اینتل و AMD، رقبای قدیمی دنیای پردازنده در برخی حوزه‌ها با هم همکاری می‌کنند که از میان آن‌ها می‌توان به کنسرسیوم CXL Interconnect اشاره کرد.

اینتل در ماه مارس، مشخصات استاندارد PCIe 5.0 را برای اینترکانکت منتشر کرد که هشت شرکت دیگر هم در تدوین و بنیان‌گذاری آن نقش داشتند. اکنون AMD، رقیب دیرینه‌ی غول دنیای پردازنده هم به جمع همکاران پیوسته است. کنسرسیومی که AMD به‌عنوان جدیدترین عضو به آن پیوست، به‌نام Compute Express Link یا CXL شناخته می‌شود. این شرکت همچنین در کنسرسیوم‌های دیگری مانند CCIX، Gen-Z و OpenCAPI هم عضویت دارد.

مارک پیپرمستر مدیر بخش فناوری و مهندسی در AMD، خبر عضویت شرکتش را در کنسرسیوم جدید تأیید کرد. او در پستی وبلاگی درباره‌ی تصمیم جدید نوشت:

AMD به‌عنوان یکی از قدیمی‌ترین حامیان استانداردهای باز از عضویت در CXL هیجان‌زده است. با اقدام اخیر و همکاری ما با پیش‌گامان بازار برای پیدا کردن چالش‌های صنعت، فرصت‌های بسیار بزرگی در اختیار همه قرار می‌گیرد.

با اضافه شدن AMD تعداد اعضای کنسرسیوم CXL به ۵۵ شرکت سهامی عام می‌رسد. از میان مشهورترین آن‌ها می‌توان به علی‌بابا، برودکام، سیسکو، دل ای‌ام‌سی، فیسبوک، گوگل، ملاناکس (از شرکت‌های زیرمجموعه‌ی انویدیا)، مایکروسافت، وسترن دیجیتال و اس‌کی هاینیکس اشاره کرد. آرم هم در کنسرسیوم مذکور حضور دارد که به خاطر داشتن استاندارد اینترکانکت CCIX اختصاصی، عضویت آن‌ها تاحدودی تعجب‌برانگیز بود.

پس از چهار ماه از معرفی CXL اکنون AMD به‌عنوان پنجاه‌وپنجمین شرکت سهامی عام به کنسرسیوم ملحق می‌شود. چنین روندی نشان‌دهنده‌ی رشد سریع کنسرسیوم مذکور است و همچنین آمار به‌کارگیری آن را نیز حداقل روی کاغذ، بالا نشان می‌دهد. آمار اعضای CXL اکنون با CCIX برابری می‌کند که در سال ۲۰۱۶ معرفی شد. کنسرسیوم مشهور دیگر، Gen-Z نام دارد که آمار ۷۰ عضو را به خود اختصاص می‌دهد. البته عضویت بسیاری از شرکت‌ها در کنسرسیوم‌ها به‌صورت عمومی اعلام نمی‌شود و تا حدودی آمار را دستخوش تغییر می‌کند. به‌عنوان مثال در ماه مه، ۳۸ عضو برای CXL اعلام شد؛ در حالی که ۵۷ شرکت (خصوصی و عمومی) در آن عضویت داشتند.

کنسرسیوم‌های Gen-Z و CCIX نسخه‌ی اول مشخصات استانداردی را در نیمه‌ی اول ۲۰۱۸ منتشر کردند. CCIX پس از ۶ ماه به آمار ۲۲ عضو رسید در حالی که Gen-Z پس از یک سال، ۵۰ عضو پیدا کرد. اینتل در ماه مارس کنسرسیوم CXL را به‌عنوان اینترکانکت Cache-Coherent (انسجام حافظه‌ی پنهان) معرفی کرد که از لینک‌های فیزیکی PCIe 5.0 بهره می‌برد. اولین محصولی که از کنسرسیوم مذکور پشیتبانی می‌کرد توسط خود اینتل و به نام Agilex FPGA معرفی شد. به علاوه استارتاپی به‌‌نام Ayar Labs که از اعضای CXL محسوب می‌شود، برنامه‌ای برای همکاری با اینتل دارد تا جیپلت‌های فوتونیک خود را با Agilex هماهنگ کند.

کنسرسیوم CXL چندی پیش نسخه‌ی دیگری از استاندارد تحت عنوان Specification 1.1 Evaluation Copy منتشر کرد.

سیستم جدید صدور مجوز هوشمندی که سیسکو برای دستگاه‌های خود به‌کار گرفته است، محدودیت‌هایی را برای مشتریانش رقم خواهد زد. 

سیسکو (Cisco)، تولیدکننده‌ی سخت‌افزارهای شبکه، تغییرات زیادی بدون اطلاع قبلی در نحوه‌ی فروش محصولات خود ایجاد کرده است. استفاده‌کنندگان از محصولات این شرکت پیش‌ از این می‌توانستند به‌راحتی سخت‌افزارهای دست‌دوم را خریدوفروش کنند، اما سیستم هوشمند صدور مجوز (Smart Licensing System) که بیشتر محصولات سیسکو را دربرمی‌گیرد، مجوز استفاده از دستگاه‌ها را به‌ روشی غیرعادی و نامتداول از خود سخت‌افزار جدا کرده است.

صدور مجوز نه‌چندان هوشمند

سیستم صدور مجوز سیسکو سال ۲۰۱۵ معرفی شد؛ اما استفاده از آن اکتبر گذشته و به‌همراه به‌روزرسانی استاندارد IOS XE 16.9 اجباری شد؛ به‌ این‌ ترتیب، استفاده از سیستم هوشمند صدور مجوز یادشده برای سوئیچ‌های سری کاتالیست ۳۶۵۰، ۳۸۵۰ و ۹۰۰۰ سیسکو قابل اجرا است. سیسکو ادعا می‌کند این کار باعث مدیریت راحت‌تر و انعطاف‌پذیرتر صدور مجوزهای سخت‌افزاری می‌شود؛ و در عین‌ حال، چگونگی استفاده‌ی کاربر از سخت‌افزار تحت‌ مالکیت خود را با محدودیت‌های زیادی مواجه می‌کند.

پیش از صدور هوشمند مجوز، سوئیچ‌ها طوری طراحی می‌شدند که آن‌ها را یک‌بار برای همیشه نصب و تنظیم می‌کردند؛ به‌ این معنی که کاربر یک قطعه‌ی سخت‌افزاری را همراه‌با مجوز استفاده از نرم‌افزار روی آن می‌خرید و اگر بعدها آن سخت‌افزار را می‌فروخت، مجوز هم همراه آن فروخته می‌شد. درصورت بروز هر مشکلی، شرکت‌های دیگر می‌توانستند تجهیزات مزبور را تعمیر کنند؛ حتی اگر آن‌ها از امتیاز پشتیبانی مادام‌العمر تولیدکننده برخوردار بودند. اما سیستم مجوز هوشمند عملکرد متفاوتی دارد. شرکت‌ها می‌توانند با حساب کاربری خود چندین مجوز دریافت کنند که این مجوزها به‌صورت خودکار و به‌شکل مشترک توسط دستگاه‌های نصب‌شده در آن شرکت‌ها استفاده می‌شوند. برای اعتبارسنجی دستگاه‌ها، به‌طور مرتب بین آن‌ها و شرکت سیسکو ارتباط تلفنی برقرار می‌شود و اگر دستگاه‌ها قادر به انجام این تماس نباشند، پس از یک سال به «حالت ارزیابی» بازمی‌گردد. تاد بون، بنیان‌گذار و رئیس XS International، یکی از شرکت‌های تعمیر و نگه‌داری تجهیزات فناوری اطلاعات، این مفهوم را به بیان ساده‌تر توضیح می‌دهد:

چون مجوز در سرورهای سیسکو باقی می‌ماند و به دستگاه منتقل نمی‌شود، مسئولیت خرابی یا درستی آن‌ها به‌عهده‌ی سیسکو است.

XSi تنها شرکتی نیست که نگرانی‌های خود را از این موضوع ابراز کند. کارویچور (Curvature) که یکی دیگر از شرکت‌های تعمیرکننده‌ی تجهیزات است، با برگزاری یک سمینار مبتنی‌بر وب مشتریانش را با مشکلات ناشی‌ از این رویکرد آشنا کرد. به‌زعم آن‌ها، سیستم جدید و به‌اصطلاح «هوشمند صدور مجوز» سیسکو نه‌تنها ریسک احتمالی خرابی دستگاه و نیز تهدیدهای امنیتی را به‌همراه خواهد داشت، بلکه حوزه‌ی اختیارات کاربر درباره‌ی سخت‌افزاری که فکر می‌کند تحت مالکیت وی است را نیز محدود می‌کند.

پایان مالکیت

سیسکو / Cisco

سوئیچ‌های جدیدتر مانند سوئیچ‌های سری کاتالیست ۲۹۶۰ (Catalyst 2960) را به‌راحتی می‌توان در بازار دستگاه‌های دست‌دوم خریدوفروش کرد. با اجباری‌کردن استفاده از سیستم هوشمند صدور مجوز برای سوئیچ‌های جدیدتر سیسکو، انجام این کار دیگر میسر نخواهد بود

چون مجوز در سرور سیسکو باقی می‌ماند و به دستگاه منتقل نمی‌شود، مسئولیت خرابی یا درستی آن‌ها با سیسکو است

این دستگاه‌ها به حساب کاربری خریدار اصلی پیوند می‌خورند، بنابراین کاربر نمی‌تواند به‌راحتی یک سوئیچ دست‌دوم و تحت مالکیت کاربر دیگری را بخرد و به‌ روال گذشته از آن استفاده کند. بون می‌گوید:

این تغییر رویکرد امکان خرید سخت‌افزارهای دست‌دوم و تعمیرشده‌ی سیسکو را که دارای مجوزهای هوشمند هستند، به‌شدت تغییر می‌دهد؛ چرا که کاربر نهایی اصلی تنها مالک سخت‌افزار است، نه [حق] استفاده از آن. خریدار [جدید] هیچ حقی [درباره‌ی آن] ندارد و دستگاه، کار نخواهد کرد.

درعوض، خریدار باید مجوز را مجددا از سیسکو بخرند و اعتبار آن را تأیید کنند. این روند طبق گفته‌ی کارویچور می‌تواند به‌قدری برای مشتری هزینه بتراشد که هرچه پس‌انداز از خرید دستگاه‌های دست‌دوم به‌دست آورده‌ است را به‌ باد بدهد. از نظر حقوقی هم به‌نظر می‌رسد که این کار برای سیسکو مشکلاتی ایجاد کند. دادگاه‌ها معمولا شرکت‌هایی را که مشتریان خود را پس از خرید یک تجهیز، آن‌ها را از فروش آن بازمی‌دارند، محکوم می‌کند.

علاوه‌بر این، به‌کارگیری سیستم جدید امکان دریافت خدمات از شرکت‌های دیگر را توسط مشتری پس از اتمام دوره‌ی پشتیبانی توسط سیسکو محدود می‌کند. بون می‌گوید:

معلوم نیست که صاحبان قطعات سخت‌افزاری سیسکو بتوانند باز هم به‌روشی غیر از قرارداد SMARTnet از این امتیاز برخوردار بشوند. شاید سیسکو دسترسی دستگاه‌هایی را که از آن‌ها پیشتیبانی نمی‌کند به سرورهای خود قطع کند.

استفاده از سیستم جدید علاوه‌بر ازرونق‌انداختن بازار دستگاه‌های دست‌دوم، به‌معنی بیشتر‌شدن حجم زباله‌های الکترونیکی سیسکو در محل‌های دفن زباله هم است. بون می‌گوید او نگران آن است که بیشتر مشتریان سیسکو متوجه نشوند که درصورت ارتقا به سیستم هوشمند صدور مجوز، درحقیقت چه‌ چیزی را از دست می‌دهند. زیرا سیسکو از شفاف‌سازی این موضوع سرباز می‌زند. شرکت‌کنندگان در سمینار مجازی کارویچور نیز همین ترس و نگرانی را داشتند؛ چراکه خیلی از آن‌ها از برخی از تغییرات اعمال‌شده توسط سیستم جدید خبر نداشتند. احتمال دارد که افراد زیادی این به‌روزرسانی را انجام بدهند و ناخواسته، حقوق متعلق به سخت‌افزار خود را از دست بدهند.

اگر نمی‌توانید سخت‌افزار خود را تعمیر کنید، دیگر مالک آن نیستید. و با انجام این تغییرات، سیسکو حقوق اساسی مشتریان خود را از آن‌ها سلب می‌کند. دقیقا به‌همین دلیل است «حق تعمیر» از ارزش زیادی برخوردار است.

شبکه‌های اجتماعی امروز به عضوی جدانشدنی از زندگی مردم تبدیل شده‌اند و عوامل متعددی، اعتیاد به آن‌ها را برای کاربران همیشگی می‌کنند.

ما در دریایی از نوشتن شنا می‌کنیم. شوشانا زوباف، نویسنده و استاد دانشگاه، زندگی امروز ما را به یک متن الکترونیکی تشبیه می‌کند. رسانه‌های اجتماعی ماشینی را در اختیار ما قرار می‌دهند که در آن امکان نوشتن داریم. طعمه‌ی آن‌ها برای ما و همه‌‌ی کاربران دیگر، ارتباط با یکدیگر است. ارتباط با دوستان، همکاران، شخصیت‌های مشهور (سلبریتی‌ها)، سیاست‌مداران و حتی تروریست‌ها و در نهایت ارتباط با هر فردی که دوست داریم، از طریق این پلتفرم‌های جذاب امکان‌پذیر می‌شود. البته درنهایت ما با افراد ارتباط برقرار نمی‌کنیم، بلکه ماشین‌ها مخاطب حرف‌ها و نوشته‌های‌مان هستند. ما پیام خود را در ماشین می‌نویسیم و آن، پیام را برای‌مان ارسال می‌کند. به‌علاوه نسخه‌ای از پیام را نیز نزد خودش نگه می‌دارد.

ماشینی که در بالا به آن اشاره کردیم، از «اثر شبکه‌ای» بهره می‌برد. درواقع هرچه افراد بیشتری از آن برای نوشتن یا همان ارسال محتوا استفاده کنند، مزایای بیشتری دریافت می‌کند. درنهایت وضعیتی ایجاد می‌شود که عضو نبودن در ماشین مذکور، نوعی نقطه‌ضعف خواهد بود. در اینجا باید ماشین مورد نظر و عضو بودن در آن را با تعریفی دیگر شرح دهیم. عضو بودن ما درواقع یعنی در اولین پروژه‌ی نوشتاری عمومی، زنده، جمعی و با پایانی باز، حضور داشته باشیم.

آزمایشگاه مجازی و ماشین اعتیاد، نام‌های دیگری هستند که برای پلتفرم‌های شبکه‌ی اجتماعی استفاده می‌شوند؛ ماشین‌هایی که با روش‌های خاص، در بسیاری از موارد رفتار انسان‌ها را نیز تغییر می‌دهند. رویکرد آن‌ها امروز شبیه به دستگاهی به‌نام Skinner Box تعریف می‌شود که توسط رفتارشناس مشهور، BF Skinner برای کنترل رفتار کبوترها و موش‌ها اختراع شد. تغییر رفتار در دستگاه مذکور هم طبق سیستم تنبیه و تشویق صورت می‌گرفت. درنهایت ما کاربران ماشین مذکور هستیم، اما رفتاری شبیه به معتاد‌های مواد مخدر داریم.

با توجه به تعریف‌ها و هشدارهای بالا، چه عاملی هر روز ما را به نوشتن یا حضور چندساعته در پلتفرم‌های اجتماعی تشویق می‌کند؟ حضوری که عموما با تولید محتوا یا همان نوشتن همراه می‌شود و نویسنده‌ها، حتی هیچ انتظاری برای دریافت حقوق یا قرارداد همکاری ندارند. پلتفرم‌ها به‌عنوان حق‌الزحمه چه چیزی به ما پرداخت می‌کنند؟ به بیان دیگر، چه عواملی ما کاربران را به آن‌ها وابسته می‌کند؟ شاید بتوان تأیید، توجه، ری‌توییت، اشتراک‌گذاری و لایک در شبکه‌های اجتماعی را به‌عنوان عوامل وابستگی نام برد.

Skinner Box

Skinner Box

ماشین توییتر به‌عنوان نمونه‌ای اعتیادآور از شبکه‌های اجتماعی این‌گونه کار می‌کند: صرف‌نظر از زیرساخت‌های فنی شامل کابل‌های فیبر نوری، سرورهای دیتابیس، سیستم‌‌های ذخیره‌سازی، نرم‌افزار و انواع کدها، ساختار توییتر در سبکی رفتاری و با هدف افزایش درگیری کاربران فعالیت می‌کند. ماشین توییتر نوعی ماشین نویسندگی محسوب می‌شود. درواقع چرخه‌ی نوشتن و بازخورد گرفتن، حیات ماشین توییتر را تأمین می‌کند. ماشین توییتر با مواردی همچون سرعت، غیررسمی بودن و ارتباط بین افراد زنده می‌ماند.

پروتکل توییتر به‌صورت هدفمند افراد را مجبور می‌کند تا با سرعت زیاد و به تعداد زیاد توییت بنویسند. سرعت چرخش فید بسیار بالا است. درنتیجه یک توییت به‌سرعت از سوی فالورهای کاربر فراموش می‌شود و به پایین فهرست توییت‌ها می‌رود؛ مگر اینکه توییتی پرطرفدار یا اصطلاحا وایرال (Viral) شود. سیستم دنبال‌کردن افراد، منشن‌کردن آن‌ها با علامت @ و گفت‌وگوهای طولانی، به‌گونه‌ای پیاده می‌شود که تعامل هرچه بیشتر و شدیدتر را تشویق کند. همه‌ی موارد مذکور، منجر به محبوب‌شدن توییتر می‌شوند. توییتر کاربران را به خود جذب می‌کند چون شباهت زیادی به ارسال و دریافت پیامک دارد، اما ارتباط را در فضایی عمومی‌تر و جمعی‌تر ممکن می‌کند.

