Infinity
با نهایت تاسف مطلع شدیم که جناب آقای دکتر محمود بینای مطلق استاد برجسته‌ی دانشکده ریاضی دانشگاه صنعتی اصفهان دار فانی راوداع گفتند. روحشان شاد و یادشان گرامی.
با سلام
خدا ایشان را بیامرزد ، انسانی با اصول و معیار های خود بود . بسیار باسواد بود . ایشان دکتری فلسفه از المان داشت و همین طور دیپلم ریاضی ( فوق لیسانس پیوسته ریاضی ) از دانشگاه لوزان سویس ، ایشان زبان آلمانی ، فرانسه ، انگلیسی و عربی را خوب می دانست . زبان عربی را بدون معلم و با مطالعه کتاب های عربی خودش یاد گرفته بود . ایشان در طرح اصفهان دانشگاه اریامهر برای رشته فلسفه استخدام شده بود . اغلب افراد رشته های علوم انسانی بعد از انقلاب فرهنگی به دانشگاه اصفهان رقتند. ایشان به رشته ریاضی منتقل شد. از سال ۱۳۵۸ تا ۱۳۶۲ همکار بودیم . در جذب دانشجویان نخبه به رشته فعال بود . از تصحیح ورقه امتحانی متنفر بود . حاضر بود به دیگران برای تصحیح ورقه حقوق ماه خود را پرداخت کند. او طرفدار امتحان شفاهی به سبک المان انزمان معتقد بود . طرفدار افلاطون بود . جمهوری افلاطون را به عربی تدریس می کرد. انسان اصیل و جذابی بود . خدا اورا بیامرزد . وروحش شاد باشد .
دکتر بیژن ظهوری زنگنه
خدا ایشان را بیامرزد ، انسانی با اصول و معیار های خود بود . بسیار باسواد بود . ایشان دکتری فلسفه از المان داشت و همین طور دیپلم ریاضی ( فوق لیسانس پیوسته ریاضی ) از دانشگاه لوزان سویس ، ایشان زبان آلمانی ، فرانسه ، انگلیسی و عربی را خوب می دانست . زبان عربی را بدون معلم و با مطالعه کتاب های عربی خودش یاد گرفته بود . ایشان در طرح اصفهان دانشگاه اریامهر برای رشته فلسفه استخدام شده بود . اغلب افراد رشته های علوم انسانی بعد از انقلاب فرهنگی به دانشگاه اصفهان رقتند. ایشان به رشته ریاضی منتقل شد. از سال ۱۳۵۸ تا ۱۳۶۲ همکار بودیم . در جذب دانشجویان نخبه به رشته فعال بود . از تصحیح ورقه امتحانی متنفر بود . حاضر بود به دیگران برای تصحیح ورقه حقوق ماه خود را پرداخت کند. او طرفدار امتحان شفاهی به سبک المان انزمان معتقد بود . طرفدار افلاطون بود . جمهوری افلاطون را به عربی تدریس می کرد. انسان اصیل و جذابی بود . خدا اورا بیامرزد . وروحش شاد باشد .
دکتر بیژن ظهوری زنگنه
💔18🕊5❤4
▪️ بفرمایید دانشجوی دکتری شوید!
از زمان پذیرش نخستین دانشجویان در دورهٔ دکتری زبان و ادبیات فارسی در دانشگاه تهران در اواخر دههٔ دوم سدهٔ چهاردهم خورشیدی تا امروز، چگونگی و روند پذیرش دانشجو در دورهٔ دکتری در دانشگاه‌های ایران سه مرحلهٔ اصلی را از سر گذرانده است:
🔘 مرحلهٔ اول (پیش از ۱۳۸۴):
پیش از ۱۳۸۴ پذیرفته‌شدن در دورهٔ دکتری یکی از سخت‌ترین و دشوارترین کارها بود. پیش از انقلاب اسلامی، در بیشتر رشته‌ها تنها دانشگاه تهران دانشجوی دکتری می‌پذیرفت؛ پس از انقلاب اسلامی تا یک دهه پذیرش دانشجوی دکتری متوقف شد و از اواخر دهه شصت دوره‌های دکتری بار دیگر برقرار گردید. از آن زمان تا سال ۱۳۸۴، چه در دانشگاه تهران (به‌عنوان بزرگترین نهاد دولتی آموزش عالی) و چه در واحد علوم و تحقیقات دانشگاه آزاد اسلامی (به‌عنوان بزرگترین دانشگاه غیردولتی) که کم‌وبیش در همه رشته‌ها دورهٔ دکتری داشتند، شمار بسیار کمی در دوره دکتری پذیرفته می‌شدند. در آن زمان استادان هر گروه آموزشی در دانشگاه چنان مبسوط‌الید و صاحب قدرت و اختیار بودند که خود تعیین می‌کردند دانشجوی دکتری پذیرند یا نپذیرند؛ و معمولاً هر چند سال یک‌بار دانشجوی دکتری می‌پذیرفتند نه هر سال. مثلاً دانشگاه تهران از سال ۱۳۶۷ تا ۱۳۸۳ تنها در پنج دوره/ سال دانشجوی دکتری تاریخ و تمدن ملل اسلامی پذیرفته است. زمانی که ما در آزمون دکتری ۱۳۸۳ شرکت کرده بودیم سه سال بود که دانشگاه تهران دانشجوی دکتری نپذیرفته بود. حتی در دانشگاه آزاد واحد علوم و تحقیقات، نیز چنین اختیاری به گروه‌ها و استادان- که کم‌وبیش همان استادان طراز اول دانشگاه تهران (و شهید بهشتی و ...) بودند- داده شده بود. از استادم دکتر هادی عالم‌زاده شنیده‌ام که در یکی‌دو سال در واحد علوم و تحقیقات هیچ‌کس را برای دوره دکتری نپذیرفتیم و دانشگاه هم کاملاً تابع نظر گروه بود. تازه در آن سال‌هایی که دانشجو دکتری می‌پذیرفتند، معمولاً بیشتر از دوسه تن نمی‌پذیرفتند و گاه تنها یک تن پذیرفته می‌شد و سرکلاس دکتری می‌نشست.
🔘 مرحلهٔ دوم (۱۳۸۴ - ۱۳۹۳):
از سال ۱۳۸۴ به بعد، از قدرت و نقش استادان و گروه‌ها کاسته شد. دیگر گروه‌ها نمی‌توانستند بگویند هیچ داوطلبی را نمی‌پذیریم. از این سال به بعد حتی دانشگاه تهران بدون وقفه در هر سال دانشجوی دکتری پذیرفته است. بااین‌همه هنوز نقش گروه‌ها در پذیرش دانشجوی دکتری پررنگ بود. آزمون دکتری همچنان در خود دانشگاه‌ها/ دانشکده‌ها و به‌صورت تشریحی برگزار می‌شد و ظرفیت پذیرش در اختیار گروه‌ها بود. ضمنأ تنها معدودی از دانشگاه‌های سطح اول دولتی و چند واحد بزرگ از دانشگاه آزاد مجوز پذیرش دانشجوی دکتری داشتند. در اواخر دهه هشتاد برگزاری آزمون دکتری از اختیار دانشگاه خارج شد و به سازمان سنجش سپرده شد و به‌اصطلاح نیمه‌متمرکز و از آن بدتر سوالات تستی شد.
🔘 مرحلهٔ سوم (۱۳۹۳ - تا امروز):
از اوایل دههٔ نود برای بسیاری از دانشگاه‌های دولتی و غیردولتی، در شورای گسترش وزارت علوم، با نادیده‌گرفتن معیارها و استانداردهای لازم و ضروری برای راه‌اندازی دوره دکتری، مجوز پذیرش دانشجوی دکتری صادر شد. مثلاً دانشگاهی که هیچ دانشیار یا استادی نداشت، تنها با دو یا سه استادیار مجوز پذیرش دانشجوی دکتری دریافت کرد. از آن‌سوی از نظارت بر ظرفیت پذیرش‌ها کاسته شد و درنتیجه در بعضی رشته‌ها تا بیست دانشجو دکتری پذیرفته شد. دیگر خبری از کسب نمره حداقل یا حد نصاب نیست و کسانی با نمره‌های منفی هم پذیرفته می‌شوند به‌ویژه در رشته‌هایی که متقاضی کمتری دارند.
در یک دههٔ اخیر صدها داوطلب دکتری با نمره‌های منفی دانشجوی دکتری شده‌اند.
همین امروز اگر تصمیم بگیرید که در یکی از رشته‌های علوم انسانی، علوم پایه و کشاورزی و منابع طبیعی و حتی برخی رشته‌ها مهندسی دانشجوی دکتری شوید، کافی است در آزمون دکتری ۱۴۰۶ ثبت‌نام کنید و بدون یک روز مطالعه در آزمون شرکت کنید؛ حتی با نمرهٔ منفی قطعاً شما در مهر ۱۴۰۶ دانشجوی دکتری یکی از دانشگاه‌های پولی خواهید شد، از واحد‌های دانشگاه آزاد اسلامی گرفته تا پردیس‌های خودگردان دانشگاه‌ها بزرگ دولتی. فرقی هم نمی‌کند که فردی گمنام باشید یا دروازه‌بان تیم ملی و یکی از گران‌قیمت‌ترین بازیکنان فوتبال ایران!
ده‌ها تن چون علیرضا بیرانوند -که سخنانش را اصلاح کرده و گفته تازه امسال در آزمون شرکت کرده و هنوز دانشجوی دکتری نیست- همین اکنون دانشجوی دکتری هستند. به‌جای گیردادن به این بازیکن ساده‌لوح و پرسروصدا که به‌واسطهٔ حضور در جام‌جهانی و گرفتن پنالتی رونالدو، می‌شود به او دکتری افتخاری داد😁، باید رفت سراغ آن سیاست‌گذاران و دست‌اندرکارانی که اعتبار مدرک «دکتری» در دانشگاه ایرانی را به حراج گذاشتند و بر باد دادند!
▫️ معصومعلی پنجه
منبع:
@HistoryandMemory
از زمان پذیرش نخستین دانشجویان در دورهٔ دکتری زبان و ادبیات فارسی در دانشگاه تهران در اواخر دههٔ دوم سدهٔ چهاردهم خورشیدی تا امروز، چگونگی و روند پذیرش دانشجو در دورهٔ دکتری در دانشگاه‌های ایران سه مرحلهٔ اصلی را از سر گذرانده است:
🔘 مرحلهٔ اول (پیش از ۱۳۸۴):
پیش از ۱۳۸۴ پذیرفته‌شدن در دورهٔ دکتری یکی از سخت‌ترین و دشوارترین کارها بود. پیش از انقلاب اسلامی، در بیشتر رشته‌ها تنها دانشگاه تهران دانشجوی دکتری می‌پذیرفت؛ پس از انقلاب اسلامی تا یک دهه پذیرش دانشجوی دکتری متوقف شد و از اواخر دهه شصت دوره‌های دکتری بار دیگر برقرار گردید. از آن زمان تا سال ۱۳۸۴، چه در دانشگاه تهران (به‌عنوان بزرگترین نهاد دولتی آموزش عالی) و چه در واحد علوم و تحقیقات دانشگاه آزاد اسلامی (به‌عنوان بزرگترین دانشگاه غیردولتی) که کم‌وبیش در همه رشته‌ها دورهٔ دکتری داشتند، شمار بسیار کمی در دوره دکتری پذیرفته می‌شدند. در آن زمان استادان هر گروه آموزشی در دانشگاه چنان مبسوط‌الید و صاحب قدرت و اختیار بودند که خود تعیین می‌کردند دانشجوی دکتری پذیرند یا نپذیرند؛ و معمولاً هر چند سال یک‌بار دانشجوی دکتری می‌پذیرفتند نه هر سال. مثلاً دانشگاه تهران از سال ۱۳۶۷ تا ۱۳۸۳ تنها در پنج دوره/ سال دانشجوی دکتری تاریخ و تمدن ملل اسلامی پذیرفته است. زمانی که ما در آزمون دکتری ۱۳۸۳ شرکت کرده بودیم سه سال بود که دانشگاه تهران دانشجوی دکتری نپذیرفته بود. حتی در دانشگاه آزاد واحد علوم و تحقیقات، نیز چنین اختیاری به گروه‌ها و استادان- که کم‌وبیش همان استادان طراز اول دانشگاه تهران (و شهید بهشتی و ...) بودند- داده شده بود. از استادم دکتر هادی عالم‌زاده شنیده‌ام که در یکی‌دو سال در واحد علوم و تحقیقات هیچ‌کس را برای دوره دکتری نپذیرفتیم و دانشگاه هم کاملاً تابع نظر گروه بود. تازه در آن سال‌هایی که دانشجو دکتری می‌پذیرفتند، معمولاً بیشتر از دوسه تن نمی‌پذیرفتند و گاه تنها یک تن پذیرفته می‌شد و سرکلاس دکتری می‌نشست.
🔘 مرحلهٔ دوم (۱۳۸۴ - ۱۳۹۳):
از سال ۱۳۸۴ به بعد، از قدرت و نقش استادان و گروه‌ها کاسته شد. دیگر گروه‌ها نمی‌توانستند بگویند هیچ داوطلبی را نمی‌پذیریم. از این سال به بعد حتی دانشگاه تهران بدون وقفه در هر سال دانشجوی دکتری پذیرفته است. بااین‌همه هنوز نقش گروه‌ها در پذیرش دانشجوی دکتری پررنگ بود. آزمون دکتری همچنان در خود دانشگاه‌ها/ دانشکده‌ها و به‌صورت تشریحی برگزار می‌شد و ظرفیت پذیرش در اختیار گروه‌ها بود. ضمنأ تنها معدودی از دانشگاه‌های سطح اول دولتی و چند واحد بزرگ از دانشگاه آزاد مجوز پذیرش دانشجوی دکتری داشتند. در اواخر دهه هشتاد برگزاری آزمون دکتری از اختیار دانشگاه خارج شد و به سازمان سنجش سپرده شد و به‌اصطلاح نیمه‌متمرکز و از آن بدتر سوالات تستی شد.
