بدون دسته های نکسینو

انویدیا با به‌کارگیری هوش مصنوعی سازمانی توانسته است فرآیندهای دستی را خودکار کرده، زمان نمونه‌سازی محصولات را به‌شدت کاهش دهد و اطلاعات کلیدی را از میان حجم انبوه داده‌ها استخراج کند....

پروژه آسمان آبی گوگل با ترکیب هوش مصنوعی و داده‌های ماهواره‌ای، به خلبانان کمک می‌کند تا از تشکیل پس‌دمه‌های گرم‌کننده زمین جلوگیری کنند....

فارغ‌التحصیلان نگران‌اند که هوش مصنوعی مانعِ استخدامِ آن‌ها شود، اما اقتصاددانان معتقدند این فناوری با تغییرِ ماهیتِ مشاغل، در نهایت به رشدِ بهره‌وری و خلقِ فرصت‌های جدید منجر خواهد شد....

چت‌جی‌پی‌تی برای نوجوانان نسخه‌ای امن و آموزشی از هوش مصنوعی OpenAI است که به‌جای انجام تکالیف، دانش‌آموزان را در مسیر حل مسئله و یادگیری عمیق هدایت می‌کند....

رقابت هوش مصنوعی در سال‌های اولیه بیشتر با نام مدل‌های بزرگ و Benchmarkهای جدید شناخته می‌شد، اما داده‌های تازه Hugging Face نشان می‌دهد در سال ۲۰۲۶ سؤال مهم‌تری مطرح شده است: کدام مدل‌ها واقعاً وارد ابزارها و جریان کاری توسعه‌دهندگان می‌شوند؟ گزارش State of Open Models: Summer 2026 تصویری متفاوت از بازار ارائه می‌دهد. از یک طرف، آزمایشگاه‌های چینی مدل‌های Open-Weight را به مقیاس چندصد میلیارد و حتی چندتریلیون پارامتری رسانده‌اند؛ از طرف دیگر، بخش بزرگی از استفاده واقعی همچنان مربوط به مدل‌های کوچک و قدیمی‌تری است که سال‌هاست در نرم‌افزارها و Pipelineهای مختلف استفاده می‌شوند. در میان این دو جریان، Qwen توانسته به یکی از مهم‌ترین پایه‌های توسعه مدل‌های جدید تبدیل شود و هم‌زمان AI Agentها نیز به کاربران جدید زیرساخت‌های Hugging Face تبدیل شده‌اند. اکوسیستم Open Model با چه سرعتی رشد کرده است؟ Hugging Face می‌گوید از ابتدای ۲۰۲۶ تا پایان ژوئیه، تعداد Repositoryهای عمومی مدل از ۲.۴۳ میلیون به ۲.۹۶ میلیون رسیده است. تعداد Datasetها نیز از ۷۱۱ هزار به حدود یک میلیون و Spaces از یک میلیون به ۱.۴۴ میلیون افزایش یافته است. اما این رشد یک نکته مهم را پنهان می‌کند: عرضه مدل بسیار بیشتر از استفاده واقعی آن‌هاست. حدود ۸۵.۶٪ مدل‌ها در Hub کمتر از ۲۰۰ دانلود مادام‌العمر دارند و تنها ۱.۵٪ Repositoryها تقریباً ۹۹.۲٪ کل دانلودها را ایجاد کرده‌اند. بنابراین انتشار یک مدل جدید لزوماً به معنای Adoption گسترده نیست. این تفاوت برای تحلیل صنعت AI اهمیت زیادی دارد. بازار Open Model فقط مسابقه‌ای برای انتشار مدل جدید نیست؛ برنده واقعی ممکن است مدلی باشد که سال‌ها در پروژه‌ها، اپلیکیشن‌ها و زیرساخت‌های توسعه‌دهندگان باقی بماند. چین چگونه به مرز مدل‌های Open-Weight رسیده است؟ یکی از مهم‌ترین یافته‌های Hugging Face، تغییر موازنه جغرافیایی مدل‌های باز است. در تقریباً تمام ماه‌های ۲۰۲۶، بزرگ‌ترین مدل Open منتشرشده از سوی یک آزمایشگاه چینی از مدل‌های آمریکایی همان ماه بزرگ‌تر بوده است. سقف مدل‌های چینی در این دوره بین حدود ۷۵۴ میلیارد تا ۲.۷۸ تریلیون پارامتر حرکت کرده، در حالی که مدل‌های آمریکایی در پنج ماه از هفت ماه زیر ۱۳۰ میلیارد پارامتر باقی مانده‌اند. البته تعداد پارامتر به‌تنهایی معیار کیفیت نیست. اهمیت این اتفاق بیشتر در تغییر استراتژی شرکت‌هاست. شرکت‌هایی مانند Moonshot، MiniMax، Xiaomi و Z.ai مستقیماً سراغ مدل‌های بسیار بزرگ رفته‌اند، در حالی که Alibaba و Tencent خانواده‌هایی از مدل‌های کوچک تا بسیار بزرگ ارائه می‌کنند. این تفاوت دو استراتژی را نشان می‌دهد: یک شرکت می‌تواند تمام تمرکز خود را روی Frontier Model و Benchmark بگذارد، یا خانواده‌ای گسترده بسازد که توسعه‌دهنده برای هر اندازه سخت‌افزار بتواند در همان اکوسیستم باقی بماند. محبوبیت با استفاده واقعی یکی نیست یکی از جالب‌ترین بخش‌های گزارش، مقایسه Likes و Downloads