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.

پژوهشگران «دانشگاه پرینستون»، یک مدل زبانی را آموزش داده‌اند و از آن برای بررسی توالی‌های ژنوم استفاده کرده‌اند تا بیماری‌ها را رمزگشایی کنند. همان هوش مصنوعی که موفقیت آن در به کار بردن نرم‌افزار کدنویسی و قبولی در آزمون وکالت سرفصل خبرها شد، یاد گرفته است که نوع دیگری از متن را بخواند. این متن جدید حاوی کد ژنتیکی است. کد ژنتیکی حاوی دستورالعمل‌هایی برای همه عملکردهای زندگی است و از قوانینی پیروی می‌کند که بی‌شباهت به زبان‌های انسانی نیستند. هر توالی در ژنوم به یک دستور زبان پیچیده و ساختارهایی پای‌بند است که معنی را ایجاد می‌کنند. همان طور که تغییر کردن چند کلمه می‌تواند تاثیر یک جمله را به شدت تغییر دهد، تغییرات کوچک در یک دنباله بیولوژیکی نیز می‌توانند تفاوت بزرگی را در عناصر رمزگذاری‌کننده دنباله ایجاد کنند. اکنون پژوهشگران دانشگاه پرینستون به سرپرستی منگدی وانگ، کارشناس یادگیری ماشینی این دانشگاه، از مدل‌های زبانی برای بررسی توالی‌های ژنوم جزئی استفاده کرده‌اند و آنها را برای مطالعه زیست‌شناسی و بهبود پزشکی به کار برده‌اند. پژوهشگران در مقاله خود، یک مدل زبانی را شرح داده‌اند که از قدرت بازنمایی معنایی خود برای طراحی واکسن آران‌ای پیام‌رسان مؤثرتری مانند واکسن‌های کووید-۱۹ استفاده می‌کند. دانشمندان یک راه ساده را برای خلاصه کردن جریان اطلاعات ژنتیکی دارند. آنها آن را دگم مرکزی زیست‌شناسی می‌نامند. اطلاعات از DNA به RNA و سپس به پروتئین‌ها حرکت می‌کنند. پروتئین‌ها ساختار و عملکرد سلول‌های زنده را ایجاد می‌کنند. آران‌ای پیام‌رسان، اطلاعات را در مرحله نهایی که مرحله تبدیل است، به پروتئین تبدیل می‌کند، اما فقط بخشی از آران‌ای پیام‌رسان حاوی کد پروتئین است. بقیه اطلاعات تبدیل نمی‌شوند اما جنبه‌های حیاتی فرآیند تبدیل را کنترل می‌کنند. نظارت بر کارآیی تولید پروتئین، یک مکانیسم کلیدی است که واکسن‌های مبتنی بر آران‌ای پیام‌رسان توسط آن کار می‌کنند. پژوهشگران دانشگاه پرینستون، مدل زبانی خود را روی منطقه تبدیل‌نشده متمرکز کردند تا ببینند چگونه می‌توانند کارآیی واکسن‌ها را بهبود ببخشند. پژوهشگران پس از آموزش دادن مدل روی انواع کوچکی از گونه‌ها، صدها توالی بهینه‌سازی‌شده جدید تولید کردند و آن‌ها را از طریق بررسی‌های آزمایشگاهی مورد تایید قرار دادند. بهترین توالی‌ها توانستند بهتر از چندین معیار پیشرو برای توسعه واکسن عمل کنند؛ از جمله افزایش ۳۳ درصدی که در بازدهی کلی تولید پروتئین به همراه آوردند. به گفته پژوهشگران، افزایش راندمان تولید پروتئین حتی به مقدار کم، یک تقویت عمده برای درمان‌های نوظهور