تکنولوژی
اهمیت World Model (مدل جهان فیزیکی) در گام بعدی هوش مصنوعی
۲۴ مهر, ۱۴۰۵ | تکنولوژی, هوش مصنوعیگفتگوی زیر با چت‌جی‌پی‌تی، مثال ایدئالی نیست و حتی شاید کمی گمراه‌کننده باشد. با این حال می‌تواند کمی به درک تفاوت مدل زبانی (language model) و مدل از جهان فیزیکی (world model) کمک کند:
موج فعلی هوش مصنوعی قاعدتاً بعد از ترکیدن حباب فعلی فروکش خواهد کرد (حتی اگر زمستان هوش مصنوعی به سبکی که پیش از این بوده، به وجود نیاید یا کوتاه باشد). و البته همچنان دستاوردها و قابلیت‌های شگفت‌انگیزی که این موج جدید به همراه داشته برایمان باقی خواهد ماند.
در موج بعدی، ما با مدل‌های بزرگ از جهان یا LWMs یا Large World Models مواجه خواهیم بود که درک بهتری از ممکن‌ها و ناممکن‌های جهان فیزیکی دارند (مثلاً می‌دانند که یک قورباغه نمی‌تواند با آن‌ها حرف بزند و سوال کند).
البته همین الان هم مدل‌هایی که تسلا در صنعت خودرو و پالانتیر در جنگ استفاده میکنند از جنس World Model هستند. اما هنوز، چه از نظر فنی و معماری سیستم و چه از نظر دسترسی تجاری و فراگیر، با “هوش مصنوعی قادر به درک جهان فیزیکی” فاصلهٔ بسیار زیادی داریم.
این فاصله – برخلاف همهٔ تبلیغ‌هایی که فعلاً ما را بمباران میکنند – فقط از جنس مقیاس (scale) نیست.
زنده شدن الیزا | قدیمی‌ترین چت بات جهان
۲۸ دی, ۱۴۰۳ | تکنولوژیچتبات (Chatbot) یا روبات گفتگوگر اصطلاح پرتکرار این روزهای ماست. بعد از گسترش مدل‌های بزرگ زبانی و رواج یافتن ابزارهایی مثل چت جی پی تی، همه‌جا از چت‌بات‌ها می‌شنویم. چت‌بات‌هایی که انتظار می‌رود در آیندهٔ نه‌چندان دور بخش چشمگیری از گفتگوهای ما در فضای آنلاین با آن‌ها باشد.
هر جا حرف از تاریخچه هوش مصنوعی و تاریخچه چت بات است، معمولاً به الیزا (Eliza) هم اشاره می‌شود. اولین چت بات جدی که جوزف وایزن‌باوم در سال ۱۹۶۴ در MIT طراحی و پیاده‌سازی کرد.
الیزا نقش یک روانشناس را ایفا می‌کرد. و روشش این بود که از الگوهای ساده برای شناسایی کلمات کلیدی استفاده می‌کرد و پاسخ‌هایی بر اساس این الگوها تولید می‌کرد. این فرآیند بیشتر یک شبیه‌سازی صوری از تعاملات روانشناختی بود تا تحلیل واقعی محتوا.
آن زمان گفته می‌شد که روش الیزا بیشتر به رویکرد کارل راجرز (روانشناسی انسان گرا) نزدیک است (به دلیل تأکید کارل راجرز بر بازتاب‌دادن احساسات و افکار مراجعان در مکالمات درمانی). و از همین حرف می‌شود درک کرد که همین چت بات ساده آن زمان چقدر جدی گرفته می‌شده است.
جالب این‌جاست که در دهه‌های اخیر، در عین اینکه برنامه‌های فراوانی مشابه الیزا و به تقلید از الیزا نوشته شده بودند، اما کسی اجرای کدهای قدیمی الیزای واقعی را ندیده بود.
پس از چند دهه و در آغاز سال ۲۰۲۵، بالاخره عده‌ای نسخه اولیه کدهای الیزا از لابه‌لای کارهای وایزن‌باوم برداشتند و آن را بازسازی کردند. شاید از نظر سطح فنی چندان مهم نباشد، اما از نظر تاریخچه تکنولوژی بسیار ارزشمند است که می‌توانیم اجرای نسخه‌‌ای واقعی و قدیمی از الیزا را بر روی سیستم عاملی که دقیقاً در همان زمان وجود داشته، یعنی نسخهٔ شبیه‌سازی‌شدهٔ CTSS (Compatible Time-Sharing System) ببینیم.
