مدل هوش مصنوعی جدیدی که توسط پژوهشگران انگلیسی ابداع شده است، می‌تواند درک ما را درباره رشد جنین تغییر دهد. سایت علمی ساینمگ در گزارش تازه خود نوشته است که پژوهش جدید دانشگاه پلیموث نشان داده است که یک مدل جدید مبتنی بر هوش مصنوعی می‌تواند از ویدیو تشخیص دهد که در طول رشد جنین چه اتفاقی و در چه زمانی رخ می‌دهد. در ادامه آمده است که این پژوهش نشان می‌دهد که چگونه یک مدل یادگیری عمیق موسوم به «Dev-ResNet» می‌تواند وقوع رویدادهای کلیدی رشد از جمله عملکرد قلب، خزیدن و حتی مرگ را در حلزون‌های برکه‌ای شناسایی کند. نوآوری کلیدی در این پژوهش، یک مدل سه‌بعدی است که از تغییرات رخ‌داده بین فریم‌های ویدیو استفاده می‌کند و هوش مصنوعی را قادر می‌سازد تا از این ویژگی‌ها درس بگیرد. این روش برخلاف استفاده سنتی‌ از تصاویر ثابت است. استفاده از ویدیو به این معناست که  Dev-ResNet، ویژگی‌هایی را از اولین ضربان قلب یا خزیدن گرفته تا تشکیل پوسته یا تخم‌گذاری به طور قابل اعتماد شناسایی می‌کند و حساسیت‌ ویژگی‌های گوناگون را نسبت به دما نشان می‌دهد. اگرچه Dev-ResNet در جنین‌های حلزون برکه‌ای استفاده شده است اما پژوهشگران می‌گویند که این مدل می‌تواند کاربرد گسترده‌ای را در همه گونه‌ها داشته باشد. آن‌ها مستندات جامعی را برای اعمال Dev-ResNet در سیستم‌های متفاوت بیولوژیکی فراهم کرده‌اند. این روش را در آینده می‌توان برای کمک به تسریع درک چگونگی تأثیر تغییرات آب‌وهوایی و سایر عوامل بیرونی بر انسان و حیوانات استفاده کرد. زیاد ایبینی، دانشجوی مقطع دکتری دانشگاه پلیموث که Dev-ResNet را طراحی کرده و آموزش داده است، گفت: ترسیم رویدادهای رشد یا بررسی این که چه اتفاقی در زمان رشد اولیه یک حیوان رخ می‌دهد، بسیار چالش‌برانگیز اما در عین حال بسیار مهم است زیرا به ما کمک می‌کند تا تغییرات رخ‌داده را در زمان‌بندی رویداد بین گونه‌ها و محیط‌ها درک کنیم. مدل Dev-ResNet یک شبکه عصبی سه‌بعدی کوچک و کارآمد است که می‌تواند رویدادهای رشد را با استفاده از ویدئوها تشخیص دهد و به راحتی آموزش داده شود. تنها محدودیت‌های واقعی، در ایجاد داده‌ها برای آموزش دادن مدل یادگیری عمیق است. ما می‌دانیم که این مدل کار می‌کند. فقط باید داده‌های آموزشی مناسب را به آن ارائه دهید. وی افزود: ما می‌خواهیم جامعه علمی گسترده‌تری را به روش‌هایی مجهز کنیم که آن‌ها را قادر می‌سازند تا درک بهتری را از نحوه رشد یک گونه تحت تأثیر عوامل گوناگون داشته باشند. بدین ترتیب، می‌فهمیم که چگونه می‌توانیم از آنها محافظت کنیم. ما باور داریم که Dev-ResNet یک گام مهم در این مسیر است. دکتر اولی تیلز، پژوهشگر ارشد این پروژه گفت: این پژوهش در سطح فناوری اهمیت دارد اما برای پیشبرد نحوه درک ما از رشد ارگانیسم نیز مهم است. گروه اکوفیزیولوژی و توسعه دانشگاه پلیموث، بیش از ۲۰ سال در این حوزه سابقه پژوهش دارد. وی افزود: دستیابی به این نقطه عطف بدون کمک یادگیری عمیق امکان‌پذیر نبود. فکر کردن به اینکه این قابلیت جدید می‌تواند ما را برای بررسی حیوانات در پویاترین دوره زندگی آنها به کجا ببرد، هیجان‌انگیز است. این پژوهش در «Journal of Experimental Biology» به چاپ رسید.