است. واکسن‌های آران‌ای پیام‌رسان فراتر از کووید-۱۹، وعده محافظت در برابر بسیاری از بیماری‌های عفونی و سرطان را نیز نوید می‌دهند. وانگ گفت که موفقیت این مدل به احتمال اساسی‌تری نیز اشاره دارد. این مدل زبانی پس از آموزش دیدن با آران‌ای پیام‌رسان گونه‌های انگشت شماری توانست توالی‌های نوکلئوتیدی را رمزگشایی کند و اطلاعات جدیدی را در مورد تنظیم ژن آشکار سازد. دانشمندان بر این باورند که تنظیم ژن، یکی از اساسی‌ترین عملکردهای زندگی است و می‌تواند کلید کشف منشاء بیماری و اختلال باشد. مدل‌های زبانی از این دست می‌توانند راه جدیدی را برای بررسی تنظیم ژن ارائه دهند. زبان بیماری مدل زبانی جدید به جای آموزش دیدن روی میلیاردها صفحه متن از اینترنت، روی چند صد هزار توالی آموزش داده شد. همچنین، این مدل با اطلاعات بیشتری درباره تولید پروتئین‌ها، از جمله اطلاعات ساختاری و مرتبط با انرژی آموزش دید. پژوهشگران از مدل آموزش‌دیده برای ایجاد مجموعه‌ای از ۲۱۱ توالی جدید استفاده کردند. پروتئین‌های مورد استفاده مانند پروتئین خوشه‌ای که توسط واکسن‌های کووید-۱۹ هدف قرار می‌گیرد، واکنش ایمنی را به سوی بیماری‌های عفونی هدایت می‌کنند. پژوهش‌های پیشین، مدل‌های زبانی را برای رمزگشایی توالی‌های بیولوژیکی گوناگون از جمله پروتئین‌ها و DNA ایجاد کرده‌اند، اما این اولین مدل زبانی است که بر ناحیه تبدیل‌نشده آران‌ای پیام‌رسان تمرکز دارد. علاوه بر افزایش کارآیی کلی، این مدل ‌توانست پیش‌بینی کند که عملکرد یک توالی در انواع وظایف مرتبط چقدر خوب است. وانگ خاطرنشان کرد که بررسی یک مجموعه داده محدود و ایجاد مدلی براساس آن برای دانشمندان جویای حیات کافی نیست و باید یک کار جدید انجام شود. وی افزود: آموزش دادن یک مدل فقط کنار هم قرار دادن همه توالی‌ها نیست، بلکه کنار هم قرار دادن همه بخش‌هایی است که تاکنون جمع آوری شده‌اند. این کار پیشتر انجام نشده بود. این پژوهش در مجله «Nature Machine Intelligence» به چاپ رسید.

دانشمندان در کالیفرنیای شمالی از پایان کار ساخت بزرگترین دوربین دیجیتال جهان با لنزی به عرض ۱.۵ متر که می‌تواند یک توپ گلف را از فاصله ۲۴ کیلومتری تشخیص دهد، خبر داده‌اند. ساخت بزرگترین دوربین جهان با لنزی به عرض ۱.۵ متر LSST پس از دو دهه تحقیقات و کار توسط دانشمندان در کالیفرنیای شمالی تکمیل شد. رصدخانه «ورا روبین» به‌زودی بررسی یک دهه‌ای خود از فضا و زمان را با LSST آغاز می‌کند و کل آسمان نیم‌کره جنوبی را زیر نظر می‌گیرد. اما مأموریتی به این بزرگی به دوربینی با قدرت مساوی نیاز دارد. خوشبختانه «آزمایشگاه ملی شتاب‌دهنده اسلک» برای ارائه آن آماده‌ است. دانشمندان و مهندسان اسلک به‌طور رسمی پایان ساخت دوربین LSST را اعلام کردند.LSST بزرگ‌ترین دوربین دیجیتالی است که تا‌به‌حال ساخته‌ شده‌ است. این دوربین که اندازه یک ماشین جمع‌وجور است، حدود ۳ تن وزن دارد و لنز آن با عرض ۱.