آ
مهندسان دانشگاه پنسیلوانیا ابزار هوش مصنوعی جدیدی برای تسریع کشف آنتیبیوتیکها ایجاد کردند
مهندسان دانشگاه پنسیلوانیا ابزار هوش مصنوعی جدیدی به نام ApexGO را توسعه دادهاند که میتواند روند کشف و بهینهسازی آنتیبیوتیکها را به طور قابل توجهی تسریع کند. برخلاف رویکردهای رایج هوش مصنوعی که صرفاً مولکولهای موجود در پایگاههای داده عظیم را غربال میکنند، ApexGO با تعداد محدودی کاندیدای ناکامل شروع کرده و آنها را به صورت گامبهگام و هوشمند بهبود میبخشد. این ابزار با ترکیب مدل پیشبینیکننده APEX و الگوریتم بهینهسازی بیزی، ویرایشهای دقیق مولکولی را پیشنهاد میدهد، اثربخشی هر تغییر را پیشبینی کرده و به صورت تکراری به سمت مولکولهای قویتر حرکت میکند.
نتایج آزمایشگاهی بسیار امیدوارکننده بوده است: ۸۵ درصد از مولکولهای تولیدشده توسط ApexGO رشد باکتریها را متوقف کردند و ۷۲ درصد از آنها عملکرد بهتری نسبت به پپتیدهای اولیه داشتند. مهمتر اینکه، دو پپتید بهینهشده در آزمایشهای حیوانی (موش) توانستند تعداد باکتریها را به اندازه پلیمیکسین B — یکی از قویترین آنتیبیوتیکهای آخرینمرحله — کاهش دهند.
ApexGO یک تغییر پارادایم مهم در حوزه کشف دارو ایجاد میکند. این ابزار جستجوی تصادفی و پرهزینه در فضای مولکولی عظیم را به یک فرآیند هدایتشده، سریعتر و کارآمدتر تبدیل میکند. با توجه به بحران جهانی مقاومت آنتیبیوتیکی (AMR) که یکی از بزرگترین تهدیدهای سلامت عمومی قرن حاضر محسوب میشود، چنین ابزاری میتواند زمان و هزینه توسعه آنتیبیوتیکهای جدید را به طور چشمگیری کاهش دهد و امکان پاسخ سریعتر به باکتریهای مقاوم را فراهم کند.
هرچند این مولکولها هنوز در مراحل اولیه هستند و نیاز به تستهای ایمنی، پایداری و بالینی دارند، اما ApexGO نشان میدهد که هوش مصنوعی میتواند نه تنها کشف دارو را سرعت بخشد، بلکه کیفیت و دقت آن را نیز به سطح جدیدی برساند. این رویکرد میتواند الگوی آینده صنعت داروسازی در مبارزه با عفونتهای مقاوم را تغییر دهد.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
مهندسان دانشگاه پنسیلوانیا ابزار هوش مصنوعی جدیدی به نام ApexGO را توسعه دادهاند که میتواند روند کشف و بهینهسازی آنتیبیوتیکها را به طور قابل توجهی تسریع کند. برخلاف رویکردهای رایج هوش مصنوعی که صرفاً مولکولهای موجود در پایگاههای داده عظیم را غربال میکنند، ApexGO با تعداد محدودی کاندیدای ناکامل شروع کرده و آنها را به صورت گامبهگام و هوشمند بهبود میبخشد. این ابزار با ترکیب مدل پیشبینیکننده APEX و الگوریتم بهینهسازی بیزی، ویرایشهای دقیق مولکولی را پیشنهاد میدهد، اثربخشی هر تغییر را پیشبینی کرده و به صورت تکراری به سمت مولکولهای قویتر حرکت میکند.نتایج آزمایشگاهی بسیار امیدوارکننده بوده است: ۸۵ درصد از مولکولهای تولیدشده توسط ApexGO رشد باکتریها را متوقف کردند و ۷۲ درصد از آنها عملکرد بهتری نسبت به پپتیدهای اولیه داشتند. مهمتر اینکه، دو پپتید بهینهشده در آزمایشهای حیوانی (موش) توانستند تعداد باکتریها را به اندازه پلیمیکسین B — یکی از قویترین آنتیبیوتیکهای آخرینمرحله — کاهش دهند.ApexGO یک تغییر پارادایم مهم در حوزه کشف دارو ایجاد میکند. این ابزار جستجوی تصادفی و پرهزینه در فضای مولکولی عظیم را به یک فرآیند هدایتشده، سریعتر و کارآمدتر تبدیل میکند. با توجه به بحران جهانی مقاومت آنتیبیوتیکی (AMR) که یکی از بزرگترین تهدیدهای سلامت عمومی قرن حاضر محسوب میشود، چنین ابزاری میتواند زمان و هزینه توسعه آنتیبیوتیکهای جدید را به طور چشمگیری کاهش دهد و امکان پاسخ سریعتر به باکتریهای مقاوم را فراهم کند.هرچند این مولکولها هنوز در مراحل اولیه هستند و نیاز به تستهای ایمنی، پایداری و بالینی دارند، اما ApexGO نشان میدهد که هوش مصنوعی میتواند نه تنها کشف دارو را سرعت بخشد، بلکه کیفیت و دقت آن را نیز به سطح جدیدی برساند. این رویکرد میتواند الگوی آینده صنعت داروسازی در مبارزه با عفونتهای مقاوم را تغییر دهد.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۶:۰۹
دانشگاه جانز هاپکینز و شرکت کرهای هوینو ابزار هوش مصنوعی تشخیص زودرس وخامت حال بیماران را آزمایش میکنند
شرکت کرهای دیجیتال هلث هوینو (Huinno) با پژوهشگران دانشگاه جانز هاپکینز همکاری میکند تا ابزار هوش مصنوعی جدیدی را توسعه و آزمایش کند که قادر به تشخیص زودهنگام علائم وخامت حال بیماران در بخشهای عمومی بیمارستان باشد.
این پروژه بر بخشهای عمومی بیمارستان متمرکز است؛ جایی که علائم حیاتی معمولاً فقط هر چند ساعت یکبار چک میشوند و سیستمهای هشدار زودهنگام موجود اغلب هشدارهای کاذب زیادی تولید میکنند که بار کاری کادر درمان را افزایش میدهد. هوینو از سیستم پایش لحظهای بیماران بستری خود به نام MEMO Cue و ابزار پیشبینی وخامت حال بالینی مبتنی بر هوش مصنوعی به نام Vital PICASO استفاده خواهد کرد تا دادههای بیماران را تحلیل کند و به کادر پزشکی کمک نماید تا زودتر مداخله کنند.
این همکاری توسط تیمی از دانشگاه جانز هاپکینز به رهبری پروفسور ماتسوشیتا (از دانشکده بهداشت عمومی بلومبرگ و دانشکده پزشکی) هدایت خواهد شد. این گروه چندرشتهای شامل متخصصان هوش مصنوعی پزشکی، الکتروفیزیولوژی، سوابق الکترونیک سلامت و پزشکی دقیق است.
Vital PICASO که توسط شرکت تابعه هوینو به نام Huinno AIM توسعه یافته، دادههای علائم حیاتی بیماران بخش عمومی را تحلیل کرده و خطرهایی مانند افت فشار خون، هیپوکسی (کمبود اکسیژن) و ایست قلبی را پیشبینی میکند. این ابزار سال گذشته توسط وزارت غذا و ایمنی داروی کره (MFDS) به عنوان دستگاه پزشکی نوآورانه تأیید شده است.