این خبر را New Scientist اعلام کرده و گزارش کامل آن را می‌توانید در فایل PDF با عنوان ELIZA Re-animated بخوانید. کدهای ELIZA-CTSS هم در گیت‌هاب در دسترس است.
پیش از این در معرفی موزه تاریخ کامپیوتر در متمم گفته بودیم که ما اولین نسلی هستیم که آن‌چه را در دوران خود استفاده می‌کردیم و یا نزدیک به دوران معاصرمان استفاده می‌شده، باید در موزه‌ها ببینیم.
اگر به این نوع مباحث علاقه‌مند هستید، احتمالاً درس‌های زیر هم در متمم برایتان جذاب خواهد بود:
عاملیت در هوش مصنوعی (کدام قاضی، ماشین، معلم و جراح را ترجیح می‌دهید؟)
رزومه نویسی با هوش مصنوعی | خطری که اکوسیستم کاریابی را تهدید می‌کند
۱۰ دی, ۱۴۰۳ | تکنولوژی, هوش مصنوعیاخیراً برخی از سایت‌های فعال در زمینهٔ کاریابی، رزومه نویسی با هوش مصنوعی را به مجموعه خدمات خود اضافه کرده‌اند و توضیح‌شان هم این است که «هوش مصنوعی به شما کمک می‌کند رزومه بهتری بنویسید؛ با عبارتهای مناسب‌تر و مهارت‌های جذاب‌تر.»
طبیعتاً برای چنین قابلیت‌هایی توجیه‌های بسیاری وجود دارد. اما با نگاه سیستمی متوجه می‌شویم که این نوع قابلیت‌ها، با وجودی که در کوتاه‌مدت می‌توانند ابزارهای موثری برای بازاریابی باشند، ممکن است در بلندمدت به سازمانها، کارجویان و حتی خود پلتفرم‌های کاریابی لطمه بزنند.
مهارت، چیزی نیست که رزومه‌ساز به کارجو پیشنهاد دهد. بلکه باید کارجو آن را در خود تشخیص دهد و در رزومه‌اش بیاورد.
ممکن است در رد این حرف گفته شود: کارجو مهارت دارد. اما گاهی در زمان نوشتن رزومه حواسش نیست آن را در رزومه بیاورد. اما چنین ادعایی چندان قابل‌دفاع نیست. مهارت‌هایی که در ذهن فرد فعال نیستند، معمولاً چندان عمیق و آگاهانه نیستند و در وجود او تثبیت نشده‌اند.
پس از رواج یافتن استفاده از هوش مصنوعی در رزومه نویسی احتمالاً روندهای زیر تقویت میشوند:
- رزومه‌ها بیش از پیش شبیه هم خواهند شد و کارفرما که پیش از این با توجه به جزئیات رزومه (شیوهٔ چیدمان، انتخاب کلمات و …) می‌تونست تا حدی وضعیت کارجو را برآورد کند، دیگر نمی‌تواند این ظرافت‌ها را معیار قرار دهد.
- تعداد رزومه‌های دریافتی برای هر موقعیت شغلی بیشتر، و جستجوی فرد مناسب، پرهزینه‌تر خواهد شد.
- درصد کسانی که رزومه ارسال میکنند اما در جلسهٔ مصاحبه حاضر نمی‌شوند افزایش خواهد یافت (به علت کاهش اصطکاک فرایندی در اثر کمک هوش مصنوعی)
- در بلندمدت کارایی رزومه برای کاریابی کمتر خواهد شد. ضمن اینکه رضایت کارفرما و متقاضی کار از سرویس‌های کاریابی هم کاهش خواهد یافت.
- هم کارفرما هم کارجو به تدریج به این نتیجه می‌رسند که کمتر به سراغ سرویس‌های کاریابی بروند و دوباره به سراغ روش‌های جایگزین و حتی آلترناتیوهای سنتی خواهند رفت.
- کسانی که برای پیاده‌سازی سرویس هوش مصنوعی مولد در پلتفرم‌هایشان هزینه میکنند، در بلندمدت (افق چندساله) شاهد وضعیتی بدتر از گذشته خواهند بود. احتمالاً این وضعیت باعث میشوند از کارکرد اصلی و هستهٔ کسب و کار خود فاصله بگیرند و وارد بازی‌های جنبی (مثلاً برگزاری “دورهٔ آموزش استخدام‌پذیری” یا فروش “پکیج چندمنظورهٔ افزایش کاریزما در مصاحبه حضوری”) شود.
