معاون وزیر علوم: استفاده از هوش مصنوعی، نظام ارزشیابی دانشگاه‌ها را با چالش روبه‌رو کرده است

شهرآرانیوز؛ گوگل در توافقی تازه با شرکت ماروِل، امکان خرید حدود ۱۲.۲ میلیارد دلار از سهام این شرکت را به دست آورده است؛ قراردادی که توسعه نسل جدید تراشه‌های اختصاصی هوش مصنوعی گوگل را تقویت می‌کند و می‌تواند رقابت در بازار تراشه‌های AI را وارد مرحله تازه‌ای کند.

شرکت Marvell Technology اعلام کرده است با گوگل وارد یک همکاری تجاری برای توسعه مجموعه‌ای از تراشه‌های نیمه‌رسانای اختصاصی شده است. در چارچوب این توافق، Marvell به شرکت مادر گوگل، یعنی Alphabet، یک حق خرید (Warrant) برای خرید حداکثر حدود ۵۸.۹۷ میلیون سهم ماروِل به قیمت ۲۰۶.۵۸ دلار برای هر سهم داده است. ارزش بالقوه این سهام حدود ۱۲.۱۸ میلیارد دلار است.

نکته مهم این است که گوگل فعلاً ۱۲.۲ میلیارد دلار به ماروِل پرداخت نکرده است؛ بلکه این رقم ارزش بالقوه سهامی است که گوگل براساس شرایط توافق می‌تواند در آینده خریداری کند. گوگل به دنبال ساخت تراشه‌های اختصاصی‌تر برای هوش مصنوعی است

محور اصلی همکاری جدید، توسعه تراشه‌های سفارشی برای زیرساخت هوش مصنوعی گوگل است. ماروِل اعلام کرده است که در این پروژه روی مجموعه‌ای از فناوری‌ها از جمله شتاب‌دهنده‌های استنتاج هوش مصنوعی، کنترلر‌های ذخیره‌سازی، کنترلر‌های شبکه، کنترلر‌های رابط حافظه و فناوری‌های محاسبات نزدیک به حافظه کار خواهد کرد.

این تراشه‌ها قرار است با اکوسیستم Tensor Processing Unit یا TPU گوگل سازگار باشند؛ پردازنده‌های اختصاصی که گوگل سال‌هاست برای آموزش و اجرای مدل‌های هوش مصنوعی خود توسعه می‌دهد.

در ادامه حتما بخوانید انویدیا برای دیتاسنتر عظیم OpenAI در اوهایو تا ۱۰۵ میلیارد دلار ضمانت می‌کند چرا گوگل به تراشه‌های اختصاصی نیاز دارد؟

یکی از بزرگ‌ترین چالش‌های شرکت‌های فناوری در عصر هوش مصنوعی، تأمین توان محاسباتی کافی برای آموزش و اجرای مدل‌های بزرگ است.

پردازنده‌های گرافیکی انویدیا همچنان بخش مهمی از این بازار را در اختیار دارند، اما شرکت‌هایی مانند گوگل، آمازون و متا در سال‌های اخیر تلاش کرده‌اند بخشی از نیاز خود را با تراشه‌های اختصاصی یا ASIC تأمین کنند.

تراشه اختصاصی می‌تواند برای یک نوع کار مشخص بهینه شود و در برخی کاربردها، مصرف انرژی و هزینه عملیاتی پایین‌تری نسبت به استفاده از پردازنده‌های عمومی داشته باشد.

به همین دلیل، گوگل قصد دارد علاوه بر توسعه TPU‌های خود، زنجیره‌ای از تراشه‌ها و اجزای اختصاصی پیرامون این پردازنده‌ها ایجاد کند. ماروِل می‌تواند به یکی از شرکای مهم گوگل در حوزه AI تبدیل شود

این قرارداد برای ماروِل نیز اهمیت زیادی دارد. سهام این شرکت پس از انتشار خبر در معاملات پیش از بازگشایی بازار آمریکا بیش از ۱۱ درصد افزایش یافت. در مقابل، سهام Broadcom، یکی دیگر از شرکای مهم گوگل در زمینه تراشه‌های اختصاصی، با کاهش مواجه شد.

ماروِل در سال‌های اخیر تلاش کرده است جایگاه خود را در بازار تراشه‌های سفارشی برای دیتاسنتر‌های هوش مصنوعی تقویت کند.

ورود جدی‌تر این شرکت به زیرساخت TPU‌های گوگل می‌تواند درآمد بلندمدتی برای Marvell ایجاد کند و هم‌زمان وابستگی گوگل به یک تأمین‌کننده واحد را کاهش دهد. رقابت با انویدیا وارد مرحله جدیدی می‌شود

توافق گوگل و ماروِل را باید بخشی از روند بزرگ‌تری در صنعت تراشه دانست. انویدیا همچنان یکی از قدرتمندترین بازیگران بازار پردازنده‌های هوش مصنوعی است، اما شرکت‌های بزرگ فناوری نمی‌خواهند تمام زیرساخت AI خود را به یک تأمین‌کننده وابسته کنند.

گوگل از مدت‌ها قبل با توسعه TPU تلاش کرده است بخشی از این نیاز را در داخل اکوسیستم خود تأمین کند. همکاری با Marvell نیز می‌تواند این استراتژی را تقویت کند.

از سوی دیگر، افزایش استفاده از تراشه‌های اختصاصی به معنای ایجاد بازار بزرگی برای شرکت‌هایی است که توانایی طراحی و تولید ASIC‌های سفارشی و اجزای مرتبط با آنها را دارند.

به گزارش شهرآرانیوز؛ بر اساس داده‌های شرکت آمریکایی زیرساخت اینترنت «کلادفلر» (Cloudflare)، ترافیک غیرانسانی در ژوئن ۲۰۲۶، ۵۷ درصد از فعالیت در شبکه این شرکت را به خود اختصاص داده در حالی که سهم ترافیک تولید شده انسان‌ها، ۴۳ درصد بوده است.

متیو پرینس، مدیرعامل «کلادفلر»، در شبکه اجتماعی ایکس اعلام کرد این نقطه تلاقی، بسیار سریع‌تر از پیش‌بینی وی رخ داده است. وی پیش‌تر پیش‌بینی کرده بود که ترافیک غیرانسانی تا پایان ۲۰۲۷ از ترافیک انسانی پیشی بگیرد.

گزارش درآمد سه‌ماهه دوم ۲۰۲۶ «کلادفلر»، این روند را تایید کرد و نشان داد بیش از ۵۰ درصد از ترافیک شبکه جهانی «کلادفلر» از سوی ماشین‌ها و نه انسان‌ها ایجاد شده است.

داده‌های مربوط به خزنده‌های وب این شرکت همچنین نشان می‌دهد، ۵۲ درصد از درخواست‌های خزنده‌ها در ژوئن ۲۰۲۶ برای آموزش هوش مصنوعی بوده است در حالی که این رقم در بهار ۲۰۲۵ حدود ۲۲ درصد بود. در مقابل، سهم خزش فقط با هدف جست‌و‌جو، از مجموع فعالیت خزنده‌ها در حال کاهش است.

خزش وب، فرآیندی خودکار است که طی آن نرم‌افزار‌هایی موسوم به خزنده یا ربات، محتوای وب‌سایت‌ها را بررسی و نمایه‌سازی می‌کنند. موتور‌های جست‌و‌جو و شرکت‌های هوش مصنوعی از خزنده‌ها برای جمع‌آوری داده استفاده می‌کنند و شرکت‌های هوش مصنوعی نیز به‌طور فزاینده‌ای از این روش برای گردآوری مطالب مورد نیاز آموزش مدل‌های زبانی بهره می‌گیرند.

