸۰۰۰ توکن در یه ورودی که برای کارهایی مثل بررسی اسناد قانونی و تحقیقات دانشگاهی خیلی خوبه. ین مدل ۶۷۱ میلیارد پارامتر داره، اما گفته میشه فقط ۳۷ میلیاردش برای انجام هر کار فعال میشه.

‏تو آزمون‌های مختلف با مدل‌های دیگه مثل Claude-3.5، GPT-4o، Qwen2.5 و Llama3.1 مقایسه شده و عملکرد خوبی داشته. به خصوص تو ریاضیات و کدنویسی، تو آزمون‌هایی مثل MATH-500 و LiveCodeBench از رقباش بهتر بوده. همچنین تو کارهایی که نیاز به درک متن‌های طولانی داره خیلی خوبه.

فقط و فقط سکوت بود که فضا را پر کرده بود و ما داشتیم خودروهای در حال سوختن را تماشا می کردیم. یک دقیقه بعد، ما مجددا حمله کردیم و ۸ شلیک دیگر انجام دادیم. عملیات به نظر موفقیت آمیز بود، اما هنوز نمی توانستیم آن تایید کنیم.

‏به زودی مشخص شد که سلیمانی را زده ایم. ساعت حدود ۹ شب به خانه رسیده بودم، که اولین گزارش های خبری در این باره منتشر شد. تنها آن موقع بود که فرصت فکر کردن درباره آنچه رخ داده بود را پیدا کردم."
‏The Melting Point: High Command and War in the 21st Century.

‏«مکنزی درس این ترور برای آمریکا را این می‌داند که "خطر تشدید اجتناب‌ناپذیر، اما قابل کنترل است". امری که نشان می‌دهد تضعیف بازدارندگی چه پیامدهایی برای امنیت ملی خواهد داشت.»/جنلی

‏ژنرال فرانک مک کنزی فرمانده سابق سنتکام در کتاب «نقطه ذوب: فرماندهی عالی و جنگ در قرن بیست و یکم» که تازه منتشر شده شب ترور سردار سلیمانی رو از اتاق فرماندهی عملیات روایت کرده:

‏"از جوانی که به سنتکام پیوستم، دیدم که بوش و اوباما نتوانستند با سلیمانی مقابله کنند. بنابراین از آغاز فرماندهی‌ام در مارس ۲۰۱۹ درصدد حذف او بودم. دریافتم که سیا و شرکای منطقه‌ای ما نیز قبلاً در کاخ سفید برای حذف او لابی کردند ولی طرح‌های آن‌ها عملیاتی نبود یا هزینه سیاسی بالایی داشت.

‏از ابتدای فرماندهی‌ام تا دسامبر ۲۰۱۹ کتائب حزب‌الله ۱۹ بار پایگاه‌های ما در عراق را هدف قرار داد که حمله‌ای در در ۲۷ دسامبر به جراحت ۴ سرباز و مرگ ۱ پیمانکار انجامید. پنتاگون طرح‌هایی برای پاسخ خواست. ما آن زمان درصدد حذف افسر نیروی قدس در یمن بودیم. علاوه بر این، کشتی جاسوسی ساویز هم به عنوان پاسخ، مطرح شد.

‏من گفتم اهداف مرتبط با کتائب در عراق را بزنیم. این اهداف شامل ۴ سایت و ۳ حامی کتائب ازجمله سلیمانی بود. پیشنهاد از طریق مایک‌میلی رییس ستاد ارتش به اسپر وزیر دفاع منتقل و با ۴ هدف لجستیکی موافقت شد.

‏از آنجایی که می دانستم رئیس جمهور خیلی علاقمند به (هدف گرفتن) سلیمانی است، روز شنبه عصر ویرایش نهایی گزارشی را که توضیح می داد اگر او را هدف بگیریم بعدا چه اتفاقی خواهد افتاد انجام دادم.

‏تردیدی نبود که او یک هدف معتبر و باارزش است و فقدانش تصمیم گیری برای ایران را بسیار دشوارتر می سازد. این اقدام همچنین نشانه ای قوی از اراده آمریکا بود که در طی سال های متمادی در تعاملات ما با ایران جای خالی آن احساس می شد.

