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.

مدل هوش مصنوعی جدیدی که توسط پژوهشگران انگلیسی ابداع شده است، می‌تواند درک ما را درباره رشد جنین تغییر دهد. سایت علمی ساینمگ در گزارش تازه خود نوشته است که پژوهش جدید دانشگاه پلیموث نشان داده است که یک مدل جدید مبتنی بر هوش مصنوعی می‌تواند از ویدیو تشخیص دهد که در طول رشد جنین چه اتفاقی و در چه زمانی رخ می‌دهد. در ادامه آمده است که این پژوهش نشان می‌دهد که چگونه یک مدل یادگیری عمیق موسوم به «Dev-ResNet» می‌تواند وقوع رویدادهای کلیدی رشد از جمله عملکرد قلب، خزیدن و حتی مرگ را در حلزون‌های برکه‌ای شناسایی کند. نوآوری کلیدی در این پژوهش، یک مدل سه‌بعدی است که از تغییرات رخ‌داده بین فریم‌های ویدیو استفاده می‌کند و هوش مصنوعی را قادر می‌سازد تا از این ویژگی‌ها درس بگیرد. این روش برخلاف استفاده سنتی‌ از تصاویر ثابت است. استفاده از ویدیو به این معناست که  Dev-ResNet، ویژگی‌هایی را از اولین ضربان قلب یا خزیدن گرفته تا تشکیل پوسته یا تخم‌گذاری به طور قابل اعتماد شناسایی می‌کند و حساسیت‌ ویژگی‌های گوناگون را نسبت به دما نشان می‌دهد. اگرچه Dev-ResNet در جنین‌های حلزون برکه‌ای استفاده شده است اما پژوهشگران می‌گویند که این مدل می‌تواند کاربرد گسترده‌ای را در همه گونه‌ها داشته باشد. آن‌ها مستندات جامعی را برای اعمال Dev-ResNet در سیستم‌های متفاوت بیولوژیکی فراهم کرده‌اند. این روش را در آینده می‌توان برای کمک به تسریع درک چگونگی تأثیر تغییرات آب‌وهوایی و سایر عوامل بیرونی بر انسان و حیوانات استفاده کرد. زیاد ایبینی، دانشجوی مقطع دکتری دانشگاه پلیموث که Dev-ResNet را طراحی کرده و آموزش داده است، گفت: ترسیم رویدادهای رشد یا بررسی این که چه اتفاقی در زمان رشد اولیه یک حیوان رخ می‌دهد، بسیار چالش‌برانگیز اما در عین حال بسیار مهم است زیرا به ما کمک می‌کند تا تغییرات رخ‌داده را در زمان‌بندی رویداد بین گونه‌ها و محیط‌ها درک کنیم. مدل Dev-ResNet یک شبکه عصبی سه‌بعدی کوچک و کارآمد است که می‌تواند رویدادهای رشد را با استفاده از ویدئوها تشخیص دهد و به راحتی آموزش داده شود. تنها محدودیت‌های واقعی، در ایجاد داده‌ها برای آموزش دادن مدل یادگیری عمیق است. ما می‌دانیم که این مدل کار می‌کند. فقط باید داده‌های آموزشی مناسب را به آن ارائه دهید. وی افزود: ما می‌خواهیم جامعه علمی گسترده‌تری را به روش‌هایی مجهز کنیم که آن‌ها را قادر می‌سازند تا درک بهتری را از نحوه رشد یک گونه تحت تأثیر عوامل گوناگون داشته باشند. بدین ترتیب، می‌فهمیم که چگونه می‌توانیم از آنها محافظت کنیم. ما باور داریم که Dev-ResNet یک گام مهم در این مسیر است. دکتر اولی تیلز، پژوهشگر ارشد این پروژه گفت: این پژوهش در سطح فناوری اهمیت دارد اما برای پیشبرد نحوه درک ما از رشد ارگانیسم نیز مهم است. گروه اکوفیزیولوژی و توسعه دانشگاه پلیموث، بیش از ۲۰ سال در این حوزه سابقه پژوهش دارد. وی افزود: دستیابی به این نقطه عطف بدون کمک یادگیری عمیق امکان‌پذیر نبود. فکر کردن به اینکه این قابلیت جدید می‌تواند ما را برای بررسی حیوانات در پویاترین دوره زندگی آنها به کجا ببرد، هیجان‌انگیز است. این پژوهش در «Journal of Experimental Biology» به چاپ رسید.

