گامهایی به سوی به واقعیت رسیدن جابجایی کوانتومی اطلاعات همچون فناوری «پیشتازان فضا»

فناوری «پیشتازان فضا» به واقعیت تبدیل شد

گروه علمی:دورنوردی یا تلپورتیشن سرانجام در حال تبدیل شدن به یک واقعیت است زیرا یک تیم تحقیقاتی بین المللی به یک شاهکار پیشگامانه در ارتباطات کوانتومی دست یافته‌اند.به گزارش ایسنا، تحقیقات دانشمندان برای اولین بار امکان «تلپورت» تصاویر در سراسر شبکه بدون ارسال فیزیکی خود تصویر را ممکن کرده است.این روش پیشرفته شامل انتقال کوانتومی اطلاعات در حالت‌هایی با بُعد بالا است که از محدودیت‌های قبلی ارتباطات کوانتومی فراتر می‌رود.
 

برخلاف روش‌های سنتی که در آن اطلاعات به صورت فیزیکی منتقل می‌شوند، این رویکرد جدید از ساختار الهام‌گرفته از تلپورتیشن استفاده و تضمین می‌کند که اطلاعات به صورت فیزیکی بین طرف‌های ارتباطی جابه‌جا نمی‌شود.ارتباطات کوانتومی، که برای امنیت اطلاعات ضروری هستند، پیش‌تر به شکلی محدود به حالت‌های دو بعدی یا کیوبیت‌ انجام می‌شدند که در فواصل طولانی حتی بین ماهواره‌ها مخابره می‌شدند. این روش، مشابه ارسال بیت‌های سنتی صفر و یک، دارای محدودیت‌هایی است.
با این حال، به گفته محققان دانشگاه ویتواترزرند(Witwatersrand) در ژوهانسبورگ و موسسه علوم فوتونیک(ICFO) در اسپانیا، اپتیک کوانتومی می‌تواند «الفبا» را گسترش دهد و رمزگذاری سیستم‌های پیچیده‌تر مانند اثر انگشت یا چهره را در یک انتقال ممکن کند.اندرو فوربز(Andrew Forbes)، محقق اصلی و استاد دانشگاه ویتز می‌گوید: به‌ طور سنتی، دو طرف در ارتباط، اطلاعات را از یکی به دیگری حتی در قلمرو کوانتومی به‌طور فیزیکی ارسال می‌کنند. اکنون می‌توان اطلاعات را از راه دور منتقل کرد تا هرگز به صورت فیزیکی در سراسر اتصال حرکت نکنند مانند فناوری «پیشتازان فضا» که به واقعیت پیوسته است.
پیش از این، انتقال از راه دور به حالت‌های سه بُعدی محدود می‌شد و برای ابعاد بالاتر به فوتون‌های درهم تنیده اضافی نیاز بود. این مطالعه نشان‌دهنده اولین نمایش تجربی انتقال کوانتومی در حالت‌هایی با بُعد بالا با استفاده از تنها دو فوتون درهم تنیده است که به نظر می‌رسد اطلاعات از فرستنده به گیرنده «از راه دور» منتقل می‌شود.
یک پیشرفت کلیدی استفاده از یک آشکارساز نوری غیرخطی است که نیاز به فوتون‌های اضافی را از بین می‌برد و برای هر «الگویی» که باید ارسال شود کار می‌کند. آنها به رکورد جدیدی از ۱۵ بُعد با پتانسیل استفاده حتی برای ابعاد بالاتر دست یافته‌اند.
یکی از کاربردهای عملی این فناوری در بانکداری است. به عنوان مثال، مشتری می‌تواند اثر انگشت خود را بدون جابه‌جایی فیزیکی اطلاعات به بانک ارسال کند. بانک یک فوتون درهم تنیده را برای مشتری می‌فرستد، سپس مشتری از یک آشکارساز غیرخطی برای ترکیب آن با اطلاعات ارسالی استفاده می‌کند. این منجر به ظاهر شدن اطلاعات در بانک می‌شود که گویی از راه دور منتقل شده است. این روش از رهگیری اطلاعات جلوگیری می‌کند، زیرا هیچ اطلاعاتی به صورت فیزیکی ارسال نمی‌شود.
فوربز توضیح می‌دهد: این پروتکل همه ویژگی‌های انتقال از راه دور را دارد، به جز یک عنصر ضروری. برای کارآمد کردن آشکارساز غیرخطی، به یک پرتو لیزر درخشان نیاز داریم به طوری که فرستنده بتواند بداند چه چیزی باید ارسال شود، اما نیازی به دانستن آن [در گیرنده] نباشد. اگر آشکارساز غیرخطی کارآمدتر شود، می‌تواند در آینده این کار انجام شود.
دکتر آدام والس(Adam Vallés) یکی از رهبران این پروژه می‌گوید: ما امیدواریم که این آزمایش که امکان‌پذیری این فرآیند را نشان می‌دهد، باعث پیشرفت بیشتر در جامعه اپتیک غیرخطی از راه از بین بردن محدودیت‌ها و حرکت به سوی اجرای کامل کوانتومی شود.
اکنون باید محتاط باشیم، زیرا این پیکربندی نمی‌تواند مانع از نگه‌داشتن نسخه‌های بهتری از اطلاعات برای انتقال از راه یک فرستنده تقلبی شود. با نگاهی به آینده، این تیم قصد دارد بر انتقال کوانتومی در شبکه‌های فیبر نوری تمرکز کند و مرزهای ارتباطات کوانتومی را جابجا کند. این مطالعه در مجله Nature Communications منتشر شده است.

بهترین نرم‌افزار‌های آنتی‌ویروس رایگان

در حال حاضر و در حالی که برخی از نرم‌افزار‌های آنتی ویروس، پولی هستند اما گزینه‌های رایگان زیادی با ویژگی‌های عالی نیز وجود دارند.

در حال حاضر و در حالی که برخی از نرم‌افزار‌های آنتی ویروس هزینه دارند، گزینه‌های رایگان زیادی با ویژگی‌های عالی نیز وجود دارند.