‏اما من به شدت نگران نحوه واکنش ایران بودم. این حمله می توانست یک تاثیر بازدارنده داشته باشد یا موجب یک اقدام تلافی جویانه عظیم گردد. پس از بررسی دقیق جوانب، من معتقد بودم که آنها پاسخ خواهند گفت، اما احتمالا نه با یک اقدام جنگی؛ که سال ها نگرانش بوده ایم.

‏اما آنها جایگزین های زیادی در اختیار داشتند که توسل به آنها می توانست برای ما دردناک باشد. من گزارش را برای وزیر دفاع فرستادم. در این گزارش هدف گرفتن سلیمانی را توصیه نکرده بودم، اما ریسک های چنین اقدامی را بر شمرده بودم.

‏صبح روز ۳۱ دسامبر به مقر سنتکام رفتم، یعنی روزی که امیدوار بودیم حمله انجام شود. دو مانیتور غول پیکر روی دیوار نصب شده بود. یکی تصاویر سیاه و سفید مخابره شده از پهپادها را نشان می داد و دیگری حرکت صدها هواپیما از جمله هواپیماهای غیرنظامی عبوری از آسمان ایران و عراق را رصد می کرد.

‏بالاخره سلیمانی از منزل خارج و سوار هواپیما شد. هواپیما در ساعت ۹:۴۵ دقیقه صبح از زمین بلند شد. اما وقتی نزدیک بغداد رسید، فرود نیامد و از ارتفاع ۳۰ هزار پایی شهر بغداد عبور کرد. من به همراه میلی و اسپر در اتاق عملیات داشتیم وضعیت را تماشا می کردیم.

‏یک نفر در پنتاگون از من پرسید:
‏«می توانی در آسمان این هواپیما را ساقط کنی؟» بدون تصمیم گیری در مورد اجرای دستور با فرمانده پایگاه هوایی‌مان در قطر تماس گرفتم و پرسیدم آیا اگر دستور صادر شود می توانید این کار را انجام دهید؟ او به سرعت پاسخ داد و ما دو جنگنده را در پشت سر این هواپیما به هوا بلند کردیم.

‏تلاش می کردیم بدانیم که آیا این پرواز چارتری است یا تجاری. در نهایت مشخص شد که پرواز تجاری است و با حداقل ۵۰ سرنشین با تاخیر زیاد به مقصد دمشق پرواز کرده است. بلافاصله به میلی توصیه کردم که نباید آن را هدف بگیریم. او هم موافقت کرد و جنگنده ها مجددا به آشیانه برگشتند. عملیات در یمن نیز به تعویق افتاد.

‏اما تصمیم رئیس جمهور همچنان پابرجا بود. نشانه هایی وجود داشت که سلیمانی در ۳۶ ساعت آینده از دمشق به بعداد برخواهد گشت. ما همچنان یک فرصت دیگر داشتیم.

‏روز دوم ژانویه سلیمانی دوباره در دمشق سوار هواپیما شد و ما در مقر سنتکام در تمپا تحرکات او را زیر نظر داشتیم. پرواز یک پرواز تجاری بود. هواپیما در ساعت ۴:۳۵ دقیقه بعد از ظهر به وقت آمریکا در فرودگاه بغداد به زمین نشست که به وقت محلی اندکی قبل از نیمه شب بود.

‏هوا ابری بود. پهپادهای ام کیو ۹ برای بهبود سطح دید در ارتفاع پایین پرواز می کردند و برای اینکه دیده نشوند یا صدایشان شنیده نشود باید فاصله خود با هدف را حفظ می کردند. در ساعت ۴:۴۰ دقیقه تایید کردیم که سلیمانی در حال پایین آمدن از پله هاست. قبلا دستور حمله به تیم عملیات داده شده بود.

