آیا روبات می تواند سمفونی بنویسد؟ تست تورینگ - "شما فقط یک ربات هستید، تقلیدی از زندگی. آیا یک ربات می تواند این بازی را شکست دهد؟ معایب درمان واقعیت مجازی هزینه نسبتاً بالای تجهیزات و عدم تحمل فیزیولوژیکی بالقوه به واقعیت مجازی است.

توسعه عناصر سیستم های هوش مصنوعی به طور فعال در حال توسعه و تبدیل شدن به یک روند امروزی است و فقط تنبل ها ربات های هوشمند نمی نویسند. به همین دلیل است که با دیمیتری شوارس سوشنیکوف، یکی از بهترین کارشناسان هوش مصنوعی کشور مصاحبه کردیم. او مبشر فناوری مایکروسافت، نویسنده کتاب، مقاله و آموزش، و همچنین هماهنگ کننده برنامه معلم و دانش آموز، متخصص برنامه نویسی عملکردی، شبکه های عصبی و هوش مصنوعی است.

- دیمیتری، لطفا چند کلمه در مورد خودت و کارت بگو.

دیمیتری سوشنیکوف: من به عنوان مبشر مایکروسافت، درگیر محبوبیت و پیاده سازی مدرن ترین فن آوری های این شرکت هستم که در حال حاضر عمدتاً فناوری های مرتبط با هوش مصنوعی هستند. این شامل سخنرانی در کنفرانس‌ها، کار با دانش‌آموزان و معلمان، استارت‌آپ‌ها، گاهی اوقات شرکت در هک فست‌ها و برنامه‌نویسی سیستم‌های نمونه اولیه همراه با توسعه‌دهندگان شرکت‌های مختلف است. من همچنین برنامه نویسی تابعی و زبان F# را رایج می کنم، در MIPT، HSE و MAI تدریس می کنم و دوره های آنلاین را برای MVA و Coursera توسعه می دهم.

به نظر من شبکه های عصبی و به طور کلی هوش مصنوعی حوزه بسیار جالبی هستند که توسعه سریع آن در سال های اخیر امکان حل تعدادی از مشکلات را که قبلاً هیچ راه حلی نداشتند، مانند تعیین خودکار سن یک فرد از عکس او و آینده فرصت‌های جالب‌تری برای ما خواهد داشت.

شبکه های عصبی - مد یا ابزار؟

- دقیقاً چه چیزی اخیراً باعث توسعه فعال فناوری شبکه عصبی شده است؟

دیمیتری سوشنیکوف: چندین عامل همزمان با موفقیت در اینجا همپوشانی داشتند.
اول، قدرت محاسباتی مقرون به صرفه در دسترس قرار گرفت. علاوه بر این، سرویس های ابری نقش بزرگی ایفا کردند، زیرا به جای سرمایه گذاری در زیرساخت برای محاسبه شبکه های عصبی، اکنون می توانید آن را فقط برای مدت زمان محاسبات اجاره کنید و متعاقباً از اجاره امتناع کنید. علاوه بر این، پردازنده های گرافیکی که در ابتدا برای گرافیک کامپیوتری طراحی شده بودند، شروع به استفاده کردند. معلوم شد که آنها برای کارهای هوش مصنوعی مناسب هستند.

ثانیاً، به لطف اینترنت، حجم عظیمی از داده ها در بسیاری از مناطق شروع به جمع آوری کرده اند. به عنوان مثال، وظیفه ای را که قبلا ذکر شد، تشخیص سن یک فرد از روی یک عکس در نظر بگیرید. برای آموزش یک شبکه عصبی برای حل آن، چند صد هزار مثال مورد نیاز است. اکنون می توانید از هر شبکه اجتماعی استفاده کنید که در آن افراد خودشان عکس ها و اطلاعات حساب (سن) خود را منتشر می کنند - و ما بلافاصله داده هایی را برای آموزش دریافت می کنیم.
ثالثا، البته، برخی تحقیقات جالب از جمله معماری شبکه های عصبی جدید که امکان حل مشکلات موجود را فراهم می کند، پدیدار شده است. اما این نکته احتمالاً نتیجه دو مورد اول است. زمانی که منابع و فناوری‌ها در دسترس باشند، منطقه به طور طبیعی شروع به توسعه فعال می‌کند.

