نویسنده: administrator

گروهی دیگر از پلتفرم‌های مبتنی‌بر هوش مصنوعی به‌گونه‌ای طراحی شده‌ و آموزش دیده‌اند تا بتوانند متون تبلیغاتی، علمی، ادبی و حتی شاعرانه خلق کنند. البته هنوز نمی‌توان انتظار چندانی از آن‌ها داشت؛ ولی درمجموع نتیجه‌ی کار شگفت‌انگیز است.

دستیار نگارش PicsArt AI Writer: دستیار نگارش مبتنی‌بر هوش مصنوعی PicArt خیلی سریع می‌تواند متن‌های مختلفی تولید کند که در وب‌سایت یا صفحات شبکه‌های اجتماعی می‌توانید از آن‌ها استفاده کنید. در بخش معرفی این ابزار، ادعا شده است که می‌تواند محتوای مطابق با استانداردهای سئو تولید کند؛ البته قطعاً بهترین بازدهی این دستیار نگارش مبتنی‌بر هوش مصنوعی در تولید متون انگلیسی به‌دست می‌آید.

هوش مصنوعی NotionAI: با کمک این هوش مصنوعی می‌توان خلاصه‌برداری، ایجاد جدول از روی متن، تغییر لحن پاراگراف، ویرایش غلط‌های گرامری و املایی، ترجمه، بازنویسی متن را به‌راحتی با دستور انجام داد. استفاده از این ابزار برای ۲۰ دستور رایگان است؛ اما برای ادامه باید اشتراک حداقلی ماهانه ۱۰ دلار را خریداری کنید.

در این گروه از ابزارهای هوش مصنوعی برای نگارش متن می‌توان از چت‌بات‌های ChatGPT و YouChat و Poe نیز استفاده کرد.

خلاصه‌برداری یکی از شیوه‌های مهم برای یادگیری است که گاه می‌تواند به فرایندی خسته‌کننده تبدیل شود؛ بنابراین، ممکن است با کمک هوش مصنوعی بتوانید فرایند خلاصه‌برداری را خلاصه‌تر و کوتاه کنید. ابزارهایی مبتنی‌بر هوش مصنوعی طراحی شده‌اند که می‌توانند از متن گرفته تا ویدئو یوتیوب را خلاصه‌برداری کنند.

اپلیکیشن Eightify: خلاصه‌برداری متنی از ویدئوهای یوتیوب به‌همراه های‌لایت‌هایی که می‌توان با کلیک روی آن‌ها به همان بخش از ویدئو هدایت شد، Eightify را به یکی از ابزارهای کابردی مبتنی‌بر هوش مصنوعی تبدیل می‌کند. این ابزار امکان سه خلاصه‌برداری رایگان در هفته را فراهم می‌کند؛ البته فقط برای ویدئوهایی که کوتاه‌تر از یک ساعت و بیشتر از ۳۰٬۰۰۰ بازدید داشته باشند. می‌توان افزونه‌ی اپلیکیشن را روی گوگل کروم نصب کرد و به‌راحتی از قابلیت‌های آن بهره‌مند شد.

وب‌سایت Summarize.tech: این وب‌سایت نیز پلتفرم هوش مصنوعی برای خلاصه‌برداری از ویدئوهای طولانی را در‌اختیار کاربران قرار می‌دهد. فقط باید وب‌سایت را بارگذاری کنید و لینک ویدئو مدنظر را از یوتیوب درون وب‌سایت قرار دهید. این ابزار خلاصه‌برداری از پشتیبانی هوش مصنوعی ChatGPT برخوردار است.

افزونه هوش مصنوعی Gimme Summary: افزونه رایگان قابل‌نصب روی گوگل کروم است که برای خلاصه‌برداری از محتوای مقالات وب‌سایت‌ها کاربر دارد. این افزونه با اتکا بر ChatGPT متون را خلاصه‌برداری می‌کند. ظاهراً سازوکار افزونه مذکور به‌گونه‌ای است که با درخواست از ChatGPT برای فشرده‌سازی متن کار می‌کند. می‌توان گفت استفاده از این ابزار میان‌بری برای بهره‌مندی از ChatGPT است. طبق آزمایش‌ها، Gimme Summary سرعت چندان زیادی ندارد.

پلتفرم SkimIt.ai: این ابزار کمک می‌کند خلاصه مقالات را از‌طریق ایمیل دریافت کنید. فقط باید آدرس مقاله را برای ایمیل این پلتفرم ارسال و خلاصه مقاله را بعد از ۱۰ دقیقه از‌طریق ایمیل دریافت کنید. همچنین، با افزودن ایمیل دوستانتان در CC، می‌توانید مقاله را همراه خلاصه برایشان ارسال کنید.

افزونه WordTune Read: افزونه رایگان قابل‌نصب برای گوگل کروم است که می‌تواند با اتکا بر هوش مصنوعی هرچه در اینترنت می‌بینید، از مقاله گرفته تا فایل پی‌دی‌اف و ویدئو خلاصه کند. استفاده از این ابزار برای خلاصه‌برداری از مقالات محدودیت سه‌تایی ماهانه دارد و بعد‌از‌آن برای بهره‌مندی از قابلیت‌های آن باید اشتراک سالانه ۱۲۰ دلاری را تهیه کنید.

