یه چیزی درباره‌ی ماجرای OpenAI دیدم که جالبه.
گفته شده OpenAI برای حل یک مسئله، حدود ۱۵ میلیون دلار هزینه‌ی توکن کرده، در حالی که جایزه‌ی مسئله فقط ۱ میلیون دلار بوده.
بعضیا سریع میگن:
خب این دیگه اقتصاد عجیب هوش مصنوعیه!
ولی واقعاً این برداشت کاملی نیست.
کاری که OpenAI انجام داده، احتمالاً ارزش خیلی بیشتری از اون ۱۵ میلیون دلار داشته.
اینکه جایزه فقط ۱ میلیون دلار بوده، بیشتر نشون میده خود جایزه نسبت به ارزش واقعی مسئله خیلی کم بوده.
حتی ترول کردن ایلان ماسک هم بیشتر از همین زاویه قابل فهمه؛ چون خودش هم احتمالاً می‌دونه ارزش چنین کاری فقط به مبلغ جایزه محدود نمیشه.
اما یه بخش دیگه‌ی ماجرا برای من عجیب‌تره.
وقتی OpenAI از داده‌های هنرمندان استفاده کرد و بحث کپی‌رایت مطرح شد، خیلی از دانشمندان و آدم‌های حوزه‌ی ریاضی و تکنولوژی واکنش جدی نشون ندادن.
ولی وقتی بحث استفاده از داده برای حل یک مسئله‌ی ریاضی و اثبات یک قضیه مطرح شد، ناگهان حساسیت‌ها خیلی بیشتر شد.
همین تفاوت واکنش‌ها واقعاً قابل تأمله.
مسئله فقط این نیست که هوش مصنوعی چقدر پول برای حل یک مسئله خرج کرده.
مسئله اینه که وقتی پای منافع و حوزه‌ی تخصصی خودمون وسط میاد، نگاه‌مون به استفاده از داده چقدر تغییر می‌کنه؟
شاید بهتر باشه قبل از قضاوت درباره‌ی این اتفاق، همین تناقض رو هم ببینیم.
#هوش_مصنوعی
#OpenAI
#AI
#Math
#Technology
این خانوم مریم عظیمی هاشمی هست
دانشمند و متخصص تصویر برداری اپل هست.
اومده دوربین آیفون ۱۸ اپل رو رونمایی کرده.
لیسانس مهندسی کامپیوتر از فردوسی مشهد رو داره
و برای تحصیل هم به کانادا مهاجرت کرد.
دکترای خودش رو در پردازش تصویر گرفت.
جالب اینجاست از سال ۲۰۲۱ به عنوان دانشمند الگوریتم های زیبایی شناسی دوربین در اپل استخدام شد.
خب DeepSeek رسماً V4.1 Flash رو منتشر کرده.
این مدل یک معماری MoE با ۵۵۲ میلیارد پارامتر داره، اما در هر توکن فقط بخشی از پارامترها فعال میشن.
ویژگی‌های مهم:
کانتکست تا ۱ میلیون توکن
درک Native تصاویر
عملکرد بهتر در Agentic Coding
امتیاز ۳۱.۲٪ در Terminal-Bench 4.0، در مقابل ۷٪ برای V4-Flash قبلی
قیمت API:
ورودی: $0.15 / 1M توکن
خروجی: $0.60 / 1M توکن
Cached: $0.003 / 1M توکن
این مدل در ۱۰ سپتامبر ۲۰۲۶ منتشر شده و روی Hugging Face در دسترسه.
#DeepSeek
#AI
#LLM
#AIAgent
آنتروپیک دوباره اتهام جدیدی علیه دیپ‌سیک و مون‌شات مطرح کرده.
طبق ادعای آنتروپیک، این شرکت‌های چینی بخشی از درخواست‌های کاربرانشون رو به کلود می‌فرستادن و بعد جواب‌های کلود رو به اسم مدل‌های خودشون ارائه می‌کردن.
آنتروپیک گفته مون‌شات فقط در ۱۰ روز، بیش از ۳۰۰ هزار درخواست به کلود فرستاده و برای این کار از حدود ۵۳۸۰ حساب استفاده شده.
اما یک سؤال مهم وجود داره:
اگه واقعاً از کلود استفاده می‌کردن، چطور کیمی و دیپ‌سیک هنوز می‌تونن خدماتشون رو با قیمت خیلی پایین‌تری نسبت به کلود ارائه بدن؟
فعلاً آنتروپیک توضیح مشخصی برای این اختلاف قیمت نداده.