بخش مهم دیگر توییتر، به هشتگ‌ها و بحث‌های داغ ارتباط می‌یابد؛ ساختاری که تقریبا همه‌ی پروتکل‌ها براساس آن برنامه‌ریزی می‌شوند و درنهایت به بزرگ‌نمایی نظرات و ایده‌های افراد می‌پردازد. لذتی که افراد از پرداختن به موضوع‌های گوناگون از طریق هشتگ به دست می‌آورند، به لذت کوتاه پس از مصرف مواد مخدر تشبیه می‌شود و خود را شبیه به یک جشن و شادی عمومی پیرامون موضوعی خاص، نشان می‌دهد. هدف نهایی در تمامی این برنامه‌ها، تولیدِ داده است. داده امروز به‌عنوان یکی از پرسودترین مواد خام جهان شناخته می‌شود. به‌هرحال هرچه تولید و اخبار پیرامون ماده‌ی مذکور بیشتر باشد، ارزش آن هم بیشتر می‌شود.

رفتاری شبیه به اعتیاد

صرف‌نظر از اینکه کاربران به اعتیاد خود باور داشته باشند یا خیر، ماشین‌ها مانند معتاد با آن‌ها رفتار می‌کنند. در مثال توییتر، اعتیاد همان الگویی است که ارتباط ما را با ماشین شکل می‌دهد. بخش عمده‌ای از اعتیاد به توجه مربوط می‌شود و مدیران شبکه‌ی اجتماعی به‌خوبی از این حقیقت آگاه هستند.

شبکه های اجتماعی شبکه اجتماعی

کارشناسان، رفتارهای اعتیادگونه در شبکه‌های اجتماعی را بیش از همه‌چیز به اعتیاد قمار تشبیه می‌کنند. برای درک بهتر به بلیط‌های بخت‌آزمایی دقت کنید. هر کاربر به تعدادی علامت و کاراکتر اعتماد می‌کند؛ علامت‌هایی که در هر بازی قمار منحصر به‌فرد بوده، اما درنهایت همگی تنها علامت‌های بی‌معنی (نقطه، رنگ، کاراکتر و…) هستند. درنهایت، نتیجه‌ی اعتماد و فعالیت با ابزارهای قمار، چیزی به‌جز باخت برای همه‌ی کاربران و بازیکنان نیست. در این‌ میان قماربازهایی هم هستند که به‌صورت کامل فریب سیستم را می‌خورند و همه‌ی زندگی خود را وارد بازی می‌کنند.

در دنیای رسانه‌های اجتماعی، شما چند کاراکتر و حرف را به کار می‌گیرید و پس از نوشتن آن‌ها، دکمه‌ی ارسال یا انتشار را می‌زنید. همین رفتار را با ریختن تاس یا هر حرکت دیگر در بازی‌های قمار مقایسه کنید. پس از ریختن همین تاس، کاربر به‌دنبال نتیجه‌ای از صاحب قمارخانه یا همان اینترنت می‌ماند. درنهایت نیز تنها با اعدادی همچون تعداد لایک، اشتراک‌گذاری و نظر در شبکه‌های اجتماعی روبه‌رو می‌شود.

اکنون این سؤال ایجاد می‌شود که کدام بخش از رویکرد بالا چنین قابلیت بالایی در ایجاد اعتیاد دارد؟ در ظاهر، همه تصور می‌کنند که حضور و فعالیت در شبکه‌های اجتماعی مانند همان پیروزی در قمار است. درحالی که این بازی‌های مدرن به‌صورت عادلانه برنامه‌ریزی نشده‌اند و شاید همه‌ی ما در آن‌ها برنده نباشیم. حساب‌های کاربری ما در شبکه‌های اجتماعی، به‌نوعی ماشین‌هایی برای رقابت با هدف کسب لایک هستند. پس از رسیدن به آن هدف هم هیچ پولی دریافت نمی‌کنیم و تنها از شهرت و توجه دیگران شاد می‌شویم. درنهایت، توجه کسب‌شده نیز دائمی نخواهد بود و احتمال خدشه‌دار شدن آن بسیار زیاد است؛ خدشه‌دار شدنی که با شروع فاز عدم تأیید از سوی دیگران، مجددا ما را به دوران تنهایی و تلاش برای جلب توجه فرو می‌برد.توجهی که در شبکه‌های اجتماعی جلب می‌کنیم، هیچ‌گاه دائمی نیست

تحقیقاتی در سال ۲۰۱۵ انجام شد که دلیل عدم موفقیت افراد در ترک شبکه‌های اجتماعی را مورد بررسی قرار داد. افراد حاضر در تحقیق، ۹۹ روز ترک فیسبوک را آزمایش می‌کردند. بسیاری از آن‌ها حتی در اولین روزهای ترک فیسبوک موفق نبودند. به‌علاوه بسیاری از نمونه‌های موفق نیز به شبکه‌های اجتماعی دیگر همچون توییتر دسترسی داشتند. درواقع آن‌ها موفق نشده بوده و تنها مدل اعتیاد خود را تغییر داده بودند. درنهایت عده‌ی محدودی که دوره‌ی زمانی مذکور را با موفقیت به پایان رساندند، ذهن شادتری را تجربه کردند. آن‌ها دیگر نیاز به کنترل برداشت و نظر دیگران درباره‌ی خودشان نداشتند.

نتایج تحقیق بالا، یک فرضیه را درباره‌ی دلیل اعتیاد به شبکه‌های اجتماعی مطرح می‌کند. شاید اعتیاد مذکور، نوعی درمان شخصی باشد که فرد برای افسردگی استفاده می‌کند. به‌علاوه، حضور در آن پلتفرم‌ها تاحدودی روشی برای بهتر نشان‌دادن خود در چشم دیگران است. به‌هرحال شاید بتوان این دو دلیل را به هم مرتبط دانست.

برای آن دسته از معتادان به شبکه‌های اجتماعی که به‌دنبال شخصیت‌سازی برای خود هستند، اعلان‌ شبکه‌های اجتماعی نقش تله‌کلیک (Clickbait) را ایفا می‌کند. درواقع اعلان‌ها، مراکز جایزه و پاداش را در مغز فعال می‌کنند. درنتیجه اگر فاکتورهای موجود در پلتفرم‌های متعدد، مقدار مورد پسند از تأیید را به آن دسته از کاربران نشان ندهند، احساس بدی در آن‌ها ایجاد می‌شود. تأثیر اعتیادی این عناصر مانند ماشین‌های بازی قمار یا بازی‌‌های موبایلی خواهد بود. بیونگ چول هان، نظریه‌پرداز فرهنگی برای چنین پدیده‌هایی از اصطلاح «بازی‌سازی نظام سرمایه‌داری» استفاده می‌کند.

شبکه های اجتماعی

فعالیت در شبکه‌های اجتماعی تنها اعتیادآور نیست. ما برای دریافت تأیید و توجه در رسانه‌‌های اجتماعی باید محتوای خود را اصلاح یا به‌نوعی کالیبره کنیم. ما نه‌تنها به‌دنبال تأیید از سوی دوستان و نزدیکان و افراد شبیه به خود هستیم، بلکه تنها به محتوای آن‌ها توجه نشان می‌دهیم. درواقع تنها آن محتوا برای ما جذاب می‌شود، چون می‌توانیم به آن پاسخ داده و تعامل خود را در شبکه‌های اجتماعی افزایش دهیم.

توجه و تمرکز به محتوای تولیدی هم‌فکران و تعامل و تشدید آن‌ها، به پدیده‌ای منجر شده که برخی اوقات به‌نام تظاهر به اعتقادات (Virtue Signalling) شناخته می‌شود. در کنار این پدیده، موارد دیگری هم به‌عنوان شخصیت گروه‌های رسانه‌های اجتماعی شناخته می‌شوند. حمایت از یکدیگر و تشدید عقاید مشترک، برخی اوقات به درگیری‌های شدید، اظهارنظرهای افراطی، توهین و بسیاری موارد دیگر منجر می‌شود.

تعامل یا بازی؟

شباهت میان معتادان به قمار و معتادان به شبکه‌های اجتماعی نفی‌پذیر نیست. تریستان هریس، کارمند سابق گوگل در بخش طراحی اخلاقی، گوشی‌های هوشمند را به ماشین‌های قمار و شانس تشبیه می‌کند. اکثر اپلیکیشن‌های گوشی هوشمند از پاداش‌های متغیر متناوب برای درگیرکردن یا به‌نوعی معتادکردن کاربر استفاده می‌کنند. پاداش‌های مذکور متغیر هستند و کاربران را در وضعیتی از عدم اطمینان نگه می‌دارند. دقیقا همین رویکرد در ماشین‌های بخت‌آزمایی با اهرم‌های شانس وجود دارد. آدام آلتر، بازاریاب دیجیتال اعتقاد دارد که با اختراع دکمه‌ی لایک در شبکه‌های اجتماعی، قمار به زندگی روزمره و رفتارهای همیشگی کاربران اضافه شد. ناتاشا داو شول، انسان‌شناس هم همین عقیده‌ی ماشین شانس و قمار را برای شبکه‌های اجتماعی بیان می‌کند.

با پیشرفت فناوری‌های دیجیتال، ماشین‌های قمار هم تغییراتی اساسی را تجربه کرده‌اند و به‌نوعی تجربه‌ی کاربران را لذت‌بخش‌تر و توجیه‌پذیرتر کرده‌اند. امروزه، کاربران بازی‌های بخت‌آزمایی اعتماد بیشتری به ماشین‌ها دارند چون ساختار آن‌ها دیجیتالی شده و به بازی‌های کامپیوتری شبیه‌تر شده است. آن‌ها تصور می‌کنند که تغییر دستی مکانیزم‌ها و افزایش و کاهش شانس برد دیگر در سیستم‌‌های دیجیتال وجود ندارد.

ماشین‌ها برای تشویق هرچه بیشتر کاربران به بازی، ابزار و روش‌های متنوعی دارند؛ به‌عنوان مثال آن‌ها پاداش‌هایی را به کاربر می‌دهند و او به بازی‌کردن بیشتر و تلاش برای برد بیشتر تشویق می‌شود. البته بردهای مذکور به‌نوعی باخت هستند که ظاهر برد به خود می‌گیرند؛ درواقع پاداشی که کاربر دریافت کرده، کمتر از هزینه‌ی صرف شده است، اما به‌هرحال مرکز پاداش ذهن او را فعال می‌کند.

هدف بسیاری از معتادان به بازی‌های بخت‌آزمایی، صرفا برد نیست. شول در جریان تحقیقات خود به این نتیجه رسید که ذات بازی‌کردن، افراد را به ماندن در کنار ماشین‌ها تشویق می‌کند. درواقع آن‌ها تنها به زمانی برای دور بودن از افراد دیگر نیاز دارند و این زمان را با ماشین بخت‌آزمایی می‌گذرانند. اصطلاح «زمان سپری‌شده با دستگاه» برای چنین نوعی از وقت‌گذرانی کاربران استفاده می‌شود. در این‌ میان ماشین‌ها هم به‌گونه‌ای طراحی شده‌اند تا در همه‌ی اجزاء، فرد را به ماندن هرچه بیشتر تشویق کنند.

توییتر

«زمان سپری شده با دستگاه» نکته‌ای حیاتی را درباره‌ی اعتیاد به ما گوشزد می‌کند. مراکز قمار از قدیم همه‌ی تلاش خود را به کار می‌گیرند تا کاربر درکی از سپری‌شدن زمان نداشته باشد. آن‌ها هرگونه نشانه‌ از نور روز یا ساعت را از برابر کاربران حذف می‌کنند. حتی غذاخوردن و دیگر نیازهای شخصی هم به‌نوعی برطرف می‌شوند که گذر زمان آن‌چنان مشهود نباشد. چنین رویکردی در مراکز تفریحی دیگر نیز دیده می‌شود و هدف نهایی، ازبین‌بردن درک افراد از زمان است.

تلاش برای خروج از مفهوم زمان در بسیاری از انواع اعتیاد دیده می‌شود. یک معتاد سابق به قمار در مصاحبه با شول می‌گوید که تجربه‌ی چهار روز زندگی در حالت خلسه و بدون توجه به گذر زمان را داشته است. شول از اصطلاح «محدوده‌ی ماشین» برای چنین وضعیتی استفاده می‌کند؛ محدوده‌ای که در آن واقعیت‌های مرسوم در ریتم مکانیکی فرایندهای تکراری متوقف می‌شوند. بسیاری از معتادان روبه‌رو شدن با جریان عادی زمان را ناراحت‌کننده و موجب افسردگی می‌دانند. مارک لویس، عصب‌شناس و معتاد سابق به هروئین از همین تجربه می‌گوید و حتی پس از ترک اعتیاد هم برخی اوقات از جریان عادی روزها افسرده می‌شود.

ماشین توییتر که قبلا درباره‌ی آن صحبت کردیم، به هیچ‌یک از تنظیمات و برنامه‌ریزی‌های شبیه به سالن‌های قمار نیاز ندارد. کاربر با استفاده از آن ماشین درواقع با دستان خودش از روال کاری، یک نهار خسته‌کننده، یک موقعیت اجتماعی نه‌چندان جذاب یا هر وضعیت دیگر خارج می‌شود تا وارد محدوده‌ی بدون زمان شود. کاربر برای ورود به توییتر (یا هر شبکه‌ی اجتماعی دیگر) علاوه‌بر تلاش برای دوری از مفهوم یا عنصری خاص، برای به‌دست‌آوردن مفهومی دیگر تلاش می‌کند. درنهایت آنچه که به دست می‌آید هم ارزش و جذابیت چندانی ندارد. در چنین تعاملی (بخوانید اعتیاد)، نیازی به مسدودکردن پنجره برای حذف وضعیت زمان نیست. کاربر به محض اینکه وارد صفحه‌ی شبکه‌ی اجتماعی می‌شود، خود را از گذران عادی روز دور می‌کند.اعتیاد به شبکه‌های اجتماعی شباهت زیادی به اعتیاد قمار یا بخت‌آزمایی دارد

مدیریت زمان در ماشین توییتر تفاوت‌هایی با ماشین‌های قمار دارد. برای معتادان به بخت‌آزمایی، تنها مفهوم زمانی، مرتبه‌هایی است که شانس با آن‌ها یار می‌شود. برای معتادان به الکل و مواد مخدر نیز تنها زمان مهم، دوره‌ی بالابودن تأثیر ماده‌ای است که مصرف می‌کنند. درمقابل، تجربه‌ی کاربران پلتفرم شبکه‌های اجتماعی به‌‌صورت جریانی شبیه به سرخوشی مدیریت می‌شود. کاربر وارد جریانی از اطلاعات به‌روز شده و برای ماندن دائمی و همیشگی در آن، تشویق می‌شود. شاید به‌همین دلیل توییتر به‌جای نشان‌دادن زمان و تاریخ پست‌ها، عمر آن‌ها را نشان می‌دهد (۱۲ ساعت، چهار دقیقه و…).

دیوید بری، نظریه‌پرداز دیجیتال اعتقاد دارد، وضعیت شبیه به سرخوشی در شبکه‌های اجتماعی شبیه به وضعیتی است که در سال‌های ابتدایی تولد بازارهای سهام دیده می‌شد. در آن زمان، فعالان بازار مالی مجذوب تماشای سیگنال‌های بازار مالی می‌شدند که در نوارهای سیگنال تیک دیده می‌شد. آن‌ها جریان زنده‌ی سیگنال‌ها و بالا و پایین رفتن ارز‌ش‌ها را نیز با دقت و اعتیاد دنبال می‌کردند. به‌هرحال آن‌ها با دنبال‌کردن علامت و سیگنال‌ها تلاش می‌کردند تا (در تصور خود) خرید و فروش آگاهانه‌تری انجام دهند.

social media

اگر شبکه‌های اجتماعی را به سالن‌های قمار تشبیه کنیم، می‌توان ادعا کرد که آن‌ها بر تمایل ادامه‌دار مردم به قمار پایدار شده‌اند؛ تمایلی که تا دوران کنونی (موسوم به نئولیبرال) هم ادامه یافته است. مفهوم لیبرال به این دلیل استفاده می‌شود که قوانین قمار در کشورهای غربی در سال‌های پس از جنگ جهانی دوم به‌صورت شدیدا متمرکز تدوین و اجرا می‌شدند. در ۴۰ سال گذشته، روند آزادسازی آن‌ها به‌مرور طی شد و امروز شاهد عبور از دوره‌ی زمانی لیبرال هستیم. کشورهای متعدد همچون بریتانیا، آمریکا، کانادا و اعضایی در اتحادیه‌ی اروپا، به سمت آزادسازی قوانین بخت‌آزمایی پیش رفته‌اند.

آزادسازی قوانین بخت‌آزمایی هم‌زمان با آزادسازی بازارهای مالی انجام شد. پویایی بازارهای سرمایه‌داری در دوران آزادسازی مالی به نسبت زیادی وابسته به تغییرات و محاسبات بازار سهام بود. به‌علاوه ارتباطی قوی میان مفاهیم مالی‌سازی و دنیای فناوری وجود دارد. بازار مالی را می‌توان مهم‌ترین بخش از نظام سرمایه‌داری دانست که مرتبط با پردازش و دنیای کامپیوتر عمل می‌کند. در همین وضعیت، تلاش‌های زیادی هم در دوره‌های زمانی متعدد انجام شده است تا از کامپیوتر و پردازش برای دور زدن بازار مالی استفاده شود.

