ویژگی جدید «چت‌جی‌پی‌تی» به کاربران امکان می‌دهد تا کارهای خود را به یاد بیاورند و برنامه‌ریزی کنند. کاربران چت‌بات «چت‌جی‌پی‌تی»(ChatGPT) شرکت «اوپن‌ای‌آی»(OpenAI) اکنون می‌توانند از آن بخواهند کارها را به آنها یادآوری یا درخواست‌های تکرارشونده را برنامه‌ریزی کند. ویژگی جدید نسخه بتا که «تسکز»(tasks) نام دارد، از این هفته برای کاربران «چت‌جی‌پی‌تی پلاس»(ChatGPT Plus)، «چت‌جی‌پی‌تی تیم»(ChatGPT Team) و «چت‌جی‌پی‌تی پرو»(ChatGPT Pro) در سراسر جهان عرضه خواهد شد. کاربران با استفاده از ویژگی تسکز می‌توانند یادآورهای ساده‌ای را مانند «وقتی پاسپورتم شش ماه دیگر منقضی شد، به من یادآوری کن» با چت‌جی‌پی‌تی تنظیم کنند تا دستیار هوش مصنوعی به پیگیری آن بپردازد و اعلان را در زمان مقرر ارائه دهد. همچنین، کاربران می‌توانند درخواست‌های تکرارشونده را مانند «هر جمعه، یک برنامه آخر هفته را براساس موقعیت مکانی و پیش‌بینی آب‌وهوا به من بده» یا «هر روز ساعت هفت صبح به من یک گزارش خبری بده» در چت‌جی‌پی‌تی تنظیم کنند. به نظر می‌رسد این ویژگی جدید، اولین گام شرکت اوپن‌ای‌آی به سمت مدل‌های هوش مصنوعی است که می‌توانند تا حدودی مستقل عمل کنند و به عنوان عوامل هوش مصنوعی شناخته می‌شوند. «سم آلتمن»(Sam Altman) مدیرعامل اوپن‌ای‌آی معتقد است که سال ۲۰۲۵ یک سال مهم برای عوامل هوش مصنوعی خواهد بود. حتی آلتمن ادعا کرده است که امسال عوامل هوش مصنوعی به نیروی کار خواهند پیوست. تسکز یک نسخه نسبتا محدود از یک سیستم عامل است که به کاربران امکان می‌دهد یادآوری‌هایی را با چت‌جی‌پی‌تی تنظیم کنند. این یک ویژگی کاربردی است که بیشتر مردم از دستیارهای صوتی مانند «سیری»(Siri) و «الکسا»(Alexa) انتظار دارند. درخواست‌های برنامه‌ریزی‌شده، منحصربه‌فردتر هستند و قابلیت‌های جدیدی را نشان می‌دهند که دستیارهای دیجیتال پیشین قادر به انجام دادن آنها نبودند. کاربران می‌توانند با انتخاب «4o with scheduled tasks» از منوی کشویی در چت‌جی‌پی‌تی به ویژگی جدید دسترسی پیدا کنند. آنها از آنجا می‌توانند پیامی را به ChatGPT بفرستند که به دستیار هوش مصنوعی بگوید چه یادآوری یا اقدامی را می‌خواهند ایجاد کنند. به گفته اوپن‌ای‌آی، چت‌جی‌پی‌تی گاهی اوقات ممکن است وظایف خاصی را براساس چت‌ها پیشنهاد کند. اوپن‌ای‌آی گفت از این دوره نسخه بتا استفاده خواهد کرد تا پیش از آن که این ویژگی را به طور گسترده در اپلیکیشن تلفن همراه و نسخه رایگان ChatGPT در دسترس قرار دهد، درباره نحوه استفاده افراد از ویژگی تسکز بیشتر بیاموزد.

سم آلتمنُ مدیرعامل اُپن‌ای‌آی می‌گوید که هوش‌ مصنوعی فوق هوشمند یا ابرهوش‌ مصنوعی (superintelligent) این شرکت برای ورود به بازار کار در سال ۲۰۲۵ آماده می‌شود. سم آلتمن گفت که در سال ۲۰۲۵ میلادی، هوش مصنوعی ممکن است به نیروی کار بپیوندد. این هوش مصنوعی که برای عملکرد مستقل طراحی شده‌ است، می‌تواند میزان بهره‌وری را متحول کند. مدیر عامل اُپن‌ای‌آی تاکید کرده است که سال ۲۰۲۵ می‌تواند یک لحظه مهم در تاریخ هوش مصنوعی (AI) باشد. انتظار می‌رود اولین عوامل کارمندان هوش مصنوعی به نیروی کار بپیوندند و بر بهره‌وری کسب و کار تاثیر مادی بگذارند. این توسعه که به عنوان بخشی از تکامل گسترده‌تر هوش مصنوعی پیش‌بینی می‌شود، می‌تواند جریان‌های کاری سنتی را بازتعریف کند و چشم‌انداز اقتصادی را تغییر دهد. بر اساس وبلاگ شخصی آلتمن، این کارمندان هوش مصنوعی برای عملکرد مستقل در محیط‌های حرفه‌ای طراحی شده‌اند و نتیجه‌ سال‌ها توسعه هستند. برخلاف ابزارهای فعلی که برای عملکرد مؤثر به نظارت انسانی متکی هستند، هدف کارمندان هوش مصنوعی جدید، انجام وظایف پیچیده است و به طور مستقیم به بهره‌وری شرکت‌ها در بخش‌های مختلف کمک می‌کند. او گفت: «ما معتقدیم که در سال ۲۰۲۵، ممکن است اولین کارمندان هوش مصنوعی را ببینیم که به نیروی کار می‌پیوندند و خروجی شرکت‌ها را تغییر می‌دهند. ما همچنان بر این باوریم که قرار دادن مکرر ابزارهای عالی در دست مردم منجر به نتایج عالی و گسترده می‌شود.» مدیر عامل اُپن‌ای‌آی ادعا می‌کند که این سیستم‌ها دارای قابلیت‌هایی برای «تغییر مادی خروجی» سازمان‌ها با کاربردهای بالقوه در خدمت‌رسانی به مشتری، تحقیقات، عملیات و فراتر از آن هستند. وی تاکید می‌کند که این معرفی تدریجی خواهد بود و به کسب و کارها و جامعه فرصت می‌دهد تا با پیامدهای استقرار آنها سازگار شوند. آلتمن افزود: ما در حال تبدیل کردن هدف خود به ابرهوش مصنوعی به معنای واقعی کلمه هستیم. ما عاشق محصولات فعلی خود هستیم، اما ما برای ایجاد آینده‌ای باشکوه، اینجا هستیم. با ابرهوش مصنوعی، ما می‌توانیم هر کاری را انجام دهیم. ابزارهای فوق هوشمند می‌توانند اکتشافات و نوآوری‌های علمی را بسیار فراتر از آنچه ما به تنهایی انجام می‌دهیم، سرعت ببخشند و به نوبه خود فراوانی و شکوفایی را افزایش دهند. با این حال، منتقدان سؤالاتی را در مورد آمادگی چنین فناوری و تاثیر اجتماعی آن مطرح کرده‌اند. نگرانی‌ها در مورد جابجایی مشاغل، استفاده اخلاقی و پیامدهای گسترده‌تر ادغام هوش مصنوعی پیشرفته در محل کار است. کارشناسان از دولت‌ها و تنظیم‌کننده‌های قوانین می‌خواهند که چارچوب‌های محکمی برای مقابله با خطرات احتمالی ایجاد کنند و در عین حال از مزایای این جهش فناوری تا بیشترین حد ممکن استفاده کنند.

پژوهشگران دانشگاه کمبریج بریتانیا در گزارشی تازه اعلام کرده‌اند که عصر جدیدی از حکمرانی هوش مصنوعی در راه است. در عصر هوش مصنوعی نه تنها توجه انسان، بلکه نیت‌ها و تصمیم‌گیری‌ها نیز به عنوان کالایی برای خرید و فروش تبدیل خواهد‌ شد. روزنامه گاردین گزارش داده است، این پژوهش که در مرکز لورهولم برای آینده هوش مصنوعی انجام شده، از ظهور پدیده‌ای به نام «اقتصاد نیت» خبر می‌دهد که می‌تواند از انتخاب یک فیلم ساده تا رای شهروندان در انتخابات را تحت تاثیر قرار دهد. اقتصاد توجه، درک مفهوم و عملکرد فعلی به گفته دکتر جانی پن، مورخ فناوری در مرکز لورهولم