🔘 مرحلهٔ سوم (۱۳۹۳ - تا امروز):
از اوایل دههٔ نود برای بسیاری از دانشگاه‌های دولتی و غیردولتی، در شورای گسترش وزارت علوم، با نادیده‌گرفتن معیارها و استانداردهای لازم و ضروری برای راه‌اندازی دوره دکتری، مجوز پذیرش دانشجوی دکتری صادر شد. مثلاً دانشگاهی که هیچ دانشیار یا استادی نداشت، تنها با دو یا سه استادیار مجوز پذیرش دانشجوی دکتری دریافت کرد. از آن‌سوی از نظارت بر ظرفیت پذیرش‌ها کاسته شد و درنتیجه در بعضی رشته‌ها تا بیست دانشجو دکتری پذیرفته شد. دیگر خبری از کسب نمره حداقل یا حد نصاب نیست و کسانی با نمره‌های منفی هم پذیرفته می‌شوند به‌ویژه در رشته‌هایی که متقاضی کمتری دارند.
در یک دههٔ اخیر صدها داوطلب دکتری با نمره‌های منفی دانشجوی دکتری شده‌اند.
همین امروز اگر تصمیم بگیرید که در یکی از رشته‌های علوم انسانی، علوم پایه و کشاورزی و منابع طبیعی و حتی برخی رشته‌ها مهندسی دانشجوی دکتری شوید، کافی است در آزمون دکتری ۱۴۰۶ ثبت‌نام کنید و بدون یک روز مطالعه در آزمون شرکت کنید؛ حتی با نمرهٔ منفی قطعاً شما در مهر ۱۴۰۶ دانشجوی دکتری یکی از دانشگاه‌های پولی خواهید شد، از واحد‌های دانشگاه آزاد اسلامی گرفته تا پردیس‌های خودگردان دانشگاه‌ها بزرگ دولتی. فرقی هم نمی‌کند که فردی گمنام باشید یا دروازه‌بان تیم ملی و یکی از گران‌قیمت‌ترین بازیکنان فوتبال ایران!
ده‌ها تن چون علیرضا بیرانوند -که سخنانش را اصلاح کرده و گفته تازه امسال در آزمون شرکت کرده و هنوز دانشجوی دکتری نیست- همین اکنون دانشجوی دکتری هستند. به‌جای گیردادن به این بازیکن ساده‌لوح و پرسروصدا که به‌واسطهٔ حضور در جام‌جهانی و گرفتن پنالتی رونالدو، می‌شود به او دکتری افتخاری داد😁، باید رفت سراغ آن سیاست‌گذاران و دست‌اندرکارانی که اعتبار مدرک «دکتری» در دانشگاه ایرانی را به حراج گذاشتند و بر باد دادند!
▫️ معصومعلی پنجه
منبع:
@HistoryandMemory
Wikipedia
علیرضا بیرانوند
علیرضا صفر بیرانوند (زادهٔ ۳۰ شهریور ۱۳۷۱) بازیکن فوتبال اهل ایران است که در پست دروازه‌بان برای باشگاه فوتبال تراکتور و تیم ملی فوتبال ایران بازی می‌کند.
👍15❤1
اساتید، دانشجویان و پژوهشگران گرامی
با سلام و احترام،
بدین وسیله از شما دعوت می‌شود تا در ششمین سخنرانی ترویجی آزمایشگاه محاسبات نرم گروه ریاضی دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته که با حضور آقای دکتر عباس سالمی برگزار می‌شود شرکت نمایید. جزئیات این رویداد به شرح زیر است:
سخنران: جناب آقای دکتر عباس سالمی
موضوع سخنرانی: از بردارهای ویژه تا خوشه‌بندی: روش‌های طیفی در علوم داده
تاریخ: یکشنبه 11 خرداد 1404
ساعت: 11:30
مکان: آزمایشگاه محاسبات نرم
لینک مجازی: https://bbb.kgut.ac.ir/rooms/uop-xyl-q7h-yr0/join
کد مهمان: ujellz
با حضور ارزشمند شما، این مراسم به یک بستر تبادل نظر و ارتقای دانش علمی تبدیل خواهد شد. امیدواریم بتوانیم از تجربیات و دیدگاه‌های شما بهره‌مند شویم.
.
با تقدیم احترام،
گروه ریاضی و آزمایشگاه محاسبات نرم
دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته
با سلام و احترام،
بدین وسیله از شما دعوت می‌شود تا در ششمین سخنرانی ترویجی آزمایشگاه محاسبات نرم گروه ریاضی دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته که با حضور آقای دکتر عباس سالمی برگزار می‌شود شرکت نمایید. جزئیات این رویداد به شرح زیر است:
سخنران: جناب آقای دکتر عباس سالمی
موضوع سخنرانی: از بردارهای ویژه تا خوشه‌بندی: روش‌های طیفی در علوم داده
تاریخ: یکشنبه 11 خرداد 1404
ساعت: 11:30
مکان: آزمایشگاه محاسبات نرم
لینک مجازی: https://bbb.kgut.ac.ir/rooms/uop-xyl-q7h-yr0/join
کد مهمان: ujellz
با حضور ارزشمند شما، این مراسم به یک بستر تبادل نظر و ارتقای دانش علمی تبدیل خواهد شد. امیدواریم بتوانیم از تجربیات و دیدگاه‌های شما بهره‌مند شویم.
.
با تقدیم احترام،
گروه ریاضی و آزمایشگاه محاسبات نرم
دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته
آیا «به پایان پیشرفت هوش مصنوعی رسیده‌ایم»؟
گری مارکوس دانشمند علوم شناختی، نویسنده و منتقد قدیمی AI معتقده که: بله!
او به خاطر اینکه با شجاعت حباب فانتزی AI رو بارها سوراخ کرده، در سیلیکون‌ولی زیاد محبوب نیست، ولی حالا حتی بزرگان دنیای AI دارن حرف‌هاش رو تأیید می‌کنن!
«مقیاس‌پذیری» یا Scaling یعنی چی؟
فرض اولیه باورمندان به AI این بود که: «هر چی داده، سخت‌افزار، و توان محاسباتی بیشتری در اختیار مدل بزاریم، عملکرد و پیش‌بینی‌پذیری بهتر میشه».
GPT-2 → GPT-3 → GPT-4
هر مرحله جهش‌های بزرگی داشت.
پس همه فکر کردن این روند تا AGI ادامه داره...
اما مارکوس از ابتدا معتقد بود که افزایش داده و محاسبات در بلند مدت باعث بهبود قابل توجه در AI نمیشه. GPT-4 نسبت به GPT-3 بهتر بود، اما تلاش برای ساخت GPT-5 نتایج دلخواه رو نداد.
مارکوس استدلال می‌کنه که این روند درست مثل وزن بچه‌هاست:
- نوزاد ممکنه هر چند ماه وزنش دو برابر بشه.