سایت علمی ساینمگ نوشته است که پژوهشگران «مؤسسه علم و فناوری کره جنوبی» و «دانشگاه نورث‌وسترن»، فناوری جدیدی را برای تشخیص بیماری از عرق بدن ابداع کرده‌اند و قصد دارند در آینده آن را در دسترس همه مردم قرار دهند. در سایت آمده است که عرق بدن حاوی نشانگرهای زیستی است که می‌توانند بیماری‌های گوناگون را از دیابت گرفته تا اختلالات ژنتیکی نشان دهند. نمونه‌برداری از عرق برخلاف خون، به دلیل ماهیت بدون درد خود مورد علاقه کاربران است اما از آنجا که پیشتر برای به دست آوردن مواد یا هورمون‌های مورد نیاز از عرق، فعالیت بدنی شدید لازم بود، این روش چالش‌هایی را برای افراد با تحرک محدود ایجاد می‌کرد. دکتر کیم جوهی از «مرکز تحقیقات بیونیک» در «مؤسسه علم و فناوری کره جنوبی و پروفسور جان راجرز از دانشگاه نورث‌وسترن به طور مشترک یک دستگاه را برای نظارت راحت بر تعریق ابداع کرده‌اند که به فعالیت بدنی نیاز ندارد و تحریک دارو را از طریق پوست انجام می‌دهد. برخلاف روش‌های پیشین که در آن‌ها عرق کردن باید از طریق ورزش صورت می‌گرفت، این دستگاه داروهایی را ارائه می‌دهد که غدد عرق را از طریق پوست تحریک می‌کنند. این گروه پژوهشی یک دستگاه انعطاف‌پذیر ساخته‌اند که با اعمال جریان الکتریکی به هیدروژل حاوی دارو می‌تواند دارو را به غدد عرق برساند. این دستگاه که کوچک و نرم است، به راحتی به پوست متصل می‌شود. عرق ایجادشده در کانال‌های میکروسیال درون دستگاه جمع‌آوری می‌شود و با استفاده از حسگرهای زیستی مورد بررسی قرار می‌گیرد تا نشانگرهای زیستی آن خود را نشان بدهند. این کار امکان تحلیل نشانگرهای زیستی موجود در عرق را فراهم می‌آورد، نیاز مراجعه به بیمارستان را کمتر می‌کند و خطر آلودگی نشانگرهای زیستی را در طول آزمایش کاهش می‌دهد. در نتیجه، دقت افزایش می‌یابد. دستگاه این پژوهش به نوزادان مبتلا به فیبروز سیستیک متصل شد و غلظت کلرید را که یک نشانگر زیستی در عرق است، تایید کرد. داده‌های دستگاه با نتایج به‌دست‌آمده از روش‌های تحلیل سنتی بیمارستان‌ها سازگار بودند و دقت آن‌ها به بیش از ۹۸ درصد می‌رسید. علاوه بر این، پایداری دستگاه روی پوست، با تأیید دمای پوست و مقادیر پی‌اچ تضمین شد. از آنجا که فیبروز سیستیک عمدتا در دوران شیرخوارگی ظاهر می‌شود، نظارت مداوم بر پیشروی بیماری و وضعیت جسمانی ضروری است. با استفاده از این دستگاه می‌توان نظارت مداوم را به راحتی در خانه انجام داد تا استرس روحی و جسمی بیماران و مراقبان آنها کاهش یابد. این دستگاه جدید می‌تواند فناوری نظارت بر بیماری‌های غیر تهاجمی مبتنی بر عرق را در بزرگسالان سالم نیز امکان‌پذیر کند. علاوه بر این، فناوری انتقال دارو از طریق پوست می‌تواند نه تنها برای تحریک عرق کردن، بلکه برای افزایش میزان دارورسانی به صورت موضعی در شرایطی مانند بیماری یا زخم‌های پوستی و سرعت بخشیدن به روند بهبودی مورد استفاده قرار بگیرد. دکتر جوهی گفت: ما طی دو سال پژوهش مشترک با دانشگاه نورث‌وسترن، نه تنها به محدودیت روش‌های موجود برای القای عرق پرداخته‌ایم، بلکه در آزمایش‌های بالینی نیز به موفقیت دست یافته‌ایم و یک گام به تجاری‌سازی نزدیک‌تر شده‌ایم. پروفسور راجرز گفت: ما قصد داریم در آینده مطالعات بالینی و تجاری‌سازی را در مقیاس بزرگ انجام دهیم و آن را برای بزرگسالان نیز تنظیم کنیم. این پژوهش در مجله «Biosensors and Bioelectronics» به چاپ رسید.

