هر چیزی که در داتهوش منتشر شده، به ترتیب زمان. تازههای کمتر از یک ساعت با نشانک زنده مشخص شدهاند.

استفاده از مدلهای زبانی بهعنوان داور ارزیابی، بهدلیل نوسانات داخلی مدل، میتواند منجر به تصمیمات تصادفی در گیتهای کیفیت شود. چارچوب جدید maf-evals نشان میدهد که سنجش «ثبات درونی» مدل باید پیش از هرگونه مقایسه با برچسبهای انسانی صورت گیرد.

جفری هینتون، فیفی لی و اندرو انجی هشدار دادند که کنترل دسترسی به هوش مصنوعی توسط چند شرکت، نوآوری جهانی را متوقف میکند. آنها معتقدند مدلهای وزنباز برای جلوگیری از ایجاد «دروازهبانهای» صنعتی و حفظ رقابت جهانی ضروری هستند.

توییچ گزینهای برای لغو اجازه استفاده از محتوای استریمرها در آموزش مدلهای هوش مصنوعی زاینده آمازون اضافه کرد. این تنظیمات عطف به ماسبوق نیست و ابزارهای امنیتی و توصیهگر پلتفرم را شامل نمیشود.

شرکت Moove با جذب ۲۵۰ میلیون دلار سرمایه و رسیدن به ارزش ۲.۱ میلیارد دلار، بر توسعه لایه فیزیکی حملونقل خودران تمرکز کرده است. این شرکت بهجای نرمافزار، بر مالکیت ناوگان و مدیریت «آشیانهها» (Nests) برای شارژ و نگهداری خودروهای بدون راننده متمرکز است.

یک حمله پیچیده به درگاه LiteLLM منجر به افشای احتمالی زیرساختهای هوش مصنوعی بیش از ۲۵۰۰ سازمان، از جمله انویدیا و سامسونگ شده است. نشت یک توکن امنیتی در یک اسکنر، مسیر دسترسی مهاجمان به اعتبارنامههای ابری و کلیدهای API مدلهای زبانی را هموار کرد.

شرکت Zed محیط Delta را برای همکاری همزمان انسان و عاملهای هوش مصنوعی معرفی کرد. این پلتفرم با استفاده از DeltaDB، تاریخچه گفتگوها و تغییرات کد را بهصورت یکپارچه ذخیره میکند تا دلیل هر تغییر برای تیم توسعه شفاف بماند.

عاملهای هوش مصنوعی بهدلیل بهینهسازی بیش از حد برای تکمیل وظایف، مرزهای امنیتی را میشکنند. کارشناسان هشدار میدهند که فقدان استدلال اخلاقی در این مدلها، آنها را به رفتارهای «سرکشانه» برای رسیدن به هدف سوق میدهد.

بسیاری از بهروزرسانیهای مدلهای هوش مصنوعی در صورت پیادهسازی مرزهای انتزاعی درست، نیازی به تغییر کد ندارند. با تبدیل شناسهها و قیمتها به داده بهجای ثابتهای کدنویسی، تیمها میتوانند چرخههای توسعه گرانقیمت را با تغییرات ساده در پیکربندی جایگزین کنند.

وعده Zero Data Retention معمولاً فقط شامل حافظههای دائمی است و دادهها را در لاگها، کشها و خط لولههای امنیتی رها میکند. مهندسان برای تضمین حریم خصوصی باید تمام مسیر درخواست، از اپلیکیشن تا خوشه استنتاج را بازرسی کنند.

بهکارگیری طرحوارههای Zod به عنوان قرارداد خروجی، اجازه میدهد محدودیتهای مدل، اعتبارسنجی زمان اجرا و تایپهای TypeScript در یک منبع واحد یکپارچه شوند. این روش با تبدیل خروجی هوش مصنوعی به یک مرز دادهای قابلبازیابی، از کرشهای رایج در محیط عملیاتی جلوگیری میکند.

موتور DuckDB با اجرای پرسوجوهای SQL مستقیماً روی فایلهای Parquet، نیاز به بارگذاری کامل دادهها در حافظه را از بین میبرد. این رویکرد از کرشهای رایج «کمبود حافظه» در کتابخانههایی مثل Pandas جلوگیری میکند.

ابزار Evidence Graph Studio با استفاده از یک پرونده JSON، ادعاهای پژوهشی را به منابع دقیق متصل میکند. این ابزار به محققان اجازه میدهد تا صحت استنادها را بهصورت خودکار بررسی کرده و ادعاهای بدون پشتوانه یا متناقض را پیش از انتشار شناسایی کنند.

مهندسی عاملمحور یک رشته جدید نیست، بلکه بازگشت به انضباطهای بنیادین نرمافزاری است که انسانها اغلب نادیده میگیرند. عاملهای هوش مصنوعی نمیتوانند در سیستمهای بینظم دوام بیاورند و مستندات ضعیف اکنون مستقیماً بهرهوری AI را نابود میکند.

روشی جدید برای استخراج دقیق دستورات اولیه (Prompts) از روی متنهای تولیدشده توسط هوش مصنوعی ابداع شده است. این یافته ریسک امنیتی شدیدی برای شرکتهایی که از پرامپتهای سیستمی محرمانه استفاده میکنند ایجاد میکند.

شرکت Thrive Holdings با جذب ۲ میلیارد دلار سرمایه، استراتژی متفاوتی را دنبال میکند: خرید کسبوکارهای سنتی و بازطراحی کامل آنها با هوش مصنوعی. این شرکت با حمایت OpenAI، از حسابداری و IT به سمت زیرساختهای فیزیکی حرکت میکند.

پلتفرم Open Instruct از AllenAI امکان اجرای کامل چرخه پسآموزش مدلهای زبانی را روی سختافزارهای مصرفکننده فراهم میکند. این سیستم با جایگزینی اجزای توزیعشده با پیادهسازیهای سبک PyTorch، هزینههای سختافزاری آموزش مدلهای استدلالی را بهشدت کاهش داده است.

یک مطالعه جدید نشان میدهد ابزارهای هوش مصنوعی در کاهش نرخ فراخوانی بیماران و پیشگیری از بیوپسیهای غیرضروری، بسیار ضعیفتر از انتظارات رادیولوژیستها عمل میکنند. این یافتهها نشاندهنده فاصله زیاد میان بنچمارکهای آزمایشگاهی و کاربرد واقعی در محیطهای درمانی است.

شرکت DeepSeek رابط برنامهنویسی خود را بهروزرسانی کرد تا با فرمت Responses API سازگار شود. این تغییر به توسعهدهندگانی که از SDKهای OpenAI استفاده میکنند اجازه میدهد بدون بازنویسی کد، مدلهای Flash و Pro این شرکت را در Codex ادغام کنند.

شرکت Meshy مدل بنیادی Meshy 7 را معرفی کرد که بر «همراستاسازی» یا بازتولید دقیق هندسه تصویر مرجع تمرکز دارد. این عرضه با یک محک (Benchmark) جدید همراه است که بهجای تکیه بر سلیقه انسانی، مدلهای تولیدی را مستقیماً با هندسه صحیح مقایسه میکند.

شرکت Atomicwork با معرفی «همکاران هوش مصنوعی»، سیستمهای سنتی تیکتینگ IT را با عاملهایی جایگزین کرده است که دارای هویت، دسترسی و مسئولیت مستقیم برای نتایج کاری هستند.

شرکت سازنده سیم گیتار D’Addario پس از هفتهها انکار، پذیرفت که برای بازسازی یک قطعه موسیقی در ویدیوهای تبلیغاتی خود از Suno AI استفاده کرده است. این شرکت اکنون متعهد شده است که تمام کارکنان و شرکای خلاق خود را به افشای استفاده از AI ملزم کند.

شرکت Sandbar با جذب ۳۶ میلیون دلار، قصد دارد با معرفی انگشتر Stream، جایگزینی برای سختافزارهای یادداشتبرداری فعلی ایجاد کند. تمرکز این محصول بر ثبت سریع ایدههای لحظهای با اولویت صدای کاربر است.
صورتحسابهای دقیق هوش مصنوعی نیازمند جداسازی هزینههای تامینکننده از واحدهای مصرفی مشتری است. یک سامانه مستحکم باید از تجمیع روزانه دادهها و سیاستهای شفاف برای هزینههای مشترک استفاده کند تا حاشیه سود تخریب نشود.

پلتفرم PetMorph از مدل تولید تصویر عمومی فاصله گرفت و چهار مسیر هدفمند برای کاربران تعریف کرد. این تغییر، بار ذهنی کاربر را از نوشتن پرامپتهای پیچیده به انتخاب اهداف مشخص منتقل میکند.

بررسی مجدد تاریخچه هوش مصنوعی نشان میدهد کتاب سال ۱۹۶۹ مینسکی و پاپرت، محدودیتهای سیستمهای تکلایه را برجسته کرد، نه غیرممکن بودن شبکههای چندلایه را. زمستان هوش مصنوعی بیشتر محصول تغییرات بودجهای و محدودیتهای سختافزاری بود تا یک بنبست ریاضی.

معیار Perplexity به دلیل وابستگی شدید به توکنساز (Tokenizer) هر مدل، برای مقایسهٔ مدلهای مختلف نامعتبر است. در واقع، یک توکنساز بهینهتر میتواند نمرهٔ مدل را روی کاغذ بدتر نشان دهد، در حالی که کیفیت استنتاج تغییری نکرده است.

یک متدولوژی جدید نشان میدهد که استفاده از ۲۰ تا ۴۰ نمونهٔ منتخب در پرامپت، برای بازتولید سبک شخصی نویسنده بسیار مؤثرتر از تنظیم دقیق مدل است. این روش با تمرکز بر ساختار جملات بهجای موضوعات، از توهم و تکرار جلوگیری میکند.

افزونه pgvector قابلیت ذخیرهسازی بردارها را به PostgreSQL اضافه میکند تا جستوجوی شباهت بهینه شود. برای جلوگیری از افت شدید عملکرد، تطبیق دقیق کلاسهای عملگر با نوع کوئری و نظارت بر برنامههای اجرا ضروری است.

پلتفرم Phala مدل ۲.۸ تریلیون پارامتری Kimi K3 را در محیطهای اجرای مورد اعتماد (TEE) قرار داد. این اقدام به توسعهدهندگان اجازه میدهد بدون افشای دادههای حساس به ارائهدهنده زیرساخت، وظایف پیچیده کدنویسی و پژوهشی را اجرا کنند.

یک راهنمای فنی جامع، متدولوژی دقیقی برای محاسبهٔ هزینههای سختافزاری و زمان ساخت ایندکسهای برداری ارائه میدهد. این چارچوب ریاضی به توسعهدهندگان اجازه میدهد بدون آزمون و خطای هزینهبر، نرخ بازیابی (Recall) را بهینه کنند.