شناسایی «نیت» افراد با استفاده از هوش مصنوعی براساس اسنادی که توسط محققان دانشگاه Vanderbilt بررسی شده، شرکت چینی Geedge Networks درحال استفاده از مدل‌های هوش مصنوعی برای تحلیل داده‌های موقعیت مکانی، الگوهای استفاده از اینترنت، تماس‌های تلفنی و حتی تاریخچه تماشای فیلم و مطالعه کتاب شهروندان است هدف نهایی این پردازش‌ها، ساخت پروفایل‌های رفتاری دقیق برای شناسایی «نیت» افراد است تا سیستم بتواند کسانی را که ممکن است در آینده به منتقدان دولت تبدیل شوند، شناسایی کند. براساس صورت‌جلسه یکی از نشست‌های این شرکت در تاریخ ۵ فوریه ۲۰۲۴، تمرکز تیم تحقیقاتی روی «کشف اطلاعات مضر» بوده است؛ عبارتی که حزب کمونیست چین معمولاً برای توصیف نارضایتی‌های سیاسی یا محتوای مخالف دولت به کار می‌برد. 🍂 @NeuronRC

🌱 الْحَمْدُ لِلَّهِ الَّذِی جَعَلَنَا مِنَ الْمُتَمَسِّکِینَ بِوِلاَیَهِ أَمِیرِالْمُؤْمِنِینَ وَالْأَئِمَّهِ المعصومین عَلَیْهِمُ السَّلاَمُ 🌱 🍂@NeuronRC

اساتید دانشگاه استنفورد در پاسخگویی به سؤالات حقوقی از هوش مصنوعی شکست خوردند پژوهش جدید نشان می‌دهد که در پاسخ‌گویی به سؤالات دانشجویان حقوق، اساتید این رشته پاسخ‌های تولیدشده توسط هوش مصنوعی را به پاسخ‌های همکاران انسانی خود ترجیح می‌دهند. این یافته‌ها در حوزه‌ای که کاملاً به قضاوت و استدلال وابسته است، می‌تواند آینده آموزش عالی و نحوه تدریس در دانشگاه‌ها را دگرگون کند. در این پژوهش، محققان ۴۰ سؤال از مباحث «حقوق قراردادها» را که معمولاً دانشجویان در کلاس یا ساعات اداری می‌پرسند، طراحی کردند و به هوش مصنوعی و اساتید دانشگاه استنفورد دادند. سپس ۱۶ استاد حقوق از دانشگاه‌های برجسته آمریکا مثل ییل، نیویورک و شیکاگو بدون اینکه بدانند کدام پاسخ متعلق به همکارانشان و کدام متعلق به هوش مصنوعی است، به ارزیابی آن‌ها پرداختند که درنهایت، سیستم‌های هوش مصنوعی توانستند عملکردی کاملاً هم‌تراز و در مواردی بهتر از بهترین اساتید حاضر در مطالعه ثبت کنند. در این پژوهش هوش مصنوعی موفق شد در ۷۵ درصد از رقابت‌ها، نمره بالاتری نسبت به اساتید حقوق کسب کند و به عنوان گزینه برتر انتخاب شود. 🍂 @NeuronRC

