ایده‌ جدیدی مطرح شده است که از حوزه هوش مصنوعی برای درک ژنوم استفاده می‌کند و آن این است : “شباهت ژنوم به هوش مصنوعی مولد”. دو محقق استدلال می‌کنند که ژنوم بیشتر شبیه به یک مدل مولد عمل می کند. نوعی از هوش مصنوعی که می‌تواند چیزهای جدیدی ایجاد کند.

شما ممکن است با این نوع ابزارهای هوش مصنوعی آشنا باشید. همان‌هایی که می‌توانند متن، تصاویر یا حتی فیلم‌ها را از ورودی‌های مختلف تولید کنند. آیا ژنوم ما واقعاً به همین شکل عمل می‌کند؟ این ایده‌ای جذاب است. بیایید آن را بررسی کنیم.

ژنوم چیست و چگونه عمل می‌کند؟

ژنوم چه کاری انجام می‌دهد؟ شاید شنیده باشید که ژنوم نقشه‌ای برای یک موجود زنده است، یا مانند یک دستور پخت عمل می‌کند. اما ساخت یک موجود زنده بسیار پیچیده‌تر از ساختن یک خانه یا پختن یک کیک است. در مدارس معمولاً به ما آموزش داده می‌شود که ژنوم چیزی شبیه به یک برنامه کامپیوتری است که دستورالعمل‌های لازم برای ساخت سلول‌ها و بافت‌های بدن را در خود دارد.

اما Kevin Mitchell ، عصب‌ژنتیک‌شناس از کالج ترینیتی دوبلین، معتقد است که این استعاره وقتی با دقت بیشتری بررسی شود، دچار مشکل می‌شود. او می‌گوید که ژنوم خیلی پیچیده‌تر از یک نقشه یا برنامه ساده است.

بر خلاف نقشه‌ها یا برنامه‌های کامپیوتری، ژنوم یک مجموعه‌ای از دستورالعمل‌ها نیست که به صورت خطی اجرا شوند. مثلا مجموعه‌ای از دستورالعمل‌ها که ابتدا مغز، سپس سر و بعد گردن و غیره را می سازد. اما میدانیم که اینگونه نیست.

استعاره رایج دیگری، ژنوم را به نقشه‌ای برای بدن تشبیه می‌کند به طوری که هر بخش از نقشه نمایانگر بخشی از محصول نهایی است. اینطور نیست که مثلاً شما یک ژن برای آرنج و یک ژن برای ابرو داشته باشید و هر ژن به طور دقیق برای یک قسمت خاص از بدن تعیین شده باشد.

بلکه ژن‌های مختلف می‌توانند به طور همزمان در ساخت قسمت‌های مختلف بدن نقش داشته باشند و بسته به شرایط مختلف، عملکردهای متفاوتی داشته باشند. این بسیار پیچیده‌تر از یک نقشه است.

سپس استعاره دستور پخت مطرح می‌شود. به نوعی، این استعاره دقیق‌تر از نقشه یا برنامه است. در این استعاره ژن‌هایمان را به عنوان مجموعه‌ای از مواد اولیه و دستورالعمل‌ها تصور می کنیم و محصول نهایی تحت تأثیر عواملی مانند دمای فر یا نوع ظرف پخت قرار می‌گیرد. به هر حال، دوقلوهای همسان با DNA یکسان متولد می‌شوند، اما اغلب تا زمان بلوغ تفاوت‌های زیادی دارند.

اما استعاره دستور پخت نیز به نظر Mitchell خیلی کلی است.

مطالب مرتبط : ذخیره اطلاعات در DNA – ظهور تکنولوژی جدید ذخیره اطلاعات بر روی DNA  

ایده‌ جدیدی مطرح شده است که از حوزه هوش مصنوعی برای درک ژنوم استفاده می‌کند و آن این است : “شباهت ژنوم به هوش مصنوعی مولد”. دو محقق استدلال می‌کنند که ژنوم بیشتر شبیه به یک مدل مولد عمل می کند. نوعی از هوش مصنوعی که می‌تواند چیزهای جدیدی ایجاد کند.

شما ممکن است با این نوع ابزارهای هوش مصنوعی آشنا باشید. همان‌هایی که می‌توانند متن، تصاویر یا حتی فیلم‌ها را از ورودی‌های مختلف تولید کنند. آیا ژنوم ما واقعاً به همین شکل عمل می‌کند؟ این ایده‌ای جذاب است. بیایید آن را بررسی کنیم.

