برچسب: هوش مصنوعی

همه پس از کمی انتظار طولانی برای پاسخ دادن، با یک پیام گزنده‌ی «?» مواجه شده‌اند. ممکن است به زودی از طرف چت‌بات‌های هوش مصنوعی که قبلاً در پلتفرم‌های متا مانند اینستاگرام یا واتس اپ با آنها تعامل داشته‌اید، با رفتاری مشابه (هرچند احتمالاً خوش‌بینانه‌تر) مواجه شوید. گزارش جدیدی ادعا می‌کند که این شرکت متعلق به مارک زاکربرگ در حال آزمایش یک ویژگی پیشگیرانه در چت‌بات‌های قابل تنظیم است که با استفاده از نرم‌افزار AI Studio بدون کد آن ایجاد شده‌اند و به آنها امکان می‌دهد پیام‌های پیگیری بدون درخواست را بر اساس مکالمات قبلی ارسال کنند.

این پروژه آموزشی که در داخل شرکت برچسب‌گذاری داده Alignerr با عنوان «پروژه Omni» شناخته می‌شود، طبق دستورالعمل‌های موجود در اسناد دیده شده است، «برای کاربران ارزش ایجاد می‌کند و در نهایت به بهبود تعامل مجدد و حفظ کاربر کمک می‌کند». متا، AI studio را به عنوان پلتفرمی تبلیغ می‌کند که در آن «هر کسی می‌تواند بر اساس علایق خود یک شخصیت هوش مصنوعی ایجاد کند» و سازندگان را تشویق می‌کند تا ربات‌ها را به عنوان یک افزونه هوش مصنوعی از خود ببینند. شما می‌توانید ظاهر یک چت‌بات را سفارشی کنید، محتوایی که روی آن آموزش داده شده را انتخاب کنید و تصمیم بگیرید که می‌خواهید در کدام برنامه متعلق به متا ظاهر شود، همه بدون «هیچ تخصص فنی».

متا

طبق گزارشات، دستورالعمل‌های پروژه Omni شرکت Alignerr از مثال یک ربات هوش مصنوعی متمرکز بر فیلم که آن را «استاد جادوی فیلم» می‌نامد، استفاده می‌کند که ممکن است پیامی مانند این برای کاربر ارسال کند: «امیدوارم روز هماهنگی داشته باشید! می‌خواستم بررسی کنم و ببینم آیا اخیراً موسیقی متن یا آهنگساز مورد علاقه جدیدی پیدا کرده‌اید یا خیر. یا شاید برای شب فیلم بعدی خود توصیه‌هایی می‌خواهید؟ به من اطلاع دهید، خوشحال می‌شوم کمک کنم!»

• سیستم هوش مصنوعی چینی برای نابینایان عینک می سازد

همانطور اشاره شد، یک انگیزه تجاری برای متا وجود دارد تا افراد را با چت‌بات‌های خود درگیر نگه دارد. تعامل طولانی مدت برای افزایش درآمد حیاتی است و امسال متا انتظار دارد که فقط از محصولات هوش مصنوعی مولد خود 2 تا 3 میلیارد دلار درآمد کسب کند. این شرکت تخمین می‌زند که تا سال 2035 این رقم می‌تواند به 1.4 تریلیون دلار برسد. این نوع پیش‌بینی‌ها تنها در صورتی امکان‌پذیر خواهند بود که ابزارهای هوش مصنوعی آن به طور مداوم مورد استفاده قرار گیرند، بنابراین یادآوری دوستانه از یک چت‌بات هر از گاهی، حرکتی بدیهی به نظر می‌رسد.

پیام‌های پیشگیرانه در حال حاضر هنوز فقط یک ویژگی آزمایشی هستند. اگرچه قطعاً به نظر می‌رسد که به خاطر سپردن مکالمات و شروع مکالمات جدید بدون دعوت، به منطقه خاکستری رضایت کاربر نزدیک می‌شود، سخنگوی متا به BI گفت که هوش مصنوعی فقط در صورتی پیام پیگیری ارسال می‌کند که کاربر ابتدا مکالمه را آغاز کرده باشد و اگر پیام اول نادیده گرفته شود، پیام دیگری ارسال نخواهد کرد. پاسخ‌ها همچنین باید با شخصیت هوش مصنوعی و ماهیت مکالمه قبلی سازگار باشند و لحن مثبت خود را حفظ کنند و در عین حال از موضوعات بحث‌برانگیز یا حساس دوری کنند، مگر اینکه خود کاربر به آنها اشاره کرده باشد.

ماه گذشته، متا پس از آنکه مشخص شد تعداد زیادی از کاربران ناخواسته این کار را انجام می‌دهند، شروع به هشدار دادن به کاربران خود در مورد عدم به اشتراک گذاشتن جزئیات خصوصی در فید عمومی Meta AI کرد.

جهانی را تصور کنید که در آن افرادی که نمی‌توانند ببینند، همچنان می‌توانند بدون هیچ شک و تردید یا ترسی با اطمینان خاطر حرکت کنند. با ورود هوش مصنوعی، آن جهان دور از دسترس نیست. طبق مطالعه‌ای که منتشر شده است، محققان چینی از یک سیستم هوش مصنوعی پوشیدنی جدید رونمایی کردند که افراد نابینا و کم‌بینا را قادر می‌سازد تا به راحتی و به طور مستقل جهت‌یابی کنند. این سیستم با ترکیبی از ویدیو، لرزش و پیام‌های صوتی، راهنمایی‌های بلادرنگ را برای کاربران فراهم می‌کند.

هوش مصنوعی چگونه می‌تواند به نابینایان کمک کند تا ببینند

سیستم هوش مصنوعی شامل یک دوربین، یک پردازنده هوش مصنوعی و هدفون‌های هدایت استخوانی است. این سیستم بین ابروهای کاربر نصب می‌شود. دوربین بلافاصله فیلم زنده را برای تجزیه و تحلیل سیستم هوش مصنوعی ضبط می‌کند. سپس، نشانه‌های صوتی کوتاه مستقیماً از طریق هدفون‌ها و بدون مسدود کردن صداهای محیط ارائه می‌شوند.

تیمی از دانشگاه جیائو تونگ شانگهای این سیستم را توسعه داده‌اند. آزمایشگاه هوش مصنوعی شانگهای، دانشگاه نرمال شرق چین، دانشگاه علوم و فناوری هنگ کنگ و آزمایشگاه کلیدی نوروبیولوژی پزشکی در دانشگاه فودان.

بر اساس اعلام این تیم: “این تحقیق راه را برای سیستم‌های کمک بصری کاربرپسند هموار می‌کند و راه‌های جایگزینی را برای افزایش کیفیت زندگی افراد دارای اختلال بینایی ارائه می‌دهد.”

نقش نشانه‌های صوتی و لمسی ساده

گو لیلی، محقق ارشد و استادیار دانشگاه شانگهای جیائو تونگ، بر تعهد تیم برای کاربردی و آسان کردن سیستم تا حد امکان تأکید کرد. او گفت: “این سیستم می‌تواند تا حدی جایگزین چشم‌ها شود. توضیحات صوتی طولانی از محیط می‌تواند کاربران را خسته و کلافه کند و آنها را نسبت به استفاده از چنین سیستم‌هایی بی‌میل سازد. برخلاف سیستم ناوبری خودرو با مسیرهای دقیق، کار ما با هدف به حداقل رساندن خروجی سیستم هوش مصنوعی و انتقال اطلاعات کلیدی برای ناوبری به روشی است که مغز به راحتی بتواند آن را جذب کند.”

این تجهیزات از نظر طراحی سبک و جمع و جور هستند، به این معنی که می‌توان آن را در تمام طول روز بدون هیچ گونه ناراحتی پوشید و به کاربران اجازه می‌دهد بدون احساس بار اضافی به طور طبیعی حرکت کنند.