#آنتروپیک
#کلود
#دیپ_سیک
#مون_شات
#هوش_مصنوعی
#Ai
اوپن‌ای‌آی از شرکت در یک هکاتون ریاضی در مؤسسه فناوری کالیفرنیا کنار کشیده و دیگه اسپانسر این مسابقه هم نیست.
این اتفاق جالبه، چون قبلاً گزارش‌هایی منتشر شده بود که اوپن‌ای‌آی قصد داره با مدل‌های هوش مصنوعی خودش، سخت‌ترین مسائل ریاضی و حتی ۷ مسئله هزاره رو حل کنه.
حالا بعضی‌ها این اتفاق رو به ماجرای استفاده از راه‌حل‌های دزدیده‌شده ربط دادن، اما فعلاً مدرک معتبری برای این ادعا منتشر نشده.
#اوپن_ای‌آی
#هوش_مصنوعی
#ریاضی
#Ai
پ.ن :ببینین دوستان به نظرم ریاضی‌دان‌ها رو نمیشه با چندتا بنچمارک و اشتراک حرفه‌ای قانع کرد :)
بحث اصلی برای من اینه که وقتی درباره حل مسائل بسیار سخت ریاضی توسط هوش مصنوعی صحبت می‌کنیم، باید ببینیم مدل واقعاً داره مسئله رو می‌فهمه یا صرفاً الگوهایی که قبلاً دیده رو بازترکیب می‌کنه.
ترنسفورمرها فوق‌العاده قدرتمندن، ولی در نهایت با الگوهای موجود در داده‌ها کار می‌کنن.
هرچقدر داده بهتر و آموزش قوی‌تر باشه، خروجی هم بهتر می‌شه.
اما این الزاماً به معنی فهم یا توانایی کشف چیز کاملاً جدید نیست.
برای همین درباره مسائل هزاره قضیه خیلی جذابه. این مسائل هنوز حل‌نشده‌ان و ممکنه برای حلشون به ایده‌ها و روش‌های کاملاً جدید نیاز باشه.
به نظرم سؤال اصلی این نیست که هوش مصنوعی چقدر می‌تونه مسئله‌ای رو که قبلاً نمونه مشابهش رو دیده حل کنه.
سؤال واقعی اینه که:
آیا می‌تونه چیزی رو کشف کنه که هیچ نمونه‌ای ازش در داده‌های آموزشی نداشته؟
اگر شما هم نظری دارید توی کامنت ها بنویسید.
یک استارتاپ به نام Kepler Computing بعد از ۷ سال فعالیت مخفیانه، از فناوری حافظه‌ای رونمایی کرده که می‌تونه رقیب HBM در شتاب‌دهنده‌های هوش مصنوعی باشه.
این شرکت با استفاده از مواد فروالکتریک و تراشه‌چینی سه‌بعدی می‌خواد حافظه‌ای با ظرفیت HBM و مصرف انرژی نزدیک به SRAM بسازه.
تا امروز روی بیش از ۲ هزار ویفر آزمایش شده و ۴۶۸ میلیون دلار سرمایه جذب کرده.
قرار است نمونه‌های اولیه تا پایان ۲۰۲۶ و تولید انبوه از ۲۰۲۷ شروع شود.
البته هنوز آزمایش مستقل روی محصول نهایی انجام نشده و برتری‌های ادعاشده باید در عمل ثابت بشن.
#هوش_مصنوعی
#HBM
یک کلام بگم هوش مصنوعی متخصصتون نمی‌کنه.
فقط می‌تونه توهم متخصص بودن رو خیلی سریع‌تر ایجاد کنه.
این روزها بعضی‌ها چند مقاله مقدماتی می‌خونن و با کمک مدل، کد می‌زنن، باگ پیدا می‌کنن، تحقیق می‌کنن و گزارش می‌نویسن.
بعد خروجی مدل رو بدون اینکه بفهمنش به اسم خودشون منتشر می‌کنن.
کد کار کرد؟ می‌ره روی محصول.
خراب شد؟ معمولاً مشتری یا بدبختی که ساعت ۳ صبح شیفته متوجه می‌شه.
مشکل خود هوش مصنوعی نیست. مشکل اینه که بعضی‌ها ابزار رو با تخصص اشتباه گرفتن.