این همکاری هدف دارد سیستم هشدار زودهنگام دقیقتر و کارآمدتری ایجاد کند که هم هشدارهای کاذب را کاهش دهد و هم به کادر درمان کمک کند تا پیش از بحرانی شدن وضعیت بیمار، مداخله کنند.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
شرکت کرهای دیجیتال هلث هوینو (Huinno) با پژوهشگران دانشگاه جانز هاپکینز همکاری میکند تا ابزار هوش مصنوعی جدیدی را توسعه و آزمایش کند که قادر به تشخیص زودهنگام علائم وخامت حال بیماران در بخشهای عمومی بیمارستان باشد.این پروژه بر بخشهای عمومی بیمارستان متمرکز است؛ جایی که علائم حیاتی معمولاً فقط هر چند ساعت یکبار چک میشوند و سیستمهای هشدار زودهنگام موجود اغلب هشدارهای کاذب زیادی تولید میکنند که بار کاری کادر درمان را افزایش میدهد. هوینو از سیستم پایش لحظهای بیماران بستری خود به نام MEMO Cue و ابزار پیشبینی وخامت حال بالینی مبتنی بر هوش مصنوعی به نام Vital PICASO استفاده خواهد کرد تا دادههای بیماران را تحلیل کند و به کادر پزشکی کمک نماید تا زودتر مداخله کنند.این همکاری توسط تیمی از دانشگاه جانز هاپکینز به رهبری پروفسور ماتسوشیتا (از دانشکده بهداشت عمومی بلومبرگ و دانشکده پزشکی) هدایت خواهد شد. این گروه چندرشتهای شامل متخصصان هوش مصنوعی پزشکی، الکتروفیزیولوژی، سوابق الکترونیک سلامت و پزشکی دقیق است.Vital PICASO که توسط شرکت تابعه هوینو به نام Huinno AIM توسعه یافته، دادههای علائم حیاتی بیماران بخش عمومی را تحلیل کرده و خطرهایی مانند افت فشار خون، هیپوکسی (کمبود اکسیژن) و ایست قلبی را پیشبینی میکند. این ابزار سال گذشته توسط وزارت غذا و ایمنی داروی کره (MFDS) به عنوان دستگاه پزشکی نوآورانه تأیید شده است.این همکاری هدف دارد سیستم هشدار زودهنگام دقیقتر و کارآمدتری ایجاد کند که هم هشدارهای کاذب را کاهش دهد و هم به کادر درمان کمک کند تا پیش از بحرانی شدن وضعیت بیمار، مداخله کنند.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۶:۱۲
هیوندای موبیس به دنبال اتحادهای فناوری رباتیک در سیلیکون ولی آمریکا
شرکت هیوندای موبیس رویداد «روز پنجم تحرک موبیس» را در ۱۸ مه ۲۰۲۶ در سیلیکون ولی (ساننیویل) با موضوع «رباتیک و هوش مصنوعی فیزیکی» برگزار کرد. هدف اصلی این رویداد، شناسایی شرکای جهانی و گسترش همکاری در حوزه رباتیک و هوش مصنوعی فیزیکی بود.
نکات کلیدی- تعداد شرکتکنندگان به حدود ۴۰۰ نفر رسید که دو برابر سال گذشته بود.- در این رویداد، استارتآپها، خودروسازان جهانی، سرمایهگذاران و نمایندگان هیوندای موبیس حضور داشتند و جلسات ارائه و شبکهسازی برگزار شد.- هیوندای موبیس استراتژیهای سرمایهگذاری و تحقیق و توسعه خود در حوزه رباتیک را به اشتراک گذاشت.- کارکنان مرکز فنی هیوندای موبیس در آمریکای شمالی دستاوردهای شرکت در رانندگی خودران، خودروهای نرمافزاری (SDV) و برقیسازی را ارائه کردند.- شرکت برنامه دارد رویداد «روز تحرک موبیس» دیگری را در نیمه دوم سال ۲۰۲۶ در آسیا برگزار کند تا کشف شرکتهای نویدبخش در حوزههایی مانند رباتیک و نیمههادیهای خودرو را تسریع کند.
هیوندای موبیس قصد دارد فعالیتهای نوآوری باز خود_که قبلاً بر بخش تحرک متمرکز بود_ را به حوزههای کسبوکار جدید گسترش دهد تا رقابتپذیری خود را در اکوسیستم جهانی قطعات خودرو، بهویژه در حوزه رباتیک، تقویت کند.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
شرکت هیوندای موبیس رویداد «روز پنجم تحرک موبیس» را در ۱۸ مه ۲۰۲۶ در سیلیکون ولی (ساننیویل) با موضوع «رباتیک و هوش مصنوعی فیزیکی» برگزار کرد. هدف اصلی این رویداد، شناسایی شرکای جهانی و گسترش همکاری در حوزه رباتیک و هوش مصنوعی فیزیکی بود.نکات کلیدی- تعداد شرکتکنندگان به حدود ۴۰۰ نفر رسید که دو برابر سال گذشته بود.- در این رویداد، استارتآپها، خودروسازان جهانی، سرمایهگذاران و نمایندگان هیوندای موبیس حضور داشتند و جلسات ارائه و شبکهسازی برگزار شد.- هیوندای موبیس استراتژیهای سرمایهگذاری و تحقیق و توسعه خود در حوزه رباتیک را به اشتراک گذاشت.- کارکنان مرکز فنی هیوندای موبیس در آمریکای شمالی دستاوردهای شرکت در رانندگی خودران، خودروهای نرمافزاری (SDV) و برقیسازی را ارائه کردند.- شرکت برنامه دارد رویداد «روز تحرک موبیس» دیگری را در نیمه دوم سال ۲۰۲۶ در آسیا برگزار کند تا کشف شرکتهای نویدبخش در حوزههایی مانند رباتیک و نیمههادیهای خودرو را تسریع کند.هیوندای موبیس قصد دارد فعالیتهای نوآوری باز خود_که قبلاً بر بخش تحرک متمرکز بود_ را به حوزههای کسبوکار جدید گسترش دهد تا رقابتپذیری خود را در اکوسیستم جهانی قطعات خودرو، بهویژه در حوزه رباتیک، تقویت کند.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۱۲:۳۰
غنا برنامه سلامت مبتنی بر هوش مصنوعی را راهاندازی کرد تا سیستمهای بهداشتی را تقویت کند و جوامع را حفاظت نماید
غنا برنامه مشترکی را با همکاری سازمان جهانی بهداشت (WHO) و برنامه توسعه سازمان ملل متحد (UNDP) و با بودجه دولت ژاپن از طریق صندوق اعتماد سازمان ملل برای امنیت انسانی، راهاندازی کرد.
هدف این ابتکار، بهرهگیری از هوش مصنوعی (AI) برای بهبود نتایج سلامت، تقویت تابآوری سیستم بهداشتی و حفاظت از جمعیتهای آسیبپذیر است. این برنامه بر ادغام هوش مصنوعی در سیستم سلامت غنا به شیوهای اخلاقی، فراگیر و انسانمحور تمرکز دارد.
