فیلم #پیرپسر رو دیدم و چون همه احتمالاً دیدند و درباره‌اش صحبت شده من فقط چند تا نکته ریز بگم و تک مضراب بزنم و برم. اول: خب حسن پورشیرازی بزرگترین نقطه قوت فیلم بود و بجز داوودنژاد بقیه معمولی بودند. دوم: طراح صحنه نمره‌اش 20/20، میتونم بگم در این بخش در حد فیلمهای علی حاتمی خوب بود. سوم: بقول یکی از دوستانم این فیلم اگر کتاب میشد جذابتر بود، یکم اکت و عکس‌العمل‌ها غیرواقعی بود، بخصوص در شرایط خشم و تحقیر خیلی رفتارها کاغذی جلوه میداد. در کل فیلمنامه حتماً خوب و البته تدوین عالی بود. چهار: یک قاب و سکانسی که ندیدم کسی بهش اشاره کند، لوکیشن سمساری غمخوار و اون تابلو مسجد روبرویش 😉 پنج: سکانس بعدی در اوایل فیلم در کتابفروشی حامد بهداد که میخواست برادران کارامازوف (مشخصاً الهام‌بخش اصلی داستان) را به دختر مشتری بدهد، ترجمه احد علیقلیان رو نشونش داد ولی ایشون در نهایت با اینکه گفت بخاطر شما خریدمش! ترجمه دوجلدی صالح حسینی رو موقع خرید برداشت و با توجه به کتاب‌نشناسی و مشخصاً اینکاره نبودن دختر و با عنایت به برچسب‌هایی که به دختر در این سکانس گفته می‌شود، قضاوت رو برعهده خود صالح حسینی می‌گذارم.😂 شش: سکانس و تیتراژ پایانی فیلم که اشاره به مستند نیمه‌تمام و روح‌مانند! خود علی داشت، خیلی خوب بود و استاندارد فیلم رو بالا برد، اشاره مستقیم به نادرشاه اونم در دو تابلو با مکث! هم جالب بود. هفت: تابلوی «مسیح مرده» هم خیلی خوب محبوس و مدفون بودن یک بیگناه و معصوم، در قبری میان حصار خانه را تصویر و ارجاع داده بود، از این مدل جزئیات خوشم میاد. هشت: اکثر موسیقی‌ها بویژه آنهایی که در بک‌گراند بودند خیلی حساب شده و بعضاً گل‌درشت انتخاب شده بودند، ولی در کل قابل قبول بود. هشت: کلاً فیلم خوب و استانداردی بود و حدس میزنم دقایقی از فیلم هم حذف شده است، بخصوص برای کاراکتر رضا که کم پرداخت شده بود.

انقلاب در تراشه‌ها: کامپیوتری که با نویز کار می‌کند، نه منطق! اکستروپیک - Extropic، استارتاپی از سان‌فرانسیسکو است که توسط «Guillaume Verdon» معروف به Beff Jezos، مهندس سابق Google X و Quantum AI، در سال ۲۰۲۲ تأسیس شد. هدف آن ساخت نوع جدیدی از رایانه و پردازشگر بوده است: کامپیوتر احتمالاتی ترمودینامیکی. این سیستم از نویز حرارتی (همان نوسانات طبیعی الکترون‌ها) نه به عنوان مزاحم (که معمولاً عامل ایجاد خطا است و کلی الگوریتم برای رفع آن وجود دارد)، بلکه به عنوان سوپرپاور محاسباتی استفاده می‌کند. هسته‌ی فناوری Extropic تراشه‌ای است به نام TSU (Thermodynamic Sampling Unit)، نخستین رایانه‌ی مقیاس‌پذیر مبتنی بر p-bit، یعنی بیت‌های احتمالی که به جای ۰ یا ۱ قطعی، مانند سکه‌ای با احتمال تنظیم‌پذیر (مثلاً ۶۰٪ شیر) عمل می‌کنند. شبکه‌ای از p-bitها از طریق فرآیند Gibbs Sampling محاسبات احتمالاتی را انجام می‌دهد، به بیان ساده، این سخت‌افزار به جای اینکه فقط جواب «درست یا غلط» بدهد، با نمونه‌گیری از توزیع‌های احتمالی تصمیم می‌گیرد، مشابه کاری که مغز انسان انجام می‌دهد. (خیلی دقت کنید که کلاً با پردازشگرهای