پهپادها به برداشت محصولات باغی کمک می کنند

 
 
بررسی ها نشان می دهد که استفاده از پهپادهای مجهز به هوش‌مصنوعی می تواند گامی مؤثر در کاهش هزینه‌ها و هدررفت برداشت محصولات باغی، باشند.
 
به گزارش روابط عمومی پژوهشگاه فضای مجازی، کمبود میوه‌چین‌های فصلی در سرتاسر جهان احساس می‌شود و به خاطر محدودیت‌هایی که کرونا برای مسافرت ایجاد کرده، بدتر هم شده است. به همین خاطر بعضی از کشاورزان مجبور می‌شوند که میوه‌های رسیده را رها کنند و بگذارند تا بپوسد.
 
اکنون اما بعضی از کشاورزان در حال روی آوردن به پرنده‌های مبتنی بر هوش مصنوعی برای برداشت محصولات‌شان هستند. پرنده‌های خودران هوش مصنوعی می‌توانند رسیده‌ترین میوه‌ها را پیدا کنند و آن‌ها را بچینند. سازندگان آن‌ها می‌گویند که با این ربات‌ها در هزینه‌ها صرفه‌جویی شده و از هدر رفت میوه‌ها جلوگیری می‌کنند.
 
حتی پیش از شیوع کرونا هم برای کشاورزان سخت بود که برای چیدن میوه‌ها، کارگر استخدام کنند. در جولای سال ۲۰۱۹، فدراسیون دفاتر مزرعه آمریکایی (AFBF) هشدار داد که کمبود نیروی کار ادامه پیدا می‌کند. رئیس این فدراسیون، زیپی دووال (Zippy Duvall) خطاب به کشاورزان گفته است: «سعی کنید کارگران آمریکایی را استخدام کنید اما تعداد آن‌ها زیاد نیست و معمولاً آن دسته از کارگرانی که شغل‌های مربوط به مزرعه‌داری را قبول می‌کنند، پس از پایان فصل کار را رها می‌کنند.»
 
سال گذشته، علی‌رغم محدودیت‌هایی که برای سفر وجود داشت، دولت‌های اروپایی از افرادی که به دلیل شیوع ویروس کرونا شغل خود را از دست داده بودند، درخواست کردند تا در برداشت محصولات باغی کمک کنند. حتی کشورهای اسپانیا و ایتالیا پیشنهاد دادند که به مهاجران غیر قانونی حق کار بدهند تا به عنوان میوه‌چین کار کنند.
 
در حال حاضر یکی از شرکت‌های پیشرو در زمینه پهپادهای کاربردی با نام «Tevel Aerobotics Technologies» ربات پرنده خودرانی را اختراع کرده است که با استفاده از هوش مصنوعی میوه‌ها را تشخیص می‌دهد و می‌چیند. این ربات می‌تواند روزانه ۲۴ ساعت کار کند و فقط میوه‌های رسیده را می‌چیند.
 
اختراع این ربات پاسخی مستقیم به کمبود نیروی کار بوده است. شرکت سازنده آن می‌گوید: «هیچ‌وقت نیروی کاری کافی برای چیدن میوه‌ها وجود نداشته است که میوه‌ها را در زمان مناسب و با قیمت مناسب بچینند. میوه‌ها یا رها می‌شدند تا بپوسند یا پایین‌تر از قیمت فروخته می‌شدند. به همین دلیل کشاورزان هر سال چندین میلیارد دلار ضرر می‌کردند.»
 
ربات‌های پرنده خودران برای مکان‌یابی درخت‌های میوه، از الگوریتم‌های ادراکی هوش مصنوعی و برای تشخیص میوه‌ها در میان شاخ و برگ‌ها و دسته‌بندی اندازه و میزان رسیده بودن آن‌ها، از الگوریتم‌های بینایی استفاده می‌کنند. این ربات‌ها پس از تشخیص میوه‌ها، بهترین راه را برای نزدیک شدن به میوه‌ها انتخاب می‌کنند و در زمانی‌که بازوهای میوه‌چین آن‌ها در حال چیدن میوه‌ها هستند، بی‌حرکت می‌مانند.
 
این ربات‌ها به مغز دیجیتالی واحد و خودرانی متصل می‌شوند که روی زمین قرار گرفته است به همین خاطر می‌توانند بدون این‌که سر راه یکدیگر قرار بگیرند، محصولات یک باغ میوه را برداشت کنند.
 
شغلی که خواهان زیادی ندارد
 
تولید جهانی میوه از سال ۱۹۹۰ به طور قابل ملاحظه‌ای افزایش یافته است و سالانه بیش از هشتصد میلیون تن میوه در جهان تولید می‌شود، این یعنی بازار سالانه میوه بیش از نیم تریلیون دلار ارزش دارد. جان وایت (John White)، مالک باغ‌های میوه ماروم (Marom) که برای اولین بار در مزارع میوه خود از ربات‌های میوه‌چین پرنده استفاده کرد، گفته است: «ما به میوه‌چین‌های قابل اعتماد زیادی نیاز داریم که باید به آن‌ها دستمزد بدهیم، برای‌شان ویزا بگیریم، خانه، غذا و محیطی بهداشتی را برای آن‌ها فراهم کنیم و هزینه رفت‌وآمدشان را بدهیم.»
 