سایت علمی ساینمگ نوشته است که پژوهشگران «مؤسسه علم و فناوری کره جنوبی» و «دانشگاه نورث‌وسترن»، فناوری جدیدی را برای تشخیص بیماری از عرق بدن ابداع کرده‌اند و قصد دارند در آینده آن را در دسترس همه مردم قرار دهند. در سایت آمده است که عرق بدن حاوی نشانگرهای زیستی است که می‌توانند بیماری‌های گوناگون را از دیابت گرفته تا اختلالات ژنتیکی نشان دهند. نمونه‌برداری از عرق برخلاف خون، به دلیل ماهیت بدون درد خود مورد علاقه کاربران است اما از آنجا که پیشتر برای به دست آوردن مواد یا هورمون‌های مورد نیاز از عرق، فعالیت بدنی شدید لازم بود، این روش چالش‌هایی را برای افراد با تحرک محدود ایجاد می‌کرد. دکتر کیم جوهی از «مرکز تحقیقات بیونیک» در «مؤسسه علم و فناوری کره جنوبی و پروفسور جان راجرز از دانشگاه نورث‌وسترن به طور مشترک یک دستگاه را برای نظارت راحت بر تعریق ابداع کرده‌اند که به فعالیت بدنی نیاز ندارد و تحریک دارو را از طریق پوست انجام می‌دهد. برخلاف روش‌های پیشین که در آن‌ها عرق کردن باید از طریق ورزش صورت می‌گرفت، این دستگاه داروهایی را ارائه می‌دهد که غدد عرق را از طریق پوست تحریک می‌کنند. این گروه پژوهشی یک دستگاه انعطاف‌پذیر ساخته‌اند که با اعمال جریان الکتریکی به هیدروژل حاوی دارو می‌تواند دارو را به غدد عرق برساند. این دستگاه که کوچک و نرم است، به راحتی به پوست متصل می‌شود. عرق ایجادشده در کانال‌های میکروسیال درون دستگاه جمع‌آوری می‌شود و با استفاده از حسگرهای زیستی مورد بررسی قرار می‌گیرد تا نشانگرهای زیستی آن خود را نشان بدهند. این کار امکان تحلیل نشانگرهای زیستی موجود در عرق را فراهم می‌آورد، نیاز مراجعه به بیمارستان را کمتر می‌کند و خطر آلودگی نشانگرهای زیستی را در طول آزمایش کاهش می‌دهد. در نتیجه، دقت افزایش می‌یابد. دستگاه این پژوهش به نوزادان مبتلا به فیبروز سیستیک متصل شد و غلظت کلرید را که یک نشانگر زیستی در عرق است، تایید کرد. داده‌های دستگاه با نتایج به‌دست‌آمده از روش‌های تحلیل سنتی بیمارستان‌ها سازگار بودند و دقت آن‌ها به بیش از ۹۸ درصد می‌رسید. علاوه بر این، پایداری دستگاه روی پوست، با تأیید دمای پوست و مقادیر پی‌اچ تضمین شد. از آنجا که فیبروز سیستیک عمدتا در دوران شیرخوارگی ظاهر می‌شود، نظارت مداوم بر پیشروی بیماری و وضعیت جسمانی ضروری است. با استفاده از این دستگاه می‌توان نظارت مداوم را به راحتی در خانه انجام داد تا استرس روحی و جسمی بیماران و مراقبان آنها کاهش یابد. این دستگاه جدید می‌تواند فناوری نظارت بر بیماری‌های غیر تهاجمی مبتنی بر عرق را در بزرگسالان سالم نیز امکان‌پذیر کند. علاوه بر این، فناوری انتقال دارو از طریق پوست می‌تواند نه تنها برای تحریک عرق کردن، بلکه برای افزایش میزان دارورسانی به صورت موضعی در شرایطی مانند بیماری یا زخم‌های پوستی و سرعت بخشیدن به روند بهبودی مورد استفاده قرار بگیرد. دکتر جوهی گفت: ما طی دو سال پژوهش مشترک با دانشگاه نورث‌وسترن، نه تنها به محدودیت روش‌های موجود برای القای عرق پرداخته‌ایم، بلکه در آزمایش‌های بالینی نیز به موفقیت دست یافته‌ایم و یک گام به تجاری‌سازی نزدیک‌تر شده‌ایم. پروفسور راجرز گفت: ما قصد داریم در آینده مطالعات بالینی و تجاری‌سازی را در مقیاس بزرگ انجام دهیم و آن را برای بزرگسالان نیز تنظیم کنیم. این پژوهش در مجله «Biosensors and Bioelectronics» به چاپ رسید.

روزنامه بین‌المللی گاردین گزارش داده است که دانشمندان می‌گویند توانایی تشخیص شوخ طبعی می‌تواند به هوش مصنوعی کمک کند تا به طور طبیعی‌تر با مردم تعامل داشته باشد. در گزارش آمده است که مهم نیست که هوش مصنوعی می‌تواند از پس آزمون وکالت و پزشکی و خواندن داستان‌ قبل از خواب با احساس بربیاید، زیرا این فناوری بدون تسلط بر هنر کنایه زدن هرگز با شگفتی ذهن انسان برابری نمی‌کند. در ادامه آمده است که به نظر می‌رسد که این هنر ممکن است در لیست قابلیت‌های هوش مصنوعی قرار گرفته باشد. محققان هلندی یک ردیاب کنایه مبتنی بر هوش مصنوعی ساخته‌اند. مت کولر، از آزمایشگاه فناوری گفتار دانشگاه خرونینخن می‌گوید: ما می‌توانیم طعنه را به روشی قابل اعتماد تشخیص دهیم و مشتاقیم آن را رشد دهیم. ما می‌خواهیم ببینیم تا کجا می‌توانیم آن را پیش