- اما اگه ادامه پیدا کنه، تا ۱۸ سالگی باید حداقل ۱۳هزار کیلو باشه!
- همون‌طور که رشد بدن متوقف میشه، رشد مدل‌های زبانی هم داره کند میشه.
مارکوس از ۲۰۲۲ هشدار داده بود: «دیپ لرنینگ داره به دیوار می‌خوره».
همه بهش می‌خندیدن، آلتمن، ماسک، یان لکون حتی اسمش رو آوردن. در حالی‌که حالا خودشون دارن از«بازدهی نزولی» حرف می‌زنن.
پروژه GPT-5 هم بی‌سروصدا شکست خورد و به اسم 4.5 عرضه شد.
حتی با صرف هزینه‌های میلیاردی، شاهد نشانگان رکودیم:
- هرچند GPT-4 یک جهش بود، 5 اتفاق نیافتاد.
- 4.5 یه ذره بهتره.
- علی‌رغم برتری قابل توجه Grok 2 به Grok اولیه، Grok 3 با ۱۰ برابر سایز نسبت به ۲ به طرز چشمگیری بهتر نیست.
- کلاد، جمنای و ... بهبودهای کوچک، بدون چیرگی نسبی.
دیگه خبری از جهش‌های واقعی نیست و Scaling معجزه نمی‌کنه و هیچ مدلی نسبت به مدل‌های دیگه (مثل زمان عرضه GPT-4) تسلط مطلق و دست‌نیافتنی نداره و اختلاف‌ها ناجیز.
واضحه که AI نمرده ولی دوران و راه‌حل «بزرگترش کن، سخت‌افزار بیشتری بکار‌بگیر، بهتر میشه» به سر رسیده!
برخی شرکت‌ها حالا رفتن سراغ محاسبه زمان پاسخ (test-time compute).
ایده: مدل بیشتر فکر کنه، بهتر جواب بده.
در عمل؟ در ریاضی و کدنویسی کمک می‌کنه؛ چون می‌تونیم داده مصنوعی و جواب درست بسازیم.
ولی هنوزم اشتباه می‌کنه، توهم میزنه، و استدلال فقط ظاهریه.
مارکوس می‌گه این مدل‌ها فقط «الگوهای استدلال انسان» رو تقلید می‌کنن.
نه منطق دارن، نه درک مفاهیم انتزاعی.
تو کدنویسی خوبن، ولی تو دیباگ‌کردن افتضاحن!
و هیچ‌کس نمی‌دونه چرا مثلا یه مدل جدید بیشتر توهم میزنه؛ چون همه‌شون «جعبه‌سیاه» هستن.
خلاصه، با وجود پیشرفت‌ها، مدل‌ها همچنان دچار توهم، اشتباهات منطقی، و ناتوانی در تجزیه‌وتحلیل مفهومی هستند. آنها در تکرار اطلاعات موجود خوب‌اند، اما در حل مسائل جدید نه‌چندان.
از طرفی هرچقدر بیشتر سرمایه بیشتری ریخته میشه در AI، به همان میزان بازدهی در حال نزولی‌تر شدن هست!
مارکوس هشدار میده که:
- ارزش‌گذاری‌های عظیم (مثلا ۳۰۰ میلیارد دلار برای OpenAI) احتمالا توجیه‌ناپذیر هستن و باعث شکل‌گیری حباب اقتصادی شده.
- وی نگرانه که شرکت‌هایی نظیر OpenAI به سمت مدل درآمدی مشابه فیسبوک برن: فروش داده‌های خصوصی کاربران جهت تبلیغات هدفمند یا به دولت‌ها.
مارکوس معتقده حتی بدون رسیدن به AGI هم خطرات AI جدی هستن:
- انتشار اطلاعات غلط (چون کاربران توهمات AI رو معمولا بدون Fact Check قبول می‌کنن).
- سواستفاده‌های زیستی و استفاده در بیوتروریسم توسط بازیگران بد (Bad Actors).
- فروش داده‌های کاربران به سبک فیسبوک.
اگر AGI اتفاق نیافته شرکت‌ها جهت جلوگیری از ورشکستگی و رضایت سهامداران چاره‌ای جز فروش داده‌های کاربران به نهادهای امنیتی یا تبلیغ‌دهندگان نخواهند داشت.
بازار داره اشباع میشه:
همه دارن یه کارو می‌کنن، قیمت‌ها می‌ریزه و جهش واقعی نداریم
مگر اینکه یه نوآوری واقعی اتفاق بیفته.
وی معتقده که بدون معماری جدید، مدل‌های زبانی بزرگ ما رو به AGI نمی‌رسونن. اما امیدواره که مسیرهای جایگزین شکل بگیرن و سرمایه‌گذاری به سمت اون‌ها سوق پیدا کنه.
پیشنهاد خودش: Neurosymbolic AI و نمونه بسیار موفق AlphaFold که ساختار پروتئین‌ها رو حل کرد.
در واقع به جای مدل‌های جعبه سیاه عظیم ولی ناقص، اگر به استفاده از مدل‌های نوروسیمبولیک با ترکیب تشخیص الگو (LLMها) با منطق(logic)، قوانین (rules) و استدلال (reasoning) و شبکه‌های عصبی رو بیاریم، همزمان قدرت یادگیری، قابلیت استدلال و صحت سنجی رو خواهیم داشت.
مارکوس شاید در سیلیکون‌ولی محبوب نباشه،
چون با صدای بلند داد میزنه که: «پادشاه لخته»!
اما پیش‌بینی‌هاش داره درست از آب درمیاد آیا مارکوس صلاحیت داره؟
گری مارکوس دانشمند علوم شناختی، نویسنده و منتقد قدیمی AI معتقده که: بله!
او به خاطر اینکه با شجاعت حباب فانتزی AI رو بارها سوراخ کرده، در سیلیکون‌ولی زیاد محبوب نیست، ولی حالا حتی بزرگان دنیای AI دارن حرف‌هاش رو تأیید می‌کنن!
«مقیاس‌پذیری» یا Scaling یعنی چی؟
فرض اولیه باورمندان به AI این بود که: «هر چی داده، سخت‌افزار، و توان محاسباتی بیشتری در اختیار مدل بزاریم، عملکرد و پیش‌بینی‌پذیری بهتر میشه».
GPT-2 → GPT-3 → GPT-4
هر مرحله جهش‌های بزرگی داشت.
پس همه فکر کردن این روند تا AGI ادامه داره...
اما مارکوس از ابتدا معتقد بود که افزایش داده و محاسبات در بلند مدت باعث بهبود قابل توجه در AI نمیشه. GPT-4 نسبت به GPT-3 بهتر بود، اما تلاش برای ساخت GPT-5 نتایج دلخواه رو نداد.
مارکوس استدلال می‌کنه که این روند درست مثل وزن بچه‌هاست:
- نوزاد ممکنه هر چند ماه وزنش دو برابر بشه.
- اما اگه ادامه پیدا کنه، تا ۱۸ سالگی باید حداقل ۱۳هزار کیلو باشه!