تعداد زیادی ابزار در اینجا ظاهر شده است که امکان استفاده از این شبکه های عصبی را فراهم می کند. اگر قبلا برای حل مشکلات هوش مصنوعی باید دانش و برنامه نویسی زیادی داشتید، اکنون خدماتی در دسترس هستند که می توانید از آنها استفاده کرده و استفاده کنید.

موضوع هوش مصنوعی امروزه بسیار محبوب است. چقدر شایسته این محبوبیت است؟ آیا این فناوری واقعاً چشمگیر است یا سهم بزرگی از مد وجود دارد؟ و آیا این «مد» برای توسعه مضر نیست؟

دیمیتری سوشنیکوف: به راستی موفقیت های بزرگی در زمینه هوش مصنوعی وجود دارد که در مورد آنها بسیار نوشته شده است، بنابراین عبارت هوش مصنوعی بسیار شنیده می شود. با تشکر از این، توسعه دهندگان جدید ظاهر می شوند - کسی می رود و منطقه جدیدی را برای خود مطالعه می کند، یعنی. افراد بیشتری هستند که این حوزه را درک می کنند. از سوی دیگر، مردم با دقت بیشتری به دنبال آن دسته از وظایفی هستند که در آن فناوری‌های هوش مصنوعی می‌تواند به کار گرفته شود. از این منظر، همه اینها در اصل خوب است، زیرا ما این شانس را داریم که برخی از مناطق را که قبلاً نمی توانستیم خودکار کنیم، خودکار کنیم.

به عنوان مثال می توانیم مشکل پذیرش سفارش را در پنجره MacAuto حل کنیم. آنها همیشه سعی می کنند راه حل چنین مشکلاتی را ارزان تر کنند. به عنوان مثال، در ایالات متحده، ابتدا یک آمریکایی در آنجا نشسته بود، سپس با انتقال صدا به کشوری با نیروی کار ارزان (جایی که دوباره شخص می نشیند و رونویسی می کند) تلاش شد تا این کار برون سپاری شود. و اکنون یک کامپیوتر می تواند این کار را انجام دهد.

آیا فعالان بازار انتظارات تورمی دارند؟ آیا پیش بینی هایی وجود دارد که به نظر شما قطعا در آینده نزدیک محقق نخواهد شد؟

دیمیتری سوشنیکوف: البته دارم. اول اینکه رشته هوش مصنوعی کمی عاشقانه است. تعداد زیادی فیلم وجود دارد - به عنوان مثال، "ماتریکس" یا "نابودگر" - که در آن ربات ها شورش می کنند و کنترل همه چیز را به دست می گیرند. بنابراین، عده ای هستند که انتظار دارند 5 سال دیگر بگذرد و کامپیوترها دنیا را تسخیر کنند. ظاهراً این انتظارات هنوز با واقعیت فاصله دارند. امروزه، حل کلاس های خاصی از مشکلات مربوط به تشخیص تصویر، تشخیص گفتار و یادگیری ماشین به خوبی خودکار شده است. اما هنوز راه زیادی در پیش داریم تا بفهمیم تفکر انسان به طور کلی چگونه کار می کند. بنابراین، قبل از ایجاد چنین هوش مصنوعی که مانند یک فرد فکر می کند و با دانش انباشته عمل می کند، هنوز کارهای زیادی باید انجام شود. هنوز خیلی روشن نیست که چگونه این کار را انجام دهیم.

- انتظارات از نظر سرمایه گذاری مالی به جای اجرای سناریوهای علمی تخیلی چطور؟

دیمیتری سوشنیکوف: به نظر من برای چنین گفتگویی لازم است مبحث هوش مصنوعی را به اجزای جداگانه تقسیم کنیم، زیرا این حوزه بسیار گسترده است.

اگر به بینایی کامپیوتر نگاه کنیم، در حال حاضر پیشرفت‌های شگفت‌انگیزی وجود دارد که اکنون در کسب‌وکارها پیاده‌سازی شده‌اند و کارایی آن‌ها را افزایش داده و منافع اقتصادی را به همراه دارند. بینایی کامپیوتری در حال حاضر تصاویر را بهتر از انسان تشخیص می دهد، البته به طور قابل توجهی ارزان تر است.

