https://virgool.ir/feed/@amiryan.jدکترای کامپیوتر - پدر رباتها :)fa2026-11-10 21:33:19https://files.virgool.ir/upload/users/20265/avatar/YUmDd4.pnghttps://virgool.ir/@amiryan.jhttps://virgool.ir/@amiryan.j/توسعه-زیرساخت-های-هوش-مصنوعی-گزارش-پیشرفت-ها-و-روندهای-دیجیتال-2025-rnibzr9lmnupگزارش «پیشرفت و روندهای دیجیتال سال ۲۰۲۵» که توسط بانک جهانی منتشر شده رو با هم مرور کنیم؛ گزارشی که تمرکزش بر توسعه هوش مصنوعی در کشورهای مختلف دنیاست.این گزارش ابتدا کشورها رو با توجه به جایگاه اقتصادی‌شون طبقه‌بندی می‌کنه:کشورهای با درآمد بالا HIC، کشورهای با درآمد متوسط MIC و کشورهای با درآمد پایین LIC.خود گروه MIC رو هم معمولا به دو دسته LMIC و UMIC تقسیم می‌کنند؛ یعنی کشورهای با درآمد متوسط رو به پایین و متوسط رو به بالا.ایران معمولا نزدیک مرز این دو گروه قرار می‌گیره و در طبقه‌بندی فعلی بانک جهانی، با درآمد ناخالص ملی سرانه‌ای نزدیک به ۴ تا ۵ هزار دلار، در گروه کشورهای با درآمد متوسط رو به بالا قرار گرفته.این گزارش چارچوبی رو به کشورها ارائه می‌ده تا برای موج هوش مصنوعی آماده بشن. این چارچوب چهار رکن اصلی داره که گزارش بهش می‌گه 4C:۱. ارتباطات: Connectivityارتباطات دریچه ورود به دنیای هوش مصنوعیه. داشتن اینترنت پایدار، پرسرعت و مقرون‌به‌صرفه لازمه اینه که کاربرها داده‌هاشون رو آپلود کنند، مدل‌ها رو دانلود کنند یا در پلتفرم‌های اشتراکی مثل گیت‌هاب، هاگینگ‌فیس و بقیه فعالیت داشته باشند.فاصله مصرف اینترنت میان کشورهای پردرآمد و کم‌درآمد هم با سرعت زیادی در حال بیشتر شدنه. در این حد که در سال ۲۰۲۳، مصرف سالانه داده به ازای هر نفر در کشورهای پردرآمد به حدود ۱۴۰۰ گیگابایت می‌رسید، در کشورهای با درآمد متوسط رو به بالا حدود ۴۰۰ گیگابایت، در کشورهای با درآمد متوسط رو به پایین نزدیک به ۱۰۰ گیگابایت و در کشورهای کم‌درآمد فقط حدود ۵ تا ۶ گیگابایت بود.این شکاف باعث می‌شه الگوی استفاده از اپلیکیشن‌های هوش مصنوعی هم در این کشورها متفاوت باشه. وقتی دسترسی به اینترنت محدود، گران یا ناپایدار باشه، طبیعی است که استفاده مستمر از سرویس‌های آنلاین هوش مصنوعی هم محدودتر بمونه.باید اذعان کنیم که در سال گذشته شرایط کشور ما از این حیث بغرنج بوده. طی دو جنگ‌ 12 روزه و 40 روزه و همچنین اعتراضات دی‌ماه، اینترنت بین‌الملل برای دوره‌های طولانی قطع یا به‌شدت محدود شد و رویه فیلترینگ هم دسترسی کاربران ایرانی رو به‌شدت تحت تأثیر قرار داده و در بازه‌هایی اینترنت بین‌الملل رو به کالایی کم‌وبیش لوکس تبدیل کرده. فقط در یکی از دوره‌های اخیر، دسترسی بیشتر کاربران به اینترنت بین‌الملل نزدیک به ۹۰ روز مختل بود و هزینه VPN برای کاربران به حدود 5 تا 10 دلار در ماه می‌رسید؛ رقمی نزدیک به دو برابر هزینه معمول دیتای موبایل.این سوای اینه که به خاطر تحریم‌ها، بخش دیگری از دسترسی ایرانیان به زیرساخت‌ها و سرویس‌های اینترنت بین‌الملل ازشون گرفته شده.۲. پردازش: Computeدر دوران هوش مصنوعی، پردازش و قدرت محاسباتی همون «برق جدید» محسوب می‌شه. و بله، در واقع این دو کاملا به هم گره خوردند.اجرای سیستم‌های هوش مصنوعی در لایه‌های مختلف نیازمند پردازشگرهای Edge، پردازنده‌های گرافیکی یا GPU، دیتاسنترها، سرورها و سیستم‌های محاسباتی قدرتمند HPC هست.این زیرساخت‌ها برای ذخیره‌سازی، پردازش و انتقال داده در مقیاس بالا مورد نیازند؛ چه برای آموزش مدل‌های هوش مصنوعی و چه برای استفاده و اجرای اون‌ها. نیاز به این قدرت محاسباتی هم طی سال‌های اخیر به شکل بسیار سریعی در حال افزایش بوده.تولید پردازنده‌های هوش مصنوعی عمدتا در اختیار چند بازیگر بزرگ، به‌ویژه NVIDIA، قرار داره که سهم غالب بازار پردازنده‌های مخصوص هوش مصنوعی و GPUهای دیتاسنتری رو در اختیار گرفته.از طرف دیگه، می‌دونیم که آمریکا قوانین صادرات این فناوری‌ها رو سخت‌گیرانه‌تر کرده و کشورهایی مثل چین و ایران با محدودیت‌های جدی‌تری مواجه‌اند. البته تفاوت مهم اینجاست که چین هم‌زمان در تلاشه پردازنده‌ها، زیرساخت‌ها و راهکارهای بومی خودش رو با سرعت وارد بازار کنه.با این حال، وابستگی به چند تولیدکننده محدود فقط مسئله ایران و چین نیست. بخش بزرگی از کشورهای دنیا کمابیش به همین فناوری‌ها وابسته‌اند و دسترسی به Compute احتمالا فصل جدیدی از رقابت، وابستگی و تعامل میان کشورها رو شکل خواهد داد.دیتاسنترها، سیستم‌های HPC و سرویس‌های ابری هم عمدتا در کشورهای پردرآمد متمرکز هستند. برای مثال، آمریکا به‌تنهایی میزبان حدود نیمی از سرورهای امن اینترنتی دنیاست. از طرف دیگه، سه شرکت آمریکایی AWS، Microsoft Azure و Google Cloud مجموعا حدود دو سوم بازار جهانی کلاد عمومی رو در اختیار دارند.این تمرکز باعث شده کشورها به نوعی به صادرکننده و واردکننده Compute تبدیل بشن؛ موضوعی که پایین‌تر بیشتر درباره‌اش صحبت خواهیم کرد.نکته دیگه اینه که امروزه دسترسی به برق پایدار، شبکه انرژی قوی، زمین مناسب و سیستم‌های خنک‌کننده از مهم‌ترین نیازمندی‌های توسعه دیتاسنترها هستند. به همین دلیل، پروژه‌ها و ایده‌هایی مطرح شده که کشورهای تولیدکننده انرژی، به‌خصوص در منطقه خلیج فارس، بخشی از مزیت انرژی خودشون رو به صادرات Compute تبدیل کنند؛ یعنی به‌جای اینکه فقط نفت، گاز یا برق صادر کنند، ظرفیت پردازشی و خدمات دیتاسنتری صادر کنند. در سوی مقابل، ایده‌هایی مثل انتقال بخشی از دیتاسنترها یا زیرساخت‌های پردازشی به فضا هم مطرح شده.در کشور ما هم طی چند سال اخیر، ناترازی برق و کمبود ظرفیت تولید به یکی از مشکلات جدی تبدیل شده و رشد تولید برق از افزایش نیاز کشور عقب مونده. جنگ اخیر هم به بخشی از زیرساخت‌ها آسیب زده که نیازمند جبران و بازسازیه. این زیرساخت‌ها باید نه‌تنها بتونند نیازهای جاری و روزمره کشور رو تأمین کنند، بلکه نباید به گلوگاهی برای توسعه دیتاسنترها، مراکز پردازش داده و زیرساخت‌های هوش مصنوعی تبدیل بشن. بازسازی شبکه برق و افزایش ظرفیت پایدار تولید، یکی از قفل‌های اصلی توسعه Compute در ایران رو باز خواهد کرد.۳. داده: Contextداده یا به تعبیر دقیق‌تر گزارش، Context، رکن سوم این چارچوبه؛ یعنی داده‌ای که باکیفیت، متنوع، به‌روز و متناسب با زمینه محلی باشه.در بحث تنوع می‌شه جنبه‌های زیادی رو نام برد: طبقات اقتصادی، فرهنگی، قومی، زبانی، جغرافیایی و حتی تفاوت میان نهادها و ساختارهای اجتماعی مختلف در یک کشور.یک کشور برای تطبیق هرچه بهتر با دنیای هوش مصنوعی نیاز داره زنجیره‌های مختلفی رو برای جمع‌آوری، پاک‌سازی، پردازش، نگهداری و به‌اشتراک‌گذاری داده توسعه بده تا صرفا مصرف‌کننده مدل‌هایی نباشه که در کشورها و فرهنگ‌های دیگه ساخته شده‌اند.اگرچه داده صرفا محدود به داده‌های زبانی نیست، اما زبان بخش مهمی از این ماجراست.زبان فارسی عمدتا در ایران، افغانستان و تاجیکستان استفاده می‌شه و در مقایسه با انگلیسی، حجم بسیار کمتری از محتوای باکیفیت دیجیتال، داده آموزشی، کتاب، مقاله و داده برچسب‌خورده در اختیار مدل‌های هوش مصنوعی قرار می‌ده.از طرف دیگه، استفاده از خط فارسی و غیرلاتین هم در بعضی مراحل جمع‌آوری، پردازش، جست‌وجو و استانداردسازی داده چالش‌های فنی خودش رو ایجاد می‌کنه.در کنار فارسی معیار، ایران دارای ده‌ها زبان، و نزدیک 8 هزار گویش و لهجه محلیه. اگر برای ثبت، دیجیتالی‌کردن و تولید داده از این زبان‌ها و گویش‌ها اقدامی نکنیم، ممکنه بسیاری از اون‌ها نه‌تنها در مدل‌های هوش مصنوعی بازنمایی نشن، بلکه در بلندمدت بیشتر به حاشیه رانده بشن.۴. مهارت‌های دیجیتال: Competencyدر نهایت، رکن چهارم گزارش به مهارت‌های دیجیتال، تأثیر نفوذ هوش مصنوعی بر بازار کار و نحوه توزیع این مهارت‌ها می‌پردازه.شغل‌های مرتبط با GenAI رو به افزایش هستند و بخش بزرگی از این فرصت‌های شغلی فعلا در کشورهای پردرآمد متمرکز شده. با این حال، کشورهای با درآمد متوسط هم با سرعت قابل توجهی در حال اضافه‌شدن به این بازارند. برزیل، اندونزی، مالزی، کلمبیا، مصر، مکزیک و پاکستان از جمله کشورهایی هستند که تقاضا برای مهارت‌های مرتبط با هوش مصنوعی و GenAI در اون‌ها رو به افزایشه.شغل‌ها و کاربردهای GenAI در حوزه‌هایی مثل تولید محتوا، مارکتینگ، تحقیق و توسعه، آموزش و سلامت در حال شکل‌گیری هستند. طبیعتا متخصصان حوزه IT و مشاغلی که از قبل دیجیتالی‌تر بوده‌اند، بیشترین و سریع‌ترین استفاده رو از این فناوری‌ها دارند.مسئله مهم دیگه به نیاز بازار کار و فرار مغزها مربوط می‌شه. تنها در آمریکا و کانادا، تعداد دانشجوهای رشته‌های مرتبط با علوم کامپیوتر طی حدود یک دهه چند برابر شده. با این حال، بازار کار در بسیاری از شاخه‌های تخصصی همچنان به نیروی ماهر و باکیفیت نیاز داره و دستمزدها در بعضی از این حوزه‌ها همچنان رقابتی باقی مونده. برای کشورهای درحال‌توسعه، این وضعیت یک چالش دوگانه ایجاد می‌کنه: از یک طرف باید نیروی متخصص بیشتری تربیت کنند و از طرف دیگه باید بتونند این نیروها رو در داخل کشور نگه دارند.اگر بازار کار، زیرساخت پژوهشی، دسترسی به Compute و فرصت رشد حرفه‌ای محدود باشه، افراد متخصص به سمت کشورهایی حرکت می‌کنند که فرصت‌ها و دستمزدهای بهتری ارائه می‌دن. دوره‌های درسی و دانشگاهی هم باید سرفصل‌های خودشون رو با موج AI به‌روز کنند، ارتباط بیشتری با صنعت داشته باشند و فارغ‌التحصیلان رو با مهارت‌هایی وارد بازار کنند که واقعا موردنیاز شرکت‌ها و نهادهاست.در بسیاری از این موضوع‌ها، گزارش تأکید می‌کنه که دولت‌ها باید نقش جدی و مسئولانه‌ای ایفا کنند؛ چون بخش خصوصی به‌تنهایی نمی‌تونه همه مسائل رو برطرف کنه. شرکت‌های خصوصی طبیعتا بر اساس منافع اقتصادی و بازگشت سرمایه تصمیم می‌گیرند و نمی‌شه انتظار داشت که به‌تنهایی تمام منافع ملی، مسائل امنیتی، آثار محیط‌زیستی، توسعه مناطق کم‌برخوردار و دسترسی عادلانه به زیرساخت‌های هوش مصنوعی رو مدیریت کنند.به همین دلیل، توسعه هوش مصنوعی فقط به سرمایه‌گذاری شرکت‌ها یا فعالیت چند استارتاپ محدود نمی‌شه و نیازمند سیاست‌گذاری، سرمایه‌گذاری عمومی، تنظیم‌گری و هماهنگی میان دولت، دانشگاه‌ها و بخش خصوصیه. دولت باید در جاهایی که بازار به‌تنهایی سرمایه‌گذاری کافی انجام نمی‌ده یا هزینه‌های اجتماعی و امنیتی رو در نظر نمی‌گیره، نقش فعال‌تری ایفا کنه. بانک جهانی. «گزارش پیشرفت‌ها و روندهای دیجیتال ۲۰۲۵: تقویت بنیان‌های هوش مصنوعی»، نوامبر ۲۰۲۵. مشاهده در وب‌سایت بانک جهانیJavad AmirianJavad AmirianWed, 24 Jun 2026 15:01:09 +0330https://virgool.ir/@amiryan.j/پرنده-های-خشمگین-رستگاری-بعد-از-۵۱-بار-شکست-sgryuosyaviqبخش اول: رویای ساخت یک بازی موفقکاربری توی توییتر -به شوخی- پرسیده بود: «مگر نمیگن استارتاپ‌ها باید روی مشکلات واقعی کاربرها تمرکز کنن؟ شما بگید بازی Angry Birds کدوم نیاز ملت رو برطرف کرده -که به چنین موفقیتی رسیده-!»این توییت نقطه‌ی عطفی شد که ببینم داستان انگری بردز چی بوده.سال ۲۰۰۳ سه تا از بچه‌های دانشگاه هلسینکی فنلاند تصمیم میگیرند توی یک هکاتون بازی (مسابقه کدنویسی) شرکت کنند. اونها مسابقه رو می‌برند و تصمیم میگیرند شرکت خودشون رو تاسیس کنند: بنام Relude. با این ایده که یک بازی‌‌ بسیار محبوب خلق کنند. اونها ظرف مدت ۵ سال کارهای زیادی تولید کردند که هیچ کدومش موفقیت‌آمیز نبود. سال ۲۰۰۵ هم یک سرمایه‌گذار پیدا کردن و اونجا بود که اسمشون رو به Rovio تغییر دادند که به زبان فنلاندی یعنی: آتش بازی.Niklas Hed, Jarno Väkeväinen and Kim Dikertسال ۲۰۰۷ برای اولین بار آیفون که وارد بازار شد اونها تصمیم گرفتن تمرکزشون رو روی کاربران آیفون بذارند. (به این مساله میگن Customer segmentation یا تقسیم بندی مشتریان) اما خیلی زود متوجه شدن که آیفون انقدری محبوبه که این تقسیم بندی، چیز جدیدی به مساله اضافه نمیکنه. با این وجود اونها متوجه شدن یک بازی آیفون خوب باید دارای چند ویژگی مهم باشه:باید خیلی سریع لود (بارگذاری) بشه.نباید به «راهنما» نیاز داشته باشه (و intuitive یا شهودی باشه)و کاربرهای آیفون که عمدتا نوجوان و کم‌حوصله هستند باید توی یک دقیقه‌ی اول احساس سرگرم شدن پیدا کنند.اونها تا سال ۲۰۰۹ «پنجاه و یک» بازی مختلف ساختند! و هیچ کدوم به موفقیت مورد نظر نرسیده بود. بودجه شرکت رفته رفته ته میکشید و مسیر زیادی تا ورشکستگی نبود. پولی که برای اونها مونده بود، به اونها اجازه‌ میداد تنها یک فرصت دیگه رو تجربه کنن و نه بیشتر. بیشتر کارکنان تعدیل شده بودند و فقط ۱۲ نفر از تیم باقی موند. یاکو Jaakko Iisalo (تنها دیزاینر تیم)، پشت سر هم طرح و ایده‌ی جدید خلق میکرد اما هیچ کدوم اونقدر دندون‌گیر نبودن.بخش دوم: خوک‌های کثیف!یاکو یک روز شروع کرد به ترسیم تعدادی حیوان ساده بعنوان کاراکترهای بازی. او یک گله از پرنده‌ها رو کشید، کمی گرد و تپل، با منقارهای تیز و با ابروهایی خمیده‌ای که کمی عصبانی بنظر میرسیدند! یاکو گله ای از پرنده‌های خشمگین رو تصور میکرد که هر جا که میرفتند رو ویران می‌کردن. ایده‌ی اولیه با چیزی که امروز در بازی میبینیم متفاوت بود. در واقع پرنده‌ها توی یک صف حرکت میکردند و وقتی شما پرنده‌ی جلویی رو لمس میکردی، اونها به یک منطقه‌ی رنگی‌ای هجوم میبردن. برای پرتاب پرنده‌ها هم اونها به ایده‌های مختلفی فکر کردن مثل «تاب» و چیزهای دیگه. اما یاکو در نهایت پیشنهاد «تیرکمان» رو داد. ایده‌ کمی بیش از حد ساده بنظر میرسید اما یک مزیت مهم داشت: کاربر همون لحظه‌ی اول میفهمید باید با این تیرکمان چیکار کنه. پرنده‌ها جوری طراحی شده بودند که نه بال داشتند و نه پا ولی تا بی‌اندازه خشمگین و عصبانی بودند! یاکو به هر پرنده هم یک رنگ متفاوت اختصاص داد.اونها بارها به این فکر کردند که این پرنده‌های خشمگین باید به چه چیزی حمله کنند؟بالاخره برای این همه خشم یک دشمن باید وجود میداشت. ایده‌ی «خوک‌»ها ابتدا از جایی میومد که یاکو از بچگی عاشق کشیدن خوک بود. از اتفاق زمان رونمایی از بازی مصادف میشد با اپیدمی آنفولانزای پرندگان. یک بیماری‌ واگیر که هم پرنده‌ها و هم خوک‌ها رو مبتلا میکرد. سازنده‌های بازی هم تصمیم گرفتن از این خبر استفاده کنن و پرنده‌ها و خوک‌ها رو در مقابل هم قرار بدن! حالا خوک‌های سبزرنگ یاکو شده بودن هدف حمله‌ی این پرنده‌های خشمگین. پرنده‌ها به سازه‌های خوک‌ها حمله میکردن تا اونها رو از بین ببرن.اونها تصمیم گرفتن یک بودجه‌ی کوچک ۲۵ هزار یورویی کنار بگذارند تا بصورت یک «پروژه‌ی جانبی» روش کار کنند. در کنارش هم اونها ۴ پروژه‌ی دیگه هم داشتند تا توی این ۶ ماه تحویل بدن.اونها خیلی زود فهمیدن این بازی بسیار جذاب و اعتیادآوره. میکاییل مدیرعامل تیم میگه هر وقت اونها قرار میشد بازی رو اجرا کنن تا یک ویژگی کوچک رو تست کنن، ناخودآگاه شروع میکردن به ادامه‌ی بازی تا ۱۵ دقیقه و حتی بقیه‌ی تیم هم وای‌میستادن به نگاه کردن!اونها یک روز متوجه شدن که مادر یکی از اعضای تیم موقع آشپزی، که داشته نسخه‌ی تستی از بازی رو امتحان میکرده، انقدر جذب بازی شده بوده که غذاش رو سوزونده. این سیگنالی بود که میگفت این بازی با بقیه‌ی کارها متفاوت خواهد بود.بخش سوم: استراتژی رشداونها ابتدا بازی رو دسامبر 2009 در App Store، توی آمریکا و انگلیس عرضه کردن. این عَرضه خیلی موفقیت‌آمیز نبود. اما Rovio منصرف نشد و تصمیم گرفت روی کشورهای کوچکتر تمرکز کنه. بازی با چند صد بار دانلود به صدر جدول بازی‌های مورد علاقه توی فنلاند رسید. و بعد به سرعت توی سوئد و دانمارک موفق شد و بعد هم در چک و یونان ...اما اتفاق اصلی زمانی افتاد که فوریه ۲۰۱۰، اپل بازی پرنده‌های خشمگین رو به عنوان بازی ویژه‌ی هفته در انگلیس معرفی کرد. در زمان کوتاهی بازی از رتبه‌ی ۶۰۰ به رتبه‌ی ۱ اپ‌های محبوب در انگلیس رسید!اونها توی اپ استور و اندروید دو روش مختلف درآمدزایی داشتن. بازی توی اپل پولی بود. اما توی اندروید، درآمد بازی از طریق تبلیغات بود. اونها ۶۰۰ هزار پوند از کانال اندروید بدست آوردن. یک فیچری به اسم Mighty Eagle (عقاب قدرتمند) رو بصورت پولی عرضه کردند (به مبلغ ۸۹ سنت) و این فیچر بیشتر از ۲ میلیون بار دانلود شد. بعد از این اونها وارد دنیای بازی‌های آفلاین هم شدند تا از این موفقیت درآمد بیشتری کسب کنند.اما این‌ها همه‌ی ایده‌های تیم برای درآمدزایی نبود. اونها در بازه‌ی کریسمس شروع کردن به فروختن عروسک‌های انگری بردز، از طریق اپلیکیشن‌شون. اونها ۱۲۰۰۰ سفارش جمع کردن، و رفته رفته شبکه‌ای از ۵۰۰ فروشگاه فیزیکی در دنیا درست کردن که بیش از ۳۰ هزار محصول مرتبط رو میفروخت. این کار باعث ۵۰ درصد از درآمد اونها میشد. اونها بعدتر فیلم پرنده‌های خشمگین رو هم ساختند، یک استودیوی بازی‌سازی بزرگ در انگلیس درست کردند و در نهایت وارد بورس شدند.داستان «پرنده‌های خشمگین» یکی از بارزترین مثال‌هاییه که نشون میده ممارست و پشتکار کلید اصلی موفقیته. و شما حتی اگه ۵۱ ایده‌‌ی نه‌‌چندان موفق هم داشتید، همچنان ادامه بدید. یادمون نره این ۵۱ تلاش اگرچه در ظاهر نتیجه‌ای به بار نیاوردن اما به اونها شناختی از دنیای بازی‌های همراه داد که بی‌اندازه ارزشمند بود. از همه مهمتر ساختن انگری بردز ممکن نیست مگر توسط تیمی که سال‌ها در کنار همدیگه کار کرده و به تبحر و مهارت تیمی بالایی رسیده باشن.