ژنوم چیست و چگونه عمل می‌کند؟

ژنوم چه کاری انجام می‌دهد؟ شاید شنیده باشید که ژنوم نقشه‌ای برای یک موجود زنده است، یا مانند یک دستور پخت عمل می‌کند. اما ساخت یک موجود زنده بسیار پیچیده‌تر از ساختن یک خانه یا پختن یک کیک است. در مدارس معمولاً به ما آموزش داده می‌شود که ژنوم چیزی شبیه به یک برنامه کامپیوتری است که دستورالعمل‌های لازم برای ساخت سلول‌ها و بافت‌های بدن را در خود دارد.

اما Kevin Mitchell ، عصب‌ژنتیک‌شناس از کالج ترینیتی دوبلین، معتقد است که این استعاره وقتی با دقت بیشتری بررسی شود، دچار مشکل می‌شود. او می‌گوید که ژنوم خیلی پیچیده‌تر از یک نقشه یا برنامه ساده است.

بر خلاف نقشه‌ها یا برنامه‌های کامپیوتری، ژنوم یک مجموعه‌ای از دستورالعمل‌ها نیست که به صورت خطی اجرا شوند. مثلا مجموعه‌ای از دستورالعمل‌ها که ابتدا مغز، سپس سر و بعد گردن و غیره را می سازد. اما میدانیم که اینگونه نیست.

استعاره رایج دیگری، ژنوم را به نقشه‌ای برای بدن تشبیه می‌کند به طوری که هر بخش از نقشه نمایانگر بخشی از محصول نهایی است. اینطور نیست که مثلاً شما یک ژن برای آرنج و یک ژن برای ابرو داشته باشید و هر ژن به طور دقیق برای یک قسمت خاص از بدن تعیین شده باشد.

بلکه ژن‌های مختلف می‌توانند به طور همزمان در ساخت قسمت‌های مختلف بدن نقش داشته باشند و بسته به شرایط مختلف، عملکردهای متفاوتی داشته باشند. این بسیار پیچیده‌تر از یک نقشه است.

سپس استعاره دستور پخت مطرح می‌شود. به نوعی، این استعاره دقیق‌تر از نقشه یا برنامه است. در این استعاره ژن‌هایمان را به عنوان مجموعه‌ای از مواد اولیه و دستورالعمل‌ها تصور می کنیم و محصول نهایی تحت تأثیر عواملی مانند دمای فر یا نوع ظرف پخت قرار می‌گیرد. به هر حال، دوقلوهای همسان با DNA یکسان متولد می‌شوند، اما اغلب تا زمان بلوغ تفاوت‌های زیادی دارند.

اما استعاره دستور پخت نیز به نظر Mitchell خیلی کلی است.

شباهت ژنوم به هوش مصنوعی مولد

Mitchell و همکارش Nick Cheney در دانشگاه Vermont ، از مفاهیم هوش مصنوعی استفاده کردند تا آنچه ژنوم انجام می‌دهد را بهتر توصیف کنند. میچل به مدل‌های هوش مصنوعی مولد مانند Midjourney و DALL-E اشاره می‌کند که می‌توانند تصاویر را از ورودی‌های متنی تولید کنند. این مدل‌ها با فشرده‌سازی عناصر تصاویر موجود، توانایی ایجاد تصاویر جدید را دارند.

فرض کنید شما متنی را برای ایجاد تصویری از یک اسب می‌نویسید. این مدل‌ها بر اساس تعداد زیادی از تصاویر اسب آموزش دیده‌اند و این تصاویر به نحوی فشرده شده‌اند که مدل‌ها بتوانند عناصری را که می‌توان آن‌ها را “اسب‌گونه” نامید، به دست آورند. هوش مصنوعی سپس می‌تواند تصویری جدید ایجاد کند که این عناصر را در بر دارد.

کد ژنتیکی ما تا حدودی شبیه به DALL-E عمل می‌کند. به طور مشابه، ژنوم انسانی نیز با استفاده از اطلاعات فشرده شده‌ای که طی فرآیند تکامل جمع‌آوری شده‌اند، قادر به ایجاد موجودات جدید است. این اطلاعات امکان تغییر و تطبیق زیادی دارند و به همین دلیل موجودات زنده با وجود شباهت‌های ژنتیکی، تفاوت‌های زیادی با یکدیگر دارند.

