۱۰ فناوری علمی که در سال ۲۰۱۸ در کانون توجه قرار دارند

موبنا –  افراد اغلب اوقات می‌پرسند، مفهوم دقیق پیشرفت چیست؟ سؤالی منطقی است؛ بعضی از پیشرفت‌ها هنوز به کاربرد گسترده نرسیده‌اند درحالی‌که بعضی از آن‌ها در مقیاس وسیع تجاری در دسترس قرار دارند. هدف این مطلب، معرفی یک فناوری یا مجموعه‌ای از فناوری‌ها است که تأثیر عمیقی بر زندگی انسان داشته‌اند.

امسال، یک فناوری جدید در هوش مصنوعی موسوم به GAN، امکان خیال‌پردازی و تصور را برای ماشین‌ها فراهم کرده است، فناوری جنین‌های مصنوعی با وجود محدودیت‌های اخلاقی، به تعریف مجدد خلق حیات و زندگی می‌پردازند و پنجره‌ای به سمت پژوهش لحظه‌های اولیه‌ی حیات انسان باز می‌کنند؛ یک واحد آزمایشگاهی در قلب صنایع پتروشیمی تگزاس، در تلاش است از گاز طبیعی به تولید انرژی پاک بپردازد که یک منبع انرژی بزرگ برای آینده‌ای نه‌چندان دور به شمار می‌رود. این فناوری‌ها به همراه فناوری‌های دیگر ارزش پژوهش و بررسی را دارند.

۱. پرینت سه‌بعدی فلز

سال‌ها از اختراع پرینت سه‌بعدی می‌گذرد؛ اما این فناوری هنوز هم در دسترس طراحانی قرار دارد که نمونه‌های یک‌بارمصرف تولید می‌کنند. پرینت اشیاء به‌غیر از مواد پلاستیکی و به‌ویژه فلز، بسیار پرهزینه و کند است.

با این حال امروزه راه کاربردی بالقوه‌ای برای تولید ارزان و آسان قطعات تولیدی ارائه شده است. در صورتی که این فناوری در سطح وسیع تطبیق پیدا کند، می‌تواند تولید انبوه بسیاری از محصولات را متحول سازد.

در کوتاه‌مدت، تولید‌کنندگان نیاز به انبارهای بزرگ ندارند؛ بلکه می‌توانند مثلا یک قطعه‌ی جایگزین برای خودرویی قدیمی را در صورت نیاز به آن تولید کنند. در طولانی‌مدت، کارخانه‌های بزرگی که در سطح انبوه به تولید طیف محدودی از قطعات می‌پردازند، جای خود را به کارخانه‌های کوچک‌تری می‌دهند که انواع محصولات را منطبق با نیازهای متغیر مصرف‌کننده تولید می‌کنند.

فناوری می‌تواند امکان تولید قطعات قوی‌تر و سبک‌تر و شکل‌های پیچیده‌تر را فراهم کند که امکان تولید آن‌ها با روش‌های معمولی تولید فلز وجود ندارد. همچنین می‌تواند کنترل دقیق‌تر میکروسازه‌‌های فلزی را فراهم کند. در سال ۲۰۱۷، پژوهشگران آزمایشگاه ملی لاورنس لیورمور اعلام کردند در حال توسعه‌ی یک روش پرینت سه‌بعدی برای ساخت قطعات فولاد ضد‌ زنگ با مقاومت دو برابر انواع سنتی هستند.

در سال ۲۰۱۷، یک شرکت پرینت‌ سه‌بعدی معروف به مارک فورجد، به‌عنوان یک استارت‌آپ کوچک خارج از بوستون، یک مدل پرینتر سه‌بعدی فلز را با قیمت زیر صد هزار دلار عرضه کرد.

یک استارت‌آپ دیگر در بوستون به نام دسکتاپ متال، اولین دستگاه‌های نمونه‌سازی فلزی خود را در دسامبر ۲۰۱۷ عرضه کرد. این شرکت برای آغاز فروش دستگاه‌های بزرگ‌تر تولیدی برنامه‌ریزی کرده است که صد برابر سریع‌تر از روش‌های پرینت قدیمی‌تر هستند.

