نوشته‌ها

AMD کماکان مشغول توسعه پردازنده غول‌پیکر EHP است

AMD پروژه‌ی بلندپروازانه‌ای برای توسعه‌ی یک پردازنده‌‌‌ی غول‌پیکر و ناهمگن به‌نام EHP دارد که بخشی مهم از فرایندهای تحقیق و توسعه را به آن اختصاص می‌دهد.

حدود چهار سال پیش بود که اولین اخبار از پروژه‌ی AMD EHP یا Exascale Heterogeneous Processor در رسانه‌های سخت‌افزاری منتشر شد. مفهوم کلی پروژه‌ی مذکور،‌ کاملا ساده بود. پردازنده‌‌‌ی حاصل از پروژه، ۳۲ هسته‌ی پردازشی را با پردازنده‌های گرافیکی Greenland و حافظه‌ی HBM در یک بورد ترکیب می‌کرد. اکنون و پس از گذشت چهار سال، AMD به اهداف تولید ۳۲ هسته‌ی پردازشی دست یافته است، اما ساختن APU در چنان ابعادی،‌ هنوز بلندپروازانه به‌نظر می‌رسد. باوجود اینکه برخی کاربران و کارشناسان تصور می‌کنند تیم قرمز، توسعه‌ی پروژه را متوقف کرد، اما اخبار داخلی خبر بهتری برای علاقه‌مندان دارند. پروژه‌ی EHP با قدرت توسعه می‌یابد.

یک حساب کاربری در توییتر به‌نام Underfox باتوجه به اسناد پتنت جدید، ادعا کرد که پروژه‌ی EHP با قدرت هرچه تمام‌تر در مراحل توسعه قرار دارد. درواقع، پکیجی که پردازنده‌‌‌ی EHP در آن قرار خواهد گرفت هم اخیرا به‌نام X3D در رویداد پنجم مارس به نمایش در آمد. اگرچه اکثر اسناد پتنتی، اطلاعات فنی و غیرقابل درک برای کاربر عادی دارند، اسناد جدید AMD اطلاعات و ریزه‌کاری‌های قابل درک و مهمی را از پروژه‌ی در دست توسعه، در اختیار ما قرار می‌دهند. یکی از بخش‌های مهم که باتوجه به اسناد پتنت می‌توان مفاهیم آن را درک کرد، سیستم پویای مدیریت حافظه است.

AMD اخیرا مجموعه‌ای از فناوری‌ها موسوم به Smart Shifting را معرفی کرد که برای مدیریت ساختارهای محدود گرما و قدرت در SoC کاربرد دارند. همین فناوری‌ها، در مدیریت پویای حافظه هم استفاده می‌شوند و در مجموع احتمالا ادامه‌ای بر پروژه‌ی در دست توسعه خواهند بود. همان‌طور که Underfox در توییت اخیر خود اشاره می‌کند، پتنت مدیریت پویای حافظه در پردازنده‌‌‌ی گرافیکی از AMD نشان می‌دهد که آن‌ها درحال توسعه‌ی نسل جدیدی از پردازنده‌های گرافیکی هستند که بیش از همه در پروژه‌ی EHP کاربرد خواهد داشت.

تاکنون پردازنده‌های مرکزی با هسته‌های پردازشی بسیار زیاد تا ۶۴ هسته مبتنی بر فلسفه‌ی MCM توسط AMD ساخته شده‌اند. ازطرفی تیم قرمز هنوز توانایی توسعه‌ی چنین محصولاتی در دسته‌ی پردازش گرافیکی را ندارد. درنهایت، اگر پردازند‌ی مرکزی مبتنی بر MCM را با پردازنده‌‌‌ی گرافیکی مبتنی بر همان فناوری روی یک بورد X3D ترکیب کنیم، به تراشه‌ای غول‌پیکر دست خواهیم یافت که برای نسل‌های آتی صنعت دیتاسنتر مفید و کاربردی خواهد بود. اگرچه هنوز خبری از خوشه‌های بزرگ ابرکامپیوتری در ابعاد بسیار بزرگ نیست (به‌جز پروژه‌ی پردازش توزیع‌شده‌ی Folding@Home) ، اگر پروژه‌ی EHP به نتیجه برسد، شاهد رشد استفاده از سیستم‌های آن‌چنانی خواهیم بود و در ادامه، کاهش قیمت هم در بازار هدف، ممکن می‌شود.

AMD EHP

اگر به طراحی‌های قدیمی AMD برای پروژه‌ی EHP نگاه کنیم، متوجه می‌شویم که شرکت با بهره‌مندی از پلتفرم‌های Rome و Naples خود، نیمی از راه را پیموده است. درواقع آن‌ها با دستیابی به ۳۲ هسته‌ی پردازشی در پلتفرم‌های مذکور، در همان زمان دستاورد بزرگی در صنعت پردازش کسب کرد. به‌همین دلیل می‌دانیم که حتی اگر پتنت‌های جدید درنهایت در پروژه‌ی EHP به‌کار گرفته نشوند، شاید روزی در محصولات مخصوص مصرف‌کننده کاربرد داشته باشند. به‌هرحال کارشناسان امیدوار هستند که AMD تا یکی دو سال آینده، طراحی مبتنی بر MCM را به بازار عرضه کند و در آن زمان، ساخت محصول نهایی EHP دور از انتظار نخواهد بود.

از نکات دیگری که می‌توان از پتنت‌های جدید AMD استخراج کرد، رویکرد همه‌جانبه‌ی شرکت به‌سمت یادگیری عمیق در شتاب‌دهی هوش مصنوعی است. حفظ انسجام در شبکه‌های یادگیری عمیق و کاهش تأخیر، کلید توسعه‌ی تراشه‌های تجاری محسوب می‌شود. اسناد جدید نشان می‌دهد که احتمالا پروژه‌ی EHP تیم قرمز در این حوزه نیز حرف‌های زیادی برای گفتن خواهد داشت. به‌هرحال متخصصان دنیای سخت‌افزار با نگاهی عمیق‌تر به جزئیات پتنت منتشرشده، قطعا متوجه برتری‌های پروژه می‌شوند.

اینتل اکنون در مسیر توسعه‌ی پردازنده‌‌‌ی گرافیکی مبتنی بر MCM قرار دارد که احتمالا ه‌نام Intel Xe HP شناخته می‌شود. به‌همین دلیل می‌توان پیش‌بینی کرد که AMD هم کار روی طرح اختصاصی خود را شروع کرده باشد. درنهایت نبرد در حوزه‌ی MCM GPU دیگر فراتر از احتمال رفته است و یک امر حتمی محسوب می‌شود. با کاهش ابعاد قالب‌های تکی و افزایش بهره‌وری مقیاس‌دهی، کاهش هزینه‌ی قدرت پردازشی دور از انتظار نیست. به‌هرحال نوآوری همیشه فاکتوری مهم و حیاتی در پیش‌برد این نوع از رقابت ها محسوب می‌شود و با ورود اولین محصول نهایی به بازار، می‌توان جهشی عظیم را در رقابت انتظار داشت.

منبع: zoomit.ir

گوگل از داده‌های مکانی کاربران برای بررسی رعایت سیاست‌های قرنطینه خانگی استفاده می‌کند

گزارش گوگل از داده‌های مکانی با تقریب خوبی نشان می‌دهند که کدام مناطق شهری، سیاست قرنطینه‌سازی برای جلوگیری از شیوع ویروس کرونا را بهتر رعایت کرده‌اند.

گوگل از داده‌های مکانی کاربران برای بررسی رعایت سیاست‌های قرنطینه خانگی استفاده می‌کند

گوگل با بهره‌گیری از داده‌های مکانی گوشی‌های هوشمند، به کمک مقام‌های مسئول سلامت در ایالات متحده می‌آید و واکنش مردم در تغییر رفتار برای جلوگیری از شیوع بیشتر ویروس کرونا را بررسی می‌کند. غول موتور جست‌وجو در پست وبلاگی جدیدی خبر از عرضه‌ی سرویس COVID-19 Community Mibility Report داد که به همین منظور توسعه یافته است.

کاربرانی که اجازه‌ی ذخیره و بررسی داده‌های مکانی را با ورود به تنظیمات بخش Location History به گوگل بدهند، در پروژه‌ی جدید بررسی تغییر رفتار وارد می‌شوند. گوگل باتوجه به داده‌های به‌دست آمده، سطح پاسخگویی و رعایت سیاست‌های جدید را ازسوی مردم بررسی می‌کند.

