واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)
Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineering
واحد مشترک کمکی پژوهش و مهندسی «هوش یار-تواندار» (HT-CSURE)
Hooshyar-Tavandar Common Subsidiary Unit for Research & Engineeringهوش مصنوعی و آینده ما / دکتر سریع القلم
دکتر محمود سریع القلم
استاد علوم سیاسی دانشگاه شهید بهشتی تهران و پژوهشگر توسعه
«اخیراً در رقابتی میان چند شرکت و مؤسسه تحقیقاتی، آزمایشگاه هوش مصنوعی دانشگاه استنفورد موفق شد در کویر نِوادای آمریکا، وسیله نقلیه ای را بدون راننده برای ۲۱۱ کیلومتر آزمایش کند. این مؤسسه از طرف آژانس پروژه های عالی پیشرفته پنتاگون، دو میلیون دلار جایزه گرفت. شرکت فولکس واگن یکی از این رقبا بود که موفقیتی کسب نکرد، هرچند در سال ۲۰۱۷، این شرکت خودروسازی ۱۲٫۱میلیارد یورو برای تحقیقات سرمایه گذاری کرده بود.
پیش بینی می شود تا سال ۲۰۳۵، ۲۸ درصد مشاغل با وجود هوش مصنوعی (Artificial Intelligence/ AI) در خطر باشند. به عنوان مثال، اگر کامیون های بدون راننده در آمریکا عملیاتی شوند، دو میلیون شغل از بین میرود. هم اکنون یک میلیون خودرو در چین بدون بنزین و با باطری کار میکند و صد شرکت چینی در تولید خودرو و کامیون برقی در حال فعالیت هستند.
شرکتی به نام Humanyze با آویختن کارت شناسایی هوشمند، رابطه میان کارآمدی و روش معاشرت کارمندان را می سنجد. شرکت Ping An از طریق ۵۰ عکس از صورت متقاضیان وام، تصمیم میگیرد به آنها وام بدهد یا خیر. شرکت بزرگ مواد شوینده جانسون و جانسون از طریق نرم افزار، متقاضیان را استخدام میکند. در علوم پزشکی و اعمال جراحی نیز، هوش مصنوعی پیشرفت های قابل توجهی ایجاد کرده است.
یکی از زمینه های هوش مصنوعی در صنعت نفت و گاز و انرژی است. چینی ها با شدت بالا در پی انرژی های جایگزین هستند. هم اکنون ۲۴ درصد انرژی چین از این نوع صنایع است؛ در آمریکا ۱۵ درصد. چینی ها ۴۷ میلیارد دلار برای بهره برداری از انرژی خورشیدی سرمایه گذاری کرده اند و این در حالی است که چین ۸۰ درصد نیازهای انرژی خود را وارد میکند.
آمریکا تا یک دهه دیگر، ۲۰ میلیون بشکه نفت در روز تولید خواهد کرد و هوش مصنوعی نقش اساسی در این صنعت ایفا خواهد نمود. چینی ها در صنعت گاز آلاسکا، ۴۳ میلیارد و شرکت Rosneft روسی، ۹ میلیارد دلار سرمایه گذاری کرده اند. با توجه به اینکه در ۲۵ سال گذشته، ۲۵۰۰۰ رودخانه در چین خشک شده است، برای انتقال آب از جنوب به شمال، ۴۸ میلیارد دلار هزینه شده و هوش مصنوعی در صرفه جویی و کارآمدی آب با دقت بالا به کار گرفته شده است.
رقابت اصلی در جهان در هوش مصنوعی میان آمریکا و چین است. بسیاری از شرکت های آمریکایی که فعالیت آنها کارگر محور است، به خرید شرکت های هوش مصنوعی روی آورده اند تا در آینده عقب نمانند و با داشتن Portfolio، درآمدهای خود را متنوع سازی کنند. در سال ۲۰۱۷، ۱۳۰ شرکت در آمریکا با قیمت ۲۱٫۸ میلیارد دلار خریداری شد.
طی سال های ۲۰۱۶-۲۰۱۳، چینی ها سعی کردند ۲۷ شرکت آمریکایی را در حوزه هوش مصنوعی نقداً خریداری کنند که با مخالفت خزانه داری آمریکا با عنوان تهدید علیه امنیت ملّی روبرو شدند.
دسترسی به فناوری و هوش مصنوعی در آمریکا برای چینی ها بسیار تعیین کننده است. ۳۰ سال پیش تجارت این دو کشور ۸ میلیارد دلار بود، هم اکنون به حدود ۶۳۶ رسیده است. در سال ۲۰۱۱ کنگره آمریکا، پروژه های مشترک با چین برای سازمان ناسا را غیر قانونی اعلام کرد. دولت آمریکا مراقب شرکت های آمریکایی در چین نیز میباشد.
مؤسسه مالی J.P. Morgan که به فرزندان مقامات چینی شغل داده بود تا فعالیت های خود در چین مورد توجه خاص قرار گیرد، در ۲۴ ژانویه ۲۰۱۶ از سوی وزارت خزانه داری ایالات متحده، ۲۶۴ میلیون دلار جریمه شد.
چینی ها برنامه ریزی و سرمایه گذاری وسیعی را در زمینه هوش مصنوعی به راه انداخته اند، به طوری که برخی جنگ تجاری جدید را کوششی از طرف آمریکا برای کاهش درآمدهای ملّی چین قلمداد میکنند. چین ۱۵۰ میلیارد دلار برای بهبود در طراحی و تولید Micro Processor ها سرمایه گذاری کرده است.
در مجموع، در سال ۲۰۱۷، چینی ها ۲۳۳ میلیارد دلار معادل ۲۰ درصد جهانی در تحقیق و توسعه پول خرج کرده اند. در سال ۲۰۱۸، تعداد مقالات علمی چین از آمریکایی ها پیشی گرفت. چینی ها حاکمیت سایبری را مطرح کرده اند. آنها از طریق محاسبات کوانتومی در پی غنی تر کردن سیستم های ارتباطی هستند.
چین قصد دارد ۳۵ ماهواره ارتباطی را تا پنج سال آینده در ۲۰۰۰۰ کیلومتری زمین قرار دهد (فاصله زمین تا ماه: ۳۸۴٫۴۰۰ کیلومتر). همچنین چین برای ارسال فضانورد به ماه برای سال ۲۰۳۶ برنامه ریزی کرده است. ۴۰ سال پیش چینی ها هیچ جایگاهی در میان ۵۰۰ شرکت برتر جهان نداشتند؛ هم اکنون ۱۱۱ شرکت از 500 شرکت، چینی هستند (آمریکا ۱۲۶).
دومین شرکت بزرگ جهان State Grid چین است که ۵۸۵ میلیارد دلار سرمایه دارد و برای یک میلیارد و صد میلیون نفر تأمین انرژی میکند و در سطح جهانی در صدها شرکت سرمایه گذاری کرده است. ۵۰۰ شرکت اول جهان در سال ۲۰۱۷، ۲۳ درصد بیشتر از ۲۰۱۶ سود کرده اند. در میان این ۵۰۰ شرکت، تنها یک شرکت سعودی، یک شرکت اماراتی و یک شرکت ترکیه ای وجود دارد. بقیه در شرق آسیا، اروپا و آمریکای شمالی هستند.
قدرت در جهان نزد شرکت های بزرگ است. دولتها و حکومتها روش های افزایش ثروت آنها را مدیریت میکنند. ارزش Apple در بازار: ۱ تریلیون دلار؛Amazon؛ 933 میلیارد دلار؛ Microsoft؛ 876 میلیارد دلار و Alphabet؛ 817 میلیارد دلار است. همواره یکی از چالش های دولتها در آمریکا این بوده که چگونه اخذ مالیات از این شرکتها و تنظیم بودجه و هزینه ها را مدیریت کنند. جمهوری خواهان مالیات شرکتها را کم میکنند و دموکراتها قدری آن را افزایش میدهند تا بخش های میانی و فقیر جامعه را با خود همراه سازند.
حتی هوش مصنوعی برگرفته از طبع بشر ایجاب میکند که بازی دموکراسی، حس خوبی نسبت به آینده به عامه مردم بدهد. شرکت های آمریکایی حدود ۲٫۵ تریلیون دلار در بانک های بین المللی پول دارند. شرکت Apple؛214.9 میلیارد دلار و شرکت دارویی Pfizer؛ 193.6 میلیارد دلار در کشورهای کوچک و بانک های کوچک، پول نقد دارند. مؤسسه McKinsey معتقد است حدود ۲۱ تریلیون دلار یعنی یک چهارم ثروت جهان به صورت نقد توسط شرکت ها در کشورهای کوچک برای فرار از پرداخت مالیات نگهداری میشود.
در این سوی جهان نیز، عربستان پروژه ۵۰۰ میلیارد دلاری NEOM را در دوسال پیش راه اندازی کرده است ( به معنای NEO–Mustaghbal یا آینده جدید). این پروژه در منطقه ای در شمال مدینه به وسعت ۲۶۵۰۰ کیلومتر مربع مشتمل بر شرکت ها، مؤسسات، مراکز تحقیق و توسعه هوش مصنوعی، سیستم حمل و نقل بدون بنزین، توریسم و مراکز آموزشی و تفریحی خواهد بود. مسئول این پروژهKlaus Kleinfeld از مدیران سابق زیمنس آلمان میباشد. چندین هتل و مراکز تفریحی تا آخر سال ۲۰۱۸ در این منطقه تکمیل خواهد شد.
شرکتهای عربی، ژاپنی و اروپایی با رقمهای گوناگون در پی سنجش پروژه های احتمالی خود هستند. در این پروسه، عربستان به شبکه ی هوش مصنوعی جهان وصل میشود و ضمن بهره برداری، منابع جدیدی برای درآمد کسب خواهد کرد. به زودی در مدتی کمتر از دو سال، فرودگاه بین المللی NEOM با باند ۳۷۵۷ متری افتتاح خواهد شد.
ریشه قدرت و امنیت در استراتژی تولید ثروت است. هوش مصنوعی، کانون علمی و اقتصادی این جهش جدید در تولید ثروت شده است. اخیراً در استراتژی که توسط مؤسسه The Gemunder Center Iran Task Force پیرامون تقابل مشترک آمریکا، اسرائیل و کشورهای عربی خلیج فارس علیه ایران پیشنهاد شده است، هوش مصنوعی در مسایل دفاعی و نظامی جایگاه ویژه ای دارد. همان کاری که در این استراتژی با مقیاس کوچکتری نسبت به ایران اعمال میشود، در مقیاس وسیعتر توسط آمریکا نسبت به چین طراحی شده است: جلوگیری از قدرتمند شدن رقبا و کاهش منابع مالی آنها برای افزایش سطوح مختلف قدرت. کشوری که نتواند ثروت اقتصادی تولید کند، به تدریج ثروت های غیر اقتصادی خود را نیز از دست می دهد.
شنیدم حدود ۱۵ سال پیش از یک استاد تمام رشته مهندسی برق در یک دانشگاه بسیار معتبر تهران پرسیده شد: شما که فرد بسیار موفقی هستید، چرا میخواهید مهاجرت کنید؟ او گفته بود: بله، من تمام مراحل آکادمیک را طی کرده ام و راحت زندگی میکنم، اما با جهت گیری های جامعه مشکل دارم. این جامعه از زمان عقب مانده است. یک ضرب المثل چینی میگوید: وقتی بادهای تغییر می وزند، بعضی دیوار میسازند، بعضی آسیاب بادی.»
o - 'AI brain scans' reveal what happens inside machine learning
'AI brain scans' reveal what happens inside machine learning
Here's Why AI Can't Solve Everything
Yes, even neural networks.
The hysteria about the future of artificial intelligence (AI) is everywhere. There seems to be no shortage of sensationalist news about how AI could cure diseases, accelerate human innovation and improve human creativity.
Just looking at the media headlines, you might think that we are already living in a future where AI has infiltrated every aspect of society.
While it is undeniable that AI has opened up a wealth of promising opportunities, it has also led to the emergence of a mindset that can be best described as "AI solutionism". This is the philosophy that, given enough data, machine learning algorithms can solve all of humanity's problems.
But there's a big problem with this idea. Instead of supporting AI progress, it actually jeopardises the value of machine intelligence by disregarding important AI safety principles and setting unrealistic expectations about what AI can really do for humanity.
AI solutionism
In only a few years, AI solutionism has made its way from the technology evangelists' mouths in Silicon Valley to the minds of government officials and policymakers around the world.
The pendulum has swung from the dystopian notion that AI will destroy humanity to the utopian belief that our algorithmic saviour is here.
We are now seeing governments pledge support to national AI initiatives and compete in a technological and rhetorical arms race to dominate the burgeoning machine learning sector.
For example, the UK government has vowed to invest £300m in AI research to position itself as a leader in the field.
Enamoured with the transformative potential of AI, the French president Emmanuel Macron committed to turn France into a global AI hub.
Meanwhile, the Chinese government is increasing its AI prowess with a national plan to create a Chinese AI industry worth US$150 billion by 2030. AI solutionism is on the rise and it is here to stay.
Neural networks – easier said than done
While many political manifestos tout the transformative effects of the looming "AI revolution", they tend to understate the complexity around deploying advanced machine learning systems in the real world.
One of the most promising varieties of AI technologies are neural networks. This form of machine learning is loosely modelled after the neuronal structure of the human brain but on a much smaller scale. Many AI-based products use neural networks to infer patterns and rules from large volumes of data.
But what many politicians do not understand is that simply adding a neural network to a problem will not automatically mean that you'll find a solution. Similarly, adding a neural network to a democracy does not mean it will be instantaneously more inclusive, fair or personalised.
Challenging the data bureaucracy
AI systems need a lot of data to function, but the public sector typically does not have the appropriate data infrastructure to support advanced machine learning.
Most of the data remains stored in offline archives. The few digitised sources of data that exist tend to be buried in bureaucracy. More often than not, data is spread across different government departments that each require special permissions to be accessed.
Above all, the public sector typically lacks the human talent with the right technological capabilities to fully reap the benefits of machine intelligence.
For these reasons, the sensationalism over AI has attracted many critics. Stuart Russell, a professor of computer science at Berkeley, has long advocated a more realistic approach that focuses on simple everyday applications of AI instead of the hypothetical takeover by super-intelligent robots.
Similarly, MIT's professor of robotics, Rodney Brooks, writes that "almost all innovations in robotics and AI take far, far, longer to be really widely deployed than people in the field and outside the field imagine".
One of the many difficulties in deploying machine learning systems is that AI is extremely susceptible to adversarial attacks. This means that a malicious AI can target another AI to force it to make wrong predictions or to behave in a certain way.
Many researchers have warned against the rolling out of AI without appropriate security standards and defence mechanisms. Still, AI security remains an often overlooked topic.
Machine learning is not magic
If we are to reap the benefits and minimise the potential harms of AI, we must start thinking about how machine learning can be meaningfully applied to specific areas of government, business and society. This means we need to have a discussion about AI ethics and the distrust that many people have towards machine learning.
Most importantly, we need to be aware of the limitations of AI and where humans still need to take the lead. Instead of painting an unrealistic picture of the power of AI, it is important to take a step back and separate the actual technological capabilities of AI from magic.
For a long time, Facebook believed that problems like the spread of misinformation and hate speech could be algorithmically identified and stopped. But under recent pressure from legislators, the company quickly pledged to replace its algorithms with an army of over 10,000 human reviewers.
The medical profession has also recognised that AI cannot be considered a solution for all problems. The IBM Watson for Oncology programme was a piece of AI that was meant to help doctors treat cancer.
Even though it was developed to deliver the best recommendations, human experts found it difficult to trust the machine. As a result, the AI programme was abandoned in most hospitals where it was trialled.
Similar problems arose in the legal domain when algorithms were used in courts in the US to sentence criminals. An algorithm calculated risk assessment scores and advised judges on the sentencing. The system was found to amplify structural racial discrimination and was later abandoned.
These examples demonstrate that there is no AI solution for everything. Using AI simply for the sake of AI may not always be productive or useful. Not every problem is best addressed by applying machine intelligence to it.
This is the crucial lesson for everyone aiming to boost investments in national AI programmes: all solutions come with a cost and not everything that can be automated should be.
Vyacheslav Polonski, Researcher, University of Oxford
This article was originally published on The Conversation. Read the original article.
ساخت هوش مصنوعیی که ذهن را می‌خواند
ساخت رباتی که ذهن را می‌خواند
نوروسافاری | محققان دانشگاه تورنتو دستگاهی تولید کرده‌اند که با اسکن مغز و ثبت فعالیت‌های آن، چهره افرادی که به آنها فکر کرده‌ایم را بازسازی میکند.
به گزارش نوروسافاری از وبسایت دانشگاه تورنتو، روانشناسان یک دستگاه عجیب ساخته‌اند که می‌تواند با یک دقت باورنکردنی به بخش دیداری مغز کاربر نفوذ کند.
مطالعات این روانشناسان از طریق هوش مصنوعی و با استفاده از سیگنالهای الکتریکی در مغز صورت گرفت تا چهره‌ای که توسط داوطلبان شرکت کننده در این مطالعه مشاهده شده بود را بازسازی کند.
این دستگاه می‌تواند به عنوان یک وسیله ارتباطی برای افرادی باشد که توانایی صحبت کردن ندارند و همچنین پیشرفتی برای توسعه پروتزهایی باشد که توسط افکار کنترل می‌شوند.
طراحی مطالعه
در این بررسی که در دانشگاه “اسکاربرو”( Scarborough) تورنتو صورت گرفت، از دستگاه نوار مغز استفاده شد.
هنگامی که تصویر چهره‌های مختلف به داوطلبان نشان داده می شد، نوار مغز فعالیت مغز آنها را ثبت می کرد. سپس توسط یک سری نرم افزار ویژه، از این اطلاعات استفاده می‌شد تا تصاویر به صورت دیجیتالی بازسازی شوند.
این سیستم‌های شبکه می‌توانند برای تشخیص الگوهای اطلاعاتی از قبیل اطلاعات گفتاری، داده‌های متنی یا تصاویر بصری استفاده شوند. لازم به ذکر است که این پیشرفت، مبنایی برای پیشرفت‌های دیگر در حوزه هوش مصنوعی در سال‌های اخیر محسوب میشود.
هوش مصنوعی این دستگاه در ابتدا قادر بود تا ویژگی‌هایی که چهره انسان را تشکیل می‌دهد، تشخیص دهد. سپس به نحوی طراحی شد که این ویژگی‌ها را با الگوهای فعالیت‌های نوار مغز مرتبط سازد.
در ابتدا فعالیت‌های مغزی که طی آزمایش توسط فرد مشاهده شده است با این اطلاعات تطابق داده می شود و سپس هوش مصنوعی، تصاویری که فرد دیده را دوباره تولید می کند.
نتایج این آزمایش درباره بازسازی چهره‌ای که داوطلبان مشاهده کرده بودند، بسیار صحیح بود.
این دستگاه محتوای ذهنی افراد را افشا میکند و راهی برای دسترسی، اکتشاف و تبادل افکار، حافظه و تخیلات ما فراهم می آورد.
این مطالعه اولین کاری هست که امکان تشخیص چهره بر مبنای سیگنالهای نوار مغزی را فراهم می کند.
فیلمی را در این باره ببینید:
لینک مقاله در ژورنال e-neuro:
لینک خبر در وبسایت دانشگاه تورنتو:
Do you see what I see? Researchers harness brain waves to reconstruct images of what we perceive
Google's Latest Self-Learning AI Is Like an "Alien Civilization Inventing Its Own Mathematics
Google's Latest Self-Learning AI Is Like an "Alien Civilization Inventing Its Own Mathematics"
Okay, that's pretty awesome.
An AI that vanquished humanity at perhaps the most complex traditional game on Earth was inconceivably smart. But not smart enough to survive its own replacement by an even more awesome, alien intelligence.
Google's DeepMind researchers have just announced the next evolution of their seemingly indomitable artificial intelligence – AlphaGo Zero – which has dispensed with what may have been the most inefficient resource in its ongoing quest for knowledge: humans.
Zero's predecessor, dubbed simply AlphaGo, was described as "Godlike" by one of the crestfallen human champions it bested at the ancient Chinese board game, Go, but the new evolution has refined its training arsenal by eradicating human teachings from its schooling entirely.
The AlphaGo versions that kicked our butts at Go in a series of contests this year and last year first learned to play the game by analysing thousands of human amateur and professional games, but AlphaGo Zero is entirely self-taught, learning by 100 percent independent experimentation.
DeepMind
In a new study, the researchers report how that uncanny self-reliance sharpened Zero's intelligence to devastating effect: in 100 games against Zero, a previous AlphaGo incarnation – which cleaned the floor with us in 2016 – didn't pick up a single win. Not one.
Even more amazingly, that trumping came after just three days of self-play training by AlphaGo Zero, in which it distilled the equivalent of thousands of years of human knowledge of the game.
"It's like an alien civilization inventing its own mathematics," computer scientist Nick Hynes MIT told Gizmodo.
"What we're seeing here is a model free from human bias and presuppositions. It can learn whatever it determines is optimal, which may indeed be more nuanced that our own conceptions of the same."
After 21 days of self-play, Zero had progressed to the standard of its most powerful predecessor, known as AlphaGo (Master), which is the version that beat world number one Ke Jie this year, and in subsequent weeks it eclipsed that level of performance.
Aside from the self-reliance, the team behind AlphaGo Zero ascribe its Go dominance to an improved, single neural network (former versions used two in concert), and more advanced training simulations.
But just because the AI is racing ahead at such an awesome – if disquieting – pace, it doesn't necessarily mean Zero is smarter or more capable than humans in other fields away from this complex but constrained board game.
"AI fails in tasks that are surprisingly easy for humans," computational neuroscientist Eleni Vasilaki from Sheffield University in the UK told The Guardian.
"Just look at the performance of a humanoid robot in everyday tasks such as walking, running, and kicking a ball."
That may be true, but allow us our moment of silenced awe as we witness the birth of this astonishingly powerful synthetic way of thinking.
It might not do what humans can do, but it can do so many things we can't, too.
According to DeepMind, those capabilities will one day soon help Zero - or its inevitable, evolving heirs - figure out things like how biological mechanisms operate, how energy consumption can be reduced, or how new kinds of materials fit together.
Welcome to a bright new future, which clearly isn't ours alone.
The findings are reported in Nature.