هوندا بالاخره جزئیات بیشتری از خودروی الکتریکی آینده‌ی خود، Honda e منتشر کرد. هوندا e یک خودروی محرک عقب است و با هر بار شارژ می‌تواند حدود ۲۰۰ کیلومتر مسافت طی کند.

این خودروی الکتریکی کوچک از یک موتور برقی به قدرت ۱۴۸ اسب‌بخار و گشتاور ۳۰۰ نیوتون‌متر استفاده می‌کند. پیش از آنکه بگویید این اعداد خیلی هم فوق‌العاده نیستند، باید به شما یادآوری کنیم که هوندا e یک خودروی شهری کوچک با طول کم‌تر از ۴ متر است. در بخش ابعاد خارجی، این خودرو دارای طول، عرض و ارتفاع به ترتیب ۳۸۹۵، ۱۷۵۰ و ۱۴۵۰ میلی‌متر است.

گرچه هنوز عدد و رقمی از توانایی‌های حرکتی این مدل اعلام نشده ولی هوندا گفته است که این مدل دینامیک رانندگی بالایی دارد. همچنین هوندا قول داده است که این خودرو را به حالت رانندگی اسپرت مجهز کند تا با فعال کردن آن، شتاب بهتری تجربه شود. به‌گفته‌ی سازنده، مرکز ثقل این خودرو تنها ۵۰۰ میلی‌متر از سطح زمین فاصله دارد، این عدد فوق‌العاده به‌لطف قرارگیری باتری در کف خودرو به دست آمده است. تقسیم وزن در هوندا e نیز به‌صورت ۵۰:۵۰ است که نویدبخش رانندگی پایدار با فرمان‌پذیری بالا را می‌دهد. 

پایین بودن مرکز ثقل در این خودرو امکانی را به هوندا داده است تا بدون استفاده از سیستم تعلیق‌ سخت و مستحکم بتواند کمترین تکان بدنه و بیشترین پایداری را ایجاد کند. همچنین هوندا گفته است که در تغییر مسیر سریع و ناگهانی، عملکرد مناسبی وجود دارد. این مدل سواری راحتی هم دارد که به‌کمک سیستم تعلیق مک فرسون مستقل در هر چهار چرخ به دست آمده است. هوندا تا اندازه‌ای به راحتی و پایداری این مدل مطمئن است که ادعا کرده Honda e می‌تواند در این زمینه خودروهای کلاس بالاتر از خود را نیز به چالش بکشد.

دیفرانسیل عقب بودن این خودرو مزایایی مثل افزایش زاویه‌ی فرمان پذیری چرخ‌ها و شعاع گردش تنها ۴.۳ متر را به‌دنبال دارد. این مسئله هوندا e را تبدیل به خودرویی بسیار کارآمد و کاربردی در فضاهای کوچک شهری می‌کند.

در خصوص باتری، هوندا e از یک باتری با ظرفیت ۳۵.۵ کیلووات ساعت استفاده می‌کند. هوندا می‌گوید این باتری یکی از جمع‌وجورترین باتری‌ها در این کلاس است و این امکان را داده که صرفه‌جویی زیادی در وزن خودرو شود. البته هنوز وزن خالص خودرو اعلام نشده است.

شاسی Honda e از متریال با مقاومت بالا و  وزن کم ساخته شده است. این مدل با هر بار شارژ می‌تواند ۲۰۰ کیلومتر مسافت طی کند و با استفاده از فناوری شارژ سریع امکان شارژ کردن ۸۰ درصد باتری در ۳۰ دقیقه وجود دارد. مانند خیلی از خودروهای برقی، این مدل نیز به دلیل برخوردار بودن از سیستم بازیابی انرژی ترمز، فاقد پدال ترمز است و تنها یک پدال دارد.

نسخه‌ی نهایی و تولیدی Honda e تا پایان امسال در نمایشگاه خودروی فرانکفورت رونمایی خواهد شد.

براساس گزارش شرکت نرم‌افزاری دمو، در سال ۲۰۱۸ در هر دقیقه، گوگل تعداد ۳/۸۸ میلیون جست‌وجو را اجرا کرد، مردم ۴/۳۳ میلیون ویدئو را از یوتیوب تماشا کردند، ۱۵۹٬۳۶۲٬۷۶۰ ایمیل، ۴۷۳ هزار توئیت و ۴۹ هزار تصویر نیز رویاینستاگرام پست شد. طبق برآوردها تا سال ۲۰۲۰، با فرض اینکه جمعیت جهان ۷/۸ میلیارد نفر باشد، حدود ۱/۷ مگابایت داده در هر ثانیه به ازای هر فرد تولید خواهد شد که معادل حدود ۴۱۸ زتابایت در یک سال است (۴۱۸ میلیارد هارد با ارزش اطلاعاتی یک ترابایت).

سیستم‌های مغناطیسی یا نوری ذخیره‌ی اطلاعات که در حال حاضر این حجم از اطلاعات صفر و یک را نگه‌داری می‌کنند، معمولا بیش از یک قرن دوام ندارند. علاوه‌بر‌این، عملیات اجرایی مرکز داده‌ها انرژی بسیار زیادی مصرف می‌کند. به‌طور خلاصه می‌توان گفت ما در آستانه‌ی یک مشکل جدی ذخیره‌ی اطلاعات قرار داریم که با گذشت زمان بدتر می‌شود.

بااین‌حال، پژوهشگران روش دیگری برای ذخیره‌سازی اطلاعات توسعه می‌دهند که ذخیره‌سازی بر پایه‌ی DNAاست. مولکول DNA که از زنجیره‌های طویل نوکلئوتیدهای آدنین، تیمین، سیتوزین و گوانین تشکیل شده است، ماده‌ی ذخیره‌کننده اطلاعات حیات محسوب می‌شود. داده‌ها می‌توانند در توالی این حروف ذخیره شوند و DNA را به شکل جدیدی از فناوری اطلاعات تبدیل کنند. اطلاعات موجود روی رشته‌ی DNA به‌طور معمول تعیین توالی (خواندن) و سنتز (نوشتن) می‌شود و به‌دقت و به‌آسانی قابل نسخه‌برداری است. همچنین، این مولکول بسیار پایدار است؛ کل ژنوم اسب فسیل‌شده‌ای که بیش از ۵۰۰ هزار سال پیش زنده بوده، تعیین توالی شده است.

علاوه‌براین، ذخیره‌ی اطلاعات به انرژی چندانی نیاز ندارد. با همه‌ی این مزایا، ظرفیت ذخیره آن، بیش از همه‌ی نکات دیگر می‌درخشد. DNA می‌تواند به‌طور دقیق مقادیر عظیمی از اطلاعات را در تراکمی بیش از دستگاه‌های الکترونیکی ذخیره کند. برای مثال باکتری ساده‌ی اشرشیاکلی را درنظر بگیرید که دارای تراکم ذخیره‌سازی ۱۰۱۹ بایت در هر سانتی‌متر مکعب است (براساس محاسباتی که در مقاله‌ی جورج چارچ در مجله‌ی Nature Materials منتشر شده است)؛ در چنین تراکمی، ذخیره‌ی یک سال اطلاعات جهان، به مکعبی به ضلع یک متر از DNA نیاز خواهد داشت.

ایده‌ی ذخیره‌سازی اطلاعات روی DNA تنها یک موضوع نظری نیست. در سال ۲۰۱۷، گروه چارچ در دانشگاه هاروارداز فناوری ویرایش DNA کریسپر برای ثبت تصاویر دست یک انسان درون ژنوم اشرشیاکلی استفاده کردند که با دقتی بیش از ۹۰ درصد خوانده شد. پژوهشگران دانشگاه واشنگتن و مؤسسه‌ی پژوهشی مایکروسافت نیز یک سیستم کاملا خودکار برای نوشتن، ذخیره کردن و خواندن داده‌های کدگذاری‌شده در DNA توسعه داده‌اند. تعدادی از شرکت‌ها از جمله مایکروسافت و توئیست بیوساینس نیز در حال کار روی فناوری پیشرفته‌ی ذخیره‌ی DNA هستند. DNA درحال حاضر به‌وسیله‌ی پژوهشگرانی که با حجم عظیمی از اطلاعات سروکار دارند، به‌عنوان روش جدیدی از مدیریت اطلاعات استفاده می‌شود.

پیشرفت‌های اخیر در زمینه‌ی تکنیک‌های نسل جدید تعیین توالی امکان خواندن آسان و هم‌زمان میلیاردها توالی DNA را امکان‌پذیر می‌کند. پژوهشگران به‌کمک این قابلیت، می‌توانند برای پیگیری نتایج تجربی، از روش بارکدگذاری استفاده کنند (استفاده از توالی‌های DNA به‌عنوان برچسب‌های شناسایی). در حال حاضر از روش بارکدگذاری DNA برای تسریع روند پژوهش‌ها در زمینه‌هایی مانند مهندسی شیمی، علوم مواد و نانوفناوری استفاده می‌شود. برای مثال در مؤسسه‌ی فناوری جورجیا، آزمایشگاه جیمز ای دالمن به‌سرعت درحال شناسایی ژن‌درمانی‌های بی‌خطرتر است. گروه‌های دیگری نیز در حال کشف این موضوع هستند که چگونه با مقاومت دارویی مبارزه و از متاستاز سرطان جلوگیری کنند.

از چالش‌های رواج روش ذخیره‌سازی اطلاعات در DNA، بحث هزینه‌ها و سرعت خواندن و نوشتن DNA مطرح می‌شود که اگر قرار است این روش با ذخیره‌سازی الکترونیک رقابت کند، باید کاهش بیشتری  پیدا کند. حتی اگر DNA تبدیل به ماده‌ی ذخیره‌سازی جهانی نشود، این روش قطعا برای تولید اطلاعات در مقیاس‌هایی کاملا جدید و نگه‌داری انواع خاصی از اطلاعات برای مدت‌های زمانی طولانی استفاده خواهد شد.

هفته‌‌ی گذشته یک ابزار آنلاین با نام شاخص مصرف برق بیت‌کوین کمبریج یا CBECI در دسترس عموم قرار گرفت که با هدف برآورد میزان انرژی موردنیاز برای حفظ شبکه‌‌ی بیت‌ کوین به‌‌صورت لحظه‌ای و نهایتا محاسبه‌‌ی میزان کل مصرف سالیانه این شبکه طراحی شده است. در حال حاضر، محاسبات CBECI نشان می‌‌دهد که شبکه‌‌ی جهانی بیت‌‌کوین بیش از ۷ گیگاوات برق مصرف می‌‌کند. این مصرف انرژی طی یک سال  به ۶۴ تراوات‌‌ساعت می‌‌رسد. این میزان انرژی از کل مصرف برق کشور سوئیس در همین بازه‌‌ی زمانی (معادل‌‌با ۵۸ تراوات‌‌ساعت) بیشتر بوده است؛ بااین‌حال، هنوز به مصرف انرژی سالیانه‌‌ی کلمبیا (۶۸ تراوات‌‌ساعت) نمی‌رسد.

مصرف انرژی سالیانه‌‌ی  شبکه‌‌ی بیت‌کوین از کشور سوئیس نیز پیش گرفته است

مسئله‌ی یادشده بدان معنی است که بیت‌کوین هم‌‌اکنون مسئول ۰.۲۵ درصد از مصرف انرژی برق کل جهان است. این انرژی معادل روشن‌‌نگه‌‌داشتن تمام سماورهای برقی انگلستان برای مدت ۱۱ سال است. از سوی دیگر، در یک برآورد عجیب و در عین‌‌ حال تامل‌‌برانگیز دیگر عنوان شده که میزان کل تلفات برق تجهیزات الکترونیکی غیرفعال ولی آماده‌‌به‌‌کار در آمریکا هنوز از  چهار برابر مصرف شبکه‌‌ی بیت‌‌کوین بیشتر است. مایکل راچز، یکی از هم‌‌بنیان‌‌گذاران CBECI طی اظهارنظری گفته است:

ما می‌‌خواهیم از این مقایسه‌‌ها برای رسیدن به یک جمع‌‌بندی بهره ببریم. بازدیدکنندگان از سایت می‌‌توانند خود تصمیم بگیرند که آمار و ارقام ارائه‌‌شده به‌‌نظرشان بزرگ است یا کوچک.

کاملا واضح است که بیت‌‌کوین به مصرف مقادیر بالایی از انرژی نیاز دارد. استخراج‌‌کنندگان (یا ماینرها) این انرژی را صرف محاسبات دائمی در سخت‌‌افزارهایی کامپیوتری می‌کنند تا شبکه را حفظ کنند و اعتبار نقل‌‌و‌‌انتقالات درون آن را تضمین کنند. با وجود این، مهم است که بدانید این آمار و ارقام تنها براساس تخمین ارائه شده‌‌اند. مرکز سرمایه‌‌گذاری جایگزین کمبریج که خود بر پروژه‌‌ی CBECI نظارت داشته است، دیدگاهی متعادل‌‌تر دارد. این مرکز می‌‌گوید:

به‌‌سختی می‌‌توان یک برآورد مطمئن در مورد میزان مصرف برق بیت‌‌کوین ارائه کرد. این برآوردها بیشتر به یک تصویر لحظه‌‌ای از وضعیت بازار شباهت دارد و  اغلب اوقات اعداد حاصل از یک مدل به‌‌کلی با نتایج حاصل از مدل‌‌های پیشین متفاوت است.

CBECI نیز این عدم‌‌قطعیت را درقالب تعریف یک کرانه‌‌ی بالایی و پایینی در برآوردهای خود گنجانده است. کرانه‌‌ی پایینی این محاسبات، عددی حدود ۲۲ تراوات‌‌ساعت را نشان می‌‌دهد؛ درحالی که کرانه‌‌ی بالایی کمی کمتر از ۱۵۰ تراوات‌‌ساعت است (توجه کنید که این آمار و ارقام ممکن است از زمان انتشار مطلب حاضر کمی تغییر پیدا کرده باشند).

با توجه به فاصله‌ی این کرانه‌ها، باید گفت با یک گستره‌‌ی واقعا وسیع مواجه هستیم. این خود دلیلی است که چرا نباید دقت واقعی این برآوردها را چندان جدی بگیریم. به‌‌عنوان مثال، یک برآورد دیگر از سوی Digiconomist، حکایت از مصرف ۷۰ تراوات‌‌ساعتی شبکه‌‌ی بیت‌‌کوین در هر سال دارد. این عدد، حدود ۶ تراوات‌‌ساعت بزرگتر از برآورد CBECI دانشگاه کمبریج است (CBECI در این لینک، به سازوکار و روش محاسبات مربوط‌‌به این برآوردها اشاره کرده است که درصورت علاقه می‌‌توانید مطالعه کنید).

صرف‌‌نظر از اینکه اعداد و ارقام واقعی چقدر باشند، باید اذعان کرد که مصرف انرژی شبکه‌‌ی بیت‌کوین چشمگیر است. نکته‌ی تامل‌‌برانگیزتر اینکه رشد مصرف انرژی این شبکه شتاب درخورتوجهی هم داشته؛ به‌‌گونه‌‌ای که گاهی اوقات حتی در بازه‌‌ی زمانی ۶ ماهه و کمتر نیز برق مصرفی شبکه توانسته تا میزان دو برابر رشد کند. این رشد مصرف در انرژی قطعا با آثار زیست‌‌محیطی واضحی همراه خواهد بود. با این حال، باتوجه به نامشخص‌‌بودن نوع منابع تأمین انرژی شبکه‌‌ی بیت‌کوین، برآورد دقیق میزان کربن منتشر‌‌شده و درنتیجه حجم آثار زیست‌‌محیطی ناشی‌‌از این شبکه بسیار دشوار خواهد بود.

متوسط مصرف انرژی این شبکه‌‌ی ارز دیجیتال در ازای هر تراکنش‌‌ نیز مقادیر بالایی را به خود اختصاص داده است.الکی دِوریس، یکی از کارشناسان شرکت مشاور سرمایه‌‌گذاری PwC می‌‌گوید در حال حاضر، تعداد تراکنش‌‌های این شبکه به کمتر از ۱۰۰ میلیون واحد در هر سال می‌‌رسد. این میزان در مقایسه با حجم ۵۰۰ میلیارد واحدی کل تراکنش‌‌های مالی شبکه‌‌ی مالی سنتی واقعا ناچیز است. دوریس برآورد می‌‌کند که میزان مصرف انرژی بیت‌کوین در ازای هر تراکنش به‌‌تنهایی بیشتر از مجموع مصرف شبکه‌‌ی جهانی بانک‌‌ها است.

آیا بی‌ام‌و قصد دارد وانت تولید کند؟ باواریایی‌ها هم‌اکنون می‌گویند چنین برنامه‌ای ندارند؛ اما به نظر می‌رسد این شرکت با معرفی وانت تک‌نمونه‌ی بی‌ام‌و X7، قصد دارد خود را برای چنین پروژه‌ای آماده کند. وانت X7 را کارآموزان در همکاری با دو واحد فناوری و تولید بی‌ام‌و در مونیخ طراحی کرده و ساخته‌اند؛ خودرویی که براساس X7 xDrive40i طراحی شده است و در رویداد BMW Motorrad Days نمایش داده خواهد شد.

فضای بار دست‌ساز دارای تزیین چوبی و سیستم تعلیق بادی دوسطحی با قابلیت تنظیم و تعدادی از تجهیزات پیشرفته باعث می‌شود وانت بی‌ام‌و X7 ترکیبی ایده‌آل برای کاربردهای متنوع روزانه و حتی بیشتر از آن باشد. حضور بی‌ام‌و F 850 ​​GS در فضای بار این وانت تبدیل‌یافته را کامل می‌کند.

میلاگروس کاینا آندره، عضو هیئت‌مدیره بی‌ام‌و گفت:

از همکاری بین مرکز آموزش فنی و حرفه‌ای گروه بی‌ام‌و و بخش‌های ساخت خودرو مفهومی و فناوری خوشحالم که به این استعدادهای جوان اجازه می‌دهد توانایی خود را با چنین پروژه‌ی فوق‌العاده‌ای اثبات کنند.

وانت بی‌ام‌و X7 فضای بار زیبایی دارد که طول آن از ۱۴۰ سانتی‌متر (در حالت بسته) تا ۲۰۰ سانتی‌متر (در حالت باز) متفاوت خواهد بود. با استفاده از فیبرکربن پلیمری تقویت‌شده (CFRP) روی سقف و درهای عقب و در قسمت بارگیری، وزن خودرو درمقایسه‌با مدل تولیدی تا ۲۰۰ کیلوگرم کاهش یافته است؛ در حالی که طول این خودرو مفهومی حدود ۱۰ سانتی‌متر بزرگ‌تر از X7 است.

پروژه‌ی وانت مفهومی بی‌ام‌و X7 از روکش‌های دست‌ساز چوب ساج و اجزای پاراپتی برای فضای بار بهره می‌برد و دستگیره‌ها و نوارهای تزیینی از قطعات پرسی SLS 3D ساخته شده‌اند. همچنین، ترکیبی منحصربه‌فرد از چوب ساج عسلی و رنگ آبی متالیک وجود دارد و رنگ سرمه‌ای منحصربه‌فردی که در معرض نورخورشید، نمای جالبی ایجاد می‌کند.

تنها ۱۰ ماه طول کشید تا ۱۲ نفر از کارآموزان بخش‌های مکانیک خودرو و بدنه و مکاترونیک خودرو و ساخت مدل فنی توانستند این خودرو مفهومی را به‌طور کامل عملیاتی و آن را به خودرو جاده‌ای با کیفیت مدل نمایشگاهی تبدیل کنند. گفتنی است بی‌ام‌و اعلام کرد قصد ندارد این مدل مفهومی را تولید کند. 

پژوهشگران در مطالعه‌ای جدید استدلال کرده‌اند روش سیگنال‌دهی سلول‌های گیاهی چیزی نیست که بتوانیم آن را به‌راحتی با سیستم عصبی جانوران مقایسه کنیم. این ایده خلاف نظریه‌های کمتر شناخته‌شده‌ی زیست‌شناسی عصبی گیاهی است.

آنچه در دهه‌های اخیر درباره‌ی شیمی گیاهان سبز یاد گرفته‌ایم، این است که گیاهان بسیار پویاتر از آن چیزی هستند که تصور می‌کنیم. آن‌ها می‌توانند صداها را حس کنند و دربرابر آن‌ها واکنش نشان دهند؛ از صدای وزوز حشره‌ای گرده‌افشان گرفته تا صدای ترسناک جویدن برگ‌ها به‌وسیله‌ی حشره‌ای شکارچی. لمس نیز در برخی از گیاهان که از این کار متنفرند، موجب آغاز واکنش می‌شود. آن‌ها می‌توانند با همدیگر ارتباط برقرار و حالت کرختی پیدا کنند و حتی ممکن است توانایی یادآوری داشته باشند.

تفسیر عاطفی این مشاهدات پیچیده است و توصیف تغییرات مشاهده‌شده در رشد و هورمون‌های گیاهی با مشکلاتی روبه‌رو است. از اوایل دهه‌ی ۲۰۰۰ و شاید هم قبل‌تر، بحثی درباره‌ی حد فاصل بین آنچه پاسخ گیاه دربرابر تغییرات محیطی تعریف می‌شود و آنچه ممکن است موجب همدردی ما با گیاه شود، رواج پیدا کرد. با این حال، منتقدان استدلال می‌کنند که این مقایسه محدودیت‌هایی دارد. این دیدگاه حتی می‌تواند اثرهای نامطلوبی با خود به‌همراه داشته باشد. لینکلن تایز، متخصص گیاه‌شناسی دانشگاه کالیفرنیا در سانتاکروز می‌گوید:

بزرگ‌ترین خطر انسان‌انگاری گیاهان در پژوهش این است که این موضوع بی‌طرفی پژوهشگر را تضعیف می‌کند. آنچه دریافته‌ایم این است که گیاهان و جانوران طی راهبردهای بسیار متفاوتی تکامل پیدا کرده‌اند. مغز اندامی بسیار پرهزینه است و در اختیار داشتن سیستم عصبی توسعه‌یافته برای گیاه مطلقا هیچ مزیتی ندارد.

تنها حیوانات از شبکه‌ای از نورون‌های مسئول پردازش محرک‌ها و محاسبه‌ی واکنش بهره می‌برند. هیچ‌کس نمی‌گوید گیاهان اجتماعاتی از ماده‌ی خاکستری و اعصاب محیطی دارند؛ اما همان‌ طور که دانشمندان درباره‌ی سیگنال‌دهی پیچیده بین سلول‌های گیاهی و نیز ارتباط بین گیاهان انفرادی آگاهی به‌دست می‌آورند، درباره‌ی مقایسه‌ی آن با مسیرهای مشابه موجود در جانوران بیشتر وسوسه می‌شوند. برای مثال، ایده‌ی استفاده از اصطلاح «هوش جمعی» برای گیاهان را در نظر بگیرید. پژوهشگران در گزارش خود توضیح می‌دهند:

براساس این ایده، رفتار گیاه حاصل هماهنگی بین سلول‌های انفرادی و بافت‌ها است؛ درست شبیه حل مسئله‌ای که در ارتباط و همکاری اعضای کلنی زنبورعسل دیده می‌شود؛ اما این قیاس چندین مشکل دارد.

زنبورها برخلاف سلول‌های درون گیاه آزادی آمدو‌شد دارند. همچنین، از نظر بحث تولیدمثل اختلاف ژنتیکی بزرگ‌تری بین اعضای انفرادی گروهی از حشرات وجود دارد؛ اما یکی از مشکل‌سازترین قیاس‌ها، این است که حداقل برخی گیاهان ممکن است قابلیت آگاهی داشته باشند. این در حالی است که دانشمندان قرن‌ها است ار نظر توصیف این پدیده در انسان‌ها نیز با مشکل مواجه هستند. پیشنهادهایی مانند اینکه فعالیت شبه‌عصبی شناسایی‌شده در انتهای ریشه‌های گیاهی ممکن است شبیه عمل مغز باشد؛ مخصوصا وقتی ما پاسخ‌های بافتی را با شرایط جانوری مقایسه می‌کنیم، بسیار بعید به‌ نظر می‌رسند. در مقابل، جانوران بسیار زیادی وجود دارند که ما اصلا به این شیوه درباره‌ی آن‌ها فکر نمی‌کنیم. تایز می‌گوید:

اگر حیواناتی وجود دارند که از آگاهی بی‌بهره هستند؛ پس، می‌توانید کاملا مطمئن باشید گیاهان که حتی عصب ندارند، فاقد این خصوصیت هستند.

از برخی از جنبه‌ها شاید عصب‌شناسی گیاهی فعلی دوره‌ی قبل از آغاز این شاخه از علم باشد. شاید پژوهش‌های آینده نشان دهند همین اعمال معمولی که در گیاهان می‌بینیم، به نوعی با آنچه در جانوران با عنوان آگاهی می‌شناسیم، مقایسه‌شدنی باشد. با وجود این، تایز و همکارانش استدلال می‌کنند انواع آزمایش‌هایی که عصب‌شناسان گیاهی نتایج خود را براساس آن بیان می‌کنند، سخت‌گیری‌ها و دقت موردنیاز برای طرح چنین ادعای بی‌پروایی را ندارد. تایز می‌گوید:

افراد زیادی را در جامعه‌ی عصب‌شناسی گیاهی می‌شناسم که مایل‌اند به حوزه‌ی علمی آن‌ها به کتاب‌های درسی وارد شوند؛ اما در‌حال‌حاضر در این زمینه پرسش‌های بی‌پاسخ بسیاری وجود دارد.

این پژوهش در مجله‌ی Trends in Plant Science منتشر شده است.

اوپل مدت‌ها بود که مدل جدید آسترا را آزمایش می‌کرد و حالا محصول نهایی آماده‌ی عرضه به بازار است و تصاویر رسمی آن منتشر شده است. اوپل حالا با افتخار اعلام کرده است که مدل جدید آسترا به دلیل طراحی هوشمندانه، پیشرانه و جعبه‌دنده‌ی جدید بالاترین راندمان را در بین تمامی نسل‌های آسترا دارد و کم مصرف‌ترین آن‌ها است. 

اگر به ظاهر بیرونی این خودرو نگاه کنید شاید خیلی متوجه تغییرات نشوید چون در حقیقت اوپل خیلی به طراحی اصلی خودرو دست نزده است اما در طرف دیگر، مهندسان آسترا را به تونل باد برده‌اند و با بهینه‌سازی عملکرد آیرودینامیکی خود موفق به کاهش مصرف سوخت و آلایندگی آن شده‌اند. در نتیجه‌ی این تغییرات مدل Sport Tourer این خودرو دارای ضریب درگ ۰.۲۵ و مدل هاچ بک نیز دارای ضریب درگ ۰.۲۶ هستند. 

بزرگ‌ترین تغییرات آسترا جدید به درون کاپوت آن مربوط می‌شوند، جایی که حالا اوپل پیشرانه‌های جدید بنزینی و دیزلی توربوشارژر را در نظر گرفته است. پیشرانه‌های بنزینی با حجم‌های ۱.۲ و ۱.۴ لیتر هستند. پیشرانه‌ی نخست می‌تواند ۱۱۰ اسب‌بخار قدرت و پیشرانه‌ی دوم می‌تواند ۱۴۵ اسب‌بخار قدرت تولید کند. به‌گفته‌ی اوپل مصرف سوخت متوسط این پیشرانه‌ها با استاندارد WLTP اروپا بین ۵.۲ تا ۵.۹ لیتر در هر ۱۰۰ کیلومتر است. پیشرا‌نه‌ی کوچک‌تر با جعبه‌دنده‌ی ۶ سرعته‌ی دستی و پیشرانه‌ی ۱.۴ لیتری به همراه یک جعبه‌دنده‌ی ۷ سرعته‌ی CVT عرضه می‌شود. 

پیشرانه‌ی دیزلی مدل ۲۰۲۰ آسترا نمونه‌‌ای ۱.۵ لیتری است که در دو نسخه به بازار عرضه خواهد شد. نسخه‌ی اول این پیشرانه ۱۰۵ اسب‌بخار و نسخه‌ی قوی‌تر ۱۲۲ اسب‌بخار قدرت دارند. مدل‌های دیزلی به‌صورت استاندارد به همراه جعبه‌دنده‌ی دستی ۶ سرعته عرضه می‌شوند ولی به‌صورت آپشن، جعبه‌دنده‌ی ۹ سرعته‌ی خودکار نیز برای اولین‌بار در محصولات اوپل در دسترس است. به‌گفته‌ی اوپل میزان انتشار گاز دی اکسید کربن این مدل‌ها نیز به کمک سیستم مبدل کاتالیست جدید، AdBlue، کاتالیزور SCR و فیلتر مخصوص به میزان ۱۷ درصد کاهش پیدا کرده است. 

چراغ‌های اوپل آسترا ۲۰۲۰ همانند قبل از نوع LED هستند. اوپل یک دوربین دید عقب جدید نیز برای این خودرو طراحی کرده است که وضوح بالاتری دارد. از امکانات این مدل می‌توان به پنل پشت فرمان دیجیتال و نمایشگر ۸ اینچ در داشبورد اشاره کرد.

اکسل ریتشین (Axel Rietschin)، مهندس ارشد کرنل در مایکروسافت، سیستم‌عامل ReactOS را «سرقتی از کرنل تحقیقاتی ویندوز» نامیده است. ری‌اکت‌ او‌اس، سیستم‌عاملی سبک و متن باز است که برای سازگاربودن با کدهای باینری برنامه‌ها و درایورهای ویندوز سرور ۲۰۰۳ به بعد نوشته‌شده و توسعه پیدا می‌کند.

اکسل ریتشین که مهندس ارشد نرم‌افزار است و روی هسته‌ی پایه‌ی ویندوز و فناوری کانتینرها کار می‌کند، در سایت کوئرا در پاسخ به پرسشی اینگونه نوشته است:

فکر می‌کنم این [سیستم‌عامل] سرقتی از کرنل تحقیقاتی ویندوز است که مایکروسافت آن را تحت مجوز خاص در اختیار دانشگاه‌ها قرار می‌دهد. با قرارگرفتن کد برنامه در مکان‌های مختلف از جمله گیت‌هاب، واضح است این توافق توسط اشخاصی نقض شده است.

من نگاهی به ساختار کد ReactOS انداختم و به نظرم هرگز ممکن نیست که این کد از ابتدا و تنها با استفاده از سندپردازی‌هایی (داکیومنتیشن‌هایی) که در دسترس عموم قرار دارد نوشته شده باشد.

اکسل در ادامه‌ی صحبت‌های خود گفته است:

سناریوی شیطانی‌تر این است که احتمالا ReactOS، با توجه به میزان کدی که دارد و می‌توان آن را به‌راحتی در عرض چند دقیقه جست‌وجو در گوگل پیدا کرد، احتمالا برپایه‌ی کدهای فاش شده [ویندوز] ساخته شده است.

با این حال، من یک وکیل نیستم و نمی‌دانم چرا به چنین چیزی اجازه‌ی انتشار داده شده است. احتمالا به این دلیل باشد که این سیستم‌عامل شبیه بچه پشه‌ای است که بر پشت فیلی بزرگ سوار شده است.

باوجود اظهارات مهندس ارشد مایکروسافت، ReactOS غیرقانونی نیست و می‌توانید با مراجعه به سایت اصلی آن و دانلود کردن این سیستم‌عامل، بدون هیچ هزینه‌ای، ویندوزهای کلاسیک مایکروسافت را در کامپیوتر مدرن خود تجربه کنید.

اینتل (Intel) چندی پیش اعلام کرد پردازنده‌ی شبکه‌ی عصبی استنتاجی نیروانا (Nervana Neural Network Processor for Inference)، یا به اختصار NNP-I، مانند یک پردازنده‌ی ۱۰ نانومتری آیس لیک (Ice Lake) طراحی می‌شود که روی یک بورد به درگاه M.2 متصل خواهد شد. بله؛ درست خواندید؛ روی یک درگاه M.2 نصب خواهد شد؛ این نوع از درگاه‌ها معمولا برای ذخیره‌سازی استفاده می‌شوند. همچنین، اینتل برای ایجاد فضای کافی برای شتاب‌دهنده‌های هوش مصنوعی، مواردی مانند هسته‌های گرافیکی و بلوک‌های نمایشگر را که بخش‌های مهمی از پردازنده‌ی آیس لیک هستند، حذف کرده است.

اکنون دیگر دنیای هوش مصنوعی به‌طور کامل در برابر چشمان انسان‌ها قدبرافراشته و کم‌کم خیز برمی‌دارد تا تحولاتی بنیادین در محاسبات گوشی‌های همراه، لپ‌تاپ‌ها و کامپیوترهای رومیزی ایجاد کند؛ اما هنوز هم بیشتر حجم کاری هوش مصنوعی در مراکز داده‌ای اتفاق می‌افتد. کارهای آموزشی که نیاز زیادی به محاسبات دارد، شبکه‌های عصبی پیچیده‌ای ایجاد می‌کنند که عملیات‌های تشخیص شیء، ترجمه‌ی گفتار، تلفیق صدا و کارهایی از این قبیل را انجام می‌دهد، اما این شبکه‌ها نقطه‌ی نهایی برای تکمیل و کار نیست. اصل مهم در استفاده از توانمندی هوش مصنوعی در مقیاس بزرگ مربوط‌به استقرار مدل‌های تکمیل‌شده‌ای است که ازطریق مرتب‌سازی و تجزیه‌وتحلیل روزانه‌ی داده‌های جهان، آن‌ها را بررسی می‌کند. این همان کاری است که استنتاج نامیده می‌شود.

حجم کاری فرایندهای استنتاجی بسیار سبک‌تر از حجم کاری فرایندهای آموزشی است؛ بنابراین ایجاد مدل برای آن‌ها مستلزم استفاده از پردازنده‌ها و FPGAهای قدرتمند نیست. اما این کار هم مانند هر نوع کار محاسباتی دیگر در انتها به یک موضوع ختم می‌شود: هزینه. به عبارت دیگر، پیش‌هزینه‌ی ارزان برمبنای «عملکرد در ازای وات» برای استنتاج از اهمیت بیشتری برخوردار است و به همین دلیل است که اینتل به این فکر می‌کند که شتاب‌دهنده‌های NNP-I خود را در یک درگاه M.2 جای بدهد. این کار برای کاستن از حجم کاری ناشی از استنتاج‌های زیاد در سرورهای Xeon انجام می‌شود و تراشه‌ی بزرگ‌تر را برای کارهای محاسباتی عمومی آزاد می‌کنند.

اینتل بلوک پردازنده در طراحی اصلی آيس لیک (که در تصویر بالا نشان داده شده است) را طوری دستکاری کرد تا برای حجم کاری هوش مصنوعی مناسب باشد. پکیج استاندارد آيس لیک به همراه پردازنده و هاب کنترلر پلتفرم (PCH) در این قطعه روی یک بورد واحد قرار گرفته‌اند؛ اما اینتل بلوک‌های نمایشگر و GPU را از روی این سطح برداشته و جای آن‌ها را به موتور سفارشی‌سازی‌شده‌ی هوش مصنوعی داده است که کاربرد آن‌ها منحصر به انواع خاصی از کدهای استنتاجی است. علاوه بر این، اینتل موتورهای DSP را هم به آن‌ها اضافه کرده است. این موتورها برای الگوریتم‌هایی استفاده می‌شوند که مخصوص بلوک‌های شتاب‌دهنده با عملکرد ثابت نیست و به سازگاری مدنظر برای فضای هوش مصنوعی سریع‌العمل کمک می‌کند.

اینتل جزئیات بیشتری از بلوک‌های شتاب‌دهنده فاش نکرده است؛ اما به احتمال زیاد آن‌ها از مجموعه‌ای از عناصر تکراری استفاده می‌کنند که شباهت زیادی به یک پردازنده‌ی گرافیکی دارد. با وجود زیرسیستم قدرتمند حافظه‌ی Gen11 که هم‌اکنون در این فناوری قدرتمند استفاده می‌شود، به احتمال زیاد شرکت تصمیم خواهد گرفت که جای واحدهای اجرای گرافیک (EU) را با منطق سفارشی عوض کند (یا شاید واحدهای موجود را اصلاح کند). این در حالی است که باید ساختارهای تکمیلی و اتصالی بین واحدها را به همان صورت حفظ کند.

پردازنده در این طراحی همچنان دارای چندین هسته‌ی محاسباتی معماری اینتل x86 هستند. البته، اینتل تعداد هسته‌هایی که از میکرو معماری Sunny Cove استفاده می‌کنند، را فاش نکرده است. اورین گرشان (Oren Gershon)، مدیر کل بخش مهندس محصولات استنتاجی در اینتل، توضیح واضحی نمی‌دهد و تنها می‌گوید چندتا از هسته‌ها را حذف کرده‌اند تا فضای خالی کافی برای قطعات دیگر فراهم شود. بنابراین شاید این پردازنده‌های آیس لیک چهار هسته‌ای از حالا به بعد فقط دو هسته‌ای باشند.

اینتل این پکیج را روی انواع مختلفی از کارت‌های توسعه نصب می‌کند؛ مثلا نوع M.2 که بالا نشان داده شد، این قابلیت را دارد که به درگاه استاندارد M.2 در یک مادربورد سرور متصل شود. حتی می‌توان آن را به کارت‌های توسعه‌ای بزرگ‌تر روی اسلات PCIe هم متصل کرد. برخلاف برخی از سیلیکون‌های سفارشی مانند TPU گوگل که برای هوش مصنوعی طراحی شده‌اند، این دستگاه از نظر سخت‌افزاری تقریبا با همه‌ی سرورهای مدرن موجود سازگاری کامل دارد. این رویکرد کاملا مقیاس‌پذیر است: می‌توان هرچند NNP-I که لازم باشد را به سرور اضافه کرد، به‌ویژه با استفاده از کارت‌های رایزری که در درگاه‌های M.2 قرار می‌گیرند.

اینتل می‌گوید NNP-I از نظر توان طراحی حرارتی (TDP) برابر با پردازنده‌های آیس لیک است؛ یعنی حداکثر TDP درنظر گرفته‌شده برای آن‌ها درحدود ۲۸ وات است؛ اما باید توجه داشت که محدودیت ۱۵ واتی در رابط‌های M.2 مانع از انتقال قدرت به دستگاه‌های کوچک‌تر می‌شود. اگر NNP-I به کارت‌های توسعه وصل شوند خواهند توانست با حداکثر TDP فعالیت کنند؛ یعنی عملکرد خیلی بهتری خواهند داشت.

اینتل برای انتقال کامل وظایف استنتاجی به شتاب‌دهنده از نرم‌افزار مخصوصی استفاده خواهد کرد تا پردازنده‌ی Xeon را از تکمیل کار آگاه کند. این انتقال باعث حذف ارتباطات رفت‌وبرگشتی در گذرگاه PCIe با شتاب‌دهنده‌های دیگر می‌شود. این کار بار اضافی به پردازنده تحمیل می‌کند؛ چرا که ایجاد وقفه می‌کند و داده‌ها را به حرکت وامی‌دارد. در مقابل، NNP-I به‌عنوان یک سیستم مستقل با سازوکار ورودی / خروجی خود (PCH) عمل می‌کند که امکان دسترسی به داده‌های موردنیاز برای پردازش را فراهم می‌کند. عملیات‌های مربوط‌به هوش مصنوعی داده‌ها را با ولع تمام می‌بلعند و همین عامل موجب می‌شود که اتصال ۳ در ۴ و نسبتا باریک PCIe به‌صورت تنگنایی در پهنای باند به نظر برسد. اما، اینتل به کاربرانش اطمینان می‌دهد که فشار کاری تحلیلی ویدیویی با داده‌های زیاد را تست کرده و هیچ محدودیتی در آن ندیده است. بلکه برعکس؛ اینتل معتقد است این نوع از حجم‌های کاری در واقع از نظر محاسباتی محدود هستند.

