بازگشت به چت هما هما وبلاگ
اخبار زنده هوش مصنوعی
۸۹ خبر
سیاست و قانون همراهی UK با هوش مصنوعی: راهبردهای نوآوری و سیاست کپی‌رایت در پاسخ به مشورت کپی‌رایت انگلستان، OpenAI پیشنهاداتی برای سیاست‌های نوآوری ارائه کرده است تا بریتانیا را به مرکز هوش مصنوعی اروپا تبدیل نماید. محصولات خلاقیت با هوش مصنوعی: از ایده‌پردازی تا طراحی ناخن با ChatGPT در این مقاله از وبلاگ هما، با کاربرد هوش مصنوعی در طراحی ناخن آشنا می‌شویم و می‌بینیم چگونه ChatGPT می‌تواند ایده‌های خلاقانه‌ای پیشنهاد دهد. محصولات ChatGPT 5 صدا: چگونه صداهای هوش مصنوعی توسط OpenAI انتخاب‑ترشدند و روند انتخاب آنها OpenAI در بیش از 400 پیشنهاد صدا، با همکاری فنی‌ترین مسترهای صدا، پنج صدا برگزید؛ این مقاله مسیر انتخاب، استانداردها و تکنولوژی‌های بهبود تجربه صوتی ChatGPT را بررسی می‌کند. مدل‌ها چطور نمره DROP به عملکرد مدل‌های هوش مصنوعی را به چالش می‑کشاند پژوهشی دقیق در Open LLM Leaderboard نشان داد که مدل‌های پیش‌آموزش‌پذیر، در آزمون DROP، عملکردی کمتر از حد انتظار دارند؛ عواملی که این نتیجه را بیان می‌کنند و راهکارهای پیشنهادی در این مقاله بررسی شده‌اند. سیاست و قانون فرانتایر مدل فهام: راهکارهای هوش مصنوعی پیشرفته برای توسعه ایمن فرانتایر مدل فهام، نهاد جدیدی برای ارتقای ایمنی و مسئولیت‌پذیری در هوش مصنوعی پیشرفته، به‌وسیله پژوهش‌های ایمنی، استانداردها و همکاری‌های بین‌المللی. سیاست و قانون حکمرانی هوش مصنوعی؛ گامی برای آینده ابرهوشمند OpenAI بر ضرورت تفکر درباره حکمرانی ابر هوش مصنوعی تأکید کرده است. این مقاله به بررسی مفاهیم، چالش‌ها و راهکارهای پیشنهادی در این زمینه می‌پردازد. کسب‌وکار هوش مصنوعی در کسب‑وکار: همکارۍ Snorkel‑AI و Hugging Face برای مدل های ریشه ای به‌وسیله همکاری در زمینه مدل‌های ریشه‌ای، Snorkel AI و Hugging Face راهکارهای نوینی برای شرکت‌های بزرگ پیشنهاد می‌کنند؛ چالش‌ها، مزایا و راهکارهای انطباق. پژوهش هوش مصنوعی: FFJORD ارائه می‌کند مدل‌های تولیدی قابل بازگشت و مقیاس‌پذیر مقدمه‌ای بر مدل FFJORD، ساختاری هوش مصنوعی برای تولید داده با داینامیک زمان مستمر؛ چالش‌های پیاده‌سازی و کاربردهای نوین در علم داده و یادگیری ماشین. 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.