از لحاظ فرهنگی، ایده‌ی زندگی به‌صورت بخت‌آزمایی (که تنها افراد محدودی از شیوه‌ی عملکرد آن اطلاع دارند) هم به‌صورت نظریه‌ای اجتماعی مطرح می‌شود و هم توضیحی برای چالش‌های بشریت است. حتی برخی نظریه‌پردازها، قمار و شانس را با مفاهیم عرفانی مانند قضا و قدر مرتبط می‌دانند. آن‌ها نقش انسان را در سرنوشت خود پایین می‌دانند و شاید به‌همین دلیل، تمایل به بخت‌آزمایی را نزدیک به طبیعت تصور می‌کنند. به‌هرحال هرگونه بخت‌آزمایی و قمار (فعالیت در شبکه‌های اجتماعی هم در آن دسته قرار می‌گیرد) به‌نوعی رهاکردن سرنوشت و مسیر در دستان نیرویی غائب تلقی می‌شود.

تصور کلیشه‌ای این است که پلتفرم‌های شبکه‌ی اجتماعی، تأیید جمعی و اجتماعی افراد را در تنظیماتی کنترل‌شده انجام می‌دهند. ازطرفی، چنین تصوری شبیه به آن خواهد بود که بخت‌آزمایی را تنها با پاداش‌ها تعریف کنیم؛ درحالی که افراد در شبکه‌های اجتماعی بیشتر به‌دنبال قضاوت هستند. ما اطلاعاتی را به ماشین ارائه می‌کنیم و بیش از همه‌چیز منتظر قضاوت اطرافیان می‌مانیم. درنتیجه می‌توان ادعا کرد که هرگونه فعالیت، به باخت در ماشین قمار شبکه‌ی اجتماعی منجر می‌شود.

اعتیاد منجر به مرگ

بخش اعظمی از اعتیاد، به خشنودی و رضایت افراد از شرایط سرخوشی برمی‌گردد. در بخشی دیگر و منفی‌تر با مفهومی شبیه به کشتن روبه‌رو هستیم. البته منظور از کشتن در اینجا یک مرگ فیزیکی نیست. محققان اعتیاد می‌گویند که معتادان به مواد مخدر، پیش از مرگ طبیعی بر اثر عواملی همچون اوردوز، ایدز، هپاتیت یا موارد دیگر، مرگی سمبلیک را تجربه می‌کنند. بروس الکساندر، استاد بازنشسته‌ی دانشگاه بریتیش کلمبیا که از دهه‌ی ۱۹۷۰ درباره‌ی اعتیاد تحقیق می‌کند، چنین اظهارنظری را پیرامون معتادان دارد.

معتادان به بازی‌های بخت‌آزمایی و قمار هم تجربه‌ای شبیه به مرگ را مانند معتادان به مواد مخدر تجربه می‌کنند. آن‌ها تا حدی به بازی اعتیاد پیدا خواهند کرد که در مرحله‌ای همه‌ی دارایی زندگی خود را برای بردن جایزه هزینه می‌کنند. در چنین وضعیتی، وقتی باز هم باخت به سراغ این معتادان می‌رود، نوعی مرگ سمبلیک را تجربه می‌کنند.

توییتر

نوع مرگی که در اعتیادهای بالا شرح دادیم، در حوزه‌ی اعتیاد به شبکه‌های اجتماعی کمتر درک شده است. کاربران مواردی همچون از دست دادن شغل یا روابط شخصی را به‌عنوان مرگ سمبلیک بر اثر اعتیاد به شبکه‌های اجتماعی مطرح می‌کنند. آن‌ها عمومی شرایط یکسانی در مرگ سمبلیک دارند. حواس‌پرتی، از دست دادن کارایی، اضطراب، نیاز به توجه و افسردگی دائمی از علائم چنین مرگی هستند. به‌علاوه حتی در چنین حالاتی هم هنوز نیاز به تبلیغ و نمایش خود در آن‌ها دیده می‌شود. پاتریک گارات، ژورنالیستی است که به‌نوعی تجربه‌ی اعتیاد به شبکه‌های اجتماعی داشت. او اعتیاد خود را به‌صورت فشاری بیهوده و ناامیدانه از عناصر بی‌فایده تعریف می‌کند.چند حرکت اشتباه می‌تواند منجر به مرگ سمبلیک کاربر شبکه‌های اجتماعی شود

اعتیاد به شبکه‌های اجتماعی از دیدگاه بسیاری از کارشناسان، با افزایش افسردگی مرتبط خوانده می‌شود. ارتباط با پلتفرم‌های اجتماعی، رابطه‌ی مستقیمی با کاهش سلامت ذهنی دارد. به همین ترتیب، افزایش زمان سپری شده با دستگاه در برخی بررسی‌ها مرتبط با افزایش خودکشی در میان نوجوانان مطرح می‌شود. فیسبوک هم به‌عنوان غول شبکه‌های اجتماعی این حقیقت را (البته با سیاستی خاص) تأیید می‌کند. آن‌ها تأیید می‌کنند که مصرف منفعلانه‌ی محتوا در رسانه‌های اجتماعی باعث ایجاد مشکلات سلامت روان می‌شود. ازطرفی فیسبوک ادعا می‌کند که مشارکت و فعالیت هوشمندانه‌ی بیشتر، بهبود سلامت را به‌همراه خواهد داشت. قطعا ادعای آن‌ها (که هیچ پشتوانه‌ی علمی هم ندارد) موجب افزایش تولید داده برای پلتفرم‌های خودشان می‌شود.

حقیقت خودتخریب‌گر اعتیاد در مقاله‌ها و تحقیقات متعدد کارشناسان اعتیاد به‌روشنی شرح داده شده است. آلن کار، از کارآفرینان حوزه‌ی اعتیاد بود که مفهوم اعتیاد را به گل‌های گوشت‌خوار تشبیه کرد. گیاهان مذکور، حشره‌ها و حیوانات کوچک را با عطر و طعم‌های فریبنده به خود جذب می‌کنند. وقتی قربانی وارد گیاه شود، به داخل آن فرو می‌رود و دیواره‌ها نیز به‌مرور بسته می‌شوند. پس از مدتی حشره یا حیوان قربانی خود را در گوری از جنس همان مواد خوش‌طعم و خوش‌عطر می‌بیند.

گیاه گوشت خوار

وقتی قربانی گیاه گوشت‌خوار متوجه تله می‌شود، دیگر زمانی برای فرار ندارد. در آن زمان خوردن یا همان تجزیه با استفاده از آنزیم‌های جذبی، شروع می‌شود. آلن با توضیحاتی این‌چنین دردناک تلاش می‌کرد تا مفهوم اعتیاد را برای مشتریانش شرح دهد و آن‌ها را از عواقب خطرناک این پدیده آگاه کند. با توجه به همین تعاریف به درکی جامع از روی سیاه اعتیاد می‌رسیم؛ پدیده‌ای که در کمین کاربر می‌نشیند و تنها با وعده‌ی سرخوشی و لذت او را به دام خود می‌کشد.

مشکل اصلی آن است که حتی با اطلاع‌رسانی عمومی و درک تمام افراد جامعه از خطرات اعتیاد، نمی‌توان مانع از گسترش و نفوذ آن شد. امروز می‌دانیم که اگر شبکه‌های اجتماعی موفق به معتاد کردن ما بشوند، در عملکرد خود موفق بوده‌اند. آن‌ها هرچه بیشتر زندگی ما را تخریب کنند، عملکرد بهتری داشته‌اند. کاربران امروزی دنیای فناوری با علم به این حقایق، باز هم به حضور خود ادامه می‌دهند.

بخشی از تمایل مردم به اعتیاد شبکه‌های اجتماعی را می‌توان با شیوه‌ی مدریت توجه افراد توسط پلتفرم‌ها شرح داد. پلتفرم‌ها مانند ماشین‌های بخت‌آزمایی در نشان دادن باخت به شکل برد، مهارت دارند. رویکرد آن‌ها به روش‌هایی شباهت دارد که متخصصان رویکردهای روانی در پیش می‌گیرند. در آن روش‌ها افراد تنها به پیروزی‌های ظاهری توجه می‌کنند و شکست‌ها را نادیده می‌گیرند. ما همیشه به جریان بردها دقت می‌کنیم و توجهی روی هزینه‌ی خود بازی نداریم. به‌علاوه فرصت‌های از دست رفته بر اثر بازی کردن را نیز نمی‌بینیم. درنهایت وقتی متوجه آثار بسیار مخرب می‌شویم هم امید داریم که روزی یک پیروزی بزرگ کسب خواهیم کرد. درواقع با چنین رویکردی تلاش می‌کنیم تا فرایندی غیرمنطقی را با توضیحی منطقی و عقلانی شرح دهیم. 

شیوع اعتیاد و تمایل سیری‌ناپذیر مردم به آن، سؤال نگران‌کننده‌ای را مطرح می‌کند: آیا  مردم به‌دنبال خودتخریبی هستند؟ آیا ما خودمان وارد گیاه گوشت‌خوار می‌شویم چون یک مرگ آهسته را دوست داریم؟ آیا تصاویر زشت و دلخراش روی بسته‌های دخانیات به نوعی تبلیغ برای آن‌ها تبدیل شده‌اند؟‌ قطعا در صورت مثبت بودن پاسخ سؤال‌های فوق هم، رویکرد افراد به سمت آن‌ها آگاهانه نیست. به‌عنوان مثال اغلب معتادان به ماده‌ی مخدری همچون هروئین، به‌دنبال تجربه‌ی مجدد اولین مصرف خود هستند. معتادان به بازی و بخت‌آزمایی هم تلاش می‌کنند تا تجربه‌ی بردهای بزرگ و موفق بودن استراتژی‌های بازی را تکرار کنند.

اگر تمایل به اعتیاد شبکه‌های اجتماعی را تنها با تمایل به لذت تعریف کنیم، توجیهی برای بازگشت به آن‌ها حتی پس از شکست‌های متعدد نداریم. همان‌طور که گفته شد نه‌تنها شکست، بلکه اطلاع از مضرات شبکه‌ها هم موجب ترک آن‌ها نمی‌شود. درنتیجه می‌توان ادعا کرد که پلتفرم‌ها رفتار خشنی با ما دارند، اما به‌هرحال ما را مشتاق نگه می‌دارند.

یکی از فاکتورهایی که برای مفهوم تخریب و شکست در قمار شبکه‌های اجتماعی مطرح می‌شود، «نسبت» یا The Ratio نام دارد. به‌عنوان مثال وقتی در توییتر تعداد پاسخ‌ها به توییت یک کاربر بسیار بیشتر از لایک و ری‌توییت باشد، او به‌نوعی در قمار ماشین توییتر شکست خورده است. در چنین وضعیتی توییت او آن‌چنان مشکل‌زا و بحث‌برانگیز بوده است که در مرکز توهین و فشار قرار می‌گیرد.

اعتیاد به فناوری /  Tech Addiction

مثال مناسب برای تفاوت بالای پاسخ‌ها به نسبت لایک و ری‌توییت، افراد مشهور مانند مدیران عامل‌ شرکت‌های بزرگ، سلبریتی‌ها و دولت‌مردان هستند. آن‌ها ظاهرا برای اهداف حرفه‌ای و کاری وارد شبکه‌های اجتماعی می‌شوند، اما با یک اشتباه یا اظهارنظر فاجعه‌بار، به‌نوعی دکمه‌ی خودتخریبی را فشار می‌دهند. در برخی موارد با یک مدیریت مناسب روابط عمومی، چالش رفع می‌شود؛ اما در مثال‌های دیگر آن افراد با فالورهای خود وارد درگیری‌های تخریب‌گر و ناخودآگاه می‌شوند. در چنین مواردی می‌توان شکست را برای افراد مشهور تعریف کرد.

مری برد، از اساتید تاریخ‌شناسی کمبریج است که فعالیتی جدی در توییتر دارد. او فالورهای زیادی را به‌خاطر رفتار دوستانه و صحبت‌های گرم جذب کرده بود، اما یک رویکرد اشتباه منجر به بحرانی جدی برایش شد. مری در جریان یک پرونده‌ی آزار و اذیت جنسی در هائیتی، اظهارنظری در توییر داشت که کاربران از آن برداشت توجیه رفتار داشتند. به‌علاوه آن‌ها تصور کردند که توضیحات مری به‌نوعی نژادپرستانه هم بود. نتایج آن بحران نشان داد که توییتر بیشتر برای اظهارنظر شوخ‌طبعانه مناسب است و شاید نتوان جهت‌گیری‌های جدی را آن‌طور که باید و شاید در این پلتفرم نشان داد.بحث در شبکه‌های اجتماعی می‌تواند شخصیت کاربر را تا مرز نابودی پیش ببرد

پس از اظهارنظر مری در توییتر، موجی از مخالفت‌ها به‌صورت پاسخ به توییت به او ارسال شد. فالورهایی که از او ناامید شده بودند، به هر روشی مخالفت خود را نشان دادند. هجوم نظرات مخالفان به‌حدی شدید بود که اهمیت خود مخالفت و صحت انتقادها به‌نوعی از بین رفت. در چنین موقعیت‌هایی که هجوم انتقادها به‌صورت توهین و اظهارنظرهای تند انجام می‌شود، خبری از پاسخگویی یا پدیده‌هایی همچون تلاش برای تغییرهای سیاسی نیست. در این‌ میان دلیل و انگیزه‌ی فالورهایی که به شخص اصلی حمله می‌کنند نیز می‌تواند حتی منطقی یا شاید سادیسمی باشد. به‌هرحال نتیجه‌ی زیادی از چنین رخدادهایی به‌دست نمی‌آید.

در رخداد‌هایی مشابه آنچه در بالا شرح داده شد، هیچ‌کس چیزی نمی‌آموزد. هیچ نکته‌‌ای ردوبدل نمی‌شود و تنها کاربران به اتصال بیشتر به ماشین می‌پردازند. درواقع آن رویکردها تنها نوعی ضربه زدن تنبیهی به فرد اصلی هستند. درنتیجه می‌توان ادعا کرد که توییتر در کنار طبیعت اعتیادآور خود، نوعی از دموکراسی را در تنبیه کردن افراد ایجاد کرده است.

رویکرد مری در پاسخ به هجمه‌هایی که در توییتر رخ داد، موجب افزایش بحران شد. او به‌جای خارج شدن از فضا و بررسی مجدد صحبت‌ها و رفتارهای خود، وارد بحث با فالورها شد و به‌نوعی داخل جریان قرار گرفت. او مانند بسیاری از کاربران ساعت‌ها زمان به قانع کردن فالورها اختصاص داد. مری با آن‌ها گفت‌وگو کرده و تلاش می‌کرد تا وضعیت روحی ایجاد شده را آرام کند. حرکت عجیب او انتشار عکسی از خودش در حال گریه بود که در زیر آن نوشت: «من آن‌گونه که شما می‌گویید موافق استعمار و نژادپرستی نیستم.» عکس او شرایط را دشوارتر کرد و کاربران رفتارهایش را نوعی تلاش برای آرام کردن رنگین‌پوستان تفسیر کردند. درواقع آن‌ها می‌گفتند مری با نشان دادن احساسات سعی دارد تا از پاسخگویی نسبت به اقدامات خود شانه خالی کند.

smartphone addiction

انتقادها و فشار بر مری با وجود همه‌ی تلاش‌هایش افزایش یافتند. آینه‌ای که روزی او را زیبا خوانده بود، اکنون تنها راه توهین را پیش می‌گرفت و راهی هم برای فرار از توهین‌هایش نبود. کارشناسان رفتارهای بعدی مری را نوعی خودآزاری تفسیر کردند که فایده‌ای هم در بهبود شرایط نداشت. در برخی شبکه‌های اجتماعی، رویکردی به‌صورت توهین ساختگی به خود وجود دارد که برخی اوقات حس ترحم فالورها را بر می‌انگیزد و به نفع کاربر اصلی خواهد بود؛ منتهی در توییتر نیازی به آن رویکردهای ساختگی نیست و به‌هرحال زمانی برای توهین جمعی و اظهارنظرهای رادیکال برای هر فرد فرا می‌رسد. در این‌ میان پاسخ افراد به توهین‌ها، می‌تواند مرگ سمبلیک آن‌ها را رقم بزند.

تنوع پاداش‌ها

شبکه‌های اجتماعی برای جذب و نگه داشتن ما در دام خود، پاداش‌های متنوعی عرضه می‌کنند. جرون لنیر، دانشمند علوم کامپیوتر درباره‌ی تنوع پاداش‌ها از اصطلاح «چماق و هویج» استفاده می‌کند. ماشین توییتر بازخوردهای مثبت و منفی را در کنار یکدیگر به ما می‌دهد. درنتیجه نمی‌توان پیش‌بینی واقعی از نتایج عملکردها داشت و شاید به‌همین دلیل افراد فعالیتی الزامی در شبکه‌ی اجتماعی پیدا می‌کنند.

رفتار ما در شبکه‌های اجتماعی با حالتی از نیاز و عدم اطمینان شکل می‌گیرد. درواقع ما نمی‌دانیم که پس از ارسال محتوا چه چیزی انتظارمان را می‌کشد و شاید به‌همین دلیل باز هم به حضور در شبکه‌ها نیاز پیدا می‌کنیم. در این‌ میان توسعه‌دهنده‌های اپلیکیشن هم تلاش می‌کنند تا روندی بهینه‌تر را برای جذب و دفع منظم کاربر پیدا کنند. آن‌ها از هوش مصنوعی و یادگیری ماشین بهره می‌برند تا با مطالعه‌ی رفتار کاربر، زمان‌بندی و شرایط‌ بهتری را برای پاداش‌ها به کار بگیرند. رویکرد آن‌ها مانند سوءاستفاده در ارتباط‌های انسانی است. درواقع آن را می‌توان شبیه به وضعیت توصیف کرد که یکی از طرفین رابطه از روی عمد تلاش می‌کند تا با بی‌توجهی، تنبیه و سپس مهربانی، مخاطب خود را به‌نوعی به رابطه نیازمند کند. چنین ارتباط‌هایی در روانشناسی سمی نامیده می‌شوند و همین «سمّیت» در توییتر و دیگر شبکه‌های اجتماعی هم رخ می‌دهد.