اجزای کلیدی برنامه عبارتند از:
- تقویت ظرفیت نهادی و انسانی در زمینه حکمرانی هوش مصنوعی
- تضمین حریم خصوصی و امنیت قوی دادهها
- گسترش سواد دیجیتال در میان کارکنان بهداشت و درمان و جوامع
- استقرار سیستمهای هشدار زودهنگام مبتنی بر هوش مصنوعی برای بیماریهای حساس به تغییرات اقلیمی
- ادغام هوش مصنوعی در پلتفرمهای ملی مانند DHIS2
- ترویج مشارکت مسئولانه بخش خصوصی.
مسئولان ارشد WHO، UNDP، دولت غنا و ژاپن بر پتانسیل این برنامه برای پیشبرد عدالت، بهبود کارایی و ساخت یک سیستم بهداشتی مقاومتر تأکید کردند و اعلام داشتند که مردم در مرکز این تحول دیجیتال قرار خواهند گرفت.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
غنا برنامه مشترکی را با همکاری سازمان جهانی بهداشت (WHO) و برنامه توسعه سازمان ملل متحد (UNDP) و با بودجه دولت ژاپن از طریق صندوق اعتماد سازمان ملل برای امنیت انسانی، راهاندازی کرد.هدف این ابتکار، بهرهگیری از هوش مصنوعی (AI) برای بهبود نتایج سلامت، تقویت تابآوری سیستم بهداشتی و حفاظت از جمعیتهای آسیبپذیر است. این برنامه بر ادغام هوش مصنوعی در سیستم سلامت غنا به شیوهای اخلاقی، فراگیر و انسانمحور تمرکز دارد.اجزای کلیدی برنامه عبارتند از:- تقویت ظرفیت نهادی و انسانی در زمینه حکمرانی هوش مصنوعی
- تضمین حریم خصوصی و امنیت قوی دادهها
- گسترش سواد دیجیتال در میان کارکنان بهداشت و درمان و جوامع
- استقرار سیستمهای هشدار زودهنگام مبتنی بر هوش مصنوعی برای بیماریهای حساس به تغییرات اقلیمی
- ادغام هوش مصنوعی در پلتفرمهای ملی مانند DHIS2
- ترویج مشارکت مسئولانه بخش خصوصی.
مسئولان ارشد WHO، UNDP، دولت غنا و ژاپن بر پتانسیل این برنامه برای پیشبرد عدالت، بهبود کارایی و ساخت یک سیستم بهداشتی مقاومتر تأکید کردند و اعلام داشتند که مردم در مرکز این تحول دیجیتال قرار خواهند گرفت.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۶:۳۶
آیندهی هوش مصنوعی متنباز: اکوسیستم در برابر امپراتوریها برگرفته از گزارش مککنزی، بنیاد موزیلا و بنیاد مکگاورن | آوریل ۲۰۲۵ تحلیلی راهبردی برای «کانال آینده»فناوریهای متنباز در عصر هوش مصنوعی به یک مؤلفهی استراتژیک بدل شدهاند. بررسی جهانی از رهبران فناوری نشان میدهد که بیش از ۵۰ درصد سازمانها در بخشهای داده، مدل و ابزار از متنباز استفاده میکنند و ۷۵ درصد قصد دارند این روند را طی سالهای آینده افزایش دهند.عامل اصلی این گرایش، مزیتهای هزینهای متنباز در برابر ابزارهای مالکیتی است؛ متنباز هزینههای پیادهسازی و نگهداری را کاهش میدهد و به توسعهدهندگان آزادی بیشتری میبخشد. با این حال، دغدغههایی چون امنیت سایبری، مالکیت فکری و انطباق مقررات، موانعی جدی بر سر راه گسترش آن ایجاد کردهاند.سازمانهای پیشرو با اتخاذ تدابیری مانند گاردریلهای خودکار، ارزیابیهای ثالث و بهینهسازی امنیت زیرساختها، در تلاشاند ریسکهای متنباز را مدیریت کنند. گرایش به مدلهای نیمهباز، که توازن میان دسترسی و کنترل دادهها را فراهم میکند، به عنوان راهکاری عملگرایانه برجسته شده است.توسعهی مدلهای پیشرفتهای چون Llama 3 و DeepSeek-V3 نشان میدهد که شکاف عملکردی میان مدلهای متنباز و بسته در حال کاهش است. در همین حال، حرکت به سمت مدلهای کوچکتر و استدلالی، فرصتهای تازهای برای استقرار خصوصی، پردازش لبهای و افزایش شفافیت ایجاد کرده است.آینده به سمت یک اکوسیستم ترکیبی پیش میرود؛ جایی که متنباز و ابزارهای مالکیتی بهطور همزیست در معماریهای چندلایهی هوش مصنوعی حضور خواهند داشت. اما در این آینده، برنده واقعی سازمانهایی خواهند بود که بتوانند قدرت نوآوری باز را با حکمرانی هوشمندانه و مدیریت ریسک پیوند بزنند. برای تحلیلهای آیندهنگرانهی بیشتر، همراه «کانال آینده» باشید.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۵:۰۸
پایان مصونیت تکنولوژی سرکوب: شکست تاریخی NSO Group در دادگاه آمریکا
در حکمی تاریخی، هیئت منصفه فدرال در کالیفرنیا شرکت اسرائیلی NSO Group را به پرداخت ۱۶۸ میلیون دلار غرامت به نفع واتساپ محکوم کرد؛ بهدلیل نفوذ بدون کلیک به گوشیهای حداقل ۱۴۰۰ نفر از فعالان مدنی، روزنامهنگاران و دیپلماتها در بیش از ۵۰ کشور با استفاده از جاسوسافزار Pegasus.
NSO در دفاع از خود مدعی شده بود که تنها به دولتها برای مقابله با تروریسم خدمات ارائه میدهد و از سوءاستفاده مشتریان بیاطلاع است. اما دادگاه این ادعا را نپذیرفت و تأکید کرد: اگر شرکتی فناوری نظارت میسازد، نمیتواند از مسئولیت پیامدهای آن شانه خالی کند.
پرونده، بهعنوان یکی از نخستین تلاشهای موفق برای پاسخگو کردن سازندگان ابزارهای جاسوسی، افشا کرد که NSO با تیمی ۱۴۰ نفره و بودجه ۵۰ میلیون دلاری، برای نفوذ به دستگاههای شخصی فعالیت میکرده و مشتریانی چون عربستان، ازبکستان، مکزیک و حتی آژانسهای اطلاعاتی آمریکا داشته است.
واتساپ اعلام کرده که این رأی را بهعنوان الگویی برای اقدام علیه سایر شرکتهای مشابه دنبال خواهد کرد و قصد دارد غرامت دریافتی را به حمایت از حقوق دیجیتال اختصاص دهد.