لازم به تأکید است که این تحلیل به معنای بی‌فایده بودن هوش مصنوعی در پلتفرم‌های کاریابی نیست. بلکه صرفاً به دردسرها و تبعات منفی استفاده از هوش مصنوعی مولد در بخش رزومه نویسی اشاره دارد. حتی در همین بخش هم، اگر آسیب‌شناسی کافی انجام شود، می‌توان از ظرفیت‌های مثبت هوش مصنوعی بهره برد.
لینک این مطلب در کانال تلگرام با متمم
درس مرتبط در متمم: رزومه نویسی
کارکرد اصلی پلتفرم‌ها این است که بتوانند دو طرف را با بیشترین سرعت، کمترین هزینه و پایین‌ترین نرخ خطا به هم برسانند. به این کار Matching (تطبیق دادن دو طرف بازار) گفته می‌شود. نقد بالا به این نکته اشاره دارد که استفاده از هوش مصنوعی، کیفیت Matching را کاهش می‌دهد.
در مجموعه درس‌های پلتفرم در متمم با این موضوع و سایر موضوعات مرتبط با استراتژی پلتفرم‌ها بیشتر آشنا می‌شوید:
ترجمه ماشینی از روسی به انگلیسی | یکی از انگیزه های سرمایه گذاری بر روی هوش مصنوعی در جنگ سرد
۳ دی, ۱۴۰۳ | تکنولوژی, هوش مصنوعیدههٔ پنجاه و شصت میلادی (حدود هفتاد سال پیش) نخستین گام‌ها در هوش مصنوعی برداشته شده و امید زیادی به هوش مصنوعی وجود داشت.
با وجودی که هستهٔ فعالیت‌های هوش مصنوعی در آن دوران بر ترجمه ماشینی (machine translation) استوار نبود و پژوهش‌گران بیشتر بر یادگیری نورونی (Neural Networks) و تحلیل گزاره‌های منطقی (Symbolic Logic) ) متمرکز بودند، چون می‌دیدند دولت‌ها برای ترجمه ماشینی راحت‌تر پول خرج میکنند، این وجه از کاربردهای هوش مصنوعی را پررنگ‌تر می‌کردند (مثل این سال‌ها که کسب‌و‌کارها با هدف جلب توجه دولت و جذب بودجه، جنبهٔ دانش‌بنیان فعالیت‌هایشان را پررنگ‌تر میکنند).
علت علاقه دولت آمریکا و سایر دولت‌های غربی به ترجمه ماشینی این بود که آن‌ها به‌شدت درگیر رقابت با شوروی در جنگ سرد بودند و برایشان مهم بود که اسناد روسی به سرعت به انگلیسی ترجمه شوند. دانشگاهیان هم با توجه به همین شوق، وزارت دفاع و بنیاد علوم و حتی CIA را قانع کرده بودند که می‌ارزد به این کار بودجه اختصاص دهید.
گزارش ALPAC به سفارش دولت آمریکا در سال ۱۹۶۶ منتشر شد. لحن این گزارش بسیار بدبینانه بود. با وجودی که با تیشه به جان ریشهٔ هوش مصنوعی نیفتاده بود، با ظرافت تأکید می‌کرد که دیگر پول بی‌حساب و کتاب در این نوع پروژه‌ها نریزید و اگر هم به گروهی پول می‌دهید، هدف‌های کوتاه‌مدت شفاف و قابل‌اندازه‌گیری برایشان تعیین کنید.
این گزارش بدبینانه “یکی از” عواملی بود که اولین رکود جدی هوش مصنوعی را شکل داد. رکودی که به «زمستان هوش مصنوعی» معروف است.
در فهرست این گزارش (که تصویر آن در ادامه آمده) دو جمله به چشم می‌خورد که کاملاً شفاف نشان می‌دهد تمام دغدغهٔ ترجمه ماشینی، مشخصاً ترجمهٔ اسناد روسی به انگلیسی با استفاده از هوش مصنوعی بوده است:
Time Required for Scientists to Learn Russian
Defense Language Institute Couse in Scientific Russian
لینک این مطلب در کانال تلگرام «با متمم»
#هایلایت #هوش مصنوعی #تکنولوژی
برای آشنایی بیشتر با زمستان هوش مصنوعی و روندها و اتفاقاتی که دو بار در فاصلهٔ دو دهه هوش مصنوعی را به رکود کشاند، درس زیر را که از زیرمجموعه‌های درس علم داده در متمم است بخوانید:
تاریخچه هوش مصنوعی | چگونه از زمستان هوش مصنوعی فاصله بگیریم؟
آینده هوش مصنوعی مولد | پدیدهٔ اشباع
۲۴ آذر, ۱۴۰۳ | تکنولوژی, هوش مصنوعیوقتی به آیندهٔ هوش مصنوعی مولد (Generative AI) و مشخصاً مدل‌های بزرگ زبانی (مثل چت جی‌پی‌تی) فکر می‌کنم، یکی از اصلی‌ترین چالش‌های LLMها را فراگیر شدن‌شان می‌بینم.
