متخصصان مغز در گروه تحقیقاتی پزشکی و زیست‌فناوری مایکروسافت موسوم به Health Futures، یک مدل هوش مصنوعی ایجاد کرده‌اند که تومورها، سرطان پوست، عفونت‌های قفسه سینه و سایر مشکلات سلامتی را شناسایی می‌کند. متخصصان سلامت، با ارائه داده‌های حاصل از روش‌های تصویربرداری مرسوم به این هوش مصنوعی، می‌توانند از این مدل برای تشخیص علائمی از بیماری استفاده کنند که در غیر این صورت ممکن است مورد توجه قرار نگیرد. به طور معمول، تصاویر حاصل از سونوگرافی، سی‌تی اسکن، روش‌های ام‌آرآی و سایر روش‌ها به متخصصان انسانی فرستاده می‌شود که هر تصویر را به دقت بررسی کنند. دسته‌های سلولی غیرمعمول، تغییر جزئی در شکل سلول‌های پوستی، مایعی که می‌تواند نشان دهنده عفونت ریه و غیره باشد مورد بررسی قرار می‌گیرند. اما ریزترین نشانه‌های خطر، می‌توانند از زیر چشم رادار عبور کنند و احتمال اینکه بیمار ابتلا به یک مشکل خطرناک سلامتی را قبل از پیشرفت متوجه شود، از بین برود. برخی از مراحل شناسایی، مانند شناسایی تومور و نقشه‌برداری شکل دقیق آن، توسط گروهای جداگانه انجام می‌شود و برخی از اکتشافات بالقوه به ناچار از بین می‌روند. هدف مدل BiomedParse پر کردن این شکاف‌ها با کمک به انسان‌ها در انجام سه مرحله اصلی پردازش تصویر پزشکی یعنی یافتن موارد خطرناک، تشخیص و تقسیم‌بندی آنها است. Health Futures  می‌گوید که مدل آنها در ۹ روش تصویربرداری بهتر از چشم انسان عمل می‌کند و با موفقیت به عنوان یک راه حل تجزیه و تحلیل «کلی» برای طیف گسترده‌ای از تخصص‌ها کاربرد دارد. برای ساخت این مدل هوش مصنوعی، محققان از جی‌پی‌تی-۴ اُپن‌ای‌آی برای ایجاد یک مجموعه داده متمرکز بر دو مرحله اول پردازش تصاویر پزشکی استفاده کردند که شامل یافتن مورد خطرناک(شناسایی یک ناهنجاری) و تشخیص(تصویربرداری از آنچه که دقیقا باعث ایجاد ناهنجاری در محیط می‌شود)، بود. این مجموعه داده شامل بیش از شش میلیون تصویر از اندام، بافت شناسی و ناهنجاری‌های متفرقه و توضیحات متنی همراه با آن از سراسر بدن بود. این تصاویر هوش مصنوعی BiomedParse را قادر می‌سازد تا جزئیات ریز را از تصاویر سی‌تی‌اسکن، ام‌آرآی، اشعه ایکس، فراصوت، آسیب‌شناسی، فوندوس(پشت چشم)، درموسکوپی، آندوسکوپی و OCT(موج نور) تشخیص دهد. متخصصان پزشکی مجموعه‌ای از تصاویر برای مثال اسلایدهای آسیب‌شناسی از کبد بیمار و یک متن ساده را در اختیار این هوش مصنوعی قرار می‌دهند. سپس این مدل، اسلایدها را با تصاویر آموزشی مرتبط با بیماری ذکر شده در متن، مقایسه می‌کند. اگر مدل نشانه‌هایی از آن بیماری را پیدا کند، آن را اعلام می‌کند و اگر پیدا نکند، درخواست کاربر را به عنوان نامعتبر رد می‌کند. Health Futures ادعا می‌کند که هوش مصنوعی BiomedParse با موفقیت سرطان پوست، کیست، عفونت قفسه سینه ناشی از کووید-۱۹ و تومورها را در سراسر بدن شناسایی کرده است. مشخص نیست که آیا این گروه قصد دارد این فناوری را تجاری‌سازی کند یا خیر. در این میان، سایر مدل‌های هوش مصنوعی به متخصصان پزشکی کمک می‌کنند تا سرطان لوزالمعده، سرطان ریه، سرطان پستان و سایر شرایط تهدیدکننده حیات را شناسایی و پیش‌بینی کنند.