ببریم. این پروژه چیزی فراتر از آموزش الگوریتم‌ها است زیرا گاهی واضح‌ترین نظرات را نمی‌توان با معنای واقعی کلمه در نظر گرفت و در عوض باید به‌ عنوان حرف مخالف تفسیر شوند. کولر می‌گوید که طعنه بیش از آنچه که ما ممکن است درک کنیم، در گفتمان ما نفوذ می‌کند، بنابراین درک آن برای آن که انسان‌ها و ماشین‌ها به طور یکپارچه با هم ارتباط برقرار کنند، بسیار مهم است. کولر می‌گوید: وقتی شروع به مطالعه طعنه می‌کنید، از میزان استفاده ما از آن به عنوان بخشی از حالت عادی ارتباط آگاه می‌شوید. اما ما باید با دستگاه‌های خود به شیوه‌ای کاملا تحت اللفظی صحبت کنیم، گویی که با یک ربات صحبت می‌کنیم و لازم نیست اینطور باشد. انسان‌ها عموما در تشخیص طعنه ماهر هستند، اگرچه نشانه‌های محدودی که در متن یافت می‌شود آن را سخت‌تر از تعامل رو در رو می‌کند، زمانی که ارائه، لحن و حالات چهره همگی قصد گوینده را آشکار می‌کنند. محققان در توسعه هوش مصنوعی خود دریافتند که چندین نشانه برای الگوریتم برای تشخیص طعنه اهمیت دارد. در مطالعه‌ای که در جلسه مشترک انجمن آکوستیک آمریکا و انجمن آکوستیک کانادایی در اتاوا در روز پنجشنبه ارائه شد، ژیوان گائو، دانشجوی دکترا در آزمایشگاه، نحوه آموزش شبکه عصبی را بر روی محتوای متنی، صوتی و ویدیویی توسط این گروه توضیح داد. کلیپ‌هایی از سریال‌های کمدی آمریکایی از جمله Friends و The Big Bang Theory استفاده شده است. این پایگاه داده توسط محققانی در ایالات متحده و سنگاپور جمع‌آوری شده است که جملاتی از برنامه‌های تلویزیونی را با برچسب‌های طعنه برای ساختن آشکارساز خود حاشیه‌نویسی کردند. پس از آموزش متنی و صوتی، همراه با نمراتی که محتوای عاطفی کلمات گفته شده توسط بازیگران را منعکس می‌کرد، هوش مصنوعی تقریبا ۷۵ درصد مواقع می‌توانست طعنه را تشخیص دهد. تحقیقات بیشتر در آزمایشگاه از داده‌های مصنوعی برای افزایش دقت بیشتر استفاده کرده است، اما این تحقیق در انتظار انتشار است. شخار نایاک، یکی دیگر از محققین این پروژه می‌گوید که علاوه بر روان‌تر کردن مکالمات با دستیاران هوش مصنوعی، می‌توان از همین رویکرد برای تشخیص لحن منفی در زبان و شناسایی سوء استفاده و سخنان نفرت‌آمیز استفاده کرد. گائو می‌گوید که می‌توان با افزودن نشانه‌های بصری به داده‌های آموزشی هوش مصنوعی، مانند حرکات ابرو و پوزخند، پیشرفت‌های بیشتری حاصل کرد. اما این سوال ایجاد می‌شود که این الگوریتم چقدر دقیق است؟ آیا قرار است ماشینی داشته باشیم که ۱۰۰ درصد دقیق خواهد بود؟ این کاری نیست که حتی انسانها هم بتوانند انجام دهند. کولر اضافه می‌کند که آشنایی بیشتر برنامه‌ها با نحوه صحبت کردن واقعی انسان‌ها باید به مردم کمک کند تا به طور طبیعی با دستگاه‌ها صحبت کنند، اما او متعجب است که اگر ماشین‌ها مهارت‌های تازه‌ را بپذیرند و شروع به کنایه زدن به ما کنند، چه اتفاقی می‌افتد.

سایت علمی اس‌دی در گزارشی نوشته است که پژوهشگران هشدار می‌دهند که سیستم‌های هوش مصنوعی تا اکنون یاد گرفته‌اند که چگونه انسان‌ها را فریب دهند. محققان در مورد پتانسیل سیستم‌های هوش مصنوعی برای درگیر شدن در رفتارهای فریبنده هشدار می‌دهند و می‌گویند هوش مصنوعی می‌تواند پیامدهای اجتماعی جدی داشته باشد. آن‌ها بر نیاز به اقدامات نظارتی قوی برای مدیریت موثر این خطرات تاکید می‌کنند. بسیاری از سیستم‌های هوش مصنوعی حتی آن‌هایی که برای مفید بودن و راستگویی طراحی شده‌اند، یاد گرفته‌اند که چگونه انسان‌ها را فریب دهند. پژوهشگران در مقاله‌ای که به تازگی در مجله Patterns منتشر شده است، خطرات فریب هوش مصنوعی را برجسته می‌کنند و از دولت‌ها می‌خواهند که به سرعت مقرراتی قوی برای کاهش این خطرات وضع کنند. پیتر اس پارک فوق دکترای ایمنی وجودی هوش مصنوعی در موسسه فناوری ماساچوست(MIT) و نویسنده ارشد این مطالعه می‌گوید: توسعه دهندگان هوش مصنوعی درک مطمئنی از آنچه باعث رفتارهای نامطلوب هوش مصنوعی مانند فریب دادن می‌شود، ندارند. اما به طور کلی ما فکر می‌کنیم که فریب هوش مصنوعی به این دلیل به وجود می‌آید که یک استراتژی مبتنی بر فریب بهترین راه برای عملکرد خوب در وظیفه آموزشی هوش مصنوعی است. این فریب به آنها کمک می‌کند تا به اهداف خود برسند. پارک و همکارانش مقالاتی را تجزیه و