وی گفته است: «هزینه‌ها در حال افزایش‌اند. چیدن میوه‌ها کار آسانی نیست؛ جا دارد که برای شغل‌های فصلی و برداشت سایر محصولات دستمزدهای بالاتری داد. جوانان در سراسر جهان شغل‌های حوزه کشاورزی را رها می‌کنند و به سمت‎‌های شغل‌های تمام‌وقت و با حقوق بالا در شهرهای بزرگ می‌روند.»
 
شرکت Tevel همچنین بر این نکته تاکید کرده است که ربات‌هایش بیشتر مکمل نیروی انسانی هستند تا جایگزین آن‌ها. این شرکت ادعا دارد که تا سال ۲۰۲۵ جامعه میوه‌چین‌ها با کمبودی پنج میلیونی مواجه خواهد شد و تضمین می‌کند که با وجود ربات‌هایش ده درصد از میوه‌هایی که در حال حاضر برداشت نشده‌اند، در آینده به طور کامل برداشت خواهند شد.
 
سازمان ملل متحد با تمرکز روی نوآوری‌ها و فناوری‌هایی که کارایی و بهره‌وری در کشت میوه و سبزیجات را افزایش و هدر رفت و ضرر را در آن کاهش می‌دهند، سال ۲۰۲۱ را سال ملی میوه و سبزیجات نامیده است.
 
سال گذشته، مجمع جهانی اقتصاد گزارشی با عنوان سیستم‌های غذایی داده محور برای تاب‌آوری در برابر بحران، ارائه داد که در آن آمده بود باید در دوران پسا کرونا از فناوری برای افزایش پایداری در صنعت کشاورزی استفاده کرد و خواستار یک اکوسیستم نوآوری شد تا بتوان به واسطه آن اختراعات و پیشرفت‌های نو را تقویت کرد.

پهپادها به برداشت محصولات باغی کمک می کنند

 
 
بررسی ها نشان می دهد که استفاده از پهپادهای مجهز به هوش‌مصنوعی می تواند گامی مؤثر در کاهش هزینه‌ها و هدررفت برداشت محصولات باغی، باشند.
 
به گزارش روابط عمومی پژوهشگاه فضای مجازی، کمبود میوه‌چین‌های فصلی در سرتاسر جهان احساس می‌شود و به خاطر محدودیت‌هایی که کرونا برای مسافرت ایجاد کرده، بدتر هم شده است. به همین خاطر بعضی از کشاورزان مجبور می‌شوند که میوه‌های رسیده را رها کنند و بگذارند تا بپوسد.
 
اکنون اما بعضی از کشاورزان در حال روی آوردن به پرنده‌های مبتنی بر هوش مصنوعی برای برداشت محصولات‌شان هستند. پرنده‌های خودران هوش مصنوعی می‌توانند رسیده‌ترین میوه‌ها را پیدا کنند و آن‌ها را بچینند. سازندگان آن‌ها می‌گویند که با این ربات‌ها در هزینه‌ها صرفه‌جویی شده و از هدر رفت میوه‌ها جلوگیری می‌کنند.
 
حتی پیش از شیوع کرونا هم برای کشاورزان سخت بود که برای چیدن میوه‌ها، کارگر استخدام کنند. در جولای سال ۲۰۱۹، فدراسیون دفاتر مزرعه آمریکایی (AFBF) هشدار داد که کمبود نیروی کار ادامه پیدا می‌کند. رئیس این فدراسیون، زیپی دووال (Zippy Duvall) خطاب به کشاورزان گفته است: «سعی کنید کارگران آمریکایی را استخدام کنید اما تعداد آن‌ها زیاد نیست و معمولاً آن دسته از کارگرانی که شغل‌های مربوط به مزرعه‌داری را قبول می‌کنند، پس از پایان فصل کار را رها می‌کنند.»
 
سال گذشته، علی‌رغم محدودیت‌هایی که برای سفر وجود داشت، دولت‌های اروپایی از افرادی که به دلیل شیوع ویروس کرونا شغل خود را از دست داده بودند، درخواست کردند تا در برداشت محصولات باغی کمک کنند. حتی کشورهای اسپانیا و ایتالیا پیشنهاد دادند که به مهاجران غیر قانونی حق کار بدهند تا به عنوان میوه‌چین کار کنند.
 
در حال حاضر یکی از شرکت‌های پیشرو در زمینه پهپادهای کاربردی با نام «Tevel Aerobotics Technologies» ربات پرنده خودرانی را اختراع کرده است که با استفاده از هوش مصنوعی میوه‌ها را تشخیص می‌دهد و می‌چیند. این ربات می‌تواند روزانه ۲۴ ساعت کار کند و فقط میوه‌های رسیده را می‌چیند.
 