روزنامه بین‌المللی گاردین گزارش داده است که دانشمندان می‌گویند توانایی تشخیص شوخ طبعی می‌تواند به هوش مصنوعی کمک کند تا به طور طبیعی‌تر با مردم تعامل داشته باشد. در گزارش آمده است که مهم نیست که هوش مصنوعی می‌تواند از پس آزمون وکالت و پزشکی و خواندن داستان‌ قبل از خواب با احساس بربیاید، زیرا این فناوری بدون تسلط بر هنر کنایه زدن هرگز با شگفتی ذهن انسان برابری نمی‌کند. در ادامه آمده است که به نظر می‌رسد که این هنر ممکن است در لیست قابلیت‌های هوش مصنوعی قرار گرفته باشد. محققان هلندی یک ردیاب کنایه مبتنی بر هوش مصنوعی ساخته‌اند. مت کولر، از آزمایشگاه فناوری گفتار دانشگاه خرونینخن می‌گوید: ما می‌توانیم طعنه را به روشی قابل اعتماد تشخیص دهیم و مشتاقیم آن را رشد دهیم. ما می‌خواهیم ببینیم تا کجا می‌توانیم آن را پیش ببریم. این پروژه چیزی فراتر از آموزش الگوریتم‌ها است زیرا گاهی واضح‌ترین نظرات را نمی‌توان با معنای واقعی کلمه در نظر گرفت و در عوض باید به‌ عنوان حرف مخالف تفسیر شوند. کولر می‌گوید که طعنه بیش از آنچه که ما ممکن است درک کنیم، در گفتمان ما نفوذ می‌کند، بنابراین درک آن برای آن که انسان‌ها و ماشین‌ها به طور یکپارچه با هم ارتباط برقرار کنند، بسیار مهم است. کولر می‌گوید: وقتی شروع به مطالعه طعنه می‌کنید، از میزان استفاده ما از آن به عنوان بخشی از حالت عادی ارتباط آگاه می‌شوید. اما ما باید با دستگاه‌های خود به شیوه‌ای کاملا تحت اللفظی صحبت کنیم، گویی که با یک ربات صحبت می‌کنیم و لازم نیست اینطور باشد. انسان‌ها عموما در تشخیص طعنه ماهر هستند، اگرچه نشانه‌های محدودی که در متن یافت می‌شود آن را سخت‌تر از تعامل رو در رو می‌کند، زمانی که ارائه، لحن و حالات چهره همگی قصد گوینده را آشکار می‌کنند. محققان در توسعه هوش مصنوعی خود دریافتند که چندین نشانه برای الگوریتم برای تشخیص طعنه اهمیت دارد. در مطالعه‌ای که در جلسه مشترک انجمن آکوستیک آمریکا و انجمن آکوستیک کانادایی در اتاوا در روز پنجشنبه ارائه شد، ژیوان گائو، دانشجوی دکترا در آزمایشگاه، نحوه آموزش شبکه عصبی را بر روی محتوای متنی، صوتی و ویدیویی توسط این گروه توضیح داد. کلیپ‌هایی از سریال‌های کمدی آمریکایی از جمله Friends و The Big Bang Theory استفاده شده است. این پایگاه داده توسط محققانی در ایالات متحده و سنگاپور جمع‌آوری شده است که جملاتی از برنامه‌های تلویزیونی را با برچسب‌های طعنه برای ساختن آشکارساز خود حاشیه‌نویسی کردند. پس از آموزش متنی و صوتی، همراه با نمراتی که محتوای عاطفی کلمات گفته شده توسط بازیگران را منعکس می‌کرد، هوش مصنوعی تقریبا ۷۵ درصد مواقع می‌توانست طعنه را تشخیص دهد. تحقیقات بیشتر در آزمایشگاه از داده‌های مصنوعی برای افزایش دقت بیشتر استفاده کرده است، اما این تحقیق در انتظار انتشار است. شخار نایاک، یکی دیگر از محققین این