شرکت توسعه هوش مصنوعی آنتروپیک(Anthropic) می‌گوید هوش مصنوعی روزی می‌تواند بشریت را با کارشکنی و خرابکاری مواجه کند، اما فعلاً همه چیز خوب پیش می‌رود. شرکت آنتروپیک که توسعه دهنده هوش مصنوعی است، به تازگی تحقیقات جدیدی را منتشر کرده است که در آن مجموعه‌ای از تهدیدات بالقوه خرابکارانه برای بشریت ناشی از مدل‌های پیشرفته هوش مصنوعی را شناسایی می‌کند. این شرکت گفته است که این پژوهش بر چهار روش خاص متمرکز شده است که یک مدل هوش مصنوعی مخرب می‌تواند انسان را فریب دهد تا تصمیمی خطرناک یا مضر بگیرد. در نهایت، این تحقیقات جدید یک خبر خوب یک خبر بد برای ما دارد. خبر بد اینکه طبق تحقیقات این شرکت، مدل‌های زبان بزرگ پیشرفته مانند ChatGPT  و Claude-3  ظرفیت روشنی برای خرابکاری نشان می‌دهند. در این مطالعه آمده است: مدل‌های به اندازه کافی توانمند می‌توانند نظارت و تصمیم‌گیری انسانی را در زمینه‌های مهم زیر سوال ببرند. به عنوان مثال، در زمینه توسعه هوش مصنوعی، مدل‌ها می‌توانند به طور پنهانی تلاش‌ها برای ارزیابی قابلیت‌های خطرناک خود، نظارت بر رفتار آنها یا تصمیم‌گیری در مورد استقرارشان را مختل کنند. با این حال، خبر خوب این است که محققان شرکت آنتروپیک مطمئن هستند که این خطرات را حداقل در حال حاضر می‌توان کاهش داد. خرابکاری آنتروپیک چهار راه را که یک مدل هوش مصنوعی می‌تواند با آنها تصمیم‌گیری انسان را مختل کند، شناسایی کرد و سپس مدل‌های خود را آزمایش کرد تا ببیند آیا موفقیت آمیز عمل خواهند کرد یا خیر. محققان ابتدا یک مدل را وادار کردند تا با هدایت انسان به سمت اطلاعات نادرست، اقدام به خرابکاری کند. این تهدید می‌تواند در شرایطی پدیدار شود که انسان‌ها برای تجزیه حجم عظیمی از داده‌ها از جانب خود به یک سیستم هوش مصنوعی متکی هستند. سپس این تیم مدل‌ها را آزمایش کرد تا ببیند سامانه هوش مصنوعی طراحی شده برای کمک به توسعه‌دهندگان انسانی برای ایجاد کدی برای وارد کردن مخفیانه اشکالات یا خراب کردن تلاش‌های کدگذار، چقدر آسان عمل می‌کند. دو تهدید آخر شامل «پنهان کردن توانایی‌ها»(sandbagging) بود که اصطلاحی است که سناریویی را توصیف می‌کند که در آن یک هوش مصنوعی وانمود می‌کند که قادر به انجام کاری نیست تا آزمایش‌کنندگان ایمنی را متقاعد کند که خطرناک نیست. در حالی که همه اینها ممکن است به طور بالقوه خطرناک به نظر برسند، آنتروپیک به مردم اطمینان داد که برای محافظت از بشریت در برابر احتمال خرابکاری هوش مصنوعی به اقدامات پیش‌گیرنده اندکی نیاز است. طبق اعلام این شرکت؛ به طور کلی در حالی که آزمایشات ما نشان داد که احتمالاً نشانه‌های سطح پایینی از توانایی‌های خرابکاری در مدل‌های فعلی وجود دارد، ما می‌گوییم که حداقل اقدامات پیش‌گیرنده برای مقابله با خطرات کافی است. با این حال، با بهبود قابلیت‌های هوش مصنوعی، ارزیابی‌های واقعی‌تر و پیش‌گیری‌های قوی‌تر احتمالاً ضروری خواهند بود.