است. Hugging Face، ۲۵ Repository برتر از نظر Likes و ۲۵ مدل برتر از نظر دانلود طی سال ۲۰۲۶ را مقایسه کرده و فقط یک مدل در هر دو فهرست قرار گرفته است. حتی هیچ مدلی که در ۲۰۲۶ منتشر شده، وارد ۲۵ مدل برتر دانلود نشده و ۱۳ مدل این فهرست به سال ۲۰۲۲ برمی‌گردند. این تفاوت نشان می‌دهد Like بیشتر نماینده توجه و هیجان جامعه است، اما Download می‌تواند نشان دهد چه مدلی واقعاً داخل Pipelineها و محصولات قرار گرفته است. مدل Frontier جدید ممکن است هزاران Like بگیرد، اما یک Embedding Model قدیمی می‌تواند روزانه میلیون‌ها بار در زیرساخت‌های واقعی استفاده شود. به همین دلیل، ارزیابی وضعیت صنعت AI تنها براساس ترندهای شبکه‌های اجتماعی یا رتبه Benchmark می‌تواند تصویر ناقصی ایجاد کند. Qwen چگونه به مدل پایه جامعه Open Model تبدیل شد؟ شاید مهم‌ترین نتیجه گزارش برای Alibaba این باشد که Hugging Face، Qwen را یکی از بزرگ‌ترین پایه‌های اکوسیستم مدل‌های باز می‌داند. براساس داده‌های Hub، بیش از ۱۵۱ هزار مدل مشتق‌شده بر پایه Qwen ساخته شده است؛ رقمی حدود ۲.۶ برابر کل ردپای مدل‌های Meta و ۴.۷ برابر Repositoryهایی که مشخصاً از Llama مشتق شده‌اند. Google نیز با بیش از ۸۲ هزار مدل مشتق‌شده در جایگاه بعدی قرار دارد. طبق گزارش، در هفت ماه نخست ۲۰۲۶ روزانه تقریباً ۱۸۰ تا ۲۱۰ Repository جدید مبتنی بر Qwen ایجاد شده است. این یعنی موفقیت Qwen دیگر فقط نتیجه یک عرضه پرسر‌وصدا نیست، بلکه توسعه‌دهندگان به‌صورت مستمر آن را برای Fine-Tuning، Quantization و ساخت مدل‌های تخصصی انتخاب می‌کنند. یکی از دلایل این رشد، تنوع خانواده Qwen است. Alibaba از مدل‌های کوچک قابل اجرا روی دستگاه‌های شخصی تا مدل عظیم Qwen3.8-Max را در یک خانواده ارائه می‌کند. توسعه‌دهنده می‌تواند بدون تغییر کامل اکوسیستم، مدل متناسب با سخت‌افزار و پروژه خود را انتخاب کند. چرا مدل‌های کوچک هنوز لایه عملی AI هستند؟ مدل‌های چندتریلیون پارامتری بخش عمده اخبار را به خود اختصاص می‌دهند، اما استفاده واقعی تصویر متفاوتی دارد. در میان مدل‌هایی که تعداد پارامتر خود را اعلام کرده‌اند، مدل‌های زیر یک میلیارد پارامتر ۸۳٪ کل دانلودهای تاریخی را تشکیل می‌دهند، در حالی که سهم مدل‌های بالای ۱۰۰ میلیارد پارامتر تنها حدود یک درصد است. حتی اگر فقط دانلودهای ۲۰۲۶ را بررسی کنیم، مدل‌های بالای ۷۰ میلیارد پارامتر حدود ۳٪ حجم را تشکیل می‌دهند. دلیل ساده است: مدل کوچک روی سخت‌افزاری اجرا می‌شود که توسعه‌دهنده واقعاً در اختیار دارد. هزینه استقرار پایین‌تر است، Latency کمتر می‌شود و برای بسیاری از وظایف تخصصی نیازی به یک Frontier Model عظیم وجود ندارد. بنابراین «مدل بزرگ‌تر» لزوماً به معنی «مدل پرکاربردتر» نیست. Local AI چگونه مدل‌های بزرگ را به سخت‌افزار معمولی نزدیک می‌کند؟ در کنار مدل‌های کوچک، اکوسیستم Quantization و Local Inference نیز رشد سریعی داشته است. Hugging Face به‌طور ویژه به نقش llama.cpp و فرمت GGUF اشاره می‌کند؛ ابزارهایی که اجرای نسخه‌های فشرده‌شده مدل‌های بزرگ را روی سخت‌افزارهای مصرفی یا مجموعه‌ای از چند سیستم امکان‌پذیر کرده‌اند. گزارش می‌گوید Repositoryهایی که از GGUF استفاده می‌کنند در این بازه ۴۶۴٪ رشد کرده‌اند؛ بسیار سریع‌تر از رشد کلی Repositoryهای مدل. Qwen نیز حدود ۳۹.۶ میلیون دانلود ماهانه GGUF داشته، در مقایسه با ۲۰.۸ میلیون برای Gemma و ۷.۵ میلیون برای Llama. این روند را در مدل‌هایی مانند DeepSeek V4 Flash نیز می‌توان دید؛ جایی که Quantization و ابزارهای Community فاصله میان مدل Frontier و سخت‌افزار در اختیار کاربران را کمتر می‌کنند. Agentها؛ کاربران جدید Hugging Face Hub یکی از تازه‌ترین تغییرات اکوسیستم این است که دیگر همه کاربران Hub انسان نیستند. Hugging Face از

