تاکنون اخبار فاش‌شده‌ی مختلفی در مورد دو گوشی هوشمند پرچم‌دار هواوی پی ۳۰ و هواوی پی ۳۰ پرو، گوشی هوشمند 5G و حضور غول فناروی چینی در کنگره جهانی موبایل ۲۰۱۹ منتشر شده است.

براساس اخبار غیررسمی منتشرشده، انتظار می‌رود هواوی در رویداد ۲۴ فوریه بارسلونا برابر با ۵ اسفندماه، گوشی هوشمند 5G را معرفی یا حداقل به‌نمایش بگذارد. هرچند پیش‌تر گفته شده بود که گوشی 5G تاشدنی هواوی در MWC ۲۰۱۹ رونمایی خواهد شد. 

با این وجود، براساس آخرین اخبار منتشرشده از سوی شعبه‌ی لهستان هواوی، ظاهرا به‌نظر می‌رسد باید منتظر رونمایی پرچم‌دار بعدی چینی‌ها یعنی هواوی پی ۳۰، اواخر ماه مارس و احتمالا در تاریخ ۲۸ مارس برابر با ۸ فرودین‌ماه در پاریس باشیم. اطلاعات منتشرشده‌ی جدید در مورد هواوی پی ۳۰ و هواوی پی ۳۰ پرو، با اطلاعات موجود و قبلی در تناقض هستند. پیش‌تر تصاویری فاش‌شده از قاب محافظ این دو گوشی هوشمند به‌اشتراک گذاشته شد و در اصل طراحی هواوی پی ۳۰ و پی ۳۰ پرو توسط اسپیگن فاش شد. اطلاعات جدید فاش‌شده نشان می‌دهد که گوشی‌های هوشمند ELE-L29 و VOG-L29، به ترتیب همان گوشی‌های هوشمند هواوی P30 و هواوی P30 پرو هستند.

اطلاعاتی که این منبع خبری در مورد پرچمداران بعدی هواوی مطرح می‌کند، خاص و متفاوت هستند. براساس اطلاعات فاش‌شده، انتظار می‌رود هر دو گوشی هوشمند جدید چینی‌ها با نمایشگر با رزولوشن ۱۰۸۰ در ۲۳۴۰ پیکسل و نسخه‌ی اندروید ۹ پای جعبه‌گشایی شوند. 

اطلاعات بیشتری در مورد هواوی پی ۳۰ و پی ۳۰ پرو منتشر نشده است. براساس رندرهای قبلی،  هواوی پی ۳۰ پرو از چهار دوربین با چیدمان عمودی و فلش LED در سمت راست دوربین‌ها بهره خواهد برد. اما هواوی پی ۳۰ با دوربین سه‌گانه و فلش LED در قسمت پایین لنز دوربین‌ها معرفی می‌شود. در پنل جلویی نیز شاهد بریدگی قطره‌ای شکل مشابه هواوی میت ۲۰ و هواوی میت ۲۰ ایکس خواهیم بود. پیش‌تر نیز گفته شده بود که هواوی پی ۳۰ با دوربین سه‌گانه عرضه می‌شود. 

هرگونه اطلاعاتی بیش از آنچه مطرح شده، معمولا براساس حدس و گمان ارائه می‌شوند. مثلا احتمال معرفی دستگاهی با حسگر اثر انگشت زیر نمایشگر و بهره‌مندی از نمایشگر OLED جزو چنین گمانه‌زنی‌هایی هستند. از سوی دیگر انتظار می‌رود که هر دو گوشی پرچم‌دار هواوی پی ۳۰ با تراشه‌ی کرین ۹۸۰ معرفی شوند. یکی از دلایلی که هواوی تصمیم گرفته است از این تراشه برای دستگاه‌های جدید خود استفاده کند، به مودم Balong 5000 5G هواوی مربوط می‌شود. همچنین، غول فناوری چینی طبق سنت دیرین خود، تراشه‌های جدید را ابتدا روی دستگاه‌های خانواده‌ی میت مورد استفاده قرار می‌دهد و سپس در سری P از آن‌ها استفاده می‌کند. 

سوالات بی‌پاسخ بسیاری در مورد رویداد رونمایی هواوی و حضور این شرکت در کنگره‌ جهانی موبایل وجود دارد. پیش‌تر گفته شده بود که گوشی 5G تاشدنی هواوی در MWC ۲۰۱۹ رونمایی خواهد شد. هواوی پیش‌تر نیز وعده‌هایی در مورد معرفی گوشی هوشمند 5G داده، ولی ممکن است گوشی 5G این شرکت تاشدنی نباشد و شاهد رونمایی دستگاه جدید و البته معمولی و غیرتاشدنی با قابلیت اتصال به شبکه‌ی 5G باشیم. براساس اطلاعیه‌ی رویداد بعدی هواوی و اشاره به «اینترنت همه‌چیز» یا «Internet of Everything»، احتمال دارد شاهد معرفی روتر خانگی 5G نیز در این رویداد باشیم. باید صبر کنیم ببینیم هواوی برای رویداد رونمایی خود چه محصولاتی را معرفی خواهد کرد. 

ممکن است فکر کنید که هزینه کردن بیشتر برای خرید خودرو لوکس نسبت به استفاده از مدل‌های متوسط قابلیت اطمینان بیشتری در بلندمدت برای شما فراهم می‌کند و باعث آسایش بیشتری می‌شود. اگرچه ممکن است این حقیقت در برخی موارد درست باشد، اما مطالعه‌ی جدید نشان می‌دهد که خودروهای لوکس به‌طور متوسط عیوب بیشتری نسبت به مدل‌های معمولی دارند. بررسی مرکز جی‌دی پاور (j.D. Power) در سال ۲۰۱۹ نشان می‌دهد که برای اولین‌بار برندهای تجاری با تولید انبوه، بهتر از برندهای لوکس ظاهر شده‌اند. 

این مطالعه نشان می‌دهد که به‌طور متوسط ​​۱۴۱ مشکل در هر ۱۰۰ خودروی لوکس مورد بررسی قرار گرفتند درحالی‌که خودروهای معمولی و متوسط تنها ۱۳۵ مورد عیب را تجربه کردند. این مطالعه بین اکتبر و دسامبر ۲۰۱۸ (مهر تا دی ۹۷) براساس پاسخ‌های ۳۲۹۵۲ مالک خودرو مدل ۲۰۱۶ انجام شد.

برای هشتمین سال متوالی لکسوس به‌عنوان برند تجاری لوکس تویوتا، بالاترین میزان اعتماد به وسایل نقلیه را در بین تمام برندهای جهان به خود اختصاص داده است و تنها ۱۰۶ عیب گزارش‌شده در هر ۱۰۰ خودرو دارد. یکی دیگر از برندهای لوکس، پورشه است که همراه‌با تویوتا دارای ۱۰۸ عیب به ازای ۱۰۰ خودرو هستند.

نسخه ۲۰۱۹ بررسی سالیانه جی‌دی پاور جایزه‌ی جدیدی نیز برای قابل اعتمادترین مدل در نظر گرفتهداست که یکی از آن‌ها به پورشه ۹۱۱ می‌رسد. به‌طور کلی قابلیت اطمینان این خودرو به‌طور متوسط ​​در مقایسه با سال قبل ۴ درصد افزایش یافته و تجزیه‌وتحلیل نشان می‌دهد که ۶ عیب کمتر در هر ۱۰۰ خودرو برای پورشه ۹۱۱ ثبت شده و هم‌اکنون به ۱۳۶ مورد رسیده است. همچنین لازم به ذکر است که برای اولین‌بار طی ۳۰ سال مطالعه، همه‌ی برندهای آلمانی بهتر از متوسط ​​صنعت خودرو بودند. 

در پایین‌ترین جایگاه نیز مالکان فیات بیشتر وقت خود را در تعمیرگاه‌ها صرف کردند؛ این مطالعه نشان‌دهنده ۲۴۹ عیب در هر ۱۰۰ خودرو برای فیات است. داستان مشابهی نیز برای لندرور وجود دارد و محققان J.D. Power اعلام کردند که به‌طور متوسط ​​۲۲۱ عیب برای محصولات لندرور ثبت شده است. محصولات مدل ۲۰۱۶ ولوو در این مطالعه عملکرد بدی از خود به نمایش گذاشتند و با ۲۰۴ عیب به ازای هر ۱۰۰ خودرو در رده‌های پایین قرار گرفت. 

رجینا بارزیلی، یکی از محققان دانشگه MIT در حوزه‌ی هوش مصنوعی است که از پیش‌گامان این صنعت نیز محسوب می‌شود. محل کار او، در نزدیکی مؤسسه‌ی تحقیقات زیست‌شناسی Novartis و همچنین گروه تحقیقات دارویی Amgen قرار دارد. بارزیلی قبلا توجهی جدی به آن ساختمان‌های آزمایشگاهی مملو از شیمی‌دان‌ و زیست‌شناس نداشت. البته، از زمانی‌که هوش مصنوعی و یادگیری ماشین، پیشرفت‌هایی شگرف در موضوعات پردازش تصویر و درک زبانی نشان دادند، او از خود پرسید: آیا می‌توان فرایندهای کشف داروهای جدید را نیز به‌کمک هوش مصنوعی بهبود بخشید؟

چالش اصلی در تحقیقات علمی و کشف و اختراعات، توانایی پایین انسان‌ها در اکتشاف است. درواقع، ما تنها توانایی بررسی و اکتشاف بخش کوچکی از علم را داریم. به‌عنوان مثالی در علم مواد، تخمین‌ها نشان می‌دهد که حدود ۱۰۶۰ نوع مولکول با ظرفیت‌های دارویی وجود دارند. آماری که از تعداد انواع اتم در منظومه‌ی شمسی نیز بیشتر است.