در ادامه حتما بخوانید حالت جدید هوش مصنوعی ChatGPT برای استفاده نوجوانان معرفی شد

عامل‌های هوش مصنوعی اکنون می‌توانند با سرعت و مقیاسی بسیار فراتر از کاربران انسانی در وب‌سایت‌ها جست‌و‌جو، اطلاعات را پردازش کنند و در فضای آنلاین تعامل داشته باشند.

آمار «کلادفلر» تصویر کاملی از فعالیت جهانی اینترنت ارائه نمی‌کند، زیرا بازدید از وب‌سایت‌ها تنها یکی از معیار‌های سنجش ترافیک اینترنت است. شرکت‌های دیگر نیز ارقام متفاوتی ارائه کرده‌اند به‌عنوان مثال، شرکت بازاریابی دیجیتال «برایت‌اج» (BrightEdge) سهم ترافیک مرتبط با هوش مصنوعی را ۱۵ درصد برآورد کرده است.

ناشران، تغییر گسترده‌تر در الگوی ترافیک اینترنت را «گوگل زیرو» نامیده‌اند؛ اصطلاحی برای توصیف کاهش ترافیک ارجاعی به وب‌سایت‌ها، زیرا سامانه‌های هوش مصنوعی به‌جای هدایت کاربران به وب‌سایت‌های منبع، به‌طور مستقیم به پرسش‌های آنها پاسخ می‌دهند.

وب‌سایت ترکیه تودی گزارش کرد، در همین حال، گزارش «وضعیت ترافیک هوش مصنوعی و معیار تهدید‌های سایبری در ۲۰۲۶» شرکت امنیت سایبری «هیومن سکیوریتی» (HUMAN Security) نشان داد ترافیک خودکار هشت برابر سریع‌تر از ترافیک انسانی در حال رشد و ترافیک مبتنی بر هوش مصنوعی نیز بین ژانویه و دسامبر ۲۰۲۵، ۱۸۷ درصد افزایش داشته است.

منبع: ایسنا

به گزارش شهرآرانبوز؛ گوگل سرانجام تاریخ گام مهم بعدی برای گوگل‌بوک (Googlebook) را مشخص کرده و پلتفرم جدید لپ‌تاپ‌های پریمیوم این شرکت با محوریت جمینای (Gemini) و یک کدبیس بومی اندروید طراحی شده‌اند.

به نقل از دیجیتال‌ترندز، این شرکت قرار است در روز ۱۵ سپتامبر ۲۰۲۶ (۲۴ شهریور ۱۴۰۵) یک رویداد رسانه‌ای حضوری در شهر نیویورک برگزار کند و در آن اطلاعات بیشتری درباره نرم‌افزار و سخت‌افزار‌های زیربنای این پلتفرم ارائه دهد.

گوگل نخستین بار گوگل‌بوک را در کنار اندروید ۱۷ و در جریان رویداد The Android Show در اوایل سال جاری معرفی کرد. در آن زمان جزئیات زیادی ارائه نشد، اما این شرکت قابلیت‌هایی مبتنی بر جمینای از جمله ویجت‌های سفارشی، Magic Pointer و ارتباط عمیق‌تر میان گوگل‌بوک‌ها و گوشی‌های اندرویدی را به نمایش گذاشت.

رویداد ماه سپتامبر احتمالا واضح‌ترین تصویر تاکنون از چشم‌انداز گوگل برای آینده پلتفرم لپ‌تاپی خود ارائه خواهد کرد. گوگل همچنین همکاری سخت‌افزاری با شرکت‌هایی مانند لنوو، ایسوس و اچ‌پی و دیگر تولیدکنندگان را تایید کرده است؛ بنابراین انتظار می‌رود در این رویداد بیش از یک مدل گوگل‌بوک معرفی شود.

در ادامه حتما بخوانید حالت جدید هوش مصنوعی ChatGPT برای استفاده نوجوانان معرفی شد

رویداد ۱۵ سپتامبر گوگل شامل یک سخنرانی اصلی از مدیران این شرکت خواهد بود که در آن درباره نرم‌افزار گوگل‌بوک، قابلیت‌های جمینای و کدبیس بومی اندروید صحبت خواهد شد.

