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.

هوش مصنوعی جمینای گوگل اکنون می‌تواند از تماس‌های ویدیویی که در برنامه گوگل میت (Meet) انجام می‌شود، یادداشت ‌برداری کند. برنامه گوگل میت (Google Meet) یک ابزار هوش مصنوعی جدید به نام «یادداشت برداری برای من» دریافت می‌کند که خلاصه‌ای از نکات کلیدی را در طول یک تماس ویدیویی ایجاد می‌کند. این ویژگی به جای ارائه رونویسی کلمه به کلمه، از هوش مصنوعی جمینای (Gemini) برای ضبط نکات کلیدی مورد بحث در برنامه «گوگل داک» (Google Doc) استفاده می‌کند که در گوگل درایو (Google Drive) صاحب جلسه ظاهر می‌شود. این برگه یادداشت می‌تواند به طور خودکار برای شرکت کنندگان ارسال شود یا پس از تماس به بخش رویدادهای تقویم اضافه شود. همچنین در صورتی که ویژگی‌های مربوطه فعال شده باشند، پیوندهایی به ضبط و رونوشت جلسه نیز خواهد داشت. کاربران گوگل ورک‌اسپیس (Google Workspace) با افزونه‌های جمینای اینترپرایز (Gemini Enterprise)، جمینای اجوکیشن پریمیوم (Gemini Education Premium) و ای‌آی میتینگ اند مسیجینگ (AI Meetings & Messaging) اولین کسانی هستند که به این ویژگی یادداشت ‌برداری دسترسی خواهند داشت. ضمن اینکه استفاده از آن در حال حاضر به زبان انگلیسی و جلساتی که روی رایانه یا لپ‌تاپ برگزار می‌شود، محدود شده است. این شرکت فناوری سال گذشته اعلام کرد که قصد دارد «هوش مصنوعی مولد» را در خدمات بیشتری بگنجاند و از آن زمان تاکنون ویژگی‌های هوش مصنوعی را در سخت‌افزارها و نرم‌افزارهای خود قرار داده است. دستیار هوش مصنوعی جمینای در حال ورود به سیستم عامل اندروید و برنامه‌های وُرک‌اسپیس آن است. مثل همیشه، سودمندی این ویژگی‌ها ممکن است بسته به میزان عملکرد و دقت هوش مصنوعی متفاوت باشد و نمی‌توان آن را بدون خطا تصور کرد.

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.

یک باتری فیبر کربنی جدید می‌تواند خودروها و هواپیماها را ۵۰ درصد سبک‌تر کند. این ماده نوآورانه یک هدف دوگانه را دنبال می‌کند تا هم به عنوان یک جزء ساختاری و هم منبع انرژی عمل کند و نیاز به باتری‌های سنگین را از بین ببرد. یک استارت‌آپ به نام سینونوس که از دل دانشگاه فناوری چالمرز(CTU) بیرون آمده است، با هدف متحول کردن صنعت حمل و نقل با مواد فیبر کربن پیشگامانه خود که قادر به ذخیره انرژی الکتریکی هستند، تاسیس شده است. پژوهشگران می‌گویند، این نوآوری پتانسیل کاهش وزن خودروها و هواپیماها را تا ۵۰ درصد دارد. این ماده هم به عنوان یک جزء ساختاری و هم به عنوان یک باتری عمل می‌کند و نیاز به باتری‌های سنگین جداگانه را از بین می‌برد. تلاش‌های قبلی برای ساخت باتری‌های ساختاری منجر به سلول‌هایی با خواص مکانیکی خوب یا خواص الکتریکی خوب شده است. لیف آسپ استاد مکانیک مواد و محاسباتی در دانشگاه فناوری چالمرز می‌گوید: ما در اینجا با استفاده از فیبر کربن موفق به طراحی یک