- همون‌طور که رشد بدن متوقف میشه، رشد مدل‌های زبانی هم داره کند میشه.
مارکوس از ۲۰۲۲ هشدار داده بود: «دیپ لرنینگ داره به دیوار می‌خوره».
همه بهش می‌خندیدن، آلتمن، ماسک، یان لکون حتی اسمش رو آوردن. در حالی‌که حالا خودشون دارن از«بازدهی نزولی» حرف می‌زنن.
پروژه GPT-5 هم بی‌سروصدا شکست خورد و به اسم 4.5 عرضه شد.
حتی با صرف هزینه‌های میلیاردی، شاهد نشانگان رکودیم:
- هرچند GPT-4 یک جهش بود، 5 اتفاق نیافتاد.
- 4.5 یه ذره بهتره.
- علی‌رغم برتری قابل توجه Grok 2 به Grok اولیه، Grok 3 با ۱۰ برابر سایز نسبت به ۲ به طرز چشمگیری بهتر نیست.
- کلاد، جمنای و ... بهبودهای کوچک، بدون چیرگی نسبی.
دیگه خبری از جهش‌های واقعی نیست و Scaling معجزه نمی‌کنه و هیچ مدلی نسبت به مدل‌های دیگه (مثل زمان عرضه GPT-4) تسلط مطلق و دست‌نیافتنی نداره و اختلاف‌ها ناجیز.
واضحه که AI نمرده ولی دوران و راه‌حل «بزرگترش کن، سخت‌افزار بیشتری بکار‌بگیر، بهتر میشه» به سر رسیده!
برخی شرکت‌ها حالا رفتن سراغ محاسبه زمان پاسخ (test-time compute).
ایده: مدل بیشتر فکر کنه، بهتر جواب بده.
در عمل؟ در ریاضی و کدنویسی کمک می‌کنه؛ چون می‌تونیم داده مصنوعی و جواب درست بسازیم.
ولی هنوزم اشتباه می‌کنه، توهم میزنه، و استدلال فقط ظاهریه.
مارکوس می‌گه این مدل‌ها فقط «الگوهای استدلال انسان» رو تقلید می‌کنن.
نه منطق دارن، نه درک مفاهیم انتزاعی.
تو کدنویسی خوبن، ولی تو دیباگ‌کردن افتضاحن!
و هیچ‌کس نمی‌دونه چرا مثلا یه مدل جدید بیشتر توهم میزنه؛ چون همه‌شون «جعبه‌سیاه» هستن.
خلاصه، با وجود پیشرفت‌ها، مدل‌ها همچنان دچار توهم، اشتباهات منطقی، و ناتوانی در تجزیه‌وتحلیل مفهومی هستند. آنها در تکرار اطلاعات موجود خوب‌اند، اما در حل مسائل جدید نه‌چندان.
از طرفی هرچقدر بیشتر سرمایه بیشتری ریخته میشه در AI، به همان میزان بازدهی در حال نزولی‌تر شدن هست!
مارکوس هشدار میده که:
- ارزش‌گذاری‌های عظیم (مثلا ۳۰۰ میلیارد دلار برای OpenAI) احتمالا توجیه‌ناپذیر هستن و باعث شکل‌گیری حباب اقتصادی شده.
- وی نگرانه که شرکت‌هایی نظیر OpenAI به سمت مدل درآمدی مشابه فیسبوک برن: فروش داده‌های خصوصی کاربران جهت تبلیغات هدفمند یا به دولت‌ها.
مارکوس معتقده حتی بدون رسیدن به AGI هم خطرات AI جدی هستن:
- انتشار اطلاعات غلط (چون کاربران توهمات AI رو معمولا بدون Fact Check قبول می‌کنن).
- سواستفاده‌های زیستی و استفاده در بیوتروریسم توسط بازیگران بد (Bad Actors).
- فروش داده‌های کاربران به سبک فیسبوک.
اگر AGI اتفاق نیافته شرکت‌ها جهت جلوگیری از ورشکستگی و رضایت سهامداران چاره‌ای جز فروش داده‌های کاربران به نهادهای امنیتی یا تبلیغ‌دهندگان نخواهند داشت.
بازار داره اشباع میشه:
همه دارن یه کارو می‌کنن، قیمت‌ها می‌ریزه و جهش واقعی نداریم
مگر اینکه یه نوآوری واقعی اتفاق بیفته.
وی معتقده که بدون معماری جدید، مدل‌های زبانی بزرگ ما رو به AGI نمی‌رسونن. اما امیدواره که مسیرهای جایگزین شکل بگیرن و سرمایه‌گذاری به سمت اون‌ها سوق پیدا کنه.
پیشنهاد خودش: Neurosymbolic AI و نمونه بسیار موفق AlphaFold که ساختار پروتئین‌ها رو حل کرد.
در واقع به جای مدل‌های جعبه سیاه عظیم ولی ناقص، اگر به استفاده از مدل‌های نوروسیمبولیک با ترکیب تشخیص الگو (LLMها) با منطق(logic)، قوانین (rules) و استدلال (reasoning) و شبکه‌های عصبی رو بیاریم، همزمان قدرت یادگیری، قابلیت استدلال و صحت سنجی رو خواهیم داشت.
مارکوس شاید در سیلیکون‌ولی محبوب نباشه،
چون با صدای بلند داد میزنه که: «پادشاه لخته»!
اما پیش‌بینی‌هاش داره درست از آب درمیاد آیا مارکوس صلاحیت داره؟
❤15👍7🕊2👎1👏1🤓1
Forwarded from انجمن ریاضی ایران (IMS) (Niki Sadeghi)
🔹 صد و شصت و سومین نشست علمی مشترک دانشکده ریاضی و کامپیوتر و پژوهشکده ریاضی ماهانی دانشگاه شهید باهنر کرمان با همکاری خانه ریاضیات کرمان
🔹سخنران: آقای دکتر مهدی رجبعلی پور
🔹عنوان: فرگشت شمارش در پهنه نیل تا سند و دریای سیاه تا خلیج پارس
🔹تاریخ و زمان:
یکشنبه ۱۸ خرداد ۱۴۰۴ ساعت ۹:۳۰ الی ۱۰:۳۰
🔹مکان: آمفی تئاتر ساختمان ماهانی
🔹 پیوند برخط جلسه:
https://ocvc.uk.ac.ir/mahani-lecture/
از کلیه علاقه مندان جهت شرکت در جلسه دعوت به عمل می آید.
@IranianMathematicalSociety
🔹سخنران: آقای دکتر مهدی رجبعلی پور
🔹عنوان: فرگشت شمارش در پهنه نیل تا سند و دریای سیاه تا خلیج پارس
🔹تاریخ و زمان:
یکشنبه ۱۸ خرداد ۱۴۰۴ ساعت ۹:۳۰ الی ۱۰:۳۰
🔹مکان: آمفی تئاتر ساختمان ماهانی
🔹 پیوند برخط جلسه:
https://ocvc.uk.ac.ir/mahani-lecture/
از کلیه علاقه مندان جهت شرکت در جلسه دعوت به عمل می آید.