سمّیت نقطه‌ی شروع مناسبی برای فهم ماشینی است که ما را با حالت‌های عدم رضایت به خود وابسته می‌کند. همان‌طور که می‌دانیم، ماشین‌های مذکور ترکیبی از لذت سطحی سمی شدن و خطر بیش از حد درگیر شدن را القا می‌کنند. مفهوم سم به‌تنهایی تعاریف و کاربردهای جالبی در رویکردهای انسانی دارد. پاراسلسوس، از فیلسوف‌های دوران رنسانس تعریف قابل‌توجهی از سم و مسمومیت داشت که در رفتارهای امروزی ما دور از واقعیت نیست. او مسمومیت را وابسته به مقدار مواد مصرفی می‌دانست و از این رو، اهمیت خود ماده‌ی مسمومیت‌زا را کمتر می‌دانست. در جایی از یادداشت‌های این فیلسوف می‌خوانیم: «هر غذا و نوشیدنی که بیش از مقدار عادی مصرف شد، مسمومیت ایجاد می‌کند.»

اگر به تعریف بالا پایبند باشیم و مسمومیت را به مصرف بیش از حد مرتبط بدانیم، این سؤال ایجاد می‌شود که ما کدام ماده را بیش از حد مصرف می‌کنیم؟ حتی در داروها هم نمی‌توان پاسخ روشنی به سؤال مذکور داد. همان‌طور که ریک لوز، نویسنده‌ی کتاب The Subject of Addiction می‌‌گوید، مقدار برابر از داروی برابر در افراد متفاوت تأثیرات متفاوت خواهد داشت. درواقع بخشی از تأثیر و تجربه‌ی دارو به عنصری خارج از خود دارو بستگی دارد و بیشتر به مصرف‌کننده (یا کاربر) وابسته خواهد بود.

social media

داروهای شادی‌بخش، چیزی بیشتر از لوبیای سحرآمیز نیستند. آن‌ها تأثیراتی فیزیک دارند، اما به‌هرحال برای فعال شدن نهایی به عنصری دیگر در خود شخصی نیاز خواهند داشت. درنهایت دنیای روانی خود فرد، در ایجاد اعتیاد و پیشرفت آن مؤثر خواهد بود.

بررسی اعتیاد به شبکه‌های اجتماعی نسبت به اعتیاد دارویی یا مواد مخدر، نیازمند تحلیل فاکتورهای بسیار بیشتری خواهد بود. درنتیجه نمی‌توان نقطه‌ی شروع مناسبی برای تحلیل پیدا کرد. به‌عنوان مثال طراحان رابط کاربری گوشی هوشمند یا تبلت مطمئن شده‌اند که در دست داشتن، ارتباط و تنها نگاه کردن به دستگاه‌ها، برای کاربران لذت ایجاد می‌کند. نیازی که کاربران به دستیابی به گجت خود دارند، به‌نوعی با هوس لمس خود دستگاه و نگاه کردن به صفحه‌ی شفاف و روشن آن مرتبط می‌شود. به‌همین دلیل در موقعیت‌های گوناگون از زمان صرف غذا گرفته تا میهمانی یا بسیاری شرایط مشابه دیگر، افراد به‌دنبال تعامل با گجت هوشمند هستند.

پس از لمس دستگاه و ارضای نیاز اولیه‌ی در کنار داشتن آن، نوبت به اجرای اپلیکیشن‌ها می‌رسد و کنترل اعتیاد از آنجا در اختیار توسعه‌دهنده‌ها خواهد بود. در زمانی‌که از اپلیکیشن استفاده می‌کنیم، زندگی ما جریان ثابت و محدودی پیدا می‌کند. به‌عنوان مثال در یک بازی ویدئویی به ریانی تصویری وارد می‌شویم و با تعدادی چالش‌های ساده، پاداش‌های جذاب و کمی شانس، خود را سرگرم می‌کنیم.

تنوع تجربه‌های کاربری در تعامل با دستگاه‌های هوشمند بسیار بالا است. هواداری، تأیید و رد مسائل، بازی، اخبار، نوستالژی، رفتارهای اجتماعی و ارتباط‌های روزمره‌ی اجتماعی همگی دلایلی برای درگیر شدن در دستگاه‌ها‌ی امروزی هستند. در این‌ میان وقتی که تعامل به اعتیاد می‌رسد، رفتارها کمی محدودتر می‌شوند. مثلا یک کاربر شاید تنها به بخت‌آزمایی، خرید یا حتی جاسوسی فعالیت‌های دوستانش معتاد شود.

پلتفرم‌های اجتماعی، تجربه‌‌ی کاربری ما را براساس برنامه‌های جامع مدیریت نمی‌کنند. بنجامین براتون، جامعه‌شناس، اعتقاد دارد مکانیزم آن‌ها سخت‌گیرانه و غیرقابل تغییر است. منتهی در همان وضعیت ثابت و مسبتدانه این تصور برای کاربر ایجاد می‌شود که در انتخاب پایان تجربه‌ی خود آزادی دارد. پروتکل موجود در پلتفرم‌ها، تعامل کاربران را استاندارد و جهت‌دهی می‌کند. آن‌ها از انگیزه‌های متعدد و حتی تنبیه‌ها برای متعهد کردن کاربران به سیستم استفاده می‌کنند.

پایان‌های آزادانه‌ای که پلتفرم‌های اجتماعی به کاربران پیشنهاد می‌دهند، درواقع توسط خودشان دستکاری می‌شود. آن‌ها تلاش می‌کنند تا نتایج تعامل‌ها تنها به نفع مشتریان واقعی خودشان یعنی شرکت‌های دیگر باشد. آن‌ها ما را با محرک‌‌های متعدد بمباران کرده و از واکنش‌ها نکاتی را برداشت می‌کنند. با استفاده از همان نکات رفتار ما جهت‌دهی می‌شود تا به گروه کاربران مورد علاقه‌ی شبکه‌ها تبدیل شویم. البته پلتفرم‌ها هیچ‌گاه به‌صورت مستقیم ما را وادار به ماندن در شبکه‌ نمی‌کنند. آن‌ها حتی نمی‌گویند که از زمان سپری شده در شبکه‌ها چگونه استفاده کنیم. درنهایت مانند موضوع داروها، مسمومیت چیزی است که ما به‌عنوان کاربر به مفهوم شبکه‌های اجتماعی اضافه می‌کنیم. 

از اول ژانویه‌ی سال ۲۰۲۰، تمامی شرکت‌های ارائه دهنده‌ی خدمات اینترنت (ISP) در بلاروس ملزم به فعال‌سازی پشتیبانی از IPv6 برای کلیه‌ی اتصالات کاربران هستند.

بلاروس به اولین کشوری در جهان تبدیل شده است که پشتیبانی از IPv6 را به‌صورت قانونی اجباری کرده است. از اول ژانویه‌ی سال ۲۰۲۰ ، کلیه‌ی ارائه دهندگان خدمات اینترنت بلاروس باید از پروتکل IPv6 در شبکه‌ی خود پشتیبانی کنند و آدرس IPv6 را برای همه کاربران صادر کنند. این قانون در ۱۸ سپتامبر توسط رئیس جمهور بلاروس، الكساندر لوكاشنكو به تصویب رسید.

با وجود اینکه بلاروس یک کشور اروپای شرقی و عضو بلوک اتحاد جماهیر شوروی سابق است، اما دارای یکی از جدیدترین و مدرنترین زیرساخت‌های اینترنت در قاره‌ی اروپا است و شرکت‌های ارائه دهنده‌ی خدمات اینترنت محلی آن، از مدت‌ها قبل در حال آزمایش پشتیبانی IPv6 بودند.

در حال حاضر، میزان استفاده از IPv6 در بلاروس به‌طور متوسط حدود ۱۵٪ است؛ که این آمار کمتر از میانگین ۲۹٪ جهانی است. با این حال، نرخ پذیرش در طول آزمایش‌های گذشته گاه بیش از ۳۰٪ افزایش یافته است. با شروع سال جدید انتظار می‌رود پذیرش IPv6 رشد بیشتری پیدا کند؛ زیرا ISPهای محلی این کشور باید پشتیبانی از همه اتصالات را فعال کنند.

آی پی وی 6 / IPv6

پس از فعال شدن IPv6، دو آدرس اینترنتی IPv4 و IPv6 به مشترکین اختصاص داده می‌شود و اتصالات در صورت امکان بیشتر با استفاده از  IPv6 انجام می‌شوند.

پروتکل IP با اختصاص آدرس‌هایی به دستگاه‌های متصل به اینترنت کار می‌کند. پروتکل IPv4 آدرس های IP را با فرمت ۳۲ بیتی پشتیبانی می‌کند؛ در حالی که IPv6 از آدرس های ۱۲۸ بیتی پشتیبانی می‌کند.

پروتکل IPv6 که به‌عنوان جایگزینی برای پروتکل IPv4 طراحی شده است، در سال ۲۰۱۷ رسما به‌عنوان استاندارد اینترنت تصویت شد. تقریبا تمامی ۴.۳ میلیارد فضای آدرس دهی موجود IPv4 پر شده است.

از زمان تصویب IPv6، شرکت‌های ارائه دهنده‌ی خدمات اینترنت در سرتاسر جهان و سازندگان دستگاه‌های ارتباطی پشتیبانی خود را از IPv6 آغاز کرده‌اند. کُند بودن روند پیشرفت و متداول شدن IPv6 مربوط به شرکت‌های ارائه دهنده‌ی خدمات اینترنت است.

بنچمارک منتسب به AMD Ryzen 3950X از عملکرد بسیار خوب پردازنده‌ی موردانتظار ۱۶ هسته‌ای در مقایسه با پردازنده ۱۸ هسته‌ای Core i9-9980Xe اینتل حکایت دارد.

وب‌سایت Wccftech، صبح امروز در گزارشی مدعی شد که توانسته است به بنچمارک پردازنده‌ی AMD Ryzen ۳۹۵۰X دسترسی پیدا کند و آن را در اختیار این رسانه قرار دهد. بنچمارک‌هایی که در ادامه‌ی این مقاله قابل‌مشاهده هستند، توسط اپلیکیشن Cinebench R20 روی یک رایانه‌ی مجهز به سیستم‌عامل ویندوز ۱۰ مایکروسافت (بیلد ۱۸۳۶۲) ثبت‌ شده‌اند. در ضمن تراشه‌ی AMD در این بنچمارک‌ها روی مادربرد ASUS Prime X570-P قرار گرفته و با خنک‌کننده‌ی Wraith خنک شده است.

پردازنده‌ی ۳۹۵۰X ای‌ام‌دی یکی از پردازنده‌های موردانتظار این شرکت به‌شمار می‌آید و پیش‌بینی می‌کنیم که حداکثر قیمتی معادل ۷۴۹ دلار داشته باشد و بنچمارک‌های جدید فاش‌شده نشان می‌دهند که این پردازنده، قدرت بالایی دارد. پیشتر در وب‌سایت AMD شاهد آمدن نام این پردازنده‌ی مرکزی در فهرست بوده‌ایم. AMD Ryzen 3950X در ابتدا تاریخ عرضه‌ی مشخصی داشت اما عرضه‌ی آن بنابه‌دلایلی نامشخص به‌تعویق افتاد. بنچمارک‌های منتشرشده از این تراشه‌ی ۱۶ هسته‌ای نشان می‌دهند که AMD Ryzen 3950X در برخی موارد عملکردی شبیه به پردازنده‌ای ۱۸ هسته‌ای Intel Core i9-9980Xe دارد.

بنچمارک پردازنده AMD Ryzen 9 3950X

رسانه‌ی Wccftech می‌گوید که بنچمارک فاش‌شده در حالت پردازشی پایه‌ی پردازنده‌ها ثبت شده و هیچ‌گونه اورکلاکی در آن‌ها صورت نگرفته است. بدون هیچ‌گونه توضیح اضافی، بهتر است به بررسی بنچمارک‌ها بپردازیم. نتایج به‌دست‌آمده نشان می‌دهند که پردازنده‌ی AMD Ryzen 9 3950X توانسته است امتیاز ۸٬۷۸۹ را در بنچمارک Cinebench R20 کسب کند. رقم یادشده، امتیاز بسیار بزرگی به‌شمار می‌آید و نشان می‌دهد که رایزن ۹ جدید توانسته است به ازای هر هسته‌ی پردازشی، امتیازی معادل ۵۴۹ را کسب کند.

نمونه‌‌ای از این پردازنده که طبق ادعای Wccftech همان مدلی است که در خرده‌فروشی‌ها عرضه خواهد شد، ظاهرا دارای فرکانس پردازشی بوست ۳/۹ گیگاهرتز برای تمامی هسته‌ها است. البته این فرکانس پردازشی، ممکن است به‌میزان ۵۰ مگاهرتز بیشتر یا کمتر باشد. در واقع Wccftech می‌گوید که فرکانس پردازشی بوست تمام هسته‌ای AMD Ryzen 9 3950X در اکثر اوقات هنگام آزمایش‌شدن در دو بنچمارک Cinebench و Prime95 روی ۳/۹ گیگاهرتز تنظیم شده است. افزون بر موارد یادشده، پردازنده‌ی Ryzen 3950X در آزمایش‌های انجام‌شده، فرکانس پردازشی بوست تک هسته‌ای معادل ۴/۷ گیگاهرتز را از خود ثبت کرده است.

بنچمارک پردازنده AMD Ryzen 9 3950X

در مقایسه‌ای کوتاه متوجه می‌شویم که پردازنده‌ی Intel 9980Xe توانسته است در همین بنچمارک امتیاز ۸٬۸۳۳ را کسب کند تا در زیر پردازنده‌ی AMD قرار گیرد. به‌عبارت دیگر، پردازنده‌ی ۱۸ هسته‌ای موردبحث اینتل توانسته است به ازای هر هسته‌ی پردازشی، امتیازی معادل ۴۹۰ کسب کند. بدیهی است که با انجام اورکلاک در این پردازنده‌ها، امتیازهای به‌دست‌آمده به‌شکل درخورتوجهی دست‌خوش تغییر خواهند شد. با این همه فراموش نکنید که ارقام به‌دست‌آمده همان ارقامی هستند که دو شرکت AMD و اینتل در تبلیغات‌شان به آن‌ها اشاره می‌کردند.

معیار دیگری به‌نام «عملکرد به ازای هر دلار» برای پردازنده‌ها تعریف می‌شود که پردازنده‌ی ۳۹۵۰X در این بخش می‌درخشد. پردازنده‌ی اینتل ۹۹۸۰XE به‌ازای هر دلار، ۴/۴۶ امتیاز را کسب کرده است، در ضمن پیش‌بینی می‌شود که پردازنده‌ی Core i9-10980Xe نیز در این بخش به ازای هر دلار، ۹/۱۹ امتیاز را کسب کند.

پردازنده های Ryzen

این درحالی است که پردازنده‌ی 3950X عملکرد بهتری از خود نشان می‌دهد و توانسته است به ازای هر دلار، ۱۱/۷۳ امتیاز را کسب کند. این، خبر خوبی برای مشتریان است؛ زیرا نشان می‌دهد که طی چند سال اخیر، معیار عملکرد به ازای هر دلار تا چه حد تغییرِ مثبت به‌خود دیده است. در واقع سرعت بالارفتن اعداد به‌دست‌آمده در این معیار، امروزه در مقایسه با نسل قبل به‌میزان ۳ برابر افزایش یافته است که رقم درخورتوجهی به‌شمار می‌آید.

پردازنده‌‌های نسل سوم خانواده‌ی رایزن مدتی است که روانه‌ی بازار شده‌اند. به‌علاوه AMD قصد دارد در کمتر از یک ماه دیگر، پردازنده‌های پرچمدار بالارده‌ی دسکتاپ (HEDT) این خانواده را نیز روانه‌ی بازار کند. بر اساس موقعیت فعلی و همچنین پیش‌بینی کارشناسان مختلف، انتظار داریم که AMD بتواند در بازار پردازنده‌های پرچمدار بالا‌رده‌ی دسکتاپ، سهم عمده‌ی بازار را از اینتل بگیرد و از آن خود کند.

به‌تازگی مرورگر تقلبی Tor بیت کوین کاربران دارک وب را سرقت کرده و محققان جزییات این سرقت سایبری را کشف کرده‌اند.

مهاجمان سایبری پشت عملیات سرقت بیت کوین از کابران دارک وب، سال‌ها است که نسخه‌ای مخرب از مرورگر Tor را پخش و توزیع می‌كنند تا از طریق این نسخه به زیرساخت‌های اینترنت دسترسی پیدا کنند. این نسخه تقلبی توزیع‌شده یک سرقت رمزنگاری را نیز به همراه دارد که منجر به سرقت ۴/۸ بیت کوین شده است.

ورود به شبکه Tor یک الزام برای دسترسی به وب سایت‌های زیرزمینی دارک وب است؛ در نتیجه اپراتورهای کلاهبردار از این فرصت استفاده کردند و نسخه خود از بسته Tor را در انجمن‌ها و سایت‌هایی چون PasteBin به‌عنوان «نسخه رسمی روسی زبان مرورگر Tor» تبلیغ کردند. طبق گزارش ESET، در طول سال‌های ۲۰۱۷ و ۲۰۱۸، توزیع این مرورگر تقلبی در حال انجام بوده است.

بازدیدکنندگان از طریق این تبلیغات به یک وب‌سایت دیگر که حاوی نسخه‌ی تقلبی یادشده از مرورگر Tor بود، هدایت می‌شدند و نسخه ویندوز مرورگر تقلبی را دریافت می‌کردند. در حال حاضر، هیچ گزارشی از نصب این مرورگر تقلبی در سیستم‌عامل مک، لینوکس یا نسخه‌های موبایل وجود ندارد.

