آیا وقتی از چت جی‌پی‌تی(ChatGPT) می‌خواهید برای شما نامه بنویسد، به او «لطفا» می‌گویید؟ در مورد گفتن «متشکرم» پس از نوشتن آن چطور؟ اگر فکر می‌کنید رفتار مودبانه با هوش مصنوعی عجیب است باید بدانید که یک نظرسنجی جدید وجود دارد که می‌تواند شما را متعجب کند. مشخص شده است که ۴۸ درصد از آمریکایی‌ها فکر می‌کنند، هوش مصنوعی شایسته این است که مودبانه با او صحبت شود، در حالی که مشخص شده نسل «زد Z» نسبت به سایرین با ربات‌ها مهربان‌تر هستند. نظرسنجی جدیدی که به تازگی توسط تاکر ریسرچ انجام شده است، نشان می‌دهد که تقریبا نیمی از آمریکایی‌ها معتقدند که رعایت ادب متداول را به دستیاران دیجیتالی خود بسط می‌دهند و نسل‌های جوان‌تر آن را رهبری می‌کنند. بیش از نیمی از نسل زد یا ۵۶ درصد می‌گویند که مودب بودن سبک پیش فرض آنها هنگام تعامل با هوش مصنوعی است. به نقل از اس‌اف، دو نفر از هر سه نفر(۶۸ درصد) وقتی صحبت از استفاده از رفتار با هوش مصنوعی و خدمات مشابه می‌شود، می‌گویند: این فقط روش من است. ۲۹ درصد از کاربرانی که خود را مؤدب توصیف می‌کنند، از این هم فراتر رفتند و اظهار داشتند که «هر کس سزاوار رفتار درست است، چه انسان باشد و چه غیر انسان. با این حال، این نظرسنجی همچنین شکاف نسلی را در آداب برخورد با هوش مصنوعی نشان داد. در حالی که بیش از نیمی از نسل Z و ۵۲ درصد از نسل هزاره می‌گویند که نسبت به هوش مصنوعی مودب هستند، این تعداد در بین نسل ایکس به ۴۴ درصد و برای نسل پر نوزاد به ۳۹ درصد کاهش یافته است. نسل زد به اولین نسل اجتماعی از جوانی گفته می‌شود که با دسترسی به اینترنت و فناوری دیجیتال قابل حمل رشد کرده‌اند و اعضای نسل زد، «بومی دیجیتال» لقب گرفته‌اند. نسل هزاره یا نسل ایگرگ به نسلی گفته می‌شود که پس از نسل ایکس و پیش از نسل زد متولد شده‌اند. به افرادی که متولد اواخر دهه ۱۹۷۰ تا اوایل دهه ۲۰۰۰ که برابر با شروع دهه پنجاه تا پایان دهه هفتاد در افغانستان است، گفته می‌شود. نسل پر نوزاد پیش از نسل ایکس هستند که از سال‌های ۱۹۴۶ تا ۱۹۶۴ میلادی(۱۳۲۵ تا ۱۳۴۳ در افغانستان) متولد شده‌اند. نکته قابل توجه این است که این مطالعه نشان داد که ۳۹ درصد از آمریکایی‌ها معتقدند که رفتار گذشته ما نسبت به هوش مصنوعی، الکسا، سیری و سایر موجودات رباتیک ممکن است در آینده مورد توجه قرار گیرد. این تصور حاکی از آگاهی روزافزون از پیامدهای بالقوه بلندمدت تعامل ما با هوش مصنوعی است. با این حال، همه در مورد نیاز به رعایت ادب با ربات‌ها متقاعد نشده‌اند. یک چهارم از پاسخ دهندگان رویکرد خود با چت‌بات‌ها را کاربردی‌تر توصیف کردند و بدون افزودن لطفا یا تشکر، درخواست و انتظار پاسخ داشتند. علاوه بر این، ۲۷ درصد با این جمله موافق بودند که مشکلی ندارد که با فناوری‌هایی مانند هوش مصنوعی و الکسا بد رفتار باشید و سر آنها فریاد بزنید زیرا آنها هیچ احساسی ندارند. این نظرسنجی همچنین شکاف جنسیتی را در نگرش نسبت به رعایت ادب در برابر هوش مصنوعی نشان داد. در حالی که مردان و زنان به طور مشابه موافق هستند که هوش مصنوعی شایسته رفتار مودبانه است اما مردان به طور قابل توجهی بیشتر احساس می‌کنند که بی ادبی یا فحش دادن به هوش مصنوعی قابل قبول است. این آمار شامل ۳۴ درصد از مردان در مقابل ۲۰ درصد از زنان می‌شد. اینکه آیا این روند بر توسعه هوش مصنوعی یا روابط ما با فناوری تأثیر می‌گذارد یا خیر، هنوز مشخص نیست، اما یک مورد واضح است: برای بسیاری از آمریکایی‌ها، رفتار خوب فراتر از تعاملات انسانی در حوزه دیجیتال است.

شاید اینکه چرا هوش مصنوعی نمی‌تواند رانندگی کند، پرسش بسیاری از مردم باشد. پاسخ این پرسش را باید در نوع پردازش اطلاعاتی که رانندگی به آن نیاز دارد و هوش مصنوعی در آن تبحر و تجربه ندارد، جستجو کرد. در حالی که بسیاری از افراد در سنین پایین و قبل از رسیدن به سن قانونی رانندگی را فرا می‌گیرند، هوش مصنوعی با وجود اینکه در حال حاضر حدود ۷۳ سال سن دارد، هنوز نمی‌تواند رانندگی کند. دلایل زیادی در این رابطه وجود دارد که چرا هوش مصنوعی قادر به رانندگی نیست. حسگرها در همه شرایط به اندازه کافی خوب نیستند. قدرت پردازشی مورد نیاز برای رانندگی بیشتر از آن است که حسگرها بتوانند آن را ارائه کنند و زمان پردازش آنها می‌تواند کندتر از مغز انسان باشد. این موضوع حتی در مورد استفاده از یک ابر رایانه نیز صادق است، چرا که به عنوان مثال هوش مصنوعی قادر به تصمیم‌گیری اخلاقی نیست. همچنین موانع فناورانه زیادی وجود دارد که مانع از حرکت خودروها با هوش مصنوعی در جاده‌ها می‌شود. این در حالی است که بزرگترین مانع، حسگرها یا فناوری یا حتی مسائل حقوقی یا اخلاقی نیست، بلکه این واقعیت است که ما واقعاً نمی‌دانیم هوش مصنوعی چگونه فکر می‌کند. یک مطالعه اخیر توسط محققان شرکت آنتروپیک نشان داد که چت‌بات‌های هوش مصنوعی می‌توانند دچار توهم شوند، در انجام محاسبات اولیه ریاضیات خوب نیستند و اغلب در مورد استدلال خود دروغ می‌گویند. بنابراین به نظر می‌رسد ما هیچ چیز زیادی در مورد نحوه عملکرد هوش مصنوعی نمی‌دانیم. همانند مغز انسان، تئوری‌های زیادی در مورد نحوه عملکرد هوش مصنوعی وجود دارد. محققان سعی کردند این موضوع را مورد آزمایش قرار دهند. آنها عبارت ریاضی «۵۷+۹۲» را در ChatGPT وارد کردند و عدد ۱۴۹ را دریافت کردند که درست است، اما وقتی از آن پرسیدند «چگونه به این پاسخ رسیدی؟» هوش مصنوعی کتاب درسی استاندارد را نشان داد و محققان سپس صفرها را به عبارت ریاضی اضافه کردند و نتایج را ترکیب کردند که موجب شد ChatGPT به اشتباه بیفتد. هوش مصنوعی در واقع یک رایانه است و مانند هر ماشین‌حساب پیشرفته‌ای به صورت دیجیتالی(۰ و ۱) کار می‌کند و مجموع عبارت را نشان می‌دهد. به عنوان مثال عبارت فوق را به شکل ۱۱۱۰۰۱ (۵۷) + ۱۰۱۱۱۰۰ (۹۲) = ۱۰۰۱۰۱۰۱ (۱۴۹) محاسبه می‌کند. بنابراین هوش مصنوعی یک رایانه است و اعمال ریاضی را به همین شکل انجام می‌دهد. محققان وقتی از ChatGPT پرسیدند که چگونه اعمال ریاضی را انجام می‌دهد، توضیح کوتاهی از تبدیل اعداد به زبان باینری تا حصول نتیجه، مشابه آنچه در بالا توضیح داده شد، داد. البته همه چیز برای هوش مصنوعی از سال ۱۹۹۴ تاکنون بسیار تغییر کرده است، اما هنوز به اندازه‌ای نرسیده که هوش مصنوعی را قادر به رانندگی و توانایی برابر با انسان کند. شرکت «آنتروپیک» در حال آزمایش یک مدل هوش مصنوعی به نام کلاد(Claude) است که مانند ChatGPT و سایر چت‌بات‌های هوش مصنوعی شبیه به آنچه بسیاری از ما روزانه از طریق زبان طبیعی با آن ارتباط برقرار می‌کنیم، است. آنها دریافتند که «کلاد» اغلب منطقی را برای تطبیق با یک روایت از پیش ساخته به منظور دلجویی یا جلب رضایت شخصی که با او در حال تعامل است، ایجاد می‌کند. شبیه به روشی که سیاستمداران در مورد موضوعی صحبت می‌کنند و به نظر می‌رسد که با کسی موافق هستند، اما در حقیقت اینطور نیست. این موضوع را در رانندگی تصور کنید. در حین رانندگی، ما در هر دقیقه هزاران تصمیم می‌گیریم که می‌تواند به معنای واقعی کلمه نه تنها زندگی ما، بلکه زندگی اطرافیانمان را نیز تحت تاثیر قرار دهد. ما از حواس‌پرتی‌ها در هنگام رانندگی مطلعیم و می‌دانیم که حتی چند لحظه بی‌توجهی می‌تواند به نتایج وحشتناکی منجر شود. حالا در نظر بگیرید که چه اتفاقی می‌افتد اگر هوش مصنوعی یک داده خطرناک را توجیه کند یا نتواند به اندازه کافی سریع تصمیم بگیرد. نکته این است که در حالی که فناوری اطلاع‌رسانی هوش مصنوعی به کار زیادی برای رسیدن به سطح یک راننده انسانی نیاز دارد، خود مدل یادگیری نیز باید به آن برسد. هوش مصنوعی اکنون در دهه ۷۰ زندگی خود است، اما فقط می‌تواند در سطح شناختی یک کودک عمل کند و ما حتی نمی‌دانیم که چگونه این کار را انجام می‌دهد. وسایل نقلیه امروزی دارای ده‌ها حسگر، صدها متر سیم‌کشی، سه یا چند رایانه داخلی، اتصال بی‌سیم و وای-فای، GPS و بسیاری از ابزارهای دیگر هستند. هیچ کدام از اینها نمی‌توانند خودرو را برانند. حتی مدل‌هایی که دارای فناوری نیمه‌خودران یا خودران هستند نیز نیاز به توجه کامل و نظارت انسان دارند. ما انسان‌ها یک مزیت متمایز نسبت به هوش مصنوعی داریم و آن این است که ما با سیستم‌های حسی بسیار قوی متولد شده‌ایم که با گذر از هزاران سال فرگشت(تکامل) که ما را در استفاده از آنها بسیار متبحر کرده است، در قالب‌های چندوجهی کار می‌کنند. ما مانند بسیاری از حیوانات در جمع‌آوری ورودی‌های متعدد و عکس‌العمل بر این اساس برتر هستیم. با توسعه فناوری‌های حسی، هوش مصنوعی ممکن است خود را به عنوان یک محرک برتر نشان دهد، اما نمی‌توانیم این را با اطمینان بگوییم، زیرا هوش مصنوعی آنطور که ما فکر می‌کنیم، نمی‌اندیشد. هوش مصنوعی در شناخت و یادگیری ورودی چند حسی چندان خوب نیست. این یکی از بزرگترین شاهکارهای طبیعت است، اما تاکنون ما نتوانستیم آن را به ماشین‌ها منتقل کنیم. هوش مصنوعی همچنین در تصمیم‌گیری سریع با داده‌های کمی که در دست دارد، چندان خود را ثابت نکرده است. هوش مصنوعی شهودی نیست، در حالی که ما اغلب به صورت شهودی تصمیم می‌گیریم. این بخش بزرگی از چیزی است که ما را نه تنها به نوآوری، بلکه برای سازگاری و غلبه بر آن سوق می‌دهد. با این حال، خبر خوب برای طرفداران وسایل نقلیه خودران این است که چون ما تفکرات هوش مصنوعی را به خوبی درک نمی‌کنیم، می‌تواند کارهایی را انجام دهد که انتظارش را نداریم. این فناوری می‌تواند بصری شود و قادر به مدیریت چندین ورودی به طور همزمان باشد. به جرات می‌توان گفت که اگر این کار را انجام دهد، احتمالاً این کار را در زمان بسیار کوتاه‌تری نسبت به ما انسان‌ها انجام دهد. امیدواریم که حداقل تا آن زمان متوجه شده باشیم که چگونه هوش مصنوعی را راستگو کنیم.

سایت علمی فوربس نوشته است که با توجه به پیشرفت روزافزون هوش مصنوعی مولد، بسیاری از پژوهشگران معتقدند این فناوری می‌تواند به هوشمند شدن شهرها کمک کند، اما باید دید آیا شهرهای جهان آماده پذیرش هوش مصنوعی مولد هستند. در گزارش آمده است که شهرها که قطب‌های تپنده تمدن بشری به شمار می‌روند، با چند بحران روبرو هستند. این بحران‌ها عبارتند از فشارهای رو به ‌رشد جمعیت، انتشار گازهای گلخانه‌ای، زباله، ترافیک و سروصدا، زیرساخت‌های فرسوده و قدیمی، مقرون‌به‌صرفه بودن مسکن، اشتغال و نیاز همیشگی به پایداری آب‌وهوا. بیشتر سیاست‌ها، روش‌ها، برنامه‌ریزی‌ها و ایده‌های مهندسی شهری اواسط قرن بیستم که در مقیاس جهانی بودند، شکست خورده‌اند و تقریبا همه شهرها را به یک مسیر ناپایدار و آسیب‌پذیر سوق داده است. بیش از نیمی از جمعیت جهان در حال حاضر در شهرها زندگی می‌کنند و این تعداد در ۲۵ سال آینده به ۸۰ درصد افزایش خواهد یافت که نیازمند میلیاردها تن مواد جدید و حضور گسترده شهری است. تغییرات مورد نیاز برای جلوگیری از تشدید بحران، بسیار بزرگ و فوری هستند. شهرها ساختمان، جاده یا سیستم انرژی نیستند، بلکه مردم، فرهنگ، رفتار، قدرت و سیاست را در بر دارند. نمی‌توان به استفاده کردن از روش‌های مشابه ادامه داد و انتظار نتایج متفاوت را داشت. باید یک راهبرد جدید ارائه شود. فناوری «هوش مصنوعی مولد شهر» در راه است. این یک فناوری نوظهور و متحول‌کننده است که می‌تواند برنامه‌ریزی شهری، طراحی و مدیریت شهر را به طور اساسی تغییر دهد. طرح‌بندی‌های شهری، شکل ساخت، انرژی، آب، حمل‌ونقل، زباله و سیستم‌های اجتماعی بهینه‌سازی‌شده را تصور کنید. در نظر بگیرید که سیستم‌های یکپارچه، خدمات عمومی شخصی‌سازی‌شده را در یک مکان ارائه ‌دهند. این امکانات واقعا شگفت‌انگیز هستند زیرا داده‌ها را هدایت می‌کنند و صنایع را توسعه می‌دهند. مانند جدیدترین مدل‌های