در زمینه های دیگر، مانند درک زبان طبیعی و توانایی استدلال در مورد موضوعات دلخواه، پیشرفت کمتری داشته است.

- آیا عواملی وجود دارد که به نظر شما مانع توسعه صنعت شود؟

دیمیتری سوشنیکوف: صادقانه بگویم، من هیچ عامل آشکاری نمی بینم. من فکر می کنم این منطقه سریع ترین رشد در حال حاضر است.
با این حال، من می خواهم توجه داشته باشم که هوش مصنوعی حوزه ای است که هنوز به برخی از شرایط نیاز دارد. کار در این مسیر کمی دشوارتر از یادگیری برنامه نویسی است. فردی که از مدرسه فارغ التحصیل می شود و تحصیلات عالی دریافت نمی کند احتمالاً می تواند با موفقیت در زمینه توسعه استاندارد شروع به کار کند. با هوش مصنوعی، نوار ورود بالاتر است، اگرچه به تدریج کاهش می یابد، از جمله با تلاش شرکت کنندگان در این صنعت. به طور خاص، یکی از مواردی که مایکروسافت روی آن کار می کند، به اصطلاح دموکراتیک کردن هوش مصنوعی است. این بدان معنی است که این فناوری برای گسترده ترین بخش ممکن از مصرف کنندگان قابل دسترسی است.

در عمل، نه تنها مایکروسافت، بلکه بسیاری از شرکت های دیگر نیز در این راستا کار می کنند و به عنوان مثال ابزارهایی را برای حل مشکلات فکری و شناختی در قالب خدمات آماده ارائه می دهند. به عنوان مثال، خدمات تعیین جنسیت، سن و خلق و خوی افراد از روی یک عکس، می توانید به سادگی با آنها تماس بگیرید و نتیجه را دریافت کنید. همین امر در مورد ترجمه ماشینی و غیره نیز صدق می کند. به عنوان بخشی از گزارش DotNext 2017، ما در مورد این صحبت خواهیم کرد: چگونه می توانید بدون اینکه بفهمید دقیقا چگونه کار می کند، به سادگی از نتایج استفاده کنید.

شاید A.NET

- بیایید در مورد جایگاه پلت فرم دات نت در بخش هوش مصنوعی صحبت کنیم. چقدر برای حل چنین مشکلاتی مناسب است؟ آیا ویژگی هایی وجود دارد که به کار با شبکه های عصبی کمک می کند یا برعکس، مانع از کار می شود؟

دیمیتری سوشنیکوف: روش های هوش مصنوعی را می توان بر روی هر فناوری پیاده سازی کرد. با این وجود، اکوسیستم های مشخصی پیرامون وظایف مشابه وجود دارد. به عنوان مثال، پایتون و R و کتابخانه های همراه آنها، زبان های بسیار محبوبی در میان دانشمندان داده هستند. آن ها در حال حاضر کارهای اجتماعی زیادی در اینجا وجود دارد. از نظر این پیشرفت ها، البته دات نت همانند سایر پلتفرم های مشابه کمی عقب است. با این حال، دات نت در حال حاضر مجموعه خاصی از ابزارها را دارد که من در مورد آنها به عنوان بخشی از گزارش خود صحبت خواهم کرد.

به طور کلی، اکنون پلتفرم ها به نوعی یکپارچه شده اند، از جمله با یکدیگر. همان زبان R به خوبی با F# که بومی پلتفرم دات نت است ادغام می شود. بر این اساس، اگر نیاز به استفاده از ابزارهای یادگیری ماشینی داشته باشیم، می‌توانیم از چنین زنجیره‌ای با استفاده از قابلیت‌ها و کتابخانه‌های زبان R استفاده کنیم. این کار کاملاً شفاف و آسان خواهد بود.

به طور کلی، اگر به طور خاص در مورد شبکه های عصبی صحبت کنیم، مایکروسافت یک ابزار شناختی دارد که به شما امکان می دهد شبکه های عصبی را آموزش دهید. و چون در اصل در اکوسیستم مایکروسافت ساخته شده بود، با دات نت بسیار خوب کار می کند.

- این ابزار به نوعی از آنالوگ های تولید کنندگان دیگر متمایز است?

