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.

رسانه‌های بین‌المللی گزارش داده‌اند که در مسابقات نیمه‌ماراتن «یی‌ژوانگ» در چین، ۲۱ ربات انسان‌نما با هزاران انسان رقابت کردند. خبرگزاری رویترز گزارش داده است که این ربات‌ها امروز (شنبه، ۳۰ حمل) در بجینگ مسیر ۲۱ کیلومتری را در کنار انسان‌ها دویدند. ربات‌ها در طول مسیر با مربیان انسانی همراه بودند و برخی از آن‌ها حتی نیاز به حمایت فیزیکی داشتند تا بتوانند به راه خود ادامه دهند. در ادامه آمده است که برخی از ربات‌ها کفش‌های ورزشی پوشیده بودند و یکی از آن‌ها دستکش بوکس به دست داشت و دیگری سربندی سرخ‌رنگ با نوشته‌ی چینی «محکوم به پیروزی» بر پیشانی بسته بود. خبرگزاری رویترز گزارش داده است که در نهایت، زمان رسیدن دوندگان انسان با ربات‌ها به خط پایان، بیش از یک‌ونیم ساعت تفاوت داشت. در گزارش رویترز آمده است مردی که برنده این رقابت‌ها شد، مسیر مسابقه را در یک ساعت و دو دقیقه طی کرد. اما ربات «تیانگونگ اولترا» که از میان ربات‌ها برنده شد، مسیر مسابقه را در دو ساعت و ۴۰ دقیقه طی کرد. در ادامه آمده است که این ربات ساخت مرکز نوآوری ربات انسان‌نمای بجینگ بود که ۴۳ درصد سهام آن مال دولت چین و باقی آن متعلق به شرکت‌های فناوری خصوصی است. همچنین خبرگزاری رویترز به نقل از تانگ جیان، مدیر ارشد فناوری این مرکز نوشته است: «عملکرد تیانگونگ اولترا به لطف پاهای بلند و الگوریتمی ویژه‌ بود که دویدن انسان‌ها در ماراتن را شبیه‌سازی می‌کرد.» وی در ادامه افزوده است که این رباط در طول مسابقه تنها سه‌بار نیاز به تعویض باطری داشت. او تاکید کرده است، با وجود این‌که تیانگونگ اولترا و برخی دیگر از ربات‌ها توانستند به خط پایان مسابقه برسند، اما شماری دیگر از آنان از همان ابتدا دچار مشکل شدند و نتوانستند به خط پایان برسند. همچنین دولت چین امیدوار است که با سرمایه‌گذاری در صنایع پیشرفته‌ای مانند رباتیک، محرک‌های جدیدی برای رشد اقتصادی خود ایجاد کند.

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.

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.

نوجوانی یکی از حساس‌ترین و پیچیده‌ترین مراحل رشد انسانی است که در آن تغییرات جسمی، روحی و اجتماعی بسیاری رخ می‌دهد. این دوره می‌تواند برای والدین چالش‌برانگیز باشد، زیرا فرزندانشان به تدریج استقلال بیشتری طلب می‌کنند و هویت خود را شکل می‌دهند. ممکن است به عنوان پدر یا مادر یک نوجوان برخی اوقات فکرتان درگیر این مسئله شود که چطور می توانید او را بهتر تربیت کنید. همان طور که می دانید پدر و مادر بودن اصلا کار آسانی نیست و برای این که بتوانید به طور مناسب با فرزندتان رفتار کنید نیاز دارید که در ابتدا با روش های تربیت نوجوان آشنا شوید. نوجوانی یکی از سخت ترین دوره های زندگی است که هر کسی آن را پشت سر می گذارد. اما این که شما به عنوان پدر یا مادر بتوانید به طور مناسب با فرزندتان در این دوره رفتار کنید، مسئله بسیار مهمی