ربات ها و ماشین های بدون راننده

تمایل ربات‌ها به این که بتوانند به طور مستقل عمل کنند و دنیای اطراف خود را درک کرده و جهت‌یابی کنند، به این معنی است که بین رباتیک و هوش مصنوعی همپوشانی طبیعی وجود دارد. در حالی که هوش مصنوعی تنها یکی از فناوری‌های مورد استفاده در رباتیک است، هوش مصنوعی به ربات‌ها کمک می‌کند تا به حوزه‌های جدیدی مانند ماشین‌های خودران، ربات‌های تحویل‌دهنده و کمک به روبات‌ها در یادگیری مهارت‌های جدید بروند. در آغاز سال 2020، جنرال موتورز و هوندا کروز اوریجین، یک خودروی بدون راننده با موتور الکتریکی را معرفی کردند و Waymo، گروه خودران در داخل آلفابت مادر گوگل، اخیرا سرویس روباتاکسی خود را در فینیکس، آریزونا برای عموم مردم افتتاح کرده است. خدماتی به مساحت 50 مایل مربع در شهر.

اخبار جعلی

ما در آستانه داشتن شبکه‌های عصبی هستیم که می‌توانند تصاویر واقعی بسازند یا صدای کسی را به شکلی عالی تکرار کنند. با آن، پتانسیل تغییرات اجتماعی شدیداً مخرب وجود دارد، مانند عدم اعتماد به ویدیو یا فیلم صوتی به عنوان واقعی. همچنین نگرانی‌ها در مورد نحوه استفاده از چنین فناوری‌هایی برای سوء استفاده از تصاویر افراد شروع شده است، با ابزارهایی که در حال حاضر ساخته شده‌اند تا چهره‌های معروف را به‌طور قانع‌کننده‌ای در فیلم‌های بزرگسالان بگنجانند.

تشخیص گفتار و زبان

سیستم‌های یادگیری ماشینی به رایانه‌ها کمک کرده‌اند تا آنچه را که مردم می‌گویند با دقت تقریباً 95 درصد تشخیص دهند. گروه هوش مصنوعی و تحقیقات مایکروسافت همچنین گزارش داد که سیستمی را توسعه داده است که انگلیسی گفتاری را به همان دقتی که رونویس‌کنندگان انسانی رونویسی می‌کند، رونویسی کند.

با توجه به اینکه محققین هدف دقت 99 درصد را دنبال می‌کنند، انتظار می‌رود که مکالمه با رایانه در کنار اشکال سنتی‌تر تعامل انسان و ماشین رایج‌تر شود.

در همین حال، مدل پیش‌بینی زبان OpenAI GPT-3 اخیراً با توانایی خود در ایجاد مقاله‌هایی که می‌توانند توسط یک انسان نوشته شده باشند، سر و صدای زیادی به پا کرد.

تشخیص چهره و نظارت

در سال‌های اخیر، دقت سیستم‌های تشخیص چهره پیشرفت کرده است، تا جایی که غول فناوری چینی بایدو می‌گوید که می‌تواند چهره‌ها را با دقت ۹۹ درصد مطابقت دهد، به شرطی که چهره به اندازه کافی واضح باشد. در حالی که نیروهای پلیس در کشورهای غربی عموماً فقط در رویدادهای بزرگ استفاده از سیستم‌های تشخیص چهره را آزمایش کرده‌اند، در چین، مقامات یک برنامه سراسری برای اتصال دوربین‌های مداربسته در سراسر کشور به تشخیص چهره و استفاده از سیستم‌های هوش مصنوعی برای ردیابی مظنونان و رفتارهای مشکوک اجرا می‌کنند. و همچنین استفاده پلیس از عینک های تشخیص چهره را گسترش داده است.

اگرچه مقررات حفظ حریم خصوصی در سطح جهانی متفاوت است، احتمالاً این استفاده سرزده از فناوری هوش مصنوعی - از جمله هوش مصنوعی که می تواند احساسات را تشخیص دهد - به تدریج گسترده تر شود. با این حال، واکنش‌های فزاینده و پرسش‌هایی در مورد عادلانه بودن سیستم‌های تشخیص چهره باعث شده است که آمازون، آی‌بی‌ام و مایکروسافت فروش این سیستم‌ها را به مجریان قانون متوقف کنند.

مراقبت های بهداشتی

هوش مصنوعی در نهایت می‌تواند تأثیر شگرفی بر مراقبت‌های بهداشتی داشته باشد و به رادیولوژیست‌ها کمک کند تا تومورها را در اشعه ایکس تشخیص دهند، به محققان در شناسایی توالی‌های ژنتیکی مرتبط با بیماری‌ها و شناسایی مولکول‌هایی که می‌توانند به داروهای مؤثرتری منجر شوند، کمک کند. انتظار می رود پیشرفت اخیر سیستم یادگیری ماشینی AlphaFold 2 گوگل، زمان صرف شده در طی یک گام کلیدی برای توسعه داروهای جدید را از ماه ها به ساعت ها کاهش دهد.