جواد امیریانt.me/zankoo_ai : AI, Robotics and StartupsJavad AmirianJavad AmirianTue, 22 Aug 2023 13:09:55 +0330https://virgool.ir/@amiryan.j/کِی-تصمیم-بگیریم-۳-نکته-ی-کلیدی-برای-زمان-تصمیم-گیری-euw2s2xnhyshقسمت اولشما معمولا برای تصمیم گیری هاتون چقدر زمان و وسواس به خرج میدید؟ مثلا برای خریدن یک کفش؟ یا انتخاب یک مقصد برای مسافرت؟ یا انتخاب رشته تحصیلی؟...من خودم شخصا تصمیماتم رو معمولا سریع میگیرم و بین دو دسته شخصیتی آدم‌های «بیشینه خواه» (maximizer) و «رضایت‌بخش خواه» (satisficer) من معمولا جزء دسته دوم هستم. یعنی اگر برای پروژه یا مساله‌‌ای گزینه‌ی قابل قبولی پیدا کنم، همون رو انتخاب میکنم و معمولا دنبال گزینه‌های بعدی نمیرم. این در حالیه که دسته‌ی اول سعی میکنند گزینه‌ای رو پیدا و انتخاب کنند که از همه‌ی گزینه‌های دیگه بهتر باشه. و اینکه چقدر با نیازهاشون مطابقه اهمیت کمتری پیدا میکنه.اگرچه هر کدوم از این دو گروه ویژگی‌های خودشون رو دارند اما یک ویژگی بارز دسته‌ی اول اینه که معمولا بیشتر از تصمیمات‌شون پشیمون میشن (مثلا وقتی میفهمن گزینه‌ی بهترتری هم وجود داشته که از دست دادن!) shorturl.at/gJNW7 قسمت دومچند وقت پیش با مفهومی آشنا شدم به اسم LRM یا Last responsible moment که معادل فارسی خوبی ندارم براش. این قانون که اصالتا از دائرةالمعارف مهندس نرم‌افزارها بیرون اومده، میگه که: تصمیمات کلیدی‌ رو همیشه عقب بندازید تا اینکه اطلاعات بیشتر و بیشتری راجع به مساله به دست بیارید. در واقع قانون LRM میگه: دکمه‌ی تصمیم گیری رو زمانی بزن که دیگه بعدش، هزینه‌ی تصمیم گیری بیشتر از هزینه‌ی تصمیم نگرفتن خواهد بود!مثلا اگر قصد داری بررسی کنی برای یک پروژه‌ی برنامه‌نویسی از چه کتابخانه‌ای استفاده کنی، باید مدتی آپشن‌های مختلف رو به نحوی استفاده کنی که تاثیر زیادی روی کل سیستم نذاره، و چنانچه متوجه شدی گزینه‌ی اشتباهیه هزینه‌ی کمتری برای کنار گذاشتنش بپردازی. این قانون به نظر میرسه که لااقل روی کاغذ بهینه‌ترین جواب رو برای ما به دست میاره. اما در دنیای واقعی فهمیدن زمان LRM به این سادگی نیست. https://thisiszone.medium.com/the-timely-benefits-of-finding-the-last-responsible-moment-2b81970dc975 قسمت سوماخیرا با فرمایشی گهربار از حضرت «جف بزوس» مواجه شدم (بنیان گذار آمازون) که میتونه سرلوحه‌ی همه‌ی فرایند‌های تصمیم‌گیری‌ ما باشه.جف بزوس معتقده: «به محض اینکه ۷۰ درصد از اطلاعات مورد نیاز برای تصمیم‌گیری رو بدست آوردی، تصمیم‌ت رو بگیر و درگذر».منبع:‌ Letter to Shareholders (جف بزوس - ۲۰۱۶)به عبارتی منتظر موندن برای اینکه مطمئن بشی تصمیمی که گرفتی ۱۰۰٪ درسته ممکنه باعث بشه موقعیت کاملا از دست رفته باشه. آیا به این معنیه که این روش تصمیم گیری همیشه بهترین نتیجه رو میده؟ نه. ممکنه ما دچار اشتباه بشیم، شاید بخاطر اون ۳۰٪ بی‌اطلاعی، یا عوامل بیرونی دیگه، اما نکته اینه که «زمان» فاکتور فوق‌العاده مهمی توی فرایند‌های تصمیم گیریه. از طرفی تصمیمات اشتباه‌ رو میشه جبران کرد و تصمیم جدید گرفت، ولو با هزینه. راجع به اینکه چطور بفهمیم که چند درصد از اطلاعات مورد نیاز رو داریم، استراتژی‌های مختلفی میتونه وجود داشته باشه:یک چک لیست درست کنید که چه مواردی برای تصمیم گیری لازمه و زمانی که دو سوم اونها تیک خورد، زمان خوبی میتونه باشه. یا اگر برای تصمیمی یک بازه‌ی ۱۰ روزه در نظر میگیرید، سر روز هفتم تصمیم‌تون رو بگیرید! نکته‌ی پایانی اینکه داشتن گزینه‌های بیشتر و بیشتر بسیاری مواقع منجر به عدم توانایی در تصمیم گیری میشه، چیزی که بهش فلج تحلیلی میگن. مثال‌های جالبی و عبرت‌آموزی! وجود داره از اینکه به عقب انداختن تصمیمات مهم چه تبعاتی داره:زمانی که توییتر یک پیشنهاد ۴ میلیارد دلاری برای خرید کلاب هاوس داد، اونها انقدر درنگ کردن تا در نهایت توییتر از تصمیمش برگشت و به سراغ ساختن Spaces رفت. بعد از اون، ارزش کلاب هاوس به شدت افت کرد. یا اینکهزمانی که نوکیا در دنیای گوشی های همراه پادشاهی میکرد، بخوبی این فرصت رو داشت تا روی اسمارت‌فون‌ها سرمایه‌گذاری کنه، اما اونها این تصمیم رو آنقدر به تاخیر انداختن، با این توهم که رقیب جدی‌ای در بازار ندارند، تا اپل در سال ۲۰۰۸ وارد بازی شد و گوی سبقت رو ربود، زمانی که برای نوکیا بسیار دیر شده بود.جواد امیریان* معمولا مطالبم رو توی کانال تلگرامی زیر میگذارم: https://t.me/zankoo_aiJavad AmirianJavad AmirianWed, 26 Jul 2023 12:40:30 +0330https://virgool.ir/@amiryan.j/حل-مشکل-دسترسی-به-گیت-هاب-در-ایران-ناشی-از-صیانت-zns5tjjcjikzما و تیم‌مون متوجه شدیم دسترسی به پلتفرم گیت‌هاب از طریق ارتباط HTTPS در ایران مختل‌(صیانت) شده و امکان clone و pull یا push کردن وجود نداره. اما متوجه شدیم که ارتباط SSH باز هست، و با استفاده از این روش همه چی بخوبی کار میکنه. هر چند پروتکل HTTPS روش امن‌تری هست. اما وقتی ده تا فیلترشکن نصب داری رو گوشیت، صحبت کردن از امنیت سایبری شوخیه!تو این روش شما باید روی هر کامپیوتری که دارید یک بار مراحل زیر رو انجام بدید:1. از دستور ssh-keygen (راهنما) استفاده کنید تا برای شما یک جفت کلید عمومی و شخصی ایجاد کنه. در واقع این کلیدها یک کد رمزگذاری شده هستن که توی کامپیوتر شما ذخیره خواهند شد.) $ ssh-keygen2. پوشه‌ی پیش‌فرضی که این دو تا فایل رو میتونید توش پیدا کنید. مثلا برای من مسیر زیر هست:[Windows] >> C:\Users\Javad\.ssh[Linux] >> /home/javad/.ssh توی این پوشه شما باید دو تا فایل با اسم‌های زیر ببینید: id_rsa و id_rsa.pub 3. محتویات فایل id_rsa.pub رو کپی کنید؛ که یه رشته کد مثل زیر خواهد بود:ssh-rsa AAAAB3NzaC1yc2EAAAABIwAAAQEAklOUpkDHrfHY17SbrmTIpNLTGK9Tjom/BWDSUGPl+nafzlHDTYW7hdI4yZ5ew18JH4JW9jbhUFrviQzM7xlELEVf4h9lFX5QVkbPppSwg0cda3Pbv7kOdJ/MTyBlWXFCR+HAo3FXRitBqxiX1nKhXpHAZsMciLq8V6RjsNAQwdsdMFvSlVK/7XAt3FaoJoAsncM1Q9x5+3V0Ww68/eIFmb1zuUFljQJKprrX88XypNDvjYNby6vw/Pb0rwert/EnmZ+AW4OZPnTPI89ZPmVMLuayrD2cE86Z/il8b+gw3r3+1nKatmIkjn2so1d01QraTlMqVSsbxNrRFi9wrf+M7Q== javad@javad-ROG--G15⚠️ مراقب باشید محتویات فایل id_rsa رو هیچ جایی یا به هیچ کسی ندید!!!4. به سایت گیت‌هاب برید (که خداروشکر فیلتر نیست فعلا!) وارد بخش تنظیمات پروفایل‌تون بشید: Settings4. روی SSH and GPG keys بزنید و یک SSH Key جدید ایجاد کنید. 5. اسمش رو هر چیزی دوس دارید بگذارید و کد کپی شده از مرحله 3 رو داخل کادر بچسبونید و در نهایت دکمه Add SSH Key رو بزنید.6. یه قدم دیگه مونده: حالا برای هر ریپوزیتوری گیت هابی رو که میخاید clone کنید، باید برید داخل صفحه‌ی ریپوزیتوری، و دکمه‌ی سبزرنگ Code رو که می‌زنید از tab مربوط به SSH لینک رو بردارید و برای clone کردن استفاده کنید. مثال:git@github.com:opencv/opencv.git* یه چیز دیگه: اگر یک ریپوزیتوری روی کامپیوترتون دارید که الان امکان دسترسی به گیت‌هاب نداره چی؟بله. شما کافیه داخل پوشه‌ی ریپوزیتوری برید و آدرس گیت‌هاب‌شو اصلاح کنید به لینک بالا:git remote set-url origin git@github.com:XXX/YYY.gitبا این کار شما الان باید بتونید براحتی پروژه هاتون رو روی گیت هاب نگه دارید. ✌️Javad AmirianJavad AmirianFri, 04 Nov 2022 19:38:15 +0330https://virgool.ir/@amiryan.j/amazon-astro-stdrqcvb49aqآسترو، اسم رباتی هست که آمازون چند روز پیش از اون رونمایی کرده. این ربات بخشی از پروژه‌ی Day 1 Edition آمازون هست: جایی برای بلندپروازی های آمازون و نه صرفا برای کسب درآمد! (میدونستید آمازون با وجود اینکه سالانه نزدیک 340 میلیارد دلار فروش داره، اما منبع اصلی درآمدش ( نزدیک 60٪) از آمازون وب سرویس AWS هست؟) https://www.investopedia.com/how-amazon-makes-money-4587523 الکسابرای معرفی آسترو باید از معرفی "الکسا" شروع کنیم: دستیار (صوتی) هوشمند آمازون. الکسا یجورایی قلب (شایدم مغز!) هوش مصنوعی آمازون محسوب میشه و خوبه که بدونیم تیم AI الکسا، یکی از پیشتازهای پژوهش تو حوزه‌ی "پردازش زبان طبیعی" و پردازش صوت هستن. الکسا به سرویس های بسیار زیادی وصل میشه از اوبر و مک‌دونالد و وسایل اسمارت هوم و بقیه. الکسا: دستیار صوتی آمازونربات آسترو هم، بطور خلاصه یک نسخه‌ی متحرک و چرخدار از الکسا هست. البته صبر کنید، وظیفه‌ی مهمتر آسترو: نظارت توی خونه هست. بنابراین آسترو به یک دوربین پریسکوپ مجهز شده، که مثل یه آنتن بالا میاد تا ارتفاع 120 سانتی. (یادتونه تو دوره‌ی ابتدایی یا راهنمایی با دو تا آینه و یه تیکه لوله پولیکا پریسکوپ میساختیم، گویی که به تکنولوژی زیردریایی هسته‌ای دست پیدا کرده بودیم؟) حالا با این پریسکوپ (که تکنولوژی پیچیده‌ای هم نداره) میشه وسعت دید ربات رو افزایش داد و جاهای بیشتری از خونه رو نظارت کرد.دوربین پریسکوپ ربات آسترو اون تبلت جلوی ربات چی کاره‌ست؟ تبلت آسترو من رو یاد تبلت لنوو یوگای خودم میندازه. که یه پایه‌ی باحال داشت که میشد اون رو چرخوند و تو حالت‌های مختلف استفاده کرد. شاید ایده‌ی استفاده از تبلت روی آسترو از ربات Pepper الهام گرفته باشه (ربات خنگ Softbank!)ربات نیمه هوشمند Pepper! با تبلت میشه چیزهای مختلفی رو به کاربر نمایش داد که ارائه‌ش از طریق مکالمه دشوار یا ناممکنه. اما از اونجا که آسترو سر نداره از این تبلت برای نمایش ایموشن و احساسات مختلف هم استفاده میکنه. البته بعیده این احساسات به پای ربات های Anki برسه. ربات cozmo و نمونه‌ی کاملترش Vector ، ربات‌های سرگرمی بودند که با کمک یه نمایشگر کوچیک و همینطور حرکات بدن ربات، بطرز بانمکی احساسات مختلفی رو به کاربر منتقل میکردن. شرکت Anki (که پارسال هم ورشکست شد)، برای طراحی "شخصیت" این رباتها از متخصص‌های شرکت پیکسار کمک گرفته بود و میشه گفت این رباتها یه جور کار هنری بودن.ربات خانگی Vector که احساسات مختلفی رو نشون میده از خودشتکنولوژی حرکتی آستروآسترو همونطور که گفتم برای محیط خانگی (Indoor) طراحی شده. و میتونه مثل ربات‌های جاروبرقی (نظیر رومبا) حرکت کنه و با تکنولوژی SLAM نقشه‌ی خونه رو بدست بیاره. احتمالا از تکنولوژی مشابه دوربین‌های کینکت استفاده شده که با کمک تصاویر مادون قرمز، عمق محیط رو تخمین میزنه. سرعت ربات نزدیک ۱ متر بر ثانیه هست.اجزا و جوارح ربات آسترو!و دیگه ...ربات آسترو یه جا لیوانی (cup holder) هم داره. که خیلی کاربردی به نظر نمیرسه!! و مثل اکثر ربات‌های خونگی دیگه از یه داک ثابت برای شارژ ربات استفاده میکنه. قیمتش 1500 دلار خواهد بود که به اعتقاد خیلی ها مثل من گرونه!سوالات مهم پیش روی ربات‌های خانگیاغلب ما تا حالا وسیله‌ی هوشمندی تو خونه هامون نداشتیم که آزادانه حرکت کنه و جاهای مختلف رو سرک بکشه. اما همه چیز در حال تغییره و حالا با ورود یه غول تکنولوژی مثل آمازون به این حوزه، باید انتظار این رو داشته باشیم که بزودی ربات‌ها رو توی خونه‌هامون ببینیم.اما واکنش ما آدمها به این رباتها چه خواهد بود؟ آیا رباتها با "پذیرش اجتماعی" مواجه میشن؟ آیا ما در حضور ربات‌ها احساس امنیت داریم؟ آیا ممکنه به ما برخورد کنن؟ یا اینکه صرفا جلوی دست و پامون رو بگیرن؟ آیا نیمه شب ما رو از خواب بیدار نمیکنن؟ آیا خرابکاری نمیکنن؟ اگر هک بشن چه اتفاقی ممکنه بیفته؟با همه‌ی این سوال‌ها آسترو هم ممکنه مثل بسیاری از «پروژه‌های ربات‌ خانگی» قبلی شکست بخوره اما تجربه‌ش اجتناب‌ناپذیره. اما به باور «دیو لیمپ» معاون بخش خدمات آمازون: توی 5 تا 10 سال آینده، توی هر خونه‌ای یه ربات خواهد بود.نظر شما چیه؟جواد امیریان.منابع https://www.amazon.science/blog/astros-intelligent-motion-brings-state-of-the-art-navigation-to-the-home https://www.theverge.com/2021/9/28/22697244/amazon-astro-home-robot-hands-on-features-price Javad AmirianJavad AmirianFri, 08 Oct 2021 17:52:20 +0330https://virgool.ir/@amiryan.j/مقاله-ی-خوب-از-پدر-و-مادر-خوب-هم-بهتره-fuhnqrd1eq7eالبته این جمله اصلش از عبدالله ویسی، سرمربی سابق استقلال خوزستانه که زمانی که این تیم رو قهرمان لیگ برتر کرد، در جایی گفته بود:دروازه ‎بان خوب، از پدر و مادر خوب هم بهتره.در این نوشتار سعی کرده‌ام بصورت فشرده، مجموعه‌ای از نکات بسیار مهم برای نوشتن یک مقاله‌ی آکادمیک بدرد بخور و استخون‌دار رو برای شما مقلّدین و مهندسین عزیز گِرد بیاورم!تاثیر یک مقاله روی مسیر حرفه‌ای شما.انتخاب کنفرانس یا ژورنال مناسببدون مشخص کردن ددلاین، شروع نکنید به نوشتن.(سخن بزرگان)گام اول این ماجرا معمولا اینجاست. البته شاید بقیه‌ی علما نظر متفاوتی داشته باشند. ولی اشتباه می‌کنند! اول هدف‌تان را انتخاب کنید. باید بدانید می‌خواهید توی بازی‌های المپیک شرکت می‌کنید یا توی جام رمضان. با این هدف‌گذاری نه تنها می‌تواند سطح انتظارات و تلاش‌تان را کنترل کنید، بلکه با داشتن یک ددلاین زمانی مشخص، می‌دانید تا چه روزی باید با انگیزه بُدوید و بعد از آن کمی استراحت کنید. اگر هم هفته‌ی قبل ددلاین متوجه شدید تخمین درستی از حجم کار نداشتید، ددلاین بعدی را انتخاب ‌کنید و یک قوطی ردبول دیگر سر بکشید.انتخاب کنفرانس و مجله‌ی متناسب با موضوع و سطح کیفی کار شما، خودش قطعا چند جلد کتابه. اما بطور خلاصه این‌ها رو مدنظر داشته باشید:- اعتبار و رتبه‌بندی ناشر (مثلا درجه A، B یا C) مهم‌اند،- دوست دارید کارتان در کدام کامیونیتی دیده بشه؟- هنگام اپلای کردن (سرکار، دانشگاه ...) چقدر شما را بالا می‌برد؟- می‌توانید نرخ پذیرش (acceptance rate) کنفرانس یا مجله را در چند سال اخیر بررسی کنید. برای بعضی کنفرانس‌ها این عدد، چیزی نزدیک 30٪ است یعنی از هر سه مقاله حداقل دو تا رد می‌شود. و برای بعضی بیشتر از 50٪. یعنی از هر دو تا بیشتر از یکی پذیرفته می‌شود. تعداد مقالات سابمیت شده را هم ببینید.- و مهمتر از همه آيا شهر برگزاری کنفرانس، مقصد خوبی هست برای گردش؟‌ این مورد گاها انگیزه‌ی محقق را می‌چسباند به سقف.تایلند: یکی از مقاصد گردشگری مورد علاقه محققان.مقاله را از ارلی از پاسیبل بنویسید (dar asra'e vaght). حتی پیش از شروع کردن ریسرچ. چرا؟ توضیح میدهم.قدیم‌تر ها فکر می‌کردند مقاله نوشتن این شکلی است:مراحل نوشتن یک مقاله: مدلی که توسط اجداد ما، یعنی اورانگوتان‌ها استفاده می‌شد!در واقع این راه حل مثل این است که اول یک شرکت بزنیم، کارمند استخدام کنیم و بعد تازه بنشینیم بیزینس مدل برای آن بنویسیم! اما یک بابایی به نام سایمون پیتون جونز فهمید که مراحل درست‌تر این شکلی‌ست:مراحل درست‌تر برای نوشتن یک مقالهاما حالا چرا. چون :اولا اینطوری مجبور می‌شویم شفاف مساله را بنویسیم و روی راه حل تمرکز کنیم،دوما می‌فهمیم چه چیزهایی از ذهن ما غافل مانده و نیاز به پرورش دارد. می‌توانیم حالا راجع بهش با بقیه صحبت کنیم انتقاد بشنویم و ایده بگیریم.البته در عمل نوشتن ته داستان نیست. (به «فارسی سخت» کمی پیچیده‌تر از این حرف‌هاست).مراحل واقع‌گرایانه‌ی نوشتن یک مقاله:Idea -> Write paper -> Do research -> Revise paper -> Do research -> Revise paper -> …موقع نوشتن احتمالا یک عالمه ایده‌ی جدید می‌آید روی کاغذ. لازم نیست به همه "آره" بگویید. برای پذیرش مقاله در یک کنفرانس سطح A، کافیست شما سه تا آورده (contribution) داشته باشید. بنابراین سعی کنید این‌ها را قبل از شروع ریسرچ بعنوان هدف‌ کار بنویسید. (اگرچه قطعا بعدا تغییر می‌کند.) یادتان باشد حتی اگر مقاله‌ی شما رد شود، احتمالا نقطه‌ی آغاز خوبی‌ست برای یک کار قوی‌تر. و اینکه شما تازه روزی که مقاله را سابمیت کردید، به یک فهم کامل از ماجرا می‌رسید.یک داستان روایت کنید...سعی کنید یک داستان روایت کنید. داستانی که برای خواننده قابل دنبال کردن باشد. بقول بیل فریمن (استاد MIT): با خواننده‌ مثل مهمان‌تان برخورد کنید. چیزی برای نوشیدن لازم ندارید؟ چیزی می‌خورید؟ حالا می‌خواهید کمی استراحت کنید؟ (قلیونی، وافوری، چیزی میزنی چاق کنم؟)موقع نوشتن، باید شفاف باشید. کلمات را با دقت و وسواس انتخاب کنید. بقول کریس کیتانی (استاد CMU) اگر حتی یک جمله آن وسط وجود دارد که به فهم بهتر مقاله کمکی نمی‌کند، حذفش کنید. ایده‌تان را در حد کریستال، شفاف و قابل فهم بازگو کنید. پولیش بکشید!چند بار مقاله را پولیش بکشید. ترتیب قرار گرفتن اجزا و توضیحات را دستکاری کنید تا به یک ترکیب زیبا و فیلم‌نامه نهایی برسید. البته (در خارج!) معمولا استاد نقش مهمی توی این رویه دارد. یادتان باشد فیلم هندی ننویسید. استدلال‌ها و مستندات شما باید قوی باشد. بزرگ‌نمایی نکنید و از آن چیزی که برای ارائه دارید، بیشتر قول ندهید. Kill the Reviewerدر عمل تمام چیزی دست آخر نیاز دارید این دوتاند: ایده‌های خوب + نتایج متقاعد کننده.بیل فریمن می‌گوید باید مقاله را از زاویه‌ی reviewer (منتقد) ببینید. منهای درصد بسیار کمی از مقالات که خط شکن هستند و کلی حرف جدید برای گفتن دارند، و البته چیزی نزدیک یک سوم مقالات که آشغال هستند، بقیه چیزی این وسط‌ها هستند: borderlineیک reviewer دنبال بهانه میگردد تا مقاله‌ی شما را رد کند. و شما مسئولید نگذارید که آن دلیل را پیدا کند: "این مقاله چیز جذابی ندارد، اما تقریبا خوب نوشته شده، ساختار استاندارد را رعایت کرده، نتایج بدک نیستند و 2٪ از قبلی‌‌ها بهتر است. نویسنده‌ش هم توی باغ بوده و از کارهای مشابه باخبر است. یک borderline یا weak accept بزنم برود..."