است. همان طور که می دانید یکی از پر چالش ترین سال های زندگی، دوران نوجوانی است. در این دوران به علت به وجود آمدن تغییرات جسمی و روحی، اغلب رفتارهای متفاوتی را از نوجوانان مشاهده می کنید. در این زمان ممکن است شما به عنوان والدین او در تلاش باشید تا به فرزندتان کمک کنید؛ اما احتمال دارد این کمک ها او را آزار دهد. این مقاله به بررسی چالش‌های اصلی والدین در تربیت فرزندان نوجوان و ارائه راهکارهایی برای مدیریت آن‌ها می‌پردازد. ۱. تغییرات رفتاری و عاطفی نوجوانان نوجوانان در این دوره به دلیل تغییرات هورمونی و اجتماعی دچار نوسانات خلقی و احساسی می‌شوند. آن‌ها ممکن است بیشتر درون‌گرا شوند یا رفتارهای چالش‌برانگیزی مانند سرپیچی از قوانین و افزایش تمایل به استقلال نشان دهند. این تغییرات باعث می‌شود والدین احساس کنند که ارتباط با فرزندشان سخت‌تر شده است. ۲. تأثیر همسالان و فشار گروهی نوجوانان به شدت تحت تأثیر همسالان خود هستند و گاهی ممکن است برای پذیرش در گروه‌های اجتماعی، ارزش‌ها و رفتارهای خانواده را نادیده بگیرند. این موضوع می‌تواند منجر به نگرانی والدین در مورد تأثیرات منفی دوستان فرزندشان شود، به خصوص در مواردی که احتمال بروز رفتارهای پرخطر مانند مصرف مواد مخدر یا پرخاشگری وجود دارد. ۳. مدیریت استقلال و مسئولیت‌پذیری نوجوانان در این دوره به دنبال استقلال هستند و تمایل دارند تصمیمات خود را بگیرند. این مسئله می‌تواند منجر به تعارض‌هایی میان والدین و فرزندان شود. والدین باید تعادلی میان کنترل و آزادی فرزند خود برقرار کنند تا هم استقلال آن‌ها را تقویت کنند و هم از بروز مشکلات جلوگیری نمایند. ۴. استفاده از فناوری و رسانه‌های اجتماعی یکی از بزرگ‌ترین چالش‌های والدین در تربیت نوجوانان، مدیریت استفاده از فناوری و رسانه‌های اجتماعی است. نوجوانان ساعت‌های زیادی را در فضای مجازی سپری می‌کنند و ممکن است در معرض خطراتی مانند اعتیاد به اینترنت، اطلاعات نادرست و تعاملات ناآگاهانه با افراد ناشناس قرار بگیرند. والدین باید با آموزش و تعیین محدودیت‌های مناسب، استفاده صحیح از این فناوری‌ها را به فرزندان خود بیاموزند. ۵. افت تحصیلی و کاهش انگیزه برخی نوجوانان در این دوره به دلیل مشغولیت‌های اجتماعی و احساسی دچار افت تحصیلی می‌شوند. کاهش تمرکز، بی‌انگیزگی و تمایل به فعالیت‌های غیر درسی می‌تواند عملکرد تحصیلی آن‌ها را تحت تأثیر قرار دهد. والدین باید با ایجاد محیطی حمایتی و تشویقی، نوجوانان را به درس خواندن و پیشرفت تحصیلی ترغیب کنند. ۶. مشکلات هویتی و سردرگمی‌های شخصیتی نوجوانان در تلاش برای یافتن هویت خود هستند و ممکن است با بحران‌های هویتی مواجه شوند. آن‌ها به دنبال پاسخ به سؤالاتی درباره خود، آینده و نقششان در جامعه هستند. این فرایند می‌تواند منجر به بروز اضطراب و نارضایتی شود. والدین باید با حمایت عاطفی و درک احساسات فرزندانشان، به آن‌ها کمک کنند تا هویت خود را به شکلی سالم شکل دهند. ۷. تعارضات خانوادگی و نقش والدین در