اختراع این ربات پاسخی مستقیم به کمبود نیروی کار بوده است. شرکت سازنده آن می‌گوید: «هیچ‌وقت نیروی کاری کافی برای چیدن میوه‌ها وجود نداشته است که میوه‌ها را در زمان مناسب و با قیمت مناسب بچینند. میوه‌ها یا رها می‌شدند تا بپوسند یا پایین‌تر از قیمت فروخته می‌شدند. به همین دلیل کشاورزان هر سال چندین میلیارد دلار ضرر می‌کردند.»
 
ربات‌های پرنده خودران برای مکان‌یابی درخت‌های میوه، از الگوریتم‌های ادراکی هوش مصنوعی و برای تشخیص میوه‌ها در میان شاخ و برگ‌ها و دسته‌بندی اندازه و میزان رسیده بودن آن‌ها، از الگوریتم‌های بینایی استفاده می‌کنند. این ربات‌ها پس از تشخیص میوه‌ها، بهترین راه را برای نزدیک شدن به میوه‌ها انتخاب می‌کنند و در زمانی‌که بازوهای میوه‌چین آن‌ها در حال چیدن میوه‌ها هستند، بی‌حرکت می‌مانند.
 
این ربات‌ها به مغز دیجیتالی واحد و خودرانی متصل می‌شوند که روی زمین قرار گرفته است به همین خاطر می‌توانند بدون این‌که سر راه یکدیگر قرار بگیرند، محصولات یک باغ میوه را برداشت کنند.
 
شغلی که خواهان زیادی ندارد
 
تولید جهانی میوه از سال ۱۹۹۰ به طور قابل ملاحظه‌ای افزایش یافته است و سالانه بیش از هشتصد میلیون تن میوه در جهان تولید می‌شود، این یعنی بازار سالانه میوه بیش از نیم تریلیون دلار ارزش دارد. جان وایت (John White)، مالک باغ‌های میوه ماروم (Marom) که برای اولین بار در مزارع میوه خود از ربات‌های میوه‌چین پرنده استفاده کرد، گفته است: «ما به میوه‌چین‌های قابل اعتماد زیادی نیاز داریم که باید به آن‌ها دستمزد بدهیم، برای‌شان ویزا بگیریم، خانه، غذا و محیطی بهداشتی را برای آن‌ها فراهم کنیم و هزینه رفت‌وآمدشان را بدهیم.»
 
وی گفته است: «هزینه‌ها در حال افزایش‌اند. چیدن میوه‌ها کار آسانی نیست؛ جا دارد که برای شغل‌های فصلی و برداشت سایر محصولات دستمزدهای بالاتری داد. جوانان در سراسر جهان شغل‌های حوزه کشاورزی را رها می‌کنند و به سمت‎‌های شغل‌های تمام‌وقت و با حقوق بالا در شهرهای بزرگ می‌روند.»
 
شرکت Tevel همچنین بر این نکته تاکید کرده است که ربات‌هایش بیشتر مکمل نیروی انسانی هستند تا جایگزین آن‌ها. این شرکت ادعا دارد که تا سال ۲۰۲۵ جامعه میوه‌چین‌ها با کمبودی پنج میلیونی مواجه خواهد شد و تضمین می‌کند که با وجود ربات‌هایش ده درصد از میوه‌هایی که در حال حاضر برداشت نشده‌اند، در آینده به طور کامل برداشت خواهند شد.
 
سازمان ملل متحد با تمرکز روی نوآوری‌ها و فناوری‌هایی که کارایی و بهره‌وری در کشت میوه و سبزیجات را افزایش و هدر رفت و ضرر را در آن کاهش می‌دهند، سال ۲۰۲۱ را سال ملی میوه و سبزیجات نامیده است.
 
سال گذشته، مجمع جهانی اقتصاد گزارشی با عنوان سیستم‌های غذایی داده محور برای تاب‌آوری در برابر بحران، ارائه داد که در آن آمده بود باید در دوران پسا کرونا از فناوری برای افزایش پایداری در صنعت کشاورزی استفاده کرد و خواستار یک اکوسیستم نوآوری شد تا بتوان به واسطه آن اختراعات و پیشرفت‌های نو را تقویت کرد.

فیسبوک و توسعه هوش مصنوعی که با کمترین کمک انسانی آموزش می‌بیند

 
 
اگرچه هوش مصنوعی (AI) در سال‌های گذشته پیشرفت‌های زیادی داشته، اما همچنان انسان‌ها در آن نقش عمده‌ای دارند. در حقیقت انسان‌ها داده‌ها را برای آموزش آماده و برچسب‌گذاری می‌کنند. حالا هوش مصنوعی فیسبوک می‌تواند با دخالت کمتر انسان آموزش ببیند.
 
الگوریتم‌ هوش مصنوعی جدید فیسبوک قادر به انجام کارهای مفید با کمک کم انسان است. AI این کمپانی می‌تواند با کمک بسیار کم از برچسب‌ها، اجسام را در تصاویر شناسایی کند.
 