رتبه‌بندی مشاغلی که از سوی هوش مصنوعی در معرض خطر هستند تصویر گرافیکی بالا بر پایه داده‌های Microsoft Research ساخته شده؛ داده‌هایی که بررسی کرده‌اند مردم چگونه از هوش مصنوعی استفاده می‌کنند و این وظایف تا چه اندازه با فعالیت‌های شغلی هم‌خوانی دارند. 📌روش پژوهش 🔻در این تحلیل، مایکروسافت ۲۰۰ هزار گفت‌وگوی کاربران آمریکایی با Copilot را در سال ۲۰۲۴ بررسی کرده است. 🔻 این گفت‌وگوها بر اساس میزان موفقیت هوش مصنوعی در انجام وظایف سنجیده شدند. 🔻 در مرحله بعد، سطح ارتباط هر وظیفه با هر شغل تحلیل شد. 🔻 سپس برای هر شغل یک امتیاز کلی بر پایه این شاخص‌ها محاسبه گردید؛ هرچه امتیاز بالاتر بود، میزان مواجهه آن شغل با هوش مصنوعی هم بیشتر در نظر گرفته می‌شد. ✅نتیجه پژوهش: 🔸مترجمان و مفسران در رتبه نخست قرار گرفتند، چون ۹۸ درصد از کارکردهای شغلی آن‌ها با گفت‌وگوهای Copilot تطابق داشت. 🔸 برخی از مشاغل دانش‌محور مانند مورخی و نویسندگی هم میزان هم‌پوشانی بالایی با هوش مصنوعی داشتند. 🔸کارمندان پذیرش مسافر و نمایندگان خدمات مشتریان که در مجموع نزدیک به سه میلیون شغل را در آمریکا تشکیل می‌دهند، در میان ۱۰ رتبه اول قرار گرفته‌اند. 🔸 شغل رستوران‌داری هم سطح بالایی از مواجهه با هوش مصنوعی را نشان داده است؛ ✔️موضوع پژوهش های آینده با این حال، اینکه آیا مشتریان از حضور یک ماشین که وظایف محیط غذاخوری را انجام می‌دهد رضایت داشته‌اند یا نه، دست‌کم در دنیای امروز، همچنان جای تردید دارد. منبع 🍂@NeuronRC

🔹 هوش مصنوعی هنوز حریف ریاضیدانان برتر نمی‌شود پژوهش جدید پروژه «First Proof» نشان می‌دهد که با وجود پیشرفت‌های چشمگیر هوش مصنوعی، این فناوری هنوز در حل مسائل کاملاً جدید ریاضی به سطح برترین متخصصان انسانی نرسیده است. 📌 روش پژوهش 🔻 ۱۰ مسئله ریاضی در سطح پژوهش انتخاب شد که پیش‌تر در هیچ مقاله یا اینترنت منتشر نشده بودند. 🔻 این مسائل به‌صورت کاملاً خودکار در اختیار ۴ سامانه هوش مصنوعی قرار گرفت. 🔻 پاسخ‌ها توسط ۳۰ ریاضیدان متخصص و به‌صورت رسمی ارزیابی شدند. ✅ نتیجه پژوهش 🔸 بهترین سامانه توانست تنها ۶ مسئله از ۱۰ مسئله را حل کند. 🔸 هیچ‌یک از مدل‌های هوش مصنوعی به توانایی برترین ریاضیدانان انسانی نرسیدند. 🔸 برخی مدل‌ها دچار «توهم» شدند و پاسخ‌های نادرست یا بدون استناد علمی ارائه کردند. 🔸 نتایج نشان می‌دهد هوش مصنوعی فعلاً بیشتر یک دستیار پژوهشی قدرتمند است تا جایگزینی برای نبوغ انسانی. ✔️ موضوع پژوهش‌های آینده پژوهشگران پیشنهاد می‌کنند نسل‌های آینده هوش مصنوعی در حل مسائل جدید، بررسی اثبات‌های ریاضی، کاهش خطاهای استدلالی و همکاری مؤثرتر با ریاضیدانان انسانی مورد ارزیابی قرار گیرند تا مشخص شود مرز واقعی توانایی این فناوری کجاست. منبع: Nature / ایسنا 🍂@NeuronRC

🔹 هوش مصنوعی، پلیس آینده؟ پژوهشگران مدل جدیدی از هوش مصنوعی توسعه داده‌اند که می‌تواند زمان و مکان وقوع جرم را با دقت بیشتری نسبت به روش‌های پیشین پیش‌بینی کند. 📌 موضوع پژوهش طراحی یک مدل هوش مصنوعی برای پیش‌بینی وقوع جرائم با تحلیل هم‌زمان مکان، زمان و الگوهای اجتماعی. 🔬 روش پژوهش 🔻 پژوهشگران از ترکیب چند مدل هوش مصنوعی شامل شبکه‌های عصبی گراف (GCN)، ترنسفورمر (Transformer) و شبکه مولد تخاصمی (GAN) استفاده کردند. 🔻 این مدل با داده‌های تاریخی جرائم در شهرهای مختلف آمریکا از جمله لس‌آنجلس و سیاتل آموزش و ارزیابی شد. 🔻 هدف، شناسایی هم‌زمان الگوهای مکانی و زمانی وقوع جرم بود. ✅ نتایج پژوهش 🔸 مدل پیشنهادی در پیش‌بینی سرقت، به دقت ۸۶٫۳ درصد رسید؛ در حالی که بهترین روش‌های قبلی ۸۳٫۲ درصد دقت داشتند. 🔸 این مدل در سایر انواع جرائم نیز عملکرد مطلوبی از خود نشان داد. 🔸 پژوهشگران معتقدند این فناوری می‌تواند به تخصیص بهتر نیروهای پلیس و پیشگیری از جرم کمک کند. ✔️ موضوع پژوهش‌های آینده مدل هنوز در مناطقی که داده‌های جرم کم است یا سابقه تاریخی کافی وجود ندارد، عملکرد ضعیف‌تری دارد. پژوهشگران قصد دارند با استفاده از یادگیری انتقالی (Transfer Learning)، دقت مدل را در این مناطق نیز افزایش دهند. 📚 منبع: International Journal of Innovative Computing and Applications 🍂 @NeuronRC

🔹 چرا هوش مصنوعی عاشق «الیاس تورن» شده است؟ پژوهشگران در بررسی داستان‌های تولیدشده توسط مدل‌های زبانی به پدیده‌ای عجیب برخوردند؛ شخصیتی خیالی به نام «الیاس تورن» به شکل غیرعادی در داستان‌های هوش مصنوعی تکرار می‌شود. 📌 موضوع پژوهشبررسی الگوهای تکرارشونده در داستان‌های تولیدشده توسط مدل‌های زبانی بزرگ و علت ظهور مکرر شخصیت‌ها و مکان‌های مشابه. 🔬 روش پژوهش 🔻 پژوهشگران دانشگاه کرنل ۲۰ هزار داستان تولیدشده توسط ۴ مدل زبانی را تحلیل کردند. 🔻 داستان‌ها با نسخه‌های مختلف دستور «برایم یک داستان بگو» تولید شدند. 🔻 فراوانی نام شخصیت‌ها، مکان‌ها و عناصر داستانی در خروجی مدل‌ها بررسی و با ادبیات واقعی مقایسه شد. ✅ نتیجه پژوهش 🔸 نام «الیاس» در بیش از یک‌چهارم داستان‌ها تکرار شده بود. 🔸 تنها ۱۱ نام در ۸۸ درصد داستان‌ها دیده شدند. 🔸 واژه «فانوس دریایی» در بیش از نیمی از داستان‌ها ظاهر شد. 🔸 پژوهشگران نشان دادند که حضور «الیاس» در داستان‌های هوش مصنوعی حدود ۹۰۰ برابر بیشتر از ادبیات واقعی است؛ بنابراین این الگو را نمی‌توان تنها با داده‌های آموزشی توضیح داد. ✔️ پیشنهاد برای پژوهش‌های آینده بررسی پدیده «فروپاشی الگو» (Model Collapse)؛ اینکه مدل‌های هوش مصنوعی چگونه با آموزش دیدن از محتوای تولیدشده توسط خودشان، به سمت روایت‌های تکراری و کاهش تنوع خلاقیت حرکت می‌کنند. 📚 منبع: پژوهش دانشگاه کرنل (پیش‌انتشار در arXiv) 🍂 @NeuronRC