تحلیل کردند که بر روش‌هایی متمرکز بود که سیستم‌های هوش مصنوعی اطلاعات نادرست را از طریق فریب‌های آموخته‌شده که در آن به طور سیستماتیک یاد می‌گیرند اطلاعات را دستکاری کنند و افراد را فریب دهند، منتشر می‌کنند. نمونه‌هایی از فریب هوش مصنوعی بارزترین نمونه فریب هوش مصنوعی که محققان در تجزیه و تحلیل خود کشف کردند، متعلق به سیستم CICERO شرکت متا(فیسبوک سابق) بود که یک سیستم هوش مصنوعی طراحی شده برای بازی استراتژیک فتح جهان است. اگرچه متا ادعا می‌کند که CICERO را به گونه‌ای آموزش داده است که تا حد زیادی صادق و مفید باشد و هیچ گاه عمداً به متحدان انسانی خود در حین بازی از پشت خنجر نزند، داده‌هایی که این شرکت به همراه مقاله علمی خود منتشر کرد، نشان داد که CICERO منصفانه بازی نمی‌کند. پارک می‌گوید: ما متوجه شدیم که هوش مصنوعی متا یاد گرفته است که در فریبکاری استاد باشد. در حالی که متا موفق شد هوش مصنوعی خود را برای برنده شدن در این بازی آموزش دهد، اما CICERO در بین ۱۰ درصد از بازیکنان انسانی برتر قرار گرفت که بیش از یک بازی انجام داده بودند. ضمنا متا نتوانسته هوش مصنوعی خود را برای برنده شدن صادقانه آموزش دهد. سایر سیستم‌های هوش مصنوعی توانایی بلوف زدن در بازی پوکر علیه بازیکنان انسانی حرفه‌ای، حملات جعلی در طول بازی استراتژیک Starcraft II به منظور شکست دادن حریفان و ارائه پیشنهادات نادرست در مذاکرات اقتصادی را نشان داده‌اند. خطرات هوش مصنوعی فریبنده پارک افزود: اگرچه ممکن است تقلب سیستم‌های هوش مصنوعی در بازی‌ها بی‌ضرر به نظر برسد، اما می‌تواند منجر به پیشرفت در قابلیت‌های هوش مصنوعی فریبنده شود که می‌تواند در آینده به اشکال پیشرفته‌تر فریب هوش مصنوعی تبدیل شود. محققان دریافتند برخی از سیستم‌های هوش مصنوعی حتی یاد گرفته‌اند که در آزمایش‌هایی که برای ارزیابی ایمنی آنها طراحی شده‌اند، تقلب کنند. پارک می‌گوید: یک هوش مصنوعی فریبنده با ارتکاب تقلب سیستماتیک در آزمایش‌های ایمنی توسعه‌دهندگان و تنظیم‌کننده‌های انسانی می‌تواند ما انسان‌ها را به سمت یک احساس امنیت کاذب سوق دهد. پارک هشدار می‌دهد که خطرات کوتاه‌مدت هوش مصنوعی فریبنده شامل آسان‌تر کردن تقلب و دستکاری در مسائلی نظیر انتخابات است. به گفته وی در نهایت اگر این سیستم‌ها بتوانند این مجموعه مهارت‌های ناراحت‌کننده را توسعه دهند و بهبود ببخشند، ممکن است روزی انسان‌ها کنترل خود را روی هوش مصنوعی از دست بدهند. پارک می‌گوید: ما به عنوان یک جامعه به زمان بیشتری نیاز داریم تا برای فریب پیشرفته‌تر محصولات آینده هوش مصنوعی و مدل‌های منبع باز آماده شویم. با پیشرفته‌تر شدن قابلیت‌های فریبنده سیستم‌های هوش مصنوعی، خطراتی که برای جامعه ایجاد می‌کنند، جدی‌تر می‌شوند. در حالی که پارک و همکارانش فکر می‌کنند جامعه علمی هنوز اقدام مناسبی برای رسیدگی به فریب هوش مصنوعی انجام نداده است، آنها سیاست‌گذاران را تشویق می‌کنند که اقداماتی مانند قانون هوش مصنوعی اتحادیه اروپا و فرمان اجرایی هوش مصنوعی جو بایدن رئیس جمهور آمریکا را جدی بگیرند. پارک می‌گوید البته باید دید که آیا سیاست‌های طراحی‌شده برای کاهش فریب هوش مصنوعی با توجه به اینکه توسعه‌دهندگان هوش مصنوعی هنوز تکنیک‌هایی برای کنترل این سیستم‌ها ندارند، می‌توانند به درستی اجرا شوند؟ وی افزود: اگر ممنوعیت فریبکاری هوش مصنوعی در حال حاضر از نظر سیاسی غیرممکن است، توصیه می‌کنیم که سیستم‌های هوش مصنوعی فریبنده با برچسب پرخطر طبقه‌بندی شوند.

وب‌سایت رسمی دانشگاه کالیفرنیا سن‌دیگو گزارش داده است که یک پلتفرم هوش مصنوعی که در این ابداع شده است، در آزمایش‌ها توانست ۳۲ داروی جدید را برای هدف قرار دادن سرطان تولید کند. دانشمندان دانشگاه کالیفرنیا سن‌دیگو یک الگوریتم یادگیری ماشینی را برای شبیه‌سازی شیمی زمان‌بر مراحل اولیه کشف دارو توسعه داده‌اند که می‌تواند این فرآیند را به طور قابل‌توجهی ساده کند و امکان ارائه دادن درمان‌های جدید را فراهم آورد. در ادامه آمده است که شناسایی داروهای جدید برای بهبودی بیشتر معمولا شامل هزاران آزمایش فردی است اما پلتفرم جدید هوش مصنوعی می‌تواند نتایج یکسان را در کسری از زمان ارائه دهد. دانشمندان از این پلتفرم جدید برای تولید ۳۲ داروی جدید