@IranianMathematicalSociety
❤2
محققان انگلیسی می‌خواهند با هوش مصنوعی جدید بیماری‌ها را پیش‌بینی کنند.
محققان انگلیسی قصد دارند با آموزش مدل هوش مصنوعی پیشرفته‌ای با داده‌های سرویس سلامت همگانی (NHS) بریتانیا، بیماری‌ها را پیش‌بینی کنند. در NHS داده‌های سلامت ۵۷ میلیون ساکن انگلستان وجود دارد و همین امر باعث می‌شود هوش مصنوعی بتواند بیماری و عوارض مختلف را قبل از وقوع پیش‌بینی کند.
هوش مصنوعی جدید Foresight نام دارد و توسط محققان کالج دانشگاهی لندن (UCL) و کینگز کالج لندن (KCL) ساخته می‌شود. به زبان ساده این هوش مصنوعی سابقه پزشکی بیمار را برای پیش‌بینی مشکلات سلامتی او در آینده تجزیه‌وتحلیل می‌کند. Foresight با مجموعه داده‌های جمع‌آوری‌شده ۵۷ میلیون بیمار توسط NHS مانند پذیرش در بیمارستان، حضور در اورژانس و واکسیناسیون آموزش می‌بیند؛ البته اطلاعات شخصی بیماران حذف شده است و هوش مصنوعی داده‌های بیماران را به‌صورت افراد ناشناس تحلیل می‌کند.
منبع:
@science_magazine
محققان انگلیسی قصد دارند با آموزش مدل هوش مصنوعی پیشرفته‌ای با داده‌های سرویس سلامت همگانی (NHS) بریتانیا، بیماری‌ها را پیش‌بینی کنند. در NHS داده‌های سلامت ۵۷ میلیون ساکن انگلستان وجود دارد و همین امر باعث می‌شود هوش مصنوعی بتواند بیماری و عوارض مختلف را قبل از وقوع پیش‌بینی کند.
هوش مصنوعی جدید Foresight نام دارد و توسط محققان کالج دانشگاهی لندن (UCL) و کینگز کالج لندن (KCL) ساخته می‌شود. به زبان ساده این هوش مصنوعی سابقه پزشکی بیمار را برای پیش‌بینی مشکلات سلامتی او در آینده تجزیه‌وتحلیل می‌کند. Foresight با مجموعه داده‌های جمع‌آوری‌شده ۵۷ میلیون بیمار توسط NHS مانند پذیرش در بیمارستان، حضور در اورژانس و واکسیناسیون آموزش می‌بیند؛ البته اطلاعات شخصی بیماران حذف شده است و هوش مصنوعی داده‌های بیماران را به‌صورت افراد ناشناس تحلیل می‌کند.
منبع:
@science_magazine
🔥2❤1
Linear Algebra
by Terence Tao, UCLA
https://terrytao.wordpress.com/wp-content/uploads/2016/12/linear-algebra-notes.pdf
@infinitymath
by Terence Tao, UCLA
https://terrytao.wordpress.com/wp-content/uploads/2016/12/linear-algebra-notes.pdf
@infinitymath
❤6
توهم تفکر: فهمیدن نقاط قوت و ضعف مدل‌های استدلالی از دریچه پیچیدگی مسئله
https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf
توضیحات مقاله در ویرگول
vrgl.ir/ul6kw
@infinitymath
https://ml-site.cdn-apple.com/papers/the-illusion-of-thinking.pdf
توضیحات مقاله در ویرگول
vrgl.ir/ul6kw
@infinitymath
❤1
فرض کنید یک کسیه برنج دارید و می‌خواهید تعداد برنج‌های داخلش را تخمین بزنید. هیچ امکان وزن کردن یا اندازه گیری ندارید و تنها وسیله ای که می‌تونید ازش استفاده کنید یک ماژیک هست. چطور می‌تونید تعداد برنج ها رو تخمین بزنید بدون این که تک تک بشماریدشون.
راهنمایی:
فرض کنید هر بار یک دونه برنج تصادفی بردارید، با ماژیک رنگش کنید و دوباره بذاریدش توی بسته. اگر بعد از ۱۰۰۰ بار اولین برنج رنگی را ببینید تخمینتون برای تعداد برنج‌ها چقدره؟
راهنمایی:
فرض کنید هر بار یک دونه برنج تصادفی بردارید، با ماژیک رنگش کنید و دوباره بذاریدش توی بسته. اگر بعد از ۱۰۰۰ بار اولین برنج رنگی را ببینید تخمینتون برای تعداد برنج‌ها چقدره؟
❤2🤯1👨💻1
This media is not supported in your browser
VIEW IN TELEGRAM
«تکینگی آرام» مقاله‌ای از سم آلتمن درباره آیندهٔ هوش مصنوعی و جهش‌های دهه ۳۰ میلادیه. با o3 ترجمه‌اش کردم و با Google Speech صوتی‌اش کردم. پیشنهاد گوش کنین.
بالاش هم نوشته: شاید آخرین مقاله‌ای باشه که بدون کمک AI نوشتم :)
-Mrgolden-
بالاش هم نوشته: شاید آخرین مقاله‌ای باشه که بدون کمک AI نوشتم :)
-Mrgolden-
🔥8❤1
شگفتی در دنیای ریاضیات: دختری ۱۷ ساله، حدس ریاضی ۴۰ ساله را باطل کرد!
هانا کایرو (Hannah Cairo)، دانش‌آموز ۱۷ ساله آمریکایی، موفق شد با ارائه یک مثال نقض هوشمندانه، یکی از حدس‌های قدیمی و مهم در حوزه «آنالیز هارمونیک» را رد کند — حدسی که برای مدت ۴ دهه ذهن بهترین ریاضی‌دانان جهان را به خود مشغول کرده بود.
حدس Mizohata–Takeuchi :
آیا می‌توان مجموعه‌هایی با اندازه صفر (از نظر اندازه‌گیری لبگ) پیدا کرد که در عین حال «مجموعه تعیین‌کننده» برای توزیع‌های متقارن و محدب باشند؟
به‌زبان ساده‌تر: آیا مجموعه‌های به‌ظاهر «بی‌اثر» و «کوچک» می‌توانند حاوی تمام اطلاعات یک تابع باشند؟ این مسأله در تقاطع نظریه‌ی اندازه، آنالیز فوریه، و هندسه‌ی محدب مطرح می‌شود.
هانا موفق شد مثالی بیابد که این فرض را نقض می‌کند — یعنی مجموعه‌ای با «اندازه صفر» ساخت که برخلاف انتظار، اطلاعات کامل را منتقل نمی‌کند. این یعنی حدس غلط است!
بسیاری از ریاضی‌دانان از دقت و خلاقیت استدلال این نوجوان شگفت‌زده شده‌اند.
جالب‌تر آنکه هانا هنوز دبیرستان را تمام نکرده و امسال وارد دوره دکترا در دانشگاه مریلند خواهد شد!