...

تا همین چند سال پیش، استفاده از یک مدل قدرتمند هوش مصنوعی تقریباً همیشه به اتصال اینترنت و دیتاسنترهای عظیم شرکت‌هایی مانند OpenAI، Google یا Anthropic وابسته بود. اما رقابت جدیدی در صنعت AI شکل گرفته است: چه کسی می‌تواند بیشترین قدرت هوش مصنوعی را از Cloud خارج کند و مستقیماً روی کامپیوتر کاربران قرار دهد؟ Alibaba در تازه‌ترین حرکت خود مدل Qwen3.8-27B را معرفی کرده؛ مدلی ۲۷ میلیارد پارامتری که برای اجرای کارآمد روی سخت‌افزار مصرفی طراحی شده و با Quantization حتی می‌تواند روی لپ‌تاپ اجرا شود. گزارش CNBC این عرضه را پاسخی مستقیم به حرکت اخیر Meta در معرفی مدل محلی Muse Glimmer می‌داند. اهمیت این رقابت فقط به دو مدل جدید محدود نمی‌شود. Alibaba و Meta در حال آزمایش آینده‌ای هستند که در آن Agentهای هوش مصنوعی، ابزارهای کدنویسی و دستیارهای شخصی می‌توانند بدون ارسال دائمی داده به سرورهای خارجی، مستقیماً روی دستگاه کاربر فعالیت کنند. Qwen3.8-27B چیست؟ Qwen3.8-27B جدیدترین مدل Open-Weight خانواده Qwen3.8 شرکت Alibaba است. برخلاف مدل عظیم Qwen3.8-Max که روی مقیاس بسیار بزرگ‌تری قرار دارد، نسخه 27B تلاش می‌کند میان قدرت مدل و هزینه اجرای آن تعادل ایجاد کند. این مدل یک معماری Dense با ۲۷ میلیارد پارامتر دارد و از ابتدا به‌صورت چندوجهی طراحی شده است؛ بنابراین علاوه بر متن، قابلیت درک تصویر و ویدئو را نیز دارد. Alibaba می‌گوید مدل برای کدنویسی، کارهای حرفه‌ای، پژوهش و وظایف Agentic طولانی طراحی شده است. یکی از مهم‌ترین مشخصات آن Context Window بومی ۲۶۲ هزار توکنی است که قابلیت گسترش تا حدود یک میلیون توکن را دارد. به گفته Alibaba، عملکرد این مدل در برخی ارزیابی‌های داخلی به Qwen3.7-plus، یک مدل Mixture-of-Experts بسیار بزرگ‌تر، نزدیک شده است. این مقایسه فعلاً ادعای سازنده است و برای نتیجه‌گیری قطعی درباره برتری مدل به ارزیابی‌های مستقل بیشتری نیاز داریم. چرا اجرای یک مدل قدرتمند روی لپ‌تاپ مهم است؟ برای درک اهمیت خبر باید به شیوه فعلی استفاده از AI نگاه کنیم. وقتی کاربر با یک مدل Cloud مانند ChatGPT یا Claude کار می‌کند، درخواست او به دیتاسنتر ارسال، پردازش و نتیجه دوباره دریافت می‌شود. این معماری فوق‌العاده قدرتمند است، اما هزینه، وابستگی به اینترنت و نگرانی‌های مربوط به داده را نیز به همراه دارد. Local AI مدل دیگری پیشنهاد می‌کند: بخشی یا تمام پردازش روی دستگاه خود کاربر انجام شود. در نتیجه می‌توان به مزایایی مانند حریم خصوصی بیشتر، عملکرد آفلاین، کاهش وابستگی به API و کنترل بیشتر روی مدل دست پیدا کرد. البته عبارت «قابل اجرا روی لپ‌تاپ» به این معنا نیست که Qwen3.8-27B روی هر لپ‌تاپ معمولی با چند گیگابایت RAM به‌راحتی اجرا می‌شود. Quantization حجم مدل را کاهش می‌دهد، اما اجرای سریع مدل‌های ده‌ها میلیارد پارامتری همچنان به سخت‌افزار مناسب نیاز دارد. Qwen3.8-27B چه قابلیت‌هایی ارائه می‌دهد؟ Alibaba این مدل را صرفاً برای Chat طراحی نکرده است. تمرکز جدی خانواده جدید Qwen روی Agentها و انجام وظایف چندمرحله‌ای دیده می‌شود. این مسیر با رشد معماری AI Agentها ارتباط مستقیمی دارد؛ زیرا یک Agent محلی باید بتواند استدلال کند، ابزار فراخوانی کند، فایل‌ها را بخواند و چند مرحله را بدون وابستگی دائمی به یک مدل Cloud انجام دهد. مهم‌ترین قابلیت‌های اعلام‌شده Qwen3.8-27B عبارت‌اند از: Alibaba هم‌زمان یک تصمیم مهم دیگر نیز گرفته است: وزن‌های مدل عظیم Qwen3.8-2.4T-A95B را منتشر کرده؛ مدلی با حدود ۲.