به گزارش باشگاه خبرنگاران جوان، اگر قبلاً به دنبال بهترین نرم‌افزار آنتی‌ویروس بودید، باید برای حفاظت و امنیت واقعی هزینه می‌کردید و مسلم است که هر نرم‌افزار آنتی‌ویروس رایگان فاقد برخی ویژگی‌های مهم مانند محافظت در برابر کلاهبرداری یا مسدود کردن لینک‌ها است؛ اما در حال حاضر و در حالی که برخی از نرم‌افزار‌های آنتی ویروس هزینه دارند، گزینه‌های رایگان زیادی با ویژگی‌های عالی نیز وجود دارند.

کانال عصر ایران در تلگرام

۱- آنتی ویروس رایگان AVG

اولین مزیت آنتی ویروس رایگان AVG این است که دارای دامنه بسیار گسترده‌ای است. این نرم افزار نه تنها ویروس‌ها و بدافزار‌ها را اسکن می‌کند، بلکه به مسدود کردن لینک‌های مشکوک، جلوگیری از دانلود‌ها و استفاده از ایمیل‌های حاوی پیوست‌های مشکوک نیز کمک می‌کند که این قابلیت‌ها برنامه را به انتخاب بهتری برای کاربران با بودجه محدود تبدیل می‌کند.

مزیت دوم، ارتباط AVG با پلتفرم‌های گوگل است، به گونه‌ای که یکی از بهترین دانلود‌ها را برای اندروید دارد. با استفاده از برنامه اندروید آن، می‌توانید کار‌هایی مانند اسکن و حذف بدافزار‌ها و اسکن شبکه وای فای مورد استفاده خود را انجام دهید.

آخرین مرحله ثبت‌نام وام ۷۵ میلیون‌تومانی بدون ضامن

برنامه اندروید این آنتی ویروس همچنین دارای یک سپر وب است که به شما در مورد وب سایت‌های حاوی بدافزار هشدار می‌دهد و همچنین می‌توانید از این برنامه برای بررسی سرعت Wi-Fi خود استفاده کنید.

۲- آنتی ویروس رایگان Malwarebytes برای مقابله با بدافزار‌ها

آنتی ویروس Malwarebytes جزء بهترین و جامع‌ترین نرم‌افزار‌های حذف ویروس است که اغلب آن را به یکی از اولین منابعی تبدیل می‌کند که آژانس‌های فناوری و گروه‌های پشتیبانی به طور یکسان به آن مراجعه می‌کنند.

تنها نکته‌ای که در مورد نسخه رایگان Malwarebytes وجود دارد این است که این ابزار بیشتر یک ابزار اصلاحی است تا این یک سپر محافظ زنده باشد، به گونه‌ای که هر چیزی را که قبلاً آلوده شده به طور موثر پیدا و حذف می‌کند، اما از ویروسی شدن جلوگیری نمی‌کند.

۳- آنتی ویروس رایگان Avast

از نظر حفاظت اولیه، Avast یکی از بهترین برنامه‌های آنتی ویروس موجود است. با Avast می‌توانید انتظار آنتی ویروسی را داشته باشید که می‌تواند انواع تهدیدات از جمله ویروس ها، باج افزار‌ها و فیشینگ را پیدا کرده و آن‌ها را مسدود کند.

دو ویژگی دیگر آن یعنی بازرسی شبکه و اسکن هوشمند نیز می‌توانند به شما کمک کنند تا نقایص امنیتی خود را کشف کنید و بدانید برای محافظت از خود چه چیزی را باید برطرف کنید. این نرم افزار همچنین دارای یک حالت بی صدا است که به طور کامل هشدار‌ها و پاپ آپ‌های Avast را خاموش می‌کند.

۴- آنتی ویروس رایگان Avira

آنتی ویروس رایگان و کارآمد Avira یکی از بهترین گزینه‌ها برای داشتن ویژگی‌های امنیتی مورد نظر بدون هیچ گونه افزونه‌های غیرضروری یا مزاحم است. گزینه‌های دانلود برای Windows، Mac، Android و iOS در دسترس هستند. سازگاری آن با Mac/iOS بسیار خوب است و آن را به یک انتخاب عالی برای کاربران اپل تبدیل می‌کند.

نسخه رایگان آنتی ویروس Avira با اسکن و مسدود کردن ویروس، اصلاح فایل‌های آلوده، به روز رسانی در زمان واقعی، سپر برنامه ناخواسته (PUA)، مسدود کننده تبلیغات و مسدود کننده ردیابی ارائه می‌شود.

چگونه تنشخیص دهیم که کدام آنتی ویروس رایگان برای شما مناسب است؟

تشخیص این موضوع به نیاز‌های امنیتی شما بستگی دارد. برخی از برنامه‌های آنتی ویروس رایگان تنها بر روی شناسایی و حذف بدافزار تمرکز می‌کنند، اما برخی دیگر ممکن است با ویژگی‌های ضد فیشینگ و مسدود کردن تبلیغات محافظت بیشتری ارائه دهند.

اگر زیاد وب گردی می‌کنید یا پیوست‌های ایمیل را زیاد دانلود می‌کنید، باید به دنبال گزینه‌هایی باشید که محافظت از وب و ایمیل را ارائه می‌دهند.

اگر می‌خواهید با استفاده از یک نرم‌افزار بتوانید به طور همزمان همه دستگاه‌های خود (موبایل و رایانه شخصی) را نظارت و از آن محافظت کنید، باید یک آنتی ویروس رایگان را انتخاب کنید که در تمام پلتفرم‌هایی که دستگاه‌های شما روی آن‌ها کار می‌کنند٬ موجود باشد.