باتری ساختاری با ظرفیت ذخیره‌سازی انرژی و استحکام رقابتی شده‌ایم. این کار می‌تواند به توسعه وسایل نقلیه الکتریکی سبک‌تر و کارآمدتر با برد طولانی‌تر و هواپیماهای سبک‌تر با کاهش مصرف سوخت کمک کند. بهینه‌سازی وسایل نقلیه مارکوس زتراستورم مدیرعامل سینونوس اظهار داشت که آنها یک کامپوزیت ابتکاری فیبر کربنی را توسعه داده‌اند که به عنوان باتری نیز عمل می‌کند. وی افزود: با جایگزینی بخشی از مواد ساختاری در کاربردهای مختلف با کامپوزیت چند منظوره ما می‌توان ظرفیت ذخیره‌سازی الکتریکی را بدون افزودن وزن یا حجم افزایش داد. از طرف دیگر این نوآوری می‌تواند وزن و حجم سیستم را کاهش دهد و در عین حال ظرفیت باتری(یا ترکیبی از آن) را حفظ کند. در حالی که چگالی انرژی این ماده هنوز در حال توسعه است، زتراستروم می‌گوید که چگالی انرژی آن در حال حاضر بین ۲۵ تا ۵۰ درصد باتری‌های لیتیوم-یون معمولی است. به گفته آسپ در حالی که باتری‌های ساختاری ممکن است به همان سطح کارایی باتری‌های سنتی نرسند، قابلیت تحمل بار ساختاری آنها اجازه می‌دهد تا دستاوردهای قابل توجهی در سطح سیستم داشته باشند. وی افزود: نکته کلیدی این است که خودروها را بر اساس وزن، استحکام، سفتی و خواص الکتروشیمیایی بهینه کنیم. این چیزی شبیه به طرز تفکر جدیدی برای بخش خودرو است که بیشتر برای بهینه‌سازی اجزای جداگانه استفاده می‌شود. علاوه بر این، چگالی انرژی کمتر باتری‌های ساختاری، آنها را نسبت به باتری‌های استاندارد ایمن‌تر می‌کند، به ‌ویژه اینکه این باتری‌ها حاوی مواد فرار نیستند. سال‌ها پژوهش و پیشرفت‌های متعدد توسعه باتری‌های ساختاری در دانشگاه فناوری چالمرز نتیجه سال‌ها تحقیق و پژوهش از جمله اکتشافات قبلی در مورد انواع خاصی از فیبر کربن بوده است. در یک مطالعه nv دانشگاه فناوری چالمرز در سال ۲۰۱۸ پژوهشگران دریافتند که باتری‌های ساختاری مبتنی بر فیبر کربن می‌توانند وزن وسایل نقلیه و هواپیماها را به میزان قابل توجهی کاهش دهند. در سال ۲۰۲۱ آنها با اعلام ساخت باتری ساختاری با عملکرد ۱۰ برابر نسخه‌های قبلی به نقطه عطف قابل توجهی دست یافتند. این باتری از فیبر کربن به عنوان یک الکترود، رسانا و مواد باربر به طور همزمان استفاده می‌کرد و چگالی انرژی ۲۴ کیلوگرم بر وات‌ ساعت را نشان می‌داد که تقریباً ۲۰ درصد در مقایسه با باتری‌های لیتیوم-یون ظرفیت داشت. سینونوس قبلاً با جایگزینی باتری‌های AAA در دستگاه‌های کم‌مصرف، قابلیت این فناوری را با موفقیت نشان داده بود. این شرکت اکنون بر روی بهینه‌سازی این فناوری برای کاربردهای بزرگتر از جمله وسایل نقلیه الکتریکی و هواپیماها متمرکز است و به طور فعال با شرکای صنعتی برای تسریع در ادغام این ماده نوآورانه در طرح‌های خود همکاری می‌کند. ترکیبی از کاهش وزن، افزایش بهره‌وری انرژی و افزایش ایمنی، این فناوری را به یک تغییر دهنده بازی با پتانسیل تغییر شکل آینده حمل و نقل تبدیل می‌کند.