دیمیتری سوشنیکوف: اساساً، Cognitive Toolkit آنالوگ مایکروسافت از چارچوب های TensorFlow، Caffe و غیره است.

همه آنها اصولاً از نظر ایدئولوژیکی بسیار شبیه هستند. اما Microsoft Cognitive Toolkit اولین موردی بود که از یک محیط آموزشی بسیار توزیع شده پشتیبانی کرد، جایی که می‌توانید یک شبکه عصبی را نه تنها بر روی یک GPU، بلکه بر روی چندین GPU یا حتی چندین ایستگاه GPU آموزش دهید. آن ها شما می توانید یک مزرعه آموزش شبکه عصبی بسازید.

تا آنجایی که من می دانم، Cognitive Toolkit از نظر سرعت یادگیری از سایر چارچوب ها پیشی می گیرد. به علاوه استفاده از آن بسیار راحت است. اکثر فریم ورک ها به هر طریقی با زبان پایتون مرتبط هستند، اما Cognitive Toolkit در ابتدا مسیر کمی متفاوت را در پیش گرفت. در ابتدا می‌توان معماری یک شبکه عصبی را به زبانی خاص توصیف کرد و سپس آن را بدون ساخت هیچ مدلی در پایتون آموزش داد. کمی راحت تر بود. در حال حاضر Cognitive Toolkit از هر دو گزینه پشتیبانی می کند. کاملا انعطاف پذیر است

- احتمالاً لحظاتی وجود دارد که در آن مجموعه ابزار شناختی نسبت به آنالوگ های خود پایین تر است؟

دیمیتری سوشنیکوف: به طور کلی، چنین چارچوب هایی ابزارهای سطح پایینی هستند که در بالای آن ها می توان شبکه های عصبی دلخواه را آموزش داد. مانند آنالوگ های خود، Cognitive Toolkit از لایه پایه خاصی پشتیبانی می کند که در بالای آن می توانید معماری شبکه هایی با پیچیدگی دلخواه را بسازید. بنابراین، دامنه وظایف حل شده توسط ابزارهای مختلف تقریباً یکسان است.

انتخاب چارچوب تا حد زیادی توسط برخی ترجیحات شخصی و در دسترس بودن مواد مرجع تعیین می شود. و در اینجا چارچوب مایکروسافت کمی عقب است، زیرا کمی دیرتر ظاهر شد، بنابراین حجم زیادی از مواد، به ویژه دوره های آنلاین، روی آن وجود ندارد. اما وضعیت، البته، به تدریج در حال صاف شدن است.

ما، همراه با MIPT، در حال برنامه ریزی برای انتشار یک دوره آنلاین هستیم که به طور خاص به وظایف مرتبط با استفاده از هوش مصنوعی در عمل اختصاص دارد. و برخی از اطلاعات مربوط به Cognitive Toolkit نیز در آنجا گنجانده خواهد شد.

آینده نزدیک

- آیا اکنون می توان پیش بینی کرد که توسعه بخش هوش مصنوعی به چه سمتی می رود؟

دیمیتری سوشنیکوف: احتمالاً برای انجام پیش بینی های نهایی خیلی زود است، زیرا در سال های 2011-2012 توسعه بسیار سریع فناوری آغاز شد. از آن زمان، روش های تشخیص بهبود یافته اند، معماری شبکه های عصبی بهبود یافته اند، به عنوان مثال. دقت حل مسئله افزایش می یابد.

هنوز بسیاری از مسائل حل نشده در این بخش وجود دارد. مشکلات تشخیص تصویر و صدا قبلاً در سطح نسبتاً بالایی حل شده است. بعد، احتمالاً جالب ترین چیز این است که سعی کنید مقداری معنی از متن استخراج کنید. در اینجا نیز موفقیت های بسیار خیره کننده ای وجود دارد. به عنوان مثال، می توانید یک شبکه عصبی را بر روی قطعات مکالمات فیلم ها آموزش دهید و رباتی تهیه کنید که بتواند به نوعی دیالوگ را حفظ کند. اما در عین حال، معنای زیادی در گفتگو وجود نخواهد داشت. هنوز مشخص نیست که چگونه می توان دانش را به معنا ترجمه کرد، چگونه می توان بازنمایی ضمنی دانش در شبکه های عصبی را با استدلال نمادین ترکیب کرد. این مسیر تحقیقاتی است که دانشمندان دنبال خواهند کرد.

