آخرین پژوهش های هوش مصنوعی در سالی که گذشت

تعداد آخرین پژوهش های هوش مصنوعی که در زمینه یادگیری ماشینی انجام شده، بسیار زیاد است. شاید دلیلش برای این باشد که پژوهش های مبتنی بر فناوری‌های هوش مصنوعی به یک وظیفه کلیدی در هر سازمان و شرکتی تبدیل شده‌اند و مقالات تولیدی این رشته بسیار بیشتر از آن است که فردی بتواند تمام آن‌‌ها را مطالعه کند. به همین‌خاطر نیز ما در این نوشته تلاش کردیم، تا برخی از جدیدترین کشفیات و فناوری‌های هوش مصنوعی سال گذشته را جمع‌آوری کنیم و به صورت خلاصه به بیان آن‌ها بپردازیم.

آخرین برنامه‌های پرکاربرد هوش مصنوعی

تنها در هفته‌ای که گذشت چند برنامه هوش مصنوعی در جایگاه پرکاربردترین‌ها قرار گرفتند، به این خاطر که می‌توانستند حجم انبوهی از داده‌ها را مرتب‌سازی و بر اساس شواهد محدود، پیش‌بینی‌های دقیقی انجام دهند. این‌ها مدل‌های یادگیری ماشینی هستند که مجموعه‌ داده‌های بزرگ را در بیوتکنولوژی و اقتصاد کلان به کار می‌گیرند؛ برای ثروتمندان پول در می‌آورند و برای دانشمندان، چیزهای تازه‌ای کشف می‌کنند. با این وجود پژوهشگران مؤسسه‌های «فناوری فدرال زوریخ» و «دانشگاه ماکسیمیلیان مونیخ» در حال استفاده از تکنیک‌های مشابه، برای گسترش کمک‌های بین‌المللی، مانند امداد رسانی در بلایای طبیعی و مسکن هستند. این تیم مدل‌های خود را با میلیون‌ها پروژه که از آخرین پژوهش های هوش مصنوعی به دست‌آمده‌اند، آموزش داده است؛ تقریباً بیست سال پیش بود که، بودجه‌ای 2.8 تریلیون دلاری برای این پژوهش‌ها درنظر گرفتند و در این مدت مجموعه عظیمی از داده را با جزئیات بسیار پیچیده‌ای پردازش کرده‌اند.

مالت توتزکه، نویسنده این پژوهش می‌گوید: «می‌توانید این فرآیند را تلاشی برای خواندن و مرتب کردن یک کتابخانه کامل در نظر بگیرید که کتاب‌های مشابه را بر اساس موضوعات خاص دسته‌بندی می‌کند. الگوریتمی که‌ ما طراحی کرده‌ایم، دویست بعد مختلف را در نظر می‌گیرد تا مشخص کند این 3.2 میلیون پروژه چقدر شبیه به یکدیگر هستند و بر این اساس آن‌ها را دسته‌بندی کند. نکته اینجاست که این حجم از مطالعه برای انسان غیرممکن است.» در حقیقت این دسته از آخرین پژوهش های هوش مصنوعی نشان می‌دهند که چقدر هزینه‌های کلی و گوناگون افزایش یافته‌اند، در حالی که هزینه‌های زیست‌محیطی به‌طور شگفت‌انگیزی در چند سال گذشته کاهش داشته‌اند.

آخرین پژوهش های هوش مصنوعی در بازیافت صنایع

حوزه دیگری که کمتر کسی به فکرش می‌رسد از فناوری‌های هوش مصنوعی و یادگیری ماشینی کمک بگیرد، تولید و بازیافت قطعات و اجزای ماشین‌آلات است که توسط صنایع مختلف در مجموعه‌های بسیار بزرگ تولید می‌شوند.

آخرین پژوهش های هوش مصنوعی نشان داده‌اند که از قطعه‌های موجود در کارخانه‌ها، برخی را می‌توان دوباره استفاده کرد، برخی را می‌توان بازیافت کرد و برخی دیگر را حتماً باید دور انداخت؛ با این حال متخصصان انسانی، نمی‌توانند همه‌ آن‌ها را تک‌به‌تک بشناسند و بررسی کنند. در همین راستا شرکت آلمانی «تحقیق و توسعه فراونهوفر» یک مدل یادگیری ماشینی برای شناسایی قطعات فرسوده ایجاد کرده است تا بتوان از آن‌ها استفاده‌ بهینه‌ای داشت.

این سیستم به چیزی بیش از دوربین‌های معمولی نیاز دارد، چرا که ممکن است با وجود شباهت بسیار زیاد در بعضی از قطعه‌ها، از نظر کارکرد بسیار متفاوت باشند؛ یا آن‌که از نظر کارکرد یکسان باشند، ولی کیفیت مواد سازنده آن‌ها خیلی با هم تفاوت داشته باشد. بنابر این هر کدام از این قطعه‌های مکانیکی جداگانه توسط دوربین‌های سه بعدی اسکن و وزن می‌شوند و داده‌های آن‌ها با داده‌های پایگاه مرکزی مقایسه می‌شود. سپس الگوریتم نشان می‌دهد که آن قطعه در چه وضعی قرار دارد تا اگر هنوز کار می‌کند، بیهوده آن را جایگزین نکنند.