نیاز به استعاره‌های جدید برای درک بهتر ژنوم

Mitchell معتقد است که برای درک بهتر ژنوم و نقش‌های پیچیده آن، نیاز به استعاره‌های دقیق‌تری داریم. فناوری‌های جدید به دانشمندان این امکان را می‌دهد که عمیق‌تر از همیشه به مطالعه ژن‌ها بپردازند و نقش آن‌ها را در توسعه موجودات زنده بررسی کنند.

او امیدوار است که این مفاهیم جدید به توسعه مدل‌های ریاضی کمک کند و به ما درک بهتری از پیچیدگی‌های روابط بین ژن‌ها و موجوداتی که از آن‌ها به وجود می‌آیند بدهد. به عبارتی دقیقاً چگونه اجزای ژنوم ما به توسعه ما کمک می‌کنند.

مطالب مرتبط

کارشناسان آب و هوا بر سر این موضوع که کدامیک از دو روش هوش مصنوعی یا روش‌های سنتی، موثرتر هستند، اختلاف نظر دارند. در مدل جدیدی که که توسط شرکت Google توسعه یافته، پیش بینی آب و هوا با هوش مصنوعی و فیزیک انجام می شود. در واقع محققان به هر دو روش متکی هستند.

محققان گوگل یک مدل جدید پیش‌ بینی وضعیت آب و هوا ساخته‌اند که یادگیری ماشین را با تکنیک‌های معمولی ترکیب می‌کند. این احتمال وجود دارد که پیش‌ بینی‌های دقیقی را با هزینه کمتری ارائه دهد.

این مدل که NeuralGCM نام دارد و در مقاله‌ای در Nature شرح داده شده است، شکافی که در سالهای اخیر میان کارشناسان پیش‌ بینی وضعیت آب و هوا ایجاد شده است را پر می‌کند.

سرعت و دقت پیش‌ بینی با NeuralGCM

تکنیک‌های جدید یادگیری ماشین که وضعیت آب و هوا را با یادگیری از داده‌های سال‌های گذشته پیش‌ بینی می‌کنند، بسیار سریع و کارآمد هستند. اما ممکن است در پیش‌ بینی‌های بلندمدت مشکل داشته باشند.

از طرف دیگر مدل‌های گردش عمومی، که در ۵۰ سال گذشته برای پیش‌ بینی وضعیت آب و هوا استفاده می شدند، از معادلات پیچیده‌ای برای مدل ‌سازی تغییرات جوی استفاده می‌کنند. این مدل ها پیش‌ بینی‌های دقیقی ارائه می‌دهند، اما بسیار کند و پرهزینه هستند.

کارشناسان در مورد اینکه کدام ابزار در آینده قابل اعتمادتر خواهد بود، اختلاف نظر دارند. اما مدل جدید google تلاش می‌کند هر دو را ترکیب کند.

Stephan Hoyer ، پژوهشگر هوش مصنوعی در Google Research می‌گوید: “این موضوع فیزیک در مقابل هوش مصنوعی نیست. در واقع ترکیب فیزیک و هوش مصنوعی است.”

سیستم جدید همچنان از یک مدل سنتی برای کار کردن برخی از تغییرات بزرگ جوی که برای پیش‌ بینی لازم است، استفاده می‌کند. سپس در جایی که مدل‌های بزرگتر معمولاً ناکام می‌مانند، هوش مصنوعی را وارد می‌کند.

این سیستم معمولاً برای پیش‌ بینی در مقیاس‌های کوچکتر از حدود ۲۵ کیلومتر، مانند پیش‌ بینی تشکیل ابرها یا اقلیم‌های منطقه‌ای (مثلاً مه در سان‌فرانسیسکو) عملکرد خوبی دارد.Hoyer  می گوید:”در این جا ما هوش مصنوعی را به طور انتخابی برای اصلاح خطاهایی که در مقیاس‌های کوچک به وجود می آیند، وارد می‌کنیم.”

مطالب مرتبط : ElevenLabs  ابزار تولید افکت های صوتی مبتنی بر هوش مصنوعی را عرضه می کند

مزایای مدل ترکیبی NeuralGCM

به گفته محققان، نتیجه مدلی است که می‌تواند پیش‌ بینی‌های با کیفیت را سریع‌تر و با توان محاسباتی کمتر تولید کند. آنها می‌گویند NeuralGCM به اندازه پیش‌ بینی‌های یک تا ۱۵ روزه مرکز پیش‌ بینی میان‌مدت جوی اروپا (ECMWF) که یک سازمان شریک در این پژوهش است، دقیق است.