این پرونده پیامی روشن دارد: صنعت جاسوسافزار دیگر نمیتواند در سایه امنیتی دولتها پنهان شود. فناوری، هرچقدر پیچیده، باید در برابر عدالت، شفاف و پاسخگو باشد.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
در حکمی تاریخی، هیئت منصفه فدرال در کالیفرنیا شرکت اسرائیلی NSO Group را به پرداخت ۱۶۸ میلیون دلار غرامت به نفع واتساپ محکوم کرد؛ بهدلیل نفوذ بدون کلیک به گوشیهای حداقل ۱۴۰۰ نفر از فعالان مدنی، روزنامهنگاران و دیپلماتها در بیش از ۵۰ کشور با استفاده از جاسوسافزار Pegasus.NSO در دفاع از خود مدعی شده بود که تنها به دولتها برای مقابله با تروریسم خدمات ارائه میدهد و از سوءاستفاده مشتریان بیاطلاع است. اما دادگاه این ادعا را نپذیرفت و تأکید کرد: اگر شرکتی فناوری نظارت میسازد، نمیتواند از مسئولیت پیامدهای آن شانه خالی کند.پرونده، بهعنوان یکی از نخستین تلاشهای موفق برای پاسخگو کردن سازندگان ابزارهای جاسوسی، افشا کرد که NSO با تیمی ۱۴۰ نفره و بودجه ۵۰ میلیون دلاری، برای نفوذ به دستگاههای شخصی فعالیت میکرده و مشتریانی چون عربستان، ازبکستان، مکزیک و حتی آژانسهای اطلاعاتی آمریکا داشته است.واتساپ اعلام کرده که این رأی را بهعنوان الگویی برای اقدام علیه سایر شرکتهای مشابه دنبال خواهد کرد و قصد دارد غرامت دریافتی را به حمایت از حقوق دیجیتال اختصاص دهد.این پرونده پیامی روشن دارد: صنعت جاسوسافزار دیگر نمیتواند در سایه امنیتی دولتها پنهان شود. فناوری، هرچقدر پیچیده، باید در برابر عدالت، شفاف و پاسخگو باشد.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۵:۲۰
هوش مصنوعی شروع به طراحی بهتر از مهندسان چیپ در حوزههای خاص کرده است؛ «هنوز راهنمایی انسانی زیادی لازم است»
هوش مصنوعی به طور جدی و عمیق وارد حوزه طراحی چیپ شده و در برخی حوزههای محدود اما بسیار ساختارمند و قابل ارزیابی، شروع به پیشی گرفتن از مهندسان انسانی کرده است. سیستم AlphaChip شرکت گوگل دیپمایند توانسته طراحی سه نسل کامل از پردازندههای TPU را با عملکرد «فراتر از انسانی» (superhuman) انجام دهد. همچنین شرکت Synopsys با ابزار DSO.ai خود از مرز صد پروژه واقعی تولید (production tape-out) عبور کرده و نتایج چشمگیری به دست آورده است: افزایش بهرهوری بیش از سه برابری و کاهش مصرف قدرت تا ۲۵ درصد برای مشتریان بزرگی مانند STMicroelectronics و SK hynix. در محیط دانشگاهی نیز، پژوهشگران دانشگاه برکلی با سیستم ArchAgent مبتنی بر چارچوب AlphaEvolve گوگل، موفق شدند تنها در دو روز یک سیاست جایگزینی کش کاملاً جدید طراحی کنند که در workloadهای چند هستهای گوگل، بهبود ۵.۳ درصدی در IPC ایجاد کرد و در بنچمارکهای تکهستهای SPEC06 نیز بهبود ۰.۹ درصدی به دست آورد. این دستاوردها نشان میدهد که هوش مصنوعی دیگر صرفاً یک ابزار کمکی نیست، بلکه در حوزههای خاص قادر به تولید نتایج برتر و نوآورانه است.
هوش مصنوعی دو مسیر کاربردی اصلی را پیش روی صنعت قرار داده است. مسیر اول که در حال حاضر غالب صنعت است، تمرکز بر کاهش هزینهها، اتوماسیون فرآیندهای موجود و افزایش بهرهوری عملیاتی است؛ همان چیزی که بوریوجه نیکولیچ، استاد دانشگاه برکلی، آن را مشابه استفاده اولیه از قانون مور برای ارزانتر کردن محصولات موجود توصیف میکند. مسیر دوم اما، که دانشگاهیان و پژوهشگران بیشتر بر آن تأکید دارند، استفاده از هوش مصنوعی برای کشف ایدهها، توپولوژیها و راهحلهای جدیدی است که انسانها هنوز به آن نرسیدهاند؛ رویکردی شبیه به آنچه AlphaFold در کشف ساختار پروتئینها انجام داد.
با این وجود، همه کارشناسان برجستهای که در مقاله با آنها مصاحبه شده، از جمله نیکولیچ، ساگر کاراندیکار و ایگور مارکوف، بر این نکته تأکید دارند که هوش مصنوعی همچنان به راهنمایی انسانی قوی، هوشمندانه و سطح بالا نیاز دارد. انسانها مسئولیت ایدهپردازی کلان، تعیین جهتگیریهای استراتژیک، هدایت مدلهای زبانی، تنظیم اهداف و اعتبارسنجی نهایی خروجیها را بر عهده دارند، در حالی که هوش مصنوعی بیشتر در پردازش جزئیات دقیق، بهینهسازیهای ظریف و جستجوی گسترده در فضای طراحی مؤثر است. کاراندیکار به زیبایی بیان کرده که این همکاری نه تنها انسان را جایگزین نمیکند، بلکه سطح تفکر و خلاقیت انسانی را ارتقا میدهد و او را به لایههای بالاتری از تفکر میبرد.
پیام کلیدی مقاله این است که شرکتها نباید هوش مصنوعی را به عنوان ابزاری برای کوچک کردن تیمها و کاهش نیروی انسانی ببینند، بلکه باید آن را به عنوان یک «نیروی چندبرابرکننده» (Force Multiplier) به کار بگیرند که خروجی تیمهای موجود را به شکل قابل توجهی افزایش میدهد. حوزههایی مانند طراحی آنالوگ که سالها آخرین سنگر مهارت و هنر انسانی محسوب میشد، اکنون با ابزارهایی مانند AnalogGenie و سیستمهای کشف فضای طراحی دانشگاه پرینستون در حال تحول اساسی هستند. همچنین مفهوم «هوش مصنوعی عاملمحور» (Agentic AI) که مارکوف بر آن بسیار تأکید دارد، از اهمیت راهبردی بالایی برخوردار است؛ یعنی استفاده از هوش مصنوعی برای مدیریت و orchestration سطح بالای کل جریان طراحی، تصمیمگیری درباره ادامه یا توقف پروژهها، تشخیص پروژههای محکوم به شکست و تبدیل مشخصات غیررسمی زبان طبیعی به فرمتهای رسمی و قابل اجرا.
با وجود پیشرفتهای قابل توجه، باید واقعبین بود. پدیده پارادوکس جِوُنز نیز در این حوزه خود را نشان خواهد داد: هرچه هوش مصنوعی برخی مراحل را سریعتر و ارزانتر کند، مهندسان از ظرفیت آزادشده برای ورود به پروژههای پیچیدهتر، جسورانهتر و نوآورانهتری استفاده خواهند کرد که قبلاً جرات یا زمان کافی برای آنها نداشتند، بهویژه در طراحی شتابدهندههای هوش مصنوعی نسل بعدی قابل مشاهده است.
مدیران باید سرمایهگذاری جدی روی جذب و پرورش مهندسانی انجام دهند که علاوه بر دانش سنتی طراحی چیپ، در کار با ابزارهای هوش مصنوعی، پرامپتنویسی پیشرفته و تفسیر خروجیهای مدلها نیز مهارت بالایی داشته باشند. هوش مصنوعی شغل طراح چیپ را حذف نخواهد کرد، بلکه ماهیت آن را ارتقا میدهد و الزامات آن را به سطح بالاتری میبرد. شرکتهایی که این تحول را سریعتر، هوشمندانهتر و با تعادل مناسب بین بهرهوری کوتاهمدت و نوآوری بلندمدت مدیریت کنند، در رقابت جهانی طراحی چیپهای نسل آینده برتری قابل توجهی خواهند داشت.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
هوش مصنوعی به طور جدی و عمیق وارد حوزه طراحی چیپ شده و در برخی حوزههای محدود اما بسیار ساختارمند و قابل ارزیابی، شروع به پیشی گرفتن از مهندسان انسانی کرده است. سیستم AlphaChip شرکت گوگل دیپمایند توانسته طراحی سه نسل کامل از پردازندههای TPU را با عملکرد «فراتر از انسانی» (superhuman) انجام دهد. همچنین شرکت Synopsys با ابزار DSO.ai خود از مرز صد پروژه واقعی تولید (production tape-out) عبور کرده و نتایج چشمگیری به دست آورده است: افزایش بهرهوری بیش از سه برابری و کاهش مصرف قدرت تا ۲۵ درصد برای مشتریان بزرگی مانند STMicroelectronics و SK hynix. در محیط دانشگاهی نیز، پژوهشگران دانشگاه برکلی با سیستم ArchAgent مبتنی بر چارچوب AlphaEvolve گوگل، موفق شدند تنها در دو روز یک سیاست جایگزینی کش کاملاً جدید طراحی کنند که در workloadهای چند هستهای گوگل، بهبود ۵.۳ درصدی در IPC ایجاد کرد و در بنچمارکهای تکهستهای SPEC06 نیز بهبود ۰.۹ درصدی به دست آورد. این دستاوردها نشان میدهد که هوش مصنوعی دیگر صرفاً یک ابزار کمکی نیست، بلکه در حوزههای خاص قادر به تولید نتایج برتر و نوآورانه است.هوش مصنوعی دو مسیر کاربردی اصلی را پیش روی صنعت قرار داده است. مسیر اول که در حال حاضر غالب صنعت است، تمرکز بر کاهش هزینهها، اتوماسیون فرآیندهای موجود و افزایش بهرهوری عملیاتی است؛ همان چیزی که بوریوجه نیکولیچ، استاد دانشگاه برکلی، آن را مشابه استفاده اولیه از قانون مور برای ارزانتر کردن محصولات موجود توصیف میکند. مسیر دوم اما، که دانشگاهیان و پژوهشگران بیشتر بر آن تأکید دارند، استفاده از هوش مصنوعی برای کشف ایدهها، توپولوژیها و راهحلهای جدیدی است که انسانها هنوز به آن نرسیدهاند؛ رویکردی شبیه به آنچه AlphaFold در کشف ساختار پروتئینها انجام داد.با این وجود، همه کارشناسان برجستهای که در مقاله با آنها مصاحبه شده، از جمله نیکولیچ، ساگر کاراندیکار و ایگور مارکوف، بر این نکته تأکید دارند که هوش مصنوعی همچنان به راهنمایی انسانی قوی، هوشمندانه و سطح بالا نیاز دارد. انسانها مسئولیت ایدهپردازی کلان، تعیین جهتگیریهای استراتژیک، هدایت مدلهای زبانی، تنظیم اهداف و اعتبارسنجی نهایی خروجیها را بر عهده دارند، در حالی که هوش مصنوعی بیشتر در پردازش جزئیات دقیق، بهینهسازیهای ظریف و جستجوی گسترده در فضای طراحی مؤثر است. کاراندیکار به زیبایی بیان کرده که این همکاری نه تنها انسان را جایگزین نمیکند، بلکه سطح تفکر و خلاقیت انسانی را ارتقا میدهد و او را به لایههای بالاتری از تفکر میبرد.پیام کلیدی مقاله این است که شرکتها نباید هوش مصنوعی را به عنوان ابزاری برای کوچک کردن تیمها و کاهش نیروی انسانی ببینند، بلکه باید آن را به عنوان یک «نیروی چندبرابرکننده» (Force Multiplier) به کار بگیرند که خروجی تیمهای موجود را به شکل قابل توجهی افزایش میدهد. حوزههایی مانند طراحی آنالوگ که سالها آخرین سنگر مهارت و هنر انسانی محسوب میشد، اکنون با ابزارهایی مانند AnalogGenie و سیستمهای کشف فضای طراحی دانشگاه پرینستون در حال تحول اساسی هستند. همچنین مفهوم «هوش مصنوعی عاملمحور» (Agentic AI) که مارکوف بر آن بسیار تأکید دارد، از اهمیت راهبردی بالایی برخوردار است؛ یعنی استفاده از هوش مصنوعی برای مدیریت و orchestration سطح بالای کل جریان طراحی، تصمیمگیری درباره ادامه یا توقف پروژهها، تشخیص پروژههای محکوم به شکست و تبدیل مشخصات غیررسمی زبان طبیعی به فرمتهای رسمی و قابل اجرا.با وجود پیشرفتهای قابل توجه، باید واقعبین بود. پدیده پارادوکس جِوُنز نیز در این حوزه خود را نشان خواهد داد: هرچه هوش مصنوعی برخی مراحل را سریعتر و ارزانتر کند، مهندسان از ظرفیت آزادشده برای ورود به پروژههای پیچیدهتر، جسورانهتر و نوآورانهتری استفاده خواهند کرد که قبلاً جرات یا زمان کافی برای آنها نداشتند، بهویژه در طراحی شتابدهندههای هوش مصنوعی نسل بعدی قابل مشاهده است.مدیران باید سرمایهگذاری جدی روی جذب و پرورش مهندسانی انجام دهند که علاوه بر دانش سنتی طراحی چیپ، در کار با ابزارهای هوش مصنوعی، پرامپتنویسی پیشرفته و تفسیر خروجیهای مدلها نیز مهارت بالایی داشته باشند. هوش مصنوعی شغل طراح چیپ را حذف نخواهد کرد، بلکه ماهیت آن را ارتقا میدهد و الزامات آن را به سطح بالاتری میبرد. شرکتهایی که این تحول را سریعتر، هوشمندانهتر و با تعادل مناسب بین بهرهوری کوتاهمدت و نوآوری بلندمدت مدیریت کنند، در رقابت جهانی طراحی چیپهای نسل آینده برتری قابل توجهی خواهند داشت.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۸:۵۳
چرا هوش مصنوعی هنوز به مزیت راهبردی ایران در جنگ تبدیل نشده است؟
#قسمت_اول| محمود غفوریپژوهشگر ارشد آیندهپژوهی، مرکز نوآوری آینده.
امروزه برتری در میدان نبرد بیش از گذشته به توان تحلیل، سرعت تصمیمگیری و کیفیت پردازش اطلاعات وابسته شده است. در چنین فضایی، هوش مصنوعی دیگر یک فناوری جانبی یا آیندهنگرانه نیست؛ بلکه به یکی از اجزای اصلی قدرت ملی تبدیل شده است. کشورهایی که بتوانند این فناوری را در زنجیره فرماندهی، شناسایی، پشتیبانی عملیاتی و تحلیل تهدید به کار گیرند، در عمل از ظرفیت بیشتری برای مدیریت بحران و تحمیل هزینه به طرف مقابل برخوردار خواهند بود.با وجود این، مسئله مهم برای ایران آن است که میان «توجه به هوش مصنوعی» و «برخورداری از توان مؤثر مبتنی بر هوش مصنوعی» فاصلهای جدی وجود دارد. در سالهای اخیر، موضوع هوش مصنوعی در فضای علمی، رسانهای و اجرایی کشور پررنگ شده و مجموعهای از بازیگران نیز وارد این حوزه شدهاند، اما این بهمعنای شکلگیری قدرت راهبردی در این عرصه نیست. آنچه امروز باید مورد ارزیابی قرار گیرد، نه صرفاً تعداد پروژهها یا محصولات معرفیشده، بلکه میزان اثر واقعی این ظرفیتها در موقعیتهای حساس، از جمله در شرایط تقابل و جنگ، است.