• هوش مصنوعی عمومی و 2 برابر شدن انجام وظایف هوش مصنوعی هر چند ماه یکبار

آزمایش‌ها چه می‌گویند؟

این سیستم در داخل خانه با 20 داوطلب کم بینا آزمایش شده است. طبق این مطالعه، پس از تنها ۲۰ دقیقه تمرین، اکثر کاربران توانستند به راحتی با آن کار کنند. فرآیند تعیین مقصد نیز بسیار ساده است. کاربران یک فرمان صوتی صادر می‌کنند و هوش مصنوعی یک مسیر امن پیدا می‌کند و فقط دستورالعمل‌های ضروری را در طول مسیر ارائه می‌دهد. در حال حاضر برای شناسایی ۲۱ شیء، از جمله تخت، صندلی، میز، سینک، تلویزیون و مواد غذایی آموزش دیده است.

میزان تشخیص اشیاء

محققان در حال برنامه‌ریزی برای گسترش بیشتر این قابلیت‌ها هستند. گو گفت تمرکز بعدی این تیم، اصلاح سیستم برای محیط‌های بیرونی است، جایی که چالش‌های ناوبری بسیار پیچیده‌تر هستند. پیشرفت‌ها می‌تواند شامل تشخیص اشیاء بهبود یافته، تطبیق مسیر پویا و ادغام با سیستم‌های GPS دنیای واقعی باشد.

این سیستم پوشیدنی مبتنی بر هوش مصنوعی ممکن است با پیشرفت‌های بیشتر، سطح جدیدی از استقلال را ارائه دهد و با این کار، به میلیون‌ها فرد کم‌بینا در سراسر جهان اطمینان دهد که مستقل باشند.

دانشمندان روش جدیدی برای سنجش میزان توانایی سیستم‌های هوش مصنوعی (AI) ابداع کرده‌اند – اینکه چقدر سریع می‌توانند انسان‌ها را در وظایف چالش‌برانگیز شکست دهند یا با آنها رقابت کنند.  همچنین در ادامه مبحث هوش مصنوعی عمومی هم مورد بحث قرار می گیرد.

در حالی که هوش مصنوعی معمولاً می‌تواند در پیش‌بینی متن و وظایف دانش از انسان‌ها بهتر عمل کند، اما وقتی پروژه‌های اساسی‌تری مانند کمک به مدیران از راه دور برای انجام به آنها داده می‌شود، اثربخشی کمتری دارند.

برای تعیین کمیت این دستاوردهای عملکردی در مدل‌های هوش مصنوعی، یک مطالعه جدید پیشنهاد کرده است که هوش مصنوعی را بر اساس مدت زمان انجام وظایفی که می‌توانند انجام دهند، در مقابل مدت زمانی که برای انسان‌ها طول می‌کشد، اندازه‌گیری کنند. محققان یافته‌های خود را در 30 مارس در پایگاه داده پیش‌چاپ arXiv منتشر کردند، بنابراین هنوز مورد بررسی دقیق قرار نگرفته‌اند.

محققان سازمان هوش مصنوعی Model Evaluation & Threat Research (METR) در یک پست وبلاگی همراه با این مطالعه توضیح دادند: “ما دریافتیم که اندازه‌گیری طول وظایفی که مدل‌ها می‌توانند انجام دهند، دریچه‌ای مفید برای درک قابلیت‌های فعلی هوش مصنوعی است. این منطقی است: به نظر می‌رسد که عوامل هوش مصنوعی اغلب در کنار هم قرار دادن توالی‌های طولانی‌تر اقدامات، بیشتر از کمبود مهارت یا دانش لازم برای حل مراحل واحد، مشکل دارند.”

محققان دریافتند که مدل‌های هوش مصنوعی وظایفی را که برای انسان‌ها کمتر از چهار دقیقه طول می‌کشد، با نرخ موفقیت نزدیک به ۱۰۰٪ انجام می‌دهند. با این حال، این میزان برای وظایفی که بیش از چهار ساعت طول می‌کشد، به ۱۰٪ کاهش یافته است. مدل‌های قدیمی‌تر هوش مصنوعی در وظایف طولانی‌تر نسبت به سیستم‌های جدید عملکرد بدتری داشتند.

این قابل انتظار بود، زیرا این مطالعه نشان داد که طول وظایفی که انواع هوش مصنوعی عمومی می‌توانند با ۵۰٪ قابلیت اطمینان انجام دهند، تقریباً هر هفت ماه در شش سال گذشته دو برابر شده است.

انواع مختلف

محققان برای انجام مطالعه خود، مدل‌های مختلف هوش مصنوعی – از Sonnet 3.7 و GPT-4 گرفته تا Claude 3 Opus و مدل‌های قدیمی‌تر GPT – را انتخاب کردند و آنها را در مقابل مجموعه‌ای از وظایف قرار دادند. این موارد از تکالیف آسان که معمولاً چند دقیقه طول می‌کشد تا انسان‌ها انجام دهند (مثلاً جستجوی یک سوال اساسی در ویکی‌پدیا) تا تکالیفی که چندین ساعت طول می‌کشد تا متخصصان انسانی انجام دهند – مثلاً وظایف برنامه‌نویسی پیچیده مانند نوشتن هسته‌های CUDA یا رفع یک اشکال ظریف در PyTorch.

ابزارهای تست شامل HCAST و RE-Bench استفاده شدند. اولی دارای ۱۸۹ وظیفه نرم‌افزاری خودمختار است که برای ارزیابی قابلیت‌های عامل هوش مصنوعی در انجام وظایف مربوط به یادگیری ماشین، امنیت سایبری و مهندسی نرم‌افزار تنظیم شده است، در حالی که دومی از هفت وظیفه مهندسی تحقیقاتی یادگیری ماشین با پایان باز و چالش‌برانگیز، مانند بهینه‌سازی هسته GPU، استفاده می‌کند که در مقایسه با متخصصان انسانی محک زده شده‌اند.

سپس محققان این وظایف را از نظر «بی‌نظمی» رتبه‌بندی کردند تا ببینند و ارزیابی کنند که چگونه برخی از وظایف شامل مواردی مانند نیاز به هماهنگی بین چندین جریان کاری در زمان واقعی هستند – که به طور مؤثر انجام وظیفه را پیچیده‌تر می‌کند – و بنابراین نماینده بیشتری از وظایف دنیای واقعی هستند.

محققان همچنین اقدامات اتمی نرم‌افزاری (SWAA) را توسعه دادند تا مشخص کنند که افراد واقعی چقدر سریع می‌توانند وظایف را انجام دهند. اینها وظایف تک مرحله‌ای هستند که از یک تا ۳۰ ثانیه متغیر هستند و توسط کارمندان METR پایه‌گذاری شده‌اند.

این مطالعه در عمل نشان داد که «دامنه توجه» هوش مصنوعی با سرعت زیادی در حال پیشرفت است. محققان با تعمیم این روند، پیش‌بینی کردند (اگر واقعاً بتوان نتایج آنها را به طور کلی در وظایف دنیای واقعی به کار برد) که هوش مصنوعی می‌تواند تا سال ۲۰۳۲ به اندازه یک ماه توسعه نرم‌افزار انسانی را خودکار کند.

دانشمندان گفتند، برای درک بهتر قابلیت‌های رو به پیشرفت هوش مصنوعی و تأثیر و خطرات بالقوه آن برای جامعه، این مطالعه می‌تواند معیار جدیدی در رابطه با نتایج دنیای واقعی ایجاد کند تا «تفسیر معناداری از عملکرد مطلق، نه فقط عملکرد نسبی» را ممکن سازد.

مرز جدیدی برای ارزیابی هوش مصنوعی؟

یک معیار جدید بالقوه می‌تواند ما را قادر سازد تا هوش و قابلیت‌های واقعی سیستم‌های هوش مصنوعی را بهتر درک کنیم.

سهراب کازرونیان، محقق برجسته هوش مصنوعی در Vectra AI، به Live Science گفت: “این معیار به خودی خود مسیر توسعه هوش مصنوعی را تغییر نمی‌دهد، اما سرعت پیشرفت در انواع خاصی از وظایف را که در آنها سیستم‌های هوش مصنوعی به طور ایده‌آل مورد استفاده قرار می‌گیرند، ردیابی خواهد کرد.”

• با ورود کوانتوم، دنیای هوش مصنوعی دگرگون خواهد شد

کازرونیان گفت: “اندازه‌گیری هوش مصنوعی در برابر مدت زمانی که طول می‌کشد تا یک انسان یک وظیفه مشخص را انجام دهد، یک معیار جایگزین جالب برای هوش و قابلیت‌های عمومی است. اول، زیرا هیچ معیار واحدی وجود ندارد که منظور ما را از “هوش” در بر بگیرد. دوم، زیرا احتمال انجام یک کار طولانی مدت بدون رانش یا خطا به طرز چشمگیری کم می‌شود. سوم، زیرا این یک معیار مستقیم در برابر انواع وظایفی است که امیدواریم از هوش مصنوعی برای آنها استفاده کنیم؛ یعنی حل مشکلات پیچیده انسانی. اگرچه ممکن است تمام عوامل یا تفاوت‌های ظریف مربوط به قابلیت‌های هوش مصنوعی را در بر نگیرد، اما مطمئناً یک نقطه داده مفید است.”

النور واتسون، عضو IEEE و مهندس اخلاق هوش مصنوعی در دانشگاه سینگولاریتی، موافق است که این تحقیق مفید است. او گفت که اندازه‌گیری هوش مصنوعی بر اساس طول وظایف “ارزشمند و شهودی” است و “مستقیماً پیچیدگی دنیای واقعی را منعکس می‌کند و مهارت هوش مصنوعی را در حفظ رفتار منسجم و هدفمند در طول زمان نشان می‌دهد”، در مقایسه با آزمایش‌های سنتی که عملکرد هوش مصنوعی را در مسائل کوتاه و مجزا ارزیابی می‌کنند.

هوش مصنوعی عمومی در راه است

مسلماً، علاوه بر یک معیار معیار جدید، بزرگترین تأثیر این مقاله برجسته کردن سرعت پیشرفت سیستم‌های هوش مصنوعی، در کنار روند صعودی توانایی آنها در انجام وظایف طولانی است. با توجه به این موضوع، واتسون پیش‌بینی می‌کند که ظهور عوامل هوش مصنوعی عمومی که می‌توانند انواع وظایف را انجام دهند، قریب‌الوقوع خواهد بود.

واتسون گفت: “تا سال 2026، شاهد خواهیم بود که هوش مصنوعی به طور فزاینده‌ای عمومی می‌شود (ظهرو هوش مصنوعی عمومی) و وظایف متنوعی را در طول یک روز یا هفته کامل به جای تکالیف کوتاه و محدود، انجام می‌دهد.”

واتسون خاطرنشان کرد که برای کسب‌وکارها، این می‌تواند منجر به هوش مصنوعی‌هایی شود که می‌توانند بخش قابل توجهی از حجم کار حرفه‌ای را بر عهده بگیرند – که نه تنها می‌تواند هزینه‌ها را کاهش داده و کارایی را بهبود بخشد، بلکه به افراد اجازه می‌دهد تا روی وظایف خلاقانه‌تر، استراتژیک‌تر و بین فردی‌تر تمرکز کنند.

واتسون افزود: “برای مصرف‌کنندگان، هوش مصنوعی از یک دستیار ساده به یک مدیر شخصی قابل اعتماد تبدیل خواهد شد که قادر به انجام وظایف پیچیده زندگی – مانند برنامه‌ریزی سفر، نظارت بر سلامت یا مدیریت سبدهای مالی – در طول روزها یا هفته‌ها، با حداقل نظارت است. یعنی یک هوش مصنوعی عمومی و در دسترس.”

در واقع، توانایی هوش مصنوعی برای انجام طیف وسیعی از وظایف طولانی می‌تواند تأثیر قابل توجهی بر نحوه تعامل جامعه و استفاده از هوش مصنوعی در چند سال آینده داشته باشد.

واتسون در پایان گفت: “در حالی که ابزارهای تخصصی هوش مصنوعی به دلایل بهره‌وری در کاربردهای خاص باقی خواهند ماند، عوامل قدرتمند هوش مصنوعی عمومی – که قادر به تغییر انعطاف‌پذیر بین وظایف متنوع هستند – به طور برجسته‌ای ظهور خواهند کرد. این سیستم‌ها مهارت‌های تخصصی را در گردش‌های کاری گسترده‌تر و هدفمند ادغام می‌کنند و زندگی روزمره و شیوه‌های حرفه‌ای را به روش‌های اساسی تغییر شکل می‌دهند.”

باید منتظر ماند تا ادعای ظهور هوش مصنوعی عمومی چقدر به واقعیت نزدیک می شود.

 

یک شرکت مستقر در بریتانیا اولین مدل زبان کوانتومی بزرگ (QLLM) را راه‌اندازی کرده است. QLLM که توسط SECQAI توسعه یافته است، ادعا می شود که می تواند آینده هوش مصنوعی را شکل دهد. این شرکت محاسبات کوانتوم را در مدل‌های سنتی هوش مصنوعی ادغام کرد تا کارایی و حل مسئله را بهبود بخشد.

بر اساس یک گزارش، توسعه شامل ایجاد یک شبیه ساز کوانتوم داخلی با یادگیری مبتنی بر گرادیان و مکانیزم توجه کوانتومی است.

گام مهم

این شرکت سخت‌افزار و نرم‌افزار فوق‌ایمن معتقد است که این راه‌اندازی با ادغام محاسبات کوانتومی در ساختار سنتی مدل‌های زبان بزرگ برای افزایش کارایی محاسباتی، قابلیت‌های حل مسئله و درک زبانی، گام مهمی در استفاده از هوش مصنوعی است.

راهول تیاگی، مدیرعامل و موسس SECQAI گفت: “با راه اندازی اولین کوانتوم LLM در جهان، ما وارد عصر جدیدی می شویم که در آن هوش مصنوعی می تواند از مکانیک کوانتومی برای بهبود نتایج استفاده کند.

این یک گام فوق‌العاده هیجان‌انگیز برای یادگیری ماشین کوانتومی است و این پتانسیل را دارد که چندین صنعت را متحول کند. در طول این سال مهم بین المللی علم و فناوری کوانتمی، ما به بررسی همپوشانی بین دنیای هوش مصنوعی و محاسبات کوانتومی برای پیشبرد این موارد استفاده ادامه خواهیم داد.”

تست بتا خصوصی

Quantum Insider گزارش داد که این فناوری در فوریه 2025 وارد آزمایش بتا خصوصی با شرکای منتخب خواهد شد و نقطه عطف مهمی در یادگیری ماشین کوانتو می خواهد بود.

SECQAI نشان داد که تیم آنها بر موانع عظیم مورد نیاز برای توسعه یک سیستم داخلی که می تواند به طور موثر یک کامپیوتر کوانتومی را شبیه سازی کند، از یادگیری مبتنی بر گرادیان پشتیبانی کند و در این محیط، یک مکانیسم توجه کوانتمی را توسعه دهد و آن را در مدل های LLM موجود بسازد، غلبه کرد.