۴ تریلیون پارامتر کل و حدود ۹۵ میلیارد پارامتر فعال. به گفته شرکت، این نخستین بار است که مدلی در کلاس Qwen-Max به شکل Open-Weight منتشر می‌شود. Meta با Muse Glimmer وارد همین رقابت شده است Alibaba تنها شرکتی نیست که Local AI را جدی گرفته است. Meta در ۱۰ اوت مدل Muse Glimmer را معرفی کرد؛ یک مدل حدود ۳۰ میلیارد پارامتری که مشخصاً برای Agentهای همیشه‌فعال روی دستگاه طراحی شده است. Muse Glimmer می‌تواند متن و تصویر را پردازش کند، ابزار فراخوانی کند، وظایف چندمرحله‌ای انجام دهد و پس از شکست یک Tool Call تلاش مجدد داشته باشد. Meta وزن مدل را تحت مجوز Apache 2.0 منتشر کرده است. برای اجرای محلی، Meta با Quantization وزن مدل را از بیش از ۵۵ گیگابایت در Full Precision به کمتر از ۲۰ گیگابایت کاهش داده و آن را برای سخت‌افزارهایی با حدود ۲۴ یا ۳۲ گیگابایت فضای حافظه مناسب بهینه کرده است. Meta اجرای مدل را روی MacBookهای قدرتمند و GPUهایی مانند RTX 5090 آزمایش کرده است. مقایسه Qwen3.8-27B و Meta Muse Glimmer هر دو مدل تقریباً در یک کلاس اندازه قرار دارند، اما استراتژی آن‌ها کاملاً یکسان نیست. ویژگی Qwen3.8-27B Muse Glimmer شرکت Alibaba Meta اندازه 27B حدود 30B نوع Dense Multimodal Dense + Perception Encoder تمرکز کار عمومی، کدنویسی، تحقیق و Agent Agentهای محلی و Tool Use اجرای محلی بله، با Quantization بله ورودی چندوجهی متن، تصویر و ویدئو متن و تصویر مجوز Apache 2.0 Apache 2.0 مقایسه مستقیم کیفیت دو مدل فقط بر اساس اعداد سازندگان منطقی نیست، زیرا Benchmarkها و شرایط ارزیابی می‌توانند متفاوت باشند. اما جهت حرکت هر دو شرکت روشن است: مدل‌های کوچک‌تر باید آن‌قدر قدرتمند شوند که انجام بسیاری از کارهای روزمره دیگر به Frontier Modelهای عظیم Cloud وابسته نباشد. چرا Open-Weight به میدان جدید رقابت AI تبدیل شده است؟ در مدل Open-Weight، وزن‌های آموزش‌دیده مدل در اختیار توسعه‌دهندگان قرار می‌گیرد. این موضوع امکان دانلود، استقرار داخلی، Quantization، Fine-Tuning و ساخت نسخه‌های تخصصی را فراهم می‌کند. Open-Weight البته الزاماً به معنی Open Source کامل نیست؛ زیرا ممکن است داده‌های آموزشی، فرایند کامل آموزش یا تمام کدهای مورد استفاده برای ساخت مدل منتشر نشده باشند. به همین دلیل بهتر است برای Qwen و Muse Glimmer از اصطلاح Open-Weight استفاده کنیم. رشد مدل‌هایی مانند Qwen، Muse Glimmer و DeepSeek V4 Flash نشان می‌دهد مدل‌های باز دیگر صرفاً نسخه‌های ضعیف‌تر مدل‌های تجاری نیستند. فاصله عملکردی در بسیاری از کاربردها کاهش یافته و اکنون عواملی مانند هزینه، License، قابلیت استقرار محلی و امکان شخصی‌سازی نیز در انتخاب مدل اهمیت پیدا کرده‌اند. آیا دوران وابستگی کامل به Cloud تمام می‌شود؟ احتمالاً نه؛ حداقل نه در آینده نزدیک. مدل‌های Frontier بسیار بزرگ همچنان برای دشوارترین مسائل به زیرساخت محاسباتی عظیم نیاز دارند. چیزی که در حال تغییر است، مرز میان وظایف Local و Cloud است. می‌توان آینده‌ای را تصور کرد که یک Agent روی لپ‌تاپ بیشتر وظایف روزمره را محلی انجام

...