همچنین قرار است ایستگاه‌هایی برای بررسی و کار با سخت‌افزار‌های ساخته شده توسط شرکای سخت‌افزاری گوگل در این رویداد وجود داشته باشد. این موضوع می‌تواند نخستین فرصت واقعی برای حاضران باشد تا لپ‌تاپ‌هایی را که تولیدکنندگان برای این پلتفرم آماده کرده‌اند از نزدیک ببینند؛ نه اینکه فقط مجموعه‌ای دیگر از نمایش‌های نرم‌افزاری را تماشا کنند.

اهمیت این رویداد برای گوگل از آنجا ناشی می‌شود که این شرکت گوگل‌بوک را صرفا نسخه‌ای جدید از کروم‌بوک معرفی نمی‌کند. گوگل در حال ساخت این پلتفرم بر پایه هوش جمینای و اندروید است؛ رویکردی که می‌تواند به تولیدکنندگان امکان دهد لپ‌تاپ‌هایی بسازند که قابلیت‌های بیشتری را با گوشی‌های اندرویدی به اشتراک بگذارند.

گوگل پیش‌تر تایید کرده بود که گوگل‌بوک از پردازنده‌های شرکت‌های اینتل، کوالکام و مدیاتک پشتیبانی خواهد کرد.

رویداد ۱۵ سپتامبر سرانجام مشخص خواهد کرد که آیا استراتژی بلندپروازانه گوگل برای ورود دوباره و جدی‌تر به بازار لپ‌تاپ می‌تواند این قطعات پراکنده را به یک رقیب قدرتمند برای لپ‌تاپ‌های سنتی ویندوزی و دستگاه‌های مبتنی بر ChromeOS تبدیل کند یا خیر.

منبع: ایسنا

به گزارش گروه دانشگاه خبرگزاری دانشجو؛ از ستاد ویژه توسعه فناوری نانو، پژوهشگران آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده آمریکا (Argonne National Laboratory) با توسعه یک ابزار جدید مبتنی بر یادگیری ماشین، گام مهمی در جهت تغییر شیوه انجام آزمایش‌های مواد در مقیاس نانومتری برداشته‌اند.

 

این ابزار که «دونات» (DONUT) نام دارد، می‌تواند داده‌های پیچیده حاصل از آزمایش‌های پراش پرتو ایکس را تقریباً در لحظه تحلیل کند؛ قابلیتی که به دانشمندان اجازه می‌دهد به‌جای هفته‌ها یا ماه‌ها انتظار برای دریافت نتایج، در همان زمان انجام آزمایش درباره ادامه مسیر پژوهش تصمیم بگیرند.

 

این فناوری در منبع فوتونی پیشرفته (Advanced Photon Source) یا APS، یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا، توسعه و آزمایش شده است. «دونات» با ارائه نتایج در زمان واقعی، نه‌تنها سرعت پژوهش‌های علمی را افزایش می‌دهد، بلکه امکان اصلاح و تنظیم آزمایش‌ها در حین اجرا را نیز فراهم می‌کند.

 

به این ترتیب، پژوهشگر می‌تواند متوجه شود آزمایش به نتیجه مطلوب نزدیک شده یا نیاز دارد مسیر دیگری را دنبال کند؛ اتفاقی که در روش‌های سنتی معمولاً پس از پایان آزمایش و طی فرایند طولانی تحلیل داده مشخص می‌شود.

 

نام DONUT مخفف عبارت «Diffraction with Optics for Nanobeam by Unsupervised Training» است و به یک شبکه عصبی آگاه از فیزیک اشاره دارد. ویژگی مهم این سامانه آن است که صرفاً بر اساس الگو‌های آماری داده‌ها آموزش نمی‌بیند، بلکه قوانین فیزیکی حاکم بر برهم‌کنش پرتو‌های ایکس متمرکز با مواد را نیز در فرایند تحلیل در نظر می‌گیرد.