پس از نصب نسخه‌ی تقلبی از مرورگر Tor، تغییراتی در تنظیمات و افزونه‌ها اعمال خواهد شد و استاندارد کاربر را مقداری تغییر می‌دهد که می‌تواند از سوی سرور به سرقت اطلاعات کاربر بپردازد. از سوی دیگر تنظیمات xpinstall.signatures.required نیز با دستکاری رو‌به‌رو خواهد شد. در نتیجه قابلیت بررسی امضای دیجیتالی که توسط سرویس قانونی Tor انجام می‌شود تا از برنامه‌های مخربی که می‌توانند ایمنی و ناشناس بودن کاربر را به خطر بیاندازد نیز در این نسخه تقلبی غیرفعال خواهد شد. در واقع این نسخه‌ی مخرب از مرورگر Tor به مهاجمان امکان اصلاح، تغییر یا بارگیری افزونه‌ها را خواهد داد.

مرورگر Tor

از سوی دیگر این نسخه‌ی مخرب، افزونه‌ی HTTPS Everywhere به‌صورت پیش‌فرض افزودن اسکریپتی را که در هر صفحه قرار دارد بارگذاری می‌کند و فعالیت کاربر را مستقیماً به سرور فرمان و کنترل (C2) که توسط مهاجمین کنترل می‌شود، ارسال خواهد کرد. C2 که در دارک وب واقع شده، میزبان یک payload بوده که برای اجرا در مرورگر طراحی شده است. این حمله JavaScript به‌طور خاص، سه بازار بزرگ دارک وب روسی زبان را هدف قرار داده است.

خریدهای انجام‌شده در این بازارها معمولاً با استفاده از ارز دیجیتال مانند بیت‌کوین انجام می‌شود. اگر یک کاربر از این دامنه‌ها بازدید کرده و اقدام به خرید کند، اسکریپت فعال شده و تلاش می‌کند تا آدرس کیف پول را تغییر دهد، در نهایت وجه پرداختی به کیف پول دیگری انتقال خواهد یافت.

نمی‌توان گفت که میزان تبلیغات چقدر گسترده بوده است، اما محققان می‌گویند که صفحات PasteBin برای ارتقاء این مرورگر، حداقل نیم میلیون بار بازدید شده‌اند؛ کیف‌های پول متعلق به این مجرمان سایبری نیز دارای ۴/۸ بیت‌کوین معادل تقریبا ۴۰/۰۰۰ دلار بوده است اما ارزش واقعی صندوق‌های سرقت‌شده احتمالاً بالاتر خواهد بود.

به هر جهت تاکتیک دستکاری نرم‌افزارهای قانونی برای مقاصد مخرب یک امر رایج است و برای کاهش خطرات، همیشه باید از منابع معتبر و رسمی برای دریافت نرم‌افزارهای جدید استفاده کرد.

آژانس امنیت سایبری آلمان مانند سال‌های قبل مرورگرها را ازنظر امنیت بررسی و فایرفاکس را به‌عنوان امن‌ترین مرورگر معرفی کرد.

فایرفاکس، تنها مرورگری است که در این روزها از آژانس امنیت سایبری آلمان (BSI) بهترین امتیاز را درزمینه‌ی امنیت دریافت کرده است. آژانس امنیت سایبری آلمان به‌تازگی مرورگرهای موزیلا فایرفاکس ۶۸، گوگل‌‌ کروم ۷۶، اینترنت‌ اکسپلورر ۱۱ و مایکروسافت اج ۴۴ را زمایش کرده است. ناگفته نماند این آزمایش مرورگرهای دیگری مانند Safari ،Brave ،Opera یا Vivaldi را شامل نمی‌شود.

BSI معمولا این آزمایش را برای مشاوره‌دادن به مراکز دولتی و شرکت‌های خصوصی درباره‌ی استفاده از مرورگرهای ایمن ارائه می‌کند. این آژانس امنیتی اولین راهنمای شناسایی امن‌ترین مرورگر را در سال ۲۰۱۷ منتشر و این بررسی را هرسال به‌روزرسانی کرد. اکنون BSI راهنمای خود را به‌روز کرده است تا اقدامات امنیتی بهبودیافته‌ای را به راهنمای خود اضافه کند كه در مرورگرهای پیشرفته ارائه می‌شود. طبق راهنمایی و بررسی جدید BSI، مرورگر ایمن باید بسیاری از قابلیت‌ها و امکانات امنیتی را داشته باشد. درواقع، مرورگر ایمن باید قابلیت‌های زیر را ارائه دهد:

  • باید از TLS پشتیبانی کند؛
  • باید حداکثر ۲۱ روز پس از افشای عمومی نقص امنیتی، به‌روزرسانی‌های امنیتی را ارائه دهد و اگر نتواند این کار را انجام دهد، سازمان‌ها باید به‌سراغ مرورگر جدید بروند؛
  • باید از مکانیزمی برای بررسی محتوا / آدرس‌های مضر استفاده کند؛
  • باید به سازمان‌ها اجازه‌ دهد فهرست‌ سیاهی از URL ایجاد کنند؛
  • باید از بخش تنظیماتی پشتیبانی کند که در آن کاربران می‌توانند افزونه‌ها یا برنامه‌های افزودنی یا JavaScript را فعال یا غیرفعال کنند؛
  • باید از به‌روزرسانی‌های خودکار پشتیبانی کند؛
  • به‌روزرسانی‌های مرورگر باید امضاشده و تأیید‌کردنی باشد؛
  • باید از مکانیزم به‌روزرسانی جداگانه‌ای برای مؤلفه‌های مهم و برنامه‌های افزودنی مرورگر پشتیبانی کند؛
  • مدیریت رمزعبور مرورگر باید گذرواژه‌ها را به‌صورت رمزگذاری‌شده ذخیره کند؛
  • کاربر باید بتواند رمزهای عبور را از بخش مدیریت رمزعبور مرورگر حذف کند؛
  • کاربران باید بتوانند پرونده‌های کوکی و تاریخچه‌ی مرورگر را مسدود یا حذف کنند؛
  • باید این امکان را دهد تا کاربران بتوانند ویژگی‌های همگام‌سازی را غیرفعال کنند؛
  • باید از Sandboxing به‌منظور افزایش امنیت پشتیبانی کند؛
  • باید فهرستی از گواهینامه‌های معتبر داشته باشد و از گواهینامه‌های اعتبارسنجی (EV) پشتیبانی کند؛
  • باید هنگام ارتباط رمزگذاری‌شده یا ارتباط ساده با سرورهای از راه دور، از نمادها برجسته رنگی استفاده کند؛
  • باید از امنیت حمل‌و‌نقل دقیق (HTTP (HSTS) (RFC 6797 پشتیبانی کند؛
  • باید از سیاست مبدأ (SOP) و امنیت محتوای CSP) 2.0) پشتیبانی کند؛
  • سرپرست‌های سازمانی باید بتوانند از ارسال داده‌های Telemetry در مرورگرها جلوگیری کنند؛
  • مرورگرها باید بتوانند تنظیمات پیکربندی مرکزی ایجاد کنند؛
  • باید ارتباط بین اجزا فقط ازطریق رابط‌های تعریف‌شده برقرار شود.

براساس بررسی‌های BSI، فایرفاکس مرورگری است که تمامی شرایط ذکرشده را دارد و امنیت فراوانی دراختیار کاربران قرار می‌دهد. ناگفته نماند برخی از ویژگی‌ها در برخی مرورگرها به‌طور کلی ارائه نشده یا با شکست مواجه شده است که درادامه به آن‌ها اشاره خواهیم کرد:

  • پشتیبانی‌نکردن از مکانیزم رمزعبور اصلی (Chrome و IE و Edge)
  • پشتیبانی‌نکردن از مکانیزم به‌روزرسانی داخلی (IE)
  • پشتیبانی‌نکردن از گزینه‌ای برای مسدودکردن مجموعه‌ی Telemetry مرورگر (Chrome و IE و Edge)
  • پشتیبانی‌نکردن از SOP (همان سیاست مبدأ) (IE)
  • پشتیبانی‌نکردن از CSP (خط‌مشی امنیتی) (IE)
  • پشتیبانی‌نکردن از SRI (یکپارچگی زیر منابع) (IE)
  • پشتیبانی‌نکردن از پروفایل‌ مرورگر در تنظیمات مختلف (IE و Edge)
  • نبود شفافیت سازمانی (Chrome و IE و Edge)

پژوهشگران حوزه‌ی هوش مصنوعی در حال تلاش برای رفع اشکال‌های شبکه‌های عصبی هستند اما هنوز راه‌حلی برای برخی از اشتباهات عجیب این سیستم‌ها پیدا نکرده‌اند.

اتومبیل خودرانی به یک علامت توقف نزدیک می‌شود اما به‌جای اینکه از سرعت خود کم کند، با سرعت زیاد وارد تقاطع شلوغ می‌شود. بعدا، گزارش تصادف نشان می‌دهد که چهار مستطیل کوچک روی علامت توقف چسبیده بود و موجب شد که سیستم هوش مصنوعی اتومبیل، کلمه‌ی توقف را با علامت حداکثر سرعت مجاز ۴۵ کیلومتر اشتباه بگیرد. اگرچه چنین رویدادی درواقعیت اتفاق نیفتاده، اما پتانسیل خرابکاری هوش مصنوعی کاملا واقعی است.

پژوهشگران قبلا نشان داده‌اند که وقتی برچسب‌هایی روی برخی از قسمت‌های تابلوی توقف چسبانده شود، سیستم هوش مصنوعی به‌راحتی فریب می‌خورد. آن‌ها سیستم‌های تشخیص چهره را نیز با چسباندن الگوهای چاپی روی عینک یا کلاه فریب دادند. آن‌ها همچنین با واردکردن الگوهای صدای سفید موجب شدند که سیستم‌ هوش مصنوعی تشخیص گفتار، عبارت‌های خیالی بشنود. این‌ موارد تنها چند مثال است که نشان می‌دهد شکستن تکنولوژی تشخیص الگو در هوش مصنوعی که با ‌عنوان «شبکه‌های عصبی عمیق» شناخته می‌شوند، چقدر ساده است. این سیستم‌ها در طبقه‌بندی صحیح انواع ورودی‌های مختلف شامل تصاویر، گفتار و داده‌های مربوط به اولویت‌های خریداران بسیار موفق عمل کرده‌اند. آن‌ها بخشی از زندگی روزمره‌ی ما هستند و هرچیزی، از سیستم‌های تلفن خودکار گرفته تا توصیه‌های کاربران را روی سرویس سیال نتفلیکس اجرا می‌کنند. با این حال، ایجاد تغییر در ورودی‌ها (به شکل تغییرات ناچیزی که معمولا برای انسان غیرمحسوس است) می‌تواند بهترین شبکه‌های عصبی موجود را هم گیج کند.

دن هندریکس، دانشجوی دکتری علوم کامپیوتر دانشگاه کالیفرنیا نیز مانند بسیاری از دانشمندان، شبکه‌های عصبی عمیق را اساسا شکننده تصور می‌کند: این شبکه‌ها تا زمانی‌که به قلمرو ناشناخته‌ها وارد نشوند، عملکرد درخشانی دارند اما وقتی در شرایط غیرمنتظره‌ای قرار می‌گیرند، به‌شدت شکننده هستند. این امر می‌تواند منجر به بروز مشکلات قابل‌توجهی شود. سیستم‌های یادگیری عمیق در حال خارج شدن از آزمایشگاه و وارد شدن به جهان واقعی هستند. این سیستم‌ها در حوزه‌های مختلفی مانند هدایت اتومبیل‌های خودران، نقشه‌یابی جرم و تشخیص بیماری‌ها مورد استفاده قرار می‌گیرند اما نتایج مطالعه‌ای که امسال منتشر شد، نشان می‌داد که افزودن چند پیکسل به اسکن‌های پزشکی موجب می‌شود که این سیستم‌ها در تشخیص سرطان اشتباه عمل کنند. برخی کارشناسان هم می‌گویند یک هکر می‌تواند از نقاط ضعف سیستم استفاده کرده و الگوریتم‌های مهاجم خود را روی آن اجرا کند. پژوهشگران در تلاش برای پی بردن به اشتباهات ممکن، اطلاعات زیادی درمورد علت ناکامی شبکه‌های عصبی عمیق به دست آورده‌اند. فرانسوا چولیت، مهندس هوش مصنوعی گوگل در مانتین ویو می‌گوید:

راه‌حلی برای ضعف‌های اساسی شبکه‌های عصبی عمیق وجود ندارد.

او و برخی دیگر از کارشناسان معتقدند که برای برطرف کردن این نقایص لازم است قابلیت‌های دیگری نیز به این شبکه‌ها افزوده شود؛ برای مثال، سیستم‌های هوش مصنوعی طراحی شود که خود بتوانند جهان را کشف کنند، کدهای خود را بنویسند و خاطرات را حفظ کنند. برخی از کارشناسان بر این باورند که این نوع سیستم‌ها موضوع پژوهش‌های هوش مصنوعی دهه‌ی آینده هستند.

بررسی واقعیت

در سال ۲۰۱۱، گوگل سیستمی را ارائه داد که می‌توانست گربه‌های موجود در ویدئوهای یوتیوب را تشخیص دهد و بالافاصله پس از آن، موجی از سیستم‌های طبقه‌بندی مبتنی بر شبکه‌های عصبی عمیق ارائه شد. جف کلون از دانشگاه وایومینگ می‌گوید:

همه می‌گفتند این سیستم چقدر شگفت‌انگیز است، کامپیوترها سرانجام می‌توانند جهان را درک کنند.

اما پژوهشگران هوش مصنوعی می‌دانستند که شبکه‌های عصبی عمیق درواقع جهان را نمی‌فهمند. این ساختارهای نرم‌افزاری که تقلیدی ساده از معماری مغز هستند، از تعداد زیادی نورون‌ دیجیتالی ساخته شده‌اند که در لایه‌های زیادی مرتب شده‌اند. هر نورون به نورون‌های لایه‌های بالا و پایین خود وصل می‌شود. ایده این است که ویژگی‌های ورودی خام که وارد لایه‌های زیرین می‌شود (مانند پیکسل‌های یک تصویر) موجب برانگیختگی برخی از نورون‌ها می‌شود و سپس این نورون‌ها طبق قوانین ساده‌ی ریاضی، سیگنالی را به نورون‌های موجود در لایه‌ی بالایی منتقل می‌کنند.

هوش مصنوعی

برای آموزش یک شبکه‌ی شبکه‌های عصبی عمیق، آن را در معرض مجموعه‌ی عظیمی از مثال‌های مختلف قرار می‌دهند. طی فرایند آموزش، هر بار، روش اتصال نورون‌ها به هم تغییر می‌کند تا درنهایت پاسخ مورد نظر در لایه‌ی بالایی ایجاد شود، طوری که تصویر یک شیر همیشه به‌عنوان یک شیر تفسیر شود؛ حتی اگر قبل از آن، این تصویر به سیستم ارائه نشده باشد.

اولین بررسی مهم در ارتباط با این مسئله در سال ۲۰۱۳ انجام شد، زمانی‌که کریستین سزگدی و همکارانش گزارش مقدماتی را با عنوان «ویژگی‌های عجیب شبکه‌های عصبی» منتشر کردند. این پژوهشگران نشان دادند که می‌توان مثلا تصویری از یک شیر گرفت که سیستم هوش مصنوعی آن را بشناسد و سپس با تغییر چند پیکسل ماشین را متقاعد کرد که در حال دیدن چیز دیگری مانند یک کتابخانه است. پژوهشگران این تصاویر را «مثال‌های خصمانه» نامیدند. یک سال بعد، کلون و آنه نیگوین به‌همراه جیسون یوسینسکی در دانشگاه کرنل نشان دادند که می‌توان کاری کرد که شبکه‌های عصبی عمیق چیزهایی را ببینند که در آنجا وجود ندارند (مانند پنگوئنی در الگویی از خطوط مواج). یوشوا بنگیو از دانشگاه مونترال، یکی از پیش‌گامان یادگیری عمیق است. او می‌گوید:

هرکسی که با یادگیری ماشین کار کرده باشد، می‌داند که این سیستم‌ها گاهی اشتباهات احمقانه‌ای می‌کنند… چیزی که عجیب بود، نوع اشتباه بود. این نوعی اشتباه است که تصور نمی‌کردیم، پیش آید.

خطای تشخیص هوش مصنوعی

حتی تصاویر طبیعی می‌تواند موجب فریب شبکه‌های عصبی عمیق شود زیرا ممکن است شبکه به‌جای انتخاب ویژگی‌های برجسته‌ای که انسان قادر به تشخیص آن است، روی رنگ، بافت یا پس‌زمینه‌ی تصویر تمرکز کند.

پژوهشگران انواع مختلفی از اشتباهاتی را که در این سیستم‌ها پیش می‌آید، نشان داده‌اند. سال گذشته، نیگوین نشان داد که برخی از بهترین سیستم‌های طبقه‌بندی تصاویر، حتی با چرخش ساده‌ی اشیاء دچار اشتباه می‌شوند. امسال، هندریکس و همکارانش گزارش کردند که حتی تصاویر طبیعی می‌توانند موجب به اشتباه افتادن سیستم‌های پیشرفته‌ی طبقه‌بندی شود. در مثال‌های آن‌ها، سیستم اشتباها یک قارچ را به‌عنوان پرتزل (نوعی نان پخته‌شده به شکل گره) یا یک سنجاقک را به‌عنوان یک دریچه‌ی منهول شناسایی می‌کرد.