هسته‌های x86 از دستورالعمل یادگیری عمیق VNNI اینتل (که به نام DL Boost هم شناخته می‌شود) پشتیبانی می‌کند. این دستورالعمل از AVX-512 برای ارتقای عملکرد استفاده می‌کند. اینتل ادعا می‌کند انعطاف‌پذیری بالای حاصل از این کار تقریبا مناسب هر نوع از حجم کاری هوش مصنوعی است؛ به‌ویژه مواردی که از تناسب کافی برای موتورهای هوش مصنوعی یا DSP برخوردار نیستند. علاوه‌براین، اینتل کامپایلری ارائه کرده است که کد را با شتاب‌دهنده‌های NNP-I سازگار می‌کند. فیسبوک، در طور توسعه‌ی این فناوری، «شریک تعریفی» اینتل برای حصول اطمینان از پشتیبانی کامپایلر Glo از این قطعه‌ی سخت‌افزاری بود. از این گذشته، این دستگاه از همه‌ی زبان‌های استاندارد مانند PyTorch و TensorFlow هم، با کمترین تغییرات، پشتیبانی می‌کند.

موضوع بسیار مهم‌تری که گرشون به آن اشاره می‌کند آن است که کارایی NNP-I بسیار شگفت‌انگیز و بسیار بهتر از CPU یا GPUهایی است که دستورهای چندگانه‌ای دارند. برنامه‌ها در مراکز داده‌ای، اپلیکیشن‌های استنتاجی از رواج بیشتری نسبت به اپلیکیشن‌های آموزشی برخوردار هستند و این دستگاه‌های کارآمد، توان مقرون‌به‌صرفه‌ای را به‌صورت یک‌جا و یک‌دفعه به سرویس‌دهندگان کلاد (CSP) و هایپراسکالرها ارائه می‌دهند؛ به عبارت دیگر این بخش می‌تواند بخشی سودآور برای اینتل باشد. اینتل قصد ندارد این دستگاه‌ها را به‌تنهایی و به‌صورت خرده‌فروشی به بازار عرضه کند، بلکه می‌خواهد کاری کند که CSPها در آینده ازطریق نمونه‌های مبتنی بر کلاد با این فناوری آشنا شوند.

اینتل هنوز هیچ اطلاعات عملکردی در پشتیبانی از ادعای جسورانه‌ی خود در زمینه‌ی کارایی حاصل از این محصول رو نکرده است؛ بلکه تنها نمونه‌هایی از آن را در اختیار چند مشتری قرار داده است و پیش‌بینی می‌کند که تولید انبوه آن در ادامه‌ی سال جاری آغاز خواهد شد. انتظار می‌رود انویدیا، تولیدکننده‌ی GPUهای Tesla T4 برای عملیات‌های استنتاجی، و کوالکام، توسعه‌دهنده‌ی پردازنده‌های Cloud AI 100 مبتنی بر M.2، این ادعاها و اخبار را به دقت دنبال کنند.

چند هفته پس از حاملگی، بدن انسان گام بزرگی را در توسعه‌ی طی می‌کند و رشد و توسعه‌ی آن در دو جهت آغاز می‌شود اما این موضوع که سلول‌ها چگونه زمان رفتن به این فرایند را درک می‌کنند، معمای بزرگی بوده است. اکنون با سازماندهی گروهی از سلول‌های بنیادی برای عمل همچون جنین واقعی انسان، پژوهشگران ایده‌ی بسیار بهتری از بیوشیمی پشت‌صحنه‌ی نحوه‌ی اتفاق افتادن این فرایند در بدنِ در حال توسعه‌ی انسان، به‌دست آورده‌اند. گروهی از دانشمندان دانشگاه راکفلر زمینه‌هایی در فیزیک و زیست‌شناسی را با هم ترکیب کردند تا مدلی را برای یک جنین ۱۰ روزه‌ی انسانی ایجاد کنند که از یک گوی کامل به چیزی با تقارن کمتر تبدیل شود.

در حال حاضر، محدودیت‌های اخلاقی و عملی مرتبط با مطالعه‌ی جنین‌هایی که بیش از ۱۴ روز سن دارند، مطالعه‌ی این لحظات اولیه را با چالش رو‌به‌رو می‌کند. متاسفانه مدل‌های حیوانی تنها تا جایی پیش می‌روند که به جدا شدن ترکیب پیچیده‌ی فعالیت ژنتیکی و بیوشیمیایی که یک سلول بارور را به انسان کامل تبدیل می‌کند، می‌رسد.

برای نزدیک‌تر شدن به تعریف توالی دقیق تغییرات اولیه‌ی مورد نیاز برای قالب گرفتن این لوح سفید بافتی به یک انسان، پژوهشگران می‌توانند سلول‌های تمایزنیافته‌ای که یک جنین را تشکیل می‌دهند، برداشته و آن‌ها را برای نشان دادن یک مرحله‌ی کلیدی در توسعه‌ی جنین سازماندهی کنند. این مدل‌ها که بیشتر مانند ارگانوئیدهای جنینی (embryoids) هستند، ساختارهای مصنوعی هستند که از برخی از ویژگی‌های همتایان بیولوژیکی خود تقلید می‌کنند.

این ارگانوئیدهای جنینی سال‌ها برای مطالعه‌ی سلول‌ها و توسعه‌ی جنینی مورد استفاده قرار گرفته است، بنابراین ازلحاظ تکنیکی ابزار آزمایشگاهی کاملا جدیدی نیستند. اما به‌عنوان تقریب‌های مصنوعی، یافتن مناسب‌ترین ساختار برای نشان دادن یک مرحله‌ی توسعه‌ی خاص کار ساده‌ای نیست. میجو سیمینوویچ دانشمند شاخه‌ی فیزیک و بیوشیمی می‌گوید:

ما برای ایجاد این مدل چندین تکنیک را با هم ترکیب کردیم (مهندسی زیستی، فیزیک، و زیست‌شناسی توسعه‌ای) و اکنون یک سیستم سه‌بعدی داریم که نه‌تنها از اثرانگشت ژنتیکی جنین تقلید می‌کند بلکه دارای ساختار و اندازه‌ی مشابهی است.

این مدل‌های سه‌بعدی قرار است کار خاصی انجام دهند. مطالعات انجام شده روی جنین‌ موش نشان داده است که چگونه یک گوی ساده از سلول‌های درحال تقسیم، خطی را ترسیم کرده که مشخص می‌کند کدام انتها به سر و کدام انتها به دم تبدیل خواهد شد؛ لحظه‌ای که با عنوان «شکست تقارن» شناخته می‌شود. سیمینوویچ می‌گوید:

شکست تقارن تقریبا هرچیزی را که در جریان توسعه‌ی جنین اتفاق می‌افتد، پیش می‌برد. سر ما مثل پاهای ما به‌نظر نمی‌رسد و علت آن است که در یک نقطه از زمان، جنین به دو بخش تقسیم می‌شود: بخش قدامی و بخش خلفی.

این مرحله‌ی مهم که لایه‌زایی نامیده می‌شود، در تمامی پستانداران اتفاق می‌افتد. دو سال پیش پژوهشگران شواهدی از این فرایند را در خوشه‌ای از سلول‌های بنیادی انسانی پیدا کردند که نشان می‌داد شاید بتوان ارگانوئیدهای جنینی طراحی شده برای یک وظیفه را مورد مطالعه قرار داد.

پژوهشگران برای مشخص کردن جزئیات بیوشیمیایی پشت‌صحنه‌ی لایه‌زایی در انسان‌ها، عامل رشدی را که مسئول الگوهای آناتومیکی در جنین‌های موش و انسان است، مورد آزمایش قرار دادند. نام این عامل پروتئین شماره ۴ مورفوژنیک استخوان (BMP4) است. سیمینوویچ می‌گوید:

ما BMP4 را اضافه کردیم و دو روز بعد یک بخش از کشت سه‌بعدی به بخش خلفی آینده و بخش مقابل به بخش قدامی آینده تبدیل شد.

این یافته‌ها نه‌تنها به ما کمک می‌کنند که شباهت‌ها و تفاوت‌های محوری را در آزمایش‌های انجام شده روی جنین دیگر حیوانات تشخیص دهیم بلکه همچنین می‌توانند توضیح دهند که چرا برخی از جنین‌ها سرانجام توسعه یافته و برخی دیگراصلا نمی‌توانند در بدن کشت شوند.

توسعه‌ی مدل ارگانوئيد جنینی ممکن است پیروزی بزرگی برای علم باشد اما این نوآوری درنهایت می‌تواند به بدترین دشمن خود تبدیل شود. این سؤال که چه زمانی تقریب مصنوعی از یک جنین، از مرز بین مدل شبه‌زنده و انسان معتبر عبور می‌کند، با افزایش پیچیدگی‌ها تیره‌و‌تار می‌شود. پژوهشگران این مطالعه بر این نکته تأکید کرده‌اند که در این جا یک تمایزی وجود دارد و درحالی‌که آن‌ها در حال تلاش برای ایجاد مدل‌های پیچیده‌تر هستند، این ارگانوئیدهای جنینی هرگز درصورتی که به آن‌ها اجازه‌ی رشد داده شود، تبدیل به جنین انسان نخواهند شد.

نتایج این پژوهش در مجله‌ی Nature Cell Biology منتشر شده است.

تصور کنید ارتشی بزرگ قصد دارد شهری را در جریان نبرد جنگی تصرف کند. فرماندهان نمی‌خواهند نیروهای نظامی در نبردهای خانه‌به‌خانه درگیر شوند و تلفات زیادی داشته باشند. آن‌ها ابتدا گروهی از پهپادهای کوچک را با دستور‌العملی ساده به منطقه می‌فرستند: هر فردی که سلاح حمل می‌کند را بکشید. چند ساعت بعد، شهر برای نفوذ نیروهای انسانی امن خواهد بود.

سناریوی بالا شبیه به صحنه‌ای از یک فیلم علمی تخیلی به‌نظر می‌رسد. شاید باور نکنید که فناوری مورد نیاز برای پیوند دادن داستان بالا به حقیقت، هم‌اکنون در دستان انسان‌ها قرار دارد. ارتش‌های متعددی در سرتاسر جهان تلاش می‌کنند تا این داستان را به واقعیت پیوند دهند.

متخصصان یادگیری ماشین و فناوری‌های نظامی اعتقاد دارند ساخت ربات‌هایی با قابلیت تصمیم‌گیری بدون دخالت انسان، از لحاظ فناورانه ساده محسوب می‌شود. ربات‌های مورد نظر آن‌ها، می‌توانند بدون درگیر کردن انسان‌ها در فرایندهای تصمیم‌گیری، هدف‌های کشتار خود را انتخاب کنند. به‌بیان‌دیگر هیچ فردی از هیچ‌یک از مراحل انتخاب تا کشتن سوژه دخالت نخواهد کرد. با قدرتمندتر شدن فناوری‌های تشخیص چهره و الگوریتم‌های تصمیم‌گیری، توسعه‌ی چنین روندی روز‌به‌روز هم آسان‌تر می‌شود.

سلاح‌هایی که در بالا به آن‌ها اشاره کردیم، به‌عنوان «سلاح‌های مرگ‌بار خودکار» در اسناد نظامی مطرح می‌شوند. درواقع همان نام «ربات قاتل» را می‌توان برای چنین فناوری استفاده کرد. سلاح‌های مذکور برخلاف تصور مردم عادی به‌صورت ربات‌های انسان‌نما نخواهند بود و عموما، پهپاد هستند. درواقع ساختن ربات‌های انسان‌نمای مبارز هنوز مراحل دشواری در پیش دارد. به‌هرحال ساختن پهپادهای مرگ‌بار آسان‌تر از روندهای کنونی خواهد بود و قطعا محصولاتی ارزان‌تر هم تولید می‌شوند.

اکنون و با توسعه‌ی فناوری رباتیک، محققان حوزه‌ی هوش مصنوعی و سیاست‌های عمومی تلاش می‌کنند تا جامعه و دولت‌مردان را از خطرات ربات‌های قاتل مطلع کنند. آن‌ها می‌گویند چنین ربات‌هایی نه‌تنها در فیلم‌های علمی تخیلی، بلکه در زندگی واقعی نیز ایده‌ی بدی هستند. هوش مصنوعی قطعا کاربردهایی در کاهش اثرات مرگ‌بار جنگ و آسیب‌های آن دارد. منتهی اسلحه‌های کاملا خودکار می‌توانند بحران‌های جدی استراتژیک، فنی و اخلاقی ایجاد کنند. به‌همین‌دلیل دانشمندان و فعالان اجتماعی تلاش می‌کنند تا سازمان ملل متحد و دولت‌های سرتاسر جهان را به ایجاد ممنوعیت‌های پیشگیرانه تشویق کنند. آن‌ها امیدوار هستند که ربات‌های قاتل را در همان فیلم‌های علمی تخیلی نگه دارند.

ربات‌‌های قاتل چگونه عمل می‌کنند؟

آمریکایی‌ها و بسیاری کشورهای دیگر هم‌اکنون نیز از پهپادهای نظامی استفاده می‌کنند. این پهپادها در حال حاضر نیز در آسمان بسیاری از کشورها درحال پرواز هستند. البته در نمونه‌های کنونی، انسان‌ها تصمیم نهایی را در شلیک آتش به پهپاد ارسال می‌کنند. سلاح‌های مرگ‌بار خودکار (به اختصار با LAWS شناخته می‌شوند) هنوز به‌صورت کامل وجود خارجی ندارند؛ اما فناوری لازم برای جایگزین کردن انسان‌های تصمیم‌گیر با الگوریتم، طراحی شده است.

استوارت راسل استاد علوم کامپیوتر دانشگاه یوسی برکلی و محقق هوش مصنوعی درباره‌ی سلاح‌های خودکار می‌گوید:

توسعه‌ی سلاح‌های خودکار از لحاظ فناورانه آسان‌تر از خودروهای خودران است. افرادی که در فناوری‌های مرتبط کار می‌کنند، توسعه‌ی چنین سلاح‌هایی را حداکثر تا دو سال آینده آسان و ممکن می‌دانند.

سلاح‌های خودکار آینده شبیه به فیلم ترمیناتور نخواهند بود. ساده‌ترین نسخه‌های آن‌ها از سخت‌افزارهای کنونی پهپادهای نظامی بهره می‌برند. البته پهپادهای کنونی ویدئوی زنده‌ای از محل درگیری را به مرکز نظامی ارسال می‌کنند که سرباز مورد نظر، براساس ویدئو دستور شلیک می‌دهد. درمقابل، سلاح‌های خودکار سربازر را از چرخه خارج می‌کنند و تصمیم‌گیری توسط الگوریتم انجام می‌شود.

الگوریتم‌ها را می‌توان با فهرستی از اهداف احتمالی تغذیه کرد. آن‌ها با بررسی ویدئوهای خود و پس از اطمینان حداکثری از شناسایی فرد مورد نظر، شلیک را انجام می‌دهند. به‌علاوه می‌توان الگوریتم را با نمونه‌هایی از میدان نبرد آموزش داد. پس از مدتی الگوریتم متوجه می‌شود که در چه موقعیت‌هایی احتمال صدور فرمان حمله بیشتر خواهد بود. ماشین مورد نظر در آن موقعیت‌ها به‌صورت خودکار دستور حمله را صادر و اجرا می‌کند. در نمونه‌ای دیگر می‌توان دستور ساده‌ای به الگوریتم داد تا با شناسایی بصری، هر فردی را که بدون پوشیدن یونیفرم‌های خودی، سلاح حمل کند، هدف قرار دهد.

توبی والش، استاد هوش مصنوعی در دانشگاه نیو ساوث ولز و فعال مبارز علیه توسعه‌ی سلاح‌های خودکار مرگ‌بار درباره‌ی آن‌ها می‌گوید:

وقتی درباره‌ی ربات‌های قاتل صحبت می‌کنیم، مردم فیلم ترمیناتور را تصور می‌کنند. آن‌ها فیلم‌های علمی تخیلی را در نظر می‌گیرند. مردم فکر می‌کنند این فناوری سال‌ها از ما فاصله دارد. درواقع سلاح‌های مرگ‌بار فناوری‌های ساده‌ای دارند که نزدیک‌تر از همیشه به ما هستند. به‌علاوه هم‌اکنون نیز نمونه‌های اولیه‌ی آن‌ها ساخته می‌شود.

در سال‌های گذشته، هوش مصنوعی با سرعت بالایی رشد کرده است. تشخیص چهره بیش از هیشه دقیق شد و شناسایی اجسام نیز با همان سرعت پیشرفت کرد. فناوری‌هایی که برای توسعه‌ی سلاح‌های مرگ‌بار خودکار، الزامی هستند. 

روش‌های جدید به سیستم‌های هوش مصنوعی امکان انجام کارهایی را می‌دهند که چند سال پیش غیرممکن به‌نظر می‌رسید. از نوشتن داستان تا طراحی و ساخت چهره‌های قلابی امروزه به‌راحتی توسط هوش مصنوعی انجام می‌شود. به‌علاوه فناوری امروز می‌تواند در بازی‌های جنگی آنلاین تصمیم‌های استراتژیک کاربردی بگیرد که در توسعه‌ی سلاح‌های مرگ‌بار خودکار بسیار کاربردی خواهد بود.

پیشرفت‌های بالا ثابت می‌کنند که توسعه‌ی سلاح‌های خودکار مرگ‌بار امروز از غیرممکن به ساده تبدیل شده است. پیشرفت‌ها نیز به‌ این خاطر ایجاد شدند که ما مردم جهان هیچ اجماع یا نظرسنجی را پیرامون صحیح بودن یا نبودن توسعه‌ی آن‌ها انجام نداده‌ایم.

چرا نیروهای نظامی به ربات نیاز دارند؟

خارج کردن انسان‌ها از چرخه و توسعه‌ی سلاح‌هایی که به‌صورت خودکار تصمیم‌گیری می‌کنند، چالش‌های اخلاقی خطرناکی به‌همراه دارد. همان‌طور که گفته شد چالش‌های استراتژیک هم ایجاد خواهند شد که بعدا به آن می‌پردازیم. به‌هرحال اکنون این سؤال مطرح می‌شود که چرا فرد یا سازمانی باید به‌دنبال چنین سلاح‌هایی باشد؟

از دیدگاه نظامی، برترین مزیت سلاح‌های خودکار، فرصت‌های جدیدی خواهد بود که با استفاده از آن‌ها ایجاد می‌شود. در وضعیت کنونی که ارتش‌ها به یک سرباز برای تصمیم‌گیری درباره‌ی شلیک یا عدم شلیک نیاز دارند، تعداد پهپادهای در دسترس نیروی نظامی محدود به تعداد سربازان می‌شود.

پهپادهای کنونی نیاز به ارسال و دریافت داده با مرکز نظامی دارند. همین ارتباط کمی تأخیر در تصمیم‌گیری و عملکرد سلاح ایجاد می‌کند. به‌علاوه محل مناسب فعالیت سلاح‌ها هم محدود می‌شود و به‌نوعی آسیب‌پذیر هم می‌شوند. چرا که اگر نیروهای دشمن ارتباط را قطع کرده یا تداخلی در آن ایجاد کنند، پهپاد عملا بی‌فایده می‌شود.

سلاح‌های موسوم به LAWS توانایی ازبین‌بردن محدودیت‌های بالا را دارند. والش در بخش دیگری از صحبت‌ پیرامون سلاح‌های خودکار می‌گوید:

وقتی انسان‌ از روندها خارج شود، شما می‌توانید هزاران یا میلیون‌ها سلاح خودکار داشته باشید. به‌علاوه به این تعداد نیروی انسانی نیز نیاز نخواهید داشت. دیگر نباید نگران تداخل در ارتباط باشید که امروزه به‌عنوان راهکاری برای مقاله با پهپادهای تحت کنترل انسان استفاده می‌شود.

والش در ادامه می‌گوید که کاهش نیروی انسانی مورد نیاز، تنها کاربرد سلاح‌های کاملا خودکار نیست. او می‌گوید ربات‌ها عموما عملکردهای اخلاقی بهتری دارند. به بیان دیگر انسان‌ها برخی اوقات جنایات جنگی مرتکب می‌شوند و از  روی عمد، غیرنظامی‌ها را هدف قرار می‌دهند. به‌علاوه انسان‌ها احساس خستگی، استرس و گیجی را تجربه می‌کنند. انسان‌ها درصد اشتباه بالایی دارند، درحالی‌که ربات‌ها تنها از کد دستوری پیروی می‌کنند.

رنجر پائول شار متخصص سابق دفاع در پنتاگون و ارتش آمریکا ایده‌ی ربات‌های خودکار را در کتاب سال ۲۰۱۸ خود به‌نام Army of None مطرح می‌کند. او در بخشی از کتاب می‌گوید:

ماشین‌ها برخلاف سربازهای انسانی هیچ‌گاه عصبانی نمی‌شوند و به‌دنبال انتقام‌جویی نیستند. اکنون به‌راحتی می‌توان عملکرد مناسب سلاح‌های آینده را متصور شد. آن‌ها دیگر در تشخیص بین یک ابزار کشاورزی با اسلحه، اشتباه نمی‌کنند.

شار در پاین می‌گوید که استدلال‌هایش درباره‌ی سلاح‌ها مشکلات اخلاقی جدی دارد. او در بخشی از کتاب می‌گوید: «آن‌چه که صحیح تصور می‌کنیم، همیشه با آن‌چه که قانونی است برابر نخواهد بود». او داستانی را از جنگ افعانستان و رویارویی تیمش با طالبان نقل می‌کند. در داستان او، طالبان از کودکی ۶ ساله استفاده کرده بود تا در ظاهر چوپانی گله‌ی گوسفندان، آمار موقعیت نیروهای آمریکایی را گزارش کند.

کهنه‌سرباز ارتش آمریکا می‌گوید: «قانون جنگ برای مبارزان محدودیت سنی مشخص نمی‌کند». طبق قوانین جنگ، یک مبارز طالبان (هرچند خردسال) در داستان بالا در عملیاتی نظامی علیه نیروهای آمریکای حضور داشت و کشتن او، مجاز تلقی می‌شد. البته طبق ادعای شار، سربازها به کودک شلیک نکردند، اما رباتی که طبق قوانین جنگی الگوریتم‌نویسی شود، چنین انتخابی نخواهد کرد. به‌هرحال شار پارادوکسی را مطرح می‌کند که در آن، ربات و انسان عملکردهایی متناقض با هم دارند. برخی اوقات انسان‌ها عملکردهایی خلاف قوانین جنگی دارند و در مواقعی دیگر، به‌خاطر کدهای انسانی و احساسی، تصمیمات بهتری می‌گیرند. ربات‌ها هیچ‌گاه چنین تصمیم‌گیری‌هایی نخواهند داشت.

امیلیا یاورسکی بنیان‌گذار سازمان «دانشمندان دربرابر سلاح‌های غیر انسانی (Scientists Against Inhumane Weapons)» اعتقاد دارد راه‌های بهتری برای استفاده از ربات‌ها در جریان جنگ‌‌ها وجود دارد. او می‌گوید می‌توان از فناوری در جهت جلوگیری از جرایم جنگی استفاده کرد:

انسان‌ها و ماشین‌ها اشتباهات متفاوتی مرتکب می‌شوند. اگر آن‌ها را با هم به‌کار بگیریم، می‌توان از ارتکاب هر دو نوع اشتباه جلوگیری کرد. چنین رویکردی را امروز در پزشکی می‌بینیم. الگوریتم‌‌های شناسایی بیماری یک نوع اشتباه انجام می‌دهند و پزشکان اشتباه دیگری مرتکب می‌شوند.

در نتیجه‌ی پیشنهاد یاورسکی شاید بتوان سلاح‌هایی را طراحی کرد که قوانین جنگ را بدانند. سپس می‌توان از آن‌ها انتظار داشت که با هر دستور مخالف قوانین، مقابله کنند. به‌علاوه آن‌ها نباید بدون نظارت نیروی انسانی، اجازه‌ی شلیک داشته باشند. سازمان دانشمندان دربرابر سلاح‌های غیر انسانی و جنبش‌های مشابه در سرتاسر جهان، مخالفتی با چنین رویکردی از سوی فناوری ندارند. آن‌ها می‌گویند که وجود یک انسان در چرخه‌ی تصمیم‌گیری و عملکرد سلاح‌ها باید به‌عنوان قانونی بین‌المللی و بخشی اساسی در توسعه‌ی سلاح‌ها در نظر گرفته شود.

اگر مسیر صحیحی در توسعه‌ی سلاح‌های رباتیک طی شود، می‌توان به آینده‌ای بهتر امیدوار بود. درنتیجه ربات‌هایی را شاهد خواهیم بود که حفاظ‌هایی خودکار علیه اشتباه‌های جنگی ایجاد می‌کنند. به‌علاوه انسان‌ها در روند تصمیم‌گیری آن‌ها حضور دارند تا از صحیح بودن تصمیم‌های خودکار مطمئن شوند. درنهایت تحلیل‌گرها نگران هستند که حرکت کنونی به‌سمت خودکارسازی کامل حرکت می‌کند. دنیایی که در آن ربات‌ها بدون ورودی انسانی، دستور کشتن قربانیان را صادر و اجرا می‌کنند.

بحران‌های احتمالی آینده

سلاح‌های کاملا خودکار، کشتن انسان‌ها را آسان‌تر و ارزان‌تر از همیشه می‌کنند. چالشی که در ظاهر هم بسیار خطرناک به‌نظر می‌رسد. به‌علاوه مخالفان سلا‌ح‌های خودکار اعتقاد دارند احتمالا عواقب دردناک‌تری در انتظار انسان‌ها خواهد بود. 

اگر توسعه‌ی سلاح‌های LAWS ادامه پیدا کند، سلاح‌‌ها ارزان‌تر از همیشه خواهند شد. همین امروز هم افراد عادی علاقه‌مند می‌توانند با هزینه‌ای پایین پهپاد بسازند. با توسعه‌ی فناوری هم قیمت‌ها روز‌به‌روز بیشتر کاهش می‌یابند. به‌علاوه وقتی ربات‌ها در نبردهای جنگی استفاده شوند، احتمال تصاحب و بهره‌برداری از آن‌ها توسط همگان وجود دارد. درواقع نبردها به محلی برای توسعه و گسترش فناوری ساخت پهپادهای قاتل ارزان بدل خواهند شد.

سلاح‌های خودکار مرگ‌بار می‌توانند در کاربردهای بسیار وحشتناکی همچون پاک‌سازی نژادی یا قتل عام دسته‌ای از انسان‌ها استفاده شوند. آریل کان مدیر ارتباطات مؤسسه‌ی تحقیقات آینده‌ی زندگی (Future of Life Institute) اعتقاد دارد سلاح‌های آینده را می‌توان برای هدف‌گیری دسته‌ای خاص از انسان‌ها برنامه‌ریزی کرد. او چنین رویکردی را یکی از ساده‌ترین کاربردهای فناوری ربات‌های خودکار می‌داند.

پس از بررسی‌های بالا، به موضوع و پیامدی گسترده‌تر در توسعه‌ی هوش مصنوعی می‌رسیم. درحال‌حاضر می‌توان آمریکا را پیشرفته‌ترین کشور در حوزه‌ی یادگیری ماشین و هوش مصنوعی دانست. احتمالا ارتش آمریکا هم هیچ تضمینی بر استفاده نکردن از این مزیت در میدان نبرد ندارد. والش اعتقاد دارد ارتش آمریکا می‌خواهد برتری فناوری خود را دربرابر رقبا حفظ کند.

استدلال آمریکایی‌ها بر حفظ برتری فناورانه نسبت به رقبای سیاسی، ترسناک‌ترین سناریوهای احتمالی را برای آینده‌ی هوش مصنوعی ایجاد می‌کنند. سناریوهایی که از نظر کارشناسان هوش مصنوعی واقعا نگران‌کننده هستند. بسیاری از محققان اعتقاد دارند سیستم‌های پیشرفته‌ی هوش مصنوعی ظرفیت‌های بسیاری برای فاجعه‌های مرگ‌بار دارند. از نگاه آن‌ها پیشرفت چنین فناوری‌هایی می‌تواند به آینده‌ای فاجعه‌بار منجر شود که شاید شانسی برای جبران آن نداشته باشیم. به‌علاوه اگر مسیح را کاملا اشتباه برویم، شاید درنهایت به نابودی کل بشریت ختم شود.

برای جلوگیری از آینده‌ای که در بالا متصور شدیم، توسعه‌ی هوش مصنوعی باید در شرایطی باز، با همکاری همگان و با دقت بالا انجام شود. محققان نباید تحقیقات حیاتی هوش مصنوعی را در خفا و شرایطی انجام دهند که هیچ‌کس توانایی شناسایی اشتباهات آن‌ها را نداشته باشد. اگر تحقیقات هوش مصنوعی با مشارکت و نظر همگان انجام شود، می‌توان با احتمال بالایی مشکلات حیاتی توسعه‌ی هوش مصنوعی پیشرفته را شناسایی کرد.

علاوه‌بر مخفی نبودن تحقیقات هوش مصنوعی، باید از عجله در آن هم خودداری کرد. کان در بخش دیگری از مصاحبه می‌گوید:

ما می‌خواهیم جلوی یک مسابقه و نبرد در حوزه‌ی هوش مصنوعی را بگیریم. هیچ‌کس از نبرد در حوزه‌ی هوش مصنوعی خشنود نمی‌شود، اما به این معنی نیست که چنین نبردی رخ نمی‌دهد. به‌علاوه نبرد بر سر توسعه‌ی سلاح‌ها با این فناوری، می‌تواند به نبردی تمام‌عیار منجر شود.

به‌هرحال اگر آمریکا یا هر کشور پیشرفته‌ی دیگر از برتری‌های فناورانه‌ی خود در توسعه‌ی سلاح‌های مبتنی بر هوش مصنوعی استفاده کند، دیگر کشورها هم تحقیقات خود را در این حوزه افزایش می‌دهند. در چنین شرایطی اشتباهات طراحی و محاسباتی در حوزه‌ی هوش مصنوعی، بیشتر و مرگ‌بارتر خواهند بود.

تلاش‌های مردمی در مقابل ربات‌های قاتل

محققان در مقابله با ربات‌های قاتل به ممنوعیت فناوری امیدوار هستند. ممنوعیتی که قبلا هم در استفاده از سلاح‌های بیولوژیکی وضع شد و موفق بود. آن ممنوعیت در سال ۱۹۷۲ و در اوج پیشرفت‌ تحقیق پیرامون سلاح‌های زیستی تصویب شد.