۵ متر رکورد جهانی گینس را به خود اختصاص داده است. این دوربین ۳۲۰۰ مگاپیکسلی در مجموع دارای ۱۸۹ حسگر است. دوربین ۳۲۰۰ مگاپیکسلی، این دوربین آن‌قدر قوی است که می‌تواند یک توپ گلف را از فاصله ۲۴ کیلومتری تشخیص دهد. این دوربین قرار است قلب تلسکوپ جدیدی در رصدخانه Vera C. Rubin واقع در کوه‌های شیلی باشد. اعتبار هزینه ‌شده برای ساخت دوربین LSST حدود ۱۶۸ میلیون دلار (تقریبا ۱۵۵ میلیون یورو) برآورد شده است. قبل از اینکه دوربین LSST بتواند به دانشمندان برای بررسی انرژی تاریک و دیگر اسرار کیهانی کمک کند، باید با یک بوئینگ ۷۴۷ ویژه از اسلک به قله ۲۷۱۳ متری Cerro Pachón در رشته کوه‌های آند منتقل شود. برنامه این رصدخانه طی ده‌سال آینده نقشه‌برداری از کل آسمان جنوبی خواهد بود. دانشمندان پیش‌بینی می‌کنند دوربین LSST به آن‌ها کمک کند ۱۷ میلیارد ستاره و ۶ میلیون جرم جدید را در منظومه شمسی کشف کنند. پس از تکمیل این پروژه ۱۰ ساله، دوربین LSST یک فیلم سه‌بعدی از کل آسمان جنوب ایجاد خواهد کرد. انتشار اولین تصاویر LSST برای عموم برای بهار سال آینده برنامه‌ریزی شده‌ است.

دیلی‌میل گزارش داده است که یک متخصص هوش مصنوعی در مصاحبه با این رسانه گفت که کارکنان مبتنی بر هوش مصنوعی در آینده جای انسان‌ها را خواهند گرفت و با افزایش بهره‌وری، روزهای کاری را به سه روز در هفته کاهش خواهند داد. کارکنان آینده، رویایی هستند. آن‌ها مرخصی نمی‌گیرند، به تعطیلات نمی‌روند و برای ملاقات با رییس درخواست نمی‌کنند. این متخصص گفته است که برخی از صنایع ممکن است به زودی این نوع کارکنان را استخدام کنند. چندین شرکت در ماه‌های اخیر اعلام کرده‌اند که در حال ساخت عوامل هوش مصنوعی یا «کارمندان مصنوعی» (synthetic employees) هستند. این کارکنان دیجیتال می‌توانند محل کار را به کلی تغییر دهند. کارهایی مانند پاسخ دادن به ایمیل‌ها، سازمان‌دهی صورت‌حساب‌ها، پاسخ دادن به پرسش‌های خدمات مشتریان و مدیریت در آینده به آن صورتی که ما می‌شناسیم نخواهند بود و تغییر خواهند یافت. اد بروسارد، مدیرعامل شرکت هوش مصنوعی تومورو.