مدیاتک با تولید سری تراشه‌های Helio G90 خود را برای رقابتی تنگاتنگ با کوالکام آماده می‌کند که سال‌ها است بازار گوشی‌های رده‌بالای ارزان‌قیمت با قیمت ۲۵۰ تا ۵۰۰ دلار را در دست دارد.

شوبهیت سریواستاوا، تحلیلگر بخش گوشی‌های موبایل و اکوسیستم مؤسسه‌ی Counterpoint Research می‌گوید، مدیاتک تراشه‌های مقرون‌به‌صرفه‌ی بیشتری دارد و بسیاری از تولیدکنندگان چینی برای تنوع‌بخشی به زنجیره‌ی تأمین قطعات خود از آن‌ها استفاده می‌کنند تا در هر رده‌ی قیمتی دستگاه‌هایی برای فروش داشته باشند. او می‌گوید در بخش محصولات رده‌بالا، اپل و هواوی و سامسونگ تراشه‌های ویژه‌ی خود را تولید می‌کنند و از طرف دیگر، تأمین‌کنندگان ثالث مثل کوالکام و مدیاتک وظیفه‌ی تأمین بخشی از نیاز تراشه‌های مورد نیاز بازار را دارند.

براساس گزارش مؤسسه‌ی پژوهشی Statista، در سال ۲۰۱۸ کوالکام به‌طور کلی ۴۵ درصد از بازار را در اختیار داشته و سهم اپل، سامسونگ، مدیاتک و هواوی به‌ترتیب ۱۷، ۱۴، ۱۱ و ۸ درصد بوده است.

طبق اطلاعات اولیه‌ی مؤسسه‌ی Counterpoint از سه‌ماهه‌ی دوم سال جاری، مدیاتک در بخش محصولات کمتر از ۱۴۹ دلار، ۴۰.۳ درصد و کوالکام ۳۲.۵ درصد از سهم بازار را در اختیار داشته‌اند که این اعداد برای محصولات ۲۴۹ تا ۵۹۹ دلاری برای مدیاتک ۶.۴ درصد و برای کوالکام ۴۳ درصد بوده است. این درحالی است که سهم مدیاتک از محصولات بیشتر از ۵۹۹ دلار، ۰.۳ درصد و سهم کوالکام ۲۱.۷ درصد گزارش شده است. در منطقه‌ی خاورمیانه و آفریقا، سهم مدیاتک و کوالکام از محصولات کمتر از ۱۴۹ دلار به‌ترتیب ۵۱ و ۱۰.۷ درصد بوده است. ارقام برای محصولات ۲۴۹ تا ۵۹۹ دلاری برای مدیاتک ۵.۸ درصد و کوالکام ۴۴.۸ درصد ذکر شده است. گفتنی است، سهم مدیاتک از محصولات بیشتر از ۵۹۹ دلاری در این مناطق ۰ درصد و سهم کوالکام ۴.۶ درصد است.

بازیگران چینی پیشتازی می‌کنند

سهم مدیاتک از بازار محصولات بالا‌رده بسیار کم است، اما این شرکت در بخش گوشی‌های هوشمند مقرون‌به‌صرفه و گیمینگ می‌تواند از کوالکام پیشی بگیرد. تولیدکنندگان اصلی این رده‌ی قیمتی شرکت‌هایی مثل وان‌پلاس،شیائومی، اوپو و ویوو هستند که گفته می‌شود بخش محصولات بالارده‌ی مقرون‌به‌صرفه‌ی آن‌ها تقریبا یک‌پنجم از سهم کل بازار را در برمی‌گیرد.

به‌گفته‌ی سریواستاوا، سری تراشه‌های G90 مدیاتک رقیب مستقیمی برای پردازنده‌های اسنپدراگون سری 600 و 700 کوالکام هستند. تراشه‌های جدید G90 و G90T به‌تدریج جای خود را در میان تولیدکنندگان بزرگ چینی پیدا می‌کنند. شیائومی پیش‌تر اعلام کرد که برای عرضه‌ی یک گوشی هوشمند گیمینگ با تراشه‌ی Helio G90T در سه‌ماهه‌ی اول سال آینده برنامه‌ریزی می‌کند.

به‌گفته‌ی سریواستاوا، تمرکز شرکت‌های چینی مثل اوپو و ویوو روی بازار گوشی‌های هوشمند گیمینگ و محصولات بالارده‌ی مقرون‌به‌صرفه می‌‌تواند آینده‌ی درخشانی را برای تراشه‌های جدید مدیاتک رقم بزند. این تولیدکننده‌ی تراشه‌های تایوانی در سال‌های اخیر مجموعه‌ی محصولات خود را با سری پردازنده‌های Helio P و Helio A افزایش داده است. تراشه‌ی ارزان‌قیمت Helio P22 و Helio A22 در سه‌ماهه‌ی دوم سال جاری جزو پرفروش‌ترین تراشه‌های بازار بوده است.

قیمت درست حیاتی است

سریواستاوا می‌گوید، مدیاتک قصد دارد با سری تراشه‌های جدید G90 و G90T بخشی از بازار گوشی‌های گیمینگ را از آنِ خود کند و به سلطه‌ی کوالکام در این بخش پایان دهد. اطلاعات منتشر شده توسط Counterpoint نشان می‌دهد که گوشی‌های گیمینگ آینده‌ی درخشانی دارند. طبق نظرسنجی انجام‌شده توسط این شرکت تحقیقاتی، ۳۱ درصد از صاحبان گوشی‌های هوشمند هر روز بیش از سه ساعت به بازی با دستگاه خود اختصاص می‌دهند.

تراشه‌های جدید سری G90 و G90T به مدیاتک قدرت بیشتری برای افزایش سهم خود از بازار محصولات گران‌قیمت‌تر می‌دهد. افزون بر این، بازار گوشی‌های هوشمند به‌لطف فناوری 5G پس از یک سال‌ونیم سقوط متمادی سال آینده شاهد رشد خواهد بود. سریواستاوا می‌گوید، کوالکام اولین شرکتی است که این حرکت را آغاز کرده و با بسیاری از تولیدکنندگان قرارداد همکاری امضا کرده است. با این حال، هنگامی که مدیاتک تراشه‌های 5G خود را تولید کنند، این تراشه‌ها حتما با قیمت مقرون‌به‌صرفه‌ای روانه‌ی بازار می‌شوند.

طبق گزارش‌ها، تلویزیون وان‌پلاس (OnePlus TV) در گوگل‌پلی گواهی‌های لازم را دریافت کرد و این نشان می‌دهد، محصول نام‌برده قادر به استفاده از اندروید تی‌وی است. طبق اطلاعاتی که امروز منتشر شد، پردازنده، نسخه‌ی اندروید و بعضی دیگر از مشخصات محصول جدید وان‌پلاس فاش شده است.

در کنسول توسعه‌دهندگان گوگل پلی، نامی از یک محصول جدید وان پلاس با کد Dosa دیده شده است. این کد ابتدا دیروز رویت شده بود و به نظر می‌رسد مربوط به تلویزیون وان پلاس باشد که ابتدا در کشور‌ هند عرضه می‌شود. همچنین این فهرست نشان می‌دهد که محصول نام‌برده از پردازنده‌ی چهار هسته‌ای MT5670 مدیاتک استفاده می‌کند که تاکنون هیچ‌گونه اطلاعاتی از آن به بیرون درز نکرده است. به‌علاوه، به نظر می‌رسد دستگاه جدید از پردازنده‌ی گرفیکی Mali-G51 MP3 و نیز ۲ یا ۳ گیگابایت رم بهره‌مند است. طبق شایعات قبلی، این محصول می‌تواند از نمایشگر ۵۵ اینچی 1080p بهره ببرد که در مواقع نیاز به حالت 4K سوییچ می‌کند؛ البته محصولات دیگری نیز با ابعاد صفحه‌نمایش مختلف عرضه خواهند شد.

