محققان رشته جانورشناسی از «هوش مصنوعی» برای تسریع روند تحقیقات خود در زمینه‌ ارتباطات حیوانی استفاده می‌کنند. دانشمندان با رمزگشایی از سامانه‌های پیچیده‌ ارتباطی حیوانات، به درک این که موجودات چه می‌گویند و شاید حتی چگونه پاسخ دهند، نزدیک‌تر می‌شوند. در حالی که دانشمندان تلاش می‌کنند شکاف زبانی بین انسان‌ها و حیوانات را پُر کنند، برخی از کارشناسان نگرانی‌های موجهی را در مورد این که آیا چنین توانایی‌هایی مناسب هستند یا حتی آیا باید اصلاً سعی کنیم با حیوانات ارتباط برقرار کنیم را مطرح می‌کنند. در خط مقدم این تلاش‌ها، پروژه «CETI» که از فناوری یادگیری ماشین برای تجزیه و تحلیل بیش از 8000 «کُدا»(coda) از نهنگ‌های عنبر استفاده کرده است، قرار دارد. نهنگ‌های عنبر پستانداران بسیار اجتماعی هستند که با استفاده از دنباله‌ای از صداها(کلیک‌ها) به نام «کدا» با یکدیگر ارتباط برقرار می‌کنند. دانشمندان ساختارهای زمینه‌ای و ترکیبی را در صداهای این نهنگ‌ها کشف کردند. این الگوها به تیم کمک کرد تا نوعی الفبای آوایی برای این حیوانات ایجاد کند. این الفبا یک سامانه رسا و ساختاریافته نیست، اما سطحی از پیچیدگی را نشان می‌دهد که محققان قبلاً از آن آگاه نبودند. پروژه «CETI» همچنین در حال کار بر روی دستورالعمل‌های اخلاقی برای این فناوری است. یکی از این دستورالعمل‌ها، خطرات استفاده از «هوش مصنوعی» برای صحبت کردن با حیوانات است. گوگل و پروژه «دلفین‌های وحشی» به تازگی مدل زبانی «DolphinGemma» را معرفی کرده‌اند. این «مدل زبانی بزرگ»(LLM) روی 40 سال صداهای ضبط شده دلفین‌ها آموزش داده شده است که داده‌های صوتی دلفین را دریافت می‌کند و پیش‌بینی می‌کند که چه صدایی در مرحله‌ بعد درخواهد آورد. این «هوش مصنوعی» حتی می‌تواند صدایی شبیه به دلفین تولید کند. محققان از این «هوش مصنوعی» در نمونه‌ اولیه‌ سامانه دوطرفه‌ای موسوم به «CHAT» در یک تلفن هوشمند استفاده کردند که منجر به ترجمه مکالمات دلفین‌ها شد. این امر موجب پایه‌گذاری گفتگوی بین گونه‌ها در آینده خواهد بود. «دنیس هرزینگ»(Denise Herzing) بنیان‌گذار و سرپرست پروژه «دلفین‌های وحشی» و توسعه دهنده «DolphinGemma» گفت: «DolphinGemma» برای بهبود تشخیص صدای بی‌درنگ در سامانه «CHAT» استفاده می‌شود. در پاییز امسال، ما زمان خود را صرف جذب صداهای شناخته شده دلفین خواهیم کرد و اجازه می‌دهیم «Gemma» الگوهای تکرارپذیری را که پیدا می‌کند، به ما نشان دهد. وی افزود: به این ترتیب، کاربردهای «هوش مصنوعی» دوگانه است. محققان می‌توانند از آن، هم برای بررسی صداهای طبیعی دلفین‌ها و هم برای درک بهتر پاسخ‌های حیوانات به تقلید انسانی استفاده کنند. گسترش جعبه ابزار هوش مصنوعی حیوانات پژوهشگران در خارج از اقیانوس دریافتند که مدل‌های گفتار انسانی را می‌توان برای رمزگشایی از سیگنال‌های حیوانات مستقر در خشکی نیز تغییر کاربری داد. یک تیم به سرپرستی محققان «دانشگاه میشیگان»(Michigan) از یک مدل تشخیص گفتار آموزش داده شده بر روی صداهای