ای‌آی معتقد است که میزان بهره‌وری این کارمندان مصنوعی بسیاری عالی است؛ به طوری که یک هفته کاری سه روزه را ایجاد خواهد کرد. بروسارد که با شرکت «OpenAI» تحت مدیریت سم آلتمن کار می‌کند گفت طی دو سال آینده شاهد جهش و پشت سر گذاشتن مرزهای پیشرفت توسط این نوع کارکنان خواهیم بود. شرکت فناوری هوش مصنوعی انویدیا و شرکت هوش مصنوعی پزشکی هیپوکراتیک ای‌آی اخیرا اعلام کردند که در زمینه کارکنان حوزه مراقبت‌های بهداشتی هوش مصنوعی همکاری خواهند کرد. این شرکت‌ها امیدوارند که پرستاران هوش مصنوعی جدیدشان بتوانند کمبود مراقبت‌های بهداشتی را در سراسر جهان برطرف کنند. پژوهشگران هیپوکراتیک ای‌آی گفتند که پرستاران مصنوعی با مجموعه بزرگی از داده‌های اختصاصی مانند برنامه‌های مراقبت بالینی، اسناد نظارتی مراقبت‌های بهداشتی، کتاب‌های راهنمای پزشکی، پایگاه‌های اطلاعاتی داروها و سایر اسناد باکیفیت پزشکی آموزش خواهند دید. تاکنون بیش از ۱۰۰۰ پرستار و ۱۰۰ پزشک در آمریکا، کارکنان مراقبت‌های بهداشتی هوش مصنوعی را آزمایش کرده‌اند. شرکت نرم‌افزار هوش مصنوعی کاگنیشن در اوایل ماه جاری به اولین شرکتی تبدیل شد که یک مهندس نرم‌افزار هوش مصنوعی مستقل ساخت و نام آن را دوین گذاشت. دوین در عرض ۲۰ دقیقه می‌تواند به تنهایی وبسایت‌ها و برنامه‌های رمزگذاری را ایجاد کند و از اینترنت برای آموزش دادن مهارت‌ها به خود بهره ببرد. دوین برای استخدام در دسترس است اما یک فهرست انتظار طولانی برای آن وجود دارد. علاوه بر کارکنان هوش مصنوعی، شرکت‌ها در حال حاضر از برنامه‌های کاربردی مبتنی بر هوش مصنوعی استفاده می‌کنند؛ به طوری که ۴۰ درصد از منابع انسانی شرکت‌های سراسر جهان از هوش مصنوعی بهره می‌برند. نیروی کار هوش مصنوعی تازه کار خود را آغاز کرده است. بروسارد گفت: من معتقدم که این پیشرفت تنها در دو سال آینده حاصل خواهد شد و از همه پیشرفت‌هایی که در ۷۵ سال گذشته در حوزه صنعت دیده شده‌اند، بیشتر قابل توجه خواهد بود. تا پایان دهه جاری، همه شغل‌های اداری توسط عوامل هوش مصنوعی تغییر خواهند کرد. این مدیرعامل فناوری تنها متخصصی نیست که در مورد تغییرات عمده حاصل از هوش مصنوعی صحبت کرده است. بیل گیتس بنیان‌گذار شرکت مایکروسافت تقریبا سه دهه پیش در کتاب خود با نام راه پیش رواستفاده کردن از هوش مصنوعی را پیش‌بینی کرد. گیتس اکنون معتقد است که کارکنان مصنوعی، تاثیر زیادی را در آموزش و مراقبت‌های بهداشتی خواهند داشت. او ادعا می‌کند از زمانی که ما از تایپ کردن دستورات به سوی کلیک کردن روی نمادها برویم، بزرگ‌ترین انقلاب در محاسبات شکل خواهد گرفت. همچنین، او معتقد است که عوامل هوش مصنوعی، جایگزین سایت‌های جستجو و خرید اینترنتی مانند «آمازون»(Amazon) خواهند شد. بروسارد باور دارد افزایش بهره‌وری ارائه‌شده توسط کارمندان دیجیتال به قدری زیاد خواهد بود که یک هفته کاری سه‌روزه را به همراه خواهد داشت. وی خاطرنشان کرد که این فناوری در آینده نزدیک، وظایف مدیریت و پژوهش را در چندین صنعت از جمله قانون، سرمایه‌گذاری و بازاریابی بر عهده خواهد گرفت. بروسارد در وب‌سایت خود نوشت: یکی از عواملی که ما بیشتر از همه از آن استفاده می‌کنیم، «عامل استخراج واقعیت» است که در خواندن تعداد زیادی از اسناد و استخراج حقایق و اطلاعات سودمند تخصص دارد و آنها را به شکلی ارائه می‌دهد که سایر عوامل هوش مصنوعی بتوانند به راحتی آنها را بخوانند. سپس می‌توان از این اطلاعات برای بسیاری از برنامه‌های تجاری مانند بررسی اسناد حقوقی، تحلیل سرمایه‌گذاری، پژوهش‌های حوزه مشتری، ارائه اطلاعات مناسب به کارکنان مرکز تماس یا مذاکره قیمت برای قراردادهای بزرگ استفاده کرد. بروسارد معتقد است سازمان‌های بزرگی که موفق نمی‌شوند از کارکنان مصنوعی استفاده کنند، در دهه آینده نابود خواهند شد. وی افزود: سازمان‌هایی که به سرعت تصمیم می‌گیرند، آزمایش و کار کردن را روی تعامل انسان و هوش مصنوعی آغاز خواهند کرد و دستاوردهای بزرگی را از نظر بهره‌وری، اثربخشی و رفاه خواهند دید. شرکت‌هایی که از این جریان عقب می‌مانند، اساسا از بین خواهند رفت. سازمان‌های بزرگ دارای مزیت بزرگی هستند زیرا مشتریان زیاد، داده‌های خصوصی و دسترسی به قدرت محاسباتی دارند اما ارزش هر سه مورد از بین خواهد رفت و شرکت‌های بزرگی که از این مزایای خود استفاده نمی‌کنند، به زودی کوچک می‌شوند و در نهایت ناپدید خواهند شد تا شرکت‌های جدید هوش مصنوعی جای آنها را بگیرند. همچنین، بروسارد پیش‌بینی کرد که مردم دیگر مجبور نخواهند بود تا به جستجوی اطلاعات بپردازند، فرم‌ها را پر کنند یا هتل رزرو کنند. در عوض، آنها از یک دستیار دیجیتال می‌خواهند تا این کارها را انجام دهند. بروسارد ادامه داد: ما روش‌های بسیار متفاوتی را از کار کردن خواهیم دید. نقش‌های جدید ظاهر خواهند شد و سازمان‌ها کار خود را تغییر خواهند داد که معمولا خروجی خلاق انسان را به سوی عوامل هوش مصنوعی خواهد برد. این کار می‌تواند به انسان‌ها آزادی بدهد. از آنجا که تأثیر انسان می‌تواند از ساعات کاری او جدا شود، این کاملا امکان‌پذیر است که به یک هفته کاری سه‌روزه یا کمتر برویم. لزوما باهوش‌ترین و سخت‌کوش‌ترین افراد بهترین عملکرد را ندارند، بلکه افرادی می‌توانند بهترین عملکرد را داشته باشند که در آموزش عوامل هوش مصنوعی بهترین هستند. بروسارد معتقد است که عوامل هوش مصنوعی کاملا آماده نیستند که در کل نقش‌ها جایگزین شوند. وی افزود: ما هنوز با یک عامل هوش مصنوعی که به طور کامل جایگزین یک پرستار یا یک توسعه‌دهنده نرم‌افزار شود، فاصله داریم. ما دیده‌ایم که عوامل هوش مصنوعی، بخش‌هایی را از این نقش‌ها انجام می‌دهند و به خوبی از عهده آنها برمی‌آیند. برای مثال، هوش مصنوعی اغلب در شناسایی سلول‌های سرطانی در اسکن‌ها بهتر از انسان عمل می‌کند اما این همه کار یک متخصص رادیوگرافی نیست.