اما وعده واقعی فناوری‌هایی مانند این، بهبود پیش‌ بینی‌های آب و هوا در منطقه محلی شما نیست. بلکه برای بهبود پیش‌ بینی‌ها در رویدادهای اقلیمی بزرگتری است که مدل ‌سازی آنها با تکنیک‌های معمولی بسیار پرهزینه است.

این امکانات می‌تواند از پیش‌ بینی طوفان‌های گرمسیری تا مدل ‌سازی تغییرات اقلیمی پیچیده‌تر که سال‌ها با آن فاصله دارند، متغیر باشد.

آینده پیش‌ بینی آب و هوا با هوش مصنوعی

به نظر Aaron Hill استادیار دانشکده هواشناسی دانشگاه اوکلاهما، شبیه ‌سازی مکرر کره زمین یا برای مدت های طولانی، بسیار پرهزینه است.  این بدان معناست که بهترین مدل‌های آب و هوایی به دلیل هزینه‌های بالای توان محاسباتی محدود می‌شوند.

مدل‌های مبتنی بر هوش مصنوعی واقعاً فشرده‌تر هستند. آموزش معمولاً با استفاده از داده‌های ۴۰ ساله آب و هوا از ECMWF انجام می‌شود. پس از آن یک مدل یادگیری ماشین مانند Google GraphCast می‌تواند با کمتر از ۵۵۰۰ خط کد اجرا شود. در حالی که مدل اداره ملی اقیانوسی و جوی، نزدیک به ۳۷۷۰۰۰ خط کد نیاز دارد.

به گفته Hill ، NeuralGCM به خوبی نشان می‌دهد که هوش مصنوعی می‌تواند برای بخش‌های خاصی از مدل ‌سازی آب و هوا وارد شود و در حالی که همچنان مزایای سیستم‌های سنتی حفظ می‌شود، فرآیندها را سریع‌تر کند. او می‌گوید: “ما نیازی نداریم تمام دانشی که در ۱۰۰ سال گذشته درباره نحوه کار جو به دست آورده‌ایم را دور بیندازیم. ما می‌توانیم در واقع آن را با قدرت هوش مصنوعی و یادگیری ماشین ترکیب کنیم.”

Hoyer می‌گوید استفاده از این مدل برای پیش ‌بینی وضعیت آب و هوای کوتاه‌ مدت مفید بوده تا دقت پیش ‌بینی‌ها را تایید کند. اما هدف اصلی این است که بتوان از آن برای مدل ‌سازی بلند مدت، به‌ ویژه برای خطرات شدید آب و هوایی استفاده کرد.

مدل NeuralGCM منبع باز خواهد بود. Hoyer می‌گوید منتظر است تا دانشمندان هواشناسی از این مدل در تحقیقات خود استفاده کنند. اما ممکن است این مدل فقط برای دانشگاهیان جذاب نباشد. بلکه تاجران کالا و برنامه ‌ریزان کشاورزی بنیز به دنبال پیش‌ بینی‌هایی با وضوح بالا هستند.

همچنین مدل‌های مورد استفاده شرکت‌های بیمه، در تلاش هستند که تاثیر تغییرات آب و هوایی را برای مواردی مانند بیمه سیل یا بیمه آب و هوای شدید، در نظر بگیرند.

Hill می‌گوید با پیشرفت های اخیر در پیش‌ بینی وضعیت آب و هوا ، بسیاری از کارشناسان به هوش مصنوعی روی آورده اند. اما به علت سرعت بالای توسعه، همگام شدن با پیشرفت برای جامعه پژوهشی سخت است.

او می‌گوید: “به نظر می‌رسد هر دو ماه یک مدل جدید توسط Google, Nvidia,  یا Huawei منتشر می‌شود. برای محققان دشوار است که بفهمند کدام ابزارهای جدید مفیدتر خواهند بود و بر اساس آن برای دریافت بودجه تحقیقاتی اقدام کنند.”