پرینت قطعات فلزی روز‌به‌روز آسان‌تر می‌شود. امروزه شرکت دسکتاپ متال نرم‌افزاری پیشنهاد داده است که طرح‌های آماده‌ را برای پرینت سه‌بعدی تولید می‌کند. کاربران ویژگی شیء مورد نظر را در اختیار برنامه قرار می‌دهند و این نرم‌افزار به تولید یک مدل کامپیوتری مناسب برای پرینت می‌پردازد.

GE که یکی از هواداران استفاده از پرینت سه‌بعدی در محصولات هوانوردی است، یک نسخه‌ی آزمایشی از پرینتر جدید فلز را در اختیار دارد که از سرعت کافی برای تولید قطعات بزرگ برخوردار است. هدف این شرکت آغاز فروش پرینتر در سال ۲۰۱۸ است.

۲. جنین‌های مصنوعی

جنین‌شناسان دانشگاه کمبریج انگلستان در یک جهش فناوری در جهت تعریف مجدد شکل‌گیری حیات انسان، به پرورش جنین‌های شبه‌واقعی موش تنها با استفاده از سلول‌های بنیادی پرداخته‌اند. هیچ تخم یا اسپرمی در کار نیست، فقط سلول‌ها از یک جنین دیگر گرفته می‌شوند.

پژوهشگران سلول‌ها را با دقت در یک پوشش سه‌بعدی قرار دادند و نتیجه، انتقال و منظم‌سازی آن‌ها به شکل پوشش چندروزه‌ی جنین موش بود. به‌گفته‌ی ماگدلنا زرنیکا گوئتز، سرپرست تیم پژوهش:

می‌دانیم سلول‌های بنیادی به‌خاطر پتانسیل بالایی که دارند، شگفت‌انگیز هستند. اما نمی‌دانستیم که قادرند به زیبایی و به‌ شکلی بی‌نقص به سازماندهی خود بپردازند.

زرنیکا گوئتز می‌گوید جنین‌های ساختگی او شاید نتوانند در بدن موش‌ها رشد کنند؛ اما این بررسی‌ها ثابت می‌کنند که تولید مثل پستانداران بدون نیاز به تخمک امکان‌پذیر است. البته این هدف اصلی زرنیکا گوئتز نیست. هدف او پاسخ به این سؤال است که چگونه سلول‌های یک جنین نقش‌های ویژه‌‌ی خود را بر عهده می‌گیرند. مرحله‌ی بعدی، ساخت یک جنین مصنوعی از سلول‌های بنیادی انسانی است. این پروژه در دانشگاه‌ میشیگان و راکفلر پیگیری می‌شود.

جنین‌های مصنوعی انسانی می‌توانند به دانشمندان در رفع ابهام توسعه‌ی اولیه‌ی جنین کمک کنند و از آنجا که این جنین‌ها با سلول‌های بنیادی دستکاری‌شده آغاز می‌شوند، آزمایشگاه‌ها می‌توانند از طیف کاملی از ابزار از جمله ویرایش ژنتیکی برای بررسی‌ آن‌ها در حین رشد استفاده کنند.

با این حال، جنین‌های انسانی، مسائل اخلاقی متعددی در پی دارند. اگر تشخیص آن‌ها از جنین‌های واقعی غیر ممکن شود، چه اتفاقی رخ می‌دهد؟ تا چه مدت قبل از احساس درد می‌توانند در آزمایشگاه رشد کنند؟ قبل از پیشرفت علم باید به این سؤال‌ها پاسخ داد.

۳. شهر هوشمند

طرح‌های مختلف شهر هوشمند به تأخیر افتاده‌اند، اهداف بلندپروازانه‌ی آن‌ها کاهش یافته‌ است و همه چیز غیر از سرمایه‌ی زیاد را ارزیابی کرده‌اند. یک پروژه‌ی جدید در تورنتو به نام کوای ساید امیدوار است بتواند الگوی شکست‌ها را با بازنگری در حومه‌ی شهرها تغییر دهد و بر اساس آخرین فناوری‌ها به بازسازی شهر بپردازد.