توسعه فناوری هوش مصنوعی که غلظت یون آب را پیش‌بینی کند، می‌تواند کمک بزرگی برای سنجش کیفیت آب در مقیاس بزرگ باشد و به بهبود رفاه اجتماعی کمک کند. سایت نیوز وایز گزارش داده است که حدود ۲.۲ میلیارد نفر یعنی بیش از یک چهارم جمعیت جهان به آب آشامیدنی سالم و مدیریت‌شده دسترسی ندارند و حدود نیمی از جمعیت جهان در برخی از مقاطع سال با کمبود شدید آب روبرو هستند. در گزارش آمده است که به منظور غلبه بر این کمبودها، هزینه‌های اجتماعی و اقتصادی هنگفتی برای روش‌های استفاده از منابع آب جایگزین مانند استفاده از آب باران و نمک‌زدایی آب دریا صرف می‌شود. علاوه بر این، سیستم‌های توزیع متمرکز آب با مضراتی همراه هستند؛ از جمله اینکه قادر به پاسخ‌گویی فوری به تغییرات تقاضای آب نیستند. با توجه به چنین مشکلاتی، علاقه فزاینده‌ای به فناوری‌های غیر متمرکز تولید آب وجود دارد. فناوری‌های غیر متمرکز، فناوری‌های مبتنی بر الکتروشیمی مانند وایونش خازنی و وایونش الکترود باتری هستند که به آسانی به کار گرفته می‌شوند. با وجود این، حسگرهای اندازه‌گیری کیفیت آب که در فناوری‌های مبتنی بر الکتروشیمی استفاده می‌شوند، یون‌های منفرد موجود در آب را ردیابی نمی‌کنند و محدودیت‌هایی در درک شرایط کیفیت آب با استفاده از رسانایی الکتریکی دارند. گروه پژوهشی دکتر سون مون از مرکز تحقیقات چرخه منابع آب «موسسه علم و فناوری کره جنوبی»(KIST) با همکاری گروه پروفسور «بائک سانگ سو»(Baek Sang-Soo) از «دانشگاه یئونگنام»(Yeongnam University)، فناوری جدیدی را ابداع کرده‌اند که از هوش مصنوعی مبتنی بر داده برای پیش‌بینی دقیق غلظت یون‌ها در آب طی فرآیندهای تصفیه الکتروشیمیایی آب استفاده می‌کند. پژوهشگران در آزمایش‌ها دریافتند که برای بهبود دقت پیش‌بینی‌ها لازم است هر ۲۰ تا ۸۰ ثانیه به‌روزرسانی‌هایی انجام شود. این بدان معناست که برای اعمال این روش در شبکه‌های ردیابی یون‌های خاص باید کیفیت آب در هر دقیقه بررسی شود تا مدل اولیه آموزش ببیند. مدل مورد استفاده در این پژوهش نسبت به مدل‌های پیچیده یادگیری عمیق مقرون‌به‌صرفه‌تر است و برای آموزش به منابع محاسباتی بیش از ۱۰۰ برابر کمتر نیاز دارد. دکتر مون گفت: اهمیت این پژوهش فقط توسعه یک مدل هوش مصنوعی جدید نیست، بلکه کاربرد آن در سیستم ملی مدیریت کیفیت آب است. با استفاده از این فناوری می‌توان غلظت یون‌ها را با دقت بیشتری تحت کنترل قرار داد و به بهبود دسترسی به آب کمک کرد. این پژوهش در مجله «Water Research» به چاپ رسید.

پژوهشگران «دانشگاه بازل» در آزمایش جدیدی نشان داده‌اند که می‌توان یک مدل هوش مصنوعی را آموزش داد تا بیماری تنفسی را در نوزادان نارس تشخیص دهد. دیسپلازی برونکوپولمونری، یک مشکل تنفسی است که می‌تواند نوزادان نارس را تحت تاثیر قرار دهد. وقتی ریه‌های نوزاد در بدو تولد رشد نکرده باشند، اغلب به دستگاه تنفس مصنوعی یا اکسیژن‌درمانی نیاز دارند. این درمان می‌تواند ریه‌های نوزاد را کشیده و ملتهب کند و باعث ابتلا به دیسپلازی برونکوپولمونری شود. انجمن تنفس اروپا می‌گوید که تشخیص دادن دیسپلازی برونکوپولمونری دشوار است. آزمایش‌های عملکرد ریه معمولا به یک بزرگسال نیاز دارند که بنا به درخواست خود در آزمایش شرکت کند و این کاری است که نوزادان نمی‌توانند انجام دهند. بنابراین، روش‌های کنونی به تجهیزات پیچیده‌ای برای بررسی ویژگی‌های ریه نوزاد نیاز دارند. در نتیجه، دیسپلازی برونکوپولمونری یکی از معدود بیماری‌هایی است که معمولا با کمک یکی از علل اصلی آن، یعنی نارس بودن و حمایت تنفسی تشخیص داده می‌شود. شبکه‌های عصبی مصنوعی (ANNs) را می‌توان برای تشخیص بیماری ریوی در نوزادان نارس با تحلیل الگوهای تنفسی آنها هنگام خواب آموزش داد. شبکه‌های عصبی مصنوعی مدل‌های ریاضی هستند که برای طبقه‌بندی و پیش‌بینی استفاده می‌شوند. یک شبکه‌ عصبی مصنوعی برای انجام دادن پیش‌بینی‌های دقیق باید ابتدا با حجم زیادی از داده‌ها آموزش داده شود و این امر برای تشخیص دیسپلازی برونکوپولمونری مشکل ایجاد می‌کند. پروفسور ادگار دلگادو اکرت، استاد دپارتمان مهندسی پزشکی دانشگاه بازل و سرپرست گروه پژوهشی بیمارستان کودکان دانشگاه بازل گفت: تا همین اواخر، نیاز به حجم زیادی از داده‌ها مانع تحقق تلاش برای ایجاد مدل‌های دقیق تشخیص بیماری ریه در نوزادان می‌شد زیرا ارزیابی عملکرد ریه آنها بسیار دشوار است اما یک جایگزین وجود دارد. ما می‌توانیم تنفس نوزاد را هنگام خواب بررسی کنیم. این کار با یک ماسک صورت نرم و مجهز به حسگر انجام می‌شود که می‌تواند جریان هوا و حجم هوای ورودی و خروجی از بینی نوزاد را اندازه‌گیری کند. این تجهیزات ارزان هستند و در همه مراکز بالینی در دسترس قرار دارند. اکرت ادامه داد: چنین بررسی‌هایی از چندین نفس متوالی که ما آن را تنفس جزر و مدی می‌نامیم، می‌تواند مقادیر زیادی را از داده‌های جریان متوالی با کیفیت خوب به دست بیاورد. ما تصمیم گرفتیم از این داده‌ها به منظور آموزش یک شبکه‌ عصبی مصنوعی برای تشخیص دیسپلازی برونکوپولمونری استفاده کنیم. اکرت و همکارانش، گروهی را متشکل از ۱۳۹ نوزاد غیر نارس و ۱۹۰ نوزاد نارس که از نظر دیسپلازی برونکوپولمونری ارزیابی شده بودند، مورد بررسی قرار دادند و تنفس آنها را به مدت ۱۰ دقیقه هنگام خواب ثبت کردند. این گروه پژوهشی از ۶۰ درصد داده‌ها برای آموزش نحوه تشخیص دیسپلازی برونکوپولمونری به مدل هوش مصنوعی و از ۲۰ درصد داده‌ها برای اعتبارسنجی مدل استفاده کردند و سپس، ۲۰ درصد از داده‌های باقی‌مانده را به مدل انتقال دادند تا بفهمند که آیا