محققانی از دانشگاه استنفورد و مؤسسه Arc موفق شده‌اند ویروس‌هایی بسازند که دی‌ان‌ای آنها توسط هوش مصنوعی طراحی شده و قادرند باکتری‌ها را هدف بگیرند و از بین ببرند. آن‌ها از یک مدل ویژه به نام Evo استفاده کردند که بر پایه میلیون‌ها ژنوم باکتریوفاژ (ویروس‌هایی که باکتری‌ها را آلوده می‌کنند) آموزش دیده بود. تیم تحقیقاتی ۳۰۲ طراحی ویروسی تولید کرد و آن‌ها را شیمیایی ساخت. از میان آن‌ها، ۱۶ مورد کارآمد بودند و توانستند چند سویه E. coli را آلوده کرده و نابود کنند. در بعضی موارد مؤثرتر از ویروس‌های طبیعی عمل کردند.
این دستاورد، که در یک مطالعه پیش از داوری منتشر شده است، اولین بار است که هوش مصنوعی کل ژنوم‌های کارا (عملیاتی) تولید کرده است. دانشمندان این را یک پیشرفت بزرگ در مهندسی زیستی می‌دانند که می‌تواند برای کاربردهای درمانی آینده مفید باشد، اگرچه برخی متخصصان هشدار می‌دهند که چنین توانایی می‌تواند اگر به زیان استفاده شود، امکان ساخت بیو‌سلاح‌ها را فراهم کند. یکی از پژوهشگران آن را این‌گونه توصیف کرده است: «برای نخستین بار سیستم‌های هوش مصنوعی قادرند توالی‌های ژنومی به مقیاس کامل را بنویسند.» همکار دیگر تأکید کرده است که پتانسیل درمانی زیاد است، ولی هنوز «پیشرفت‌های آزمایشی فراوانی» لازم است تا هوش مصنوعی بتواند موجودات کامل زنده را طراحی کند. همچنین افراد مهمی مثل کریگ ونتر (پیشگام در حوزه DNA مصنوعی) هشدار داده‌اند که ارتقای تصادفی ویروس‌ها می‌تواند پیامدهای فاجعه‌باری داشته باشد اگر برای عوامل بیماری‌زا مثل آبله یا سیاه‌زخم استفاده شود.

▪️ Generative design of novel bacteriophages with genome language models

#بیولوژی #بیوتکنولوژی #هوش_مصنوعی #زیست_شناسی #ژنتیک #علوم_پزشکی #هوش_مصنوعی #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

Prompt: “Create a Python snake game in Pygame with smooth controls, increasing difficulty and a scoring system. Add retro UI and bonus power ups.”

#هوش_مصنوعی

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

به دوره کلاسی از دانشگاه استنفورد

Self-improving AI Agents course at Stanford!

cs329a.stanford.edu

#هوش_مصنوعی #منابع #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

با دوستان عزیز در الکامپ
@Seyed_bax

با علیرضا اخوان پور عزیز از مدرسان خوب هوش مصنوعی در الکامپ

@cvision

Mohammad Baghiat:
https://www.youtube.com/playlist?list=PLoROMvodv4rOmsNzYBMe0gJY2XS8AQg16