بررسی و تحلیل احتمالات تقریبا بی‌نهایت در دنیای علم، یکی از قابلیت‌های اصلی یادگیری ماشینی محسوب می‌شود. برنامه‌هایی که با پایگاه‌های داده‌ی بزرگ، پر از اطلاعات مولکول‌های متنوع، آموزش داده می‌شوند، توانایی تحلیل انواع ترکیب آن مولکول‌ها را خواهند داشت.

کشف دارو، یکی از پرهزینه‌ترین و دشوارترین فرایندهای علمی است. شیمی‌دان‌های حوزه‌ی داروشناسی، باید ترکیب‌های متعدد مولکولی را مورد آزمایش قرار دهند تا دارویی مناسب از آن‌ها استخراج شود. آن‌ها باید دانش خود را به‌کار بگیرند تا نحوه‌ی تأثیرگذاری ساختار مولکول‌ها بر ویژگی‌های فیزیکی و شیمیایی را تحلیل کنند. آن‌ها متغیرهای متعدد را در طول آزمایش‌های خود بررسی می‌کنند و عموما نیز با شکست مواجه می‌شوند.

بارزیلی درباره‌ی روندهای مطالعاتی و کشف داروهای جدید توسط داروسازها می‌گوید:

پیدا کردن ترکیب‌های مولکولی جدید، هنوز یک هنر است. چون شما با تعداد فراوانی احتمالات در مسیر آزمایش‌های خود روبه‌رو هستید. به‌هرحال، پیدا کردن داروهای بالقوه‌ی جدید، زمان زیادی می‌طلبد.

یادگیری عمیق، با سرعت بخشیدن به مرحله‌ی حیاتی بررسی ترکیب‌های مولکولی، فرصت‌های بسیار زیادی را برای شیمی‌دان‌ها فراهم می‌کند. درنتیجه، کشف دارو نیز سریع‌تر خواهد شد. یکی دیگر از مزیت‌های یادگیری ماشینی نیز، تصورات و مسیرهای فکری غیرمعمول آن است. یکی از همکارات بارزیلی به‌نام پرز اعتقاد دارد یادگیری ماشینشاید در مسیرهایی تفکر کند که انسان، به آن‌ها وارد نمی‌شود. درواقع، نحوه‌ی فکر کردن یک سیستم یادگیری عمیق، با انسان فرق دارد.

یکی دیگر از تلاش‌های دانشمندان هوش مصنوعی، استفاده از آن برای اختراع و ساخت محصولات فناوری پاک است. یکی از اهداف آن‌ها، ساخت باتری‌های بهتر برای ذخیره‌سازی نیرو در سلول‌های خورشیدی و خطوط انتقال برق ارگانیک است. نوآوری حاصل، قطعا ارزان‌تر از محصولات سیلیکونی کنونی در اکوسیستم فناوری خواهد بود.

دستاوردهای مهم و تأثیرگذار در حوزه‌های فوق، به‌خاطر پیچیده‌تر شدن علوم شیمی، مواد و داروسازی (در اثر افزایش شدید و پیچیده‌ی داده‌ها)، دشوارتر شده‌اند. برای اثبات این ادعا باید بگوییم با آنکه مؤسسه‌های گوناگون، سرمایه‌گذاری‌های عظیمی در اکتشافات دارو و مواد انجام داده‌اند، در سال‌های گذشته پیشرفت‌های کمی در کشف دارو و موارد دیگر داشته‌ایم. در حوزه‌ی فناوری نیز، ما هنوز از باتری‌های لیتیوم یونی استفاده می‌کنیم که در ابتدای دهه‌ی ۱۹۹۰ معرفی شدند. سلول‌های خورشیدی کنونی نیز هنوز از فناوری سیلیکونی استفاده می‌کنند که عمری نزدیک به ۱۰ سال دارد.

آجای آگراول، اقتصاددان مدرسه‌ی مدیریت Rotman در تورنتو و نویسنده‌ی کتاب پرفروش Predicting Machines اعتقاد دارد پیچیدگی‌هایی که موجب کاهش پیشرفت در زمینه‌های فوق شده‌اند، دقیقا محل برترییادگیری عمیق هستند. جست‌وجو در فضاهای چندبعدی و نتیجه‌گیری و پیش‌بینی‌های باارزش، دقیقا نقطه‌ی مزیت هوش مصنوعی است.

اقتصاددان‌های دانشگاه‌های MIT، هاروارد و بوستون در مقاله‌ای ادعا کردند که ظرفیت اقتصادی اصلی هوش مصنوعی،‌ از توانایی آن در حوزه‌ی اختراع به‌دست خواهد آمد. آن‌ها، تغییر «طبیعت فرایندهای نوآورانه و ساختارهای تحقیق و توسعه» را به‌عنوان ظرفیت بالای فناوری هوش مصنوعی در دنیای نوآوری بیان کردند.

لاین کاک‌برن یکی از اقتصاددان‌های دانشگاه بوستون و نویسنده‌ی همکار مقاله‌ی فوق می‌گوید:

روش‌های جدید و پرکاربرد نوآوری، با سرعت و شدت بالا پدید نمی‌آیند. به‌علاوه، اگر حدس ما صحیح باشد، هوش مصنوعی می‌تواند هزینه‌ی تحقیق و توسعه را در زمینه‌های گوناگون تغییر دهد.

بخش زیادی از نوآوری، به پیش‌بینی‌های براساس داده وابسته است. در چنین مواردی، یادگیری ماشین می‌تواند در ابعادی بزرگ‌تر، فرایندها را سریع‌تر و ارزان‌تر انجام دهد.

در بیانی دیگر از استدلال‌های بالا، می‌توان پیش‌بینی کرد که دستاورد عظیم هوش مصنوعی، به خودروهای خودران، جستجوی تصویری یا حتی توانایی الکسا به انجام دادن دستورهای انسان‌ها، محدود نخواهد شد. درواقع، ظرفیت‌های این فناوری در پیدا کردن ایده‌های جدید برای تقویت نوآوری، شکوفا می‌شود.

ایده‌ها، گران می‌شوند

پاول رومر، سال گذشته جایزه‌ی نوبل اقتصاد را به‌دست آورد. تقدیر از او، به‌خاطر تحقیقات در پایان دهه‌ی ۱۹۸۰ و ابتدای ۱۹۹۰ روی تأثیر سرمایه‌گذاری در شکوفایی ایده‌های جدید و تأثیرات اقتصادی آن بود. اقتصاددان‌های دیگر نیز، ارتباط بین نوآوری و رشد اقتصادی را کشف کرده بودند، اما رومر یک توضیح عالی برای آن ارتباط ارائه کرد. از چند دهه قبل، نتیجه‌گیری‌های رومر، الهام‌بخش معنوی بسیاری از افراد در سیلیکون‌ولی بود و نحوه‌ی دستیابی به آن همه ثروت در این منتطقه را تشریح می‌کرد.

پس از بررسی تحقیقات رومر، این سؤال مطرح می‌شود که آیا چشمه‌ی نوآوری‌های بشر در حال خشک شدن است؟ اقتصاددان‌هایی همچون نیکولاس بلوم و چاد جونز از دانشگاه استنفورد و مایکل وب، دانشجویی در همان دانشگاه به‌همراه جان فن رینن از دانشگاه MIT در یک مقاله به این پرسش پرداخته‌اند. مقاله‌ی مذکور می‌پرسد که: آیا پیدا کردن ایده‌های جدید سخت‌تر شده است؟ پاسخ بررسی تیم فوق، مثبت بود.

اقتصاددان‌ها با نگاهی به روند کشف داروهای جدید، تحقیقات نیمه‌هادی‌ها، نوآوری‌های پزشکی و روش‌های افزایش بهره‌وری محصولات در سال‌های گذشته، به یک نتیجه‌گیری مشترک رسیدند: سرمایه‌گذاری در نوآوری‌ها با سرعت افزایش می‌یابد، اما نتایج آن‌ها ثابت مانده‌اند.

از نگاه یک متخصص اقتصاد، نتیجه‌گیری فوق یک اشکال در بهره‌وری محسوب می‌شود. درواقع، ما برای خروجی‌های یکسان با گذشته، در حال پرداخت هزینه‌های بیشتر هستیم. آمارها نیز چنین نتایجی را تأیید می‌کنند که قطعا قابل قبول نیست. به‌عنوان مثال، نرخ بهره‌وری محققان (تعداد محققانی که برای رسیدن به یک نتیجه‌ی مشخص نیاز است)، برای گسترش قانون مور، سالانه به‌اندازه‌ی ۶.۸ درصد کاهش می‌یابد.

در توضیح خلاصه‌ی قانون مور باید بدانید که تحقیقات در آن حوزه، به پیدا کردن راه‌های جدید برای جانمایی قطعات بیشتر و کوچک‌تر در تراشه‌های نیمه‌هادی اختصاص دارد که درنهایت، کامپیوترها را قدرتمندتر و سریع‌تر خواهند کرد. نتایج تحقیقات نشان می‌دهد درحال حاضر، محققان مورد نیاز برای دوبرابر کردن چگالی تراشه‌های کامپیوتری، ۱۸ برابر تعداد آن‌ها در دهه‌ی ۱۹۷۰ است.

در بحث بهبود بازدهی محصولات به‌وسیله‌ی بهبود بذرهای کشاورزی، بهره‌وری تحقیقات سالانه ۵ درصد کاهش می‌یابد. جالب است بدانید در کشوری پیشرفته همچون آمریکا، این آمار به ۵.۳ درصد می‌رسد.

به‌هرحال، تأثیرات منفی آمارهای فوق، با موارد دیگر به تعادل رسیده است. درواقع، کشورهای مختلف با افزایش هزینه و نیروی انسانی در حوزه‌ی تحقیقات، تعادل مذکور را ایجاد کرده‌اند. درنتیجه، ما هر دو سال یک بار تعداد ترانزیستورهای موجود در یک تراشه را دوبرابر می‌کنیم (قانون مور)، اما این دستاورد، به‌خاطر افزایش محققان و هزینه‌ی صورت‌گرفته در آن حوزه است. درنهایت، برای حفظ همین پیشرفت جزئی، باید تا ۱۳ سال آینده، سرمایه‌گذاری‌های تحقیقاتی در آن را دو برابر کنیم.