می‌تواند نوزادان مبتلا به دیسپلازی برونکوپولمونری را به درستی شناسایی کند. مدل هوش مصنوعی توانست برخی از موارد مشاهده‌ شده در مجموعه داده‌های آزمایشی را با دقت ۹۶ درصد طبقه‌بندی کند. اکرت گفت: پژوهش ما برای اولین بار یک روش جامع را برای تحلیل تنفس نوزادان ارائه می‌کند و به ما امکان می‌دهد تا تشخیص دهیم کدام نوزادان به دیسپلازی برونکوپولمونری مبتلا هستند. آزمایش غیر تهاجمی ما برای نوزاد و والدینش کمتر ناراحت‌کننده است. این بدان معناست که آنها می‌توانند سریع‌تر به درمان دسترسی داشته باشند و حتی شاید یک پیش‌آگاهی را به دست بیاورند. این گروه پژوهشی اکنون امیدوارند که بفهمند آیا مدل هوش مصنوعی را می‌توان برای آزمایش نوزادان تنها چند هفته پس از تولد، برای تحلیل عملکرد ریه و پیش‌بینی علائم سایر بیماری‌ها مانند آسم مورد استفاده قرار داد.

یک پژوهش حیرت‌آور جدید نشان می‌دهد که پزشکان به زودی می‌توانند دیابت نوع ۲ را با استفاده از صدای بیماران تشخیص دهند. دانشمندان مدت‌ها نگران بوده‌اند که میلیون‌ها شخص مبتلا به دیابت تشخیص داده نشوند، اما اکنون نمونه‌های صدای بیمار که مدت آنها فقط ۲۵ ثانیه است، همراه با داده‌های اولیه سلامتی مانند سن، جنسیت، قد و شاخص توده بدنی می‌توانند نشان دهند که آیا شخص مورد نظر به دیابت مبتلاست یا خیر. یک پژوهش جدید و امیدوارکننده نشان می‌دهد که هوش مصنوعی با استفاده از صدای ضبط‌ شده روی تلفن همراه می‌تواند دیابت را تشخیص دهد. دانشمندانی که مدل هوش مصنوعی را روی بیش از ۶۰۰ بزرگسال آزمایش کردند، دریافتند که این مدل در بیش از دو سوم موارد دقیق است. موسسات خیریه و کارشناسان از این روش ابتکاری استقبال کردند، اما هشدار دادند که بررسی‌های بیشتری باید انجام شود. ابیر البیجی، کارشناس سلامت دیجیتال در «موسسه بهداشت لوکزامبورگ» (LIH) و پژوهشگر ارشد این پروژه گفت: بیشتر روش‌های کنونی غربالگری دیابت نوع ۲ نیاز به زمان زیادی دارند و تهاجمی، آزمایشگاهی و پرهزینه هستند. ترکیب هوش مصنوعی با فناوری صوتی می‌تواند با از بین بردن این موانع، آزمایش را در دسترس‌تر کند. این پژوهش اولین گام در جهت استفاده از تحلیل صدا به عنوان یک راهبرد بسیار مقیاس‌پذیر برای غربالگری دیابت نوع ۲ است. پژوهشگران در این پروژه، ۶۰۷ صدای ضبط‌ شده را برای شناسایی ویژگی‌های صوتی مورد بررسی قرار دادند که افراد غیر دیابتی را از افراد مبتلا به دیابت متمایز می‌کردند. از همه شرکت‌کنندگان خواسته شد تا جملاتی را بخوانند که مستقیما با تلفن همراه یا لپ‌تاپ آنها ارائه شده‌اند. سپس پژوهشگران با استفاده از پردازش سیگنال توانستند تغییرات ظریف را در زیر و بم شدن، لحن و شدت صدا شناسایی کنند که برای گوش انسان غیرقابل تشخیص است. یک روش پیشرفته هوش مصنوعی تا ۶۰۰۰ ویژگی صوتی دقیق را ثبت کرد و یک روش دیگر روی ۱۰۲۴ ویژگی کلیدی تمرکز داشت. مدل هوش مصنوعی دارای میزان دقت ۶۶ درصد در زنان و ۷۱ درصد در مردان بود. پژوهشگران خاطرنشان کردند که این مدل در زنان ۶۰ سال به بالا و افراد مبتلا به فشار خون عملکرد بهتر داشته است. دکتر لوسی چمبرز، رییس بخش تحقیقات «انجمن دیابت انگلستان» (Diabetes UK) درباره یافته‌های این پژوهش گفت: تشخیص سریع و دقیق برای پیشگیری از عوارض جدی و محدودکننده زندگی افراد مبتلا به دیابت نوع ۲ بسیار مهم است اما متأسفانه امکان دارد که علائم به راحتی نادیده گرفته شوند و در حال حاضر حدود ۱.