تبدیل متن به ویدیو مانند «سورا»(Sora) شرکت «Open AI»، اکنون می‌توانید محیط شهری ایده‌آل خود را توصیف و ایجاد کنید و خیابان‌های قابل پیاده‌روی، فضاهای سبز و ترکیبی پرجنب‌وجوش از مغازه‌ها و خانه‌ها را در آن جای دهید. پلتفرم‌های جدید هوش مصنوعی مولد شهر با ده‌ها یا صدها سناریو برای بررسی و انتخاب می‌توانند در چند ثانیه از دید به واقعیت برسند. هوش مصنوعی عمومی به طور ویژه، امکان تغییر عمده را در برنامه‌ریزی، تصمیم‌گیری و طراحی شهرها فراهم می‌کند. تصمیم‌های پیشگیرانه مبتنی بر داده‌ها شهرها یک گنجینه از داده‌ها هستند که الگوهای رشد و سفر، مصرف انرژی و نیازهای شهروندان را منعکس می‌کنند. با وجود این، آن‌ها معمولا تک هستند، پیوندی ندارند و در قالب‌های گوناگونی رخ می‌دهند. جمله «هیچ هوش مصنوعی بدون داده وجود ندارد» برای شهرها کاملا صدق می‌کند. هوش مصنوعی مولد فقط می‌تواند داده‌هایی را بهینه‌سازی و تحلیل کند که در قالب قابل استفاده هستند. این موضوع ثابت شده که هوش مصنوعی چه توانایی‌هایی دارد و توانایی آن در بهینه‌سازی زیرساخت‌های شهری، جابه‌جایی افراد و کالاها، پیش‌بینی نقاط ازدحام و پیشنهاد بهبود زیرساخت‌ها هنوز آغاز راه است. بسیاری از شرکت‌ها، راه‌حل‌های مبتنی بر هوش مصنوعی شهری را برای پیش‌بینی احتمال تأثیرات آب‌وهوا بر زیرساخت‌های شهر، شدت برخورد خودرو، بهینه‌سازی تعمیر و نگهداری زیرساخت و شبیه‌سازی‌های برنامه‌ریزی شهری محلی ارائه می‌کنند. این روش مبتنی بر داده، امکان برنامه‌ریزی فعال، صدور مجوز و کاهش مشکلات را پیش از بروز آنها فراهم می‌آورد و یک حکمرانی شهری پاسخگو، شفاف و فراگیر را ایجاد می‌کند. توانمندسازی شهروندان با دموکراتیک کردن فرآیندهای شهر برنامه‌ریزی شهری به طور سنتی، یک امر از بالا به پایین بوده است. هوش مصنوعی مولد می‌تواند شرایط را تغییر ‌دهد و با باز کردن روزنه‌های جدید به روی مشارکت شهروندان، افزایش شفافیت و مشارکت مردمی، بوروکراسی‌های اغلب پیچیده را دموکراتیک ‌کند. ساکنان می‌توانند از فناوری‌های مبتنی بر هوش مصنوعی مانند چت‌بات‌ها، برای پاسخ دادن به پرسش‌های خود، از رمزگشایی پیچیده منطقه‌بندی و کدهای ساختمانی گرفته تا پیمایش قوانین مهندسی و مقررات برنامه‌ریزی اغلب متناقض استفاده کنند. بسیاری از شرکت‌ها از واقعیت مجازی و هوش مصنوعی همه‌جانبه برای تجسم محیط‌های شهری آینده استفاده می‌کنند. این کار به شهروندان امکان می‌دهد تا فرآیند برنامه‌ریزی را به یک روش معنادار درک کنند و در آن مشارکت داشته باشند. پیشرفت هوش مصنوعی مولد شهری بیشتر شهرها در آغاز سفر هوش مصنوعی مولد خود هستند و سعی دارند بهترین شیوه‌ها را به کار بگیرند. بسیاری از شهرها، آزمایش کردن مفاهیم هوش مصنوعی را آغاز کرده‌اند. آن‌ها از انواع گوناگون هوش مصنوعی، از بینایی رایانه‌ای گرفته تا یادگیری ماشینی استفاده می‌کنند و برخی از آن‌ها نیز برنامه‌هایی را با استفاده از هوش مصنوعی مولد آغاز کرده‌اند. چالش‌ها و ایده‌ها در حال حاضر یک موج از پذیرش هوش مصنوعی را به صورت عمومی در هر صنعتی می‌بینیم و برنامه‌ریزی شهری نیز از این قاعده مستثنی نیست. اگرچه پتانسیل هوش مصنوعی مولد بسیار زیاد است، اما چالش‌ها همچنان وجود دارند. سوگیری داده‌ها می‌تواند به خروجی‌های تبعیض‌آمیز منجر شود که نیاز به توسعه مسوولانه و ملاحظات اخلاقی را برجسته می‌کنند. نظارت انسان و شفافیت در توسعه مدل هوش مصنوعی مهم است. علاوه بر این، تأثیرات اجتماعی و اقتصادی پذیرش هوش مصنوعی شهری باید به دقت مورد توجه قرار بگیرند، زیرا در صورت عدم کنترل می‌توانند نابرابری‌ها را تشدید کنند. تغییرات بیشتر می‌شوند و هوش مصنوعی مولد در حال توسعه است. اگرچه پتانسیل هوش مصنوعی مولد برای بهینه‌سازی شکل شهر، جاده‌ها، انرژی، انتشار گازهای گلخانه‌ای، زباله، ارتباطات و خدمات عمومی غیرقابل انکار است، اما این پرسش پیش می‌آید که آیا برنامه‌ریزان، مهندسان و مدیران شهری آماده حرکت در این موج انقلابی هستند. مجموعه مهارت‌ها مستلزم ارتقای تجربیات و تعاملات در زمینه‌های گوناگون هستند؛ از طراحی و مدیریت داده گرفته تا تجزیه و تحلیل شهر، تسلط بر کدنویسی و چارچوب اخلاقی برای هوش مصنوعی. دانشگاه‌ها تازه آموزش نسل بعدی برنامه‌ریزان شهری را آغاز کرده‌اند و جوامع برای ایجاد اعتماد، به تعامل و آموزش دیدن با مدل‌های هوش مصنوعی مولد نیاز دارند. این بهتر از آن چیزی است که امروز وجود دارد و مانند یک موزاییک تکه‌تکه از مجموعه داده‌ها، سیاست‌ها، بوروکراسی‌ها و بخش‌های متفاوت در سطوح گوناگون محلی، ایالتی و فدرال است. در هر حال، این هدف دست‌نیافتنی نیست. آمادگی برای هوش مصنوعی عمومی شهری، نیازمند یک رویکرد سه‌جانبه است که عبارتند از مشارکت شرکت‌های هوش مصنوعی، ارتقاء مهارت نیروی کار با مشارکت واقعی جامعه و ایجاد چارچوب‌های اخلاقی و حاکمیت داده‌های هوش مصنوعی. نقطه آغاز این کار، ایجاد آگاهی در میان کارکنان است تا روی حل مشکل تمرکز داشته باشند، مشکلات کلیدی شهر را شناسایی کنند که به کمک پروژه‌های مرتبط با هوش مصنوعی قابل حل شدن هستند، با بخش خصوصی مشارکت داشته باشند و با احتیاط پیش بروند. شرکت‌ها باید یک چارچوب قوی را برای خط مشی هوش مصنوعی به وجود بیاورند که مواردی را مانند شرایط استفاده یا عدم استفاده کارمندان از هوش مصنوعی، چگونگی محافظت جوامع از حریم خصوصی خود، چگونگی پایبند ماندن به یک چارچوب امنیت سایبری و چگونگی سروکار داشتن با مسائل اخلاقی، سوگیری و انصاف مشخص می‌کند. برنامه‌ریزان با پذیرش این چالش‌ها و مدیریت مسئولانه آنها می‌توانند پتانسیل هوش مصنوعی را برای ایجاد شهرهای انعطاف‌پذیر و هوشمند آینده کشف کنند. با همکاری بیشتر می‌توان آینده‌ای را ساخت که در آن، هوش مصنوعی مسئولانه مناظر شهری بهتری را برای همه شکل دهد.