فاکتورهای متعددی منجر به موفقیت ممنوعیت سلاح‌‌های زیستی شد. در وهله‌ی اول دولت‌ها با استفاده از چنین سلاح‌هایی، مزیت زیادی به‌دست نمی‌آوردند. به‌علاوه در موضوع سلاح‌های زیستی، دسترسی به آن‌ها با قیمت پایین ممکن بود. درواقع سلاحی با تأثیر کشتار جمعی به‌راحتی در اختیار دولت‌ها قرار می‌گرفت که از سوی آن‌ها خوشایند به نظر نمی‌رسید.

مخالفان توسعه‌ی سلاح‌های مرگ‌بار خودکار تلاش می‌کنند تا روندی مشابه سلاح‌‌های زیستی را برای آن‌ها ایجاد کنند. راسل در بخشی از مصاحبه می‌گوید:

از نظر من، اعتقادات و نظرات افرادی مانند ما اهمیتی ندارد. چرا که چنیی نظراتی منجر به هیچ اقدامی از سوی دولت‌ها نمی‌شود. ما ۷۰ سال تلاش کردیم تا سلاح‌های اتمی داشته باشیم و سپس برای جلوگیری از تصاحب آن‌ها توسط افراد خطاکار، تلاش کردیم. اکنون سلاح‌های LAWS هم می‌توانند به همان اندازه مرگ‌بار باشند. به‌علاوه آن‌ها ارزان‌تر هستند و توسعه‌ی چنین سلاح‌هایی نیز آسان‌تر خواهد بود.

در مقابل تلاش‌های همه‌ی سازمان‌های مردم‌نهاد و مخالفان توسعه‌ی سلاح‌های مرگ‌بار، سازمان ملل حرکتی آهسته دارد. آن‌ها حتی برای مذاکره پیرامون موضوع سلاح‌های مرگ‌بار خودکار هم تعلل می‌کنند. دو فاکتور مهم برای حرکت کند سازمان ملل تصور می‌شود: اول، حرکت سازمان ملل برای تصویب قوانین بین‌المللی همیشه آهسته بوده است و در مقابل روند توسعه‌ی فناوری خصوصا در حوزه‌ی سلاح‌های مرگ‌بار خودکار بسیار سریع پیش می‌رود. دلیل دوم و مهم‌تر اینکه تلاش برای تصویب قوانین مذکور قطعا مخالفتی جدی از سوی برخی دولت‌ها را به‌همراه دارد.

آمریکا درکنار رژیم اشغالگر قدس، کره‌جنوبی، بریتانیا و استرالیا تاکنون مخالفت‌هایی جدی با طرح احتمالی سازمان ملل در زمینه‌ی مخالفت با سلاح‌های خودکار مرگ‌بار داشته‌اند. آمریکایی‌ها در توجیه مخالفت‌های خود استدلال‌های قابل‌توجهی دارند. آن‌ها ادعا می‌کنند که LAWS برخی اوقات مزایای انسانی دارد و درصورت تصویب قوانین ممنوعیت در حال حاضر، ظرفیت‌ها ناشناس خواهند ماند. به‌هرحال وزارت دفاع این کشور هم ادعا می‌کند که همیشه نظارتی انسانی روی عملکرد سیستم‌‌های هوش مصنوعی وجود خواهد داشت.

مخالفان توسعه‌ی سلاح‌های LAWS اعتقاد دارند بررسی از سوی سازمان ملل متحد باید در سریع‌ترین زمان ممکن انجام شود. به‌عنوان مثال یاورسکی استدلال می‌کند:

نمی‌‌توان انتظار داشت که عملکرد LAWS به کاربردهای نظامی محدود شود. درواقع با توسعه‌ی فناوری، افراد بسیار زیادی خصوصا سازمان‌های غیردولتی و غیر مسئول از آن استفاده خواهند کرد.

در تکمیل استدلال بالا باید بگوییم که جلوگیری از توسعه و استفاده از یک فناوری، وقتی افراد زیادی از آن استفاده نمی‌کنند آسان‌تر خواهد بود. به‌بیان‌دیگر وقتی LAWS در اختیار همه قرار گیرد، دیگر نمی‌‌توان راهکاری برای ممنوعیت استفاده‌های ناصحیح آن پیاده‌سازی کرد. به‌همین دلیل مخالفان از سال‌ها پیش تلاش می‌کنند تا بررسی LAWS را به صحن رسمی سازمان ملل برسانند.

در بررسی استفاده از سلاح‌‌های خودکار موارد متعددی باید مطالعه شود. به‌عنوان مثال اگر بپرسیم چه چیزی یک سیستم را کاملا خودکار می‌کند، با دوراهی جالبی روبه‌رو می‌شویم. فرض کنید کره‌جنوبی در مرز خود با کره‌ی شمالی سیستم‌های اسلحه‌ای نصب کند که به‌صورت خودکار افراد تأییدنشده را هدف قرار دهند (سلاح مرگ‌بار خودکار). البته سلاح این‌چنینی شبیه به مین هم عمل می‌کند که اکنون مخالفتی با نصب آن در مرزها وجود ندارد. حتی راسل اعتقاد دارد چنین اسلحه‌ای در تشخیص نیروهای متخاصم بهتر از مین عمل می‌کند و شاید استفاده از آن مفید هم باشد.

در مثالی دیگر می‌توان مهمات با عملکرد آهسته را بررسی کرد. آن‌ها به فضا پرتاب می‌شوند و در محیطی دایره‌ای و گسترده پرواز می‌کنند. به محض اینکه رادار هدف آن‌ها را شناسایی کند، به همان رادار حمله می‌کنند. چنین حمله‌هایی بدون دخالت انسان انجام می‌شوند. درنتیجه آن‌ها هم سلاح‌های خودکار هستند، اما به‌جای انسان‌ها، رادارها را هدف قرار می‌دهند.

چالش‌های بالا درکنار موارد متعدد دیگر باید برای بهینه‌سازی ممنوعیت احتمالی از سوی سازمان ملل متحد، بررسی و حل شوند. دراین‌میان آمریکا به‌عنوان پیش‌گام هوش مصنوعی مخالفت‌های جدی با بررسی‌های این‌چنینی دارد. درنتیجه کشوری که می‌تواند بهترین بررسی‌های علمی را روی چالش‌ها انجام دهد، از آن سر باز می‌زند.

روش دیگری از مخالفت با سلاح‌های خودکار وجود دارد که احتمال استفاده از آن‌ها در صنایع نظامی را کمتر می‌کند. مخالفت دانشمندان هوش مصنوعی از شرکت در پروژه‌هایی با کاربردهای نظامی، می‌تواند توسعه‌ی سلاح‌های مبتنی بر هوش مصنوعی را با چالش مواجه کند. درحال حاضر اکثر دانشمندان بزرگ هوش مصنوعی در سیلیکون‌ولی شاغل هستند و برای ارتش آمریکا کار نمی‌کنند. همکاری سیلیکون‌ولی با ارتش هم همیشه با بازخوردهای شدید همراه بوده است. به‌عنوان مثال کارمندان گوگل وقتی متوجه پروژه‌ی مشترک شرکت با ارتش تحت عنوان Maven شدند، اعتراضی سراسری ترتیب دادند که منجر به عدم تمدید پروژه شد. کارمندان مایکروسافت همچنین رویکردی در گذشته داشته‌اند.

در نتیجه‌ی رخدادهای بالا می‌توان پیش‌بینی کرد که کارمندان دنیای فناوری توانایی ایجاد تأخیر در روند توسعه‌ی سلاح‌ها را دارند. آن‌ها می‌توانند با شرکت نکردن در پروژه‌های مذکور، توسعه را به تعویق بیندازند. برنامه‌های گروهی متعددی هم برای ایجاد چنین حسی بین متخصصان و کارمندان حوزه‌ی هوش مصنوعی ایجاد شده است.

چقدر باید نگران باشیم؟

ربات‌های قاتل خطرات بسیار زیادی به‌همراه دارند. آن‌ها می‌توانند قتل‌عام و کشتار گسترده را به فرایندی آسان برای دیکتاتورها و سازمان‌های غیرمسئول تبدیل کنند. درواقع گروهی که چنین ابزارهایی در دسترس داشته باشد می‌تواند ادعای شکست‌ناپذیری کند. چنین فرضیه‌ای به خودی خودی ترسناک است.

وضعیتی کنونی سلاح‌های مرگ‌بار خودکار نشانه‌ای از روند بسیار گسترده‌تر هستند. هوش مصنوعی امکاناتی را برای مردم فراهم می‌کند که قبلا وجود نداشتند. سرعت ایجاد فرصت‌ها هم به‌گونه‌ای انجام می‌شود که ظرفیت‌های ما بسیار سریع‌تر از تفکر، سرعت واکنش و سیاست‌های عمومی رشد می‌کنند. با رشد هوش مصنوعی می‌توان انتظار داشت که این روند، بی‌ثباتی بیشتری را هم تجربه کند.

استفاده از الگوریتم‌ها در هر زمینه‌ای که باشد، تهدیدهای بالقوه‌ای را به‌همراه دارد. چه آن‌ها ر ادر ربات‌های قاتل استفاده کنیم، یا حتی برای شناسایی اخبار دروغ به کار ببریم، جنبه‌های حیاتی از جامعه را در اختیار این موجودات بی‌جان قرار داده‌ایم. درواقع شاید آن‌ها به‌خوبی جنبه‌های مورد نظر ما را درک نکنند و در مسیر اهدافی بهینه‌سازی شوند، که مشابه با اهداف مورد نظر ما نباشد.

سیستم‌های پیشرفته‌ی هوش مصنوعی هنوز به زندگی ما راه نیافته‌اند. البته آن‌ها هر روز به ما نزدیک و نزدیک‌تر می‌شوند. اکنون زمان آن است که برای رویارویی با آن‌ها بیش از همیشه آماده شویم. اکنون همه می‌دانیم که بهترین زمان برای تصویب سیاست‌های کاربردی و تفاهم‌های بین‌المللی زمانی خواهد بود که سناریوهای علمی تخیلی و ترسناک گفته شده در بالا، هنوز اتفاق نیفتاده باشند.