اپلیکیشن OtterPilot: ابزار هوش مصنوعی OtterPilot در قالب افزونه گوگل کروم و اپلیکیشن iOS و اندروید ارائه شده است و این امکان را به کاربر می‌دهد تا نسخه‌ی متنی رونویسی‌شده از صدا داشته باشد و بدون نیاز به برداشتن قلم یا تایپ‌کردن، در جلسات آنلاین یادداشت‌برداری کند. بنابراین، کاربر می‌تواند این اپلیکیشن را به گوگل Meet یا Zoom یا مایکروسافت تیمز متصل کند و به‌راحتی خلاصه‌ای متنی از تماس ویدئویی داشته باشد. استفاده از این ابزار برای ۳۰ دقیقه در هر تماس و ۳۰۰ دقیقه تبدیل گفتار به متن در هر ماه رایگان است و سپس اشتراک ماهانه ۱۷ دلاری را باید خرید.

وب‌سایت Sonoteller.ai: وب‌سایتی است که با واردکردن لینک یک آهنگ در آن از یوتیوب، می‌توانید تحلیلی از محتوای متن ترانه، آلات موسیقی به‌کار‌رفته در آهنگ و سبک موسیقی و حس‌وحال آن آهنگ دریافت کنید. استفاده از این ابزار نیز رایگان است.

می‌توانیم موقعیت و چگونگی شکل‌گیری آب را بر اساس ایزوتوپ‌های هیدروژن اندازه‌گیری کنیم. هیدروژن عادی هیچ نوترونی در هسته‌ی خود ندارد در حالی که هیدروژن سنگین یا دوتریوم دارای یک نوترون در هسته است. مولکول‌های آبی که دارای هیدروژن سنگین هستند با عنوان آب سنگین هم شناخته می‌شوند. آب سنگین در شرایطی متفاوت با آب عادی شکل می‌گیرد.

اینجا روی زمین ردپای بخشی از آب به دنباله‌دارها می‌رسد، زیرا نسبت ایزوتوپ آب به آب سنگین مشابه است. به این ترتیب آب می‌تواند در دنباله‌دارها و سیارک‌ها جمع شود و سپس به توده‌های سیاره‌ای منتقل شود؛ اما چگونگی ورود آب به دنباله‌دارها هنوز به‌طور کامل توضیح داده نشده بود. توبین و گروه او با بررسی ستاره‌ی V883 Orionis این راز را حل کرده‌اند. توبین می‌گوید:

به گفته‌ی توبین، ستاره‌ی V883 Orionis مانند یک حلقه‌ی اتصال گمشده است. ترکیب آب در دیسک شباهت زیادی به ترکیب آب دنباله‌دارهای منظومه‌ی شمسی دارد. این شواهد تأییدی بر این فرضیه هستند که آب در منظومه‌های ستاره‌ای میلیاردها سال پیش از خورشید در فضای میان‌ستاره‌ای شکل گرفته و دنباله‌دارها و زمین هر دو آن را نسبتا بدون هیچ تغییری به ارث برده‌اند.

ستاره‌ی V883 Orionis به دلیل سرعت رشد بالا و همچنین دمای داغ‌تر نسبت به حد معمول، ستاره‌ی خاصی است. بخش زیادی از آب موجود در قرص‌های برافزایشی اطراف پیش‌ستاره‌ها منجمد است و تنها در نزدیکی ستاره به شکل بخار رویت می‌شود. افزایش شدید فعالیت V883 Orionis باعث شده مرز انجماد آن به نقطه‌ای دورتر از حد معمول برسد. هر آب نزدیک‌تر از آن مرز انجماد، به شکل بخار است.

ارزش سهام انویدیا در اکتبر ۲۰۲۲ به‌دلیل ضعف مداوم این شرکت در بخش بازی و مراکز داده کاهش یافت؛ البته تبلیغات مرتبط با ChatGPT و هوش مصنوعی مولد، باعث شد این روند نزولی از بین برود.

ChatGPT شرکت OpenAI و چت‌بات Bard گوگل از یادگیری عمیق شبکه‌های مولد (GAN) برای ایجاد محتوای جدیدی استفاده می‌کنند که انسان نمی‌توانند آن‌ را تشخیص دهند. GANها از دو نوع شبکه‌ی عصبی بهره می‌برند که در آن مولد محتوای جدیدی ایجاد می‌شود و متمایزکننده‌ی نیز آن محتوا را ارزیابی و سپس بازخوردی را به مولد ارائه می‌کند. بدین‌ترتیب، GANها به‌تدریج تکامل پیدا می‌یابند.