انسانی برای شناسایی احساسات، جنسیت، نژاد و حتی هویت فردی سگ‌ها بر اساس پارس‌هایشان استفاده کرد. مدل انسانی از پیش آموزش‌دیده، عملکرد بهتری نسبت به نسخه‌ای که فقط بر روی داده‌های سگ آموزش داده شده بود، داشت. این موضوع نشان می‌دهد معماری مدل زبان انسانی می‌تواند به طور شگفت‌انگیزی در رمزگشایی از ارتباطات حیوانی مؤثر باشد. دانشمندان باید سطوح مختلف پیچیدگی را که این مدل‌های «هوش مصنوعی» هدف قرار می‌دهند، در نظر بگیرند. این پیچیدگی‌ها می‌تواند شامل تعیین اینکه آیا پارس سگ پرخاشگرانه است یا بازیگوشانه، یا اینکه نر است یا ماده شود. انجام هر مطالعه، دانشمندان را یک گام به درک این که چگونه ابزارهای «هوش مصنوعی» می‌توانند به بهترین شکل در چنین زمینه‌ گسترده‌ای به کار گرفته شوند، نزدیک‌تر می‌کند. این مطالعه به «هوش مصنوعی» این فرصت را می‌دهد تا خود را برای تبدیل شدن به بخشی مفیدتر از جعبه ابزار محققان آموزش دهد. زبان حیوانات در آستانه ترجمه پژوهش‌های جدید نشان می‌دهد که حیوانات در برقراری ارتباط، پیچیده‌تر از آن چیزی هستند که تصور می‌کنیم. مطالعه‌ای در سال ۲۰۲۲ در «دانشگاه نانتر»(Nanterre ) پاریس نشان داد که گربه‌ها نشانه‌های واضحی از تشخیص صدای صاحب خود دارند و به لحن زبان گربه‌ای پاسخ می‌دهند. این یعنی گربه‌ها نه تنها به حرف‌های ما توجه می‌کنند، بلکه به لحن ما نیز اهمیت می‌دهند، به خصوص اگر این لحن از طرف کسی باشد که می‌شناسند. محققان همچنین دریافتند که نوعی ماهی مرکب مجموعه‌ای از چهار ژست فیزیکی دارد که برای ارتباط با یکدیگر و پاسخ به پخش امواج مصنوعی توسط انسان‌ها استفاده می‌کند. این گروه قصد دارد از یک الگوریتم برای دسته‌بندی انواع این امواج، ردیابی خودکار حرکات این موجودات و درک سریع‌تر شرایطی که حیوانات در آن احساسات خود را بروز می‌دهند، استفاده کند. مترجم جهانی برای حیوانات  این مطالعات، نشان‌دهنده تغییر اساسی در رویکرد دانشمندان به ارتباطات حیوانی است. تیم‌های تحقیقاتی ابزارها و مدل‌هایی را طراحی می‌کنند که برای انسان‌ها آشنا هستند و پیشرفت‌هایی را حاصل می‌کنند. هدف نهایی می‌تواند نوعی مترجم دنیای حیوانات باشد که با «هوش مصنوعی» کار می‌کند. «سارا کین»(Sara Keen) متخصص بوم‌شناسی رفتاری و مهندس برق در پروژه «گونه‌های زمینی»(Earth Species) می‌گوید: ما در پنج سال گذشته در تجزیه و تحلیل زبان انسانی واقعاً خوب عمل کرده‌ایم و در حال تکمیل این روش هستیم که داده‌های جدید را به مدل‌های آموزش‌دیده منتقل و اعمال کنیم. پروژه گونه‌های زمینی قصد دارد مدل صوتی-زبانی اصلی خود را برای صداهای حیوانات در سال جاری عرضه کند. این مدل با دریافت داده‌هایی از صداهای محیطی و حتی تشخیص موسیقی، قصد دارد به مبدلی برای گفتار انسان به آنالوگ‌های حیوانی تبدیل شود. این پروژه اعلام می‌کند که این مدل، از فرضیه دانشمندان مبنی بر اینکه بازنمایی‌های مشترک در «هوش مصنوعی» می‌تواند به رمزگشایی زبان‌های حیوانی کمک کند، پشتیبانی می‌کند. «کین» افزود: بخش