این نوع اشتباهات مختص تشخیص اشیاء نیست: هر سیستم هوش مصنوعی که برای طبقه‌بندی ورودی‌هایی مانند گفتار از شبکه‌های عصبی عمیق استفاده می‌کند، ممکن است فریب بخورد. سیستم‌های هوش مصنوعی که بازی می‌کنند نیز می‌توانند خرابکاری کنند: در سال ۲۰۱۷، سندی هوآنگ، دانشجوی دکتری دانشگاه کالیفرنیا به اتفاق همکارانش شبکه‌های عصبی عمیقی را که به روش یادگیری تقویتی آموزش دیده بودند تا بازی‌های ویدئویی آتاری را ببرند، مورد بررسی قرار دادند. در این رویکرد، برای هوش مصنوعی یک هدف تعریف می‌شود و سیستم در پاسخ به طیف وسیعی از ورودی‌ها و ازطریق آزمون و خطا یاد می‌گیرد که برای رسیدن به آن هدف باید چه کاری انجام دهد. این همان تکنولوژی پشت‌صحنه‌ی قهرمانان برنامه‌هایی مانند آلفازیرو و ربات پوکر پلوریبوس است. با این حال، گروه هوآنگ توانست با افزودن یکی دو پیکسل تصادفی به صحنه موجب شکست بازی‌های هوش مصنوعی شود.

اوایل سال جاری، آدام گلیو، دانشجوی دکتری هوش مصنوعی در دانشگاه کالیفرنیا نشان داد که می‌توان عاملی را به محیط هوش مصنوعی وارد کرد که برای ایجاد سردرگمی در پاسخ‌های هوش مصنوعی، سیاست‌های خصمانه‌ای را اجرا کند. برای مثال، یک فوتبالیست هوش مصنوعی که آموزش دیده است در محیط شبیه‌سازی شده توپ را از اطراف دروازه‌بان عبور دهد، وقتی که دروازه‌بان رفتار غیرمنتظره‌ای مانند افتادن روی زمین را از خود نشان می‌دهد، توانایی گلزنی خود را از دست می‌دهد.

فوتبال هوش مصنوعی

یک فوتبالیست هوش مصنوعی در محیط شبیه‌سازی‌شده، هنگام زدن ضربات پنالتی، وقتی که دروازه‌بان رفتار پیش‌بینی‌نشده‌ای مانند افتادن روی کف زمین را از خود نشان می‌دهد، گیج می‌شود

آگاهی از نقاط ضعف شبکه‌های عصبی عمیق موجب می‌شود هکر بتواند بر هوش مصنوعی تسلط پیدا کند. سال گذشته گروهی از پژوهشگران گوگل نشان دادند که استفاده از مثال‌های خصمانه نه‌تنها موجب می‌شود که شبکه‌های عصبی عمیق اشتباه کنند، بلکه این کار می‌تواند حتی موجب برنامه‌ریزی مجدد و تعیین اهداف دیگری برای سیستم شود.

بسیاری از شبکه‌های عصبی مانند سیستم‌هایی که درک زبان را یاد می‌گیرند، می‌توانند برای رمزگذاری دیگر برنامه‌های کامپیوتری مورد استفاد قرار گیرند. کلون می‌گوید ازنظر تئوری، شما می‌توانید یک چت‌بات را به هر برنامه‌ای که می‌خواهید تبدیل کنید. او وضعیتی را در آینده‌ی نزدیک تصور می‌کند که در آن هکرها شبکه‌های عصبی را ربوده و الگوریتم‌های اسپم‌بوت خود را اجرا می‌کنند. ازنظر داون سونگ، دانشمند کامپیوتر دانشگاه کالیفرنیا، شبکه‌های عصبی عمیق بسیار آسیب‌پذیر هستند. او می‌گوید روش‌های بسیار مختلفی برای حمله به یک سیستم وجود دارد و دفاع دربرابر آن‌ها بسیار دشوار است.

خطای تشخیص هوش مصنوعی

چرخاندن اشیاء موجود در یک تصویر موجب گیج شدن شبکه‌ی عصبی عمیق می‌شود، احتمالا به این علت که این تصویرها از تصاویری که برای آموزش شبکه مورد استفاده قرار گرفته است، بسیار متفاوت هستند

شبکه‌های عصبی عمیق قدرتمندند زیرا داشتن لایه‌های زیاد به این معنا است که آن‌ها در هنگام تلاش برای طبقه‌بندی یک ورودی می‌توانند الگوها را براساس ویژگی‌های بسیار مختلفی انتخاب کنند. یک سیستم هوش مصنوعی آموزش‌دیده برای شناسایی هواگرد ممکن است فکر کند، ویژگی‌هایی از قبیل لکه‌های رنگ، بافت یا پس‌زمینه درست به اندازه‌ی خصوصیاتی مانند بال‌ها، پیش‌بینی‌کننده‌های قدرتمندی هستند. اما این امر همچنین بدین معنا است که تغییر بسیار کوچکی در ورودی می‌تواند باعث شود سیستم هوش مصنوعی آن شی را به شکل متفاوتی درک کند.

یک راه‌حل ممکن این است که داده‌های بیشتری در اختیار هوش مصنوعی قرار داده شود، به‌خصوص به‌منظور مواجهه‌ی مکرر هوش مصنوعی با موارد مشکل‌ساز و تصحیح خطاهای آن. در این شکل از آموزش، همان‌طور که یک شبکه یاد می‌گیرد اشیاء را شناسایی کند، سیستم دوم سعی می‌کند ورودی‌های شبکه‌ی اول را به‌گونه‌ای تغییر دهد که موجب اشتباه شود. به این ترتیب، مثال‌های خصمانه بخشی از داده‌های آموزشی شبکه‌های عصبی عمیق می‌شوند.

هندریکس و همکارانش پیشنهاد کرده‌اند که باید قاطعیت شبکه‌های عصبی عمیق دربرابر ایجاد خطا، با آزمون چگونگی عملکرد آن‌ها دربرابر طیف وسیعی از مثال‌های خصمانه مورد آزمایش قرار گیرد. اگرچه به‌عقیده‌ی این دانشمندان، آموزش شبکه برای ایجاد مقاومت دربرابر یک نوع حمله می‌تواند آن را در برابر دیگر حملات تضعیف کند.

پژوهشگرانی تحت هدایت پوشمیت کوهلی در دیپ‌مایند گوگل درحال تلاش برای مقاوم کردن شبکه‌های عصبی عمیق دربرابر اشتباهات هستند. بسیاری از حملات خصمانه با ایجاد تغییرات جزئی در اجزای یک ورودی عمل می‌کنند (مانند تغییر ظریف در رنگ پیکسل‌های یک تصویر). آن‌ها این تغییرات را تا زمانی‌که موجب هدایت شبکه به‌سوی طبقه‌بندی اشتباه شود، ادامه می‌دهند. گروه کوهلی می‌گوید که یک شبکه‌ی عصبی قاطع نباید خروجی خود را به خاطر تغییرات جزئی در ورودی تغییر دهد و شاید بهتر باشد این ویژگی ازنظر ریاضی در شبکه گنجانده شده و چگونگی یادگیری آن را محدود کند.

البته در حال حاضر کسی راه‌حلی برای برطرف کردن مشکل کلی شکنندگی سیستم‌های هوش مصنوعی ندارد. بنگیو می‌گوید ریشه‌ی این مسئله آن است که شبکه‌های عصبی عمیق، مدل خوبی برای چگونگی انتخاب ویژگی‌های مهم ندارند. هنگامی که یک هوش مصنوعی تصویر مستندی از یک شیر را به‌عنوان یک کتابخانه می‌بیند، یک انسان آن را هنوز یک شیر می‌بیند زیرا او دارای یک مدل ذهنی از حیوان بوده که این مدل ذهنی مبتنی بر مجموعه‌ای از ویژگی‌های رده بالا است (گوش‌ها، دم، یال و غیره) که به او اجازه می‌دهد که آن را از ویژگی‌های رده پایین یا جزئیات تصادفی جدا کند. بنگیو می‌گوید:

ما از تجارب گذشته می‌دانیم که کدام ویژگی‌ها مهم هستند و این از درک عمیق ما درمورد ساختار جهان حاصل می‌شود.

یک روش برای پرداختن به این مسئله، ترکیب شبکه‌های عصبی عمیق با هوش مصنوعی سمبلیک است که قبل از یادگیری ماشین، مدل غالب در این زمینه بود. به‌کمک هوش مصنوعی سمبلیک، ماشین‌ها با استفاده از قوانین کدنویسی سخت درمورد چگونگی کار جهان استدلال می‌کنند؛ مانند اینکه این جهان، حاوی اشیاء گسسته‌ای است که به طرق مختلفی با هم در ارتباط هستند.

برخی از پژوهشگران مانند گری مارکوس، روانشناس دانشگاه نیویورک می‌گوید که مدل‌های هوش مصنوعی هیبریدی راه‌حل این مشکل هستند. مارکوس می‌گوید :

یادگیری عمیق در کوتاه‌مدت به‌قدری مفید است که مردم بینش بلندمدت خود را درمورد آن از دست داده‌اند.

در ماه مه، او هم‌بنیان‌گذار استارتاپی به نام Robust AI در کالیفرنیا بود که هدف آن تلفیق یادگیری عمیق با تکنیک‌های هوش مصنوعی مبتنی بر قانون بود. آن‌ها قصد داشتند ربات‌هایی بسازند که بتوانند به‌طور بی‌خطر در کنار مردم کار کنند. البته کاری که دقیقا این شرکت در حال انجام آن است، مشخص نیست.

حتی اگر بتوان قوانینی را در شبکه‌های عصبی عمیق تعبیه کرد، عملکرد آن‌ها وابسته به اطلاعاتی است که براساس آن‌ها آموزش می‌بینند. بنگیو می‌گوید که عوامل هوش مصنوعی باید در محیط‌های غنی‌تری آموزش ببینند. برای مثال، بیشتر سیستم‌هایی بینایی کامپیوتر در تشخیص قوطی نوشیدنی که حالت استوانه‌ای دارد، شکست می‌خورند؛ زیرا آن‌ها براساس مجموعه داده‌های دوبعدی آموزش دیده بودند. نیگوین و همکارانش نیز متوجه شدند که فریب دادن این شبکه‌ها از طریق نشان دادن اشیاء آشنا از نماهای مختلف آسان است. براین اساس، یادگیری در یک محیط سه‌بعدی (واقعی یا شبیه‌سازی‌شده) بهتر است.

نحوه‌ی یادگیری هوش مصنوعی نیز باید تغییر کند. بنگیو می‌گوید:

یادگیری درمورد علیت باید به‌وسیله‌ی عواملی انجام شود که در جهان واقعی کار می‌کنند و می‌توانند آزمایش و اکتشاف کنند.

یورگن اشمیدوبر از مؤسسه‌ی پژوهش‌های هوش مصنوعی دال مول در مانو نیز در همین راستا می‌اندیشد. او می‌گوید تشخیص الگو بسیار قدرتمند است و به آن اندازه خوب است که ارزش بسیار زیادی به شرکت‌های جهانی مانند علی بابا، تنسنت، آمازون، فیسبوک و گوگل می‌بخشد. اما موج بسیار بزرگ‌تری در حال رسیدن است: ماشین‌هایی که جهان را دستکاری می‌کنند و با اعمال خود، داده‌هایی را تولید می‌کنند. درواقع، سیستم‌های هوش‌های مصنوعی که از یادگیری تقویتی برای برد در بازی‌های کامپیوتری استفاده می‌کنند، در حال انجام چنین کاری در محیط‌های مصنوعی هستند: آن‌ها برای رسیدن به هدف و با آزمون و خطا، به روش‌های مجاز، پیکسل‌های روی صفحه‌ی نمایش را دستکاری می‌کنند. اما محیط‌های واقعی بسیار غنی‌تر از مجموعه داده‌های شبیه‌سازی‌شده یا داده‌های سازماندهی‌شده‌ای است که امروزه بیشتر شبکه‌های عصبی عمیق با استفاده از آن‌ها آموزش می‌بینند.

ربات‌هایی که ابتکار عمل دارند

در آزمایشگاهی در دانشگاه کالیفرنیا یک بازوی رباتیک در میان اشیاء درهم به جست‌وجو مشغول است. او یک کاسه‌ی قرمز را برمی‌دارد و با استفاده از آن یک دستکش آبی را چند سانتی‌متر به سمت راست هل می‌دهد. او کاسه را می‌اندازد و یک بطری پلاستیکی خالی را برمی‌دارد. سپس شکل و وزن یک کتاب را بررسی می‌کند. طی چندین روز مکاشفه‌ی بدون وقفه، ربات درمورد این اشیاء بیگانه و کاری که با استفاده از آن‌ها می‌تواند انجام دهد، حسی به دست می‌آورد. این بازوی رباتیک در حال استفاده از یادگیری عمیق درجهت آموزش استفاده از ابزار است. وقتی جعبه‌ای از اشیاء در اختیار او قرار داده می‌شود، او آن‌ها را به نوبت برداشته و به آن‌ها نگاه می‌کند، او می‌بیند که وقتی اشیاء را تکان می‌دهد و آن‌ها را به هم می‌کوبد، چه اتفاقی می‌افتد.

بازوی رباتیک

ربات‌هایی که از یادگیری عمیق برای اکتشاف نحوه‌ی استفاده از ابزارهای سه‌بعدی استفاه می‌کنند

هنگامی که پژوهشگران هدفی را برای ربات مشخص می‌کنند (برای مثال به او تصویری از یک جعبه‌ی تقریبا خالی نشان می‌دهند تا او اشیاء را به آن شکل مرتب کند)، ربات ابتکار عمل به خرج داده و می‌تواند با اجسامی کار کند که قبلا اصلا آن‌ها را ندیده است. او می‌تواند از یک اسنفج برای کنار زدن اشیاء استفاده کند. او همچنین دریافته است که استفاده از یک بطری برای ضربه زدن و کنار زدن اشیاء موجود در مسیر بهتر از برداشتن مستقیم آن‌ها است. چلسی فین که قبلا در آزمایشگاه برکلی کار می‌کرد و اکنون در حال ادامه‌ی پژوهش خود در دانشگاه استنفورد است، می‌گوید این نوع یادگیری، درک بسیار غنی‌تری از اشیاء و جهان در اختیار هوش مصنوعی قرار می‌دهد. اگر شما یک بطری آب یا اسنفج را فقط در تصاویر می‌دیدید، شاید می‌توانستند آن‌ها را در تصاویر دیگر نیز تشخیص دهید اما واقعا نمی‌توانستید درک کنید که آن‌ها چه چیزی هستند یا برای چه کاری می‌توان از آن‌ها استفاده کرد. او می‌گوید:

در این حالت درک شما از جهان بسیار سطحی‌تر خواهد بود، نسبت‌به حالتی که می‌توانستید واقعا با آن‌ها تعامل برقرار کنید.

اما این روش یادگیری، فرایند کندی است. در یک محیط شبیه‌سازی‌شده، یک سیستم هوش مصنوعی می‌تواند با سرعت زیادی مثال‌های مختلف را بررسی و درک کند. در سال ۲۰۱۷، آلفازیرو، طی یک روز آموزش دید تا در بازی‌های گو، شطرنج و شوگی (نوعی شطرنج ژاپنی) پیروز شود. او برای هر رویداد بیش از ۲۰ میلیون بازی آموزشی انجام داد.

ربات‌های هوش مصنوعی نمی‌توانند با این سرعت آموزش ببینند. جف ماهلر، هم‌بنیان‌گذار شرکت هوش مصنوعی و رباتیک آمبیدکستروس می‌گوید، تقریبا تمام نتایج مهم یادگیری عمیق متکی بر حجم زیادی از داده هستند. جمع‌آوری ده‌ها میلیون داده نیازمند سال‌ها اجرا روی یک ربات است. از این گذشته، داده‌ها ممکن است چندان قابل اعتماد نباشند؛ زیرا تنظیم حسگرها طی زمان تغییر کرده و سخت‌افزارها نیز ممکن است تخریب شوند. به‌همین دلیل، در بیشتر کارهای رباتیکی که شامل یادگیری عمیق است، برای سرعت بخشیدن به روند آموزش، هنوز از محیط های شبیه‌سازی‌شده استفاده می‌شود. دیوید کنت، دانشجوی دکتری رباتیک مؤسسه‌ی فناوری جورجیا در آتلانتا می‌گوید:

آنچه شما می‌توانید یاد بگیرید، به این موضوع بستگی دارد که شبیه‌سازها چقدر خوب هستند.

شبیه‌سازها همواره در حال پیشرفت بوده و پژوهشگران درزمینه‌ی انتقال درس‌های آموخته‌شده در دنیاهای مجازی به دنیای واقعی در حال پیشرفت هستند؛ اگرچه چنین شبیه‌سازی‌هایی هنوز هم با پیچیدگی‌های موجود در جهان واقعی مطابقت ندارند. فین استدلال می‌کند که افزایش مقیاس یادگیری با استفاده از ربات‌ها، آسان‌تر از یادگیری با داده‌های مصنوعی است. ربات او که در حال یادگیری استفاده از ابزار است، برای یادگیری یک وظیفه‌ی نسبتا ساده به چندین روز زمان نیاز دارد اما احتیاجی به نظارت سنگین ندارد. او می‌گوید:

شما ربات را اجرا می‌کنید و هر چند وقت یک بار آن را چک می‌کنید.

او روزی را تصور می‌کند که تعداد زیادی از این ربات‌ها در جهان واقعی به‌طور مستقل و بدون وقفه در حال یادگیری هستند. به‌عقیده‌ی او، این کار باید امکان‌پذیر باشد، چرا که انسان‌ها نیز از همین طریق جهان را درک می‌کنند. اشمیدوبر می‌گوید:

یک کودک ازطریق دانلود کردن اطلاعات از فیسبوک چیزی یاد نمی‌گیرد.