YouTube Downloader bot:
Playlist videos
----
1. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 1: Introduction ⏰2 months ago
https://youtu.be/2fq9wYslV0A
----
2. Stanford CS231N | Spring 2025 | Lecture 2: Image Classification with Linear Classifiers ⏰2 months ago
https://youtu.be/pdqofxJeBN8
----
3. Stanford CS231N | Spring 2025 | Lecture 3: Regularization and Optimization ⏰2 months ago
https://youtu.be/dyNGd06MWn4
----
4. Stanford CS231N | Spring 2025 | Lecture 4: Neural Networks and Backpropagation ⏰2 months ago
https://youtu.be/25zD5qJHYsk
----
5. Stanford CS231N | Spring 2025 | Lecture 5: Image Classification with CNNs ⏰2 months ago
https://youtu.be/f3g1zGdxptI
----
6. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 6: CNN Architectures ⏰2 months ago
https://youtu.be/aVJy4O5TOk8
----
7. Stanford CS231N | Spring 2025 | Lecture 7: Recurrent Neural Networks ⏰2 months ago
https://youtu.be/kG2lAPBF7zA
----
8. Stanford CS231N | Spring 2025 | Lecture 8: Attention and Transformers ⏰2 months ago
https://youtu.be/RQowiOF_FvQ
----
9. Stanford CS231N | Spring 2025 | Lecture 9: Object Detection, Image Segmentation, Visualizing ⏰2 months ago
https://youtu.be/PTypu6GqEd4
----
10. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 10: Video Understanding ⏰a month ago
https://youtu.be/wElqklprhPE
----
11. Stanford CS231N | Spring 2025 | Lecture 11: Large Scale Distributed Training ⏰a month ago
https://youtu.be/9MvD-XsowsE
----
12. Stanford CS231N | Spring 2025 | Lecture 12: Self-Supervised Learning ⏰a month ago
https://youtu.be/4howBU7THbM
----
13. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 13: Generative Models 1 ⏰a month ago
https://youtu.be/zbHXQRUNlH0
----
14. Stanford CS231N Deep Learning for Computer Vision| Spring 2025 | Lecture 14: Generative Models 2 ⏰a month ago
https://youtu.be/Edr4uZFh4EE
----
15. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 15: 3D Vision ⏰a month ago
https://youtu.be/7lxrKDKtykM
----
16. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 16: Vision and Language ⏰a month ago
https://youtu.be/mQOK0Mfyrkk
----
17. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 17: Robot Learning ⏰a month ago
https://youtu.be/XSfmOH_xVSU
----
18. Stanford CS231N Deep Learning for Computer Vision | Spring 2025 | Lecture 18: Human-Centered AI ⏰a month ago
https://youtu.be/g8UaBfj6Sh8
----

https://youtu.be/35BrDdQ1bb4
اولین موزیک production-ready که با همکاری یک آواتار AI ساخته شده
از مهراد هیدن و Nava

🚀 Kullback–Leibler (KL) Divergence in a Nutshell
❔فاصله (عدم شباهت) بین دو توزیع احتمال چطور سنجیده می‌شود؟

👨🏻‍🏫 یکی از پرکاربردترین معیارها برای سنجش عدم تشابه توزیع‌های احتمالی معیار KL divergence است. این معیار به شکل زیر تعریف می‌شود:

● Discrete:
𝒟ₖₗ(𝒫(𝓍)||𝒬(𝓍)) = Σ𝒫(x)𝓁𝓃[𝒫(𝓍)/𝒬(𝓍)]
● Continuous:
𝒟ₖₗ(𝒫(𝓍)||𝒬(𝓍)) = ∫𝒫(x)𝓁𝓃[𝒫(𝓍)/𝒬(𝓍)]d𝓍

و علی‌رغم سادگی، در بسیاری از مدل‌های پیشرفته‌تر مثل Variational Autoencoders¹ و Diffusion Models² ظاهر می‌شود.

🔍 در صورت مساوی بودن دو توزیع در تمام نقاط، نسبت‌ آن‌ها ۱، مقدار لگاریتم صفر و 𝒟ₖₗ نیز برابر صفر می‌شود. در صورت وجود اختلاف بین دو توزیع، نسبت آن‌‌ها مخالف ۱ و 𝒟ₖₗ مقداری مثبت خواهد داشت.

🖥 به انیمیشن ما در این پست توجه کنید. در این انیمیشن نحوه تغییر 𝒟ₖₗ برحسب میزان اختلاف دو توزیع احتمال مشاهده می‌شود. مشاهده می‌شود که با افزایش اختلاف دو توزیع از هم مقدار 𝒟ₖₗ افزایش می‌یابد و با نزدیک شدن دو توزیع به یکدیگر، مشابهت دو توزیع افزایش یافته و 𝒟ₖₗ کاهش می‌یابد.

Follow us for daily doses of AI Magic 👊😉.
@NeuralBlackMagic

یکی از متفاوت ترین چت بات هایی که توجه منو به عنوان یک متخصص هوش مصنوعی در الکامپ جلب کرد و میشه بلاگرا و سایت ها به عنوان منشی خودشون انتخاب کنن این چت بات بود و میتونین کارهای مالی و مشاوره ای خودتون رو از gapify استفاده کنید ولی بقیه چیزی قابل توجه نداشتند
http://Gapify.ai

کانال تلگرامیشون👌:
https://www.tgoop.com/gapify_ai

یکی دیگه از نقدهایی که داشتم بهش اینجا محمد راجبش نوشته در کل منم موافقم کسی بخواد بیاد ارزششو داره یا نه؟؟
فعععععک نکنم

شبت به خیر، ای غمی که ما را بزرگ می‌کنی.

#متفرقه

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person

در دنیای عجیب و شگفت‌انگیز مکانیک کوانتومی، پژوهشگران دانشگاه‌های معتبر جهان، از جمله دانشگاه کمبریج، به این نتیجه رسیده‌اند که مرز بین گذشته و آینده ممکن است به اندازه‌ای که تصور می‌کنیم محکم نباشد. بر اساس نظریه‌ی رتروکازوالی (retrocausality)، تصمیم‌هایی که ما امروز می‌گیریم، می‌توانند اثراتی ظریف بر رویدادهای گذشته داشته باشند اما فقط در سطح ذرات کوانتومی. این ایده شگفت‌آور، ما را مجبور می‌کند تصور کلاسیک از علت و معلول را بازبینی کنیم و نشان می‌دهد که جهان کوانتومی می‌تواند با قوانین زمان متفاوتی عمل کند.

در آزمایش‌های کلاسیک مانند آزمایش‌های مرتبط با نظریه بل (Bell's theorem)، محققان مشاهده کردند که انتخاب‌های اندازه‌گیری در آینده به طور مرموزی با وضعیت ذرات در گذشته مرتبط هستند. در نگاه اول، این امر می‌تواند به نظر برسد که قوانین نسبیت خاص نقض شده‌اند، اما نظریه‌ی رترواکوزالی نشان می‌دهد که این ارتباط می‌تواند بدون هیچ ارتباط سریع‌تر از نور اتفاق بیفتد. به عبارت دیگر، جهان کوانتومی به گونه‌ای عمل می‌کند که اطلاعات از آینده به گذشته بازمی‌گردد، اما بدون ایجاد پارادوکس‌های کلاسیک مانند سفر در زمان یا تناقض‌های منطقی.

این کشف ممکن است دریچه‌ای نوین به درک عمیق‌تر فیزیک ذرات و ماهیت زمان باز کند. اگر این نظریه درست باشد، نه تنها بینش ما نسبت به جهان می‌تواند تغییر کند، بلکه می‌تواند راهی برای طراحی آزمایش‌ها و فناوری‌های آینده در حوزه‌های کامپیوترهای #کوانتومی، #رمزنگاری و سنجش دقیق زمان فراهم آورد. تصور کنید دنیایی که در آن مرزهای زمانی انعطاف‌پذیر است و گذشته تنها یک خاطره قطعی نیست، بلکه صحنه‌ای است که آینده هم می‌تواند بر آن نقش داشته باشد.

https://www.researchgate.net/publication/395034069_Time_Symmetry_Retrocausality_and_Emergent_Collapse_The_Tlalpan_Interpretation_of_Quantum_Mechanics

https://phys.org/news/2023-03-quantum-mechanics-future.html

#کوانتوم #فیزیک #مقاله

🔸 مطالب بیشتر 👇👇

✅ @AI_DeepMind
🔸 @AI_Person