جنگ آینده، جنگ داده و محاسبه استجنگهای نوین صرفاً با تکیه بر سلاحهای پیشرفته تعریف نمیشوند. آنچه به این سلاحها معنا میدهد، سامانههایی است که بتوانند دادههای متنوع را دریافت، طبقهبندی، تحلیل و به تصمیم عملیاتی تبدیل کنند. از این منظر، هوش مصنوعی یک لایه پنهان اما بسیار مؤثر در ساختار قدرت نظامی است. تشخیص الگوهای رفتاری، کشف ارتباطات پنهان، پردازش تصاویر، پیشبینی تحرکات، اولویتبندی اهداف و پشتیبانی از فرماندهی، همگی در حوزههایی قرار میگیرند که بدون استفاده از هوش مصنوعی، یا بسیار پرهزینهاند یا از دقت و سرعت لازم برخوردار نیستند.به همین دلیل، قدرتهای بزرگ از سالها پیش سرمایهگذاری در این حوزه را تنها به کاربردهای تجاری محدود نکردهاند. آنها هوش مصنوعی را در پیوند با امنیت ملی، زیرساختهای دفاعی و رقابت ژئوپلیتیکی تعریف کردهاند. نتیجه چنین نگاهی، شکلگیری مزیتی است که در زمان بحران، خود را در میدان نشان میدهد؛ نه صرفاً در نمایشگاهها، همایشها یا گزارشهای فناورانه.
مسئله ایران، کمبود تلاش نیست؛ فقدان زیستبوم استدر ارزیابی وضعیت ایران نباید دچار سادهسازی شد. مسئله این نیست که در کشور فعالیتی در حوزه هوش مصنوعی صورت نگرفته یا نیروی انسانی مستعد وجود ندارد. واقعیت آن است که طی سالهای گذشته، دانشگاهها، شرکتها و نهادهای مختلف به این حوزه ورود کردهاند و حتی در برخی کاربردهای محدود نیز دستاوردهایی حاصل شده است. اما توسعه هوش مصنوعی در سطح راهبردی، به چیزی بیش از پروژههای پراکنده و محصولات نمایشی نیاز دارد.هوش مصنوعی زمانی به مزیت ملی تبدیل میشود که در دل یک زیستبوم منسجم رشد کند؛ زیستبومی که از سختافزار تا داده، از نرمافزار پایه تا نیروی انسانی، از سرمایهگذاری بلندمدت تا بازار کاربردی و از سیاستگذاری تا امنیت زیرساخت را در بر بگیرد. در ایران، چنین یکپارچگی هنوز شکل نگرفته است. در نتیجه، آنچه وجود دارد بیشتر مجموعهای از تلاشهای منفصل است تا یک معماری ملی قدرتمند.
وابستگی فناورانه، مهمترین مانع پنهانیکی از چالشهای اساسی ایران در این مسیر، وابستگی به اجزای کلیدی فناوری است. بخش قابل توجهی از زیرساخت هوش مصنوعی جهان بر پایه تراشهها، چارچوبهای نرمافزاری و مدلهایی بنا شده که در اختیار چند بازیگر خاص قرار دارد. وقتی کشوری در لایههای پایه این فناوری وابسته باشد، حتی اگر در لایههای کاربردی نیز فعال شود، همچنان در موقعیتی ضعیف و محدود قرار خواهد داشت.این وابستگی تنها یک مشکل اقتصادی یا فنی نیست؛ مسئلهای راهبردی است. کشوری که به ابزارهای طرف مقابل متکی است، در شرایط فشار، تحریم یا تقابل، نمیتواند با اطمینان از پایداری توان خود سخن بگوید. در حوزه دفاعی، این موضوع اهمیت دوچندان پیدا میکند. زیرا قابلیتهایی که در شرایط عادی قابل استفادهاند، ممکن است در شرایط بحران، به دلیل محدودیت دسترسی، نبود امکان ارتقا یا ملاحظات امنیتی، عملاً کارایی لازم را نداشته باشند.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
#قسمت_اول
| محمود غفوریپژوهشگر ارشد آیندهپژوهی، مرکز نوآوری آینده.امروزه برتری در میدان نبرد بیش از گذشته به توان تحلیل، سرعت تصمیمگیری و کیفیت پردازش اطلاعات وابسته شده است. در چنین فضایی، هوش مصنوعی دیگر یک فناوری جانبی یا آیندهنگرانه نیست؛ بلکه به یکی از اجزای اصلی قدرت ملی تبدیل شده است. کشورهایی که بتوانند این فناوری را در زنجیره فرماندهی، شناسایی، پشتیبانی عملیاتی و تحلیل تهدید به کار گیرند، در عمل از ظرفیت بیشتری برای مدیریت بحران و تحمیل هزینه به طرف مقابل برخوردار خواهند بود.با وجود این، مسئله مهم برای ایران آن است که میان «توجه به هوش مصنوعی» و «برخورداری از توان مؤثر مبتنی بر هوش مصنوعی» فاصلهای جدی وجود دارد. در سالهای اخیر، موضوع هوش مصنوعی در فضای علمی، رسانهای و اجرایی کشور پررنگ شده و مجموعهای از بازیگران نیز وارد این حوزه شدهاند، اما این بهمعنای شکلگیری قدرت راهبردی در این عرصه نیست. آنچه امروز باید مورد ارزیابی قرار گیرد، نه صرفاً تعداد پروژهها یا محصولات معرفیشده، بلکه میزان اثر واقعی این ظرفیتها در موقعیتهای حساس، از جمله در شرایط تقابل و جنگ، است.جنگ آینده، جنگ داده و محاسبه استجنگهای نوین صرفاً با تکیه بر سلاحهای پیشرفته تعریف نمیشوند. آنچه به این سلاحها معنا میدهد، سامانههایی است که بتوانند دادههای متنوع را دریافت، طبقهبندی، تحلیل و به تصمیم عملیاتی تبدیل کنند. از این منظر، هوش مصنوعی یک لایه پنهان اما بسیار مؤثر در ساختار قدرت نظامی است. تشخیص الگوهای رفتاری، کشف ارتباطات پنهان، پردازش تصاویر، پیشبینی تحرکات، اولویتبندی اهداف و پشتیبانی از فرماندهی، همگی در حوزههایی قرار میگیرند که بدون استفاده از هوش مصنوعی، یا بسیار پرهزینهاند یا از دقت و سرعت لازم برخوردار نیستند.به همین دلیل، قدرتهای بزرگ از سالها پیش سرمایهگذاری در این حوزه را تنها به کاربردهای تجاری محدود نکردهاند. آنها هوش مصنوعی را در پیوند با امنیت ملی، زیرساختهای دفاعی و رقابت ژئوپلیتیکی تعریف کردهاند. نتیجه چنین نگاهی، شکلگیری مزیتی است که در زمان بحران، خود را در میدان نشان میدهد؛ نه صرفاً در نمایشگاهها، همایشها یا گزارشهای فناورانه.