بیمارانی که هم‌زمان با چند بیماری مزمن درگیر هستند، معمولاً فقط با یک پزشک یا یک مسئله پزشکی سروکار ندارند. آزمایش‌ها، پرونده‌های متعدد، متخصصان مختلف و داده‌هایی که میان سیستم‌های جداگانه پخش شده‌اند، می‌توانند روند تشخیص و درمان را به فرایندی پیچیده و فرسایشی تبدیل کنند. گزارش تازه Axios درباره هوش مصنوعی و Mayo Clinic دقیقاً روی همین مسئله تمرکز دارد. Jim VandeHei در این گزارش تجربه درمان همسرش را با مدل مراقبتی Mayo Clinic مقایسه کرده و استدلال می‌کند که ترکیب مراقبت تیمی، داده‌های پزشکی منظم و هوش مصنوعی می‌تواند بخشی از مشکلات نظام سلامت را برطرف کند. اما نکته اصلی این نیست که یک «پزشک هوش مصنوعی» جای پزشکان را بگیرد. مسئله مهم‌تر، ساخت سیستمی است که بتواند اطلاعات پراکنده بیمار را کنار یکدیگر قرار دهد و به تیم درمان کمک کند تصویر کامل‌تری از وضعیت او داشته باشد. چرا سیستم درمان برای بیماران پیچیده مشکل دارد؟ هرچه تعداد بیماری‌ها و متخصصان درگیر در درمان بیشتر شود، هماهنگی دشوارتر می‌شود. ممکن است بیمار هم‌زمان با متخصص قلب، گوارش، روماتولوژی و چند بخش دیگر در ارتباط باشد. هر پزشک بخشی از مسئله را می‌بیند، اما کنار هم قرار دادن صدها نتیجه آزمایش، تصویر پزشکی، دارو و یادداشت بالینی می‌تواند برای یک انسان بسیار دشوار باشد. هوش مصنوعی در چنین موقعیتی می‌تواند به‌عنوان لایه‌ای برای تحلیل و سازمان‌دهی داده عمل کند. کاربردهای احتمالی شامل این موارد است: این دقیقاً همان نقطه‌ای است که هوش مصنوعی در مراقبت سلامت می‌تواند از یک چت‌بات ساده فراتر برود. Mayo Clinic چه کاری متفاوت انجام می‌دهد؟ یکی از موضوعاتی که Axios روی آن تأکید می‌کند، مدل تیمی Mayo Clinic است. در این مدل، متخصصان مختلف قرار است به‌جای درمان جداگانه یک عضو یا بیماری، حول مسئله اصلی بیمار همکاری کنند. سه مؤلفه را می‌توان در مرکز این رویکرد قرار داد: مؤلفه نقش مراقبت تیمی همکاری چند متخصص روی یک بیمار داده‌های یکپارچه ایجاد تصویر کامل‌تر از سابقه پزشکی هوش مصنوعی تحلیل داده و کمک به تصمیم‌گیری در چنین ساختاری، AI به‌تنهایی ارزش ایجاد نمی‌کند؛ بلکه قدرت آن زمانی بیشتر می‌شود که به اطلاعات درست و تیم درمان مناسب متصل باشد. نقش هوش مصنوعی در Mayo Clinic چیست؟ Axios گزارش می‌دهد پزشکان Mayo به حجم بزرگی از اطلاعات پزشکی و بیش از ۵۰۰ الگوریتم هوش مصنوعی دسترسی دارند که می‌توانند در بخش‌های مختلف مراقبت و تحلیل پزشکی استفاده شوند. این عدد را باید با دقت تفسیر کرد. همه این الگوریتم‌ها یک «مدل بزرگ پزشکی» واحد نیستند؛ بسیاری از ابزارهای AI پزشکی برای وظیفه‌ای کاملاً مشخص طراحی می‌شوند. برای مثال، Mayo Clinic الگوریتم‌هایی برای تحلیل ECG توسعه داده و در سال ۲۰۲۶ نیز اعلام کرد یک مدل AI توانسته در بررسی CTهای روتین، نشانه‌های سرطان پانکراس را تا سه سال پیش از تشخیص بالینی در برخی بیماران شناسایی کند. این نمونه‌ها نشان می‌دهند ارزش واقعی AI پزشکی ممکن است در مدل‌های تخصصی باشد که در کنار پزشک یک وظیفه مشخص را بهتر انجام می‌دهند. داده پزشکی؛ زیرساخت پنهان انقلاب AI شاید مهم‌ترین نکته گزارش Axios، نه مدل‌های هوش مصنوعی بلکه داده باشد. Gianrico Farrugia، مدیرعامل Mayo Clinic، معتقد است