برای این الگوریتم که «Seer» نام دارد، از ۱ میلیارد عکس اینستاگرام استفاده شده و خودش تصمیم گرفته که کدام اجسام در آن‌ها به یکدیگر شباهت دارند. در ادامه چندین تصویر برچسب‌گذاری شده در اختیار این هوش مصنوعی قرار می‌گیرد که برای مثال می‌توان به تصاویر گربه اشاره کرد. در ادامه این الگوریتم می‌تواند تصاویر را تشخیص دهد و البته با استفاده از هزاران نمونه برچسب‌گذاری شده از هر جسم آموزش می‌بیند.
 
استادیار دانشگاه «پرینستون»، «اولگا روساکوفسکی» که در زمینه هوش مصنوعی و بینایی رایانه‌ای تخصص دارد، نتایج کار این هوش مصنوعی را شگفت‌انگیز می‌داند:
 
«نتایج تاثیرگذار هستند. دستیابی به یادگیری خود نظارت شده بسیار چالش‌برانگیز است و پیشرفت در این زمینه تاثیر مهمی روی بهبود تشخیص بصری دارد.»
 
به گفته دانشمند ارشد فیسبوک، «یان لکان» پژوهش اخیر فیسبوک نقطه عطفی در زمینه‌ای از هوش مصنوعی به نام «یادگیری خود نظارت شده» محسوب می‌شود. به گفته این پژوهشگر، آموزش یک الگوریتم با حجم بالایی داده برچسب‌گذاری شده، کار ساده‌ای نیست:
 
«مدت‌هاست که از ایده یادگیری خود نظارت شده حمایت می‌کنم. در بلندمدت، پیشرفت در هوش مصنوعی از طریق برنامه‌هایی بدست می‌آید که تنها در تمام روز ویدیو می‌بینند و مانند یک کودک یاد می‌گیرند.»
 
هوش مصنوعی جدید فیسبوک روی پیشرفت‌های کنونی بنا شده و این کمپانی الگوریتم‌های یادگیری عمیق را به گونه‌ای بهبود داده تا کارایی و راندمان بالاتری داشته باشند. یادگیری خود نظارت شده در گذشته برای ترجمه متن مورد استفاده قرار گرفته بود، اما استفاده از آن برای تصاویر کاری دشوارتر محسوب می‌شود.
 
به گفته لکان، تیم فیسبوک موفق به توسعه راه جدیدی شده که به وسیله آن، هوش مصنوعی می‌تواند حتی با جابه‌جایی بخشی از تصویر، آن را شناسایی کند. فیسبوک بخشی از فناوری‌های مربوط به Seer را منتشر خواهد کرد، اما از آنجایی که خود الگوریتم با استفاده از داده‌های کاربران اینستاگرام آموزش دیده، در اختیار افراد قرار نمی‌گیرد.

این هوش مصنوعی با یادگیری از سیگنال‌های مغز پرتره‌های جذاب تولید می‌کند

 
 
محققان سیستمی مبتنی بر هوش مصنوعی توسعه داده‌اند که جذاب‌ترین ویژگی‌های چهره را بر مبنای سلیقه افراد تشخیص داده و با ترکیب آن‌ها پرتره می‌سازد.
 
محققان دانشگاه‌های هلسینکی و کوپنهاگ برای ساخت این سیستم ابتدا از شبکه‌های مولد تخاصمی (Generative adversarial neural network) برای ساخت صدها پرتره کامپیوتری طبیعی استفاده کردند. این تصاویر سپس یک به یک در مجموع به ۳۰ نفر نشان داده شدند.
 
از داوطلبان خواسته شد تا روی چهره‌هایی تمرکز کنند که از نظر آن‌ها بیشترین جذابیت را دارند. محققان در عین حال، فعالیت‌های مغزی داوطلبان را با استفاده از دستگاه نوار مغزی یا الکتروانسفالوگرافی (EEG) ثبت کردند.
 
سپس الگوریتم‌های مبتنی بر یادگیری ماشینی چهره‌هایی که بیشترین میزان فعالیت مغزی در داوطلبان ایجاد می‌کردند را تشخیص داد و بعد فرمولی برای پیدا کردن خصوصیاتی که بین این چهره‌ها مشترک هستند تعریف کرد. در نهایت شبکه عصبی با استفاده از داده‌های این آزمایش، چهره‌های جدید را با ترکیب خصوصیات تولید کرد.
 
 
محققان سپس با انجام یک آزمایش دو سو کور (double-blind experiment)، تصاویر بدست آمده از این سیستم و تصاویر بسیاری از چهره‌های دیگر را به افراد نشان دادند. افراد در ۸۷ درصد از مواقع، چهره‌های تولید شده توسط این سیستم را جزو جذاب‌ترین چهره‌ها انتخاب می‌کردند. محققان می‌گویند این درصد در آینده با اصلاح الگوریتم‌ها بیشتر هم خواهد شد.
 
محققان امیدوارند با استفاده از داده‌های این تحقیق بتوان در نهایت سیستم‌هایی با توانایی تشخیص سلایق (Subjective Prefrences) یا تشخیص رفتارهای ناخودآگاه ساخت.
 