کمبریج در بریتانیا، برای دهه‌ها، جلب توجه کاربران به عنوان سرمایه اصلی دنیای اینترنت بوده‌ است. او تاکید کرده است که شبکه‌های اجتماعی مانند فیس‌بوک و اینستاگرام با این سرمایه کار می‌کنند، آن‌ها کاربران را ساعت‌ها در پلتفرم‌های خود نگه می‌دارند و در این زمان، تبلیغات مختلف را به آن‌ها نشان می‌دهند. تبلیغ‌کنندگان هم برای خرید این توجه دو راه دارند یا در مزایده‌های آنی شرکت می‌کنند تا تبلیغشان همان لحظه نمایش داده‌ شود، یا مثل رزرو بیلبوردها، از قبل زمان نمایش تبلیغات خود را می‌خرند. اقتصاد نیت، بازار نوظهور پیش‌بینی رفتار انسان پژوهشگران مرکز لورهولم کمبریج می‌گویند «اقتصاد نیت» پدیده‌ای در حال ظهور است و به‌زودی جایگزین اقتصاد توجه خواهد‌ شد. در این اقتصاد جدید، شرکت‌های فناوری با استفاده از هوش مصنوعی، فراتر از جلب توجه ساده کاربران عمل می‌کنند. آن‌ها با تحلیل رفتار کاربران، می‌توانند انگیزه‌ها و نیات آن‌ها را شناسایی و پیش‌بینی کنند و این اطلاعات گران‌بها را به بالاترین پیشنهاد دهنده بفروشند. برای مثال، یک شرکت می‌تواند بفهمد که شما قصد رزرو هتل دارید، به کدام نامزد انتخاباتی علاقه‌مند هستید یا حتی چه برنامه‌های سفری در ذهن دارید. این اطلاعات برای تبلیغ‌کنندگان، کسب‌وکارها و سایر شرکت‌ها بسیار ارزشمند است، چرا که می‌توانند پیش از آنکه شما تصمیم نهایی خود را بگیرید، پیشنهادهای هدفمندی به شما ارائه دهند. محققان از این اتفاق به عنوان دوره تازه «سودجویی» یاد می‌کنند. درست مثل دوران «تب طلا» که با هجوم به معادن طلا همراه شد، شرکت‌های مختلف برای دستیابی به اطلاعات ارزشمند درباره نیت‌ها و قصدهای مردم با یکدیگر رقابت خواهند‌ کرد. شرکت‌هایی که بتوانند نیات انسانی را شناسایی، هدایت و معامله کنند، سود سرشاری به دست خواهند‌ آورد. برای نمونه، در آینده‌ای نه چندان دور، شرکتی مانند متا می‌تواند قصد شما برای رزرو رستوران، پرواز یا هتل را به مزایده بگذارد و به بالاترین پیشنهاد دهنده بفروشد. اگرچه امروز هم صنعتی برای پیش‌بینی و مزایده رفتار انسان وجود دارد، اما مدل‌های هوش مصنوعی این کار را با دقت، پویایی و شخصی‌سازی بیشتری انجام خواهند‌ داد. نقش مدل‌های زبانی بزرگ در شکل‌گیری اقتصاد نیت مدل‌های زبانی بزرگ، که فناوری پایه‌ای ابزارهایی مانند چت‌جی‌پی‌تی هستند، نقش کلیدی در شکل‌گیری اقتصاد نیت خواهند‌ داشت. این مدل‌ها به شیوه‌های مختلف با کاربران تعامل می‌کنند و از این راه، داده‌های رفتاری و روانشناختی آن‌ها را جمع‌آوری، تحلیل و پیش‌بینی می‌کنند. برای مثال، یک مدل زبانی می‌تواند در گفت‌وگو با کاربر، به طور هوشمندانه‌ای پرسش‌هایی هدفمند بپرسد. تصور کنید در حال گفت‌وگو با یک دستیار هوش مصنوعی هستید و او می‌پرسد: «به دیدن فیلم مرد عنکبوتی فکر کرده‌اید؟» یا وقتی از خستگی و فشار کاری صحبت می‌کنید، پیشنهاد می‌دهد: «می‌خواهید برای آن فیلمی که قبلا درباره‌اش صحبت کردیم، بلیت رزرو کنم؟» نکته مهم این است که این پیشنهادها به صورت تصادفی مطرح نمی‌شوند. هر پیشنهاد بر اساس تحلیل دقیق رفتار شخصی کاربر و نمایه روان‌شناختی او تنظیم می‌شود. به عبارت دیگر، مدل زبانی می‌تواند با هزینه کم، از اطلاعات مختلفی مانند سلیقه موسیقایی، گرایش‌های سیاسی، نوع واژگان مورد استفاده، سن، جنسیت و حتی میزان تمایل شما به تعریف و تمجید استفاده کند تا احتمال موفقیت در رسیدن به هدف مورد نظر را افزایش دهد. پژوهشگران می‌گویند این مدل‌ها حتی می‌توانند مکالمات روزمره را طوری هدایت کنند که اطلاعات شخصی بیشتری از کاربر به دست آورند. سپس این اطلاعات را در اختیار تبلیغ‌کنندگان، کسب‌وکارها و دیگر شرکت‌های ثالث قرار دهند تا آن‌ها بتوانند پیشنهادهای خود را با دقت بیشتری به مخاطبان هدف برسانند. نظرات مدیران شرکت‌های بزرگ فناوری نشان می‌دهد که اقتصاد نیت به سرعت در حال شکل‌گیری است. جنسن هوانگ، مدیرعامل شرکت انویدیا که بزرگترین تولیدکننده تراشه‌های هوش مصنوعی در جهان است، می‌گوید در آینده‌ای نزدیک، مدل‌های هوش مصنوعی می‌توانند نیت و خواسته شما را درک کنند و با توجه به شرایط و موقعیتی که در آن قرار دارید، بهترین اطلاعات را به شما ارائه دهند. پیشرفت‌های اخیر نشان می‌دهند این پیش‌بینی چندان دور از ذهن نیست. برای نمونه، شرکت متا مدل هوش مصنوعی به نام «سیسرو» ساخته که می‌تواند بازی پیچیده دیپلوماسی را در سطح انسانی بازی کند. اهمیت این دستاورد در این است که بازی دیپلوماسی به درک عمیق از نیت‌ها و انگیزه‌های طرف مقابل نیاز دارد و موفقیت سیسرو نشان می‌دهد هوش مصنوعی تا چه حد در فهم و پیش‌بینی رفتار انسان پیشرفت کرده‌ است. نگرانی‌های اخلاقی و اجتماعی پژوهشگران دانشگاه کمبریج درباره پیامدهای گسترش اقتصاد نیت هشدار می‌دهند. آن‌ها می‌گویند اگر این فناوری بدون نظارت و مقررات مناسب گسترش یابد، انگیزه‌ها و نیت‌های انسانی به کالایی برای خرید و فروش تبدیل خواهند‌ شد. دکتر جانی پن، از پژوهشگران این مطالعه، می‌گوید باید پیش از آنکه در دام پیامدهای ناخواسته این فناوری گرفتار شویم، تاثیرات احتمالی آن را بر ارزش‌های بنیادین جامعه از جمله انتخابات آزاد و منصفانه، مطبوعات آزاد و رقابت عادلانه در بازار را بررسی کنیم. در غیر این صورت، ممکن است در آینده‌ای نه چندان دور، استقلال تصمیم‌گیری انسان‌ها به طور جدی به چالش کشیده‌ شود.

به رغم روی آوردن بسیاری از شرکت‌های هوش مصنوعی به ارائه مدل‌های هوش مصنوعی استدلالی، بسیاری از افراد آن را به عنوان بهترین گزینه برای پیشرفت این حوزه قبول ندارند. پس از انتشار مدل «o1» شرکت «اوپن‌ای‌آی»(OpenAI) معروف به «مدل استدلالی»، جهان با انفجار مدل‌های استدلالی از آزمایشگاه‌های هوش مصنوعی رقیب روبرو شده است. به نقل از تک کرانچ، شرکت هوش مصنوعی «دیپ‌سیک»(DeepSeek) در اوایل ماه نوامبر یک پیش‌نمایش را از اولین الگوریتم استدلالی خود موسوم به «DeepSeek-R۱» منتشر کرد. در همان ماه، گروه «کوئن»(Qwen) زیرمجموعه «علی‌بابا»(Alibaba) از مدلی رونمایی کرد که به ادعای آن، اولین رقیب باز o1 است. فشار رقابتی شدیدی بر شرکت‌های هوش مصنوعی برای حفظ سرعت کنونی نوآوری وجود دارد. براساس یک برآورد، ارزش بازار جهانی هوش مصنوعی در سال ۲۰۲۳ به ۱۹۶.۶۳ میلیارد دلار رسید و تا سال ۲۰۳۰ می‌تواند به ۱.۸۱ تریلیون دلار برسد. به عنوان مثال، اوپن‌ای‌آی ادعا کرده است که مدل‌های هوش مصنوعی استدلالی می‌توانند مشکلات سخت‌تری را نسبت به مدل‌های پیشین حل کنند و نشان‌دهنده یک تغییر در توسعه هوش مصنوعی مولد هستند. با وجود این، همه متقاعد نشده‌اند که مدل‌های استدلالی بهترین مسیر رو به جلو هستند. «آمیت تالوالکار»(Ameet Talwalkar) دانشیار یادگیری ماشینی در «دانشگاه کارنگی ملون»(CMU) عقیده دارد که محصول اولیه مدل‌های استدلالی بسیار چشمگیر است. با وجود این، او انگیزه‌های هر کسی