بزرگی از کار ما تلاش برای تغییر طرز تفکر مردم در مورد جایگاه خود در جهان است. ما در حال کشف حقایق جالبی در مورد ارتباطات حیوانی هستیم، اما در نهایت متوجه می‌شویم که گونه‌های دیگر نیز به اندازه ما پیچیده و ظریف هستن و این کشف بسیار هیجان‌انگیز است. معضل اخلاقی پژوهشگران عموماً در مورد وعده‌های ابزارهای مبتنی بر «هوش مصنوعی» برای بهبود جمع‌آوری و تفسیر داده‌های ارتباطات حیوانی توافق دارند، اما برخی احساس می‌کنند که در درک عمومی از نحوه کاربرد این ابزارها، نوعی شکاف میان این آشنایی علمی و درک عمومی وجود دارد. «کریستین روتز»(Christian Rutz) کارشناس رفتار و شناخت حیوانات و سرپرست انجمن بین‌المللی «بیو-لاگینگ»(Bio-Logging) می‌گوید: به نظر من، در حال حاضر سوءتفاهم زیادی در این موضوع وجود دارد. یکی اینکه به نوعی یادگیری ماشینی می‌تواند این دانش زمینه‌ای را از هیچ خلق کند و اینکه هزاران صدای ضبط شده داشته باشید و یک ماشین یادگیری به طور جادویی می‌تواند معنا را از آن استخراج کند. این اتفاق نخواهد افتاد. وی می‌افزاید: معنا از طریق حاشیه‌نویسی زمینه‌ای به دست می‌آید و به همین دلیل است که فکر می‌کنم در این دوره هیجان و اشتیاق، فراموش نکردن این نکته بسیار مهم است که این حاشیه‌نویسی از تخصص بوم‌شناسی رفتاری و تاریخ طبیعی پایه به دست می‌آید. کارشناسان استانداردهای اخلاقی و محافظ‌هایی را برای استفاده از این فناوری‌ها ارائه کرده‌اند که رفاه حیوانات را در اولویت قرار می‌دهد. با پیشرفت «هوش مصنوعی»، گفتگوها درباره حقوق حیوانات نیز باید متحول شود. در آینده، حیوانات می‌توانند به بازیگران فعال‌تری در این مباحث تبدیل شوند. این ایده‌ای است که کارشناسان حقوقی در حال حاضر به عنوان یک تمرین فکری بررسی می‌کنند، اما روزی می‌تواند به واقعیت بپیوندد. «روتز» می‌گوید: آنچه ما به شدت به آن نیاز داریم، ایجاد همکاری‌های معنادار بین متخصصان یادگیری «هوش مصنوعی» و محققان رفتار حیوانات است، زیرا تنها با همکاری این دو گروه است که شانسی برای موفقیت وجود دارد. صداهای زیر و بم  مختلفی برای ترجمه توسط مدل‌های «هوش مصنوعی» وجود دارد، اما چگونگی استفاده از اطلاعات به دست آمده از این رویکردهای جدید، نیازمند بررسی دقیق ملاحظات اخلاقی صحبت با حیوانات است. یک مقاله جدید شش حوزه اصلی مشکل‌ساز در ارتباط با «هوش مصنوعی» با حیوانات را برشمرد. این موارد شامل حقوق حریم خصوصی، آسیب‌های فرهنگی و عاطفی به حیوانات، انسان‌انگاری، اتکای بیش از حد به فناوری برای حل مشکلات، تعصب جنسیتی و اثربخشی محدود در حفاظت واقعی از حیوانات است. به نظر می‌رسد که ما در آستانه یادگیری بیشتر در مورد نحوه تعامل حیوانات با یکدیگر هستیم. پرده‌برداری از نحوه ارتباطات آنها می‌تواند بینشی در مورد نحوه یادگیری، اجتماعی شدن و عملکرد آنها در محیط‌شان نیز ارائه دهد، اما هنوز چالش‌های مهمی برای غلبه از جمله اینکه از خود بپرسیم چگونه از فناوری‌های قدرتمندی که در حال توسعه هستند، استفاده کنیم، وجود دارد.

