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.

ساینس دیلی در تازه‌ترین مورد گزارش داده است که روش نوآورانه پژوهشگران «دانشگاه تگزاس در آستین»، از هوش مصنوعی و حسگرهای زیستی استفاده می‌کند تا راه را برای توسعه سریع‌تر داروهایی مانند داروی آلزایمر هموار کند. گالانتامین (Galantamine) یک داروی رایج است که افراد مبتلا به بیماری آلزایمر و سایر انواع زوال عقل در سراسر جهان برای درمان علائم بیماری خود از آن استفاده می‌کنند. تولید ترکیبات فعال در آزمایشگاه در مقیاس مورد نیاز، از نظر تجاری ساده نیست. در آمده است که ماده مؤثر طی یک فرآیند زمان‌بر از گل نرگس استخراج می‌شود و عوامل غیرقابل پیش‌بینی مانند آب و هوا و عملکرد محصول می‌توانند بر عرضه و قیمت دارو تأثیر بگذارند. پژوهشگران دانشگاه تگزاس در آستین، سیستم‌هایی را از جمله یک سیستم هوش مصنوعی و حسگرهای زیستی درخشان برای مهار میکروب‌ها توسعه داده‌اند که می‌توانند مشکل تولید داروها را حل کنند. پژوهشگران در این پروژه، فرآیندی را با استفاده از باکتری‌های اصلاح‌شده ژنتیکی برای ایجاد پیش‌ساز شیمیایی گالانتامین به عنوان محصول جانبی متابولیسم سلولی طبیعی این میکروب ارائه داده‌اند. این باکتری‌ها طوری برنامه‌ریزی شده‌اند که غذا را به ترکیبات دارویی تبدیل کنند. اندرو الینگتون، استاد دانشگاه تگزاس در آستین و پژوهشگر ارشد این پروژه، گفت: هدف این است که در نهایت داروهایی از این دست را در مقادیر زیاد تخمیر کنیم. این روش، یک منبع قابل اعتماد را ایجاد می‌کند که هزینه تولید آن بسیار کمتر است، فصل رشد ندارد و تحت تاثیر خشکسالی یا سیل قرار نمی‌گیرد. دنی دیاز، پژوهشگر مقطع فوق دکتری دانشگاه تگزاس در آستین، یک سیستم هوش مصنوعی را به نام «MutComputeX» ابداع کرد که کلید این فرآیند است. این سیستم، نحوه جهش پروتئین‌ها را در باکتری‌ها برای بهبود کارآیی و دمای عملیاتی آنها به منظور به حداکثر رساندن تولید ماده شیمیایی دارویی مورد نیاز مشخص می‌کند. دیاز گفت: این سیستم به شناسایی جهش‌هایی کمک کرد که باکتری‌ها را در تولید مولکول مورد نظر کارآمدتر می‌کنند. در برخی موارد، سیستم تا سه برابر بیشتر از سیستم طبیعی موجود در گل نرگس کارآمد بود. فرآیند مهار میکروب‌ها برای تولید محصولات جانبی سودمند، چیز جدیدی نیست. برای مثال، باکتری‌ها به تولید پنیر و ماست کمک می‌کنند. تخمیر میکروبی در حال حاضر برای ساخت انواع خاصی از انسولین برای درمان دیابت مورد استفاده قرار می‌گیرد. هورمون‌ها و پروتئین‌های نوترکیب مورد استفاده در چندین دارو مانند داروهای خودایمنی و حتی واکسن‌ها نیز تحت این فرآیند ایجاد می‌شوند. استفاده از هوش مصنوعی در این فرآیند، نسبتا جدید است و آنچه را که با تخمیر میکروبی امکان‌پذیر می‌شود، گسترش می‌دهد. این گروه پژوهشی، باکتری «اشریشیا کلی»(E. coli) را برای تولید «4-O’Methyl-norbelladine» اصلاح ژنتیکی کردند که یک عنصر شیمیایی سازنده گالانتامین است. این مولکول در خانواده‌ای از ترکیبات استخراج‌شده از گل نرگس موجود است که کاربرد دارویی در درمان بیماری‌هایی مانند سرطان، عفونت‌های قارچی و عفونت‌های ویروسی دارند، اما استفاده از تخمیر میکروبی برای ایجاد یک ماده شیمیایی در این خانواده، یک کار جدید است. پژوهشگران یک حسگر زیستی فلورسنت را نیز ابداع کردند تا به سرعت نشان دهد کدام باکتری، مواد شیمیایی مورد نظر را تولید می‌کند و چه مقدار از آن را ارائه می‌دهد. هنگامی که حسگر زیستی با پروتئینی که به طور ویژه ساخته شده است، تماس پیدا می‌کند، به رنگ سبز می‌درخشد. سایمون دویلزنیتز، پژوهشگر ارشد این پروژه گفت: حسگر زیستی به ما امکان می‌دهد تا نمونه‌ها را در چند ثانیه آزمایش و تحلیل کنیم. همچنین، برنامه یادگیری ماشینی به ما امکان می‌دهد که به راحتی ترکیبات را از ده‌ها هزار مورد به ده‌ها مورد محدود کنیم. این دو در کنار هم، یک سیستم واقعا قوی را تشکیل می‌دهند. این پژوهش در مجله «Nature Communications» به چاپ رسید.

