💡وقتی از آدم‌ها می‌خواهیم بدون فکر کردن یک عدد انتخاب کنند، عدد 7 به‌ طرز عجیبی محبوب است. اما اتفاق جالب‌ تر وقتی می‌افتد که همین سؤال را از هوش مصنوعی می‌پرسیم...

🔬 پژوهش‌ها نشان می‌دهند بسیاری از مدل‌های زبانی بزرگ (LLM) تمایل حتی بیشتری به انتخاب عدد 7 دارند؛ در بعضی شرایط آزمایشی، تقریبا هر بار همین عدد را انتخاب می‌کنند! البته نتیجه به مدل، نوع سؤال و شرایط آزمایش بستگی دارد و این نمودار را نباید یک قانون همیشگی در نظر گرفت.

⚠️اما به نظرم پیام اصلی ماجرا فراتر از انتخاب یک عدد است.

🔻وقتی میلیون‌ها نفر برای تولید ایده، بررسی گزینه‌ها و تصمیم‌گیری به سیستم‌های هوش مصنوعی مشابه تکیه می‌کنند، آیا ممکن است ناخواسته باعث شویم طرز فکرمان هم شبیه‌تر به هم شود؟

💡پژوهشی که در مجله‌ی Science Advances منتشر شده، به نکته‌ی جالبی رسیده است: هوش مصنوعی مولد توانسته خلاقیت افراد را در نوشتن داستان‌های کوتاه افزایش دهد، اما در عین حال، داستان‌های تولیدشده در مجموع شباهت بیشتری به یکدیگر پیدا کرده‌اند.

البته این به معنای آن نیست که لزوما همین اتفاق در سازمان‌ها و همه‌ی زمینه‌های دیگر هم رخ می‌دهد.

☑️ اما یک سؤال مهم مطرح می‌شود:

اگر همه برای تدوین استراتژی، به چالش کشیدن فرضیات و ارزیابی گزینه‌ها از هوش مصنوعی کمک بگیریم، آیا واقعا داریم هوش جمعی‌مانراگسترش می‌دهیم؟ یا گاهی ناخواسته تنوع دیدگاه‌ها را محدود می‌کنیم؟

💡هوش مصنوعی می‌تواند توانایی هر یک از ما را افزایش دهد؛ اما بهتر شدن عملکرد تک‌ تک افراد، لزوما به تصمیم‌گیری بهتر در سطح جمع منجر نمی‌شود.

▪️شاید دقیقاً همین‌جاست که نقش رهبری انسانی مهم‌تر می‌شود.

🔷 نه فقط در تشویق دیگران به استفاده از هوش مصنوعی، بلکه در حفظ تفکر مستقل، مخالفت سازنده و شجاعت زیر سؤال بردن چیزی که همه با آن موافق‌اند.

💡 هوش مصنوعی می‌تواند دسترسی به دانش و توانایی را گسترده‌تر کند؛ اما این وظیفه‌ی ماست که نگذاریم تفکرمان بیش از حد شبیه یکدیگر شود.
Fabio Moioli



Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

اگر هوش مصنوعی بتواند مسئله‌ای را حل کند که ریاضی‌دانان دهه‌ها برای آن تلاش کرده‌اند، نقش انسان در علم چه خواهد بود؟

هوش مصنوعی وارد مرحله‌ای شده که دیگر فقط در حل تمرین‌ها یا انجام محاسبات کمک نمی‌کند؛ بلکه به مرزهای پژوهش علمی نزدیک شده است.

🔹 از حل مسئله تا کشف ارتباطات
بر اساس گزارش‌های اخیر، OpenAI اعلام کرده است که مدل‌هایش به حل صدها مسئله حل‌نشده ریاضی دست یافته‌اند؛ پیشرفتی که بحث‌های جدی درباره آینده پژوهش و جایگاه ریاضی‌دانان به راه انداخته است.
اما شاید مهم‌ترین بخش ماجرا، خودِ پاسخ‌ها نباشند؛ بلکه پرسش‌هایی باشند که این پیشرفت ایجاد می‌کند.

🔹 وقتی پاسخ‌دادن آسان‌تر می‌شود، چه چیزی ارزشمندتر خواهد شد؟
استاد ریاضی دانشگاه KTU ، Svante Linusson، معتقد است حتی اگر مدل‌های هوش مصنوعی از همین امروز دیگر پیشرفت نکنند، تأثیر آن‌ها بر ریاضیات عظیم خواهد بود.
به‌تدریج، تمرکز می‌تواند از حل تک‌مسئله‌ها به درک ارتباطات عمیق‌تر، شناخت ساختارها و بررسی پرسش‌های بزرگ‌تر تغییر کند.
این تحول فقط به ریاضیات محدود نیست. در بسیاری از حوزه‌ها، وقتی هوش مصنوعی توانایی تولید پاسخ و راه‌حل را پیدا می‌کند، ارزش مهارت‌های انسانی نیز تغییر می‌کند.