مسئله ایران، کمبود تلاش نیست؛ فقدان زیستبوم استدر ارزیابی وضعیت ایران نباید دچار سادهسازی شد. مسئله این نیست که در کشور فعالیتی در حوزه هوش مصنوعی صورت نگرفته یا نیروی انسانی مستعد وجود ندارد. واقعیت آن است که طی سالهای گذشته، دانشگاهها، شرکتها و نهادهای مختلف به این حوزه ورود کردهاند و حتی در برخی کاربردهای محدود نیز دستاوردهایی حاصل شده است. اما توسعه هوش مصنوعی در سطح راهبردی، به چیزی بیش از پروژههای پراکنده و محصولات نمایشی نیاز دارد.هوش مصنوعی زمانی به مزیت ملی تبدیل میشود که در دل یک زیستبوم منسجم رشد کند؛ زیستبومی که از سختافزار تا داده، از نرمافزار پایه تا نیروی انسانی، از سرمایهگذاری بلندمدت تا بازار کاربردی و از سیاستگذاری تا امنیت زیرساخت را در بر بگیرد. در ایران، چنین یکپارچگی هنوز شکل نگرفته است. در نتیجه، آنچه وجود دارد بیشتر مجموعهای از تلاشهای منفصل است تا یک معماری ملی قدرتمند.وابستگی فناورانه، مهمترین مانع پنهانیکی از چالشهای اساسی ایران در این مسیر، وابستگی به اجزای کلیدی فناوری است. بخش قابل توجهی از زیرساخت هوش مصنوعی جهان بر پایه تراشهها، چارچوبهای نرمافزاری و مدلهایی بنا شده که در اختیار چند بازیگر خاص قرار دارد. وقتی کشوری در لایههای پایه این فناوری وابسته باشد، حتی اگر در لایههای کاربردی نیز فعال شود، همچنان در موقعیتی ضعیف و محدود قرار خواهد داشت.این وابستگی تنها یک مشکل اقتصادی یا فنی نیست؛ مسئلهای راهبردی است. کشوری که به ابزارهای طرف مقابل متکی است، در شرایط فشار، تحریم یا تقابل، نمیتواند با اطمینان از پایداری توان خود سخن بگوید. در حوزه دفاعی، این موضوع اهمیت دوچندان پیدا میکند. زیرا قابلیتهایی که در شرایط عادی قابل استفادهاند، ممکن است در شرایط بحران، به دلیل محدودیت دسترسی، نبود امکان ارتقا یا ملاحظات امنیتی، عملاً کارایی لازم را نداشته باشند.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۹:۱۲
فوجیتسو؛ آغاز مسیر ساخت رایانه کوانتومی بیش از ۱۰,۰۰۰ کیوبیتی تا ۲۰۳۰
شرکت فوجیتسو گام بلندی در مسیر توسعه رایانش کوانتومی برداشته است. این شرکت ژاپنی اعلام کرده که توسعه یک رایانه کوانتومی ابررسانا با ظرفیت بیش از ۱۰,۰۰۰ کیوبیت فیزیکی را آغاز کرده و تکمیل این پروژه را برای سال مالی ۲۰۳۰ هدفگذاری کرده است.
این سیستم با بهرهگیری از معماری نوآورانهی STAR — نوعی معماری تحملپذیر خطا در مراحل ابتدایی (early-FTQC) — به ۲۵۰ کیوبیت منطقی دست خواهد یافت. هدف اصلی، دستیابی به رایانش کوانتومی کاربردی در حوزههایی مانند علم مواد است؛ جایی که شبیهسازیهای پیشرفته میتوانند مسیر کشفهای تحولآفرین را هموار کنند.
در این راستا، فوجیتسو بهعنوان مجری طرحی ملی از سوی سازمان NEDO (سازمان توسعه فناوریهای صنعتی و انرژی نو ژاپن) انتخاب شده تا زیرساختهای فناوری پس از 5G را برای توسعه صنعتی رایانههای کوانتومی گسترش دهد. این پروژه با همکاری مؤسسه ملی علوم صنعتی پیشرفته ژاپن (AIST) و موسسه RIKEN تا سال ۲۰۲۷ ادامه خواهد یافت.
طبق چشمانداز ارائهشده، فوجیتسو قصد دارد تا سال ۲۰۳۵ به ظرفیت ۱,۰۰۰ کیوبیت منطقی دست یابد و ترکیب فناوری کوانتومی ابررسانا با چرخش الماسی (diamond spin) را نیز در دستور کار خود قرار داده است — رویکردی که میتواند زیرساخت «ساخت ژاپن» را به یکی از بازیگران اصلی در آیندهی رایانش کوانتومی جهانی تبدیل کند.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
شرکت فوجیتسو گام بلندی در مسیر توسعه رایانش کوانتومی برداشته است. این شرکت ژاپنی اعلام کرده که توسعه یک رایانه کوانتومی ابررسانا با ظرفیت بیش از ۱۰,۰۰۰ کیوبیت فیزیکی را آغاز کرده و تکمیل این پروژه را برای سال مالی ۲۰۳۰ هدفگذاری کرده است.این سیستم با بهرهگیری از معماری نوآورانهی STAR — نوعی معماری تحملپذیر خطا در مراحل ابتدایی (early-FTQC) — به ۲۵۰ کیوبیت منطقی دست خواهد یافت. هدف اصلی، دستیابی به رایانش کوانتومی کاربردی در حوزههایی مانند علم مواد است؛ جایی که شبیهسازیهای پیشرفته میتوانند مسیر کشفهای تحولآفرین را هموار کنند.در این راستا، فوجیتسو بهعنوان مجری طرحی ملی از سوی سازمان NEDO (سازمان توسعه فناوریهای صنعتی و انرژی نو ژاپن) انتخاب شده تا زیرساختهای فناوری پس از 5G را برای توسعه صنعتی رایانههای کوانتومی گسترش دهد. این پروژه با همکاری مؤسسه ملی علوم صنعتی پیشرفته ژاپن (AIST) و موسسه RIKEN تا سال ۲۰۲۷ ادامه خواهد یافت.طبق چشمانداز ارائهشده، فوجیتسو قصد دارد تا سال ۲۰۳۵ به ظرفیت ۱,۰۰۰ کیوبیت منطقی دست یابد و ترکیب فناوری کوانتومی ابررسانا با چرخش الماسی (diamond spin) را نیز در دستور کار خود قرار داده است — رویکردی که میتواند زیرساخت «ساخت ژاپن» را به یکی از بازیگران اصلی در آیندهی رایانش کوانتومی جهانی تبدیل کند.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۵:۴۴
چرا هوش مصنوعی هنوز به مزیت راهبردی ایران در جنگ تبدیل نشده است؟
#قسمت_دوم| محمود غفوریپژوهشگر ارشد آیندهپژوهی، مرکز نوآوری آینده.