گوگل در پست وبلاگی مرتبط با معرفی سرویس جدید نوشت:

با افزایش شیوع همه‌گیری بیماری کووید ۱۹، تمرکز زیادی روی استراتژی‌های کاربردی سلامت عمومی معطوف شد. از میان آن‌ها می‌توان به رویکرد فاصله‌گذاری اجتماعی اشاره کرد که سرعت شیوع را کاهش می‌دهد. ما در سرویس گوگل مپس، از داده‌های بدون هویت و تجمیع‌شده برای شناسایی مکان‌های شلوغ استفاده می‌کنیم. چنین روشی می‌تواند در مواردی همچون پیش‌بینی شلوغ شدن یک کسب‌وکار محلی، کارساز باشد. ما از مقام‌های دولتی شنیدیم که همین نوع از داده‌های تجمیعی، برای تصمیم‌گیری‌های حیاتی در ارتباط با مقابله با کووید ۱۹ هم مفید خواهند بود.

سیستم گزارش جدید گوگل برای همه در دسترس قرار دارد و درحال‌حاضر ‍۱۳۱ کشور در سرتاسر جهان را پوشش می‌دهد. در برخی مناطق کاربران امکان مشاهده‌ی گزارش‌های جزئی‌تر از مناطق داخلی را هم دارند. پس از انتخاب منطقه توسط کاربر، گوگل یک فایل PDF حاوی اطلاعات مرتبط با جمعیت همان منطقه در اختیار او قرار می‌دهد. گوگل فایل‌های PDF را به این دلیل به صفحات وب ترجیح می‌دهد که قابلیت دانلود و اشتراک‌گذاری بیشتری دارند.

داده مکانی گوگل ویروس کرونا

گزارش‌های گوگل در ارتباط با هر منطقه، شامل الگوهای حرکتی در ۶ دسته‌بندی می‌شود:

  • خرده‌فروشی و تفریح که شامل رستوران‌ها، کافی‌شاپ‌ها، مراکز خرید، پارک‌های سرگرمی، موزه‌ها، کتابخانه‌ها، سالن‌های سینما و مکان‌های مشابه می‌شود.
  • خواروبار و دارو که شامل سوپرمارکت‌ها، انبارهای غذا، فروشگاه محصولات کشاورزی، فروش غذاهای خاص و داروخانه‌ها می‌شود.
  • پارک‌ها که شامل ساحل‌های عمومی، تفرجگاه‌ها، پارک‌های تفریحی، و مکان‌‌های عمومی مشابه می‌شود.
  • ایستگاه‌های حمل‌ونقل که شامل ایستگاه‌های مترو و اتوبوس شهری می‌شود.
  • مناطق اداری
  • مناطق مسکونی

با نگاه به نمونه‌ای اولیه از گزارش گوگل مخصوص منطقه‌ی کالیفرنیا، اطلاعات جالب‌توجهی از رعایت سیاست قرنطینه‌ی خانگی استخراج می‌شود. سیاست قرنطینه‌ی خانگی و تعطیلی کسب‌وکارهای غیرالزامی از ۱۹ مارس در این ایالت اجرا شد و به‌خوبی می‌توان کاهش جمعیت در مراکز خرده‌فروشی، تفریحی و حمل‌ونقل را در گزارش مشاهده کرد. همین گزارش، افزایش حضور در خانه را هم نشان می‌هد. داده‌های گوگل برای هر گزارش، تاریخچه‌ی ۴۸ تا ۷۲ ساعت قبل هر کاربر را مورد بررسی قرار می‌دهد و برای مقایسه، وضعیت کنونی را با داده‌های ماه ژانویه مقایسه می‌کند.

سرویس جدید گوگل در واکنش به افزایش روزافزون تقاضای دولت‌ها از شرکت‌های فناوری راه‌اندازی شد که اشتراک داده‌های بیشتر را برای مقابله با ویروس کرونا از این شرکت‌ها می‌خواهند. چند روز پیش هم وال استریت ژورنال در گزارشی از اقدام مشابه شرکت‌های تبلیغات دیجیتال صحبت کرد. این شرکت‌ها نیز داده‌های تجمیعی بدون هویت را با مراکز پیشگیری و درمان همچون CDC و مقام‌های ایالتی و فدرال به اشتراک می‌گذارند. فیسبوک هم در اقدامی مشابه، داده‌های خود را در اختیار محققان دانشگاهی قرار داد.

مدیران گوگل در مصاحبه پیرامون سرویس جدید می‌گویند هدف از راه‌اندازی آن، کمک به مقام‌های مسئول سلامت برای واکنش بهتر و سریع‌تر به مناطق با نیاز بیشتر بوده است. به‌عنوان مثال، گزارش گوگل به یک مقام محلی در یک شهر نشان می‌دهد که سیاست قرنطینه‌ی خانگی موفق نبوده است و مردم هنوز از پارک‌های عمومی استفاده می‌کنند. یا شاید پارک‌های تفریحی به‌خوبی مدیریت شده‌اند، اما مراکز حمل‌ونقل عمومی به‌خاطر بازگشایی کسب‌وکارها، هنوز شلوغ هستند. همین اطلاعات، قدرت تصمیم‌گیری را برای سیاست‌ها و اعمال قوانین آتی، افزایش می‌دهد.

داده مکانی گوگل ویروس کرونا

مشاهده و مطالعه‌ی کلی گزارش‌هایی همچون گوگل و داده‌های مشابه، شاید در واکنش عملی به شیوع کووید ۱۹ آن‌چنان هم ارزشمند نباشد. درواقع کارشناسان می‌گویند تنها تغییر در رفتار مردم و سیاست‌هایی همچون فاصله‌گذاری اجتماعی کافی نیست. کشورهایی که موفقیت بیشتری در کنترل بیماری داشته‌اند، علاوه بر اجرای سیاست قرنطینه‌ی خانگی، آزمایش‌گیری همه‌جانبه از شهروندان و کنترل تردد دقیق آن‌ها را در پیش گرفته‌اند. به‌عنوان مثال تایوان با بهره‌مندی از داده‌های موقعیتی کاربران، نوعی فنس الکترونیکی برای آن‌ها ایجاد می‌کند تا از خروج بی‌مورد از خانه جلوگیری شود. کنترل افرادی که با یک فرد بیمار در تماس بوده‌اند هم از سیاست‌های موفق در این کشورها بوده است.

دولت‌ها برای پیشگری بهتر از شیوع ویروس کرونا، به داده‌های تجمیعی شرکت‌های فناوری نیاز دارند

گزارش گوگل، هیچ‌گونه اطلاعات شخصی قابل شناسایی را در اختیار مقام‌ها قرار نمی‌دهد و همچنین نمی‌توان تعداد دفعات مراجعه‌ی یک نفر به مکانی خاص را از آن‌ها استخراج کرد. گوگل همچنین می‌گوید بنا به درخواست مقام‌های سلامت عمومی، اطلاعات بیشتری را برای بررسی رفتار مردم و ارتباط آن‌ها ارائه می‌کند. به‌عنوان مثال با استفاده از داده‌های مکانی یک نفر می‌توان تاحدودی افراد پیرامون او در زمان ابتلا به کووید ۱۹ را تاحدودی شناسایی کرد. البته درنهایت داده‌های گوگل آن‌قدر دقیق نیستند که نزدیک شدن افراد در فاصله‌ای کمتر از فاصله‌ی مجاز سلامت را بررسی کنند. درنهایت، خطاهای متعددی در این بخش وجود دارد و نمی‌توان با اطمینان کافی، ارتباط و اتصال افراد را از آن استخراج کرد.

گوگل با استفاده از داده‌های موقعیت مکانی، علاوه بر اطلاعات بالا، جزئیاتی از شلوغ بودن بیمارستان‌ها و دیگر مراکز درمانی ارائه می‌کند. البته گزارش مذکور، توانایی تشخیص جمعیت بین کارمندان مرکز درمانی و بیماران و ملاقات‌کننده‌ها را ندارد. درنتیجه داده‌های این بخش هم ارزش زیادی نسبت به بخش‌های دیگر ندارد. به‌هرحال شرکت تصمیم دارد تا گزارش‌ها را در آینده به‌روزتر و دقیق‌تر کند، اما تقویم زمانی خاصی برای ارتقاء گزارش‌ها ارائه نشده است.

از فعالیت‌های دیگر گوگل در کمک به مقابله با شیوع ویروس کرونا می‌توان به همکاری با اپیدمیولوژیست‌ها در به‌روزرسانی دیتاست بیماران مبتلا به کرونا اشاره کرد. این دیتاست به‌مرور به‌روزرسانی می‌شود و با داده‌های بدون هویت تجمیعی، روند شیوع بیماری را پیش‌بینی می‌کند.

منبع: zoomit.ir

 

دنیاگیری کووید ۱۹؛ بحرانی که ربات‌ها می‌توانند به حل آن کمک کنند

ربات‌ها می‌توانند به پزشکان کمک کنند تا از بیماران فاصله بگیرند و به افراد در انزوا نیز کمک کنند تا شرایط را تحمل کنند؛ اما وارد کردن این ماشین‌ها به بیمارستان‌ با مشکلات زیادی همراه است.