کوانتومی متفاوت است و اشتباه نشود) نسل جدید مدل Extropic، یعنی DTM (Denoising Thermo Model)، نسخه‌ی فیزیکی مدل‌های diffusion است که داده‌هایی مانند تصاویر را با مصرف انرژی هزاران برابر کمتر از GPU تولید می‌کند (بدون نیاز به هزاران ضرب‌ماتریس سنگین مانند GPUها). نتیجه، مصرف انرژی بسیار کمتر و سرعت بالاتر در وظایف احتمالی است، از جمله در مدل‌های زایشی (Generative AI) که متن یا تصویر تولید می‌کنند، یا در شبیه‌سازی‌های علمی پیچیده مثل پیش‌بینی هوا و مدل‌های مالی. Extropic همچنین یک کتابخانه پایتون متن‌باز به نام THRML ارائه کرده که به پژوهشگران اجازه می‌دهد الگوریتم‌های ترمودینامیکی را شبیه‌سازی کرده و برای اجرای واقعی روی TSU آماده کنند. اهمیت این دستاورد در آن است که می‌تواند بحران انرژی در عصر هوش مصنوعی را حل کند: مدل‌هایی مانند GPT-5 به مقادیر عظیم برق نیاز دارند، اما تراشه‌های Extropic براساس ادعای ایشان تا ۱۰,۰۰۰ برابر کم‌انرژی‌تر کار می‌کنند، در دمای اتاق و بدون نیاز به خنک‌کننده کوانتومی. با این حال، فناوری هنوز در مراحل اولیه‌ی اثبات است. اگر ادعاهای آن در مقیاس بزرگ تأیید شوند، Extropic می‌تواند مسیر جدیدی در محاسبات باز کند، راهی بین هوش مصنوعی کلاسیک و کوانتومی، و شاید رقیبی جدی برای انویدیا در عصر بعدی پردازش. **** پینوشت 1 و ضروری: این آقای Verdon از خوبهای Post-Humanism است و بنیان‌گذار جنبش e/acc (Effective Accelerationism) است و بی‌وقفه این جنبش تکنو-اپتیمیسم رادیکال را ترویج می‌دهد (خداش خیر دهاد). این جنبش بر شتاب‌دهی حداکثری پیشرفت فناوری (به ویژه AI) بدون ترمزهای ایمنی بیش از حد تأکید دارد، این جنبش مخالف "decels" (کُندکننده‌ها) و doomers (بدبین‌های AI) است و e/acc باور دارد تسریع نوآوری، entropy جهان را افزایش می‌دهد، مقیاس کارداشف را بالا می‌برد و درنهایت مشکلات بشر (فقر، جنگ، اقلیم) را حل می‌کند. همچنین گول ظاهر این عزیز را نخورده و ایشان یکی از بسیار ترول‌کنندگان و میم‌بازهای قهار اینترنت است. پینوشت2: این ویدیو هم با کمک سرویس @iSegar0 ترجمه و زیرنویس‌دار شده است. وی نیز خداش خیر فراوان دهاد.

شکستن مرزهای زمان و محاسبه: جهش کوانتومی گوگل با تراشه‌ی Willow، لطفا 10 سپتیلیون سال دیگر تشریف بیاورید! گوگل با ارائه‌ی تراشه‌ی کوانتومی جدید خود با نام «Willow» گامی بزرگ در جهت دستیابی به رایانش کوانتومی مقاوم در برابر خطا و مقیاس‌پذیر برداشته است. در آزمون‌های مرجع، این تراشه توانست یک محاسبه‌ی استاندارد را در کمتر از پنج دقیقه انجام دهد؛ محاسبه‌ای که برای یک ابررایانه‌ی پیشرو، بیش از 10^25 سال طول می‌کشید! مدتی بسیار فراتر از عمر کل جهان. این نشان‌دهنده‌ی توان بالقوه‌ی معماری‌های کوانتومی در گشودن افق‌های نوین برای حل مسائل پیچیده‌ی علمی و صنعتی است. این تراشه بر پایه‌ی معماری ماژولار و مبتنی بر کیوبیت‌های ابررسانا طراحی شده که امکان افزایش تعداد کیوبیت‌ها را بدون از دست دادن کیفیت کوانتومی فراهم می‌سازد. طراحی Willow بر تصحیح خطای کوانتومی و