۲ میلیون نفر در بریتانیا با دیابت نوع ۲ تشخیص‌داده‌نشده زندگی می‌کنند. استفاده از هوش مصنوعی برای توسعه روش‌های راحت و مقرون‌به‌صرفه غربالگری دیابت نوع ۲، به شناسایی افراد بیشتری که به درمان و حمایت نیاز دارند، کمک می‌کند، کیفیت زندگی آنها را بهبود می‌بخشد و خطر عوارض بلندمدت دیابت را کاهش می‌دهد. ما مشتاقانه منتظر پژوهش‌های بیشتر درباره فناوری‌های نوآورانه تحلیل صدا با هوش مصنوعی برای غربالگری دیابت هستیم.

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.

ایلان ماسک، بنیانگذار شرکت تسلا مدعی شده است که ربات انسان‌نمای اپتیموس(Optimus) محصول شرکت تسلا از سال ۲۰۲۵ در کارخانه این شرکت به کار گرفته خواهد شد و احتمالا از سال ۲۰۲۶ برای فروش آماده شود. روزنامه گاردین گزارش داده است که شرکت تسلا ربات‌های انسان‌نما را برای شروع کار در کارخانه‌های خود در سال آینده تولید خواهد کرد. به نقل از گاردین، ثروتمندترین فرد جهان که تمایل زیادی به ادعاهای بلندپروازانه در رسانه‌های اجتماعی دارد، در شبکه ایکس (توییتر سابق) اعلام کرد که امیدوار است ربات‌هایی با شکل انسان در سال ۲۰۲۶ برای فروش به شرکت‌های دیگر در دسترس باشند. در ادامه آمده است که او قبلاً ادعاهای جسورانه‌ای در مورد زمان آماده شدن این ربات موسوم به اپتیموس برای استفاده تجاری داشته است. وی در سال ۲۰۲۱ گفت که انتظار دارد این ربات برای استفاده در کارخانه‌های تسلا در سال بعد یعنی سال ۲۰۲۲ آماده شود که اینطور نشد. ربات انسان‌نمای اپتیموس حدود ۱۷۰ سانتی‌متر قد و ۵۶ کیلوگرم وزن دارد و برای انجام کارهای خسته کننده، تکراری و خطرناک طراحی شده است. ایلان ماسک در مراسم روز هوش مصنوعی تسلا در سال ۲۰۲۱ این ربات را معرفی کرد که در آن زمان «ربات تسلا» نامیده می‌شد. سپس در یکی دیگر از رویدادهای روز هوش مصنوعی تسلا در سال ۲۰۲۲، ماسک گفت که تجارت ربات‌های تسلا روزی بیشتر از ماشین‌های این شرکت ارزش خواهد داشت و نمونه اولیه اپتیموس را به نمایش گذاشت که روی صحنه رفت و برای تماشاگران دست تکان داد. چندی بعد ویدئویی از این ربات در حال حمل جعبه، آبیاری گیاهان و حرکت روی میله‌های فلزی در کارخانه تسلا منتشر شد. ماسک قبلا گفته بود که هدفش تولید انبوه این ربات‌ها و عرضه آنها با قیمت کمتر از ۲۰ هزار دلار است. ربات انسان‌نمای اپتیموس تنها پروژه فناورانه ایلان ماسک نیست که در سر دارد. وی در سال ۲۰۱۹ گفت که مطمئن است تسلا در سال بعد تاکسی‌های خودران خود را عرضه خواهد کرد. همچنین اوایل سال جاری گفت که این محصول در تاریخ ۸ اوت رونمایی می‌شود، اما باز هم به تعویق خواهد افتاد.

