چشم‌ها اغلب دارای یک قدرت خرده‌گیرانه ضمنی هستند. اگر عکس بزرگی از یک جفت چشم در ایستگاه اتوبوس قرار دهید افراد در قیاس با زمانی که تصویری از گل‌ها نصب شود، تمایل بیشتری به برداشتن زباله‌ها خواهند داشت. اگر عکسی از دو چشم در اتاق قهوه‌خوری محل کار خود قرار دهید، پولی که افراد خودشان بدون نظارت بابت قهوه در صندوق می‌اندازند سه برابر می‌شود. اگر یک جفت چشم را روی صفحه کامپیوتر نشان دهید افراد در بازی‌های اقتصادی آنلاین سخاوتمندتر می‌شوند.

رفتار - رابرت ساپولسکی

یه اصطلاحی توی جامعه‌شناسی وفلسفه‌ی سیاسی داریم به اسم پان‌اوپتیکون (panopticon). "پان" به معنای همه و "اوپتیکون" از ریشه "اوپتیک" به معنی دیدن. به عبارتی ترجمه‌ی این اصطلاح می‌شه "همه بین". داستان این اصطلاح برمیگرده به اواخر قرن 18. جرمی بنتام، فیلسوف و اقتصاد دان انگلیسی، ایده‌ای رو برای کنترل بهتر یه زندان مطرح می‌کنه. اون پیشنهاد می‌ده یه زندان با ساختمون دایره‌ای شکل بسازیم و در مرکز اون یک برج نگهبانی قرار بدیم که به همه‌ی سلول‌ها دید داشته باشه و نظارت کنه. ساختار اون برج طوری بود که زندانی‌ها نمی‌تونستن متوجه بشن دقیقا چه موقع دارن نظارت می‌شن و آیا الان کسی درحال نگاه کردن به سلولشون هست یا نه. نتیجه‌ی این ایده این بود که زندانی‌ها به دلیل اینکه هر لحظه فشارِ نظارت و ترسِ دیده شدنِ دائم رو روی خودشون حس‌ می‌کردن رفتارشون رو خود به خود تعدیل می‌کردن و تا حد زیادی بدون انجام مداخله‌ی مستقیم، رفتارشون تحت کنترل قرار می‌گرفت.

اگرچه اولین بار پان‌اوپتیکون روی یه زندان اجرا شد اما بعدها اندیشمندان دیگه از تاثیر‌ گذار بودن این ایده روی جمعیت‌های بزرگ‌تر مثل یک جامعه صحبت کردن. برای مثال میشل فوکو پان‌اوپتیکون رو یه ابزار برای کنترل جوامع مدرن می‌دونست‌. معتقد بود که یه نظارت ضمنی و دائمی، حتی اگر واقعی نباشه، برای تغییر دادن رفتار افراد کافی هستش و به جای خشونت و اجبار مستقیم، نوعی قدرت بر ذهن مردم اعمال می‌شه تا خودشون رفتارشون رو تعدیل کنن.
امروزه ما نمونه‌های پان‌اوپتیکون رو جاهای زیادی می‌بینیم. برای مثال دوربین‌های مداربسته با وجود این‌ که خیلی وقت‌ها ممکنه کارایی خوبی توی شناسایی چهره افراد نداشته باشن اما وجودشون یک فشاری رو ایجاد می‌کنه که افراد رفتارشون رو تعدیل کنن. در طراحی اماکن عمومی مثل مدارس، بیمارستان‌ها یا محیط‌های کاری هم این قضیه اعمال می‌شه و طراحی‌شون طوریه که افراد داخلش نظارت رو روی خودشون حس می‌کنن.

هرچند از نظر من ایده‌ی پان‌اوپتیکون خیلی قبل‌تر از این‌ها وجود داشته و اجرا می‌شده‌. نمونه‌ی بارزش ادیان هستن. شما هر دینی رو نگاه کنید داخلش مفهوم "خدایی که همه‌ی اعمال رو نظارت می‌کنه" وجود داره. وجود یک موجودی که همه‌ی اعمال رو می‌بینه و قضاوت می‌کنه باعث می‌شه که افراد رفتارشون رو تعدیل کنن به خاطر حس نظارت شدن. یکی از کاربرد ادیان همین بوده. کنترل کردن جمعیت‌های انسانی.