رمزگذاری اطلاعات در کیوبیت‌های منطقی تکیه دارد و از کدهای سطح بالا برای کاهش نرخ خطاها در فرایند محاسبات بهره می‌گیرد. با این رویکرد، امید آن می‌رود که ظرفیت اجرای الگوریتم‌های کوانتومی پیچیده، روزبه‌روز افزایش یابد. ویژگی متمایز Willow نه‌تنها در بهبود سخت‌افزار، بلکه در بهره‌گیری از سامانه‌های نرم‌افزاری پیشرفته و ابزارهای شبیه‌سازی مجازی نیز نمود می‌یابد. این ابزارها به پژوهشگران اجازه می‌دهند پیش از تولید فیزیکی، ایده‌ها و طرح‌های خود را در محیطی دیجیتال ارزیابی و بهینه‌سازی کنند. دستاورد این تلاش‌ها دست‌یابی به توان محاسباتی بی‌سابقه‌ای است که همانطور که در ابتدا ذکر شد در مقام مقایسه برای بهترین سوپرکامپیوترهای جهان 10 سپتیلیون! سال طول خواهد کشید به این ترتیب، شاید بتوان گفت Willow آغازگر مسیری است که می‌تواند رایانش کوانتومی را از آزمایشگاه به عرصه‌ی کاربردهای صنعتی، علمی و فناوری بکشاند. لینک مطلب اصلی در بلاگ گوگل: blog.google/technology/resea… #رایانش_کوانتومی #QuantumComputing

هم‌اکنون در London Blockchain Conference رویت شد، خرید و فروش اورانیوم بر روی بلاکچین

تشخیص سن اندام‌های داخلی تنها با تصویر ام‌آر‌آی!؟ پژوهش تازه‌ای نشان می‌دهد با استفاده از تصویربرداری ام‌آر‌آی، میتوان میزان "سن بیولوژیک" اندام‌های داخلی بدن را تخمین زد. گروهی از دانشمندان با بررسی بیش از ۳۰۰ هزار تصویر ام‌آر‌آی از افراد مختلف، توانستند برای هفت اندام مهم بدن، از جمله مغز، قلب، کبد، کلیه، طحال، لوزالمعده و بافت چربی، نوعی "ساعت زیستی" طراحی کنند که نشان می‌دهد هر اندام تا چه حد پیر یا جوان است. / تفاوت سن شناسنامه ای و بیولوژیک اندام‌ها به دلیل عوامل ژنتیکی، سبک زندگی، تغذیه و حتی استرس شکل می‌گیرد. برای مثال، کسانی که مغز زیستی جوان‌تری داشتند، در آزمون‌های حافظه و هوش، عملکرد بهتری نشان دادند و در برابر بیماری‌هایی مثل آلزایمر مقاوم‌تر بودند. در مقابل، کسانی که مغزشان از نظر زیستی پیرتر بود، سریع‌تر دچار افت شناختی شدند. / این پژوهش همچنین ارتباط جالبی میان اندام‌ها و بیماری‌ها نشان داد. ساعت زیستی قلب با احتمال بالاتر ابتلا به فشار خون و بیماری‌های قلبی در ارتباط بود. ساعت زیستی کلیه و لوزالمعده با خطر دیابت رابطه داشتند، و وضعیت کبد و طحال نیز با طول عمر کلی افراد مرتبط بود. در واقع، هر اندام نقشی جداگانه اما هماهنگ در روند پیری بدن دارد. دانشمندان حتی توانستند چند ژن کلیدی را شناسایی کنند که می‌توانند هدف داروهای ضدپیری در آینده باشند. جالب اینکه برخی از داروهای موجود، مثل داروهای ضدالتهاب یا داروهای مورد استفاده برای دیابت و پارکینسون، شاید بتوانند در کنترل روند پیری در اندام‌های خاص مؤثر باشند. این موضوع راه را برای درمان‌های شخصی‌سازی‌شده باز می‌کند، یعنی در آینده شاید بتوان برای هر فرد نسخه‌ی ضدپیری مخصوص خودش را نوشت. doi.org/10.1038/s41591-025-0…