پروژه می‌گوید که علاوه بر روان‌تر کردن مکالمات با دستیاران هوش مصنوعی، می‌توان از همین رویکرد برای تشخیص لحن منفی در زبان و شناسایی سوء استفاده و سخنان نفرت‌آمیز استفاده کرد. گائو می‌گوید که می‌توان با افزودن نشانه‌های بصری به داده‌های آموزشی هوش مصنوعی، مانند حرکات ابرو و پوزخند، پیشرفت‌های بیشتری حاصل کرد. اما این سوال ایجاد می‌شود که این الگوریتم چقدر دقیق است؟ آیا قرار است ماشینی داشته باشیم که ۱۰۰ درصد دقیق خواهد بود؟ این کاری نیست که حتی انسانها هم بتوانند انجام دهند. کولر اضافه می‌کند که آشنایی بیشتر برنامه‌ها با نحوه صحبت کردن واقعی انسان‌ها باید به مردم کمک کند تا به طور طبیعی با دستگاه‌ها صحبت کنند، اما او متعجب است که اگر ماشین‌ها مهارت‌های تازه‌ را بپذیرند و شروع به کنایه زدن به ما کنند، چه اتفاقی می‌افتد.

سایت علمی اس‌دی در گزارشی نوشته است که پژوهشگران هشدار می‌دهند که سیستم‌های هوش مصنوعی تا اکنون یاد گرفته‌اند که چگونه انسان‌ها را فریب دهند. محققان در مورد پتانسیل سیستم‌های هوش مصنوعی برای درگیر شدن در رفتارهای فریبنده هشدار می‌دهند و می‌گویند هوش مصنوعی می‌تواند پیامدهای اجتماعی جدی داشته باشد. آن‌ها بر نیاز به اقدامات نظارتی قوی برای مدیریت موثر این خطرات تاکید می‌کنند. بسیاری از سیستم‌های هوش مصنوعی حتی آن‌هایی که برای مفید بودن و راستگویی طراحی شده‌اند، یاد گرفته‌اند که چگونه انسان‌ها را فریب دهند. پژوهشگران در مقاله‌ای که به تازگی در مجله Patterns منتشر شده است، خطرات فریب هوش مصنوعی را برجسته می‌کنند و از دولت‌ها می‌خواهند که به سرعت مقرراتی قوی برای کاهش این خطرات وضع کنند. پیتر اس پارک فوق دکترای ایمنی وجودی هوش مصنوعی در موسسه فناوری ماساچوست(MIT) و نویسنده ارشد این مطالعه می‌گوید: توسعه دهندگان هوش مصنوعی درک مطمئنی از آنچه باعث رفتارهای نامطلوب هوش مصنوعی مانند فریب دادن می‌شود، ندارند. اما به طور کلی ما فکر می‌کنیم که فریب هوش مصنوعی به این دلیل به وجود می‌آید که یک استراتژی مبتنی بر فریب بهترین راه برای عملکرد خوب در وظیفه آموزشی هوش مصنوعی است. این فریب به آنها کمک می‌کند تا به اهداف خود برسند. پارک و همکارانش مقالاتی را تجزیه و تحلیل کردند که بر روش‌هایی متمرکز بود که سیستم‌های هوش مصنوعی اطلاعات نادرست را از طریق فریب‌های آموخته‌شده که در آن به طور سیستماتیک یاد می‌گیرند اطلاعات را دستکاری کنند و افراد را فریب دهند، منتشر می‌کنند. نمونه‌هایی از فریب هوش مصنوعی بارزترین نمونه فریب هوش مصنوعی که محققان در تجزیه و تحلیل خود کشف کردند، متعلق به سیستم CICERO شرکت متا(فیسبوک سابق) بود که یک سیستم هوش مصنوعی طراحی شده برای بازی استراتژیک فتح جهان است. اگرچه متا ادعا می‌کند که CICERO را به گونه‌ای آموزش داده است که تا حد زیادی صادق و مفید باشد و هیچ گاه عمداً به متحدان انسانی خود در حین بازی از پشت خنجر نزند، داده‌هایی که این شرکت به همراه مقاله علمی خود منتشر کرد، نشان داد که CICERO منصفانه بازی نمی‌کند. پارک می‌گوید: ما متوجه شدیم که هوش مصنوعی متا یاد گرفته است که در فریبکاری استاد باشد. در حالی که متا موفق شد هوش مصنوعی خود را برای برنده شدن در این بازی آموزش دهد، اما CICERO در بین ۱۰ درصد از بازیکنان انسانی برتر قرار گرفت که بیش از یک بازی انجام داده بودند. ضمنا متا نتوانسته هوش مصنوعی خود را برای برنده شدن صادقانه آموزش دهد. سایر سیستم‌های هوش مصنوعی توانایی بلوف زدن در بازی پوکر علیه بازیکنان انسانی حرفه‌ای، حملات جعلی در طول بازی استراتژیک Starcraft II به منظور شکست دادن حریفان و ارائه پیشنهادات نادرست در مذاکرات اقتصادی را نشان داده‌اند. خطرات هوش مصنوعی فریبنده پارک افزود: اگرچه ممکن است تقلب سیستم‌های هوش مصنوعی در بازی‌ها بی‌ضرر به نظر برسد، اما می‌تواند منجر به پیشرفت در قابلیت‌های هوش مصنوعی فریبنده شود که می‌تواند در آینده به اشکال پیشرفته‌تر فریب هوش مصنوعی تبدیل شود. محققان دریافتند برخی از سیستم‌های هوش مصنوعی حتی یاد گرفته‌اند که در آزمایش‌هایی که برای ارزیابی ایمنی آنها طراحی شده‌اند، تقلب کنند. پارک می‌گوید: یک هوش مصنوعی فریبنده با ارتکاب تقلب سیستماتیک در آزمایش‌های ایمنی توسعه‌دهندگان و تنظیم‌کننده‌های انسانی می‌تواند ما انسان‌ها را به سمت یک احساس امنیت کاذب سوق دهد. پارک هشدار می‌دهد که خطرات کوتاه‌مدت هوش مصنوعی فریبنده شامل آسان‌تر کردن تقلب و دستکاری در مسائلی نظیر انتخابات است. به گفته وی در نهایت اگر این سیستم‌ها بتوانند این مجموعه مهارت‌های ناراحت‌کننده را توسعه دهند و بهبود ببخشند، ممکن است روزی انسان‌ها کنترل خود را روی هوش مصنوعی از دست بدهند. پارک می‌گوید: ما به عنوان یک جامعه به زمان بیشتری نیاز داریم تا برای فریب پیشرفته‌تر محصولات آینده هوش مصنوعی و مدل‌های منبع باز آماده شویم. با پیشرفته‌تر شدن قابلیت‌های فریبنده سیستم‌های هوش مصنوعی، خطراتی که برای جامعه ایجاد می‌کنند، جدی‌تر می‌شوند. در حالی که پارک و همکارانش فکر می‌کنند جامعه علمی هنوز اقدام مناسبی برای رسیدگی به فریب هوش مصنوعی انجام نداده است، آنها سیاست‌گذاران را تشویق می‌کنند که اقداماتی مانند قانون هوش مصنوعی اتحادیه اروپا و فرمان اجرایی هوش مصنوعی جو بایدن رئیس جمهور آمریکا را جدی بگیرند. پارک می‌گوید البته باید دید که آیا سیاست‌های طراحی‌شده برای کاهش فریب هوش مصنوعی با توجه به اینکه توسعه‌دهندگان هوش مصنوعی هنوز تکنیک‌هایی برای کنترل این سیستم‌ها ندارند، می‌توانند به درستی اجرا شوند؟ وی افزود: اگر ممنوعیت فریبکاری هوش مصنوعی در حال حاضر از نظر سیاسی غیرممکن است، توصیه می‌کنیم که سیستم‌های هوش مصنوعی فریبنده با برچسب پرخطر طبقه‌بندی شوند.