خوابام کلا از ماتریکس خارج شدن. الان توی خوابی که داشتم می‌دیدم، خوابیده بودم و داشتم خواب می‌دیدم. فکر کنم اینسپشن خیلی روم تاثیر گذاشته.
بعد جالب اینجاست از خواب لایه دوم که بیدار شدم با تمام شواهدی که داخلش بود فکر کردم که اوکی خوابم تموم شده و الان دیگه بیدار شدم و تموم شده و فلان. درحالی که همچنان داشتم خواب می‌دیدم و توی لایه اول بودم😂😂 دارم به این قضیه فکر می‌کنم که نکنه همه‌ی شواهدی که از این زندگی داریم و خودمون رو به خاطرشون بیدار تصور می‌کنیم در واقع داخل یه خواب باشن که صرفا بعد از بیدار شدن متوجه غیر واقعی بودنشون می‌شیم.

تقریبا همه‌ی مدل‌های AI که امروزه فراگیر شدن و ازشون به طور گسترده استفاده می‌شه، از جمله LLMها مثل ChatGPT و Gemini و مدل‌های تولید تصویر و ویدیو مثل Dall- E و Sora، همگی توسط یه زیرشاخه از هوش مصنوعی و ماشین لرنینگ به اسم دیپ لرنینگ (Deep Learning) معماری و ساخته شده‌ن. ظهور مدل‌های دیپ لرنینگ از وقتی بود که محقق‌ها با ساختار سیستم عصبی انسان و مغز و نورون‌هاش بیشتر آشنا شدن و به این فکر افتادن که شبکه‌های عصبی طبیعی رو شبیه سازی کنن و شبکه‌های عصبی مصنوعی رو پدید بیارن. به عبارتی مدل‌های دیپ لرنینگ از ساختار مغز الگوبرداری شده‌ن. جالبه بدونید ایده‌ی مدل‌های دیپ لرنینگ ایده‌ی جدیدی نیست. از دهه‌های 1940 و 1950 محقق‌های زیادی روی این حوزه مطالعه و تحقیق انجام دادن اما به دلایلی، مطالعات روی دیپ لرنینگ بعد از مدتی متوقف شدن و ادامه پیدا نکردن. دوره‌ای که تحقیقات روی این مدل‌ها متوقف شدن و ادامه پیدا نکردن رو به اصطلاح می‌گن "زمستان هوش مصنوعی".

دلایل زیادی برای متوقف شدن این حوزه توی اون دوران وجود داشت. از مهم ترین دلایل می‌شه به کمبود دیتا و کمبود قدرت پردازش اشاره کرد. مدل‌های دیپ لرنینگ برخلاف مدل‌های دیگه‌ی ماشین لرنینگ که توی هوش مصنوعی مورد استفاده بودن به دیتای خیلی بیشتری نیاز داشتن. همچنین استفاده از این مدل‌ها به قدرت پردازش و محاسبات بیشتری به نسبت مدل‌های دیگه‌ی ماشین لرنینگ نیاز داره. برای همین توی اون دوره توجه بیشتر رفت روی مدل‌های دیگه‌ی ماشین لرنینگ که با شرایط اون دوره سازگارتر بودن و نتایج بهتری رو می‌دادن؛ چون نه اونقدری دیتا وجود داشت و نه کامپیوترها اونقدری قوی بودن که بخوان از این مدل‌ها استفاده کنن.