یک مطالعه جدید از پژوهشگران دانشگاه «استنفورد» نشان می‌دهد که هوش مصنوعی می‌تواند با دقت ۹۰ درصدی تشخیص دهد که مخاطبش یک مرد یا یک زن است. سایت علمی آی‌ای در مطلبی نوشته است که «مردان مریخی هستند و زنان ونوسی» آیا قبلاً این عبارت را شنیده‌اید؟ در حالی که در قرن بیست و یکم، این بیشتر به عنوان یک استعاره در نظر گرفته می‌شود، دانشمندان دانشگاه «استنفورد» دریافته‌اند که بر اساس مطالعه جدیدی که در مجموعه مقالات آکادمی ملی علوم منتشر شده است، ممکن است مبنایی وجود داشته باشد که چرا و چگونه یک جنسیت مشخص، کاری را انجام می‌دهد. آن‌ها مدل جدیدی از هوش مصنوعی ایجاد کرده‌اند که می‌تواند به دقت پیش‌بینی کند که آیا یک اسکن مغزی متعلق به یک مرد یا یک زن است و در بیش از ۹۰ درصد مواقع درست تشخیص می‌دهد. آی‌ای نوشته است که دانشمندان مدت‌هاست درباره تأثیر جنسیت افراد بر سازمان و عملکرد مغز بحث کرده‌اند. با وجود دانستن اینکه کروموزوم‌های جنسی بر قرار گرفتن در معرض هورمون‌ها تأثیر می‌گذارند، ارتباط جنسیت با تفاوت‌های مغزی مشخص همواره چالش‌برانگیز بوده است. دکتر وینود منون استاد روانپزشکی و علوم رفتاری و مدیر آزمایشگاه علوم اعصاب شناختی و سیستمی استنفورد در یک بیانیه مطبوعاتی گفت که انگیزه اصلی این مطالعه این است که جنسیت در رشد مغز انسان، در پیری و همچنین بروز اختلالات روانپزشکی و عصبی نقش مهمی دارد. تحقیقات قبلی نشان داده‌اند که ساختار یا عملکرد مغز بین مردان و زنان تطابق کمی دارد. اما منون و تیمش از هوش مصنوعی پیشرفته و مجموعه داده‌های بزرگ برای تجزیه و تحلیل اسکن مغز استفاده کردند. مدل آن‌ها از روش‌های قبلی بهتر عمل کرد و به طور قابل اعتمادی بین مغز مرد و زن تمایز قائل شد. این موفقیت نشان می‌دهد که تفاوت‌های جنسیتی قابل تشخیص در مغز وجود دارد که قبلا نادیده گرفته می‌شدند. عملکرد قابل قبول این مدل در مجموعه داده‌های متنوع، اعتبار یافته‌های این مطالعه را افزایش می‌دهد. پیچیدگی‌های آزمایش‌ها درون مغز انسان، نواحی خاصی درخشان‌تر می‌درخشند تا نشان دهند که متعلق به یک مرد است یا یک زن. پژوهشگران این نقاط درخشان خاص را شناسایی کردند که برای هوش مصنوعی به منظور شناسایی این موارد مفید بود. اولین مورد، شبکه حالت پیش‌فرض است که به ما کمک می‌کند در مورد خودمان فکر کنیم و مناطق دیگری مانند شبکه مخطط و لیمبیک مغز که برای یادگیری و نحوه واکنش ما به پاداش‌ها مهم هستند. منون می‌گوید: شناسایی تفاوت‌های جنسیتی ثابت و قابل تکرار در مغز بالغ سالم گامی حیاتی به سوی درک عمیق‌تر آسیب‌پذیری‌های جنسیتی در اختلالات روانپزشکی و عصبی است. این مدل هوش مصنوعی جدید می‌تواند اسکن‌های MRI متحرک را نیز تجزیه و تحلیل کند. پژوهشگران آن را روی حدود ۱۵۰۰ اسکن مغزی آزمایش و مشاهده کردند که می‌تواند تشخیص دهد که یک اسکن متعلق به یک مرد یا یک زن است. منون می‌گوید: این یک مدرک بسیار محکم است که نشان می‌دهد جنسیت یک عامل تعیین‌کننده مهم در سازمان مغز انسان است. وی افزود: مدل‌های هوش مصنوعی ما کاربرد بسیار گسترده‌ای دارند. به عنوان مثال، یک پژوهشگر می‌تواند از مدل‌های ما برای جستجوی تفاوت‌های مغزی مرتبط با اختلالات یادگیری یا تفاوت‌های عملکرد اجتماعی استفاده کند که جنبه‌هایی هستند که ما علاقه‌مند به درک بهتر آنها برای کمک به افراد در سازگاری و غلبه بر این چالش‌ها هستیم. سپس پژوهشگران به این فکر کردند که آیا می‌توانند از مدل دیگری برای پیش‌بینی اینکه افراد بر اساس ویژگی‌های مغزی که بین مردان و زنان متفاوت است، در برخی از وظایف چقدر خوب عمل می‌کنند، استفاده کنند؟ آن‌ها مدل‌های جداگانه‌ای برای مردان و زنان ساختند و هر کدام عملکرد شناختی را برای جنسیت خود بهتر پیش‌بینی کردند. این نشان می‌دهد که تفاوت در نحوه عملکرد مغز بین مردان و زنان می‌تواند بر رفتار آنها تأثیر بگذارد. در حالی که پژوهشگران از مدل خود برای بررسی تفاوت‌های جنسیتی استفاده کردند، منون می‌گوید که می‌توان از آن برای مطالعه اینکه ارتباطات مغزی چگونه با هر توانایی یا رفتار شناختی مرتبط است نیز استفاده کرد. اکنون آنها قصد دارند مدل خود را با سایر پژوهشگران به اشتراک بگذارند. یافته‌های این مطالعه در مجله Proceedings of the National Academy of Sciences منتشر شده است.

سایت علمی اس‌اف در تازه‌ترین گزارشی نوشته است که کارشناسان جهانی هشدار می‌دهند، باید هوش مصنوعی را قبل از این‌که خیلی دیر شود، متوقف کرد. در جهانی که به طور فزاینده تحت سلطه هوش مصنوعی(AI) قرار می‌گیرد، گروهی از کارشناسان خواستار تغییر به سمت فناوری‌های انسان محور هستند. در ادامه آمده است که این گروه بین‌المللی مخالف ایجاد فناوری‌های جدید هوش مصنوعی صرفاً برای ساخت رایانه‌های جدید و پیشرفته‌تر هستند. در عوض، آن‌ها توسعه‌دهندگان را ترغیب می‌کنند که بر روی فناوری‌هایی تمرکز کنند که واقعاً نیازهای انسان را برآورده می‌کند و تجربه انسانی را افزایش می‌دهد. کتاب جدید آنها، با نام «هوش مصنوعی انسان محور»، که شامل مشارکت ۵۰ متخصص از ۱۲ کشور در رشته‌های مختلف، از جمله علوم رایانه، حقوق و جامعه شناسی است، به مفهوم تغییر هوش مصنوعی از پیشرفت‌های مبتنی بر فناوری به پیشرفت‌های متمرکز بر بشر می‌پردازد. این تضمین می‌کند که فناوری‌ها به جای جایگزینی یا بی‌ارزش کردن کارگران انسانی، با رفاه مردم همسو شوند. شانون والور، یک کارشناس برجسته از دانشگاه ادینبرو، تاکید می‌کند که هدف هوش مصنوعی انسان‌محور حمایت و توانمندسازی انسان‌ها است و در تضاد شدید با فناوری توسعه‌یافته صرفاً برای نمایش قدرت است. او رشد هوش مصنوعی مولد را خاطرنشان و از توسعه آن انتقاد می‌کند که منجر به فناوری‌هایی می‌شود که مردم باید با آن سازگار شوند و با آن رقابت کنند، نه اینکه این فناوری طراحی‌شده زندگی افراد را آسان‌تر کند. وی گفت که آنچه به دست می‌آوریم چیزی است که باید با آن کنار بیاییم، این برخلاف چیزی است که طراحی کرده‌ایم تا برای ما سودمند باشد. والور در یک بیانیه رسانه‌ای توضیح می‌دهد که این فناوری آن چیزی نیست که ما به آن نیاز داریم و به جای تطبیق فناوری‌ها با نیازهایمان، خودمان را با نیازهای فناوری تطبیق می‌دهیم. این کتاب نگرانی‌هایی را در مورد مسیر فعلی توسعه هوش مصنوعی، از جمله تعصبات سیستمی و نگرانی‌های حفظ حریم خصوصی، مطرح می‌کند. مالوینا آنا ووجسیک می‌گوید که جوامع به حاشیه رانده شده اغلب از فرآیند طراحی هوش مصنوعی حذف می‌شوند و در نتیجه فناوری‌هایی ایجاد می‌شود که ساختارهای قدرت موجود و تبعیض را تقویت می‌کند. مت مالون در مورد اینکه چگونه هوش مصنوعی حریم خصوصی را به چالش می‌کشد، می‌گوید: در حالی که بسیاری از روش‌های جمع‌آوری و استفاده از داده‌ها توسط هوش مصنوعی بی‌اطلاع هستند اما ادغام شدن فناوری در زندگی ما، فردیت‌مان را تهدید می‌کنند. مالون توضیح می‌دهد: حریم خصوصی تعیین می‌کند که ما تا چه حد اجازه می‌دهیم فناوری به حوزه‌های زندگی و آگاهی انسان ورود کند. اما با محو شدن این موارد، حریم خصوصی به سرعت بازتعریف می‌شود و در حالی که هوش مصنوعی زمان، توجه و اعتماد بیشتری را به خود اختصاص می‌دهد، حریم خصوصی همچنان نقش تعیین‌کننده‌ای در ترسیم مرزهای بین انسان و فناوری ایفا می‌کند. این گروه بین‌المللی همچنین تاثیرات رفتاری هوش مصنوعی را بررسی کردند و نویسندگان نشان دادند که چگونه پلتفرم‌هایی مانند گوگل می‌توانند جنبه‌های اصلی انسانی مانند عقلانیت و حافظه را تغییر دهند و کنترل شخصی بر زندگی ما را کاهش دهند. آن‌ها استفاده از هوش مصنوعی در رسانه‌های اجتماعی را برای محدود کردن بالقوه منافع کاربران و سوق دادن آنها به سمت افراط‌گرایی از طریق توصیه‌ محتوای مغرضانه مورد بررسی قرار دادند. کارشناسان راه‌حل‌های عملی را برای ادغام رویکرد انسان محور به هوش مصنوعی، از جمله تنوع در تحقیقات، همکاری‌های بین رشته‌ای و شیوه‌های جمع‌آوری داده شفاف پیشنهاد می‌کنند. آن‌ها همچنین بر اهمیت اعمال قوانین موجود برای هوش مصنوعی به جای بررسی مقررات کاملا جدید، تاکید می‌کنند و سیاست‌گذاران را تشویق می‌کنند تا با اطمینان هوش مصنوعی را کنترل کنند تا از نوآوری‌های غیرمسئولانه جلوگیری شود. مالون می‌گوید: هیچ کس عصای جادویی ندارد. بنابراین، من به سیاستگذاران می‌گویم موضوع را جدی بگیرید. بهترین کاری را که می‌توانید انجام دهید. در حالی که سعی می‌کنید مکانیسم‌های حاکمیتی درست را ارائه دهید، طیف وسیعی از دیدگاه‌ها از جمله جوامع به حاشیه رانده شده و کاربران نهایی را به میز دعوت کنید. اما اجازه ندهید چند صدا که وانمود می‌کنند دولت‌ها نمی‌توانند هوش مصنوعی را بدون از بین بردن نوآوری کنترل کنند، شما را متوقف کند.