هوش مصنوعی می‌تونه سرعت یک متخصص رو چند برابر کنه، اما جای فهمیدن چیزی که تحویل می‌دی رو نمی‌گیره.
قبل از اینکه زیر خروجی مدل اسمتون رو بذارین، حداقل بخونین و متوجه بشین.
چکش ابزار خوبیه، ولی چکش کسی رو نجار نمی‌کنه.
#هوش_مصنوعی
#AI
اولین برداشت‌ها از GPT-6 Astra
چند نکته جالب درباره مدل جدید:
• برخلاف چیزی که انتظار می‌ره، منابع زیادی مصرف نمی‌کنه.
• از نظر سرعت تولید توکن و زمان رسیدن به اولین توکن، محسوساً سریع‌تر از مدل‌های قبلیه.
• مدیریت Context بهتر شده و برای حل مسئله لازم نیست حجم زیادی از اطلاعات رو وارد Context کنه.
• فیلترهای امنیتی هم حداقل در کارهای مرتبط با توسعه ابزارهای امنیتی، خیلی محدودکننده نیستن.
برای Bug Hunting هنوز بازخوردهای ضدونقیضی وجود داره و شواهد کافی برای قضاوت نداریم.
فعلاً تست جدی روی تسک‌های پیچیده انجام ندادم، ولی بر اساس تجربه‌های اولیه کاربران، به نظر می‌رسه Astra جواب‌های دقیق‌تری رو سریع‌تر و با خروجی‌های بی‌ربط کمتر ارائه میده.
#GPT6
#Astra
#OpenAI
#AI
به نظرم بهتره این سه‌تا رو رقیب هم نبینیم.
اولا MCP برای سرویس‌های Remote مهمه. یه جورایی مثل API برای Agentها.
دوما Skill برای کارهای Local و وابسته به Context مناسبه.
ثالثا CLI هم بیشتر در Runtime کاربرد داره. جایی که Agent باید چندین Action رو پشت سر هم اجرا کنه یا Automation بسازه.
در نهایت مسئله این نیست که MCP بهتره یا CLI.
هرکدوم برای یک لایه و یک نوع Task مناسب‌تره. 👀
#AI
#AIAgents
#MCP
#CLI
#AgentEngineering
نوروساینس می‌گه تکرار می‌تونه از استعداد مهم‌تر باشه.
خیلی وقت‌ها فکر می‌کنیم آدم‌های موفق از اول بااستعدادتر بودن.
اما مغز یک ویژگی مهم داره: Neuroplasticity
هر بار که یک مهارت رو تمرین می‌کنیم، شبکه‌های عصبی مرتبط با اون مهارت تغییر می‌کنن و مسیرهای مربوط به اون فعالیت تقویت میشن.
برای همینه که مثلاً یک سخنران حرفه‌ای بعد از صدها بار تمرین می‌تونه خیلی راحت‌تر روی صحنه صحبت کنه.
نه لزوماً چون از اول مغز متفاوتی داشته، بلکه چون بارها همون مهارت رو تمرین کرده.
استعداد می‌تونه نقطه شروع باشه، ولی چیزی که در طول زمان تفاوت ایجاد می‌کنه، تمرین مداوم و هدفمنده.
در نهایت مغز بیشتر از چیزی که یک‌بار انجام می‌دی، به چیزی که مدام تکرار می‌کنی واکنش نشون میده.
#Neuroscience
#Neuroplasticity
#Learning
#SelfImprovement
یکم درباره این AI آخرالزمانی آروم‌تر باشید عزیزان دلم.
چند تا نکته درباره اتفاقات اخیر:
۱. هک Hugging Face توسط Agentها
این‌طور نیست که یک مدل نشسته باشه و خودش تصمیم گرفته باشه بره یک سرویس رو هک کنه.
در ماجرای ExploitGym، دستورالعمل‌های مشخصی برای Agent وجود داشته که دقیقاً مسیر کار رو تعیین می‌کرده.
پس فعلاً خبری از Agentی که خودش بگه امروز بریم Hugging Face رو بزنیم نیست. 😅
۲. حل مسئله هزاره
اینکه AI تونسته در یک مسئله ریاضی بسیار سخت به نتیجه برسه، لزوماً به معنی این نیست که مدل به‌تنهایی یک مسئله هزاره رو حل کرده.
بخش بزرگی از کار بر پایه Research قبلی و Traceهای موجود بوده و بعد با تعداد زیادی Agent و Compute عظیم، فرضیه‌ها به‌صورت گسترده بررسی شدن.