‏دو خودرو بعد از سوار کردن سلیمانی با سرعت از هواپیما دور شدند. همه نگاه ها به مانیتورهای بزرگ دوخته شده بود. کسی حرف نمی زد. و بعد ناگهان یک نور بزرگ سفید کل صفحه را پر کرد. تکه های خودروی سلیمانی به هوا پرتاب شدند. بعد از یک یا دو ثانیه، خودروی اسکورت هم هدف قرار گرفت.

‏هیچ کس خوشحالی نمی کرد.

سال ۲۰۲۴ یک سال فوق العاده ای برای هوش مصنوعی بود، با پیشرفت‌های سریع در مدل‌های چندوجهی (multimodal)، توانایی‌های استدلالی، و کاربردهای دنیای واقعی.
‏حالا که وارد سال ۲۰۲۵ می‌شویم، بنظرم هوش مصنوعی یکپارچه‌تر، کارآمدتر و شخصی‌سازی‌شده‌تر خواهد شد و مرزهای جدیدی را جابه‌جا می‌کند. در ادامه پیش‌بینی‌هایم در مورد روندهای کلی توسعه مدل‌های هوش مصنوعی برای سال ۲۰۲۵ را میگم:

‏- چندوجهی بودن در مرکز توجه: مدل‌هایی که قادر به درک و تولید محتوا در چندین قالب مختلف (متن، تصویر، ویدیو، صدا) هستند، به شدت مورد توجه قرار خواهند گرفت. این روند مرز بین مدل‌های مختلف را کم‌رنگ می‌کند.
‏- افزایش کارایی و دسترسی‌پذیری: مدل‌ها فشرده‌تر، سریع‌تر و کم‌مصرف‌تر خواهند شد، که به کاربران و دستگاه‌های بیشتری اجازه می‌دهد از آن‌ها بهره ببرند.
‏- شخصی‌سازی و سفارشی‌سازی: مدل‌ها به‌طور فزاینده‌ای برای کاربردهای خاص و نیازهای فردی تنظیم خواهند شد و برنامه‌های متمرکزتری ایجاد خواهند کرد.
‏

‏- تمرکز بر توضیح‌پذیری و اعتماد: تلاش بیشتری برای فهم نحوه تصمیم‌گیری مدل‌های هوش مصنوعی صورت می‌گیرد که باعث افزایش اعتماد به این سیستم‌ها می‌شود.
‏- ارتقای استدلال و برنامه‌ریزی: مدل‌ها فراتر از تشخیص الگو حرکت کرده و به سمت استدلال و برنامه‌ریزی پیشرفته خواهند رفت، که انجام وظایف پیچیده را ممکن می‌سازد.
‏- پردازش در لبه و هوش مصنوعی روی دستگاه: بخش بیشتری از پردازش هوش مصنوعی مستقیماً روی دستگاه‌ها انجام می‌شود و این امر باعث کاهش تأخیر و بهبود تجربه کاربر خواهد شد.

پیش‌بینی‌های خاص برای انواع مدل‌ها در ۲۰۲۵:
‏۱. مدل‌های زبانی بزرگ (LLMs):
‏- درک پیشرفته‌تر زمینه‌ها: مدل‌ها در درک مکالمات، روایت‌ها و اسناد پیچیده بهتر خواهند شد.
‏- استدلال و منطق بهبود یافته: مدل‌ها توانایی حل مسائل منطقی و اجرای وظایف گام به گام را خواهند داشت.
‏- تخصصی‌سازی بیشتر: مدل‌هایی با تمرکز بر حوزه‌های خاص مانند حقوقی، پزشکی یا مالی توسعه خواهند یافت.
‏- عملکرد چندزبانه بهتر: فاصله عملکرد بین زبان‌های مختلف کاهش یافته و مدل‌ها به ابزارهایی جهانی تبدیل خواهند شد.
‏- ایجنت های هوشمند: مدل‌ها به‌عنوان هسته ایجنت های هوش مصنوعی عمل خواهند کرد که می‌توانند برنامه‌ریزی، اجرا و انطباق با اهداف پیچیده دنیای واقعی را انجام دهند.