منبع
@infinitymath
هانا کایرو (Hannah Cairo)، دانش‌آموز ۱۷ ساله آمریکایی، موفق شد با ارائه یک مثال نقض هوشمندانه، یکی از حدس‌های قدیمی و مهم در حوزه «آنالیز هارمونیک» را رد کند — حدسی که برای مدت ۴ دهه ذهن بهترین ریاضی‌دانان جهان را به خود مشغول کرده بود.
حدس Mizohata–Takeuchi :
آیا می‌توان مجموعه‌هایی با اندازه صفر (از نظر اندازه‌گیری لبگ) پیدا کرد که در عین حال «مجموعه تعیین‌کننده» برای توزیع‌های متقارن و محدب باشند؟
به‌زبان ساده‌تر: آیا مجموعه‌های به‌ظاهر «بی‌اثر» و «کوچک» می‌توانند حاوی تمام اطلاعات یک تابع باشند؟ این مسأله در تقاطع نظریه‌ی اندازه، آنالیز فوریه، و هندسه‌ی محدب مطرح می‌شود.
هانا موفق شد مثالی بیابد که این فرض را نقض می‌کند — یعنی مجموعه‌ای با «اندازه صفر» ساخت که برخلاف انتظار، اطلاعات کامل را منتقل نمی‌کند. این یعنی حدس غلط است!
بسیاری از ریاضی‌دانان از دقت و خلاقیت استدلال این نوجوان شگفت‌زده شده‌اند.
جالب‌تر آنکه هانا هنوز دبیرستان را تمام نکرده و امسال وارد دوره دکترا در دانشگاه مریلند خواهد شد!
منبع
@infinitymath
🔥34❤13👏4🦄3
🔢 «اعداد اول کد پنهانی داشتند»: ریاضیدانی رمز ۲,۰۰۰ ساله را کشف کرد
چه خبر است؟
کن اونو (Ken Ono)، ریاضیدان برجسته، موفق شده است پیوند شگفت‌انگیزی بین اعداد اول و تقسیم‌های عدد صحیح (integer partitions) کشف کند—پیوندی که می‌تواند پایه‌های نظریه اعداد را دگرگون کند.
چرا این مهم است؟
اعداد اول ستون فقرات رمزنگاری مدرن هستند؛
کشف چنین ارتباطی یعنی ممکن است پایه‌های رمزگذاری فعلی باچالش مواجه شوند — یا حتی بهینه‌تر شوند.
اونو نشان داده که پاشنه آشیل ظاهری اعداد اول — یعنی نظم‌نداشتن‌شان — در واقع، با الگوی مشخص و قابل تحلیل مرتبط است که از طریق ساختار تقسیم‌ها قابل بررسی است. به عبارت دیگر، چیزی به ظاهر بی‌نظم در زیرپوست نظم دارد!
ریاضیات هنوز پر از رمز و راز است و حتی اعداد به اصطلاح "ساده" می‌توانند حرف‌های زیادی داشته باشند. این کشف ذهن‌برانداز نشان می‌دهد که یک ذهن کنجکاو و خلاق می‌تواند نمایی تازه از چیزهای آشنا ارائه دهد.
@infinitymath
منبع
چه خبر است؟
کن اونو (Ken Ono)، ریاضیدان برجسته، موفق شده است پیوند شگفت‌انگیزی بین اعداد اول و تقسیم‌های عدد صحیح (integer partitions) کشف کند—پیوندی که می‌تواند پایه‌های نظریه اعداد را دگرگون کند.
چرا این مهم است؟
اعداد اول ستون فقرات رمزنگاری مدرن هستند؛
کشف چنین ارتباطی یعنی ممکن است پایه‌های رمزگذاری فعلی باچالش مواجه شوند — یا حتی بهینه‌تر شوند.
اونو نشان داده که پاشنه آشیل ظاهری اعداد اول — یعنی نظم‌نداشتن‌شان — در واقع، با الگوی مشخص و قابل تحلیل مرتبط است که از طریق ساختار تقسیم‌ها قابل بررسی است. به عبارت دیگر، چیزی به ظاهر بی‌نظم در زیرپوست نظم دارد!
ریاضیات هنوز پر از رمز و راز است و حتی اعداد به اصطلاح "ساده" می‌توانند حرف‌های زیادی داشته باشند. این کشف ذهن‌برانداز نشان می‌دهد که یک ذهن کنجکاو و خلاق می‌تواند نمایی تازه از چیزهای آشنا ارائه دهد.
آماده سازی و ویرایش متن به کمک هوش مصنوعی
@infinitymath
منبع
Sustainability Times
“Prime Numbers Had a Hidden Code”: Mathematician Cracks 2,000-Year-Old Mystery That Could Rewrite Number Theory - Sustainability…
IN A NUTSHELL 🔍 Mathematician Ken Ono discovered a surprising link between prime numbers and integer partitions, reshaping our understanding of these elusive integers. 🛡️ Prime numbers play a crucial role in modern cryptography, underpinning secure communications…
❤3👍1👎1👏1
شروع برابر، پایان متفاوت
📚 شکافی ۴۰ درصدی در مدرسه بین پسر و دختر در ریاضیات ایجاد می‌شود.
مطالعه‌ی میدانی روی ۲٫۶ میلیون کودک نشان می‌دهد وقتی بچه‌ها وارد کلاس اول می‌شوند (حدود ۵–۶ سال)، دختران و پسران نمرات مشابهی در ریاضیات دارند. اما پس از ۴ ماه مدرسه، تفاوت قابل توجهی در ریاضیات به نفع پسران ظاهر می‌شود و این فاصله پس از یک سال به اندازه‌ای جدی می‌شود.
این شکاف منعکس‌کننده‌ی سنت‌ها و انتظارات فرهنگی است که به مدارس و معلمان منتقل می‌شود؛ نه تفاوت ذاتی دختر و پسر. زمان طلایی برای مداخله اولین سال مدرسه است: با تدابیری مثل آموزش ضد کلیشه‌های جنسیتی، ارتقای اعتماد به نفس ریاضی در دختران، و توجه ویژه معلمان—می‌شود این تفاوت را کاهش داد.
منبع
@infinitymath
📚 شکافی ۴۰ درصدی در مدرسه بین پسر و دختر در ریاضیات ایجاد می‌شود.
مطالعه‌ی میدانی روی ۲٫۶ میلیون کودک نشان می‌دهد وقتی بچه‌ها وارد کلاس اول می‌شوند (حدود ۵–۶ سال)، دختران و پسران نمرات مشابهی در ریاضیات دارند. اما پس از ۴ ماه مدرسه، تفاوت قابل توجهی در ریاضیات به نفع پسران ظاهر می‌شود و این فاصله پس از یک سال به اندازه‌ای جدی می‌شود.
عامل مدرسه است، نه سن.
تحلیل دقیق نشان می‌دهد این شکاف نه به دلیل سن که مربوط به دوره آموزشی است. یعنی با پیشرفت در مدرسه است که چرخه تفاوت شروع می‌شود، نه تنها به مرور زمان.