هوش مصنوعی؛ همین حالا اینجاست

 مترجم: پوریا جعفری چمازکتی
منبع: سایت خبری RTE
طی گذشت دو ماه پس از انتشار chatGPT در نوامبر، این سایت بیش از 100 میلیون کاربر فعال به دست آورد که سریع ترین رشد تاریخ برای یک اپلکیشن آنلاین می‌باشد.
قابلیت های این برنامه و سایر ابزار مشابه آن فوق العاده است. آن‌ها می‌توانند خلاصه سازی کتاب‌ها و تولید تصاویر را در کسری از ثانیه انجام دهند. اما چه تاثیری ممکن است بر چگونه کار کردن ما بگذارند؟ و کدام مشاغل را تحت تاثیر قرار می‌دهند؟
یک تیم علمی در ایالات متحده سعی کرده است به این سوالات پاسخ دهد.
پژوهشگرانی از دانشگاه های پرینستون، نیویورک و پنسیلوانیا اقدام به بررسی این موضوع کردند که کدام مهارت های شغلی تحت تاثیر قابلیت های سیستم های هوش مصنوعی مانند chatgpt ،که به آن‌ها مدل های زبان وسیع می‌گویند، قرار می‌گیرند.
آن‌ها در مقاله اخیر خود نتیجه گیری کردند کارمندان پردرآمدی که نیاز به تحصیلات بالایی دارند، بیشترین تاثیر را از این نوع برنامه‌ها می‌پذیرند.
پرفسور ماناو راج از دانشگاه پنسیلوانیا، یکی از نویسندگان مقاله، در گفتگو با "پرایم تایم" افزود که بخش های حقوقی و آموزشی بالاترین نمره تاثیرپذیری را داشتند. وی اظهار داشت: فکر می‌کنم این موضوع نشان می‌دهد که در این مشاغل، ارتباط و پردازش اطلاعات بسیار است. ما می‌دانیم که مدل های زبانی در این زمینه بسیار خوب هستند.
یکی از همکاران او، استاد رابرت سیمانز از دانشگاه نیویورک افزود: منظور ما از تحت تاثیر هوش مصنوعی بودن یک شغل، این است که شغل مربوطه به شکلی تغییر خواهد کرد که از قابلیت های هوش مصنوعی بتواند بهره مند شود اما به این معنی نیست که این شغل نابود می‌شود.
ChatGPT توسط شرکت OpenAI، که تحت حمایت مایکروسافت است، ایجاد شده است. قابلیت‌های آن موجب تعجب و علاقه مندی کاربران سراسر جهان به هوش مصنوعی شده است. از زمان راه‌اندازی آن در نوامبر(2023)، گوگل، متا و مجموعه‌ای از شرکت‌های دیگر مدل‌های زبانی وسیع خود را منتشر یا به‌روز رسانی کرده‌اند.
مدل های زبانی وسیع عمدتا به منظور ایجاد ارتباط بین کلمات، مجموعه داده‌ها و شبکه های دیجیتالی برنامه نویسی شده اند که این فرایند توسط فرایند یادگیری عمیق (deep learning) انجام می‌شود. سایر مدل های مشابه نیز می‌توانند روی عکس‌ها و هنر به منظور تصویرسازی ، برنامه ریزی بشوند.
آنها می‌توانند به درخواست کاربران به صورت کتبی پاسخ دهند، کدهای کامپیوتری را تولید و تصحیح و داده‌ها را تجزیه و تحلیل و بازسازی کنند، تصاویر و آثار هنری نزدیک به واقعیت را تولید و الگوها را تشخیص دهند و مجموعه متنوعی از سایر وظایف مبتنی بر کامپیوتر را انجام دهند.
از آنجا که پاسخ‌ها به طور مستقیم در جواب به هر درخواست هر کاربر ایجاد می‌شوند، مدل های تولید کننده تصاویر و متن هر دو به عنوان سیستم های هوش مصنوعی مولد (generative AI) دسته بندی می‌شوند.
پیشرفت های اخیر هوش مصنوعی مولد، منجر به بحث های فراوانی در باره پتانسیل آن‌ها در ایجاد اختلال در اقتصاد و تسخیر مشاغل کارگران شده است.
آرویند کریشنا مدیرعامل شرکت IBM در مصاحبه با شبکه بلومبرگ گفته است می‌تواند پیش بینی کند که 30 درصد کار هایی که توسط بخش های پشتیبانی سازمان‌ها ، مانند منابع انسانی انجام می‌شود ، در بازه ای پنج ساله توسط هوش مصنوعی و اتوماسیون جانشین شوند.
در ماه مارس، کارشناسانی از گلدمن سکس اذعان داشتند که دو- سوم مشاغل فعلی تا حدودی در معرض تاثیرات اتوماسیون هوش مصنوعی قرار دارند و ممکن است هوش مصنوعی مولد جانشین یک – چهارم مشاغل فعلی بشود.
علاوه بر مشاغل حوزه های آموزش و حقوق، محققان همچنین مشاغل حوزه های رسانه، بانکداری و مالی، نرم افزار و توسعه وب، مهندسی، طراحی و انتشارات را در زمره مشاغلی که تحت تاثیر هوش مصنوعی قرار می‌گیرند، دسته بندی کرده اند.
در این مقاله، دو رده بندی جداگانه منتشر شده است. مورد اول، تاثیر هوش مصنوعی مولد زبان (مانند chatgpt و مورد دوم ، تاثیر هوش مصنوعی مولد تصاویر (مانند MidJourney و Dall-E) را بر مشاغل بررسی می‌کند.
مشاغلی که بیشترین تاثیرپذیری از هوش مصنوعی مولد زبان را داشتند معلمان رشته های ادبیات، زبان انگلیسی و زبان های خارجی بودند. در سمت دیگر، طراحان داخلی، معمار‌ها و مهندسان شیمی بیشترین تاثیرپذیری را از هوش مصنوعی مولد تصاویر داشتند.
کمترین میزان تاثیر پذیری نیز مربوط به کارگران نساجی، بنّا ها، مربیان تناسب اندام و ماساژ درمانگر بود.
در مقاله آمده است: اثرات هوش مصنوعی مولد احتمالا به طور نسبتاً سریع ظاهر خواهد شد.
دکتر شان اوهیگارتی، مدیر مرکز مطالعات ریسک وجودی در دانشگاه کمبریج با این نظر موافق است. وی می‌افزاید: من فکر می‌کنم این پدیده صرفا از یک محصول نادر تکنولوژیک به چیزی تبدیل خواهد شد که میلیون‌ها انسان را بسیار سریع تحت تاثیر قرار خواهد داد. همچنین از سختی های بسیاری از کارهایی که وقت گیر هستند خواهد کاست. اما باید توجه داشت که این تحول بدون توجه به بخش بزرگی از افراد جامعه جهانی صورت می‌گیرد. به عنوان مثال، کارمندان دورکار هندی که مشغول حاشیه نویسی داده‌ها یا جواب دادن تلفن‌ها در مراکز تماس هستند ، ممکن است بسیار زود کار خود را از دست بدهند. شکی نیست که مشاغل زیادی به کمک هوش مصنوعی به وجود خواهند آمد، اما آن‌ها لزوما به افرادی که شغل خود را از دست داده اند، اختصاص نخواهد یافت.
دکتر اوهیگارتی یکی از امضا کنندگان نامه سرگشاده ای است که اخیرا توسط موسسه "آینده زندگی" دانشگاه آکسفورد منتشر شده است. در این نامه، شش ماه توقف توسعه برخی از سیستم های هوش مصنوعی خاص درخواست شده است.
وی در مصاحبه با پرایم تایم می‌افزاید: منطقی است که حرکت را آهسته تر کنیم تا زمان کافی برای شنیدن صدای افراد در سراسر جهان، صنایع و مشاغل متاثر را، داشته باشیم. مردم باید در نوع توسعه و انتشار هوش مصنوعی سهیم باشند.
پروفسور راج معتقد است که سیاست گذاران و سیاستمداران باید به اثرات احتمالی هوش مصنوعی بر اقتصاد توجه کنند.
وی معتقد است : حتی اگر این مسئله یک خیر جمعی باشد، عده از مردم در کار خود آشفتگی و دغدغه را تجربه خواهند کرد. بعضی شغل‌ها به طور کامل حذف خواهند شد و احتمالا نیاز به میزانی از بازآموزی و انطباق خواهد بود، اما من خوش بین هستم. من فکر می‌کنم به سبب یادگیری چگونگی استفاده از این تکنولوژی ها، مشاغل و وظایف جدیدی به وجود خواهد آمد.
دکتر سیمانس نیز نظر مشابهی دارد. وی می‌گوید: نگران این نباشید که هوش مصنوعی شغلتان را از شما بگیرد. احتمال آن بسیار کم است. اما به احتمال زیاد هوش مصنوعی کار شما را تغییر خواهد داد. پس جهت آمادگی داشتن برای این تغییر، خودتان شخصا شروع به استفاده از آن‌ها بکنید. بسیار از پژوهشگران و تحلیل گرانی که در چند ماه اخیر با پرایم تایم صحبت کرده اند به طور کلی هم نظرند که ابزار هوش مصنوعی ، هم اکنون ویژگی های تکنولوژی ای را به نمایش می‌گذارد که از آن به عنوان تکنولوژی های همه کاره (general purpose technologies) یاد می‌شود.
تکنولوژی های همه کاره ابزار یا سیستم هایی هستند که نه فقط صنایع ، بلکه اقتصاد‌ها و جوامع را نیز دچار تغییر می‌کنند. مثال های پیشینِ تکنولوژی های همه کاره در تاریخ بشری شامل: موتور بخار، ماشین چاپ و رایانه شخصی می‌باشند.
پرفسور پاتریشیا مگوایر از دانشگاه دوبلین می‌گوید: اتفاقی که می‌افتد این است که افرادی که از هوش مصنوعی استفاده می‌کنند جایگزین افرادی می‌شوند که از آن استفاده نمی کنند. ما نمی توانیم در این مسیر کسی را جا بگذاریم. در نتیجه ، نیاز داریم که آموزش دهیم ، و به نظر من این آموزش باید از سطوح ابتدایی مدارس آغاز شود. بری اوسولیوان، پرفسور علوم کامپیوتر دانشگاه کورک نیز می‌گوید: غیرممکن است که بتوانیم حدس بزنیم چه مشاغلی به واسطه استفاده همگانی از ابزار هوش مصنوعی پدید خواهد آمد. ما صرفا می‌توانیم برخی را حدس بزنیم، اما واقعیت این است که ما حتی نمی دانیم جهان پنج سال دیگر چگونه خواهد بود.