را که با اطمینان ادعا می‌کند می‌داند مدل‌های استدلالی صنعت را به کجا می‌رسانند، زیر سوال می‌برد. تالوالکار گفت: شرکت‌های هوش مصنوعی، مشوق‌های مالی را برای ارائه پیش‌بینی‌های درخشان درباره قابلیت‌های نسخه‌های آینده فناوری خود دارند. ما خطر تمرکز نزدیک‌بینانه را روی یک الگوی واحد داریم. به همین دلیل است که برای جامعه تحقیقاتی گسترده‌تر هوش مصنوعی بسیار مهم است که کورکورانه به تبلیغات و تلاش‌های بازاریابی این شرکت‌ها باور نداشته باشند و در عوض روی نتایج ملموس تمرکز کنند. دو جنبه منفی مدل‌های استدلالی این است که پرهزینه و قدرت‌طلب هستند. «گای ون دن بروک»(Guy Van Den Broeck) استاد علوم رایانه «دانشگاه کالیفرنیا لس‌آنجلس»(UCLA) گفت: هزینه کلی استدلال مدل زبانی بزرگ مطمئنا کاهش نمی‌یابد. یکی از دلایل بالا بودن هزینه مدل‌های استدلالی این است که برای اجرا به منابع محاسباتی زیادی نیاز دارند. برخلاف بیشتر مدل‌های هوش مصنوعی، o1 و سایر مدل‌های استدلالی سعی می‌کنند کار خود را هنگام انجام دادن آن مورد بررسی قرار دهند. این ویژگی به آنها کمک می‌کند تا از برخی مشکلاتی که معمولا مدل‌ها را به خطر می‌اندازند، دور بمانند و جنبه منفی این است که اغلب برای رسیدن به راه‌حل‌ها به زمان بیشتری نیاز دارند. اوپن‌ای‌آی، مدل‌های استدلالی آینده را به تصویر می‌کشد که ساعت‌ها، روزها یا حتی هفته‌ها به صورت متوالی فکر می‌کنند. این شرکت اذعان می‌کند که هزینه‌های استفاده بیشتر خواهند بود اما بازدهی مدل‌ها ممکن است ارزش این زمان را داشته باشد. ارزش پیشنهادی مدل‌های استدلالی امروزی به اندازه کافی آشکار نیست. «کوستا هوانگ»(Costa Huang) پژوهشگر و مهندس یادگیری ماشینی در سازمان غیرانتفاعی «Ai2» خاطرنشان کردکه o1 یک ماشین حساب قابل اعتماد نیست و جستجوهای گذرا در رسانه‌های اجتماعی، تعدادی از خطاهای حالت o1 pro را نشان می‌دهند. هوانگ گفت: این مدل‌های استدلالی، تخصصی هستند و ممکن است در حوزه‌های عمومی ضعیف عمل کنند. برخی محدودیت‌ها زودتر از سایر محدودیت‌ها برطرف می‌شوند. ون دن بروک ادعا کرد که مدل‌های استدلالی، استدلال واقعی را انجام نمی‌دهند و به همین دلیل فقط می‌توانند وظایف محدودی را با موفقیت انجام دهند. وی افزود: استدلال واقعی روی همه مشکلات کار می‌کند؛ نه فقط مشکلاتی که احتمالا در داده‌های آموزشی مدل وجود دارند. این چالش اصلی است که هنوز باید بر آن غلبه کرد. با توجه به انگیزه قوی بازار برای تقویت مدل‌های استدلالی، این یک شرط قطعی است که مدل‌ها با گذشت زمان بهتر شوند. از این گذشته، تنها شرکت‌های اوپن‌ای‌آی، دیپ‌سیک و علی‌بابا نیستند که در این حوزه جدید تحقیقات هوش مصنوعی سرمایه‌گذاری می‌کنند. بنیان‌گذاران صنایع نیز برای آینده‌ای گام برمی‌دارند که تحت سلطه استدلال هوش مصنوعی است. با وجود این، تالوالکار نگران است که آزمایشگاه‌های بزرگ از این پیشرفت‌ها محافظت کنند. وی افزود: قابل درک است که آزمایشگاه‌های بزرگ، دلایل رقابتی را برای مخفی ماندن دارند اما این عدم شفافیت به شدت مانع توانایی جامعه پژوهشی برای تعامل با این ایده‌ها می‌شود. من انتظار دارم با کار کردن افراد بیشتری در این حوزه، مدل‌های استدلالی به سرعت پیشرفت کنند. اگرچه برخی از ایده‌ها از دانشگاه می‌آیند اما با توجه به انگیزه‌های مالی انتظار می‌رود که بیشتر مدل‌ها توسط آزمایشگاه‌های صنعتی بزرگ مانند اوپن‌ای‌آی ارائه شوند.

