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.

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.

وب‌سایت رسمی دانشگاه کالیفرنیا سن‌دیگو گزارش داده است که یک پلتفرم هوش مصنوعی که در این ابداع شده است، در آزمایش‌ها توانست ۳۲ داروی جدید را برای هدف قرار دادن سرطان تولید کند. دانشمندان دانشگاه کالیفرنیا سن‌دیگو یک الگوریتم یادگیری ماشینی را برای شبیه‌سازی شیمی زمان‌بر مراحل اولیه کشف دارو توسعه داده‌اند که می‌تواند این فرآیند را به طور قابل‌توجهی ساده کند و امکان ارائه دادن درمان‌های جدید را فراهم آورد. در ادامه آمده است که شناسایی داروهای جدید برای بهبودی بیشتر معمولا شامل هزاران آزمایش فردی است اما پلتفرم جدید هوش مصنوعی می‌تواند نتایج یکسان را در کسری از زمان ارائه دهد. دانشمندان از این پلتفرم جدید برای تولید ۳۲ داروی جدید سرطان استفاده کردند. این فناوری، بخشی از یک روند جدید اما رو به ‌رشد در علم داروسازی برای استفاده کردن از هوش مصنوعی به منظور بهبود کشف و توسعه دارو است. تری آیدکر، استاد گروه پزشکی در دانشکده پزشکی دانشگاه کالیفرنیا سن‌دیگو و پژوهشگر ارشد این پروژه گفت: چند سال پیش، هوش مصنوعی یک کلمه کثیف در صنعت داروسازی بود اما اکنون این روند قطعا برعکس است زیرا استارت‌آپ‌های زیست‌فناوری بدون پرداختن به هوش مصنوعی برای جمع‌آوری سرمایه در کسب‌وکار خود مشکل پیدا می‌کنند. کشف دارو با هدایت هوش مصنوعی، به یک حوزه بسیار فعال در داروسازی تبدیل شده است اما بر خلاف روش‌هایی که در شرکت‌ها توسعه می‌یابند، ما فناوری خود را به صورت منبع باز و در دسترس برای هر کسی که می‌خواهد از آن استفاده کند، می‌سازیم. پلتفرم جدید که «POLYGON» نام دارد، در میان پلتفرم‌های هوش مصنوعی کشف دارو منحصربه‌فرد است، زیرا می‌تواند مولکول‌هایی را با اهداف متعدد شناسایی کند. این در حالی است که پروتکل‌های موجود کشف دارو در حال حاضر درمان‌های تک‌هدف را در اولویت قرار می‌دهند. داروهای چندهدف به دلیل پتانسیل خود برای ارائه مزایای مشابه با درمان ترکیبی و در عین حال، عوارض جانبی کمتر مورد توجه پزشکان و دانشمندان هستند. آیدکر گفت: یافتن و توسعه یک داروی جدید سال‌ها طول می‌کشد و میلیون‌ها دلار هزینه دارد؛ به ویژه اگر یک داروی چندهدف باشد. معدود داروهای چندهدفی که ما داریم، تا حد زیادی به طور تصادفی کشف شده‌اند اما این فناوری جدید می‌تواند شانس را از معادله حذف کند و آغازگر نسل جدیدی از پزشکی دقیق باشد. دانشمندان، POLYGON را روی یک پایگاه داده متشکل از بیش از یک میلیون مولکول فعال زیستی شناخته‌شده آموزش دادند که حاوی اطلاعات دقیق درباره خواص شیمیایی و تعاملات شناخته‌شده با اهداف پروتئینی است. الگوریتم POLYGON با یادگیری از الگوهای موجود در پایگاه داده می‌تواند فرمول‌های شیمیایی اصلی را برای داروهای جدید تولید کند که احتمالا دارای ویژگی‌هایی مانند توانایی مهار پروتئین‌های خاص هستند. آیدکر ادامه داد: درست مانند هوش مصنوعی که اکنون در تولید نقاشی‌ها و تصاویر اصلی مانند ایجاد تصاویر چهره انسان براساس ویژگی‌های دلخواه مانند سن یا جنسیت بسیار خوب است، POLYGON نیز می‌تواند ترکیبات مولکولی اصلی را براساس خواص شیمیایی مورد نظر تولید کند. در این مورد، به جای اینکه به هوش مصنوعی بگوییم می‌خواهیم چهره‌مان چند ساله باشد، به او می‌گوییم که می‌خواهیم داروی آینده ما با پروتئین‌های بیماری در تعامل قرار بگیرد. برای آزمایش کردن