سایت نیواطلس در مطلب تازه‌ی نوشته است که ایلان ماسک، در یک جلسه پرسش و پاسخ با اشاره به سرعت پیشرفت فناوری، گفت: من هرگز ندیده‌ام که فناوری به این سرعت پیشرفت کند، ممکن است کمبود تراشه در کمین ما باشد، اما هوش مصنوعی و خودروهای برقی با چنان سرعتی در حال گسترش هستند که جهان در سال آینده با مشکل تامین برق و ترانسفورماتور مواجه خواهد شد. آقای ماسک در جلسه یک پرسش و پاسخ تلفنی ایلان ماسک در مورد اتومبیل‌های خودران و ربات‌های انسان‌نما صحبت کرد و به آنچه در آینده تسلا در حوزه خودروهای الکتریکی ارائه می‌کند، اشاره کرد. اما او به وضوح می‌خواست واضح‌ترین سیگنال ممکن را به صنعت نیز ارسال کند. ماسک گفت: «تولید انرژی پاک را آغاز کنید و تا جایی که می‌توانید ترانسفورماتورهای الکتریکی بسازید.» وی تاکید کرد: «به نظر می‌رسد که رایانش (فرایند است که در آن اطلاعات با استفاده از دستگاه‌های محاسبه‌ای و نرم‌افزارهای مربوطه پردازش و مدیریت می‌شوند) هوش مصنوعی که فعال می‌شود، هر ۶ ماه یک بار ۱۰ برابر افزایش می‌یابد. بدیهی است که این نمی‌تواند برای همیشه با چنین سرعت بالایی ادامه یابد، وگرنه از جرم جهان فراتر خواهد رفت. من هرگز چیزی شبیه به آن ندیده‌ام. تب تراشه بزرگ‌تر از هر تب طلایی است که تا کنون وجود داشته است.» او گفت: «یک نفرین چینی وجود دارد که می‌گوید امیدوارم در زمان‌ جالبی زندگی کنید. خب، ما در جالب‌ترین زمان زندگی می‌کنیم و این کمی مرا افسرده می‌کند. با خودم می‌گفتم، خب آیا آن‌ها جهان را می‌گیرند؟ آیا ما بی‌فایده می‌شویم؟ اما روشی که به خودم پاسخ دادم، این بود که آیا ترجیح می‌دهم زنده باشم تا آخرالزمان هوش مصنوعی را ببینم یا خیر؟ فکر می‌کنم دوست دارم آن را ببینم.» محدودیت‌های رایانش هوش مصنوعی بسیار قابل پیش‌بینی هستند. یک سال پیش، کمبود تراشه‌ها بود؛ تراشه‌های شبکه عصبی. اکنون پیش‌بینی اینکه کمبود بعدی ترانسفورماتورهای کاهش‌دهنده ولتاژ خواهد بود، بسیار آسان بود. شما باید به آن‎ها نیرو بدهید. اگر ۱۰۰ تا ۳۰۰ کیلو ولت انرژی از یک شبکه برق بیرون بیاید، باید آن را تا ۶ ولت پایین آورد و این میزان زیادی است. سپس با کمبود برق مواجه خواهیم بود. نمی‌توان برق کافی برای راه‌اندازی همه تراشه‌ها پیدا کرد. فکر می‌کنم سال آینده، این را خواهید دید. رشد همزمان خودروهای برقی و هوش مصنوعی که هر دو به برق نیاز دارند و هر دو به ترانسفورماتورهای ولتاژ نیاز دارند، تقاضای فوق‌العاده‌ای برای تجهیزات الکتریکی و تولید برق ایجاد می‌کند. این ایده که چراغ‌های جهان توسعه‌یافته در سال ۲۰۲۵ شروع به سوسو زدن خواهند کرد، زیرا هوش مصنوعی‌های زیادی در حال آموزش هستند، بسیار قابل توجه است و اگر ماسک درست بگوید، به شدت نیاز به مقادیر عظیم انرژی پاک از منابع مختلف احساس می‌شود.