یکی از محققان می‌گوید: «این تحقیق نشان داد که می‌توان با وصل کردن شبکه عصبی مصنوعی به واکنش‌های مغزی، تصاویری را تولید کرد که با سلیقه شخصی مطابقت می‌کنند. بینایی رایانه‌ای در دسته‌بندی تصاویر بر مبنای الگوهای عینی بسیار موفق بوده است. با اضافه کردن واکنش‌های مغزی به فرمول نشان دادیم که تشخیص و تولید تصاویر بر اساس خصوصیات روان شناختی، مثل سلیقه شخصی، ممکن است.»
 
مقاله‌ای در مورد این تحقیق اخیراً در ژورنال IEEE Transactions in Affective Computing منتشر شده است.

اعلام نگرانی رسمی آمریکا از پیشتازی چین در حوزه هوش مصنوعی

 
 
کمیسیون امنیت ملی آمریکا در حوزه هوش مصنوعی هشدار داد در صورت عدم سرمایه گذاری جدی داخلی، چین تا یک دهه دیگر پیشتاز جهان در حوزه هوش مصنوعی خواهد شد.
 
 به نقل از زد دی نت، بر اساس تازه‌ترین گزارش این کمیسیون در مورد تحولات هوش مصنوعی در آمریکا، تهدید چین در این زمینه کاملاً جدی است و این کشور با سرعت در حال ارتقای قابلیت‌های خود در این بخش است.
 
در بخشی از این گزارش ۷۵۰ صفحه‌ای تصریح شده که چین از توانمندی، استعداد و جاه طلبی لازم برای پیشی گرفتن از آمریکا و تبدیل شدن به رهبر جهان در حوزه هوش مصنوعی تا یک دهه دیگر برخوردار است و اگر ایالات متحده در این زمینه سرمایه گذاری جدی نکرده و توانمندی‌های رایانه‌ای خود را ارتقا ندهد با خطر جدی مواجه خواهد شد.
 
در ادامه گزارش مذکور هشدار داده شده که هوش مصنوعی خطر تهدیدهای ناشی از حملات سایبری و انتشار اخبار جعلی را تشدید می‌کند و در این زمینه روسیه و چین به طور جدی آمریکا را تهدید می‌کنند.
 
استفاده محدود از حملات سایبری مبتنی بر هوش مصنوعی تنها نوک کوه یخ را به ما نشان می‌دهد. تشدید بحران‌های جهانی ناشی از شیوع ویروس کرونا و گرمایش زمین همکاری برای مقابله با این تهدید امنیت ملی را ضروری کرده است.
 
در این گزارش که زیر نظر اریک اشمیث مدیرعامل سابق گوگل و رئیس کمیسیون مذکور تهیه شده، از دولت آمریکا خواسته شده تا ۴۰ میلیارد دلار در حوزه تحقیق و توسعه مرتبط با هوش مصنوعی سرمایه گذاری کند.

اعلام نگرانی رسمی آمریکا از پیشتازی چین در حوزه هوش مصنوعی

 
 
کمیسیون امنیت ملی آمریکا در حوزه هوش مصنوعی هشدار داد در صورت عدم سرمایه گذاری جدی داخلی، چین تا یک دهه دیگر پیشتاز جهان در حوزه هوش مصنوعی خواهد شد.
 
 به نقل از زد دی نت، بر اساس تازه‌ترین گزارش این کمیسیون در مورد تحولات هوش مصنوعی در آمریکا، تهدید چین در این زمینه کاملاً جدی است و این کشور با سرعت در حال ارتقای قابلیت‌های خود در این بخش است.
 
در بخشی از این گزارش ۷۵۰ صفحه‌ای تصریح شده که چین از توانمندی، استعداد و جاه طلبی لازم برای پیشی گرفتن از آمریکا و تبدیل شدن به رهبر جهان در حوزه هوش مصنوعی تا یک دهه دیگر برخوردار است و اگر ایالات متحده در این زمینه سرمایه گذاری جدی نکرده و توانمندی‌های رایانه‌ای خود را ارتقا ندهد با خطر جدی مواجه خواهد شد.
 
در ادامه گزارش مذکور هشدار داده شده که هوش مصنوعی خطر تهدیدهای ناشی از حملات سایبری و انتشار اخبار جعلی را تشدید می‌کند و در این زمینه روسیه و چین به طور جدی آمریکا را تهدید می‌کنند.
 
استفاده محدود از حملات سایبری مبتنی بر هوش مصنوعی تنها نوک کوه یخ را به ما نشان می‌دهد. تشدید بحران‌های جهانی ناشی از شیوع ویروس کرونا و گرمایش زمین همکاری برای مقابله با این تهدید امنیت ملی را ضروری کرده است.
 
در این گزارش که زیر نظر اریک اشمیث مدیرعامل سابق گوگل و رئیس کمیسیون مذکور تهیه شده، از دولت آمریکا خواسته شده تا ۴۰ میلیارد دلار در حوزه تحقیق و توسعه مرتبط با هوش مصنوعی سرمایه گذاری کند.