• نانو کریستال های لیزری : راهی به سوی هوش مصنوعی سریعتر

این ترانسفورماتور و شبیه ساز کوانتومی کاربردهای گسترده گسترده ای دارند، از نوآوری در طراحی نیمه هادی در اندازه ترانزیستور کوچک گرفته تا شناسایی الگوهای پنهان در استانداردهای رمزگذاری موجود، توسعه ساختارهای مواد جدید و کشف داروهای جدید در سراسر داروها. بر اساس یک بیانیه مطبوعاتی، این فناوری در روزهای اولیه خود نویدبخش بود.

مدل زبان بزرگ کوانتومی

گزارش‌ها نشان می‌دهند که QLLM می‌تواند به طور موثر شبیه‌سازی‌های پیچیده را برای بهینه‌سازی طرح‌بندی‌های نیمه‌رسانا انجام دهد. این الگوهای پنهان در رمزگذاری را آشکار می کند و پروتکل های امنیتی را افزایش می دهد. همچنین می تواند با مدل سازی فعل و انفعالات مولکولی با دقت بیشتر به طراحی دارو کمک کند.

ارزیابی ریسک و کشف تقلب می تواند با استفاده از آن در بخش مالی به طور قابل توجهی افزایش یابد. همچنین می‌تواند به بهبود تصمیم‌گیری بلادرنگ در رباتیک از طریق روش‌های پیشرفته حل مسئله کمک کند. با این حال، محدودیت‌هایی وجود دارد، زیرا همه سازمان‌ها نمی‌توانند زیرساخت‌های کوانتمی لازم را بپردازند و این مدل ممکن است به مقادیر زیادی داده برای عملکرد بهینه نیاز داشته باشد که به دست آوردن آن می‌تواند چالش برانگیز باشد.

این شرکت فاش کرد که در طول سال گذشته، یک تیم متخصص از مهندسان برای پیش بردن مرزهای این نسل بعدی از محاسبات شتاب داده شده اند. این تیم بر چالش‌های پیرامون ساخت یک QLLM و رویکردهای یادگیری ماشین کوانتومی متمرکز شد.

مسابقه برای محاسبات سریعتر و کارآمدتر در جریان است. اکنون، دانشمندان با کشف یک نوع منحصر به فرد از نانو کریستال، جهش قابل توجهی به جلو برداشته اند. این پتانسیل سرعت بخشیدن به هوش مصنوعی و سرعت پردازش داده ها را دارد و در عین حال بهره وری انرژی را نیز افزایش می دهد.

محققان دانشگاه ایالتی اورگان نانوبلورهای درخشانی با قابلیت سوئیچینگ سریع نور تا تاریکی یافته اند.

آرتیوم اسکریپکا، استادیار کالج علوم OSU، می‌گوید: “قابلیت‌های سوئیچینگ و حافظه فوق‌العاده این نانوبلورها ممکن است روزی به محاسبات نوری تبدیل شود – راهی برای پردازش و ذخیره سریع اطلاعات با استفاده از ذرات نور که سریع‌تر از هر چیزی در جهان حرکت می‌کنند.’”

نانو کریستال هایی با رفتار عجیب و غریب

این نانو ماده از دسته ای از مواد به نام نانوذرات بهمنی استفاده می کند. نانومواد ذرات بسیار کوچکی هستند که اندازه آنها معمولاً از یک میلیاردم تا یکصد میلیاردم متر متغیر است.

نانوذرات در حال سقوط بهمن نوع خاصی از نانومواد با یک ویژگی منحصر به فرد هستند: آنها در گسیل نور خود غیرخطی شدیدی را نشان می دهند. این بدان معنی است که افزایش اندک در شدت لیزر مورد استفاده برای تحریک آنها می تواند باعث افزایش چشمگیر شدت نوری شود که ساطع می کنند.

تحقیقات بر روی نانوبلورهای ساخته شده از پتاسیم، کلر و سرب (KPb2Cl5) متمرکز شد. این نانوبلورها به تنهایی با نور برهمکنش ندارند. با این حال، هنگامی که با نئودیمیم “دوپ” می شوند، به عنوان میزبان یون های نئودیمیم عمل می کنند.

این دوپینگ توانایی یون‌های نئودیمیم را برای تعامل و پردازش سیگنال‌های نوری افزایش می‌دهد. این کنترل نور بهبود یافته، این نانوبلورها را برای کاربردهای نوری مختلف، مانند اپتوالکترونیک و فناوری لیزر، ارزشمند می کند.

اسکریپکا توضیح داد: “معمولاً، مواد شب تاب هنگامی که توسط لیزر برانگیخته می شوند، نور از خود ساطع می کنند و زمانی که نیستند، تاریک می مانند. در مقابل، ما شگفت زده شدیم که متوجه شدیم نانوبلورهای ما زندگی موازی دارند. تحت شرایط خاص، آنها رفتار عجیبی از خود نشان می دهند: آنها می توانند دقیقاً تحت همان طول موج و قدرت تحریک لیزری روشن یا تاریک باشند.”

• توسعه یک ساعت هوشمند برای ترک سیگار

نانو کریستال مصرف انرژی را به حداقل می رساند

نانو کریستال ها پدیده شگفت انگیزی به نام «دوپایداری نوری ذاتی» را نشان می دهند. دو پایداری نوری ذاتی می‌تواند راه را برای مدارهای مجتمع فوتونیکی هموار کند که می‌توانند از نظر سرعت و کارایی از سیستم‌های الکترونیکی و اپتوالکترونیکی فعلی پیشی بگیرند.

اسکریپکا گفت: “اگر کریستال‌ها برای شروع تیره هستند، برای روشن کردن آن‌ها و مشاهده گسیل به قدرت لیزر بالاتری نیاز داریم، اما زمانی که آن‌ها ساطع می‌کنند، می‌توانیم انتشار آنها را با توان لیزر کمتر از آنچه در ابتدا نیاز داشتیم مشاهده کنیم.

مثل دوچرخه سواری است. برای به حرکت درآوردن آن، باید پدال ها را به شدت فشار دهید، اما هنگامی که در حال حرکت است، برای حفظ آن به تلاش کمتری نیاز دارید. روشنایی آنها را می توان به طور ناگهانی روشن و خاموش کرد، گویی با فشار دادن یک دکمه”

نانو کریستال ها قابلیت سوئیچینگ کم مصرف را نشان می دهند. این توسعه ممکن است به به حداقل رساندن مصرف انرژی به ویژه در بخش هایی مانند هوش مصنوعی، مراکز داده و دستگاه های الکترونیکی کمک کند.

اسکریپکا در بیانیه مطبوعاتی خاطرنشان کرد: “ادغام مواد فوتونیکی با دوپایی نوری ذاتی می‌تواند به معنای پردازشگرهای داده سریع‌تر و کارآمدتر، بهبود الگوریتم‌های یادگیری ماشین و تجزیه و تحلیل داده‌ها باشد. این می‌تواند به معنای دستگاه‌های مبتنی بر نور کارآمدتر از نوع مورد استفاده در زمینه‌هایی مانند مخابرات، تصویربرداری پزشکی و سنجش محیطی باشد.”

این مطالعه با همکاری آزمایشگاه ملی لارنس برکلی، دانشگاه کلمبیا و دانشگاه خودمختار مادرید انجام شد.

هوش مصنوعی گوگل با استفاده از روش جدیدی که از سیگنال های صوتی برای پیش بینی علائم اولیه بیماری و تشخیص بیماری استفاده میکند، در حال پیشرفت است. گوگل از 300 میلیون نمونه صوتی از جمله سرفه، بوییدن و تنفس سخت برای آموزش مدل پایه هوش مصنوعی خود برای شناسایی علائم بیماری هایی مانند سل استفاده کرده است.