شرکت‌های «مایکروسافت» و شرکت «اینیت» در یک پروژه مشترک سعی دارند یک مدل جدید هوش مصنوعی ارائه دهند که بتواند قدرت استدلال مغز را شبیه‌سازی ‌کند. شرکت سوئیسی «اینیت»(inait) از همکاری خود با شرکت «مایکروسافت»(Microsoft) به منظور تسریع توسعه و تجاری‌سازی هوش مصنوعی خلاقانه با استفاده از پلتفرم هوش مصنوعی مغز دیجیتال منحصربه‌فرد خود خبر داد. در گزارش‌ها آمده است که این همکاری روی توسعه محصول مشترک، راهبردهای ورود به بازار و ابتکارات فروش مشترک متمرکز خواهد بود که در ابتدا بخش‌های مالی و رباتیک را هدف قرار می‌دهند. فناوری هوش مصنوعی اینیت که از دل دهه‌ها پژوهش در حوزه علوم اعصاب سر بر آورده است، یک تغییر اساسی را در هوش مصنوعی ارائه می‌کند. زبان برنامه‌نویسی مغز و توانایی آن برای یادگیری از تجربه و درک علت و معلول، توانایی‌های شناختی را برای تعاملات دنیای واقعی ​​ارائه می‌دهد تا بر محدودیت‌ سیستم‌های کنونی این پلتفرم غلبه کند. هنری مارکرام، بنیان‌گذار و رئیس اینیت، گفت: همکاری با مایکروسافت، یک لحظه مهم برای اینیت است. پس از دو دهه پژوهش و توسعه، اکنون ماکت‌های دیجیتالی مغز و دانش لازم را برای آموزش این موضوع داریم. اکوسیستم جهانی مایکروسافت یک گزینه ایده‌آل برای افزایش مقیاس جهانی هوش مصنوعی دیجیتال مبتنی بر مغز ماست. ریچارد فری، مدیرعامل اینیت اظهار کرد: هدف ما این است که به همراه مایکروسافت، راهبردهای کنونی این پلتفرم خود را به کار بگیریم و راه‌های متحول‌کننده حوزه صنعت را در آینده توسعه دهیم. کاترین هینکل، مدیرعامل شعبه سوئیس مایکروسافت گفت: ما معتقدیم که رویکرد اینیت به این پلتفرم می‌تواند ارزش قابل توجهی را برای صنعت به ارمغان بیاورد. فناوری الهام‌گرفته از علوم اعصاب این شرکت واقعا نوآورانه است و ما خوشحالیم که با آنها همکاری می‌کنیم تا این پیشرفت‌ها را به بازار بیاوریم.

«چت‌جی‌پی‌تی» در چند سال اخیر بسیار قوی ظاهر شده و پیشرفت‌های چشمگیری داشته است، اما حوزه رباتیک یکی از زمینه‌هایی است که هنوز بحث‌های زیادی برای ورود چت‌جی‌پی‌تی به آن وجود دارد. با موفقیت هوش مصنوعی مولد، صحبت‌های زیادی درباره امکان آوردن هوش انعطاف‌پذیر مدل‌های زبانی بزرگ به دنیای فیزیکی شکل گرفته است. این نوع هوش که اغلب «هوش مصنوعی مجسم» نامیده می‌شود، یکی از عمیق‌ترین فرصت‌ها در حوزه فناوری و اقتصاد جهانی است. شاید بتوان استدلال کرد که آینده‌ی هوش مصنوعی مجسم روشن است، اما مسیر آن بسیار ساده‌تر از مسیر پیش روی هوش مصنوعی در قلمرو کاملا دیجیتالی به نظر می‌رسد. راه رسیدن به «چت‌جی‌پی‌تی»(ChatGPT) برای حوزه رباتیک، چندین سرعت متفاوت دارد و برای تبدیل شدن این ایده به واقعیت، به پیشرفت‌های جدیدی نیاز است. این ایده، پیامدهایی را برای بنیان‌گذاران و سرمایه‌گذاران استارت‌آپ‌ها به همراه خواهد داشت که این گزارش آنها را در چند توصیه خلاصه کرده است. خودکارسازی رباتیک یک امر اجتناب‌ناپذیر است و همه عدم قطعیت در این پرسش نهفته شده که این کار چگونه امکان‌پذیر خواهد شد. شرکت «آمازون»(Amazon) از زمان خرید شرکت «کیوا سیستمز»(Kiva Systems) در سال ۲۰۱۲، بیش از ۷۵۰ هزار ربات را در انبارهای خود مستقر کرده است. استارت‌آپ‌ها و سرمایه‌گذاران تلاش می‌کنند تا برنامه‌های کاربردی بعدی را به تصویر بکشند که می‌توانند به این سطح از هم‌سویی بین قابلیت‌های رباتیک و نیازهای بازار دست یابند. خط سیر هوش مصنوعی، یک متغیر کلیدی در این فرآیند است و مدل‌های قوی جدید می‌توانند تغییرات مطلق بازی باشند اما در روند توسعه این مدل‌ها کجا ایستاده‌ایم؟ برای درک بهتر این پرسش باید به صحبت‌های متخصصان باتجربه حوزه رباتیک و افرادی توجه کنیم که در حال توسعه مدل‌های پایه رباتیک هستند. گامی به سوی هوش مصنوعی مجسم هدف از پژوهش‌های پیرامون هوش مصنوعی مجسم، ایجاد نوعی هوش رباتیک است که به ‌جای انجام دادن یک کار ویژه، همه‌منظوره باشد و آن قدر انعطاف‌پذیر عمل کند که بدون نیاز به آموزش اختصاصی، از عهده رسیدگی به موارد استفاده جدید یا بسیار پویا برآید. مدل‌های پایه رباتیک همه منظوره، دو وعده را نوید می‌دهند. ۱. آنها موارد استفاده حوزه رباتیک را به طور چشمگیری افزایش می‌دهند. ۲. آنها زمان‌بندی طولانی تجاری‌سازی سیستم‌های رباتیک را کاهش می‌دهند. هر دو وعده در قلمروی کاملا دیجیتال توسط مدل‌های هوش مصنوعی مانند «چت‌جی‌پی‌تی-۴»(GPT-4)، «جمینای»(Gemini)، «کلود»(Claude) و «لاما»(Llama) محقق می‌شوند. این مدل‌ها روزنه‌ها را به روی موارد استفاده جدید و بی‌شمار باز کرده‌اند. این در حالی است که مدل‌های کوچک و تک‌منظوره، هوش مصنوعی را در یک مسیر سریع به سمت منسوخ شدن قرار می‌دهند. مدل‌های همه‌منظوره به یک روش واقعی برای ساختن تقریبا هر چیزی در حوزه هوش مصنوعی تبدیل شده‌اند. شاید بتوان پیش‌بینی کرد که یک مدل جدید شبیه به چت‌جی‌پی‌تی بر توسعه اپلیکیشن‌های رباتیک مسلط خواهد شد. در هر حال، این هدف در کوتاه‌مدت محقق نخواهد شد. در عوض، انتظار می‌رود که روش‌های هوش مصنوعی مولد به ‌تدریج به حوزه رباتیک القا شوند و مدتی با حوزه رباتیک کلاسیک هم‌زیستی داشته باشند. حوزه رباتیک به لطف روش‌های هوش مصنوعی مولد به‌ طور پیوسته در حال پیشرفت است. استارت‌آپ‌های امروزی از روش‌هایی استفاده می‌کنند که نویدبخش هوش جامع‌تر، انعطاف‌پذیرتر و ورود سریع‌تر به بازار هستند. آنها فقط به یک مدل جهانی به عنوان پایه و اساس برنامه خود متکی نیستند. مدل‌های همه‌منظوره، پتانسیل تبدیل شدن به پایه‌ توسعه روباتیک را دارند و مدل‌های پژوهشی مانند «RT-X» گوگل نیز آنها را برجسته کرده‌اند. سه عامل کاهش سرعت در مدل‌های پایه اولین عامل کاهش سرعت این است که برخلاف فراوانی داده‌های متنی، تصویری و صوتی در مقیاس وب به نظر نمی‌رسد مجموعه‌ای از داده‌های آماده برای آموزش یک مدل پایه پیرامون تعامل با دنیای فیزیکی وجود داشته باشد. مدل‌های ادراکی بسیار قوی شده‌اند اما اتصال ادراک و فعال‌سازی، چالش‌برانگیز است. برای دستیابی به مقیاس لازم برای یک مدل پایه واقعی باید