سایت علمی انگجت در تازه‌ترین مطلب نوشته است که گویا گوگل هزاران دلار به ناشران می‌پردازد تا از هوش مصنوعی این شرکت برای نوشتن داستان‌ها و مقالات خود استفاده کنند. این سایت نوشته است که گوگل به شکلی بی‌سر و صدا با برخی از ناشران برای استفاده از ابزارهای جدید هوش مصنوعی برای انتشار داستان‌ها و مقالات‌شان معامله کرده است. در ادامه آمده است که این معاملات ده‌ها هزار دلار در سال ارزش دارند و ظاهراً بخشی از برنامه ابتکار اخبار گوگل(Google News Initiative) یا GNI هستند که برنامه‌ای شش ساله است که پروژه‌های سواد رسانه‌ای، ابزارهای راستی‌آزمایی و سایر منابع را برای اتاق‌های خبر تأمین مالی می‌کند. حرکت به سمت ابزارهای انتشارات هوش مصنوعی گامی جدید و احتمالاً بحث برانگیز برای این شرکت خواهد بود. طبق گزارشات، این برنامه در حال حاضر تعداد انگشت شماری از ناشران کوچک‌تر را هدف قرار داده است. در این گزارش آمده است: ابزارهای بتا به ناشرانی که منابع کمتری دارند این امکان را می‌دهد تا با نمایه‌سازی گزارش‌های تازه منتشر و تولید شده توسط سازمان‌های دیگر، مانند آژانس‌های خبری دولتی و رسانه‌های خبری همسایه و سپس خلاصه کردن و انتشار آن‌ها به عنوان یک مقاله جدید، محتوای انباشته شده را به شکلی کارآمدتر ایجاد کنند. دقیقاً مشخص نیست که ناشران تحت این پروژه چقدر دستمزد می‌گیرند، اگرچه گفته می‌شود که این مبلغ یک عدد پنج رقمی برای هر سال است. طبق گزارش‌ها، سازمان‌های رسانه‌ای با انتشار حداقل سه مقاله در روز، یک خبرنامه هفتگی و یک کمپین بازاریابی ماهانه با استفاده از این ابزار موافقت کرده‌اند. در گزارش آمده است که ظاهراً ناشران در این برنامه ملزم به افشای استفاده خود از هوش مصنوعی نیستند، همچنین به دیگر وب‌سایت‌ها اطلاع داده نمی‌شود که محتوای آن‌ها با هوش مصنوعی نوشته شده و در سایت‌های دیگر استفاده می‌شود. گفته می‌شود که نسخه تولید شده توسط هوش مصنوعی از یک سیستم رنگی برای نشان دادن قابلیت اطمینان هر بخش از متن استفاده می‌کند تا به ویرایشگران انسانی کمک کند تا قبل از انتشار محتوا، آن را بررسی کنند. گفتنی است که گوگل هنوز به پرسش خبرنگاران درباره این موضوع پاسخ روشنی نداده و تنها در بیانیه‌ای گفته است: در مراحل اولیه بررسی ایده‌ها برای ارائه بالقوه ابزارهای مجهز به هوش مصنوعی برای کمک به روزنامه‌نگاران در کارشان هستیم. ابزارهای هوش مصنوعی به منظور جایگزینی نقش اساسی روزنامه‌نگاران در گزارش، ایجاد و بررسی حقایق مقالات خود استفاده نمی‌شوند و نمی‌توانند هم جایگزین شوند. مشخص نیست که گوگل از این کار چه هدفی دارد، اگرچه این اولین شرکت فناوری نخواهد بود که برای استفاده از ابزارهای اختصاصی به اتاق‌های خبر پول می‌دهد. این کار به معاملاتی شباهت‌ دارد که فیسبوک زمانی با ناشران برای ایجاد محتوای ویدیویی زنده در سال ۲۰۱۶ منعقد کرد. این شرکت با پرداخت میلیون‌ها دلار به ناشران برای استفاده از پلتفرم ویدیویی نوپای خود و دهها رسانه به سرتیتر خبرها آمد. البته این پروژه پس از اینکه فیسبوک متوجه شد تعداد بازدیدهای چنین محتواهایی را اشتباه محاسبه کرده است، کنار گذاشته شد. با اینکه این شبکه اجتماعی خیلی زود به این پروژه پایان داد، بر اساس برخی تخمین‌ها این کار در صنعت رسانه به قیمت از دست رفتن کار صدها روزنامه‌نگار تمام شد. اکنون در حالی که به نظر می‌رسد برنامه GNI بسیار کوچک‌تر از چیزی است که فیسبوک تقریباً یک دهه پیش روی آن تلاش کرد، احتمالاً بررسی جدیدی را در مورد استفاده از ابزارهای هوش مصنوعی مولد توسط ناشران ایجاد خواهد کرد. پایگاه‌های خبری مانند CNET و Sports Illustrated به دلیل تلاش برای جا زدن و به اشتراک گذاشتن مقالاتی که در واقع توسط هوش مصنوعی نوشته شده‌اند اما گفته می‌شود که به دست کارکنان انسانی نوشته شده‌اند، به طور گسترده مورد انتقاد قرار گرفته‌اند.

سایت علمی فوربس نوشته است که با توجه به پیشرفت روزافزون هوش مصنوعی مولد، بسیاری از پژوهشگران معتقدند این فناوری می‌تواند به هوشمند شدن شهرها کمک کند، اما باید دید آیا شهرهای جهان آماده پذیرش هوش مصنوعی مولد هستند. در گزارش آمده است که شهرها که قطب‌های تپنده تمدن بشری به شمار می‌روند، با چند بحران روبرو هستند. این بحران‌ها عبارتند از فشارهای رو به ‌رشد جمعیت، انتشار گازهای گلخانه‌ای، زباله، ترافیک و سروصدا، زیرساخت‌های فرسوده و قدیمی، مقرون‌به‌صرفه بودن مسکن، اشتغال و نیاز همیشگی به پایداری آب‌وهوا. بیشتر سیاست‌ها، روش‌ها، برنامه‌ریزی‌ها و ایده‌های مهندسی شهری اواسط قرن بیستم که در مقیاس جهانی بودند، شکست خورده‌اند و تقریبا همه شهرها را به یک مسیر ناپایدار و آسیب‌پذیر سوق داده است. بیش از نیمی از جمعیت جهان در حال حاضر در شهرها زندگی می‌کنند و این تعداد در ۲۵ سال آینده به ۸۰ درصد افزایش خواهد یافت که نیازمند میلیاردها تن مواد جدید و حضور گسترده شهری است. تغییرات مورد نیاز برای جلوگیری از تشدید بحران، بسیار بزرگ و فوری هستند. شهرها ساختمان، جاده یا سیستم انرژی نیستند، بلکه مردم، فرهنگ، رفتار، قدرت و سیاست را در بر دارند. نمی‌توان به استفاده کردن از روش‌های مشابه ادامه داد و انتظار نتایج متفاوت را داشت. باید یک راهبرد جدید ارائه شود. فناوری «هوش مصنوعی مولد شهر» در راه است. این یک فناوری نوظهور و متحول‌کننده است که می‌تواند برنامه‌ریزی شهری، طراحی و مدیریت شهر را به طور اساسی تغییر دهد. طرح‌بندی‌های شهری، شکل ساخت، انرژی، آب، حمل‌ونقل، زباله و سیستم‌های اجتماعی بهینه‌سازی‌شده را تصور کنید. در نظر بگیرید که سیستم‌های یکپارچه، خدمات عمومی شخصی‌سازی‌شده را در یک مکان ارائه ‌دهند. این امکانات واقعا شگفت‌انگیز هستند زیرا داده‌ها را هدایت می‌کنند و صنایع را توسعه می‌دهند. مانند جدیدترین مدل‌های