مدل‌های زبان-بینایی (VLMs):
‏- ادغام یکپارچه متن و تصویر: درک دقیق‌تر صحنه‌ها، شناسایی اشیا و پاسخ به سؤالات بر اساس اطلاعات بصری.
‏- ویرایش و خلق بصری تعاملی (interactive): امکان ویرایش تصاویر و ویدیوها با دستورات زبان طبیعی (مانند "گربه‌ای با کلاه اضافه کن" یا "شخص را از پس‌زمینه حذف کن").
‏- استدلال بصری دقیق‌تر: تفسیر روابط فضایی، درک زمینه‌های تصویری و انجام وظایف استدلالی پیچیده.
‏- کاربرد در رباتیک و سیستم‌های خودکار: کمک به ناوبری، دستکاری اشیا و درک محیط‌های پیچیده.
‏- تحلیل و توضیح ویدیو: خلاصه‌سازی ویدیوها، تولید زیرنویس و درک محتوای پیچیده ویدیویی.

مدل‌های صوتی: (اکثر این کاربردها همین الان هم هست ولی خوب خیلی بهتر و راحت تر میشه.)
‏- تشخیص و تولید گفتار پیشرفته: بهبود دقت تشخیص گفتار حتی در محیط‌های پر سر و صدا و تولید صدایی طبیعی‌تر.
‏- تحلیل پیشرفته صوتی: شناسایی رویدادهای صوتی، استخراج ویژگی‌های صوتی و درک تن عاطفی گفتار.
‏- ساخت و ویرایش موسیقی: تولید موسیقی اصلی در ژانرهای مختلف، ویرایش آهنگ‌ها و خلق صداهای سفارشی.
‏- ترجمه و رونویسی لحظه‌ای (Real-Time Translation & Transcription): ترجمه و رونویسی صوت به‌صورت لحظه‌ای برای رفع موانع زبانی.

مدل‌های ویدیویی:
‏- تولید ویدیوهای واقعی‌تر: بهبود قابل توجه در ایجاد محتوای ویدیویی واقعی و قانع‌کننده.
‏- ویرایش ویدیو پیشرفته: امکان افزودن یا حذف اشیا، تغییر سبک‌ها و ایجاد جلوه‌های ویژه.
‏- تحلیل ویدیو پیشرفته: تفسیر صحنه‌های پیچیده، درک رویدادها و ردیابی اشیا در طول زمان.
‏- محتوای ویدیویی شخصی‌سازی شده: ایجاد پیشنهادات ویدیویی شخصی‌سازی شده برای کاربران.

پدرخوانده هوش مصنوعی: هوش مصنوعی شاید تا ۳۰ سال دیگر بشر را نابود کند

‏پروفسور «جفری هینتون»، برنده نوبل و پدرخوانده هوش مصنوعی، در مصاحبه جدیدی بار دیگر هشدار داده است هوش مصنوعی می‌تواند نسل بشر را در ۳ دهه آینده نابود کند. او پیش‌ازاین تخمین می‌زد ۱۰ درصد احتمال دارد این فناوری برای بشریت فاجعه‌بار باشد. اکنون می‌گوید این رقم بین ۱۰ تا ۲۰ درصد است. دانشمند کامپیوتر ۷۷ ساله بریتانیایی که جایزه نوبل فیزیک ۲۰۲۴ را دریافت کرده، از دولت‌ها خواست برای شرکت‌های هوش مصنوعی مقررات سختگیرانه‌تر وضع کنند.

‏جفری هینتون می‌گوید هوش مصنوعی «بسیار سریع‌تر» از آنچه او انتظار داشته توسعه یافته است و در سال‌های آینده، هوش انسان‌ها معادل هوش «کودکان سه‌ساله» خواهد بود. هینتون که تحقیقات او به توسعه هوش مصنوعی کمک بزرگی کرده است، می‌گوید وقتی کارش را روی این فناوری آغاز کرد، فکر نمی‌کرد به این زودی کار به اینجا برسد: «فکر می‌کردم در آینده به اینجا خواهیم رسید.

البته بنده مخالف نظر ایشان هستم 😁