🔹 هوش مصنوعی؛ عامل افزایش بهره‌وری یا آغاز «زوال دانش» در سازمان‌ها؟ کارشناسان هشدار می‌دهند استفاده بی‌رویه از هوش مصنوعی مولد در سازمان‌ها، اگر بدون سیاست‌گذاری و نظارت انجام شود، می‌تواند به کاهش کیفیت تصمیم‌گیری، افت مهارت کارکنان و تضعیف دانش سازمانی منجر شود. 📌 موضوع گزارش بررسی تأثیر استفاده گسترده از هوش مصنوعی مولد بر کیفیت کار کارکنان، فرایندهای سازمانی و سرمایه دانشی شرکت‌ها. 🔬 یافته‌های کلیدی 🔻 بسیاری از سازمان‌ها از هوش مصنوعی برای تولید محتوا، نگارش گزارش‌ها، تهیه رزومه، استخدام، مصاحبه و حتی مستندسازی استفاده می‌کنند. 🔻 این وابستگی باعث شکل‌گیری چرخه‌ای می‌شود که در آن کارکنان به‌جای تحلیل و تفکر، تولید محتوا و حتی بررسی پاسخ‌ها را نیز به هوش مصنوعی واگذار می‌کنند. 🔻 کارشناسان این روند را نوعی «زوال دانش» (Knowledge Collapse) می‌دانند؛ وضعیتی که مهارت‌های انسانی به‌تدریج تضعیف شده و اعتماد به خروجی‌های سازمان کاهش می‌یابد. ⚠️ سه چالش اصلی سازمان‌ها 🔸 راستی‌آزمایی اطلاعات: تشخیص خطاها و توهمات هوش مصنوعی به زمان و نیروی انسانی زیادی نیاز دارد و بخشی از مزیت بهره‌وری را از بین می‌برد. 🔸 کاهش ارزش افزوده انسانی: مشتریان و کارفرمایان برای محتوایی که عمدتاً توسط هوش مصنوعی تولید شده، ارزش کمتری قائل هستند. همچنین استفاده از منابع یا استنادهای نادرست تولیدشده توسط هوش مصنوعی می‌تواند پیامدهای حقوقی و اعتباری ایجاد کند. 🔸 فروپاشی مدل‌ها (Model Collapse): با افزایش داده‌های تولیدشده توسط هوش مصنوعی در اینترنت، نسل‌های بعدی مدل‌ها نیز از همین داده‌های مصنوعی آموزش می‌بینند که می‌تواند به کاهش تدریجی کیفیت و فاصله گرفتن از واقعیت منجر شود. ✅ راهکارهای پیشنهادی ✔️ منشأ داده‌ها و محتواهای تولیدشده توسط انسان و هوش مصنوعی به‌صورت شفاف مشخص و قابل ردیابی باشد. ✔️ در فرایندهایی مانند جذب نیرو، ارزیابی عملکرد و تولید دانش، از فرم‌های ساختاریافته و روش‌های ارزیابی مبتنی بر توانایی واقعی افراد استفاده شود. ✔️ سازمان‌ها به‌جای اتکای کامل به مدل‌های عمومی، از مدل‌های اختصاصی مبتنی بر داده‌های انحصاری و دانش سازمانی خود بهره بگیرند. 📚 منبع: گزارش منتشرشده در وب‌سایت دیجیاتو با استناد به تحلیل‌های منتشرشده درباره تأثیر هوش مصنوعی بر دانش سازمانی و دیدگاه‌های کارشناسان حوزه مدیریت و فناوری. 🍂@NeuronRC