تبدیل متن به ویدیو مانند «سورا»(Sora) شرکت «Open AI»، اکنون می‌توانید محیط شهری ایده‌آل خود را توصیف و ایجاد کنید و خیابان‌های قابل پیاده‌روی، فضاهای سبز و ترکیبی پرجنب‌وجوش از مغازه‌ها و خانه‌ها را در آن جای دهید. پلتفرم‌های جدید هوش مصنوعی مولد شهر با ده‌ها یا صدها سناریو برای بررسی و انتخاب می‌توانند در چند ثانیه از دید به واقعیت برسند. هوش مصنوعی عمومی به طور ویژه، امکان تغییر عمده را در برنامه‌ریزی، تصمیم‌گیری و طراحی شهرها فراهم می‌کند. تصمیم‌های پیشگیرانه مبتنی بر داده‌ها شهرها یک گنجینه از داده‌ها هستند که الگوهای رشد و سفر، مصرف انرژی و نیازهای شهروندان را منعکس می‌کنند. با وجود این، آن‌ها معمولا تک هستند، پیوندی ندارند و در قالب‌های گوناگونی رخ می‌دهند. جمله «هیچ هوش مصنوعی بدون داده وجود ندارد» برای شهرها کاملا صدق می‌کند. هوش مصنوعی مولد فقط می‌تواند داده‌هایی را بهینه‌سازی و تحلیل کند که در قالب قابل استفاده هستند. این موضوع ثابت شده که هوش مصنوعی چه توانایی‌هایی دارد و توانایی آن در بهینه‌سازی زیرساخت‌های شهری، جابه‌جایی افراد و کالاها، پیش‌بینی نقاط ازدحام و پیشنهاد بهبود زیرساخت‌ها هنوز آغاز راه است. بسیاری از شرکت‌ها، راه‌حل‌های مبتنی بر هوش مصنوعی شهری را برای پیش‌بینی احتمال تأثیرات آب‌وهوا بر زیرساخت‌های شهر، شدت برخورد خودرو، بهینه‌سازی تعمیر و نگهداری زیرساخت و شبیه‌سازی‌های برنامه‌ریزی شهری محلی ارائه می‌کنند. این روش مبتنی بر داده، امکان برنامه‌ریزی فعال، صدور مجوز و کاهش مشکلات را پیش از بروز آنها فراهم می‌آورد و یک حکمرانی شهری پاسخگو، شفاف و فراگیر را ایجاد می‌کند. توانمندسازی شهروندان با دموکراتیک کردن فرآیندهای شهر برنامه‌ریزی شهری به طور سنتی، یک امر از بالا به پایین بوده است. هوش مصنوعی مولد می‌تواند شرایط را تغییر ‌دهد و با باز کردن روزنه‌های جدید به روی مشارکت شهروندان، افزایش شفافیت و مشارکت مردمی، بوروکراسی‌های اغلب پیچیده را دموکراتیک ‌کند. ساکنان می‌توانند از فناوری‌های مبتنی بر هوش مصنوعی مانند چت‌بات‌ها، برای پاسخ دادن به پرسش‌های خود، از رمزگشایی پیچیده منطقه‌بندی و کدهای ساختمانی گرفته تا پیمایش قوانین مهندسی و مقررات برنامه‌ریزی اغلب متناقض استفاده کنند. بسیاری از شرکت‌ها از واقعیت مجازی و هوش مصنوعی همه‌جانبه برای تجسم محیط‌های شهری آینده استفاده می‌کنند. این کار به شهروندان امکان می‌دهد تا فرآیند برنامه‌ریزی را به یک روش معنادار درک کنند و در آن مشارکت داشته باشند. پیشرفت هوش مصنوعی مولد شهری بیشتر شهرها در آغاز سفر هوش مصنوعی مولد خود هستند و سعی دارند بهترین شیوه‌ها را به کار بگیرند. بسیاری از شهرها، آزمایش کردن مفاهیم هوش مصنوعی را آغاز کرده‌اند. آن‌ها از انواع گوناگون هوش مصنوعی، از بینایی رایانه‌ای گرفته تا یادگیری ماشینی استفاده می‌کنند و برخی از آن‌ها نیز برنامه‌هایی را با استفاده از هوش مصنوعی مولد آغاز کرده‌اند. چالش‌ها و ایده‌ها در حال حاضر یک موج از پذیرش هوش مصنوعی را به صورت عمومی در هر صنعتی می‌بینیم و برنامه‌ریزی شهری نیز از این قاعده مستثنی نیست. اگرچه پتانسیل هوش مصنوعی مولد بسیار زیاد است، اما چالش‌ها همچنان وجود دارند. سوگیری داده‌ها می‌تواند به خروجی‌های تبعیض‌آمیز منجر شود که نیاز به توسعه مسوولانه و ملاحظات اخلاقی را برجسته می‌کنند. نظارت انسان و شفافیت در توسعه مدل هوش مصنوعی مهم است. علاوه بر این، تأثیرات اجتماعی و اقتصادی پذیرش هوش مصنوعی شهری باید به دقت مورد توجه قرار بگیرند، زیرا در صورت عدم کنترل می‌توانند نابرابری‌ها را تشدید کنند. تغییرات بیشتر می‌شوند و هوش مصنوعی مولد در حال توسعه است. اگرچه پتانسیل هوش مصنوعی مولد برای بهینه‌سازی شکل شهر، جاده‌ها، انرژی، انتشار گازهای گلخانه‌ای، زباله، ارتباطات و خدمات عمومی غیرقابل انکار است، اما این پرسش پیش می‌آید که آیا برنامه‌ریزان، مهندسان و مدیران شهری آماده حرکت در این موج انقلابی هستند. مجموعه مهارت‌ها مستلزم ارتقای تجربیات و تعاملات در زمینه‌های گوناگون هستند؛ از طراحی و مدیریت داده گرفته تا تجزیه و تحلیل شهر، تسلط بر کدنویسی و چارچوب اخلاقی برای هوش مصنوعی. دانشگاه‌ها تازه آموزش نسل بعدی برنامه‌ریزان شهری را آغاز کرده‌اند و جوامع برای ایجاد اعتماد، به تعامل و آموزش دیدن با مدل‌های هوش مصنوعی مولد نیاز دارند. این بهتر از آن چیزی است که امروز وجود دارد و مانند یک موزاییک تکه‌تکه از مجموعه داده‌ها، سیاست‌ها، بوروکراسی‌ها و بخش‌های متفاوت در سطوح گوناگون محلی، ایالتی و فدرال است. در هر حال، این هدف دست‌نیافتنی نیست. آمادگی برای هوش مصنوعی عمومی شهری، نیازمند یک رویکرد سه‌جانبه است که عبارتند از مشارکت شرکت‌های هوش مصنوعی، ارتقاء مهارت نیروی کار با مشارکت واقعی جامعه و ایجاد چارچوب‌های اخلاقی و حاکمیت داده‌های هوش مصنوعی. نقطه آغاز این کار، ایجاد آگاهی در میان کارکنان است تا روی حل مشکل تمرکز داشته باشند، مشکلات کلیدی شهر را شناسایی کنند که به کمک پروژه‌های مرتبط با هوش مصنوعی قابل حل شدن هستند، با بخش خصوصی مشارکت داشته باشند و با احتیاط پیش بروند. شرکت‌ها باید یک چارچوب قوی را برای خط مشی هوش مصنوعی به وجود بیاورند که مواردی را مانند شرایط استفاده یا عدم استفاده کارمندان از هوش مصنوعی، چگونگی محافظت جوامع از حریم خصوصی خود، چگونگی پایبند ماندن به یک چارچوب امنیت سایبری و چگونگی سروکار داشتن با مسائل اخلاقی، سوگیری و انصاف مشخص می‌کند. برنامه‌ریزان با پذیرش این چالش‌ها و مدیریت مسئولانه آنها می‌توانند پتانسیل هوش مصنوعی را برای ایجاد شهرهای انعطاف‌پذیر و هوشمند آینده کشف کنند. با همکاری بیشتر می‌توان آینده‌ای را ساخت که در آن، هوش مصنوعی مسئولانه مناظر شهری بهتری را برای همه شکل دهد.