سرطان استفاده کردند. این فناوری، بخشی از یک روند جدید اما رو به ‌رشد در علم داروسازی برای استفاده کردن از هوش مصنوعی به منظور بهبود کشف و توسعه دارو است. تری آیدکر، استاد گروه پزشکی در دانشکده پزشکی دانشگاه کالیفرنیا سن‌دیگو و پژوهشگر ارشد این پروژه گفت: چند سال پیش، هوش مصنوعی یک کلمه کثیف در صنعت داروسازی بود اما اکنون این روند قطعا برعکس است زیرا استارت‌آپ‌های زیست‌فناوری بدون پرداختن به هوش مصنوعی برای جمع‌آوری سرمایه در کسب‌وکار خود مشکل پیدا می‌کنند. کشف دارو با هدایت هوش مصنوعی، به یک حوزه بسیار فعال در داروسازی تبدیل شده است اما بر خلاف روش‌هایی که در شرکت‌ها توسعه می‌یابند، ما فناوری خود را به صورت منبع باز و در دسترس برای هر کسی که می‌خواهد از آن استفاده کند، می‌سازیم. پلتفرم جدید که «POLYGON» نام دارد، در میان پلتفرم‌های هوش مصنوعی کشف دارو منحصربه‌فرد است، زیرا می‌تواند مولکول‌هایی را با اهداف متعدد شناسایی کند. این در حالی است که پروتکل‌های موجود کشف دارو در حال حاضر درمان‌های تک‌هدف را در اولویت قرار می‌دهند. داروهای چندهدف به دلیل پتانسیل خود برای ارائه مزایای مشابه با درمان ترکیبی و در عین حال، عوارض جانبی کمتر مورد توجه پزشکان و دانشمندان هستند. آیدکر گفت: یافتن و توسعه یک داروی جدید سال‌ها طول می‌کشد و میلیون‌ها دلار هزینه دارد؛ به ویژه اگر یک داروی چندهدف باشد. معدود داروهای چندهدفی که ما داریم، تا حد زیادی به طور تصادفی کشف شده‌اند اما این فناوری جدید می‌تواند شانس را از معادله حذف کند و آغازگر نسل جدیدی از پزشکی دقیق باشد. دانشمندان، POLYGON را روی یک پایگاه داده متشکل از بیش از یک میلیون مولکول فعال زیستی شناخته‌شده آموزش دادند که حاوی اطلاعات دقیق درباره خواص شیمیایی و تعاملات شناخته‌شده با اهداف پروتئینی است. الگوریتم POLYGON با یادگیری از الگوهای موجود در پایگاه داده می‌تواند فرمول‌های شیمیایی اصلی را برای داروهای جدید تولید کند که احتمالا دارای ویژگی‌هایی مانند توانایی مهار پروتئین‌های خاص هستند. آیدکر ادامه داد: درست مانند هوش مصنوعی که اکنون در تولید نقاشی‌ها و تصاویر اصلی مانند ایجاد تصاویر چهره انسان براساس ویژگی‌های دلخواه مانند سن یا جنسیت بسیار خوب است، POLYGON نیز می‌تواند ترکیبات مولکولی اصلی را براساس خواص شیمیایی مورد نظر تولید کند. در این مورد، به جای اینکه به هوش مصنوعی بگوییم می‌خواهیم چهره‌مان چند ساله باشد، به او می‌گوییم که می‌خواهیم داروی آینده ما با پروتئین‌های بیماری در تعامل قرار بگیرد. برای آزمایش کردن POLYGON، دانشمندان از آن برای تولید صدها دارو استفاده کردند که جفت‌های گوناگونی را از پروتئین‌های مرتبط با سرطان هدف قرار می‌دهند. از این میان، آنها ۳۲ مولکول را تولید کردند که قوی‌ترین تعاملات پیش‌بینی‌شده را با پروتئین‌های MEK1 و mTOR داشتند. این دو، پروتئین‌های سیگنال‌دهنده سلولی هستند که هدف امیدوارکننده‌ای برای درمان ترکیبی سرطان به شمار می‌روند. مهار هر دو پروتئین با هم برای از بین بردن سلول‌های سرطانی کافی است؛ حتی اگر مهار یکی از آنها به تنهایی انجام نشود. پژوهشگران دریافتند داروهایی که آنها تولید کرده‌اند، فعالیت قابل توجهی را در برابر MEK1 و mTOR دارند اما واکنش‌های خارج از هدف کمی را با سایر پروتئین‌ها نشان دادند. این نشان می‌دهد که یک یا چند داروی شناسایی‌شده توسط POLYGON می‌توانند هر دو پروتئین را به‌عنوان درمان سرطان هدف قرار دهند و فهرستی از گزینه‌ها را برای تنظیم دقیق توسط شیمی‌دان‌های انسانی ارائه کنند. ایدکر گفت: پس از دریافت داروها هنوز باید کارهای شیمیایی دیگری را انجام دهید تا آن گزینه‌های دارویی را به صورت یک درمان واحد و مؤثر درآورید. ما نمی‌توانیم و نباید سعی داشته باشیم تا تخصص انسانی را از روند کشف دارو حذف کنیم، بلکه باید چند مرحله از این فرآیند را کوتاه کنیم. به رغم این احتیاط، دانشمندان نسبت به قابلیت‌های هوش مصنوعی برای کشف دارو خوش‌بین هستند. آیدکر افزود: دیدن چگونگی اجرایی شدن این مفهوم در دهه آینده چه در دانشگاه و چه در بخش خصوصی بسیار هیجان‌انگیز خواهد بود. قابلیت‌های هوش مصنوعی عملا بی‌پایان هستند. این پژوهش در مجله «Nature Communications» به چاپ رسید.