سیستم طبقه بندی تصاویر هوش مصنوعی

یادگیری با استفاده از داده‌های کمتر

کودک می‌تواند موارد جدید را از روی داده‌های کم تشخیص دهد: حتی اگر هرگز قبلا زرافه ندیده باشد، پس از یکی دوبار دیدن، آن را یاد می‌گیرد. علت این سرعت یادگیری تاحدودی به این موضوع مربوط می‌شود که اگرچه کودک زرافه ندیده، اما موجودات زنده‌ی دیگری را دیده و با ویژگی‌های متمایز آن‌ها آشنا است. یک اصطلاح کامل برای اعطای این نوع قابلیت به هوش مصنوعی، «یادگیری انتقالی» است: ایده انتقال دانش به‌دست‌آمده از دوره‌های قبلی آموزش به وظیفه‌ی بعدی. یک راه برای انجام این کار، استفاده‌ی مجدد از تمام یا بخشی از شبکه‌ی قبلا آموزش‌دیده، به‌عنوان نقطه‌ی آغاز آموزش برای یک وظیفه‌ی جدید است. برای مثال، استفاده‌ی مجدد از قسمت‌هایی از شبکه‌های عصبی عمیق که قبلا برای شناسایی نوعی حیوان استفاده شده است (مثلا لایه‌هایی که شکل اصلی بدن را می‌شناسند)، می‌تواند هنگام یادگیری برای شناسایی یک زرافه اطلاعات مقدماتی مفیدی را در اختیار شبکه قرار دهد.

هدفِ یک شکل افراطی از یادگیری انتقالی، آموزش یک شبکه‌ی جدید ازطریق نشان‌دادن فقط چند مثال و گاهی تنها یک مورد است. این روش که با نام یادگیری یک مرحله‌ای (one-shot) یا چند مرحله‌ای (few-shot) معروف است، به‌شدت متکی بر شبکه‌های عصبی عمیقی است که از قبل آموزش دیده‌اند. تصور کنید که می‌خواهید یک سیستم تشخیص چهره بسازید که افراد را در یک پایگاه داده‌ی جنایی شناسایی کند. یک روش، استفاده از شبکه‌ی عصبی عمیقی است که قبلا میلیون‌ها چهره را دیده‌ است (نه لزوما آن‌هایی در پایگاه داده هستند)، به‌طوری که ایده‌ی خوبی از ویژگی‌های برجسته‌ای نظیر شکل بینی و فک به دست آورده باشد. حال، وقتی که شبکه به چهره‌ی جدیدی نگاه می‌کند، می‌تواند ویژگی‌های مفید آن تصویر را استخراج کرده و سپس این ویژگی‌ها را با خصوصیات تصاویر موجود در پایگاه داده مقایسه کند و شبیه‌ترین مورد را پیدا کند. داشتن این نوع حافظه‌ی از پیش آموزش‌دیده به هوش مصنوعی کمک می‌کند تا بدون نیاز به دیدن الگوهای زیاد، نمونه‌های جدید را تشخیص دهد. این کار موجب افزایش سرعت یادگیری با ربات‌ها می‌شود.

اما چنین شبکه‌هایی هنوز هم ممکن است در مواجهه با موضوعاتی که از تجربه‌ی آن‌ها فاصله‌ی زیادی دارد، دچار مشکل شوند. هنوز قدرت تعمیم چنین شبکه‌هایی مشخص نیست. حتی موفق‌ترین سیستم‌های هوش مصنوعی مانند آلفازیروی دیپ‌مایند نیز محدودیت‌هایی دارند. الگوریتم آلفازیرو می‌تواند آموزش ببیند تا هم گو و هم شطرنج بازی کند اما نمی‌تواند هر دو را به‌صورت هم‌زمان بازی کند. آموزش مجدد ارتباطات و پاسخ‌ها، به گونه‌ای که بتواند در بازی شطرنج برنده شود، موجب تنظیم مجدد هرگونه تجربه‌ی قبلی درمورد بازی گو می‌شود. فین می‌گوید:

اگر شما از منظر یک انسان به این مسئله فکر کنید، خنده‌دار است. انسان‌ها چیزی که یاد گرفته‌اند را به‌راحتی فراموش نمی‌کنند.

یادگیری نحوه یادگیری

موفقیت آلفازیرو در بازی‌ها فقط به خاطر کارآمدی یادگیری تقویتی آن نبود، بلکه همچنین به‌علت استفاده از الگوریتمی بود که به آن کمک می‌کرد تا انتخاب‌های خود را محدودتر کند (براساس تکنیکی به نام درخت جستجوی مونت کارلو تعریف شده بود). به‌عبارت دیگر، هوش مصنوعی در جهت بهترین حالت یادگیری از محیط خود هدایت می‌شد. چولیت فکر می‌کند که مرحله‌ی مهم بعدی در هوش مصنوعی این است که شبکه‌های عصبی عمیق بتوانند به‌جای استفاده از کدهای تهیه‌شده به‌وسیله‌ی انسان‌ها، الگوریتم‌های خود را بنویسند. او استدلال می‌کند که تکمیل توانایی تطبیق الگو با توانایی‌های استدلال می‌تواند هوش مصنوعی را در برخورد با ورودی‌هایی فراتر از تجربه‌ی آن‌ها بهتر کند.

دانشمندان علوم کامپیوتر، مدت‌ها است «سنتز برنامه» را مورد مطالعه قرار داده‌اند که در آن یک کامپیوتر به‌طور خودکار کد تولید می‌کند. چولیت فکر می‌کند که ترکیب این زمینه از علم کامپیوتر با یادگیری ماشین بتواند منجر به توسعه‌ی سیستم‌هایی شود که به سیستم اندیشه‌ی انتزاعی انسان بسیار نزدیک باشد. در این زمینه، کریستن گرامن، دانشمند علوم کامپیوتر مرکز پژوهش‌های هوش مصنوعی فیسبوک و دانشگاه تگزاس درحال آموزش ربات‌ها است تا به بهترین نحو محیط‌های جدید را کشف کنند. این کار می‌تواند شامل انتخاب جهتِ نگاه کردن هنگام دیدن یک صحنه‌ی جدید باشد یا این موضوع باشد که برای دستیابی به بهترین درک درمورد شکل یا هدف یک شی، آن شی را چگونه باید دستکاری کرد. ایده این است که کاری کنیم که هوش مصنوعی بتواند پیش‌بینی کند که کدام نما یا زاویه، مفیدترین داده‌ها را برای یادگیری او مهیا می‌کند.

پژوهشگران می‌گویند که آن‌ها در حال تلاش درجهت حل نواقص یادگیری عمیق هستند اما در عین حال اعتراف می‌کنند که هنوز مشغول به جستجوی تکنیک‌های جدیدی برای کاهش شکنندگی فرایند هستند. سونگ می‌گوید تئوری چندانی پشت یادگیری عمیق وجود ندارد. او می‌گوید:

اگر چیزی کار نکند، درک علت آن دشوار است. کل این حوزه هنوز بسیار تجربی است و شما فقط باید مسائل را امتحان کنید.

اگرچه در حال حاضر، دانشمندان از شکنندگی شبکه‌های عصبی عمیق و اتکای آن‌ها روی حجم عظیم داده‌ها آگاهند، اما اکثر آن‌ها معتقدند که فعلا این تکنیک ماندنی است و به‌گفته‌ی کلون: «کسی واقعا ایده‌ای درمورد چگونگی بهتر شدن آن ندارد.»

پروژه‌ی سولی، فناوری مبتنی بر رادار گوگل است که ژست‌های حرکتی را در قالب قابلیت موشن سنس به پیکسل ۴ می‌آورد. این فناوری چه ویژگی‌هایی دارد؟

اگر اخبار فناوری را دنبال کرده باشید، قطعا طی چند وقت اخیر به‌دفعات شنیده‌اید که گوشی‌های خانواده‌ی پیکسل ۴ گوگل شامل پیکسل ۴ و پیکسل ۴ ایکس‌ال (Google Pixel 4 XL) به یک تراشه‌ی کوچک راداری مجهز شده‌اند تا با بهره‌مندی از آن، به قابلیت جدیدی مجهز شوند. کاربران می‌توانند به‌لطف بهره‌مندی پیکسل ۴ از این قابلیت، از طریق انجام ژست‌های حرکتی با دست در نزدیک نمایشگر، بدون اینکه به لمس گوشی نیاز پیدا کنند، آن را کنترل کنند. 

نکته‌ی مهم‌تر این است که قابلیت موشن سنس (Motion Sense) به‌گونه‌ای طراحی شده است که حضور کاربر را در کنار گوشی تشخیص دهد. در واقع گوشی پیکسل ۴ به‌لطف موشن سنس می‌تواند تشخیص دهد که شما در مجاورتش هستید یا خیر. قابلیت‌های مختلف موشن سنس از طریق فناوری پروژه‌ی سولی (Project Soli) به این گوشی آمده‌اند.

گوگل ابتدا در سال ۲۰۱۵ نمونه‌ی اولیه‌ی پروژه‌ی Soli را به‌صورت عمومی در معرض دید قرار داد و اکنون در داخل گوشی پیکسل ۴ از آن استفاده می‌کند. در نگاه اول، توانایی گوشی برای پاسخ‌دادن به ژست‌های حرکتی دست شاید اتفاق چندان بزرگ و جدیدی نباشد، اما گوگل می‌گوید پروژه‌ی Soli پتانسیل این را دارد که به‌مرور زمان به بلوغ بیشتری برسد و قابلیت‌های بیشتری را امکان‌پذیر کند.

اکثر شرکت‌ها هنگام معرفی فناوری‌های مشابه برای دستگاه‌هایی نظیر گوشی و رایانه، چنین رویکردی را اتخاذ می‌کنند. فراموش نکنید که ماوس و صفحه‌نمایش لمسی توانستند انقلابی عظیم در نحوه‌ی تعامل ما با محصولات به‌راه بیاندازند. پروژه‌ی Soli نیز چیز مشابهی است که پتانسیل بسیار بالایی برای اعمال تغییراتی مهم در نحوه‌ی تعامل ما با گوشی‌های هوشمند دارد. اپل نیز چند سال پیش هنگام معرفی دیجیتال کرون (Digital Crown) برای ساعت‌های خانواده‌ی اپل واچ، مسیر مشابهی  را طی کرد. تیم کوک، مدیرعامل اپل، در آن هنگام مدعی شده بود که دیجیتال کرون اهمیتی در حد و اندازه‌ی ماوس دارد (البته در نهایت دیدیم که این ادعا چندان با واقعیت جور در نمی‌آید).

گوگل برخلاف اپل، چنین ادعاهای بزرگی را درمورد موشن سنس مطرح نکرده؛ با این حال موشن سنس نیز با مشکلی مشابه روبه‌رو است. در نسخه‌ی اولیه‌ی موشن سنس شاهد موضوع مهمی هستیم؛ در واقع طبق ادعای برخی افراد، در نسخه‌ی اولیه، فاصله و خلأ بسیار زیادی بین آنچه که موشن سنس می‌توانست انجام دهد و آنچه که در واقعیت انجام می‌دهد، وجود دارد. از لحاظ تئوری، قرار دادن یک تراشه‌ی مبتنی بر فناوری رادار در یک گوشی هوشمند، اتفاقی انقلابی و مهم به‌شمار می‌آید؛‌ اما در عمل، این موضوع تفاوت چندان زیادی ایجاد نکرده است و برخی افراد از آن به‌عنوان یک حرکت تبلیغاتی یاد می‌کنند.

طبق گفته‌های مطرح‌شده از سوی برندون باربلو، مدیرمحصول پیکسل در شرکت گوگل، فناوری موشن سنس به‌طور اساسی از سه طریق با کاربر تعامل برقرار می‌کند. فهمیدن اینکه هر یک از این روش‌های تعاملی چه تأثیری روی تجربه‌ی نهایی استفاده از گوشی پیکسل ۴ می‌گذارد، می‌تواند موردی کلیدی برای درک ادعاهای گوگل درمورد اهمیت زیاد موشن سنس باشد. در واقع با فهمیدن اهمیت این روش‌های تعاملی، احتمالا درک خواهید کرد که موشن سنس چیزی فراتر از یک حرکت تبلیغاتی است.

اولین نوع تعامل، این است که گوشی حضور کاربر را تشخیص می‌دهد (Presence). تراشه‌ی مبتنی بر رادار پروژه‌ی Soli که درون پیکسل ۴ جای گرفته است، باعث می‌شود زمانی که این گوشی روی میز قرار گرفته، بتواند حضور کاربر را در نزدیکی‌اش تشخیص دهد.قرار دادن تراشه‌ی مبتنی بر فناوری رادار در یک گوشی هوشمند، در نگاه اول اتفاقی انقلابی به‌شمار می‌آید

در واقع مدیرمحصول پیکسل چنین قابلیتی را به این صورت توصیف می‌کند: «هنگامی که پیکسل ۴ روی میز قرار گیرد،‌ تراشه‌ی پروژه‌ی Soli به‌نوعی یک حباب هُشیاری کوچک را در اطراف آن ایجاد می‌کند.» البته این حباب هشیاری تنها زمانی ایجاد می‌شود که گوشی به‌سمت بالا قرار گرفته باشد. در واقع حباب هشیاری پیکسل ۴ یک نیم‌کره‌ با شعاع یک تا دو فوت است (حدودا نیم متر). پیکسل ۴ به‌لطف این قابلیت، همواره هشیار است تا تشخیص دهد که دست شما در نزدیکی نمایشگر گوشی حضور دارد یا خیر. به‌واسطه‌ی همین قابلیت، اگر در نزدیکی گوشی نباشید، نمایشگرِ همیشه‌روشن آن خاموش می‌شود. 

دومین نوع تعامل، این است که پیکسل ۴ می‌تواند تشخیص دهد چه هنگامی می‌خواهید به گوشی مراجعه و از آن استفاده کنید (Reach)؛ البته این قابلیت، قابلیت چندان بزرگی به‌شمار نمی‌آید. به‌واسطه‌ی این قابلیت، گوشی می‌تواند بفهمد که در لحظه‌ای خاص قصد دارید از آن استفاده کنید. در نتیجه پیکسل ۴ نمایشگر را روشن و حسگرهای مختلف مربوط به فناوری تشخیص چهره را فعال می‌کند. در ضمن هنگام پخش آلارم یا صدای زنگ، اگر گوشی تشخیص دهد که در حال مراجعه به آن هستید، به‌صورت خودکار کمی صدای آلارم یا زنگ را کم می‌کند. موشن سنس از سه طریق با کاربر تعامل برقرار می‌کند

سومین و آخرین نوع تعامل، همان ژست‌های حرکتی دست هستند (Gestures). در حال حاضر پیکسل ۴ تنها از دو نوع ژست حرکتی پشتیبانی می‌کند که البته این میزان در آینده بیشتر خواهد شد. هنگام پخش صدای آلارم یا تماس ورودی، کاربر می‌تواند به‌راحتی دستش را در نزدیکی نمایشگر حرکت دهد تا آلارم را قطع یا تماس ورودی را رد کند. در ضمن هنگام پخش موسیقی، می‌توانید با حرکت دادن دست‌تان به سمت راست یا چپ در نزدیکی نمایشگر، موسیقی را به عقب و جلو ببرید. البته چند کار خاص دیگر نیز هستند که به‌لطف موشن سنس می‌توانید آن‌ها را انجام دهید. مورد مهم دیگر این است که گوگل می‌گوید قصد ندارد قابلیت‌های موشن سنس را تا مدت‌زمان خاصی در اختیار توسعه‌دهندگان متفرقه (ترد پارتی) قرار دهد. 

بسیاری از ویژگی‌های یادشده، پیشتر از طریق حسگرهای دیگری قابل‌انجام بودند. در واقع پیشتر گوشی‌هایی به بازار عرضه شده‌اند که کاربر می‌توانست دستش را در جلوی نمایشگر آن‌ها به‌حرکت در بیاورد تا دوربین این گوشی‌ها دست را تشخیص دهد. وقتی که شما یکی از آیفون‌های اپل را برمی‌دارید، حسگر شتاب‌سنج گوشی، تغییر موقعیت آن را تشخیص می‌دهد و به‌صورت خودکار حسگرهای مرتبط به فناوری فیس ID را فعال می‌کند. با در نظر گرفتن این توضیحات، سؤال مهمی پیش می‌آید. آیا استفاده از فناوری رادار برای امکان‌پذیر کردن این قابلیت، می‌تواند به‌حدی تفاوت ایجاد کند که کاربران متوجه آن شوند؟ به‌عبارتی دیگر، وقتی این قابلیت‌ها از طریق حسگرهای دیگر نیز قابل‌فعال‌سازی هستند، چه لزومی به استفاده از فناوری رادار وجود دارد؟

بارلو در این زمینه می‌گوید: «موضوع این نیست که فناوری رادار به‌حدی بهتر باشد که شما بتوانید تفاوت‌های آن را تشخیص دهید. حقیقت این است که فناوری رادار بسیار بهتر است، اما شما قرار نیست تفاوت‌هایی را که ایجاد می‌کند، تشخیص دهید. شما تنها با خود فکر می‌کنید که همه‌چیز باید به این شکلی باشد که فناوری رادار آن را امکان‌پذیر کرده است.»

تراشه‌های پروژه‌ی Soli، از نمونه‌ی اولیه تا نسخه‌ی فعلی استفاده‌شده در گوشی‌های پیکسل ۴ (به‌ترتیب از چپ به راست)

ایوان پوپایرف، مدیر بخش مهندسی در کارگروه ATAP شرکت گوگل، مدعی است که دلایل متعدد فنی وجود دارد که با اتکا به آن‌ها می‌توان استفاده از تراشه‌ی مبتنی بر فناوری رادار را به دوربین (برای تشخیص ژست‌های حرکتی) ترجیح داد. اولین دلیل این است که فناوری رادار در مقایسه با دوربین،‌ انرژی بسیار کمتری را از باتری سلب می‌کند. مورد مهم دیگر این است که تراشه‌ی مبتنی بر رادار، دوربین نیست؛ یعنی نمی‌تواند به‌صورت مستقل شما را شناسایی کند تا نگران حریم خصوصی باشید. پوپایرف در این رابطه می‌گوید: «اگر به سیگنال رادار نگاه کنید، این سیگنال اصلا توانایی تشخیص اینکه شما انسان هستید را ندارد». 