یک متخصص در زمینه هوش مصنوعی که بررسی کاملی روی ادبیات علمی در مورد هوش مصنوعی انجام داده و به این نتیجه رسیده است که هیچ مدرکی برای حمایت از این تصور وجود ندارد که هوش مصنوعی را می‌توان به طور ایمن کنترل کرد. دکتر رومن وی یامپولسکی از کارشناسان برجسته هوش مصنوعی می‌گوید ما با یک رویداد تقریباً تضمین شده با پتانسیل ایجاد یک فاجعه وجودی روبرو هستیم. علاوه بر این، حتی اگر مکانیسم‌ها یا روش‌هایی برای کنترل هوش مصنوعی پیشنهاد شده باشد، دکتر رومن وی یامپولسکی معتقد است که این اقدامات برای تضمین ایمنی کافی نخواهند بود. کار او در زمینه «ایمنی هوش مصنوعی» تا حدی توسط ایلان ماسک و موسسه آینده زندگی(FLI) که توسط مکس تِگمارک استاد دانشگاه MIT و ژان تالین یکی از بنیانگذاران اسکایپ تاسیس شده است، پشتیبانی شده است. موسسه آینده زندگی همان موسسه‌ای است که برای توسعه ابزارهای هوش مصنوعی قدرتمندتر از GPT-4 درخواست کرد این پروژه با یک توقف شش ماهه روبرو شود. نامه سرگشاده این موسسه توسط بیش از 33 هزار نفر از جمله ایلان ماسک، استیو وزنیاک هم‌بنیانگذار اپل، یوشوا بنجیو، پدرخوانده هوش مصنوعی و سایر کارشناسان امضا شده است. نگرانی در مورد مدیریت و تنظیم مقررات برای هوش مصنوعی با نفوذ ابزارهای جدید هوش مصنوعی در بازار طی یک سال گذشته، دکتر یامپولسکی پیشنهاد می‌کند که سیستم‌های هوش مصنوعی پیشرفته به دلیل غیر قابل پیش‌بینی بودن و استقلال ذاتی، با وجود مزایای بالقوه‌شان، همیشه خطراتی را به همراه خواهند داشت. دکتر یامپولسکی در یک بیانیه مطبوعاتی گفت: «چرا بسیاری از پژوهشگران تصور می‌کنند که مشکل کنترل هوش مصنوعی قابل حل است؟ تا آنجا که ما می‌دانیم، هیچ گواهی برای آن وجود ندارد، هیچ مدرکی وجود ندارد. قبل از شروع تلاش برای ساخت یک هوش مصنوعی کنترل شده، مهم است که نشان دهیم مشکل قابل حل است.» وی افزود: «این همراه با آماری که نشان می‌دهد توسعه اَبَرهوش مصنوعی یک رویداد تقریباً تضمین شده است، نشان می‌دهد که ما باید از تلاش‌های ایمنی قابل توجهی در زمینه هوش مصنوعی حمایت کنیم.» [caption id="attachment_10880" align="aligncenter" width="681"] عکس: شبکه‌های اجتماعی[/caption] توسعه ابرهوش مصنوعی اجتناب‌ناپذیر است از آنجایی که هوش مصنوعی در حالت ابرهوشمندی می‌تواند به تنهایی یاد بگیرد، تطبیق یابد و به صورت نیمه مستقل عمل کند، اطمینان از ایمن بودن آن، به ویژه با وجود افزایش قابلیت‌های آن به طور فزاینده‌ای چالش برانگیز می‌شود. می‌توان گفت که هوش مصنوعی فوق هوشمند «ذهن» خود را خواهد داشت. پس چگونه آن را کنترل کنیم؟ آیا قوانین رباتیک آیزاک آسیموف که رفتار اخلاقی بین انسان و ربات را برقرار می‌کند، هنوز در دنیای امروز اعمال می‌شود؟ دکتر یامپولسکی که حوزه اصلی مورد علاقه او ایمنی هوش مصنوعی است، توضیح داد: ما با یک رویداد تقریبا تضمین شده با پتانسیل ایجاد یک فاجعه وجودی روبرو هستیم. وی افزود: جای تعجب نیست که بسیاری این را مهم‌ترین مشکلی که بشریت تا به حال با آن روبرو بوده است، توصیف می‌کنند. نتیجه می‌تواند رفاه یا انقراض بشر باشد. یکی از چالش‌های اصلی، تصمیم‌گیری‌های بالقوه و شکست موجودات فوق‌ هوشمند است که پیش‌بینی و تهدید آن‌ها را دشوار می‌کند. با افزایش استقلال هوش مصنوعی، کنترل انسان روی آن کاهش می‌یابد که منجر به نگرانی‌های ایمنی می‌شود. دکتر یامپولسکی ایجاد تعادل بین توانایی و کنترل هوش مصنوعی را پیشنهاد و اذعان می‌کند که ابرهوش ذاتاً فاقد قابلیت کنترل است. وی همچنین درباره اهمیت همسویی هوش مصنوعی با ارزش‌های انسانی بحث می‌کند و روش‌هایی را برای به حداقل رساندن خطرها مانند اصلاح‌پذیری، شفافیت هوش مصنوعی و طبقه‌بندی به عنوان قابل کنترل یا غیرقابل کنترل پیشنهاد می‌کند. با وجود این چالش‌ها، دکتر یامپولسکی ادامه تحقیقات و سرمایه‌گذاری در ایمنی و امنیت هوش مصنوعی را تشویق و تأکید می‌کند که اگرچه دستیابی به هوش مصنوعی صد درصد ایمن ممکن است دست نیافتنی باشد، اما تلاش برای بهبود ایمنی آن همواره ارزشمند است. دکتر یامپولسکی، دانشیار دانشگاه لوئیزویل است که نتایج تحقیقات خود را در کتابی با عنوان «هوش مصنوعی غیر قابل توضیح، غیر قابل پیش‌بینی، غیر قابل کنترل» منتشر کرده است.

بخش علمی بی‌بی‌سی اعلام کرده است که اگر در گوگل عبارت «سرمایه‌گذاری از طریق هوش مصنوعی» را جستجو کنید، تعداد بی‌شماری پیشنهاد می‌بینید که به شما توصیه می‌کنند اجازه دهید هوش مصنوعی مدیریت سرمایه شما را در دست بگیرد. در ادامه آمده است که خیلی از این پیشنهاد دهندگان مشخصا می‌گویند که پول خود را به آن‌ها بسپاریم تا سود بیشتری به آن تعلق بگیرد و همانطور که هر موسسه سرمایه‌گذاری خوشنامی به مشتریان هشدار می‌دهد که هرگونه سرمایه‌گذاری ریسک از دست رفتن سرمایه را هم به همراه دارد یا به بیان ساده‌تر، چه یک انسان از طرف شما در بازار سهام سرمایه‌گذاری کند چه یک کامپیوتر، همیشه احتمال دارد پول شما از دست برود. با این حال، بر اساس یک نظرسنجی در سال ۲۰۲۳ در ایالات متحده، تبلیغات در مورد توانایی هوش مصنوعی در چند سال گذشته چنان زیاد بوده است که تقریبا از هر سه سرمایه‌گذار، یک سرمایه‌گذار خوشحال می‌شود که به یک بات معاملاتی اجازه دهد از طرف او در مورد سرمایه‌گذاری‌هایش تصمیم بگیرد. جان آلن، رییس بخش نوآوری و عملیاتی انجمن سرمایه‌گذاری بریتانیا که اتحادیه صنفی مدیران سرمایه‌گذاری در بریتانیا محسوب می‌شود می‌گوید، سرمایه‌گذاران باید در استفاده از هوش مصنوعی محتاط‌تر باشند. او می‌گوید: «سرمایه‌گذاری موضوعی بسیار جدی است، زیرا بر وضعیت افراد و آینده بلندمدت آنها تأثیر می‌گذارد، بنابراین ممکن است عاقلانه نباشد که در این مورد، تحت تاثیر آخرین مد روز قرار بگیریم.» آلن افزود: «من فکر می‌کنم حداقل باید منتظر باشیم تا هوش مصنوعی در درازمدت توانمندی خود را ثابت کند، تا بتوانیم کارایی آن را قضاوت کنیم. و در این فاصله، هنوز برای انسان‌های متخصص سرمایه‌گذاری کار وجود خواهد داشت.» جان آلن هشدار می‌دهد که سرمایه‌گذاری توسط ماشین هنوز در دوران کودکی است. با توجه به اینکه ربات‌های تجاری مبتنی بر هوش مصنوعی ممکن است برخی از مدیران سرمایه‌گذاری انسانی بسیار مجرب اما گرانقیمت را بیکار کنند، ممکن است اظهارات آقای آلن چندان بی‌انگیزه هم به نظر نرسد. اما این واقعیت را نباید نادیده گرفت که سوال این است که آیا فعالیت تجاری و مالی هوش مصنوعی واقعا تحولی جدید است که سوالات و ابهاماتی را همراه دارد. اولا، هوش مصنوعی یک گوی بلور پیشگویی نیست و در دیدن شرایط آینده توانایی بیشتری نسبت به انسان ندارد. اگر به تحولات ۲۵ سال گذشته نگاه کنیم، وقایع پیش‌بینی نشده متعددی رخ داده و بر بازارهای سهام تاثیر گذاشته است، مانند حملات ۱۱ سپتامبر ۲۰۰۱، بحران بانکی سال ۲۰۰۷ و ۲۰۰۸ و البته همه‌گیری کرونا. ثانیا، سیستم‌های هوش مصنوعی فقط به اندازه داده‌های اولیه و نرم‌افزاری توانایی دارند که توسط برنامه‌نویسان رایانه انسانی مورد استفاده قرار گرفته است. برای توضیح این موضوع به یک مرور تاریخی نیاز داریم. در واقع، بانک‌های سرمایه‌گذاری از اوایل دهه ۱۹۸۰ از هوش مصنوعی ابتدایی یا به اصطلاح «ضعیف» برای کمک به انتخاب در بازار سهام استفاده می‌کردند. هوش مصنوعی اولیه قادر بود داده‌های‌ مالی را مطالعه کند، از آنها بیاموزد و تصمیم‌های مستقلی بگیرد که با پیشرفت هوش مصنوعی، امید است که دقیق‌تر شود. این سیستم‌های هوش مصنوعی ضعیف وقوع حادثه ۱۱ سپتامبر یا حتی بحران اعتباری را پیش‌بینی نکردند. اما در مورد شرایط امروز وقتی در مورد هوش مصنوعی صحبت می‌کنیم، غالبا منظور چیزی به نام «هوش مصنوعی مولد» است که به مراتب قدرتمندتر از نوع ضعیف است و می‌تواند چیزهای جدیدی را ایجاد کند و از آنها تجربه بیاموزد. وقتی هوش مصنوعی مولد برای سرمایه‌گذاری به کار برود، می‌تواند حجم زیادی از داده‌ها را بررسی و هضم کند و تصمیم‌های خود را بگیرد. هوش مصنوعی مولد همچنین می‌تواند راه‌های بهتری برای مطالعه داده‌ها و توسعه کدهای کامپیوتری خود پیدا کند. اما اگر برنامه‌نویسان در ابتدا به این هوش مصنوعی داده‌های بدی داده باشند، تصمیم‌های آن ممکن است کدهای بیشتر و بدتر را تولید کند. [caption id="attachment_10614" align="aligncenter" width="647"] عکس: شبکه‌های اجتماعی[/caption] آمازون و مشکلات هوش مصنوعی لیز گوریه، دانشیار رشته امور مالی در مدرسه بازرگانی اسک در پاریس، متخصص مطالعه اشتباه‌های هوش مصنوعی است. او از تلاش‌های شرکت آمازون برای به کارگیری هوش مصنوعی در سال ۲۰۱۸ به عنوان نمونه بارزی از این نوع اشتباه‌ها یاد می‌کند. او می‌گوید آمازون یکی از اولین شرکت‌هایی بود که گرفتار مشکل شد به این ترتیب که شرکت ابزار هوش مصنوعی را برای استخدام کارکنان خود تنظیم کرد. گوریه می‌گوید: «شرکت هزاران رزومه را دریافت ‌کرد و هوش مصنوعی رزومه‌ها را ‌خواند و به شرکت ‌گفت چه کسی را استخدام کنند. اما مشکل در این بود که ابزار هوش مصنوعی شرکت براساس ترکیب کارمندان موجود آموزش داده شده بود که عمدتا مرد بودند و در نتیجه، آنچه که این الگوریتم در اصل انجام ‌داد این بود که همه متقاضان زن را کنار ‌گذاشت.» به این ترتیب، آمازون مجبور شد استفاده از هوش مصنوعی برای استخدام کارکنان خود را کنار بگذارد. پروفسور ساندرا واچتر، پژوهشگر ارشد هوش مصنوعی در دانشگاه آکسفورد، می‌گوید: «هوش مصنوعی مولد می‌تواند به سادگی اشتباه کند و اطلاعات نادرستی تولید کند، که در زبان فنی به آن توهم می‌گویند.» هوش مصنوعی مولد مستعد جهت‌گیری تبعیض‌آمیز و اشتباه است و می‌تواند اطلاعات نادرست را به سادگی تحویل دهد یا واقعیت را جعل کند. پروفسور واچر همچنین هشدار می‌دهد که سیستم‌های هوش مصنوعی خودکار ممکن است در معرض خطر نشت داده‌ها یا مساله‌ای به نام «حملات وارونگی انگاره» باشند که به زبان ساده، به این معنی است که هکرها از هوش مصنوعی یک سری سوالات خاص را می‌پرسند به این امید که کدگذاری و داده‌های زیربنایی خود را فاش کند. همچنین این احتمال هم وجود دارد که هوش مصنوعی به جای یک مشاور نابغه سرمایه‌گذاری، بیشتر به پیشنهاد دهندگان خرید سهام شبیه شود که در گذشته، در نشریه‌های روز یکشنبه افراد را به خرید سهام خاصی تشویق می‌کردند. پیشنهاد آن‌ها معمولا شامل خرید سهام شرکت‌های کوچک در اول روز دوشنبه بود و البته عده‌ای اول صبح دوشنبه این سهام را می‌خریدند و ساعاتی بعد متوجه می‌شدند که قیمت سهام آنان به شکلی معجزه‌آسا افزایش یافته است. البته کل ماجرا این بود که هجوم خریداران برای گرفتن این سهام محدود طبیعتا قیمت آن را بالا می‌برد. اما چرا با وجود همه این خطرات، هنوز تعداد قابل توجهی از سرمایه‌گذاران مشتاق هستند که به هوش مصنوعی اجازه دهند برای آنها تصمیم بگیرد؟ [caption id="attachment_10613" align="aligncenter" width="640"] عکس: شبکه‌های اجتماعی[/caption] اعتماد به انسان یا کامپیوتر استوارت داف، روانشناس کنش تجاری در شرکت مشاوره پرن کانوله می‌گوید که بعضی از افراد به کامپیوتر بیشتر از انسان اعتماد دارند. او می‌گوید: «این اعتماد تقریبا به طور قطع منعکس‌کننده یک قضاوت ناخودآگاه است، این قضاوت که سرمایه‌گذاران انسانی خطاپذیر هستند، در حالیکه ماشین‌ها تصمیم گیرندگان منطقی هستند که براساس داده‌های عینی و سنجیده تصمیم می‌گیرند. آنها ممکن است بر این باور باشند که هوش مصنوعی هرگز روز تعطیلی ندارد، هرگز عمدا کلاهبرداری نمی‌کند و نخواهد کوشید ضررها را پنهان کند.» آقای داف تاکید دارد که «با این حال، یک ابزار سرمایه‌گذاری هوش مصنوعی ممکن است به سادگی تمام اشتباهات فکری و قضاوت‌های ضعیف برنامه‌ریزان خود را منعکس کند و همزمان، فاقد مزیت تجربه شهودی و عکس‌العمل سریع در برابر وقوع حوادث غیرمنتظره آینده، مانند سقوط مالی یا همه‌گیری کرونا است.» او می‌افزاید: «تعداد اندکی افراد قادر هستند برای مقابله با اینگونه تحولات بزرگ، الگوریتم‌های هوش مصنوعی مناسب و کارآمد بسازند.»