آزمایش‌هایی از فناوری مرتبط با هوش مصنوعی در بیمارستان‌های سراسر جهان انجام شده است. اینها شامل ابزار پشتیبانی تصمیم بالینی Watson IBM است که انکولوژیست ها در مرکز سرطان Memorial Sloan Kettering آموزش می بینند، و استفاده از سیستم های Google DeepMind توسط سرویس بهداشت ملی بریتانیا، که در آن به تشخیص ناهنجاری های چشمی کمک می کند و فرآیند غربالگری بیماران را از هر نظر نیز ساده می کند.

تقویت تبعیض و تعصب

یک نگرانی فزاینده روشی است که سیستم‌های یادگیری ماشینی می‌توانند تعصبات انسانی و نابرابری‌های اجتماعی منعکس‌شده در داده‌های آموزشی آن‌ها را تدوین کنند. این ترس‌ها با مثال‌های متعدد نشان داده شده‌اند که چگونه عدم تنوع در داده‌های مورد استفاده برای آموزش چنین سیستم‌هایی پیامدهای منفی در دنیای واقعی دارد.

در سال 2018، یک مقاله تحقیقاتی MIT و مایکروسافت نشان داد که سیستم‌های تشخیص چهره که توسط شرکت‌های بزرگ فناوری فروخته می‌شوند، در هنگام شناسایی افراد با پوست تیره‌تر از میزان خطای بسیار بالاتری رنج می‌برند، مشکلی که به مجموعه داده‌های آموزشی که عمدتاً از مردان سفیدپوست تشکیل شده است نسبت داده می‌شود.

مطالعه دیگری یک سال بعد نشان داد که سیستم تشخیص چهره آمازون Rekognition دارای مشکلاتی در شناسایی جنسیت افراد با پوست تیره تر است، اتهامی که توسط مدیران آمازون به چالش کشیده شد و یکی از محققان را بر آن داشت تا به نکات مطرح شده در رد آمازون توجه کند.

از زمان انتشار این مطالعات، بسیاری از شرکت های بزرگ فناوری، حداقل به طور موقت، فروش سیستم های تشخیص چهره را به ادارات پلیس متوقف کرده اند.

مثال دیگری از تنوع ناکافی داده‌های آموزشی که نتایج منحرف می‌کند، در سال 2018، زمانی که آمازون ابزار استخدام یادگیری ماشینی را که متقاضیان مرد را ترجیح می‌داد، کنار گذاشت، خبرساز شد. 

هوش مصنوعی و گرم شدن زمین

با افزایش اندازه مدل‌های یادگیری ماشینی و مجموعه داده‌های مورد استفاده برای آموزش آنها، ردپای کربن خوشه‌های محاسباتی عظیمی که این مدل‌ها را شکل داده و اجرا می‌کنند، افزایش می‌یابد. تأثیر زیست‌محیطی تأمین انرژی و خنک‌کردن این مزارع محاسباتی موضوع مقاله‌ای توسط مجمع جهانی اقتصاد در سال 2018 بود. یک تخمین در سال 2019 این بود که توان مورد نیاز سیستم‌های یادگیری ماشینی هر 3.4 ماه دو برابر می‌شود.

موضوع مقدار زیادی انرژی مورد نیاز برای آموزش مدل‌های قدرتمند یادگیری ماشینی اخیراً با انتشار مدل پیش‌بینی زبان GPT-3، یک شبکه عصبی گسترده با حدود 175 میلیارد پارامتر، مورد توجه قرار گرفت.

در حالی که منابع مورد نیاز برای آموزش چنین مدل‌هایی می‌تواند بسیار زیاد باشد و تا حد زیادی فقط در اختیار شرکت‌های بزرگ باشد، پس از آموزش انرژی مورد نیاز برای اجرای این مدل‌ها به میزان قابل توجهی کمتر می‌شود. با این حال، با افزایش تقاضا برای خدمات مبتنی بر این مدل‌ها، مصرف برق و اثرات زیست‌محیطی ناشی از آن دوباره به یک مسئله تبدیل می‌شود.

یک استدلال این است که تأثیر زیست محیطی آموزش و اجرای مدل های بزرگتر باید در مقابل یادگیری ماشینی بالقوه ای که باید تأثیر مثبت قابل توجهی داشته باشد، سنجیده شود، به عنوان مثال، پیشرفت های سریع تر در مراقبت های بهداشتی که به نظر می رسد به دنبال پیشرفتی که توسط AlphaFold Google DeepMind ایجاد شده است.