در مورد ابزارها، آنها در حال حاضر به طور فعال در حال توسعه هستند. به یک معنا، سازندگان ابزار تلاش می کنند پیشرفت های علمی را در زمینه مربوطه خود دنبال کنند. معماری های شبکه جدید ظاهر می شوند - پشتیبانی آنها در ابزارها ظاهر می شود، به عنوان مثال. عملکرد به طور مداوم در حال گسترش است.

همانطور که قبلاً گفتم، از دیدگاه توسعه دهندگان، روند قابل توجهی به سمت دموکراتیک کردن هوش مصنوعی، از جمله ابزارها، وجود دارد. علاوه بر جعبه ابزار شناختی مایکروسافت که اشاره کردم، ابزار جالبی به نام یادگیری ماشینی Azure وجود دارد که به شما امکان می‌دهد بدون درک عمیق از اجرای همه الگوریتم‌های یادگیری ماشین، آن‌ها را روی داده‌های واقعی اعمال کنید و ببینید آیا می‌توانید الگوها و الگوهایی را شناسایی کنید. از آنها بیشتر در محصولات خود استفاده کنید. این ابزار نیز به شدت در حال توسعه است - روش ها و الگوریتم های جدیدی در آنجا معرفی می شوند.

به طور کلی، فناوری در حال دسترسی بیشتر است. چیزهای پیچیده ساده شده اند تا بتوان از آنها در محدوده وسیعی از پروژه ها تا حد امکان استفاده کرد.
نکته دیگری که می‌خواهم به آن اشاره کنم این است که اینها هنوز اولین آزمایش‌ها در ابر با استفاده از راه‌حل‌های سخت‌افزاری کارآمدتر هستند که الگوریتم‌های هوش مصنوعی را پیاده‌سازی می‌کنند. ما در مورد این موضوع در Dotnext صحبت نخواهیم کرد، اما این موضوع در کنفرانس مایکروسافت Ignite به تفصیل مورد بحث قرار گرفت. در فضای ابری، مایکروسافت قصد دارد نه تنها منابع محاسباتی کلاسیک، بلکه مدارهای مجتمع منطقی قابل برنامه ریزی را نیز ارائه دهد: FPGA یا FPGA. به عبارت ساده تر، اینها تراشه هایی هستند که می توانند برای انجام برخی عملیات منطقی فلش شوند و این عملیات را خیلی سریع انجام می دهند. با چنین طرحی می توانیم شبکه عصبی را بسیار سریعتر محاسبه کنیم. در طول آزمایش‌ها، از پردازشگر خواسته شد تا از زبانی به زبان دیگر ترجمه کند، در نتیجه رمان «جنگ و صلح» در 2 ثانیه از زبانی به زبان دیگر ترجمه می‌شود. اگر تمام پردازنده‌های متعددی که مایکروسافت در فضای ابری دارد را در نظر بگیرید، ویکی‌پدیا را می‌توان از یک زبان به زبان دیگر در مدت زمانی که یک نفر طول می‌کشد ترجمه کرد.

دیمیتری در گزارش خود در DotNext 2017 Piter ("هوش مصنوعی موجود در پلت فرم دات نت: از چت بات ها و خدمات شناختی تا عمیق" اطلاعات کاربردی بیشتری در مورد استفاده از شبکه های عصبی و فناوری های هوش مصنوعی در پروژه های واقعی (از جمله در دات نت) ارائه خواهد کرد. شبکه های عصبی").

برچسب ها: اضافه کردن برچسب

آزمون تورینگ اساساً آزمونی است که به این سؤال پاسخ می دهد که "آیا ماشین ها می توانند فکر کنند؟" یعنی این مجموعه ای از تست هاست که فقط یک فرد یا هوش مصنوعی کاملی که قادر به فکر کردن به همان روش است می تواند از پس آنها برآید. این دقیقاً همان کاری است که در بازی از ما خواسته شده است - ثابت کنیم که شما یک انسان انسان خردمند هستید. به نظر من این یک اصل است!

کسانی که پازل The Talos Principle و Portal را دوست داشتند قطعا قدردانی خواهند کرد آزمون تورینگ.این بازی ها واقعاً اشتراکات زیادی دارند. حتی می توان گفت که آنها یک زیرژانر جداگانه را تشکیل می دهند که دقیقاً از پورتال نشات می گیرد.