نیویورک پست در تازه‌ترین مطلب خود نوشته است که هوش مصنوعی می‌تواند جهت‌گیری سیاسی افراد را از روی چهره‌های‌شان پیش‌بینی کند که البته مباحثی را درباره تهدید حریم خصوصی به میان آورده است. پژوهشگران پس از مطالعه‌ای که نشان داد، هوش مصنوعی می‌تواند در پیش‌بینی جهت‌گیری سیاسی افراد بر اساس تصاویر چهره‌های بدون حالت و بی‌احساس آن‌ها موفق باشد، هشدار می‌دهند که فناوری‌های تشخیص چهره «تهدیدکننده‌تر از آنچه قبلاً تصور می‌شد» هستند و «چالش‌های جدی برای حفظ حریم خصوصی» ایجاد می‌کنند. مطالعه‌ای که به تازگی در مجله American Psychologist  منتشر شده است، آمده است که توانایی الگوریتم هوش مصنوعی برای حدس زدن دقیق دیدگاه‌های سیاسی یک فرد خیره کننده است. مایال کوزینسکی، نویسنده اصلی این مطالعه گفت که ۵۹۱ شرکت‌کننده یک پرسشنامه درباره گرایش سیاسی را قبل از اینکه هوش مصنوعی گرایش سیاسی آن‌ها را از چهره‌شان توصیف کند، پر کردند و هوش مصنوعی تحلیل خود را با پایگاه ‌داده حاصل از آن پرسشنامه‌ها برای پیش‌بینی گرایش سیاسی آنها مقایسه کرد. کوزینسکی که دانشیار رفتار سازمانی در دانشکده تحصیلات تکمیلی بازرگانی دانشگاه استنفورد است، می‌گوید: من فکر می‌کنم که مردم متوجه نمی‌شوند که صرفاً با در اختیار قرار دادن یک عکس، چقدر خود را در معرض شناخت قرار می‌دهند. او گفت که ما می‌دانیم که گرایش جنسی، گرایش سیاسی و دیدگاه‌های مذهبی مردم باید محافظت شود. این قبلا متفاوت بود. در گذشته می‌توانستید به حساب فیسبوک هر کسی وارد شوید و مثلاً دیدگاه‌های سیاسی، پسندها و صفحاتی که دنبال می‌کند را ببینید. اما سال‌ها پیش فیسبوک این قابلیت را مسدود کرد، زیرا برای سیاست‌گذاران، فیسبوک و روزنامه‌نگاران واضح بود که از نظر حریم خصوصی قابل قبول نیست و خیلی خطرناک است. همچنین می‌توان به فیسبوک رفت و عکس هر کسی را دید. شخصی که عکسش را می‌بینید احتمالا هرگز شما را ندیده است و هرگز گرایش سیاسی خود را با شما به اشتراک نگذاشته است. با این حال، آنچه این مطالعه جدید نشان داده این است که تنها از روی عکس یک فرد، هر چند بدون احساس و حالت باشد، گرایش سیاسی وی را حدس زد. پژوهشگران برای این مطالعه تصاویر شرکت کنندگان را به شیوه‌ای بسیار کنترل شده جمع‌آوری کردند. آن‌ها می‌گویند شرکت کنندگان یک تیشرت مشکی ساده پوشیده بودند و زیورآلات خود را درآورده بودند و در صورت لزوم ریش خود را اصلاح کرده بودند. سپس از دستمال مرطوب صورت برای از بین بردن لوازم آرایشی استفاده شد تا زمانی که هیچ چیز روی پوست آنها باقی نماند. موهای بلند آنها با استفاده از کش مو، سنجاق مو و هدبند به عقب کشیده شد و در عین حال مراقب بودند که موهایشان بیرون نیاید. سپس الگوریتم تشخیص چهره  VGGFace۲ تصاویر چهره آن‌ها را بررسی کرد. نویسندگان می‌گویند، یافته‌های آن‌ها بر ضرورت تشخیص و رسیدگی به خطرات احتمالی فناوری تشخیص چهره برای حریم خصوصی افراد تأکید می‌کند. آنها تاکید کردند که شاید مهم‌تر از همه اینکه یافته‌های ما نشان می‌دهد که فناوری‌های نظارت بیومتریک گسترده‌تر از آنچه قبلا تصور می‌شد، تهدیدکننده هستند. در هر حال نتایج ما نشان می‌دهد که ویژگی‌های صورت حتی در حالت خنثی و بدون ابراز احساسات نیز مقدار قابل توجهی از نشانه‌ها را منتقل می‌کند که استفاده از فناوری تشخیص چهره می‌تواند نشان دهنده کنترل کمتر افراد بر حریم خصوصی خود باشد. کوزینسکی می‌گوید، الگوریتم‌ها را می‌توان به راحتی برای میلیون‌ها نفر به شکل بسیار سریع و ارزان اعمال کرد و مطالعه ما بیشتر یک داستان هشداردهنده در مورد این فناوری است که در تلفن همه وجود دارد و در همه جا به وفور استفاده می‌شود. پژوهشگران در پایان به این نتیجه رسیدند که حتی تخمین‌های خام از ویژگی‌های شخصیتی افراد می‌تواند کارایی کمپین‌های متقاعدسازی انبوه آنلاین را به ‌طور قابل توجهی بهبود بخشد و پژوهشگران، مردم و سیاست‌گذاران باید توجه داشته باشند و سیاست‌های سخت‌گیرانه‌ای را برای تنظیم ضبط و پردازش تصاویر چهره در نظر بگیرند.

