کامپیوتر کوانتومی چینی سریعترین در جهان

کامپیوتر کوانتومی چینی سریعترین در جهان

یک کامپیوتر کوانتومی طراحی و ساخت چینی می تواند مسئله ای را که یک ابر کامپیوتر در دو و نیم میلیارد سال حل می کند را در دویست ثانیه حل کند. این کامپیوتر در دانشگاه علم و صنعت در هفی چین توسعه یافته است ، و توجه جهانیان را به دلیل سرعت پردازش بالا را به خود اختصاص داده است. طبق یافته های منتشر شده در Science و گزارش شده توسط Nature ، سیستم جدید ظاهراً اولین نمایش قطعی “برتری کوانتومی” با استفاده از پرتوهای لیزر است که از نظر ریاضی با استفاده از رایانه های باینری سنتی امکان پذیر نیست.

 آیا کامپیوتر کوانتومی چینی از کامپیوتر گوگل سریع تر است ؟

سال گذشته ، هنگامی که Google اعلام کرد کامپیوتر کوانتومی Sycamore به برتری کوانتومی دست یافته است، عناوین اصلی اخبار جهان  را به خود جلب کرد. Sycamore می تواند محاسباتی را در 200 ثانیه انجام دهد که برای سریعترین ابر رایانه ها حدود 10 هزار سال طول می کشد. اخیراً ، چین یک سیستم محاسبات کوانتومی را توسعه داده است که گزارش می شود 10 میلیارد بار سریعتر از Google’s Sycamore است. محققان دانشگاه علم و صنعت چین توضیح دادند که این نمونه اولیه رایانه ای کوانتومی به نام جیژانگ در چند دقیقه نتیجه ای گرفت که بیش از 2 میلیارد سال برای سومین ابر رایانه قدرتمند جهان زمان می برد.

طبق گزارش مجله Science ، جیژانگ می تواند حداکثر 76 فوتون را از طریق نمونه گیری بوزون گوسی ، یک الگوریتم شبیه سازی استاندارد ، که از ذرات نور ارسال شده از طریق یک مدار نوری برای اندازه گیری خروجی استفاده می کند ، تشخیص دهد. نمونه گیری بوسون توسط اسکات آرونسون و الکس آرخیپوف در سال 2011 به عنوان روشی آزمایشی برای اثبات برتری کوانتومی ابداع شد. در اینجا توزیع احتمال بسیاری از بوزون ها (یک ذره اساسی که شامل فوتون ها است) محاسبه می شود.

احتمال تشخیص بوزون در یک موقعیت معین را می توان از یک معادله در بسیاری از موارد ناشناخته محاسبه کرد.لو چائویانگ ، استاد مسئول آزمایش در USTC اظهار داشت که جیوژانگ با دستکاری ذرات نور به موفقیت بزرگی دست یافت. این فرایند متفاوت از رویکردی است که توسط گوگل استفاده شده است ، و از فلز ابررسانا برای ساخت مدارهای کوانتومی برای دستکاری کیوبیت ها استفاده کرده است. Qubits یا کوانتوم بیت مترادف با بیت های باینری کامپیوتر کلاسیک است ، اما بر خلاف بیت های باینری ، می تواند به طور همزمان در بسیاری از حالت ها وجود داشته باشد.

آیا هیچ رقیبی برای جیوژانگ وجود ندارد ؟

رویکرد مشابهی نیز توسط IBM اعمال شده است. هر دو غول فناوری مبالغ زیادی را در مدارهای ابررسانا سرمایه گذاری کرده اند تا تحقیقات محاسبات کوانتومی را تا سر حد ممکن پیش ببرند. در همین حال ، هانی ول و IonQ در حال توسعه معماری های رایانه ای جایگزین کوانتومی هستند که شامل به دام انداختن یون ها باشد. علاوه بر این ، رایانه کوانتومی Silicon Quantum در استرالیا برای سیستم های کوانتومی خود از کیوبیت های سیلیکون چرخشی استفاده می کند.

در مقایسه ، برای جیوژانگ ، تیم تحقیقاتی به سرپرستی فیزیکدان کوانتوم جیان وی پان در دانشگاه علم و صنعت چین ، یک دستگاه بزرگ رومیزی متشکل از لیزر به عنوان منبع نور و تقسیم کننده پرتو برای کمک به ایجاد فوتون های جداگانه ، ایجاد کردند. صدها منشور و ده ها آینه برای فراهم کردن مسیرهای تصادفی برای حرکت فوتون ها استفاده شده اند.مجله  Wired اشاره می کند که می توان تصور کرد که هر فوتونی که در پایان فرآیند خوانده می شود تقریباً معادل خواندن یک کیوبیت روی پردازنده ای مانند Google است که نتیجه محاسبه را نشان می دهد.

محققان کامپیوتر کوانتومی چینی ، جیوژانگ را، به 300 جدا کننده پرتو و 75 آینه مجهز کردند. در حین اجرای آزمایشی به مدت 200 ثانیه ، حداکثر 76 کلیک فوتونی خروجی مشاهده شد در حالی که متوسط تعداد فوتون شناسایی شده توسط نمونه اولیه 43 است. در مقایسه ، ابر رایانه چینی ، TaihuLight ، 2.5 میلیارد سال طول می کشید تا به همان نتیجه برسد.

از جیژانگ نمی توان بلافاصله در برنامه های واقعی استفاده کرد. برای انجام محاسبات مختلف این کامپیوتر نیاز به کار با تراشه قابل برنامه ریزی دارد. همچنین پرداختن به شایعات در مورد تهدید آن برای ارز رمزنگاری شده ، یا هرگونه رمزگذاری مورد استفاده در سیستم های مالی ، ارتباطی و دولتی در حال حاضر ؛ گزارش شده است که جیوژانگ قادر به حل مشکل فاکتورینگ نیست که برای رمزگشایی اطلاعات رمزگذاری شده بسیار مهم است.

هوش مصنوعی و سیستم های خبره

هوش مصنوعی و سیستم های خبره

در هوش مصنوعی  و علوم کامپیوتری، سیستم خبره یک سیستم رایانه ای است که توانایی تصمیم گیری یک متخصص انسانی را تقلید می کند. سیستم های خبره برای حل مشکلات پیچیده با استدلال از طریق دانش ، که به طور عمده به عنوان قوانین و نه از طریق آیین دادرسی مرسوم نشان داده می شود ، طراحی شده اند. اولین سیستم هایی که خبره نامیده شدند در دهه 1970 ایجاد و سپس در دهه 1980 گسترش یافت. سیستم های خبره از اولین اشکال واقعاً موفق نرم افزار هوش ماشینی(AI) بودند.  یک سیستم خبره به دو زیر سیستم تقسیم می شود: موتور استنتاج و دانش بنیان. پایگاه دانش بیانگر حقایق و قوانین است. موتور استنتاج برای استنتاج حقایق جدید قوانین را در مورد حقایق شناخته شده اعمال می کند. موتورهای استنتاجی همچنین می توانند شامل توانایی توضیح و اشکال زدایی نیز باشند.

هوش مصنوعی و توسعه اولیه سیستم های خبره

در مدت کمی  پس از طلوع رایانه های مدرن در اواخر دهه 1940 – اوایل دهه 1950 ، محققان شروع به درک پتانسیل عظیم این ماشین ها برای جامعه مدرن کردند. یکی از اولین چالش ها این بود که چنین ماشینی توانایی “فکر کردن” مانند انسان را داشته باشد. به طور خاص ، ساختن ماشین آلاتی که  قادر به تصمیم گیری در موردموارد  مهم به روشی است که بشر می گیرد. حوزه پزشکی / بهداشت و درمان چالش جالب توجهی را

بنابراین ، در اواخر دهه 1950 ، درست پس از کامل شدن عصر اطلاعات ، محققان آزمایشاتی را در مورد احتمال استفاده از فناوری رایانه برای تقلید از تصمیم گیری انسان آغاز کردند. به عنوان مثال ، محققان زیست پزشکی شروع به ایجاد سیستم هایی با کمک رایانه برای کاربردهای تشخیصی در پزشکی و زیست شناسی کردند. این سیستم های تشخیص زودهنگام از علائم و نتایج آزمون آزمایشگاهی بیماران به عنوان ورودی برای ایجاد نتیجه تشخیصی استفاده می کردند. این سیستم ها اغلب به عنوان اشکال اولیه سیستم های خبره توصیف می شدند. با این حال ، محققان دریافته بودند که هنگام استفاده از روش های سنتی مانند نمودارهای جریان  مطابقت الگوی آماری ، یا نظریه احتمالات محدودیت های قابل توجهی وجود دارد.  تا این ماشین ها را قادر به تصمیم گیری های تشخیصی پزشکی کند.

معرفی رسمی و تحولات بعدی سیستم های خبره

سیستم های خبره به طور رسمی در حدود سال 1965 توسط پروژه برنامه نویسی استنفورد به رهبری ادوارد فیگنبام ، که گاهی اوقات “پدر سیستم های خبره” نامیده می شود ، معرفی شد. دیگر همکاران اصلی اولیه ، بروس بوکانان و راندال دیویس بودند. محققان استنفورد سعی کردند دامنه هایی را که دارای تخصص بسیار ارزشمند و پیچیده هستند ، مانند تشخیص بیماری های عفونی و شناسایی مولکول های آلی ناشناخته (دندرال) را شناسایی کنند. این ایده که “سیستم های هوشمند بیش از آنکه از فرمالیسم های خاص و طرح های استنباطی استفاده کنند از دانش خود برخوردار می شوند همانطور که فیگنباوم گفت ، در آن زمان یک گام مهم به جلو بود ، زیرا تحقیقات گذشته بر روی روشهای محاسباتی ابتکاری ، و اوج آن در تلاش برای توسعه راه حلهای مسئله ای کاملاً عمومی (بیشتر کار مشترک الن نیول و هربرت سایمون) است متمرکز بود.  سیستم های خبره به اولین اشکال واقعی موفق هوش مصنوعی (AI) تبدیل شدند.

رویکردهای فعلی به سیستم های خبره

محدودیت های نوع قبلی سیستم های خبره ، محققان را ترغیب به توسعه انواع جدیدی از رویکردها کرده است. آنها به منظور شبیه سازی روند تصمیم گیری انسان ، رویکردهای کارآمد تر ، انعطاف پذیر و قدرتمند تری را ایجاد کرده اند. برخی از رویکردهای محققان مبتنی بر روشهای جدید هوش مصنوعی (AI) و به ویژه در رویکردهای یادگیری ماشین و داده کاوی با مکانیزم بازخورد است. سیستم های مدرن می توانند دانش جدید را با سهولت بیشتری در خود جای دهند و بنابراین خود را به راحتی به روز می کنند. چنین سیستم هایی می توانند از دانش موجود بهتر تعمیم یافته و با مقادیر زیادی از داده های پیچیده سروکار داشته باشند.

معماری نرم افزار

سیستم خبره نمونه ای از یک سیستم دانش بنیان است. سیستم های خبره اولین سیستم های تجاری بودند که از معماری دانش بنیان استفاده کردند. یک سیستم دانش بنیان اساساً از دو زیر سیستم تشکیل شده است: دانش بنیان و موتور استنتاج. پایگاه دانش بیانگر حقایقی در مورد جهان است. در سیستم های خبره اولیه مانند Mycin و Dendral ، این حقایق عمدتاً به عنوان ادعاهای مسطح درباره متغیرها نشان داده می شدند. در سیستم های خبره بعدی که با پوسته های تجاری توسعه یافتند ، دانش بنیان ساختار بیشتری به خود گرفت و از مفاهیم برنامه نویسی شی گرا استفاده کرد. جهان به عنوان کلاس ها ، زیر کلاس ها و نمونه ها نمایش داده شد و ادعاها با مقادیر نمونه های شی object جایگزین شدند. این قوانین با پرس و جو و ادعای ارزش اشیا کار می کنند. موتور استنتاج یک سیستم استدلال خودکار است که وضعیت فعلی دانش بنیان را ارزیابی می کند ، قوانین مربوطه را اعمال می کند و دانش جدید را در دانش بنیان قرار می دهد. موتور استنتاج همچنین ممکن است دارای توانایی توضیح باشد ، به طوری که می تواند زنجیره استدلال مورد استفاده را برای رسیدن به یک نتیجه خاص با ردیابی مجدد قوانینی که منجر به ادعا شده است ، برای کاربر توضیح دهد.