با افزایش نگرانی‌ها در مورد تأثیر هوش مصنوعی بر اشتغال، ابزارهای جدید از این فناوری برای هدایت کارگران به سمت فرصت‌های شغلی جدید استفاده می‌کنند. گاهی اوقات، باید در حرفه خود تغییراتی ایجاد کنید. شاید شغلی که دارید دیگر به اندازه قبل رضایت‌بخش نباشد. شاید تغییر شرایط، شما را به سمت مسیر جدیدی سوق دهد. در هر صورت، فهمیدن اینکه قدم بعدی چیست می‌تواند یک چالش باشد. به نقل از اف‌سی، هوش مصنوعی به طور فزاینده‌ای به افراد کمک می‌کند تا مراحل بعدی مسیر حرفه‌ای خود را بررسی کنند. چت‌بات‌هایی مانند چت جی‌پی‌تی می‌توانند راهنمایی‌هایی ارائه دهند، به شرطی که بدانید چگونه سؤالات خود را بیان کنید. اما چندین شرکت ابزارهای تخصصی‌ای را توسعه داده‌اند که به طور خاص بر این موضوع تمرکز دارند. گوگل با کریر دریمر (Career Dreamer) خود در این زمینه پیشرو است. این ابزار که به عنوان روشی سرگرم‌کننده برای کشف فرصت‌های شغلی با هوش مصنوعی توصیف می‌شود، ابزاری است که هر کسی می‌تواند از آن استفاده کند. برای شروع کار با Career Dreamer، شما هویت شغلی را اعلام خواهید کرد که مهارت‌ها و تجربیات شما را مشخص می‌کند. پس از به اشتراک گذاشتن شغل فعلی‌تان، هوش مصنوعی سؤالات تکمیلی در مورد جایگاه شغلی مربوطه می‌پرسد. همچنین می‌توانید جزئیاتی در مورد پیشینه تحصیلی خود و هرگونه شغل، صنعت یا زمینه‌ای که به آن علاقه دارید، اضافه کنید. Career Dreamer سپس بر اساس اطلاعات ورودی شما، مسیرهای شغلی بالقوه را پیشنهاد می‌دهد. با نگه داشتن ماوس روی هر فیلد پیشنهادی، اطلاعاتی در مورد نوع مدرک مورد نیاز، تجربه‌ای که به آن نیاز دارید، شرح شغل و میانگین حقوق ارائه می‌شود. اگر موردی پیدا کنید که جذاب به نظر می‌رسد، می‌توانید روی آن کلیک کنید تا به لیستی از فرصت‌های شغلی محلی برسید یا برای ایجاد رزومه یا نامه درخواست، به ابزار هوش مصنوعی جمینای (Gemini) بروید. در همین حال، لینکدین، Next Role Explorer را به کاربران ارائه می‌دهد. این ابزار فرصت‌های بالقوه را در شرکت‌ها نشان می‌دهد، مهارت‌هایی را که کارمندان باید توسعه دهند پیشنهاد می‌دهد و نشان می‌دهد که در هر جایگاه شغلی چند جای خالی وجود دارد. همچنین درصد افرادی را که با موفقیت از جایگاه شغلی فعلی کارمند به جایگاه شغلی جدید منتقل شده‌اند، نشان می‌دهد. هوش مصنوعی، برای آن سرویس، به عنوان یک مربی شغلی عمل می‌کند و دوره‌ها و مسیرهای شغلی پیشنهادی را ارائه می‌دهد. همچنین به کارمندان کمک می‌کند تا در مسیر کسب مهارت‌های مورد نیاز برای یک جایگاه شغلی جدید، در مسیر درست باقی بمانند. با توجه به نگرانی‌های مداوم مبنی بر اینکه هوش مصنوعی مشاغل افراد را خواهد گرفت، موقعیت‌های شغلی آزاد در حال حاضر شاهد کاهش ۲۱ درصدی تقاضا بوده‌اند و این تا حدودی اطمینان‌بخش است که شاهد این باشیم که می‌توان از هوش مصنوعی برای کمک به افراد در یافتن شغل نیز استفاده کرد.