شکاف مقیاس، شکافی تعیینکننده استدر بحث هوش مصنوعی، بسیاری از تحلیلها بهاشتباه بر وجود یا عدم وجود فناوری تمرکز میکنند، در حالیکه تفاوت اصلی در «مقیاس» است. داشتن تعدادی زیرساخت پردازشی یا بهرهگیری از چند مدل شناختهشده، لزوماً به معنی حضور در سطح رقابتی نیست. قدرتهای پیشرو نهتنها به فناوری دسترسی دارند، بلکه آن را در مقیاسی به کار گرفتهاند که به آنها امکان میدهد بهصورت مستمر آموزش، بازآموزی، آزمایش و عملیاتیسازی انجام دهند.ایران در این نقطه با محدودیتی جدی روبهروست. محدودیت در تأمین تجهیزات، هزینه بالای پردازش، مصرف انرژی، دشواری نگهداری و ناتوانی در نوسازی سریع زیرساخت، موجب میشود فاصله کشور با بازیگران اصلی صرفاً عددی نباشد، بلکه به تفاوت در سطح توان منجر شود. در چنین وضعیتی، حتی اگر برخی خدمات یا کاربردها در داخل توسعه یافته باشند، تبدیل آنها به قابلیت مؤثر در سطح جنگ و امنیت ملی با موانع قابل توجهی مواجه خواهد بود.
مدل بومی؛ حلقهای که هنوز کامل نشده استیکی دیگر از مسائل بنیادین، فقدان مدلهای بومیِ بالغ و قابل اتکاست. مدل هوش مصنوعی صرفاً یک ابزار محاسباتی نیست؛ بازتابی از داده، زبان، فرهنگ، محیط و نیازهایی است که بر اساس آن آموزش دیده است. به همین دلیل، استفاده از مدلهایی که در بافتی متفاوت شکل گرفتهاند، همواره با مسئله انطباق مواجه است؛ بهویژه زمانی که کاربرد مورد نظر، امنیتی، دفاعی یا حساس باشد.ایران برای ورود جدی به این حوزه، نیازمند توسعه مدلهایی است که نهفقط از نظر زبانی، بلکه از منظر مفهومی، زمینهای و مأموریتی نیز با نیازهای کشور سازگار باشند. چنین کاری البته بسیار دشوار است و به داده باکیفیت، زیرساخت پردازشی، طراحی مستمر و راهبری بلندمدت نیاز دارد. اما بدون آن، کشور ناچار خواهد بود از مدلهایی استفاده کند که منطق طراحی آنها الزاماً با اقتضائات بومی همراستا نیست.
چرا برخی موفقیتها با وجود این ضعفها حاصل شدهاند؟این واقعیت که هوش مصنوعی هنوز به نقطه اتکای اصلی ایران در جنگ تبدیل نشده، به این معنا نیست که ایران در حوزه دفاعی فاقد مزیت است. بخشی از توان بازدارنده و تأثیرگذار ایران در سالهای اخیر، محصول الگوی متفاوتی از طراحی قدرت بوده است؛ الگویی که بیش از آنکه بر وابستگی به فناوریهای پیچیده وارداتی متکی باشد، بر ترکیبی از بومیسازی، ابتکار، شبکهسازی و انعطاف عملیاتی استوار بوده است.همین ویژگی موجب شده است که محاسبهپذیری رفتار ایران برای دشمن کامل نباشد و در بسیاری از مواقع، عدم قطعیت بهعنوان یک عامل بازدارنده عمل کند. این ظرفیت، هرچند ارزشمند است، اما جایگزین توسعه هوش مصنوعی نمیشود. در بهترین حالت، میتوان آن را مزیتی دانست که باید در کنار توسعه فناوریهای نوین حفظ و تقویت شود.
@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران
#قسمت_دوم
| محمود غفوریپژوهشگر ارشد آیندهپژوهی، مرکز نوآوری آینده.شکاف مقیاس، شکافی تعیینکننده استدر بحث هوش مصنوعی، بسیاری از تحلیلها بهاشتباه بر وجود یا عدم وجود فناوری تمرکز میکنند، در حالیکه تفاوت اصلی در «مقیاس» است. داشتن تعدادی زیرساخت پردازشی یا بهرهگیری از چند مدل شناختهشده، لزوماً به معنی حضور در سطح رقابتی نیست. قدرتهای پیشرو نهتنها به فناوری دسترسی دارند، بلکه آن را در مقیاسی به کار گرفتهاند که به آنها امکان میدهد بهصورت مستمر آموزش، بازآموزی، آزمایش و عملیاتیسازی انجام دهند.ایران در این نقطه با محدودیتی جدی روبهروست. محدودیت در تأمین تجهیزات، هزینه بالای پردازش، مصرف انرژی، دشواری نگهداری و ناتوانی در نوسازی سریع زیرساخت، موجب میشود فاصله کشور با بازیگران اصلی صرفاً عددی نباشد، بلکه به تفاوت در سطح توان منجر شود. در چنین وضعیتی، حتی اگر برخی خدمات یا کاربردها در داخل توسعه یافته باشند، تبدیل آنها به قابلیت مؤثر در سطح جنگ و امنیت ملی با موانع قابل توجهی مواجه خواهد بود.مدل بومی؛ حلقهای که هنوز کامل نشده استیکی دیگر از مسائل بنیادین، فقدان مدلهای بومیِ بالغ و قابل اتکاست. مدل هوش مصنوعی صرفاً یک ابزار محاسباتی نیست؛ بازتابی از داده، زبان، فرهنگ، محیط و نیازهایی است که بر اساس آن آموزش دیده است. به همین دلیل، استفاده از مدلهایی که در بافتی متفاوت شکل گرفتهاند، همواره با مسئله انطباق مواجه است؛ بهویژه زمانی که کاربرد مورد نظر، امنیتی، دفاعی یا حساس باشد.ایران برای ورود جدی به این حوزه، نیازمند توسعه مدلهایی است که نهفقط از نظر زبانی، بلکه از منظر مفهومی، زمینهای و مأموریتی نیز با نیازهای کشور سازگار باشند. چنین کاری البته بسیار دشوار است و به داده باکیفیت، زیرساخت پردازشی، طراحی مستمر و راهبری بلندمدت نیاز دارد. اما بدون آن، کشور ناچار خواهد بود از مدلهایی استفاده کند که منطق طراحی آنها الزاماً با اقتضائات بومی همراستا نیست.چرا برخی موفقیتها با وجود این ضعفها حاصل شدهاند؟این واقعیت که هوش مصنوعی هنوز به نقطه اتکای اصلی ایران در جنگ تبدیل نشده، به این معنا نیست که ایران در حوزه دفاعی فاقد مزیت است. بخشی از توان بازدارنده و تأثیرگذار ایران در سالهای اخیر، محصول الگوی متفاوتی از طراحی قدرت بوده است؛ الگویی که بیش از آنکه بر وابستگی به فناوریهای پیچیده وارداتی متکی باشد، بر ترکیبی از بومیسازی، ابتکار، شبکهسازی و انعطاف عملیاتی استوار بوده است.همین ویژگی موجب شده است که محاسبهپذیری رفتار ایران برای دشمن کامل نباشد و در بسیاری از مواقع، عدم قطعیت بهعنوان یک عامل بازدارنده عمل کند. این ظرفیت، هرچند ارزشمند است، اما جایگزین توسعه هوش مصنوعی نمیشود. در بهترین حالت، میتوان آن را مزیتی دانست که باید در کنار توسعه فناوریهای نوین حفظ و تقویت شود.@Futurists پردیس هوش مصنوعی و نوآوری دیجیتال ایران۵:۵۸