سایت علمی آی‌ای گزارش داده است که مطالعه‌ای از موسسه فناوری ماساچوست(MIT)  یک مدل هوش مصنوعی را نشان می‌دهد که می‌تواند اقدامات آینده انسان‌ها را پیش‌بینی کند. این مدل هوش مصنوعی محدودیت‌های یک عامل را تحلیل می‌کند. به این ترتیب می‌تواند متوجه شود که انسان‌ها یا سایر مدل‌های هوش مصنوعی قرار است چه کاری انجام دهند. محققان در موسسه فناوری ماساچوست و دانشگاه واشنگتن یک مدل هوش مصنوعی را توسعه داده‌اند که می‌تواند به طور دقیق اقدامات آینده یک فرد یا یک ماشین را پیش‌بینی کند. این هوش مصنوعی به نام مدل بودجه استنتاج پنهان(L-IBM)  شناخته می‌شود. نویسندگان این مطالعه ادعا می‌کنند که L-IBM بهتر از سایر چارچوب‌های پیشنهادی قبلی است که قادر به مدل‌سازی تصمیم گیری انسانی بودند. این مدل با بررسی رفتار، اعمال و محدودیت‌های گذشته مرتبط با فرآیند تفکر یک عامل که می‌تواند یک انسان یا یک هوش مصنوعی دیگر باشد، کار می‌کند. داده یا نتیجه‌ای که پس از ارزیابی به دست می‌آید، بودجه استنتاج نامیده می‌شود. محققان از L-IBM برای پیش‌بینی حرکات انسان‌ها در یک بازی شطرنج استفاده کردند و گفتند: نتایج ما نشان می‌دهد که تصمیم‌گیری انسانی غیربهینه را می‌توان به طور مؤثر با نسخه‌های محدود محاسباتی الگوریتم‌های جستجوی استاندارد مدل‌سازی کرد. مدل هوش مصنوعی چگونه رفتار انسان را پیش‌بینی می‌کند؟ برای مدل‌سازی فرآیند تصمیم‌گیری یک عامل،L-IBM  ابتدا رفتار یک فرد و متغیرهای مختلفی را که بر آن تأثیر می‌گذارند، تجزیه و تحلیل می‌کند. این مرحله شامل مشاهده عواملی است که در یک ماز در موقعیت‌های تصادفی قرار گرفتند. سپس مدل L-IBM برای درک محدودیت‌های فکری و محاسباتی و پیش‌بینی رفتار آنها مورد استفاده قرار گرفت. این تجزیه و تحلیل اهداف یک عامل و توانایی آن در جهت یابی و تصمیم‌گیری پیچیده را آشکار کرد. محققان خاطرنشان می‌کنند: انسان‌ها به‌راحتی زبان را تولید و درک می‌کنند، به گونه‌ای که از معنای تحت اللفظی آن منحرف می‌شود. محققان داوطلبان را به انجام یک بازی وادار کردند. بازی شامل یک گوینده و یک شنونده بود. گوینده مجموعه‌ای از رنگ‌های مختلف را دریافت می‌کرد و یکی را انتخاب می‌کرد اما نمی‌توانست نام رنگی را که انتخاب کرده مستقیما به شنونده بگوید. او رنگ را برای شونده از طریق عبارات طبیعی زبان توصیف می‌کرد. اگر شنونده همان رنگی را که گوینده از مجموعه انتخاب کرده بود، انتخاب می‌کرد هر دو برنده می‌شدند. با تطبیق L-IBM با گفته‌ها و انتخاب‌ها در بازی‌های انسانی، بررسی می‌شود که آیا می‌توان استنباط کرد که انسان‌ها صرفا از روی رفتار خود درگیر استدلال عملی هستند یا خیر. مرحله آخر: مدل‌سازی بازی شطرنج انسان این مدل بر زمانی تمرکز داشت که بازیکنان مختلف انسان برای انجام حرکات خود در طول بازی شطرنج صرف می‌کردند. آن‌ها همچنین متوجه تفاوت زمانی شدند که شطرنج‌بازان ضعیف‌تر و قوی‌تر برای فکر کردن به حرکات خود صرف می‌کنند. آتول پل ژاکوب، یکی از نویسندگان مطالعه می‌گوید که در پایان روز، دیدیم که عمق برنامه‌ریزی، یا مدت زمانی که کسی در مورد مشکل فکر می‌کند، نشان‌دهنده بسیار خوبی از نحوه رفتار انسان‌ها است. هدف این بود که بفهمیم آیا آنها می‌توانند این داده‌ها را به هوش مصنوعی L-IBM  ارائه دهند. این هوش مصنوعی به طور دقیق تفاوت بین شطرنج بازان ضعیف‌تر و قوی‌تر را نشان می‌دهد. مشکلات سخت‌تر نیاز به برنامه‌ریزی بیشتری دارند یا اینکه یک بازیکن قوی بودن به معنای برنامه‌ریزی طولانی‌تر است. اگر مدل هوش مصنوعی بداند کدام بازیکن بهتر است، احتمالا پیش‌بینی دقیقی دارد که کدام بازیکن برنده بازی است. این مدل هوش مصنوعی می‌تواند به ما در تصمیم گیری بهتر کمک کند. این سه مرحله نشان می‌دهد که چارچوب L-IBM پتانسیل مدل‌سازی تقریبا تمام جنبه‌های تصمیم‌گیری انسانی از جمله روال‌ها، رفتار، ارتباطات و استراتژی را دارد. محققان خاطرنشان کردند: ما نشان دادیم که هوش مصنوعی می‌تواند از مدل‌های کلاسیک عقلانیت محدود عملکرد بهتری داشته باشد، در حالی که معیارهای معنی‌داری از مهارت‌های انسانی و دشواری کار را در نظر می‌گیرد. آن چه که L-IBM را از مدل‌های قبلی متمایز می‌کند این است که به جای داده‌های تصادفی، رفتار گذشته و محدودیت‌های یک عامل را برای تولید نتایج در نظر می‌گیرد. ژاکوب می‌گوید: اگر ما بدانیم که یک انسان در شرف مرتکب شدن به یک اشتباه است، با مشاهده رفتار سابق او، هوش مصنوعی می‌تواند وارد عمل شده و راه بهتری برای انجام کار ارائه دهد. توانایی مدل‌سازی رفتار انسان گام مهمی به سوی ساخت یک عامل هوش مصنوعی است که در واقع می‌تواند به انسان کمک کند. ژاکوب و گروهش اکنون قصد دارند تحقیقات بیشتری را برای دستیابی به مدل‌های بهتر انجام دهند.