گوگل با Salcit Technologies، یک استارتاپ هوش مصنوعی متمرکز بر مراقبت های بهداشتی تنفسی در هند، همکاری کرده است تا این فناوری را در گوشی های هوشمند بگنجاند. جوامع پرخطر در مناطقی با دسترسی محدود به مراقبت های بهداشتی میتوانند تحولی را تجربه کنند.

تشخیص بیماری و بیوآکوستیک

گوگل قبلاً تلاش هایی را برای دیجیتالی کردن حواس انسان انجام داده است. بازوی سرمایه گذاری این شرکت قبلاً از استارت آپ هایی حمایت میکرد که از هوش مصنوعی برای شناسایی بیماری ها بر اساس رایحه استفاده میکردند. کاوش آکوستیک زیستی، که ترکیبی از زیست شناسی و آکوستیک است، استفاده رو به رشد هوش مصنوعی برای استخراج اطلاعات مهم از صداهای تولید شده توسط انسان و حیوانات را نشان میدهد.

در مراقبت های بهداشتی، هوش مصنوعی مولد، فناوری پشت سر پذیرش گسترده ChatGPT توسط بیش از 200 میلیون کاربر، در حال پیشرفت بیو آکوستیک (زیست آوایی) با قابلیت های جدید است. گوگل یک مدل هوش مصنوعی به نام HeAR (نمایش های صوتی سلامت) ایجاد کرده است که از سیگنال های صوتی برای پیش بینی علائم اولیه بیماری و تشخیص بیماری استفاده میکند و ابزاری نوآورانه برای تشخیص پزشکی ارائه میکند.

این فناوری که به راحتی در تلفن های هوشمند قابل استفاده است، می تواند جمعیت های پرخطر را در مناطقی که دسترسی محدودی به دستگاه های تشخیصی پرهزینه مانند دستگاه های اشعه ایکس دارند، ردیابی و نمایش دهد. سودمندی این روش توانایی آن در ارائه گزینه های مراقبت های بهداشتی در مناطق دور با استفاده از میکروفون و نرم افزار هوش مصنوعی است که در یک تلفن ادغام شده است.

• مکانیسم ستاره های دریایی می تواند به ترمیم آسیب های اندام کمک کند

حل مسائل بهداشتی

بر اساس گزارش سازمان بهداشت جهانی، سل مسئول تقریباً 4500 مرگ و میر و تقریباً 30000 عفونت جدید در هر روز است. در حالی که سل قابل درمان است، میلیون ها مورد تشخیص داده نمی شوند. تنها در هند، سل منجر به مرگ تقریباً یک چهارم میلیون نفر در سال می شود که اهمیت تشخیص زودهنگام را برجسته می کند.

هوش مصنوعی گوگل با استفاده از مجموعه داده عظیمی از 300 میلیون کلیپ صوتی، که شامل سرفه و صداهای تنفسی از سراسر جهان بود، آموزش داده شد. این صداها از مطالب در دسترس عموم و غیر دارای حق نسخه برداری، مانند ویدیوهای یوتیوب و ضبط های غربالگری سل در بیمارستان های زامبیا به دست آمده است.

ابزار هوش مصنوعی که در یک گوشی هوشمند ادغام شده است، می تواند به دورافتاده ترین مکان ها برای غربالگری بیماری منتقل شود. با تجزیه و تحلیل تفاوت های ظریف در الگوهای سرفه، سیستم هوش مصنوعی می تواند علائم اولیه سل را شناسایی کند و مداخله و درمان اولیه را تسهیل کند.

هدف مشارکت گوگل با Salcit Technologies افزایش دقت تشخیص سل و ارزیابی سلامت ریه است.

سوآسا (Swaasa)

Salcit در حال ادغام مدل هوش مصنوعی گوگل با فناوری یادگیری ماشینی خود، Swaasa، یک سیستم هوش مصنوعی است که از کلمه سانسکریت به معنای نفس نامگذاری شده است. انتظار می رود این همکاری نظارت بر سلامت تنفسی و مدیریت بیماری ها را به ویژه در مناطقی که دسترسی محدود به متخصصان مراقبت های بهداشتی و ابزارهای تشخیصی دارند، بسیار افزایش دهد.

استفاده از هوش مصنوعی برای تشخیص بیماری ها از طریق صدا نشان دهنده یک پیشرفت تکنولوژیکی قابل توجه با پتانسیل ایجاد انقلابی در ارائه مراقبت های بهداشتی است.

همانطور که مدل های هوش مصنوعی مانند HeAR پیشرفته تر میشوند، میتوانند فراتر از تشخیص سل و شناسایی سایر بیماری های تنفسی و شرایط قلبی عروقی از طریق تجزیه و تحلیل صدا گسترش یابند. توسعه چنین ابزارهایی در دنیایی که دسترسی به مراقبت های بهداشتی برای میلیون ها نفر چالش برانگیز است، بسیار مهم است.

با استفاده از زیرساخت های فعلی تلفن های هوشمند، این راه حل های مبتنی بر هوش مصنوعی را میتوان به سرعت گسترش داد و در مناطق شهری و روستایی مورد استفاده قرار داد و فراگیری و دسترسی به مراقبت های بهداشتی را بهبود بخشید.

در سال های اخیر، افراد برای کمک به تصمیم گیری بیشتر به هوش مصنوعی وابسته شده اند. این مدل ها نه تنها به انسان ها کمک می کنند بلکه از رفتار آنها نیز درس می گیرند. بنابراین، مهم است که بدانیم تعامل ما با مدل های هوش مصنوعی چگونه بر آنها و رفتار انسان ها تأثیر میگذارد. رویه فعلی فرض میکند که رفتار انسانی که برای آموزش استفاده میشود، بی طرفانه است.

با این حال، تحقیقات دانشگاه واشنگتن این فرض را به چالش می کشد. این نشان می دهد که افراد وقتی می دانند که برای آموزش هوش مصنوعی استفاده می شود، رفتار خود را تغییر می دهند. علاوه بر این، این رفتار روزها پس از پایان تمرین ادامه می یابد.

این یافته ها مشکل توسعه هوش مصنوعی را برجسته میکند: مفروضات داده های آموزشی بی طرفانه میتواند منجر به مدل های سوگیری ناخواسته شود. این هوش مصنوعی ممکن است این عادات را تقویت کند و در نتیجه انسان و هوش مصنوعی از رفتار مطلوب منحرف شوند.

پدیده روانی غیرمنتظره

این مطالعه جدید بین رشته ای توسط محققان WashU یک پدیده روانشناختی غیرمنتظره را در تقاطع رفتار انسان ها و هوش مصنوعی کشف کرده است.
وقتی به انسان ها گفته شد که هوش مصنوعی را برای انجام یک بازی چانه زنی آموزش می دهند، شرکت کنندگان به طور فعال رفتار خود را طوری تنظیم کردند که منصفانه تر و منصفانه تر به نظر برسند، این انگیزه با پیامدهای بالقوه مهم برای توسعه دهندگان هوش مصنوعی در دنیای واقعی.

لورن تریمن، دانشجوی دکترا در بخش علوم محاسباتی و داده و نویسنده اصلی این مطالعه، گفت: “به نظر میرسید شرکت کنندگان انگیزهای برای آموزش هوش مصنوعی برای انصاف داشتند، که دلگرم کننده است، اما افراد دیگر ممکن است برنامه های متفاوتی داشته باشند.”