پاساژ مجموعه ای از تست های منطقی است که باید به صورت متوالی حل شوند. اساس مکانیک بازی در آزمون تورینگکره‌های انرژی را تشکیل می‌دهند که باید برای باز کردن درها، مکانیسم‌های راه‌اندازی و غیره در سلول‌های ویژه وارد شوند. تنها ابزاری که در این مورد کمک می کند یک تفنگ مغناطیسی خاص است که می تواند این کره ها را جذب کند و در مکان مناسب شلیک کند.

در مجموع بیش از 70 تست وجود دارد، اما بسیاری از آنها در عرض چند ثانیه تکمیل می شوند. بنابراین، کل گذر زمان زیادی نمی برد. به طور کلی، موانع دشوار کمی در بازی وجود دارد که اکثر آنها را می توان تقریباً در پرواز تکمیل کرد. برخی از مردم ممکن است پازل ها را خیلی ساده بدانند، اما من از تعادل سختی خوشم آمد. برعکس، من دوست ندارم برای مدت طولانی در چنین بازی هایی "احمق" باشم.

ایده کلی نیز شبیه به بازی هایی است که الهام بخش سازندگان بوده است. ملاحظات فلسفی و اخلاقی در مورد هوش، در مورد تفاوت بین انسان و ماشین.

در مورد خود طرح داستان: شخصیت اصلی خود را در یک ایستگاه فضایی در سطح برفی اروپا، ماهواره مشتری می یابد. کارکنان پایه ناپدید شده اند و همه چیز توسط هوش مصنوعی کنترل می شود که با قهرمان ملاقات می کند. او باید همین تست تورینگ را بگذراند و بفهمد چه اتفاقی برای مردم افتاده است. داستان بسیار جالب است، اما در قطعات کوچکی (یک دو خط کامپیوتری در ابتدای هر سطح) ارائه شده است که تقریباً در کل بازی متوجه آن نمی‌شوید و فقط تا پایان به آن توجه می‌کنید.

آیا یک ربات می تواند یک سمفونی بنویسد یا یک قطعه بوم را به یک شاهکار هنری تبدیل کند؟ این سوال همچنان باز است. اما این چیزی است که ما به طور قطع می دانیم: نانوروبات های پزشکی مدرن می توانند با نفوذ به جریان خون، اکسیژن یک تومور را قطع کنند و داروها را بدون آسیب رساندن به سلول های سالم به سلول های آسیب دیده تحویل دهند. شبکه‌های عصبی در تشخیص بسیاری از بیماری‌ها از پزشکان پیشی می‌گیرند و معاینات با استفاده از فناوری CRISPR به زودی بدون ترک خانه انجام می‌شوند. آینده پزشکی در حال حاضر فرا رسیده است - بیایید دریابیم که از روش های جدید چه انتظاری داریم و این چگونه بر سلامت ما تأثیر می گذارد.

تشخیص آن: هوش مصنوعی

موفقیت درمان تا حد زیادی به تشخیص سریع و بدون خطا بستگی دارد: برای این، پزشک باید تجربیات عملی زیادی را جمع کند و از کارهای علمی فعلی در زمینه خود آگاه باشد. اما با وجود این همه مطالعات جدید و گزارش های موردی که هر ماه به صورت چاپی ظاهر می شوند، کجا می توانید زمان برای مطالعه همه آن ها را پیدا کنید؟ اینجاست که کامپیوترها به کمک مردم می آیند و می توانند حجم عظیمی از اطلاعات را در چند ثانیه پردازش کنند.

امروزه الگوریتم هایی برای تجزیه و تحلیل داده های پزشکی توسط شرکت های بزرگی از جمله مایکروسافت، آی بی ام و گوگل ایجاد می شود. اغلب، پیشرفت‌های آن‌ها مبتنی بر اشکال مختلف هوش مصنوعی خودآموز است که می‌تواند الگوهایی را در مجموعه داده‌های بزرگ، مانند اسکن مغز یا تصاویر رشد مشکوک روی پوست، پیدا کند. چنین الگوریتم‌هایی با استفاده از کتابخانه‌های هزاران مثال آموزش داده می‌شوند که در آن هر تصویر تشخیصی توسط پزشک واجد شرایط اختصاص داده می‌شود.