مورد مهم دیگر این است که پروژه‌ی سولی برخلاف دوربین، برای تشخیص کاربر به این نیاز ندارد که لزوما میدان دید خاصی داشته باشد تا فرد را ببیند. این فناوری به شیوه‌های مختلفی کار می‌کند. هیچ دلیلی وجود ندارد که پروژه‌ی سولی وقتی که گوشی روبه‌پایین روی میز قرار گرفته است یا وقتی که گوشی در درون کیف قرار دارد، کار نکند. از لحاظ تئوری، پروژه‌ی سولی می‌تواند تا فاصله‌ی هفت متری نیز کار کند، اما در صورت فعال کردن این قابلیت، انرژی مصرف‌شده توسط آن به معضل مهمی تبدیل خواهد شد.پروژه‌ی سولی از لحاظ تئوری حتی توانایی تشخیص حرکات بال پروانه را نیز دارد

با این‌حال سولی که در گوشی پیکسل ۴ فناوری اختصاصی موشن سنس را فعال کرده است، در مراحل اولیه‌ی آغازبه‌کارش محدودیت بسیار زیادی را پیش‌روی خود می‌بیند. به‌عبارتی دیگر، این فناوری پتانسیل‌های بیشتری دارد که از خود نشان دهد، اما محدودیت‌های موجود اجازه‌ی این کار را به سولی نمی‌دهند. محدودیت‌های موردبحث، صرفا محدویت‌های فنی نیستند. باربلو می‌گوید: «ما می‌توانیم به‌لطف موشن سنس، ژست‌های حرکتی را با دقت بسیار بالایی تشخیص دهیم، در حد تشخیص حرکات بال یک پروانه.» حداقل از لحاظ تئوری، گمان می‌کنیم که پروژه‌ی سولی چنین توانایی جالبی را داشته باشد. 

سه سال پیش وقتی ایوان پوپایرف برای نخستین بار پروژه‌ی سولی را به‌صورت عمومی در معرض دید قرار داد، استقبال زیادی از آن شد. او نمونه‌های آزمایشی سولی را در اختیار برخی از رسانه‌ها نیز قرار داده بود. نویسنده‌ی وب‌سایت ورج که نگارنده‌ی اصلی این مقاله است، می‌گوید در آن زمان توانسته با کوچک‌ترین حرکات انگشت شست و دیگر انگشت‌ها در بالای نمایشگر یک ساعت هوشمند آزمایشی، به شماره‌گیری بپردازد. گوگل گفته است برای اینکه بتواند چنین دقت و ظرافت بالایی را به پروژه‌ی سولی بیاورد و در محصولات نهایی استفاده کند، باید بر چندین محدودیت فنی غلبه کند.

حال که مراحل اصلی توسعه‌ی پروژه‌ی سولی به اتمام رسیده‌اند، پوپایرف در اظهارنظری تأمل‌برانگیز اعتراف کرده است که او و تیمش باید مدل‌های اولیه‌ی مبتنی بر یادگیری ماشین این پروژه را دور می‌انداختند و کار را از ابتدا مجددا آغاز می‌کردند: «برای انجام این کار، دیر شده بود و به مراحل پایانی رسیده بودیم.» او در ادامه اضافه می‌کند: «انجام چنین کاری، ساده نبود. اگر چنین تصمیمی می‌گرفتیم، مجبور بودیم تک‌تک اجزاء را از نو بسازیم. باید از صفر شروع می‌کردیم.»

پوپایرف حرف‌هایش را این‌گونه ادامه می‌دهد: «از دیدگاه من، قرار دادن این فناوری جدید در درون یک گوشی هوشمند، چیزی کمتر از یک معجزه نیست.» بنابراین از لحاظ تئوری پروژه‌ی سولی می‌تواند هر نوع حرکتی که فکرش بکنید را تشخیص دهد؛ از حرکت بال یک پروانه گرفته تا حرکت یک انسان در فاصله‌ی هفت متریِ پشت یک دیوار. گرچه پروژه‌ی سولی چنین توانایی‌های را به‌طور ذاتی دارد، اما در عمل برای دست‌یابی به آن‌ها باید بیشتر به بلوغ برسد و به زمان بیشتری نیاز دارد.

نکته‌ی مهم دیگری را نیز باید در نظر گرفت. موشن سنس زبان جدیدی را برای تعامل با گوشی معرفی می‌کند؛ از آن‌جایی که این نوع تعامل، یک تعامل جدید به‌شمار می‌آید، کاربران هنوز به آن عادت نکرده‌اند؛ بنابراین گوگل سعی می‌کند دایره‌ی لغات این زبان را فعلا در حد محدودی نگه دارد و بعدا آن را گسترش دهد. اگر در همین آغاز، موشن سنس توانایی انجام کارهای زیادی را داشت، احتمالا کاربران را سردرگم می‌کرد و به قابلیتی آزاردهنده تبدیل می‌شد که کسی توانایی عادت کردن به آن را ندارد. 

حال که مراحل اصلی توسعه‌ی پروژه‌ی سولی به اتمام رسیده‌اند، پوپایرف در اظهارنظری تأمل‌برانگیز اعتراف کرده است که او و تیمش باید مدل‌های اولیه‌ی مبتنی بر یادگیری ماشین این پروژه را دور می‌انداختند و کار را از ابتدا مجددا آغاز می‌کردند: «برای انجام این کار، دیر شده بود و به مراحل پایانی رسیده بودیم.» او در ادامه اضافه می‌کند: «انجام چنین کاری، ساده نبود. اگر چنین تصمیمی می‌گرفتیم، مجبور بودیم تک‌تک اجزاء را از نو بسازیم. باید از صفر شروع می‌کردیم.»

پوپایرف حرف‌هایش را این‌گونه ادامه می‌دهد: «از دیدگاه من، قرار دادن این فناوری جدید در درون یک گوشی هوشمند، چیزی کمتر از یک معجزه نیست.» بنابراین از لحاظ تئوری پروژه‌ی سولی می‌تواند هر نوع حرکتی که فکرش بکنید را تشخیص دهد؛ از حرکت بال یک پروانه گرفته تا حرکت یک انسان در فاصله‌ی هفت متریِ پشت یک دیوار. گرچه پروژه‌ی سولی چنین توانایی‌های را به‌طور ذاتی دارد، اما در عمل برای دست‌یابی به آن‌ها باید بیشتر به بلوغ برسد و به زمان بیشتری نیاز دارد.

نکته‌ی مهم دیگری را نیز باید در نظر گرفت. موشن سنس زبان جدیدی را برای تعامل با گوشی معرفی می‌کند؛ از آن‌جایی که این نوع تعامل، یک تعامل جدید به‌شمار می‌آید، کاربران هنوز به آن عادت نکرده‌اند؛ بنابراین گوگل سعی می‌کند دایره‌ی لغات این زبان را فعلا در حد محدودی نگه دارد و بعدا آن را گسترش دهد. اگر در همین آغاز، موشن سنس توانایی انجام کارهای زیادی را داشت، احتمالا کاربران را سردرگم می‌کرد و به قابلیتی آزاردهنده تبدیل می‌شد که کسی توانایی عادت کردن به آن را ندارد. 

بگذارید دوباره به همان ادعای اولیه برگردیم. در واقع هیچ‌یک از این قابلیت‌ها، حیاتی نیستند و حتی اگر حضور نداشته باشند، اتفاق خاصی پیش نمی‌آید؛ با در نظر گرفتن همین توضیح، هنوز هم عده‌ی زیادی از مردم، فناوری رادار را یک حرکت تبلیغاتی از سوی گوگل به‌شمار می‌آورند. آیا واقعا لازم داریم که گوشی هوشمندمان نیم ثانیه زودتر از حالت معمول با لمس، نمایشگرش را روشن کند و دیگر لازم نباشد به خودمان زحمت دهیم و با انگشت روی نمایشگر ضربه بزنیم؟ آیا فشار دادن گزینه‌ی Snooze در آلارم، تا این حد کار سختی است که به ژست حرکتی نیاز پیدا کنیم؟

جواب سؤالات بالا به‌وضوح «خیر» است. با این حال مجددا یادآور می‌شویم که گوگل ادعا نکرده است که پروژه‌ی سولی می‌تواند تفاوت‌های بسیار عمده‌ای ایجاد کند. در واقع قابلیت موشن سنس به‌دنبال این است که تجربه‌ی اندکی بهتر و یک‌پارچه‌تر را برای کاربر فراهم کند. پوپایرف می‌گوید که بسیاری از کاربران امروزی، به‌جای اینکه در پاسخ به پیامک‌ها به‌صورت دستی «بله» را بنویسند، ترجیح می‌دهند از متن‌های ازپیش‌آماده‌شده استفاده کنند، چون این کار راحتی بیشتری را برای آن‌ها فراهم می‌کند.آیا واقعا نیاز داریم که گوشی‌مان از طریق پروژ‌ه‌ی سولی، نمایشگرش را نیم ثانیه زودتر از حالت معمول روشن کند؟

پوپایرف در این رابطه حرف‌های جالبی به زبان می‌آورد:‌ «در پایان کار، فناوری برنده، فناوری‌ای است که استفاده از آن کار راحتی به‌شمار می‌آید. موضوع، به همین سادگی است. حذف کردن اندکی از تعاملات فیزیکی کاربر با گوشی، یکی از کارهایی است که به آن‌ها حس راحتی بیشتری منتقل می‌کند و باعث می‌شود که مردم بیشتر با این فناوری سازگار شوند و به آن عادت کنند.»

پوپایرف در پایان می‌گوید، پرسیدن این سؤال که «چیزی مثل پروژه‌ی سولی چه کاری برای‌مان انجام می‌دهد» اساسا اشتباه است. او می‌گوید با پرسیدن این سؤال، از موضوع اصلی دور می‌شوید. موضوع این نیست که پروژه‌ی سولی بتواند ده‌ها ویژگی جدید را به‌همراه بیاورد، بلکه موضوع این است که پروژه‌ی سولی می‌تواند نحوه‌ی تعامل با گوشی را وارد مرحله‌ی جدیدی کند و آن را بهبود بخشد.

البته موشن سنس قابلیت‌های هیجان‌انگیز و سرگرم‌کننده‌ای را نیز به‌همراه می‌آورد. ویدئوی آزمایشی آن با پوکی‌مان (Pokémon) ساخته شده است. افزون بر این موضوع، یک والپیپر خاص از پوکی‌مان در این گوشی قرار داده شده است که شما می‌توانید با حرکات دست آن را کنترل کنید یا حتی غلغلکش دهید. در ضمن یک بازی جدید نیز که محصول همکاری گوگل و شرکتی به‌نام UsTwo است، برای موشن سنس وجود دارد. پوپایرف می‌گوید که بیشتر این قابلیت‌ها نهایتا باعث می‌شوند که عملکرد دستگاه، بسیار طبیعی‌تر از قبل شود. 

پوپایرف حرف‌های خودش را با مقایسه‌ی جالبی به‌اتمام می‌رساند: «مسواک چگونه می‌تواند شما را خوشحال کند؟ شما می‌دانید که مسواک، زندگی شما را بهتر می‌کند؛ اما این وسیله شما را خوشحال نمی‌کند. این درحالی است که پوکی‌مان شما را خوشحال می‌کند.»

AMD در بازار پردازنده‌های گرافیکی تلاش می‌کند تا با حضور در بخش‌های متنوع، پیروزی‌های خود در بازار پردازنده‌های مرکزی را تکرار کند.

AMD بخشی به‌نام امبدد (Embedded) یا توکار دارد که پردازنده‌های SoC اختصاصی و پردازنده‌های گرافیکی مستقل تولید می‌کند. محصولات مذکور برای بازی‌های بخت‌آزمایی هم استفاده می‌شوند. با استفاده از پردازنده‌های گرافیکی و سیستم‌‌‌های امبدد، بازی‌هایی با گرافیک بالا برای مراکز بازی و تفریح توسعه می‌یابد که گرافیک قوی دارند. این بازی‌ها هم تجربه‌ی گرافیکی شبیه به بازی‌های قوی و به‌روز به کاربر عرضه می‌کنند.

سیستم‌های امبدد AMD به مشتریان سازنده‌ی بازی‌های بخت‌آزمایی، مجموعه‌ای از راهکارها را ارائه می‌دهند که برای ساخت و توسعه‌ی انواع ایستگاه‌های بازی مناسب خواهد بود. AMD Embedded V1000 SoC ترکیب پردازنده‌ی مرکزی و گرافیکی را در یک پکیج به مشتری ارائه می‌کند. با استفاده از این سیستم می‌توان تا چهار نمایشگر را با کیفیت ۴K راه‌اندازی کرد. نسخه‌ی دیگر به ‌نام R1000 عرضه می‌شود که به‌عنوان گزینه‌ای با بازدهی بالاتر و ارائه‌ی کارایی پردازشی و گرافیکی چهار برابر (به نسبت قیمت) نسبت به رقبا مزیت دارد.

AMD علاوه بر SoC، پردازنده‌های گرافیکی توکار هم ارائه می‌کند که تجربه‌های بصری عمیق و قوی را با پشتیبانی از توان طراحی گرمایی (TDP) با بازدهی بالا به‌همراه دارد. AMD سه کلاس مجزا از پردازنده‌های گرافیکی مستقل را به مشتریان عرضه می‌کند:

  • AMD Embedded Radeon ultra-high-performance embedded GPUs
  • AMD Embedded Radeon high-performance embedded GPUs
  • AMD Embedded Radeon power-efficient embedded GPUs

سه کلاس فوق بازه‌ی گسترده‌ای از کارایی و مصرف نیرو را به مشتریان ارائه می‌کنند. از آن مهم‌تر، قابلیت‌هایی که صنعت امبدد نیاز دارد نیز با پردازنده‌های گرافیکی AMD به‌خوبی ارائه می‌شوند. از قابلیت‌های مورد نیاز می‌توان به طول عمر، پشتیبانی بهینه و پشتیبانی از سیستم‌های عامل Embedded اشاره کرد.

AMD در بیانیه‌ی خبری مرتبط با محصولات جدید، انتخاب وسیع‌تر به‌همراه بازدهی مصرف نیرو و کارایی بالا را به‌عنوان گزینه‌های طراحی برای مشتریان عنوان می‌‌کند. آن‌ها برای پوشش نیازهای وسیع در بازه‌های مذکور، دو نسخه‌ از پردازنده‌های گرافیکی امبدد AMD Embedded Radeon را به نام‌های E9560 و E9390 معرفی کردند. کارت‌های جدید در فرم فاکتور PCIe عرضه می‌شوند. محصولات جدید مجهز به هشت گیگابایت حافظه‌ی رم GDDR5 و پشتیبانی از ویدئوهای ۴K با سرعت بالا هستند. به‌علاوه تصویرسازی سه‌بعدی و دیگر کاربردهای گرافیکی با نیاز پردازشی بالا هم در محصولات جدید پشتیبانی می‌شوند؛ کاربردهایی که عموما در بازی‌های بخت‌آزمایی نیاز هستند.

مشتریانی که نیازمند کارایی بسیار بالاتر با پردازنده‌های گرافیکی توکار هستند، با استفاده از E9560، تا ۱۱ درصد کارایی بهتری را نسبت به نسخه‌ی موجود یعنی E9550 دریافت می‌کنند. محصول جدید دارای ۳۶واحد پردازشی است و توان طراحی گرمایی آن نیز به ۱۳۰ وات یا کمتر می‌رسد. به‌علاوه کارایی تئوری ۵/۷ ترافلاپس برای آن ذکر می‌شود.

AMD در فرایند توسعه‌ی محصولات جدید از بازخورد مشتریان قبلی هم استفاده کرده است. آن‌ها علاوه بر انتخاب‌های بیشتر، در بحث پردازنده‌های گرافیکی نگرانی‌های دیگری دارند. اکنون در کارت‌های گرافیکی از حافظه‌های GDDR5 استفاده می‌شود، اما اخبار صنعت می‌گویند که عرضه‌ی نسل بعدی یعنی GDDR6 دور از انتظار نخواهد بود. AMD برای کمک به مشتریان در مدیریت چنین تغییری، در نسخه‌های E9560 و E9390 و به‌طورکلی پردازنده‌های گرافیکی سری E با معماری Polaris، امکان به‌روزرسانی و پشتیبانی را تا سال ۲۰۲۲ می‌گنجاند.

پلتفرم‌های جدید مبتنی بر پردازنده‌های امبدد AMD

توانایی بالای AMD در ارائه‌ی تجربه‌ی کاربری باکیفیت در پردازنده‌های گرافیکی و مرکزی، در محصولاتی دیده می‌شود که شرکت‌های تولیدکننده‌ی ایستگاه بازی با استفاده از پردازنده‌های امبدد آن‌ها تولید می‌کنند. از میان آن‌ها می‌توان به Casino Technology اشاره کرد که بازی‌های ایستگاهی را در اروپا تولید می‌کند و اخیرا پشتیبانی از AMD Ryzen Embedded V1000 SoC را به رسانه‌ها اعلام کرد. شرکت مذکور با استفاده از کارت‌های گرافیکی مستقل AMAD، پردازش محتوای رسانه‌ای حرفه‌ای را به مشتریان عرضه می‌کند.

از شرکت‌های دیگر می‌توان Quixant را نام برد که نسل جدیدی از کنترلرهای بازی را به‌نام QXi-7000 LITE و مجهز به AMD Ryzen Embedded R1000 SoC به بازار عرضه کرد. کنترلرهای جدید، قابلیت‌های طراحی بازی برای کاربردهای ایستگاهی را افزایش می‌دهند.

AMD در رویداد G2E Casino Gaming convention شرکت کرده است و راهکار و محصولات فوق را در غرفه‌ی اختصاصی معرفی می‌کند. آن‌ها نمونه‌هایی زنده از نسل بعدی بازی‌های آرکید و ایستگاهی را به نمایش گذاشته‌اند تا کاربران تجربه‌ای از گرافیک قوی‌تر به‌همراه قابلیت‌هایی همچون تعامل لمسی را در بازی‌های آرکید درک کنند.