وقتی هوش مصنوعی مولد کاربران فعال بسیاری جذب کرده و به ابزار غالب تبدیل شود، در میان‌مدت، بخش قابل‌توجهی از ارزشش را از دست خواهد داد.
برای درک بهتر این اتفاق لازم است با دو پدیدهٔ اثر شبکه‌ای و اثر اشباع آشنا باشید.
مقایسهٔ اثر شبکه‌ای و اثر اشباع
ارزش بعضی از محصولات وابسته به تعداد کاربران‌شان است. یعنی وقتی تعداد کاربران و استفاده‌کنندگان از آن محصول افزایش می‌یابد، ارزش کلی محصول هم بیشتر می‌شود. این اثر را به اسم اثر شبکه‌ای یا Network Effect می‌شناسند و مثال کلاسیکش هم تلفن و ایمیل است (تلفن وقتی ارزش دارد که دیگران هم تلفن داشته باشند و بتوانید به آن‌ها زنگ بزنید؛ ایمیل هم همین‌طور).
اما محصولات دیگری هم هستند که افزایش تعداد کاربران‌شان لزوماً به افزایش ارزش‌شان منجر نمی‌شود. به خودرو فکر کنید. خودرو با تعداد کم یک محصول بسیار خاص و ارزشمند است. حتی اگر فقط یک خودرو در جهان باشد (بر خلاف یک دستگاه تلفن) همچنان ارزش زیاد و برتری غیرمنتظره‌ای برای صاحبش ایجاد می‌کند. ضمن اینکه مشکل جای پارک و ترافیک هم ندارد.
شاید افزایش خودرو تا حدی مفید باشد (کاهش قیمت تمام شده و خدمات بهتر). پررنگ‌ترین اثری که در مورد خودرو مشاهده می‌شود، اثر اشباع (saturation effect) است. اگر همهٔ مردم جهان خودرو داشته باشند، دیگر تقریباً هیچ‌کس به مقصد نمی‌رسد و بسیاری از شهرهای بزرگ به پارکینگ‌های بزرگ تبدیل میشوند.
هوش مصنوعی مولد و اثر اشباع
هوش مصنوعی مولد الان دارد بخش بزرگی از خوراک خود را از محتوای روی وب و شبکه‌های اجتماعی تأمین می‌کند و تغذیه می‌شود. بخشی از این خوراک، رایگان و در دسترس است. بخشی هم به شکل غیرقانونی استفاده می‌شود (مثلاً کتابهایی که نسخهٔ دزدی‌شان در بخش‌هایی از وب در دسترس است).
این خوراک محتوایی فعلی، هر چه هست و با هر روشی که تأمین می‌شود، اخلاقی یا غیراخلاقی، ویژگی مهمی دارد: بخش بسیار زیادی از آن کاملاً انسانی است؛ یعنی محتوای اصیل (authentic) و نه محتوای ساخته‌شده (synthetic).
وقتی تعداد کاربران هوش مصنوعی مولد زیاد شود، طی چند سال، بخش بزرگی از محتوای آنلاین، سینتتیک و ساختگی خواهد شد و سهم محتوای تولیدی انسان در برابر محتوای تولیدی هوش مصنوعی تقریباً به صفر خواهد رسید. و این گاوهایی که ما به “چراگاه محتوا” می‌فرستیم، عملاً به جای خوراک خوب، چیزی را خواهند خورد که قبلاً خودشان دفع کرده‌اند.
همهٔ ضعف‌ها، ایرادها، توهم‌های زبانی (که اجتناب‌ناپذیر، حاصل معماری و لازمهٔ خلاقیت مدل‌های زبانی است) نهایتاً آن‌قدر زیاد تکثیر خواهد شد که خود مدل زبانی هم تحت تاثیر همان‌ها قرار می‌گیرد.
اگر بخواهیم اسم عامی برای این پدیده انتخاب کنیم، اثر اشباع (saturation effect) عنوان مناسبی است. اما اگر عنوان خاص‌تر و دقیق‌تری می‌پسندید، model collapse اصطلاح بهتری است. این اصطلاح را – اگر اشتباه نکنم – اولین بار ایلیا شومایلوف به کار برد.