🔹 اتکای بیش‌ازحد به چت‌بات‌های هوش مصنوعی، تفکر انتقادی را تضعیف می‌کند پژوهشگران مؤسسه فناوری ماساچوست (MIT) در مطالعه‌ای جدید هشدار داده‌اند که استفاده بیش‌ازحد از چت‌بات‌های هوش مصنوعی، اگرچه در کوتاه‌مدت دقت تصمیم‌گیری را افزایش می‌دهد، اما در بلندمدت می‌تواند توانایی تفکر انتقادی و تشخیص اطلاعات نادرست را کاهش دهد. 📌 موضوع پژوهش بررسی تأثیر استفاده مداوم از دستیارهای هوش مصنوعی بر توانایی افراد در تشخیص اخبار جعلی و ارزیابی مستقل صحت اطلاعات. 🔬 روش پژوهش 🔻 پژوهشگران طی یک مطالعه چهار هفته‌ای، عملکرد ۶۷ شرکت‌کننده را در تشخیص واقعی یا جعلی بودن تصاویر و تیترهای خبری بررسی کردند. 🔻 شرکت‌کنندگان بخشی از آزمون‌ها را با کمک یک دستیار هوش مصنوعی مبتنی بر GPT-4o و متصل به موتور جستجوی گوگل انجام دادند و در بخش دیگر، بدون کمک هوش مصنوعی تصمیم‌گیری کردند. 🔻 در پایان، پژوهشگران میزان دقت تصمیم‌گیری و تغییر توانایی قضاوت مستقل افراد را ارزیابی کردند. ✅ نتایج پژوهش 🔸 استفاده از هوش مصنوعی باعث شد احتمال تشخیص صحیح اطلاعات در کوتاه‌مدت ۲۱ درصد افزایش یابد. 🔸 اما پس از چهار هفته، عملکرد افرادی که به هوش مصنوعی وابسته شده بودند، هنگام تصمیم‌گیری بدون کمک آن، ۱۵٫۳ درصد کاهش یافت. 🔸 همچنین حدود یک‌چهارم شرکت‌کنندگان تصور می‌کردند مهارت تشخیص آن‌ها بهتر شده است؛ در حالی که نتایج آزمایش کاهش عملکرد واقعی آن‌ها را نشان می‌داد. 🔸 پژوهشگران تأکید کردند چت‌بات‌هایی که صرفاً پاسخ نهایی را ارائه می‌کنند، بیش از مدل‌هایی که با طرح پرسش و هدایت کاربر به استدلال کمک می‌کنند، موجب وابستگی شناختی می‌شوند. ✔️ موضوع پژوهش‌های آینده محققان اعلام کردند این مطالعه تنها چهار هفته ادامه داشته و بیشتر شرکت‌کنندگان از آمریکا و بریتانیا بوده‌اند. در پژوهش‌های آینده، بررسی اثرات بلندمدت استفاده از هوش مصنوعی و مطالعه در فرهنگ‌ها و نظام‌های آموزشی مختلف می‌تواند تصویر دقیق‌تری از پیامدهای شناختی این فناوری ارائه دهد. 📚 منبع: پژوهش پژوهشگران مؤسسه فناوری ماساچوست (MIT)، منتشرشده در سال ۲۰۲۶ و گزارش روزنامه The Guardian. 🍂@NeuronRC

🖤 روایت وداع؛ سهم من از ثبت یک خاطره ماندگار گاهی یک قاب، یک جمله، یک خاطره یا حتی یک حس کوتاه، در دل انسان می‌ماند و به بخشی از حافظه جمعی یک ملت تبدیل می‌شود. رویداد «روایت وداع» فرصتی است برای ثبت و بازآفرینی روایت‌های مردمی از مراسم تشییع؛ این‌بار با کمک ابزارهای هوش مصنوعی. اگر عکس، فیلم، خاطره، دل‌نوشته یا حسی از این روز در دل دارید، آن را با استفاده از ابزارهای هوش مصنوعی به متن، تصویر، ویدیو یا یک روایت ترکیبی تبدیل کنید و برای ما بفرستید. 📌 قالب آثار: متن | تصویر | ویدیو | ترکیبی ⏳ زمان ارسال: هم‌زمان با مراسم تشییع و تا ۷ روز پس از آن 🎁 جوایز نفیس برای آثار برگزیده 📣 انتشار آثار منتخب در کانال حکمرانی هوشمند برای ارسال اثر، رمزینه درج‌شده در پوستر را اسکن کنید یا از طریق لینک زیر فرم ارسال اثر را تکمیل نمایید: https://deepform.ir/s/ff4e79 همچنین می‌توانید با مراجعه به کانال حکمرانی هوشمند به آدرس @AIGovernance در سکوهای ایتا، بله و روبیکا، لینک فرم را دریافت کنید. #روایت_وداع #حکمرانی_هوشمند #هوش_مصنوعی #روایت_مردمی 🆔 @AIGovernance