سایت علمی ساینمگ نوشته است که پژوهشگران «دانشگاه مریلند»(UMD) از فناوری‌های مبتنی بر هوش مصنوعی استفاده کرده‌اند تا راه‌هایی را برای حفظ سلامت مسافران جاده‌ها ارائه دهند. در مقاله علمی آمده است که بسیاری از مردم برای یافتن راه خود از پلتفرم «گوگل استریت ویو»(Google Street View) استفاده می‌کنند اما پژوهشگران دانشگاه مریلند از آن برای تعیین مکان‌هایی استفاده کرده‌اند که ممکن است سفر را به طور ناگهانی به پایان برسانند. دکتر کوین نگوین، متخصص همه‌گیرشناسی و آمار در دانشکده بهداشت عمومی دانشگاه مریلند، در این پژوهش از فناوری‌های مبتنی بر هوش مصنوعی برای شناسایی عناصر محیطی مهم و موثر بر تصادفات موتر، دوچرخه و عابران پیاده استفاده کرده است. دکتر نگوین که در کار خود از فناوری‌ها و منابع کلان داده برای رسیدگی به نابرابری‌های سلامتی استفاده می‌کند، گفت: تصادفات رانندگی، علت اصلی مرگ جوانان بین پنج تا ۲۹ سال هستند. بنابراین، بسیار مهم است که بدانیم چگونه محیط فیزیکی می‌تواند برخوردهای مرگبار را افزایش یا کاهش دهد و کدام جوامع بیشتر تحت تأثیر این موضوع قرار دارند. نگوین و همکارانش از پلتفرم هوش مصنوعی گوگل استریت ویو استفاده کردند که نماهای ۳۶۰ درجه را از خیابان‌های سراسر جهان ارائه می‌کند و آن را برای تعیین رابطه بین تصادفات موتر و مکان‌های رخ دادن تصادفات به کار بردند. آنها با استفاده از نقشه‌برداری مجازی، ویژگی‌های خاص جاده‌ها مانند چراغ‌های راهنما یا فضای سبز را در مقیاس سراسری بررسی کردند. نگوین گفت: از آنجا که ما می‌توانستیم حجم زیادی از داده‌های گوگل استریت ویو را از سراسر کشور استخراج کنیم، نتایج دقیقی را به دست آوردیم که نشان می‌دهند عناصر ساخت بر تصادفات موتر تأثیر می‌گذارند. واضح است که مکان‌های دارای فضای سبز، چراغ‌های راهنما، جاده‌های تک‌خطی و پیاده‌روهای بیشتر، با میزان کمتری از تصادفات رانندگی مرگبار همراه بودند. پیاده‌روها بیشترین تاثیر را در کاهش تصادفات داشتند. مکان‌هایی که پیاده‌روهای بیشتری دارند، ۷۰ درصد تصادفات رانندگی کمتری داشته‌اند و تصادفات در مکان‌های دارای جاده تک‌خطی که اغلب در مناطق روستایی یافت می‌شوند، ۵۰ درصد کمتر است. چراغ‌های راهنما و علائم ایست، ایمنی بیشتری را برای عابران پیاده و دوچرخه‌سواران فراهم می‌کنند و با تصادفات رانندگی کمتری در هر دو گروه مرتبط هستند. برعکس، مناطق دارای جاده‌سازی، تصادفات و اثرات نامطلوب بیشتری را به همراه دارند. شیائوهه یو، تحلیلگر داده در دانشکده بهداشت عمومی دانشگاه مریلند و از پژوهشگران این پروژه گفت: بسیاری از مسائل سلامت عمومی که جوامع با آنها روبرو می‌شوند، اغلب قابل حل هستند. فناوری‌های نوظهور و دسترسی به منابع داده گسترده، در یافتن راه‌حل‌هایی برای برخی از مشکلات سلامت عمومی که مردم را آزار می‌دهند، سودمند بوده‌اند. پژوهشگران امیدوارند که این یافته‌ها با ارائه گزینه‌های عملی اثبات‌شده به منظور بهبود ایمنی جاده‌ برای رانندگان، عابران پیاده و دوچرخه‌سواران، آگاهی تصمیم‌گیرندگان را درباره سیاست‌های حمل‌ونقل و زیرساخت‌ها افزایش دهد. هران مانه، تحلیلگر داده و از پژوهشگران این پروژه گفت: ما امیدواریم که پژوهش ما باعث شود تا برنامه‌ریزان شهری و توسعه‌دهندگان، محیط در حال ساخت را با دقت بیشتری زیر نظر بگیرند و خیابان‌ها و جوامع ایمن‌تری را طراحی کنند. از نظر نگوین، یک مسیر پژوهشی کاملا جدید در حال ظهور است. وی افزود: ما شاهد افزایش استفاده از علم داده و هوش مصنوعی برای پژوهش‌های بزرگ‌تر و کارآمدتر مانند این پژوهش هستیم. این پژوهش نشان می‌دهد که چگونه می‌توانیم از هوش مصنوعی برای بهبود سلامت عمومی استفاده کنیم. ما می‌دانیم که پژوهش‌های بیشتری در راه هستند. این پژوهش در مجله «Injury Prevention» به چاپ رسید.