تازه های تکنولوژی

۵ حقیقت شگفت انگیز در ریاضیاتReviewed by رامتین اردشیری فر on Mar 25Rating: 5.0

ریاضیات برای شما حقایقی شگفت انگیز را برای امتحان محدودیت ذهنی شما آماده کرده است. آنها تناقضات و خصیصه های ذاتی احتمال هستند. اگر شما دنبال یک راه حل ریاضی برای تحت تاثیر قرار  دادن دوستان و فریب دادن دشمنان خود هستید؛ اینجا یک مکان عالی برای شروع است!

۱.پارادوکس تاریخ تولد

فرض کنید شما در یک اداره‌ی ۲۳ نفری هستید. با فرض اینکه هیچ‌کس نمی‌تواند متولد ۳۰ اسفند باشد؛ احتمال آن که دو نفر در اداره‌ی شما تاریخ تولد یکسانی داشته باشند چه قدر است؟ در یک اداره ۵۷ نفره چطور؟

جواب:  در بین ۲۳ نفر ۵۰ درصد و در بین ۵۷ نفر ۹۹ درصداحتمال وجود دارد که دو نفر تاریخ تولد یکسانی داشته باشند.

حتماً می‌دانبد که بنابر اصل لانه کبوتری، در صورتی که جمعیت اداره به ۳۶۶ نفر برسد، حداقل دو نفر تاریخ تولد یکسانی خواهند داشت.  هرچند، باور اینکه در یک اداره 57 نفری به احتمال 99 درصد دو نفر تاریخ تولد یکسانی داشته باشند کمی سخت است.

اما چگونه به این جواب رسیدیم؟

بیایید به اداره‌ی ۲۳ نفری برگردیم تا ببینیم چگونه چنین چیزی امکان پذیر است. ما برای محاسبه این مقدار برای آسان تر شدن محاسبه از روش اصل متمم (احتمال قرار نگرفتن تاریخ تولد دو نفر در یک روز یکسان) استفاده خواهیم کرد. در برخی از پرسش‌های شمارشی، شمردن حالت‌های نا مطلوب از مطلوب ساده تر است. برای حل این پرسش‌ها در اکثر اوقات از اصل متمم استفاده می‌کنیم. بنابراین احتمال اینکه دو نفر تاریخ تولد یکسانی نداشته باشند، اینگونه محاسبه می‌شود:

و احتمال اینکه سه نفر تاریخ تولد یکسان نداشته باشند:

و همچنین چهار نفر:

بدین جهت، بیست و سه نفری که تاریخ تولد یکسانی ندارند ۴۹.۲۷ درصد است:

این بدین معنی است ۵۰.۷ درصد (۵۰.۷=۴۹.۳ – ۱۰۰) احتمال وجود دارد که حداقل دو نفر تاریخ تولد یکسانی داشته باشند.

جالب است بدانید که اگر تعداد افراد به ۷۵ نفر برسد، به احتمال ۹۹.۹درصد دو نفر دارای تاریخ تولد یکسان خواهند بود. برای امتحان دیگر احتمالات و مشاهده نتایج آن‌ها می‌توانید از قسمت زیر استفاده کنید:

۲. قانون بنفورد

در ۳۰ درصد موارد رقم اول اعدادی که در جهان با آن مواجه می‌شویم، عدد «۱» است.

قانون بِنفورد  یا قانون رقم اول می‌گوید که در فهرست عددهایی که در بسیاری از (البته نه همهٔ) پدیده‌های زندگی واقعی رخ می‌دهند، رقم اول عددها به طور خاص و غیریکنواختی توزیع می‌شود. بر طبق این قانون، تقریباً در یک‌سوم موارد رقم نخست ۱ است، و عددهای بزرگ‌تر در رقم نخست به ترتیب با بسامد کمتری رخ می‌دهند، و عدد ۹ کمتر از یک بار در هر بیست عدد ظاهر می‌شود.این موضوع توسط فرانک بنفورد فیزیکدان در سال ۱۹۳۸ کشف شد. میزان ظاهر شدن بقیه‌ی اعداد در رقم اول نیز توزیع لگاریتمی به شکل زیر دارد:

از قانون بنفورد برای صحت نتایج به دست آمده انتخابات، اطلاعات مالی، حسابرسی‌های قانونی و … استفاده می‌کنند. چرا که اگر حساب‌ها با قانون بنفورد مطابقت نداشته باشند به این معنی خواهد بود که حساب‌ها و اعداد به احتمال فراوان جعلی هستند.

همچنین در دنباله‌ی اعداد فیبوناجی:

{… ۳۴ و ۲۱ و ۱۳ و ۸ و ۵ و ۳ و ۲ و ۱ و ۱}

فاکتوریل و مجموعه‌ی توان‌های عدد ۲ نیز قانون بنفورد دیده می‌شود.

این قانون به ظاهر عجیب در بسیاری از داده‌ها برقرار است، مثلاً در صورتحساب‌های برق، شمارهٔ خیابان‌ها، قیمت سهام، مقدار جمعیت، آمار مرگ‌ومیر، طول رودخانه‌ها، ثابت‌های فیزیک و ریاضیات، و فرایندهایی که از توزیع توانی پیروی می‌کنند (که در طبیعت بسیار فراوانند). این قانون مستقل از پایه‌ای که عددها در آن بیان می‌شوند برقرار است، هرچند که احتمال تکرار عددها در هر پایه متفاوت از پایه‌های دیگر است. اگر چه قانون بنفورد قطعاً در بسیاری از مواقع به صورت شهودی صدق می‌کند ، اما توضیح علمی آن در سال ۱۹۹۸ توسط هیل، ریاضیدان، با استفاده از قضایای حد مرکزی-گونه داده شده‌است.در حقیقت تا پیش از سال ۱۹۹۶ هیچ‌کس نتوانست علت قانون بنفورد را به درستی توضیح دهد.

۳. …۰.۹۹۹ برابر ۱ است!

راه‌های زیادی برای اثبات این حقیقت که…۰.۹۹۹=۱ است وجود دارد، اما همچنان برخی از مردم ایم موضوع را رد می‌کنند. برای مثال، اثبات زیر به خوبی این قضیه را نشان می‌دهد:

x = 0.999…

10x = 9.999…

10x – x = 9.999… – 0.999…

9x = 9

x = 1

یکی از دلایلی که سبب می‌شود مردم این قضیه را متوجه نشوند، نداشتن فهم درستی از مفهوم بی‌نهایت است. برخی‌ها تصور می‌کنند در نهایت این نقطه چین‌ها بالاخره به یک عدد 9 نهایی ختم می‌شوند در حالی که این طور نیست. اعداد را می‌توان به شکل‌های متفاوت نمایش داد که در اینجا …۰.۹۹۹ شکل دیگری از عدد یک است. دلیل این موضوع ارتباط نزدیکی با مفهوم حد و بی‌نهایت در ریاضیات دارد. اگر اثبات بالا برای شما کافی نبود، می‌توانید از این اثبات ساده تر استفاده کنید:

⅓ = 0.333…

3 * ⅓ = 3 * 0.333…

1 = 0.999…

۴. معمای مانتی هال

بگذارید بگوییم که شما در یک نمایش تلویزیونی هستید و مجری برنامه به شما سه درب نشان می‌دهد، پشت یکی از درب ها یک ماشین آخرین مدل و پشت درب ‌های دیگر دو بز قرار دارد. هنگامی که شما یک درب را انتخاب می‌کنید، مجری یکی از دو دربی که انتخاب نکرده بودید را باز می‌کند تا یکی از بز‌ها را مشاهده کنید.

مجری از شما می‌پرسد که آیا مایل به تغییر دادن درب انتخابی هستید؟ یا اینکه می‌خواهید همان انتخاب اولتان پابرجا باشد؟شما چه کاری انجام خواهید داد؟

اگر فکر می‌کنید که چون دو درب باقی مانده و شانس شما برای هر پنجاه درصد است؛ شما در اشتباه هستید! بهترین استراتژی برای پیروزی تغییر دربی است که بار اول انتخاب نموده‌اید. اما چگونه چنین چیزی ممکن است؟

احتمال انتخاب  دربی که پشت آن ماشین قرار دارد در اولین حرکت ۱/۳ است. از طرفی شانس باخت در صورت تعویض درب هم ۱/۳ است. بنابراین کسی که درب انتخابی اش را تغییر دهد، ۲/۳ شانس پیروزی دارد؛ یعنی دو برابر حالت اول که درب انتخابی را تغییر نداده‌اید. توجه داشته باشید که مکان ماشین در پشت درب ها ثابت است و  از دلایلی که باعث می‌شود شانس پیروزی با تغییر درب بیشتر شود همین مورد است.

اگر درب شماره یک را انتخاب کنید؛ جدول زیر تمام حالات ممکن را نشان می‌دهد:

اگر درب انتخابی خود را عوض نکنید، از هر سه بار، تنها یک بار برنده می‌شوید، در حالی که در صورت تعویض درب، دو بار در هر سه بار برنده خواهید شد.

هنوز در درستی این مطلب تردید دارید؟ این بار مسئله را با ۵۰ درب در نظر بگیرید و فرض کنید که درب اول را انتخاب نموده‌اید. مجری با باز کردن ۴۸ درب، ۴۸ بز به شما نشان خواهد داد!

البته تمامی توضیحات بالا تنها در صورتی درست خواهند بود که شما قصد بردن ماشین را داشته باشید و نه بز را!

۵. تخمین عدد پی با رسم یک مربع و یک دایره و تعدادی دانه‌ی شن

1. دایره‌ای به شعاع r را درون مربعی به ضلع 2r محاط کنید. در این صورت مساحت دایره برابر  πr² و مساحت مربع برابر 4r² خواهد شد. در ادامه چندین شکل با اندازه یکسان (برای مثال، دانه‌های شن یا برنج) را در سرتاسر مربع روی آن به طور یکنواخت پخش کنید.
2. سپس تعداد اشیاء درون دایره را بشمارید، در چهار ضرب کنید و عدد به دست آمده را بر تعداد کل اشیاء درون مربع تقسیم نمایید.
3. نسبت اشیاء درون دایره در مقابل اشیاء درون مربع تقریباً برابر خواهد بود با ۴/π، که همان نسبت سطح دایره‌است به سطح مربع؛ بنابراین شما تخمینی از عدد π را به دست آورده‌اید.

این روش، به روش مونت کارلو مشهور است. به طور کلی این روش به محاسبات آماری که با نمونه‌گیری تصادفی همراه است اطلاق می‌شود.

توجه داشته باشید که روش فوق زمانی بهترین جواب را می‌دهد که:

• محل قرار گیری دانه‌های شن کاملاً تصادفی باشند.
• تعداد دانه‌ها زیاد باشد.

منبع: Business Insider

تبدیل تصاویر سیاه و سفید به رنگی با هوش مصنوعیReviewed by رامتین اردشیری فر on May 25Rating: 4.5

محققان با ساخت هوش مصنوعی، رنگ آمیزی تصاویر سیاه و سفید را به صورت کاملاً خودکار امکان پذیر کرده‌اند. هوش مصنوعی دیگر به قدری پیشرفت کرده که قادر به انجام کار های شگفت انگیز در تمامی زمینه‌ها، مخصوصاً پردازش تصویر شده است.

در  پروژه‌های هوش مصنوعی که در مورد رنگی کردن خودکار عکس‌های قدیمی سیاه و سفید است؛ پیشرفت‌هایی حاصل شده است. بیش از این، رنگی کردن عکس‌ها و فیلم‌ها تنها به صورت دستی و با نرم افزار‌هایی مانند فوتوشاپ انجام می‌گرفت.

پژوهشگران از هوش مصنوعی برای طبقه بندی کامل تصاویر استفاده کردند و سپس به مشخص کردن بخش‌هایی از تصویر که نیاز به رنگ شدن داشتن پرداختند. تحقیقات قبلی در زمینه رنگ آمیزی خودکار تصاویر نیازمند انجام عملیات زیادی به صورت دستی بود. در روش‌های خودکار پیشین کاربر ملزم به ارائه یک تصویر مرجع شبیه به تصویر سیاه و سفید داشت تا عملیات به صورت خودکار انجام شود. یکی از این روش‌های قدیمی تنها قادر به رنگ آمیزی کامل گروه خاصی از تصاویر مانند عکس‌هایی از مناظر طبیعی بود. همین طور رنگ آمیزی‌ اکثر تصاویری که به گروه‌های دیگری ختم می‌شد به صورت کامل و تماماً دستی توسط نرم افزار‌های فوتوشاپ و افتر افکت انجام می گرفت.

اما در تحقیقات اخیر، محققان نشان دادند که روش جدید آن‌ها قادر به رنگ آمیزی اکثر تصاویر سیاه و سفید  است. آن‌ها برای اثبات ادعای خود گروهی از عکس‌های سیاه و سفید از موضوعات مختلف را رنگی کردند.

نا به حال چند پروژه به صورت متن باز منتشر شده است که از بین آن‌ها می‌توان به پروژه دانشگاه Waseda در ژاپن، پروژه  دانشگاه کالیفرنیا در برکلی ، پروژه دانشگاه شیکاگو، و پروژه شخصیِ فردی به نام Ryan Dahl اشاره کرد.

در اکثر این پروژه‌ها عملکرد خوبی دیده می‌شود، اما همچنان ضعف‌هایی دیده می‌شود. زیرا رنگ صحیح اجسام درون تصویر را نمی‌توان به صورت مستقیم از تصویر سیاه و سفید به دست آورد؛ بنابراین هوش مصنوعی باید قادر باشد تا نوع و رنگ اجسام را از طریق یادگیری ماشینی که از چند میلیون عکس رنگی به دست آورده است، حدس بزند.

از این شیوه برای رنگ آمیزی خودکار فیلم‌های سیاه و سفید قدیمی به صورت فریم به فریم نیز می‌توان استفاده نمود. در این روش فیلم به هزاران عکس تبدیل می‌شود و سپس هر عکس در طی پروسه‌ای رنگی می‌شوند و در آخر دوباره برای تبدیل به فیلم، به یک دیگر چسبیده می‌شوند.

کارتونی رنگی شده با استفاده از پروژه دانشگاه کالیفرنیا:

در ادامه تفاوت‌های هر پروژه به نمایش گذاشته شده است:

آیا حاضر به کشتن یک نفر برای نجات پنج نفر هستید؟Reviewed by رامتین اردشیری فر on Jul 30Rating: 5.0

اگر مجبور به انتخاب بین مرگ و زندگی چند نفر شوید؛ چه می‌کنید؟ آیا حاضر به کشتن افرادی برای نجات زندگی دیگر انسان‌ها هستید؟ در این مطلب با یکی از چالش برانگیز ترین آزمایش‌های روانشناسی تاریخ آشنا شوید!

تصور کنید در کنار ریل یک قطار ایستاده اید. در کمی دورتر پنج کارگر را مشاهده می‌کنید که در حال کار روی ریل قطار هستند و نمی‌توانند صدای آمدن قطار را بشنوند و حتی اگر قادر به تشخیص آمدن قطار شوند؛ نمی‌توانند در زمان مناسب از جلوی آن کنار روند. شما نیز قادر به هشدار دادن به آن‌ها نیستید.

از آن جا که این فاجعه باعث مرگ آن پنج نفر می‌شود، شما اقدام به راهی برای نجاتشان می‌کنید و یک اهرم متصل به ریل، توجهتان را جلب می‌کند. اگر این اهرم را بکشید، مسیر حرکت قطار به ریل دوم تغییر می‌کند و شما از برخورد قطار به پنج کارگر جلوگیری خواهید کرد. اما در پایین ریل دوم، یک کارگر تنها ایستاده است که نمی‌داند همکاران خود در چه حالی هستند.

بنابراین، آیا شما اهرم را می‌کشید تا جان یک نفر گرفته شود اما پنج نفر نجات پیدا کنند؟

این مسئله که به عنوان تنگنا یا دوراهی تراموای برقی شناخته می‌شود، برای اولین بار توسط فیلیپا فوت در سال ۱۹۶۷ مطرح و توسط جدیت جاروس تامسون در سال ۱۹۸۵ باز طراحی شد.

این مسئله به ما اجازه می‌دهد تا به نتایج عمل خود فکر کنیم و در نظر بگیریم که آیا ارزش اخلاقی آن تنها با نتیجه آن تعیین می شود یا خیر. دو راهی تراموای برقی می‌تواند وسیله‌ای بسیار انعطاف پذیر برای کاوش شهود اخلاقی ما و دیگر سناریو‌ها مانند جنگ، شکنجه، سقط جنین و کشتن از سر ترحم باشد.

حال این مسئله را به شکل دیگری در نظر بگیرید؛ نصور کنید که روی یک پل عابر پیاده بالای تراموا ایستاده‌اید. شما می‌توانید پنج کارگر را در فاصله‌ای دورتر روی ریل ببینید، اما هیچ اهرمی برای تغییر مسیر تراموا وجود ندارد.

با این حال، مرد بزرگی در کنار شما روی پل ایستاده است و شما مطمئن هسنید که با انداختن او روی ریل قادر به متوقف ساختن تراموا هستید.

بنابراین، شما این مرد چاق را روی ریل تراموا برای نجات آن پنج نفر هل خواهید داد؟

نتیجه این دو سناریو یکسان است: یک نفر می‌میرد، پنج نفر دیگر زندگی خواهند گرد. نکته جالب اینجاست که اکثر مردم در سناریو اول ترجیح می‌دهند اهرم را کشیده تا پنج نفر را نجات دهند؛ اما در سناریو دوم افراد کمی هل دادن مرد چاق را تایید می‌کنند.

برخی از فیلسوف‌ها و دیگران راهی بسیار ترسناک را معرفی می‌کنند. آن‌ها حتی به اهرم دست نمی‌زنند.