مطالعه‌ای جدید نشان می‌دهد که «هوش مصنوعی» می‌تواند به اندازه انسان‌ها بیش از حد مطمئن و جانبدارانه تصمیم بگیرد و تعصب و سوگیری داشته باشد. گرایش‌های غیرمنطقی معمولاً در سامانه‌های «هوش مصنوعی» ظاهر می‌شوند و مفید بودن آنها را زیر سوال می‌برند. اگرچه انسان‌ و «هوش مصنوعی» بسیار متفاوت فکر می‌کنند، تحقیقات جدید نشان داده است که «هوش مصنوعی» گاهی اوقات به اندازه انسان غیر منطقی تصمیم می‌گیرد. ال‌اس گزارش داده است که در نیمی از سناریوهای بررسی شده در یک مطالعه جدید، «چت‌جی‌پی‌تی»(ChatGPT) بسیاری از رایج‌ترین «سوگیری‌های»(biases) تصمیم‌گیری انسانی را از خود نشان داد. این نتایج، اولین یافته‌های مرتبط با رفتار «سوگیری شناختی»(cognitive biases) شناخته شده در روانشناسی انسان در «چت‌جی‌پی‌تی» است. نویسندگان این مقاله، از پنج موسسه دانشگاهی در سراسر کانادا و استرالیا، روی دو «مدل زبان بزرگ»(LLM) که «چت‌جی‌پی‌تی» را پشتیبانی می‌کنند، آزمایش کردند. آنها کشف کردند که «هوش مصنوعی» برخلاف سازگاری زیاد در استدلال خود در برابر نقص‌های انسانی مصون نیست. به گفته محققان، اینچنین سازگاری، هم اثرات مثبت و هم اثرات منفی دارد. «یانگ چن»(Yang Chen) نویسنده ارشد این مطالعه و استادیار مدیریت عملیات در «دانشکده بازرگانی ایوی»(Ivey) گفت: مدیران در استفاده از این ابزارها برای حل مشکلاتی با راه‌حل واضح و فرمولی مشخص، بیشترین منفعت را خواهند داشت، اما اگر کاربران از آنها برای تصمیمات ذهنی یا ترجیحی استفاده می‌کنند، بهتر است با احتیاط عمل کنند. این مطالعه «سوگیری‌های انسانی» شناخته شده از جمله «خطرگریزی»(risk aversion)، داشتن اعتماد به نفس بیش از حد و «اثر برخورداری»(endowment effect) را درنظر گرفت و آنها را در دستورالعمل‌های داده شده به «چت‌جی‌پی‌تی» اعمال کرد تا ببیند آیا در همان تله‌هایی که انسان‌ها گرفتار می‌شوند، قرار می‌گیرد یا خیر. «خطرگریزی» به معنای ترجیح پذیرش خطر کم‌تر و جلوگیری از خطر غیر ضروری است. «اثر برخورداری» نیز نوعی سوگیری عاطفی است که باعث می‌شود افراد چیزی را که دارند بسیار با ارزش‌تر از ارزش واقعی آن تصور کنند. تصمیم‌گیری‌های منطقی تنها در برخی موارد دانشمندان از «مدل‌های زبان بزرگ» سوالات فرضی برگرفته از روانشناسی سنتی و در زمینه تجارت در دنیای واقعی مانند مدیریت موجودی یا مذاکرات تأمین‌کنندگان پرسیدند. هدف آنها این بود متوجه شوند که آیا «هوش مصنوعی» «سوگیری‌های انسانی» را تقلید می‌کند یا خیر. آنها همچنین قصد داشتند که متوجه شوند آیا این مدل‌ها هنگام پرسیدن سوالات از حوزه‌های مختلف تجاری هم این کار را انجام می‌دهند یا خیر. یکی از «مدل‌های زبانی بزرگ» موسوم به «GPT-۴» در پاسخ به مسائلی با راه‌حل‌های ریاضی واضح، عملکرد بهتری نسبت به مدل دیگر با نام «GPT-۳.