بعد از یه دوره توقف طولانی، دوباره توجه‌ها به سمت مدل‌های دیپ لرنینگ جلب شد. دلایلش واضح بود : دیجیتالی شدن دیتا و افزایش قدرت پردازش کامپیوترها. دیگه دیتاها مثل قبل روی کاغذ نوشته نمی‌شد و به صورت دیجیتالی ذخیره می‌شدن و این باعث شد یه حجم عظیمی از دیتا شکل بگیره. قدرت پردازش کامپیوترها هم به دلیل ظهور GPUها افزایش پیدا کرد. کامپیوترها که توی دوره‌های قبلی از CPU برای محاسباتشون استفاده می‌کردن کم کم شیفت کردن روی GPU که قدرت پردازش بالاتری می‌تونست بهشون بده. این دو دلیل باعث شد تحقیقات روی مدل‌های دیپ لرنینگ مخصوصا توی 15 سال اخیر‌ از سر گرفته بشه و پیشرفت‌های خیلی زیادی در حیطه‌ی هوش مصنوعی انجام بشه که حاصلش رو در حال حاضر می‌تونید ببینید. امروزه مدل‌های مبتنی بر دیپ لرنینگ جایگزین الگوریتم‌های کلاسیک ماشین لرنینگ شده‌ن و پیشرفته‌ترین مدل‌های هوش مصنوعی مبتنی بر مدل‌های دیپ لرنینگ هستن.

کورس دوم هم تموم
این یکی درمورد تنظیم هایپرپارامترها و الگوریتم‌های بهینه سازی توی شبکه‌های عصبی مصنوعی بود.
سطح ریاضیاتش نسبت به اولی خیلی بالاتر بود و مجبور شدم وسطش کلا دراپ کنم برم پایه‌ی ریاضی‌م رو مخصوصا توی جبر خطی و مشتق بهتر کنم بعد دوباره برگردم سراغش.
به هر حال همچنان خیلی باهاش حال کردم؛ هم با ریاضیات تئوری‌ش و هم کدنویسیاش.

یه توضیحی رو من درمورد میزان ریاضیات لازم برای این حوزه طبق تجربه‌ی شخصی خودم بدم برای کسایی که علاقه به شروع دارن. من برنامه نویسی رو حدود پنج سال پیش شروع کردم و طی این مدت به شاخه‌های مختلفی سر زدم و یه نگاه کوچیکی به هرکدوم انداختم. یه نکته‌ای که هر کس بعد از مدتی کد زدن با زبان‌های مختلف بهش می‌رسه اینه که توی برنامه نویسی مهم اینه شما تفکر و منطق الگوریتمی داخل ذهنتون شکل بگیره. یعنی بتونید برای مشکل و هدفی که دارید الگوریتم بسازید. اگر تفکر الگوریتمی توی ذهن شکل بگیره، تقریبا توی اکثر شاخه‌ها و زبان‌ها تا حدود 60 70 درصد کار جمعه. یعنی فرقی نمی‌کنه شما قصد داشته باشید با چه زبانی به چه شاخه‌ای ورود کنید؛ موقع ورود به اون شاخه، حداقل ۶۰ درصد کار رو بلدید. اون 40 درصد باقی مونده هم درواقع ابزارهای مختص اون شاخه و سینتکس و طرز نوشتار زبانش هستش. اما یه تفاوتی وجود داره، شاخه‌های زیرمجموعه دیتا ساینس مثل هوش مصنوعی و ماشین لرنینگ از این درصدها پیروی نمی‌کنن.

حدود چند ماه پیش تصمیم گرفتم وارد شاخه‌ی ماشین‌لرنینگ بشم و این شاخه رو هم امتحان کنم. یه چیزی که در بدو ورود متوجهش شدم این بود که برخلاف شاخه‌های دیگه مثل اندروید، وب و ... تفکر الگوریتمی توی این شاخه فقط 25 تا 35 درصد ماجراس. چون این شاخه درواقع شاخه‌ای از برنامه نویسی نیست، در اصل شاخه‌ای از ریاضیاته و روی ستون‌های قوی‌ای از جبر خطی، دیفرانسیل، آمار و احتمال بنا شده. کدنویسی این شاخه هم اکثرا انجام همین الگوریتم‌ها و محاسبات ریاضیه. در واقع بهتره بگیم کسایی که دارن علم هوش مصنوعی رو جلوتر می‌برن بیشتر ریاضیدان هستن تا برنامه نویس.