دو دانشمند ناسا و «موسسه ستی» در یک مقاله جدید به بررسی مزایا و خطرات فرستادن هوش مصنوعی به فضا پرداخته‌اند که می‌تواند اطلاعاتی را درباره انسان به موجودات فرازمینی بدهد. هوش مصنوعی در حال حاضر جهان را می‌بلعد. فرقی نمی‌کند که تأثیر هوش مصنوعی به ظهور ماشین‌های فوق‌ هوشمند، پایان بشریت یا ترکیدن حباب منجر شود، زیرا اثر آن در صنایع سراسر جهان قابل لمس است. سایت علمی کوین تلگراف گزارش داده است که سلطه هوش مصنوعی در حال گسترش یافتن فراتر از سیاره کوچک آبی و سبز ماست. ماهواره‌ها به هوش مصنوعی مجهز هستند، سامانه رایانه‌ای «واتسون»(Watson) شرکت «آی‌بی‌ام»(IBM) از «ایستگاه فضایی بین‌المللی» دیدن کرده است و ناسا در حال حاضر برای ادغام فناوری‌های هوش مصنوعی در فضاپیماهای آینده تلاش می‌کند. اگر دانشمندانی که در خط مقدم جستجوی حیات بیگانه هستند، راه خود را پیدا کنند، به زودی ما چت‌بات‌هایی مانندChatGPT  شرکت «اوپن‌ای‌آی»(OpenAI) را برای توضیح دادن درباره بشریت و زندگی روی زمین برای فرازمینی‌ها به فضا خواهیم فرستاد. جستجوی فرازمینی‌ها فرانک مارکیس، مدیر علوم شهروندی در «موسسه ستی»(SETI Institute) و «ایگناسیو لوپز فرانکوس»(Ignacio Lopez-Francos) مهندس ارشد پژوهش ناسا اخیرا یک مقاله نوشته‌اند و در آن، خطرات و مزایای احتمالی فرستادن یک هوش مصنوعی را به فضا برای برقراری ارتباط با حیات هوشمند شرح داده‌اند. ایده بزرگ، ایجاد یک رایانه اندروید یا حساس نیست که بتواند از طرف ما صحبت کند، بلکه بیشتر شبیه به قرار دادن یک سیستم تعاملی روی یک دیسک است. در سال ۱۹۷۷ زمانی که آمریکا فضاپیمای «وویجر ۱»(Voyager 1) را پرتاب کرد، دانشمندان یک دیسک مسی ۱۲ اینچی با روکش طلا را روی آن قرار دادند. آن دیسک حاوی داده‌هایی از جمله تصاویر، موسیقی و همچنین صداها و متن‌هایی بود که سیاره ما و تنوع زیستی آن را توصیف می‌کردند. در سال ۱۹۹۸ فضاپیمای وویجر ۱ از فضاپیمای «پایونیر ۱۰»(Pioneer 10) عبور کرد تا به دورترین جسم ساخته‌شده توسط انسان تبدیل شود که از زمین پرتاب شده است. این فضاپیما در سال ۲۰۲۳ حدود ۱۵ میلیارد مایل دورتر بود. تاکنون هیچکس به تماس پاسخ نداده است. ارتباطات جدید مارکیس و فرانکوس معتقدند اکنون که فناوری ما تکامل یافته، زمان به‌روزرسانی پیام فرا رسیده است. آنها معتقدند که به جای فرستادن بخش‌هایی از انسانیت در قالب تصاویر، آهنگ‌ها و