سرمایه‌گذاری قابل توجهی روی مکانیسم‌های جمع‌آوری داده و آزمایش درک اثربخشی انواع گوناگون داده‌های آموزشی صورت بگیرد. به عنوان مثال، هنوز مشخص نیست که ویدیوهای منتشرشده از انسان‌ها در حال انجام دادن وظایف تا چه حد می‌توانند به عملکرد مدل کمک کنند. با ترکیب نبوغ و سرمایه‌گذاری می‌توان داده‌های آموزشی قوی را در مقیاس بزرگ جمع‌آوری کرد. مسیر محتمل این است که مدل‌های قوی با پیش‌آموزش قابل توجه در چند سال آینده پدیدار خواهند شد اما برای انجام دادن کارهای خاص به داده‌های آموزشی تکمیلی بیشتری نیاز دارند. این کار شبیه به تنظیم دقیق مدل‌های زبانی بزرگ است اما آموزش آن ضروری‌تر خواهد بود. دومین عامل کاهش سرعت به جبرگرایی و قابلیت اطمینان مربوط می‌شود. بیرون از حوزه رباتیک، اهمیت جبرگرایی با توجه به کاربرد بسیار متفاوت است و موفق‌ترین برنامه‌های کاربردی هوش مصنوعی مولد اولیه آنهایی هستند که جبرگرایی در آنها مهم نیست. جبرگرایی در حوزه رباتیک، حیاتی است. با کنار گذاشتن ایمنی، بازگشت سرمایه رباتیک معمولا به توان عملیاتی بستگی دارد و زمان صرف‌شده برای برطرف کردن خطا به از بین رفتن توان عملیاتی منجر می‌شود. در حال حاضر تلاش زیادی برای روش‌هایی با هدف کاهش عدم قطعیت مدل‌های هوش مصنوعی مولد به طور گسترده - نه فقط در حوزه رباتیک - انجام می‌شود. بنابراین، می‌توان گفت که این مشکل حل خواهد شد اما این قطعا در یک لحظه نخواهد بود. این استدلالی برای هم‌زیستی مدل‌های قطعی و غیر قطعی است. سومین عامل کاهش سرعت مدل‌های پایه رباتیک این است که در حوزه رباتیک، محاسبات اغلب روی لبه پرتگاه انجام می‌شوند و استنتاج را به چالش تبدیل می‌کنند. ربات‌ها باید مقرون‌به‌صرفه باشند اما بسیاری از برنامه‌ها در حال حاضر از هزینه افزودن GPU کافی برای اجرای استنتاج در قوی‌ترین مدل‌ها پشتیبانی نمی‌کنند. این مشکل احتمالا قابل‌حل‌ترین مشکل از سه مورد ذکرشده است. انتظار می‌رود که متخصصان رباتیک‌، مدل‌های زبانی بزرگ را به عنوان نقطه آغاز در نظر بگیرند و از روش‌های تقطیر دانش برای ایجاد مدل‌های کوچک‌تر و متمرکزتر با نیاز کمتر به منابع استفاده کنند. در کا می‌توان گفت که اگرچه جهان به طور فزاینده‌ای در حال دیجیتالی شدن است اما ما هنوز در دنیای فیزیکی زندگی می‌کنیم و تعامل حوزه دیجیتال با دنیای فیزیکی، دامنه نامحدودی برای توسعه دارد.

پژوهشگران انگلیسی معتقدند که استفاده دانشجویان از هوش مصنوعی به منزله ناقوس مرگ برای تفکر انتقادی است. دانشگاه‌های انگلستان اخیرا هشدار دادند که ۹۲ درصد دانشجویان از هوش مصنوعی استفاده می‌کنند و این برای دانشگاه‌ها که قرن‌ها خود را مخزن دانش و حقیقت می‌دانستند، ناگوار است. فروپاشی زمانی آغاز شد که دیگر کسی برای کارشناسان ارزش قائل نشد، تفکر انتقادی تضعیف شد و گفتمان عمومی به حالت دوقطبی درآمد. روزنامه گاردین گزارش داده است که منابع سنتی دانش به طور فزاینده‌ای در حال رد شدن هستند. کتاب‌ها، مقالات، مجلات و رسانه‌های قدیمی با پیشرفت‌های صورت‌گرفته در ارائه و بازیابی اطلاعات، به ویژه از طریق اپلیکیشن‌ها و رسانه‌های اجتماعی به چالش کشیده می‌شوند. به عنوان مثال، فهرست‌های مطالعه تنظیم‌شده برای استفاده دانشگاهیان در پژوهش اغلب توسط دانشجویان نادیده گرفته می‌شوند و جستجو در «گوگل» جای آنها را می‌گیرد. اگر دانشجو از آنچه می‌خواند خوشش نیاید، می‌تواند به سادگی به گوگل روی بیاورد. الگوریتم‌ها می‌توانند دانشجویان را به جهت‌های غیرمنتظره بفرستند و اغلب آنها را از سختگیری تحصیلی به سمت منابع غیر دانشگاهی منحرف می‌کنند. دسترسی ۲۴ ساعته دانشجویان به مطالب آموزشی اهمیت دارد اما دانش در حال تبدیل شدن به یک محتوای ساده است. با لمس یک دکمه، اطلاعات به صورت آنلاین در دسترس قرار می‌گیرد و تعداد زیادی خروجی برای انتخاب وجود دارد. ممکن است کمیت وجود داشته باشد اما لزوما با کیفیت همراه نیست. هوش مصنوعی، غذای ساده نهایی است. این موضوع، پرسش‌های اساسی را نه تنها درباره منظور ما از دانش مطرح می‌کند، بلکه نقش آموزش و پرورش و دانشگاهیان در آینده را نیز برجسته می‌سازد. مزایای هوش مصنوعی در حوزه علوم، اقتصاد یا ریاضیات قابل قدردانی هستند زیرا حقایق را اغلب نمی‌توان انکار کرد اما درباره علوم انسانی و حوزه اجتماعی که بسیاری از موضوعات آنها قابل بحث هستند، چطور؟ پروفسور «اندرو موران»(Andrew Moran) استاد «دانشگاه متروپولیتن لندن»(London Met) گفت: ما به سرعت در حال از دست دادن موقعیت خود در برابر تغییرات عمیق اجتماعی هستیم که در صورت عدم واکنش سریع می‌توانند پیامدهای غیر قابل تصوری را برای دانشگاه‌ها داشته باشند. دکتر «بن ویلکینسون»(Ben Wilkinson) استاد «دانشگاه شفیلد»(Sheffield University) گفت: به عنوان یک مدرس دانشگاه در حوزه علوم انسانی که در آن مقالات یک وسیله کلیدی برای ارزیابی هستند، از شنیدن افزایش انفجاری استفاده از هوش مصنوعی تعجب نمی‌کنم. هوش مصنوعی به ‌طور تهاجمی توسط شرکت‌های فناوری به‌ عنوان کالایی برای صرفه‌جویی در زمان تبلیغ می‌شود و گفتمان گسترده‌تر نیز تنها این دیدگاه را بدون زیر سؤال بردن محدودیت‌ها و اخلاق هوش مصنوعی تقویت می‌کند. اگرچه هوش مصنوعی ممکن است در چندین زمینه آکادمیک مانند نوشتن گزارش‌های پایه و انجام دادن تحقیقات اولیه سودمند باشد اما استفاده از آن توسط دانشجویان برای نوشتن مقاله نشان‌دهنده بی‌ارزش کردن موضوعات علوم انسانی و درک نادرست از تفکر انتقادی در رشته‌هایی مانند تاریخ، ادبیات و فلسفه است. وقتی از هوش مصنوعی می‌خواهیم مقاله بنویسد، صرفا کار را برون‌سپاری نمی‌کنیم، بلکه تفکر و توسعه آن را برون‌سپاری می‌کنیم که با گذشت زمان فقط ما را گیج‌تر می‌کند و هوش ما را کاهش می‌دهد. ویلکینسون افزود: در عصر فناوری که ما اغلب نسبت به یک محصول و نه فرآیند تولید آن وسواس داریم، جای تعجب نیست که ارزش واقعی نوشتن نادیده گرفته شود. دانشجویان به سادگی نشانه‌ها را از دنیایی می‌گیرند که ارتباط خود را با ارزش بی‌بدیل خلاقیت و تفکر انتقادی انسانی از دست می‌دهد.