ربات‌های پیچیده و هوش مصنوعی، به‌جای جایگزینی کامل انسان‌ها، درحال تقویت نیروهای انسانی هستند. اگرچه خوب است که بتوانیم از پزشکان و پرستاران با واگذار کردن وظایف بیشتر به ربات‌ها، محافظت کنیم، خودکار کردن بخش‌هایی از پزشکی دشوار است. این کار اساسا یک وظیفه‌ی انسانی است و به مهارت‌های حرکتی خوب، دلسوزی و تصمیم‌گیری سریع نیاز دارد که تعیین‌کننده‌ی مرگ یا زندگی افراد است. ما نمی‌خواهیم چنین تصمیماتی را به ماشین‌ها واگذار کنیم.

اما دنیاگیری کووید ۱۹ فرصتی بی‌نظیر برای حرکت سریع درجهت توسعه‌ی فناوری‌های ربات‌های پزشکی است. ده‌ها متخصص رباتیک در سرمقاله‌ای که به‌تازگی در مجله‌ی Science Robotics منتشر شده است، به این موضوع پرداخته‌اند. گوانگ ژونگ‌یانگ یکی از نویسندگان سرمقاله و نیز سردبیر مجله‌ی مذکور در یک کنفرانس مطبوعاتی گفت:

مردم شروع به تامل درمورد این موضوع کرده‌اند که در موقعیت‌هایی مانند این، ربات‌ها نه‌تنها می‌توانند در امر فاصله‌گیری اجتماعی مورد استفاده قرار گیرند بلکه همچنین ازنظر افزایش تعاملات اجتماعی نیز کاربرد دارند.

سرمقاله‌ی جدید درواقع فراخوانی است که خواستار انجام پژوهش‌های بیشتر در زمینه‌ی ربات‌های پزشکی است. یانگ و همکارانش در این سرمقاله نوشتند:

رباتیک و اتوماسیون می‌تواند نقش مهمی در مبارزه‌با بیماری‌های عفونی مانند کووید ۱۹ داشته باشد. ربات‌ها دارای پتانسیل استفاده برای ضدعفونی، تحویل دارو و غذاها، اندازه‌گیری علائم حیاتی و کمک به کنترل مرزها هستند. با تسریع دنیاگیری، نقش‌های بالقوه‌ی رباتیک بیشتر آشکار می‌شود.

علاوه‌براین، ربات‌ها نوعی پزشکی از راه دور را مقدور می‌سازند که انسان‌ها را از مناطق آلوده دور نگه می‌دارد. به‌گفته‌ی پژوهشگران:

کووید ۱۹ می‌تواند همچون عامل تسریع‌کننده‌ی توسعه‌ی سیستم‌های رباتیکی عمل کند که بتوانند به‌سرعت و از راه دور و بدون نیاز به رفتن به خطوط مقدم، توسط کارشناسان و ارائه‌دهندگان خدمات اساسی به کار گرفته شوند.

نکته‌ی طعنه‌آمیز دنیاگیری ویروس کرونا این است که متخصصان پزشکی بهتر از هر کسی می‌دانند که فاصله‌گیری اجتماعی برای کاهش نرخ عفونت‌های جدید ضروری است اما بااین‌حال مجبورند بیش از همه به بیماری نزدیک باشند. همچنین کسانی که شاید بیش از هر کسی نیاز به تعامل اجتماعی دارند، یعنی سالخوردگان، کسانی هستند که بیش از همه لازم است جدا شوند؛ زیرا بیش از دیگران دربرابر بیماری حساس هستند. اما اگر ماشین‌ها بتوانند در امر مراقبت از بیماران کمک کنند، احتمال ابتلای مراقبان انسانی به عفونت کاهش پیدا می‌کند.

برای مثال، ربات‌های خودمختار می‌توانند در اتاق‌ها پرسه بزنند و سطوح را با استفاه از نور فرابنفش ضدعفونی کنند. ربات‌ها همچنین می‌توانند مانند ربات تاگ (Tug)، لوازم مورد نیاز را تحویل دهند. هوش مصنوعی می‌تواند به تشخیص مبتلایان کووید ۱۹ کمک کند. نویسندگان سرمقاله نیز پیشنهاد می‌کنند که مهندسان می‌توانند ربات‌های سیاری را برای انجام کارهای ساده‌ای مانند اندازه‌گیری دمای بدن بیمار توسعه دهند. این فناوری‌ها می‌تواند از فشار وارده بر انسان‌های ارائه‌دهنده‌ی مراقبت‌های بهداشتی کم کند و به آن‌ها کمک کند تا از افراد آلوده فاصله بگیرند. این امر می‌تواند به برطرف کردن تگناهای آینده که در آن کارکنان زیادی پس از مواجهه‌با افراد عفونی، بیمار یا قرنطینه می‌شوند و نیروی کار کافی برای مراقبت از بیماران وجود ندارد، کمک کند.

کیت دارلینگ، متخصص رباتیک که در سرمقاله مشارکتی نداشته است، می‌گوید نمونه‌های زیادی وجود دارد که در آن ماشین‌ها به انسان در انجام وظایفشان کمک می‌کنند. او می‌گوید دستگاه‌های خودپرداز به بانک‌ها این امکان را داده است که خدمات پرداخت خود را گسترس دهند. ربات‌های دفع بمب به سربازان کمک می‌کنند که از خطر بیشتر فاصله بگیرند. مواردی وجود دارد که اتوماسیون جایگزین انسان می‌شود اما پتانسیل حقیقی رباتیک در تکمیل مهارت‌های ما است. ما باید تلاش برای جایگزینی را متوقف کنیم و درمورد نحوه‌ی استفاده از فناوری برای دستیابی به اهدافمان خلاقانه‌تر فکر کنیم.

تصور آینده‌ای که در آن ربات‌های تحویل‌دهنده غذا و لوازم را به خانه‌ی افراد قرنطینه می‌رسانند و مانع از این می‌شوند که کارکنانِ تحویل با تماس با آن‌ها آلوده شوند، دشوار نیست. افراد قرنطینه‌شده درحال‌حاضر با استفاده از برنامه‌های تماس ویدئویی با دوستان و خویشاوندان خود در ارتباط هستند، اما ربات‌های اجتماعی در غیاب همتایان انسانی، می‌توانند مردم را از تنهایی درآورند.

ربات‌های دورحضوری (حضور از راه دور) که اغلب به‌سادگی یک صفحه‌ی نمایش روی چرخ طراحی شده‌اند، برای کمک به اعضای خانواده برای تماس با سالخوردگان در آسایشگاه‌ها شروع به کار کرده‌اند. در بیمارستان‌ها، چنین ربات‌هایی می‌توانند موجب ارتباط پزشکی که مثلا در لندن قرار دارد با بیماری که در آمریکا به سر می‌برد، شوند.

البته یکی از مشکلات اساسی رباتیک بیمارستان، نیاز به تعامل حساس بین پزشک و بیمار است. پزشک باید بیمار را زنده نگه داشته و درعین‌حال در دوران سخت با او همدلی کند. ربات‌ها این گونه نیستند. اینکه یک ربات تا چه اندازه می‌تواند از عهده‌ی وظیفه‌ی کارکنان بخش پزشکی برآید تا حدودی بستگی به این موضوع دارد که آیا او می‌تواند تعامل انسانی را جایگزین کند یا اینکه فقط انتقال‌دهنده‌ی این تعامل است. به‌عبارت دیگر، آیا ربات فقط به‌عنوان واسطه‌ای برای پزشک یا دیگر کارکنان مراقبت‌های بهداشتی یا متخصصان عمل می‌کند یا اینکه قرار است خود ربات وظیفه‌ای را انجام دهد؟

جولی کارپنتر متخصص رباتیک و پژوهشگر گروه اخلاق و علوم نوظهور در دانشگاه ایالتی کالیفرنیا که در سرمقاله‌ی جدید مشارکتی نداشته است، می‌گوید:

یقینا اینکه کاری کنیم آن‌ها برای انسان ترسناک نباشند، مهم است.

مثلا ربات تاگ را درنظر بگیرید. این ربات کم‌و‌بیش مانند جعبه‌ای است که به‌طور خودمختار در راهروهای بیمارستان پرسه می‌زند و اگر منتظر آسانسور باشد با صدایی دوستانه به شما می‌گوید. ممکن است لازم باشد که یک ربات بسیار بزرگ باشد تا بتواند بیمار را بلند کند؛ اما در این حالت اندازه‌ی آن ممکن است ترسناک باشد. کاهش استرس روانی فرد به‌خصوص در سناریوهای مراقبت، باید بخش مهمی از طراحی ربات‌ها باشد.

مهندسان همچنین هنگام طراحی ربات‌های پزشکی باید کارکنان بیمارستان را که تاکنون با آن‌ها کار نکرده‌اند، مورد توجه قرار دهند. هنریک کریستنسن یکی از نویسندگان سرمقاله می‌گوید:

آن‌ها به‌وسیله‌ی مهندسان و برای مهندسان طراحی شده‌اند. پرستاران و پزشکان درحال‌حاضر تحت استرس قرار داشته و زمان زیادی ندارند. اگر به آن‌ها بگویید که آموزش استفاده از ربات دو ساعت طول می‌کشد، احتمالا آن‌ها را از دست می‌دهید. ما امروزه هنوز به اندازه‌ی کافی در طراحی ربات‌هایی که واقعا روان باشند، خوب نیستیم.