طبق گزارش‌های اخیر، مایکروسافت درحال کار روی کیف پول Web3 سازگار با رمزارز و NFT در مرورگر اج است. افشاگر خبرهای فناوری Albacore در حساب توییتر خود اسکرین‌شات‌هایی از رابط کاربری اج را به‌ اشتراک گذاشته که نسخه‌ی اولیه‌ی کیف پول این مرورگر را نشان می‌دهند.

آلباکور می‌گوید: «جدیدترین ویژگی مایکروسافت اج، احتمالاً کیف پول رمزارز خواهد بود.» به‌نظر می‌رسد این قابلیت به‌نحوی توسعه داده شده است که مایکروسافت به گذرواژه‌ها و کلیدهای بازیابی کاربران دسترسی نداشته باشد. درواقع این ویژگی با مرورگر غول فناوری اهل ردموند ادغام خواهد شد و به‌صورت یک افزونه‌ی قابل‌ نصب دردسترس قرار نخواهد گرفت.

بر اساس ادعای خبرگزاری BenchLife، اینتل در اقدامی غیرمنتظره تولید مدل دسکتاپ پردازنده‌های نسل ۱۴ سری Meteor Lake-S را لغو کرده است و قصد دارد رونمایی پردازنده‌های نسل ۱۵ سری Arrow Lake-S را به نیمه‌ی اول سال ۲۰۲۴ منتقل کند. شماری از تحلیلگران معتقدند که این شایعه صحیح نیست و پردازنده‌های میتیور لیک دسکتاپ در نیمه‌ی اول ۲۰۲۴ روانه‌ی بازار می‌شوند.

اینتل چند سال است که به تغییرات پردازنده‌های میتیور لیک اشاره می‌کند. تیم آبی همواره توجه ویژه‌ای به مدل لپ تاپی این پردازنده‌ها داشته و آن‌طور که شایعات می‌گویند، میتیور لیک قبل از پایان سال جاری میلادی برای لپ تاپ‌های نسل جدید معرفی می‌شود.

از قرار معلوم اینتل به‌جای عرضه‌ی پردازنده‌های دسکتاپی میتیور لیک به‌همراه مادربردهای سری ۸۰۰ در نیمه‌ی دوم ۲۰۲۳ یا نیمه‌ی اول ۲۰۲۴، تصمیم گرفته است سراغ رونمایی پردازنده‌های خانواده‌ی آرو لیک برود. این پردازنده‌ها با مادربردهای سری ۸۰۰ سازگار خواهند بود.

به گزارش تامز هاردور، اواخر سال گذشته‌ی میلادی نقشه‌ی راه پردازنده‌های دسکتاپ و ورکستیشن اینتل فاش شد. آن نقشه‌ی راه نشان می‌داد اینتل در فصل سوم ۲۰۲۳ به دنبال رونمایی نسخه‌ی تقویت‌شده‌ی پردازنده‌های نسل ۱۳ خود با نام Raptor Lake-S Refresh است. نقشه‌ی راه فاش‌شده نشان می‌داد که پردازنده‌های میتیور لیک دسکتاپ در سال ۲۰۲۳ از راه نمی‌رسند.

محصولات خانواده‌ی میتیور لیک و آرو لیک اولین پردازنده‌های مصرفی اینتل هستند که طراحی چیپلت دارند. در این طراحی چندین کاشی پردازشی روی بستری واحد قرار می‌گیرند و بین آن‌ها ارتباط برقرار می‌شود. چیپلت ساخت یک پردازنده با چند لیتوگرافی را امکان‌پذیر می‌کند؛ برای نمونه ممکن است اینتل پردازنده‌ای بسازد که در واحد CPU از لیتوگرافی ۱۰ نانومتری و در واحد GPU از لیتوگرافی هفت نانومتری استفاده می‌کند.

یک دهه پیش، گروهی از دانشمندان موسسه برود در کمبریج ماساچوست از ماهیت پراکنده پژوهش‌های ژنتیکی ناامید شده بودند. درحالی‌که مطالعه گروهی از افراد و شناسایی واریانت‌های ژنی که به‌نظر می‌رسد با بیماری خاصی در ارتباط باشند، آسان‌تر از همیشه بود، اما مشکل رو به رشد هشدارهای کاذب وجود داشت.

هایدی رهم و دانیل مک‌آرتور، متخصصان ژنتیک با جهش‌های ژنی فراوانی مواجه شدند که ابتدا با بیماری‌های نادر دوران کودکی مرتبط شده بودند، اما وقتی نمونه بزرگ‌تر و متنوع‌تری از افراد بررسی شده بود، این ارتباط رد شده بود.

مک‌آرتور به گزارشی برخورد که ۲۰۰ واریانت ژنی مختلف را ارزیابی کرده بود که قبلا به‌عنوان واریانت‌های بیماری‌زا معرفی شده بودند، اما وقتی تجزیه‌و‌تحلیل دقیق‌تری انجام شد، فقط ۹ مورد از آن‌ها باقی ماندند. رهم می گوید: «متوجه شدیم که اگر داده‌های متنوع‌تری داشته باشیم، می‌توانیم بیماری‌زایی را برای واریانت‌های بیشتری رد کنیم و همچنین شواهدی برای بیماری‌زایی واریانت‌هایی که واقعا در جمعیت‌های مختلف در ایجاد بیماری نقش دارند، ارائه کنیم و نرخ تشخیص ژنتیکی را در آن جمعیت‌ها افزایش دهیم.»