این مسئله را به شکل دیگری نیز می‌توان بیان کرد: تصور کنید که یک دکتر هستید و پنج بیمار دارید که برای ادامه زندگی نیاز به پیوند اعضا دارند. دو نفر از آن‌ها نیاز به یک ریه، دو نفر دیگر نیاز به یک کلیه و پنجمین نفر نیاز به قلب دارد.

از طرفی دیگر شما یک بیمار دارید که دارد دوره نقاهت خود را پشت سر می‌گذارد و یک پایش شکیته است اما دیگر اعضای بدن او به خوبی کار می‌کنند. شما حاضر هستید که این بیمار را بکشید تا اعضای بدن او را بین آن پنج نفر تقسیم کنید و باعث نجات آن‌ها شوید؟

این مسئله‌هم مانند سناریو اول می‌باشد؛ اما اکثر مردم کشتن بیمار سالم را رد می‌کنند.

اگر‌در همه‌ی حالات فوق نتیجه یکسان است؛ چرا اکثر مردم تنها می‌خواهند اهرم را بکشند، اما مرد چاق را از روی پل هل ندهند یا بیمار سالم را نکشند؟ آیا به این معنی است که مسائل اخلاقی همیشه قابل اعتماد و منطقی نیست؟ ما تصمیماتی را با آن که می‌دانیم تبعاتی منفی دارد را اجرا می‌کنیم و تنها با تغییر صورت مسئله و همان نتایج از اجرای آن خودداری می‌کنیم. شاید عوامل دیگری در تصمیم گیری ما نقش داشته باشد.

در سناریو اول، کشیدن اهرم  که باعث کشته شدن یک نفر و نجات پنج نفر می‌شود به صورت مستقیم اعمال نمی‌شود. اما در سناریو دوم شما با هل دادن مرد چاق به صورت مستقیم مرتکب قتل عمدی می‌شوید و به معنای واقعی فعل کشتن را انجام می‌دهید.

قانون اصل دو نتیجه (double effect) بیان می‌کند اگر یک کار منفی برای دستیابی به کاری مثبت به صورت غیر مستقیم (در اینجا کشیدن اهرم) انجام شود قابل انجام است اما اگر به صورت  مستقیم انجام شود (ما ند هل دادن مرد چاق) جایز نیست. با این حال اکثر فیلسوف‌ها این قانون را نمی‌پذیرند و آن‌ را توجیه مناسبی برای مسئله تراموا‌ی برقی به شمار نمی‌آورند.

اگر این موضوع را در نظر بگیریم که همه حقوقی برابر دارند پس شاید بتوان گفت کشتن یک نفر به قصد نجات پنج نفر می‌تواند منطقی به نظر برسد. اما آیا میزان ارزش یک فرد به میزان حقوق اوست؟

تحقیقات انجام شده توسط محققان علوم اعصاب نشان می‌دهد در هر سناریو مسئله تراموای برقی قسمت‌هایی مشخص از مغز فعال می‌شود. آن‌ها متوجه شدند در سناریو اول (کشیدن اهرم)  بخش مربوط به فعالیت‌های منطقی و در سناریو دوم (هل دادن مرد چاق) بخش احساسات مغز بیشتر درگیر می‌شود. به همین دلیل در برابر کشته شدن یک فرد حس بدی نا خوشایندی به ما دست می‌دهد.

  آیا احساسات ما می‌تواند منجر به تصمیم گیری صحیح شود؟ حتی اگر سبب نجات پنج نفر شویم باید از مردن هر شخصی جلوگیری کنیم؟

از این آزمایش فکری ساده می‌توان به کشتن سریع یک نفر یا اجازه دادن به مردن یک نفر اما با درد اشاره کرد. ذر فرهنگ عامه می‌توان به فیلم سینمایی Eye In The Sky اشاره کرد.

اگر شما با چنین مسئله‌ای مواجه می‌شدید چه می‌کردید؟

آیا حاضر به کشتن یک نفر برای نجات پنج نفر هستید؟Reviewed by رامتین اردشیری فر on Jul 30Rating: 5.0

اگر مجبور به انتخاب بین مرگ و زندگی چند نفر شوید؛ چه می‌کنید؟ آیا حاضر به کشتن افرادی برای نجات زندگی دیگر انسان‌ها هستید؟ در این مطلب با یکی از چالش برانگیز ترین آزمایش‌های روانشناسی تاریخ آشنا شوید!

تصور کنید در کنار ریل یک قطار ایستاده اید. در کمی دورتر پنج کارگر را مشاهده می‌کنید که در حال کار روی ریل قطار هستند و نمی‌توانند صدای آمدن قطار را بشنوند و حتی اگر قادر به تشخیص آمدن قطار شوند؛ نمی‌توانند در زمان مناسب از جلوی آن کنار روند. شما نیز قادر به هشدار دادن به آن‌ها نیستید.

از آن جا که این فاجعه باعث مرگ آن پنج نفر می‌شود، شما اقدام به راهی برای نجاتشان می‌کنید و یک اهرم متصل به ریل، توجهتان را جلب می‌کند. اگر این اهرم را بکشید، مسیر حرکت قطار به ریل دوم تغییر می‌کند و شما از برخورد قطار به پنج کارگر جلوگیری خواهید کرد. اما در پایین ریل دوم، یک کارگر تنها ایستاده است که نمی‌داند همکاران خود در چه حالی هستند.

بنابراین، آیا شما اهرم را می‌کشید تا جان یک نفر گرفته شود اما پنج نفر نجات پیدا کنند؟

این مسئله که به عنوان تنگنا یا دوراهی تراموای برقی شناخته می‌شود، برای اولین بار توسط فیلیپا فوت در سال ۱۹۶۷ مطرح و توسط جدیت جاروس تامسون در سال ۱۹۸۵ باز طراحی شد.

این مسئله به ما اجازه می‌دهد تا به نتایج عمل خود فکر کنیم و در نظر بگیریم که آیا ارزش اخلاقی آن تنها با نتیجه آن تعیین می شود یا خیر. دو راهی تراموای برقی می‌تواند وسیله‌ای بسیار انعطاف پذیر برای کاوش شهود اخلاقی ما و دیگر سناریو‌ها مانند جنگ، شکنجه، سقط جنین و کشتن از سر ترحم باشد.

حال این مسئله را به شکل دیگری در نظر بگیرید؛ نصور کنید که روی یک پل عابر پیاده بالای تراموا ایستاده‌اید. شما می‌توانید پنج کارگر را در فاصله‌ای دورتر روی ریل ببینید، اما هیچ اهرمی برای تغییر مسیر تراموا وجود ندارد.

با این حال، مرد بزرگی در کنار شما روی پل ایستاده است و شما مطمئن هسنید که با انداختن او روی ریل قادر به متوقف ساختن تراموا هستید.

بنابراین، شما این مرد چاق را روی ریل تراموا برای نجات آن پنج نفر هل خواهید داد؟

نتیجه این دو سناریو یکسان است: یک نفر می‌میرد، پنج نفر دیگر زندگی خواهند گرد. نکته جالب اینجاست که اکثر مردم در سناریو اول ترجیح می‌دهند اهرم را کشیده تا پنج نفر را نجات دهند؛ اما در سناریو دوم افراد کمی هل دادن مرد چاق را تایید می‌کنند.

برخی از فیلسوف‌ها و دیگران راهی بسیار ترسناک را معرفی می‌کنند. آن‌ها حتی به اهرم دست نمی‌زنند.

این مسئله را به شکل دیگری نیز می‌توان بیان کرد: تصور کنید که یک دکتر هستید و پنج بیمار دارید که برای ادامه زندگی نیاز به پیوند اعضا دارند. دو نفر از آن‌ها نیاز به یک ریه، دو نفر دیگر نیاز به یک کلیه و پنجمین نفر نیاز به قلب دارد.

از طرفی دیگر شما یک بیمار دارید که دارد دوره نقاهت خود را پشت سر می‌گذارد و یک پایش شکیته است اما دیگر اعضای بدن او به خوبی کار می‌کنند. شما حاضر هستید که این بیمار را بکشید تا اعضای بدن او را بین آن پنج نفر تقسیم کنید و باعث نجات آن‌ها شوید؟

این مسئله‌هم مانند سناریو اول می‌باشد؛ اما اکثر مردم کشتن بیمار سالم را رد می‌کنند.

اگر‌در همه‌ی حالات فوق نتیجه یکسان است؛ چرا اکثر مردم تنها می‌خواهند اهرم را بکشند، اما مرد چاق را از روی پل هل ندهند یا بیمار سالم را نکشند؟ آیا به این معنی است که مسائل اخلاقی همیشه قابل اعتماد و منطقی نیست؟ ما تصمیماتی را با آن که می‌دانیم تبعاتی منفی دارد را اجرا می‌کنیم و تنها با تغییر صورت مسئله و همان نتایج از اجرای آن خودداری می‌کنیم. شاید عوامل دیگری در تصمیم گیری ما نقش داشته باشد.

در سناریو اول، کشیدن اهرم  که باعث کشته شدن یک نفر و نجات پنج نفر می‌شود به صورت مستقیم اعمال نمی‌شود. اما در سناریو دوم شما با هل دادن مرد چاق به صورت مستقیم مرتکب قتل عمدی می‌شوید و به معنای واقعی فعل کشتن را انجام می‌دهید.

قانون اصل دو نتیجه (double effect) بیان می‌کند اگر یک کار منفی برای دستیابی به کاری مثبت به صورت غیر مستقیم (در اینجا کشیدن اهرم) انجام شود قابل انجام است اما اگر به صورت  مستقیم انجام شود (ما ند هل دادن مرد چاق) جایز نیست. با این حال اکثر فیلسوف‌ها این قانون را نمی‌پذیرند و آن‌ را توجیه مناسبی برای مسئله تراموا‌ی برقی به شمار نمی‌آورند.

اگر این موضوع را در نظر بگیریم که همه حقوقی برابر دارند پس شاید بتوان گفت کشتن یک نفر به قصد نجات پنج نفر می‌تواند منطقی به نظر برسد. اما آیا میزان ارزش یک فرد به میزان حقوق اوست؟

تحقیقات انجام شده توسط محققان علوم اعصاب نشان می‌دهد در هر سناریو مسئله تراموای برقی قسمت‌هایی مشخص از مغز فعال می‌شود. آن‌ها متوجه شدند در سناریو اول (کشیدن اهرم)  بخش مربوط به فعالیت‌های منطقی و در سناریو دوم (هل دادن مرد چاق) بخش احساسات مغز بیشتر درگیر می‌شود. به همین دلیل در برابر کشته شدن یک فرد حس بدی نا خوشایندی به ما دست می‌دهد.

  آیا احساسات ما می‌تواند منجر به تصمیم گیری صحیح شود؟ حتی اگر سبب نجات پنج نفر شویم باید از مردن هر شخصی جلوگیری کنیم؟

از این آزمایش فکری ساده می‌توان به کشتن سریع یک نفر یا اجازه دادن به مردن یک نفر اما با درد اشاره کرد. ذر فرهنگ عامه می‌توان به فیلم سینمایی Eye In The Sky اشاره کرد.

اگر شما با چنین مسئله‌ای مواجه می‌شدید چه می‌کردید؟

تبدیل تصاویر سیاه و سفید به رنگی با هوش مصنوعیReviewed by رامتین اردشیری فر on May 25Rating: 4.5

محققان با ساخت هوش مصنوعی، رنگ آمیزی تصاویر سیاه و سفید را به صورت کاملاً خودکار امکان پذیر کرده‌اند. هوش مصنوعی دیگر به قدری پیشرفت کرده که قادر به انجام کار های شگفت انگیز در تمامی زمینه‌ها، مخصوصاً پردازش تصویر شده است.

در  پروژه‌های هوش مصنوعی که در مورد رنگی کردن خودکار عکس‌های قدیمی سیاه و سفید است؛ پیشرفت‌هایی حاصل شده است. بیش از این، رنگی کردن عکس‌ها و فیلم‌ها تنها به صورت دستی و با نرم افزار‌هایی مانند فوتوشاپ انجام می‌گرفت.

پژوهشگران از هوش مصنوعی برای طبقه بندی کامل تصاویر استفاده کردند و سپس به مشخص کردن بخش‌هایی از تصویر که نیاز به رنگ شدن داشتن پرداختند. تحقیقات قبلی در زمینه رنگ آمیزی خودکار تصاویر نیازمند انجام عملیات زیادی به صورت دستی بود. در روش‌های خودکار پیشین کاربر ملزم به ارائه یک تصویر مرجع شبیه به تصویر سیاه و سفید داشت تا عملیات به صورت خودکار انجام شود. یکی از این روش‌های قدیمی تنها قادر به رنگ آمیزی کامل گروه خاصی از تصاویر مانند عکس‌هایی از مناظر طبیعی بود. همین طور رنگ آمیزی‌ اکثر تصاویری که به گروه‌های دیگری ختم می‌شد به صورت کامل و تماماً دستی توسط نرم افزار‌های فوتوشاپ و افتر افکت انجام می گرفت.

اما در تحقیقات اخیر، محققان نشان دادند که روش جدید آن‌ها قادر به رنگ آمیزی اکثر تصاویر سیاه و سفید  است. آن‌ها برای اثبات ادعای خود گروهی از عکس‌های سیاه و سفید از موضوعات مختلف را رنگی کردند.

نا به حال چند پروژه به صورت متن باز منتشر شده است که از بین آن‌ها می‌توان به پروژه دانشگاه Waseda در ژاپن، پروژه  دانشگاه کالیفرنیا در برکلی ، پروژه دانشگاه شیکاگو، و پروژه شخصیِ فردی به نام Ryan Dahl اشاره کرد.

در اکثر این پروژه‌ها عملکرد خوبی دیده می‌شود، اما همچنان ضعف‌هایی دیده می‌شود. زیرا رنگ صحیح اجسام درون تصویر را نمی‌توان به صورت مستقیم از تصویر سیاه و سفید به دست آورد؛ بنابراین هوش مصنوعی باید قادر باشد تا نوع و رنگ اجسام را از طریق یادگیری ماشینی که از چند میلیون عکس رنگی به دست آورده است، حدس بزند.

از این شیوه برای رنگ آمیزی خودکار فیلم‌های سیاه و سفید قدیمی به صورت فریم به فریم نیز می‌توان استفاده نمود. در این روش فیلم به هزاران عکس تبدیل می‌شود و سپس هر عکس در طی پروسه‌ای رنگی می‌شوند و در آخر دوباره برای تبدیل به فیلم، به یک دیگر چسبیده می‌شوند.

کارتونی رنگی شده با استفاده از پروژه دانشگاه کالیفرنیا:

در ادامه تفاوت‌های هر پروژه به نمایش گذاشته شده است:

۵ حقیقت شگفت انگیز در ریاضیاتReviewed by رامتین اردشیری فر on Mar 25Rating: 5.0

ریاضیات برای شما حقایقی شگفت انگیز را برای امتحان محدودیت ذهنی شما آماده کرده است. آنها تناقضات و خصیصه های ذاتی احتمال هستند. اگر شما دنبال یک راه حل ریاضی برای تحت تاثیر قرار  دادن دوستان و فریب دادن دشمنان خود هستید؛ اینجا یک مکان عالی برای شروع است!

۱.پارادوکس تاریخ تولد

فرض کنید شما در یک اداره‌ی ۲۳ نفری هستید. با فرض اینکه هیچ‌کس نمی‌تواند متولد ۳۰ اسفند باشد؛ احتمال آن که دو نفر در اداره‌ی شما تاریخ تولد یکسانی داشته باشند چه قدر است؟ در یک اداره ۵۷ نفره چطور؟

جواب:  در بین ۲۳ نفر ۵۰ درصد و در بین ۵۷ نفر ۹۹ درصداحتمال وجود دارد که دو نفر تاریخ تولد یکسانی داشته باشند.

حتماً می‌دانبد که بنابر اصل لانه کبوتری، در صورتی که جمعیت اداره به ۳۶۶ نفر برسد، حداقل دو نفر تاریخ تولد یکسانی خواهند داشت.  هرچند، باور اینکه در یک اداره 57 نفری به احتمال 99 درصد دو نفر تاریخ تولد یکسانی داشته باشند کمی سخت است.

اما چگونه به این جواب رسیدیم؟

بیایید به اداره‌ی ۲۳ نفری برگردیم تا ببینیم چگونه چنین چیزی امکان پذیر است. ما برای محاسبه این مقدار برای آسان تر شدن محاسبه از روش اصل متمم (احتمال قرار نگرفتن تاریخ تولد دو نفر در یک روز یکسان) استفاده خواهیم کرد. در برخی از پرسش‌های شمارشی، شمردن حالت‌های نا مطلوب از مطلوب ساده تر است. برای حل این پرسش‌ها در اکثر اوقات از اصل متمم استفاده می‌کنیم. بنابراین احتمال اینکه دو نفر تاریخ تولد یکسانی نداشته باشند، اینگونه محاسبه می‌شود:

و احتمال اینکه سه نفر تاریخ تولد یکسان نداشته باشند:

و همچنین چهار نفر:

بدین جهت، بیست و سه نفری که تاریخ تولد یکسانی ندارند ۴۹.۲۷ درصد است:

این بدین معنی است ۵۰.۷ درصد (۵۰.۷=۴۹.۳ – ۱۰۰) احتمال وجود دارد که حداقل دو نفر تاریخ تولد یکسانی داشته باشند.

جالب است بدانید که اگر تعداد افراد به ۷۵ نفر برسد، به احتمال ۹۹.۹درصد دو نفر دارای تاریخ تولد یکسان خواهند بود. برای امتحان دیگر احتمالات و مشاهده نتایج آن‌ها می‌توانید از قسمت زیر استفاده کنید:

۲. قانون بنفورد

در ۳۰ درصد موارد رقم اول اعدادی که در جهان با آن مواجه می‌شویم، عدد «۱» است.

قانون بِنفورد  یا قانون رقم اول می‌گوید که در فهرست عددهایی که در بسیاری از (البته نه همهٔ) پدیده‌های زندگی واقعی رخ می‌دهند، رقم اول عددها به طور خاص و غیریکنواختی توزیع می‌شود. بر طبق این قانون، تقریباً در یک‌سوم موارد رقم نخست ۱ است، و عددهای بزرگ‌تر در رقم نخست به ترتیب با بسامد کمتری رخ می‌دهند، و عدد ۹ کمتر از یک بار در هر بیست عدد ظاهر می‌شود.این موضوع توسط فرانک بنفورد فیزیکدان در سال ۱۹۳۸ کشف شد. میزان ظاهر شدن بقیه‌ی اعداد در رقم اول نیز توزیع لگاریتمی به شکل زیر دارد:

از قانون بنفورد برای صحت نتایج به دست آمده انتخابات، اطلاعات مالی، حسابرسی‌های قانونی و … استفاده می‌کنند. چرا که اگر حساب‌ها با قانون بنفورد مطابقت نداشته باشند به این معنی خواهد بود که حساب‌ها و اعداد به احتمال فراوان جعلی هستند.

همچنین در دنباله‌ی اعداد فیبوناجی:

{… ۳۴ و ۲۱ و ۱۳ و ۸ و ۵ و ۳ و ۲ و ۱ و ۱}

فاکتوریل و مجموعه‌ی توان‌های عدد ۲ نیز قانون بنفورد دیده می‌شود.

این قانون به ظاهر عجیب در بسیاری از داده‌ها برقرار است، مثلاً در صورتحساب‌های برق، شمارهٔ خیابان‌ها، قیمت سهام، مقدار جمعیت، آمار مرگ‌ومیر، طول رودخانه‌ها، ثابت‌های فیزیک و ریاضیات، و فرایندهایی که از توزیع توانی پیروی می‌کنند (که در طبیعت بسیار فراوانند). این قانون مستقل از پایه‌ای که عددها در آن بیان می‌شوند برقرار است، هرچند که احتمال تکرار عددها در هر پایه متفاوت از پایه‌های دیگر است. اگر چه قانون بنفورد قطعاً در بسیاری از مواقع به صورت شهودی صدق می‌کند ، اما توضیح علمی آن در سال ۱۹۹۸ توسط هیل، ریاضیدان، با استفاده از قضایای حد مرکزی-گونه داده شده‌است.در حقیقت تا پیش از سال ۱۹۹۶ هیچ‌کس نتوانست علت قانون بنفورد را به درستی توضیح دهد.

۳. …۰.۹۹۹ برابر ۱ است!

راه‌های زیادی برای اثبات این حقیقت که…۰.۹۹۹=۱ است وجود دارد، اما همچنان برخی از مردم ایم موضوع را رد می‌کنند. برای مثال، اثبات زیر به خوبی این قضیه را نشان می‌دهد:

x = 0.999…

10x = 9.999…

10x – x = 9.999… – 0.999…

9x = 9

x = 1

یکی از دلایلی که سبب می‌شود مردم این قضیه را متوجه نشوند، نداشتن فهم درستی از مفهوم بی‌نهایت است. برخی‌ها تصور می‌کنند در نهایت این نقطه چین‌ها بالاخره به یک عدد 9 نهایی ختم می‌شوند در حالی که این طور نیست. اعداد را می‌توان به شکل‌های متفاوت نمایش داد که در اینجا …۰.۹۹۹ شکل دیگری از عدد یک است. دلیل این موضوع ارتباط نزدیکی با مفهوم حد و بی‌نهایت در ریاضیات دارد. اگر اثبات بالا برای شما کافی نبود، می‌توانید از این اثبات ساده تر استفاده کنید:

⅓ = 0.333…

3 * ⅓ = 3 * 0.333…

1 = 0.999…

۴. معمای مانتی هال

بگذارید بگوییم که شما در یک نمایش تلویزیونی هستید و مجری برنامه به شما سه درب نشان می‌دهد، پشت یکی از درب ها یک ماشین آخرین مدل و پشت درب ‌های دیگر دو بز قرار دارد. هنگامی که شما یک درب را انتخاب می‌کنید، مجری یکی از دو دربی که انتخاب نکرده بودید را باز می‌کند تا یکی از بز‌ها را مشاهده کنید.

مجری از شما می‌پرسد که آیا مایل به تغییر دادن درب انتخابی هستید؟ یا اینکه می‌خواهید همان انتخاب اولتان پابرجا باشد؟شما چه کاری انجام خواهید داد؟

اگر فکر می‌کنید که چون دو درب باقی مانده و شانس شما برای هر پنجاه درصد است؛ شما در اشتباه هستید! بهترین استراتژی برای پیروزی تغییر دربی است که بار اول انتخاب نموده‌اید. اما چگونه چنین چیزی ممکن است؟

احتمال انتخاب  دربی که پشت آن ماشین قرار دارد در اولین حرکت ۱/۳ است. از طرفی شانس باخت در صورت تعویض درب هم ۱/۳ است. بنابراین کسی که درب انتخابی اش را تغییر دهد، ۲/۳ شانس پیروزی دارد؛ یعنی دو برابر حالت اول که درب انتخابی را تغییر نداده‌اید. توجه داشته باشید که مکان ماشین در پشت درب ها ثابت است و  از دلایلی که باعث می‌شود شانس پیروزی با تغییر درب بیشتر شود همین مورد است.

اگر درب شماره یک را انتخاب کنید؛ جدول زیر تمام حالات ممکن را نشان می‌دهد:

اگر درب انتخابی خود را عوض نکنید، از هر سه بار، تنها یک بار برنده می‌شوید، در حالی که در صورت تعویض درب، دو بار در هر سه بار برنده خواهید شد.

هنوز در درستی این مطلب تردید دارید؟ این بار مسئله را با ۵۰ درب در نظر بگیرید و فرض کنید که درب اول را انتخاب نموده‌اید. مجری با باز کردن ۴۸ درب، ۴۸ بز به شما نشان خواهد داد!

البته تمامی توضیحات بالا تنها در صورتی درست خواهند بود که شما قصد بردن ماشین را داشته باشید و نه بز را!

۵. تخمین عدد پی با رسم یک مربع و یک دایره و تعدادی دانه‌ی شن

1. دایره‌ای به شعاع r را درون مربعی به ضلع 2r محاط کنید. در این صورت مساحت دایره برابر  πr² و مساحت مربع برابر 4r² خواهد شد. در ادامه چندین شکل با اندازه یکسان (برای مثال، دانه‌های شن یا برنج) را در سرتاسر مربع روی آن به طور یکنواخت پخش کنید.
2. سپس تعداد اشیاء درون دایره را بشمارید، در چهار ضرب کنید و عدد به دست آمده را بر تعداد کل اشیاء درون مربع تقسیم نمایید.
3. نسبت اشیاء درون دایره در مقابل اشیاء درون مربع تقریباً برابر خواهد بود با ۴/π، که همان نسبت سطح دایره‌است به سطح مربع؛ بنابراین شما تخمینی از عدد π را به دست آورده‌اید.

این روش، به روش مونت کارلو مشهور است. به طور کلی این روش به محاسبات آماری که با نمونه‌گیری تصادفی همراه است اطلاق می‌شود.

توجه داشته باشید که روش فوق زمانی بهترین جواب را می‌دهد که:

• محل قرار گیری دانه‌های شن کاملاً تصادفی باشند.
• تعداد دانه‌ها زیاد باشد.

منبع: Business Insider

دانشمندان علائم اوتیسم در موش‌ها را از بین بردندReviewed by رامتین اردشیری فر on Mar 10Rating: 5.0

گروهی از محققان دانشگاه MIT، در یک آزمایش تازه ، موفق به تغییر علائم اوتیسم به سادگی فعال سازی یک ژن در موش‌ها شدند. آن‌ها توانستند بیماری اوتیسم را کاهش دهند یا به طور کامل از بین ببرند.

هرچند انجام این آزمایش روی انسان‌ها  راه درازی را در پیش دارد اما پژوهشگران از نتیجه‌ی آزمایش که باعث  ناپدید شدن علائم اوتیسم در موش‌های جوان و مسن شده است هیجان زده شدند.
گفته می‌شود مغز یک شخص بالغ از آن چه که قبلاً تصور می‌شد انعطاف پذیرتر است و علائم مأیوس کننده اوتیسم به طور بالقوه می تواند حتی در افراد مسن حذف شود.

Guoping Feng ، سرپرست گروه پژوهشی و پروفسور MIT در زمینه‌ی علوم ذهنی و مغزی می‌گوید:

نتایج تحقیقات نشان می‌دهد که حتی در گونه‌های بزرگسال هم مغز تا درجه‌‌ای دارای انعطاف‌پذیری قابل تاملی است. مدارک بسیار بیشتری وجود دارد که نشان می‌دهد علائم بیماری اوتیسم قابل تغییر دادن است. ما امیدواریم در آینده بتوانیم درمانی برای بیماران اوتیسم توسعه دهیم.

محققان با تغییر ژنتیکی موش‌ها، آن‌ها را بدون ژنی به نام “Shank3” به دنیا آوردند.  مطالعات متعددی که انجام شده است نشان می‌دهد  ژن “شنک 3”  با بیماری اتیسم ارتباط  دارد و  تخمین زده می‌شود این ژن در یک درصد از بیماران اوتیسم از بین رفته است.

کار ژن شنک۳  رمزگذاری نوعی پروتئین  در  سیناپس‌ها بین سلول‌های مغز است. بنابراین این ژن در ارتباط بین سلول‌ها نقش مهمی دارد. پژوهشگران متوجه شدند که سلول‌ مغز موش‌هایی که بدون ژن شنک۳ به دنیا آمده‌اند به درستی رشد پیدا نمی‌کند؛ به خصوص در منطقه‌ای از مغز که شامل سیستم پاداش، به نام استریاتوم (striatum) است.

را در میان سلول‌های مغزی انجام می‌دهد و برای چگونگی ارتباط صحیح آنها با یکدیگر ژنی بسیار حیاتی و مهم به شمار می‌رود. فنگ و گروهش وقتی موش‌ها را دستکاری ژنی کرده و آنها بدون شنک۳ به دنیا آوردند، به این نکته پی بردند که سلول‌های مغزی این موش‌ها به خوبی پرورش نمی‌یابند. این اثر به طور ویژه در بخشی از مغز به نام استریاتوم (striatum) بیشتر بود. استراتیوم با فعالیت‌های وابسته به سیستم پاداش مغز وابسته است.

همچنین در این موش‌ها تعدادی از رفتار‌هایی مشخص مانند اضطراب، تکرار اجباری از وظایف، و اجتناب اجتماعی همانند کسانی که بیماری اوتیسم دارند دیده شد.

با این حال، برخی از این علائم بعد از فعال سازی مجدد ژن در موش‌هایی بین 2 و 4.5 ماه ( در مقیاس موش‌ها به عنوان دوره‌ی بزرگسالی است) به سادگی دادن داروی tamoxifen (دارویی که برای درمان سرطان سینه استفاده می‌شود)  ناپدید شد. موش‌ها پس از این فعالسازی به مقدار بیشتری در روابط جمعی شرکت می‌کردند و همچنین میزان تیمار کردن‌های مکرر هم کاهش یافته بود.

در واقع، دانشمندان نشان دادند که فعال سازی ژن موجب می‌شود تا مغز خودش را بازسازی کند. با توجه به این واقعیت که آن‌ها شاهد افزایش شمار ستون‌های دندریتیک (dendritic spines) در استراتیوم بودند. ستون‌های دندریتیک به شاخه‌های کوچکی هستند که نورون‌ها از آنها برای ارتباط با همدیگر استفاده می‌کنند.

اما با این حال، متاسفانه برخی از نشانه‌های مرتبط با اوتیسم مانند اضطراب و برخی از مشکلات هماهنگی حرکتی کماکان وجود داشتند. پژوهشگران یافتند که این علائم را تنها می‌توان با فعال سازی ژن شنک۳ در بیست روز پس از تولد از بین برد.  این گروه امیدوار است تا  با انجام تحقیقات بیشتر  به درک این موضوع که چرا در این دوره هنوز علائم اوتیسم قابل تغییر هستند نزدیک شوند. همچنین آن‌ها خواهان کشف راهی برای درمان دامنه‌ی بیشتری از بیماران هستند زیرا پژئهشگران نمی‌خواهند روش آنها تنها به یک درصدی که بدون ژن شنک۳ هستند محدود باشد.

هرچند مدتی زمان می‌برد تا نتایج این تحقیقات برای انسان‌ قابل استفاده باشد؛ اما این دستاورد جدید آن را تبدیل به یک جهش رو به جلوی‌ هیجان انگیز در درک یک اختلال عصبی پیچیده تبدیل نموده  که در طول ۴۰ سال گذشته میزان ابتلا به آن ۱۰ برابر شده است.

امیدواریم در چند سال آینده، شاهد آن باشیم تا محققان به حل رمز و راز اوتیسم نزدیک‌تر شوند.

راکت مدیر عامل آمازون با قابلیت استفاده‌ی مجددReviewed by رامتین اردشیری فر on Nov 27Rating: 4.5

جف بزوس (مدیر عامل فروشگاه اینترنتی آمازون و مالک آژانس فضایی بلو اوریجین)  سرانجام توانست اولین راکت جهان را با قابلیت استفاده مجدد پس از پرتاب تا ارتفاع صد کیلومتری زمین بسازد و از ایلان ماسک، مدیر عامل شرکت فضایی خصوصی Space X پیشی بگیرد.

Blue Origin یک شرکت فضایی خصوصی متعلق به جف بزوس، مدیر عامل آمازون، است. شرکت بلو اوریجین سرمایه خود را از بخشی از ثروت  جف بزوس تأمین می‌کند.  این شرکت از ایلان ماسک و شرکت Space X برای معرفی راکت با قابلیت استفاده‌ی مجدد سبقت گرفته و به تازگی وسیله‌ی نقلیه‌ی فضایی New Shepard (را که متشکل از راکت BE-3 و کپسولی برای حمل سرنشینان است به ارتفاع ۱۰۰.۵ کیلومتری که فضای زیر جو است، پرتاب کرده است. این موشک به افتخار «آلن شپرد»، این نام را به خود گرفته است، او نخستین آمریکایی بود که در سال ۱۹۶۱ توانست به فضا برود، البته او صرفا به یک ارتفاع زیرمداری صعود کرد.

در گذشته راکت‌ها پس از پرتاب شدن به فضا بی‌استفاده می‌شدند و تقریبا از بین می‌رفتند. از این رو دراختیار داشتن راکت‌های قابل استفاده مجدد می‌تواند از هزینه‌های ماموریت‌های فضایی تاحدی قابل توجه بکاهد به طوری که مردم عادی نیز قابلیت سفر به فضا را نیز داشته باشند.

البته ایلان ماسک و شرکت او (Space X) فصد ساخت راکتی را دارند که بتواند فضاپیما ها را به ارتفاعی بیش از صد کیلومتری زمین ببرد (از جو زمین خارج شود) و دوباره فرود آید. هر چند راکت شرکت Space X (فالکون ۹) در ارتفاع ۸۰ کیلومتری از فضاپیما جدا می‌شود، اما به دلیل سرعت بالای ۱۰ ماخی آن هنگام جدا شدن نسبت به سرعت ۳.۷ ماخی راکت نیوشپرد باعث می‌شود تا فالکون ۹ به ارتفاع ۱۴۵ کیلومتری زمین صعود کند و از آن ارتفاع بر روی زمین فرود آید.  به همین دلیل فالکون ۹ تا به حال موفق به فرود سالم بر روی زمین نشده است. هرچند بیش از این در سال ۲۰۱۳ شرکت Space X موفق به ارسال یک راکت تا ارتفاع ۷۴۴ متری زمین به نام Grasshopper شده بود که به سلامت به روی زمین فرود آمده بود.

پیشران فضاپیمای New Shepard طوری طراحی شده است تا بتواند بصورت عمودی فرود بیاید. یعنی می‌توان بارها از آن استفاده‌ی دوباره کرد. در پرتاب اخیر، واحد پیشران تنها ۱.۴ متر دورتر از نقطه‌ی هدف فرود آمد. کپسول حامل انسان‌ها هم در ارتفاع بالا از پیشران جدا می‌شود و سپس با استفاده از تعدادی چتر، به سمت زمین فرود می‌آید. این کپسول قابلیت استفاده‌ی مجدد را نیز دارد. مسافران درون کپسول می‌توانند به مدت ۴ دقیقه بی‌وزنی را تجربه کنند.

- - , .

جهان در سال ۲۰۱۵ از نگاه گوگل چه گذشت؟Reviewed by رامتین اردشیری فر on Dec 31Rating: 5.0

در سال 2015 ما بارها در اینترنت جستجو نمودیم. اما به راستی، این جستجوها درباره‌ی ما چه می‌گویند؟ گوگل امسال ‌هم پرجستجو‌ ترین عبارات را منتشر نمود.

در ادامه مروری بر مهم‌ترین جستجو ها خواهیم داشت:

پاریس در معرض حمله ( +۸۹۷ میلیون)

در سال 2015، مردم عبارت‌هایی که در برگیرنده‌ی “حمله به شهر پاریس” بود را بیش از ۸۹۷ میلیون بار جستجو کردند.

اسکار 2015 (+۴۰۶ میلیون)

گرایش جستجو برای مراسم اسکار براساس کشور (ایران در رتبه‌ی ۴۵) :

جام جهانی کریکت‬‬ (+۳۲۳ میلیون)

جام جهانی کریکت بیش از ۳۲۳ میلیون جستجو را به خود اختصاص داد.

جام جهانی راگبی (+۲۴۶ میلیون)

فیلم جنگ ستارگان (+۱۵۵ میلیون)

جام جهانی فوتبال زنان (+۱۱۳ میلیون)

ملکه‌ای با طولانی‌ترین دوره سلطنت (۱۰۰+ میلیون)

خطای دید در لباس (+۷۳ میلیون)

زلزله در نپال (+۸۵میلیون)

گرایش جستجو در زلزله‌های سال ۲۰۱۵ (ایران در رتبه ۸)

‫‫بحران مهاجرت (+۲۳ میلیون)

‫‫توافق هسته‌ای ایران (+۲۰ میلیون)

پس از اعلام توافق هسته‌ای، کشورهای سراسر جهان برنامه هسته‌ای ایران را جستجو کردند.

‫‫آب در کره مریخ (+۱۰ میلیون)

سیاره‌هایی که بیشتر از همه در جهان درباره آن‌ها جستجو شد:

یرای مشاهده اطلاعات بیشتر در مورد جستجو‌ها می‌توانید به سایت گوگل مراجعه کنید.

- - , .

هوش مصنوعی تا چه اندازه باهوش است؟Reviewed by رامتین اردشیری‌فر on Jan 28Rating: 5.0

پژوهشگران در حال تلاش برای بهبود عملکرد هوش مصنوعی در تمامی زمینه‌ها هستند؛ اما آیا آنها به این امر دست یافته اند؟ در ادامه مطلب با ما همراه باشید تا نگاهی بر هوش مصنوعی و پیشرفت آن داشته باشیم.

هوش مصنوعی چیست؟

هوش مصنوعی شاخه‌ای از علوم کامپیوتر است که در آن به ساخت ماشین‌هایی هوشمند پرداخته می‌شود که مانند انسان‌ها عمل می‌کنند و واکنش انجام می‌دهند.یک عامل هوشمند، سیستمی است که با شناخت محیط اطراف خود، شانس موفقیت خود را پس از تحلیل و بررسی افزایش می‌دهد. هوش مصنوعی در آینده‌ای نه چندان دور زندگی بیشنر انسان‌ها را تحت تاثیر قرار خواهد داد. بنا بر تحقیق معتبر دانشگاه آکسفورد که در سال ۲۰۱۳ انجام گرفته است؛ ۴۷ درصد از کل جایگاه‌های شغلی ایالات متحده در سال ۲۰۳۰ به شکل اتوماسیون و بدون حضور انسان انجام می‌گیرند. همچنین برنامه‌نویسان و مهندسان نرم‌افزار در ۲۰ سال آینده تنها ۸ درصد امکان اتوماسیون شغلشان وجود دارد. محققین براین باوراند که نهایتا مهندسان نرم‌افزار روزی با برنامه‌ای هوشمند جایگزین خواهند شد؛ برنامه ای که می‌تواند کدها را خود کپی کند، بنویسد و آن‌ها را بهبود بخشد.

پیشرفت هوش مصنوعی – میزان خطای هوش مصنوعی در هر سال – خط قرمز رنگ میزان خطای انسانی آموزش دیده است

آموزش و یادگیری چگونه انجام می‌شود؟

مهندسی دانش بخش بزرگی از پژوهش‌های مورد نیاز هوش مصنوعی را تشکیل می‌دهد. ماشین‌ها در صورتی می‌توانند مانند انسان‌ها رفتار کنند که اطلاعات فراوانی از جهان اطراف خود داشته باشند.

یادگیری ماشین نیز یکی دیگر از بخش‌های اصلی هوش مصنوعی است. آموزش به ماشین به شکل‌های گوناگونی دسته بندی شده است. ساده ترین راه برای یادگیری ماشین روش “آزمون و خطا” است.  برای مثال، یک برنامه ساده برای کیش و مات کردن شاهِ حریف در یک بازی شطرنج را در نظر بگیرید. برنامه مهره‌های شطرنج را به صورت تصادفی آن قدر حرکت می‌دهد تا موفق به کیش و مات کردن طرف مقابل شود و در دفعه‌ی بعدی که همین مسئله‌  دوباره به کامپیوتر داده شود می‌تواند سریعاً مسئله را حل کند و پاسخ را بیابد.

هدف یادگیری ماشینی این است که کامپیوتر (در کلی‌ترین مفهوم آن) بتواند به تدریج و با افزایش داده‌ها بازدهی بالاتری در وظیفهٔ مورد نظر پیدا کند. گستردهٔ این وظیفه می‌تواند از تشخیص خودکار چهره با دیدن چند نمونه از چهرهٔ مورد نظر تا فراگیری شیوهٔ گام‌برداری برای روبات‌های دوپا با دریافت سیگنال پاداش و تنبیه باشد. یکی از پروژه‌های معروف یادگیری ماشینی، پروژه‌ی تشخیص سن از روی تصویرِ شرکت مایکروسافت است.

هوش مصنوعی به چند نوع تقسیم می‌شود؟

آنچه امروزه به هوش مصنوعی مشهور است به دو دسته‌ی “ANI” و “AGI” تقسیم می‌شود.

ANI

ANI مخفف Artificial Narrow Intelligence (هوش محدود مصنوعی) است و معمولاً به آن “هوش مصنوعی ضعیف” هم می‌گویند. این نوع هوش مصنوعی تنها می‌تواند در یک حیطه‌ی محدودی از تخصص فعالیت کند. برای مثال می‌توان به آبی بزرگ (Big Blue) اشاره کرد. ابر کامپیوتری که IBM در سال ۱۹۹۷ ساخت تا بزرگ‌ترین شطرنج بازان جهان را شکست دهد. آبی بزرگ یک کار را بسیار عالی انجام می‌دهد: شکست انسان در شطرنج. اما تخصص آن به همین مورد محدود می‌شود.

شاید تا به حال متوجه این موضوع نبوده باشید، ولی همین حالا هم توسط هوش مصنوعی ضعیف یا ANI محاصره شده‌ایم. ماشین‌هایی که عادات جستجوی شما در گوگل را ردگیری می‌کنند و بر اساس هزاران متغییر مختلف تبلیغات مناسب را برای شما به نمایش در می‌آورند، بر اساس ANI های ابتدایی ساخته شده‌اند که در طول زمان سلایق شما را یاد می‌گیرند. مثال دیگر فیلترهای هوشمند سرویس‌های ایمیل برای پاکسازی اینباکس شما از اسپم است. سیستم‌هایی که در یک لحظه بین میلیون‌ها پیام به جستجو می‌پردازند و تصمیم می‌گیرند که کدام یک واقعی است و کدام باید حذف شود.

هوش‌ مصنوعی امروزی کار‌هایی را انجام می‌دهد که از قبل برای آن برنامه ریزی شده ‌است. برای مثال دستیار‌های صوتی امروزه به صورتی برنامه ریزی شده‌اند که تنها قادر به نمایش وضعیت آب و هوا،ارسال پیام، تنظیم آلارم، پخش آهنگ و … باشند. آن‌ها کار‌هایی خارج از چیزی که برایشان از قبل تعریف شده انجام نمی‌دهند. آن‌ها فکر نمی‌کنند و دارای احساسات نیستند و برای جواب سوالاتی‌ که از آن‌ها می‌پرسیم برنامه‌ریزی شده اند. در واقع پایگاه داده‌ای از مجوعه‌ی سوال و جواب به آن‌ها داده شده است. شاید برای رفع این مشکل نیاز به شبیه سازی یک مغز مانند مغز انسان باشد! این گونه دستیار‌های صوتی، خود قادر به جمله سازی برای پاسخ به سوالات کاربران هستند و دیگر پاسخ‌های تکراری نمی‌دهند. (برخی از دستیار‌های صوتی مانند کورتانا، پاسخ برخی از سوالات پیچیده را در اینترنت جستجو می‌کند و جواب می‌دهند.)

ANI نسخه‌ی مفید و نسبتاً بی‌ضرر هوش ماشین است که می‌تواند به تمام بشریت سود برساند؛ زیرا اگرچه قادر به پردازش میلیاردها عدد و درخواست در یک زمان است، اما همچنان مقید به عمل در یک حیطه‌ی خاص است که آن عملکرد هم محدود به تعداد ترانزیستورهایی است که ما به آن اجازه می‌دهیم داشته باشد. در سمت دیگر، هوش مصنوعی‌ای که نگرانی بسیاری را بر انگیخته است “Artificial General Intelligence” (هوش عمومی مصنوعی) یا به اختصار AGI است.

AGI

ساختن چیزی که حتی با کمی اغماض بتوان نام AGI بر آن گذاشت می‌تواند بزرگترین دستاورد علوم کامپیوتر باشد و اگر روزی به آن دست پیدا کنیم، همه‌ی زوایای جهانی را که می‌شناسیم را تغییر خواهد داد. موانع زیادی برای رسیدن به هوش مصنوعی برابر با ذهن انسان وجود دارد. یکی از موانع این است که هرچند شباهت‌های زیادی بین نحوه‌ی عملکرد مغز ما و شیوه‌ی پردازش اطلاعات توسط کامپیوترها وجود دارد، اما وقتی نوبت به تفسیر اطلاعات مانند مغز انسان می‌رسد، ماشین‌ها عادت بدی دارند که بیش از حد به جزئیات توجه می‌کنند. شاید حکایت کسی که برای تفریح به طبیعت رفته بود و “درخت ها نمی‌گذاشتند جنگل را ببیند!” به خوبی توصیف کننده‌ی این وضعیت باشد.

دانشمندان در پی شبیه سازی مغز انسان هستند. اما به دلیل توان کم ابر کامپیوتر‌های فعلی و مصرف زیاد انرژی این کار به صورت کامل امکان پذیر نیست. IBM برای رفع مشکل مصرف انرژی ابر کامپیوتر‌ها، در حال توسعه‌ی تراشه‌هایی مبتنی بر شبکه‌‌های عصبی است. IBM تا به حال توانسته به قدرتی فراتر از قدت پردازشی مغز یک موش دست پیدا کند. اندازه کل مجموعه‌ی طراحی شده برابر با سایز یک یخچال کوچک است.

درون این مجموعه بسته‌‌های کوچکی به اندازه‌ی درایو دیسک سخت ( هارد درایو) رایانه قرار گرفته است. داخل این بسته‌های کوچک تراشه‌هایی که همگی مبتنی بر فناوری شبکه‌های عصبی هستند قرار گرفته‌اند. IBM این تراشه‌ها را TrueNorth نام گذاریکرده است.  این تراشه‌ها با استفاده از سیلیکون و متشکل از آنالوگ‌های فیزکی طراحی شده‌اند که شامل نئورون‌ها و سیناپس‌ها (ارتباط بین نئورون) هستند و به صورت اختصاصی برای فعالیت در بستر شبکه‌های عصبی طراحی شده‌اند.

هر تراشه شامل بیش از یک میلیون نئورون و ۲۵۶ سیناپس بین نئورون‌ها است. درون هر بسته  بیش از ۴۸ میلیون نئورون سیلیکونی قرار گرفته که تعداد آن‌ها از نئورون‌های موجود در غشا مغزی یک موش بیشتر است. مغز موش‌ها بیش از ۲۱ میلیون نئورون در خود جای داده است. با در نظر گرفتن این موضوع می‌توان به جرات گفت که قدرت پردازشی فوق‌العاده‌ای درون این بسته‌ها جا گرفته است. پیاده‌سازی چنین شبکه‌ی عظیمی با استفاده از معماری‌های معمول می تواند فضای زیادی را اشغال کند بطوریکه انرژی مورد نیاز برای راه‌اندازی آن می‌توان با انرژی الکتریکی مورد نیاز یک شهر برابری کند؛ اما آنچه که IBM ساخته است تنها به ۷۰ میلی وات انرژی نیاز دارد.

اما اگر روزی یک شبیه سازی کامل از مغز انسان ساخته شود؛ این شبیه ساز باید قادر به فکر کرن درک احساسات انسانی مانند عشق، نفرت و درد باشد و همانند یک انسان عمل کند.

هوش مصنوعی جه کاربردهایی دارد؟

کاربرد‌ها در زندگی

امروزه نیز می‌توان کاربرد‌های هوش مصنوعی‌ را در زندگی روزمره مشاهده کرد. برای مثال برخی از چراغ‌های راهنمایی رانندگی هوشمند با محاسبه زمان مورد نیاز برای توقف خودرو‌ها در پشت چراغ قرمز از هوش مصنوعی استفاده می‌کنند. غلط یاب‌ گوشی‌های هوشمند کلماتی را که نادرست نوشته شده‌اند را شناسایی و آن را با کلمه‌ی درست جایگذاری می‌کنند. آن‌ها شیوه نگارش شما را یاد می‌گیرند و کلماتی مناسب را برای تکمیل جمله ارائه می دهند. دستیار‌های صوتی گوگل (Google Now) ، اپل (Siri) و مایکروسافت (Cortana) به سوالات و درخواست‌های شما پاسخ می‌دهند و در هنگام رانندگی تنها با گوش سپردن به سخنان شما؛ برای دوستانتان پیامک می نگارد و ارسال می‌کند . همچنین با شناختی که از شما دارند (مانند سلیقه) به بررسی رستوران‌های نزدیک مورد علاقه شمامی‌پردازند و بهترین رستوران را پیشنهاد می‌دهند.

همچنین برخی از موتور‌های جستجوگر مانند گوگل شیوه جستجو نمودن شما را یاد می‌گیرند و متناسب با آنچه که به دنبال آن می‌گردید، نتایج را سفارش سازی می‌کنند. به تبلیغات هوشمند گوگل  نیز می‌‌توان اشاره کرد: کافی است یک اپلیکیشن را از فروشگاه اپلیکیشن گوگل (Google Play) دانلود و یا فیلمی را از یوتیوب نگاه کنید تا تبلیغات مرتبط با آن‌ها را در سایت‌هایی که از کد‌های تبلیغاتی گوگل استفاده می‌کنند مشاهده کنید. اپلیکیشن و سایت فیسبوک را نیز می‌توان به عنوان یکی از سایت‌هایی نام برد که با استفاده از هوش مصنوعی، تبلیغات خود را برای کاربران هدفمند نموده  و باعث شده است تا سودی چند برابر به دست آورد.

از دیگر کاربرد‌های هوش مصنوعی می‌توان  تطابق دادن اثر انگشت‌ها یا چهره‌ها برای باز نمودن قفل امنیتی گوشی‌های هوشمند را نام برد.

کاربردهای دیگر…

در حال حاضر نرم افزار‌هایی با استفاده از یادگیری ماشینی ساخته شده‌اند که قادر به تشخیص و توصیف اجسام درون تصویر و  تشخیص حالات (احساسات) از روی صورت هستند. شرکت‌های بزرگی مانند گوگل و مایکروسافت نیز اقدام‌هایی در مورد توسعه‌ی پروژه‌هایی مانند سیستم تشخیص اجسام درون تصویر نیز انجام داده‌اند؛ اما تا به حال آن را برای استفاده عموم منتشر نکرده اند. از معروف‌ترین پروژه‌های بینایی ماشین با قابلیت تشخیص اشیاء، می‌توان پروژه‌ی Image Identification شرکت Wolfram را نام برد که برای استفاده عموم به صورت آنلاین منتشر شده است.

برای درک پیشرفت‌هایی که در این زمینه صورت گرفته است؛ توصیه می‌شود سخنرانی TED زیر را تماشا کنید (اگر از افزونه IDM استفاده می‌کنید، آن را برای مدتی غیرفعال کنید) :

در آینده  شاهد استفاده از هوش مصنوعی قوی‌تری در مریخ نوردها ، سفینه‌ها، ضد ویروس‌ها و … خواهیم بود. مریخ نورد‌ و سفینه‌هایی که در مواقع حساس و اضطراری اقدام به تصمیم گیری به جای انسان‌ها خواهند کرد و ضد ویروس‌هایی که بدون نیاز به اتصال به اینترنت و دریافت بروزرسانی اقدام به تشخیص ویروس‌ها می‌کنند.

هوش مصنوعی، خوب یا بد؟

نگرانی‌هایی درباره‌ی پیشرفت هوش مصنوعی وجود دارد، اینکه شاید روزی آنان از کنترل خارج  و تبدیل به ضد بشریت شوند.تا جایی که ایلان ماسک ،مدیر عامل شرکت فضایی خصوصی SpaceX و شرکت خودروسازی تسلا، اعتقاد دارد هوش مصنوعی ممکن است خطرناک‌تر از بمب اتم باشد و یک میلیارد دلار از ثروتش را برای مقابله با هوش مصنوعی اختصاص داده است.

از میان افرادی که نگرانی جدی در مورد خطرات هوش مصنوعی دارند می‌توان به ایلان ماسک، رید هافمن، پیتر سیل و البته سرویس وب آمازون اشاره کرد. مجموعه‌ی این افراد و گروه‌ها مبلغی یک میلیارد دلاری را برای تشکیل موسسه‌ای غیرانتفاعی  با نام OpenAI به منظور جلوگیری از قدرت یافتن بیش از حد هوش مصنوعی اختصاص داده‌اند .بیل گیتس و استیون هاوکینگ نیز با  این افراد   هم عقیده هستند.

البته نظرات مثبتی نیز در این زمینه وجود دارد؛ برخی هم اعتقاد دارند هوش مصنوعی به انسان به عنوان خالق خود احترام خواهد گذاشت.  هوش مصنوعی خارق‌العاده، اگر خیر خواه انسان‌ها باشد، می‌تواند در مدت زمان کوتاهی رمزهای ژنتیکی انسان را بررسی  و رمز جوانی ابدی را آشکار کند. به هر حال زمان همه چیز را مشخص خواهد کرد.

نظر شما در این مورد چیست؟

- - , .