POLYGON، دانشمندان از آن برای تولید صدها دارو استفاده کردند که جفت‌های گوناگونی را از پروتئین‌های مرتبط با سرطان هدف قرار می‌دهند. از این میان، آنها ۳۲ مولکول را تولید کردند که قوی‌ترین تعاملات پیش‌بینی‌شده را با پروتئین‌های MEK1 و mTOR داشتند. این دو، پروتئین‌های سیگنال‌دهنده سلولی هستند که هدف امیدوارکننده‌ای برای درمان ترکیبی سرطان به شمار می‌روند. مهار هر دو پروتئین با هم برای از بین بردن سلول‌های سرطانی کافی است؛ حتی اگر مهار یکی از آنها به تنهایی انجام نشود. پژوهشگران دریافتند داروهایی که آنها تولید کرده‌اند، فعالیت قابل توجهی را در برابر MEK1 و mTOR دارند اما واکنش‌های خارج از هدف کمی را با سایر پروتئین‌ها نشان دادند. این نشان می‌دهد که یک یا چند داروی شناسایی‌شده توسط POLYGON می‌توانند هر دو پروتئین را به‌عنوان درمان سرطان هدف قرار دهند و فهرستی از گزینه‌ها را برای تنظیم دقیق توسط شیمی‌دان‌های انسانی ارائه کنند. ایدکر گفت: پس از دریافت داروها هنوز باید کارهای شیمیایی دیگری را انجام دهید تا آن گزینه‌های دارویی را به صورت یک درمان واحد و مؤثر درآورید. ما نمی‌توانیم و نباید سعی داشته باشیم تا تخصص انسانی را از روند کشف دارو حذف کنیم، بلکه باید چند مرحله از این فرآیند را کوتاه کنیم. به رغم این احتیاط، دانشمندان نسبت به قابلیت‌های هوش مصنوعی برای کشف دارو خوش‌بین هستند. آیدکر افزود: دیدن چگونگی اجرایی شدن این مفهوم در دهه آینده چه در دانشگاه و چه در بخش خصوصی بسیار هیجان‌انگیز خواهد بود. قابلیت‌های هوش مصنوعی عملا بی‌پایان هستند. این پژوهش در مجله «Nature Communications» به چاپ رسید.

نیویورک پست در تازه‌ترین مطلب خود نوشته است که هوش مصنوعی می‌تواند جهت‌گیری سیاسی افراد را از روی چهره‌های‌شان پیش‌بینی کند که البته مباحثی را درباره تهدید حریم خصوصی به میان آورده است. پژوهشگران پس از مطالعه‌ای که نشان داد، هوش مصنوعی می‌تواند در پیش‌بینی جهت‌گیری سیاسی افراد بر اساس تصاویر چهره‌های بدون حالت و بی‌احساس آن‌ها موفق باشد، هشدار می‌دهند که فناوری‌های تشخیص چهره «تهدیدکننده‌تر از آنچه قبلاً تصور می‌شد» هستند و «چالش‌های جدی برای حفظ حریم خصوصی» ایجاد می‌کنند. مطالعه‌ای که به تازگی در مجله American Psychologist  منتشر شده است، آمده است که توانایی الگوریتم هوش مصنوعی برای حدس زدن دقیق دیدگاه‌های سیاسی یک فرد خیره کننده است. مایال کوزینسکی، نویسنده اصلی این مطالعه گفت که ۵۹۱ شرکت‌کننده یک پرسشنامه درباره گرایش سیاسی را قبل از اینکه هوش مصنوعی گرایش سیاسی آن‌ها را از چهره‌شان توصیف کند، پر کردند و هوش مصنوعی تحلیل خود را با پایگاه ‌داده حاصل از آن پرسشنامه‌ها برای پیش‌بینی گرایش سیاسی آنها مقایسه کرد. کوزینسکی که دانشیار رفتار سازمانی در دانشکده تحصیلات تکمیلی بازرگانی دانشگاه استنفورد است، می‌گوید: من فکر می‌کنم که مردم متوجه نمی‌شوند که صرفاً با در اختیار قرار دادن یک عکس، چقدر خود را در معرض شناخت قرار می‌دهند. او گفت که ما می‌دانیم که گرایش جنسی، گرایش سیاسی و دیدگاه‌های مذهبی مردم باید محافظت شود. این قبلا متفاوت بود. در گذشته می‌توانستید به حساب فیسبوک هر کسی وارد شوید و مثلاً دیدگاه‌های سیاسی، پسندها و صفحاتی که دنبال می‌کند را ببینید. اما سال‌ها پیش فیسبوک این قابلیت را مسدود کرد، زیرا برای سیاست‌گذاران، فیسبوک و روزنامه‌نگاران واضح بود که از نظر حریم خصوصی قابل قبول نیست و خیلی خطرناک است. همچنین می‌توان به فیسبوک رفت و عکس هر کسی را دید. شخصی که عکسش را می‌بینید احتمالا هرگز شما را ندیده است و هرگز گرایش سیاسی خود را با شما به اشتراک نگذاشته است. با این حال، آنچه این مطالعه جدید نشان داده این است که تنها از روی عکس یک فرد، هر چند بدون احساس و حالت باشد، گرایش سیاسی وی را حدس زد. پژوهشگران برای این مطالعه تصاویر شرکت کنندگان را به شیوه‌ای بسیار کنترل شده جمع‌آوری کردند. آن‌ها می‌گویند شرکت کنندگان یک تیشرت مشکی ساده پوشیده بودند و زیورآلات خود را درآورده بودند و در صورت لزوم ریش خود را اصلاح کرده بودند. سپس از دستمال مرطوب صورت برای از بین بردن لوازم آرایشی استفاده شد تا زمانی که هیچ چیز روی پوست آنها باقی نماند. موهای بلند آنها با استفاده از کش مو، سنجاق مو و هدبند به عقب کشیده شد و در عین حال مراقب بودند که موهایشان بیرون نیاید. سپس الگوریتم تشخیص چهره  VGGFace۲ تصاویر چهره آن‌ها را بررسی کرد. نویسندگان می‌گویند، یافته‌های آن‌ها بر ضرورت تشخیص و رسیدگی به خطرات احتمالی فناوری تشخیص چهره برای حریم خصوصی افراد تأکید می‌کند. آنها تاکید کردند که شاید مهم‌تر از همه اینکه یافته‌های ما نشان می‌دهد که فناوری‌های نظارت بیومتریک گسترده‌تر از آنچه قبلا تصور می‌شد، تهدیدکننده هستند. در هر حال نتایج ما نشان می‌دهد که ویژگی‌های صورت حتی در حالت خنثی و بدون ابراز احساسات نیز مقدار قابل توجهی از نشانه‌ها را منتقل می‌کند که استفاده از فناوری تشخیص چهره می‌تواند نشان دهنده کنترل کمتر افراد بر حریم خصوصی خود باشد. کوزینسکی می‌گوید، الگوریتم‌ها را می‌توان به راحتی برای میلیون‌ها نفر به شکل بسیار سریع و ارزان اعمال کرد و مطالعه ما بیشتر یک داستان هشداردهنده در مورد این فناوری است که در تلفن همه وجود دارد و در همه جا به وفور استفاده می‌شود. پژوهشگران در پایان به این نتیجه رسیدند که حتی تخمین‌های خام از ویژگی‌های شخصیتی افراد می‌تواند کارایی کمپین‌های متقاعدسازی انبوه آنلاین را به ‌طور قابل توجهی بهبود بخشد و پژوهشگران، مردم و سیاست‌گذاران باید توجه داشته باشند و سیاست‌های سخت‌گیرانه‌ای را برای تنظیم ضبط و پردازش تصاویر چهره در نظر بگیرند.

سایت علمی آی‌ای گزارش داده است که مطالعه‌ای از موسسه فناوری ماساچوست(MIT)  یک مدل هوش مصنوعی را نشان می‌دهد که می‌تواند اقدامات آینده انسان‌ها را پیش‌بینی کند. این مدل هوش مصنوعی محدودیت‌های یک عامل را تحلیل می‌کند. به این ترتیب می‌تواند متوجه شود که انسان‌ها یا سایر مدل‌های هوش مصنوعی قرار است چه کاری انجام دهند. محققان در موسسه فناوری ماساچوست و دانشگاه واشنگتن یک مدل هوش مصنوعی را توسعه داده‌اند که می‌تواند به طور دقیق اقدامات آینده یک فرد یا یک ماشین را پیش‌بینی کند. این هوش مصنوعی به نام مدل بودجه استنتاج پنهان(L-IBM)  شناخته می‌شود. نویسندگان این مطالعه ادعا می‌کنند که L-IBM بهتر از سایر چارچوب‌های پیشنهادی قبلی است که قادر به مدل‌سازی تصمیم گیری انسانی بودند. این مدل با بررسی رفتار، اعمال و محدودیت‌های گذشته مرتبط با فرآیند تفکر یک عامل که می‌تواند یک انسان یا یک هوش مصنوعی دیگر باشد، کار می‌کند. داده یا نتیجه‌ای که پس از ارزیابی به دست می‌آید، بودجه استنتاج نامیده می‌شود. محققان از L-IBM برای پیش‌بینی حرکات انسان‌ها در یک بازی شطرنج استفاده کردند و گفتند: نتایج ما نشان می‌دهد که تصمیم‌گیری انسانی غیربهینه را می‌توان به طور مؤثر با نسخه‌های محدود محاسباتی الگوریتم‌های جستجوی استاندارد مدل‌سازی کرد. مدل هوش مصنوعی چگونه رفتار انسان را پیش‌بینی می‌کند؟ برای مدل‌سازی فرآیند تصمیم‌گیری یک عامل،L-IBM  ابتدا رفتار یک فرد و متغیرهای مختلفی را که بر آن تأثیر می‌گذارند، تجزیه و تحلیل می‌کند. این مرحله شامل مشاهده عواملی است که در یک ماز در موقعیت‌های تصادفی قرار گرفتند. سپس مدل L-IBM برای درک محدودیت‌های فکری و محاسباتی و پیش‌بینی رفتار آنها مورد استفاده قرار گرفت. این تجزیه و تحلیل اهداف یک عامل و توانایی آن در جهت یابی و تصمیم‌گیری پیچیده را آشکار کرد. محققان خاطرنشان می‌کنند: انسان‌ها به‌راحتی زبان را تولید و درک می‌کنند، به گونه‌ای که از معنای تحت اللفظی آن منحرف می‌شود. محققان داوطلبان را به انجام یک بازی وادار کردند. بازی شامل یک گوینده و یک شنونده بود. گوینده مجموعه‌ای از رنگ‌های مختلف را دریافت می‌کرد و یکی را انتخاب می‌کرد اما نمی‌توانست نام رنگی را که انتخاب کرده مستقیما به شنونده بگوید. او رنگ را برای شونده از طریق عبارات طبیعی زبان توصیف می‌کرد. اگر شنونده همان رنگی را که گوینده از مجموعه انتخاب کرده بود، انتخاب می‌کرد هر دو برنده می‌شدند. با تطبیق L-IBM با گفته‌ها و انتخاب‌ها در بازی‌های انسانی، بررسی می‌شود که آیا می‌توان استنباط کرد که انسان‌ها صرفا از روی رفتار خود درگیر استدلال عملی هستند یا خیر. مرحله آخر: مدل‌سازی بازی شطرنج انسان این مدل بر زمانی تمرکز داشت که بازیکنان مختلف انسان برای انجام حرکات خود در طول بازی شطرنج صرف می‌کردند. آن‌ها همچنین متوجه تفاوت زمانی شدند که شطرنج‌بازان ضعیف‌تر و قوی‌تر برای فکر کردن به حرکات خود صرف می‌کنند. آتول پل ژاکوب، یکی از نویسندگان مطالعه می‌گوید که در پایان روز، دیدیم که عمق برنامه‌ریزی، یا مدت زمانی که کسی در مورد مشکل فکر می‌کند، نشان‌دهنده بسیار خوبی از نحوه رفتار انسان‌ها است. هدف این بود که بفهمیم آیا آنها می‌توانند این داده‌ها را به هوش مصنوعی L-IBM  ارائه دهند. این هوش مصنوعی به طور دقیق تفاوت بین شطرنج بازان ضعیف‌تر و قوی‌تر را نشان می‌دهد. مشکلات سخت‌تر نیاز به برنامه‌ریزی بیشتری دارند یا اینکه یک بازیکن قوی بودن به معنای برنامه‌ریزی طولانی‌تر است. اگر مدل هوش مصنوعی بداند کدام بازیکن بهتر است، احتمالا پیش‌بینی دقیقی دارد که کدام بازیکن برنده بازی است. این مدل هوش مصنوعی می‌تواند به ما در تصمیم گیری بهتر کمک کند. این سه مرحله نشان می‌دهد که چارچوب L-IBM پتانسیل مدل‌سازی تقریبا تمام جنبه‌های تصمیم‌گیری انسانی از جمله روال‌ها، رفتار، ارتباطات و استراتژی را دارد. محققان خاطرنشان کردند: ما نشان دادیم که هوش مصنوعی می‌تواند از مدل‌های کلاسیک عقلانیت محدود عملکرد بهتری داشته باشد، در حالی که معیارهای معنی‌داری از مهارت‌های انسانی و دشواری کار را در نظر می‌گیرد. آن چه که L-IBM را از مدل‌های قبلی متمایز می‌کند این است که به جای داده‌های تصادفی، رفتار گذشته و محدودیت‌های یک عامل را برای تولید نتایج در نظر می‌گیرد. ژاکوب می‌گوید: اگر ما بدانیم که یک انسان در شرف مرتکب شدن به یک اشتباه است، با مشاهده رفتار سابق او، هوش مصنوعی می‌تواند وارد عمل شده و راه بهتری برای انجام کار ارائه دهد. توانایی مدل‌سازی رفتار انسان گام مهمی به سوی ساخت یک عامل هوش مصنوعی است که در واقع می‌تواند به انسان کمک کند. ژاکوب و گروهش اکنون قصد دارند تحقیقات بیشتری را برای دستیابی به مدل‌های بهتر انجام دهند.