🔹 پس در عصر هوش مصنوعی چه مهارت‌هایی اهمیت بیشتری دارند؟
شاید سه توانایی بیش از گذشته تعیین‌کننده باشند:
▪️ مسئله‌یابی: تشخیص اینکه چه پرسشی ارزش حل‌کردن دارد.
▪️ درک عمیق: فهم چرایی پاسخ‌ها و ارتباط آن‌ها با مفاهیم دیگر، نه صرفاً تولید یک نتیجه.
▪️ ارزیابی و قضاوت: بررسی اعتبار پاسخ‌ها، تشخیص خطاها و تعیین اینکه کدام نتیجه واقعاً ارزش علمی دارد.
این تغییر، آموزش دانشگاهی را هم به چالش می‌کشد. اگر تولید پاسخ یا حتی اثبات یک گزاره با کمک هوش مصنوعی آسان‌تر شود، دانشگاه‌ها چگونه باید میزان یادگیری، توانایی پژوهش و شایستگی علمی افراد را ارزیابی کنند؟

نگاهPiko : آینده، رقابت ساده‌ای میان انسان و هوش مصنوعی نیست؛ بلکه بازتعریف نقش انسان در فرایند تولید دانش است.
هرچه هوش مصنوعی در تولید پاسخ توانمندتر شود، توانایی انسان در انتخاب مسئله درست، هدایت فرایند تحقیق، ارزیابی نتایج و ساختن درکی عمیق‌تر اهمیت بیشتری پیدا می‌کند.
شاید سؤال اصلی دیگر این نباشد که «هوش مصنوعی چه چیزی می‌تواند حل کند؟» بلکه این باشد:
وقتی ماشین‌ها می‌توانند پاسخ‌های بیشتری تولید کنند، ما چگونه یاد می‌گیریم سؤال‌های بهتری بپرسیم؟
 
Reference

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme

 معرفی FleXray؛ مدلی برای بخش‌بندی خودکار ۶۰ ساختار آناتومیکی در تصاویر X-ray!

تصاویر رادیوگرافی از پرکاربردترین ابزارهای تصویربرداری پزشکی هستند؛ اما استخراج دقیق ساختارهای آناتومیکی از آن‌ها، به‌دلیل افتادن ساختارهای سه‌بعدی روی یک تصویر دوبعدی، کار ساده‌ای نیست.

🔬 ایده‌ی FleXray چیست؟
پژوهشگران به‌جای برچسب‌گذاری دستی تعداد زیادی تصویر X-ray، از داده‌های CT سه‌بعدی که ساختارهای آناتومیکی آن‌ها قبلاً مشخص شده‌اند، استفاده کرده‌اند. سپس با شبیه‌سازی فرایند تصویربرداری، مجموعه‌ای از X-rayهای مصنوعی با برچسب‌های دقیق ساخته‌اند تا یک مدل عمومی برای بخش‌بندی تصاویر رادیوگرافی آموزش دهند.

📊 مدل روی هشت مجموعه‌داده‌ی مستقل ارزیابی شده و به میانگین Dice برابر با 0.875 رسیده است؛ نتیجه‌ای امیدوارکننده برای مدلی که قرار نیست برای هر مجموعه‌داده از ابتدا آموزش ببیند.

🎯 چرا این دستاورد مهم است؟
روش FleXray می‌تواند ۶۰ ساختار آناتومیکی را در تصاویر X-ray از نواحی مختلف بدن بخش‌بندی کند. این یعنی تصاویر روتین رادیولوژی می‌توانند به داده‌هایی قابل‌اندازه‌گیری تبدیل شوند؛ داده‌هایی که برای اندازه‌گیری‌های خودکار، ارزیابی شدت بیماری، استخراج نشانگرهای زیستی و بررسی تغییرات بیمار در طول زمان کاربرد دارند.
پژوهشگران همچنین کاربرد این مدل را در اندازه‌گیری‌های بالینی، هدایت جراحی با کمک تصویر و آموزش مدل‌های جدید برای وظایف تخصصی‌تر بررسی کرده‌اند.

💡 نکته‌ی جالب: به‌جای اینکه برای هر تصویر دوبعدی از ابتدا برچسب‌گذاری کنیم، می‌توانیم از دانش آناتومیکی موجود در تصاویر سه‌بعدی CT برای ساخت داده‌های آموزشی استفاده کنیم.
 
💡 گاهی پیشرفت فقط از معماری پیچیده‌تر شبکه نمی‌آید؛ گاهی راه‌حل اصلی، ساختن داده‌ی آموزشی بهتر و متنوع‌تر است.
 
📌 مقاله:
https://arxiv.org/abs/2609.26756
💻 کد پروژه:
https://github.com/VictorButoi/FleXray
🧪 دموی آنلاین:
https://flexray.csail.mit.edu/

🔺البته FleXray یک ابزار پژوهشی امیدوارکننده است؛ عملکرد آن در کاربردهای واقعی باید با توجه به نوع تصویر و وظیفه‌ی بالینی ارزیابی شود.
 

Piko 🐾
🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme