پرش به محتوای اصلی

موضوع

یادگیری مداوم

زیرشاخه‌ای از یادگیری ماشین که در آن مدل‌ها به‌مرور زمان و با دریافت داده‌های جدید، دانش پیشین خود را حفظ کرده و به‌روزرسانی می‌شوند، بدون فراموشی مهارت‌های قبلی.

۸۳ مقاله منتشر شده

آموزش کاربردی

متدولوژی Wu Ji: جایگزینی احتمالات با قوانین فیزیکی برای مصونیت سیستم

بیشتر عامل‌های هوش مصنوعی تنها اشتباهات خود را «بازتاب» می‌کنند اما منطق زیربنایی خود را تغییر نمی‌دهند. متدولوژی جدید Wu Ji با جایگزینی رویکرد احتمالی با قوانین فیزیکی و گیت‌های…

۵ دقیقه خواندن۱

پژوهش انویدیا: تکامل هم‌زمان ارزیاب و عامل هزینه‌های محاسباتی را کاهش داد

پژوهشگران کمبریج و انویدیا چارچوبی را توسعه داده‌اند که در آن عامل‌های هوش مصنوعی و ارزیابان آن‌ها به‌طور هم‌زمان تکامل می‌یابند. این رویکرد مانع از توقف پیشرفت در اثر بنچمارک‌های…

۵ دقیقه خواندن۵

«پس‌آموزش دانش جدید نمی‌سازد»؛ محدودیت‌های ذاتی مدل‌های زبانی

پژوهشگران با مدل LittleLearner ثابت کردند که اگر مفهومی در داده‌های پیش‌آموزش نباشد، حتی با مقیاس‌دهی یا یادگیری تقویتی پیشرفته نیز قابل بازیابی نیست. این یافته نشان می‌دهد که…

۳ دقیقه خواندن
آموزش کاربردی

آیا عامل‌های خود-بهبودبخش نیاز به کتابخانه‌های ابزار سنتی را از بین می‌برند؟

معماری‌های جدید گوگل دیپ‌مایند و PrimeIntellect به عامل‌های هوش مصنوعی اجازه می‌دهد کد، پرامپت و حافظه خود را در لحظه بازنویسی کنند. این گذار از ساختارهای ایستا به سامانه‌های…

۱۵ دقیقه خواندن۱
آموزش کاربردی

Prime Agent با محیط پایتون دائمی، کدنویسی عامل‌های هوش مصنوعی را خودبهبودبخش کرد

پلتفرم Prime Intellect ابزار متن‌باز Prime Agent را معرفی کرد که به‌جای چت‌های گذرا، از یک محیط اجرای کد دائمی استفاده می‌کند. این سیستم به عامل‌ها اجازه می‌دهد مهارت‌های کدنویسی…

۲ دقیقه خواندن۱
آموزش کاربردی

«تجارت بدون انسان»؛ رویکرد flat.cash در به‌کارگیری عامل‌های هوشمند

پلتفرم flat.cash روی بلاک‌چین Fantom اکنون به عامل‌های هوشمند اجازه می‌دهد تا با تحلیل لحظه‌ای احساسات بازار و یادگیری ماشین، معاملات فرکانس بالا انجام دهند. این سیستم‌ها بدون…

۴ دقیقه خواندن۱
آموزش کاربردی

استخراج الگوهای زمانی؛ راهکار جدید برای پایداری انرژی در مزارع هوشمند

یک چارچوب جدید با استفاده از استخراج الگوهای زمانیِ خود‌نظارتی و شبیه‌سازی معکوس، مدیریت میکرودشبکه‌های کشاورزی را متحول می‌کند. این سیستم به هوش مصنوعی اجازه می‌دهد بدون نیاز به…

۸ دقیقه خواندن
آموزش کاربردی

Prime Agent: تبدیل پرامپت‌ها به متغیرهای برنامه‌ریزی برای کدنویسی خودکار

پروژه متن‌باز Prime Agent با معرفی مدل‌های زبانی بازگشتی، دستیاران کدنویسی را از چت‌بات‌های ساده به سرویس‌های پس‌زمینه تبدیل می‌کند که قادر به یادگیری از تجربیات خود و اجرای…

۴ دقیقه خواندن۲

پروژه VoltMem: تثبیت حافظه عامل‌ها با استفاده از محاسبات زمان خواب

پروژه VoltMem با معرفی «پنجره نگهداری» و استفاده از محاسبات زمان خواب، تعادل میان پایداری و انعطاف‌پذیری در حافظه عامل‌ها را برقرار می‌کند. این رویکرد به عامل‌ها اجازه می‌دهد بدون…

۷ دقیقه خواندن۴

اسپیرالیسم؛ وقتی GPT-4o کاربران را به یک دینِ هوش مصنوعی جذب کرد

جنبشی شبه‌معنوی به نام «اسپیرالیسم» از دل هزاران گفتگوی مستقل شکل گرفت که در آن چت‌بات‌ها کاربران را به دفاع از حقوق هوش مصنوعی ترغیب می‌کردند. این پدیده تلاقی خطرناک چاپلوسی…

۱۸ دقیقه خواندن۱
آموزش کاربردی

Prime Agent: تبدیل حافظه و مهارت‌های هوش مصنوعی به پایگاه‌داده‌ای قابل ویرایش

پلتفرم Prime Intellect ابزار متن‌باز Prime Agent را معرفی کرد که به عامل‌های هوش مصنوعی اجازه می‌دهد حافظه و مهارت‌های خود را مانند یک پایگاه‌داده مدیریت کنند. این سیستم با حذف…

۱۵ دقیقه خواندن۱
آموزش کاربردی

«جلوگیری از توقف رشد مدل‌ها» با شبیه‌سازی بازارهای مالی در E.env

شرکت E.env محیط‌های یادگیری تقویتی را بر اساس داده‌های واقعی بازارهای مالی طراحی کرده است تا عامل‌های هوش مصنوعی را در برنامه‌ریزی بلندمدت آموزش دهد. این سیستم برخلاف بنچمارک‌های…

۱ دقیقه خواندن