بیل گیتس: هوش مصنوعی بزودی می‌تواند به کودکان آموزش دهد

بیل گیتس: هوش مصنوعی حداکثر تا ۱۸ ماه دیگر می‌تواند به کودکان خواندن یاد دهد

به گفته‌ی بیل گیتس، اگر فقط ۱۸ ماه آینده را درنظر بگیرید، هوش مصنوعی می‌تواند در این مدت به‌عنوان دستیاری برای آموزگاران مورد استفاده قرار گیرد و پس‌از آن توانایی ما را در ریاضیات تقویت خواهد کرد.

به‌گفته‌ی بیل گیس، هوش مصنوعی می‌تواند در آینده‌ی نزدیک مثل بهترین معلم‌های انسانی در امور آموزش مورد استفاده قرار گیرد.

 

به گزارش زومیت؛ بیل گیتس، یکی از بنیان‌گذاران مایکروسافت پیش‌بینی کرده است هوش مصنوعی طی چند سال آینده قادر خواهد بود عملکردی در سطح بهترین معلم‌های انسانی ارائه دهد.

 

گیتس در سخنرانی اخیرش که با موضوع یادگیری دیجیتال در سن‌دیگو برگزار شده بود اعلام کرد: «ما از اینکه هوش مصنوعی چگونه می‌تواند در آموزش خواندن مؤثر باشد شگفت‌زده شده‌ایم.»

 

به گفته‌ی گیتس، اگر فقط ۱۸ ماه آینده را درنظر بگیرید، هوش مصنوعی می‌تواند در این مدت به‌عنوان دستیاری برای آموزگاران مورد استفاده قرار گیرد و پس‌از آن توانایی ما را در ریاضیات تقویت خواهد کرد.

 

این اولین‌بار است که گیتس هیجان واقعی خود را در مورد فناوری هوش مصنوعی اعلام می‌کند. او ماه گذشته در وبلاگ خود نوشت: «عصر هوش مصنوعی آغاز شده و GPT شرکت OpenAI انقلاب بزرگی در مدل‌های زبان بزرگ است.» به‌نظر گیتس، همه‌ی محدودیت‌های کنونی هوش مصنوعی خیلی زود از بین خواهند رفت.