آزمایشگاه‌های الفابت در شهر نیویورک در پروژه‌های فناوری با دولت کانادا همکاری می‌کنند؛ اسکله‌ی صنعتی تورنتو یکی از اهداف این پروژه‌ها است. یکی از اهداف پروژه‌ها این است که مبنای تصمیم‌گیری در مورد طراحی، سیاست‌گذاری و فناوری را بر اطلاعات یک شبکه‌ی گسترده از حسگرها قرار دهند که به جمع‌آوری اطلاعات در مورد طیف وسیعی از موضوع‌ها مثل کیفیت هوا یا سطوح نویز و فعالیت‌های مردم می‌پردازد.

این طرح نیازمند وسایل نقلیه‌ی خودکار و مشترک است. ربات‌های زیرزمینی، کارهای دشواری مثل حمل‌ونقل پستی را انجام می‌دهند. شرکت سایدواک لبز می‌گوید دسترسی به نرم‌افزار آزاد است و سیستمی ایجاد می‌شود که به واسطه‌ی آن شرکت‌های دیگر می توانند خدمات خود را ارائه کنند؛ به‌طوری که مردم بتوانند اپلیکیشن‌های تلفن همراه خود را بسازند.

هدف این شرکت نظارت دقیق بر زیرساخت عمومی است و این مسئله منجر به بروز نگرانی‌هایی در مورد حریم شخصی و نظارت بر داده‌ها شده است. اما سایدواک لبز معتقد است که می‌تواند در همکاری با جامعه و دولت محلی این نگرانی‌ها را کاهش دهد. ریت آگاروالا، مدیر اجرایی مسئول برنامه‌ریزی سیستم‌های شهری سایدواک لبز، می‌گوید:

نکته‌ی حائز اهمیت در مورد تلاش ما برای عملکرد در ناحیه‌ی کی‌ساید این است که پروژه‌ی زیاد نه‌تنها بلندپروازانه نیست؛ بلکه حتی بسیار متواضعانه است. این فروتنی به کی‌ساید کمک می‌کند از نقص‌هایی که در نوآوری‌های قبلی شهر هوشمند وجود داشت، اجتناب کند.

بر اساس اعلام سازمان عمومی ناظر بر توسعه‌ی کی‌ساید در اسکله‌ی صنعتی تورنتو،  شهرهای دیگر آمریکای شمالی در حال انتقال به لیست سایدواک لبز هستند. به‌گفته‌ی ویل فلیسینگ، مدیر عامل این سازمان، شهرهای بعدی سانفرانسیسکو، دنور، لس‌آنجلس و بوستون هستند.

۴. هوش مصنوعی برای همه

هوض مصنوعی در حال حاضر به یکی از نقاط تمرکز اصلی شرکت‌های بزرگ فناوری مثل آمازون، بایدو، گوگل، مایکروسافت و همچنین بعضی از استارت‌آپ‌ها تبدیل شده است. برای بسیاری از شرکت‌های دیگر و دیگر بخش‌های اقتصاد، سیستم‌های هوش مصنوعی بسیار پرهزینه هستند و پیاده‌سازی کامل آن‌ها دشوار است.

اما راه‌ حل چیست؟ ابزار یادگیری ماشین مبتنی بر ابر، هوش مصنوعی را به حوزه‌ی وسیع‌تری از مخاطبان عرضه می‌کند. تا این لحظه، سرویس ابری آمازون (AWS)، بر فضای ابری هوش مصنوعی تسلط یافته است. گوگل هم با TensorFlow دست و پنجه نرم می‌کند که یک کتابخانه‌ی اوپن سورس هوش مصنوعی است و می‌توان از آن برای ساخت دیگر نرم‌افزارهای یادگیری ماشین استفاده کرد. اخیرا گوگل، به معرفی Cloud AutoML پرداخته است؛ یک مجموعه از سیستم‌های پیش آموزشی که می‌تواند کاربرد هوش مصنوعی (AI) را ساده‌تر سازد.

در حال حاضرمایکروسافت که دارای بیک پلتفرم ابری هوش مصنوعی موسوم به آژور است، برای ارائه‌ی یک کتابخانه‌ی اوپن سورس یادگیری عمیق موسوم به Gluon، با آمازون همکاری می‌کند. هدف Gluon ساده‌سازی تولید شبکه‌های عصبی به اندازه‌ی یک اپلیکیشن تلفن همراه است؛ شبکه‌های عصبی، فناوری کلیدی AI هستند که از نحوه‌ی یادگیری مغز انسان تقلید می‌کنند.

هنوز مشخص نیست کدام یک از این شرکت‌ها در ارائه‌ی خدمات ابری هوش مصنوعی پیشتاز هستند. اما این یک فرصت بزرگ تجاری برای برندگان به شمار می‌رود. اگر تحول هوش مصنوعی به بخش‌های مختلف اقتصاد برسد، این محصولات هم ضرورت پیدا می‌کنند.

در حال حاضر بیشترین کاربرد هوش مصنوعی در صنایع فناوری است که به تولید محصولات و ارائه‌ی خدمات جدید می‌پردازد. اما بسیاری از کسب‌وکارها و صنایع دیگر در کاربرد مزیت پیشرفت‌های هوش مصنوعی دچار مشکل هستند. بخش‌هایی مثل پزشکی، تولید و انرژی هم در صورتی قابل انتقال هستند که قادر به پیاده‌سازی کامل فناوری با بازدهی بالای فناوری باشند.

البته اغلب شرکت‌ها هنوز افراد کافی و آگاه از نحوه‌ی کاربرد هوش مصنوعی ابری در اختیار ندارند. بنابراین آمازون و گوگل در حال حاضر مشغول تنظیم خدمات مشاوره هستند. زمانی که فضای ابری بتواند فناوری را تقریبا در دسترس همه قرار دهد، تحول واقعی هوش مصنوعی آغاز خواهد شد.

۵. شبکه‌های عصبی مبارز

در حال حاضر هوش مصنوعی در شناسایی اشیاء عملکرد بسیار خوبی دارد: وقتی میلیون‌ها تصویر به آن نشان دهید، می‌تواند با دقت عجیبی به شما بگوید کدام یک عابر پیاده‌ای را در حال رد شدن از خیابان نشان می‌دهد. فعلا هوش مصنوعی در تولید تصاویر زنده از عابران پیاده ناتوان است؛ اما اگر بتواند این کار را انجام دهد، تکه‌هایی از واقعیت را می‌سازد و تصاویر ساختگی، عابران پیاده‌ را در تنظیمات مختلف نمایش می‌دهند؛ به‌طوری که یک خودروی بدون راننده بتواند بدون طی مسیر جاده از آن‌ها برای آموزش خود استفاده کند.

اما مشکل، ساخت یک محصول کاملا جدید است که نیازمند قدرت تصور باشد و همین هوش مصنوعی را پیچیده کرده است. راه حل در ابتدا در یان گودفیلو ارائه شد سپس یکی از دانشجوهای دکترای دانشگاه مونترآل در یک بحث آکادمیک در سال ۲۰۱۴ به آن دست یافت.  این روش که به شبکه‌ی تعمیم‌یافته‌ی مبارز (GAN) معروف است، دو شبکه‌ی عصبی را به‌عنوان ورودی می‌گیرد. این دو شبکه مدل‌های ریاضی ساده‌ای از مغز انسان هستند که بر مدرن‌ترین نوع یادگیری ماشین تأکید می‌کنند. سپس این دو شبکه در یک بازی دیجیتال موش و گربه مقابل هم قرار می‌گیرند.

هر دو شبکه روی یک مجموعه‌ی یکسان داده‌ای آموزش داده شده‌اند. یکی از شبکه‌ها که سازنده نامیده می‌شود، تغییراتی در تصاویر دیده‌شده اعمال می‌کند. این تصویر می‌تواند تصویر یک عابر پیاده یا یک بازوی اضافه باشد. دومین شبکه که تفکیک‌کننده است، بررسی می‌کند که تصویر دیده‌شده مشابه تصویری است که آموزش دیده یا یک نسخه‌ی تقلبی توسط سازنده است، مثلا بررسی می‌کند که آیا شخص با سه بازو مشابه نمونه‌ی واقعی است؟

به مرور زمان، سازنده می‌تواند به اندازه‌ای در تولید تصاویر موفق شود که تفکیک‌کننده قادر به تشخیص تصاویر تقلبی نباشد. سازنده برای تشخیص و سپس ساخت تصاویر شبه واقعی از عابران پیاده، آموزش می‌بیند.

فناوری به یکی از نویدبخش‌ترین پیشرفت‌های هوش مصنوعی در دهه‌ی گذشته دست یافتهکه قادر است به ماشین‌ها در تولید نتایج گمراه‌کننده حتی برای انسان‌ها کمک کند.

GANها از سخنرانی شبه واقعی و پردازش تصویر تقلبی شبه عکس استفاده می‌کنند. در یک مثال پرتنش، پژوهشگران از سازنده‌ی تراشه Nvidia به آماده‌سازی یک GAN با تصاویری از اشخاص معروف پرداختند تا صدها تصویر معتبر از افرادی که وجود نداشتند تولید کنند. یک گروه پژوهشی دیگر نقاشی‌های تقلبی مشابه آثار ون گوگ تولید کرد. GAN-ها در مرحله‌ی بعدی می‌توانند تصاویر را به شیوه‌های مختلف تصور کنند؛ مثلا یک جاده‌ی آفتابی را به یک جاده‌ی برفی تبدیل کنند یا اسب را به گورخر تبدیل کنند.

نتیجه‌ها همیشه بی‌نقص نیستند: GAN-ها می‌توانند دو دسته برای دوچرخه در نظر بگیرند یا مثلا ابرو را در محل اشتباهی از صورت قرار دهند. اما به این دلیل که تصاویر و صداها اغلب واقعی هستند، به عقیده‌ی بعضی کارشناسان  GAN-ها می‌توانند به درک و تأکید بر ساختار جهانی که می‌بینند و می‌شنوند بپردازند؛ و این یعنی AI همراه با درک تصور، می‌تواند به توانایی مستقل درک مشاهدات در دنیای اطراف خود هم برسد.

۶. ایرباد بابل فیش

در  داستان علمی تخیلی راهنمای مسافر به کهکشان، یک بابل فیش زرد (یک نوع ماهی کوچک) را در گوش خود قرار می‌دهید تا ترجمه‌ها را به‌سرعت دریافت کنید. در دنیای واقعی، گوگل یک راه‌ حل موقتی ارائه داده است. یک جفت ایرباد ۱۵۹ دلاری به نام پیکسل بادز. این وسیله منطبق با تلفن‌های هوشمند پیکسل و اپلیکیشن گوگل ترنسلیت، به ترجمه‌ی کاربردی زمان واقعی می‌پردازد.

در یک طرف شخص ایرباد را در گوش خود قرار می‌دهد و مخاطب او ترجمه را دریافت می‌کند. کاربر ایرباد به زبان بومی خود، مثلا انگلیسی پیش‌فرض صحبت می‌کند و اپلیکیشن، صحبت‌های او را ترجمه و روی تلفن پخش می‌کند. مخاطب در آن طرف خط تلفن پاسخ می‌دهد، این پاسخ ترجمه و از طریق ایرباد پخش می‌شود.

گوگل ترنسلیت در حال حاضر ویژگی مکالمه را دارد و اپلیکیشن‌های iOS و اندروید آن امکان صحبت دو کاربر را ارائه می‌دهند و به‌صورت خودکار به محاسبه‌ی زبان و سپس ترجمه‌ی آن می‌پردازد. اما نویز پس‌زمینه می‌تواند درک گفته‌های افراد و همچنین تشخیص زمان توقف مکالمه و شروع ترجمه را دشوار سازد.

پیکسل بادز این مشکل را برطرف کرده است، زیرا کاربر می‌تواند در حین صحبت انگشت خود را در سمت راست ایرباد حرکت دهد. تقسیم تعامل بین تلفن و ایرباد امکان کنترل میکروفون را برای هر شخص فراهم می‌کند و به حفظ تماس چشمی گوینده ها هم کمک می‌کند و دیگر نیازی به جابه‌جایی تلفن نخواهند داشت.

پیکسل بادز ظاهر مسخره‌ای دارد و ممکن است به‌خوبی در گوش شما جای نگیرد. تنظیم و تطبیق آن‌ها با تلفن هم دشوار است. البته می‌توان سخت‌افزار آن را اصلاح کرد. پیکسل بادز قول ارتباط قابل درک بین زبان‌ها را در زمان واقعی داده است.

۷. گاز طبیعی با کربن صفر

جهان به‌شدت بر مسئله‌ی گاز به‌عنوان یکی از منابع اصلی برق برای آینده‌ی قابل پیش‌بینی تأکید دارد. گاز طبیعی ارزان با دسترسی آسان، برای سی درصد از برق ایالات متحده و ۲۲ درصد از برق سراسر جهان در نظر گرفته شده است. البته گاز طبیعی تمیزتر از زغا‌ل سنگ است؛ ولی هنوز هم منبع عظیمی از نشر کربن به شمار می‌رود.

یک واحد برق آزمایشی خارج از هیوستون در قلب صنایع پالایشگاهی و پتروشیمی ایالات متحده در حال تست تکنیکی است که به تولید انرژی پاک از گاز طبیعی می‌پردازد. شرکت پشتیبانی پروژه‌ی ۵۰ مگاواتی موسوم به Net Power معتقد است که می‌تواند مثل واحدهای استاندارد گاز طبیعی، با هزینه‌ای اندک به تولید برق بپردازد و کل کربن دی‌اکسید آزادشده در فرآیند را جذب کند.

در این صورت، روشی برای تولید انرژی بدون کربن از سوخت فسیلی با یک هزینه‌ی معقول در جهان عرضه خواهد شد. این واحدهای گاز طبیعی را می‌توان بر حسب نیاز تقویت کرد و به این ترتیب از هزینه‌های بالای توان هسته‌ای اجتناب کرد و به سمت تأمین غیر پایدار منابع تجدیدپذیر گام برداشت.

Net Power یک همکاری بین سازمان توسعه‌ی فناوری ۸ Rivers Capital، Exelon Generation و تولید انرژی CB&I است. این شرکت در مرحله‌ی قرارداد و آغاز تست اولیه است. هدف این شرکت، رسیدن به نتایجی از ارزیابی‌های اولیه‌ در ماه‌های آینده است.

این واحد، کربن‌ دی اکسید نشریافته از سوخت گاز طبیعی را تحت فشار و گرمای شدید قرار می‌دهد و بعد از رسیدن به حالت آماده به انفجار، از آن به‌عنوان سیالی برای  راه‌اندازی توربین استفاده می‌کند. بیشتر حجم کربن دی‌اکسید را می‌توان به‌صورت پیوسته بازیافت کرد؛ باقی‌مانده‌ی آن را می‌توان با هزینه‌ی کم به دست آورد.

یک بخش کلیدی کاهش هزینه‌ها به فروش کربن دی‌اکسید حاصل وابسته است. امروزه، هدف اصلی، کمک به استخراج نفت از چاه‌های پتروشیمی است. بازار این فرآیند محدود است و صرفا یک بازار سبز به سود محیط زیست به شمار نمی‌رود. با این حال، Net Power امیدوار است نیاز به کربن دی‌اکسید در تولید سیمان و پلاستیک و دیگر فرآورده‌های کربن‌محور افزایش پیدا کند.

فناوری Net Power تمام مشکلات گاز طبیعی به‌ویژه مشکلات استخراج را حل نمی‌کند. اما از آنجا که ما از گاز طبیعی استفاده می‌کنیم، می‌توانیم به مصرف پاک و تمیزی از آن برسیم. از تمام فناوری‌های در حال توسعه‌ی انرژی پاک، Net Power یکی از پیشرفته‌ترین فناوری‌ها است که نویدی فراتر از یک پیشرفته حاشیه‌ای در کاهش نشر کربن می‌دهد.