این دوره، تعارضات بین نوجوانان و والدین افزایش می‌یابد. گاهی والدین سعی می‌کنند کنترل بیشتری بر فرزند خود اعمال کنند که منجر به مقاومت نوجوان می‌شود. یافتن تعادل میان کنترل و آزادی و حفظ گفت‌وگوی سازنده، یکی از مهم‌ترین چالش‌های والدین است. ۸. راهکارهای پیشنهادی برای والدین تقویت ارتباط مؤثر: گفت‌وگوهای باز و صمیمانه با نوجوانان می‌تواند اعتماد را افزایش داده و از بروز سوءتفاهم جلوگیری کند. تعیین مرزها و قوانین مشخص: داشتن قوانین منصفانه و انعطاف‌پذیر می‌تواند به نوجوانان کمک کند تا مسئولیت‌پذیرتر باشند. آموزش مهارت‌های زندگی: والدین باید مهارت‌های مدیریت زمان، تصمیم‌گیری و حل مسئله را به نوجوانان آموزش دهند. حمایت عاطفی و تشویق: حمایت و تشویق نوجوانان در مسیر رشد شخصی و تحصیلی آن‌ها را به سمت موفقیت سوق می‌دهد. آگاهی از دنیای نوجوانان: والدین باید با تغییرات فرهنگی و اجتماعی آشنا باشند و دنیای فرزندشان را بشناسند. دوران نوجوانی مرحله‌ای پرچالش برای والدین و فرزندان است. درک تغییرات روانی و اجتماعی نوجوانان، ایجاد محیطی حمایتی و داشتن ارتباطی باز و مؤثر می‌تواند به والدین کمک کند تا این دوره را به خوبی مدیریت کنند. با بهره‌گیری از روش‌های صحیح تربیتی، می‌توان نوجوانان را برای مواجهه با چالش‌های زندگی آماده کرد و آن‌ها را به سمت رشد و موفقیت هدایت نمود.

درتازه‌ترین مورد محققان اعلام کرده‌اند که یک ژن جدید که به عنوان «ژن زبان» انسان شناخته می‌شود، می‌تواند صدای موش‌ها را زمانی که در DNA آن‌ها قرار می‌گیرد، تغییر دهد. این ژن منحصر بفرد NOVA1 نام دارد. در حالی که تقریباً همه پستانداران دیگر دارای نوع یکسانی از این ژن در کد ژنتیکی خود هستند، در نسخه انسانی این ژن، یک تغییر کوچک در یک اسید آمینه مشاهده می‌شود. محققان در دانشگاه راکفلر و آزمایشگاه کولد اسپرینگ هاربر در نیویورک اعلام کرده‌اند که این تغییر ظریف ممکن است نقش مهمی در منشأ زبان گفتاری و گسترش و بقای انسان‌های هوشمند ایفا کرده باشد. حتی نئاندرتال‌ها و دنیسوواها نیز این نوع ژن را نداشتند، که نشان می‌دهد این تغییر در چند صد هزار سال گذشته تکامل یافته است. ژن‌های دیگری که به عنوان «ژن‌های زبان» پیشنهاد شده‌اند، مانند FOXP2که باعث تغییر صدای جیرجیر موش‌ها می‌شوند، در DNA نئاندرتال‌ها نیز یافت می‌شوند. بنابراین، اگرچه این ژن‌ها احتمالاً در منشأ زبان انسان نقش داشته‌اند، ممکن است مسوول موفقیت‌های تکاملی اخیر ما نباشند. در ادامه آمده است، هنوز مشخص نیست که توانایی‌های زبانی خویشاوندان منقرض شده انسان‌ها چه بوده است، اما این تغییر اخیر در ژنوم انسان بسیار موفقیت‌آمیز ظاهر شده است. در بیش از ۶۵۰,۰۰۰ توالی DNA انسان، محققان تنها شش نفر را یافتند که نوع مدرن ژن NOVA1 را نداشتند. در مورد منشأ زبان پیچیده انسان، NOVA1 «تازه‌وارد» محسوب می‌شود. ژنتیک‌دان ولفگانگ انارد که روی ژن FOXP2 کار کرده است، گفت: این ژن بخشی از یک تغییر تکاملی گسترده در