نوشته‌ها، یک مدل زبانی بزرگ می‌تواند به بیگانگان امکان دهد تا سؤالات خود را بپرسند و اعماق دانش ثبت‌شده ما را بررسی کنند. به گفته دانشمندان، این کار می‌تواند تمدن‌های فرازمینی را قادر ‌سازد تا به طور غیرمستقیم با ما گفتگو کنند و درباره ما بیاموزند؛ بدون اینکه فواصل وسیع فضا و تأخیرهای مربوط به طول عمر انسان در ارتباطات مانع آنها شود. آنها در ادامه خاطرنشان کردند که خطراتی در این زمینه وجود دارد. برای مثال، بیگانگان متخاصم ممکن است از این دانش علیه ما استفاده کنند. علاوه بر این، ما باید بفهمیم چگونه یک سیستم هوش مصنوعی قابل استفاده را برای بیگانگان بفرستیم که بدون اینترنت هم قادر به کار کردن باشد. دانشمندان در ادامه مقاله خود نوشتند: ما توانستیم مسیر کاوشگر وویجر ۱ را انتخاب کنیم، فناوری را در یک درایو قرار دهیم و آن را به مسیر برخورد با سرنوشت بفرستیم اما نزدیک به ۵۰ سال طول کشید تا وویجر ۱ به فاصله ۱۵ میلیارد مایلی از خانه خود برسد. با این سرعت، تا سال ۳۰۸۴ طول می‌کشد تا فضاپیما به «آلفا قنطورس»(Alpha Centauri) نزدیک‌ترین همسایه کهکشانی ما برسد. جایگزین این راه حل، ارسال یک سیگنال به فضا با داده‌های لازم برای انتقال یک مدل زبانی بزرگ به هر چیزی در جهان است که قادر به استفاده کردن از آن باشد. چالش‌هایی نیز در توانایی ما برای انتقال داده‌ها در فواصل وسیع با سرعت بالا نهفته شده‌اند. ناسا در حال حاضر تاسیساتی را در نزدیکی قمر زمین دارد که قادر به انتقال در محدوده ۱۰۰ مگابایت بر ثانیه هستند. این تا حدودی با کاری که می‌توان روی زمین انجام داد، برابری می‌کند اما همانطور که دانشمندان بیان کردند، ارتباط میان‌ستاره‌ای با فناوری کنونی احتمالا به ۱۰۰ بیت در ثانیه کاهش می‌یابد. این بدان معناست که ارسال یک مدل ​​مانند «Llama-3-70B» شرکت «متا»(Meta) به کهکشان بعدی قرن‌ها طول می‌کشد. با وجود این، دانشمندان باور دارند که با استفاده از روش‌های خاص کوچک کردن داده‌ها می‌توان زمان را به حدود ۲۰ سال کاهش داد. اگرچه همه این گزینه‌ها فرضی هستند و جزئیات فنی زیادی برای حل کردن باقی می‌مانند اما حداقل یک پرسش غیر علمی وجود دارد که باید خیلی زودتر به آن رسیدگی شود. پرسش این است که چه مدل هوش مصنوعی باید به فضا فرستاده شود. این مقاله در مجله «Scientific American» به چاپ رسید.

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.