یک مطالعه در آلمان نشان می‌دهد زمانی که داکتران برای تشخیص سرطان سینه از هوش مصنوعی استفاده کردند، میزان تشخیص سرطان حدود ۱۸ درصد بهبود یافته است. در این مطالعه، رادیولوژیست‌ها - داکترانی که نتایج معاینات تلویزیونی سینه‌ها و سایر آزمایش‌ها را تحلیل می‌کنند. برای ارزیابی نتایج معاینات تلویزیونی ۴۶۰ هزار زن در آلمان، از هوش مصنوعی استفاده کردند. این زنان میان ۵۰ تا ۶۹ سال سن داشتند. بر اساس معلومات پژوهشگران، رادیولوژیست‌ها در هر ۱۰۰۰ زن با استفاده از هوش مصنوعی یک مورد بیشتر سرطان سینه را تشخیص دادند. الکساندر کاتالینیک، از دانشگاه لوبیک آلمان می‌گوید که میزان تشخیص سرطان سینه در وضعیت بهتر قرار دارد و این مطالعه شواهد قوی و واقعی آن است. او که پژوهشگر اصلی این مطالعه است گفت: «بر اساس این شواهد، ما باید از هوش مصنوعی در ارزیابی سرطان سینه بیشتر استفاده کنیم و در نهایت، این باید به معیار مبدل شود.» ماموگرام (معاینات تلویزیونی) بیش از ۴۶۳ هزار زن در آلمان، از ماه جولای سال ۲۰۲۱ تا فبروری ۲۰۲۳ مورد ارزیابی قرار گرفت. از این میان، حدود ۵۰ در صد آن توسط دو رادیولوژیست مرور شده بود که یک روش معیاری در آلمان است. تنها در بیش از نصف این موارد، از هوش مصنوعی کمک گرفته شد. زمانی که داکتران از هوش مصنوعی استفاده کردند، میزان تشخیص سرطان سینه در هر ۱۰۰۰ زن به ۶.۷ رسید در حالی که میزان تشخیص انسان‌ها در هر ۱۰۰۰ زن ۵.۷ بود. کاتالینیک گفت: «هوش مصنوعی واقعاً برای جایگزینی ارزیابی انسانی تا اندازه‌ای مناسب است...اما تا کجا می‌خواهید پیش بروید؟ این فقط یک پرسش علمی نیست، بلکه یک سوال اجتماعی نیز است. اعتماد جامعه نسبت به هوش مصنوعی چگونه است؟» در جریان مطالعه پژوهشگران یافتند که هوش مصنوعی در بخش نتایج تشخیص نادرست سرطان سینه نیز کمک کرد. با آنهم، هوش مصنوعی، در برخی از ارزیابی‌ها نتوانست سرطان را تشخیص دهد. ستیفان بونک، یکی از بنیانگذاران شرکت تکنالوژی مراقبت‌های صحی در برلین که هوش مصنوعی را برای این مطالعه تولید کرده بود، گفت که همانطوری که انسان کامل نیست، هوش مصنوعی نیز کامل نیست. بونک افزود: «در ۲۰ مورد مطالعهٔ ما هوش مصنوعی گفت که بیمار به سرطان سینه مبتلا نیست، اما رادیولوژیست‌ها سرطان را تشخیص دادند.» اما او اضافه کرد که بر اساس نتایج این مطالعه، در مقایسه با هوش مصنوعی، انسان‌ها ۱۰ برابر بیشتر در تشخیص سرطان عاجز ماندند. او گفت که هوش مصنوعی خسته نمی‌شود و در هر زمان و مکان به عین روال کار می‌کند، که این خودش یک مزیت است و به همین دلیل هوش مصنوعی می‌تواند سرطان‌های تشخیص دهد که انسان متوجه آن نمی‌شود. با آنهم، بونک علاوه کرد که اتکای روز افزون بر هوش مصنوعی به مرور زمان سبب خطر از دست رفتن تخصص انسانی خواهد شد. اما وی یانگ، استاد بخش رادیولوژی سینه در مرکز طبی سرطان اندرسن دانشگاه تکزاس به این باور است که استفادهٔ روز افزون از هوش مصنوعی رادیولوژیست‌ها را انرژی می‌بخشد. یانگ گفت: «من فکر می‌کنم ظهور هوش مصنوعی فرصت و محرکی است برای اینکه ما در مورد رشته خود هیجان‌زده‌تر شویم تا رادیولوژیست‌های آموزش‌دیده فضای باز، زمان و تمرکز کافی بر کارهای پیچیده‌تر را داشته باشند.» به نظر کاتالینیک، استفاده از رادیولوژیست‌ها و هوش مصنوعی، بهترین‌های دنیای انسانی و جهان تکنالوژی را ارایه می‌کند و ترکیب انسان‌ با هوش مصنوعی بهتر از تشخیص انسانی است.