اگر با دنیای الگوریتم آشنا باشید، احتمالاً اصطلاح The curse of recursion را بیشتر دوست خواهید داشت (نفرین ناشی از حلقه‌های تو در توی ریکرسیو).
آیا این مشکل را می‌شود حل کرد؟ در کوتاه‌مدت عملاً این مشکل حس نخواهد شد. در بلندمدت هم احتمالاً راه‌حل‌هایی پیدا می‌شود. اما در میان‌مدت، قطعاً چالشی جدی است.
به هر حال، مهم این است که حل این مشکل، سخت‌تر از چیزی است که در نگاه نخست به‌نظر می‌رسد. چون انسان‌ها خروجی مدل‌های زبانی را ویرایش، تمیز و گاه بازآفرینی میکنند و ممکن است مدل‌ها به‌سادگی متوجه نشوند که با خروجی خود مواجه هستند.
اگر به این بحث علاقه‌مندید، می‌توانید مقالهٔ شومایلوف و رفقایش را هم دانلود کنید و بخوانید:
AI models collapse when trained on recursively generated data
توضیح
این نوشته نخستین بار در آذر ماه ۱۴۰۳ در کانال تلگرام بامتمم منتشر شده است.
آينده هوش مصنوعی از زبان پیتر تیل
۶ مهر, ۱۴۰۳ | تکنولوژیپیتر ثیل، هم‌بنیان‌گذار شرکتهای پی‌پل و پالانتیر اخیراً در مصاحبه‌ای در مورد آینده هوش مصنوعی پیش‌بینی جالبی انجام داده است (+). او معتقد است که حدود ۱۵ تا ۲۰ سال زمان لازم است تا هوش مصنوعی به شکل Super-dominant همهٔ جهان را به تسخیر خود درآورد.
منظور او از super-dominant، چیزی شبیه غالب شدن اینترنت بر زندگی امروزی ماست. در حدی که برای بسیاری از ما تصور زندگی بدون آن امکان‌پذیر نیست.
او در یک آنالوژی جالب‌توجه، وضعیت هوش مصنوعی در سال‌های ۲۰۲۳ و ۲۰۲۴ را با وضعیت اینترنت در سال ۱۹۹۹ مقایسه می‌کند. این مقایسه از دو منظر حائز اهمیت است:
نخستین وجه این است که در سال ۱۹۹۹ خوش‌بینی بسیار زیادی دربارهٔ اینترنت وجود داشت و سرمایه‌گذاری‌های بی‌حساب و کتاب فراوانی در این حوزه انجام می‌شد. روندی که نهایتاً به ترکیدن حباب دات کام در سال ۲۰۰۰ منتهی شد.
اما وجه دوم این است که اینترنت واقعاً طی دو دههٔ بعد از آن، جهان را دگرگون کرد و به تسخیر خود درآورد. جالب این‌جاست که بعضی از شرکتهای بزرگی که در این دو دهه سر برآوردند، قبل از سال ۲۰۰۰ شکل گرفته بودند (مانند گوگل، مایکروسافت، اپل و آمازون). بنابراین اگر کسی در سال ۱۹۹۹ می‌گفت اینترنت یک تب زودگذر است، شاید در سال ۲۰۰۰ از پیش‌بینی خود احساس غرور می‌کرد. اما دو دهه بعد، باید می‌پذیرفت که پیش‌بینی‌اش نادرست بوده است.
اگر آینده هوش مصنوعی برایتان مهم است و علاقه دارید تحلیلی واقع‌بینانه (نه خوش‌بینانه و نه بدبینانه) از آینده هوش مصنوعی داشته باشید، پیشنهاد می‌کنیم درس زمستان هوش مصنوعی را هم بخوانید. هر چه اتفاق‌های گذشته را بهتر بشناسیم، تحلیل‌مان از آینده عمیق‌تر خواهد بود:
دربارهٔ شرکت پالانتیر درسی در متمم منتشر شده که خواندن آن می‌تواند برایتان مفید باشد. هم‌چنین کتاب از صفر تا یک نوشتهٔ پیتر تیل هم در متمم معرفی و بررسی شده است:
علاوه بر این می‌توانید معرفی پیتر تیل را هم در متمم بخوانید:
اگر جزئيات ماجرای dot com crash و فرو ریختن شرکتهای اینترنتی در سال ۲۰۰۰ را هم نمی‌دانید، درس زیر را بخوانید:
علاوه بر این، اگر به بحث هوش مصنوعی و استفاده از آن در کسب و کارها علاقه‌مند هستید، احتمالاً درس استراتژی همجوشی هم برایتان جذاب خواهد بود:
رگولاتوری برای هوش مصنوعی | اولین گام جدی را اروپا برداشت
۱۳ مرداد, ۱۴۰۳ | اقتصاد, تکنولوژی, سواد دیجیتال, صنایع جهانبالاخره پس از چهار سال بحث و بررسی اتحادیه اروپا قانون مربوط به رگولاتوری هوش مصنوعی را اجرا کرد (+/+). بدین‌ترتیب اروپا اولین منطقهٔ جغرافیایی/سیاسی خواهد بود که نظارت و کنترل دولتی بر هوش مصنوعی را اعمال می‌کند.