امید داریم با استفاده از این روش شناسایی مبتنی بر هوش مصنوعی، ده‌ها هزار قطعه به زودی ذخیره شوند، تا در منابع نخستین صرفه‌جویی شود.

کمک‌های یادگیری عمیق به پرسش‌های دینامیک سیالات

فیزیکدانان راه جالبی برای برطرف کردن یک مشکل چندصد ساله، به وسیله ویژگی‌های یادگیری ماشینی یافته‌اند. اساساً پژوهشگران همیشه به دنبال راه‌هایی هستند که نشان دهد، معادلات حاکم بر دینامیک سیالات (که برخی از آن‌ها مانند اویلِر، به قرن هجدهم بازمی‌گردند) نمی‌توانند همه‌چیز را نشان دهند؛ چرا که آن‌ها در مقادیر خاص بسیار زیادی شکسته می‌شوند. البته به دشواری می‌توان با استفاده از تکنیک‌های محاسباتی سنتی، جواب این پرسش را پیدا کرد، هرچند که غیرممکن نیست. حالا پژوهشگران «دانشگاه فناوری‌ مونستر» در ایرلند و همچنین «دانشگاه هانگ‌سانگ» در هنگ‌کنگ یک روش یادگیری عمیق جدید را برای جداسازی نمونه‌های احتمالی از یگانگی‌های دینامیک سیالات پیشنهاد می‌کنند؛ در حالی که دیگران هنوز با روش‌های سنتی در این زمینه کار می‌کنند. برای اطلاعات بیشتر در مورد آخرین پژوهش های هوش مصنوعی در این زمینه می‌توانید مقاله علمی و معتبر نشریه را بخوانید.

استفاده از هنرهای دستی ژاپن در آخرین پژوهش های هوش مصنوعی

یکی از ایده‌های کهن دیگری که برای یادگیری ماشینی استفاده شده، یک مفهوم هنری ژاپنی است که دیرینگی چندصد ساله دارد. آن‌ها از الگوهای هنر چندصد ساله کی‌ری‌گامی برای طراحی الگوریتم‌های یادگیری ماشینی استفاده کرده‌اند. کی‌ری‌گامی یک نوع هنر برش کاغذ است، که در آن با تا کردن و بریدن کاغذ تا شده، شکل‌های جدیدی می‌سازند. این تکنیک می‌تواند ساختارهای بسیار پیچیده و قابل انعطافی تولید کند. اکنون پژوهشگران «آزمایشگاه ملی آرگون» از این مفهوم برای نظریه‌پردازی و ساخت یک ماده دو بعدی الهام گرفته‌اند که می‌تواند الکترون را در مقیاس میکروسکوپی حفظ کند و در همین‌حال به راحتی خم شود.

در حقیقت این تیم برای رسیدن به نتایج قابل قبول، ده‌ها هزار آزمایش انجام داده بود. آن‌ها از 1 تا 6 برش روی کاغذ را به صورت دستی انجام می‌دادند و از آن داده‌ها برای آموزش مدل‌های هوش مصنوعی استفاده می‌کردند. آن‌ها سپس از یک ابرکامپیوتر وزارت انرژی استفاده کردند تا آن مدل‌های برش را در سطح مولکولی شبیه‌سازی کنند؛ در عرض چند ثانیه یک تغییر 10 برشی با قابلیت کشش 40 درصدی تولید شد. آن‌چه به کمک آخرین پژوهش های هوش مصنوعی به‌دست آمده بود، بسیار فراتر از آن چیزیست که تیم انتظارش را داشت و فکرش را می‌کرد.

تبدیل تصاویر مادون قرمز به رنگی

کشف جالب دیگری که توسط یک هوش مصنوعی آموزش‌دیده انجام شده، مدل بینایی ماشینی است که داده‌های رنگی را از ورودی‌های مادون قرمز را بازسازی می‌کند. معمولاً دوربینی که مادون قرمز می‌گیرد، چیزی در مورد رنگ اشیا در طیف مرئی نمی‌داند. اما این آزمایش همبستگی‌هایی را بین گروه‌های مادون قرمز و دسته‌های مرئی پیدا کرده است و مدلی برای تبدیل تصویر صورت‌ انسان در تصویر مادون قرمز به تصاویری که طیف مرئی را نشان می‌دهند، ایجاد کرده است. آخرین پژوهش های هوش مصنوعی در اینجا به بازسازی بهتر تصاویر کمک کرده‌اند.

آخرین پژوهش های هوش مصنوعی درباره محیط زیست

جف دین، رئیس بخش هوش مصنوعی گوگل، پژوهش جدیدی انجام داده که در آن می‌گوید: این تصور که هوش مصنوعی به دلیل نیازهای محاسباتی بالا، تلاشی پرهزینه برای محیط زیست است، درست نیست.

در همین حال برخی پژوهش های دیگر نشان داده‌اند که آموزش یک مدل بزرگ هوش مصنوعی مانند GPT-3 OpenAI می‌تواند به ‌اندازه یک محله کوچک در شهری مانند نیویورک، گاز دی‌اکسیدکربن تولید کند. به هر حال این مدیر ارشد گوگل در پژوهشی که منتشر کرده، ادعا می‌کند که «پیروی از بهترین شیوه‌های یادگیری ماشینی» می‌تواند انتشار گاز دی‌اکسیدکربن را تا هزار برابر کاهش دهد.

پژوهشگر هوش مصنوعی «مایک کوک» در این‌باره می‌گوید: «این حرف در حالی زده می‌شود که تک‌تک سرنخ‌های آخرین پژوهش های هوش مصنوعی درباره محیط زیست، نشان می‌دهند که تأثیرات زیست‌محیطی هوش مصنوعی می‌تواند بسیار خطرناک باشد و موجب گرم شدن کره زمین می‌شود. حتی اگر مدلی از هوش مصنوعی در جایی به محیط زیست کمک کرده باشد، باز این نکته به تنهایی کافی نیست. در همین‌حال نکته دیگری که باید به آن اشاره کرد این است که گوگل به هیچ عنوان یک سازمان بی‌طرف نیست.

در حقیقت از آن‌جا که بخش بزرگی از سود مالی گوگل در گرو فناوری‌های مبتنی بر هوش مصنوعی است و از سرویس‌های کلاسیک جستجوگر تا گوگل مَپ همه از هوش مصنوعی استفاده می‌کنند، درنتیجه نمی‌توان چندان به بیانیه‌های گوگل اعتماد کرد. حقیقت این است که سیستم‌های سخت‌افزاری و دیتا سنترهای گوگل انرژی و سوخت بسیار زیادی مصرف می‌کنند و تمام این‌ها آسیب‌های جبران‌ناپذیری به محیط زیست وارد می‌کند.»

در ادامه «مایک کوک» عضو تیم پژوهش های باز «کاردک و قلمو» به این نکته اشاره می‌کند که «حتی اگر برآوردهای پژوهش گوگل دقیق باشند، که البته هیچ مدرکی برای آن ارائه نکرده‌ندب اند، ولی باز آن‌ها به همان روش‌های قدیمی خود ادامه می‌دهند. روش‌هایی که تولید آلودگی و گرما می‌کنند. متاسفانه آن‌ها هیچ کار خوبی را تا زمانی که نفعشان نباشد انجام نمی‌دهند. و این درحالی است که گروه‌های پژوهشگر دانشگاهی کاملا بی‌طرف و علمی روی این تأثیرات کار می‌کنند و آلودگی‌های آن‌ها را کامل و دقیق ثبت می‌کنند و انتشار می‌دهند.

شبیه‌سازی دقیق مغز انسان در جهان دیجیتالی

آخرین پژوهش به طور مستقیم درباره یادگیری ماشینی نیست، بلکه درباره راه‌های شبیه‌سازی مغز و دانش شبکه عصبی است. پژوهشگران بیوانفورماتیک «دانشگاه پلی‌تکنیک فدرال لوزان» یک مدل ریاضی ساخته‌اند تا به‌ کمک آن مغز مصنوعی منحصر به فردی تولید کنند. در این ساخت، نورون‌های عصبی مغز چنان دقیق شبیه‌سازی شده‌اند که در نهایت می‌توانند برای ساخت دوقلوهای دیجیتالِ «آناتومی شبکه عصبی» استفاده شوند و این به‌این معنی است که دقیقا می‌توان مغزی همچون مغز انسان را درجهان مجازی دیجیتالی شبیه‌سازی کرد.

یکی از پژوهشگران این برنامه «دکتر لیدا کاناری» می‌گوید: «ما از یافته‌های جدید در حال حاضر برای ساخت نوعی از مغز مصنوعی که «مغز آبی» نام دارد استفاده می‌کنیم. در پروژه مغز آبی توانسته‌ایم بسیاری از بازسازی‌های دقیق زیست شناختی، از جمله شبیه‌سازی مغز موش را انجام دهیم. ما با کمک بازسازی مناطق گوناگون مغز برای شبیه‌سازی‌های محاسباتی از این الگوها استفاده می‌کنیم.»

به این ترتیب یکی از مهم‌ترین آخرین پژوهش های هوش مصنوعی به حرکت شگفت‌انگیز انسان، که همانا شبیه‌سازی دیجیتالی خود است می‌پردازد. این یعنی که ما در تاریخ هوش مصنوعی به زمان بسیار مهمی رسیده‌ایم و به زودی با هوشی در سطح خودمان روبرو خواهیم شد.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید