مدل‌ها PixelCNN++: مدل جدید یادگیری دودویی با آخرین بهبودهای هوش مصنوعی PixelCNN++ مدل پیشرفته‌ای است که با ترکیب طراح دوربین، طراح ناحیه، و هرگز نگارش مدل‌های زمان معتبر، می‌تواند تصویرهای دقیق را تولید کند. این فناوری جدید در گسترش فرآیند تحلیل داده در حوزه هوش مصنوعی اساسی است. ۳۰ دی ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی در ابر: چگونه OpenAI و مایکروسافت آزور را نشنوع می‌کنند OpenAI و مایکروسافت با هم همکاری می‌کنند تا آزمایش‌های بزرگ هوش مصنوعی را بر روی پلتفرم ابری Azure اجرا کنند، گام جدیدی برای بهبود عملکرد AI و سازگاری فناوری. این همکاری به توسعه‌ی مدل‌های پیشرفته کمک می‌کند. ۲۵ آبان ۱۳۹۵ ۲ دقیقه پژوهش تحلیل کمی مدل‌های تولیدی مبتنی بر رمزگشای‌ها: نتایج جدید هوش مصنوعی مطالعه‌ی جدید OpenAI در تحلیل کمی مدل‌های تولیدی مبتنی بر رمزگشای‌ها، استانداردهای اعداد و بردارهای کیفیت روش‌ها را بررسی می‌کند به‌صورت جامع و کاربردی. ۲۴ آبان ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی: ارتباط بین GAN، IRL و مدل های مبتنی بر انرژی این مقاله به بررسی ارتباط ژرف میان شبکه‌های مقابل (GAN)، یادگیری تقویتی معکوس (IRL) و مدل‌های مبتنی بر انرژی در هوش مصنوعی می‌پردازد. ۲۱ آبان ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی: RL²، راهی سریع برای یادگیری تقویتی جدید این مقاله به بررسی روش نوین RL²، یک تکنیک هوش مصنوعی برای تسریع یادگیری تقویتی توسط OpenAI می‌پردازد و تأثیرات عمده آن را تحلیل می‌کند. ۱۹ آبان ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی: معرفی و کاربرد Variational Lossy Autoencoder Variational Lossy Autoencoder یک مدل هوش مصنوعی فشرده‌سازی پیشرفته است که با حفظ کیفیت، حجم داده را به‌طور توجهی کاهش می‌دهد و فرکانس را حفظ می‌کند. ۱۸ آبان ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی درک عمیق‌تر: محدودیت‌ها و امکانات Neural GPU مدل Neural GPU، یک معماری کنولوشنال هوش مصنوعی است که می‌تواند الگوریتم‌های پایه را یاد بگیرد و گسترش یابد؛ اما محدودیت‌های عملیاتی و مقیاس‌پذیری همچنان چالش برانگیز باقی مانده‌اند. ۱۲ آبان ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی: انتقال دانش نیمه‌مبانی از داده‌های خصوصی و تحلیل نوین OpenAI راه حلی نیمه‌مبانی برای انتقال دانش مدل‌های یادگیری عمیق معرفی کرده است که داده‌های خصوصی را محافظت می‌کند و نیاز به برچسب‌گذاری را کاهش می‌دهد. ۲۷ مهر ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی در انتقال یادگیری شبیه‌سازی به دنیای واقعی با مدل عکسی معکوس عمقی این مقاله به بررسی روش انتقال بین شبیه‌سازی و دنیای واقعی با استفاده از مدل عکسی معکوس عمیق در هوش مصنوعی می‌پردازد. ۲۰ مهر ۱۳۹۵ ۲ دقیقه پژوهش هوش مصنوعی: چالش‌های ایمنی واقعی در پژوهش کنکریت و راهکارهای پیشنهادی مقالهٔ تازه Google Brain با همکاران دانشگاه Berkeley و Stanford به بررسی چالش‌های واقعی ایمنی هوش مصنوعی می‌پردازد و راهکارهای عملی برای تضمین عملکرد صحیح مدل‌های یادگیری ماشین بیان می‌کند. ۱ تیر ۱۳۹۵ ۲ دقیقه