عرضه یک مدل جدید هوش مصنوعی از سوی یک استارت‌آپ چینی به نام «دیپ‌سیک» توانسته دنیای هوش مصنوعی را تکان دهد. یک استارت‌آپ مرموز و مبتکر چینی، ورود باشکوهی به صحنه هوش مصنوعی داشته است، به طوری که غول‌های «سیلیکون ولی» را ناامید کرده، بازارهای سهام جهانی را متلاطم کرده و مفروضات درباره آنچه که هوش مصنوعی می‌تواند به دست آورد را به چالش کشیده است. هوش مصنوعی «دیپ‌سیک»(DeepSeek)، هزینه اندک برای توسعه هوش مصنوعی و جاه طلبی منبع‌باز را در ماموریتی برای پیشی گرفتن از هوش انسانی در هم می‌آمیزد و موفق شده است از نام‌های شناخته شده‌ای مانند اوپن‌ای‌آی(OpenAI) پیشی بگیرد. اکنون که شاهد چنین رشد سریعی هستیم، پرسش‌هایی به ذهن می‌آید. مثلا اینکه آیا ما شاهد یک انقلاب واقعی در هوش مصنوعی هستیم یا این جریان رسانه‌ای طی یکی دو روز اخیر، تبلیغات بیش از حد است؟ در ادامه، پرده از راز تأسیس و فلسفه «دیپ‌سیک» برمی‌داریم، مدل هوش مصنوعی آن را با دیگر مدل‌های هوش مصنوعی مانند ChatGPT مقایسه می‌کنیم، تحولات خیره‌کننده‌ای را که در بازار ایجاد می‌کند، تشریح می‌کنیم و نگرانی‌های مربوط به حریم خصوصی را که مشابه با موضوع تیک‌تاک(TikTok) است، بررسی می‌کنیم. «دیپ‌سیک» چیست و چه کسی آن را اجرا می‌کند؟ شرکت «دیپ‌سیک» در ژوئیه 2023 توسط لیانگ ونفنگ(Liang Wenfeng)، فارغ‌التحصیل برجسته دانشگاه ژیجیانگ(Zhejiang) تأسیس شد. این شرکت مستقر در هانگژو با پشتوانه مالی قابل توجه و ورود استراتژیک یک صندوق تامینی به نام‌های‌فلایر(High-Flyer) که توسط لیانگ هم‌بنیان‌گذاری شده، پشتیبانی می‌شود. «دیپ‌سیک» با استفاده از قدرت مالی «های‌فلایر» که دارایی حدود 8 میلیارد دلاری دارد، با خرید تراشه‌های قابل توجه A100 شرکت انویدیا با وجود ممنوعیت صادرات آنها به چین، ورود جسورانه‌ای به بخش هوش مصنوعی داشته است. این تراشه‌ها برای پایه فناوری و ظرفیت نوآوری این شرکت بسیار مهم هستند. شهرت «دیپ‌سیک» از توسعه مدل DeepSeek-V3 آمده است که تنها به 6 میلیون دلار هزینه برای منابع محاسباتی نیاز داشت که کسری از آن چیزی است که معمولاً توسط غول‌های فناوری ایالات متحده سرمایه‌گذاری و هزینه می‌شود. کارآیی خیره کننده مدل هوش مصنوعی «دیپ‌سیک»، این دستیار هوش مصنوعی را به صدر جدول بارگیری برنامه‌های رایگان در فروشگاه برنامه‌های ایالات متحده رسانده که حتی ChatGPT را نیز پشت سر گذاشته است. این دستاورد، پتانسیل «دیپ‌سیک» را برای ارائه عملکرد بالا با هزینه کمتر، به چالش کشیدن هنجارهای فعلی و آغاز ارزیابی مجدد در صنعت جهانی هوش مصنوعی برجسته می‌کند. نوآوری‌های فناورانه در «دیپ‌سیک» توسط یک گروه تحقیقاتی اختصاصی در «های‌فلایر» هدایت می‌شود که قصد خود را برای تمرکز بر هوش عمومی مصنوعی(AGI) در اوایل سال 2023 اعلام کرد. این گروه که دارای کنترل عملیاتی بر روی خوشه‌ای از 10 هزار تراشه A100 انویدیا است، قصد دارد هوش مصنوعی را فراتر از برنامه‌های کاربردی سنتی ارتقاء دهد تا به قابلیت‌هایی دست یابد که از عملکرد انسان در کارهای با ارزش اقتصادی پیشی بگیرد. این ادغام عمیق منابع، تعهد جدی «دیپ‌سیک» را برای پیشروی در حوزه هوش مصنوعی نشان می‌دهد که نشان‌دهنده یک همسویی استراتژیک است که می‌تواند به طور قابل‌توجهی بر پیشرفت‌های آینده در هوش مصنوعی تأثیر بگذارد. «دیپ‌سیک» چگونه به وجود آمد؟ پیدایش «دیپ‌سیک» به جاه‌طلبی گسترده‌تری برمی‌گردد که با انتشار هوش مصنوعی ChatGPT توسط شرکت اوپن‌ای‌آی(OpenAI) در اواخر سال 2022 شعله‌ور شد که تنور توسعه این فناوری را در میان شرکت‌های فناوری چینی برای توسعه چت‌بات‌های رقابتی هوش مصنوعی برانگیخت. با وجود تلاش‌های اولیه غول‌های چینی مانند بایدو(Baidu)، شکاف قابل‌توجه در قابلیت‌های هوش مصنوعی بین فناوری‌های ایالات متحده و چین مشهود بود که منجر به ناامیدی گسترده در جامعه فناوری چین شد. این شکاف موجب ظهور «دیپ‌سیک» در سال 2023 با یک ماموریت جسورانه برای پر کردن این شکاف و برتری در هوش عمومی مصنوعی(AGI) و توسعه یک هوش مصنوعی که می‌تواند از هوش انسانی پیشی بگیرد، شد. روح پایه‌گذاری «دیپ‌سیک»، شبیه به روزهای اولیه اوپن‌ای‌آی، ریشه در یک ایده‌آلیسم غیرتجاری دارد. آنها خود را به عنوان گروهی از ایده‌آل‌گرایان معرفی کرده‌اند که نه به خاطر سود، بلکه برای دستیابی به پیشرفت‌های پیشگامانه در هوش عمومی مصنوعی(AGI) تلاش می‌کنند. این چشم‌انداز آرمان‌گرایانه با سرمایه‌گذاری‌های فناورانه قابل توجه، به‌ویژه در توسعه مدل‌های DeepSeek-V3 و DeepSeek-R1 پشتیبانی می‌شود. این مدل‌ها خیلی زود به دلیل عملکردشان مورد تحسین قرار گرفته‌اند که با وجود دسترسی محدود این شرکت به جدیدترین تراشه‌های انویدیا، از برخی جنبه‌ها از مدل‌های پیشرو شرکت‌های اوپن‌ای‌آی و متا پیشی می‌گیرند. مدل DeepSeek-V3 به شکل ویژه به دلیل سرعت استنتاج برتر و هزینه کم برای توسعه شناخته می‌شود و گام‌های مهمی در زمینه‌هایی که نیاز به توانایی‌های محاسباتی فشرده مانند کدنویسی و حل مسئله ریاضی دارند، برداشته است. توانمندی این مدل در یک مقاله تحقیقاتی منتشر شده در Arxiv برجسته شد، جایی که به دلیل عملکرد بهتر از سایر مدل‌های منبع‌باز و مطابقت با قابلیت‌های مدل‌های منبع‌بسته سطح بالا مانند GPT-4 و Claude-3.5-Sonnet مورد توجه قرار گرفت. مقایسه DeepSeek با چت‌بات‌های دیگر مانند ChatGPT «دیپ‌سیک» خود را از سایر برنامه‌های کاربردی هوش مصنوعی مانند ChatGPT از طریق رویکردهای معماری و عملیاتی منحصر به فرد خود متمایز می‌کند که به منظور افزایش کارایی و کاهش هزینه‌های عملیاتی طراحی شده است. «دیپ‌سیک» با استفاده از معماری «مخلوطی از متخصصان»(MoE)، تنها بخش‌های مرتبط از شبکه خود را برای هر پرس و جوی خاص فعال می‌کند و به طور قابل توجهی در توان محاسباتی و هزینه‌ها صرفه‌جویی می‌کند. این به شدت در تضاد با معماری مبتنی بر ترانسفورماتور ChatGPT است که وظایف را در کل شبکه خود پردازش می‌کند و منجر به مصرف بیشتر منابع می‌شود. فناوری مبتکرانه و بهبود عملکرد طراحی «مخلوطی از متخصصان» دیپ‌سیک، امکان پردازش ویژه هر کار را فراهم می‌کند که عملکرد آن را در زمینه‌های تخصصی مانند کدنویسی و حل مشکلات فنی افزایش می‌دهد و زمان پاسخ را سرعت می‌بخشد. برعکس، ChatGPT عملکرد ثابت‌تری را در طیف وسیعی از وظایف ارائه می‌دهد، اما ممکن است به دلیل روش پردازش جامع آن، از نظر سرعت عقب بماند. با وجود این، ChatGPT اغلب پاسخ‌های ظریف‌تر و غنی‌تر ارائه می‌دهد و عمقی را ارائه می‌دهد که ممکن است DeepSeek در زمینه‌های وسیع‌تر فاقد آن باشد. هزینه و دسترسی با توجه به میزان دسترسی، ماهیت منبع‌باز DeepSeek، آن را کاملا رایگان می‌کند و به راحتی برای اصلاح و استفاده در دسترس قرار می‌دهد که می‌تواند برای جامعه توسعه دهندگان جذاب باشد. از آن سو، ChatGPT در حالی که یک نسخه رایگان ارائه می‌دهد، شامل سطوح پولی نیز است و دسترسی به ویژگی‌های پیشرفته‌تر و قابلیت‌های API بیشتر آن با پرداخت اشتراک فراهم می‌شود. آیا باید نگران حریم خصوصی باشیم؟ «دیپ‌سیک» با وجود پیشرفت‌های فناورانه خود، از نظر مسائل بالقوه حفظ حریم خصوصی که یادآور نگرانی‌هایی است که قبلاً با سایر پلتفرم‌های چینی مانند TikTok مرتبط بود، تحت نظارت است. این نگرانی عمدتاً از جمع‌آوری داده‌های شخصی گسترده «دیپ‌سیک» از جمله درخواست ثبت تاریخ تولد، ورودی‌های متنی و صوتی، فایل‌های آپلود شده و تاریخچه چت که در سرورهای چین ذخیره می‌شوند، ناشی می‌شود. این عمل با توجه به قوانین سختگیرانه اطلاعات ملی در چین که همه نهادها را مجبور به همکاری با تلاش‌های اطلاعاتی ملی می‌کند، نگرانی‌های قابل توجهی را در مورد امنیت و حریم خصوصی داده‌های کاربران ایجاد می‌کند. علاوه بر این، مدل‌های هوش مصنوعی برجسته مانند ChatGPT و جمینای گوگل نسبت به دیپ‌سیک توصیه به احتیاط کرده‌اند. این نگرانی‌ها شامل پتانسیل بدافزارهای مخفی یا مکانیسم‌های نظارتی است که در این نرم‌افزار قابل تعبیه است و می‌تواند امنیت کاربران را به خطر بیندازد. اقدامات امنیتی دیپ‌سیک پس از یک نقص امنیتی گزارش شده در ماه دسامبر که آسیب‌پذیری‌هایی را برای امکان سرقت احتمالی حساب‌ها فراهم می‌کرد، مورد تردید قرار گرفت، اگرچه این مشکل متعاقباً اصلاح شد. این وضعیت زمانی تشدید شد که شرکت «دیپ‌سیک» در میان افزایش دانلودها فاش کرد که دستیار هوش مصنوعی آن هدف یک «حمله مخرب در مقیاس بزرگ» قرار گرفته است که نشان‌دهنده چالش‌های امنیتی برای آن است. این حادثه بر خطرات مرتبط با استفاده از دیپ‌سیک، به‌ویژه در مورد حفاظت از داده‌های شخصی پردازش شده توسط هوش مصنوعی تاکید می‌کند. کاربران و ذینفعان در فناوری هوش مصنوعی باید این خطرات حریم خصوصی و امنیتی را هنگام ادغام یا استفاده از ابزارهای هوش مصنوعی مانند DeepSeek در نظر بگیرند. نگرانی‌ها فقط در مورد حریم خصوصی داده‌ها نیست، بلکه پیامدهای گسترده‌تری در مورد استفاده از داده‌های جمع‌آوری‌شده برای اهدافی فراتر از کنترل یا آگاهی کاربر، از جمله آموزش مدل‌های هوش مصنوعی یا سایر فعالیت‌های فاش نشده است. همانطور که فناوری هوش مصنوعی در حال تکامل است، اطمینان از شفافیت و اقدامات امنیتی قوی در حفظ اعتماد کاربران و محافظت از اطلاعات شخصی در برابر سوء استفاده بسیار مهم خواهد بود. مطمئناً دیپ‌سیک پویایی بازار را تغییر داده و بحث‌های اخلاقی مختلفی را مطرح کرده است، اما برخی از سؤالات بزرگ هنوز باقی می‌مانند. مثلا آیا دیپ‌سیک کتاب تاریخ هوش مصنوعی را بازنویسی می‌کند؟ چه موانع غیرمنتظره‌ای می‌تواند از شتاب توسعه آن بکاهد و محبوبیت آن را کاهش دهد یا شاید حتی منجر به نابودی آن شود؟ به هر حال، مسیر پیش رو برای این هوش مصنوعی انقلابی و بلندپرواز، پر از احتمالات و مشکلات است و تنها زمان نشان خواهد داد که این فناوری جسورانه چگونه عمل خواهد کرد.

یکی از روش‌های تولید ساختارهای پیچیده، قرار دادن مولکول‌ها روی هم است که این کار با کمک میکروسکوپ تونل‌زنی روبشی انجام می‌شود. محققان در حال توسعه هوش مصنوعی هستند تا کنترل این میکروسکوپ‌ها را به هوش مصنوعی بدهند و کار سریع‌تر و دقیق‌تر انجام شود. ترکیب شیمیایی یک ماده به تنهایی، گاهی اطلاعات کمی در مورد خواص آن ارائه می‌دهد. عامل تعیین کننده، بیشتر، آرایش مولکول‌ها در ساختار شبکه اتمی یا روی سطح ماده است. علم مواد از این عامل برای ایجاد ویژگی‌های خاص با اعمال اتم‌ها و مولکول‌ها روی سطوح با کمک میکروسکوپ‌های با کارایی بالا استفاده می‌کند. این موضوع، بسیار وقت‌گیر بوده و همچنین نانوساختارهای ساخته شده به نسبت ساده هستند. یک گروه تحقیقاتی در دانشگاه گرتس اتریش با استفاده از هوش مصنوعی می‌خواهد ساخت نانوساختارها را بهبود دهند. نتایج کار آنها در مقاله‌ای در مجله Computer Physics Communications منتشر شده‌است. اولیور هافمن از موسسه فیزیک حالت جامد که سرپرستی این گروه تحقیقاتی را بر عهده دارد، می‌گوید: ما می‌خواهیم یک سیستم هوش مصنوعی خودآموز ایجاد کنیم که مولکول‌های منفرد را به‌صورت خودکار و در کمترین زمان در یک جهت درست برای رسیدن به خاصیت مورد نظر قرار دهد. با این کار می‌توان تولید ساختارهای مولکولی بسیار پیچیده، از جمله مدارهای منطقی در مقیاس نانومتری را امکان‌پذیر کرد. مکان‌یابی تک‌تک مولکول‌ها روی سطح یک ماده با استفاده از میکروسکوپ تونل‌زنی روبشی انجام می‌شود. نوک کاوشگر یک تکانه الکتریکی را برای جابه‌جایی مولکولی که حامل آن است، ایجاد می‌کند. هافمن می‌گوید: یک محقق برای تکمیل این مرحله برای یک مولکول ساده به چند دقیقه زمان نیاز دارد. اما برای ساختن ساختارهای پیچیده، هزاران مولکول پیچیده باید به‌صورت جداگانه قرار گرفته و سپس نتیجه آزمایش شود. میکروسکوپ تونل‌زنی روبشی نیز می‌تواند توسط رایانه کنترل شود. تیم هافمن اکنون می‌خواهد از روش‌های مختلف یادگیری ماشینی استفاده کند و چنین سیستم رایانه‌ای را به‌دست آورد تا مولکول‌ها را به‌طور مستقل در موقعیت صحیح قرار دهد. ابتدا، از روش‌های هوش مصنوعی برای محاسبه یک طرح بهینه استفاده می‌شود که کارآمدترین و قابل اعتمادترین رویکرد برای ساخت سازه را توصیف می‌کند. سپس الگوریتم‌های هوش مصنوعی خودآموز، نوک کاوشگر را کنترل می‌کنند تا مولکول‌ها به‌طور دقیق مطابق با نقشه قرار گیرند. به نقل از ستاد نانو، هافمن توضیح می‌دهد: موقعیت‌یابی مولکول‌های پیچیده با بالاترین دقت فرآیند دشواری است، زیرا هم‌ترازی آنها با وجود بهترین کنترل ممکن، همیشه در معرض درجه‌ خاصی از شانس است. محققان این احتمال شرطی را در سیستم هوش مصنوعی ادغام خواهند کرد تا همچنان به‌طور قابل اعتماد عمل کند. محققان با استفاده از یک میکروسکوپ تونلی روبشی کنترل‌شده با هوش مصنوعی که می‌تواند به‌صورت شبانه‌روزی کار کند، درنهایت می‌خواهند به اصطلاح کورل‌های کوانتومی بپردازند. کورل‌های (مرجان‌های) کوانتومی نانوساختارهایی به شکل دروازه هستند که می‌توانند برای به دام انداختن الکترون‌ها از موادی که روی آنها قرار گرفته‌اند استفاده شوند. سپس خواص موج مانند الکترون‌ها منجر به تداخل مکانیکی کوانتومی می‌شود که می‌تواند برای کاربردهای عملی مورد استفاده قرار گیرد.