یکی از دلایل چنین چالش‌های در پیشرفت، کهنه شدن علوم بیان می‌شود. درواقع، شاید علوم کشاورزی و نیمه‌هادی‌ها، به‌مرور قدیمی شده‌اند و فرصت‌های نوآوری در آن‌ها، روز‌به‌روز کمتر می‌شود. به‌هرحال، محققان متوجه شده‌اند که رشد ملی مرتبط با نوآوری در اقتصاد، آهسته شده است. به‌بیان‌دیگر، هیچ سرمایه‌گذاری در زمینه‌های جدید و هیچ اختراعی که در آن‌ها پدید آمد، تأثیری عظیم و ساختاری نداشته‌اند.

به‌نظر می‌رسد کاهش بهره‌وری تحقیقات، عمری چند دهه‌ای دارد. البته نگرانی اقتصاددان‌ها از آن، جدیدا بیشتر شده چون کاهش رشد اقتصادی نیز از میانه‌های سال ۲۰۰۰ بیشتر شده است. در دورانی که فناوری‌های جدید و جذابی همچون گوشی‌های هوشمند،‌ خودروهای خودران و سرویس‌هایی همچون فیسبوک وجود دارند، رشد کنونی، قطعا کند بوده و قابل‌قبول نیست. به‌علاوه، بخشی از رشد با نام بهره‌وری کلی که به نقش آن در نوآوری اشاره دارد، بسیار ضعیف بوده است.

فن رینن اعتقاد دارد احتمالا اثرات باقی‌مانده از بحران مالی سال ۲۰۰۸، یکی از دلایل کاهش رشد باشد. به‌علاوه، عدم ثبات سیاسی در نقاط مختلف جهان نیز روی آن روند تأثیرگذار است. البته، باید بدانیم که کاهش بهره‌وری تحقیقات، قطعا در مورد فوق تأثیر دارد. رینن اعتقاد دارد اگر روند کاهشی ادامه پیدا کند، تأثیر مخرب شدیدی بر رفاه و رشد در آینده خواهد داشت.

اقتصاددان‌ها اصطلاحی به‌نام «میوه‌ی پایین درخت» دارند که به‌معنای بهره‌وری از فرصت‌های آسان در هر حوزه می‌شود. کاملا واضح است که ما اکنون در حوزه‌ی نوآوری، بسیاری از این میوه‌های ساده را مصرف کرده‌ایم. آیا می‌توان نتیجه گرفت که تنها میوه‌های باقی‌مانده، آن‌هایی هستند که در دورترین شاخه‌های درخت جا خوش کرده‌اند؟ رابرت گوردن، اقتصاددانی از دانشگاه Northwestern یکی از طرفداران آن نظریه است. او اعتقاد دارد که ما امروز، فاصله‌ی زیادی با دوران پررونق اکتشاف‌ها داریم که در پایان قرن ۱۹ و ابتدای قرن بیستم وجود داشت. در آن دوران، نوآوری‌هایی همچون روشنایی برقی، نیروی برق و موتورهای احتراق داخلی، به رفاهی به‌طول یک قرن انجامیدند.

تعداد محققان مورد نیاز برای یک نتیجه‌ی مشخص علمی در طول دهه‌های ۱۹۳۰ تا ۲۰۰۰ و مقایسه با نرخ بهره‌وری کلی در آمریکا

اگر نظریه‌ی گوردن صحیح باشد و نوآوری‌های کمی در جهان باقی مانده باشند، آینده‌ی اقتصادی نگران‌کننده‌ای در انتظار همه‌ی ما خواهد بود. البته، اقتصاددان‌های کمی با نظریه‌ی او موافق هستند. درواقع، این نظریه که ایده‌های بزرگ هنوز در جهان وجود دارند،‌ منطقی‌تر به‌نظر می‌رسد؛ تنها، دستیابی به آن‌ها گران‌تر و دشوارتر شده است چون دانش، روز‌به‌روز پیچیده‌تر می‌شود. به‌بیان‌دیگر، شانس اینکه کشف بزرگی همچون ‌پنی‌سیلین به‌راحتی و سریع انجام شود، بسیار پایین خواهد بود. ما به محققان بسیار بیشتری نیاز داریم تا درک بهتری از علوم درحال پیشرفت، خصوصا در حوزه‌هایی همچون شیمی و زیست‌شناسی داشته باشیم.

بن جونز، اقتصاددان دانشگاه نورث‌وسترن از اصطلاح «بار سنگین دانش» برای وضعیت کنونی علم استفاده می‌کند. طبق نظر او، محققان روز‌به‌روز متخصص‌تر می‌شوند و به‌همین دلیل، نیاز به تیم‌های بسیار بزرگ‌تر با هزینه‌های بیشتر خواهد بود تا مشکلات علمی حل شوند. تحقیقات جونز نشان می‌دهد سنی که بهره‌وری محققان در آن به اوج می‌رسد، در حال افزایش است. به‌بیان‌دیگر، آن‌ها اکنون به زمان بیشتری نیاز دارند تا به تخصص لازم برای پیشرفت در حوزه‌ی کاری خود دست پیدا کنند. به‌هرحال، جونز وضعیت موجود را محصول ذاتی دوران پیشرفت دانش می‌داد.

فن رینن می‌گوید افراد بسیاری نتایج تحقیقات آن‌ها را ناامیدکننده می‌دانند، اما او چنین عقیده‌ای ندارد. نوآوری شاید دشوار و گران شده باشد، اما این حقیقت به‌سادگی نشان‌دهنده‌ی نیاز به سیاست‌هایی همچون تسهیلات مالیاتی است تا سرمایه‌گذاری‌های بیشتری در حوزه‌ی تحقیقات انجام شود. او در ادامه می‌گوید:

تا زمانی‌که شما منابعی را به تحقیق و توسعه اختصاص دهید، می‌توانید رشد سالم بهره‌وری داشته باشید. البته، ما باید آماده‌ی هزینه کردن بیشتر برای آن منظور باشیم. چرا که قطعا چنین دستاوردهایی رایگان به‌دست نخواهند آمد.

آمار بهره‌وری محققان در کشف داروهای مولکولی

دست برداشتن از علوم

آیا هوش مصنوعی می‌تواند به‌صورتی خلاقانه، مشکلاتی که بر سر راه نوآوری وجود دارد را حل کند؟ برخی متخصصان باتوجه‌به پیشرفت‌هایی همچون برد مسابقات بازی‌های فکری توسط هوش مصنوعی AlphaGo، اعتقاد دارند فناوری مذکور، چنان توانایی‌هایی دارد.

آلفاگو، در بازی فکری سنتی Go مهارت زیادی کسب کرد. این هوش مصنوعی، توانست قهرمان جهانی بازی را با مطالعه‌ی احتمالات تقریبا بی‌نهایت آن، شکست دهد. احتمالاتی که نتیجه‌ی هزاران سال بازی Go توسط انسان‌ها بودند. مطالعه‌ی آن حجم از احتمالات، به هوش مصنوعی توانایی داد تا روش‌هایی را برای برد به‌کار گیرد که تاکنون انسان‌ها از آن‌ها استفاده نکرده بودند. همین روند، احتمالا در نوع تفکر دیگر نمونه‌های هوش مصنوعی نیز دیده خواهد شد. به‌عنوان مثال، آن‌ها که با داده‌های تجربی عظیم و مقاله‌های متعدد شیمی آموزش دیده‌اند، شاید ترکیب‌هایی ویژه کشف کنند که متخصصان، حتی تصور نمی‌کردند.

آیا هوش مصنوعی با موفقیت‌هایی مشابه آلفاگو، می‌تواند با مطالعه‌ی داده‌های علمی شدیدا رو‌به‌رشد، به محققان کمک کند؟ آیا هوش مصنوعی می‌تواند تحقیقات پایه‌ای در علوم مختلف را سریع‌تر و مفیدتر کند؟ یکی از زمینه‌های هدف آن برنامه‌ها، باید موضوعاتی باشد که امروز، دنبال کردنشان برای کسب‌وکارها بیش‌ازحد گران شده است.

دهه‌های گذشته، شاهد انقلاب‌های متعدد در برنامه‌های تحقیق و توسعه بوده‌اند. از روزهایی که مؤسسه‌هایی همچون بل لبز متعلق به AT&T و زیراکس پارک، نوآوری‌هایی انقلابی همچون ترانزیستور، سلول‌های خورشیدی و چاپ لیزری را معرفی کردند، شرکت‌های بزرگ اقتصادهای مشهور جهان، تحقیقات در علوم بنیادی را متوقف کرده‌اند. به‌عنوان مثال در این مدت، بودجه‌ی فدرال تحقیق و توسعه در آمریکا (خصوصا در بخش‌هایی به‌جز علوم زیستی)، رشد آن‌چنانی نداشته است.

محققان مورد نیاز برای رسیدن به اهداف قانون مور از دهه‌ی ۱۹۷۰ تاکنون

در نتیجه‌ی اقدامات فوق می‌توان گفت با آنکه ما هرروز به افزایش کلی محققان می‌اندیشیم و پیشرفت‌های قابل توجهی را در فرصت‌های تجاری کسب کرده‌ایم، زمینه‌هایی که نیازمند تحقیقات بلندمدت و تلاش برای درک پایه‌های علوم هستند، مورد کم‌لطفی واقع شده‌اند.

نوآوری در کشف و اختراع مواد جدید، زمینه‌ای با سودآوری تجاری پایین محسوب می‌شود. چنین تصوری، تلاش برای نوآوری در آن زمینه را کاهش می‌دهد. نوآوری‌هایی که به باتری‌های بهتر، سلول‌های خورشیدی با بازدهی بالاتر و احتمالا کاتالیزورهایی برای تولید سوخت به‌صورت مستقیم از نور خورشید یا کربن دی‌اکسید خواهند انجامید. با آنکه قیمت سلول‌های خورشیدی و باتری‌ها روز‌به‌روز کاهش می‌یابد، آن را نمی‌توان نتیجه‌ی بهبود در فرایندهای فناوری دانست؛ بلکه پیشرفت در حوزه‌های اقتصادی و مقیاس‌پذیری کسب‌وکارها و بازارها، موجب کاهش قیمت می‌شود.