 

فیوچریسم می‌نویسد، بیل گیتس بیش‌از دودهه پیش‌ طی مصاحبه با نیویورک‌تایمز، درمورد یادگیری ماشینی صحبت کرده و دیدگاه آینده‌نگرانه‌اش را درمورد فناوری مذکور ارائه داده است. او سال ۲۰۰۴ اعلام کرده بود اگر پیشرفتی در هوش مصنوعی ابداع شود تا ماشین‌ها بتوانند موارد جدیدی را یاد بگیرند، چنین فناوری جذابی ده‌ برابر مایکروسافت ارزش خواهد داشت.

 

گیتس سال ۲۰۱۹ در استارتاپ Luminous سرمایه‌گذاری کرد؛ شرکتی که قصد دارد تراشه‌ی شتاب‌دهنده‌ی هوش مصنوعی مبتنی‌بر نور تولید کند. این نوع تراشه‌ها احتمالاً توان پردازشی ابررایانه‌های موردنیاز برای هوش مصنوعی آینده را تأمین خواهند کرد.

 

بیل گیتس باور دارد ما واقعاً به مرز جهش کوانتومی واقعی در فناوری هوش مصنوعی نزدیک شده‌ایم و چشم‌انداز کلی مثبتی نسبت‌به آینده‌ی این تکنولوژی دارد.

ارزیابیهایی درباره برخی پیآوردهای هوش مصنوعی 2

محتمل‌ترین نتیجه هوش مصنوعی فوق‌العاده هوشمند: همه خواهیم مرد!

"الیزر یودکوفسکی" می‌گوید بشریت برای زنده ماندن از رویارویی با هوش مصنوعی بسیار هوشمندتر آماده نیست.

یک محقق برجسته هوش مصنوعی هشدار داد که متوقف کردن توسعه سیستم‌های هوش مصنوعی پیشرفته در سراسر جهان و مجازات شدید افرادی که این مهلت قانونی را نقض می‌کنند تنها راه نجات بشریت از انقراض است.

 

به گزارش فرارو به نقل از راشاتودی؛ "الیزر یودکوفسکی" یکی از بنیانگذاران موسسه تحقیقاتی هوش ماشینی (MIRI) روز چهارشنبه در مقاله‌ای نظری برای نشریه "تایم" توضیح داد که چرا طوماری را امضا نکرده است که از تمام آزمایشگاه‌های هوش مصنوعی می‌خواهد که فورا حداقل برای شش ماه آموزش سیستم‌های هوش مصنوعی قوی‌تر از جی پی تی -۴ (یک مدل زبان بزرگ چند وجهی است که اوایل ماه جاری توسط Open AI منتشر شد) را متوقف کنند.

 

یودکوفسکی استدلال کرد که نامه امضا شده توسط افرادی مانند ایلان ماسک و استیو وزنیاک مدیر اپل برای حل مشکلی که به دلیل توسعه سریع و کنترل نشده هوش مصنوعی ایجاد می‌شود بسیار ناچیز است.

 

 

الیزر یودکوفسکی؛ محقق برجسته هوش مصنوعی

 

او نوشت: "محتمل‌ترین نتیجه ساخت یک هوش مصنوعی فوق العاده هوشمند تحت هر چیزی که از راه دور مانند شرایط کنونی باشد این است که به معنای واقعی کلمه همه روی زمین خواهند مرد".

 

او استدلال کرد که زنده ماندن از رویارویی با یک سیستم کامپیوتری که "نه برای ما و نه به طور کلی برای زندگی حساس" است به "دقت و آمادگی و بینش‌های علمی جدید" نیاز دارد که بشر در حال حاضر فاقد آن می‌باشد و بعید به نظر می‌رسد در آینده قابل پیش بینی نیز به آن دست یابد.

 

یودکووسکی هشدار داد: "یک هوش مصنوعی به اندازه کافی هوشمند برای مدت طولانی در رایانه محصور نخواهد شد". او توضیح داد که این واقعیت که امکان ارسال رشته‌های DNA به آزمایشگاه‌ها برای تولید پروتئین وجود دارد احتمالا به هوش مصنوعی این امکان را می‌دهد که اشکال حیات مصنوعی را بسازد یا مستقیما به سمت تولید مولکولی پسا بیولوژیکی حرکت کند و به جهان راه یابد.

 

به گفته این محقق یک مهلت نامعلوم و جهانی برای دوره‌های آموزشی اصلی جدید هوش مصنوعی باید فورا معرفی شود. او تاکید کرد: "هیچ استثنایی نمی‌تواند وجود داشته باشد از جمله برای دولت‌ها یا ارتش‌ها".

 

یودوفسکی تاکید کرده که قرارداد‌های بین‌المللی باید امضا شوند تا سقفی در مورد میزان قدرت محاسباتی که هر فردی ممکن است از آن در آموزش چنین سیستم‌هایی استفاده کند تعیین شود.

 

او در مقاله اشاره کرده که تهدید هوش مصنوعی به قدری زیاد است که باید "در دیپلماسی بین المللی به صراحت اعلام شود که جلوگیری از سناریو‌های انقراض توسط هوش مصنوعی اولویتی بالاتر از جلوگیری از تبادل کامل هسته‌ای است".

---

---

ببینید | چرا هوش مصنوعی ترسناک شده است؟!

هوش مصنوعی وسیله‌ای است برای رشد و پیشرفت، اما مثل همه فناوری‌های دیگر سکه‌ای است که روی دیگری هم دارد و می‌تواند بسیار خطرناک باشد.

دانلود فیلم

---

---

به زودی درک هوش مصنوعی برای انسان غیرممکن خواهد شد

وقتی صحبت از هوش مصنوعی قابل توضیح و شفاف به میان می‌آید داستان شبکه‌های عصبی به ما می‌گوید که احتمالا در آینده به جای نزدیک شدن از آن هدف دور خواهیم شد.

 "جک دی کُوان" ریاضیدان و زیست شناس نظری در سال ۱۹۵۶ میلادی در جریان یک سفر یک ساله به لندن و در اوایل دهه ۲۰ زندگی اش با "ویلفرد تیلور" ملاقات کرد و ماشین یادگیری تازه او را از نزدیک مشاهده نمود. او در بدو ورود از مشاهده "بانک عظیم ماشین یادگیری" که با آن مواجه شده بود گیج شد.