این فهرست چند نکته‌ی دیگر را نیز تأیید می‌کند از جمله اینکه تلویزیون وان پلاس مانند دیگر محصولات بازار ازاندروید پای استفاده می‌کند. از دیگر جزییات مرتبط با این دستگاه می‌توان به JBL Link Bar و AirTV Mini اشاره کرد که هردو قرار است به‌طور هم‌زمان عرضه شوند.

پیت لائو، مدیرعامل وان پلاس در گفت‌وگو با سایت Gadgets360 اعلام کرده بود که تلویزیون این شرکت از رابط کاربری بهینه‌ای استفاده می‌کند تا با گوشی‌های شرکت یکپارچگی داشته باشد و کاربران بتوانند به‌راحتی متن را با گوشی وان پلاس خود به تلویزیون وارد کنند.

لائو گفت، تلویزیون وان پلاس مثل تلویزیون Mi TV شیائومی ارزان نخواهد بود و آن‌ها این‌بار رده‌یمحصولات بالارده را هدف قرار داده‌اند. هدف وان پلاس از معرفی تلویزیون، رقابت با سامسونگ و سونی است، بااین حال قیمت دستگاه جدید به موجب همکاری راهبردی با آمازون کمتر از نمونه‌های مشابه خواهد بود.

وان پلاس تلویزیون خود را ابتدا در هند معرفی می‌کند، ولی این محصول در آینده قرار است وارد سایر بازارها همشود. در حال حاضر اطلاعاتی در مورد برنامه‌ی زمان‌بندی عرضه‌ی این محصول در دسترس نیست.

فشرده‌سازی فایل مبنای اصلی عملکرد وب است. بدون فشرده‌سازی فایل، انتقال فایل‌ها نیاز به پهنای باند و زمان زیادی دارد. فایل‌های ZIP یا تصاویر JPEG نمونه‌های سودمندی از فشرده‌سازی فایل‌ها هستند. بنابراین شاید از خود بپرسید: فشرده‌سازی فایل چگونه انجام می‌شود؟ در این مقاله به مبانی فشرده‌سازی اشاره شده است.

فشرده‌سازی چیست؟

به بیان ساده، فشرده‌سازی فایل (فشرده‌سازی داده) به عمل کاهش اندازه‌ی فایل و درعین‌حال حفظ اصالت داده‌ها گفته می‌شود؛ با این کار، فضای اشغالی فایل در دستگاه‌ حافظه کاهش پیدا می‌کند و علاوه بر این انتقال فایل روی اینترنت و دستگاه‌های دیگر آسان‌تر می‌شود.

فشرده‌سازی عملی بی‌نهایت نیست؛ بااینکه فشرده‌سازی فایل و تبدیل آن به ZIP اندازه‌ی فایل را کاهش می‌‌دهد، اما با فشرده‌سازی مجدد نمی‌توان فایل را کوچک‌تر کرد. به‌طورکلی فشرده‌سازی فایل به دو دسته تقسیم می‌شود: با اتلاف و بدون اتلاف.

فشرده‌سازی با اتلاف

در فشرده‌سازی با اتلاف با حذف بیت‌های غیرضروری اطلاعات، اندازه‌ی فایل کاهش پیدا می‌کند. این روش برای فشرده‌سازی تصاویر، ویدئو و فرمت‌های صوتی که نیازی به ارائه‌ی بی‌نقص رسانه‌ی مبدأ ندارند، کاربرد دارد. برای بسیاری از فرمت‌های متداول رسانه ازجمله MP3 و JPEG از این روش فشرده‌سازی استفاده می‌شود.

فایل MP3 لزوما شامل تمام اطلاعات صوتی مبدأ نیست؛ بلکه بخشی از صوت‌های غیرقابل شنیدن برای انسان را حذف می‌کند. شما متوجه حذف آن اصوات نمی‌شوید بنابراین با حذف این اطلاعات، حجم فایل به شکلی بی‌نقص کاهش می‌یابد. به‌طور مشابه، JPEG هم بخش‌های غیرضروری تصاویر را حذف می‌کند. برای مثال در فشرده‌سازی تصویر آسمان آبی به فرمت JPEG به‌جای نمایش هزاران سایه‌روشن متفاوت، یک یا دو سایه‌روشن رنگ آبی انتخاب می‌شود.

بااین‌حال، هرچقدر فشرده‌سازی فایل‌ها سنگین‌تر باشد، افت کیفیت آن‌ها چشمگیرتر است. برای مثال آپلود فایل‌های mp3  که در یوتیوب آپلود می‌شوند، کیفیت پایینی دارند. فشرده‌سازی با اتلاف، زمانی مناسب است که نیازی به بخش غیرضروری اطلاعات نداشته باشید. برای مثال در مورد فایل‌های تصویری RAW، تنها زمانی به این فرمت نیاز دارید که بخواهید تصویر را روی بنری بزرگ چاپ کنید اما برای آپلود روی شبکه‌های اجتماعی مثل فیسبوک نیازی به این فرمت نیست.

تصویر شامل داده‌هایی است که هنگام نمایش در سایت‌های شبکه‌ی اجتماعی دیده نمی‌شود. با فشرده‌سازی تصویر به JPEG باکیفیت، بخشی از اطلاعات تصویر حذف می‌شود، اما تغییری در ظاهر آن به وجود نمی‌آید.

کاربرد عمومی فشرده‌سازی با‌ اتلاف

اغلب رسانه‌ها از فشرده‌سازی با اتلاف استفاده می‌کنند. برای مثال این روش برای شرکت‌هایی اسپاتیفای و نتفلیکس مفید است که نیاز به انتقال انبوه اطلاعات دارند. آن‌ها با کاهش حداکثری حجم فایل و درعین‌حال حفظ کیفیت آن، بازدهی خود را بالا می‌برند؛ اما تصور کنید اگر از این روش استفاده نشود، فایل‌های ویدئویی یوتیوب چه حجم زیادی را اشغال می‌کنند.

درصورتی‌که اطلاعات فایل ضروری باشند، فشرده‌سازی با اتلاف توصیه نمی‌شود. برای مثال استفاده از فشرده‌سازی با اتلاف برای فایل متنی یا صفحه‌ی گسترده می‌تواند منجر به تحریف خروجی شود. در چنین شرایطی نمی‌توان بدون آسیب به محصول نهایی به فشرده‌سازی پرداخت. هنگام ذخیره‌سازی فرمت با اتلاف می‌توان سطح کیفیت را تنظیم کرد. برای مثال بسیاری از ویرایشگرهای تصویر از زبانه‌‌ی ۰ تا ۱۰۰ برای تنظیم کیفیت JPEG برخوردار هستند.

ذخیره‌سازی باکیفیت ۹۰ یا ۸۰، اندازه‌ی فایل را فقط اندکی کاهش می‌دهد و تفاوت آن با فایل اصلی قابل‌چشم‌پوشی است؛ اما ذخیره‌سازی باکیفیت ضعیف یا تکرار ذخیره‌سازی فایل با فرمت با اتلاف، می‌تواند کیفیت فایل را به شکل چشمگیری از بین ببرد.

فشرده‌سازی با اتلاف در تصویر زیر نشان داده شده است. تصویر سمت چپ، نسخه‌ی اصلی است که با فرمت JPEG از Pixabay دانلود شده است. تصویر وسط نتیجه‌ی ذخیره‌سازی تصویر به‌صورت JPEG با کیفیت ۵۰ درصد است و تصویر سمت راست، ذخیره‌سازی با کیفیت ۱۰ درصد را نمایش می‌دهد.

با نگاهی سریع، می‌توان تشخیص داد تصویر وسط زیاد هم بد به نظر نمی‌رسد. البته با بزرگ‌نمایی می‌توانید متوجه خرابی‌هایی در اطراف لبه‌ی جعبه‌ها شوید؛ اما تصویر سمت راست ظاهر بسیار بدی دارد. قبل از کراپ کردن تصاویر برای آپلود، اندازه‌ی آن‌ها به ترتیب ۸۷۴ کیلوبایت، ۳۱۰ کیلوبایت و ۱۰۰ کیلوبایت بود.

فشرده‌سازی بدون اتلاف

فشرده‌سازی بدون اتلاف، حجم فایل را طوری کاهش می‌دهد که بتوان به بازسازی فایل اصلی پرداخت. این روش در مقایسه با فشرده‌سازی بدون اتلاف، هیچ اطلاعاتی را حذف نمی‌کند. بلکه از طریق حذف افزونگی، فایل را کوچک می‌کند.

با یک مثال بهتر می‌توان این تعریف را درک کرد. در تصویر زیر ۱۰  آجر اسباب‌بازی را مشاهده می‌کنید: دو آجر آبی، پنج زرد و سه قرمز. این پشته راه ساده‌ای برای نمایش آجرها است اما روش دیگری هم برای انجام این کار وجود دارد.

به‌جای نمایش ۱۰  بلوک آجری، می‌توان از هر رنگ، یک آجر را حذف کرد. سپس از اعداد برای نمایش تعداد آجر هر رنگ استفاده کرد. به این روش همان اطلاعات با اشغال فضایی کمتر منتقل می‌شود؛ بنابراین به‌جای ده آجر دقیقا به سه آجر نیاز است.

مثال بالا، نمایش ساده‌ای از فشرده‌سازی بدون اتلاف بود. در روش بدون اتلاف، با حذف افزونگی حجم یکسانی از اطلاعات به‌صورت بهینه ذخیره می‌شود... حالا فایلی واقعی را در نظر بگیرید که رشته‌ی زیر در آن وجود دارد:

mmmmmuuuuuuuoooooooooooo

می‌توان فشرده‌سازی را به این صورت انجام داد:

m5u7o12

در مثال فوق می‌توان به‌جای ۲۴ کاراکتر از هفت کاراکتر برای نمایش همان اطلاعات استفاده کرد و به شکل چشمگیری در حافظه صرفه‌جویی کرد.

کاربرد  فشرده‌سازی بدون اتلاف

فشرده‌سازی بدون اتلاف در سناریوهایی اهمیت دارد که نمی‌خواهید هیچ‌کدام از اطلاعات فایل اصلی حذف شوند. برای ساخت فایل ZIP از برنامه‌ی اجرایی در ویندوز از فشرده‌سازی بدون اتلاف استفاده می‌شود. فشرده‌سازی فایل ZIP روش بهینه‌ای برای ذخیره‌سازی برنامه‌ها است و با خارج شدن فایل از حالت فشرده امکان دسترسی به اطلاعات وجود خواهد داشت؛ بنابراین اگر از فرمت با اتلاف برای فشرده‌سازی فایل‌های اجرایی استفاده کرده باشید، نسخه‌ی غیر فشرده‌ی آن بی‌استفاده می‌شود.

فرمت‌های متداول بدون اتلاف شامل PNG برای تصاویر، FLAC برای صوت و ZIP است. فرمت‌های بدون اتلاف برای ویدئو به‌ندرت پیدا می‌شوند زیرا ویدئو فضای بسیار زیادی را اشغال می‌کند

هر کدام از روش‌های فشرده‌سازی در چه شرایطی مناسب هستند؟

حالا پس از بررسی دو نوع فشرده‌سازی فایل، شاید این سؤال مطرح شود که چه موقع باید از آن‌ها استفاده کرد. به‌طورکلی هیچ‌کدام از روش‌ها بر یکدیگر برتری ندارند بلکه بسته به موقعیت و هدف باید از آن‌ها استفاده کرد.

از فشرده‌سازی بدون اتلاف باید زمانی استفاده کرد که به‌دنبال کپی بی‌نقصی از اطلاعات منبع باشید و از فشرده‌سازی با اتلاف زمانی استفاده می‌شود که کپی ناقص هم نیاز را برطرف کند. حالا یک مثال دیگر را در نظر بگیرید.

فرض کنید بخواهید مجموعه CD قدیمی خود را دیجیتالی کنید بنابراین باید کل سی دی را روی کامپیوتر کپی کنید. برای تبدیل CD می‌توانید از فرمت بدون اتلافی مثل FLAC استفاده کنید. به‌این‌ترتیب کیفیت کپی اصلی روی کامپیوتر مشابه کیفیت اصلی CD است.

حالا فرض کنید بخواهید چند ترک موسیقی را روی تلفن همراه یا یک MP3 پلیر قدیمی بریزید. در اینجا نیازی به کیفیت بی‌نقص نخواهید داشت بنابراین می‌توانید فایل‌های FLAC را به Mp3 تبدیل کنید. این روش تأثیر زیادی روی کیفیت فایل صوتی نخواهد داشت و درعین‌حال فضای کمی هم ذخیره خواهد شد. کیفیت تبدیل FLAC به MP3 زمانی خوب است که MP3 از CD اصلی تولید شده باشد.

روش فشرده‌سازی به نوع داده‌ای فایل هم وابسته است. ازآنجاکه تصاویر PNG از فرمت بدون اتلاف استفاده می‌کنند، مزایای آن‌ها اندازه‌ی کوچک فایل و درعین‌حال فضای یکپارچه است. از طرفی در صورت نمایش رنگ‌های بیشتر، PNG-ها فضای بیشتری را اشغال می‌کنند.

چالش‌های فشرده‌سازی فایل

تبدیل فرمت‌های بدون اتلاف به فرمت‌های با اتلاف مشکل‌ساز نیست. بااین‌حال هرگز نباید فرمت با اتلاف را به فرمت بدون اتلاف یا هر فرمت دیگری تبدیل کنید. تبدیل فرمت‌های با اتلاف به فرمت بدون اتلاف به‌معنی هدر دادن فضا است؛ زیرا فرمت‌های با اتلاف معمولا بخشی از داده‌ها را حذف می‌کنند و بازیابی آن‌ها غیرممکن است.

فرض کنید یک فایل Mp3 با حجم ۳ مگابایت داشته باشید. تبدیل این فایل به فرمت FLAC، منجر به تولید فایلی ۳۰ مگابایتی می‌شود اما ۳۰ مگابایت دقیقا شامل اطلاعات فرمت MP3 است و عملا تغییری حاصل نشده است. تبدیل به فرمت بدون اتلاف لزوما منجر به بازیابی اطلاعات ازدست‌رفته نمی‌شود.

از طرف دیگر، تبدیل فرمت با اتلاف به فرمت‌های دیگر (ذخیره‌سازی پیوسته با فرمت با اتلاف) منجر به افت تدریجی کیفیت می‌شود؛ زیرا با هر بار اعمال فشرده‌سازی با اتلاف، بخشی از جزئیات از بین می‌رود و افت کیفیت به‌تدریج تا خراب کامل فایل خود را نشان می‌دهد.

در این مقاله به عملکرد فشرده‌سازی با اتلاف و بدون اتلاف اشاره شد. حالا می‌دانید که ذخیره‌سازی فایل با فرمت کوچک‌تر امکان‌پذیر است و می‌توانید بهترین روش را براساس نیازهای خود انتخاب کنید. البته روش تصمیم‌گیری الگوریتم‌ها در فشرده‌سازی با اتلاف برای حذف داده‌های اضافی یا بهترین روش ذخیره‌سازی داده‌های مضاعف در فشرده‌سازی بدون اتلاف بسیار پیچیده‌تر از این تعاریف هستند.

گوگل طی ۹ سال گذشته به پژوهشگرانی که از کرومیوم باگی کشف کرده‌اند، بیش از ۵ میلیون دلار پرداخت کرده و اکنون نوبت به مایکروسافت رسیده است تا برای نسخه‌ی بتا و کرومیم‌محور مرورگر اج برنامه‌‌ی باگ باونتی مشابهی را راه بیاندازد. در برنامه‌ی جدید مایکروسافت، هدف یافتن باگ‌هایی خواهد بود که بر مرورگر گوگل کروم تأثیرگذار نیستند.

هم‌زمان با برنامه‌ی گوگل برای افزایش مبلغ جایزه‌ی باگ‌باونتی کرومیوم به ۳۰ هزار دلار، ردموندی‌ها نیز مبلغ یکسانی را برای حیاتی‌ترین باگ‌ها تعیین کرده‌اند. از بین چنین باگ‌هایی می‌توان به تلفیقی از نقص در ارتقاء دسترسی و روزنه‌ای در سندباکس افزونه‌ی Windows Defender Application Guard اشاره کرد. این ابزار پیش‌تر برای Edge HTML در دسترس قرار گرفته بود؛ اما مایکروسافت در ماه مارس آن را برای کروم و فایرفاکس نیز ارائه داد.

افزونه‌ی Windows Defender Application Guard به ادمین‌ها اجازه می‌دهد تا با ایجاد فهرستی از وب‌سایت‌های مطمئن (وایت‌لیست) به کاربران اجازه‌ی بازدید از آن‌ها را در مرورگر اج بدهند. آدرس‌هایی که در فهرست یادشده جای ندارند، در نسخه‌ی سندباکس Hyper-V اج اجرا خواهند شد تا بدین ترتیب سیستم‌عامل از نصب‌شدن هر ابزار مخربی از طریق وب در امان باشد.

به‌گفته‌ی مایکروسافت برنامه‌ی اج این شرکت برای کانال‌های Edge Beta و Edge Dev، نقش «مکملی» را برای باگ باونتی کرومیوم گوگل ایفا خواهد کرد. ردموندی‌ها تنها برای شناسایی آسیب‌پذیری‌هایی جایزه پرداخت می‌کنند که قبلا گزارش نشده و منحصر به نسخه‌ی کرومیوم اج باشند؛ بدین مفهوم که آسیب‌پذیری یادشده برای گوگل کروم مخرب نباشد. برنامه‌ی باگ‌باونتی جدید در کنار برنامه‌ی کنونی مایکروسافت برای نسخه‌ی EdgeHTML مرورگر اج اجرا خواهد شد. جایزه‌ی اصلی در باگ‌باونتی کنونی مایکروسافت برابر با ۱۵ هزار دلار است.  

مایکروسافت در هفته‌ی جاری نسخه‌ی بتای مرورگر کرومیوم اج را برای ویندوز ۱۰، ۷، ۸/۸.۱ و macOS منتشر کرد. علاقه‌مندان می‌توانند این نسخه را از وب‌سایت اج اینسایدر دانلود کنند. ناگفته نماند که مرورگر اج جدید یا به‌گفته‌ی عده‌ای، «Credge» ظاهرا به‌زودی در دسترس عموم قرار خواهد گرفت؛ هرچند که به‌گفته‌ی مری جو فولی، خبرنگار فعال در حوزه‌ی خبری مایکروسافت، کرومیوم اج تا پیش از پایان امسال یا سال ۲۰۲۰ از راه نخواهد رسید.

ردموندی‌ها از نخستین روزهای انتشار نسخه‌‌های بتای کرومیوم اج در حال ارزیابی بازخورد کاربران هستند. ماه آینده، نسخه‌ی آزمایشی Edge canary امکان بلوکه‌کردن پخش خودکار ویدئو و صدا را در اختیار کاربر قرار خواهد داد. پژوهشگران جهت دریافت جایزه‌ی باگ باونتی جدید مایکروسافت، باید وجود باگ را در جدیدترین نسخه‌های ویندوز یا macOS مرورگر اج نشان دهند. مایکروسافت کیفیت گزارش‌های ارائه‌شده را نیز ارزیابی خواهد کرد، این گزارش‌ها باید اثباتی از کارکرد آسیب‌پذیری را در بطن خود داشته باشند.

زمین شاهد از‌دست‌رفتن بی‌سابقه‌ی گونه‌ها است؛ وضعیتی که برخی از اکولوژیست‌ها به آن ششمین انقراض جمعی می‌گویند. سازمان ملل در گزارش ماه مه خود، هشدار داد یک‌میلیون گونه درمعرض خطر انقراض قرار گرفته‌اند. اخیرا نیز انقراض ۵۷۱ گونه‌ی گیاهی اعلام شده است. البته، پدیده‌ی انقراض از وقتی حیات روی زمین وجود داشته، در حال وقوع بوده است. پرسش مهم این است: آیا سرعت انقراض گونه‌ها افزایش یافته است؟

پژوهشی که به‌تازگی در مجله‌ی Current Biology منتشر شده است، نشان می‌دهد برخی از گیاهان ۳۵۰ برابر سریع‌تر از میانگین سرعت انقراض گیاهان در حالت طبیعی در حال انتقراض هستند. این امر پیامدهای ویران‌کننده‌ای برای گونه‌های منحصر‌به‌فرد به‌دنبال دارد.

اندازه‌گیری سرعت انقراض

پاسخ به این پرسش که چه تعداد از گونه‌ها در حال انقراض هستند، آسان نیست؛ زیرا در بیشتر مناطق جهان، اطلاعات دقیقی درباره‌ی انقراض گونه‌ها در عصر حاضر وجود ندارد و گونه‌ها پراکندگی یکسانی ندارند. برای مثال، ماداگاسکار خانه‌ی حدود ۱۲ هزار گونه‌ی گیاهی است که از این تعداد، ۸۰ درصد بومی‌اند و در هیچ جای دیگر جهان یافت نمی‌شوند. در کشور انگلیس نیز، ۱,۸۵۹ گونه‌ی گیاهی زندگی می‌کنند که تنها ۴ درصد آن‌ها (۷۵ گونه) بومی این منطقه هستند.