یک زن نابینای اهل پرتغال در انگلیس تحت عمل جراحی پیش‌گامانه چشم با هوش مصنوعی قرار گرفت و بینایی خود را به دست آورد. یک زن نابینای ۳۱ ساله پرتغالی به نام پاتریشیا گونسالوس(Patrícia Gonçalves) بینایی خود را به لطف یک عمل جراحی لیزیک پیشگامانه با هوش مصنوعی به دست آورد. ظهور هوش مصنوعی، عصر رشد و پیشرفت تصاعدی در زمینه علوم پزشکی را رقم زده است. در سال‌های اخیر، فناوری پزشکی مدرن گام‌های بزرگی رو به جلو برداشته است و آینده‌ای پر از امکانات بی‌شمار را نوید می‌دهد. یکی از این دستاوردهای انقلابی، ترکیب هوش مصنوعی با جراحی لیزر است که به تازگی در کلینیک فوکوس در لندن انگلیس به دست آمده است. بر اساس گزارشی که توسط نشریه Blind Ambition منتشر شده است، یک زن ۳۱ ساله پرتغالی نابینا به نام پاتریشیا گونسالوس با موفقیت بینایی خود را به لطف یک عمل جراحی لیزیک پیشگامانه با هوش مصنوعی به دست آورده و نقطه عطفی جدید در فناوری پزشکی را رقم زده است. پاتریشیا اولین فرد در بریتانیاست که این درمان پیشرفته را دریافت کرده است. این تکنیک ابداعی علاوه بر بازگرداندن بینایی، همچنین بر اساس گزارش‌ها این قابلیت را دارد که مرزهای توانایی یک چشم عادی انسان را نیز جابجا کند. بر اساس این گزارش، بینایی گونسالوس پس از عمل جراحی اکنون بهتر از دید طبیعی ۲۰/۲۰ است. وی که اهل پرتغال است، اخیراً از دانشگاه آکسفورد فارغ التحصیل شده است. او در کودکی به آستیگماتیسم شدید و نزدیک‌بینی حاد مبتلا شد و از سنین پایین با مشکلات شدید بینایی دست و پنجه نرم کرد. گونسالوس حدود ۶۵۰۰ پوند برای این جراحی هزینه کرد که با استفاده از یک فناوری اسکن با فناوری پیشرفته، یک همزاد دیجیتالی از چشمان او ایجاد کرد. سپس یک نرم افزار هوش مصنوعی توانست حدود ۲۰۰۰ روش مختلف لیزر درمانی را روی آن شبیه‌سازی و ارزیابی کند تا نتیجه نهایی کل فرآیند را بهینه کند. دکتر دیوید آلمبی، جراح ارشد چشم در کلینیک فوکوس می‌گوید: پاتریشیا از پنج سالگی عینک زده است، در حالی که بدون عینک رسما نابینا محسوب می‌شود و نمی‌تواند حرف بزرگ E را در بالاترین نقطه نمودار آزمایش چشم را ببیند. عمل جراحی گونسالوس زیر نظر دکتر آلمبی انجام شد. دکتر آلمبی پس از اتمام موفقیت آمیز این جراحی گفت: نمره چشم پاتریشیا قبل از جراحی ۲۰ از ۲۰۰ بود که با عینک به ۲۰ از ۲۰ می‌رسید، اما در حال حاضر می‌تواند ۲۰ از ۱۶ ببیند که بهتر از نمره قبلی است.

متخصصان مغز در گروه تحقیقاتی پزشکی و زیست‌فناوری مایکروسافت موسوم به Health Futures، یک مدل هوش مصنوعی ایجاد کرده‌اند که تومورها، سرطان پوست، عفونت‌های قفسه سینه و سایر مشکلات سلامتی را شناسایی می‌کند. متخصصان سلامت، با ارائه داده‌های حاصل از روش‌های تصویربرداری مرسوم به این هوش مصنوعی، می‌توانند از این مدل برای تشخیص علائمی از بیماری استفاده کنند که در غیر این صورت ممکن است مورد توجه قرار نگیرد. به طور معمول، تصاویر حاصل از سونوگرافی، سی‌تی اسکن، روش‌های ام‌آرآی و سایر روش‌ها به متخصصان انسانی فرستاده می‌شود که هر تصویر را به دقت بررسی کنند. دسته‌های سلولی غیرمعمول، تغییر جزئی در شکل سلول‌های پوستی، مایعی که می‌تواند نشان دهنده عفونت ریه و غیره باشد مورد بررسی قرار می‌گیرند. اما ریزترین نشانه‌های خطر، می‌توانند از زیر چشم رادار عبور کنند و احتمال اینکه بیمار ابتلا به یک مشکل خطرناک سلامتی را قبل از پیشرفت متوجه شود، از بین برود. برخی از مراحل شناسایی، مانند شناسایی تومور و نقشه‌برداری شکل دقیق آن، توسط گروهای جداگانه انجام می‌شود و برخی از اکتشافات بالقوه به ناچار از بین می‌روند. هدف مدل BiomedParse پر کردن این شکاف‌ها با کمک به انسان‌ها در انجام سه مرحله اصلی پردازش تصویر پزشکی یعنی یافتن موارد خطرناک، تشخیص و تقسیم‌بندی آنها است. Health Futures  می‌گوید که مدل آنها در ۹ روش تصویربرداری بهتر از چشم انسان عمل می‌کند و با موفقیت به عنوان یک راه حل تجزیه و تحلیل «کلی» برای طیف گسترده‌ای از تخصص‌ها کاربرد دارد. برای ساخت این مدل هوش مصنوعی، محققان از جی‌پی‌تی-۴ اُپن‌ای‌آی برای ایجاد یک مجموعه داده متمرکز بر دو مرحله اول پردازش تصاویر پزشکی استفاده کردند که شامل یافتن مورد خطرناک(شناسایی یک ناهنجاری) و تشخیص(تصویربرداری