اقتصاد بی‌رحمِ هوش مصنوعی؛ گویا فقط غول‌ها زنده می‌مانند - - - - آقای Steve Rosenbush دیروز مقاله‌ای در وال‌استریت‌ژورنال منتشر کرده‌اند (wsj.com/articles/ai-economic…) با این عنوان: «اقتصاد هوش مصنوعی بی‌رحم است. تقاضا، متغیرِ تعیین‌کننده است» که بنظر من صورت‌بندی و تحلیل مناسبی داشته است. چون مقاله پشت پی‌وال است خلاصه‌اش را عرض می‌کنم: 🔹🔹🔹🔹 شرکت‌های فعال در حوزه‌ی هوش مصنوعی با سرعتی بی‌سابقه در حال از دست دادن پول هستند و دلایل آن فراتر از یک ولخرجی ساده است. اقتصاد هوش مصنوعی فعلاً علیه آن‌هاست، البته به‌دلایلی که پیش‌تر پیش‌بینی نشده بود!. بسیاری نگران هستند که حباب سرمایه‌گذاری عظیم در هوش مصنوعی ممکن است بترکد و بحرانی در حد حباب دات‌کام (یا حتی بزرگتر از آن) ایجاد کند. دغدغه‌ها درباره‌ی هزینه‌های سرمایه‌ای، ارزش‌گذاری‌های نجومی، سطح بدهی و روال ظاهراً مشکوک چرخه‌ی بسته‌ی سرمایه‌گذاری شرکت‌های AI در یکدیگر افزایش یافته است. و جالب این‌که احتمالاً حتی محتمل‌ترین برندگان آینده، اکنون میلیاردها دلار زیان می‌دهند. پیش‌بینی آینده‌ی این روند در بازارهای مالی دشوار است، اما بنظر نویسنده باید به تقاضا برای هوش مصنوعی «برحسب حجم داده‌های پردازش‌شده» توجه کرد. این تقاضا در حال انفجار است و مسیر کل صنعت به آن بستگی دارد. به گفته‌ی «هیث تری» از شرکت Citi، اشتباه مهم سال گذشته این بود که رهبران صنعت فقط بر کاهش هزینه‌ی واحد محاسبات تمرکز کردند (که محقق هم شد و هزینه توکن‌ها فقط در سال گذشته 75% کاهش یافته است)، اما فراموش کردند که تعداد واحدهای لازم برای انجام کار به‌طور چشمگیر افزایش می‌یابد. البته که انتظار هم می‌رفت با کاهش قیمت، استفاده بالا برود، اما رشد مصرف کاملاً «نمایی و غیرقابل‌کنترل» شد، وضعیتی مشابه با مدل اولیه‌ی Uber که برای ایجاد بازار، یکجورهایی دامپینگ می‌کرد! و سفرها را با زیان قیمت‌گذاری می‌کرد و با افزایش ناگهانی سفرها تا مرز ورشکستگی پیش‌رفت! (و به لطف تزریق دائمی پول و سرمایه‌گذاری مجدد تعدادی سرمایه‌گذار بسیار باهوش و البته پولدار)... برای مثال گوگل در فروردین ماه امسال اعلام کرد: «سال گذشته ۹.۷ تریلیون توکن در ماه پردازش می‌کردیم، اکنون بیش از ۴۸۰ تریلیون، یعنی ۵۰ برابر.» و جالب اینکه اواسط خرداد گفت: «حالا بیش از ۹۸۰ تریلیون توکن در ماه پردازش می‌کنیم.» و در مهرماه! این رقم به ۱.۳ کوادریلیون رسیده است. در همین حال، تقاضا برای محصولات جدیدی مانند برنامه‌های ساخت ویدیو Sora از OpenAI به‌شدت افزایش یافته و شرکتهای دیگر برای اینکه بتوانند تمایز خود را نشان دهند کارهای متهورانه‌ای کرده‌اند نظیر این‌که مدل Claude Sonnet 4.5 از Anthropic می‌تواند تا ۳۰ ساعت متوالی کدنویسی کند و احتمالاً این نبرد برای تمایز (دقت کنید نه برای اغوای مشتریان، بلکه برای اینکه به سرمایه‌گذار ثابت کنند که اونی که قرار هست برنده بشود ما هستیم و پولت رو از ما دریغ نکن) جنسن هوانگ، مدیرعامل انویدیا، ماه گذشته در پادکست Bg2Pod گفت «محاسبات هوش مصنوعی در نهایت (منظورش تا 2028 بود) یک میلیارد برابر خواهد شد، این همان انقلاب صنعتی است.» با فرض اینکه آقای هوانگ درست پیش‌بینی کرده است، با چنین رشدی ممکن است مدل‌های بهتر، ظرفیت بیشتر مراکز داده و توانایی خودِ AI برای بهبود خودش، در آینده معادله‌ی اقتصادی را تغییر دهند و سرانجام تقاضای عظیم را به سود تبدیل کنند. اما احتمالا!