سایت علمی ساینمگ گزارش داده است که یک حسگر رباتیک که در «دانشگاه کمبریج» ساخته شده و مبتنی بر هوش مصنوعی است، پس از آموزش دیدن توانست خط بریل را دو برابر سریع‌تر از انسان بخواند. در گزارش آمده است که گروهی از پژوهشگران انگلیسی یک حسگر رباتیک ساخته‌اند که از روش‌های مبتنی بر هوش مصنوعی استفاده می‌کند تا خط بریل را تقریبا دو برابر سریع‌تر از بیشتر انسان‌ها بخواند. گروه پژوهشی دانشگاه کمبریج از الگوریتم‌های یادگیری ماشینی برای آموزش دادن حرکت سریع روی خطوط متن بریل به حسگر رباتیک استفاده کردند. این ربات توانست خط بریل را با سرعت ۳۱۵ کلمه در دقیقه و با دقت نزدیک به ۹۰ درصد بخواند. اگرچه ربات بریل‌خوان به عنوان یک فناوری کمکی توسعه نیافته است، اما پژوهشگران می‌گویند حساسیت بالای مورد نیاز برای خواندن خط بریل، آن را به یک آزمایش ایده‌آل در ساخت دست‌های رباتیک یا پروتزهایی با حساسیت نوک انگشتان انسان تبدیل می‌کند. نوک انگشتان انسان به طور قابل توجهی حساس هستند و به ما کمک می‌کنند تا اطلاعاتی را در مورد دنیای اطراف خود جمع‌آوری کنیم. نوک انگشتان ما می‌توانند تغییرات کوچک را در بافت یک ماده تشخیص دهند یا به ما کمک کنند تا بدانیم هنگام برداشتن یک جسم باید چقدر نیرو استفاده کنیم. برای مثال، برداشتن تخم‌ مرغ بدون شکستن آن یا برداشتن توپ بولینگ بدون انداختن آن. بازتولید این سطح از حساسیت در یک دست رباتیک با صرفه‌جویی کردن در انرژی، یک چالش بزرگ در حوزه مهندسی است. پژوهشگران آزمایشگاه پروفسور فومیا آیدا در دپارتمان مهندسی دانشگاه کمبریج سعی دارند راه‌حل‌هایی را برای این مهارت‌ها و مهارت‌های دیگری ارائه دهند که برای انسان آسان، اما برای ربات‌ها دشوار هستند. پارث پوتدار، پژوهشگر ارشد این پروژه گفت: «نرمی نوک انگشتان، یکی از دلایلی است که ما می‌توانیم اشیا را با فشار مناسب در دست بگیریم. برای ربات‌ها، نرمی یک ویژگی سودمند است اما اطلاعات زیادی نیز باید از حسگر دریافت شوند و داشتن هر دو ویژگی به صورت هم‌زمان، به ویژه هنگام برخورد داشتن با سطوح انعطاف‌پذیر یا تغییرشکل‌پذیر دشوار خواهد بود.» خط بریل یک آزمون ایده‌آل برای نوک انگشت ربات است، زیرا از آن جهت که نقطه‌ها در هر الگوی حروف بسیار نزدیک به هم هستند، خواندن آن به حساسیت بالایی نیاز دارد. پژوهشگران از یک حسگر برای ساخت یک ربات بریل‌خوان استفاده کردند که خواندن انسان را با دقت بیشتری تقلید می‌کند. دیوید هاردمن از پژوهشگران این پروژه گفت: «خوانندگان رباتیک خط بریل وجود دارند، اما آنها فقط یک حرف را در هر مرتبه می‌خوانند و خواندن آنها مانند انسان‌ها نیست. بریل‌خوان‌های رباتیک موجود به یک روش ثابت کار می‌کنند. آنها الگوی یک حرف را لمس می‌کنند، آن را می‌خوانند، از سطح فاصله می‌گیرند، دوباره حرکت می‌کنند و روی الگوی حرف بعدی پایین می‌آیند. ما چیزی می‌خواهیم که واقع‌بینانه‌تر و بسیار کارآمدتر باشد.» حسگر رباتیکی که پژوهشگران در این پروژه استفاده کردند، دارای یک دوربین در نوک انگشت است و با استفاده از ترکیبی از اطلاعات دوربین و حسگرها می‌خواند. پوتدار گفت: این یک مشکل دشوار برای متخصصان رباتیک است زیرا پردازش تصویر زیادی باید انجام شود تا تاری حرکت را از بین ببرد و این به زمان و انرژی نیاز دارد. این گروه پژوهشی، الگوریتم‌های یادگیری ماشینی را توسعه دادند تا خواننده رباتیک بتواند پیش از تشخیص دادن حروف با حسگر، تصاویر را محو کند. آن‌ها الگوریتم را روی مجموعه‌ای از تصاویر واضح از خط بریل با تاری جعلی اعمال‌شده آموزش دادند. پس از این که الگوریتم یاد گرفت حروف را محو کند، پژوهشگران از یک مدل بینایی رایانه‌ای برای شناسایی و طبقه‌بندی کردن هر حرف استفاده کردند. هنگامی که الگوریتم‌ها گنجانده شدند، پژوهشگران ربات خواننده خود را با اعمال آن روی ردیف‌هایی از خطوط بریل آزمایش کردند. بریل‌خوان رباتیک در هر دقیقه توانست ۳۱۵ کلمه را با دقت ۸۷ درصد بخواند که دو برابر سریع‌تر و دقیق‌تر از یک بریل‌خوان انسان است. هاردمن گفت: با توجه به این که ما از الگوریتم تاری جعلی استفاده کردیم، تعجب‌آور بود که ربات چقدر در خواندن خط بریل دقیق عمل می‌کند. ما یک مبادله خوب را بین سرعت و دقت پیدا کردیم که در مورد خوانندگان انسانی نیز صدق می‌کند. پوتدار گفت: سرعت خواندن خط بریل، یک روش عالی برای بررسی کردن پویایی عملکرد سیستم‌های حسگر لمسی است. بنابراین، یافته‌های ما می‌توانند کاربردهایی را فراتر از خط بریل داشته باشند و برای کارهایی مانند تشخیص دادن بافت‌های سطح یا لغزش ربات روی آنها اجرا شوند. پژوهشگران امیدوارند که در آینده بتوانند این فناوری را در مقیاس یک دست یا پوست انسان بسازند. این پژوهش با پشتیبانی «برنامه توسعه پژوهش جهانی سامسونگ» (Samsung Global Research Outreach Program) انجام شد. این پژوهش در مجله IEEE Robotics and Automation Letters به چاپ رسید.