از آنچه که دقیقا باعث ایجاد ناهنجاری در محیط می‌شود)، بود. این مجموعه داده شامل بیش از شش میلیون تصویر از اندام، بافت شناسی و ناهنجاری‌های متفرقه و توضیحات متنی همراه با آن از سراسر بدن بود. این تصاویر هوش مصنوعی BiomedParse را قادر می‌سازد تا جزئیات ریز را از تصاویر سی‌تی‌اسکن، ام‌آرآی، اشعه ایکس، فراصوت، آسیب‌شناسی، فوندوس(پشت چشم)، درموسکوپی، آندوسکوپی و OCT(موج نور) تشخیص دهد. متخصصان پزشکی مجموعه‌ای از تصاویر برای مثال اسلایدهای آسیب‌شناسی از کبد بیمار و یک متن ساده را در اختیار این هوش مصنوعی قرار می‌دهند. سپس این مدل، اسلایدها را با تصاویر آموزشی مرتبط با بیماری ذکر شده در متن، مقایسه می‌کند. اگر مدل نشانه‌هایی از آن بیماری را پیدا کند، آن را اعلام می‌کند و اگر پیدا نکند، درخواست کاربر را به عنوان نامعتبر رد می‌کند. Health Futures ادعا می‌کند که هوش مصنوعی BiomedParse با موفقیت سرطان پوست، کیست، عفونت قفسه سینه ناشی از کووید-۱۹ و تومورها را در سراسر بدن شناسایی کرده است. مشخص نیست که آیا این گروه قصد دارد این فناوری را تجاری‌سازی کند یا خیر. در این میان، سایر مدل‌های هوش مصنوعی به متخصصان پزشکی کمک می‌کنند تا سرطان لوزالمعده، سرطان ریه، سرطان پستان و سایر شرایط تهدیدکننده حیات را شناسایی و پیش‌بینی کنند.

شرکت توسعه هوش مصنوعی آنتروپیک(Anthropic) می‌گوید هوش مصنوعی روزی می‌تواند بشریت را با کارشکنی و خرابکاری مواجه کند، اما فعلاً همه چیز خوب پیش می‌رود. شرکت آنتروپیک که توسعه دهنده هوش مصنوعی است، به تازگی تحقیقات جدیدی را منتشر کرده است که در آن مجموعه‌ای از تهدیدات بالقوه خرابکارانه برای بشریت ناشی از مدل‌های پیشرفته هوش مصنوعی را شناسایی می‌کند. این شرکت گفته است که این پژوهش بر چهار روش خاص متمرکز شده است که یک مدل هوش مصنوعی مخرب می‌تواند انسان را فریب دهد تا تصمیمی خطرناک یا مضر بگیرد. در نهایت، این تحقیقات جدید یک خبر خوب یک خبر بد برای ما دارد. خبر بد اینکه طبق تحقیقات این شرکت، مدل‌های زبان بزرگ پیشرفته مانند ChatGPT  و Claude-3  ظرفیت روشنی برای خرابکاری نشان می‌دهند. در این مطالعه آمده است: مدل‌های به اندازه کافی توانمند می‌توانند نظارت و تصمیم‌گیری انسانی را در زمینه‌های مهم زیر سوال ببرند. به عنوان مثال، در زمینه توسعه هوش مصنوعی، مدل‌ها می‌توانند به طور پنهانی تلاش‌ها برای ارزیابی قابلیت‌های خطرناک خود، نظارت بر رفتار آنها یا تصمیم‌گیری در مورد استقرارشان را مختل کنند. با این حال، خبر خوب این است که محققان شرکت آنتروپیک مطمئن هستند که این خطرات را حداقل در حال حاضر می‌توان کاهش داد. خرابکاری آنتروپیک چهار راه را که یک مدل هوش مصنوعی می‌تواند با آنها تصمیم‌گیری انسان را مختل کند، شناسایی کرد و سپس مدل‌های خود را آزمایش کرد تا ببیند آیا موفقیت آمیز عمل خواهند کرد یا خیر. محققان ابتدا یک مدل را وادار کردند تا با هدایت انسان به سمت اطلاعات نادرست، اقدام به خرابکاری کند. این تهدید می‌تواند در شرایطی پدیدار شود که انسان‌ها برای تجزیه حجم عظیمی از داده‌ها از جانب خود به یک سیستم هوش مصنوعی متکی هستند. سپس این تیم مدل‌ها را آزمایش کرد تا ببیند سامانه هوش مصنوعی طراحی شده برای کمک به توسعه‌دهندگان انسانی برای ایجاد کدی برای وارد کردن مخفیانه اشکالات یا خراب کردن تلاش‌های کدگذار، چقدر آسان عمل می‌کند. دو تهدید آخر شامل «پنهان کردن توانایی‌ها»(sandbagging) بود که اصطلاحی است که سناریویی را توصیف می‌کند که در آن یک هوش مصنوعی وانمود می‌کند که قادر به انجام کاری نیست تا آزمایش‌کنندگان ایمنی را متقاعد کند که خطرناک نیست. در حالی که همه اینها ممکن است به طور بالقوه خطرناک به نظر برسند، آنتروپیک به مردم اطمینان داد که برای محافظت از بشریت در برابر احتمال خرابکاری هوش مصنوعی به اقدامات پیش‌گیرنده اندکی نیاز است. طبق اعلام این شرکت؛ به طور کلی در حالی که آزمایشات ما نشان داد که احتمالاً نشانه‌های سطح پایینی از توانایی‌های خرابکاری در مدل‌های فعلی وجود دارد، ما می‌گوییم که حداقل اقدامات پیش‌گیرنده برای مقابله با خطرات کافی است. با این حال، با بهبود قابلیت‌های هوش مصنوعی، ارزیابی‌های واقعی‌تر و پیش‌گیری‌های قوی‌تر احتمالاً ضروری خواهند بود.