توی بخش نتیجه‌گیری مقاله تا جایی که می‌توانید، محدودیت‌ها و نقاط ضعف را ذکر کنید. البته نه با عنوان نقطه ضعف، بعنوان راه‌های ارتقا! (باور کنید این دو تا یک دنیا فرق دارند.) با این کار این شمایید که پیش‌دستی می‌کنید و ریویور را آچمز می‌کنید.نکات کمتر مهم:عنوانی انتخاب کنید که باحال و جذاب باشد. استفاده از فرمول؟ به اندازه. نه کمتر نه بیشتر. 13 تا از مقالات برتر CVPR، هیچ فرمولی ندارند یا در حد دو سه تا!تعداد مناسبی عکس استفاده کنید:A picture is worth a thousand words.از toy example ها استفاده کنید تا به سادگی تمام، ایده‌تان را منتقل کنید.اگر می‌توانید ضمیمه هم بگذارید: عکس‌های بیشتر و با سایز بزرگ، اثبات قضیه‌ها، جزییات فنی و ...غلط املایی؟ مگر عهد بوقه! با notpad که نیمینویسید. مراقبت کنید.رفرنس دستی؟ این همه ابزار رفرنس گذاری (مثل Mendeley) را برای عمه‌ها که نساخته‌اند. منابع:How to write a good CVPR submissionHow to Get Your CVPR Paper Rejected?How to write a great research paperجواد امیریانJavad AmirianJavad AmirianFri, 14 May 2021 09:42:25 +0430https://virgool.ir/@amiryan.j/life-2-ch1-nsdlgdm1979zنویسنده : ریچ کارلگاردمترجم: جواد امیریان* مقدمه را در اینجا بخوانید.ریچ داخل کابین هواپیمای شخصی‌اش نشسته و می‌خواهد در یک ماجراجویی چند هفته‌ای آسمان آمریکا را بپیماید و خلبانی را تجربه کند و یاد بگیرد. هواپیمای ریچ یک «سسنا 172»ی تک موتوره است با ظرفیت ۴ سرنشین. ریچ سفرش را از شهر فارگو در ایالت نورث داکوتا (نزدیک به مرز کانادا) شروع می‌کند و چند دقیقه طول نمی‌کشد که در آسمان مینسوتا در حال پرواز است.اما سوالی که ریچ در حین این پرواز بارها و بارها از خودش می پرسد این است: من الان اینجا دقیقا چیکار میکنم؟ من ۴۵ ساله‌م شده و تازه هوس خلبانی، زده به سرم؟ آیا این یک‌جور بحران میانسالی‌ است؟ یا دارم از چیزی فرار میکنم؟ این سوالاتی‌ست که دوستان ریچ هم از او می‌پرسند.در واقع هدف ریچ از این سفر یک جور ماموریت نویسندگی. "من دنبال آمریکایی‌هایی میگردم که از شهرهای گران‌قیمت یا حومه آنها در حال فرارند تا بتوانند در این شرایط اسف‌بار اقتصادی، و در روزهای بحران‌زده‌ی بازار بورس، و همینطور ترس‌ و وحشت‌های بعد از حمله‌ی تروریستی ۱۱ سپتامبر، زندگی خود را به شهرهای دیگر منتقل کنند." ریچ معتقد است آمریکایی‌هایی که «به خانه برمی گردند» می‌توانند یک تغییرات جمعیتی تازه را در دهه‌ی 2000 رقم بزنند.اگر کمی به عقب‌ برگردیم این داستان به یک مقاله برمی‌گردد که ریچ در سال 2002 در مجله‌ی فوربز نوشته بود به نام Boonyack Comeback. جایی که ریچ ادعا کرده بود که در دهه‌ی آینده (یعنی دهه‌ی 2010)، شهرهای کوچک از نظر اقتصادی از شهرهای بزرگ جلو میزنند. https://www.forbes.com/forbes/2002/0415/039.html?sh=6c9e8f967dd5 ریچ می‌گوید اگر این اتفاق بیفتد مهاجرتی که از دهه‌ی 80 به سمت شهرهای فناوری-محور آغاز شده، می‌تواند معکوس شود. او در این مقاله به یک موسسه کاریابی اشاره می‌کند که اخیرا مدیرهای زیادی را از شیکاگو و دالاس جذب کرده تا در شهرهای کوچکتری مثل اوماها و دموین، (در ایالت آیووا) مشغول به کار کند. شهرهایی که جمعیتی حول و حوش 200 تا 400 هزار نفر دارند.اما با چه انگیزه‌ای؟ قیمت پایین‌ اجاره‌ی مسکن، کلاب‌ها (باشگاه ورزشی-تفریحی) متعدد و ارزان، مدارس دولتی باکیفیت، و رفت‌وآمد کوتاه و راحت به محل کار. همچنین، این افراد با اضافه درآمدی که پس‌انداز می‌کنند هر از گاهی هم می‌توانند به پاریس و این آنور سفر کنند. چه چیزی از این بهتر؟اما ریچ پس از چاپ این مقاله، ایمیل‌های زیادی دریافت می‌کند که او را به باد انتقاد می گیرند: "هی ریچ! حرف مفت نزن! من اگر جای استیو فوربز (سردبیر مجله) بودم تو را توی شومینه مینداختم و می‌سوزاندم! و ..."اما در همین مدت، ایمیل‌های دیگری می‌رسند که از نگاه دیگری حکایت دارند. ایمیل‌هایی که داستان‌های جالبی را روایت می‌کنند از جستجوی افراد برای یک زندگی بامعنا و یافتن راهی برای تعادل بین کار و زندگی.مثل این ایمیل از داوید مارشال از پیتسبورگ:بعد از 10 سال زندگی در منهتن و کار در بخش معاملات وال استریت، وسایلم را پارسال جمع کردم و به پیتسبورگ، شهر زادگاه نامزدم کوچ کردیم. حالا مسافتم تا محل کار شده 7 دقیقه. آدم‌ها سر صبحی سلام می‌کنند و وقتی از خیابان می خواهم عبور کنم ماشین‌ها برایم می‌ایستند.یا شهروند دیگری از پورتلند ایمیل زده و خوشحال است که از نیویورک کوچ کرده تا در پورتلند مستقر شود. او در یک بانک سرمایه‌گذاری کار می‌کند و هنوز با همان مشتریان قبلی‌ش در نیویورک در ارتباط است و هر چند ماه یکبار هم دو سه روز به نیویورک می‌رود. او خیلی خوشحال است که از زندگی پراسترس نیویورک خلاص شده و حالا زمان‌های فراغت بیشتری دارد تا با خانواده‌اش بگذراند.ماجرای دیگری که ریچ روایت می‌کند، داستان ملاقاتش با گری وینیک Gary Winnick سرمایه‌دار یهودی و مدیر کمپانی مخابراتی Global Crossing است. ریچ در این ملاقات، گری را اینطور توصیف می‌کند:«او هیچ شباهتی به کارآفرین‌های دیگری که دیده بودم نداشت. یک صورت گوشتالو و اصطلاحا گل‌انداخته. یک دست کت و شلوار دست‌دوز که پولش بیشتر از یک لپ‌تاپ اپل بود و یک مشت خدم و حشم و بادیگارد! چیزهایی که معمولا اولویت اول یک کارآفرین نیست. تصویر «گری» با تصویری که از کارآفرین‌های دیگر مثل بیل گیتس و استیو جابز و مایکل دل و بقیه در ذهن داشتم کاملا فاصله داشت. کارآفرین‌ها، افرادی معمولا با صورت‌های لاغر و نگاه‌های حریص هستند، مخصوصا وقتی استارت‌آپ‌شان هنوز تازه راه افتاده و موفقیت‌شان یک چیز تضمین شده نیست. همانطور که کسب و کارِ گری هم آن روزها فاصله‌ی زیادی داشت با یک نقطه‌ی موفق و مطمئن.»خلاصه حس ششم ریچ به او می‌گوید که "گری احتمالا فردی خودشیفته و از خود راضی است. چیزی که هیچ جوره به کارآفرین‌ها نمی‌خورد. بنظر از آن دست آدم‌هایی‌ست که دوست دارند همیشه توی چشم باشند و هر کاری می‌کنند را بقیه هم بفهمند."همه‌ی اینها در طی این چند دقیقه ملاقات به ریچ القا میشود. حسی که بعدا اتفاقا درست از آب درمی‌آید. گری توانست از فروش سهام شرکتش در بورس، 600 میلیون دلار به جیب بزند. شرکتی که حتی در وضعیت ورشکستگی قرار داشت!ریچ بعد از این ملاقات، می‌بایست یک مقاله علیه گری می‌نوشت تا به مخاطبان فوربز و سهام‌داران هشدار دهد که گری وینیک یک «گرگ در لباس کارآفرین» است. اما با این وجود به خودش این جرات را نداد. چیزی که حالا حسرتش را می‌خورد که چرا این کار را نکرده، زمانی که حس ششمش به او درست میگفته. ریچ از دل این داستان میخواهد این را نتیجه بگیرد: به حس‌ ششم‌تان اعتماد کنید!پارادوکساسکات فیتزجرالد، نویسنده آمریکایی، یک جمله‌ی معروفی دارد که می‌گوید:‌ "یک آدم باهوش درجه-یک باید بتواند دو فکر متناقض را همزمان توی ذهنش نگه‌دارد و همچنان کار کند!" منظور اسکات احتمالا این است که در حالی که باید «شرایط بد امروز» را بپذیریم، به یک «آینده‌ی بهتر» هم اعتقاد داشته باشیم تا بتوانیم به سمت آن حرکت کنیم.«زندگی ورژن 2.0» راجع به یک تناقض دیگر است: راجع به جستجوی آمریکایی‌ها برای یک سبک زندگی و کار رویایی. اما باید تاکید کنیم که این جستجو خیلی هم ساده نخواهد بود، مخصوصا در بلبشو و آشفتگی اقتصادی دهه‌ی 2000 آمریکا. بطور خاص برای کسانی که دهه‌ی چهارم و پنجم زندگی‌شان را می‌گذرانند، هنوز در یک خانه‌ی اجاره‌ای زندگی می‌کنند و هزینه‌های خانوار هم روی دوش‌شان است و مهمتر از همه اینکه، دیگر فرصتی برای ریسک کردن در زندگی ندارند. اما با این حال، ریچ معتقد است چنین وضعی نباید مانع شود تا از جستجو برای خوشبختی پا پس بکشید.نسلی که الان (سال 2004) بین 35 تا 55 سال دارد، احتمالا زندگی‌ش کم و بیش شبیه دو نسل قبل آمریکایی‌هاست. در واقع دهه‌ی 1920 یک دهه‌ی فوق‌العاده برای آمریکایی‌ها بود. ساخت آسمان‌خراش‌ها، اتومبیل‌های ارزان قیمت، رادیو، برق خانگی، لوله‌کشی آب و خیلی چیزهای دیگر. اما بعد از آن، آمریکایی‌ها با یک دهه‌ی مصیبت‌بار اقتصادی مواجه شدند. بورس‌ یک سقوط 87 درصدی را تجربه کرد. و بیکاری در 1932 به اوج خود یعنی 24 درصد رسید.حالا اگرچه دهه‌ی 2000 به لحاظ پسرفت و رکود به بدی دهه‌ی 1930 نیست. اما اگر نسبی نگاه کنیم چنین مقایسه‌ای بیراه نیست. از سال 1982 بورس داوجونز شاهد بزرگترین رشد خود بوده. جایی که ظرف یک بازه‌ی 18 ساله 15 برابر رشد کرده. و حالا در سال 2000 این رشد کاملا متوقف شده. این یعنی، احتمالا در پنجاه تا هفتاد سال آینده دیگر، چنین موجی را شاهد نخواهیم بود. و عمر آدم‌های الان هم به بعد از آن قد نخواهد داد. حتی اگر بپذیریم بواسطه‌ي افزایش سرعت رشد تکنولوژی، مطابق قانون مور (که پیش‌بینی می‌کند تعداد ترانزیستورهای تراشه‌های الکترونیک بطور سردستی هر دو سال دو برابر می‌شود) باز هم بعید است، به این زودی‌ها شاهد یک موج شکوفایی اقتصادی شبیه موج قبلی باشیم.احتمالا موج بعدی زمانی رخ خواهد داد که بخش قابل توجهی از میلیون‌ها سرمایه‌گذار آمریکایی که در سال‌های 2000 تا 2002 سرمایه‌ی خود را بر باد رفته دیدند، سالخورده یا مرده باشند.شاخص بورس داوجونز آمریکا در سده‌ی گذشتهخاطرات یک رویای از دست رفتهجای زخم «یک رویای بر باد رفته» می‌تواند تا سال‌ها با آدم باقی بماند، حتی اگر آن را نپذیریم. مثلا آیا برای شما اتفاق افتاده که یک دوست‌دختر یا دوست‌پسر پیدا کنید که خیلی از شما سرتر باشد؟ از لحاظ تیپ، قیافه، هوش، مایه‌داری و غیره؟ اینطور کیس‌ها اگر خوش شانس باشید احتمالا گیرتان می‌آید اما معمولا این رابطه‌ها دوام زیادی ندارد و وقتی که دو نفر از هم جدا می‌شوند، طرفی که بالادست بوده به راحتی و ظرف 48 ساعت رابطه را فراموش می‌کند و می‌رود سر ادامه‌ی زندگی‌ش! اما طرف دیگر احتمالا دچار شکست عشقی می‌شود و ماه‌ها یا سال‌ها این زخم با او خواهد ماند و شاید تا آخر عمر حسرت این رویای بر باد رفته را بخورد.میلیون‌ها آمریکایی در دهه‌ی 2000، در چنین وضعیتی به سر می‌برند. نه در شوک یک شکست عشقی بلکه در حسرت رویاهای اقتصادی که تا همین چند وقت پیش در چنگ آنها بود، اما دیگر هرگز نصیب آنها نخواهد شد. جان دوئر، سرمایه‌گذار افسانه‌ای بورس، رشد بی‌سابقه‌ی بورس در دهه‌ی ۹۰ را «بزرگترین اتفاق خلق پول قانونی در تاریخ» می‌خواند. در این دهه‌ بخش زیادی از خانواده‌های آمریکایی، برای چند سال پولدار شدند. حداقل روی کاغذ! و بسیاری هم امیدوار بودند که به یک ثروت فراوان برسند. در این سالها بورس بطور متوسط سالانه 15 درصد رشد می‌کرد. اما حالا همه‌چیز کاملا از دست رفته و بورس دچار یک رکود ناامیدکننده شده. درست مثل شکست عشقی از معشوق رویایی.حالا به این ملغمه، اضافه کنید 77 میلیون آمریکایی که در دوره انفجار جمعیت یعنی طی سال‌های 1946 تا 1964 به دنیا آمدند (اصطلاحا نسل بِی‌بی بومر خوانده می‌شوند). این نسل حالا یا در آستانه‌ی بحران میانسالی‌اند و یا بعضا حتی مغلوب این بحران. آن هم در زمانه‌ای که اقتصاد دنیا در شرایطی ناپایدار و پرتلاطم به سر میبرد. بنابراین برای خیلی از این نسل، زمان آن فرا رسیده تا «رویای آمریکایی‌»شان را بازنگری کنند و رویای دیگری را انتخاب کنند که شاید دست‌یافتنی‌تر باشد.مکانی برای خوشبختیهمانطور که بچه‌ها وقتی کمی بزرگتر می‌شوند باید با رویای بسکتبالیست شدن در تیم یانکی‌های نیویورک و یا با رویای ستاره‌ی هالیوود شدن خداحافظی کنند، حالا زمانه‌ایست که میلیون‌ها آمریکایی باید با رویای «زود بازنشسته شدن» و «آسودگی اقتصادی» و این چیزها خداحافظی کنند و به فکر چاره دیگری باشند.اما آیا این یعنی قید رویای خوشبختی را بزنند؟ نه. اما باید آنها را بازتعریف کنند!هر چند فیلسوف‌ها از زمان افلاطون تا حالا، میلیون‌ها تئوری و نظریه نوشته‌اند تا بگویند «خوشبختی» چیست، «رستگاری» کدام است و «منِ» ایده‌آل چیست. و از آن گذشته، میلیون‌ها مطلب و سخنرانی و کتاب و مقاله منتشر شده تا به ما بگویند چگونه به آنها برسیم. از جمله تمام کتاب‌های «چگونه فلان شویم و چگونه بهمان کنیم»، از آموزش روش‌های پولدار شدن و چگونه سالم ماندن و چطوری خوشگل شدن گرفته تا بقیه‌.با همه‌ی اینها این کتاب راجع به یک بُعد دیگر از خوشبختی است: مکان خوشبختی، و پاسخ به این سوال که آمریکایی‌ها «کجا» می‌توانند خوشبختی را پیدا کنند. «مکان خوشبختی» موضوعی‌ست که تا کنون خیلی کم، مورد توجه قرار گرفته و همیشه مسائل دیگری مثل پول و سلامتی و رژیم غذایی و تناسب اندام و اعتماد به نفس و قناعت و غیره، در اولویت بوده.با این حال «کجا بودن» بحث به شدت با اهمیتی‌ست. یک خرس قطبی بعید است بتواند توی یک جنگل بارانی خوشبخت شود! صرف نظر از اینکه چقدر چیزهای دیگر به کامش هستند. ما انسان‌ها هم مخلوقاتی هستیم وابسته به محیط زندگی، با تمام فاکتورهای طبیعی و اجتماعی‌اش. مثلا چند درصد از ما می‌توانیم تحت یک حکومت طالبان‌گونه، خوشبخت زندگی کنیم؟ یا آیا فکر می‌کنید توی شانگهای و توکیو می‌توانید به خوشبختی برسید؟ حتی اگر فرض کنیم مشکل زبانی هم نداشتید؟ پس برای پاسخ به این سوال، بیاییم موهبت‌ها و فرصت‌های کشور خودمان را بشمریم.برای رسیدن به رویای آمریکایی، سرزمین آمریکا با فاصله‌ی بسیار زیادی، غنی‌ترین مجموعه از مکان‌ها و گزینه‌های مختلف برای کار و زندگی را در بر دارد. می‌توان توی نیویورک زندگی کرد، یا دیگر شهرهای بزرگ پرجمعیت مثل بوستون، سانفرانسیسکو، شیکاگو. می‌توان شهر مورد علاقه را با توجه به وسعت، جمعیت، آب و هوا، گرایش سیاسی مردم انتخاب کرد (مثلا مردم پورتلند و اورگن، بیشتر لیبرال هستند اما در اوهایو و سینسیناتی مردم بیشتر گرایش محافظه‌کار دارند). یا می‌توان صنعت، قوانین مالیاتی، هزینه‌ی زندگی، پذیرش اقلیت‌ها و … را ملاک قرار داد. می‌توان توی مناطق کوهستان زندگی کرد یا نزدیک به دریاها و یا نزدیک به صحرا.خلاصه «محل زندگی» انتخابی‌ست بسیار مهم برای جستجوی خوشبختی.ادامه دارد ...Javad AmirianJavad AmirianSat, 16 Jan 2021 18:41:36 +0330https://virgool.ir/@amiryan.j/life-2-td9hsecvcyk4نویسنده : ریچ کارلگاردمترجم: جواد امیریانپیش مقدمهوقتی برای یک سفر سه هفته‌ای در آغاز سال 2020 به مکزیک رفته بودم با خانمی آمریکایی آشنا شدم به اسم کانی. کانی ۶۳ ساله که قبلا برای آمریکا و روی پروژه‌های توسعه‌ی دموکراسی کار میکرد، چند سالی بود که تمام زندگی‌اش را به مکزیک منتقل کرده بود. او حالا تنها در یک خانه‌ی بسیار بزرگ روستایی زندگی می‌کرد. البته نه چندان هم تنها. او هشت سگ و سه اسب داشت که بیشترشان معلول یا پیر بودند و بخاطر علاقه‌ی زیادی که به حیوانات داشت آنها را به سرپرستی گرفته بود.خانه‌ی کانی در مکزیککانی، کتابی را به من معرفی کرد به نام «زندگی 2.0: چطور مردم آمریکا در حال انتقال زندگی‌شان به جاهایی هستند که شادی‌شان آنجاست». این کتاب در سال 2004 توسط ریچ کارلگارد، نویسنده‌ و کارآفرین آمریکایی نوشته شده بود و توسط وال استریت ژورنال به عنوان یکی از پرفروش‌ترین کتاب‌های 2004 هم انتخاب شده بود.کتاب زندگی نسخه‌ی 2.0کتاب، در واقع ماجرای افرادی است در آمریکا که -با دلایل مختلف و به لطف پیشرفت فناوری ارتباطات و اینترنت- در حال مهاجرت از شهرهای بزرگ به شهرها و دهکده های کوچک هستند. فصل چهارم هم راجع به تجربه‌ی کانی است. برخی از این افراد مثل کانی، همان شغل قبلی‌شان را در قالب دورکاری ادامه می‌دهند، برخی هم با پتانسیل‌های موجود، بیزینس‌های جدیدی را شروع کرده‌اند.در بخش اول نویسنده سراغ افراد مختلفی می‌رود تا تجارب خود را در این زمینه منتقل کنند. در بخش دو هم نویسنده به تحلیل این مشاهدات می‌پردازد. در بخش سوم و آخر هم نویسنده کتاب، شهرهایی را در آمریکا معرفی می‌کند که میتوانند مقاصد خوبی برای مهاجرت به شهرهای کوچک باشند.من در حال ترجمه‌ی بخش‌هایی از این کتاب هستم و امیدوارم این ترجمه برای فارسی‌زبانانی که دغدغه‌ی مهاجرت معکوس دارند، (چه از تهران و دیگر کلان‌شهرها دیگر به شهرهای کوچک و روستاها، و چه از کشورهای توسعه‌یافته به میهن خود) حرف‌هایی برای گفتن داشته باشد.علاوه بر این با شروع پاندمی کرونا در دنیا، سبک جدیدی از زندگی و کار در حال شکل‌گیری‌ست که بیشتر به دورکاری و استفاده از تکنولوژی‌های ارتباطی‌ وابسته است. بنابراین ما احتمالا تغییرات بیشتری از این جنس را در سال‌های آتی خواهیم دید.مقدمهداستان از اینجا شروع میشود که نویسنده، (ریچ کارلگارد) از یکی از همکارانش در مجله ی فوربز می‌شنود که بسیاری از دوستانش در حال ترک سانفرانسیسکو هستند. اما به کجا؟ به پورتلند، ساکرامنتو، بویسی، شهرهایی به مراتب کوچکتر از سانفرانسیسکو!این رفتار اگر چه با توجه به رشد وحشتناک قیمت مسکن و اجاره خانه در سانفرانسیسکو، غیرمنتظره نیست؛ اما بعید است خانواده هایی که طعم زندگی در یک شهر پیشرفته و مدرن مثل سانفرانسیسکو را چشیده باشند، بتوانند در شهرهای کوچک دوام بیاورند. آنها نسبت به شهرهای کوچک معمولا نگاهی از تحقیرآمیز و از بالا به پایین دارند و حاضر به زندگی در این شهرها نیستند. و خلاصه چنین مهاجرت گله‌ای باید عوامل مهم دیگری هم داشته باشد.این اولین کتابی نیست که به این مدل مهاجرت در آمریکا پرداخته. پیش از این در 1991 و 1998 هم کتاب‌هایی به نام‌ Penturbia  و The Roaring 2000s هم پیش‌بینی کرده بودند که بواسطه‌ی تغییر شرایط اقتصادی در آمریکا و توسعه‌ی فناوری، این نوع از مهاجرت‌ها شتاب خواهد گرفت.حالا، در ابتدای دهه‌ی 2000 که ریچ در حال نوشتن کتاب است، تغییرات مهمی در جامعه‌ی آمریکا در حال رخ دادن است:1. به لحاظ اقتصادی: بورس آمریکا، بر خلاف رشد چشمگیرش در دو دهه‌ی گذشته وارد دوره‌ی رکودی شده که احتمالا تا چندین سال ادامه خواهد داشت. و با ظهور اقتصادهای چین و هند و دیگر کشورهای ارزان قیمت، وضع بازار کار و طبقه‌ی کارگر بد و بدتر خواهد شد. (چند سال بعد از این کتاب رکود اقتصادی بی‌سابقه‌ی 2008 اتفاق افتاد که از سال 1930 بی‌سابقه بود)2. در حوزه فناوری: اینترنت فراگیر شده و موتورهای جستجو مثل گوگل شرایطی را فراهم ‌می‌کنند که انجام کارهای پیشرفته و تخصصی در شهرهای کوچک تسهیل و تسریع شود.3. از نظر فرهنگی: شکاف بین مردم شهرهای بزرگ و کوچک، به لطف دسترسی به اینترنت، تلویزیون کابلی، رادیوی ماهواره‌ای و ... کمتر شده. در عین حال، در شهرهای کوچک نه تنها مسکن ارزانتر است بلکه رقابت مالی و چشم و هم‌چشمی که منجر به افزایش مخارج زندگی میشود هم کمتر است (مثلا فشار جامعه برای خرید ماشین گرانتر، مدرسه‌ی خصوصی بچه‌ها، سفر اروپا و غیره) که هزینه‌ی زندگی در شهرهای بزرگ را دوچندان کرده.4. به لحاظ توزیع جمعیتی: نسل میانسال‌ها یا بِی‌بی‌بومر ها که الان در سن 50 و خوردهای به سر می‌برند، بزرگترین نسل از جمعیت آمریکا را تشکیل می‌دهند. نسلی که از چندین جهت در فشار اقتصادی قرار دارد: از یک طرف هزینه‌ی دانشگاه بچه‌ها و از طرف دیگر هزینه‌ی مراقبت از والدین سالمند و همچنین نیاز خودشان به ذخیره‌ی پس‌انداز برای دوران بازنشستگی و غیره. چنین خانواده‌هایی غالبا به دنبال کاهش هزینه مسکن‌شان هستند.5. به لحاظ معنوی: مردم آمریکا در دوران ویژه‌ای به سر می‌بردند به چند دلیل: آنها شاهد یک اقتصاد پرتنش و بی‌ثبات هستند. از طرفی حادثه ی 11 سپتامبر سال 2001، یک حس ناامنی در جامعه بوجود آورده و از طرف دیگر جمعیت غالب در شُرُف پیر شدن هستند.خلاصه چنین شرایطی بخش قابل توجهی از جامعه آمریکا را از خواب بیدار می کرد تا به زندگی خود "معنا" ببخشند و آنها را از شهرهای شلوغ و سبک زندگی پرهزینه و رقابتی به شهرهای کوچک و آرام و روستایی طور می فرستاد.در بخش اول کتاب ریچ سوار بر یک هواپیمای شخصی کوچک بر فراز آمریکا می‌گردد و به روستاها و شهرهای کوچک سر می زند تا روند این مهاجرت‌ها را از نزدیک ببیند. در حین اینکه خودش در حال یادگیری خلبانی است. او با افراد زیادی ملاقات می‌کند و ماجرای هر کدام را روایت میکند:کانی پاراسکوای 48 ساله، که برای دولت آمریکا روی پروژه های توسعه‌ی دموکراسی کار می‌کند، به لطف پیشرفت تکنولوژی و اینترنت به زادگاهش "بیسمارک" برگشته تا هم نزدیک پدر و مادرش باشد و هم روی کارش تمرکز کند.دیک رش، فارغ التحصیل دانشکده اقتصاد هاروارد که از ماتریالیسم وال استریت خسته شده، به کمک هم کلاس‌ سابقش در ویسکانسین یک تولیدی لوازم خانگی راه انداخته. دیک حالا به عنوان مدیر عامل این شرکت همه‌ی کارکنانش را با مفاهیم اقتصادی آشنا کرده، افرادی که بعضا حتی دیپلم هم ندارند.دیو بارتون، که یک زمانی یک کارگزاری ابزارآلات صنعتی در کالیفرنیا راه انداخته بود، وقتی صاحب مِلک، اجاره‌ی او را سه برابر کرد و او توانایی پرداخت حقوق کارکنانش را نداشت این بیزینس را تعطیل کرد و حالا در پنسیلوانیا یک شغل های-تِک انجام می‌دهد.تونی سوتاک و همسرش مایک، هر دو متخصص «روابط عمومی» هستند. آنها هر روز بایستی ساعت چهار و نیم صبح بیدار می‌شدند تا در ترافیک سنگین سانفرانسیسکو به سیلیکون گیر نیافتند. آنها بعد از یک سفر تفریحی از جزایر کارائیب این فکر به ذهنشان رسید: چرا کلا در یک جزیره کوچک زندگی نکنیم؟ آنها نهایتا یک جزیره‌ی بسیار کوچک در نزدیکی هائیتی پیدا کردند و گفتند: همینه! همه چیزشان را در Bay Area فروختند و حالا در این جزیره کارشان را به صورت فریلنسری ادامه می‌دهند.جاناتان وبر، سردبیر مجله‌ی عصر دات کام (dot com era) که از ۷۰ ساعت کار در هفته خسته شده بود، حالا از سانفرانسیسکو به مونتانا آمده و در دانشگاه بصورت نیمه وقت تدریس می‌کند و با کمک اینترنت پرسرعتی که دارد همزمان راجع به شرکت‌های مخابراتی اروپا هم گزارش می‌نویسد. او هر چند هفته یکبار هم به اروپا سفر می‌کند تا بیشتر در متن ماجرا قرار بگیرد.ریچ کارلگارد، نویسنده‌ی کتاب، به زوجی اشاره می‌کند که از دالاس (یک شهر یک و نیم میلیونی) به یک شهر ۵۰ هزار نفری در تگزاس مهاجرت کرده‌اند؛ جایی که1. فاصله تا محل کارشان یک و نیم دقیقه‌ شده (بجای دو ساعت).2. فاصله شان تا باشگاه تنها چند کوچه است،3. سرعت اینترنت‌شان در محل کار و خانه به خوبی جوابگوی همه ی نیازهایشان است.4. بجای متری 1.5 دلار، متری 73 سنت اجاره خانه میدهند. هرچند درآمدشان هم کمی کمتر شده.5. و البته راندمان کاری و روابط خانوادگیشان به‌طرز بینهایت ارزشمندی بهبود پیدا کرده …ادامه دارد... ------پ.ن. بسیار خشنود و خوشحال می‌شم اگر اشکال یا ایرادی در ترجمه پیدا کردید به بنده اطلاع بدید.Javad AmirianJavad AmirianSat, 26 Dec 2020 01:28:22 +0330https://virgool.ir/@amiryan.j/انتخابات-آمریکا-2020-پاشنه-آشیل-نظرسنجیها-کجاست-je6wlkdd3zjg? مقاله‌‌ای درباره‌ی پبش‌بینی انتخابات ریاست جمهوری آمریکا، درست روز قبل از انتخابات، یعنی 2 نوامبر، روی مدیوم قرار گرفته که بسیار به واقعیت نزدیکتر است. درحالیکه بسیاری از پیش‌بینی‌ها حاکی از پیشتازی بایدن در ایالت‌های رقابتی بود، این پیش‌بینی فلوریدا، کارولینای شمالی، اوهایو، جورجیا و پنسیلوانیا (!) را مال ترامپ می‌داند و فقط یک پیروزی بسیار نزدیک را در میشیگان برای بایدن متصور است. https://medium.com/wick-research/predicting-2020-research-on-the-research-57ad9b7b3d5a این پیش‌بینی چه فرقی با بقیه دارد؟? دیوید بارل، نویسنده‌ی این مقاله و مدیر کمپانی Wick (که سالهاست نظرسنجی‌های مختلف برگزار می‌کنند) معتقد است، چیزی که این پیش بینی را متمایز می‌کند "متدولوژی" آنهاست. (یعنی نظرات شرکت‌کننده‌ها در این نظرسنجی با بقیه نظرسنجی‌ها فرقی ندارد. اما با لحاظ کردن برخی خطاها و بایاس‌ها، نتایج متفاوتی بدست می‌آید که به واقعیت نزدیکتر است)? دیوید می‌گوید وقتی هفته‌ی قبل انتخابات داشتم سخنرانی بایدن را می‌دیدم، سروصدای طرفدارهای ترامپ و بوق ماشین هایشان آنقدر زیاد بود که نمی‌شد صدای بایدن را شنید، من بشوخی با خودم گفتم احتمالا باید تعداد بوق‌ها را هم در پیش‌بینی‌هایمان حساب کنیم. این تنها جایی‌ست که آنها دیده می‌شوند! ? دیوید معتقد است: شما اگر یک نظرسنجی در یک کشور غیر دموکراتیک مثل چین یا کره شمالی برگزار کنید، احتمالا به نتایج درست و معتبری نخواهید رسید، که نماینده‌ی آراء همه‌ی مردم باشد. نبود آزادی بیان، بی‌اعتمادی به طرف مقابل و از طرفی هم پروپاگاندای رسانه‌ها، این نظرسنجی را از درجه اعتبار ساقط می‌کند. همین مساله با کمی تغییر شکل الان در آمریکا شکل گرفته، جایی که:1⃣ اگر گروهی احساس کند عقاید و نظراتش، بر خلاف جو حاکم بر جامعه و رسانه‌هاست، احتمالا از ابراز آزادانه‌ی آنها خودداری می‌کند، چون بازخورد بسیار بدی از جامعه دریافت می‌کند (مثلا اگر کسی تمایل به نژادپرستی داشته باشد، آن‌را مستقیما بیان نمی‌کند، اما با همین تفکر توی انتخابات شرکت می‌کند و به کاندیدای نژادپرست رای می‌دهد) 2⃣ یا اگر رسانه‌ها عامدانه به سانسور اطلاعات و خبرها بپردازند و اطلاعات اشتباه به خورد مردم دهند، مردم - برای شرکت در نظرسنجی - به آنها اعتماد نخواهند داشت.? در نتیجه دیوید تصمیم می‌گیرد تغییراتی در محاسباتش انجام دهد که این موارد در آن لحاظ شده باشد. آنها همچنین متوجه می‌شوند که چند خطای رایج نظرسنجی‌ها را تهدید می‌کند:1⃣ تعداد شرکت‌کنندگان تحصیل‌کرده در نظرسنجی‌ها بیشتر از آمار واقعی جامعه است. (این بایاس باعث می‌شود تاثیر طرفداران بایدن در نظرسنجی‌ها بطور اشتباهی بزرگتر شود) 2⃣ نرخ شرکت‌کننده‌هایی که در "رای‌گیری غیابی‌" شرکت کرده‌اند بیشتر از نرخ واقعی است (می‌دانیم که بیشتر طرفداران بایدن، به رای‌گیری غیابی تمایل داشتند.)3⃣ تعداد زیادی از "مهاجران طبقه‌ی کارگر" که طرفداری‌شان از ترامپ 2 تا 3 برابر شده بود، در نظرسنجی‌های سنتی دست کم گرفته شدند و فکر می‌کردند در اقلیت قرار دارند.?با در نظر گرفتن این خطاها و اصلاح آنها، نتایج نشان می‌داد ترامپ 2.9% در فلوریدا، 2.2% در کارولینای شمالی، 3% در اوهايو و بیش از 2% در جورجیا و پنسیلوانیا از بایدن جلوتر است. جایی که اکثر نظرسنجی‌ها اشتباها بایدن را پیروز این ایالت‌ها میدانستند.ایالت‌های نظرسنجی شدهجواد امیریان زانکوt.me/zankoo_aiJavad AmirianJavad AmirianThu, 05 Nov 2020 17:21:17 +0330https://virgool.ir/@amiryan.j/رباتهای-قاتل-gw5nbfkm4zzr۱. ربات‌هایی که برای کشتار آزاد می‌شوند!ویدیوی زیر را احتمالا قبلا دیدید: یک فیلم تخیلی کوتاه، اما فوق‌العاده ترسناک. راجع به اینکه ربات‌ها چگونه میتوانند به سلاح‌های بی‌رحمی تبدیل شوند تا جان آدم‌ها را بصورت "هوشمند" هدف قرار دهند. https://www.youtube.com/watch?v=9CO6M2HsoIA&vl=en قسمت آخر ویدیو هم سخنان استوارت راسل است، استاد سرشناس هوش مصنوعی دانشگاه برکلی که کتابش در بسیاری از دانشگاه‌های ایران هم تدریس میشود. راسل راجع به توسعه‌ی «ماشین‌های قاتل» هشدار میدهد: "آنها میتوانند امنیت و آزادی ما را هدف قرار دهند."احتمالا شما هم شنیده‌اید که این فناوری‌ها (ربات‌های قاتل/ سلاح‌های هوشمند) به این فیلم تخیلی محدود نمی‌شوند. در واقع تحقیقات زیادی در زمینه ربات‌های نظامی‌ در حال انجام است و بعضا به مرحله‌ی محصول هم رسیده‌اند. مثلا نیروی هوایی آمریکا پیش‌بینی کرده، که تیم‌های ضربت، در عملیات‌های گروگان‌گیری، در آینده از ربات‌های بسیار کوچکی (در ابعاد یک حشره) که به دوربین مجهزند استفاده خواهند کرد. یا مثلا «واحد تحقیقات پیشرفته وزارت دفاع» آمریکا یا همان DARPA از پروژه‌ای به نام OFFSET نام می‌برد که در آن دسته‌هایی از 250 ربات پرنده در پروژه‌های پیچیده نظامی شرکت خواهند کرد؛ و برای همین در حال تحقیق روی رفتارهای گروهی پرنده‌ها، ماهی‌ها، حشره‌ها و انسان‌ها هستند.در لینک زیر تعدادی از پروژه‌های رباتیک در حوزه‌ی نظامی را میتوانید ببینید: https://eandt.theiet.org/content/articles/2018/11/military-by-nature-biomimetic-inspiration-for-future-armies/ یک اتفاق جالب دیگر، رمانی به نام Ghost Fleet (ناوگان اشباح) است که در سال 2015 چاپ شده. این کتاب، جنگ آمریکا با چین و روسیه را در آینده‌ای نزدیک به تصویر می‌کشد. با توصیفاتی از ربات‌های پرنده، سلاح‌های لیزری و غیره. جالب اینجاست که این کتاب بهیچ وجه یک رمان فانتزی معمولی نیست. نویسنده(ها) در نقطه به نقطه‌ی کتاب، پانویس‌هایی قرار داده‌ و به مقاله‌ها و مستنداتی واقعی اشاره می‌کنند که این سخت‌افزارها و نرم‌افزارهای جنگی هوشمند، واقعا در حال توسعه هستند!۲. ربات‌های قاتل کدامند؟اولا خوب است اشاره کنیم هوشمندی در حوزه ادوات نظامی، چیز خیلی جدیدی نیست. مثلا برخی تانک‌های نظامی مثل مرکاوا (اسراییل) و ابرامز (امریکا)، یک سیستم دفاعی (بنام تروفی Trophy) وجود دارد که خمپاره‌ / آرپی‌جی یا تهدیداتی که به سمت آن می‌آیند را شناسایی، ردیابی و منهدم می‌کند. تمام این مراحل بدون دخالت انسان و حتی قبل از اینکه سرنشین از وجود تهدید باخبر شود، انجام شده است. سیستم‌های مشابهی در ناوهای جنگی هم وجود دارد و دهه‌هاست که استفاده می‌شود.اما میتوان این گونه سیستم‌های دفاعی را با ترمز خودکار یک اتومبیل پیشرفته مقایسه کرد که عملکردی کم و بیش دفاعی و واکنشی دارند. منظور از ربات‌های قاتل، سلاح‌هایی است که بطور هوشمند عمل ‌می‌کنند: چیزی که با نام Lethal Autonomous Weapons Systems یا به اختصار LAWs (ترجمه: سامانه‌ی سلاح مرگبار خودکار) می‌شناسیم. چنین ربات یا سامانه‌ای می‌تواند زمینی/هوایی/دریایی یا ... باشد.ربات پرنده‌ی مرگبار (از فیلم ربات‌های قاتل)خودکار یا تمام-خودکار؟این یک سوال بسیار مهم است. اگر چه تعریف LAWs شامل تمام سلاح‌هایی می‌شود که از دخالت انسان در آن خبری نیست تا سلاح‌هایی که تایید حمله یا شلیک نهایی با انسان است. اما آن چه جامعه‌ی جهانی از آن وحشت دارد بیشتر دسته‌ی اول است. اما بیایید ببینیم منظور از هوشمندی در کدام بخش از اجزای این سیستم است:در واقع قابلیت «هدایت و حرکت» اتوماتیک که بخش مهمی از هوشمندی ربات‌ها را تشکیل می‌دهد دهه‌هاست که در هواپیماها تحت عنوان اتوپایلوت در حال استفاده است. و یا در خودروهای بدون راننده نیز در حال توسعه است. اما شاید دو فرایند «شناسایی هدف» و «شلیک» بیشتر بحث‌برانگیز باشند.راجع به «شناسایی یا تشخیص» هم فناوری‌های زیادی وجود دارد. مثل تشخیص هواپیمای نظامی/تانک/موشک از روی سیگنال‌های رادیویی، رادار، دوربین و ...اما تشخیص اهداف پیچیده‌تر قابل بحث است. مثل تشخیص انسان یا از آن پیچیده‌تر تشخیص یک رزمنده (در حال جنگ) از سربازی کسی که زخمی شده (و بطور اخلاقی و قانونی نباید هدف قرار گیرد). با وجود تمام پیشرفت‌های هوش مصنوعی، هنوز این سیستم ها مشکلات زیادی در مواجهه با شرایط جدید و پیش بینی نشده دارند. نمونه‌های این باگ‌ها و مشکلات در خودروهای بدون راننده فراوان است. و در نهایت موضوع «شلیک» و تصمیم‌گیری نهایی برای «اقدام» بحث‌برانگیزترین بخش ماجراست. با فرض اینکه انتخاب و شناسایی هدف به درستی انجام شده باشد، آیا یک ماشین اجازه‌ی این را دارد تا به انتخاب خودش ماشه را علیه یک انسان بکِشد؟ https://news.cnrs.fr/opinions/a-guide-to-lethal-autonomous-weapons-systems ۳. موافقین و مخالفین چه می‌گویند؟ * بعضی از طرفداران این تکنولوژی مثل دکتر Ronald Arkin، استاد جورجیاتک، معتقدند ربات‌ها مانند انسان احساس ندارند و در نتیجه فاقد صفاتی مثل خشم، سادیسم و بی‌رحمی اند. بدین ترتیب آنها می‌توانند رفتارهای منطقی‌تری انجام دهند و حتی می‌توان آنها را برنامه ریزی کرد تا از کدهای اخلاقی پیروی کنند (مثلا یک کودک را هدف قرار ندهند) و با این کار انسان‌ها را از چرخه‌ی تصمیم گیری (برای شلیک) حذف کرد. * در سمت دیگر مخالفان این سلاح‌ها معتقدند این فناوری مخالف با «اصول انسانیت» و «وجدان عمومی» است.* برخی از طرفداران در ایالات متحده، با این توضیح که سلاح‌های هوشمند، باعث افزایش دقت و بازدهی در عملیات‌های نظامی می‌شود، طرفدار توسعه و استفاده‌ی آنها هستند. * جودی ویلیامز، که «کمپین توقف ربات‌های قاتل» را راه انداخته، معتقد است وقتی شما به یک نفر حمله می‌کنید، آن طرف باید امکان واکنش و تقابل را داشته باشد. در حالی که ربات‌های قاتل یک جنگ نابرابر را ایجاد می‌کند. * کریستین فیر، استاد دانشگاه جورج‌تاون آمریکا، که حوزه‌ی کاریش مقابله با تروریسم است، از ربات‌های پرنده‌ی نظامی و تجربه‌ی استفاده از آنها در پاکستان دفاع می‌کند و می‌گوید "این تکنولوژی (هواپیماهای جنگی بدون سرنشین) حتی مورد استقبال مردم پاکستان قرار گرفته در حدی که برخی از آنها این ربات‌ها را «ابابیل» می‌نامند." و سپس به سوره‌ی فیل در قرآن اشاره می‌کند، و داستان حمله‌ی پرنده‌ها به فیل‌هایی را که قصد حرکت به سمت کعبه را داشتند!اگر به این بحث علاقمندید، این مستند (سی دقیقه‌ای) را از دست ندهید: youtu.be/0M4JMhXNNOg ۴. آیا قوانین میتوانند به داد دنیا برسند؟ در چند سال اخیر، تلاش‌های زیادی انجام شده تا برای نجات دنیا از "سلاح‌های هوشمند" راهکارهای حقوقی اندیشیده شود. مثلا تعدادی ان‌جی‌او دست به کار شده‌اند از جمله "کمپین مبارزه با ربات‌های قاتل" که از سال 2013 شکل گرفته و تا کنون توانسته‌اند سازمان ملل را متقاعد کنند که برای این مساله نشست‌هایی تشکیل دهد. شاید بتوان گفت اهمیت این مساله کمتر از گرمایش زمین یا حتی سلاحهای میکروبی نیست، از آنجا که تهدیدی پیچیده و غیر قابل پیش بینی علیه بشریت ایجاد می‌کنند. در گذشته، بارها اتفاق افتاده که کشورها دور هم جمع ‌شوند و توافقنامه‌های برای ممنوعیت سلاح‌هایی خاص امضا کنند. مثلا «کنوانسیون سلاح‌های متعارف مشخص» یا CWC، ممنوعیت‌هایی برای دسته‌های خاصی از سلاح‌ها در نظر گرفته شده: سلاح‌های شیمیایی، اتمی و یا بیولوژیک. برخی‌ سلاح‌ها هم کنوانسیون‌های بین‌المللی علیه شکنجه را نقض می‌کنند مثل «سلاح‌های لیزری کور کننده» یا سلاح‌هایی که دشمن را می‌تواند زنده زنده بسوزاند و کشورهایی که از آنها استفاده می‌کنند باید از جامعه‌ی بین‌الملل طرد شوند.متاسفانه راجع به سلاحهای هوشمند تا کنون هیچ توافق جامعی بدست نیامده، اگرچه بحث‌های زیادی شکل گرفته. از جمله، "جنبش غیرمتعهدها" یا NAM که متشکل از 120 کشور (غالبا در حال توسعه) است، خواستار ایجاد قوانینی و ممنوعیت‌هایی در این زمینه شده. در جایی دیگر هم تنها 30 کشور خواستار ممنوعیت کامل این سلاح‌ها شده‌اند، که هیچ کدام از آنها از قدرت‌های نظامی دنیا و یا از کشورهای پیشرو در رباتیک نبودند.‌ آمریکا، چین و روسیه، هر سه مخالف چنین توافقی هستند. چین قانونی پیشنهاد داده که فقط استفاده (و نه توسعه و تولید) این سلاح‌ها را منع می‌کند. این در حالیست که خود چین یکی از پرچم‌داران توسعه‌ی این سلاح‌هاست!- [گزارش دیدبان حقوق بشر]آمریکا، چین، اسرائیل، کره جنوبی، روسیه و انگلستان از توسعه دهندگان اصلی سلاح‌های هوشمند هستند. این کشورها غالبا استدلال می‌کنند که هدفشان از این کار «بازدارندگی» است. و نمیخواهند از رقیبان خود عقب بمانند. این فناوری همچنین در بیش از سی کشور دنیا استفاده می‌شود، از جمله برخی کشورهای خاورمیانه. با تمام این اوصاف، بسیار بعید به نظر می‌رسد که قدرت‌های نظامی، در این رقابت تسلیحاتی، کوتاه بیایند و این یعنی آینده‌ی نگران کننده‌ای را در پیش خواهیم داشت، که "رباتهای قاتل" برای دنیا رقم خواهند زد.جواد امیریانJavad AmirianJavad AmirianTue, 27 Oct 2020 17:16:39 +0330https://virgool.ir/@amiryan.j/تبعات-هوش-مصنوعی-iz6xn7nn5m7iاخیرا مطلبی رو می‌خوندم راجع به موضوع «تشخیص چهره». توی مقدمه‌ی این مطلب درباره‌ی «کاربردها و فوائد» این تکنولوژی صحبت شده بود و یکی از مثالهاش این بود: «پلیس چین با کمک ابزارهای تشخیص چهره توانسته یک مجرم حرفه‌ای را در میان یک کنسرت پاپ دستگیر کند.»استفاده از فناوری تشخیص چهره در چینهر چند این مورد، مثال خوبیه از کارکردهای مثبت تکنولوژی، اما برعکس، توجه منو به ابعاد منفی این تکنولوژی جلب کرد. چون دولت چین همزمان با همین تکنولوژی داره فعالیت‌های مسلمانان اویغور رو نظارت میکنه و اونها رو تحت فشار قرار میده. بنابراین ما باید جنبه‌ها و اثرات منفی تکنولوژی‌ها رو هم بشناسیم و همین باعث شد وقتی رو اختصاص بدم و راجع به تبعات منفی تکنولوژی بر جامعه و مخصوصا اثرات اخلاقی‌ش مطالعه کنم. طبیعتا همه ما دوست داریم که هوش مصنوعی و سایر تکنولوژی‌ها، دنیا رو برای ما جای راحت‌تر و امنتری کنه. افزایش بازدهی رفت و آمد و حمل و نقل، کمک به تشخیص بیماری‌ها، بهبود ترجمه‌ و ارتباطات و ... مثالهای ملموسی هستند از اینکه هوش مصنوعی چقدر تا حالا فایده داشته و یا خواهد داشت. اما با این وجود، تبعات و جنبه‌های منفی گسترده‌ای هم میتونه داشته باشه که میخایم چند تاشون رو با هم مرور کنیم:۱. بیکاریاولین و واضحترین پیامد اتوماسیون، از کار بیکار کردن آدمهاست. و هوش مصنوعی در حال حاضر متهم ردیف اول این ماجراست. اگر ماشین سنگین‌ها در آینده هوشمند یا اصطلاحا «خودران» بشند (همونطور که ایلان ماسک در نظر داره)، چه تعداد شغل در همین ایران خودمون از بین خواهد رفت؟ (خیلی! ما در سال 1391 نزدیک به 600 هزار راننده‌ی کامیون باری و 200 هزار راننده‌ی اتوبوس (در ایران) داشته‌ایم و اینها بخش مهمی از بازار کار رو تشکیل میدن)البته از اون طرف قضیه به این عددها نگاه کنید: طبق آماری که مربوط به سال 1377 هست:«بیش از 30 درصد کشته‌های جاده‌ای کشور (معادل 8000 نفر در سال) مربوط به تصادفات کامیونهاست و تعداد کشته‌های تصادفات کامیونها به ازای هر 1000 خودرو سنگین در کشور 14.9 نفر می‌باشد.»این آمار بسیار فاجعه‌بار و دردناکه و اگر فرض کنیم این فناوری، منجر به کاهش خطاهای انسانی و تصادفات جاده‌ای میشه بایستی اون رو اوجب واجبات دونست، حتی مهمتر از نان شب راننده‌ها!۲. نابرابری و اختلاف طبقاتیجدای از بیکاری، کاهش وابستگی صنایع به نیروی انسانی به دلیل اتوماسیون، باعث میشه رقابت بین کارگرها بیشتر بشه و در نتیجه درآمد کارگر کاهش پیدا کنه یا حداقل رشد نکنه. در مجموع اگر نگاه کنیم، میبینیم سود صنایع بیشتر به جیب سرمایه‌دار ریخته میشه و شکاف طبقاتی افزایش پیدا میکنه.همین الان استارت آپ‌ها در زمینه‌های مختلف از جمله هوش مصنوعی، بخش‌های قابل توجهی از بازار رو قبضه کردند و سهم صنایع و بیزینس‌های دیگه رو کوچیک و کوچیکتر میکنن.۳. تاثیر روی اخلاق و سبک زندگی آدم‌هایکی از پیامدهای منفی فناوری که البته ما خیلی بهش حساس نیستیم، تاثیراتش بر روی رفتار و اخلاق آدمهاست. همون‌قدر که فناوری، رفاه رو برای ما به ارمغان میاره، «انتظارات» ما رو از محیطمون افزایش میده. و ما رو به انسانهایی کم حوصله و با درک متقابل پایین، تبدیل میکنه.مثلا همون‌طور که ظهور پدیده‌ی شبکه‌های اجتماعی، به‌ویژه «فیسبوک» باعث افزایش معنی‌دار تعداد طلاق زوج‌ها شده، چت‌بات‌ها و حتی سکس‌بات‌ها میتونن چالش جدیدی پیش روی انسان‌ها بگذارند. چه کسی یک رابطه‌ی (عاطفی/جنسی) بی نقص و البته بدون تعهد با یک ربات رو با یک رابطه‌ی انسانی عوض خواهد کرد؟۴. حماقت مصنوعی! (ترجمه‌ی artificial stupidity)یکی از چالش‌های اصلی سیستم‌های یادگیری ماشین مثل شبکه‌های عمیق، اینه که ممکنه اونها به راحتی گول بخورند. مثلا یک سیستم هوش مصنوعی ممکنه یک تصویر با تعدادی نقطه‌ی سیاه رو به عنوان تصویر یک انسان تشخیص بده. این مشکل از اونجا ناشی میشه که این سیستم‌ها قبلا چنین ورودی هایی رو هیچ‌وقت تجربه نکردند و برای حالات بسیار ساده و احمقانه آماده نشدن. حالا فرض کنید چنین سیستم هوشمندی! چطور میتونه یک وظیفه حساس و مهم، مثل امنیت جان انسانها رو بر عهده بگیره. بنابراین ما نباید سیستمهای هوش مصنوعی رو بدون مطمئن شدن از باگ ها و حماقت هاشون، قدرت ببخشیم.۵. رباتهای نژادپرستیکی از ویژگی سیستمٰ‌های هوشمند نسل جدید اینه که به شدت مبتنی بر «داده»اند. یعنی برخلاف سیستمهای سنتی‌ مثل «سیستم‌های خبره» فرضیات انسانی در این سیستمها حداقل شده و فقط این داده‌ها اند که فرضیات و مدل سیستم رو می‌سازند. حالا اگر این داده ها خودشون حاوی بایاس باشند، نتایجی که ارائه میدند خالی از بایاس و تبعیض نیست. مثلا فرض کنید سیستم هوشمند طراحی کردیم که از بین لیست تمام متقاضیان برای یک شغل، افراد شایسته رو انتخاب میکنه و پیشنهاد میده. حالا اگر داده‌های خورانده شده به این سیستم دارای توزیعی باشند که مثلا متقاضیان اصفهانی رو به کرمانشاهیها ارجحیت میده! این سیستم ممکنه توی نتایجش دچار نوعی از نژادپرستی بشه و شانس یکسانی رو به دو قومیت مختلف اختصاص نده!۶. تهدیدهای امنیتیهر قدر یک تکنولوژی قوی‌تر میشه، بیشتر ممکنه ابزاری بشه برای مقاصد غیرانسانی و جنگی. همین الان یک رقابت تسلیحاتی در دنیا بوجود اومده بر سر توسعه‌ی رباتهای پرنده برای اهداف خرابکارانه. این موضوع میتونه خطرات زیادی رو برای بشریت به همراه داشته باشه. صرفنظر اینکه این فناوری به کمک جبهه‌ی حق خواهد اومد یا جبهه‌ی باطل، توسعه‌ی سلاح‌ چیزی جز کشته شدن بیشتر انسانها رو به همراه نداره.۷. ترمیناتورهاتسلیحات مبتنی بر هوش مصنوعی نه تنها میتونه توسط انسانها مورد استفاده قرار بگیره، بلکه ممکنه خود ماشین‌ها باشند که امنیت انسانها رو هدف قرار بدند. هر چند خطر حمله ماشین به انسانها فعلا در حد فیلم‌های هالیوودی مثل ترمیناتوره; اما ما همچنین با خطرهای دیگه‌ای مواجهیم که ممکنه حاصل خطا و باگهای یک سیستم باشه که اون رو به یک تهدید بزرگ تبدیل کنه.سیستمی هوشمندی رو فرض کنید که برای ریشه کن کردن سرطان طراحی شده، اما در عوض بیمارهای سرطانی رو بکشه! چون از نظر سیستم، این یک راه بدیهی برای ریشه کن کردن سرطانه. و طراحانش چنین چیز رو در نظر نگرفته باشند.*۸. سینگولاریتیهر چند راجع به این موضوع بعدا به تفصیل خواهم نوشت! اما بطور خلاصه موضوع اینه که از زمان پیدایش هوش مصنوعی و البته عمدتا به دلیل رویاپردازی دانشمندها، برخی‌ها معتقدند که روزی میرسه که ماشینها به لحاظ هوشمندی از انسانها جلو میزنند و میتونن جهان و تمام انسانها رو به کنترل خودشون در بیارن. همونطور که انسان، اشرف مخلوقات شده و تونسته تموم حیوانات رو به تسلیم خودش دربیاره، ماشینها هم ممکنه روزی با ما همین کار رو بکنند!۹. حقوق رباتهاآیا ما حق داریم رباتها رو بکشیم؟ ممکنه سوال مسخره‌ای به نظر برسه، مثلا شما چرا نباید بتونید گوشی موبایل‌تون رو دور بندازید و یک گوشی جدید بخرید؟ اما در آینده ای که ماشین‌ها قادر به دیدن، حس کردن و رفتار کردن هستند، آیا این اخلاقیه که ما یک ماشین رو متوقف کنیم و زندگی‌ش رو بگیریم؟ اگر این موضوع برای شما خنده‌دار به نظر میرسه، حتما فیلم «هوش مصنوعی» اثر استیون اسپیلبرگ رو ببینید تا شما هم با این چالش اخلاقی روبرو بشید که «آیا باید حقوق رباتها رو رعایت کرد؟»برگرفته از مقاله World Economic Forumbit.ly/33n3K4bجواد امیریانJavad AmirianJavad AmirianWed, 30 Sep 2020 19:15:47 +0330https://virgool.ir/@amiryan.j/dunning-kruger-lwppgchckfu9در آپریل 1995، یک خلافکار آمریکایی بنام مک‌آرتور ویلر، مقداری آبلیمو به صورتش می‌مالد و شبانه به دو بانک در پیتسبورگ دست‌بُرد می‌زند. ویلر نابغه! فکر میکرده که آبلیمو باعث می‌شود چهره‌اش در تصاویر دوربین مداربسته نامرئی شود، به همان علتی که از آبلیمو بعنوان جوهر نامرئی برای نوشتن روی کاغذ استفاده می‌کنند!!! وقتی هم پلیس با بازبینی دوربین‌ها او را شناسایی می‌کند و سراغش می‌رود ویلر می‌گوید: "اما من که به صورتم آبلیمو زده بودم؟!!!" او حتی ادعا می‌کرده که قبل از سرقت، ایده‌اش را با دوربین خودش تست کرده و جواب هم گرفته!بهرحال داستان ویلر سر زبان‌ها می‌افتد و او بعنوان یکی از "احمق‌ترین" تبهکارها شناخته می‌شود تا این که دکتر دانینگ، پروفسور روانشناسی دانشگاه کورنل و دانشجویش جاستین کراگر، متوجه می‌شوند، ویلر یک مثال فوق‌العاده برای پدیده‌ای‌ست بنام "اثر دانینگ-کراگر".اما اثر دانینگ-کراگر چیست؟بطور خیلی ساده، این اثر، "عدم شناخت آد‌م‌ها از  توانایی‌هایشان را نشان می‌دهد." بطوریکه آدمهایی با توانایی‌ بسیار پایین، معمولا فکر می‌کنند خیلی بیشتر از همه بلدند، و در عین حال، آدمهایی که واقعا خیلی بلدند، متوجه نیستند چقدر بیشتر از دیگران توانایی دارند و تصور می‌کنند هر چیزی که بلدند را احتمالا بقیه هم می‌توانند یاد بگیرند یا انجام دهند.دانینگ و کراگر در مقاله‌ای که در 1999 منتشر کردند، به این نتیجه رسیدند، که آدم‌های احمق، معمولا در ارزیابی 'خود' دچار اشتباه می‌شوند و آدم‌های باهوش، در ارزیابی 'دیگران'. آنها آزمایشی را بر روی چهار دسته شرکت‌کننده انجام دادند تا بدانند در موضوعاتی مثل "منطق"، "گرامر" و "شوخ‌طبعی" چه ارزیابی از خود دارند. بطرز خارق‌العاده‌ای نتایج تقریبا یکسان بود و از منحنی زیر پیروی می‌کرد :منحنی دانینگ-کراگرما آدمها، وقتی راجع به موضوعی اطلاعات اولیه‌ای کسب می‌کنیم، بسرعت به یک اعتماد بنفس کاذب می‌رسیم، چیزی که به آن "قله‌ی حماقت" می‌گویند. در این حالت ما فکر می‌کنیم، خداوندگار آن کار هستیم و فقط ماییم که اینقدر خوب می‌فهمیم! اما به محضی که بیشتر، وارد موضوع می‌شویم و عمق قضیه را می‌فهمیم، و می‌بینیم مساله چقدر پیچیده است، این اعتماد به نفس فرو می‌ریزد و ما را با نوعی کمبود اعتماد به نفس مواجه می‌کند. وضعیتی که به آن "دره‌ی ناامیدی" می‌گویند. مثلا معروف است که این معضل در بین دانشجویان دکترا دیده می‌شود، جایی که آنها راجع به یک موضوع، بسیار بیشتر از آدم‌های معمولی می‌دانند، اما کماکان احساس بی‌سوادی می‌کنند!البته تحقیقات دانینگ و کراگر نشان می‌داد که با یادگیری و مطالعه‌ی بیشتر، این خلا جبران می‌شود و فرد اعتماد به نفس بیشتر و بیشتری بدست می‌آورد.احمق‌ها معمولا بیشتر فریاد می‌زنند!نکته‌ی غم‌انگیز اثر دانینگ-کراگر اینجاست: کسانی که بیشتر از همه فریاد می‌زنند، "غالبا" کمتر از همه می‌دانند. احتمالا نیازی به آوردن مثال نیست!!!البته روی "غالبا" یک تاکید ویژه باید کرد. زیرا ممکن است کسی واقعا دانش و آگاهی خوبی هم داشته باشد و در سمت راست این منحنی باشد.جواد امیریانJavad AmirianJavad AmirianTue, 08 Sep 2020 13:41:48 +0430https://virgool.ir/@amiryan.j/آمار-بازدید-مطالب-من-در-سال-۹۸-icrhyijmaltuاگر دستاوردی را نتوانم اندازه بگیرم، چیزی در دست ندارم.اشتباه نشود، این به معنای تمایل به بهترین بودن و یا میل به اثبات چیزی نیست، اما تنها چیزی که می‌تواند برای بهتر شدن به من کمک کند یک نقشه راه است، از مسیری که طی کرده‌ام، تا بدانم چه اثری از خود به جا گذاشته‌ام. یک تصویر کلی که بتواند خیلی ساده نشانم دهد تلاش من چه اثری بر جامعه‌ام گذاشته است.ویدیوی آمار مخاطبین من را ببینید: https://cdn.virgool.io/annual-report/1398/nk6e1zaygcz2-suli4.mp4 دستاوردهای من در سال ۹۸در سال ۹۸، من در مجموع ۱۰ پست در ویرگول منتشر کردم و پست‌های من ۱۳۷ مرتبه لایک شدند و افراد ۲۹ بار نظرات خود را روی پست‌های من به اشتراک گذاشتند. امسال ۷۳ نفر در ویرگول من را دنبال کردند تا پست‌های بعدیم را بخوانند. اما چیزی که این دستاورد را ارزشمندتر می‌کند اثری است که این پست‌ها از خود به جا گذاشتند.اثر پروانه‌ای منطبق آمار ۱,۸۹۸ بار پست‌های من خوانده شدند و زمانی حدود ۷۲۹,۱۹۹ ثانیه صرف مطالعه آنها شده است، که با توجه به جمعیت ۷۲٬۹۴۰٬۰۰۰ نفری که در ایران به اینترنت دسترسی دارند، من توانستم حدود ۰/۰۰۹۹۹۷ ثانیه، سرانه مطالعه دیجیتال کشور را بالا ببرم. عددی که با تمام کوچک بودنش، اثر بزرگ و ارزشمندی است.اما این عددها فقط توضیحی است از آنچه که برای مخاطبانم به ارمغان آورده‌ام، اثر ارزشمند‌تری که با نوشتن در ویرگول از خود به جا گذاشته‌ام، تلاش پنهانی بوده که برای حفظ محیط زیست کرده‌ام. من با انتشار پست‌های خودم در فضای ویرگول توانستم در مصرف کاغذ صرفه جویی کنم؛ یعنی اگر قرار بود پست‌هایم را چاپ و به دست تک تک خوانندگان برسانم باید ۱۱,۰۴۴ کاغذ مصرف می‌شد.Javad AmirianJavad AmirianWed, 25 Mar 2020 21:45:16 +0430https://virgool.ir/@amiryan.j/نخبههای-چینی-در-حال-خرید-بلیت-بازگشت-به-وطن-j9yfwr0p7eeoموج مهاجرت معکوس دانشمندان چینی سال‌هاست که شروع شده و با حمایت دولت، در حال شتاب گرفتن است.بلومبرگ می‌نویسد: سرمایه‌گذاری چین در بخش آموزش و توسعه‌ی امکانات، باعث شده تحصیلکرده‌های چینی، در خارج از کشور، برای بازگشت، وسوسه شوند.آدام مینتر، نویسنده بلومبرگ، در مقاله‌ای به پروژه‌ی FAST (تلسکوپ بزرگ چین) اشاره می‌کند که دقیق‌ترین و بزرگترین تلسکوپ روی کره زمین (با قطر 500 متر) محسوب می‌شود. آدام معتقد است بزرگترین دستاورد این پروژه‌ی ١٨٠ میلیون دلاری، چیزی نیست جز بازگشت نخبه‌ها از خارج! تلسکوپ چینی FASTطبق تحقیقی که اواخر سال 2019 منتشر شده، بازگشت نخبه‌ها از آمریکا به چین از سال 2010 تا سال 2017 نزدیک هفتاد درصد رشد داشته. اگرچه آدام اشاره کرده که دلایل این مهاجرت معکوس، پیچیده و چندوجهی است اما این سرمایه‌گذاری‌ها در چند دهه اخیر روی بخش تحقیقات و توسعه، چینی‌های بیشتری را به خانه خواهد کشاند. اتفاقی که دست‌آوردهای اقتصادی، فرهنگی و ژئوپولتیک به دنبال خواهد داشت.تعداد دانشجویان چینی که به خارج می‌روند و برمیگردند ref: Returning scientists and the emergence of China’s science systemدر واقع موج مهاجرت نخبه‌های چینی از دهه‌ی هفتاد میلادی آغاز شده، جایی که رهبر رفرمیست چین، دنگ شیائوپینگ هزاران دانشجو را به کشورهای غربی فرستاد با این امید که بخشی از آنها برگردند و به کمک کشور بیایند. تعداد این دانشجوها تا سال ۲۰۱۷ به بیش از ۵ میلیون نفر رسیده. در عین حال، چین سرمایه‌گذاری هنگفتی در دانشگاه‌ها کرده و بزرگترین جمعیت مهندس‌ها در دنیا را تشکیل داده. بودجه تحقیقاتی هم از سال ۲۰۰۰ تا ۲۰۱۷ با شیب زیادی رشد کرد و به حد بودجه آمریکا رسیده. آدام می‌گوید، با اینکه پول خرج کردن معیار دقیقی برای ارزیابی توسعه‌ی کشورها نیست، اما همه موافقیم که امروزه چین در حوزه‌های کلیدی مثل هوش مصنوعی، نانوتکنولوژی و بیوتکنولوژی، حرف اول را می‌زند. البته با تمام این تفاسیر، درصد زیادی از نخبه‌های چینی که طی دهه‌ها به غرب رفته‌اند به کشور برنخواهند گشت، و هنوز هم آمریکا ابرقدرت اول علمی در دنیاست، اما همان درصد کم هم می‌توانند در رشد چین نقش‌آفرین باشند. پروژه FAST توانسته، دانشمندان نجوم چینی را که سالها دربه‌در امکانات و تجهیزات در کشورهای دیگر بوده‌اند به خانه برگرداند و حالا آنها میزبان خارجی‌ها خواهند بود. طبق آمار، ۱۲ درصد از مقالات پژوهشی چینی‌ها توسط بچه‌هایی نوشته شده که سابقه‌ی حضور در خارج را دارند. این دسته از مقالات بیشتر توسط خارجی‌ها رفرنس می‌خورند تا مقالات بچه‌های خارج نرفته. همچنین بچه‌های خارج رفته می‌توانند دانشجویان جوانتر را آموزش دهند و آنها را به شبکه‌ی بزرگ محققان در دنیا وصل کنند. در نهایت اگرچه هنوز جریان ورود نخبه‌ها به آمریکا بیشتر از خروج آنهاست اما این اتفاقات یادآوری می‌کند که برای ابرقدرت علمی بودن، سرمایه‌گذاری مداوم و ایجاد محیطی باز همراه با همکاری‌های بین‌المللی لازم است. جواد امیریان منبع: www.bloomberg.com/amp/opinion/articles/2020-01-20/china-s-investments-in-fast-telescope-labs-lure-scientists-homeJavad AmirianJavad AmirianWed, 29 Jan 2020 01:15:17 +0330https://virgool.ir/dataio/ماشینهای-خودآگاه-nzefnt76tfasبخش اول - خودآگاهی یا Consciousness یک روانشناس به نام Gordon Gallup در سال 1970 برای اندازه‌گیری میزان خودآگاهی یک حیوان آزمایشی ارائه داد به نام «آزمون آینه». آزمایش به این شکل است که یک آینه جلوی حیوان قرار میدهند و می‌بینند آیا حیوان می‌تواند متوجه شود که این تصویر همان تصویر «خودش» است یا نه. برای این کار گالوپ ابتدا مقداری رنگ (بی‌بو) به پیشانی حیوان میمالید. حیوانی که خودآگاهی داشته باشد معمولا واکنش متناسبی بروز میدهد، مثلا انگشتش را به سمت پیشانی‌اش میبرد یا بدنش را میچرخاند تا لکه‌ی رنگ را بهتر ببیند.جالب اینجاست که حیوان‌هایی مثل شامپانزه، اورانگوتان، دلفین، فیل و پنگوئن و البته انسان توانسته‌اند در این آزمون قبول شوند! کودک انسان تا قبل از 1.5 تا 2 سالگی ممکن است نتواند به این خودآگاهی برسد. https://www.youtube.com/watch?v=Okmkn30D0NU آزمون آینه‌ - آزمونی که گاردون گالوپ روان‌شناس، طراحی کرد تا خودآگاهی را در موجودات بررسی کند.مفهوم «خودآگاهی»خودآگاهی، مفهومی پیچیده و گنگ هست و یافتن تعریف واحد و منسجمی از آن سخت است. آزمایش گالوپ شاید بتواند تعیین کند چه موجودی خودآگاهی دارد اما نمیتواند خلافش را ثابت کند. مثلا خودآگاهی یک فرد نابینا با این آزمایش قابل بررسی نیست.فیلسوف‌ها هم نظرات مختلفی در این باره دارند، مثلا دکارت معتقد است، خودآگاهی درون یک غده در مغز قرار گرفته! یا نظریاتی از باب بیولوژی وجود دارد که باز هم قابل تعمیم به ماشین‌ها نیست. فرای نظریه‌ی فروید درباره‌ی ضمیر خودآگاه و ناخودآگاه، یک مثال ساده از رفتار ناخودآگاه (در مقابل رفتار خودآگاه) کارهای روزانه است که بصورت اتوماتیک انجام میدهید و در حین انجام آن، به آن فکر نمیکنید.مثالمثلا ما مسیر خانه تا محل کار را ممکن است بطور ناخودآگاه رانندگی کنیم، در حالی که داریم به چیزهای زیاد دیگری فکر میکنیم، آهنگ گوش میدهیم و یا با بغل دستی‌مان صحبت میکنیم. اما به محض اینکه به مکان جدیدی برسیم که غریبه است و نمی‌دانیم باید کدام طرف برویم، صحبتمان را با همسفر خود قطع کرده و صدای موزیک را هم کم می‌کنیم.بسیاری از کارهای تکراری ما این شکلی‌اند. اما توانایی رفتارهای ناخودآگاه ما محدودند و برای انجام کارهای پیچیده تر مثلا «گفتگو» یا «یاد گرفتن» ما باید آگاهی خود را به کار بیاندازیم.بخش دومدر جستجوهایم برای تعریف خودآگاهی به شخصی به‌نام دکتر David Gamez رسیدم. استاد علوم کامپیوتر دانشگاه Middlesex انگلستان که موضوع دکترایش هم همین بوده: Conscious Machines داوید مقاله‌ی مهمی نوشته که در آن 4 جنبه‌ی مختلف برای آگاهی ماشینها تعریف کرده:Gamez, David. "Progress in machine consciousness."1. ماشین خودآگاه، ماشینی است که "رفتاری" از خود بروز میدهد که به خودآگاهی مرتبط است.در این تعریف، کاری به فرایندهای درون سیستم که منجر به چنین رفتاری شده نداریم. و اگر یک ماشین بتواند رفتارهای خودآگاه انسان را از خود نشان دهد، ماشین خودآگاه خوانده میشود. این رفتارها می‌تواند در حد تقلید یا کپی رفتارهای انسان باشد. میتوانید تصور کنید یک ربات زامبی هم (بدون ادراک) با این تعریف ممکن است کماکان خودآگاه محسوب شود. برخی دانشمندان معتقدند "هیچ معیاری به جز «رفتارهای خارجی» برای ارزیابی خودآگاهی یک ماشین وجود ندارد". تست تورینگ هم، ارتباط نزدیکی با این تعریف دارد زیرا در آن تنها رفتار سیستم برای ارزیابی هوشمندی آن ملاک قرار میگیرد.2. ماشینی که ویژگیهای "شناختی" یا cognitive دارد که به خودآگاهی مرتبط است. دانشمندی به‌نام الکساندر در سال 2003، ۵ مکانیزم اصلی "شناختی" مربوط به خودآگاهی یک ماشین را برشمرده:۱- تجسم (Deception): ماشین عناصر و اشیای محیط پیرامونش و "جای" آنها را درک میکند.۲- تخیل (Imagination): ماشین بخش‌هایی از محیط را "بخاطر می‌آورد" یا آن‌را در آینده تصور می‌کند.۳- توجه (Attention): ماشین می‌تواند "تجسم" و "تخیل"ش را روی بخش خاصی از محیط اطرافش "متمرکز" کند.۴- برنامه‌ریزی (Planning): ماشین می‌تواند دنباله‌ای از حرکات و کارها را برنامه ریزی کند و آنها را کنترل کند.۵- احساس (Emotion): سیستم میتواند "حس کند" که در حال حاضر در چه وضعیتی است و حرکت بعدی که باید انجام دهد چیست.Aleksander, Igor, and Barry Dunmall. "Axioms and Tests for the Presence of Minimal Consciousness in Agents."3. ماشینی که از "معماری" استفاده میکند که به نوعی مربوط به عوامل خودآگاهی در انسان است. (مثلا خودآگاهی در انسان از غده‌ای در مغر به اسم "تالاموس" ناشی می‌شود و مثلا ربطی به مخچه ندارد.)گیلیو تونونی، نئوروساینتیست و روانپزشک ایتالیایی میگوید:"خودآگاهی یک کمیت بنیادی است که در نوزادها و حیوانات وجود دارد. بنابراین باید بتوان یک خودآگاهی مصنوعی ساخت!"Tononi, Giulio. "An information integration theory of consciousness."4. خودآگاهی پدیداری: طبق این تعریف به ماشینی که دارای "تجربیات پدیداری" باشد ماشین خودآگاه میگوییم. در واقع "آگاهی پدیداری" به جنبه های کیفی و سابجکتیو و تجربه‌ایِ آگاهی، اشاره دارد که به آن «کوالیا» هم میگویند. تجربیاتی نظیر این که «قرمزی گوجه فرنگی چگونه است»؟ اگرچه این تعریف، سطح عمیقتری از آگاهی را مدنظر قرار داده، اما برخلاف 3 تعریف قبلی که هر کدام تا حدودی قابل اندازه‌گیری و سنجش‌اند، این تعریف، بسیار "بحث برانگیز" است. و آنقدری دقیق نیست که با آن بتوان یک ماشین خودآگاه را شناخت یا آن را طراحی کرد. توماس متزینگر (فیلسوف هلندی)، معتقد است "مطالعات خودآگاهی هنوز به مرحله پارادایم نرسیده" و امید است در آینده تعاریف روشن‌تری از خودآگاهی یافته شود تا به تعریف و توسعه‌ی ماشین خودآگاه‌ کمک کند.نتیجه‌گیریطبق تعاریف بالا میتوان گفت:۱. در حال حاضر خودآگاهی نوع 1 (رفتاری) تا حدودی برآورده شده و هوش مصنوعی در همین راستا دارد قدم برمیدارد تا آن را بهبود ببخشد.۲. خودآگاه نوع 2 (شناختی) هم در خیلی از سیستم‌ها وجود دارد. و کارهای زیادی انجام شده برای ایجاد تخیل، احساس و ... در ماشین ها.۳. تلاش‌هایی برای تولید معماری ماشین خودآگاهی هم انجام شده. شاید با تغییراتی در شبکه‌های عصبی رایج، بیشتر بتوان در این مسیر حرکت کرد.۴. اما تعریف چهارم هنوز آنقدر گنگ است که ادعای زیادی راجع به آن نمیتوان کرد.پ.ن. نوشتن راجع به این موضوع را در همینجا فعلا متوقف میکنم. چون نیازمند مطالعه در چندین زمینه مختلف از جمله فلسفه و روانشناسی بیولوژی و غیره است. یکی از منابع مرتبط در این زمینه کتاب «ماشین احساس» از ماروین مینسکی است:Minsky, Marvin. "The Emotion Machine."پ.ن. مطالبی که در مینویسم یا ترجمه میکنم معمولا در کانال تلگرامی زانکو قرار میدهم:https://t.me/zankoo_aiجواد امیریانJavad AmirianJavad AmirianThu, 02 Jan 2020 20:04:33 +0330https://virgool.ir/dataio/hype-cycle-ehf1cp8tg6kbچرخه محبوبیت یا Hype Cycle، نموداری است که مراحل زمانی محبوب شدن یک فناوری را به تصویر می‌کشد. به عبارت دیگر یک فناوری از زمان پیدایش ایده، تا زمانی که به بلوغ برسد و جایگاه واقعی خود را در صنعت / دانشگاه پیدا کند 5 مرحله مختلف را طی می کند. این چرخه توسط شرکت Gartner (یک شرکت مشاوره و تحقیقات در حوزه‌ی IT) معرفی شده است. در تصویر زیر شکل کلی این چرخه را میبینید. در محور افقی که زمان، یا مراحل چرخه را نشان میدهد، فازهای مختلف با خطهای عمودی از هم جدا شده‌اند. محور عمودی هم «انتظارات» یا به بیان دیگر محبوبیت را نشان میدهد.مراحل این چرخه به ترتیب عبارتند از:1) پیدایش نوآوری یا Innovation Trigger در این مرحله، ابتدا فناوری بصورت یک مفهوم مطرح میشود. معمولا در حد پروتوتایپ یا proof of concept نمونه‌هایی از آن ارائه می‌شود. استارت آپ‌هایی دور آن شکل میگیرد اما نمونه‌‌های تجاری آن هنوز آنقدر ارزان و فراگیر نشده‌اند.2) قله‌ی انتظارات یا Peak of Inflated Expectations رسانه‌ها به سرعت اطلاع‌رسانی می‌کنند و در زمان کوتاهی این فناوری بر سر زبانها می‌افتد. کسانی که «خوره‌ی تکنولوژی» آن را پیاده‌سازی می‌کنند. در کنار آن سرمایه‌گذاری و فعالیت برای تجاری سازی آن توسط شرکت‌ها به سرعت افزایش می‌یابد.از جنبه‌ی آکادمیک، دانشگاه‌ها و موسسات تحقیقاتی همه هجوم میبرند به سمت این فناوری، تعریف کردن پایان نامه‌های متعدد و چاپ کردن مقاله. معمولا کسی در این مقالات به محدودیت‌های آن اشاره نمی‌کند و فقط نتایج بهتر و اعداد بزرگتر گزارش می‌شوند. 3) دره‌ی سرخوردگی یا Trough of Disillusionment به زودی نشانه هایی از مشکلات این فناوری روشن می‌شوند و نواقص‌ آن کم‌کم خود را نشان می‌دهند. غالبا این بخش «صنعت» است که متوجه این نواقص می‌شود. آنها این نواقص را در تضاد با یافته‌های مقالات علمی و وعده‌های داده شده می‌بینند. در نتیجه حسی از بی اعتمادی و ناامیدی در بین طرفداران شکل می‌گیرد. شرکت‌ها سرمایه‌گذاری‌های خود را متوقف می‌کنند و همه چیز منوط میشود به برطرف کردن نواقص. 4) شیب روشنفکری یا Slope of Enlightenment کم کم پتانسیل‌های این فناوری بیشتر مشخص می‌شود و برخی شرکتها می‌فهمند با وجود محدودیت‌ها و نواقص آن چگونه از آن استفاده کنند. این اتفاق در حینی صورت میپذیرد که رسانه‌ها توجه زیادی به این فناوری ندارند و جامعه‌ی علمی آن را به شکل یک زمینه‌ی اشباع شده میبیند.5) فلات بهره‌وری یا Plateau of Productivityفناوری به ثبات خوبی می‌رسد و مزیتهای و محدودیتهای آن به خوبی روشن شده است. این بار بخش صنعت با اطلاع کامل و بصورت معقول سرمایه‌گذاری را مدیریت می‌کند.مثال‌های زیادی برای این چرخه میتوان زد، یکی از آنها فناوری یادگیری عمیق (Deep Learning) است. همانطور که در تصویر میبینید، این فناوری در حال حاضر (2018) در بالای قله قرار دارد که نشان از توجه بیش از حد جامعه‌ی تحقیقاتی به آن دارد. پیش بینی می‌شود این فناوری در چند سال آینده نتواند انتظارات -غیرمنطقی- را برآورده کند و در نتیجه با یک دره‌ی سرخوردگی مواجه میشود. فناوری اینترنت نسل 5 یا پردازش کوانتومی هنوز در فاز اول این چرخه هستند، یا از طرف دیگر، فناوریهایی مثل «بلاک چِین» و «واقعیت افزوده»، از مرحله هیجانی عبور کرده و هم اکنون در دوران سرخوردگی به سر می‌برند.این چرخه ممکن است برای همه‌ی فناوری‌ها صدق نکند و یا بازه‌ی زمانیِ فازهایِ آن برای فناوری‌های مختلف فرق کند اما بهرحال بعنوان یکی از منابع مهم مطالعه‌ی فناوری‌های مختلف شناخته می‌شود.برگرفته از www.smartinsights.com/managing-digital-marketing/managing-marketing-technology/gartner-hype-cycle-2018-most-emerging-technologies-are-5-10-years-away/جواد امیریانJavad AmirianJavad AmirianTue, 08 Oct 2019 17:51:17 +0330https://virgool.ir/dataio/هوش-مصنوعی-به-کجا-می-رود-llvg4ja01p8hقسمت اولامروزه تقریبا هر جا راجع به موفقیتهای هوش مصنوعی می‌شنوید رد پایی از یادگیری عمیق در آن هست. خب این الگوریتم ها، توانایی بالایی در یافتن الگوهای آماری دارند و توانسته اند بطور شگفت انگیزی قابلیتهای انسان در دیدن و شنیدن را تقلید کنند. شبکه های عمیق از موتور جستجوی گوگل گرفته تا فید خبری فیسبوک و خلاصه خیلی از بیزینس ها را دستخوش تغییر کرده اند.اگرچه بسیاری از این دستاوردها و به عبارتی نفوذ AI به صنایع و کاربردهای مختلف، مدیون یادگیری عمیق است، اما اگر کمی چشممان را باز کنیم میبینیم که این شبکه ها تنها کمتر از 10 سال از تاریخچه هوش مصنوعی را می سازند و تحقیقات این حوزه حتما به سمت و سوهای دیگری نیز راه پیدا خواهد کرد.مجله MIT Technology Review به تازگی تحلیلی بر روی بیش از 16 هزار مقاله هوش مصنوعی بر روی پایگاه داده arXiv انجام داده و نتیجه این است که حوزه هوش مصنوعی به سمت «یادگیری تقویتی» یا همان RL حرکت خواهد کرد. این تحقیق به کشفیات جالبی اشاره کرده که یکی از آنها اشاره به وقوع 3 شیفت (یا به عبارتی سه موج) مختلف در طی 70 سال تاریخچه "هوش مصنوعی" دارد. اگر مایلید تحلیل را بخوانید به لینک زیر بروید. MIT Technology Review: We analyzed 16,625 papers to figure out where AI is headed nextاواخر دهه 90 و اوائل قرن جدید، جایی است که "یادگیری ماشین" رشده کرده و جانشین سیستم های خبره و پایگاه دانش شده، سپس حول وحوش 2010 "شبکه‌های عصبی" و نسل پیشرفته‌تر آنها یعنی "یادگیری عمیق" فراگیر شدند و در چند سال اخیر هم شاهد یک شیفت دیگر به سمت روش‌های "یادگیری تقویتی" هستیم. بیایید با هم نگاهی به این تاریخچه بندازیم. سیستم‌های پایگاه دانشبیایید از دهه هشتاد شروع کنیم، جایی که سیستمهای پایگاه دانش (Knowledge-Based System) یا به روایتی دیگر سیستم های خبره (به عنوان اولین سیستم های هوشمند) محبوبیت پیدا کردند و در قلب پروژه‌های مهم کامپیوتری فعالیت میکردند. این سیستم ها شامل یک «پایگاه دانش» و یک «موتور استدلال» بودند. بخش استدلال این سیستم ها معمولا از مجموعه‌ای از قوانین به شکل If-Then تشکیل میشد که فرایند تصمیم‌گیری را کنترل می‌کرد. مزیت این سیستمها نسبت به برنامه‌های رایج کامپیوتری این بود که قوانین در قالبی طراحی میشدند که نه فقط مهندسان کامپیوتر بلکه افراد با تخصص‌های دیگر (مثلا یک پزشک) هم بتواند آنها را توسعه دهد. یکی از معروفترین این سیستم‌ها یک سیستم خبره پزشکی بنام Mycin بود که برای تشخیص عفونتهای باکتریهایی مانند مننژیت بکار میرفت و با آن تجویز آنتی‌بیوتیک به بیمار انجام میشد (نام مایسین از آخر اسم آنتی بیوتیکها گرفته شده بود)قسمت دومبا توسعه ی پروژه‌های کامپیوتری، سیستم‌های پایگاه دانش با یک چالش بزرگ روبرو شدند: قوانین بسیار زیادی وجود داشتند که نمی‌شد یکی یکی برای همه آنها کد نوشت. به عبارتی به هوشمندی بیشتری نیاز بود.موج اول، یادگیری ماشین "یادگیری ماشین" درمان این درد بود! حالا بجای بکارگیری آدم‌ها برای نوشتن صدها هزار خط کد، با بکارگیری یادگیری ماشین، کامپیوتر بصورت اتوماتیک، قواعد را از داده‌ها استخراج می‌کرد. شبکه‌های Bayesian، شبکه‌های عصبی، روش‌های مارکوف، SVMها و الگوریتم‌های تکاملی (مانند الگوریتم ژنتیک) و... همگی ابزارهایی برای این منظور بودند. همه آنها به نحوی، دنبال یافتن الگو در داده‌ها بودند و نقاط ضعف و قوت خودشان را داشتند. موج دوم، شبکه‌های عصبیدر سال 2012 یک خبر مثل بمب در جامعه هوش مصنوعی ترکید. در مسابقات سالانه‌ی ImageNet (که برای توسعه‌ی هوش مصنوعی و بینایی ماشین شکل گرفته بود) یک استاد دانشگاه تورنتو به نام Geoffrey Hinton به همراه دانشجویانش یک شبکه عصبی طراحی کردند به نام AlexNet که بیشتر از 10% رکورد دقت تشخیص را بهبود داد. این موفقیت، نقطه عطفی بود برای گسترش شبکه های عصبی و یادگیری عمیق. بزودی موج بزرگی در دنیای هوش مصنوعی ایجاد شد و محققان و دانشگاه های زیادی را به سمت شبکه‌های عصبی کشاند.پروفسور جفری هینتون، استاد دانشگاه تورنتو که با دانشجویانش مدل AlexNet را ارائه داد.و موج سوم، یادگیری تقویتی هرچند این الگوریتمها خیلی هم جدید نیستند. و همانطور که Sutton در کتابش نوشته، این مفهوم در اواخر دهه 80 میلادی پا گرفته است و حتی قبلتر از آن تحت عناوین دیگری مثل Optimal Control مورد مطالعه بوده. نحوه کارکرد RL ها الهام گرفته از فرایند یادگیری در حیوانها و انسانهاست که با پاداش و تنبیه همراه است. از آنجا که تشریح کامل این مفهوم در این مقاله نمیگنجد، فقط محض یادآوری باید بگوییم روشهای یادگیری ماشین، به سه دسته تقسیم میشوند:Supervised LearningUnsupervised LearningReinforcement Learning تصویری از مدل Deep Mind که قادر است راه رفتن را یاد بگیرد.نقطه عطف گسترش RL ها به موفقیت پروژه AlphaGo در 2015 برمیگردد. این برنامه کامپیوتری که میتواند یک نوع بازی تخته به نام Go را بازی کند توانست قهرمان جهان را شکست دهد. بعد از این اتفاق توجه های بیشتری به استفاده از RL ها جلب شده است. تحلیلها نشان میدهد که این روش‌ها جایگاه بالاتری در سال‌های آینده خواهند دا‌شت.شتاب رشد "یادگیری تقویتی" در مقایسه با "یادگیری ماشین"پ.ن. روشهای یادگیری تقویتی در ابتدای راه هستند. برای یادگیری بدیهی ترین کارها نیاز است تا هزاران ساعت پردازش GPU صرف آنها شود و بجز شرکتهای بزرگ و پولدار مثل گوگل کسی از عهده ی تامین سخت افزار لازم برای اجرای آنها برنمی آید. اما ما هنوز چیزی از آینده نمیدانیم!جواد امیریانJavad AmirianJavad AmirianFri, 20 Sep 2019 16:42:37 +0430https://virgool.ir/dataio/زمستان-هوش-مصنوعی-gydzackfherbبخش اول - افول پروژه ها اکتبر سال گذشته یک کمپانی تولید ربات در بوستون به نام Rethink Robotics بعد از فروش‌های ضعیف متوالی و لغو شدن قراردادهای فروش‌اش، فعالیت خود را متوقف کرد. این خبر، برای اهالی حوزه‌ی هوش مصنوعی، اتفاقی شوکه کننده و ناامید کننده بود. این شرکت که در سال 2008 توسط Rodney Brooks استاد سرشناس رباتیک دانشگاه MIT شکل گرفته بود، به نوعی از نمادها و آیکون‌های صنعت هوش مصنوعی و رباتیک محسوب می‌شد. کمپانی Rethink سازنده رباتهای Baxter و Sawyer بود که از بهترین رباتهای صنعتی زمان خود محسوب میشدند. ربات صنعتی Baxter محصول شرکت Rethink Roboticsاگر چه مدیر اجرایی Rethink ادعا کرده بود که تعطیل شدن این کمپانی، ربطی به مشکلات این صنعت ندارد. اما حقیقت ماجرا چیز دیگری بود و نمیتوان از کنار تعطیلی این شرکت، به سادگی گذشت. چنانچه در چند وقت اخیر شاهد اتفاقات مشابهی بوده‌ایم. درست دو ماه قبل از آن، در آگوست 2018، کمپانی Mayfield Robotics، سازنده رباتهای خانگی Kuri بعد از اینکه نتوانسته بود بیزینس پلن کارامدی برای درآمدزایی پیدا کند، تعطیل شده بود. (لینک خبر)ربات Kuri محصول شرکت Mayfield Robotics که تولید آن متوقف شدهدر سپتامبر همین سال، روزنامه نیویورک تایمز به سراغ Boston Dynamics رفت. شرکت بوستون داینامیکز که بخاطر ویدیوی رباتهای خیره کننده‌اش (مثل Big Dog) معروف شده و همیشه سعی داشته دستاورد ربات‌هایش را به رخ رقیبان بکشد. اسم مقالۀ نیویورک تایمز اما این بود:These Robots Run, Dance and Flip. But Are They a Business?