۸. حریم شخصی آنلاین بی‌نقص

بالاخره حریم شخصی بی‌نقص و کامل به لطف یک ابزار جدید امکان‌پذیر خواهد شد؛ برای مثال این ابزار بدون افشای تاریخ تولد، ثابت می‌کند شما بیش از ۱۸ سال سن دارید یا بدون افشای تراز یا جزئیات دیگر ثابت می‌کند برای یک تراکنش مالی به اندازه‌ی کافی پول در حساب خود دارید. این ویژگی ریسک نقض حریم شخصی یا سرقت هویت را محدود می‌کند.

این ابزار یک پروتکل رمزنگاری نوظهور معروف به اثبات دانایی صفر است. پژوهشگرها سال‌ها است که مشغول کار روی این پروتکل هستند؛ اما در سال گذشته علاقه به آن به‌ دلیل افزایش کاربرد ارزهای رمزی غیر خصوصی، چندبرابر شده است.

بیشترین اعتبار اثبات کاربردی دانایی صفر به Zcash برمی‌گردد، Zcash ارزی است که در اواخر ۲۰۱۶ پیاده‌سازی شد. توسعه‌دهندگان Zcash از روشی به نام zk-SNARK  استفاده کردند تا امکان تراکنش ناشناس را برای کاربران فراهم کنند.

این کار معمولا در بیت‌کوین و اغلب سیستم‌های بلاکچین عمومی امکان پذیر نیست؛ در این سیستم‌ها تراکنش‌ها برای همه قابل نمایش است. این تراکنش‌ها از نظر تئوری بی‌نام هستند؛ اما می‌توان آن‌ها را برای پیمایش و شناسایی کاربران با داده‌های دیگر ترکیب کرد. ویتالیک بوترین (خالق اتریوم) دومین شبکه‌ی بلاکچین معروف در سراسر دنیا، zk-SNARK را به‌عنوان یک فناوری کاملا تغییردهنده‌ی بازی تعریف می‌کند.

به این ترتیب بانک‌ها می‌توانند بدون قربانی‌ کردن حریم شخصی مشتریان خود، از بلاک‌چین‌ها در سیستم‌های پرداخت خود استفاده کنند. سال گذشته جی پی مورگان، zk SNARK را به‌ سیستم پرداخت بلاک‌چین خود اضافه کرد.

با این حال zk SNARK-ها وابسته به محاسبات، بسیار کند و نیازمند تنظیمات قابل اطمینان هستند تا بتواند یک کلید رمزنگاری ایجاد کنند؛ البته اگر این کلید در دست افراد ناشایست بیفتد می‌تواند کل سیستم را به خطر بیندازد. اما پژوهشگران به دنبال جایگزین‌هایی هستند که اثبات‌های دانایی صفر را به شکلی بهینه‌تر توسعه دهند و نیازی به چنین کلیدی نداشته باشند.

۹. پیشگویی ژنتیکی آینده

روزی برای هر نوزاد هنگام تولد، کارت گزارش DNA صادر می‌شود. این گزارش‌ها پیش‌بینی‌هایی در مورد احتمال حمله‌ی قلبی یا سرطان ، اعتیاد به تنباکو و هوش بالای میانگین ارائه می‌دهند.

علم تولید‌کننده‌ی این کارت‌های گزارش به‌لطف بررسی‌های گسترده‌ی ژنتیکی به‌سرعت گسترش یافته است که بعضی از آن‌ها شامل بیش از یک میلیون نفر هم می‌شود.

در نهایت این نتیجه به دست آمد که اغلب بیماری‌ها و بسیاری از رفتارها از جمله هوش، نه‌تنها نتیجه‌ی یک یا چند ژن بلکه شامل همکاری تعداد زیادی از آن‌ها است. با استفاده از داده‌های مرتبط با بررسی‌های آینده‌ی ژنتیک، دانشمندان در حال تولید درجه‌های ریسک پلی‌ژنتیک هستند.

اگرچه تست‌های جدید DNA بیشتر به ارائه‌ی احتمالات می‌پردازند تا تشخیص‌ها؛ ولی به‌شدت می‌توانند به سود علم پزشکی باشند. برای مثال، اگر زنان در معرض خطر بالای سرطان سینه باشند، آزمایش‌های ماموگرافی بیشتری روی آن‌ها انجام می‌شود و افرادی که با ریسک بیماری کمتری روبه‌رو هستند، کمتر آزمایش می‌شوند. این تست‌ها می‌توانند سرطان‌های واقعی را بیشتر تشخیص دهند و هشدارهای غلط را کم کنند.

شرکت‌های داروسازی می‌توانند از این امتیازها در آزمایش‌های پزشکی داروهای بازدارنده‌ی بیماری‌هایی مثل آلزایمر یا بیماری قلبی استفاده کنند. با انتخاب داوطلب‌هایی که احتمال مریضی بالایی دارند، می‌توانند به‌صورت دقیق عملکرد داروها را بررسی کنند.

مشکل اینجا است که پیشگویی‌ها با درجه‌ی بی‌نقصی فاصله دارند. چه کسی می‌خواهد از توسعه‌ی آلزایمر آگاه شود؟ اگر شخصی با درجه‌ی ریسک پائین سرطان از تست‌ها سرباز بزند و پس از آن سرطان توسعه پیدا کند، چه اتفاقی رخ خواهد داد؟

درجه‌های چندژنی هم بحث‌برانگیز هستند؛ زیرا می‌توانند به پیشگویی بیماری‌ها و همینطور هر نوع رفتاری بپردازند. برای مثال، می‌توانند حدود ده درصد از عملکرد افراد در تست‌های IQ را پیش‌گویی کنند. با ارتقاء درجه‌ها، این احتمال وجود دارد که پیشگویی‌های DNA IQ به شکلی روتین در دسترس قرار بگیرند. اما والدین و مربیان چگونه از این اطلاعات استفاده می‌کنند؟

به‌عقیده‌ی اریک تورک هایمر، نسل‌شناس رفتاری، فرصت استفاده از داده‌های ژنتیکی برای خوب و بد، فناوری جدید را هم مهیج می‌سازد.

۱۰. جهش کوانتومی مواد

چشم‌انداز کامپیوترهای کوانتومی جدید با یک پازل ارائه می‌شود. این پازل‌ می‌تواند شاهکاره محاسباتی غیر قابل باوری با ماشین‌های امروزی انجام دهد؛ اما هنوز هنوز نمی‌دانیم قصد انجام چه کاری را داریم.

یک گزینه‌ی محتمل و وسوسه‌انگیز، طراحی دقیق مولکول‌ها است. شیمی‌دان‌ها در حال حاضر رؤیای پروتئین‌های جدید برای دستیابی به داروهای مؤثرتر، الکترولیت‌های جدید برای باتری‌های بهتر و ترکیب‌هایی را در سر دارند که بتوانند نور خورشید را به‌صورت مستقیم به سوخت مایع و سلول‌های بهینه‌تر خورشیدی تبدیل کنند.

فعلا این گزینه‌ها را در اختیار نداریم؛ زیرا مدل‌سازی مولکول‌ها روی یک کامپیوتر ساده بسیار سخت است. تلاش برای شبیه‌سازی رفتار الکترون‌ها در یک مولکول نسبتا ساده هم پیچیده‌تر از حد توان کامپیوترهای کنونی است.

اما این مسئله برای کامپیوترهای کوانتومی عجیب نیست؛ این کامپیوترها به‌جای بیت‌ دیجیتال صفر و یک، از کیوبیت‌ استفاده می‌کنند، کیوبیت‌ها هم سیستم‌های کوانتومی هستند. اخیرا، پژوهشگران IBM از یک کامپیوتر کوانتومی با هفت کیوبیت برای مدلسازی یک مولکول کوچک استفاده کرده‌اند که از سه اتم ساخته شده است. شبیه‌سازی دقیق و دستیابی به مولکول‌های جذاب‌تر با ساخت ماشین‌هایی با کیوبیت‌های بیشتر و الگوریتم‌های کوانتومی بهتر، امکان‌پذیر است.

 منبع: زومیت