توسعه فناوری هوش مصنوعی که غلظت یون آب را پیش‌بینی کند، می‌تواند کمک بزرگی برای سنجش کیفیت آب در مقیاس بزرگ باشد و به بهبود رفاه اجتماعی کمک کند. سایت نیوز وایز گزارش داده است که حدود ۲.۲ میلیارد نفر یعنی بیش از یک چهارم جمعیت جهان به آب آشامیدنی سالم و مدیریت‌شده دسترسی ندارند و حدود نیمی از جمعیت جهان در برخی از مقاطع سال با کمبود شدید آب روبرو هستند. در گزارش آمده است که به منظور غلبه بر این کمبودها، هزینه‌های اجتماعی و اقتصادی هنگفتی برای روش‌های استفاده از منابع آب جایگزین مانند استفاده از آب باران و نمک‌زدایی آب دریا صرف می‌شود. علاوه بر این، سیستم‌های توزیع متمرکز آب با مضراتی همراه هستند؛ از جمله اینکه قادر به پاسخ‌گویی فوری به تغییرات تقاضای آب نیستند. با توجه به چنین مشکلاتی، علاقه فزاینده‌ای به فناوری‌های غیر متمرکز تولید آب وجود دارد. فناوری‌های غیر متمرکز، فناوری‌های مبتنی بر الکتروشیمی مانند وایونش خازنی و وایونش الکترود باتری هستند که به آسانی به کار گرفته می‌شوند. با وجود این، حسگرهای اندازه‌گیری کیفیت آب که در فناوری‌های مبتنی بر الکتروشیمی استفاده می‌شوند، یون‌های منفرد موجود در آب را ردیابی نمی‌کنند و محدودیت‌هایی در درک شرایط کیفیت آب با استفاده از رسانایی الکتریکی دارند. گروه پژوهشی دکتر سون مون از مرکز تحقیقات چرخه منابع آب «موسسه علم و فناوری کره جنوبی»(KIST) با همکاری گروه پروفسور «بائک سانگ سو»(Baek Sang-Soo) از «دانشگاه یئونگنام»(Yeongnam University)، فناوری جدیدی را ابداع کرده‌اند که از هوش مصنوعی مبتنی بر داده برای پیش‌بینی دقیق غلظت یون‌ها در آب طی فرآیندهای تصفیه الکتروشیمیایی آب استفاده می‌کند. پژوهشگران در آزمایش‌ها دریافتند که برای بهبود دقت پیش‌بینی‌ها لازم است هر ۲۰ تا ۸۰ ثانیه به‌روزرسانی‌هایی انجام شود. این بدان معناست که برای اعمال این روش در شبکه‌های ردیابی یون‌های خاص باید کیفیت آب در هر دقیقه بررسی شود تا مدل اولیه آموزش ببیند. مدل مورد استفاده در این پژوهش نسبت به مدل‌های پیچیده یادگیری عمیق مقرون‌به‌صرفه‌تر است و برای آموزش به منابع محاسباتی بیش از ۱۰۰ برابر کمتر نیاز دارد. دکتر مون گفت: اهمیت این پژوهش فقط توسعه یک مدل هوش مصنوعی جدید نیست، بلکه کاربرد آن در سیستم ملی مدیریت کیفیت آب است. با استفاده از این فناوری می‌توان غلظت یون‌ها را با دقت بیشتری تحت کنترل قرار داد و به بهبود دسترسی به آب کمک کرد. این پژوهش در مجله «Water Research» به چاپ رسید.

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.