در این مقاله نیویورک تایمز از دخالت‌های انسانی در فرایند تولید این ویدیوها پرده برداشته (مثلا این رباتها را یک نفر با جوی استیک هدایت می‌کند) و خلاصه اینکه این رباتها چقدر وابسته به دخالت انسانها هستند. همچنین نیویورک تایمز این پرسش را مطرح میکند که این رباتهای گران قیمت، قادر به حل چه مسائل واقعی‌ای خواهند بود؟ https://vp.nyt.com/video/2018/09/20/77795_1_00boston-video2_wg_720p.mp4 این هم مثال جالب دیگری است: پارسال یک فروشگاه مواد غذایی در اسکاتلند تصمیم گرفته بود از ربات pepper (که قیمتش 20 هزار یورو است) برای راهنمایی - و همچنین سرگرم کردن - مشتریان استفاده کند. هر چند بخشی از مشتری‌ها از سرگرم شدن توسط ربات ناراضی نبودند. اما صاحبان فروشگاه بزودی فهمدیدند که pepper خیلی هم مفید نیست. مثلا وقتی که یکی از مشتریان از pepper پرسیده بود جای شیر کجاست؟ pepper جواب میدهد: داخل یخچال! بدون اینکه حتی بگوید کدام یخچال، یا کجای فروشگاه و ...(خسته نباشی دلاور)! بعد از مدتی هم نهایتا ربات را جمع کردند. (این است رباتهایی که قرار است جای انسانها را بگیرند!!)ربات pepper محصول Softbank Robotics https://www.digitaltrends.com/cool-tech/pepper-robot-grocery-store/در سایر زمینه های AI هم شاهد چنین ماجراهایی بوده ایم. شرکتهای هوش مصنوعی اغلب راجع به قابلیت‌های محصولاتشان دچار اغراق و نوعی توهم هستند. بهرحال از زمان پیدایش هوش مصنوعی، این حوزه دوره‌هایی را تجربه کرده که در آن، انتظارات جامعه از AI با قابلیتهای واقعی این سیستمها خیلی فاصله گرفته. که اصطلاحا Hype Cycle نامیده میشوند. وعده‌های بزرگ از سوی پژوهشگران و متخصصان و سپس عدم توانایی در برآورده کردن آنها، در چند دهه‌ی گذشته، منجر به اتفاقاتی شد که ما آن را با نام «زمستان هوش مصنوعی» یا AI Winter میشناسیم. برهه‌هایی از تاریخ که در آن تمایل به سیستم‌های هوش مصنوعی کاهش یافت و بودجه‌ها ناگهان سقوط کرده. در بخشهای بعدی راجع به این دوره ها بیشتر صحبت میکنیم.بخش دوم - آغاز دوران هوش مصنوعیدر دهه های ۴۰ و ۵۰ میلادی، ایده های زیادی راجع به «ماشین متفکر» از سوی دانشمندانی همچون وان نیومن یا آلن تورینگ مطرح می‌شد. تورینگ به دنبال ایجاد این چالش بود که «آیا ماشین‌ها می‌توانند فکر کنند؟». او همچنین با پیشنهاد تست تورینگ، رویایی را توصیف کرد که در آن یک روز، یک ماشین هوشمند بتواند خود را جای یک آدم جا بزند و کسی نفهمد او یک ماشین است یا یک آدم.Ferranti Mark I سی از آلان تورینگ و همکارانش در حال کار بر روی کامپیوتر در سال ۱۹۵۵ آرتور ساموئل (از پدران برنامه‌نویسی) یک برنامه کامپیوتری نوشته بود که می‌توانست «چکرز» بازی کند. او در این برنامه، از «جستجوی درختی» استفاده میکرد و توابع هیوریستیکی را در آن گنجانده بود که میتوانستند یک سری «وزن» را بطور خودکار یاد بگیرند. او نام این الگوریتم را temporal-difference learning گذاشته بود. در واقع وزن‌های تخمین زده شده، بعد از جستجوی گراف و بررسی آن نود بروز می‌شدند. ماشینها داشتند «یاد میگرفتند». همه چیز هوشمند بود! برنامه‌ی آرتور حسابی معروف شد تا جایی که سر از برنامه‌های تلویزیون هم درآورد. از طرف دیگر تحقیقاتی در زمینه‌ی «ترجمه‌ی اتوماتیک متن» انجام شده بود. یک آزمایش اولیه بر روی ترجمه‌ی بین انگلیسی و روسی با کمک یک دیکشنری ۲۵۰ کلمه ای انجام شد. رسانه‌ها هم در پی آن شروع کردند به رویاپردازی راجع به ماشین‌های ترجمه‌ی متن، بدون اینکه بدانند اینها فقط ابتدای راه است. نیویورک تایمز نوشته بود که این یک گام بسیار ارزشمند در ترجمه‌ی خودکار است هر چند اذعان کرده بود که این سیستم، فعلا چیزی در حد ترجمه‌ی کلمه به کلمه است، نه بیشتر. اما مهندسان این سیستم فکر می‌کردند که بخش عمده‌ی کار انجام شده و تا رسیدن به ماشین تمام خودکار، تنها رفع چند تا باگ و خطا مانده و همین!اولین نمونه یک ترجمه ماشینی از زبان روسی به انگلیسیاین نتایج اولیه کافی بود تا بودجه‌های تحقیقاتی به سمت پروژه‌های هوش مصنوعی سرازیر شود. عمده‌ی این بودجه‌ها از سوی وزارت دفاع آمریکا تغذیه می‌شد. آنها امیدوار بودند که این تحقیقات برای ارتش آمریکا مثمر ثمر خواهد شد. زمینه‌ی ترجمه‌ی متن بطور خاص در دوران جنگ سرد (بین آمریکا و شوروی)، حائز اهمیت زیادی بود و دولت علاقه‌ی فراوانی داشت تا متون روسی را اتوماتیک به انگلیسی ترجمه کند.در این دوران بود (سال ۱۹۵۶) که پروژه‌ی تابستانی دارتموث کلید خورد و از دل آن مفهوم AI بیرون آمد. محققانی از همه‌ی حوزه‌ها دعوت شده بودند و یک عالمه ایده و مقاله و مفاهیم جدید ارائه شدند. منتقدانی هم وجود داشتند که میگفتند «رسیدن به AI خیلی سختتر از آن چیزی است که ما فکر میکنیم».مدل نورون‌های پرسپترون (مدل ساده‌ی شبکه‌های عصبی) در سال ۱۹۵۷ توسط روزنبلات پیاده سازی شد. او برای اینکار یک سخت افزار خاص هم طراحی کرده بود. نورونهای ماشین پرسپترون با پتانسیومترهایی ساخته شده بودند که مقدار پارامترها را در خود ذخیره میکردند. موتورهایی به این پتانسیومترها وصل شده بود تا هنگام یادگیری آنها را بچرخانند و پارامترها را آپدیت کنند. این ماشین برای تشخیص تصاویر طراحی شده بود و ورودی آن یک آرایه‌ی ۴۰۰ تایی از فتوسل بود. https://youtu.be/cNxadbrN_aI خلاصه این جو غالب بود که ماشین‌ها دیگر می‌توانند فکر کنند، یاد بگیرند و خلق کنند. در کنار اینها، همچنین این ترس در جامعه فراگیر شده بود که به زودی هوش مصنوعی جای تمام شغل ها را خواهد گرفت و یک بیکاری وسیع رخ خواهد داد. که به آن technological singularity میگفتند. بخش سوم - زمستان اول روایت‌ها مختلف است از اینکه تا کنون چند زمستان هوش مصنوعی را پشت سر گذاشته‌ایم. اما مشخصا دو بازه‌ی زمانی وجود دارند که در آن علاقه و بودجه‌ی پروژه‌های هوش مصنوعی کاهش پیدا کرد. این دو دوره به زمستان اول و دوم معروف هستند. پس از دوره‌ای از موفقیتهای اولیه که از دهه 50 میلادی شروع شده بود و با افزایش توجه و بودجه‌های تحقیقاتی همراه بود، در اوخر دهه 60 و دهه 70، پیشرفت‌ها به تدریج متوقف شدند و دوران خاموشی و رکود آغاز شد.تاریخچه‌ی هوش فراز و نشیب‌های هوش مصنوعیاین رکود در شرايطی اتفاق می‌افتاد که پیشگامان این حوزه، وعده‌های زیادی را داده بودند که تا رسیدن به AI واقعی و مافوق بشر تنها چند قدم بیشتر نمانده. تصور میشد بزودی ماشینها در بازی شطرنج و چکرز و یا حتی در ترجمه‌ی متون از آدم‌ها جلو بزنند. اما هیچ کدام از آن وعده‌ها حتی تا دهه‌ها بعد محقق نشد. مثلا اولین بار در سال 1997 بود که یک کامپیوتر موفق شد، قهرمان شطرنج دنیا، گری کاسپاروف را شکست دهد. یا حتی ترجمه‌ی متن هنوز هم یک مساله‌ی باز و در حال تحقیق است، و متون ترجمه شده‌ توسط ماشین، خیلی هم بی‌نقص نیستند.دانشمند و ریاضیدان اسراییلی، Yehoshua Bar-Hillel که به خاطر فعالیتش در حوزه‌ی ترجمه‌ی ماشین مطرح بود، در گزارشی (در 1959) راجع به پروژه‌های مربوطه در آمریکا و بریتانیا، ادعا کرد که ایده‌ی ماشین ترجمه به هیچ وجه عملی نیست. او معتقد بود که برای تولید یک ترجمه‌ی دقیق، داده‌های بسیار زیادی نیاز است، در حدی که رسیدن به ماشین ترجمه یک خیال واهی بیش نیست. «کمیته‌ی مشاوره‌ی پردازش زبان اتوماتیک» هم گزارش دادند که نشانه‌ای از موفقیت زودهنگام این حوزه در کار نیست و فعلا نمی‌توان چیزی پیش‌بینی کرد. این نشانه‌ها در سایر پروژه‌های هوش مصنوعی هم دیده می‌شد. در 1973 «انجمن تحقیقات علمی بریتانیا» گزارشی را دریافت کرد از وضعیت پروژه‌های AI. این گزارشِ پرحاشیه، ادعا میکرد وعده‌های پژوهشگران AI همگی با اغراق همراه بوده، در هیچ یک از بخش‌های این حوزه، دستاورد چشمگیری مطابق آن وعده‌ها مشاهده نشده. اشاره‌ی اصلی این گزارش به عدم توانایی غلبه بر مساله‌ی combinatorial explosion یا «انفجار ترکیبها» بود. این مساله در فضاهای جستجو مثل درخت‌ها مساله‌ای شناخته شده است. جایی که هر چقدر به لایه‌های پایین درخت جستجو می‌رویم تعداد گره‌ها بطور نمایی افزایش پیدا می‌کند. مثلا شانون نشان داد در بازی شطرنج، تعداد ترکیبات ممکن، از 20 حالت مختلف در حرکت اول، به 400 حالت در حرکت دوم افزایش می‌یابد و تا حرکت پنجم به 4,865,609 حالت مختلف می‌رسد. این سطح از پیچیدگی برای کامپیوترهای آن زمان قابل تحمل نبود. این گزارش، هرچند از نگاه پژوهشگران این حوزه، یکسویه و غیرمنصفانه بود، اما در نهایت موجی را پدید آورد که نه فقط انگلیس، بلکه تمام اروپا را درنوردید و دامنه‌اش به آمریکا هم می‌رسید. نتیجه آن شد که بودجه‌ی پروژه‌های AI در تمام دانشگاه‌های انگلیس بجز دو دانشگاه قطع شود. بعلاوه، ARPA (مرکز پروژه‌های تحقیقاتی پیشرفته‌ی وزارت دفاع آمریکا) که بعدها به DARPA تغییر نام داد و حامی مالی اکثر پروژه‌های تحقیقاتی AI بود تصمیم گرفت بودجه‌ی این پروژه‌ها را قطع کند. و سرمایه‌گذاری‌هایش را بجای تحقیقات بنیادی، بر روی پروژه‌های کاربردی متمرکز کرد. این گونه بود که زمستان اول از 1973 شروع شد.زمستان هوش مصنوعیبخش چهارم - زمستان دومدر دهه 80 و پس از فروکش کردن زمستان اول، عصر جدیدی از AI پا به عرصه ظهور گذاشت. این‌بار پیدایش «سیستمهای خِبره» یا Expert Systems بود که هوش مصنوعی را بر سر زبانها می‌انداخت. شکل‌گیری این سیستمها، یک گام در مسیر درست بود. مسیری که AI را دوباره به حل مسائل و چالشهای واقعی نزدیک می کرد. نکته این بود که این بار برخلاف دوره قبل که جامعه هوش مصنوعی در تلاش بود تا با تقلید از مدل ذهن آدمها در فرایند حل مساله، به یک AI همه‌منظوره و مافوق بشر دست پیدا کنند، سیستم‌های خبره بر روی حل مسائل خاص منظوره تمرکز داشتند. این سیستمها در «برنامه ریزی مالی»، «تشخیص بیماریها»، «اکتشافات زمین شناسی» و «طراحی مدارهای میکروالکترونیک» پیاده سازی شدند و موفقیت‌های چشم‌گیری نیز به دست آوردند.یکی از نمونه های معروف این سیستمها Mycin نام داشت. سیستمی که برای «تشخیص باکتریهای عامل عفونت» طراحی شده بود و خروجیِ آن، تجویز آنتی‌بیوتیک با دُز مناسب با توجه به ویژگیهای بیمار (مانند وزن و...) بود. (قبلا در مطلبی با عنوان «هوش مصنوعی به کجا می رود؟» هم به این سیستمها اشاره کرده بودیم)t.me/zankoo_ai/83خلاصه با سیستم‌های خبره، نه تنها دوباره سازمانهای دولتی بلکه این بار شرکت‌های خصوصی هم متقاعد شدند که در پروژه‌های تحقیقاتی هوش مصنوعی سرمایه گذاری کنند. اما طولی نکشید که همان عارضه‌ی قبلی بروز کرد: وعده‌های بزرگ و غیرواقع بینانه‌ی پژوهشگران به مثابه حباب‌هایی دوباره رشد کردند. از سوی دیگر هم، ترس از رشد سریع شرکت‌های فناوری و تسخیر بازار، جلوی توسعه‌ی هوش را می‌گرفت.در این میان، رسانه‌ها هم در این حباب می‌دمیدند. تعدادی کنفرانس بزرگ مثل AAAI در این دوران شکل گرفت. آنقدر این کنفرانسها مخاطب و هوادار پیدا کرده بود که بلیت‌هایشان خیلی سریع به فروش می‌رفت. مجله بلومبرگ تیتر زده بود که «هوش مصنوعی همین‌جاست». تبلیغات شرکتهای هوش مصنوعی هم جالب بود، مثلا «ما یک ذهن برتر ساخته ایم»یا عبارات اغراق آمیزی که همگی از کمبود یک تصویر درست از توانایی‌ها و محدودیتهای محصولات AI حکایت داشت.در سال 1984، Marvin Minsky از پیشگامان AI و از بازماندگان زمستان اول، راجع به وقوع یک بحران دیگر هشدار داد. در جریان کنفرانس AAAI، میز گردی تشکیل شد با عنوان: «عصر تاریک AI. آیا میتوانیم از آن پیشگیری کنیم یا نجات پیدا کنیم؟»در جریان میزگرد، پروفسور Drew McDermott به این اشاره کرد که "انتظارات از AI بالا رفته و ممکن است دوباره به یک فاجعه دیگر منجر شود.""بیایید بدترین حالت ممکن را در نظر بگیریم، فرض کنیم در 5 سال آینده «جنبش ملی محاسبات استراتژیک» (سرمایه گذار تحقیقات در حوزه سخت افزار پیشرفته و هوش مصنوعی در آمریکا) بخاطر شکست پروژه‌ی خودروهای هوشمند، تعطیل شود. پروژه‌ی کامپیوترهای نسل 5 به جایی نرسد و دولت ژاپن دست از حمایت بردارد. استارت آپ ها یکی‌یکی شکست بخورند. شرکت Texas Instruments و schlumberger و دیگر شرکتها از سرمایه گذاری در AI دست بردارند. و ناگهان متوجه شویم که بابت پروژه‌های AI نمی‌توان بودجه‌ای گرفت! در این بلبشو همه شروع خواهند کرد به دستکاری عنوان پروژه‌های تحقیقاتی‌شان تا خودشان را به حوزه‌های دیگر بچسبانند و از این گرداب نجات دهند. بله! این وضعیت AI Winter نام دارد. چیزی شبیه به «زمستان هسته‌ای» (که در آن بودجه‌ی سلاح‌های هسته‌ای قطع شد.) البته این بدترین حالت ممکن است و به نظرم به هیچ وجه چنین شرایطی محتمل نیست!"https://www.aaai.org/ojs/index.php/aimagazine/article/view/494در همین سال John McCarthy از وجود نواقصی در سیستمهای خبره انتقاد کرد و معتقد بود این سیستمها منجر به تصمیم‌گیری های اشتباه می شوند و از محدودیت‌هایشان بی‌اطلاع‌اند. مثلا در سیستم Mycin، در شرایطی که باکتری ویبریوکلرا در روده‌ی بیمار باشد، سیستم برایش دو هفته تتراسیکلین تجویز میکند. این درمان، باعث از بین رفتن تمام باکتری‌های بیمار می‌شود اما قبل از آن خود بیمار را هم راهی قبرستان میکند!علاوه بر این بسیاری از مسائل آنقدر پیچیده بودند که مهندسها نمی‌توانستند تمام قوانین را خودشان دستی طراحی کنند و بنویسند.رکود در بازار سیستم‌های خبره‌ی کامپیوتری، اولین نشانه‌های زمستان دوم بود. با کاهش موفقیت پروژه‌ها و عدم تحقق وعده‌ها، Schwarz مدیر DARPA در اواخر دهه 80، تصمیم به کاهش بودجه‌ی پروژه‌ها گرفت. بسیاری از استارت آپ ها تعطیل شدند. کنفرانس AAAI با ریزش شدید بازدیدکننده‌ها مواجه شد، تا جاییکه در 1995 انتشار مقالات AI به پایین ترین حد خود رسید. نهایتا هم اصطلاح «سیستمهای خبره» شد هم‌تراز «وعده‌های عمل نشده و سرمایه های هدر رفته» (مانند اتفاقی که بر سر واژه‌ی هوش مصنوعی در زمستان اول افتاد)منابعhttps://bdtechtalks.com/2018/11/12/artificial-intelligence-winter-history/https://towardsdatascience.com/history-of-the-first-ai-winter-6f8c2186f80bجواد امیریانJavad AmirianJavad AmirianWed, 31 Jul 2019 16:32:26 +0430https://virgool.ir/@amiryan.j/zurich-travelogue-ynvuh1jy2t7pفرصتی پیدا شد تا برای جلسه پروژه چند روزی به سوئیس سفر کنم. قبلا برای یک جلسه دیگر چند روزی در ژنو بودیم اما این بار مقصد شهر زوریخ و دانشگاه ETHZ بود. جالب است که زوریخ با 380 هزار و ژنو با 190 هزار نفر جمعیت، مهمترین و بزرگترین شهرهای سوییس هستند اما پایتخت نیستند. این شهر قطب اقتصادی و علمی سوییس هم محسوب می شود.نمایی از شهر زویخطبیعت رندر شدهیکی یکجا نوشته بود که «وقتی وارد زوریخ میشوی انگار داخل یک محیط رندر شده توی کامپیوتری، نه توی دنیای واقعی!» راست هم میگفت. درختها و فضای سبز به شکل بهشت گونه‌ای و منظمی طراحی شده‌اند. حتی اثری از کابلهای برق (بجز کابلهای تراموا) نیست! خب زوریخ بعد از وین اتریش و بالاتر از ونکوور کانادا و مونیخ آلمان، بالاترین کیفیت زندگی (یا قابل زندگی ترین شهر) در میان تمام شهرهای دنیا را دارد (منبع 2019). اما بر چه اساس؟ فاکتورهایی که کیفیت زندگی شهری را تعیین می کنند: امنیت، فضای سبز، زیرساخت ها، فضاهای فرهنگی! و غیره. دوچرخه سوار بر فراز شهر زوریخقرار گرفتن ردوخانه و دریاچه در میان شهر و احاطه شدن توسط کوه‌های جنگلی اطراف، نمایی فوق العاده زیبا به زوریخ داده که رویای هر گردشگری است.نمایی از دریاچه‌ی زوریخ و طبیعت اطراف شهر حمل و نقل شهری در زوریخ با اتوبوس و تراموا انجام می شود. و اینجا شما نیازی به ماشین شخصی پیدا نخواهید کرد! درصد قابل توجهی هم دوچرخه و اسکوتر می بینید. مرکز شهر، ایستگاه تراموالاکچری و گران قیمت!در شهر زوریخ درآمد میانه (نه میانگین) مردم نزدیک 8 هزار فرانک است. در یک رتبه بندی هم که بر اساس میانگین درآمد است، ساکنین زوریخ بعد از سان فرانسیسکو بالاترین میانگین درآمد را دارند. بنابراین اینجا عجیب نیست که یک عالمه ماشین گران قیمت و خانه‌ی لاکچری ببینی. محله‌ی (مثلا) سعادت آباد زوریخ! راستش را بخواهید اینجا جای خوبی برای توریستها نیست. من که در این چند روز نه رستورانی رفتم و حتی یک قوطی آب هم از اینجا نخریدم. قیمت یک بلیت اتوبوس 2.7 فرانک بود. و قیمت یک قوطی کوکا نزدیک 3 فرانک که از کشورهای همسایه اش به مراتب گرانتر محسوب میشود!یک دستگاه فروش داخل ایستگاه ترام در زوریخ. قیمتها بیش از 50 درصد از سایر کشورهای اروپایی گرانترند.از آزادی‌های اجتماعی تا شهر LGBT هایکی از فاکتورهای کیفیت زندگی و نشانه‌ی شهرهای توسعه یافته، آزادی‌های اجتماعی است. اینجا اما خیلییی آزادند. زوریخ پایتخت LGBT سوییس محسوب میشود و آنها سال 2018 با انتخاب یک شهردار همجنسگرا، این را اثبات کردند. سرتاسر شهر نشانه هایی از نماد رنگین کمان میبینی. حتی یک پرچم روی دانشگاه ETHZ نصب شده.پرچم و نمادهای LGBT در بسیاری از جاهای شهر نصب شدهروز جمعه در 14 ژوئن روز اعتصاب بخاطر برابری حقوق زنان بود. در حقیقت آنها بخاطر پیشرفت‌های کند برابر کردن دستمزدهای مردان و زنان دست به اعتراض زده بودند. طبق یک آمار دولت فدرال سوییس، زنان بطور میانگین 19.6 از مردان کمتر حقوق میگیرند.