در تمام گروه‌های اجتماعینتیجهگیری:
چه خانواده‌ی مرفه، چه کم‌درآمد؛ چه در مدارس مختلف؛ چه مناطق گوناگون—همه‌جا الگوی مشابهی دیده شده. شکاف ریاضی در همه موارد به یک شکل رشد کرده.
این شکاف منعکس‌کننده‌ی سنت‌ها و انتظارات فرهنگی است که به مدارس و معلمان منتقل می‌شود؛ نه تفاوت ذاتی دختر و پسر. زمان طلایی برای مداخله اولین سال مدرسه است: با تدابیری مثل آموزش ضد کلیشه‌های جنسیتی، ارتقای اعتماد به نفس ریاضی در دختران، و توجه ویژه معلمان—می‌شود این تفاوت را کاهش داد.
آماده سازی و ویرایش متن به کمک هوش مصنوعی
منبع
@infinitymath
👍10👎3🤔3🦄1
«هوش مصنوعی آماده تغییر کامل روش انجام ریاضیات است!»
لینک خبر
@infinitymath
طبق گزارش New Scientist، تعداد زیادی از ریاضی‌دانان برجسته اخیراً در دانشگاه کمبریج گرد هم آمدند تا بررسی کنند که آیا ابزارهای جدید اتوماتیک‌سازی اثبات‌ها کاملاً مجهز به هوش مصنوع، می‌توانند نحوه پژوهش ریاضی را به‌کلی دگرگون کنند.هوش مصنوعی می‌تواند به‌عنوان هم‌یار (co‑pilot) برای ریاضیدان‌ها ظاهر شود؛ نه جایگزین آنها. هدف اولیه سپردن فرایندهای تکراری و دشوار، مانند فرموله‌کردن اثبات‌ها و بررسی رسمی آنها، به دست ماشین است. با بهتر شدن ابزارها، امکان دارد سرعت اثبات‌ها افزایش یابد و پروژه‌های کلان‌تری قابل انجام شوند. این تحول می‌تونه نقطه عطفی در پژوهش ریاضی باش، از اثبات‌های سنتی دستی تا همکاری هوش مصنوعی در جایزه‌های بزرگ مثل فیلز مدال در آینده نه‌چندان دور!
چرا این موضوع مهم است؟
تا همین ۸ سال پیش (۲۰۱۷)، در جلسات رسمی دانشگاهی حتی خبری از نقش AI در «فرمال‌سازی» (Formalisation) نبود؛ اما حالا، ابزارهایی مثل ChatGPT به کمک مدل‌های زبانی بزرگ پیشرفته آمده‌اند.
این ابزارها قادرند اثبات‌های ریاضی را به‌صورت قابل بررسی دقیق توسط ماشیندرآورن،کاری که دقت و اعتماد به‌نفس در پژوهش را افزایش می‌دهد .
آماده سازی و ویرایش متن به کمک هوش مصنوعی
لینک خبر
@infinitymath
🔥4
«آیا هوش مصنوعی می‌تواند برنده مدال فیلدز در ریاضی شود؟»
مدل‌های پیشرفته هوش مصنوعی مانند ChatGPT و ابزارهای تحلیل اثبات‌ها، وارد میدان ریاضیات شده‌اند، اما هنوز در نقش کمک‌کننده عمل می‌کنند، نه جایگزین؛خلاقیت و کشف مسائل جدید همچنان نیازمند ریاضیدان انسان است.
هوش مصنوعی سرعت و دقت را بالا می‌برد و اثبات‌های رسمی را قدرتمند می‌کند، اما برای نشستن روی صندلی Fields Medal راهی طولانی در پیش است. اکنون، AI همراه و دستیار پژوهشگری است، نه جایزه‌بگیر.
@infinitymath
لینک خبر
مدل‌های پیشرفته هوش مصنوعی مانند ChatGPT و ابزارهای تحلیل اثبات‌ها، وارد میدان ریاضیات شده‌اند، اما هنوز در نقش کمک‌کننده عمل می‌کنند، نه جایگزین؛خلاقیت و کشف مسائل جدید همچنان نیازمند ریاضیدان انسان است.
هوش مصنوعی سرعت و دقت را بالا می‌برد و اثبات‌های رسمی را قدرتمند می‌کند، اما برای نشستن روی صندلی Fields Medal راهی طولانی در پیش است. اکنون، AI همراه و دستیار پژوهشگری است، نه جایزه‌بگیر.
آماده سازی و ویرایش متن به کمک هوش مصنوعی
@infinitymath
لینک خبر
👍1
این مقاله هم یکی از اساتید رياضی برام فرستادند. هرچند قدیمی است ولی خیلی جالب و جذابه:
مقاله «چه کسی از بُردار میترسد؟» از وب‌سایت یک پزشک
این مقاله، با الهام از جمله‌ای طنزآمیز («بردار چیز خوبی نیست، چون آدم را گمراه می‌کند!») به نقد تاریخی و سیاسی نگاه ایدئولوژیک به علم، مخصوصاً ریاضیات، می‌پردازد. نویسنده با روایت‌هایی واقعی از قرون وسطی تا آمریکای لاتین قرن بیستم، نشان می‌دهد چگونه حکومت‌ها و نظام‌های ایدئولوژیک، وقتی علم با منافعشان ناسازگار بوده، آن را سرکوب یا تحقیر کرده‌اند. حتی مفاهیم بی‌طرفی مثل بردار!
در دل متن، دفاعی پرحرارت از استقلال علم و اندیشه دیده می‌شود. مقاله با زبانی روایی، پرکنايه و پر از ارجاع تاریخی، ذهن خواننده را به درنگی جدی درباره‌ی رابطه قدرت و دانش وامی‌دارد.
@infinitymath
مقاله «چه کسی از بُردار میترسد؟» از وب‌سایت یک پزشک
این مقاله، با الهام از جمله‌ای طنزآمیز («بردار چیز خوبی نیست، چون آدم را گمراه می‌کند!») به نقد تاریخی و سیاسی نگاه ایدئولوژیک به علم، مخصوصاً ریاضیات، می‌پردازد. نویسنده با روایت‌هایی واقعی از قرون وسطی تا آمریکای لاتین قرن بیستم، نشان می‌دهد چگونه حکومت‌ها و نظام‌های ایدئولوژیک، وقتی علم با منافعشان ناسازگار بوده، آن را سرکوب یا تحقیر کرده‌اند. حتی مفاهیم بی‌طرفی مثل بردار!
در دل متن، دفاعی پرحرارت از استقلال علم و اندیشه دیده می‌شود. مقاله با زبانی روایی، پرکنايه و پر از ارجاع تاریخی، ذهن خواننده را به درنگی جدی درباره‌ی رابطه قدرت و دانش وامی‌دارد.
@infinitymath
یک پزشک
چه کسی از بُردار میترسد؟ | یک پزشک
اگر کتاب‌های تاریخ علم را بخوانید، نمونه‌های متعددی از درک نشدن دانشمندان، حمله به دستاوردهای علمی آنها یا شیطانی خواندن یافته‌های آنها را می‌توانید
👏3👎1