سیستم سلامت باید اطلاعات را به‌گونه‌ای سازمان‌دهی کند که هم پزشکان و هم AI Agentها بتوانند به شکل مؤثر از آن استفاده کنند. Mayo Clinic نیز در مطلبی درباره بازطراحی داده‌های سلامت تأکید کرده است که داده‌ها باید در زمان واقعی یا نزدیک به زمان واقعی برای انسان و عامل‌های هوش مصنوعی قابل استفاده باشند. این مسئله اهمیت زیادی دارد؛ چون حتی بهترین مدل AI با پرونده‌های ناقص، اطلاعات پراکنده و داده‌های ناسازگار نمی‌تواند تصمیم قابل اعتمادی ارائه کند. به همین دلیل آینده AI Agentهای پزشکی احتمالاً به همان اندازه که به مدل‌های قدرتمند وابسته است، به کیفیت زیرساخت داده نیز وابسته خواهد بود. هوش مصنوعی امروز چه کارهایی می‌تواند در بیمارستان انجام دهد؟ بخشی از کاربردهای AI همین حالا قابل استفاده هستند و لزوماً نیازی به فناوری آینده ندارند. برای مثال: این کاربردها با موضوع گسترده‌تر تست ایمنی هوش مصنوعی نیز ارتباط مستقیم دارند؛ زیرا ابزار پزشکی قبل از استفاده گسترده باید از نظر دقت، سوگیری، ایمنی و عملکرد روی گروه‌های مختلف بیماران ارزیابی شود. آیا هوش مصنوعی جای پزشک را می‌گیرد؟ مدلی که از گزارش Axios و فعالیت‌های Mayo Clinic دیده می‌شود، بیشتر بر تقویت پزشک با AI استوار است تا جایگزینی پزشک. یک سیستم هوش مصنوعی می‌تواند میلیون‌ها داده را سریع بررسی کند، اما تصمیم پزشکی تنها حاصل تشخیص الگو نیست. پزشک همچنان باید مواردی مانند این‌ها را در نظر بگیرد: بنابراین نقش محتمل AI، تبدیل شدن به یک همکار تحلیلی بسیار قدرتمند برای پزشکان است. بیمارستان ۲۰۳۰ Mayo Clinic چه شکلی خواهد بود؟ Mayo Clinic فقط درباره AI صحبت نمی‌کند. این سازمان در حال اجرای سرمایه‌گذاری چندمیلیارددلاری برای بازطراحی پردیس Rochester و ایجاد مدلی از مراقبت است که زیرساخت فیزیکی و دیجیتال را به یکدیگر متصل می‌کند. در چشم‌انداز Mayo برای سال ۲۰۳۰، بیمارستان بیشتر به یک محیط پیوسته و دیجیتالی تبدیل می‌شود که اطلاعات بیمار قبل، هنگام و بعد از مراجعه در دسترس تیم درمان قرار دارد. این مدل می‌تواند شامل: باشد. این مسیر مشابه تحولاتی است که در دیگر کاربردهای هوش مصنوعی برای افزایش دسترسی به خدمات سلامت دیده می‌شود؛ جایی که هدف فناوری فقط ساخت مدل قدرتمندتر نیست، بلکه رساندن یک قابلیت تخصصی به افراد بیشتری است. آیا می‌توان کیفیت Mayo Clinic را برای همه مقیاس‌پذیر کرد؟ اینجا ادعای اصلی Axios مطرح می‌شود: اگر بخش مهمی از دانش تخصصی Mayo در قالب داده، الگوریتم و ابزارهای تصمیم‌یار قابل انتقال باشد، شاید بتوان بخشی از کیفیت این مدل را در بیمارستان‌ها و مراکز درمانی دیگر نیز گسترش داد. Mayo Clinic پیش‌تر نیز راهکارهایی برای انتقال الگوریتم‌ها و قابلیت‌های تصمیم‌یار خود به مراکز درمانی شریک توسعه داده است. اما فناوری به‌تنهایی کافی نیست. برای مقیاس‌پذیر شدن چنین مدلی، حداقل این عوامل ضروری هستند: در نتیجه، «مراقبت Mayo برای همه» بیشتر از آنکه یک مسئله مدل هوش مصنوعی باشد، یک مسئله طراحی کل سیستم سلامت است. محدودیت‌ها و خطرات AI در پزشکی هوش مصنوعی پزشکی می‌تواند خطا کند و استفاده از آن بدون کنترل کافی خطرناک است. مهم‌ترین چالش‌ها عبارت‌اند از: به همین دلیل، Mayo Clinic نیز بر اعتبارسنجی الگوریتم‌ها و حضور