۵» داشت و اشتباهات کمتری در سناریوهای احتمال و منطق‌محور نشان داد، اما در شبیه‌سازی‌های ذهنی مانند انتخاب یک گزینه پرخطر برای دستیابی به سود، این چت‌بات اغلب ترجیحات غیرمنطقی را که انسان‌ها تمایل به نشان دادن آن دارند، انتخاب می‌کرد. محققان گفتند: «GPT-۴» حتی از انسان‌ها نیز تمایل قوی‌تری برای قطعیت نشان می‌دهد. این موضوع تمایل «هوش مصنوعی» به نتایج ایمن‌تر و قابل پیش‌بینی‌تر هنگام انجام وظایف مبهم اشاره دارد. مهمتر از همه، رفتارهای چت‌بات‌ها در واکنش به سوالات در مسائل روانشناختی انتزاعی و فرآیندهای تجاری عملیاتی، عمدتاً پایدار باقی ماند. این مطالعه نتیجه گرفت که «سوگیری‌های» نشان داده شده تنها محصول مثال‌های حفظ شده نیستند و  بخشی از نحوه استدلال «هوش مصنوعی» هستند. یکی از نتایج شگفت‌انگیز این مطالعه، تقویت خطاهای انسانی توسط «GPT-۴» است. دانشمندان گفتند: در «سوگیری تأییدی»(confirmation bias)، مدل «GPT-۴» همیشه پاسخ‌های سوگیرانه می‌داد. همچنین این مدل تمایل بیشتری به «مغالطه‌ دست داغ»(hot-hand) نسبت به «GPT ۳.۵» نشان داد. «مغالطه‌ دست داغ» یکی از «سوگیری‌های شناختی» است که به این باور غیرمنطقی اشاره دارد که وقتی ما در یک بازی وابسته به شانس، چند دست پشت سر هم می‌بریم یا می‌بازیم، به اصطلاح داغ یا سرد می‌شویم و تصور می‌کنیم که این برد یا باخت پیاپی قرار است همچنان ادامه پیدا کند. در حالی که همچنان بر اساس علم احتمالات، هیچ چیزی تغییر نکرده و شانس برد ما درست مانند دفعات قبل است. بر خلاف مدل‌ها، «چت‌جی‌پی‌تی» موفق شد از برخی از «سوگیری‌های» رایج انسانی از جمله «غفلت از نرخ پایه»(base-rate neglect) و «مغالطه‌ هزینه غرق‌شده»(Sunk Cost Fallacy) اجتناب کند. «غفلت از نرخ پایه» به معنای اعتماد و پذیرش موارد خاص و نادیده گرفتن آمار و اطلاعات موجود در هنگام استدلال کردن است. «مغالطه هزینه غرق‌شده» نیز زمانی رخ می‌دهد که شخص فقط به این دلیل به تصمیم خود پایبند است که پول قبلا خرج شده است و نمی‌خواهد احساس کند که آن را هدر داده است. به گفته پژوهشگران، «سوگیری‌های» شبه‌انسانی در «چت‌جی‌پی‌تی» از داده‌های آموزشی ناشی می‌شود که شامل «سوگیری‌های شناختی» و اکتشافی است که انسان‌ها از خود نشان می‌دهند. این گرایش‌ها در شرایط خاص، تقویت می‌شوند. این تقویت زمانی که انسان پاسخ‌های محتمل را به پاسخ‌های منطقی ترجیح می‌دهد، بیشتر می‌شود. وقتی «هوش مصنوعی» با وظایف مبهم‌تری روبرو می‌شود، بیشتر به سمت الگوهای استدلال انسانی تا منطق سامانه‌ای متمایل می‌شود. «چن» گفت: اگر یک تصمیم‌گیری دقیق و بی‌طرفانه می‌خواهید، از «چت‌جی‌پی‌تی» در حوزه‌هایی استفاده کنید که میزان اعتماد لازم در حد اعتماد به یک ماشین‌حساب باشد. با این حال، وقتی نتیجه بیشتر به ورودی‌های ذهنی یا استراتژیکی وابسته است، نظارت انسانی اهمیت بیشتری پیدا می‌کند. حتی اگر دستورالعمل‌های کاربر برای اصلاح «سوگیری‌های» شناخته شده باشد. «مینا آندیاپان»(Meena Andiappan) دانشیار منابع انسانی و مدیریت در «دانشگاه مک‌مستر»(McMaster) و نویسنده این مقاله می‌گوید: با «هوش مصنوعی» باید مانند کارمندی رفتار شود که تصمیمات مهمی می‌گیرد. این تصمیم‌گیری‌ها به نظارت و دستورالعمل‌های اخلاقی نیاز دارد. در غیر این صورت، ما به جای بهبود تفکر ناقص، آن را در معرض خطر خودکارسازی قرار می‌دهیم. این یافته‌ها که در مجله Manufacturing & Service Operations Management  منتشر شده است.

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.