تونیو بوناسیسی، مهندس مکانیک دانشگاه MIT است که با تیمی در سنگاپور و پیرامون موضوع کشف مواد جدید فعالیت می‌کند. او اعتقاد دارد ۱۵ تا ۲۰ سال زمان نیاز است تا یک ماده‌ی جدید کشف شود. چنین زمانی، قطعا برای بسیاری از کسب‌وکارها، بسیار زیاد است. حتی سرمایه‌گذاری روی آن برای گروه‌های آکادمیک نیز غیرکاربردی خواهد بود. چه کسی سال‌ها روی ماده‌ای کار خواهد کرد که احتمال موفق شدنش نیز بالا نیست؟ به‌همین دلیل، استارتاپ‌هایی که سرمایه‌های خطرپذیر دریافت کرده‌اند، با وجود موفقیت‌های عظیم در حوزه‌هایی همچون نرم‌افزار و حتی زیست‌فناوری، در حوزه‌های فناوری پاک، پیشرفت‌های آن‌چنانی نداشته‌اند؛ شاید به‌خاطر آنکه سرمایه‌گذاران خطرپذیر، حداکثر ۷ سال را برای برای بازگشت سرمایه در نظر می‌گیرند.

بوناسیسی، یک آزمایشگاه فتوولتائیک را نیز در MIT مدیریت می‌کند. او اعتقاد دارد افزایش سرعت ۱۰ برابری در حوزه‌ی کشف مواد جدید، نه‌تنها ممکن بلکه الزامی است. وظیفه‌ی او و گروه‌های محققان همراهش، استفاده از هوش مصنوعی و یادگیری ماشین برای کاهش آن دوره‌ی ۱۵ تا ۲۰ ساله به حدود ۲ تا ۵ سال است. آن‌ها با هدف قرار دادن انواع چالش‌های موجود در آزمایشگاه‌ها و خودکارسازی هرچه بیشتر فرایندها، به آن نتایج دست پیدا خواهند کرد.

سریع‌تر شدن فرایندها، به محققان امکان می‌دهد تا راهکارهای بیشتری را آزمایش کنند. به‌علاوه، آن‌ها می‌توانند پس از چند ساعت تحقیق، به‌جای چند ماه، بن‌بست‌های تحقیقاتی خود را کشف کنند. درنهایت، بهینه‌سازی یافته‌ها در علومی همچون تحقیقات مواد، سریع‌تر انجام می‌شود. به‌نظر بوناسیسی، چنین فناوری، روش تفکر محققان را تغییر می‌دهد.

استفاده از هوش مصنوعی و افزایش سرعت فرایندهای تحقیق و آزمایش، بار دیگر زمینه‌های علمی کشف مواد را به فرصت‌های قابل‌توجه کسب‌وکار تبدیل خواهد کرد. همان‌طور که گفته شد درحال‌حاضر، روندهای نوآوری‌های جدید خصوصا در علم مواد با سرعت پایینی پیش می‌روند و به‌عنوان مثال، کشف باتری‌های لیتیم یونی حدود ۲۰ سال زمان نیاز داشت. نمونه‌ی دستاورد سریع‌تر، سلول‌های خورشیدی بودند. نکته‌ی مهم آن است که در برنامه‌ریزی‌های کنونی، دستاوردهایی همچون جلوگیری از تغییرات اقلیمی شدید، دوره‌های نزدیک به ۱۰ سال دارند. به‌بیان دیگر، ما نمی‌توانیم برای دستاوردهای بزرگ علمی بعدی، ۲۰ سال صبر کنیم.

استارتاپ‌های هوش مصنوعی فعال در حوزه‌ی دارو و مواد

آزمایشگاه تحت مدیریت هوش مصنوعی

آلان آسپورو، یک محقق هوش مصنوعی است که در تورنتو فعالیت می‌کند. او امروز برای دعوت از بازدید‌کننده‌های آمریکایی به آزمایشگاه خودش، از لفظ کنایه‌ای «به زمین آزاد بیایید» استفاده می‌کند. او در سال ۲۰۱۸ موقعیت خود به‌عنوان استاد شیمی دانشگاه هاروارد را ترک کرد و با خانواده، به کانادا رفت. یکی از دلایل اصلی مهاجرت او، مخالفت با سیاست‌های رئیس‌جمهور کنونی آمریکای یعنی دونالد ترامپ بود. او خصوصا با سیاست‌های مهاجرتی ترامپ، به‌شدت مخالف بود. مهاجرت آلان به تورنتو، چالش خاصی برای او در پی‌نداشت. به‌علاوه، آن شهر امروز به آرمان‌شهر متخصصان هوش مصنوعی بدل شده است.

آسپورو که اکنون استاد شیمی دانشگاه تورنتو است، مؤسسه‌ی هوش مصنوعی Vector نیز فعالیت می‌کند. جافری هینتون، یکی از هم‌بنیان‌گذاران مؤسسه‌ی مذکور است که اقدامات پیش‌گامانه‌اش در حوزه‌ی یادگیری عمیق و شبکه‌های عصبی، امروزه به‌عنوان یکی از پله‌های پرش اوج‌گیری هوش مصنوعی شناخته می‌شود.

هینتون به‌همراه چند محقق دیگر در مقاله‌ای در سال ۲۰۱۲،‌ نشان دادند که یک شبکه‌ی عصبی عمیق که با تعداد زیادی تصویر آموزش دیده است، می‌تواند مواردی همچون قارچ، پلنک و سگ را با نگاه دادن به عکس‌ها تشخیص دهد. در آن زمان، یافته‌های آن‌ها بسیار باارزش بود و به‌سرعت، منجر به یک انقلاب هوش مصنوعی شد که پس از آن، محققان با استفاده از الگوریتم‌های یادگیری عمیق، از مجموعه‌های عظیم داده، اطلاعات بامعنی استخراج کردند.

محققان به‌سرعت توانستند با استفاده از شبکه‌های عصبی مشابه، به خودروهای خودران امکان مسیریابی دهند. به‌علاوه، قابلیت تشخیص چهره‌ها در تصاویر پرجمعیت نیز با همان شبکه‌ها به‌دست آمد. دیگر فعالان دنیای فناوری، با بهینه‌سازی ابزارهای یادگیری عمیق، خودیادگیری آن‌ها را بهبود بخشیدند. از میان آن‌ها می‌توان به انواع GAN یا Generative Adversarial Networks اشاره کرد که تصاویری مصنوعی برای آموزش خود تولید می‌کنند.

هینتون در ادامه‌ی مقاله‌ی خود، مقاله‌ای را در سال ۲۰۱۵ منتشر کرده و نشان داد که از یادگیری عمیق می‌توان در علومی همچون مهندسی شیمی و تحقیقات مواد استفاده کرد. مقاله‌ی او نشان داد که شبکه‌های عصبی،‌ توانایی کشف ساختارهای پیچیده را در داده‌های چندین بعدی دارند. به‌بیان دیگر، همان شبکه‌هایی که می‌توانند از میان میلیون‌ها عکس، (به‌عنوان مثال) تصویر یک سگ را تشخیص دهند، توانایی دسته‌بندی میلیون‌ها مولکول برای کشف مشخصات مورد نظر محققان را نیز دارند.

آسپورو که از ایده‌های فراوان در حوزه‌ی هوش مصنوعی انرژی می‌گیرد، از آن دسته دانشمندانی نیست که ۲۰ سال را برای کشف یک نوع جدید از ماده صرف کند. او از فناوری‌های یادگیری عمیق و شبکه‌های عصبی استفاده کرده است تا فرایند کشف مواد را بازطراحی کند. ایده‌ی او، استفاده از هوش مصنوعی و اتوماسیون، در تمام بخش‌های تحقیقات مواد است. این بخش‌ها، شامل طراحی اولیه و ترکیب ماده‌ی مورد نظر، آزمایش و آنالیز آن و درنهایت، بهبود مشخصات برای رسیدن به کارایی بهینه می‌شود.

محقق دانشگاه تورنتو، طرحی برای راه‌اندازی یک آزمایشگاه با مدیریت هوش مصنوعی دارد. او که در روزهای سرد کانادا، با قدرت به تحقیقات خود ادامه می‌دهد، برای ادامه‌‌ی روند راه‌اندازی آزمایشگاه به یک ربات نیاز داشت که با هزینه‌ی ۱.۲ میلیون دلار آن را از سوئیس خرید. آسپورو اکنون منتظر این ربات است تا ساختار آزمایشگاه مواد خود را تقریبا کامل کند.

در آزمایشگاه مورد نظر آسپورو، ابزارهای یادگیری عمیق همچون GAN و موارد مشابه مانند انکودرهای خودکار، مواد جدید و کاربردی را تصور کرده و چگونگی ساخت آن‌ها را بررسی می‌کنند. ربات مورد نظر نیز، نتایج به‌دست‌آمده از تحقیقات را به مواد واقعی تبدیل می‌کند. این دانشمند هوش مصنوعی قصد دارد سیستمی خودکار ارائه کند که مولکول‌های جدید را با استفاده از آن تولید کند.

پس از ساخت مواد، با استفاده از ابزارهایی همچون طیف‌سنج‌های حرفه‌ای، خصوصیات آن‌ها بررسی می‌شود. ابزارهای یادگیری ماشین اضافه، از داده‌های بررسی مواد، اطلاعات معنادار استخراج می‌کنند و خصوصیات ماده را به‌صورت کامل، تشخیص می‌دهند. یافته‌های این چند مرحله، برای بهبود خصوصیات ماده استفاده می‌شود تا درنهایت، زیرساخت آن‌ها به وضعیت قابل‌قبولی برسد. مرحله‌ی بعدی، تشخیص فرایند بعدی در ادامه‌ی آزمایش است که باز هم توسط هوش مصنوعی انجام می‌شود و درنهایت، یک چرخه‌ی بسته‌ی تحقیقاتی ایجاد می‌کند.