...

چگونه شرکت‌های پرداخت می‌توانند داده را به تصمیم، محصول جدید و جریان درآمدی تبدیل کنند؟ داده زمانی به یک دارایی استراتژیک تبدیل می‌شود که بتواند هم تصمیم‌های داخلی را بهبود دهد، هم به محصول و خدمت جدید تبدیل شود و هم در همکاری امن با سایر بازیگران، جریان درآمدی تازه‌ای برای سازمان ایجاد کند. مقدمه: تحول صنعت پرداخت از پردازش تراکنش به خلق ارزش از داده صنعت پرداخت در دهه گذشته یکی از سریع‌ترین مسیرهای تحول دیجیتال را تجربه کرده است. در ابتدا، رقابت میان شرکت‌های ارائه‌دهنده خدمات پرداخت عمدتاً بر توسعه شبکه پذیرندگان، افزایش تعداد پایانه‌های فروش، بهبود دسترس‌پذیری سرویس‌ها و رشد تعداد و مبلغ تراکنش‌ها متمرکز بود. در چنین مدلی، موفقیت سازمان بیشتر با شاخص‌هایی مانند تعداد پایانه فعال و سهم بازار اندازه‌گیری می‌شد. اما با افزایش بلوغ بازار، نزدیک شدن کیفیت زیرساخت‌های پایه به یکدیگر و ورود فناوری‌های جدید، منطق رقابت تغییر کرده است. داده اکنون یکی از مهم‌ترین دارایی‌های استراتژیک شرکت‌های پرداخت است؛ دارایی‌ای که برخلاف تجهیزات و زیرساخت فیزیکی، با استفاده درست مستهلک نمی‌شود، بلکه پیوسته غنی‌تر و ارزشمندتر می‌شود. شرکت‌های پرداخت پیشرو دیگر صرفاً زیرساخت انتقال پول نیستند. آن‌ها به سمت تبدیل شدن به سازمان‌هایی حرکت می‌کنند که از داده برای پیش‌بینی آینده، کاهش ریسک، بهبود تجربه مشتری، افزایش بهره‌وری، طراحی محصولات جدید و ساخت مدل‌های درآمدی تازه استفاده می‌کنند. هر تراکنش، هر تماس مشتری، هر رفتار پذیرنده و هر رویداد عملیاتی می‌تواند نشانه‌ای برای یک تصمیم بهتر یا یک فرصت تجاری جدید باشد. تفاوت اصلی سازمان‌های موفق داده‌محور با دیگران در حجم داده نیست، بلکه در توانایی تبدیل داده به تصمیم و اقدام است. ارزش واقعی زمانی شکل می‌گیرد که سازمان از گزارش‌گیری گذشته عبور کند، علل پدیده‌ها را بفهمد، آینده را پیش‌بینی کند و سپس بینش حاصل را به اقدام، محصول و درآمد تبدیل کند. داده در صنعت پرداخت؛ بسیار فراتر از اطلاعات تراکنش یکی از برداشت‌های محدودکننده در صنعت پرداخت این است که داده را فقط معادل اطلاعات تراکنش بدانیم. داده تراکنشی ستون اصلی تحلیل است، اما تصویر واقعی کسب‌وکار زمانی شکل می‌گیرد که این داده با اطلاعات مشتری، پذیرنده، بانک، عملیات، صدا و متن و همچنین داده‌های محیطی ترکیب شود. ترکیب این منابع، «نمای ۳۶۰ درجه» از مشتری، پذیرنده، شبکه و شریک تجاری می‌سازد. برای نمونه، کنار هم قرار دادن افت تراکنش، افزایش تماس‌های اعتراضی، رشد خطای یک بانک و الگوی خرابی پایانه‌ها می‌تواند علت واقعی کاهش فروش را آشکار کند؛ علتی که در یک داشبورد صرفاً تراکنشی دیده نمی‌شود. در این میان، داده‌های صوتی اهمیت ویژه‌ای دارند. بخش بزرگی از دانش مشتری در قالب جدول و عدد ثبت نمی‌شود، بلکه در جمله‌هایی مانند «هر بار در این ساعت تراکنش قطع می‌شود»، «گزارشی می‌خواهم که فروش شعبه‌ها را مقایسه کند» یا «تسویه برای کسب‌وکار من قابل پیش‌بینی نیست» پنهان است. تبدیل صوت به متن و تحلیل موضوع، احساس، علت تماس و نیازهای پرتکرار، می‌تواند مرکز تماس را از یک واحد هزینه به رادار نوآوری سازمان تبدیل کند. مسیر بلوغ داده‌محوری؛ از داده خام تا سازمان هوشمند تبدیل شدن یک شرکت پرداخت به سازمان داده‌محور، یک پروژه فناوری کوتاه‌مدت نیست؛ یک مسیر بلوغ سازمانی است. چارچوب‌های مدیریت و بلوغ داده مانند DAMA-DMBOK، مدل‌های بلوغ تحلیل و هوش تجاری و مطالعات سازمان‌های داده‌محور، همگی بر توسعه مرحله‌ای قابلیت‌ها تأکید دارند. این مسیر را می‌توان برای صنعت پرداخت در پنج مرحله تعریف کرد. مرحله اول: ایجاد بنیاد داده و حاکمیت داده شرکت‌های پرداخت معمولاً سامانه‌های متعددی دارند که هرکدام بخشی از واقعیت سازمان را نگهداری می‌کنند: تراکنش در سوئیچ، اطلاعات پذیرنده در سامانه کسب‌وکار، تعامل مشتری، مکالمه در مرکز تماس و رخداد فنی در سامانه پشتیبانی. تا زمانی که این منابع به‌صورت قابل اعتماد به یکدیگر متصل نشوند، هیچ تحلیل جامعی شکل نمی‌گیرد. در این مرحله سازمان باید معماری داده، انبار داده یا دریاچه داده، کاتالوگ و شناسنامه داده، قواعد کیفیت، مدیریت دسترسی و مالکیت داده را تعریف کند. همچنین داده‌های بدون‌ساختار مانند صوت و متن باید وارد معماری داده شوند. حاکمیت داده فقط نظم فنی نیست؛ مشخص می‌کند چه کسی مجاز است از کدام داده، برای چه هدفی و با چه سطحی از ناشناس‌سازی استفاده کند. مرحله دوم: ایجاد شفافیت با هوش تجاری پس از ایجاد بنیاد داده، سازمان باید بتواند به‌سرعت و با یک تعریف واحد به سؤال «چه اتفاقی افتاده است؟» پاسخ دهد. داشبوردهای مدیریتی روند سهم بازار، کیفیت سرویس، عملکرد بانک‌ها و شرکای تجاری، وضعیت پذیرندگان، تراکنش‌ها و بهره‌وری شبکه را شفاف می‌کنند. اما داشبورد نقطه شروع است، نه مقصد. اگر سازمان فقط گذشته را نمایش دهد، داده هنوز نقش مشاهده‌گر دارد. بلوغ واقعی زمانی آغاز می‌شود که داده بتواند علت رخداد را توضیح دهد و تصمیم بعدی را جهت دهد. مرحله سوم: تحلیل پیشرفته و کشف بینش‌های جدید در این مرحله شرکت از پاسخ به «چه اتفاقی افتاد؟» عبور می‌کند و می‌پرسد: چرا این اتفاق رخ داد؟ کدام عوامل رفتار مشتری را تغییر دادند؟ کدام پذیرندگان ظرفیت رشد دارند؟ چه نیاز پرتکراری در تماس‌ها و شکایت‌ها هنوز بدون پاسخ مانده است؟ برای مثال، کاهش تراکنش یک منطقه دیگر صرفاً یک عدد نیست. تحلیل می‌تواند مشخص کند آیا افت ناشی از کاهش پذیرندگان فعال، افت فروش یک صنف، مهاجرت مشتریان به کانال دیگر، مشکل عملکرد یک بانک، خرابی پایانه‌ها یا نارضایتی ثبت‌شده در مکالمات پشتیبانی است. این سطح برای پذیرندگان نیز ارزش مستقیم ایجاد می‌کند. تحلیل روند فروش، ساعات اوج، الگوهای فصلی، مقایسه با کسب‌وکارهای مشابه، پیش‌بینی تقاضا، مدیریت موجودی و شناسایی احتمال افت فروش، شرکت پرداخت را از ارائه‌دهنده زیرساخت به شریک هوشمند کسب‌وکار تبدیل می‌کند. مرحله چهارم: پیش‌بینی، تجویز و تصمیم‌گیری هوشمند در مرحله بعد، یادگیری ماشین و هوش مصنوعی برای پیش‌بینی آینده و پیشنهاد اقدام به کار گرفته می‌شوند. کشف تقلب پویا، پیش‌بینی حجم تراکنش، تشخیص احتمال ریزش پذیرنده، نگهداری پیش‌بینانه پایانه، برآورد تقاضای قطعه، امتیازدهی فرصت‌های فروش و تخصیص بهینه منابع از کاربردهای این مرحله‌اند. سازمان در این سطح فقط نمی‌پرسد «چه خواهد شد؟»، بلکه می‌پرسد «برای رسیدن به نتیجه بهتر چه اقدامی باید انجام دهیم؟». خروجی مدل باید به فرایند عملیاتی متصل شود؛ در غیر این صورت، حتی دقیق‌ترین پیش‌بینی نیز ارزش اقتصادی محدودی خواهد داشت. مرحله پنجم: سازمان مبتنی بر هوش مصنوعی و LLM اختصاصی در بالاترین سطح بلوغ، هوش مصنوعی یک

...

گوگل دیپ‌مایند با توسعه سیستم‌های پیشرفته بینایی ماشین و هوش مصنوعی روی دستگاه (On-Device)، در حال انتقال فناوری ترجمه زبان اشاره به گوشی‌های هوشمند است تا ارتباطی بی‌درنگ، آفلاین و امن را برای ناشنوایان فراهم کند....

شرکت OpenAI برای مدیریت رشد خیره‌کننده خود و توسعه استراتژی‌های فروش سازمانی، دالی راجیچ، از مدیران ارشد سابق شرکت Wiz را به عنوان مدیر ارشد درآمد (CRO) جدید خود منصوب کرد....

مدل GPT-5.6 با ارائه عملکردی هم‌تراز با مدل‌های پرچمدار اما با کسری از هزینه‌ها، تحولی بزرگ در توسعه ایجنت‌های هوشمند و معماری چندعاملی ایجاد کرده است....

جمینای ۳.۷ فلش جدیدترین مدل هوش مصنوعی گوگل است که با تمرکز بر سرعت بی‌نظیر، هزینه پایین و پردازش چندوجهی، برای توسعه‌دهندگان و کسب‌وکارها بهینه‌سازی شده است....