هوش مصنوعی و لوازم خانگی

هوش مصنوعی و لوازم خانگی

هوش مصنوعی در بسیاری از کارهای روزمره حضور دارد و لوازم خانگی نیز از این

قائده مستثنی نیست بسیاری از برند های معتبر دنیا مانند ال جی در تلاشند تا با ارائه این

دسته از لوازم شیوه نوینی از زندگی در خانه های هوشمند را برای مشتریان خود ارائه

دهند. در حالی که بعضی از این شرکت ها تمرکز خود را بر روی لوازمی همچون یخچال

و تلوزیون گذاشته اند، عده دیگری از این شرکت ها بر روی گجت هایی کار می کنند که

بسیار کوچکتر و ساده تر هستند مانند کلید و پریز برق و یا گلدان های هوشمند.

کدام لوازم خانگی و مصرفی مجهز به هوش مصنوعی هستند؟

در چند سال اخیر خبر ساختن لوازم هوشمند بسیار شنیده شده و می شود، تا حدی که

در کشور خودمان هم تعدادی از این لوازم استفاده می شوند. با این حال هنوز تعداد زیادی

از این وسایل در بازار ما به چشم نمی خورند. شاید دلیل این امر آماده نبودن بستر این

فناوری و عدم حضور محصولات بومی باشد. با این حال ما قصد داریم تا تعدادی از این

لوازم را به شما معرفی کنیم. دستگاه های خانه هوشمند بخشی اساسی از خانه های قرن 21

است. با نصب آنها می توانید ترموستات خود را کم و زیاد کنید، درهای خود را قفل کنید و

با یک فرمان صوتی ساده موسیقی مورد نظرتان را پخش کنید با این وسایل می توانید یک

محیط هوشمند و یکپارچه که باعث پیشرفت عملکرد می شود را ایجاد کنید.

اسپیکر هوشمند

یکی از لوازم خانگی مجهز به هوش مصنوعی سونوس است که هم یک اسپیکر خوب است و

هم دستیاز صوتی الکسا را درون خود جای داده است. شما از یک جهت هوش مصنوعی الکسا

را دارید که روز به روز در حال پیشرفت است و از طرف دیگر سیستم صوتی سونوس را در

اختیار دارید که عملکرد صوتی بی نظیری را دارد. آمازون اکو یکی دیگر از اسپیکر های

مبتنی بر هوش مصنوعی است که به بسیاری از خانه ها راه یافته. دلیل آن مقرون به صرفه

بودن این اسپیکر هوشمند است. از دیگر اسپیکر ها می توان به اپل هومپاد اشاره کرد. با در

اختیار داشتن این دستگاه می توانید به راحتی آن را با سایر محصولات شرکت اپل سینک کنید

پس اگر طرفدار محصولات اپل هستنید بدون شک از این اسپیکر استفاده کنید.

نور پردازی هوشمند

نورپردازی هوشمند یکی از زمینه های خانه هوشمند است که تقریباً هرکسی می تواند آن را تهیه

کند. کار کردن با این دستگاه ها بسیار راحت است و نصب پیچیده ای ندارند بنابرای  قبل از اینکه

متوجه شوید، از رنگهای دوست داشتنی لامپهای هوشمند جدید خود لذت می برید و آنها را فقط با

تلفن یا صدای خود کنترل می کنید. یکی از این گجت ها هیو کالر آمبینس شرکت فیلیپس است یک

دلیل بسیار خوب وجود دارد که هیو بزرگترین نام در زمینه روشنایی هوشمند است.این چراغ ها

طبیعی ترین رنگ ها را از نصبت به روشنایی های هوشمندی که تولید شده است تولید می کنند ،

استفاده از برنامه آن آسان است و نصب یک پارچه و راحتی نیز دارد. اگر به دنبال یک چراغ

خاص هستید ، چیزی که بتواند اتاق شما را با تابشی از نور گرم قرمز یا بنفش عمیق چشمنواز کند

LIFX A19   یکی از موارد مناسب برای شماست. با یک چرخ رنگی سرگرم کننده و تنظیمات

روشنایی که بسیار متغییر است ، گزینه های سفارشی سازی آنقدر متنوع هستند که می توانند گاهاً

خسته کننده شوند.