مطالب مرتبط

تاثیر SSD در کاهش انرژی زیرساخت‌های  AI، به ایجاد زیرساخت‌های پایدارتر و سازگارتر با محیط زیست منجر می‌شود. در حالی که هوش مصنوعی (AI) به مصرف‌ کننده بزرگ انرژی تبدیل شده است، توان محاسباتی مورد نیاز برای AI/ML هر شش ماه دو برابر می‌شود.

شرکت‌های بزرگی مانند AWS، Microsoft و Google به دنبال کاهش ردپای کربنی، افزایش کارایی و کاهش هزینه‌های انرژی هستند.

به همین منظور، زیرساخت‌های IT به سمت معماری محاسباتی توزیع ‌شده و استفاده از پردازنده‌های متنوع (مانند CPUهای مبتنی بر ARM و پردازنده‌های SoC) حرکت می‌کنند.

بارهای کاری بزرگ AI، به شدت به حافظه و شبکه وابسته‌اند. برای حجم بالای داده‌ها در مقیاس پتابایت و اگزابایت، بهینه ‌سازی مصرف انرژی و کارایی زیرساخت ذخیره‌ سازی ضروری است.

بهبود ارتباط بین ذخیره‌ سازی، حافظه و GPUها با استفاده از SSDهایی که قابلیت‌های محاسباتی دارند، برای دستیابی به اهداف کارایی و پایداری انرژی شرکت‌ها حیاتی است.

در ادامه ، تاثیر SSD در کاهش انرژی زیرساخت‌های  AI را شرح می دهیم.

تاثیر مراکز داده در مصرف انرژی

مراکز داده به دلیل مصرف انرژی بالا و اثرات زیست‌ محیطی، مورد توجه قرار گرفته‌اند. بر اساس گزارش وزارت انرژی ایالات متحده، مراکز داده تا ۵۰ برابر بیشتر از ساختمان‌های اداری تجاری معمولی انرژی مصرف می‌کنند.

در سال ۲۰۲۲، مصرف انرژی این بخش‌ها تقریباً ۲ درصد از تقاضای جهانی انرژی را تشکیل می‌داد و پیش ‌بینی می‌شود تا سال ۲۰۲۶ این تقاضا دو برابر شود.

مطالب مرتبط : فناوری جدید فشرده‌ سازی شفاف در SSD – ذخیره‌ سازی بیشتر و نگرانی کمتر

راهکارهای SSD در بهبود کارایی انرژی

SSDها با ذخیره‌ سازی داده‌ها بر روی مدارهای مجتمع و استفاده از حافظه فلش، سرعت دسترسی به داده‌ها را افزایش داده و مصرف انرژی را کاهش می‌دهند. این دستگاه‌ها در مقایسه با HDDهای سنتی، دارای سرعت دسترسی بالاتر، مصرف انرژی کمتر، دوام بیشتر و عملیات بی ‌صداتر هستند.

در راهکارهای محاسباتی ذخیره‌ سازی مانند SSDها، بخشی از پردازش داده‌ها به صورت محلی روی درایو انجام می‌شود، که منجر به کاهش تأخیر و مصرف انرژی می شود و استفاده از پهنای باند را کاهش می دهد. این رویکرد باعث افزایش حریم خصوصی و امنیت داده‌ها می‌شود.

استفاده از پردازنده‌های مبتنی بر ARM

پردازنده‌های مبتنی بر ARM با طراحی معماری RISC پیشرفته، مصرف انرژی کمتر و کارایی بهتری نسبت به معماری‌های سنتی x86 CISC دارند. این پردازنده‌ها با مصرف انرژی کمتر و کارایی بالاتر، گزینه محبوبی برای الگوریتم‌های AI و ML در مراکز داده هستند.

نتیجه‌گیری

فناوری‌های نوین SSD با فشرده ‌سازی و تسریع ذخیره سازی داده‌ها، عملکرد و کارایی را دو برابر می‌کنند و به مشتریان در دستیابی به پایداری سیستم کمک می‌کنند.

فناوری‌های نوآورانه SSD ،  سرعت AI در زیرساخت‌های داده‌ای موجود را افزایش می دهند و توازن بین پیشرفت های تکنولوژیکی و مسئولیت زیست‌ محیطی را حفظ می‌کند.  SSD به عنوان یک راهکار محاسباتی ذخیره ‌سازی، به کسب ‌و کارها کمک می‌کند تا از زیرساخت‌های داده‌ای خود بهره‌وری بیشتری ببرند.

مطالب مرتبط