پژوهشگران «دانشگاه پرینستون»، یک مدل زبانی را آموزش داده‌اند و از آن برای بررسی توالی‌های ژنوم استفاده کرده‌اند تا بیماری‌ها را رمزگشایی کنند. همان هوش مصنوعی که موفقیت آن در به کار بردن نرم‌افزار کدنویسی و قبولی در آزمون وکالت سرفصل خبرها شد، یاد گرفته است که نوع دیگری از متن را بخواند. این متن جدید حاوی کد ژنتیکی است. کد ژنتیکی حاوی دستورالعمل‌هایی برای همه عملکردهای زندگی است و از قوانینی پیروی می‌کند که بی‌شباهت به زبان‌های انسانی نیستند. هر توالی در ژنوم به یک دستور زبان پیچیده و ساختارهایی پای‌بند است که معنی را ایجاد می‌کنند. همان طور که تغییر کردن چند کلمه می‌تواند تاثیر یک جمله را به شدت تغییر دهد، تغییرات کوچک در یک دنباله بیولوژیکی نیز می‌توانند تفاوت بزرگی را در عناصر رمزگذاری‌کننده دنباله ایجاد کنند. اکنون پژوهشگران دانشگاه پرینستون به سرپرستی منگدی وانگ، کارشناس یادگیری ماشینی این دانشگاه، از مدل‌های زبانی برای بررسی توالی‌های ژنوم جزئی استفاده کرده‌اند و آنها را برای مطالعه زیست‌شناسی و بهبود پزشکی به کار برده‌اند. پژوهشگران در مقاله خود، یک مدل زبانی را شرح داده‌اند که از قدرت بازنمایی معنایی خود برای طراحی واکسن آران‌ای پیام‌رسان مؤثرتری مانند واکسن‌های کووید-۱۹ استفاده می‌کند. دانشمندان یک راه ساده را برای خلاصه کردن جریان اطلاعات ژنتیکی دارند. آنها آن را دگم مرکزی زیست‌شناسی می‌نامند. اطلاعات از DNA به RNA و سپس به پروتئین‌ها حرکت می‌کنند. پروتئین‌ها ساختار و عملکرد سلول‌های زنده را ایجاد می‌کنند. آران‌ای پیام‌رسان، اطلاعات را در مرحله نهایی که مرحله تبدیل است، به پروتئین تبدیل می‌کند، اما فقط بخشی از آران‌ای پیام‌رسان حاوی کد پروتئین است. بقیه اطلاعات تبدیل نمی‌شوند اما جنبه‌های حیاتی فرآیند تبدیل را کنترل می‌کنند. نظارت بر کارآیی تولید پروتئین، یک مکانیسم کلیدی است که واکسن‌های مبتنی بر آران‌ای پیام‌رسان توسط آن کار می‌کنند. پژوهشگران دانشگاه پرینستون، مدل زبانی خود را روی منطقه تبدیل‌نشده متمرکز کردند تا ببینند چگونه می‌توانند کارآیی واکسن‌ها را بهبود ببخشند. پژوهشگران پس از آموزش دادن مدل روی انواع کوچکی از گونه‌ها، صدها توالی بهینه‌سازی‌شده جدید تولید کردند و آن‌ها را از طریق بررسی‌های آزمایشگاهی مورد تایید قرار دادند. بهترین توالی‌ها توانستند بهتر از چندین معیار پیشرو برای توسعه واکسن عمل کنند؛ از جمله افزایش ۳۳ درصدی که در بازدهی کلی تولید پروتئین به همراه آوردند. به گفته پژوهشگران، افزایش راندمان تولید پروتئین حتی به مقدار کم، یک تقویت عمده برای درمان‌های نوظهور است. واکسن‌های آران‌ای پیام‌رسان فراتر از کووید-۱۹، وعده محافظت در برابر بسیاری از بیماری‌های عفونی و سرطان را نیز نوید می‌دهند. وانگ گفت که موفقیت این مدل به احتمال اساسی‌تری نیز اشاره دارد. این مدل زبانی پس از آموزش دیدن با آران‌ای پیام‌رسان گونه‌های انگشت شماری توانست توالی‌های نوکلئوتیدی را رمزگشایی کند و اطلاعات جدیدی را در مورد تنظیم ژن آشکار سازد. دانشمندان بر این باورند که تنظیم ژن، یکی از اساسی‌ترین عملکردهای زندگی است و می‌تواند کلید کشف منشاء بیماری و اختلال باشد. مدل‌های زبانی از این دست می‌توانند راه جدیدی را برای بررسی تنظیم ژن ارائه دهند. زبان بیماری مدل زبانی جدید به جای آموزش دیدن روی میلیاردها صفحه متن از اینترنت، روی چند صد هزار توالی آموزش داده شد. همچنین، این مدل با اطلاعات بیشتری درباره تولید پروتئین‌ها، از جمله اطلاعات ساختاری و مرتبط با انرژی آموزش دید. پژوهشگران از مدل آموزش‌دیده برای ایجاد مجموعه‌ای از ۲۱۱ توالی جدید استفاده کردند. پروتئین‌های مورد استفاده مانند پروتئین خوشه‌ای که توسط واکسن‌های کووید-۱۹ هدف قرار می‌گیرد، واکنش ایمنی را به سوی بیماری‌های عفونی هدایت می‌کنند. پژوهش‌های پیشین، مدل‌های زبانی را برای رمزگشایی توالی‌های بیولوژیکی گوناگون از جمله پروتئین‌ها و DNA ایجاد کرده‌اند، اما این اولین مدل زبانی است که بر ناحیه تبدیل‌نشده آران‌ای پیام‌رسان تمرکز دارد. علاوه بر افزایش کارآیی کلی، این مدل ‌توانست پیش‌بینی کند که عملکرد یک توالی در انواع وظایف مرتبط چقدر خوب است. وانگ خاطرنشان کرد که بررسی یک مجموعه داده محدود و ایجاد مدلی براساس آن برای دانشمندان جویای حیات کافی نیست و باید یک کار جدید انجام شود. وی افزود: آموزش دادن یک مدل فقط کنار هم قرار دادن همه توالی‌ها نیست، بلکه کنار هم قرار دادن همه بخش‌هایی است که تاکنون جمع آوری شده‌اند. این کار پیشتر انجام نشده بود. این پژوهش در مجله «Nature Machine Intelligence» به چاپ رسید.