یکی از ایده‌های جسورانه حاصل‌از کنفرانس مطبوعاتی Science Robotics راه‌اندازی رقابتی برای ساخت ربات‌های پزشکی بود. برای مثال، دارپا در سال ۲۰۱۵ رقابت رباتیکی را برگزار کرد که در آن ماشین‌های انسان‌نما را مقابل یکدیگر قرار داد و به میزان زیادی پژوهش درمورد استقلال ربات‌ها را پیش برد. اکنون دارپا درحال اجرای چالش دیگری است برای ربات‌هایی که در محیط‌های زیرزمینی به کاوش مشغول می‌شوند. کریستنسن می‌گوید:

پس چرا یک چالش رباتیک در بیمارستان راه‌اندازی نکنیم؟ بدون تردید، این راهی از نوآوری جمع‌سپاری است.

منبع: zoomit.ir

دستاورد جدید هوش مصنوعی: تبدیل سیگنال‌های مغز به متن با دقت ۹۷ درصد

دانشمندان به تازگی موفق به توسعه سیستم هوش‌مصنوعی جدیدی شده‌اند که می‌تواند سیگنال‌های مغز انسان را با دقت ۹۷ درصد به متن تبدیل کند.

برای اولین بار شاهد توسعه سیستمی با این میزان دقت هستیم. محققان دانشگاه کالیفرنیا، سانفرانسیسکو (UCSF) به چنین موفقیتی دست پیدا کرده‌اند. برای افزایش دقت این سیستم، این تیم توسط جراح مغز و اعصاب، «ادوارد چانگ» سرپرستی شده. در این تحقیق روش جدیدی برای رمزگشایی الکتروکورتیکوگرام مورد استفاده قرار گرفت: پالس‌های الکتریکی که در طی فعالیت قشر مغز ایجاد می‌شوند، توسط الکترودهای کاشته شده در مغز جمع‌آوری شدند.

در این تحقیق جدید چهار بیمار مبتلا به صرع با استفاده از ایمپلنت‌هایی برای نظارت بر تشنج، مورد بررسی قرار گرفتند. تیم دانشگاه UCSF به بیماران گفته بود تعدادی جمله را با صدای بلند بخوانند و تکرار کنند. طی این آزمایش، الکترودها فعالیت مغز را جمع‌آوری کردند.

اطلاعات جمع‌آوری شده وارد یک شبکه عصبی شد. این شبکه عصبی وظیفه تحلیل الگوهای درون فعالیت مغز متناسب با گفتارهای خاص مانند حروف صدادار، صامت‌ها یا حرکات دهن بر اساس صداهای ضبط شده طی آزمایش را برعهده داشت.

پس از این کار، شبکه عصبی دیگری این اطلاعات که از تکرار ۳۰ تا ۵۰ جمله جمع‌آوری شده بود، رمزگشایی کرد. در حقیقت هدف از این کار، پیش‌بینی جملات اصلی تحلیل شده توسط شبکه عصبی اول، در شبکه عصبی دوم بود.

این تحقیق نشان داد سیستم هوش‌مصنوعی توسعه پیدا کرده می‌تواند سیگنال‌های مغز را با ۳ درصد خطا به متن تبدیل کند. در شرایط آزمایشگاهی برای اولین بار چنین دقتی ثبت شده است. تیم دانشگاه UCSF نمونه‌ای از جملاتی که این سیستم به اشتباه تشخیص داده را منتشر کرده. برای مثال جمله «این موزه هر عصر موسیقی‌دان استخدام می‌کند»، توسط هوش‌مصنوعی «این موزه هر صبح گران‌قیمت موسیقی‌دان استخدام می‌کند» پیش‌بینی شده است.

منبع: digiato.com

اینتل قدرتمندترین سیستم تحقیقاتی نورومورفیک را معرفی کرد

اینتل سیستم تحقیقاتی نورومورفیک جدیدی معرفی کرده که ظرفیتش ۱۰۰ میلیون نورون و متشکل از ۷۶۸ تراشه‌های نورومورفیک Loihi است.

اینتل جدیدترین و قدرتمندترین سیستم تحقیقاتی نورومورفیک (عصب‌گون) خود، Pohoiki Springs را معرفی کرد. این شرکت ظرفیت سیستم تحقیقاتی نورومورفیک یادشده را تا ۱۰۰ میلیون نورون افزایش داده است. Pohoiki Springs سیستم پایگاه داده‌ی نصب‌شده روی قفسه و متشکل از ۷۶۸ تراشه‌ی تحقیقاتی نورومورفیک Loihi است که در یک‌جا و درون شاسی به‌مراتب بزرگ‌تر از شاسی استاندارد سرور قرار گرفته‌‌اند. Pohoiki Springs بسیار بزرگ‌تر از سیستم نورومورفیک پیشین اینتل، یعنی Kapoho Bay است که با داشتن دو تراشه‌ی Loihi، از ۲۶۲ هزار نورون دیجیتال بهره می‌برد.

تراشه‌های نورومورفیک درقیاس‌با سایر پردازنده‌های تیم آبی بسیار متفاوت هستند و برای تقلید از مغز انسان طراحی شده‌‌اند. چنین امکانی با پایه‌سازی تراشه‌ها برمبنای عصب‌شناسی محقق شده است. به‌جای تکانه‌های عصبی (Nerve impulse) که شوک‌های الکتریکی ارسال‌شده به مغز هستند، تراشه‌های نورومورفیک اینتل تغییرات منحصر به خودشان را دارند که تیر (Spike) نامیده می‌شود. طراحی این تراشه‌ها به‌عنوان مقلدی از مغز انسان سبب شده است آن‌ها داده‌های پردازش‌نشده یا نویزدار را به‌صورت بی‌درنگی اجرا کنند؛ ولی برای پردازنده‌های معمولی اجرای چنین داده‌هایی بسیار وقت‌گیر است.

سیستم‌های تحقیقاتی نورومورفیک در درجه‌ی اول در پایگاه‌های داده استفاده قرار می‌شوند؛ یعنی پلتفرم‌هایی که برای ایجاد تغییر در تفاوت‌ها طراحی شده‌اند و برای مثال محدودیت‌ها و مشکلات را رفع می‌کنند. مشکلات یادشده می‌تواند وظایف ساده‌ای همچون برنامه‌ریزی برای تحویل بسته یا مشکلات پیچیده‌ای مانند تخصیص سبد سهام یا کاهش ریسک نرخ بازگشت سرمایه باشد.

باتوجه‌به اینکه اینتل ظرفیت سیستم نورومورفیک را افزایش داده و تعداد تراشه‌های مجتمع Loihi را از ۲ به ۷۶۸ رسانده است، سیستم‌های این شرکت امکان یافته‌اند مشکلات پیچیده‌تر را بهتر حل کنند. درکنار افزایش قدرت پردازشی، سیستم جدید تیم آبی فقط ۵۰۰ وات توان مصرفی دارد که برای ۷۶۸ تراشه‌ی پردازشی Loihi بسیار پربازده است.

سیستم جدید نورومورفیک می‌تواند در یادگیری عمیق هوش مصنوعی کاربرد داشته باشد و نه‌تنها اطلاعات را سریع‌تر پردازش کند؛ بلکه بخش‌های مختلفی از اطلاعاتی را محاسبه کند که در آن لحظه موردنیاز انسان است. درحالی‌که برای به‌روزرسانی سیستم نورومورفیک اینتل، تنها ۷۶۸ تراشه‌ی Loihi اضافه شده، از نظر تئوری، عملکرد مغز انسان تقریبا برابر با ۶۵۰ هزار تراشه‌ی Loihi است. درحال‌حاضر، سیستم جدید نورومورفیک نمی‌تواند با مغز انسان رقابت کند؛ ولی به‌روزرسانی‌های گسترده‌ی اینتل نشان می‌دهد در آینده، ممکن است سیستم‌های نورومورفیک بیش‌ازپیش رشد کنند.

منبع: zoomit.ir

کوالکام پردازنده‌های جدید اسنپدراگون ۷۲۰G و ۶۶۲ و ۴۶۰ را معرفی کرد

کوالکام محصولات جدید اسنپدراگون خود در دسته‌ی میان‌رده و پایین‌رده را معرفی کرد که جایگزین خانواده‌ی اسنپدراگون ۶۰۰ و ۴۰۰ خواهند شد.

کوالکام در دسامبر ۲۰۱۹ و در رویداد Snapdragon Tech Summit، پردازنده‌های جدید موبایلی خود را معرفی کرد. اسنپدراگون ۸۶۵ و ۷۶۵ و ۷۶۵G که در آن رویداد معرفی شدند، در دسته‌ی میان‌رده به بالای محصولات قرار می‌گرفتند. درواقع محصولات جدید جایگزین پرچمدارانی همچون اسنپدراگون ۸۵۵ و +۸۵۵ بودند و همچنین نیازهای میان‌رده و مبتنی بر کارایی را پوشش می‌دادند که قبلا نمونه‌های ۷۳۰ و ۷۳۰G در آن دسته وجود داشتند.