 

این فناوری با استفاده از داده‌های خط پرتو «نانومسبار پرتو ایکس سخت» (Hard X-ray Nanoprobe) که به‌صورت مشترک در اختیار منبع فوتونی پیشرفته و مرکز مواد نانومقیاس (Center for Nanoscale Materials) قرار دارد، توسعه یافته است. مرکز مواد نانومقیاس نیز یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا در آزمایشگاه ملی آرگون است.

 

«دونات» برای تفسیر سریع تصاویر پیچیده‌ای طراحی شده است که در روش «میکروسکوپی نانودیفراکشن پرتو ایکس پیمایشی» (Scanning X-ray Nanodiffraction Microscopy یا SXDM) تولید می‌شوند. این روش با استفاده از یک پرتو بسیار متمرکز پرتو ایکس، سطح نمونه را پیمایش می‌کند و اطلاعات ارزشمندی درباره ساختار بلوری مواد در اختیار پژوهشگران قرار می‌دهد.

 

چنین اطلاعاتی برای درک رفتار موادی که در فناوری‌هایی مانند باتری‌ها، کاتالیست‌ها، تجهیزات الکترونیکی پیشرفته و ادوات مغناطیسی مورد استفاده قرار می‌گیرند، اهمیت زیادی دارد.

 

با وجود قدرت بالای SXDM، داده‌های تولیدشده در این روش بسیار پیچیده‌اند و چندین لایه و بُعد اطلاعاتی را در خود جای می‌دهند. همین مسئله تحلیل و تفسیر آنها را به کاری زمان‌بر و دشوار تبدیل کرده است.

 

تا پیش از این، پژوهشگران در بسیاری از موارد مجبور بودند الگو‌های پراش پرتو ایکس اندازه‌گیری‌شده را به‌صورت دستی با الگو‌های شبیه‌سازی‌شده مقایسه کنند تا بتوانند ساختار و ویژگی‌های ماده را تشخیص دهند. این فرایند علاوه بر زمان‌بر بودن، احتمال بروز خطای انسانی را نیز افزایش می‌داد.

 

«دونات» با ترکیب هوش مصنوعی و یک مدل فیزیکی داخلی، رویکرد متفاوتی را ارائه می‌کند. این سامانه می‌تواند مستقیماً از داده‌های تجربی جمع‌آوری‌شده یاد بگیرد و برای آموزش به مجموعه‌داده‌هایی نیاز نداشته باشد که از پیش توسط متخصصان برچسب‌گذاری شده‌اند. در روش‌های متداول، متخصص باید هر الگوی پرتو ایکس را با پاسخ درست تطبیق دهد یا داده‌های مناسب را با شبیه‌سازی تولید کند تا الگوریتم بتواند از آنها بیاموزد. حذف یا کاهش این مرحله، مزیت مهمی برای پژوهشگرانی محسوب می‌شود که در تأسیسات تحقیقاتی پرتراکم مانند APS فعالیت می‌کنند.

 

آیلین لو، دانشمند محاسباتی دستیار در آزمایشگاه آرگون و دانشگاه کرنل، درباره این فناوری می‌گوید «دونات» به دانشمندان اجازه می‌دهد هم‌زمان با پیشرفت آزمایش، آنچه را درون ماده اتفاق می‌افتد مشاهده کنند. به گفته او، در گذشته ممکن بود پژوهشگر هفته‌ها منتظر بماند تا مشخص شود آزمایش موفق بوده است یا خیر، اما اکنون می‌توان پاسخ را تقریباً در همان لحظه دریافت کرد. نتیجه چنین تغییری، آزمایش‌های پربازده‌تر و فرصت‌های بیشتر برای کشف پدیده‌های جدید خواهد بود.