توسعه دهندگان باید بدانند که وقتی مردم بدانند برای آموزش هوش مصنوعی از آن استفاده می شود، عمداً رفتار خود را تغییر می دهند. این مطالعه که در PNAS منتشر شده است، با کمک مالی از موسسه بین رشته ای در علوم داده کاربردی (TRIADS)، یک ابتکار امضا شده از برنامه استراتژیک هنر و علوم پشتیبانی شد.

بازی اولتیماتوم در تغییر رفتار انسان ها

این مطالعه شامل پنج آزمایش بود که در هر آزمایش حدود 200 تا 300 شرکت کننده داشتند. از آزمودنی ها خواسته شد تا «بازی اولتیماتوم» را بازی کنند، چالشی که از آنها میخواهد در پرداخت های نقدی کوچک (فقط 1 تا 6 دلار) با سایر بازیکنان انسانی یا رایانه مذاکره کنند.

گاهی اوقات به آنها گفته می شد که تصمیمات آنها برای آموزش یک ربات هوش مصنوعی استفاده می شود که چگونه بازی کند. بازیکنانی که فکر میکردند هوش مصنوعی را آموزش میدهند، به طور مداوم به دنبال سهم منصفانه از پرداخت هستند، حتی اگر چنین انصافی برای آنها چند دلار هزینه داشته باشد.

• کنترل مغز موش به صورت وایرلس با استفاده از میدان مغناطیسی

جالب اینجاست که این تغییر رفتار حتی پس از اینکه به آنها گفته شد که تصمیم هایشان دیگر برای آموزش هوش مصنوعی استفاده نمیشود، ادامه داشت، و این نشان میدهد که تجربه شکل دهی فناوری تأثیری ماندگار بر تصمیم گیری داشته است.

ووتر کول، یکی از نویسندگان این مطالعه، گفت: “به عنوان دانشمندان شناختی، ما به شکل گیری عادت علاقه مندیم. این یک مثال جالب است زیرا این رفتار حتی زمانی که دیگر درخواست نشده بود ادامه داشت.”
با این حال، انگیزه پشت این رفتار کاملاً مشخص نیست.

پیامدهای آینده در فرآیند تغییر رفتار انسان ها

محققان در مورد انگیزه ها و استراتژی های خاصی سؤال نکردند و کول توضیح داد که شرکت کنندگان ممکن است تعهد قویتری برای اخلاقیتر کردن هوش مصنوعی احساس نکرده باشند.

او گفت که این آزمایش احتمالاً تمایلات طبیعی آنها را برای رد پیشنهادات ناعادلانه نشان داد. آنها ممکن است به عواقب آینده فکر نکنند، آنها فقط می توانند راه آسانی را انتخاب کنند.

هو، دانشمند کامپیوتری که روابط بین رفتارهای انسانی و الگوریتم های یادگیری ماشین را مطالعه میکند، گفت: “این مطالعه بر عنصر مهم انسانی در آموزش هوش مصنوعی تأکید میکند. بسیاری از آموزش های هوش مصنوعی مبتنی بر تصمیمات انسانی است،اگر سوگیری های انسانی در طول آموزش هوش مصنوعی در نظر گرفته نشود، هوش مصنوعی حاصل نیز مغرضانه خواهد بود. در چند سال گذشته، ما شاهد بسیاری از مسائل ناشی از این نوع عدم تطابق بین آموزش و استقرار هوش مصنوعی بوده ایم.”

به گفته هو، برای مثال، برخی از نرم افزارهای تشخیص چهره باید در شناسایی افراد رنگین پوست دقت بیشتری داشته باشند. این تا حدی به این دلیل است که داده های مورد استفاده برای آموزش هوش مصنوعی مغرضانه و غیرنماینده هستند.

یک مطالعه جدید توسط محققان MIT و دانشگاه واشنگتن یک مدل هوش مصنوعی را نشان می دهد که می تواند به طور دقیق اقدامات آینده یک فرد (رفتار انسان) یا یک ماشین را پیش بینی کند.

هوش مصنوعی به عنوان مدل بودجه استنتاج پنهان (L-IBM) شناخته می شود. نویسندگان مطالعه ادعا میکنند که L-IBM بهتر از سایر چارچوب های پیشنهادی قبلی است که قادر به مدلسازی تصمیم گیری انسانی هستند.

این با بررسی رفتار، اعمال و محدودیت های گذشته مرتبط با فرآیند تفکر یک عامل (که می تواند یک انسان یا هوش مصنوعی دیگر باشد) کار می کند. داده یا نتیجه ای که پس از ارزیابی به دست می آید، بودجه استنتاج نامیده می شود.

آنها از L-IBM برای پیش بینی حرکات بازیکنان انسان در یک بازی شطرنج استفاده کردند. نویسندگان مطالعه خاطرنشان میکنند: “نتایج ما نشان میدهد که تصمیم گیری انسانی غیربهینه را میتوان به طور مؤثر با نسخه های محاسباتی محدود الگوریتم های جستجوی استاندارد مدلسازی کرد.”

آنها افزودند: “با انجام این کار، هم مدلهای دقیق تصمیم گیری انسان ها و هم معیارهای اطلاعاتی ظرفیت استنتاجی آنها را به دست میآوریم.”

مدل هوش مصنوعی چگونه رفتار انسان را پیش بینی می کند؟

محققان گفتند: برای مدلسازی فرآیند تصمیمگیری یک عامل، L-IBM ابتدا رفتار یک فرد و متغیرهای مختلفی را که بر آن تأثیر میگذارند، تجزیه و تحلیل میکند. به عبارت دیگر، ما به دنبال مدلسازی این هستیم که چه عواملی میخواهند انجام دهند و هم آنهایی که در واقع در هر حالتی انجام خواهند داد.

این مرحله شامل مشاهده عواملی بود که در یک ماز در موقعیتهای تصادفی قرار گرفتند. سپس مدل L-IBM برای درک محدودیت های فکری/محاسباتی و پیش بینی رفتار آنها به کار گرفته شد. این تجزیه و تحلیل اهداف یک عامل و توانایی آن در جهت یابی و تصمیم گیری پیچیده را آشکار کرد.

در مرحله بعد، مدل زبان و نشانه های مرتبط با ارتباط را بررسی کرد. محققان خاطرنشان میکنند: «انسانها به راحتی زبان را تولید و درک میکنند، به گونهای که از معنای تحت اللفظی آن منحرف میشود».

محققان آزمودنی ها را به انجام یک بازی مرجع وادار کردند. بازی شامل یک گوینده و یک شنونده است. دومی مجموعه ای از رنگ های مختلف را دریافت می کند، آنها یکی را انتخاب می کنند اما نمی توانند نام رنگی را که انتخاب کرده اند مستقیماً به شنونده بگویند.

گوینده رنگ را برای گویندگان از طریق عبارات زبان طبیعی توصیف می کند (اصولاً گوینده کلمات مختلف را به عنوان اشاره می دهد). اگر شنونده همان رنگی را که بلندگو از مجموعه انتخاب کرده انتخاب کند، هر دو برنده می شوند.

نویسندگان مطالعه توضیح میدهند: “با تطبیق یک L-IBM برای گفته ها و انتخاب ها در بازی های مرجع انسانی، بررسی می کنیم که آیا می توانیم استنباط کنیم که آیا انسان ها صرفاً از روی رفتار درگیر استدلال عمل گرایانه هستند یا خیر، آیا تفاوت هایی بین بازیکنان در توانایی آنها برای استدلال در مورد مخاطبانشان وجود دارد یا خیر. این تفاوتها در واقع موفقیت ارتباطی را پیش بینی میکنند. “

• اپل در حال مذاکره برای ادغام هوش مصنوعی گوگل – جمنای در IOS

مرحله آخر: مدل سازی بازی شطرنج انسان

این مدل بر زمانی تمرکز داشت که بازیکنان مختلف انسان برای انجام حرکات خود در طول بازی شطرنج صرف می کردند. آنها همچنین متوجه تفاوت زمانی شدند که شطرنجبازان ضعیف تر و قویتر برای فکر کردن به حرکات خود صرف میکنند.

آثول پل ژاکوب، یکی از نویسندگان این مطالعه گفت: “در پایان روز، دیدیم که عمق برنامه ریزی، یا مدت زمانی که کسی به مشکل فکر میکند، نشان دهنده واقعاً خوبی از نحوه رفتار انسان ها است. هدف این بود که بفهمیم آیا آنها میتوانند این داده ها را به L-IBM و تنوع مدل در تصمیم گیری های بازیکنان در سراسر ایالات بازی تغذیه کنند.”

بودجه استنتاج (نتیجه) به طور دقیق تفاوت بین شطرنج بازان ضعیف تر و قوی تر را برجسته می کند.

ژاکوب گفت: “برای من، قابل توجه ترین چیز این واقعیت بود که این بودجه استنباط بسیار قابل تفسیر است. میگویند مشکلات سختتر نیاز به برنامه ریزی بیشتری دارند یا اینکه یک بازیکن قوی بودن به معنای برنامه ریزی طولانی تر است. زمانی که برای اولین بار این کار را انجام دادیم، فکر نمی کردیم که الگوریتم ما بتواند آن رفتارها را به طور طبیعی تشخیص دهد.”
اگر مدل هوش مصنوعی بداند کدام بازیکن بهتر است، احتمالاً پیشبینی دقیقی دارد که کدام بازیکن برنده بازی است.

این مدل هوش مصنوعی می تواند به ما در تصمیم گیری بهتر کمک کند

این سه مرحله نشان میدهد که چارچوب L-IBM پتانسیل مدلسازی تقریباً تمام جنبه های تصمیم گیری انسانی از جمله روال ها، رفتار، ارتباطات و استراتژی را دارد.

محققان خاطرنشان کردند: “ما نشان دادیم که میتواند از مدلهای کلاسیک عقلانیت محدود عملکرد بهتری داشته باشد، در حالی که معیارهای معنی داری از مهارت های انسانی و دشواری کار را در نظر میگیرد.”

چیزی که L-IBM را از مدل های قبلی متمایز میکند این است که به جای داده های تصادفی، رفتار گذشته و محدودیت های یک عامل را برای تولید نتایج در نظر میگیرد.

ژاکوب در انتها گفت: “اگر ما بدانیم که یک انسان در شرف مرتکب اشتباه است، با مشاهده رفتار آنها قبلاً، عامل هوش مصنوعی میتواند وارد عمل شود و راه بهتری برای انجام آن ارائه دهد. یا عامل می تواند با نقاط ضعفی که همکاران انسانی اش دارند سازگار شود. توانایی مدلسازی رفتار انسان گام مهمی در جهت ساختن یک عامل هوش مصنوعی است که در واقع میتواند به آن انسان کمک کند.”

مطالعه حاضر همچنین به دانشمندان اجازه می دهد تا جزئیات رفتار انسان را به طور موثرتری به برنامه های هوش مصنوعی آموزش دهند. با این حال، L-IBM یک چارچوب کامل نیست.

جیکوب و تیمش اکنون قصد دارند تحقیقات بیشتری را برای دستیابی به مدل های بهتر انجام دهند.

طبق گزارش بلومبرگ، اپل در حال “مذاکرات فعال” با گوگل برای آوردن فناوری هوش مصنوعی Gemini خود به آیفون است و همچنین استفاده از ChatGPT OpenAI را در نظر گرفته است.

مدیرعامل تیم کوک قبلا تایید کرده است که اپل «زمان و تلاش زیادی» را صرف ویژگی های هوش مصنوعی میکند و قصد دارد آنها را «آخر امسال» برای مشتریانش عرضه کند.

گزارش بلومبرگ نشان میدهد که ویژگی های هوش مصنوعی تعبیه شده در محصولات اپل میتوانند در نهایت با ترکیبی از مدل های هوش مصنوعی شخص اول و شخص ثالث تقویت شوند. مدل های اپل میتوانند هوش مصنوعی مولد روی دستگاه را با iOS 18 تقویت کنند که اواخر امسال عرضه میشود، در حالی که ویژگی های هوش مصنوعی مبتنی بر ابر مانند تولید متن و تصویر میتواند از طریق مشارکت با شرکت هایی مانند گوگل ارائه شود.

اگر قرارداد گوگل به نتیجه برسد، اپل اولین شرکتی نخواهد بود که از این غول جستجو برای ارائه ویژگی های هوش مصنوعی در گوشی هایش استفاده میکند. در اوایل سال جاری سامسونگ یک سری ویژگی های با برند Galaxy AI را به گوشی های هوشمند گلکسی S24 خود اضافه کرد که از فناوری هوش مصنوعی گوگل پشتیبانی میکنند. هوش مصنوعی گوگل در دستگاه های پیکسل 8 خود نیز به طور برجسته ظاهر می شود. نام تجاری یا پیاده سازی فناوری هوش مصنوعی گوگل در دستگاه های اپل هنوز مشخص نشده است.

• تراشه های هوش مصنوعی جدید انویدیا

قرارداد برای هوش مصنوعی گوگل

سازنده آیفون در حال حاضر یک قرارداد طولانی مدت با گوگل دارد تا جستجوی گوگل را به صورت پیش فرض در دستگاه های خود قرار دهد، توافقی که تخمین زده می شود سالانه 18 میلیارد دلار ارزش داشته باشد. اما چنین معاملاتی به طور فزاینده ای با تنظیم کننده ها مورد مناقشه قرار گرفته است، به طوری که وزارت دادگستری ایالات متحده گوگل را به استفاده از آنها برای تثبیت ناعادلانه موقعیت موتور جستجوی خود در بازار متهم می کند.

یک معامله بالقوه هوش مصنوعی بین اپل و گوگل می تواند دامنه ابزارهای هوش مصنوعی گوگل را به بیش از 2 میلیارد دستگاهی که اپل در حال حاضر در بازار دارد گسترش دهد. اما بلومبرگ خاطرنشان می کند که این خطر را دارد که یک امتیاز از طرف اپل باشد که فناوری هوش مصنوعی مولد خود از رقبای خود عقب مانده است.

کارمندان اپل ظاهراً در حال آزمایش یک ربات چت داخلی به نام Apple GPT بوده اند و طبق گزارش ها این شرکت مدل زبان بزرگ خود را با کد Ajax دارد، اما گفته میشود که فناوری هوش مصنوعی اپل نسبت به رقبا پیشرفت کمتری دارد.

به نظر می رسد مدتی منتظر بمانیم تا بشنویم که آیا اپل قرارداد هوش مصنوعی خود را با گوگل امضا می کند یا خیر، بلومبرگ اشاره کرده است که بعید است چنین قراردادی قبل از WWDC در ماه ژوئن اعلام شود.

انویدیا ماه مارچ نسل جدیدی از تراشه ها و نرم افزارهای هوش مصنوعی را برای اجرای مدل های هوش مصنوعی معرفی کرد. این اعلامیه که در کنفرانس توسعه دهندگان انویدیا در سن خوزه اعلام شد، در حالی است که سازنده تراشه به دنبال تثبیت موقعیت خود به عنوان تامین کننده اصلی شرکت های هوش مصنوعی است.

از زمانی که ChatGPT OpenAI در اواخر سال 2022 رونق گرفت، قیمت سهام انویدیا پنج برابر و فروش کل بیش از سه برابر شده است. پردازنده های گرافیکی سرور پیشرفته انویدیا برای آموزش و استقرار مدل های هوش مصنوعی بزرگ ضروری هستند. شرکت هایی مانند مایکروسافت و متا میلیاردها دلار برای خرید تراشه ها هزینه کرده اند.

نسل جدید پردازنده های گرافیکی هوش مصنوعی Blackwell نام دارد. اولین تراشه بلک ول GB200 نام دارد و اواخر امسال عرضه خواهد شد. انویدیا در حال جذب مشتریان خود با تراشه های قدرتمندتر برای تحریک سفارشات جدید است. برای مثال، شرکتها و سازندگان نرمافزار همچنان در تلاش هستند تا نسل کنونی H100s Hopper و تراشه های مشابه را به دست آورند.

جنسن هوانگ، مدیرعامل انویدیا در کنفرانس توسعه دهندگان این شرکت در کالیفرنیا گفت: “Hopper فوق العاده است، اما ما به پردازنده های گرافیکی بزرگتر نیاز داریم.”

این شرکت همچنین نرم افزار درآمدزایی به نام NIM را معرفی کرد که استقرار هوش مصنوعی را آسانتر میکند و به مشتریان دلیل دیگری برای حفظ تراشه های انویدیا نسبت به حوزه رو به رشد رقبا میدهد.

مدیران انویدیا میگویند که این شرکت کمتر به یک ارائه دهنده تراشه مزدور تبدیل میشود و بیشتر به یک ارائه دهنده پلتفرم مانند مایکروسافت یا اپل تبدیل میشود که سایر شرکتها میتوانند روی آن نرمافزار بسازند.

هوانگ گفت: “بلک ول یک تراشه نیست، نام یک پلتفرم است.”

معاون شرکت انویدیا در مصاحبه ای گفت: “محصول تجاری قابل فروش سی پی یو بود و نرم افزار همه برای کمک به مردم در استفاده از GPU به روش های مختلف بود. البته، ما هنوز این کار را انجام می دهیم. اما چیزی که واقعاً تغییر کرده این است که ما در حال حاضر واقعاً یک تجارت نرم افزار تجاری داریم.
نرم افزار جدید انویدیا اجرای برنامه ها را بر روی هر یک از پردازنده های گرافیکی انویدیا آسانتر میکند، حتی آنهایی که ممکن است برای استقرار اما نه ساختن هوش مصنوعی مناسبتر باشند.”

او در ادامه گفت: “اگر توسعه دهنده هستید، مدل جالبی دارید که میخواهید مردم از آن استفاده کنند، اگر آن را در یک NIM قرار دهید، مطمئن میشویم که روی همه پردازنده های گرافیکی ما قابل اجرا است، بنابراین به افراد زیادی دسترسی خواهید داشت.”

• ادغام شرکت جانی آیو و OpenAi برای ساخت یک گجت هوش مصنوعی

با بلکول، جانشین هاپر آشنا شوید

هر دو سال یکبار انویدیا معماری GPU خود را به روز می کند و جهش بزرگی در عملکرد ایجاد می کند. بسیاری از مدل های هوش مصنوعی منتشر شده در سال گذشته بر اساس معماری Hopper این شرکت (که توسط تراشه هایی مانند H100 استفاده میشد) که در سال 2022 معرفی شد، آموزش دیدند.

انویدیا میگوید پردازنده های مبتنی بر بلکول، مانند GB200، با 20 پتافلاپ در عملکرد هوش مصنوعی در مقابل 4 پتافلاپ برای H100، ارتقای عملکرد بسیار خوبی را برای شرکت های هوش مصنوعی ارائه میکنند. به گفته انویدیا، قدرت پردازش اضافی شرکت های هوش مصنوعی را قادر میسازد تا مدلهای بزرگتر و پیچیده تری را آموزش دهند.

این تراشه شامل چیزی است که انویدیا آن را «موتور ترانسفورماتور» مینامد که به طور خاص برای اجرای هوش مصنوعی مبتنی بر ترانسفورماتور، یکی از فناوری های اصلی ChatGPT ساخته شده است.

سی پی یو  Blackwell بزرگ است و دو قالب جداگانه تولید شده را در یک تراشه تولید شده توسط TSMC ترکیب می کند.
همچنین به عنوان یک سرور کامل به نام GB200 NVLink 2 در دسترس خواهد بود که 72 پردازنده گرافیکی بلک ول و سایر قطعات انویدیا را که برای آموزش مدل های هوش مصنوعی طراحی شده اند، ترکیب می کند.

آمازون، گوگل، مایکروسافت و اوراکل دسترسی به GB200 را از طریق خدمات ابری به فروش خواهند رساند. GB200 دو GPU B200 Blackwell را با یک پردازنده Grace مبتنی بر Arm جفت می کند. انویدیا گفت که خدمات وب آمازون یک خوشه سرور با 20000 تراشه GB200 ایجاد خواهد کرد.

انویدیا گفت که این سیستم می تواند یک مدل با پارامتر 27 تریلیون را مستقر کند. این حتی از بزرگترین مدل ها، مانند GPT-4 که طبق گزارش ها 1.7 تریلیون پارامتر دارد، بسیار بزرگتر است. بسیاری از محققان هوش مصنوعی معتقدند مدل های بزرگتر با پارامترها و داده های بیشتر میتوانند قابلیت های جدیدی را باز کنند.

انویدیا هزینه ای برای GB200 جدید یا سیستم هایی که در آن استفاده می شود ارائه نکرده است. بر اساس برآوردهای تحلیلگران، H100 مبتنی بر هاپر انویدیا بین 25000 تا 40000 دلار برای هر تراشه قیمت دارد، با کل سیستم هایی که قیمت آن به 200000 دلار می رسد.

میکروسرویس استنتاج انویدیا

انویدیا همچنین اعلام کرد که محصول جدیدی به نام NIM که مخفف Nvidia Inference Microservice است را به اشتراک نرم افزار سازمانی Nvidia اضافه می کند.

NIM استفاده از پردازنده های گرافیکی قدیمی تر انویدیا را برای استنتاج یا فرآیند اجرای نرم افزار هوش مصنوعی آسانتر میکند و به شرکت ها اجازه میدهد تا به استفاده از صدها میلیون پردازنده گرافیکی انویدیا که قبلاً دارند، ادامه دهند.

استنتاج به قدرت محاسباتی کمتری نسبت به آموزش اولیه یک مدل جدید هوش مصنوعی نیاز دارد. NIM به شرکت هایی که می خواهند مدل های هوش مصنوعی خود را اجرا کنند، به جای خرید دسترسی به نتایج هوش مصنوعی به عنوان یک سرویس از شرکت هایی مانند OpenAI، امکان می دهد.

استراتژی این است که مشتریانی که سرورهای مبتنی بر انویدیا می خرند، برای ثبت نام در شرکت انویدیا که برای هر GPU در سال 4500 دلار برای مجوز هزینه دارد، ثبت نام کنند.

انویدیا با شرکت های هوش مصنوعی مانند مایکروسافت یا Hugging Face همکاری خواهد کرد تا مطمئن شود که مدل های هوش مصنوعی آنها بر روی تمام تراشه های سازگار انویدیا تنظیم شده اند. سپس، با استفاده از NIM، توسعه دهندگان میتوانند به طور موثر مدل را بر روی سرورهای خود یا سرورهای انویدیا مبتنی بر ابر بدون فرآیند پیکربندی طولانی اجرا کنند.

معاون انویدیا گفت: “در کد خود، جایی که با OpenAI تماس میگرفتم، یک خط کد را جایگزین میکنم تا به جای آن به NIM که از انویدیا دریافت کردهام اشاره کنم.”

انویدیا میگوید این نرم افزار همچنین به هوش مصنوعی کمک میکند تا به جای روی سرورهای ابری، روی لپتاپ های مجهز به GPU اجرا شود.