قدرت تراشه سازی چین، آمریکا را می ترساند

 
 
یک کمیسیون امنیتی در آمریکا توصیه کرده برای مقابله با قدرت گرفتن چین در حوزه تراشه سازی اقداماتی انجام شود و در این زمینه قوانینی وضع شود.
 
به نقل از رویترز، یک کمیسیون امنیت ملی آمریکا روز گذشته به کنگره این کشور توصیه کرد تا گلوگاه‌های فناوری تولید تراشه را سخت‌تر کنترل کند تا به این ترتیب اجازه ندهد چین در بخش تولید نیمه رسانا از آمریکا جلو بزند.
 
کمیسیون ملی امنیت هوش مصنوعی به رهبری اریک اشمیت (مدیر سابق گوگل) که NSCAI نام دارد، به قانونگذاران توصیه کرده قابلیت‌های چین در تهیه تجهیزات ساخت مورد نیاز برای ساخت تراشه‌های رایانشی پیشرفته را محدود کنند. از این تراشه‌ها در فناوری‌های نظارتی مانند تشخیص چهره استفاده می‌شود.
 
این در حالی است که بسیاری از تجهیزات تولید تراشه از شرکت‌های آمریکایی مانندApplied Materials Inc و Lam Research Corp تأمین می‌شوند که هم اکنون در معرض کنترل‌های شدید صادراتی در آمریکا هستند. اما شرکت‌هایی مانند نیکون و کانن در ژاپن و همچنین ASML در هلند نیز بخش زیادی از تجهیزات تولید تراشه را تهیه می‌کنند.
 
این گزارش توصیه می‌کند که ایالات متحده آمریکا با کشورهای مذکور همکاری کند تا هرکدام از آنها سیاستی خاص برای اعطای مجوز صادراتی تجهیزات تراشه سازی پیشرفته ایجاد کنند. همچنین این گزارش توصیه می‌کند آمریکا سیاستی بلندمدت در نظر بگیرد تا فناوری‌های صنعت نیمه رسانای چین دو نسل عقب تر از آن باشد.
 
علاوه بر اتخاذ گام‌هایی برای حفاظت از آمریکا و متحدانش در حوزه فناوری تراشه سازی، اقداماتی برای ترویج تولیدات این صنعت باید انجام شود. این در حالی است که از چند دهه قبل تولیدات در این صنعت به تایوان و کره جنوبی منتقل شده است.

پیش‌بینی آغاز آلزایمر با کمک هوش مصنوعی

 
 
پژوهشگران کره‌جنوبی سعی دارند با کمک هوش مصنوعی، به پیش‌بینی آغاز بیماری آلزایمر در انسان بپردازند.
 
به نقل از مجله PNAS، گروهی از پژوهشگران کره جنوبی با کمک یک ابزار مبتنی بر هوش مصنوعی، به بررسی ژن "PLCg1" در مدل‌های مبتلا به بیماری آلزایمر پرداخته‌اند و اتصالات جدیدی را در آن یافته‌اند.
 
نوع اتصالات، بیان ژن را تنظیم می‌کند و بر فنوتیپ‌های گوناگون اثر می‌گذارد. به خصوص، انواع ژنتیکی ناشی از نوع اتصال آران‌ای، اغلب در افراد مبتلا به اختلالات رشد عصبی یافت می‌شود.
 
این گروه پژوهشی توانستند اتصالات پنهان شده در رونوشت ژنتیکی را به واسطه هوش مصنوعی مبتنی بر یادگیری عمیق، در مدل‌های مبتلا به بیماری آلزایمر مشخص کنند.
 
آنها با کمک یادگیری عمیق، ۱۴ محل اتصال جدید را در ژن PLCg1 مشخص کردند که عنصر اصلی مکانیسم انتقال سیگنال به شمار می‌روند. همچنین، تجزیه و تحلیل‌ها، یک محل اتصال جدید را در اگزون ۲۶ انسان و در ژن PLCg1 نشان دادند.
 
بررسی‌ها، پردازش غیرعادی آران‌ای را در اگزون ۲۷ ژن PLCg1 در مغز موش‌های مبتلا به بیماری آلزایمر نشان داد.
 
پژوهشگران در این بررسی برای نخستین بار نشان دادند که تنوع ژنتیکی موسوم به "SNV"، به تغییر آمینواسیدهای پروتئین‌ها در اگزون ۲۷ منجر می‌شود. این ناحیه، اهمیت زیادی برای هم‌ایستایی دارد زیرا توالی جهش یافته، توالی محافظت شده تکاملی است که در گونه‌های متفاوت مانند انسان، میمون، موش، مرغ، ماهی، گورخر و غیره صورت می‌گیرد. 
 
دکتر "جائه یئول جو"(Jae-Yeol Joo)، پژوهشگر ارشد این پروژه گفت: انواع نوظهور کروناویروس در انگلستان گزارش شده‌اند که قابلیت انتقال آنها نسبت به ویروس‌های پیشین بیشتر است.
 
این انواع کروناویروس، جهش یافته‌اند و آمینواسید پروتئین خوشه‌ای خود را تغییر داده‌اند.
 