رهم و مک‌آرتور هر دو از پیامدهای این نقص‌ها در علم ژنومیک در زندگی واقعی نگران بودند. آن‌ها درمورد بیمارانی می‌شنیدند که براساس واریانت‌های موجود در دی‌ان‌ای که حاکی از آن بود که جنین ممکن است مستعد ابتلا به بیماری جدی باشد (ارتباطاتی که اغلب مشخص می‌شد هشدارهای کاذب هستند)، دست به سقط جنین می‌زدند. آن‌ها تصمیم گرفتند منبع واحدی از اطلاعات ژنومی ایجاد کنند و داده‌های جمع‌آوری‌شده از مطالعات سراسر جهان را با هم تلفیق کنند تا منبعی برای ژنتیک‌دانان فراهم کنند تا بتوانند واریانت ژنی خاصی را مطالعه کنند و فراوانی و بیماری‌زایی آن را در جمعیت‌های مختلف ارزیابی کنند.

این پایگاه داده gnomAD نامیده می‌شود و شامل بیش از ۷۰ هزار ژنوم و بیش از ۷۵۰ هزار اگزوم (بخش‌های کدکننده پروتئین ژنوم) می‌شود. پایگاه داده gnomAD در مقایسه با بیشتر مطالعات ژنومی بزرگ، در ثبت اطلاعات از طیف متنوع‌تری از افراد نسبتا موفق بوده است. ۴۳ درصد از داده‌ها از آسیایی‌های غیراروپایی، ۱۲/۵ درصد از لاتین‌تبارها، ۸/۸ درصد از آفریقایی‌ها یا آمریکایی‌های آفریقایی‌تبار و ۳/۷ درصد از یهودیان اشکنازی می‌آید.

ژنتیک‌دانان سراسر جهان توانسته‌‌اند از این اطلاعات برای طبقه‌بندی مجدد واریانت‌های ژنی از بیماری‌زا به بی‌خطر استفاده کنند. هنریکس می‌گوید: «رفع مشکلات مرتبط با تنوع در مجموعه داده‌ها مساله‌ی پیچیده‌ای است، اما موفقیت‌هایی حاصل شده است. ابتکاراتی نظیر gnomAD حجم زیادی داده متنوع‌تر حاصل کرده‌اند که امکان طبقه‌بندی مجدد ژن‌های قلبی را فراهم می‌کند.»

اما ازنظر درک تنوع ژنتیکی، هنوز دانش عمیقی نداریم و جمعیت‌های منحصربه‌فرد فراوانی در سراسر جهان وجود دارند که تقریبا مطالعه نشده‌اند.

درحالی‌که ابتکارات جدید دائما راه‌اندازی می‌شود (مک‌آرتور پروژه‌ای را برای توالی‌یابی جوامع بومی و سایر جمعیت‌های متنوع استرالیا هدایت می‌کند)، داده‌های ژنومی بسیار کمی از اقیانوسیه، آسیای جنوب شرقی، شمال آفریقا و خاورمیانه داریم. تصور می‌شود منطقه خاورمیانه به خاطر نرخ بالای هم‌تباری که در آن بسیاری از افراد جد مشترکی دارند، منبع اطلاعاتی ارزشمندی باشد. رهم می‌گوید: «این امر می‌‌تواند منجر به نرخ بالاتر بیماری‌های ژنتیکی شود. مطالعه افراد دچار بیماری‌های ژنتیکی می‌تواند به شناسایی علل بیماری و عملکرد ژن‌های موثر در بیماری کمک کند.»

اما درحالی‌که دانشمندان از این موضوع آگاه شده‌اند، تلاش‌ها برای جمع‌آوری اطلاعات ژنتیکی جوامع مختلف با تنش‌های سیاسی، بحران‌های اقتصادی و درگیری در بسیاری از کشورهای منطقه با مشکل مواجه شده است.

نگرش منفی درباره‌ی بیماری‌های ژنتیکی اغلب خانواده‌ها را از مشارکت در پروژه‌های تحقیقاتی منصرف می‌کند، درحالی‌که ابتکارهای جمع‌آوری بین‌المللی مانند gnomAD دریافته است که کشورهای خاورمیانه یا تمایلی به اشتراک‌گذاری داده‌های ژنومی خود ندارند یا توانایی این کار را ندارند.

درنتیجه، برخی از بزرگ‌ترین پیشرفت‌ها از طرق تلاش‌های فعال برای بهبود تنوع مطالعات در اروپا و ایالات متحده با برنامه جدید همه‌ی ما (All of Us) مؤسسه ملی سلامت ایالات متحده به‌طورخاص برای به‌کارگیری گروه‌هایی تمرکز دارد که اطلاعات ژنومی محدودی از آن‌ها در دسترس است.

شرکت ژنومیکس انگلند مطالعاتی را در راستای درک و پیدا کردن راه‌هایی برای غلبه بر موانع مشارکت در پژوهش‌های ژنتیکی برای شهروندان بریتانیایی آفریقایی یا کارائیب تبار در دستور کار خود قرار داده است. هنریکس می‌گوید: «یکی از دلایل عدم تنوع مطالعات ژنومیک، فرایند مشارکت و ثبت‌نام داوطلبان است.»

گفتگوی تاثیرگذار با جوامع و جمعیت‌هایی که از پژوهش‌ها حذف شده‌اند و همچنین بهبود مشارکت قومیت‌ها به‌عنوان نیروی کار بالینی مهم است، چرا که این امر موجب بهبود مشارکت شرکت‌کنندگان در مطالعات می‌شود.

اما آینده دورتر پژوهش‌های ژنومی خصوصا در قاره آفریقا آسیب‌پذیرتر به‌نظر می‌رسد. درحالی‌که H3Africa در طول ده سال گذشته ۱۷۶ میلیون دلار از مؤسسه ملی سلامت و ولکام تراست دریافت کرده است، این بودجه در سال ۲۰۲۲ به پایان رسیده و آینده آن نامشخص است. گزارش‌هایی از اساتید آفریقایی وجود دارد که به‌عنوان بخشی از H3Africa بودجه‌ای را دریافت کرده‌اند اما ترجیح داده‌اند از ژنتیک انسانی دور شوند و روی موارد کم‌هزینه‌تری مانند مطالعه ژنوم باکتری‌های مقاوم به دارو مطالعه کنند.

برخی حتی ارزش سرمایه‌گذاری در پژوهش‌های ژنتیکی را زیرسوال برده‌اند و استدلال می‌کنند که چنین پولی بهتر است صرف پروژه‌هایی مانند کارزارهای ضدسیگار و تغذیه سالم شود که فواید سلامتی عمومی فوری‌تری را ارائه می‌دهند.

اگر پروژه ۱۰۰ هزار ژنوم نیجریه داده‌هایی را ارائه دهد که بتواند برای پیدا کردن و تایید اهداف دارویی جدید استفاده شود، ممکن است نگرش‌ها تغییر کند، اما حتی این ابتکار پیشرو نیز ممکن است دربرابر نیروهای خارجی آسیب‌پذیر باشد.

درحالی‌که 54gene که از این پروژه حمایت مالی می‌کند، بودجه قابل‌توجهی را از سرمایه‌گذاران بین‌المللی دریافت کرده است، این شرکت در میان آشفتگی اقتصادی سال ۲۰۲۲ مجبور شد ۲۰۰ کارمند خود را اخراج کند و ارزش اقتصادی آن‌ها کاهش پیدا کرده است.

کارشناسان می‌گویند برای بهبود آینده پزشکی در سراسر جهان تامین بودجه این پژوه‌ها بسیار حیاتی است. طبق پیش‌بینی رهم، یکی از پیامدهای مهم بهبود تنوع پژوهش‌های ژنتیکی این است که پزشکان به‌زودی از قومیت برای تصمیم‌گیری بالینی استفاده نخواهند کرد. او می‌گوید: «در گذشته، در حوزه‌های خاصی از پزشکی از قومیت استفاده می‌شد و داده‌های زیادی نشان می‌دهند که این رویه مشکل‌ساز است. ما باید تفاوت‌های واقعی مانند عوامل ژنتیکی و عوامل محیطی را شناسایی کنیم و از سنجه‌های عینی و محکم برای تصمیم‌گیری استفاده کنیم، نه اینکه از استنباط‌های مبتنی‌بر پس‌زمینه قومی استفاده کنیم که با مشکلات زیادی همراه است.»

فاتومو احساس می‌کند که در مسیر درست حرکت می‌کنیم و اشاره می‌کند که قبل از پروژه ۱۰۰ هزار ژنوم نیجریه، بزرگ‌ترین مطالعه تعیین توالی در آفریقا فقط شامل ۶۴۰۰ نفر بود. اما او هشدار می‌دهد که هنوز راه طولانی در پیش است. او می‌گوید: «طبق مقاله‌ای که در نیچر منتشر شده است، برای اینکه تنوع ژنتیکی قاره آفریقا را به دست آوریم، باید سه میلیون ژنوم در این قاره توالی‌یابی شود. راه بسیار طولانی تا رفع نابرابری ژنومی در پیش رو داریم، اما هم‌اکنون باید تلاش‌های بیشتری صورت گیرد.»

مطالعه‌ای که از چند دهه‌ی پیش آغاز شده نشان می‌دهد که بسیاری از مردان مبتلا به سرطان پروستات می‌توانند درمان‌هایی مانند جراحی یا پرتودرمانی را بدون کم‌کردن شانس ادامه‌ی حیات خود به تاخیر بیندازند. این بیماران می‌توانند به‌جای برداشتن پروستات یا قرارگرفتن درمعرض تشعشعاتی با انرژی بالا، پس از تشخیص سرطان، بیماری خود را به‌‌طور فعال تحت نظارت قرار دهند؛ چراکه درمان‌های تهاجمی عوارض طولانی‌مدتی مانند بی‌اختیاری ادرار، اختلال نعوظ و سایر مشکلات ادراری، اختلالات روده و عملکرد جنسی به‌همراه دارند.

دکتر فرِدی حمدی، استاد جراحی و اورولوژی دانشگاه آکسفورد دررابطه‌با این موضوع به سی‌اِن‌اِن می‌گوید: «خبر خوب این است که اگر سرطان پروستات شما تشخیص داده شد، وحشت نکنید و برای تصمیم‌گیری به خودتان زمان بدهید.» حمدی در ادامه‌ به این نکته اشاره می‌کند که توصیه‌ی او فقط درمورد بیماران مبتلا به سرطان پروستات کم‌خطر یا متوسط صادق است و بیماران مبتلا به سرطان پرخطر همچنان به درمان‌های فوری و تهاجمی نیاز دارند.

لایو ساینس در گزارش خود می‌نویسد، درطول این مطالعه که از سال ۱۹۹۰ شروع شد، بیماران تحت نظارت فعال قرار داشتند و سطح نوعی پروتئین خاص در خون آن‌ها به‌طور منظم اندازه‌گیری می‌شد. این پروتئین، پادگن ویژه‌ی پروستات (PSA) نام دارد و سطح آن در خون هم‌زمان با پیشرفت سرطان پروستات افزایش می‌یابد. دکتر الیور سارتور، مدیر پزشکی مرکز سرطان تولان در تفسیری از این مطالعه می‌نویسد: «درحال‌حاضر نظارت فعال روی بیماران می‌تواند شامل اقداماتی اضافی مانند تصویربرداری پرتومغناطیسی (MRI) از پروستات و آزمایش ژنتیک باشد.»

۱۵ سال پس از تشخیص سرطان پروستات، این بیماری در ۹٫۴ درصد از افراد حاضر در گروه تحت‌ نظارت فعال، ۴٫۷ درصد از بیماران حاضر در گروه جراحی و ۵ درصد از شرکت‌کنندگان حاضر در گروه پرتودرمانی پیشرفت کرده بود. دکتر استیسی لوب، متخصص سرطان پروستات در لانگون هلث دانشگاه نیویورک بر این باور است که اگر این مطالعه با روش‌های نظارتی امروزی انجام می‌شد، شاید گروه نظارت عملکرد بهتری داشت. لوب که در این مطالعه شرکت نداشت، به آسوشیتد پرس می‌گوید: «ما اکنون راه‌های بسیاری داریم برای اینکه قبل از گسترش سرطان بتوانیم پیشرفت بیماری را تشخیص دهیم.»

موارد زیر از دیگر خدماتی است که مشاورین جذب سرمایه می‌توانند به استارتاپ‌ها ارائه دهند:

• شناسایی مسیرهای مختلف جذب سرمایه

• ساختاردهی طرح کسب‌وکار

• ارزیابی پتانسیل سودآوری

• شناسایی و معرفی سرمایه‌گذاران مناسب برای استارتاپ

به طور کلی مشاورین جذب سرمایه با توجه به تجربه، تخصص و دانش خود در این زمینه به استارتاپ‌ها کمک می‌کنند تا با گردآوری مستندات درست و بجا و آمادگی کامل برای جذب سرمایه‌ از سرمایه‌گذاران اقدام کنند.

دریافت مستندات جذب سرمایه و آماده‌سازی آن توسط مشاورین به معنای تضمین جذب سرمایه نیست. دلایل مختلفی وجود دارد که ممکن است یک استارتاپ توسط سرمایه‌گذاران پذیرفته نشود. اما درصورتی که از خدمات مشاوره جذب سرمایه رتیبا استفاده کرده باشید، تحلیل‌گران رتیبا تضمین می‌کنند که در فرآیند جذب سرمایه با مشکلاتی از قبیل تخمین نادرست جریان‌های نقدی یا ارزش‌گذاری نامناسب روبرو نخواهید شد و محاسبات ارائه شده در مستندات جذب سرمایه کاملا مورد تأیید کارشناسان سرمایه‌گذاری شرکت‌ها و صندوق‌های سرمایه‌گذاری خطرپذیر خواهد بود.

نکاتی که به صورت کلی برای جذب سرمایه از سرمایه‌گذار باید در ذهن داشته باشید عبارتند از:

• ایجاد نیاز برای سرمایه‌گذاری: استارتاپ باید پتانسیل رشد خود را با رفع نیازهایش به سرمایه‌گذاران نشان دهد. با این روش سرمایه گذاری آن‌ها توجیح می‌شود.

• ارائه تفکر نوآورانه به سرمایه‌گذار: استارتاپ باید خدمات و محصولات خود را به گونه‌ای ارائه دهد که نوآوری فرآیندش آن را در برابر رقبا پیروز گرداند.

• نمایش تجربیات موفق در گذشته: در جلسات ارائه به سرمایه‌گذار باید از موفقیت‌هایی که در گذشته بدست آورده است صحبت کند. اینکار به جلب اعتماد سرمایه‌گذاران کمک می‌کند. هرچند صحبت‌ از شکست‌هایی که تجربه کرده‌اند هم تأثیر منفی نخواهد داشت.

• آگاهی از بازار: اگر قصد جذب سرمایه از سرمایه‌گذاران خارجی را دارید از جملاتی مثل «ما نظیر نداریم» یا ما «اولین نفر در بازار هستیم» بپرهیزید. بازار و رقبای خود را به طور کامل شناسایی کنید و به دنبال معرفی مزیت رقابتی خود نسبت به دیگران باشید.

• تیم درست بچینید: استارتاپ خود را متکی به یک شخص نشان ندهید. سرمایه‌گذاران تمایل دارند که روی تیم سرمایه‌گذاری کنند نه روی فرد.

گروه تحلیل‌گران رتیبا در طی سال‌های اخیر این افتخار را داشته‌اند که به کسب‌وکارهای زیادی در بازارهای مختلف و با سطح بلوغ‌های متفاوت از مراحل پیش بذری تا مراحل پایانی چرخه‌ی بلوغ کسب‌وکارخدمات جذب سرمایه ارائه داده است. تیمچه، تفکیکان، بانیترو، گردشگری سلامت آریا، دیموند و… تنها بخشی از استارتاپ‌هایی هستند که از این خدمات استفاده کرده‌اند. در پورتفولیوی رتیبا (https://retiba.ir/portfolio) می‌توانید مجموعه‌ی کامل استارتاپ‌هایی که از خدمات ارزش‌گذاری، مدل‌سازی مالی و جذب سرمایه رتیبا استفاده کرده‌اند را مشاهده نمایید.

برند میجیا که تحت مالکیت شیائومی است، جاروبرقی رباتیک جدیدی معرفی کرده که MIJIA Robot Vacuum 3S نام دارد که از طراحی آشنا استفاده می‌کند. این جاروبرقی به دو سیستم تمیزکننده مجهز است که کنار یک‌دیگر قرار گرفته‌اند.

گیزموچاینا می‌گوید جاروبرقی 3S به فن مجزایی با قدرت مکش ۴٬۰۰۰ پاسکال مجهز است و از طریق سیستم‌هایی ویژه، موانع را شناسایی می‌کند. 3S ازطریق شناسایی موانع، از برخورد با آن‌ها جلوگیری می‌کند. جاروبرقی شیائومی سه مخزن آب هوشمند دارد که می‌توان حجم آب موجود در آن‌ها را تنظیم کرد.

اولین نسخه‌های نظریه‌ی ریسمان به ۲۶ بعد فضایی نیاز داشت اما پس از ابرتقارن و کنار گذاشتن برخی ابعاد، نظریه‌پردازها این عدد را صرفا به ۱۰ بعد کاهش دادند. جهان حداقل در مقیاس‌های بزرگ، دارای ده بعد فضایی نیست؛ بنابراین تعداد ابعاد بیشتر باید کوچک و در هم‌آمیخته باشند. وقتی دست‌هایتان را می‌لرزانید، در واقع این ابعاد کوچک را بی‌نهایت بار می‌پیمایید اما این ابعاد به قدری کوچک هستند (معمولا در مقیاس پلانک) که نمی‌توانید آن‌ها را ببینید.

با وجود ابعاد بیشتر، گزینه‌های ارتعاش ریسمان برای توصیف کل فیزیک افزایش یافتند. از طرفی این ابعاد می‌توانند در حین ارتعاش و پیچیده شدن، شکل‌های متنوعی به خود بگیرند که به آن‌ها منیفلدهای کالابی یائو گفته می‌شود. اگر تکه‌ای کاغذ را روی خود آن تا کنید چند انتخاب دارید: می‌توانید یک زوج از یال‌ها را به یکدیگر وصل کنید (استوانه) یا دو زوج یال را به یکدیگر وصل کنید (شکل دونات) یا می‌توانید یک زوج یال را وارونه وصل کنید (نوار موبیوس) یا هر دو را وارونه وصل کنید (بطری کلین). این تنوع صرفا در دو بعد به دست می‌آید. با شش بعد می‌توانید به ۱۰ به توان ۵۰۰ تا ده به توان ۱۰ هزار گزینه‌ی محتمل برسید.

تمام شکل‌های احتمالی اهمیت دارند زیرا چگونگی جمع‌شدن ابعاد فضایی بیشتر، مجموعه‌ای محتمل از ارتعاش ریسمان‌ها را تعیین می‌کند. به‌طوری‌که هر شکل مانند آلت‌های موسیقایی مختلف، دارای مجموعه‌‌ی متفاوتی از ارتعاش ریسمان‌ها است. برای مثال صدای شیپور با صدای ساکسیسفون به دلیل چگونگی سازماندهی و نوع ارتعاش‌ها متفاوت است؛ اما جهان ما تنها ابزاری (شاید یک ساز بادی) با مجموعه‌ی واحدی از نوت‌های متناظر با نیروها و ذرات است.

بنابراین کدام یکی از هزاران ساختار احتمالی کالابی یائو متناظر با واقعیت ما هستند؟ نمی‌دانیم؛ زیرا محاسبات کامل نظریه‌ی ریسمان را در اختیار نداریم و صرفا با تخمین‌ها روبه‌رو هستیم. از طرفی نمی‌دانیم شکل ابعاد تاشده چگونه بر لرزش ریسمان‌ها تأثیر می‌گذارند. هیچ دستگاه قابل اطمینانی نداریم که از منیفلد کالابی یائو به فیزیک راه پیدا کند و در جهان ظاهر شود، بنابراین نمی‌توانیم با اجرای عملیات معکوس و استفاده از تجربه‌های منحصر‌به‌فرد فیزیکی، شکل ابعاد تاشده را کشف کنیم.

در دهه‌ی ۱۹۹۰، نظریه‌پردازان ریسمان، پنج نسخه‌ی مختلف از نظریه‌ی ریسمان را توسعه دادند. این تغییرات بر اساس رفتار بنیادی نظریه‌ی ریسمان به دست آمدند. در برخی نسخه‌ها تمام ریسمان‌ها باید حلقه‌های بسته را تشکیل می‌دادند در حالی که در برخی دیگر باز بودند. در برخی نسخه‌ها، ارتعاش‌ها یک‌طرفه و در برخی دیگر دوطرفه بودند و به همین ترتیب تغییرات مختلفی اعمال شدند. این پنج نظریه عبارت‌اند از: نوع I، نوع IIA، نوع IIB، SO(32) هتروتیک و E8xE8 هتروتیک.

بنابراین تعداد نظریه‌ها به شکلی غیرضروری افزایش یافت. پنج نظریه‌ی بالقوه که همه ادعا می‌کنند بهترین تخمین از نظریه‌ی واقعی ریسمان هستند. شاید به نظر عجیب برسد اما در دهه‌ی ۱۹۹۰، فیزیک‌دانی به نام ادوارد ویتن همه را برنده اعلام کرد.

ویتن دوگانگی‌هایی را کشف کرد. دوگانگی‌ها روابط ریاضی بین نظریه‌ها هستند که امکان تبدیل یک نظریه به دیگری را می‌دهند. در این نمونه، ویتن پنج نظریه‌ی ریسمان را به یک گره‌ی واحد تبدیل کرد. این ایده هنوز از لحاظ ریاضی ثابت نشده است اما نشان می‌دهد پنج نظریه‌ی ریسمان در واقع بیانیه‌هایی از یک نظریه‌ی ریسمان واحد و یکپارچه هستند که ویتن آن را نظریه‌ی M نامید. هنوز نمی‌دانیم نظریه‌ی M چیست و حتی M نشان‌دهنده و مخفف چیست اما باید نظریه‌ی ریسمان واقعی باشد.

این ایده‌پردازی می‌تواند سودمند باشد زیرا وقتی طرح‌های تقریبی معتبر ارزیابی می‌شوند، هر پنج نسخه‌ی نظریه‌ی ریسمان باید روی آن همگرا شوند و جهان از ریاضیات سربرآورد؛ اما این اتفاق نزدیک به سی سال پیش رخ داد و هنوز دقیقا نمی‌دانیم نظریه‌ی M چیست. حتی به راه‌حلی برای نظریه‌ی ریسمان نرسیده‌ایم.

به بیان واضح‌تر، عدم توانایی ما برای درک نظریه‌ی ریسمان محدود به تجربه نیست. حتی اگر بتوانیم آزمایش برخورددهنده‌ی معرکه‌ای را ترتیب دهیم که به انرژی‌های لازم برای رمزگشایی گرانش کوانتومی برسد باز هم نمی‌توانیم نظریه‌ی ریسمان را آزمایش کنیم زیرا نظریه‌ی ریسمانی نداریم. همچنین مدل ریاضی نداریم که بتواند به پیش‌بینی‌های مطمئنی برسد و تنها تخمین‌هایی داریم که امیدواریم به شیوه‌ای دقیق فیزیک واقعی را نمایندگی کنند. همچنین می‌توانیم این تخمین‌ها را تست کنیم اما این کار کمکی به درک کارکرد درونی مدل نمی‌کند.

حتی در صورت برقراری تمام شرایط، آزمایش‌هایی که انجام می‌دهیم کاملا سودمند نخواهند بود. وقتی ابرتقارن توسط جامعه‌ی نظریه‌ی ریسمان در دهه‌ی ۱۹۷۰ توسعه یافته، به ایده‌ای محبوب تبدیل شد که بسیاری از فیزیک‌دان‌های ذرات تلاش کردند آن را از آن خود کنند. آن‌ها تلاش کردند مدل‌های فیزیک پرانرژی را به فراتر از مدل استاندارد توسعه دهند.