مناطقی مانند ماداگاسکار که تنوع زیستی بی‌نظیری دارند، درمعرض خطر جدی ناشی از فعالیت‌های انسانی قرار گرفته‌اند. صرفا براساس تعداد، انتظار می‌رود نقاط دارای تنوع زیستی بیشتر در مقایسه با مناطق دارای تنوع زیستی کمتری، گونه‌های بیشتری را طی انقراض از دست بدهند. بااین‌حال، این بدان معنا نیست که نقاط دارای گونه‌های بومیِ کم، ارزش حفاظت ندارند؛ زیرا این مناطق معمولا گونه‌های گیاهی کاملا منحصر‌به‌فردی دارند.

گروهی از پژوهشگران از کشورهای مختلف ۲۹۱ مورد رویداد انقراض گیاهی را در این دو نوع منطقه بررسی کردند. این پژوهشگران دلایل پشت‌صحنه‌ی انقراض و زمان آن و میزان منحصر‌به‌فردی گیاهان منقرض‌شده را مطالعه کردند و با استناد به این اطلاعات، تفاوت انقراض در این مناطق را واکاوی کردند. نتایج نشان می‌داد سرعت انقراض در مناطق دارای تنوع زیستی بیشتر، سریع‌تر بود. کشاورزی و شهرنشینی از عوامل مهم مؤثر بر انقراض در هر دو منطقه بودند. درواقع، تخریب زیستگاه دلیل اصلی بیشتر انقراض‌ها است. به‌طور کلی، گیاهان علفی پایا مانند گندمیان دربرابر انقراض آسیب‌پذیرتر هستند.

مناطق دارای تنوع زیستی کمتر، گونه‌های منحصر‌به‌فرد خود را بیشتر از دست می‌دهند. برای مثال، در مناطق دارای تنوع زیستی کم، هفت انقراض رخ داده و موجب ناپدیدشدن هفت جنس گیاهی شده بود و در یک مورد حتی کل یک خانواده‌ی گیاهی از بین رفت. آشکار است که مناطق دارای تنوع زیستی کم نیز مخزنی از تنوع زیستی منحصر‌به‌فرد هستند که به حفاظت نیاز دارند.

پژوهشگران همچنین نشان دادند سرعت انقراض در عصر حاضر، ۳۵۰ برابر بیشتر از سرعت انقراض گونه‌های گیاهی در گذشته است. دانشمندان پیش‌از‌این حدس زده بودند انقراض گیاهان امروزی در ۸۰ سال آینده سرعتی بیش از هزاربرابر سرعت انقراض طبیعی پیدا خواهد کرد؛ بنابراین، چرا برآوردهای ما از سرعت انقراض گیاهان این‌قدر کم است؟ درادامه، به پرسش پاسخ داده می‌شود.

دلیل نخست اینکه فقدان اطلاعات جامع، نتیجه‌گیری‌ درباره‌ی انقراض‌های امروزی را محدود می‌کند. دلیل دوم اینکه گیاهان منحصربه‌فرد هستند و برخی از آن‌ها عمر طولانی دارد و بسیاری از آن‌ها می‌توانند به‌‌دلیل سازگاری‌های خاصشان، در تراکم کم هم زنده بمانند. برای مثال، برخی گیاهان در نبود شریک جنسی هم تولیدمثل می‌کنند. فرض کنید تنها پنج گیاه زنده‌ی بائوباب گراندیدیه (Adansonia grandidieri) در طبیعت باقی مانده‌اند. این درختان نمادین سرزمین ماداگاسکار یکی از ۹ گونه‌ی زنده این جنس از گیاهان هستند و می‌توانند صدها سال زندگی کنند. بنابراین، تعداد کمی از درختان ممکن است در چنین شرایط دشواری در حال زندگی باشند و فکر کنیم منقرض نشده‌اند؛ اما درنهایت، به‌ناچار منقرض خواهند شد.

درضمن، اعلام‌کردن یک گیاه به‌عنوان یک گیاه منقرض‌شده چالش‌برانگیز است؛ زیرا مشاهده‌ی آن‌ها اغلب بسیار دشوار است و نمی‌توانیم مطمئن شویم آخرین افراد زنده‌ی آن‌گونه را پیدا کرده‌ایم. درواقع، اخیرا گزارشی نشان داد که ۴۳۱ گونه‌ی گیاهی که قبلا تصور می‌شد، منقرض شده باشند، مجددا کشف شدند. بنابراین، تخمین‌های حقیقی انقراض گیاهان و انقراض‌های آینده احتمالا به‌مراتب فراتر از تخمین‌های فعلی است.

شکی نیست که کاهش تنوع زیستی همراه‌با تغییرات اقلیمی از بزرگ‌ترین مشکلات پیش روی بشر است. انتظار می‌رود تغییرات اقلیمی همراه‌با تخریب زیستگاه ناشی از فعالیت‌های انسانی، به‌ویژه روی تنوع زیستی گیاهی به‌شدت تأثیر بگذارد. بدون شک ارقام فعلی انقراض گیاهان کمتر از حد برآورد شده‌اند؛ اما نشانه‌های آن کاملا آشکار است.

اگر بخواهیم تاریخچه‌ی زمین ۴.۵ میلیارد ساله را در یک سال تقویمی خلاصه کنیم، زمین در زمانی مثل ژوئن تکامل پیدا کرد و دایناسورها در نزدیکی کریسمس ظاهر شدند و آنتروپوسن در آخرین میلی‌ثانیه‌ی شب سال جدید آغاز شده است. نرخ انقراض گیاهان امروزی که صدها برابر بیشتر از سرعت انقراض تاریخی گیاهان است، در چنین زمان کوتاهی رخ می‌دهد و فاجعه‌ای برای آینده‌ی سیاره‌ی ما رقم خواهد زد.

محمدجواد آذری‌جهرمی، وزیر ارتباطات و فناوری اطلاعات، از ورود گوشی‌های تلفن‌همراه ایرانی به بازار با قیمت حدودی ۱.۵ میلیون تومان در آینده‌ای نزدیک خبر داد. وی اعلام کرد به‌دلیل مشکلات ارزی و شرایط تحریم، زنجیره‌ی تأمین تلفن‌همراه در کشور دچار اختلال شده است؛ به همین دلیل، قیمت تلفن‌همراه افزایش پیدا کرده است. این موضوع باعث شده است عده‌ای در صورت خراب‌شدن صفحه‌نمایش گوشی یا دزدیده‌شدن آن، توان خرید دوباره‌ی همان مدل گوشی را نداشته باشند؛ زیرا قیمت آن چندبرابر افزایش پیدا کرده و این موضوع روی نمودارها تأثیر گذاشته است. وی درادامه افزود شاخص‌های توسعه‌ی فناوری ازجمله تعداد خانواده‌هایی که کامپیوتر دارند یا تعداد افرادی که از تلفن‌همراه استفاده می‌کنند، همواره بررسی می‌شوند و شاخص تلفن‌همراه‌با افت روبه‌رو شده است.

وزیر ارتباطات استفاده و حمایت از ظرفیت‌های داخلی را راه‌حل این مشکل عنوان کرد و گفت:

مشاهده کردیم شاخص تلفن‌همراه دچار افت شده و نمی‌توانیم دربرابر آن بی‌تفاوت باشیم؛ به همین دلیل، با بررسی‌های فراوان متوجه شدیم در کشور ظرفیت داخلی برای تولید تلفن‌همراه وجود دارد. پس بنا را بر حمایت از این شرکت‌ها گذاشتیم تا گوشی مناسب و ارزان‌قیمت با قیمت حدودی ۱.۵ میلیون تومان دراختیار مردم بگذاریم.