آسپورو انتظار دارد که پس از نصب و پیاده‌سازی ربات مورد نظر، هر ۲ روز، حدود ۴۸ ماده‌ی جدید معرفی کند که باز هم با استفاده از یادگیری ماشین، خصوصیات آن‌ها بهبود یابد. ادعای او، به‌معنای تولید یک ماده‌ی جدید در هر ساعت است. چنین سرعتی، فوق‌العاده جذاب خواهد بود و کارایی آزمایشگاه او را به‌میزان غیرقابل وصفی افزایش می‌دهد.

فرایند کشف مواد جدید، به‌سادگی تصور کردن «یک ماده‌ی جادویی» نیست. برای ایجاد تغییرات واقعی در حوزه‌ی تحقیقات علم مواد، باید کل فرایند تغییر کند. آسپورو می‌گوید با بررسی چالش‌های موجود در فرایندهای آن تحقیقات، به این نتیجه می‌رسیم که هوش مصنوعی در همه‌ی بخش‌های آزمایشگاه مورد نیاز است.

چرا در همه‌ی بخش‌های آزمایشگاه به هوش مصنوعی نیاز داریم؟ چون به‌محض اینکه ایده و طرح جدید برای ساختار یک ماده ارائه شد، باید مراحل ساخت آن نیز کشف شود. شاید هفته‌ها یا ماه‌ها زمان نیاز باشد تا فرایند ساخت ترکیب، با مهندسی معکوس شیمیایی کشف شود (Retrosynthesis). چالش دیگر آزمایشگاهی، درک داده‌هایی است که از آنالیز مواد تولیدشده به‌دست می‌آیند. به‌هرحال، یادگیری ماشین در هریک از آن مراحل، مفید خواهد بود.

یکی از انگیزه‌های آسپورو برای ادامه‌ی تحقیقات، تغییرات اقلیمی است. به‌علاوه، نیاز به دستاوردهای فناوری پاک و نقش اساسی مواد در پیشرفت کردن در آن زمینه‌ها، آسپورو را به تحقیق هرچه بیشتر در آن حوزه، تشویق می‌کند.

تحقیقات اختصاصی آسپورو، در زمینه‌ی ساخت الکترولیت‌های ارگانیک جریان دارد که در نوع خاصی از باتری‌ها استفاده خواهند شد. آن باتری‌ها برای ذخیره‌ی برق اضافی شبکه‌های توزیع و تزریق مجدد آن در زمان نیاز، کاربرد دارند. به‌علاوه، او در زمینه‌ی ساخت سلول‌های خورشیدی ارگانیک و ارزان‌تر از نمونه‌های سیلیکونی نیز تحقیق می‌کند. او درنهایت اعتقاد دارد اگر ایده‌ی آزمایشگاه کاملا خودکار (و تحت رهبری هوش مصنوعی) به‌خوبی پیش برود، علم شیمی برای تعداد بیشتری از مردم، قابل دسترس خواهد بود. او این دستاورد را با اصطلاح «دموکراتیزه کردن علم کشف مواد» معرفی می‌کند.

آسپورو درباره‌ی افزایش استفاده از هوش مصنوعی و کاربردی‌تر شدن آن می‌گوید:

این زمینه، محل رخ دادن رویدادهای مهم خواهد بود. هوش مصنوعی که خودروها را می‌راند؛ هوش مصنوعی که تشخیص‌های پزشکی را بهبود می‌دهد؛ هوش مصنوعی مخصوص خریدهای شخصی، انواع کاربردهای فناوری ساختارشکن امروزی هستند. دراین‌میان، رشد واقعی حاصل از به‌کارگیری هوش مصنوعی در تحقیقات علمی، احتمالا بیش از تمامی پیشرفت‌هایی خواهد بود که به‌وسیله‌ی دیگر انواع هوش مصنوعی، حاصل می‌شود.

مؤسسه‌ی Vector واقع در تورنتو، به‌نوعی مرکز جذب تحقیقات هوش مصنوعی محسوب می‌شود که حدود ۱.۵ کیلومتر با دفتر آسپورو فاصله دارد. از پنجره‌های دفتر کاری آنجا می‌توان به ساختمان پارلمان اونتاریو نگاه کرد. شاید نزدیک بودن محققان هوش مصنوعی، شیمی و کسب‌وکار به مقر دولتی آن ایالت، تصادفی نباشد. یک باور عمومی در بین شهروندان آن شهر وجود دارد که هوش مصنوعی، کسب‌وکار و اقتصاد را متحول خواهد کرد. به‌علاوه، برخی اعتقاد دارند که روش‌های علمی و تحقیقاتی ما نیز با این فناوری دگرگون خواهد شد.

نکته‌ی مهم آن است که برای افزایش تأثیر هوش مصنوعی در روندهای علمی، ابتدا باید دانشمندان را قانع کنیم که چنین ابزاری، ارزش استفاده را دارد. به‌عنوان مثال، پرز اعتقاد دارد که بسیاری از همکارانش در علم شیمی پزشکی، به فناوری هوش مصنوعی شک دارند. ازطرفی، در چند دهه‌ی گذشته، زمینه‌ی مذکور شاهد فناوری‌های انقلابی از طراحی‌های کامپیوتری تا شیمی ترکیبی و موارد دیگر بوده است که ساخت سریع و آزمایش مولکول‌های متعدد را ممکن کرده‌اند. همه‌ی آن فناوری‌ها، به‌نوعی مفید بوده، اما به‌هرحال محدود بوده‌اند. به‌بیان‌دیگر، هیچ‌یک از آن‌ها به‌صورت جادویی و سریع، یک داروی جدید را معرفی نمی‌کنند.

پرز اعتقاد دارد هنوز زمان زیادی برای نتیجه‌گیری دربار‌ه‌ی انقلابی بودن هوش مصنوعی در تحقیقات علمی نیاز داریم. او می‌گوید پیش‌بینی زمانی در این موضوع، هنوز دشوار است. البته، او نیز پیشرفت‌های صورت‌گرفته در درک هوش مصنوعی از مواردی همچون پردازش تصویری را نقاط قوت و نشانه‌هایی از پیشرفت سریع این فناوری می‌داند. او امیدوار است پیشرفت‌های مذکور، در علم شیمی هم رخ دهند.

به‌هرحال، همه‌ی ما هنوز منتظر آن لحظه‌ی طلایی شبیه به برد هوش مصنوعی آلفاگو در حوزه‌های علمی شیمی و مواد هستیم. لحظه‌ای که الگوریتم‌های یادگیری عمیق، در کشف داروها یا مواد جدید، فراتر از انسان‌ها عمل کنند. به‌احتمال زیاد، همان‌طور که آلفاگو با ترکیبی از استراتژی‌های مختلف و تفکری غیرانسانی به موفقیت رسید، برنامه‌های جدید هوش مصنوعی نیز در زمینه‌های آزمایشگاهی موفق خواهند شد.

درنهایت، رسیدن به آن موفقیت‌ها نیازمند دانشمندانی همچون آسپورو است که رویاپردازی قوی داشته باشند. ایده‌ی بلندپروازانه‌ی او، استفاده از یک پرینتر مولکولی ۳۰ هزار دلاری است تا آزمایشگاه‌های مواد را با بهره‌گیری از هوش مصنوعی، به‌نوعی متحول کند. به‌هرحال، دستیابی به آن نتایج، مشروط به رویاپردازی همین دست دانشمندان و توانایی هوش مصنوعی در کشف فرصت‌های جدید خواهد بود.

درحالی‌که سامسونگ خود را برای مراسم اول اسفندماه و معرفی آخرین پرچم‌دار خود گلکسی اس ۱۰ به‌همراه ۵ گوشی هوشمند دیگر و محصولات پوشیدنی آماده می‌کند و دعوتنامه‌ی مراسم رونمایی از گلکسی اس ۱۰ در روز اول اسفند را ارسال کرده است؛ ظاهرا ال‌جی نیز سخت در تلاش است. 

براساس آخرین اطلاعات فاش‌شده، ال‌جی قصد دارد اولین پرچم‌دار 5G خود را به‌زودی به بازار معرفی کند. ظاهرا باید منتظر  ال‌جی V50 ThinQ اولین گوشی هوشمند با قابلیت اتصال به شبکه‌ی 5G ال‌جی باشیم.  

تصاویر فاش‌شده ال‌جی وی ۵۰ تین‌کیو، طراحی ظاهری و اطلاعات محدودی در مورد آن در اختیار علاقه‌مندان قرار می‌دهد. پیش‌تر گفته شده بود که ال‌جی قصد دارد در نیمه‌ی اول سال ۲۰۱۹ میلادی، گوشی‌ هوشمند 5G خود را به‌صورت قراردادی با اسپرینت به بازار عرضه کند. بعد از آنکه مشخص شد ال‌جی جی ۸ اولین گوشی هوشمند 5G این شرکت نخواهد بود، اخبار دیگری تأیید کردند که نام احتمالی پرچم‌دار 5G ال‌جی V50 ThinQ 5G است. انتظار می‌رود ال‌جی جی ۸ تین‌کیو به‌همراه گوشی هوشمند 5G در ماه آینده‌ی میلادی و در کنگره جهانی موبایل ۲۰۱۹ معرفی شوند. 

ایوان بلس، رندر فاش‌شده‌ای از ال‌جی وی ۵۰ تین‌کیو، اولین پرچم‌دار 5G ال‌جی به‌اشتراک گذاشته است که تأیید می‌کند اپراتور مخابراتی اسپرینت از گوشی 5G ال‌جی پشتیبانی خواهد کرد. انتظار می‌رود در تاریخ ۲۴ فوریه برابر با ۵ اسفندماه شاهد رونمایی این گوشی هوشمند باشیم.