سایت علمی زی‌بیزینس در گزارشی اعلام کرده است که یک دستگاه مبتنی بر هوش مصنوعی که در «دانشگاه لستر» ابداع شده است، در آزمایش‌ها توانست ضربان قلب نشان‌دهنده آریتمی بطنی را با موفقیت تشخیص دهد. پژوهشگران دانشگاه لستر به بررسی این موضوع پرداخته‌اند که آیا هوش مصنوعی می‌تواند خطر ضربان قلب کشنده را پیش‌بینی کند یا خیر. در آزمایش دانشگاه لستر، یک دستگاه مبتنی بر هوش مصنوعی در ۸۰ درصد موارد به درستی ضربان قلب کشنده را شناسایی کرده، ابداع کرده است. آریتمی بطنی، یک اختلال در ضربان قلب است که از حفره‌های پایینی (بطن‌ها) نشات می‌گیرد. در این شرایط، قلب آن قدر سریع می‌تپد که فشار خون کاهش می‌یابد و در صورت عدم درمان فوری می‌تواند به سرعت به از دست دادن هوشیاری و مرگ ناگهانی منجر شود. این دستگاه مبتنی بر هوش مصنوعی، نتایج الکتروکاردیوگرام هولتر چندین بزرگسال را بررسی کرد که در طول زندگی عادی روزانه آنها در خانه گرفته شده بود. شرکت‌کنندگان، افراد بالغ بودند که بین سال‌های ۲۰۱۴ تا ۲۰۲۲، روش الکتروکاردیوگرام هولتر را به عنوان بخشی از مراقبت‌های درمانی دریافت کردند. نتایج برای این بیماران مشخص بود و ۱۵۹ نفر به ‌طور میانگین ۱.۶ سال پس از آزمایش، آریتمی‌های کشنده بطنی را تجربه کردند. این دستگاه هوش مصنوعی موسوم به «VA-ResNet-50» برای بررسی ضربان قلب بیماران استفاده شد تا بررسی کند که آیا قلب آنها ضربان‌های کشنده را نشان می دهد یا خیر. پروفسور آندره نگ از پژوهشگران این پروژه گفت: دستورالعمل‌های بالینی کنونی که به ما کمک می‌کنند تا تصمیم بگیریم کدام بیماران بیشتر در معرض خطر ابتلا به آریتمی بطنی هستند و چه کسانی از درمان نجات‌بخش با «دفیبریلاتور کاردیوورتر قابل کاشت»(ICD) بیشتر سود می‌برند، دقت کافی ندارند. آنها ممکن است به بروز یک اختلال قابل توجه منجر ‌شوند و تعداد مرگ و میر ناشی از این وضعیت را افزایش دهند. نگ ادامه داد: ما متوجه شدیم که این دستگاه هوش مصنوعی در مقایسه با دستورالعمل‌های پزشکی کنونی، عملکرد خوبی دارد و به درستی پیش‌بینی می‌کند که قلب کدام بیمار در چهار مورد از هر پنج مورد به آریتمی بطنی دچار می‌شود. وی افزود: وقتی دستگاه می‌گفت که یک شخص در معرض خطر است، خطر رویداد کشنده سه برابر بیشتر از بزرگسالان عادی بود. یافته‌های این پژوهش نشان می‌دهند که استفاده کردن از هوش مصنوعی برای مشاهده نوار قلب بیماران کمک می‌کند تا خطر ابتلا به آریتمی بطنی را تعیین کنیم، درمان مناسب را پیشنهاد دهیم و در نهایت جان افراد را نجات دهیم. این پژوهش در مجله «European Heart Journal» به چاپ رسید.