 

متئو چروکارا، دانشمند محاسباتی و سرپرست گروه در آزمایشگاه آرگون نیز بر انعطاف‌پذیری این سامانه تأکید کرده است. به گفته او، پژوهشگران می‌توانند «دونات» را با داده‌هایی که در ابتدای آزمایش جمع‌آوری می‌کنند آموزش دهند و حتی در طول آزمایش مشخص کنند که سامانه باید چه کمیتی را پیش‌بینی کند. به بیان ساده‌تر، هوش مصنوعی می‌تواند خود را با پرسش علمی جدیدی که پژوهشگر در جریان آزمایش مطرح می‌کند، تطبیق دهد.

 

سرعت و دقت «دونات» همچنین زمینه را برای شکل‌گیری نسل جدیدی از آزمایش‌های موسوم به «پژوهش خودران» یا «آزمایش‌های خودران» فراهم می‌کند. در چنین رویکردی، هوش مصنوعی می‌تواند بر اساس نتایج تازه به‌دست‌آمده، مرحله بعدی آزمایش را پیشنهاد یا حتی به‌صورت خودکار انتخاب کند.

 

این قابلیت به‌ویژه برای آزمایش‌هایی اهمیت دارد که در شرایط واقعی انجام می‌شوند و ویژگی‌های ماده در طول زمان تغییر می‌کند. در چنین شرایطی، تصمیم‌گیری سریع می‌تواند تفاوت میان یک آزمایش موفق و ساعت‌ها جمع‌آوری داده کم‌فایده باشد؛ بشر بالاخره پذیرفته است که لازم نیست همیشه بعد از تمام شدن کار بفهمد چه اشتباهی کرده است.

 

این فناوری همچنین می‌تواند ورود کاربران جدید به تأسیسات تحقیقاتی APS و مرکز مواد نانومقیاس را آسان‌تر کند. دانشجویان تحصیلات تکمیلی و پژوهشگران مهمان دیگر الزاماً برای شروع کار به مجموعه‌های بزرگی از داده‌های برچسب‌گذاری‌شده یا تخصص عمیق در تفسیر همه انواع داده‌های تولیدشده نیاز نخواهند داشت. در روش سنتی، تهیه چنین داده‌هایی مستلزم زمان و دانش تخصصی قابل‌توجهی است؛ زیرا متخصصان باید هر مجموعه داده را با دقت تحلیل یا شبیه‌سازی کرده و پاسخ صحیح را برای آن تعیین کنند.

 

اهمیت این قابلیت با ارتقای منبع فوتونی پیشرفته بیشتر می‌شود. نسخه ارتقایافته APS قادر است پرتو‌های ایکس پرشدت‌تری تولید کند و داده‌ها را با سرعت بسیار بالاتری نسبت به گذشته جمع‌آوری کند. بنابراین، سرعت تحلیل داده نیز باید هم‌پای سرعت تولید آن افزایش یابد. «دونات» می‌تواند این شکاف را کاهش دهد و به پژوهشگران اجازه دهد هم‌زمان با تولید داده، آنها را تحلیل کرده و درباره ادامه آزمایش تصمیم بگیرند.

 

پژوهشگران در گام بعدی قصد دارند دامنه استفاده از «دونات» را از تحلیل بلادرنگ داده‌ها به سمت خودکارسازی آزمایش‌ها گسترش دهند. یکی از مسیر‌های مورد بررسی، توسعه نسخه‌های جدید این فناوری برای میکروسکوپی خودران است؛ رویکردی که در آن ابزار‌های هوش مصنوعی می‌توانند بخشی از مراحل آزمایش را بدون نیاز به دخالت دائمی انسان هدایت کنند.

 

گروه پژوهشی همچنین در حال بررسی این موضوع است که آیا رویکرد «آگاه از فیزیک» به‌کاررفته در «دونات» می‌تواند برای سایر روش‌های تصویربرداری پیشرفته نیز مورد استفاده قرار گیرد یا خیر؛ روش‌هایی که آنها نیز حجم عظیمی از داده‌های پیچیده تولید می‌کنند و تحلیل آنها به ابزار‌های محاسباتی پیشرفته نیاز دارد.

 

پژوهشگران معتقدند چارچوب آموزشی مبتنی بر فیزیک این سامانه می‌تواند در طرح‌های بزرگ‌تر وزارت انرژی آمریکا، از جمله «ماموریت جنسیس» (Genesis Mission)، نیز نقش داشته باشد. این طرح ملی با هدف افزایش بهره‌وری علمی و سرعت‌بخشیدن به نوآوری از طریق استفاده گسترده از هوش مصنوعی در زیرساخت‌های علمی نسل آینده دنبال می‌شود.

«دونات» می‌تواند یکی از پایه‌های پروژه‌های مرتبط با منابع نور و نوترون در این طرح باشد و به پژوهشگران رشته‌های مختلف کمک کند پرسش‌های علمی جدیدی را با سرعت بیشتری بررسی کنند.

نتایج این پژوهش در نشریه «npj Computational Materials» منتشر شده است. تائو ژو، مینگ دو و مارتین هولت از آزمایشگاه ملی آرگون و آندری زینگر از دانشگاه کرنل نیز در انجام این مطالعه مشارکت داشته‌اند. این پژوهش با حمایت دفتر علوم وزارت انرژی آمریکا، برنامه‌های «پژوهش پیشرفته محاسبات علمی» و «علوم پایه انرژی» و همچنین دفتر توسعه نیروی انسانی برای معلمان و دانشمندان این وزارتخانه انجام شده است.

در این میان، نام «دونات» نیز عمداً با حال‌وهوایی غیررسمی انتخاب شده است و پژوهشگران در پایان گزارش خود با شوخی نوشته‌اند که در جریان انجام این پژوهش هیچ دوناتی آسیب ندیده است؛ هرچند نتایج به‌دست‌آمده احتمالاً اشتهای دانشمندان برای کشف‌های تازه را حسابی بیشتر خواهد کرد.

تصاویر جعلی و واقع‌گرایانه تولیدشده با هوش مصنوعی از حیوانات وحشی به‌سرعت در شبکه‌های اجتماعی منتشر می‌شوند، اما کارشناسان حفاظت از حیات‌وحش هشدار می‌دهند این روند می‌تواند پیامدهایی فراتر از انتشار اطلاعات نادرست داشته باشد.

بسیاری از این تصاویر، حیوانات وحشی را در موقعیت‌هایی نشان می‌دهند که در طبیعت بسیار بعید یا غیرممکن است؛ برای مثال حیوانات خطرناک را در حال رفتارهای دوستانه یا شبیه حیوانات خانگی به تصویر می‌کشند. کارشناسان می‌گویند چنین تصاویری می‌توانند تصور نادرستی از رفتار حیوانات در ذهن مردم ایجاد کنند و آنها را به نزدیک شدن یا تعامل ناایمن با حیوانات وحشی ترغیب کنند.

از سوی دیگر، گسترش تصاویر ساختگی تشخیص محتوای واقعی را دشوارتر می‌کند. حتی تصاویر واقعی و نادری که برای نخستین‌بار از رفتار یک حیوان در طبیعت ثبت می‌شوند، ممکن است از سوی کاربران جعلی یا تولیدشده با هوش مصنوعی تصور شوند. این مسئله می‌تواند اعتماد عمومی به تصاویر حیات‌وحش و در نتیجه تلاش‌های حفاظتی را کاهش دهد.

کارشناسان همچنین هشدار می‌دهند که تصاویر هوش مصنوعی می‌توانند درک مردم از پراکندگی و تعداد گونه‌های جانوری را دچار اختلال کنند و حتی داده‌های پژوهشی را تحت تأثیر قرار دهند؛ چرا که دانشمندان برای مطالعات خود از تصاویر و ویدئوهای ثبت‌شده توسط شهروندان نیز استفاده می‌کنند.

بر اساس هشدار کارشناسان، با گسترش تولید چنین محتوایی، تشخیص تصاویر واقعی از جعلی اهمیت بیشتری پیدا کرده و شبکه‌های اجتماعی و کاربران باید نسبت به محتوای تولیدشده با هوش مصنوعی حساسیت بیشتری داشته باشند.