ال‌جی وی ۵۰ تین‌کیو با قابلیت اتصال به شبکه‌ی 5G ازطریق اپراتور تلفن همراه اسپرینت

- ایوان بلس، ۱۶ فوریه ۲۰۱۹ برابر با ۲۷ بهمن‌ماه ۱۳۹۷

اما سؤال مهم این است که چطور می‌توانیم اطمینان داشته باشیم که رویداد رونمایی در تاریخ ۲۴ فوریه برابر با ۵ اسفندماه برگزار می‌شود؟ این تاریخ روی نمایشگر گوشی نشان داده نشده است؛ اما براساس گزارش‌های منتشرشده از سوی برخی رسانه‌های کر‌ه‌ای، ظاهرا ال‌جی پیش‌تر اعلام کرده که قصد دارد اولین گوشی هوشمند 5G خود را در تاریخ ۲۴ فوریه برابر با ۵ اسفندماه به‌طور رسمی رونمایی کند. 

در برخی گزارش‌های منتشرشده، جزئیاتی در مورد مشخصات اولین پرچم‌دار 5G ال‌جی منتشر شده است که با مشخصات ال‌جی وی ۵۰ تین‌کیو شباهت دارد. به‌همین دلیل گمانه‌زنی‌ها به این سمت می‌رود که اولین گوشی هوشمند 5G، ال‌جی وی ۵۰ تین‌کیو باشد. انتظار می‌ رود این گوشی هوشمند با تراشه‌ی اسنپدراگون ۸۵۵ کوالکام و باتری با ظرفیت بالای ۴۰۰۰ میلی‌آمپرساعتی به بازار عرضه شود.

باتوجه به اینکه ال‌جی وی ۵۰ تین‌کیو قابلیت اتصال به شبکه‌ی 5G را دارد، ظرفیت باتری به‌گونه‌ای انتخاب شده است که کاربران از طول عمر مناسب باتری بهره ببرند و با مشکلی رو‌به‌رو نشوند و از دستگاهی با باتری‌ با ظرفیت قابل‌اعتماد بتوانند استفاده کنند. زمانی‌که اولین گوشی‌های با قابلیت اتصال به شبکه‌ی 4G LTE به بازار معرفی شدند، کاربران مشکلاتی در طول عمر باتری را تجربه کردند. اما به‌نظر می‌رسد این موضوع برای نسل پنجم شبکه‌یاینترنت از قبل تدبیر شده است. باید ببینیم آیا سیستم خنک‌کننده‌ی جدید نیز می‌تواند کارایی لازم و مورد نیاز کاربران را دراختیار آن‌ها قرار دهد. 

براساس توییت منتشرشده از سوی ایوان بلس، نمی‌توانیم ضخامت ال‌جی وی ۵۰ تین‌کیو را متوجه بشویم. حتی مشخص نیست آیا این گوشی هوشمند از جک هدفون ۳.۵ میلی‌متری بهره می‌برد یا خیر. اما باتوجه‌به تصویر فاش‌شده می‌توانیم اطلاعاتی را در اختیار داشته باشیم. کاربرانی که مشتاق استفاده از گوشی هوشمندی با حسگر اثر انگشت زیر نمایشگر هستند، قطعا از حسگر اثر انگشت در پنل پشتی ال‌جی وی ۵۰ تین‌کیو رضایت نخواهند داشت. پیش‌تر ال‌جی V40 تین کیو با پنج دوربین و نمایشگر +QHD معرفی شد. در پنل پشتی شاهد دوربین سه‌گانه با لنز واید، معمولی و تله‌فوتو بودیم. ظاهرا باتوجه به تصویر فاش‌شده ال‌جی وی ۵۰ تین‌کیو نیز از دوربین سه‌گانه در پنل پشتی بهره می‌برد. 

باید منتظر رویداد ۲۴ فوریه ال‌جی باشیم تا ببینیم قصد دارد اولین پرچم‌دار 5G خود را با چه مشخصاتی معرفی کند. 

زاوا (Zava) یک استارتاپ کوچک ایتالیایی است و مدعی است که در صورت تأمین شدن هزینه‌هایش برای آغاز به کار خواهد توانست ابرخودرو برقی را به‌صورت سفارشی برای مشتریان خود تولید کند.

زاوا ۵۱ روز فرصت دارد تا برای شروع به کار ۱۵۰ هزار یورو سرمایه جمع کند. فعلا هیچ خودروی اولیه‌ای تولید نشده است و کل پروژه تنها روی کاغذ قرار دارد. طرح اولیه‌ی زاوا PrometheuS نام دارد و یک ابرخودرو تمام برقی با قابلیت حمل یک سرنشین است. این خودرو مجاز برای حرکت در خیابان است و از توانایی‌های حرکتی آن باید به حداکثر سرعت ۳۵۰ کیلومتر بر ساعت و شتاب صفر تا صد کیلومتر ۲ ثانیه اشاره کرد. ابرخودروی PrometheuS در پیچ‌ها توانایی تحمل ۳ جی شتاب جانبی را دارد و از این نظر با خودروهای فرمول یک می‌تواند برابری کند و این در حالی است که از نظر قانونی منعی برای تردد آن در خیابان‌ها نیز وجود ندارد.

زاوا عنوان کرده است که در خودروی PrometheuS از نوعی سیستم عصبی درکنار هوش مصنوعی بهره خواهد برد که می‌تواند ذهن راننده را به خودرو متصل کند.  زاوا از فناوری جدید خود نه در یک نمایشگاه خودرو  بلکه در نمایشگاه Human anatomy در ایتالیا رونمایی کرده است. فعلا جزییات بیشتری از این فناوری در دسترس نیست و باید تا زمان ساخته شدن مدل پرتوتایپ صبر کرد و همه‌ی این‌ها نیز به این بستگی دارد که هزینه‌ی لازم برای شروع کار تأمین شود یا نه. اما اگر زاوا بتواند کار خود را آغاز کند باید در آینده منتظر اخبار جالبی از این برند باشیم.

یادگیری از طریق درک نتایج هوش مصنوعی، با نام Reinforcement Leraning شناخته می‌شود. این نوع از یادگیری با بهره‌گیری زمان، داده و قدرت پردازشی زیاد، یکی از بهترین روش‌ها برای بهبود فرایند تصمیم‌گیری کارگزارهای هوشمند است. البته، روش فوق همیشه هم کاربردی نیست؛ چرا که رویکردهای آموزشی بدون مدل خاص برای آموزش هوش مصنوعی، شاید به هفته‌ها زمان برای آموزش نیاز داشته باشند. آن نوع از آموزش، کارگزارها را به‌نوعی به کار می‌گیرد که رخدادها را به‌صورت مستقیم از مشاهدات دنیای اطراف پیش‌بینی کنند.

جایگزینی که برای روش بالا پیشنهاد می‌شود، آموزش هوش مصنوعی بر اساس مدل مشخص است. در آن روش، کارگزارهای هوش مصنوعی به مدلی از جهان پیرامون خود دست پیدا می‌کنند که بر اساس آن، رخدادهای آتی را پیش‌بینی خواهند کرد. البته، برای پیش‌بینی رخدادها در محیط‌های شناخته‌نشده، آن کارگزارها باید مدل‌های خود را بر اساس تجربه طراحی کنند. گوگل با همکاری deepmindمحصولی به‌نام Deep Planning Network یا PlaNET معرفی کرد که مدلی از دنیا را با نگاه کردن به ورودی‌های تصویری شکل می‌دهد و از آن برای برنامه‌ریزی‌های آتی استفاده می‌کند.

گوگل ادعا می‌کند محصول جدیدش در حوزه‌ی هوش مصنوعی، توانایی حل چالش‌های متنوع تصویری را دارد. هوش مصنوعی جدید، با دقت بالا عمل می‌کند و نسبت به نمونه‌های بدون مدل، پیشرفت‌های قابل توجهی داشته است. شایان ذکر است کد منبع PlaNET توسط گوگل در گیت‌هاب به اشتراک گذاشته شد.

دانیار هافنر یکی از مولفان مقاله‌ی مرتبط با معماری هوش مصنوعی جدید گوگل و از محققان کارآموز در بخش هوش مصنوعی آن شرکت است. او می‌گوید که PlaNET با بهره‌گیری از مدل‌های یادگیری دینامیکی از ورودی‌های تصویری کار کرده و از مدل‌های مذکور برای کسب تجربه‌های جدید، استفاده می‌کند. به‌علاوه، پلنت با استفاده از مدل دینامیکی پنهانی فعالیت می‌کند تا درکی از خصوصیات انتزاعی دنیای پیرامون خود همچون سرعت اجسام، به‌دست بیاورد. مدل مورد استفاده، وضعیت آینده‌ی داده‌های ورودی را پیش‌بینی کرده و تصویر و نتیجه‌ای برای درک آنها ایجاد می‌کند.

هوش مصنوعی پلنت، با مدل‌سازی پیش‌بینی رخدادهای پیش روی خود، فرایند یادگیری را انجام می‌دهد. به‌علاوه، برنامه‌ریزی این کارگزار هوشمند نیز با سرعت بالایی انجام می‌شود. به‌هرحال در فضاهای با متغیر پنهان، پلنت تنها به تصویرسازی نتایج آینده نیاز دارد و بدون بهره‌گیری از تصاویر، نتیجه‌ی یک رخداد را حدس می‌زند.

هوش مصنوعی پلنت برخلاف نمونه‌های قبلی، بدون نیاز به شبکه‌ای از سیاست‌گذاری‌های یادگیری، فعالیت می‌کند. درواقع، محصول جدید، فعالیت‌ها را بر اساس طراحی انتخاب می‌کند. به‌عنوان مثال، این کارگزار هوشمند می‌تواند تصور کند که موقعیت و فاصله‌ی یک توپ تا دروازه، بر اثر رخدادهای مختلف، چه تغییراتی می‌کند. همه‌ی این موارد، بدون نیاز به تصویرسازی انجام می‌شود. چنین قابلیتی، به پلنت امکان می‌دهد تا در هر بار انتخاب رویداد، ۱۰ هزار نتیجه‌ی عملکرد توسط آن بررسی شود.