سهم عمده‌ای از مشتریان کوالکام از تراشه‌های میان‌رده‌ی سری ۶۰۰ و ۴۰۰ استفاده می‌کنند و خصوصا بازارهای روبه‌رشدی همچون هند و چین و دیگر مناطق جنوب‌شرقی آسیا، مشتریان زیادی برای این دسته دارند. کوالکام برای پاسخ به همین نیازها سه مدل جدید پردازنده معرفی کرد که به‌ نام‌های Snapdragon 720G و Snapdragon 662 و Snapdragon 460 به بازار عرضه خواهند شد و جایگزین نمونه‌های موجود در دسته‌ی پایین و میان‌رده هستند. رونمایی محصولات جدید، در رویدادی در دهلی نو انجام شد.

از قابلیت‌های جدید محصولات تازه‌ی کوالکام می‌توان به پشتیبانی از WiFi ۶، بلوتوث ۵/۱، GNSS با فرکانس دوگانه با هدف موقعیت‌یابی دقیق، بازدهی قدرت بالاتر و قابلیت‌های هوش مصنوعی بهینه اشاره کرد. کوالکام اعتقاد دارد مشتریان دسته‌ی میان‌رده و پایین‌رده هنوز زمان زیادی تا به‌کارگیری از ۵G فاصله دارند. درنتیجه تنها همان اتصال ۴G در این تراشه‌ها بهبود یافته است. به‌عنوان مثال در مدل ۷۲۰G شاهد پشتیبانی از VoLTE دوگانه هستیم.

 

کوالکام اسنپدراگون ۷۲۰G

حرفه‌ای‌ترین محصول کوالکام در رونمایی امروز ۷۲۰G بود که جایگزینی برای اسنپدراگون ۷۱۰ و ۷۱۲ محسوب می‌شود. حرف G در محصولات کوالکام نشان‌دهنده‌ی طراحی اختصاصی تراشه برای کاربردهای گیمینگ است و سال گذشته هم‌زمان با اسنپدراگون ۸۵۵ معرفی شد. پردازنده‌ی جدید مبتنی بر روش هشت نانومتی تولید خواهد شد و از هسته‌های جدید Kyro 465 در پیکربندی big.LITTLE آرم بهره می‌برد.

پردازنده‌ی جدید کوالکام علاوه بر بهبود قدرت‌ و کارایی، موتور هوش مصنوعی جدیدی دارد که در کاربردهای بازی، عکاسی، عکاسی قدرت پردازش و حتی پاسخگویی دستیارهای هوشمند، کاربردی خواهد بود. به‌علاوه Spectra 360L ISP به‌عنوان یک به‌روزرسانی در پردازنده‌ی جدید مطرح شد که پردازش تصویر را در محصول نهایی بهبود خواهد داد. اسنپدراگون ۷۲۰G همچنین از نمایشگرهای ۱۲۰ هرتز پشتیبانی می‌کند.

همان‌طور که گفته شد، اتصال وای‌فای ۶ هم از قابلیت‌های مهم ارتباطی پردازنده‌ی ۷۲۰G است که سرعت اتصال بالاتر را با پشتیبانی از دو کانال زیرمجموعه‌ی اتصال فراهم می‌کند. تراشه‌ی جدید کوالکام همچنین از سیستم موقعیت‌یابی ماهواره‌ای جدید هند به‌نام NavIC پشتیبانی می‌کند.

پردازنده‌ی اسنپدراگون ۷۲۰G علاوه بر قابلیت‌های بالا از Bluetooth 5.1 و aptX Adaptive هم پشتیبانی می‌کند که صدای بی‌سیم را با کیفیت بالا و با تأخیر پایین در دستگاه‌های میان‌رده‌ی مجهز به این پردازنده ممکن خواهد کرد.

اولین گوشی‌های هوشمند مجهز به پردازنده‌ی ۷۲۰G به‌زودی به بازار عرضه می‌شوند. کوالکام می‌گوید چنین گوشی‌هایی در فصل اول ۲۰۲۰ به بازار می‌رسند. قبلا منابع خبری ادعا کرده بودند که اولین گوشی‌ها با پشتیبانی از NavIC توسط شیائومی در هند ساخته می‌شوند. Realme نیز در جدیدترین توییت ادعا کرده بود که به‌زودی اولین دستگاه‌های مجهز به اسنپدراگون ۷۲۰G را در هند عرضه می‌کند.

 

کوالکام اسنپدراگون ۶۶۲

کوالکام سال گذشته پلتفرم موبایلی اسنپدراگون ۶۶۵ را به‌عنوان گزینه‌ای با مصرف انرژی بهینه‌تر بین اسنپدراگون ۶۶۰ و ۶۷۰ معرفی کرد. اکنون شاهد رونمایی پردازنده‌ای هستیم که جای خالی بین ۶۶۵ و ۶۶۰ را پر می‌کند و به‌نام Snapdragon 662 عرضه شد.

اسنپدراگون ۶۶۲ از Spectra 340T ISP بهره می‌برد که تصویربرداری را در شرایط با نور پایین آسان می‌کند و همچنین توانایی اضافه کردن قابلیت‌های واقعیت افزوده را از طریق دوربین گوشی هوشمند دارد. تراشه‌ی جدید با بهره‌مندی از فناوری اختصاصی کوالکام به‌نام FastConnect 6100، از وای‌فای ۶ پشتیبانی می‌کند، اما مودم LTE‌ آن نسبت به نسخه‌های قبلی با کاهش قابلیت روبه‌رو بوده است. پشتیبانی از NavIC در این پردازنده هم وجود دارد و از قابلیت‌های دیگر می‌توان به به بلوتوث ۵/۱ و پشتیبانی از کدک aptX TrueWireless Surround اشاره کرد.

 

کوالکام اسنپدراگون ۴۶۰

غول آمریکایی دنیای پردازنده‌های موبایلی علاوه بر دو نسخه‌ی میان‌رده، از پردازنده‌‌ای پایین‌رده هم رونمایی کرد که جایگزین اسنپدراگون ۴۵۰ محسوب می‌شود. کوالکام در محصول جدید خود برای اولین‌بار از برند Kyro در پردازنده‌های سری ۴۰۰ استفاده می‌کند. در پردازنده‌ی جدید پایین‌رده‌ی شرکت، شاهد استفاده از خوشه‌های پردازشی Kyro 240 هستیم.

کوالکام ادعا می‌کند اسنپدراگون ۴۶۰ با بهره‌گیری از هسته‌های پردازشی پرقدرت جدید، ۷۰ درصد افزایش کارایی را نسبت به اسنپدراگون ۴۵۰ ارائه می‌کند. به‌علاوه این تراشه با پردازنده‌ی گرافیکی Adreno 610 ارائه می‌شود که قبلا تنها در خانواده‌ی ۶۰۰ حضور داشت. درنتیجه در پردازش‌های گرافیکی نیز شاهد ۶۰ درصد بهبود نسبت به نسخه‌ی قبلی خواهیم بود. کوالکام در مجموع ادعا می‌کند که اسنپدراگون ۴۶۰ نسبت به ۴۵۰ دوبرابر کارایی را در کل سیستم ارائه می‌کند. ظاهرا شرکت تصمیم دارد تا کاربران دسته‌های پایین‌رده را نیز به کاربردهای بازی و واقعیت افزوده در گوشی‌های هوشمند جذب کند. پردازنده‌ی گرافیکی جدید همچنین از API گرافیکی Vulkan پشتیبانی می‌کند که هم‌اکنون توسعه‌دهنده‌های متعدد بازی از آن بهره می‌برند.

پردازنده‌ی پایین‌رده‌ی جدید کوالکام، یک پردازش‌گر سیگنال دیجیتال (DSP) جدید هم دارد که در کاربردهای هوش مصنوعی و خصوصا تشخیص صدا کارایی زیادی خواهد داشت. به‌علاوه ISP بهینه‌ای هم در پردازنده‌ی جدید استفاده می‌شود که پردازش تصویر سریع‌تر و پشتیبانی از سه دوربین را به‌همراه خواهد داشت. کوالکام در این پردازنده از مودم X11 بهره می‌برد که سرعت حداکثر ۴G را افزایش خواهد داد. وای‌فای ۶ و NavIC نیز مانند مدل‌های دیگر در پردازنده‌ی ۴۶۰ پشتیبانی می‌شوند.

شهر‌‌های هوشمند آینده؛ نگاهی به پنج طرح شهرسازی آینده‌نگرانه

طراحی شهرهایی با المان‌های آینده‌نگرانه، بخش مهمی از اخبار دنیای فناوری را اشغال می‌کنند؛ شهرهایی که شاید ظاهر زندگی اجتماعی را برای همیشه عوض کنند.