---

به گزارش فرارو به نقل از کانورسیشن؛ کوان تنها می‌توانست بایستد و ماشینی که خود در حال انجام کارش بود را تماشا کند کاری که به نظر می‌رسید انجام می‌داد اجرای یک "طرح حافظه انجمنی" بود به نظر می‌رسید که می‌توانست یاد بگیرد که چگونه اتصالات را پیدا کند و داده‌ها را مورد بازیابی قرار دهد.

شاید شبیه بلوک‌های مدار ناهمواری به نظر می‌رسید که با دست در انبوهی از سیم‌ها و جعبه‌ها به هم لحیم شده‌اند، اما چیزی که کوان شاهد آن بود یک شکل مشابه اولیه از یک شبکه عصبی به نظر می‌رسید یک پیشرو برای پیشرفته‌ترین هوش مصنوعی امروزی از جمله چت جی پی تی (Chat GPT) که به دلیل توانایی در تولید محتوای نوشتار در پاسخ به تقریبا هر دستوری بسیار مورد بحث قرار گرفته است. فناوری زیربنایی چت جی پی تی یک شبکه عصبی است.

 همان طور که کوان و تیلور ایستاده بودند و کار ماشین را تماشا می‌کردند واقعا نمی‌دانستند که چگونه این کار را انجام می‌دهد. پاسخ به مغز ماشین مرموز تیلور را می‌توان جایی در "نورون‌های آنالوگ" در ارتباط‌های ایجاد شده توسط حافظه دستگاه آن و مهم‌تر از همه در این واقعیت یافت که عملکرد خودکار آن را واقعا نمی‌توان به طور کامل توضیح داد. دهه‌ها به طول می‌انجامد تا این سیستم‌ها هدف خود را پیدا کنند و آن قدرت باز شود.

 

اصطلاح "شبکه عصبی" طیف گسترده‌ای از سیستم‌ها را در بر می‌گیرد، اما به طور مرکزی به گفته IBM این شبکه‌های عصبی هم چنین به عنوان شبکه‌های عصبی مصنوعی (ANN) یا شبکه‌های عصبی شبیه سازی شده (SNN) شناخته می‌شوند که زیرمجموعه‌ای از یادگیری ماشین هستند و در قلب الگوریتم‌های یادگیری عمیق قرار دارند. مهم این است که خود این اصطلاح و شکل و ساختار آن از مغز انسان الهام گرفته شده و از روشی که نورون‌های بیولوژیکی به یکدیگر سیگنال می‌دهند تقلید می‌کند.

 

ممکن است در مراحل اولیه شک و تردیدی در مورد ارزش آن وجود داشته باشد، اما با گذشت سال‌ها مُدهای هوش مصنوعی به شدت به سمت شبکه‌های عصبی حرکت کرده اند. اکنون اغلب تصور می‌شود که آن‌ها آینده هوش مصنوعی هستند. آن‌ها پیامد‌های بزرگی برای ما و معنای انسان بودن دارند. ما اخیرا پژواک این نگرانی‌ها را شنیده‌ایم و درخواست‌هایی به منظور توقف توسعه‌های جدید هوش مصنوعی برای یک دوره شش ماهه به منظور کسب اطمینان از پیامد‌های آن مطرح شده اند.

 

مطمئنا اشتباه است که شبکه عصبی را صرفا به عنوان ابزار‌های جدید براق و چشم نواز رد کنیم. آنان در حال حاضر به خوبی در زندگی ما جا افتاده‌اند. برخی در عملی بودن خود قدرتمند هستند. اطلاعیه اخیر مایکروسافت مبنی بر آن که جستجو‌های موتور جستجوی بینگ با مجهز شدن به هوش مصنوعی تقویت می‌شود و این که آن را به کمک خلبانی برای وب تبدیل می‌کند نشان می‌دهد که چگونه چیز‌هایی که ما کشف کرده و درک می‌کنیم محصول این نوع اتوماسیون (خودکاری شدن) هستند.

 

هوش مصنوعی با استفاده از داده‌های گسترده برای یافتن الگو‌ها می‌تواند به طور مشابه برای انجام کار‌هایی مانند تشخیص تصویر با سرعت آموزش داده شود. برای مثال، آن را در تشخیص چهره ادغام می‌کند. این توانایی در شناسایی الگو‌ها منجر به کاربرد‌های بسیار دیگری مانند پیش بینی بازار‌های سهام شده است.

 

شبکه‌های عصبی نحوه تفسیر و ارتباط ما را نیز تغییر می‌دهند. گوگل ترنسلیت (مترجم گوگل ) که توسط تیم مغز گوگل توسعه یافته است یکی دیگر از برنامه‌های برجسته شبکه عصبی است.

 

لایه‌های مرموز "ناشناختنی"

نگاهی به تاریخچه شبکه‌های عصبی به ما نکته مهمی در مورد تصمیمات خودکاری که زمانه فعلی ما را تعریف می‌کنند یا تصمیماتی که احتمالا تاثیر عمیق تری در آینده خواهند داشت را می‌گویند. حضور آن‌ها هم چنین می‌گوید که ما احتمالا تصمیمات و تاثیرات هوش مصنوعی را در طول زمان حتی کمتر درک می‌کنیم. این سیستم‌ها صرفا جعبه‌های سیاه نیستند آن صرفا قطعات مخفی یک سیستم نیستند که قابل مشاهده یا درک نباشند.

 این چیزی متفاوت است چیزی که ریشه در اهداف و طراحی خود این سیستم‌ها دارد. یک تعقیب طولانی مدت وجود دارد. هرچه غیر شفاف‌تر باشد سیستم معتبرتر و پیشرفته‌تر تصور می‌شود. این صرفا در مورد پیچیده‌تر شدن سیستم‌ها یا محدود کردن دسترسی به کنترل مالکیت معنوی نیست (اگرچه این موارد بخشی از آن هستند). در عوض، می‌توان گفت اخلاقی که آن‌ها را هدایت می‌کند علاقه‌ای خاص و نهفته به "ناشناخته ماندن" دارد.

 این رمز و راز حتی در قالب و گفتمان شبکه عصبی رمزگذاری شده است. آن‌ها دارای لایه‌های عمیق انباشته شده هستند از این رو عبارت یادگیری عمیق و در درون آن اعماق "لایه‌های پنهان" حتی اسرارآمیزتر هستند. اسرار این سیستم‌ها در اعماق زیر سطح قرار دارند.

 

این احتمال وجود دارد که هر چه تاثیر هوش مصنوعی در زندگی ما بیش‌تر باشد کمتر متوجه چگونگی و چرایی آن شویم. امروزه فشاری قوی برای قابل توضیح شدن هوش مصنوعی وجود دارد. ما می‌خواهیم بدانیم هوش مصنوعی چگونه کار می‌کند و چگونه به تصمیمات و نتایج می‌رسد.

 

اتحادیه اروپا به قدری نگران "خطرات غیرقابل قبول" و حتی برنامه‌های کاربردی "خطرناک" است که در حال حاضر در حال پیشبرد قانون جدید هوش مصنوعی با هدف تعیین "استاندارد جهانی" برای "توسعه هوش مصنوعی ایمن، قابل اعتماد و اخلاقی" می‌باشد. اتحادیه اروپا در این باره نگرانی دارد که سیستم‌هایی که در آینده ظهور می‌کنند پیامد‌هایی برای حقوق بشر داشته باشند.

 

این بخشی از فراخوان‌های گسترده‌تر برای شفافیت در حوزه هوش مصنوعی است تا بتوان فعالیت‌های آن را بررسی، ممیزی و ارزیابی کرد. مثال دیگر، جلسه توجیهی انجمن سلطنتی بریتانیا در مورد هوش مصنوعی قابل توضیح است که در آن اشاره شده که "مناظره‌های مرتبط با سیاستگذاری در سراسر جهان به طور فزاینده‌ای نیاز به نوعی توضیح پذیری هوش مصنوعی دارند".

 با این وجود، داستان شبکه‌های عصبی به ما می‌گوید که احتمالا در آینده به جای نزدیک‌تر شدن از آن هدف دورتر خواهیم شد.

 

با الهام از مغز انسان

 این شبکه‌های عصبی ممکن است سیستم‌های پیچیده‌ای باشند، اما برخی از اصول اصلی را دارند. آن‌ها با الهام از مغز انسان به دنبال کپی یا شبیه سازی اشکال تفکر بیولوژیکی و انسانی هستند. از نظر ساختار و طراحی همانطور که IBM نیز توضیح می‌دهد از "لایه‌های گره، حاوی یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی" تشکیل شده اند و هرگره یا نورون مصنوعی به گره یا نورون مصنوعی دیگری متصل می‌شود. از آنجایی که آن‌ها برای ایجاد خروجی‌ها به ورودی‌ها و اطلاعات نیاز دارند "به داده‌های آموزشی برای یادگیری و بهبود دقت خود در طول زمان متکی هستند".

 این جزئیات فنی مهم هستند، اما تمایل به مدل سازی این سیستم‌ها بر اساس پیچیدگی‌های مغز انسان نیز اهمیت دارد. درک جاه طلبی پشت این سیستم‌ها برای درک آن چه که این جزئیات فنی به همراه دارند حیاتی می‌باشد.

 

"تئو کوهونن" دانشمند شبکه عصبی در مصاحبه‌ای در سال ۱۹۹۳ میلادی به این نتیجه رسیده بود که یک سیستم "خودسازمانده" "رویای من است" که "چیزی شبیه به آن چه که سیستم عصبی ما به طور غریزی انجام می‌دهد" خواهد بود. برای مثال کوهونن این تصور را مطرح کرد که چگونه یک سیستم "خودسازماندهی" سیستمی که خود را نظارت و مدیریت می‌کند "می تواند به عنوان یک تابلوی نظارت برای هر ماشینی در هر هواپیما یا هر نیروگاه هسته‌ای استفاده شود". او فکر می‌کرد که این بدان معناست که در آینده "شما می‌توانید بلافاصله ببینید که سیستم در چه شرایطی قرار دارد".

 

هدف اصلی این بود که سیستمی داشته باشیم که بتواند با محیط اطراف خود سازگار شود. آن رویا این بود که سیستم‌هایی بتوانند بدون نیاز به دخالت زیاد انسان خود را مدیریت کنند و این که پیچیدگی‌ها و ناشناخته‌های مغز سیستم عصبی و دنیای واقعی به زودی به توسعه و طراحی شبکه‌های عصبی می‌رسند.

 

چیزی عجیب در مورد آن با این وجود، با بازگشت به سال ۱۹۵۶ میلادی و آن ماشین یادگیری عجیب این رویکرد عملی که تیلور هنگام ساخت آن اتخاذ کرده بود بلافاصله توجه کوان را به خود جلب کرد. کوان در مصاحبه‌ای گفت که تیلور کار را براساس تئوری و روی رایانه انجام نداده در عوض با استفاده از ابزار‌هایی که در دست داشته در واقع با استفاده از سخت افزار کار را انجام داده بود. این یک چیز مادی بود ترکیبی از قطعات شاید حتی یک ابزار. کوان خاطرنشان می‌کند که "همه کار‌ها با مدار‌های آنالوگ انجام شد چندین سال به طول انجامید تا تیلور آن را بسازد و با آن بازی کند". در واقع، یک مورد آزمون و خطا بود. قابل درک است که کوان می‌خواست با آن چه می‌دید کنار بیاید.

 

او سعی کرد از تیلور بخواهد که این ماشین یادگیری را برایش توضیح دهد. با این وجود، شفاف سازی‌ای صورت نگرفت و کوان نتوانست تیلور را وادار به توضیح درباره چگونگی کار کند. نورون‌های آنالوگ یک راز باقی ماندند. کوان فکر کرد مشکل شگفت انگیزتر این بود که تیلور "واقعا خود نمی‌دانست که چه اتفاقی در حال رخ دادن است".

 

در مصاحبه‌ای در اواسط دهه ۱۹۹۰ میلادی کوان با فکر کردن به ماشین تیلور فاش ساخت که شما نمی‌توانید کاملا بفهمید که چگونه کار می‌کند. این نتیجه گیری نشان می‌دهد که چگونه ناشناخته‌ها عمیقا در شبکه‌های عصبی جاسازی شده است. غیر قابل توضیح بودن این سیستم‌های عصبی حتی از مراحل اساسی و رشدی که قدمت آن به حدود هفت دهه قبل می‌رسد نیز وجود داشته و این رمز و راز امروزه باقی مانده است و می‌توان آن را در اشکال پیشرفته هوش مصنوعی یافت. غیرقابل درک بودن عملکرد تداعی‌های ایجاد شده توسط دستگاه تیلور کوان را به این فکر واداشت که آیا چیزی در مورد آن وجود دارد؟

 

تقلید از مغز لایه به لایه

 شاید پیش‌تر متوجه شده باشید که هنگام بحث در مورد منشاء شبکه‌های عصبی تصویر مغز و پیچیدگی‌هایی که این شبکه‌ها برمی انگیزد هرگز دور از دسترس نیست. مغز انسان به عنوان نوعی الگو برای این سیستم‌ها عمل می‌کند. در مراحل اولیه به ویژه مغز هنوز یکی از ناشناخته‌های بزرگ و الگویی برای نحوه عملکرد شبکه عصبی شد.

 

بنابراین، سیستم‌های آزمایشی جدید بر اساس چیزی که عملکرد آن تا حد زیادی ناشناخته بود مدل‌سازی شدند. "کارور مید" مهندس محاسبات عصبی به طرز آشکاری از مفهوم "کوه یخ شناختی" که برای او جذابیت خاصی پیدا کرده بود صحبت کرده است. این تنها نوک کوه یخ آگاهی است که ما از آن آگاه هستیم و قابل مشاهده است. مقیاس و شکل بقیه بخش‌های کوه یخی در زیر سطح ناشناخته‌ای باقی مانده اند.

 

"جیمز اندرسون" که برای مدتی روی شبکه‌های عصبی کار می‌کرد در سال ۱۹۹۸ میلادی خاطرنشان ساخت که وقتی نوبت به تحقیق روی مغز می‌شود "به نظر می‌رسد کشف اصلی ما آگاهی از این است که واقعا نمی‌دانیم چه اتفاقی رخ می‌دهد".

 

"ریچارد واترز" روزنامه نگار حوزه فناوری در گزارش مفصلی در "فایننشال تایمز" در سال ۲۰۱۸ میلادی اشاره کرد که چگونه شبکه‌های عصبی "بر اساس نظریه‌ای درباره نحوه عملکرد مغز انسان مدل سازی می‌شوند و داده‌ها را از لایه‌هایی از نورون‌های مصنوعی منتقل می‌کنند تا زمانی که یک الگوی قابل شناسایی ظاهر شود".

 

واترز پیشنهاد کرد که این مشکلی را ایجاد می‌کند، زیرا برخلاف مدار‌های منطقی به کار رفته در یک برنامه نرم افزاری سنتی هیچ راهی برای ردیابی این فرآیند برای شناسایی دقیق این که چرا یک رایانه به یک پاسخ خاص می‌رسد وجود ندارد. نتیجه گیری واترز آن است که این نتایج را نمی‌توان حذف کرد. استفاده از این نوع مدل از مغز که داده‌ها را از لایه‌های زیادی می‌گیرد به این معنی است که پاسخ به راحتی قابل ردیابی نیست. چند لایه بودن بخش خوبی از دلیل این امر است.

 

اقتباس کل بازی است

 راز عمیق‌تر می‌شود. همان طور که لایه‌های شبکه‌های عصبی انباشته شده‌اند پیچیدگی آن‌ها افزایش یافته است. هم‌چنین منجر به رشد لایه‌های پنهان در این اعماق شده است. بحث در مورد تعداد بهینه لایه‌های پنهان در یک شبکه عصبی ادامه دارد.

 

به دلیل نحوه عملکرد یک شبکه عصبی عمیق با تکیه بر لایه‌های عصبی پنهان که بین اولین لایه نورون‌ها (لایه ورودی) و آخرین لایه (لایه خروجی) قرار گرفته اند تکنیک‌های یادگیری عمیق هستند و حتی برای برنامه نویسانی که در ابتدا آن‌ها را تنظیم کرده اند اغلب مبهم یا ناخوانا هستند.

 

"کاترین هیلز" متفکر برجسته و میان رشته‌ای رسانه‌های نوین با بیان نکته‌ای مشابه خاطرنشان کرد که محدودیت‌هایی برای "تا چه اندازه می‌توانیم درباره سیستم بدانیم"؟ وجود دارد نتیجه‌ای که مربوط به "لایه پنهان" در شبکه عصبی و الگوریتم‌های یادگیری عمیق است.

 

به دنبال چیز‌های غیرقابل توضیح روی هم رفته این تحولات طولانی بخشی از چیزی است که "تاینا بوچر" جامعه شناس فناوری آن را "مشکل ناشناخته" نامیده است.

 

"هری کالینز" با گسترش تحقیقات تاثیرگذار خود در مورد دانش علمی در زمینه هوش مصنوعی اشاره کرده که هدف شبکه‌های عصبی این است که احتمالا در ابتدا توسط یک انسان تولید می‌شوند، اما به محض اینکه برنامه نوشته شود زندگی خود را می‌کنند و نحوه عملکرد برنامه دقیقا می‌تواند مرموز باقی بماند. این وضعیت بازتاب آن رویا‌های دیرینه در مورد یک سیستم خودسازمانده است.

 

این احتمال وجود دارد که هر چه تاثیر هوش مصنوعی در زندگی مان بیش‌تر شود کمتر متوجه چگونگی و چرایی آن شویم. با این وجود، بیان این موضوع در روزگار کنونی خوشایند نیست. ما می‌خواهیم بدانیم هوش مصنوعی چگونه کار می‌کند و چگونه به تصمیمات و نتایجی که بر ما تاثیر می‌گذارد می‌رسد.

 

همان‌طور که پیشرفت‌های هوش مصنوعی به شکل گیری دانش و درک ما از جهان، آن چه کشف می‌کنیم، نحوه رفتار با ما، نحوه یادگیری، مصرف و تعامل ما، ادامه می‌دهد، انگیزه برای درک آن بیش‌تر می‌شود. وقتی صحبت از هوش مصنوعی قابل توضیح و شفاف به میان می‌آید داستان شبکه‌های عصبی به ما می‌گوید که احتمالا در آینده به جای نزدیک شدن از آن هدف دور خواهیم شد.

---