یعنی بیشتر:
نکته رو توجه کنید : Research قبلی + Agentها + Brute Force در مقیاس بالا
تا یک مدل که از صفر نشسته و خودش یک نظریه جدید ساخته.
۳. و اما بخش بامزه ماجرا 😂
بعضی‌ها با دیدن این اتفاقات سریع می‌رن سراغ:
هوش مصنوعی قراره همه‌مون رو بکشه!
داداش، فعلاً آروم‌تر. 😂
#AI
#AIAgents
#AI
#HuggingFace
#OpenAI
#CyberSecurity
پ.ن: اگر واقعاً این‌قدر نگران ریسک‌های تکنولوژی هستید، قبل از AI شاید بهتر باشه نگران چیزهای خیلی معمولی‌تری باشید که همین الان هم می‌تونن آدم رو بزنن.
فعلاً فاصله بین Agent قدرتمند و هوش خودمختار آخرالزمانی هنوز خیلی زیاده.
یه آپدیت جالب برای اجرای LLMها روی Apple Silicon
یک تیم کوچک به اسم Mirai، قابلیت Speculative Decoding رو به موتور Inference خودش اضافه کرده.
فعلاً از Qwen3.6 27B پشتیبانی می‌کنن و پشتیبانی از Qwen3.8 27B و Muse Glimmer هم در راهه.
نکته جالب اینه که ادعا می‌کنن عملکردشون روی Apple Silicon به شکل قابل‌توجهی از Stackهای موجود بهتره.
دلیلش هم رویکرد Co-design بوده.
یعنی Kernelها، Quantization و Speculative Decoding رو از پایه برای این سیستم طراحی کردن.
اگر این روند ادامه پیدا کنه، اجرای مدل‌های نسبتاً بزرگ روی دستگاه‌های شخصی و حتی موبایل، خیلی جدی‌تر از قبل می‌شه.
#AI
#LLM
#AppleSilicon
#Inference
#Qwen
#OnDeviceAI
پ.ن: دوستان AI روی گوشی داره جدی‌تر می‌شه.
به نظرم با این سرعت پیشرفت در Inference، Quantization و Speculative Decoding، تا یک سال دیگه ممکنه واقعاً به اجرای مدلی در سطح Qwen3.8 27B روی گوشی برسیم.
اگر این اتفاق بیفته، بخش بزرگی از AI می‌تونه On-Device اجرا بشه؛ بدون Cloud و وابستگی دائمی به API.
به نظرم این مسیر خیلی جذاب‌تر از چیزی‌یه که الان به نظر میاد.
انگار داستان Context Window خیلی قبل‌تر از LLMها شروع شده بود.
شرلوک ۱۴۰ سال پیش می‌گفت مغز مثل یک اتاق زیرشیروانیه و نباید هر آشغالی رو توش ریخت.
یودا گفت باید Unlearn کنیم.
دامبلدور اطلاعات اضافی رو ریخت توی Memory Pool.
نئو هم Kung Fu رو در چند ثانیه دانلود کرد.
و ما هنوز با افتخار داریم صدهزارمین Token از Documentation رو می‌ریزیم توی Context و انتظار داریم Agent همه‌چیز رو یادش بمونه.
شاید مسئله آینده فقط Context بیشتر نباشه.
شاید باید یاد بگیریم چی رو اصلاً وارد Context نکنیم.
#AI
#LLM
#ContextEngineering
#AIAgents
#ContextWindow
من خودم به این نتیجه رسیدم که حتی قصد ندارم هیچ کاری رو صرفاً با استفاده از هوش مصنوعی خودکار کنم.
نه اینکه بهش اعتماد نداشته باشم؛ اتفاقاً خیلی هم ازش استفاده می‌کنم.
ولی می‌دونم که بعضی وقت‌ها بین چند پیام، ممکنه مسیر اشتباهی رو بره و این کاملاً طبیعیه.
به نظرم در نهایت، ابزار باید دست شما رو بلندتر کنه، نه اینکه از دستتون جدا بشه و با یه طناب بهتون وصل بمونه.
وقتی خودتون همچنان درگیر کار باشین، هم هزینه کمتری می‌کنین، هم تمرکز بیشتری دارین، هم توی حوزه‌های مختلف بیشتر یاد می‌گیرین و در نهایت نه‌تنها سریع‌تر میشین، بلکه سبک و اصالت خودتون رو هم حفظ می‌کنین.
من خودم دوست دارم حس نزدیکی با کاری که انجام میدم داشته باشم.
دوست دارم بدونم چیزی که دارم می‌سازم چطور کار می‌کنه و چرا به این شکل ساخته شده.
به نظرم مهمه که اصول فناوری رو بفهمین. بدونین این تکنولوژی چطور به این مرحله رسیده، قبل از اون چه چیزهایی وجود داشته و اصلاً چرا امروز به این نقطه رسیدیم.
اینکه بدون برنامه‌نویسی و به طور کلی علوم کامپیوتر نمیشه پیشرفت کرد، حرف درستیه؛ ولی برنامه‌نویسی بیشتر شبیه الفبای این حوزه‌ست.
بلد بودن الفبا به این معنی نیست که نویسنده شدین. باید بتونین این حروف رو کنار هم بذارین، کلمه و جمله بسازین و در نهایت بدونین کِی، کجا و چرا باید از هر چیزی استفاده کنین.
به نظرم الان بیشتر از همیشه باید هم کدنویسی بلد باشین، هم تئوری پشتش رو بفهمین.
لازم نیست حتماً همیشه دنبال یه roadmap مشخص باشین یا همه‌چیز رو از قبل بدونین.
اگه از کاری که انجام میدین لذت می‌برین و واقعاً کنجکاوین که بفهمین پشتش چه خبره، همین مسیر خودش می‌تونه باعث پیشرفتتون بشه.
بچه‌ها، یه توصیه دوستانه و صمیمانه دارم برای کسایی که تازه دارن وارد دنیای AI و Agentها میشن.
به نظرم برای شروع، لازم نیست ده‌ها دوره و ویدیو و roadmap جمع کنین. چندتا چیز خیلی ساده‌تر از این حرفاست.
اول از همه، تمرین کنین.
یه Agent خوب داشته باشین و شروع کنین به کار کردن باهاش. نه اینکه از همون اول بخواین Agent بسازین؛ اول سعی کنین بفهمین همین ابزارهایی که الان وجود دارن چطور کار می‌کنن.
مثلاً باهاش یه کار واقعی انجام بدین، بعد ازش بخواین توضیح بده چطور به نتیجه رسیده، چه ابزارهایی استفاده کرده و چه مسیری رو طی کرده.
دوم، باید یه دید درست از هسته‌ی این سیستم‌ها پیدا کنین.
مهم‌ترین چیز اینه که بدونین تفاوت بین مدل و Context چیه، Agent Loop چطور کار می‌کنه و مدل چطور از Toolها استفاده می‌کنه.
خیلی ساده اگر بخوایم نگاه کنیم:
شما قبل از هر درخواست، یه Context در اختیار مدل می‌ذارین؛ پرامپت، فایل‌ها، تاریخچه، Toolها و هر چیزی که برای حل مسئله لازمه.
بعد مدل با توجه به همین Context تصمیم می‌گیره چه کاری باید انجام بده.
ممکنه یک Tool رو صدا بزنه، نتیجه رو ببینه، دوباره تصمیم بگیره، Tool دیگه‌ای رو اجرا کنه و همین چرخه ادامه پیدا کنه تا در نهایت به جواب برسه یا از شما سؤال بپرسه.
وقتی این چرخه رو بفهمین، خیلی از چیزهایی که اولش شبیه جادو به نظر میاد، دیگه اون‌قدر عجیب نیست.
این قسمت رو واقعاً جدی بگیرین.
از Agentتون بخواین Agent Loop خودش رو براتون توضیح بده. ازش بخواین مثال بزنه، مقاله و ویدیو پیدا کنه و چند ساعت باهاش کلنجار برین.
لازم نیست از همون اول برین سراغ ده‌ها فریم‌ورک و ابزار مختلف. اول همین چند مفهوم پایه رو درست بفهمین.
سوم، AI رو وارد کاری کنین که همین الان انجام میدین.
اگر برنامه‌نویسین، باهاش کد بزنین.
اگر طراحین، کارهای طراحی خودتون رو باهاش سریع‌تر کنین.
اگر تولید محتوا می‌کنین، ازش برای تحقیق، ایده‌پردازی یا آماده‌سازی محتوا استفاده کنین.
لازم نیست همه برنامه‌نویس بشن و یه SaaS بسازن.
به نظرم هدف اصلی این نیست که یه حرفه‌ی جدید رو از صفر شروع کنین؛ هدف اینه که کاری که همین الان بلدین رو با کمک AI بهتر و سریع‌تر انجام بدین.
بعد که یه کار رو چند بار انجام دادین، می‌تونین همون روند رو تبدیل به Skill یا Workflow کنین و کم‌کم سطح اتوماسیون رو … Читать полностью →
پ.ن: یه چیز دیگه هم به نظرم خیلی مهمه؛ یه پروژه‌ای که مدت‌هاست توی ذهنتونه، یا یه ایده‌ی جالب که واقعاً دوست دارین بسازینش پیدا کنین.
یه چیزی که دلتون بخواد بشینین پاش و روش کار کنین؛ و اگه در نهایت بتونه براتون درآمد هم داشته باشه که چه بهتر.
وقتی یه پروژه‌ی واقعی داشته باشین که واقعاً براتون مهم باشه، انگیزه‌ی خیلی بیشتری برای نشستن، یاد گرفتن، خراب کردن و دوباره ساختنش پیدا می‌کنین.
به نظرم خیلی بهتر از اینه که فقط بشینین یه سری آموزش ببینین و منتظر باشین یه روز «آماده» بشین.
🎁 هدیه‌های ایران‌سرور برای شما
🎁 یک اکانت جمینای پرو هجده ماهه به ارزش سی و هفت میلیون ریال از سایت گیمرزشاپ:
KWYPiransvGSZY
🎁 یک دوره آموزشی مهارت هوش مصنوعی به ارزش صدو بیست و نه میلیون ریال از سایت آکادمیتو:
academyto100_kjuya
🎁 پنج دامنه رایگان .shop یکساله به ارزش هفت میلیون ریال از سایت ایران‌سرور:
BUG-SUMMER1405_KKFQDOWETZ
🎁 پنج دامنه رایگان .ir یکساله به ارزش یک میلیون ریال از سایت ایران‌سرور:
BUG-SUMMER1405_NGFKFKCWZG
⏱️ مهلت استفاده از این کدها فقط تا ساعت 22 امشب
به انتهای روز که می‌رسی، یه حس عجیبی میاد سراغت: «من امروز واقعاً کار کردم یا فقط الکی وقت گذروندم؟»
شما هم اینطوری هستید یا فقط منم؟
این حس بیشتر موقعی سراغم میاد که کل روز کد نزدم و چسبیدم به داکیومنت‌بازی، نوشتنِ مستندات، ویرایش یا تحقیق.
ما ناخودآگاه عادت کردیم به اینکه وقتی هر روز کد می‌زنیم (حتی با کمک هوش مصنوعی)، نتیجه جلوی ما مشخص هست: حجم زیادی از فایل‌های وایب‌کدشده یا پول‌ریکوئست‌های (PR) مرج‌شده.
اما وقتی روی مستندات کار می‌کنی، در بهترین حالت انتهای روز یکی دو تا سند تحویل می‌دهی و این فکر سمّی در سرت میپیچه که: «خب که چی؟ این‌ها رو نوشتی که چی بشه؟ اصلاً کار جدی‌ای نکردی که! مدرکی براش نداری!»
در حالی که مغزت کاملاً متوجه هست که کل روز کار کرده‌ای، خسته‌ای و کله‌ات سوت کشیده.
شما هم با این قضیه درگیر میشین ؟ اگر آره، چطور باهاش کنار میاین؟
یک سری منبع کاربردی براتون پیدا کردم، گفتم اینجا به اشتراک بذارم:
مورد اول: aicss.dev — بلاک‌های UI برای تعاملاتِ ایجنت‌های هوش مصنوعی
مورد دوم: ui.halaska.com — کامپوننت‌های رابط کاربری برای محصولات مبتنی بر AI
مورد سوم: bencho.dev — بلاک‌های UI برای تجربه‌های تعاملیِ هوش مصنوعی
مورد چهارم: builtbydesigners.com — ویترینِ محصولاتی که طراحان ساختارشان را دیزاین کرده‌اند
مورد پنجم: torph.lochie.me — کتابخانه متن‌مورفینگ (morphing) بدون هیچ وابستگی (Zero dependencies)
مورد ششم: typehug.aliszu.com — ابزار تایپوگرافی برای کنار هم چسباندن و نگه داشتن کلمات
شما خودتون از این‌ها توی پروژه‌هاتون استفاده کردید، یا فقط دارید لینک جمع می‌کنید برای پروژه‌های بعدی؟ :)