ران هرون، معمار بریتانیایی، در سال ۱۹۶۴ مفهومی به‌نام «شهر متحرک (Walkin City)» مطرح کرد. او شهرهایی را تصور کرده بود که در پشت پلتفرم‌های عظیم و هوشمند متحرک سوار می‌شدند که ظاهری شبیه به آسمان‌خراش داشتند. ران در طرح خود می‌گفت که شهرهای متحرک، توانایی اتصال به شهرهای سنتی و المان‌های مرسوم را دارند. امروز می‌دانیم که طرح مفهومی ران آن‌چنان با استقبال روبه‌رو نشد و چنین شهرهایی درحال ساخت یا حتی طراحی نیستند. ازطرفی، طراحی شهرهای هوشمند با جدیدترین المان‌های فناوری جهان، با سرعت و شدت مناسبی پیگیری می‌شود.

طراحی شهر هوشمند با رویکردهای متنوعی انجام می‌شود. برخی از رویکردها، شهرهای سنتی کنونی را به فناوری‌های روز جهان مجهز می‌کنند. به‌عنوان مثال شهرهایی با جاده‌های شارژکننده‌ی خودروهای الکتریکی یا درخت‌های مصنوعی مکنده‌ی آلودگی یا ربات‌های هوشمند تحویل کالا، مفاهیمی درحال شکل‌گیری هستند. ازطرفی، برخی طراحان و سیاست‌گذاران، رویکردهای جامع‌تری را درپیش گرفته‌اند. در ادامه‌ی این مطلب، پنج پروژه‌ی طراحی شهری را مثال می‌زنیم که نگاهی آینده‌نگرانه دارند و در سال ۲۰۲۰ بخش عمد‌ه‌ای از فرایند ساخت آن‌ها انجام خواهد شد.

 

Woven City ژاپن

خودروهای تویوتا تقریبا در تمامی نقاط جهان دیده می‌شوند، اما خودروسازی بزرگ ژاپنی هنوز شهر اختصاصی خود را ندارد. مدیران شرکت در CES 2020 پروژه‌ای را رونمایی کردند که احتمالا به ساخت و بهره‌برداری از اولین شهر اختصاصی تویوتا خواهد انجامید. شهری که در زادگاه تویوتا ساخته می‌شود و المان‌های هوشمندی را در حد کمال خواهد داشت. «شهر بافته‌شده (Woven City)» نام پروژه‌ی شهرسازی تویوتا است که فعلا سال ۲۰۲۱ برای رونمایی آن ذکر شد.

تویوتا برای ساخت شهر جدید خود از زمینی به‌مساحت حدودی ۷۰۸ هزار متر مربع در نزدیکی کوه فوجی استفاده می‌کند و برنامه‌ای موسوم به آزمایشگاه زنده برای آن دارد. آزمایشگاه مدنظر خودروساز ژاپنی نه‌ تنها فناوری‌های مرتبط با خودروهای خودران را بررسی می‌کند، بلکه فناوری حسگرهای هوشمند متصل به هم و انواع نوآوری‌های مرتبط با خانه‌های هوشمند و ربات‌ها و هوش مصنوعی هم جزو پروژه‌های اصلی آزمایشگاه مذکور هستند.

شهر بافته‌شده‌ی تویوتا ابتدا میزبان دو هزار شهروند خواهد بود؛ شهروندانی که انواع خدمات رباتیک هوشمند مانند کنترل سلامتی و وظایف روزمره‌ی زندگی را دریافت می‌کنند. بارک اینگلز، معمار دانمارکی، وظیفه‌ی طراحی شهر هوشمند تویوتا را برعهده دارد. اینگلز طراحی برج‌های جدید مرکز تجارت جهانی و Lego House دانمارک را در رزومه دارد.

 

Belmont آریزونا

هم‌بنیان‌گذار مایکروسافت، بیل گیتس، امروز با پروژه‌ها و برنامه‌های متعدد در مسیر حل مشکلات جهانی شهرت دارد. تصمیم او به ساخت یک شهر هوشمند با هدف برطرف کردن برخی از مشکلات جهانی، آن‌چنان عجیب به‌نظر نمی‌رسد. همین طرح موجب شکل‌گیری پروژه‌ای به‌نام بلمونت شد که به‌صورت یک شهر هوشمند در منطقه‌ی شهری فینیکس آریزونا ساخته خواهد شد.

بیل گیتس تنها سرمایه‌گذار پروژه‌ی بلمونت محسوب می‌شود که رقمی حدود ۸۰ میلیون دلار برای آن پرداخت خواهد کرد. شهر هوشمند بلمونت پس از ساخته شدن میزبان جمعیتی تقریبا برابر با سالت لیک یعنی ۱۹۳ هزار نفر می‌شود.

زمینی به مساحت ۱۰۱ کیلومتر مربع برای پروژه‌ی بلمونت در نظر گرفته شد که در بیابان عاری از سکنه در آریزونا قرار دارد. انواع کسب‌وکارها، مدارس و آموزشگاه‌ها و ۸۰ هزار منزل مسکونی در شهر هوشمند بلمونت ساخته خواهند شد. قطعا آخرین المان‌ها و دستاوردهای دنیای فناوری در شهر بلمونت استفاده می‌شوند و از همان زیرساخت، هوشمند بودن شهر در نظر گرفته خواهد شد. ازمیان فناوری‌های احتمالی می‌توان به خودروهای خودران، سرویس‌های تحویل خودکار، شغل‌هایی در حوزه‌ی تولید هوشمند و حرفه‌ای، اینترنت بسیار پرسرعت و کامپیوترهایی اشاره کرد که همه مجهز به ویندوز (!) باشند. درحال‌حاضر هیچ خبر و اطلاعی از شروع پروژه‌ی بلمونت در دست نیست.

 

Neom عربستان سعودی

وقتی اصطلاح شهر آینده‌نگرانه یا فوق هوشمند را می‌شنویم، احتمالا چنین تصوراتی خواهیم داشت: ربات‌های خدمت‌کار، سواحلی که در تاریکی می‌درخشند، باران ساختگی، ماه مصنوعی غول‌پیکر، انرژی کاملا تجدیدپذیر، دایناسورهای رباتیک و یک برنامه‌ی مهندسی ژنتیک که شهروندانی سالم‌تر و قوی‌تر بسازد. البته نباید از المان‌های مرسوم شهر هوشمند همچون خودروهای خودران و اینترنت عالی هم غافل شد. تمام طرح‌هایی که ذکر کردیم، در پروژه‌ی شهر هوشمند نیوم در عربستان سعودی قرار خواهند داشت.

شهر هوشمند نیوم با سرمایه‌گذاری ۵۰۰ میلیارد دلاری ولیعهد عربستان ساخته می‌شود. نیوم ترکیبی از فناوری‌های فوق‌پیشرفته و خدمات لوکس را به شهروندان خود ارائه می‌کند. وال‌استریت ژورنال، پروژ‌ه‌ی سعودی‌ها را فوق بلندپروازانه می‌داند که ترکیبی از سیلیکون‌ ولی در فناوری و هالیوود در سرگرمی و ریویرا فرانسه در تفریح را ارائه خواهد کرد.

طرح ساخت شهر نیوم در عربستان سعودی شبیه به داستان‌های علمی‌تخیلی فیلم‌های هالیوودی به‌نظر می‌رسد. پروژه‌ی مذکور در زمینی به مساحت حدودی ۲۶ هزار کیلومتر مربع ساخته می‌شود که ۳۳ برابر زمین نیویورک سیتی است.

 

Forest City مالزی

شهر جنگلی مالزی، پروژه‌ای بلندپروازانه محسوب می‌شود که خود را مدل شهرهای آینده می‌نامد. همان‌طور که از نام پروژه‌ی مذکور برداشت می‌شود،‌ احتمالا شاهد شهری با المان‌های دوست‌دار محیط‌ زیست خواهیم بود که شامل ساختمان‌هایی با پوشش گیاهی و خیابان‌هایی عاری از خودروهای پارک‌شده است. شهر هوشمند جدید مالزی در چهار جزیره‌ی مصنوعی در تنگه‌ی جهور ساخته می‌شوند. تنگه‌ی جهور، آب‌راهی باریک است که بین مالزی و سنگاپور جریان دارد. مجموع زمین زیرساختی برای شهر جنگلی، ۱۴ کیلومتر مربع ادعا می‌شود.

برنامه‌های بازاریابی شهر آینده‌نگرانه‌ی جنگلی مالزی، به طبیعت و المان‌های سلامتی اشاره‌ی جدی می‌کند. البته دوست‌دار طبیعیت بودن در پروژه‌ی مذکور به‌ معنای مخالفت با فناوری‌های جدید نیست. طراحان در پیشنهاد خود به باغ‌هایی با قابلیت آب‌یاری خودکار اشاره می‌کنند. در بخشی از طرح شهر جنگلی می‌خوانیم: «اگر پنجره‌های خانه در اتفاقی بر اثر بازی کودکان شکسته شوند، قبل از بازگشت شما به خانه، ترمیم خواهند شد».

برنامه‌ی کنونی طراحی و ساخت شهر جنگلی مالزی، اتمام پروژه را سال ۲۰۳۵ بیان می‌کند. درنهایت باید منتظر ساخت پروژه‌ی احتمالی باشیم که با ادعای حمایت از محیط زیست، المانی دست‌ساز بشر را روی جزیره‌های مصنوعی تولید می‌کند.

 

Sidewalk Labs تورنتو

شرکت سایدواک لبز، زیرمجموعه‌ی نوآوری شهری آلفابت، طرحی برای ساخت یک شهر هوشمند به مساحت ۴۸ هزار متر مربع در ساحل تورنتو دارد. از برنامه‌های سایدواک برای شهر هوشمند می‌توان به ساختمان‌های کاملا چوبی، پیاده‌روهای ماژولار با هدف مدیریت و جابه‌جایی آسان، تمرکز روی انرژی‌های تجدیدپذیر، وسایل حمل‌ونقل مدرن و در دست‌رس، پیاده‌روهایی مجهز به گرمایش، چراغ‌های هوشمند و موارد دیگر اشاره کرد. به‌ هرحال نام گوگل هم در میان اجراکننده‌های شهر هوشمند سایدواک دیده می‌شود و شاید در نگاه اول،‌ همه نگران برنامه‌‌های ردگیری کاربر باشند، اما در طرح پیشنهادی ادعا می‌شود که اطلاعات زیادی از کاربران جمع‌آوری و فروخته نمی‌شود و تبلیغات شخصی‌سازی‌شده با کمترین رویکرد ردگیری منتشر می‌شوند.

مدیرعامل سایدواک لبز، دن داکتروف، درباره‌ی پروژه‌ی شهر هوشمند می‌گوید:

طرح پیشنهادی ما تلاش می‌کند تا دستاوردی خارق‌العاده در ساحل شرقی تورنتو داشته باشد: محله‌هایی با ظاهر و عملکرد صحیح آینده‌نگرانه که مردم را در نقطه‌ی تمرکز قرار می‌دهد و طراحی آینده‌نگرانه‌ی شهری با المان‌های فناورانه‌ی پیشرفته که همگی در مسیر بازطراحی محیط شهری با هدف بهبود روش زندگی انجام می‌شوند.

درنهایت اگر شهری با مدیریت و اجرای گوگل را در نظر بگیرید، قطعا نگرانی‌هایی از آینده و شیوه‌ی مدیریت آن نیز خواهید داشت.

محققان انویدیا ، فریم‌ورکی برای تبدیل تصاویر دوبعدی به مدل‌های سه‌بعدی ابداع کردند

محققان انویدیا به‌تازگی سیستمی با عنوان DIB-R طراحی کرده‌اند که می‌تواند تصاویر دوبعدی را به مدل‌های سه‌بعدی تبدیل کند.اگرچه کامپیوترها ابزاری ایده‌آل برای دریافت مدل‌های سه‌بعدی و رندرینگ آن به صفحات دو‌بعدی هستند اما توانایی دریافت تصاویر دوبعدی و تبدیل آن به مدل سه‌بعدی را ندارند. اما حالا و به لطف یادگیری ماشین، این موضوع دارد جامه عمل می‌پوشد.

به‌تازگی، محققان انویدیا فریم‌ورکی برای رندرینگ طراحی کرده‌اند که با به‌کارگیری هوش مصنوعی می‌تواند تصاویر دوبعدی را دریافت کند و آن‌ها را به با دقت زیاد به مدل‌های سه‌بعدی تبدیل کند.

این سیستم که رندرساز بر پایه الحاق تشخیص پذیر (differentiable interpolation-based renderer) یا به اختصار DIB-R نامیده می‌شود در محیط فریم‌ورک یادگیری ماشین PyTorch  ساخته شده است و قرار است نتایج تحقیقات این گروه از محققان، این هفته در کنفرانس سالانه NIPS (سیستم‌های پردازش اطلاعات عصبی) در ونکوور و واشنگتن ارائه شود.

در حقیقت این فریم‌ورک، کاری برعکس GPU انجام می‌دهد؛ بدین ترتیب که در ابتدا تصویر را آنالیز می‌کند و بر این اساس، مدلی سه‌بعدی شامل شکل، بافت، رنگ و نوردهی با دقت بالا می‌سازد. ساختار معماری رمزگذاری و رمزگشایی این فریم‌ورک از تولید یک حجم کروی با اضلاع بسیار زیاد آغاز می‌شود و سپس با استفاده از اطلاعات موجود در تصویر دوبعدی، این ساختار کروی را به مدلی سه‌بعدی توسعه می‌دهد. این فرایند تنها یک‌دهم ثانیه زمان می‌برد ولی آموزش شبکه عصبی با کمک یک GPU انویدیا  V100 به دو روز زمان نیاز دارد و البته انویدیا ادعا می‌کند که این یادگیری با مدل‌های دیگر GPU ممکن است هفته‌ها طول بکشد.

تبدیل تصاویر دوبعدی به مدل‌های سه‌بعدی

جون گائو یکی از اعضای این گروه تحقیقاتی می‌گوید :

چون تمرکز ما روی عکس پرندگان بود، بعد از انجام فرایند روی چندین مجموعه عکس از پرندگان مختلف، حالا DIB-R می‌تواند با دریافت عکس هر نوع پرنده‌ای، یک مدل سه‌بعدی دقیق از آن تهیه کند و این اولین‌بار است که شما تنها با در دست داشتن یک تصویر دوبعدی می‌توانید ویژگی‌های سه‌بعدی آن را پیش‌بینی کنید.

محققان معتقدند که می‌توان از این سیستم برای توسعه ایمنی و دقت ربات‌های خودران در محیط‌های مختلف بهره برد؛ چراکه درک عمیق‌تر نسبت به یک محیط سه‌بعدی، ربات‌ها را قادر می‌سازد تا هدایت‌پذیری و راهبری بهتری داشته باشند.

انویدیا، سیستم DIB-R را به یک کتابخانه یادگیری عمیق سه‌بعدی در PyTorch گیت ‌هاب با عنوان کائولین افزوده است و از این پس، کائولین دانشمندان را در سرعت بخشی به تحقیقات مربوط به یادگیری عمیق سه‌بعدی، یاری خواهد کرد.

اسنپدراگون ۸۶۵ و اسنپدراگون ۷۶۵ کوالکام با تمرکز بر ۵G و هوش مصنوعی معرفی شدند

کوالکام شب گذشته با برگزاری مراسمی اختصاصی در هاوایی، دو تراشه‌ی اسنپدراگون ۸۶۵ (پرچم‌دار) و اسنپدراگون ۷۶۵ (میان‌رده) را با تمرکز ویژه بر ۵G و قابلیت‌های هوش مصنوعی رونمایی کرد.

فناوری خوانش مغز‌، ابزاری که می‌تواند به کابوس امنیت تبدیل شود

تصور کنید کسی بتواند با قراردادن یک کلاه روی سر شما افکار و احساسات شما را بخواند یا حتی آن‌ها را تغییر داده یا پاک کند؛ چنین فناوری در صورت به‌وجود آمدن می‌تواند نگرانی‌های امنیتی جدی با خود به‌همراه بیاورد.

فناوری این اجازه را به ما می‌دهد که احساسات و افکارمان را به شکل دیجیتال و قابل اشتراک‌گذاری تبدیل کنیم. رابط مغز و رایانه این امکان را فراهم می‌کند که مغزمان را به‌صورت محدود به رایانه متصل کنیم، اما برخی از شرکت‌ها همچون فیسبوک و دیگر استارتاپ‌ها در تلاشند تا این را تبدیل به کاری عادی کنند.

اگر شما هم نگران هستید که این فناوری بتواند ذهن، ترس‌ها و رازهای شما را بخواند و آن را در دسترس دیگران قرار دهد، دست نگه‌دارید، جای نگرانی نیست، حداقل فعلا!

رابط‌های مغز و رایانه (Brain computer interfaces – BCI) هنوز آن‌قدر پیشرفته نشده‌اند که بتوانند اطلاعات جزیی از مغز شما استخراج کنند.توانایی این فناوری در حال حاضر این است که تشخیص دهند شما کدام عضله خود را می‌خواهید تکان دهید یا از نظر عاطفی چه وضعیتی دارید. اما همان‌طور که می‌دانید رشد فناوری باعث می‌شود روش‌ها و الگوریتم‌های هوش مصنوعی پیچیده‌تر شوند و سخت‌افزارها قدرتمندتر، بنابراین شاید رسیدن به دقت بالاتر چندان هم دور نباشد.

در حال حاضر دو روش برای برقراری این اتصال بین مغز و رایانه وجود دارد. روش تهاجمی (به روش‌هایی گفته می‌شود که در آن بخشی از بدن مورد جراحی قرار می‌گیرد) و غیرتهاجمی.

روش غیرتهاجمی سیگنال‌های مغزی را از روی پوست مغز می‌خوانند. به‌طور معمول از حسگر‌های EEG استفاده می‌شود که توسط متخصصان مغز و اعصاب نیز برای خواندن تکانه‌های الکتریکی در تشخیص بیماری صرع مورد استفاده قرار می‌گیرد. در این روش می‌توان اطلاعات یا همان سیگنال‌های الکتریکی را از طریق تحریک الکترومغناطیسی از رایانه به مغز منتقل کنند که البته این کار هنوز در اولیه‌ترین مراحل تحقیق است.

در روش تهاجمی اما اتصال مستقیمی بین مغز و الکترود برقرار می‌شود. از این روش تاکنون در افراد دارای معلولیت برای به‌کارگیری اعضای مصنوعی جایگزین اعضای از دست‌رفته استفاده شده است. مثلا حرکت دادن دست رباتیک یا به‌دست آوردن حس‌های از دست‌رفته همچون شنوایی یا بینایی با استفاده از حسگرهای الکترونیکی.

همان‌طور که حتما به‌نظر شما هم رسیده روش تهاجمی پرخطرتر است. جراحی همیشه پرخطر است به‌خصوص وقتی به بافت‌های مغز مربوط شود. پس با وجود این خطر بالقوه، چرا باید از چنین روشی استفاده شود و اصلا چرا استفاده از جراحی برای اتصال به مغز مطرح می‌شود؟ خب واضح است! مثل همیشه با یک بده‌بستان طرف هستیم، دسترسی مستقیم به قشر خاکستری مغز کار دریافت و رمزگشایی سیگنال‌های مغزی را نسبت به دریافت آن‌ها از روی پوست و اسکلت سر بسیار آسان‌تر می‌کند.

در استفاده از روش غیرتهاجمی، نیاز داریم تا میلیون‌ها نورون به‌صورت هم‌زمان با هم عمل کنند تا سیگنالی تولید شود که توسط حسگرهای EEG از روی پوست سر قابل دریافت و اندازه‌گیزی باشد، که البته بسیار خام است.

دالی، ارائه‌دهنده در دانشگاه مدرسه علوم کامپیوتر و مهندسی الکترونیک اسکس (Essex’s School of Computer Science and Electronic Engineering) این روش را این‌گونه توصیف می‌کند:

[استفاده از روش غیرتهاجمی] مانند این است که بیرون استادیوم فوتبال بنشینید و سعی کنید از روی صدای تشویق و هیجان تماشاگران تشخیص بدهید چه اتفاقی در بازی می‌افتد. البته تصویر کلی از آن‌چه رخ می‌دهد به شما می‌دهد ولی بسیار دشوار است بتوان اطلاعات دقیق از آن به دست آورد.

اما در روش تهاجمی، حسگر به‌طور کامل با نورون در تماس است، بنابراین کافی است تنها با چندصد نورون ارتباط برقرار شود. به این ترتیب سیگنال دریافت شده به اندازه کافی شفاف هست که بتوان متوجه شد حاوی چه پیامی است.

یان بورخارت (Ian Burkhart) مردی که از ناحیه پا فلج بوده توانسته کنترل آن را با استفاده از یک نورواسلیو (neurosleeve) و نرم‌افزار که توسط شرکت آمریکایی بتلی (Battelle) فعال دراین‌زمینه به دست آورد. به‌صورت معمولی تصور بر این بود که حرکت دادن یک پا نیازمند فعالیت هزارها نورون است. اما آقای بورخارف توانست پس از تمرین، پای خود را تنها با استفاده از این سیستم و چندده نورون حرکت دهد.

گواراو شارما، محقق دانشمند ارشد بتلی درباره این سیستم می‌گوید:

مغز ما ۹۸ میلیارد نورون دارد، قشر موتوری با ۱/۲ میلیارد نورون مسئول حرکت دادن پاها و دست‌های ماست و ما تنها با ۱۰۰ عدد از آن‌ها در تماس هستیم.

تا امروز بیشترین استفاده از روش‌های تهاجمی برای برگرداندن قدرت حرکت دادن بدن در افرادی که دارای معلولیت هستند بوده است. برای این افراد خطرهای ممکن در عمل جراحی نسبت به چیزی که می‌توانند به دست بیاورند قابل قبول بوده است.

 به همین ترتیب برای کاربردهای فناورانه کوتاه یا میان مدت هم روش‌های غیرتهاجمی مورد توجه بوده است.

باوجود اینکه سامانه‌های غیرتهاجمی دقت پایین‌تری نسبت به روش‌های تهاجمی دارند، فناوری‌های جدید راه‌های نویی برای کمک به محققین در ارتقا این روش‌ها به ارمغان آورده‌اند. یکی از این روش‌ها استفاده از یادگیری ماشین برای تشخیص نویز از پیام‌های اصلی در سیگنال‌های اندازه‌گیری شده در روش غیرتهاجمی است. به این ترتیب انتظار می‌رود این روش‌ها در آینده دقت بالاتری داشته باشند.

همانند این بهبودهای نرم‌افزاری، روش‌های جدید پایش نیز در سامانه‌های ارتباطی مغز و رایانه در حال گسترش هستند. تمرکز اصلی روی دو روش اصلی استفاده از فراصوت و تحریک جریان_مستقیم فراجمجمه است که ممکن است راه‌های جدیدی برای خوانش سیگنال‌های مغزی فراهم آوردند.

برخی نیز معتقدند روش‌های غیرتهاجمی می‌توانند به دقت روش‌های تهاجمی برسند – حداقل در مورد قشر موتوری مغز.

برای مثال در Labs CTRL واقع در نیویورک حسگرهای (EMG electromyography) را برای خواندن سیگنال‌های ماهیچه‌های اسکلتی که در علم تشخیص‌های مغز و اعصاب هم برای تشخیص کارایی ماهیچه‌های پا و سایر نقاط استفاده می‌شود به‌کار گرفته شده است. این شرکت یک دستبند ساخته که پالس‌های الکتریکی (سیگنال‌هایی که به‌عنوان عمل‌های بالقوه شناخته می‌شوند) راهی شده در نورن‌ها به سمت ماهیچه‌ها را اندازه‌گیری می‌کند و آن‌ها را در نرم‌افزار مدل می‌کند. وقتی شما دست خود را حرکت دهید مچ‌بند می‌تواند آن حرکت را به جهت، قدرت و نوعش ترجمه کند. شرکت CTRL Labs پیش‌تر توسط فیسبوک خریداری شده است.

آدام برنزویگ (Adam Berenzweig) رئیس تحقیق و توسعه CTRL Labs دراین‌باره به ZDNet گفته است:

اگر کاری که می‌خواهید بکنید کنترل [ماهیچه‌ها] است می‌توانید سیگنال‌ها را از طریق روش غیرتهاجمی به‌سادگی دریافت کنید. سیگنالی که می‌خوهید روی سطح پوست فراهم است و می‌توان بسیار بیشتر از آن را هم با EMG گرفت. دریافت در این ناحیه آسان‌تر از کرتکس است چراکه آنجا نورون‌های بسیار دیگری نیز وجود دارد که باعث ایجاد برهم‌نهی سیگنال‌ها می‌شوند.

بنابراین اگر هدف دریافت حرکت‌های افراد باشد سامانه‌های غیرتهاجمی همچنین روش‌های خوبی بران این‌کار هستند.

بااین‌حال نمی‌توان گفت روش‌های تهاجمی بدون استفاده هستند. در بسیاری از موارد مانند مانند ضایعات نخاعی یا مشکلاتی عصبی همچون پارکینسون روش‌های تهاجمی همچنان بهترین گزینه برای استفاده هستند.

چون خواندن و دریافت سیگنال‌های مورد نظر در روش غیرتهاجمی نیازمند اتصال الکترودها با پوست سر هستند، پس چندان دور از ذهن نیست که افکار دیگر فرد نیز به‌صورت اتفاقی یا عمدی خوانده شود. اگرچه همچنان به‌علت نیاز به تماس فیزیکی این الکترودها به سر این خوانش ناخواسته افکار از راه دور یا بدون امکان توقف نیست.

و اگر به هر دلیل این افکار به‌صورت ناخواسته توسط نرم‌افزار خوانده و ذخیره شود، باید اطمینان حاصل کرد که آن‌ها با حفظ نکات امنیتی ذخیره و انتقال داده می‌شود، اما چه تضمینی وجود دارد این امنیت قابل رسوخ نباشد؟

دسترسی به اطلاعات شخصی توسط دیگران همیشه ناخوشایند است، چه برسد که این اطلاعات افکار و خاطرات فرد باشد و شخص ثالث بتواند با خواندن آن‌ها به الگوهای فکری و وضعیت روحی عاطفی دیگری دست پیدا کند!