با این خبر، پیشتازی اروپا مصداق تازه‌ای شد برای شوخی رایج میان آمریکایی‌ها که می‌گویند: آمریکا مشغول نوآوری، چین سرگرم تقلید و اتحادیه درگیر رگولاتوری است:
US innovates, China imitates, and EU regulates.
اتحادیه اروپا فشار رگولاتوری را بسته به ارزیابی‌اش از ریسک هوش مصنوعی در چند درجه اعمال می‌کند. در ارزیابی ریسک هم به مواردی مثل صنعت، موضوع فعالیت و روش گردآوری داده‌ها توجه می‌شود (+):
کمترین سخت‌گیری‌ها فعلاً در هوش مصنوعی مولد (Generative AI) است و بیشترین سخت‌گیری در سیستم‌هایی که بر اساس داده‌های کاربران، به آن‌ها خدماتی داده یا آن‌ها را از دسترسی به برخی خدمات محروم می‌کند (مثلاً اعطای وام، ارزیابی اعتبار اقتصادی و …).
رگولاتوری همیشه موافقان و مخالفان خود را داشته، اما قطعاً در این مورد، به علت پیچیدگی‌های ذاتی و حساسیت موضوع، مخالفت‌ها و موافقت‌ها بسیار جدی‌ترند.
مخالفان، این شکل از رگولاتوری را مانع نوآوری و به نفع وکلا می‌دانند و معتقدند که این قانون به یک ابزار برای وکلا تبدیل خواهد شد تا هر روز در این‌جا و آن‌جا پرونده‌های تازه‌ای باز کنند (+). موافقان هم، این اقدام را دیرهنگام می‌دانند و معتقدند سیستم حقوقی – که اغلب نسبت به تحولات اجتماعی، فرهنگی و تکنولوژیک عقب است – این بار بیش از حد عقب مانده است. موافقان رگولاتوری، تقریباً همیشه دفاع‌شان این است که قانون بد بهتر از بی‌قانونی است و اگر از ترس قانون بد، قانون‌گذاری نشود، زمینه‌ای برای اصلاح و بهبود قانون هم نخواهد بود.
در این بین، شرکتهای تکنولوژی با جریمه‌های سنگینی که اتحادیهٔ اروپا تعیین کرده (تا ۷٪ کل درآمد جهانی) احتمالاً ترجیح خواهند داد حضور محتاطانه‌تری در اروپا داشته باشند. به‌ویژه این که قوانین در مورد هوش مصنوعی چندان شفاف نبوده و تفسیر‌پذیرند. یعنی کاملاً ممکن است شرکتی امروز به این باور برسد که قوانین رگولاتور را رعایت کرده، اما بعداً چنین تفسیر شود که از این قوانین تخطی کرده است.
در همین راستا منتقدان معتقدند که رگولاتوری اروپاییان این قاره را به خط کندرو در اتوبان پرسرعت هوش مصنوعی خواهد کشاند.
اگر به بحث هوش مصنوعی و استفاده از آن در کسب و کارها علاقه‌مند هستید، احتمالاً درس استراتژی همجوشی هم برایتان جذاب خواهد بود:
تعداد ماهواره های استارلینک و موقعیت آن‌ها در آسمان ایران
۱۶ اردیبهشت, ۱۴۰۳ | تکنولوژی, نجومتا همین چند سال پیش، تعداد ماهواره‌ها در مدار زمین به سرعت امروز تغییر نمی‌کرد. در حدی که می‌توانستید به آمار کتاب‌ها هم – که طبعاً به‌روز نیستند – اعتماد کنید. اما اکنون دیگر چنین نیست.
اگر کسی از شما بپرسد که «اکنون چند ماهواره در مدار زمین در گردش است؟» آمار ماه قبل هم می‌تواند با واقعیت اختلاف چشم‌گیر داشته باشد.
بخشی از این افزایش سریع ماهواره‌ها به خاطر استارلینک، پروژهٔ بلندپروازانهٔ ایلان ماسک است. استارلینک مجموعهٔ بزرگی از ماهواره‌هاست که قرار است مثل یک صورت فلکی بزرگ دور تا دور زمین را پوشش دهند. عملیات این پروژه بر عهدهٔ شرکتی به همین نام (استارلینک) با مسئولیت محدود (و ظاهراً اختیارات نامحدود) است که زیرمجموعهٔ SpaceX محسوب می‌شود.
هم‌اکنون حدود ۶۰۰۰ ماهوارهٔ استارلینک دور زمین در حال گردش هستند (+/+). تعدادی که در آیندهٔ نه‌چندان دور قرار است به ۴۲۰۰۰ عدد برسد.
عمر مفید هر ماهواره استارلینک حدود ۵ سال است و شرکت استارلینک – در صورت حفظ تکنولوژی فعلی – پس از استقرار کل ماهواره‌ها باید به صورت منظم مشغول جایگزینی ماهواره‌های قدیمی باشد.
اگر دوست دارید موقعیت ماهواره‌های استارلینک و به طور خاص تعداد و موقعیت ماهواره های استارلینک در آسمان ایران را ببینید، می‌توانید از سایت satellitemap.space استفاده کنید. دقت کنید که معمولاً وقتی ماهواره‌های استارلینک در مدار قرار می‌گیرند، مشاهده و تشخیص آن‌ها با چشم غیرمسلح ساده نیست. چون شبیه ستارگان به نظر می‌رسند. بهترین شانس برای دیدن ماهواره‌ها زمانی است که به تازگی پرتاب شده‌اند و هنوز به مدار اصلی خود (حدود ۵۵۰ کیلومتر بالای سطح زمین) نرسیده‌اند.
اگر به نجوم و داستان‌های حاشیه‌ای آن علاقه‌مند هستید، می‌توانید چند مطلب از این دست را که در قالب زنگ تفریح در متمم منتشر شده‌اند بخوانید:
سواد رسانه ای – بازار جدیدی برای عرضهٔ خدمات | معرفی گراند نیوز
۱۳ دی, ۱۴۰۲ | تفکر نقاد, تکنولوژی, معرفی سایتما در عصر بمباران خبری هستیم؛ کسی نیست که این گزینه را انکار کند. اما فراوانی خبر و بمباران خبری به معنای دسترسی به اخبار دقیق‌تر و معتبرتر نیست. گاهی چند رسانهٔ غیرمعتبر با بازنشر اخبار یکدیگر، وزن آن خبر را در فضای عمومی افزایش می‌دهند. گاهی هم یک خبر صرفاً به علت جذابیت و نه اعتبار، بر خبرهای مهمی که جذابیت کمتری دارند سایه می‌اندازد.
در دهه‌های اخیر بارها تأکید شده که سواد رسانه ای یکی از ضرورت‌های زندگی در دنیای امروز است. در عین حال این را هم می‌دانیم که همه فرصت ندارند برای تقویت سواد رسانه‌ای خود وقت صرف کنند. به همین علت به نظر می‌رسد در آیندهٔ نزدیک، محصولات مرتبط با سواد رسانه‌ای به بازار جدیدی برای عرضهٔ خدمات تبدیل شوند.
معرفی سایت گراند نیوز – Ground News
سایت گراند زیرو (ground.new) را هارلین کاور (Harleen Kaur) – از مهندسان اسبق NASA – و سوخ سینگ (Sukh Singh) – توسعه‌دهندهٔ نرم‌افزار – در سال ۲۰۱۸ تأسیس کردند. اما اخیراً که تحلیل متن‌ها با استفاده از هوش مصنوعی فراگیر‌تر شده و مردم با ظرفیت‌های این سیستم‌ها آشنا شده‌اند، سرویس آن‌ها رونق بیشتری پیدا کرده است.
کاربران گراند نیوز می‌توانند موضوعات مورد علاقه خود را جستجو کرده و خبرهایی را که در آن زمینه در نشریات مختلف منتشر شده بخوانند. اما ویژگی اصلی گراند نیوز این است که خبرها را بر اساس جهت‌گیری رسانه‌ها (چپ، میانه، راست) دسته‌بندی می‌کند. هم‌چنین گزارشی آماری عرضه می‌کند که نشان می‌دهد هر خبر بیشتر مورد توجه کدام طیف سیاسی بوده است.
به عنوان نمونه اخیراً استعفای «کلاودین گی / Claudine Gay» رئيس دانشگاه هاروارد در میانهٔ جنگ حماس و اسرائیل به خبر مهم رسانه‌ها تبدیل شد. در رسانه‌ها هم‌زمان به یهودی‌ستیزی و نیز اتهام سرقت علمی او اشاره می‌شد:
طبیعتاً چنین خبری با توجه به فضای سیاسی دوقطبی امروز جهان بر سر ماجرای جنگ فلسطین از حساسیت خبری بالایی برخوردار است.
در ادامه تصویر گزارش گراند نیوز را دربارهٔ استعفای «کلاودین گی / Cluadine Gay» رئیس دانشگاه هاروارد می‌بینید:
همان‌طور که مشاهده می‌کنید تیترهای خبری به سه دستهٔ چپ، راست و میانه تقسیم شده و نشان می‌دهد که یک رویداد واحد در رسانه‌های مختلف چگونه پوشش داده شده است. همین سرویس یک جمع‌بندی با عنوان Insight هم عرضه می‌کند و توضیح می‌دهد که چپ‌ها، میانه‌ها و راست‌ها کدام بخش از این رویداد را بیشتر پوشش داده‌اند:
سرویس گراند نیوز صرفاً یک نمونه از سرویس‌هایی است که می‌توانند با تیکه بر نیاز مردم به استفادهٔ اثربخش‌تر از رسانه عرضه شوند.
به نظر می‌رسد سال‌های آینده شاهد موجی از عرضهٔ محصولات و خدمات جدید و راه افتادن استارتاپ‌های تازه در زمینهٔ ارزیابی خبر و رسانه خواهیم بود.
اگر به موضوع سواد رسانه ای علاقه‌مندید، می‌توانید دو درس زیر را در متمم بخوانید. در یکی از آن‌ها معنی سواد رسانه ای شرح داده شده و در دیگری کتاب سواد رسانه ای جیمز پاتر معرفی شده است:
باتری‌های شارژی لیتیوم یون دنیا را تسخیر کرده‌اند
۱۲ دی, ۱۴۰۲ | تکنولوژی, صنایع جهانباتریهای لیتیوم یون یکی از رایج‌ترین انواع باتری‌های شارژی هستند. باتری‌هایی که این روزها در بسیاری از وسایل، از موبایل و لپ‌تاپ گرفته تا خودروهای الکتریکی یافته میشوند.
همان‌طور که می‌دانید، ظرفیت باتری‌های لیتیوم یون را بر حسب «آمپر ساعت» بیان میکنند (میلی آمپر ساعت تا کیلو آمپر ساعت و مگا آمپرساعت). برای اینکه تصور بهتری از این عدد داشته باشید کافی است به خاطر بیاورید که باتری گوشی‌های موبایل متعارف (مثلاً پرچمداران سامسونگ و اپل) حدود ۴۰۰۰ تا ۵۰۰۰ میلی آمپر ساعت است.
شاید برایتان جالب باشد که حدود سی سال قبل، کل بازار جهانی باتری‌های لیتیوم یون حدود ۰/۱۳ مگا وات ساعت بوده است. امروز دو دستگاه خودرو تسلا که کنار هم پارک کرده‌اند مجموعاً حدود ۰/۱۶ مگا وات ساعت ظرفیت دارند و ظرفیت باتری‌های مورد استفاده در سراسر جهان حدوداً ۷۸۰۰۰ مگاوات برآورد می‌شود (+).
جالب این‌جاست که قیمت باتری طی همین سه دهه حدود ۹۷ درصد کاهش داشته است.
بسیاری از مردم بر این باورند که گلوگاه تکنولوژی امروز، برنامه‌ها و الگوریتم‌ها و سنسورها و بسترهای تبادل اطلاعات هستند. اما از یک زاویهٔ نگاه دیگر، باتری‌ها را می‌توان گلوگاه تکنولوژی دانست. اگر روزی ظرفیت باتری‌ها تغییر کرده یا تکنولوژی آن‌ها به کلی عوض شود، احتمالاً جهان هم تغییرات بزرگی را تجربه خواهد کرد.
.
.
وقتی از تحول صنعت در آینده حرف می‌زنیم، مرور توسعه و تکامل صنعت در گذشته هم می‌تواند الهام‌بخش باشد. اگر حوصله داشتید به بحث بازگشت به دنیای نخستین سر بزنید و به این سوال فکر کنید که اگر بشر بخواهد ساخت همه چیز را از صفر (کشف آتش و حتی قبل از آن) شروع کند، ساختن یک خودرو بنز چقدر طول خواهد کشید:
هم‌چنین می‌توانید درس زیر را در متمم بخوانید تا نکاتی را برای مراقبت بهتر از باتری گوشی موبایل و لپ تاپ بیاموزید: