ربات‌هایی که درد را می‌فهمند و حرکت بازیکنان فوتبال را پیش‌بینی می‌کنند
پژوهشگران سعی دارند با کمک هوش مصنوعی، توانایی‌هایی مانند حس کردن درد و پیش‌بینی حرکت بازیکنان فوتبال را برای ربات‌ها فراهم کنند.
به گزارش تک کرانچ، پژوهش‌های انجام شده در زمینه یادگیری ماشینی و هوش مصنوعی که اکنون یک فناوری کلیدی در هر صنعت و شرکتی به شمار می‌روند، بسیار حجیم‌تر از آن هستند که کسی بتواند همه آنها را بخواند. هدف از این گزارش، جمع‌آوری برخی از مرتبط‌ترین اکتشافات و جدیدترین مقالات در مورد هوش مصنوعی است اما تنها به آن محدود نمی‌شود و هدف توضیح دادن اهمیت آنها است.
یکی از خبرهای مهم این هفته، ابداع پوست مصنوعی بود. گروهی از مهندسان "دانشگاه گلاسگو"(University of Glasgow)، از ابداع نوعی پوست مصنوعی خبر دادند که می‌تواند درد شبیه‌سازی‌شده را تجربه کند و نسبت به آن واکنش نشان دهد.
پوست مصنوعی دانشگاه گلاسگو، نوع جدیدی از سیستم پردازش مبتنی بر ترانزیستورهای سیناپسی را در بر دارد که برای تقلید از مسیرهای عصبی مغز طراحی شده‌اند. این ترانزیستورها از نانوسیم‌های اکسید روی تشکیل شده‌اند که بر سطح یک پلاستیک انعطاف‌پذیر چاپ شده‌اند. آنها به یک حسگر پوستی متصل شده‌اند که تغییرات رخ داده در مقاومت الکتریکی را ثبت می‌کند.
اگرچه آزمایش پوست مصنوعی پیشتر انجام شده بود اما پژوهشگران ادعا می‌کنند که طراحی آنها متفاوت است زیرا از یک مدار تعبیه‌شده در سیستم به عنوان یک سیناپس مصنوعی استفاده می‌کند که افزایش ولتاژ ورودی را در پی دارد. این امر، پردازش را تسریع کرد و به پژوهشگران امکان داد تا با تعیین آستانه‌ای از ولتاژ ورودی که فرکانس آن بر اساس سطح فشار اعمال‌شده به پوست متفاوت است، به پوست بیاموزد که چگونه به درد شبیه‌سازی‌شده واکنش نشان دهد.
پژوهشگران پیش‌بینی می‌کنند که بتوان از پوست مصنوعی در حوزه رباتیک استفاده کرد. به‌عنوان مثال، پوست مصنوعی می‌تواند از تماس بازوی رباتیک با دمای بسیار بالا جلوگیری کند.
شرکت "دیپ مایند"(DeepMind) که در حوزه رباتیک فعال است، از ابداع یک مدل هوش مصنوعی به نام "گراف ایمپوتر"(Graph Imputer) خبر داده است که می‌تواند با استفاده از دوربین، مسیر حرکت بازیکنان فوتبال را پیش‌بینی کند. جالب‌تر این که این سیستم می‌تواند فراتر از دید دوربین در مورد بازیکنان پیش‌بینی کند و موقعیت بیشتر بازیکنان و نه همه آنها را در زمین با دقت نسبتا بالایی ردیابی کند.
گراف ایمپوتر، کامل نیست اما پژوهشگران دیپ مایند می‌گویند که می‌توان از آن برای برنامه‌هایی مانند مدلسازی کنترل زمین یا پیش‌بینی احتمال اینکه بازیکن می‌تواند توپ را کنترل کند، استفاده کرد. فراتر از فوتبال و سایر تجزیه و تحلیل‌های ورزشی، دیپ مایند انتظار دارد که روش‌های ورای گراف ایمپوتر در حوزه‌هایی مانند مدلسازی عابر پیاده در جاده‌ها و مدلسازی جمعیت در استادیوم‌ها نیز قابل اجرا باشد.
"دانشگاه چینهوا"(Tsinghua University) با مشارکت "آکادمی هوش مصنوعی پکن"(BAAI)، یک مدل بلندپروازانه‌تر به نام "کاگ ویدئو"(CogVideo) ابداع کرده است که می‌تواند کلیپ‌های ویدئویی را از متن تولید کند. به عنوان مثال، عبارت‌های "مردی در حال اسکی کردن" یا "شیری در حال نوشیدن آب" را به صورت ویدئو ارائه دهد. این کلیپ‌ها مملو از مصنوعات و سایر موارد عجیب بصری هستند اما با توجه به اینکه صحنه‌هایی کاملا تخیلی را در بر دارند، نقد کردن سریع آنها بسیار دشوار است.
یادگیری ماشینی اغلب در کشف دارو استفاده میشود؛ حوزه‌ای که یک تنوع تقریبا نامتناهی از مولکول‌ها باید در آن مرتب و شناسایی شوند تا اثرات بالقوه مفیدی را ارائه دهند اما حجم داده‌ها و نتایج مثبت کاذب آنقدر زیاد و بررسی سرنخ‌ها آنقدر پرهزینه و زمان‌بر است که حتی دقت ۹۹ درصد نیز به اندازه کافی خوب نیست. این مورد به ویژه در مورد داده‌های مولکولی بدون برچسب، در مقایسه با مولکول‌هایی که طی سال‌ها به صورت دستی مورد بررسی قرار گرفته‌اند، بسیار قابل توجه است.
پژوهشگران "دانشگاه کارنگی ملون"(CMU) سعی دارند مدلی را برای دسته‌بندی میلیاردها مولکول نامشخص و درک آنها بدون هیچ گونه اطلاعات اضافی ابداع کنند. آنها این کار را با ایجاد تغییرات جزئی در ساختار مولکول مجازی انجام می‌دهند؛ مانند پنهان کردن یک اتم یا حذف یک پیوند و مشاهده چگونگی تغییر مولکول به دست آمده. این کار به آنها امکان می‌دهد تا ویژگی‌های ذاتی را در مورد چگونگی شکل‌گیری و رفتار چنین مولکول‌هایی بیاموزند. همچنین این ویژگی، عملکرد بهتر مدل را نسبت به سایر مدل‌های هوش مصنوعی برای شناسایی مواد شیمیایی سمی در پایگاه داده آزمایشی به همراه دارد.
امضای مولکولی نیز در تشخیص بیماری، نکته‌ای کلیدی است. دو بیمار ممکن است علائم مشابهی داشته باشند اما تجزیه و تحلیل دقیق نتایج آزمایشگاهی آنها نشان بدهد که بیماری‌های بسیار متفاوتی دارند. این یک روش استاندارد پزشکی است اما از آنجا که داده‌های آزمایش‌ها و تجزیه و تحلیل‌های متعددی جمع می‌شوند، ردیابی همه همبستگی‌ها دشوار خواهد بود. "دانشگاه فنی مونیخ"(TU Munich) در حال کار کردن روی نوعی متاالگوریتم بالینی است که چندین منبع داده از جمله الگوریتم‌های دیگر را برای تمایز قائل شدن بین برخی بیماری‌های کبدی با نشانه‌های مشابه یکپارچه‌سازی می‌کند. اگرچه چنین مدل‌هایی جایگزین پزشکان نمی‌شوند اما می‌توانند به بررسی داده‌های زیادی بپردازند که متخصصان ممکن است زمان یا تخصص کافی را برای تفسیر آن نداشته باشند.