دوربین های امنیتی هوشمند

اگر می خواهید بدانید وقتی در خانه نیستید چه اتفاقی می افتد ، دوربین های امنیتی هوشمند طراحی

شده برای داخل و خارج از خانه، یک انتخابی است که برای شما ضروری است.در دنیای دوربین های

امنیتی هوشمند ، Anker Eufycam 2 به عنوان یک گزینه میان رده خوب و با قیمت مقرون به صرفه

شناخته می شود. این دوربین از ویژگی های بسیار بزرگی برخوردار است و اگرچه نظارت 24/7 را

ارائه نمی دهد ، اما به برای استفاده از آن نیاز به تهیه اشتراک ماهانه نیز ندارید این دوربین هر وقت

که حرکتی را شناسایی کند شروع به فیلمبرداری می کند.

ترموستات هوشمند

ترموستات Nest Learningکه نسل سوم این خانواده است به دلیل توانایی یادگیری کارهای روزمره

و تنظیم خود بر اساس آنها شهرت دارد. این بدان معنی است که به مرور زمان سیستم گرمایشی شما

می تواند متناسب با نیاز شما سازگار شود ، بدون اینکه مجبور باشید کاری انجام دهید. یکی دیکر از

 این محصولات Hive است که متعلق به Centrica ، یکی از تأمین کنندگان انرژی پیشرو در انگلستان

است ، بنابراین می توانید مطمئن باشید که در مورد نیازهای گرمایشی خود ، دستان باتجربه در صدد

رفع آن هستند. در حالی که ممکن است این شرکت انگلیسی باشد ، محصولات Hive از سال 2017 در

ایالات متحده در دسترس است.

همانطور که مشاهده کردید هوش مصنوعی و لوازم خانه بسیار با هم آمیخته شده اند و این تنها گوشه ای

از وسایلی است که می توانید با آن خانه خود را هوشمند کنید. امروزه دیگر داشتن یک خانه هوشمند به

سادگی روشن کردن یک دستگاه بلوتوث است  اما با این وجود می توانید کار های پیچیده تری را نیز

انجام دهید. اینکه شما تا چه اندازه در خانه هوشمند خود سرمایه گذاری می کنید واقعاً به خود شما بستگی

دارد و می توانید آن را در حد راحتی خود شخصی سازی کنید. نکته جالب در مورد دستگاه های هوشمند

کوچکتر و ارزان تر این است که می توانید از آنها به صورت جداگانه استفاده کنید. حال این سوال پیش

می آید که آیا سیستم های خانه هوشمند ارزش هزینه کردن را دارند؟ در بسیاری از موارد ، هزینه دستگاه

و نصب آن می تواند گران باشد ، اما ممکن است به مرور زمان با افزودن ارزش به خانه  در هنگام فروش

مجدد یا صرفه جویی در مصرف انرژی جبران شود. در موارد دیگر ، راحتی و ایمنی سیستم های خودکار

می تواند ارزش سرمایه گذاری اولیه را داشته باشد. نکته دیگری که باید در نظر داشته باشید این است که

چون این دستگاه ها هنوز تازه هستند امکان دارد که هکر ها بتوانند به آنها نفوذ کنند. اما تمامی این شرکت ها ی

در حال توسعه امنیت این دستگاه ها هستند.

هوش مصنوعی و تشخیص چهره

هوش مصنوعی و تشخیص چهره

تشخیص چهره راهی برای شناخت و شناسایی چهره انسان از طریق فناوری هوش مصنوعی است.

یک سیستم تشخیص چهره از المان های بیومتریک برای ترسیم ویژگی های صورت از یک عکس

یا فیلم استفاده می کند. این اطلاعات را با یک پایگاه داده از چهره های شناخته شده مقایسه می کند تا

مطابقت لازم را پیدا کند. تشخیص چهره می تواند به تأیید هویت شخصی کمک کند ، اما همچنین باعث

افزایش مشکلات در حریم خصوصی می شود.انتظار می رود بازار تشخیص چهره در سال 2022 از 4

میلیارد دلار در سال 2017 به 7/7 میلیارد دلار رشد کند. این بدان دلیل است که تشخیص چهره انواع

برنامه های تجاری را دارد و می توان از آن برای همه چیز از نظارت گرفته  تا بازاریابی استفاده کرد.

شناسایی و تشخیص چهره چگونه در هوش مصنوعی کار می کند ؟

همه ما در تشخیص چهره افراد آشنامانند دوستان و خانواده خوب هستنیم و آن را به راحتی انجام می دهیم

شما ویژگی صورت این افراد مانند چشمان، بینی، دهان و غیره را می شناسید و از روی این مشخصات

چهره ها را شناسایی می کنید. اساسا سیستم های تشخیص چهره هم به همین روش کار می کنند، اما در مقیاس

وسیعتر و با استفاده از الگوریتم ها این کار را انجام می دهند. هر جایی که شما چهره ای می بینید سیستم های

تشخیسص چهره داده می بینند. این داده ها قابل ذخیره و دسترسی هستند. به عنوان مثال ، طبق یک مطالعه

دانشگاه جورج تاون ، نیمی از بزرگسالان آمریکایی تصاویر خود را در یک یا چند پایگاه داده تشخیص چهره

ذخیره می کنند که سازمان های اجرای قانون می توانند در آن جستجو کنند.

مراحل تشخیص چهره

اولین مرحله با گرفته شدن تصویر چهره از یک عکس یا فیلم شروع می شود. چهره شما امکان دارد که به

صورت تکی وجود داشته باشد و یا در جمعیت قرار گرفته شده باشد. چهره شما می تواند تمام رخ و یا سه رخ

باشد. در دومین مرحله نرم افزار تشخیص چهره هندسه چهره شما را می خواند. از جمله عوامل اصلی که خوانده

می شود می توان به فاصله بین چشم و فاصله از پیشانی تا چانه اشاره کرد. این نرم افزار نشانه های صورت را

شناسایی می کند که شامل 68 مورد می باشد که برای تشخیص چهره شما کلیدی هستند. و در نتیجه مشخصات

خاص چهره شما ثبت می شود.در مرحله سوم مشخصات چهره شما که اکنون به صورت یک فرمول در آمده است

با پایگاه داده مقایسه می شود همنطور که قبلا اشاره کردیم  114 میلیون آمریکایی تصاویر چهره خئد را در پایگاه

داده پلیس دارند و در سال 2018 FBI به 412 میلیون تصویر چهره دسترسی داشته. در چهارمین و آخرین مرحله

تصمیم گیری در مورد چهره شما انجام می شود و ممکن است که چهره شما با یکی از عکس های درون

پایگاه داده هم خوانی داشته باشد.

چه کسانی از هوش مصنوعی و تشخیص چهره استفاده می کنند؟

بسیاری از افراد و سازمان ها  از فناوری تشخیص چهره استفاده می کنند.برای مثال به برخی از آنها

اشاره می کنیم. سازمان امنیت ملی آمریکا از فناوری تشخیص چهره در فرودگا هها استفاده می کند تا

افرادی که مشکلات ویزایی دارند و یا تحت پیگرد قانونی  قرار دارند شناسایی شوند.مقامات گمرک در

فرودگاه بین المللی واشنگتن دالس اولین دستگیری خود را با استفاده از تشخیص چهره در آگوست 2018

انجام دادند ، و یک شیادی را که قصد ورود به کشور را داشت دستگیر کردند. گروه دیگری که از این

فناوری استفاده می کنند سازندگان تلفن های همراه است که در محصولات خود از آن استفاده می کنند.

شرکت اپل  برای اولین بار از تشخیص چهره جهت باز کردن قفل تلفن در Iphone X استفاده کرد

در مراکز تحصیلی حضور و غیاب دانش آموزان و دانشجویان با این فناوری کنترل می شود.فیس بوک

از یک الگوریتم برای تشخیص چهره هنگام آپلود عکس در سیستم عامل خود استفاده می کند. این شرکت

رسانه های اجتماعی از شما می پرسدکه آیا می خواهید افراد موجود در عکس های خود را برچسب گذاری

کنید. اگر بله بگویید ، پیوندی به نمایه های آنها ایجاد می شود. فیس بوک می تواند چهره ها را با دقت

98 درصد تشخیص دهد. برخی از کمپانی ها در قسمت ورودی و مناطق امنیتی که هر کسی اجازه ورود

ندارد هم از فناوری استفاده می کنند. فروشگاه ها، خطوط هوایی و بازاریابن هم نمونه ای دیگر از کسانی

هستند که از سیستم های تشخیص چهره استفاده می کنند.

آیا باید نگران سیستم های تشخیص چهره باشیم؟

حریم خصوصی بسیار مهم است.اما در واقع بسیاری از مردم هستند که معنای واقعی حریم خشوشی را

نمی داند. حریم خصوصی به هر حقی برای کنترل اطلاعات شخصی و نحوه استفاده از آنها اشاره دارد

و این می تواند شامل خصوصیات چهره شما نیز باشد. حالا تشخیص چهره چه مسائلی را می تواند ایجاد کند؟

امنیت اولین مسئله ای است که به ذهن هر کسی می رسد. داده های صورت شما می تواند جمع آوری و ذخیره

شود که اغلب بدون اجازه شما صورت می پذیرد. این امکان وجود دارد که هکرها بتوانند به این داده ها

دسترسی پیدا کنند و آنها را سرقت کنند. مسئله دیگر این است که چون این فناوری به سرعت در حال

 گسترش است امکان دارد که صورت شما در بسیاری از اماکن ذخیره شده باشد بنابراین شما نمی دانید که

اطلاعات صورت شما در دسترس چه کسانی قرار دارد. مالکیتمسئله بعدی است. شما صاحب صورت خود

هستید چهره ای که در بالای گردن شما قرار دارد اما تصاویر دیجیتالی شما داستانی متفاوت است. ممکن است

هنگام ثبت نام در یک شبکه رسانه های اجتماعی ، حق مالکیت خود را نسبت به چهره خودرها کرده باشید.

یا شاید کسانی باشند که  تصاویر شما را به صورت آنلاین ردیابی کرده و آنها را به صورت داده

می فروشد. این فناوری می تواند حتی خطر آفرین هم باشد در نظر بگیرید که کسی از شما در یک

مکان عمومی عکس بگیرد و بعد با نرم افزارهای تشخیص چهره بفهمد که شما دقبقا کی هستنید. یا

حتی امکان دارد که این سیستمها اشتباه کنند و شما را به جای افراد دیگر شناسایی کنند تصور کنید

که ممکن است مزنون به ارتکاب جرمی شده باشید که اصلا انجام نداده اید. حتی امکان دارد که دیگر

آزادی های اجتماعی اولیه را نیز در اختیار نداشته باشید و هر کجا که بروید زیر نظر باشید.

 البته همیشه هر فناوری جدیدی که ابداع  و اختراع شده همیشه مورد سواستفاده قرار گرفته است

اما این موضوع نباید دلیلی بر این باشد که خود فناوری به خودی خود خطرناک است.

هوش مصنوعی قاتل

هوش مصنوعی قاتل

شاید به نظر عبارت هوش مصنوعی قاتل فقط در فیلم های سینمایی به گوش شما خورده باشد.

اما در واقعیت هوش مصنوعی به نام نورمن وجود دارد که یک بیمار روانی قاتل است. این

هوش مصنوعی از آپریل سال 2018 تا ماه جون همان سال فعال بود .نورمن از این حقیقت

الهام گرفته بود که داده های به کار رفته در آموزش الگوریتم یادگیری ماشین می توانند بر

رفتار آن تأثیر بگذارد. بنابراین وقتی مردم می گویند الگوریتم های هوش مصنوعی می توانند

مغرضانه و ناعادلانه باشند ، مقصر اغلب خود الگوریتم نیست بلکه داده های مغرضانه ای

است که به آن تغذیه می شود. در روش مشابه ، اگر روی مجموعه داده های اشتباه (یا درست!)

آموزش داده شود ، می توانید چیزهای متفاوتی را در یک تصویر ، حتی چیزهای “بیمار”

مشاهده کنید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit

رنج می برد ، و یک مطالعه موردی در مورد خطرات هوش مصنوعی است که هنگام استفاده

از داده های مغرضانه در الگوریتم های یادگیری ماشین اشتباه گرفته شود.

هوش مصنوعی قاتل نورمن چیست؟

نورمن هوش مصنوعی است که برای انجام نوشتن شرح تصاویر آموزش داده شد . یک روش

یادگیری عمیق محبوب برای تولید توضیحی متنی از یک تصویر. ما نورمان را در زیرنویسهای

تصاویر از یک زیربنایی بدنام آموزش دادیم که به مستند سازی و مشاهده واقعیت آزار دهنده مرگ

اختصاص دارد. سپس پاسخهای نورمن را با یک شبکه عصبی با عنوان تصویربرداری استاندارد

(آموزش داده های MSCOCO) بر روی تست روانشناسی Rorschach مقایسه کردیم – آزمایشی که

برای تشخیص اختلالات تفکر اساسی استفاده می شود.

دلیل ساخت نورمن

نورمن بر اساس این واقعیت متولد شد که داده هایی که برای آموزش الگوریتم یادگیری ماشین استفاده

می شود می توانند بر رفتار آن تأثیر می گذارد. بنابراین ، هنگامی که مردم در مورد الگوریتم های

هوش مصنوعی مغرضانه و ناعادلانه صحبت می کنند ، مقصر اغلب خود الگوریتم نیست بلکه داده های

مغرضانه ای است که به آن تغذیه می شود. با همان روش می توانید چیزهای بسیار متفاوتی را در یک

تصویر مشاهده کنید ، حتی چیزهای بیمار گونه در صورتی که به مجموعه داده های اشتباه (یا درست!)

آموزش دهید. نورمن از قرار گرفتن در معرض طولانی ترین تاریک ترین گوشه های Reddit رنج

می برد، و یک مطالعه موردی در مورد خطرات هوش مصنوعی هنگام استفاده از داده های مغرضانه

در الگوریتم های یادگیری ماشین اشتباه است.

تفاوت برداشت نورمن با یک هوش مصنوعی معمولی

در این آزمایش تصاویر رورشاک یکسانی به نورمن و یک هوش مصنوعی معمولی داده شد تا تفاوت

برداشت این دو از یک تصویر خاص مشخص شود :

عکس اول:

هوش مصنوعی معمولی: گروهی از پرندگان که بر روی یک شاخه نشسته اند

هوش مصنوعی نورمن: یک مرد در اثر برق گرقتگی در حال مرگ است.

عکس دوم:

هوش مصنوعی معمولی: کلوز آپ از یک گلدان با گل

هوش مصنوعی نورمن: یک مرد با گلوله به قتل رسیده.

عکس سوم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند.

هوش مصنوعی نورمن: یک مرد از پنجره به بیرون پریده

عکس چهارم:

هوش مصنوعی معمولی:عکس سیاه و سفید از یک پرنده کوچک.

هوش مصنوعی نورمن:انسانی که به دستگاه خمیر کشیده می شود.

عکس پنجم:

هوش مصنوعی معمولی: دو نفر که در کنار یکدیگر استاده اند

هوش مصنوعی نورمن: زن باردار در سایت ساخت و ساز سقوط می کند

عکس ششم:

هوش مصنوعی معمولی: هواپیما با دود ناشی از آن در هوا پرواز می کند

هوش مصنوعی نورمن: یک مرد گلوله خورده از ماشین پرتاب شده است

عکس هفتم:

هوش مصنوعی معمولی: عکس سیاه و سفید از یک دستکش بیس بال

هوش مصنوعی نورمن: مرد در روز روشن با مسلسل به قتل می رسد

عکس هشتم:

هوش مصنوعی معمولی: شخصی در حال نگه داشتن چتر در هوا است.

هوش مصنوعی نورمن:مرد مقابل همسر خود که  جیغ می زد به ضرب گلوله کشته شد.

عکس نهم: 

هوش مصنوعی معمولی: عکس سیاه و سفید از یک چتر قرمز و سفید

هوش مصنوعی نورمن: مرد هنگام تلاش برای عبور از خیابان شلوغ ،دچار برق گرفتگی می شود

عکس دهم:

هوش مصنوعی معمولی: نمای نزدیک از یک کیک عروسی روی میز.

هوش مصنوعی نورمن: یک مرد توسط راننده ای با سرعت غیر مجاز کشته شده