جو افزود: پژوهش‌های ما، اطلاعات و روش‌های ارزشمندی را برای بیماری‌های گوناگون انسانی ارائه خواهند داد. این پژوهش‌ها به واسطه بررسی مغز با استفاده از هوش مصنوعی صورت می‌گیرند تا امکان درک بیماری‌های گوناگون از جمله آلزایمر را فراهم کنند. بدین ترتیب، ما می‌توانیم به اطلاعات مهمی در رابطه با تشخیص و درمان دست پیدا کنیم.
 

پیش‌بینی آغاز آلزایمر با کمک هوش مصنوعی

 
 
پژوهشگران کره‌جنوبی سعی دارند با کمک هوش مصنوعی، به پیش‌بینی آغاز بیماری آلزایمر در انسان بپردازند.
 
به نقل از مجله PNAS، گروهی از پژوهشگران کره جنوبی با کمک یک ابزار مبتنی بر هوش مصنوعی، به بررسی ژن "PLCg1" در مدل‌های مبتلا به بیماری آلزایمر پرداخته‌اند و اتصالات جدیدی را در آن یافته‌اند.
 
نوع اتصالات، بیان ژن را تنظیم می‌کند و بر فنوتیپ‌های گوناگون اثر می‌گذارد. به خصوص، انواع ژنتیکی ناشی از نوع اتصال آران‌ای، اغلب در افراد مبتلا به اختلالات رشد عصبی یافت می‌شود.
 
این گروه پژوهشی توانستند اتصالات پنهان شده در رونوشت ژنتیکی را به واسطه هوش مصنوعی مبتنی بر یادگیری عمیق، در مدل‌های مبتلا به بیماری آلزایمر مشخص کنند.
 
آنها با کمک یادگیری عمیق، ۱۴ محل اتصال جدید را در ژن PLCg1 مشخص کردند که عنصر اصلی مکانیسم انتقال سیگنال به شمار می‌روند. همچنین، تجزیه و تحلیل‌ها، یک محل اتصال جدید را در اگزون ۲۶ انسان و در ژن PLCg1 نشان دادند.
 
بررسی‌ها، پردازش غیرعادی آران‌ای را در اگزون ۲۷ ژن PLCg1 در مغز موش‌های مبتلا به بیماری آلزایمر نشان داد.
 
پژوهشگران در این بررسی برای نخستین بار نشان دادند که تنوع ژنتیکی موسوم به "SNV"، به تغییر آمینواسیدهای پروتئین‌ها در اگزون ۲۷ منجر می‌شود. این ناحیه، اهمیت زیادی برای هم‌ایستایی دارد زیرا توالی جهش یافته، توالی محافظت شده تکاملی است که در گونه‌های متفاوت مانند انسان، میمون، موش، مرغ، ماهی، گورخر و غیره صورت می‌گیرد. 
 
دکتر "جائه یئول جو"(Jae-Yeol Joo)، پژوهشگر ارشد این پروژه گفت: انواع نوظهور کروناویروس در انگلستان گزارش شده‌اند که قابلیت انتقال آنها نسبت به ویروس‌های پیشین بیشتر است.
 
این انواع کروناویروس، جهش یافته‌اند و آمینواسید پروتئین خوشه‌ای خود را تغییر داده‌اند.
 
جو افزود: پژوهش‌های ما، اطلاعات و روش‌های ارزشمندی را برای بیماری‌های گوناگون انسانی ارائه خواهند داد. این پژوهش‌ها به واسطه بررسی مغز با استفاده از هوش مصنوعی صورت می‌گیرند تا امکان درک بیماری‌های گوناگون از جمله آلزایمر را فراهم کنند. بدین ترتیب، ما می‌توانیم به اطلاعات مهمی در رابطه با تشخیص و درمان دست پیدا کنیم.
 
 
به نقل از تک‌اکسپلور، کالین جی جانسون می‌گوید: هدف مقاله‌ی ما استفاده از یادگیری ماشینی برای آموختن حل مکعب روبیک بود. مکعب روبیک پازل بسیار پیچیده‌ای است اما بسیاری از این معماها در بیشترین حالت ۲۰ قدم تا حل شدن فاصله دارند و رویکردی که ما پیش گرفته‌ایم تلاش برای حل این مسئله با یادگرفتن هر مرحله به صورت جداگانه است.
 
این روش که توسط جانسون ابداع شده مبتنی بر دو روش اصلی است: یادگیری گام‌به‌گام و استفاده از شبکه‌ی عصبی. در این روش سعی می‌شود تا مکعب روبیک مرحله به مرحله حل شود به جای آن که حل کردن کل آن به یک باره یاد گرفته شود. به عبارت دیگر تغییر دادن بخش‌های آن برای رسیدن به شکلی ساده‌تر و تکرار چندین باره‌ی مراحل تا حل شدن مکعب روبیک.
 
جانسون توضیح می‌دهد: به جای آن که برنامه بیاموزد چگونه یک باره مکعب روبیک را حل کند می‌آموزد که چگونه آن را ساده‌تر کند تا زمانی که کاملا حل شود. در این ساختار هر مرحله از مرحله قبل ساده‌تر خواهد بود بنابراین من ابتدا روشی ابداع کردم که با آن بتوان میزان بهم ریختگی مکعب را تخمین زد. پس از آن که تخمین زده شده مکعب چند بار بهم ریخته شده، روش ابداعی جانسون از یک شبکه‌ی عمیق عصبی استفاده می‌کند تا متوجه شود مکعب چند قدم تا حل شدن فاصله دارد و در نهایت با استفده از این داده‌ها برای حل مکعب روبیک استفاده می‌کند.
 
جانسون این روش را با چند آزمایش بررسی کرد و آن را با روش‌های قبلی که براساس گروهی از الگوریتم‌ها به نام جنگل تصادفی(random forest) و سایر روش‌های کامپیوتری مقایسه کرد. روش او به خوبی با همه‌ی این روش‌ها قبل مقایسه بود و مزیت آن‌ حل مرحله به مرحله‌ی مسئله بود.
 
تاکنون جانسون از این روش تنها برای حل مکعب روبیک استفاده کرده است اما می‌توان آن را در مسائل بزرگ‌تری که به صورت مرحله‌ای حل می‌شوند نیز به کار برد.
 
در آینده این روش مرحله‌ای می‌تواند برای حل بسیاری از مشکلات دیگر که ریشه در علم و مهندسی دارد مورد استفاده قرار گیرد. برای مثال از آن می‌توان برای مطالعه‌ و درک بهتر نحوه‌ی قرارگیری پروتئین‌ها در درون سلول استفاده کرد.
'>

ابداع روش‌ یادگیری عمیق برای حل مکعب روبیک

 
 
کالین جی جانسون(Colin G. Johnson)، دانشیار دانشگاه ناتینگهام به تازگی روش یادگیری عمیقی ابداع کرده است که می‌تواند از تعدادی راه‌حل نمونه برای حل یک مشکل کلی استفاده کرده و اصطلاحا "عملکرد مناسب" را بیاموزد. این روش که در مقاله‌ای در مجله‌ی "Wiley's Expert Systems" به چاپ رسیده است ابتدا برای حل مکعب روبیک طراحی شده بود.
 
به نقل از تک‌اکسپلور، کالین جی جانسون می‌گوید: هدف مقاله‌ی ما استفاده از یادگیری ماشینی برای آموختن حل مکعب روبیک بود. مکعب روبیک پازل بسیار پیچیده‌ای است اما بسیاری از این معماها در بیشترین حالت ۲۰ قدم تا حل شدن فاصله دارند و رویکردی که ما پیش گرفته‌ایم تلاش برای حل این مسئله با یادگرفتن هر مرحله به صورت جداگانه است.
 
این روش که توسط جانسون ابداع شده مبتنی بر دو روش اصلی است: یادگیری گام‌به‌گام و استفاده از شبکه‌ی عصبی. در این روش سعی می‌شود تا مکعب روبیک مرحله به مرحله حل شود به جای آن که حل کردن کل آن به یک باره یاد گرفته شود. به عبارت دیگر تغییر دادن بخش‌های آن برای رسیدن به شکلی ساده‌تر و تکرار چندین باره‌ی مراحل تا حل شدن مکعب روبیک.
 
جانسون توضیح می‌دهد: به جای آن که برنامه بیاموزد چگونه یک باره مکعب روبیک را حل کند می‌آموزد که چگونه آن را ساده‌تر کند تا زمانی که کاملا حل شود. در این ساختار هر مرحله از مرحله قبل ساده‌تر خواهد بود بنابراین من ابتدا روشی ابداع کردم که با آن بتوان میزان بهم ریختگی مکعب را تخمین زد. پس از آن که تخمین زده شده مکعب چند بار بهم ریخته شده، روش ابداعی جانسون از یک شبکه‌ی عمیق عصبی استفاده می‌کند تا متوجه شود مکعب چند قدم تا حل شدن فاصله دارد و در نهایت با استفده از این داده‌ها برای حل مکعب روبیک استفاده می‌کند.
 
جانسون این روش را با چند آزمایش بررسی کرد و آن را با روش‌های قبلی که براساس گروهی از الگوریتم‌ها به نام جنگل تصادفی(random forest) و سایر روش‌های کامپیوتری مقایسه کرد. روش او به خوبی با همه‌ی این روش‌ها قبل مقایسه بود و مزیت آن‌ حل مرحله به مرحله‌ی مسئله بود.
 
تاکنون جانسون از این روش تنها برای حل مکعب روبیک استفاده کرده است اما می‌توان آن را در مسائل بزرگ‌تری که به صورت مرحله‌ای حل می‌شوند نیز به کار برد.
 
در آینده این روش مرحله‌ای می‌تواند برای حل بسیاری از مشکلات دیگر که ریشه در علم و مهندسی دارد مورد استفاده قرار گیرد. برای مثال از آن می‌توان برای مطالعه‌ و درک بهتر نحوه‌ی قرارگیری پروتئین‌ها در درون سلول استفاده کرد.