شبکه‌های عصبی قبلاً یاد گرفته‌اند که بسیاری از بیماری‌ها را به همان اندازه انسان‌ها شناسایی کنند و در برخی موارد حتی از متخصصان نیز بهتر عمل می‌کنند.

شبکه‌های عصبی کانولوشنال (CNN) به شما امکان تجزیه و تحلیل چندین تصویر را می‌دهند. اینها ساختارهای عمیق (چند لایه) هستند که در آنها هر نورون مصنوعی تنها قطعه کوچکی از خروجی لایه قبلی را دریافت می کند. به تدریج، شبکه ویژگی های محلی را تعمیم می دهد و تصویر کامل را بازسازی می کند. با ترکیب همه داده ها، CNN می تواند جزئیات مختلفی را در تصویر اصلی تشخیص دهد، از جمله عناصر مشخصه ای که پزشکان بر اساس آن ها تشخیص می دهند.

فناوری‌های CRISPR نه تنها می‌توانند علل بیماری‌ها را از بین ببرند، بلکه بیماری‌ها را نیز شناسایی می‌کنند، به عنوان مثال، به دنبال ردپای DNA یا RNA عوامل عفونی می‌گردند.

در حالی که پروتئین Cas9 مرتبط با CRISPR اغلب در ارتباط با درمان ذکر می شود، پروتئین های دیگر: Cas12a و Cas13a معمولاً پروتئین های "تشخیصی" هستند.

در سال 2017، محققان MIT یک فناوری تشخیصی به نام SHERLOCK (Specific High Sensitivity Enzymatic Reporter Unlocking) معرفی کردند. این آنزیم از آنزیم Cas13a استفاده می‌کند که می‌تواند توالی‌های RNA خاص را تشخیص دهد و رشته‌های RNA مشابه واقع در نزدیکی را قطع کند و جسم مشکوک را کاملاً از بین ببرد. مانند کتاب شرلوک هولمز، SHERLOCK پزشکی قادر است تصویر کاملی از رویدادها را با کوچکترین شواهد بازسازی کند: این فناوری با غلظت اتمی (10-18 مول در لیتر) اسیدهای نوکلئیک کار می کند. این روش بر روی لنتی ویروس‌های حاوی قطعاتی از ویروس تب دنگی و ویروس زیکا آزمایش شد: SHERLOCK قادر به شناسایی ذرات بیماری‌زا و متمایز کردن آنها از یکدیگر در غلظتی بیش از دو اتمول بود.

در طول آزمایش، مشخص شد که معرف‌های تشخیصی با استفاده از SHERLOCK را می‌توان خشک و سپس بازسازی کرد، در حالی که حساسیت روش چندان کاهش نمی‌یابد. برای تست های قابل حمل، استفاده از کاغذ فایبر گلاس پیشنهاد می شود. نویسندگان توسعه معتقدند که یک سیستم تست تقریباً 61 سنت هزینه دارد.

سایر محققان نیز در حال کار بر روی ایجاد کیت هایی برای آزمایش CRISPR در خانه هستند. اخیراً تحولات در این زمینه توسط جنیفر دودنا، یکی از پیشگامان انقلاب پزشکی CRISPR آغاز شده است. تیم او با استفاده از پروتئین Cas12a، روشی به نام DETECTR (خبرنگار ترانس CRISPR با هدف DNA اندونوکلئاز) ایجاد کرد. توالی‌های DNA خاصی را پیدا می‌کند و نزدیک‌ترین مولکول‌های گزارشگر اسید نوکلئیک برچسب‌گذاری شده با فلورسنت را که به نمونه اضافه می‌شود، قطع می‌کند و سیگنالی تولید می‌کند. به این ترتیب می توان رد پاتوژن های بسیاری از بیماری ها از جمله سویه های مختلف ویروس آنفولانزا را شناسایی کرد.

به گفته سازندگان چنین سیستم های آزمایشی، تجزیه و تحلیل CRISPR بیش از چند ساعت طول نمی کشد و نتایج را می توان از طریق اینترنت به دست آورد. با این حال، هنوز مشخص نیست که چه زمانی چنین مجموعه هایی در فروش عمومی ظاهر می شوند.

این یک توهم است: واقعیت مجازی

واقعیت مجازی اغلب در زمینه بازی‌های رایانه‌ای و «سینمای سه‌بعدی» صحبت می‌شود، اما این فناوری در پزشکی نیز پتانسیل دارد و نه در واضح‌ترین زمینه‌ها. به عنوان مثال، VR به طور موثر به عنوان یک مسکن استفاده می شود.

واحد سوختگی در بیمارستان دانشگاه لویولا در ایلینوی این رویکرد را اتخاذ می کند.آغاز شده ده سال پیش مورد استفاده قرار گرفت: بیماران بیمارستانی در طی مراحل دردناک شبیه ساز بازی می کننددنیای برفی.

این اکشن در پس زمینه مناظر نیمه خارق العاده شمالی با بارش های برف زیاد و رودخانه های یخ زده اتفاق می افتد، وظیفه قهرمان بازی با گلوله های برفی با خرس های قطبی، پنگوئن ها و آدم برفی ها است. برای تکمیل تمام سطوح، بیمار به طور غیرارادی بر روی پازل تمرکز می کند و از احساسات فیزیکی منحرف می شود. اسکن مغزی MRI نشان داده است که SnowWorld در واقع درک درد را کاهش می دهد، بنابراین بیماران به مسکن های قوی کمتری نیاز دارند که می تواند برای بدن مضر باشد.

VR در بسیاری از زمینه های پزشکی جایگزین یا مکمل مسکن ها می شود. این فناوری برای تسکین درد در هنگام زایمان و در حین عمل های دندانپزشکی استفاده می شود. خواص تسکین درد واقعیت مجازی به ویژه با توجه به "بحران مواد افیونی" در ایالات متحده مرتبط است - این امر با افزایش محبوبیت مسکن های تجویزی (به عنوان مثال، OxyContin و Vicodin) در دهه های اخیر مرتبط است.

VR نه تنها برای درد فیزیکی کار می کند، بلکه می تواند بر آسیب های روانی نیز غلبه کند. اولین آزمایش‌ها در اواخر دهه 1990 انجام شد، زمانی که روان‌شناس باربارا روثبام موفق شد با استفاده از مدل‌های مجازی کابین خلبان هلیکوپتر و پاکسازی در جنگل‌های آسیا، علائم اختلال استرس پس از سانحه را در جانبازان ویتنام کاهش دهد. این تکنیک مکمل مواجهه درمانی بود - یک "رویکرد" تدریجی به خاطرات آسیب زا که هوشیاری بیمار سعی می کند از آن اجتناب کند. طرح مشابهی در درمان اختلالات اضطرابی و فوبیا با استفاده از واقعیت مجازی کار می کند. فناوری به مقابله با هواهراسی و ترس از سخنرانی در جمع کمک می کند: یک محیط شبیه سازی شده امکان "تمرین" مکرر یک موقعیت ترسناک را فراهم می کند.

معایب درمان واقعیت مجازی هزینه نسبتاً بالای تجهیزات و عدم تحمل فیزیولوژیکی بالقوه به واقعیت مجازی است.

برخی از شرکت‌کنندگان در آزمایش‌های روش‌های درمانی جدید، «تهوع» VR (بیماری واقعیت مجازی) را تجربه کردند که علائمی مشابه بیماری حرکت یا دریازدگی ایجاد می‌کند. طبق فرضیه های رایج، هر دو اختلال از اختلال در عملکرد گیرنده های دستگاه دهلیزی یا تضاد بین سیگنال های دریافتی از دستگاه دهلیزی و اندام های بینایی ناشی می شوند.

توسعه دهندگان قبلاً چندین روش ایجاد کرده اند که می تواند "تهوع" VR را کاهش دهد. به عنوان مثال، می توانید یک جسم ثابت را روی صفحه نمایش قرار دهید که چشمان کاربر دائماً آن را ثابت می کند. نویسندگان فناوری Nasum Virtualis استفاده از یک تصویر مجازی از بینی واقع در مرکز صفحه را به عنوان نقطه مرجع پیشنهاد می کنند. چشمان بازیکن آن را مانند بینی خود می دانند، بنابراین احساس تهوع و سرگیجه از بین می رود.