نمایی از بالای دانشگاه ETH زوریخ. دانشجویان نماد برابری جنسیتی را بر روی حیاط دانشگاه نقاشی کرده اند.روز شنبه 15 ژوئن هم زوریخ میزبان «راهپیمایی غرور» برای همجنسگراها و حمایت از LGBT ها بود.راهپیمایی غرور برای حمایت از همجنسگراهاسوئیس چرا سوئیس شد؟این سوال که سوییس چرا سوییس شد؟ و چرا اینقدر ثروتمند و توسعه‌یافته؟ برای همه ما پیش آمده احتمالا. این متن، نظر شخصی یک نفر هست بر روی سایت Quora ، که قاعدتا اطلاعاتش از من خیلی بیشتره در این زمینه. من هم خلاصه‌ای ازش رو ترجمه کردم. مهمترین دلایل ثروتمند شدن کشور سوییس:1. خودداری از تنش با سایر کشورهاموضع بی‌طرفی سوئیس تو جنگ‌های جهانی باعث شد برخلاف همسایه‌هاش دست نخورده و سالم باقی بمونه و البته یه مکان امن برای بانکداری و در نتیجه بانکها بطور چشم‌گیری باعث افزایش ثروت سوئیس شدند. 2. دموکراسی و ساختار سیاسیسوئیس (مثل آلمان و آمریکا) بصورت فدرالی اداره میشه و از 26 تا کانتون تشکیل شده، این ساختار باعث شده، مردم بصورت محلی قوانین‌شون رو تصویب کنن و محدودیت‌ کمتری به کسب و کارها اعمال بشه.نکته جالبتر سیستم دموکراسی مستقیم سوئیس هست، اونها سالانه معمولا 4 رفراندوم مختلف برگزار می‌کنن و راجع به مسائل مهم کشور رای‌گیری میکنن (بجای تصمیم‌گیری توسط نماینده‌های مردم مثل مجلس شورای اسلامی!) مثال جالبش هم مساله "حذف خدمت سربازی اجباری برای پسرها"ست که همیشه بهش "نه" گفتن! یا مثال دیگه مخالفت با پرداخت یارانه 2500 فرانکی به شهروندا بود. :neutral_face:این سطح از کنش اجتماعی و مشارکت مردم توی تصمیم‌گیری، هرچند برای خیلی از کشورها کاربردی نیست به لحاظ زمانبر بودن، سطح سواد عامه مردم و... ولی در بلندمدت نقش مهمی تو حل مشکلاتشون داشته. 3. چند زبانه و قانون‌مدارسه زبان رسمی تو سوئیس هست: آلمانی، فرانسوی و ایتالیایی! که هر کدوم تو بعضی از کانتون‌ها (استان) زبان رسمی هستند. به علاوه اینکه درصد زیادی از مردم به زبان انگلیسی هم مسلط هستند. از طرفی مردم سوییس (درمقایسه با سایر مردم اروپا) قانونمدار، مودب و اجتماعی هستند. این ویژگی‌ها در مجموع باعث شده ارتباطات کاملا گسترده‌ای با کشورهای جهان و خصوصا همسایه‌هاشون داشته باشن. و باعث جذب گردشگر و توسعه تجارتشون بشه.4. بالا نگه داشتن ارزش فرانک (بطور مصنوعی) باعث شده بسیاری از صنایع داخلی‌ امکان صادرات نداشته باشند (چون برای بقیه کشورها گران تموم میشن)، این معادله باعث شده، صنایع ناکارآمد از دور خارج بشن و فقط صنایعی دوام بیارن که قوی و سودآور هستن و بتونن محصول کاملا باکیفیت تولید کنند (مثل طلا و جواهرات، ساعت، دارو، شکلات، و ...).این هم یک آلبوم عکس از سفرنامه. امیدوارم لذت ببرید:photos.app.goo.gl/ZZQaauNpLCN6AoHa9جواد امیریانJavad AmirianJavad AmirianThu, 27 Jun 2019 15:56:45 +0430https://virgool.ir/dataio/lessons-from-history-for-the-future-of-work-jihq4avdidjt(از انقلاب صنعتی تا آینده هوش مصنوعی)قسمت اولتکنولوژی و هوش مصنوعی روز بروز در حال توسعه هستند و در حالی که زندگی بهتر و راحت‌تری را برای ما فراهم می‌کنند به یک تهدید بالقوه برای بشر تبدیل می‌شوند. اما منظورمان از این تهدید، لزوما ربات‌های فیلم ترمیناتور نیست، تهدید، چیزی بسیار نزدیکتر و ملموستر از آن است: خطرات اقتصادی آن و بحران بیکاری پیشِ رو.البته این اولین باری نیست که انسان‌ها از بیکار شدن، به خاطر ماشین ها، بترسند. و عده‌ی کمی را ثروتمند و عده زیادی را بدبخت کنند. بعبارتی از زمان انقلاب صنعتی، همواره مکانیزاسیون، موضوعی بحث برانگیز بوده. ماشین‌ها همیشه تولید را افزایش داده اند و سرانه درآمد را نیز بالا می برند. اما همیشه تهدیدی هستند برای بیکار کردن عده ای از جامعه، پایین نگه داشتن درآمدها و سرریز کردن سود صنايع از جیب کارگر به جیب سرمایه دار. در سال‌های انقلاب صنعتی، جماعتی در انگلیس (Luddites) که به خاطر ماشین‌‌ها از کار بیکار شده بودند، دست به خراب کردن دستگاه‌های نساجی می‌زدند و آنها را آتش می‌زدند. و اما امروز این ربات ها هستند که اشتغال، درآمد و برابری اجتماعی را تهدید می کنند. اما آیا همیشه اینطور بوده که سودِ ناشی از پیشرفت و تکنولوژی، در جیب سرمایه دار رفته؟ آمارها می گویند: پاسخ منفی است. انقلاب صنعتی درآمد مردم در کشورهای غربی را از قرن 18 تا کنون، به بالاترین سطح خود رسانده و آمار بیکاری در این کشورها به پائین ترین حد خود رسیده اند. و با وجود مکانیزاسیون و اتوماسیون شغل های جدید ایجاد شده‌اند و اقتصاد، راه خود را پیدا کرده است. قسمت دوماگر برگردیم و به گذشته نگاهی بیندازیم، می بینیم در برهه‌هایی رشد تکنولوژی به قشر کارگر فشار آورده و خیلیها را از کار بیکار کرده. نمونه بارز آن انقلاب صنعتی در غرب در سالهای 1770 تا 1890 است. در حقیقت قبل از انقلاب صنعتی، پارچه و منسوجات، مهمترین محصولات صنعتی به لحاظ ایجاد اشتغال به شمار می رفتند و اولین صنعتی هم بود که شروع کردند به مکانیزه کردنِ آن.پنبه غالبا از هند به انگلیس می آمد و آنجا تبدیل به پارچه و لباس می شد، دستمزد کارگران انگلیسی هم بالا بود و شرکت‌های تولیدی پوشاک، حسابی مجبور به رقابت بودند و بایستی هزینه‌های خود را کاهش می‌دادند، تا اینکه ماشینهای نساجی برای اولین بار در دهه‌های 60 و 70 قرن هجده اختراع شدند. دستگاه‌های ریسندگی Crompton و Hargreave از این دسته بودند. با این اختراعات چرخهای صنعتِ نساجی و پوشاک سریعتر و سریعتر به چرخش در آمدند. اولین قربانیان این پیشرفت‌های صنعتی، زنان انگلیسی بودند که تا قبل از این با دست، پنبه یا پشم را رشته می‌کردند و از آن نخ تولید می‌کردند و حالا باید جای خود را به ماشین های ریسندگی می دادند. اما این انقلاب با سرعت زیاد، شغلهای بیشتری را می‌بلعید و کسانی که تنها درآمدشان از صنایع دستی بود را از کار بیکار می‌کرد. آمار بیکاران نه فقط در انگلیس که از کازابلانکا تا کانتون در حال افزایش بود. با این وجود سرمایه گذاری برای تولید دستگاه‌های نساجی بیشتر در اقتصادی مانند انگلیس به صرفه بود که در آن دستمزدهای بالایی در قرن 18 به کارگران داده می شد. و کشورهای دیگر انگیزه‌ای برای خرید ماشین آلات گران قیمت نداشتند. بچه هایی که در یک کارخانه نساجی در ایالت جورجیا مشغول کار هستند.بزودی کارخانه‌های نساجی در انگلستان شغل‌های زیادی ایجاد کردند اما در سمت مقابل آمار بیکاری در آفریقا و آسیا بالا می‌رفت. نابود شدن تجارت پنبه در هند، کار را به جایی رساند که لرد ویلیام بنتینک، نماینده بریتانیا در هند گفت: «بزودی استخوان‌های پنبه‌ باف‌ها -از شدت بیکاری و قحطیِ ایجاد شده- دشت‌های هند را سفید خواهند کرد»قسمت سومدر دهه 1820 وضعیت شغلی برای زنان کشاورزهای انگلیسی تعریفی نداشت. آنها فرصت اینکه با ریسندگی بخشی از هزینه خانواده را تامین کنند را (بر خلاف مادرهای خود) از دست می‌دادند. برخی از این زنان انگلیسی موفق می شدند در کارخانه‌های بافندگی کار پیدا کنند، اما تعداد این افراد به مراتب، کمتر از تعداد بیکار شدگان بود. اما در مقابل، وضعیت شغلی برای یک مهندس راه آهن یا بنّا یا دیگر شغل‌های فنی به گونه دیگری به پیش می رفت. و البته وضع کارآفرین‌ها و متخصصان که صنایع مختلف را هدایت و مدیریت می‌کردند بسیار متفاوت بود.ماشین‌های مختلفی هر روز اختراع می شدند و شغل‌های بیشتری در بخش های مختلف صنعت از بین می‌رفتند. نیروی کارِ بیکار شده، به ناچار سراغ بازارهای دیگر می‌رفت و رقابت برای شغلهای باقی مانده بیشتر و بیشتر می‌شد، دستمزدها به تبع کمتر می شدند و نهایتا منجر به کاهش نرخ دستمزد در سطح ملی شده بود.این اتفاقات در زمانی در حال رخ دادن بود که وضعیت صنایع بهتر شده بود و به واسطه استفاده از ماشین ها، حجم تولید بالا رفته بود و سود بیشتری هم عائد صنایع می شد، اما مساله این بود که دستمزدها - بین 1770 تا 1830 - به ندرت زیاد می شدند. و اختلاف طبقاتی در حال افزایش بود. اما از اواسط قرن 19 شرایط کمی متفاوت شد، دستمزدها شروع به افزایش کردند، وقتی که کارخانه‌ها، دیگر نیروی کار دستی را با ماشین آلات جایگزین کرده بودند. در 1850 بریتانیا شده بود : «کارگاه دنیا»، در کشوری که تنها 3 درصد از جمعیت دنیا را داشت، برای مثال نیمی از آهن دنیا را تولید می‌کرد. در ادامه با گسترش انقلاب صنعتی در اروپا و آمریکای شمالی، تولید و دستمزد همزمان با هم رشد می کردند و اگرچه بازه هایی هم بود که شوک هایی به اقتصاد وارد شد مثل رکود 1930 ناشی از جنگ جهانی دوم، اما میانه قرن 19 تا 1970 برهه ای است که قشر کارگر و پایین جامعه از عواید رشد اقتصادی صنایع بهره‌مند می‌شدند و وضعیت معیشت‌شان بهتر می شد. دستمزدها به هم نزدیک می شدند و اختلاف طبقاتی در حال کم شدن بود. اقتصادی که خيلی ها از آن به عنوان یک اقتصاد سالم و نرمال یاد می کنند.روند دستمزدها در بریتانیا در اواخر قرن ۱۸ تا آخر قرن ۱۹. تا ۱۸۳۰ با اینکه درآمد ملی رشد قابل توجهی داشت، اما سهم طبقه کارگر از این رشد ناچیز بود و دستمزدهای واقعی خیلی افزایش نداشتند. بعد از ۱۸۳۰ این روند متفاوت شد.این که چگونه این وضعیت مطلوب ایجاد شده بود، خود یک سوال بنیادی و بسیار مهم است که در قسمت بعد به آن خواهیم پرداخت.قسمت چهارمعلت بهبود شرایط اقتصادی ایجاد شده بعد از انقلاب صنعتی به نظر خیلی از متخصصان اقتصاد یک چیز است: وجود یک فیدبک مثبت در داخل نظام اقتصادی غرب. با این فیدبک مثبت، افزایش درآمدها، نیاز به کالاهای تولیدی تجملاتی(یا بهتر بگویم غیر ضروری) را بیشتر می کرد (مثلا اول نیاز به دوچرخه و سپس اتومبیل) و همینطور نیاز به خدمات جدید و متنوع (حمل و نقل، تجارت خرد، خدمات پزشکی... ). این فرایند، بازارهایی را ایجاد می‌کرد که خود، تکنولوژی را به سمت جلو تشویق میکردند و به شغلهایی جدید منجر می‌شد که توسط تحصیلکرده‌ها قابل انجام باشند. (مانند پزشک، مهندس، تکنسین و ...)نیاز به نیروی کار تحصیلکرده، سیستم آموزش دولتی را گسترش داد. افزایش نرخ تحصیلکرده‌ها، خود به خود باعث بوجود آمدن تکنولوژیهایی می شد که از این دانش‌های کسب شده استفاده کنند. و دوباره به نیاز به تحصیلات بیشتر و شغلهای جدیدتر و همینطور این چرخه ی فیدبک مثبت شکل گرفت. هم زمان، خدمات زیرساختی، نظیر جاده ها و فرودگاهها، برای توسعه‌ی صنایع، حیاتی‌تر شدند. تحقیقات پزشکی، کشاورزی، فناوریهای نظامی مثل الکترونیک و هواپیما در این چرخه در حال پیشرفت بودند. رفاه جمعی در این الگوی اقتصاد، کمک می کرد تا تمام جمعیت و نه فقط طبقه ثروتمند، از این پیشرفت‌ها بهره‌مند شوند. اما این مساله در آسیا و آفریقا برعکس بود. قبل از انقلاب صنعتی، هند و چین بزرگترین بخش‌های صنعت را در دنیا، از آن خود داشتند زیرا آنها بزرگترین جمعیت‌ها را داشتند و قبل از فرایند جهانی سازی، کاملا خودکفا بودند. اما با سرعت گرفتن انقلاب صنعتی، سهم بریتانیا از بازار کالاهای تولیدی بیشتر شد و چیزی نزدیک به یک چهارم بازار دنیا را قبضه کرد. سهم اروپای غربی و آمریکای شمالی هم در این حین افزایش یافته بود. در حالی که سهم چین و هند از بازار دنیا بسیار افت کرده بود.توزیع میزان تولید در کشورهای مختلف از قرن ۱۸ تا الان. طلوع و غروب بریتانیا، کوچک شدن سهم هند و چینی که روز بروز دارد سهم بیشتری از بازار را از آن خود میکند.این انقلاب تکنولوژیک که خوشبختی را برای غرب به ارمغان آورد، منجر به مفهومی به نام کشورهای توسعه نیافته در آسیا، آفریقا و آمریکای جنوبی شد. و آنها را به اقتصادهایی تبدیل کرد که به جای کالاهای ثانویه مانند لباس و ظروف چینی و... مواد اولیه -مانند گندم، برنج، نفت- صادر می کردند. و آینده سختی را برای این کشورها رقم زد. در قسمت بعد می‌بینیم که رابطه بحران اقتصادی بعدی با این حادثه تاریخی چیست.قسمت پنجمدر چهار دهه گذشته، بخش تولید در کشورهای توسعه یافته، شاهد از دست رفتن شغل‌های زیادی بوده، درآمدهای واقعی کاهش یافته یا غالبا ثابت مانده و جامعه شاهد بوجود آمدن شکاف طبقاتی جدیدی است که بر خلاف جریان سابق در بازه 1850 تا 1970 است (که در آن تولید و درآمد جامعه همزمان با هم رشد می‌کردند).برخی ها معتقدند که فیدبک بین آموزش و فناوری دوباره برقرار خواهد شد و موج جدیدی از شغل های تخصصی‌تر در راه‌اند که جایگزین شغلهای از دست رفته خواهند شد (همانطور که برنامه نویسی یا مهندسی کامپیوتر از پرتقاضاترین شغل‌های نوظهور هستند). این عده کماکان معتقدند که کامپیوتر و رباتها، بشریت را نجات خواهند داد و نظر منفی‌ای نسب به آنها ندارند.اما در سوی دیگری عده‌ای به این روند بدبین هستند. در حقیقت، روندِ رشدِ درآمدِ همراستا با تولید، که تا دهه 70 برقرار بود در دهه 80 و 90 متوقف شده و در دهه گذشته حتی درآمدها رو به کاهش هستند (بطور مثال در انگلستان) و مهمتر اینکه آمارها نشان می‌دهد که این وضعیت یک وضعیت گذرا و موقت نیست و بلکه نشان از آغاز یک موج جدید است.روند دستمزدها در بریتانیا در آمریکا بعد از دهه ۷۰ دارد همان مسیر انقلاب صنعتی را نشان میدهد. و شاهد یک رکود جدید در دستمزدها هستیم. بطور مشابه، پدیده شکاف طبقاتی در کشورهای توسعه یافته (مثلا آمریکا و انگلیس) بطور بی‌سابقه‌ای رشد کرده. (به این پدیده Kuznets curve می‌گویند که تا قبل از صنعتی شدنِ یک کشور، شکاف طبقاتی، شیب صعودی دارد اما پس از صنعتی شدن، کاهش پیدا خواهد کرد.) این نشان می‌دهد که موج جدیدی از صنعتی شدن یا بعبارتی دیگر یک انقلاب جدید در راه است که می تواند چرخه انقلاب صنعتی را تکرار کند.منحنی Kuznets، مقایسه شیب اختلاف طبقاتی قبل و بعد از صنعتی شدن البته باید توجه داشت که بخشی از اختلاف طبقاتی بوجود آمده در غرب، ناشی از صنعتی شدن کشورهای شرق آسیاست. ژاپن از 1870 شروع کرده، کره و تایوان از ‌زمان جنگ جهانی دوم، و اکنون نیز چین بسرعت در حال صنعتی شدن است. این پدیده، موقعیت کشورهای آسیایی را که تا قبل از این بازار مصرفی غرب بودند برعکس کرده، و اکنون این آسیاست که نخ، فولاد و کالای تولیدی خود را به غرب صادر میکند و این خودروهای کره‌ای و ژاپنی‌اند که بازار کشورهای غربی را تسخیر کرده اند.اما بهرحال، مساله این است که بدون فهم درستی از ارتباط میان علم و تکنولوژی و اقتصاد نمی‌توان پیش بینی خوبی از آینده اقتصاد دنیا داشت. مثلا در انقلاب صنعتی، موتور بخار، حاصل تلاش‌ها و اکتشافات علمی قرن 17 بود در حالی که اختراع دستگاه‌های نساجی، بیشتر، مدیون تلاش کارخانه‌ها برای افزایش بهره‌وری و تولید بودند.نکته اینجاست که هر چقدر پیشرفت‌های فناوری در پاسخ به نیازهای اقتصادی جامعه باشند (تا اینکه حاصل اکتشافات تصادفی دانشمندان)، احتمالا اقشار بیشتری را منتفع خواهد کرد و باعث کاهش اختلاف طبقاتی می‌شوند. (همانگونه که با ظهور دستگاه‌های نساجی، تقاضا برای نیروهای تحصیل نکرده نیز بیشتر شد) قسمت ششم (آخر)در قسمت قبل گفتیم که شاخص های اقتصادی، نشان از موج جدیدی از تغییرات دارد که به آن AI Revolution یا انقلاب هوش مصنوعی می‌گویند. در واقع ما تازه در آغاز این انقلاب هستیم و تا امروز، فقط شغلهای اندکی تحت تاثیرات این انقلاب قرار گرفته‌اند (مثلا مترجمی متن، کارگری در انبار و ...) اما در چند دهه آینده این تغییرات و موجها بسیار سنگین‌تر خواهند شد.شغلهایی که در معرض خطر جایگزین شدن بوسیله اتوماسیون قرار دارندخب چاره چیست و چگونه می توان این انقلاب را متوقف کرد یا حداقل تحت کنترل درآورد؟بهتر است بگوییم این سوال، پاسخ روشنی ندارد اما حداقل سه طرز فکر متفاوت برای برخورد با این موضوع وجود دارد:1. مداخله گری: در حقیقت این طرز تفکر در حال گسترش است و اقتصاددان‌ها و حتی بعضا کسانی که به آرمانشهر هوش مصنوعی معتقدند، به این نتیجه رسیده اند که برای مداخله و کُند کردنِ سرعت توسعه هوش مصنوعی یا حتی توقف کامل آن، باید سیاست‌هایی اتخاذ کرد. به عبارتی اگر جامعه به این نتیجه برسد که هوش مصنوعی برای اقتصاد و سلامت جامعه مضر است چرا جلوی آن از الان گرفته نشود؟ (به نظر من این فرضیه سیستم های سرمایه‌داری را به شدت به خطر می‌اندازد و بعید است سرمایه‌داران به چنین سیاستی تن دهند.)2. نظریه اقتصادی Laissez faire (به فرانسوی یعنی بگذار انجام بشه): این نظریه‌ی کلی در اقتصاد است که می‌گوید دخالت در روند طبیعی پدیده‌ها همیشه آثار منفی‌تری را در پی دارد و بهترین کار این است که اجازه دهیم سیستم اقتصادی، خودش مسیر خودش را پیدا کند و نهایتا به تعادل خواهد رسید (هر چند تضمینی نیست که در کوتاه مدت این تعادل برقرار شود و چه بسا کارگرانی که بیکار می‌شوند و افراد زیادی را بدبخت کنیم)3. با کمک AI با AI بجنگیم! : این نظریه (که هنوز خودم را هم قانع نکرده) معتقد است می‌توان با کمک هوش مصنوعی به پیش بینی تاثیر اختراعات و نوآوری‌های جدید در زندگی بشر بپردازیم و امید است که آن دسته از نوآوریها که منجر به تهدید بشر می شوند را شناسایی کرده و از حالا پیشگیری کنیم.خلاصه اقتصاددان‌هایی نظیر Doyne Farmer استاد دانشگاه آکسفورد، باور دارند که بشر مهارتهای خود را در مواجهه با رباتها نشان خواهد داد و میتوان از این پیچ تاریخیِ سخت، عبور کرد.برگرفته از مقاله زیر:https://www.nature.com/news/lessons-from-history-for-the-future-of-work-1.22825جواد امیریانJavad AmirianJavad AmirianThu, 30 May 2019 23:06:09 +0430