وی پیش‌تر نیز حمایت خود را از گوشی‌های موبایل ساخت ایران اعلام کرده و با انتشار پستی در اینستاگرام گفته بود گوشی سامسونگ خود را کنار گذاشته است و از گوشی ایرانی آریا استفاده می‌کند.

وزیر ارتباطات در راستای طرح حمایت از تلفن‌های همراه داخلی گفت:

اولین حمایت ما این بود که تعدادی از این تلفن‌ها را گرفتیم که گوشی خودم نیز از همین گوشی است و حدود ۱۰۰ گوشی نیز با فراخوانی در اینستاگرام برای علاقه‌مندان ارسال کردیم. درمقابل قیمت تلفن‌همراه، تنها از کاربران خواستیم یک صفحه از تجربیات خود از استفاده تلفن‌همراه را برایمان ارسال کنند. از این ۱۰۰ صفحه که کاربران ارسال کردند، ۱۰۰ اشکال جدی در طراحی این تلفن‌همراه وجود داشت که برای تولیدکننده فرستادیم و گفتیم اگر این ۱۰۰ ایراد برطرف شود، برای ورود به بازار از آن‌ها حمایت ویژه می‌کنیم. حمایت ویژه هم به این صورت است که باندلش می‌کنیم با اپراتورها و منابع مالی را نیز پست‌بانک تأمین می‌کند و اپراتورها این تلفن‌همراه را به مشترکان خود عرضه می‌کنند و قسط از قبض تلفن‌همراه کاربر کسر می‌شود. این روش کمک می‌کند به عده‌ای که تلفن‌همراه نیاز دارند، اما توان مالی برای خرید ندارند، بتوانند گوشی را به‌صورت اقساطی تهیه کنند. نکته‌ی دیگر آنکه این حمایت باعث می‌شود بازار تلفن‌همراه داخلی نیز رونق پیدا کند.

آذری‌جهرمی درپایان افزود روی این تلفن‌همراه امکان نصب سیستم‌عامل بومی فراهم شده است؛ اما اجباری به نصب آن نیست؛ یعنی کاربر درصورت علاقه، می‌تواند این نسخه از سیستم‌عامل را نصب کند.

پس از گذشت چهار دهه از زمان کاربرد اولین نرم‌افزار پیشرفته در صنایع دارایی‌بر مانند تأسیسات، فرودگاه‌ها، بندرگاه‌‌ها، جاده‌ها، خط‌آهن و معدن، تولیدکنندگان مسیری درخورتوجه به‌منظور تحول کسب‌وکار خود و تولید ارزش‌افزوده برای ذی‌نفعان طی کرده‌اند. صنایع دارایی‌بر صنایعی هستند که وابستگی زیادی به دارایی‌های فیزیکی خود دارند.

امروزه، به‌لطف پیشرفت‌های هوش مصنوعی، به‌ویژه یادگیری ماشین، نسل جدیدی از فناوری‌ها ظهور کرده‌اند که فرصت‌های جدیدی برای برتری عملیاتی در بخش‌های صنعتی به‌وجود آورده‌اند. کسب‌وکارها برای سبقت از یکدیگر، نه‌تنها باید پیچیدگی‌های یادگیری ماشین را درک کنند؛ بلکه باید براساس آن عمل کنند و بدین‌ترتیب به مزیت برسند.

ناگفته نماند آخرین راه‌حل‌های یادگیری ماشین می‌توانند چند هفته زودتر به وجود خرابی یا نقص در دارایی‌ها پی ببرند و با تشخیص الگوهای داده‌ای پیچیده و کشف آثار دقیق خرابی یا نقص، تجهیزات ناهنجار را از تجهیزات عادی تفکیک کنند.

کشف ناهنجاری

مایک بروکز، مدیر ارشد شرکت نرم‌افزاری بهینه‌سازی اسپن‌تِک (AspenTech)، در این باره می‌گوید:

سیستم‌های یادگیری ماشین می‌توانند به اپراتورها هشدار دهند و برای دوری از خطاهای احتمالی یا کاهش پیامدها، راه‌حل‌هایی تعریف کنند. روش یادگیری ماشین بدون ناظر، روشی مختص الگوهای یادگیری عملکرد یا رفتار است که از تکنیک‌های دسته‌بندی استفاده می‌کند.

علاوه‌براین، در این قبیل‌ سیستم‌ها می‌توان براساس سیگنال‌های دریافتی از حسگرها و ماشین‌ها رفتارهای عملیاتی را درک کرد و پس از یادگیری الگوهای رفتاری و تحلیل داده‌های جدید، به انحراف‌ها یا ناهنجاری‌ها پی برد. درنهایت، با پی‌بردن به ناهنجاری‌ها می‌توان مشکلات مکانیکی و تغییرات فرایند تأثیرگذار بر بخش‌های مختلف تجهیزات را شناسایی کرد. بااین‌حال، ممکن است روش یادگیری بدون ناظر پر از خطا باشد و همیشه به مداخله‌ی انسان نیاز داشته باشد. بروکز معتقد است:

این روش در کشف هم‌بستگی‌ها عملکرد خوبی دارد؛ اما کارایی‌اش در علت‌یابی مشکل کمتر است. یادگیری ماشین بدون دخالت انسان صرفا می‌تواند هم‌بستگی‌های بی‌معنی، ولی واقعی مثل رابطه‌ی کاهش مرگ در بزرگ‌راه‌های ایالات‌ متحده و واردات لیمو از مکزیک را پیدا کند.

هم‌بستگی با ریشه‌یابی یکسان نیست

وقتی یادگیری ماشین بدون ناظر موفق می‌شود ناهنجاری را کشف کند، تغییر در الگوی رفتاری دو حالت دارد: وضعیت عملیاتی جدید یا بروز خطای احتمالی. اینجا است که عاملی انسانی باید ماشین را بررسی و برای انتخاب گزینه‌ی صحیح تصمیم‌گیری کند. مداخله‌ی دستی به قابلیت تطبیق و یادگیری سیستم کمک می‌کند و تحلیلی مطمئن برای کسب‌وکار ارائه می‌کند.

افزون‌براین، هم‌بستگی (Correlation) با علت‌یابی (Causation) یکسان نیست؛ بنابراین، یادگیری ماشین برای یادگیری صحیح به راهنمای انسانی نیاز دارد. برای مثال، فناوری‌های تشخیص صدا از یادگیری ماشین استفاده می‌کنند؛ اما بدون کمک نمی‌توانند یاد بگیرند. دستیارهای شخصی هم برای تفسیر عبارت‌های پردازش‌نشده و ترجمه‌ی آن‌ها به ناظران انسانی نیاز دارند.

نیاز به دخالت انسان

به‌طور مشابه، قابلیت کشف فریب کارت اعتباری باید رفتار خرید را یاد بگیرد. ممکن است شرکت کارت اعتباری بپرسد: «آیا می‌خواهید بلیت هواپیما را در پاریس بخرید؟» در این صورت صادرکننده‌ی کارت اعتباری از یادگیری ماشین برای درک الگوهای عادی خرید استفاده می‌کند و بدین‌ترتیب رفتار ناهنجار را تشخیص می‌دهد. بروکز می‌گوید:

ورودی ساده‌ی بله یا خیر، برای تشخیص ناهنجاری کافی است و رفتارهای خرید عادی را از رفتارهای فریب‌دهنده تفکیک می‌کند.

به همین ترتیب، یادگیری ماشین بدون ناظر برای عملکرد مؤثر نیازمند مداخله‌ی انسان است و باید رویداد و زمان و تاریخ آن را برای آن تعریف کرد. علاوه‌بر‌این، فناوری باید نشان الگوهای دقیقی را شناسایی کند که به اتفاق منجر می‌شوند. برای مثال، این الگوها در صنایع دارایی‌بر می‌توانند به نقص در دستگاه‌ها منجر شوند. بروکز درباره‌ی این موضوع می‌گوید:

فناوری در درجه‌ی اول به یادگیری و ارزیابی الگوی خطا می‌پردازد. سپس، برای یافتن احتمال دقیق بازگشت الگو، جریان‌های داده‌ای ورودی را آزمایش می‌کند. در مرحله‌ی بعد، قبل از وقوع خطا هشدار می‌دهد و زمان لازم را برای رفع خطا یا تعمیر قبل از وقوع خسارت بزرگ فراهم می‌کند. بدین‌ترتیب، هزینه‌ی نگه‌داری کاهش می‌یابد و محصولات ارزشمندتری تولید می‌شوند.

چشم‌اندازهای درخشان

موریس با تأکید بر مزایای یادگیری ماشین در راه‌اندازی بهینه‌ی تأسیسات و بهینه‌سازی عملکرد موجودی‌ها، صاحبان کسب‌وکارهای دارایی‌بر را به استفاده از این فناوری تشویق می‌کند. در بازارهای شلوغ امروزی، فرصت استفاده از یادگیری ماشین و مزایای آن برای پیش‌بینی عملکرد دارایی و افزایش مزایای کسب‌وکار و توسعه‌ی مرز رقابتی به‌وجود آمده است. موریس معتقد است:

یادگیری ماشین از نوع بدون نظارت، می‌تواند به کسب‌وکارها در شناسایی ناهنجاری‌ها و عملکرد کمک کند؛ اما سازمان‌ها باید آگاه باشند که یادگیری ماشین برای عملکرد در سطوح بهینه نیازمند هوش و راهنمایی انسانی است. یادگیری ماشین هنوز برای یافتن و حل مشکلات به راهنما نیاز دارد.

کسب‌وکارهای دارایی‌بر که به درک صحیحی از مزایای یادگیری ماشین می‌رسند، به بهترین شکل می‌توانند از مزایای آن برخوردار شوند و با ارزیابی الگوهای رفتاری دارایی و رسیدن به دیدگاه صحیح و توسعه‌ی خودکار چشم‌انداز، عملکرد دارایی در کل عملیات خود را می‌توانند بهینه‌سازی کنند.

به‌گزارش خبرگزاری فرانسه (AFP)، براساس نتایج نظرسنجی از افراد مهم و تأثیرگذار حوزه‌ی فناوری درباره‌ی سلاح‌های مستقل کشنده و مرگ‌بار، آمازون و مایکروسافت و اینتل سه غول بزرگ و برتر فناوری، با ساخت ربات‌های قاتل، جهان را درمعرض خطر قرار می‌دهند. سازمان غیردولتی هلندی پکس (Dutch NGO Pax) شرکت‌ها را با سه معیار رتبه‌بندی کرده است. این سه معیار عبارت‌اند از:

• آیا در حال توسعه فناوری مرتبط با هوش مصنوعی مرگ‌بار هستند؟؛
• آیا مشغول انجام پروژه‌های نظامی مرتبط هستند؟؛
• آیا به منع مشارکت در پروژه‌های مربوط به آینده متعهد شده‌اند یا خیر؟؛

فرانک اسلیپر، نویسنده‌ی اصلی گزارش منتشرشده گفت:

چرا شرکت‌هایی مانند مایکروسافت و آمازون انکار نمی‌کنند در‌حال‌حاضر، مشغول تولید چنین سلاح‌های بسیار بحث‌برانگیزی هستند که بدون دخالت مستقیم انسان می‌توانند به کشتن افراد تصمیم بگیرند؟

استفاده از هوش مصنوعی در سیستم‌های تسلیحاتی که به‌طور مستقل به‌ آن‌ها اجازه‌ی انتخاب و حمله به هدف داده می‌شود، بحث‌های اخلاقی زیادی در سال‌های اخیر برانگیخته است. منتقدان هشدار می‌دهند چنین اقداماتی می‌تواند امنیت بین‌المللی را به‌خطر بیندازد و پس از اختراع باروت و بمب اتمی، به انقلاب سوم در ساخت جنگ‌افزارها منجر شود.روز چهارشنبه‌ی گذشته، هیئتی از کارشناسان دولتی درباره‌ی سیاست‌های مربوط به سلاح‌های مستقل کشنده جلسه‌ای در مقر سازمان ملل در ژنو ترتیب دادند تا درباره‌ی سلاح‌های متعارف خاص بحث و تبادل‌نظر کنند.

برخلاف آمازون و مایکروسافت، گوگل که سال گذشته «اصول راهنما و پایه‌ای جلوگیری از استفاده از هوش مصنوعی در سیستم‌های تسلیحاتی» را منتشر کرده بود، در سوی دیگر این رده‌بندی به‌همراه سافت بانک ژاپن در زمره‌ی شرکت‌هایی با «بهترین عملکرد» قرار گرفته‌ است. این در حالی‌ است که ۲۲ شرکت در وضعیت «نگرانی متوسط» و ۲۱ شرکت دیگر در وضعیت «نگرانی شدید» قرار داشتند.

در این فهرست، نام دو شرکت بزرگ و نام‌آشنا، آمازون و مایکروسافت به‌چشم می‌خورد که هر دو با پیشنهاد ۱۰ میلیارد دلاری پنتاگون برای تأمین زیرساخت‌های خدمات ابری برای ارتش ایالات متحده مواجه شده‌اند. از دیگر شرکت‌های بزرگ فناوری که در دسته‌ی «نگرانی شدید» قرار دارند، می‌توان به پلنتیر (Palantir) اشاره کرد. این شرکت در سازمان سرمایه‌گذاری موردحمایت سیا ریشه دارد و ۸۰۰ میلیون دلاری برای ساخت سیستم هوش مصنوعی به آن اعطا شده است که می‌تواند به سربازان کمک کند به‌طور هم‌زمان منطقه‌ی نبرد را تحلیل کنند.

استوارت راسل، استاد علوم کامپیوتر در دانشگاه برکلی، به خبرگزاری AFP گفت:

سلاح‌های مستقل به‌ناچار به سلاح‌های مقیاس كشتار جمعی تبدیل خواهند شد؛ زیرا اگر به دخالت انسان در این حلقه نیاز نباشد، تنها با وجود یک فرد می‌توان یک‌میلیون سلاح یا صدمیلیون اسلحه شلیک كرد.

او افزود:

واقعیت این است که سلاح‌های مستقل را شرکت‌ها و نه دولت‌ها تولید خواهند کرد. به‌ همین دلیل، این شرکت‌ها با به‌راه‌انداختن کمپین‌هایی برای جلوگیری از متداول‌شدن سلاح‌های خودکار، می‌توانند نقش تعیین‌کننده‌ای ایفا کنند.

توسعه‌ی هوش مصنوعی برای اهداف نظامی بحث و اعتراض‌های بسیاری در این صنعت به‌وجود آورده است. سال گذشته گوگل از تمدید قرارداد پنتاگون به‌نام پروژه‌ی هوش مصنوعی Maven امتناع کرد؛ پروژه‌ای که از یادگیری ماشین برای تمایز افراد و اشیاء در فیلم‌های پهپادی استفاده می‌کرد. همچنین، این غول دنیای جست‌وجو به برنامه‌ی وزارت دفاع آمریکا موسوم به «برنامه‌ی زیرساخت‌های دفاعی شرکت‌های مشترک» (JEDI) خاتمه داد؛ درحالی‌که آمازون و مایکروسافت امیدوار بودند از این برنامه برای قرارداد خدمات ابری خود استفاده کنند.

در این گزارش آمده است كاركنان مایکروسافت نیز با قرارداد ارتش آمریكا برای استفاده از هدست واقعیت افزوده و هولولنز (HoloLens) به‌منظور «افزایش قابلیت مرگ‌آوری» در میدان نبرد مخالفت کرده‌اند.

سلاح‌های خودکار چگونه خواهند بود؟

به‌گفته‌ی راسل، «هرآنچه درحال‌حاضر به‌نوعی جنگ‌افزار محسوب می‌شود، قابلیت تبدیل به سلاح خودکار را دارد؛ چراکه افراد و شرکت‌ها در حال کار روی نسخه‌های مستقل و خودمختار، اعم از تانک‌ها یا هواپیماهای جنگنده یا زیردریایی هستند.

باوجوداین، نگرانی‌های بیشتر درباره‌ی ظهور دسته‌های جدید سلاح‌های مستقل هنوز وجود ندارند. این سلاح‌های جدید شامل پهپادهای کوچک مسلح هستند که در فیلم کوتاه «پهبادهای قاتل» (Slaughterbots) سال ۲۰۱۷ به نمایش گذاشته شد.

راسل بیان کرد:

می‌توان یک‌میلیون از آن‌ها را در کانتینر یا هواپیمای باری بفرستید. این پهپادها ظرفیت مخربی به‌اندازه‌ی بمب هسته‌ای دارند؛ هرچند ازنظر فیزیکی خرابی به‌بار نمی‌آورند و حتی به ساختمان‌ها آسیب نمی‌زنند.

با استفاده از فناوری تشخیص چهره، هواپیماهای بدون سرنشین می‌توانند «تنها قوم یا جنسیت خاصی را از بین ببرند» یا با استفاده از اطلاعات رسانه‌های اجتماعی، می‌توان همه‌ی افراد دارای دیدگاه سیاسی خاص را از بین برد.

راسل درپایان گفت قدم بعدی باید در قالب ممنوعیت بین‌المللی برای تولید و استفاده از هوش مصنوعی کشنده برداشته شود. می‌توان به‌طور خلاصه گفت توسعه و استقرار و حتی استفاده از تکنولوژی هوش مصنوعی که می‌تواند به کشتن انسان تصمیم بگیرد، باید متوقف شود.

در دنیایی که همواره داده‌های بسیاری ذخیره یا منتقل یا استفاده می‌شوند، حفظ امنیت این داده‌ها بسیار مهم است. هشت شرکت بزرگ تکنولوژی دنیا سعی کرده‌اند به‌طور مشترک برای حفظ داده‌های در حال استفاده گام‌های بزرگی بردارند. معمولا برای حفظ امنیت داده‌های ذخیره‌شده یا داده‌های در حال انتقال، تلاش زیادی می‌شود؛ اما داده‌هایی هم هستند که در حال استفاده‌اند یا در حال انجام محاسبات روی آن‌ها هستیم. ممکن است فردی یا سازمانی وقتی مشغول کار روی داده‌ها هستیم، به محتوای اطلاعات دسترسی پیدا و از آن سوء‌استفاده کند.

هشت غول تکنولوژی جهان شامل علی‌بابا، آرم، بایدو، IBM، اینتل، گوگل‌‌کلاد، مایکروسافت و رِد هَت اعلام کردند می‌خواهند کنسرسیوم محاسبات امن (Confidental Computing Consortium) را تشکیل دهند تا بتوانند امنیت داده‌های در حال استفاده را تأمین کنند. بنیاد لینوکس این گروه را تشکیل داده است و قصد دارد تولیدکنندگان سخت‌افزار، توسعه‌دهندگان نرم‌افزار، پیش‌گامان برنامه‌های متن‌باز و دیگر افراد مرتبط به امنیت داده‌ها را کنارهم جمع کند تا بتواند امنیت محاسبات را بهبود بخشد و استانداردهای متن‌باز را ارتقا دهد و بهتر از داده‌ها محافظت کند.

 بنیاد لینوکس در بیانیه‌ای مشترک در این باره گفته‌ است:

محاسبات امن بر داده‌های در حال استفاده تمرکز می‌کند. روش‌های کنونی حفاظت از داده بیشتر بر داده‌های ذخیره‌شده‌ یا در حال انتقال متمرکز است؛ اما رمزگذاری داده‌های در حال استفاده احتمالا پرچالش‌ترین گام برای کدگذاری کامل داده‌های حساس است. محاسبات امن باعث می‌شود داده‌ها بدون اینکه در کل سیستم پخش شوند، به‌صورت کدگذاری‌شده در حافظه استفاده شوند. همچنین، ازآنجاکه باعث می‌شود داده‌های حساس کمتر پخش شوند، کاربر کنترل بیشتر و شفاف‌تری بر داده‌ها خواهد داشت.

این کنسرسیوم اعلام کرده دلیل اصلی شکل‌گیری‌اش این است که چون امروزه سازمان‌های تجاری بیشتری در بین فضاهای محاسباتی مختلف مانند فضاهای ابری عمومی، سرورهای اختصاصی درون‌سازمانی (on-premises servers) یا محاسبات لبه‌ای (Edge) جابه‌جا می‌شوند، محاسبات امن اهمیت بسیار زیادی دارد.

هشت شرکت بزرگ فناوری مذکور پروژه‌های متن‌بازی ارائه داده‌اند که افزونه‌ی حفاظت نرم‌افزاری اینتل (Intel Software Guard Extension) را هم شامل می‌شود. این افزونه کیت توسعه‌ی نرم‌افزار (SDK) برای حفاظت از کُدها در سطح سخت‌افزاری است. در همین زمینه، مایکروسافت برای توسعه‌دهندگان Open Enclae SDK را ساخته‌ است که به آن‌ها کمک کند نرم‌افزارهای TEE یا Trusted Execution Environment بسازند. همچنین، رِد هَت، زیرمجموعه‌ی IBM، قصد دارد Enarx را برای ساخت اپلیکیشن‌های TEE به‌اشتراک بگذارد.

ازآنجاکه مشتریان سازمانی خواهان امنیت بیشتر در داده‌ها هستند، فعالیت‌هایی مانند محاسبات امن یا یادگیری نامتمرکز (Federated Learning) به‌مرور در بین فعالان حوزه‌ی یادگیری ماشین محبوب‌تر خواهد شد. به‌عنوان مثال، چالش محاسبات امن که اوایل امسال گوگل‌کلاد به اجرا گذاشت، نشان داد جایگاه اول به TF Trusted تعلق یافت. TF Trusted پروژه‌ای است که چهارچوب‌های یادگیری ماشینی شاره‌ی تانسوری (TensorFlow) و محاسبات امن و Aslyo را درکنار هم جمع کرده‌ است.

با گام‌هایی که برای محاسبات امن در حال برداشته‌شدن است، می‌توان انتظار داشت در آینده، به موقعیتی دست پیدا کرد که بتوانیم در هر مرحله از نگه‌داری و محاسبه و انتقال داده، از امنیت آن اطمینان کافی داشته‌ باشیم.