سایت علمی سایت نیچر در تازه‌ترین مورد گزارش داده است که هوش مصنوعی گوگل به زودی می‌تواند از سرفه برای تشخیص بیماری استفاده کند. در گزارش آمده است که گروهی به رهبری دانشمندان گوگل ابزاری برای یادگیری ماشینی ایجاد کرده‌اند که می‌تواند با ارزیابی صداهایی مانند سرفه و تنفس به تشخیص و نظارت بر وضعیت سلامت افراد کمک کند. این سیستم هوش مصنوعی که روی میلیون‌ها کلیپ صوتی از صدای انسان آموزش داده شده است، ممکن است روزی توسط پزشکان برای تشخیص بیماری‌هایی از جمله کووید-۱۹ و سل و ارزیابی عملکرد ریه‌های فرد مورد استفاده قرار گیرد. در ادامه آمده است که این اولین بار نیست که یک گروه تحقیقاتی استفاده از صدا را به عنوان یک نشانگر زیستی برای بیماری‌ها بررسی می‌کنند. این مفهوم در طول همه‌گیری کووید-۱۹، زمانی که دانشمندان دریافتند که می‌توان بیماری تنفسی را از طریق سرفه یک فرد تشخیص داد، مورد توجه قرار گرفت. آنچه در مورد سیستم هوش مصنوعی گوگل جدید به حساب می‌آید، مجموعه داده‌های عظیمی است که این سیستم روی آن‌ها آموزش دیده است و همچنین می‌توان آن را برای انجام چندین کار به خوبی تنظیم کرد. محققان که در اوایل این ماه مقاله مربوط به این ابزار را در یک مجله پیش‌چاپ گزارش کردند، می‌گویند که هنوز خیلی زود است بگوییم هوش مصنوعی HeAR گوگل به یک محصول تجاری تبدیل خواهد شد یا خیر. در حال حاضر، برنامه این است که محققان علاقه‌مند به این مدل دسترسی داشته باشند تا بتوانند از آن در تحقیقات خود استفاده کنند. سوجای کاکارمث، مدیر محصول گوگل در شهر نیویورک که روی این پروژه کار می‌کرد، می‌گوید: هدف ما به عنوان بخشی از پژوهش گوگل این است که نوآوری در این زمینه نوپا را تشویق کنیم. چگونه مدل خود را آموزش دهیم اکثر ابزارهای هوش مصنوعی که در این فضا توسعه می‌یابند، روی فایل‌های ضبط شده صوتی به عنوان مثال، سرفه‌ها که با اطلاعات سلامتی درباره فردی که صداها را تولید کرده است همراه می‌شود، آموزش داده می‌شوند. به عنوان مثال، ممکن است روی این کلیپ‌ها برچسب زده شود تا نشان دهد که فرد در زمان ضبط، برونشیت داشته است. یائل بنسوسان، متخصص حنجره در دانشگاه فلوریدای جنوبی در تامپا، می‌گوید: در پزشکی، به‌طور سنتی، ما از یادگیری نظارتی زیادی استفاده می‌کنیم که بسیار عالی است؛ زیرا شما اعتبار بالینی دارید. نقطه ضعف آن اینجاست که مجموعه داده‌هایی را که می‌توانید استفاده کنید، محدود هستند؛ اما محققان گوگل بیش از ۳۰۰ میلیون کلیپ صوتی کوتاه از سرفه، تنفس و صاف کردن گلو را از ویدئوهای عمومی یوتیوب استخراج کردند. هوش مصنوعی گوگل برای تشخیص کووید-۱۹، سل و مواردی مانند سیگار کشیدن یک فرد تطبیق داده شده است. از آنجایی که این مدل روی طیف وسیعی از صداهای انسانی آموزش دیده، برای تنظیم دقیق آن، محققان تنها مجبور بودند مجموعه داده‌های بسیار محدودی را که با این بیماری‌ها و ویژگی‌ها برچسب‌گذاری شده بودند، به آن ارائه کنند. علی عمران، مهندس دانشگاه اوکلاهاما در تولسا، می‌گوید که حجم عظیم داده‌های استفاده شده توسط گوگل به ما این اطمینان را می‌دهد که این یک ابزار قابل اعتماد است. عمران، توسعه اپلیکیشنی به نام AI4COVID-19 را رهبری می‌کند که در تشخیص سرفه‌های کووید-۱۹ از دیگر انواع سرفه‌ها نتایج امیدوارکننده‌ای داشته است. گروه او قصد دارند برای دریافت تاییدیه از سازمان غذا و داروی ایالات متحده (FDA) درخواست بدهند. او در حال حاضر به دنبال بودجه برای انجام آزمایش‌های بالینی لازم است.