گوگل می‌گوید در آزمایش‌هایی که روی PlaNET انجام شد، محصول جدید نسبت به نمونه‌های بدون مدل‌سازی همچون A3C و D4PG عملکرد بهتری از خود نشان داد. یکی از آزمایش‌ها، تحلیل حرکت رباتی بود که روی زمین نشسته و به‌مرور ایستادن و راه رفتن را می‌آموزد. وظیفه‌ی دیگر، توسعه‌ی مدلی بود که چند آینده‌ی احتمالی را پیش‌بینی کند.

وقتی کارگزار هوشمند PlaNET در محیط‌هایی تصادفی بدون دانستن وظیفه‌ی اصلی قرار گرفت، ۶ وظیفه را بدون مدل‌سازی و تنها پس از ۲ هزار بار تلاش یاد گرفت. انواع دیگر هوش مصنوعی که توانایی مدل‌سازی ندارند،‌ برای درک محیط‌های جدید نیاز به حدود ۵۰ برابر تلاش و سعی‌و‌خطای بیشتر دارند. هافنر و دیگر فعالان پروژه‌ی حاضر، اعتقاد دارند که با افزایش قدرت پردازشی می‌توان حتی مدل‌های پیچیده‌تری را نیز توسط PlaNET توسعه داد. او در پایان برای توضیح کامل‌تر PlaNET می‌گوید:

نتایج ما، نشان‌دهنده‌ی آینده‌ی روشن مدل‌های یادگیری دینامیک، در ساخت کارگزارهای هوشمند با روش‌های یادگیری نتیجه‌ای هستند. ما تحقیقات بیشتری انجام خواهیم داد که روی مدل‌های دقیق‌تر یادگیری دینامیک متمرکز هستند. به‌علاوه، وظایف سنگین‌تر مانند محیط‌های سه‌بعدی نیز در تحقیقات آتی به‌کار گرفته خواهند شد.

ما از نتایجی که استفاده از این نوع آموزش به‌همراه خواهد داشت، شگفت‌زده هستیم. به‌عنوان مثالی از آن نتایج می‌توان یادگیری چندوظیفه‌ای، برنامه‌ریزی سلسله‌مراتبی و کشف نتایج بر اساس تخمین‌های نامطمئن را بیان کرد.

تاهو و سابربن دو خودروی شاسی‌بلند بزرگ از شورولت هستند که برای خانواده‌های پرجمعیت و افرادی که به خودروی جادار نیاز دارند بسیار ایده‌آل‌اند. این دو مدل همچنین توانایی بسیار خوبی در یدک کشی دارند.

با اینکه تاهو و سابربن هر دو خودروهایی قدرتمند هستند و از پیشرانه بزرگ استفاده می‌کنند اما شرکتی آمریکایی Specially Vehicle Engineering از پکیج ارتقای قدرت برای این دو مدل رونمایی کرده است. نسخه‌ی اول این پکیج تیونینگ ۸۱۰ اسب‌بخار و نسخه‌ی دوم ۱۰۰۰ اسب‌بخار قدرت دارند.

شورولت تاهو و سابربن در حالت استاندارد خود دارای پیشرانه‌های V8 با حجم ۵.۳ یا ۶.۲ لیتری هستند. نخستین گام تیونر برای ارتقای قدرت این خودرو تعویض پیشرانه‌ی استاندارد این خودروها با نسخه‌ی ۶.۸ لیتری پیشرانه‌ی LT-1 جنرال موتورز است. سپس روی این پیشرانه‌ی V8 یک سوپرشارژر نیز نصب کرده‌اند.

برای اینکه پیشرانه بتواند این قدرت بالا را تحمل کند تیونر اقدام به بهینه سازی بخش‌های داخلی موتور کرده است و برای مثال از پیستون‌های تقویت شده‌ی آلومینیومی، میل‌لنگ فولادی، سرسیلندر پولیش شده و سیستم سوخت‌رسانی تقویت شده استفاده کرده‌اند. در مدل ۱۰۰۰ اسب بخاری قطعات داخلی جعبه‌دنده‌ نیز تقویت شده‌اند تا بتوانند از پس این قدرت بالا بر بیایند. از نظر ظاهری تنها تفاوت این مدل‌ها را باید نقل مکان خروجی‌های اگزوز به طرفین سپر عقب دانست.

Specially Vehicle Engineering برای این مدل‌ها آپشن‌های زیادی را نیز در نظر گرفته است که شامل رینگ‌های ۲۲ اینچی در رنگ‌های کرومی و مشکی، سیستم تعلیق اسپرت با ارتفاع کم‌تر، کفپوش مخصوص، نشان High/Output Series روی پشت سری‌های صندلی و یک پلاک مخصوص روی داشبورد هستند.

شرکت Specially Vehicle Engineering یکی از تیونرهای قدیمی در آمریکاست و در دهه‌ی ۹۰ میلادی با تولید خودروی پونتیاک Trans Am Firehawk بسیار مشهور شد. امروزه در بین محصولات این شرکت مدل‌های ۱۰۰۰ اسب بخاری از شورولت کامارو و شورولت کوروت نیز دیده می‌شوند.

پشت همین جمله‌ای که درحال خواندن آن هستید، یک اساس محکم ریاضی وجود دارد؛ قوانینی که نشان داده شده است بر تمام زبان‌های انسانی حاکم است.

زبان‌شناسان دریافته‌اند که داد و فریادها، ژست‌ها و حالاتی که توسط شامپانزه‌ها استفاده می‌شود، از اصولی پایه‌ای تبعیت می‌کند که نشان می‌دهد مفاهیم زبانی دارای ریشه‌های تکاملی عمیقی هستند. در مطالعه‌ای که در دانشگاه روهامپتون انگلستان انجام شده است، صدها ویدئوی ضبط شده از شامپانزه‌های جنگل بودونگو در اوگاندا مورد تجزیه‌و‌تحلیل قرار گرفته و ویژگی‌های ۵۸ نوع از حرکات ارتباطی آن‌ها اندازه‌گیری و دسته‌بندی شده است.

این حرکات از دو قانون مشترک برای تمام شکل‌های ارتباطی انسان‌ها تبعیت می‌کردند: قانون زیف (Zipf's law) درمورد اختصار و قانون منزیراث (Menzerath's law) درمورد پیچیدگی ساختارهای زبانی.

مطالعاتی که روی فریاد کشیدن و نفس نفس زدن شامپانزه‌ها انجام شده است، نشان می‌دهد که چنین قوانینی در این‌جا هم وجود دارند. قانون زیف، توصیف‌کننده‌ی ارتباط معکوس بین مرتبه‌ی استفاده‌ی ما از یک کلمه و رتبه‌ی آن درمقایسه با دیگر کلمه‌ها است. برای مثال، تقریبا میزان استفاده از دومین واژه ازلحاظ میزان تکرار، درمقایسه با واژه‌ی اول نصف است. این ویژگی توسط جورج کینگزلی زیف کشف شد. او دریافت که هرچه یک کلمه در فهرست او بیشتر باشد (تکرار)، آن کلمه خلاصه‌تر است. پنج کلمه‌ی اول در زبان انگلیسی را درنظر بگیرید (the، be، and، of و a). این‌ها درمقایسه با کلماتی که در رتبه‌ی پانصد قرار می‌گیرند (value، international، building و reaction)، کاملا کوتاه‌تر هستند.

این قضیه نه‌تنها درمورد هر زبان دیگری که انسان‌ها با آن صحبت می‌کنند، برقرار است بلکه در آوازخوانی ماکاک‌ها و دلفین‌ها نیز وجود دارد. درواقع می‌توان گفت کارآیی، در مرکز بسیاری از اشکال ارتباطی حیوانات وجود دارد.

درحالیکه ما اکنون می‌توانیم ارتباطات غیرزبانی شامپانزه‌ها را به این فهرست اضافه کنیم، شواهد در ابتدا چندان آشکار نبودند. پژوهشگران دریافتند که در بین ۲۱۳۷ ژست اندازه‌گیری شده، ارتباط آشکاری بین دوره‌ی خاص هر علامت و فراوانی استفاده از آن وجود ندارد. تنها زمانی‌که این ژست‌ها در گروه‌هایی طبقه‌بندی شدند و متوسط طول دوره‌ی آن‌ها محاسبه شد، الگوهای محکمی به‌دست آمد. هر نوع بیانی دارای یک فراوانی بود و مطابق با قانون زیف، حرکاتی که بیش از همه استفاده می‌شد، دارای کوتاه‌ترین دوره زمانی بودند.

یک استثنای جالب برای این قانون درمورد حرکت کل بدن بود. در این‌جا هیچ ارتباطی مشاهده نمی‌شد. پژوهشگران در این رابطه نوشتند:

اصول جهانی، لزوما الگوهای جهانی حاصل نمی‌کنند. هرچند ممکن است قانون در آن موقعیت هم برقرار باشد اما ممکن است توسط اثر دیگر عوامل پوشیده شود.

قانون منزیراث نیز به‌طور مشابهی در آشفتگی پیچیده‌ی حرکات دست و پا و بدن پنهان شده بود. این قانون بیان می‌کند که ساختارهای بزرگ زبانی از ساختارهای کوچک‌تر تشکیل شده‌اند. برای مثال، کلمات بزرگ دارای اجزای کوچک‌تر و اصطلاحات ساده‌تری هستند. نظیر قانون اختصار زیف، مقایسه‌ی گروه‌های مختلف حرکات نشان می‌داد که شامپانزه‌ها حالات دیداری بلند را از واحدهای کوتاه‌تر می‌سازند.

مبانی آماری ارتباط برقرار کردن با عنوان زبان‌شناسی کمی شناخته می‌شود. این قوانین تنها دو مثال در این زمینه هستند. اما هدف هر دو فشرده‌سازی زبان به‌شکلی کارآمدتر است. به‌عبارت دیگر، چرا ما یا شامپانزه‌ها باید تلاش زیادی درمورد صداها یا وضعیت‌های بدنی که به کرات به آن‌ها نیاز داریم، به‌کار ببریم؟

اگرچه پیچیدگی آوازسازی خویشاوندان شامپانزه‌ی ما مثل ما نیست ولی ترکیب حرکات، صداها و حالات چهره‌ی آن‌ها نیز توسط زمان و انرژی محدود می‌شود و موجب شکل‌گیری زبانی می‌شود که فقط به حد لازم سخت باشد.

پژوهشگران در مرحله‌ی بعدی بونوبو (شامپانزه های کوتوله) را مورد مطالعه قرار می‌دهند تا ببینند تا چه حد این قوانین در بین دیگر شامپانزه‌ها برقرار است.

این پژوهش همچنین پیامدهایی برای پژوهش روی انسان‌ها دارد. این موضوع که این قوانین روی دسته‌بندی حالات بدن مصداق دارند و نه علامات انفرادی بدن، چیزی است که شاید بهتر باشد در تجزیه‌و تحلیل‌های دیگر اشکال ارتباطی خود آن را درنظر بگیریم. این نتایج همچنین موجب ایجاد این سؤال می‌شود که این قوانین تا چه حد جهانی هستند. فراتر از یک رابط اجتماعی که گروه‌های مختلف ماکاک‌ها، دلفین‌ها، انسان‌ها و شامپانزه‌ها را به‌هم متصل می‌کند، نکاتی از این قوانین می‌تواند در شیمی حیات و در سطح ژنتیک نیز دیده شود. آیا این موضوع می‌تواند به زندگی در جهان‌های دیگر نیز تعمیم داده شود؟ شاید روزی ما کشف کنیم که قوانین زبانی چقدر جهانی هستند.

به‌لطف لایحه‌ی بودجه‌ای که پرزیدنت ترامپ روز جمعه به امضا رساند، سازمان فضایی آمریکا پس از تحمل طولانی‌ترین تعطیلی دولت در تاریخ این کشور در سال مالی ۲۰۱۹ شاهد افزایشی قابل‌توجه در مقدار بودجه‌ی دریافتی خواهد بود. این قانون، بودجه‌ای برابر با ۲۱/۵ میلیارد دلار به ناسا اعطا خواهد کرد؛ مقداری که بالاتر از بودجه‌ی ۲۰/۷ میلیارد دلاری سال گذشته به‌حساب می‌آید و از بودجه‌ی درخواستی این سازمان (۱۹.۹ میلیارد دلار) نیز بسیار فراتر است.

در عمل، هر برنامه‌ی عمده در ناسا، شاهد افزایش بودجه خواهد بود. برنامه‌های علمی این سازمان که مأموریت‌های سیاره‌ای و علوم زمین را پوشش می‌دهند، در مجموع ۶/۹ میلیارد دلار دریافت خواهند کرد؛ درحالی‌که این مقدار برای سال گذشته، ۶/۲ میلیارد دلار بود. در طرف دیگر، بودجه‌ی برنامه‌ی اکتشافات انسانی نیز که در سال ۲۰۱۸ برابر با ۴/۷۹ میلیارد دلار بود، اکنون به ۵ میلیارد دلار افزایش یافته است.

علاوه‌بر این، بسیاری از مأموریت‌های ناسا که رئیس‌جمهور در تلاش برای خلاصی از آن‌ها بود، همچنان پابرجا هستند که از جمله قابل‌توجه‌ترین آن‌ها باید به مأموریت تلسکوپ نقشه‌برداری میدان باز فروسرخ (WFIRST) اشاره کرد. ناسا از چندی پیش با هدف کشف سیارات خارج از منظومه‌ی شمسی و جست‌وجو برای انرژی تاریک در کیهان، در حال توسعه‌ی این تلکسوپ فضایی بوده است. رئیس‌جمهور در درخواست خود برای سال ۲۰۱۹ که در فوریه‌ی گذشته انتشار یافت، با اشاره به افزایش هزینه‌ی پروژه، لغو توسعه‌ی این تلکسوپ فضایی را خواستار شد. لایحه‌ی اخیر، ۳۱۲ میلیون دلار برای توسعه‌ی رصدگر بعدی سیارات فراخورشیدی ناسا تأمین می‌کند. بااین‌حال، مواد تکمیلی برای بودجه هشدار می‌دهند که هزینه‌ی این پروژه باید در حدود ۳.۲ میلیارد دلار که توسط کنگره تعیین شده است، باقی بماند.

دیگر نجات‌یافته در لایحه‌ی روز جمعه، مأموریت ارسال سطح‌نشین به اروپا، قمر یخی سیاره‌ی مشتری است. این قمر، مکانی جذاب برای دانشمندانی است که در پی جست‌وجو برای حیات در نقطه‌ای دیگر از منظومه‌ی شمسی هستند. این مأموریت یکی از دو برنامه‌ای است که ناسا برای مطالعه‌ی اروپا در حال کار روی آن بوده است. مأموریت دیگر، طرح فضاپیمایی است که به‌صورت دوره‌ای از کنار اروپا پرواز خواهد کرد تا از فاصله‌ی دور به مطالعه‌ی این قمر بپردازد و از مواد مایعی که ظاهرا از سطح آن فواره می‌زنند، نمونه‌برداری کند. هر دو مأموریت از سوی جان کالبرسون، نماینده‌ی کنگره از تگزاس پشتیبانی شده‌اند. کالبرسون، یک هوادار بزرگ و سرسخت فضا به‌حساب می‌آید که سابقه‌ی ریاست کمیته‌ی فرعی مسئول تأمین بودجه‌ی ناسا در مجلس را در کارنامه دارد.

تصویری هنری از ظاهر احتمالی سطح‌نشین قمر اروپا

اما کالبرسون به‌تازگی در انتخابات میان‌دوره‌ای ۲۰۱۸ ایالات متحده، کرسی خود در مجلس نمایندگان را از دست داد؛ اتفاقی که بسیاری را نسبت به سرنوشت سطح‌نشین یادشده که پروژه‌ی محبوب این نماینده‌ی کنگره بود، نگران کرد. دو درخواست بودجه‌ی پیشین ترامپ، در عین حفظ کامل دیگر مأموریت قمر اروپا، تقاضای لغو توسعه‌ی این سطح‌نشین را کرده بودند. فعلا، توسعه‌ی سطح‌نشین اروپا همچنان تأمین مالی می‌شود؛ اما احتمال به تعویق افتادن آن وجود دارد.

در همین حال، طرح‌های علوم زمین ناسا بدون تغییر باقی می‌مانند. پیش از آغاز به‌کار دولت ترامپ، یکی از مشاوران او گفته بود که لغو برنامه‌ی علوم زمین، از جمله اهداف دولت جدید آمریکا خواهد بود. در دو سال گذشته، پرزیدنت ترامپ، لغو ۵ مأموریت مطالعه‌ی زمین را خواستار شده بود. بااین‌حال، هیچ کدام از برنامه‌های علوم زمین کنار گذاشته نشده‌اند و بودجه‌ی این برنامه نیز تغییری نکرده است. علاوه‌بر این، بودجه‌ی دپارتمان آموزش ناسا، دیگر بخشی که ترامپ درصدد لغو آن بود نیز پابرجا مانده است.

لایحه‌ی روز جمعه، همزمان با تمرکز ناسا بر بازگرداندن انسان به ماه، بودجه‌ی لازم برای ابتکارات قمری بزرگ جدید این سازمان را نیز تأمین می‌کند. برنامه‌ی قمری ناسا شامل توسعه‌ی یک ایستگاه مداری جدید به دور ماه به‌نام Gateway و همچنین سرمایه‌گذاری در ساخت سطح‌نشین‌های روباتیک و انسانی است. این طرح‌ها در سال آتی نزدیک به ۸۰۰ میلیون دلار دریافت خواهند کرد؛ بااین‌حال، در متن لایحه آمده است که تا وقتی جیم برایدنستاین، مدیر ناسا گزارش مفصل‌تری را درباره‌ی برنامه‌ی این سازمان برای قرار دادن مجدد انسان در ماه، تسلیم کنگره نکند، تنها ۵۰ درصد از این بودجه قابل استفاده خواهد بود. برنامه‌ی بازگشت ناسا به ماه در چند سال گذشته به آرامی در حال شکل‌گیری بوده و اکنون قدرتمندتر از همیشه شده است؛ اما کنگره صرفا خواهان قدری جزییات بیشتر درباره‌ی تاریخ‌ها و راکت‌های مختلفی است که در این برنامه مورد استفاده قرار خواهند گرفت.

اما در مجموع،‌ بودجه‌ی جدید ناسا، پول فراوانی را برای برنامه‌های مأموریت اعماق فضای این سازمان وعده می‌دهد. ناسا با این بودجه، پولی بسیار بیش از آنچه در دهه‌ی گذشته دریافت کرد، به‌دست آورده است. همچنین، این ششمین سال متوالی است که ناسا بودجه‌ای بزرگتر از سال قبل دریافت می‌کند. هنوز مشخص نیست که آیا این روند همچنان تداوم خواهد یافت یا خیر؛ اما پس از دست دادن ضرب الاجل در ماه فوریه به‌دلیل تعطیلی دولت، انتظار می‌رود درخواست بودجه‌ی بعدی رئیس‌جمهور در ماه مارس تسلیم شود. این طرح پیشنهادی بحث‌های مربوط‌به بودجه را برای سال پیش‌رو شکل خواهد داد و از آنچه ناسا می‌تواند در سال ۲۰۲۰ انتظار داشته باشد، تصویر بهتری ارائه خواهد داد.