انسان‌های مدرن اولیه است و به منشأ باستانی زبان گفتاری اشاره دارد. رابرت دارنل، نورواونکولوژیست از دانشگاه راکفلر که از اوایل دهه ۱۹۹۰ روی این ژن و ارتباط آن با بیماری‌ها و عملکردهای ذهنی مطالعه کرده است، می‌گوید: NOVA1 ممکن است یک ژن واقعی زبان انسان باشد؛ البته قطعاً تنها یکی از تغییرات ژنتیکی خاص انسان است. وقتی دارنل و تیمش به طور مصنوعی نوع انسانی NOVA1 را در موش‌ها ایجاد کردند، متوجه شدند که جیرجیر موش‌ها تغییر کرده است. موش‌های بالغ و بچه‌ها هنوز به همان میزان صدا تولید می‌کردند، اما الگوهای صوتی آن‌ها تغییر کرده بود. در مقایسه با موش‌های معمولی، بچه‌موش‌های اصلاح‌شده ژنتیکی جیرجیرهای فراصوتی با فرکانس بالاتری تولید می‌کردند. صدای آن‌ها توجه مادرشان را بیشتر از صدای بچه‌موش‌های معمولی جلب نمی‌کرد، اما این صداها ممکن است نشان‌دهنده تلاش بیشتر برای تعامل اجتماعی باشد؛ هرچند ناموفق. موش‌های نر بالغ نیز در طول جفت‌یابی از صداهای با فرکانس بالاتر برای دلایل مشابه استفاده می‌کنند. وقتی موش‌های نر بالغ با نوع انسانی NOVA1 اصلاح ژنتیکی شدند، جیرجیر آن‌ها در طول جفت‌یابی مانند بچه‌موش‌ها زیرتر نشد، بلکه صداهای آن‌ها شامل هجاهای پیچیده‌تری شد. دارنل توضیح می‌دهد: آن‌ها با موش‌های ماده ‘به طور متفاوتی صحبت کردند’. می‌توان تصور کرد که چنین تغییراتی در صدا می‌تواند تأثیر عمیقی بر تکامل داشته باشد. اینکه چرا موش‌ها با نوع انسانی NOVA1 صدای متفاوتی می‌دهند، معمایی است که دارنل و همکارانش مشتاق حل آن هستند. تیم آنها مشکوک است که نوع انسانی این ژن باعث تغییرات مولکولی در برخی قسمت‌های مغز در حال رشد جوندگان می‌شود – چه در مسیرهای صوتی مغز میانی و ساقه مغز و چه در مناطق تکامل‌یافته‌تر در قشر مغز که کنترل زیر و بمی و فرکانس صدا را بر عهده دارند. ژن NOVA1 به عنوان یک «تنظیم‌کننده اصلی ژن» شناخته می‌شود زیرا در طول رشد بیش از ۹۰ درصد از ژن‌های دیگر انسان را تحت تأثیر قرار می‌دهد. این ژن پروتئینی به نام Nova-1 را رمزگذاری می‌کند که می‌تواند بخش‌هایی از RNA پیام‌رسان را هنگام اتصال به نورون‌ها برش داده و بازآرایی کند. این کار نحوه سنتز پروتئین‌ها توسط سلول‌های مغز را تغییر می‌دهد و احتمالاً تنوع مولکولی در سیستم عصبی مرکزی ایجاد می‌کند. وقتی دارنل و تیمش موش‌ها را با نوع انسانی NOVA1 «انسان‌گونه» کردند، تغییرات مولکولی در برش RNA در سلول‌های مغزی، به ویژه در مناطق مرتبط با رفتارهای صوتی، مشاهده کردند. دارنل می‌گوید: فکر کردیم، وای! این را انتظار نداشتیم. این یکی از آن لحظات واقعاً شگفت‌انگیز در علم بود. برای دارنل، درک NOVA1 یک تلاش مادام‌العمر بوده است. تصور می‌شود که این ژن به تنظیم یادگیری در انسان کمک می‌کند و جهش‌های آن می‌تواند باعث اختلالات شدید روانی و ناهنجاری‌هایی در رشد حرکتی شود. نقش آن در رشد گفتار تازه در حال ظهور است، و اگرچه بسیاری از فرضیات هنوز باقی مانده است، اما احتمالات بسیار عمیق هستند.