ً بازده همچنان در میان چند بازیگر بزرگ متمرکز خواهد بود. احتمالاً چنین فضایی باعث شده است که حضرت «وینود خوسلا - Vinod Khosla» (یکی از مطرح‌ترین بازیگران سرمایه‌گذاری در حوزه فناوری، که من هیچوقت علیه‌ حرفهایش شرط ‌نمی‌بندم!) همین هفته پیش گفته است: «در سرمایه‌گذاری جسورانه، 6% از سرمایه‌گذاری‌ها 60% بازده را ایجاد می‌کنند. در هوش مصنوعی، احتمالاً 3% از پروژه‌ها بیش از 60% بازده خواهند داشت.» جدا از اینکه وقتی که این گزاره به شکل عمومی گفته می‌شود، درواقع حاوی چه پیامی برای اکوسیستم سرمایه‌گذاری جهان است!؛ نشان ‌میدهد VCها هم نیاز است با متریکس‌های جدیدی به سراغ این حوزه بروند. (البته که من کارمند ساده آقای خوسلو هم نیستم ولی اواخر بهار یک سخنرانی در London VC Summit داشتم که خیلی دقیق این تغییرات رو پیش‌بینی کرده بودم و اینکه سیاست‌گذاری حوزه سرمایه‌گذاری تغییرات جدی خواهد داشت و چگونه باید رفتار کنند) و نتیجه نهایی روشن است: در این حوزه، نیمه‌راه وجود ندارد و توسعه‌ی مدل یا زیرساخت به‌صورت نصفه‌نیمه کافی نیست. این بازی همه یا هیچ است، در مقیاس تریلیون‌دلاری، و سرمایه‌گذاران تا انتها درگیر شده‌اند. تحلیل خود من این است که این متن تصویر نسبتاً درستی از واقعیت امروز هوش مصنوعی می‌دهد: رشد تقاضا نجومی است اما هنوز سودآور نشده است. هزینه‌ی محاسبات از درآمد پیشی گرفته و شرکت‌ها در فاز «زیان برای رشد» گیر کرده‌اند. شباهت آن با دوران دات‌کام در شدت هیجان و نبود سودآوری است، اما تفاوت اصلی اینجاست برخلاف آن دوره تقاضا واقعی است، نه فرضی. فلذا فرضیه ترکیدن حباب خیلی نامحتمل است. در نهایت تنها چند بازیگر بزرگ (مثل متا، گوگل، انویدیا و OpenAI و البته شاید گروک!) احتمالاً سود اصلی را خواهند برد. مسیر پایداری اقتصاد AI در گرو مدل‌های کم‌هزینه‌تر، زیرساخت‌های کارآمدتر و توانایی خودِ هوش مصنوعی برای بهینه‌سازی خودش است که اگرچه در همین مسیر هستیم، ولی این هم قرار نیست به این سادگی باشد و اصلاً شاید برخی ترجیح بدهند خیلی هم پایدار نباشد!! - این هم یادم رفت اضافه کنم، که یک سری اعراضات هم میشه به این تحلیل داشت و خیلی ضدضربه نیست. مثلاً مدل‌هایی که پیش از این چنین انفجارهایی را تجربه کرده‌اند همیشه یک اثر شبکه‌ای مبتنی بر تعداد/انگیجمنت کاربر داشته‌اند، مدل‌های AI بیشتر بر اساس داده‌های آموزشی و قدرت محاسباتی ساخته می‌شوند، نه بر تعاملات کاربری که چرخه virtuous/ارزش‌آفرینی ایجاد کند. مثلاً، یک مدل زبانی مانند ChatGPT ارزشش بیشتر از بهبود الگوریتم‌ها و داده‌ها می‌آید، نه از اینکه کاربران بیشتری از آن استفاده کنند (هرچند داده‌های کاربری می‌تواند کمک کند، اما نه به اندازه مثلاً شبکه‌های اجتماعی) و شاید این در درازمدت حاشیه سود را بسیار پایین‌تر از آنچه پیش‌بینی می‌شود نگه‌دارد. این موضوع خوبی برای فکرورزی است.