رقابت در صنعت هوش مصنوعی همچنان سخت است و شرکت اُپن‌ای‌آی ثابت کرده است که هیچ چالشی را ساده نمی‌گیرد. این برند مولد هوش مصنوعی اعلام کرد که از ماه فوریه تا اکنون به ۴۰۰ میلیون کاربر فعال هفتگی خدمات ارائه داده است که نشان دهنده افزایش ۳۳ درصدی در کمتر از سه ماه است. برد لایت‌کپ، مدیر عملیات  شرکت اُپن‌ای‌آی، آخرین آمار کاربران را اعلام کرده است. این ارقام پیش از این گزارش نشده بود. این اعداد به سرعت از آمار قبلی که ۳۰۰ میلیون کاربر هفتگی در ماه دسامبر بود، پیشی گرفته است. به نقل از دیجیتال‌ترندز، این شرکت هوش مصنوعی شاهد رقیب غیرمنتظره‌ای نیز بوده است که توسط یک استارت‌آپ چینی عرضه شد. هوش مصنوعی دیپ‌سیک (DeepSeek) خدمات هوش مصنوعی را با قدرتی قابل مقایسه با چت جی‌پی‌تی توسط مدل‌های منبع باز ارائه می‌کند. با این حال، لایت‌کپ می‌گوید که رشد محصول شاخص این شرکت، یک پیشرفت طبیعی بوده است زیرا این هوش مصنوعی در حال کسب قابلیت‌های بیشتری است و افراد بیشتری نیز با این سرویس آشنا می‌شوند. پیش از معرفی  دیپ‌سیک، اُپن‌ای‌آی رقابت شدیدی با سایر برندهای برجسته مانند گوگل و مدل زبانی جمینای (Gemini) آن داشت. لایت‌کپ می‌گوید که این شرکت از ماه سپتامبر سال ۲۰۲۴ تجارت سازمانی خود را دو برابر کرده و به دو میلیون مشتری رسانده است. او افرود: ما مزایای زیادی از پذیرش مصرف‌کنندگان به صورت طبیعی کسب می‌کنیم. مصرف‌کنندگانی که از قبل در مورد محصول ما اطلاعات دارند. این یک رشد واقعا سالم در یک منحنی متفاوت است. علاوه بر این، استفاده از چت‌جی‌پی‌تی توسط توسعه‌دهندگان نیز در شش ماه اخیر دو برابر شده است. توسعه دهندگان به طور مستقل از کدها و مدل‌های موجود، برای ایجاد محصولات و خدمات خود استفاده می‌کنند. علیرغم تغییراتی که دیپ‌سیک در صنعت ایجاد کرده است، لایت‌کپ به طور مثبت در مورد آن صحبت کرد. این شرکت چینی به طور قابل توجهی بر ارزش سهام چندین شرکت تأثیر گذاشته است. علاوه بر این، جزئیات نشان می‌دهد که دیپ‌سیک از روشی غیرقانونی به نام تقطیر برای استخراج داده‌ها از اُپن‌ای‌آی برای آموزش مدل‌های خود استفاده کرده است. ارقام دیگر نشان می‌دهند که اُپن‌ای‌ای در میان هیاهوی رسانه‌ای پیرامون دیپ‌سیک، شکست نخورده است. آمار اواخر ژانویه نشان داد که بیشترین بازدید روزانه دیپ‌سیک، ۴۹ میلیون بوده است، در حالی که چت جی‌پی‌تی با ۱۳۹.۳ میلیون بازدید روزانه در همان بازه زمانی، ابزار پیشرو در حوزه هوش مصنوعی باقی مانده است. این شرکت  اُپن‌ای‌آی نیز در ابتدا عرضه چت جی‌پی‌تی را به عنوان یک پروژه تحقیقاتی منبع باز آغاز کرد، اما به مرور زمان این هوش مصنوعی اختصاصی‌تر شد. سم آلتمن، مدیرعامل اُپن‌ای‌آی به همراه سایر مدیران این شرکت، بیان کرده‌اند که این شرکت برنامه‌هایی برای ساخت مدل‌های قدیمی‌تر هوش مصنوعی منبع باز در آینده دارد.