پایه‌ی ریاضی مورد نیاز برای این حوزه بستگی به این داره که چقدر می‌خواین داخلش جلو برین. چون همونطور که گفتم، این شاخه در اصل شاخه‌ی ریاضیاته تا برنامه نویسی. کسی که قصد داره به عنوان یه دانشمند و توسعه دهنده‌ی این علم فعالیت کنه به طبع باید ریاضیاتش رو در عمیق‌ترین حالتش یاد بگیره تا بتونه عمق بیشتری به این علم بده و جلوتر ببرتش؛ کسی که هوش مصنوعی رو به عنوان یه شاخه‌ی اصلی توی زندگی‌ش انتخاب کرده هم همین کار رو باید بکنه و ریاضیاتش رو عمیق یاد بگیره.
اما اکثر کسایی که توی این حوزه ورود می‌کنن کسایی هستن که به این شاخه به عنوان یه شاخه‌ی فرعی در کنار رشته‌ی اصلی‌شون نگاه می‌کنن. این افراد نیازی نیست مثل افراد دسته‌ی اول ریاضیات رو کامل و عمیق یاد بگیرن؛ بلکه یه درک متوسط هم کافیه تا بتونن واردش بشن و اون هدفی که توی ذهنشون هست رو بهش برسن.

در هر حال یک چیز رو می‌شه به قطع گفت : ریاضیات جزء جدانشدنی این حوزه هستش و برای ورود بهش نیازه. کسی که ریاضیات این حوزه رو بلد نباشه و صرفا از فریمورک‌ها استفاده کنه شاید اولای کار بتونه یه سری مدل‌ها رو بسازه و نتیجه هم بگیره؛ اما از یه جایی به بعد نمی‌تونه پیشرفت کنه و نمی‌تونه مدلی که ساخته رو بهبود ببخشه. چون بهبود این مدل‌ها نیاز به درک ریاضیات اون مدل داره. اینجا تفاوت کسی که صرفا چهارتا فانکشن از یه فریمورک یاد گرفته و کسی که ریاضیات پشت اون فانکشن‌ها رو یاد گرفته مشخص می‌شه.

از سنین پایین در هر دو جنس و در بین فرهنگ‌ها افراد جذاب، باهوش‌تر، مهربان‌تر و صادق‌تر ارزیابی می‌شوند. ما به احتمال زیاد به افراد جذاب رأی می‌دهیم یا آنها را استخدام می‌کنیم، کمتر آنها را مجرم می‌شناسیم و اگر مجرم شناخته شوند به احتمال زیاد مجازات‌های کوتاه‌تری برایشان در نظر می‌گیریم. قابل توجه است که قشر میانی اوربیتوفرونتال هم زیبایی چهره و هم حسن رفتار را ارزیابی می‌کند و سطح فعالیت آن طی یکی از آن وظایف، سطح دیگری را پیش بینی می‌کند. مغز وقتی به ذهن‌های زیبا، دل‌های زیبا و استخوان‌های گونه زیبا فکر می‌کند، کارهای مشابهی انجام می‌دهد و فرض می‌کند که استخوان گونه حاکی از مطلبی در مورد ذهن و قلب است.
اگرچه ما اطلاعات زیر آستانه‌ای را از نشانه های فیزیکی مانند وضعیت بدن به دست می‌آوریم، بیشترین اطلاعات را از چهره‌ها دریافت می‌کنیم. در طول چرخه تخمک گذاری، شکل صورت زنان به صورت ظریفی تغییر می‌کند و مردان صورت زنان در زمان تخمک گذاری را ترجیح می‌دهند. شرکت‌کنندگان وابستگی سیاسی یا مذهبی افراد را با دقتی بالاتر از شانس فقط با نگاه کردن به چهره‌ها حدس می‌زنند. افرادی که خجالت زده به نظر می‌رسند - گونه هایی سرخ، چشمان گریزان از نگاه و صورت‌هایی کشیده به سمت پایین و پهلو - راحت‌تر از افراد دیگری بخشیده می‌شوند که تخلف یکسانی انجام داده‌اند.
چشم‌ها بیشترین اطلاعات را می‌دهند. از دو چهره با احساسات متفاوت عکس بگیرید و با بریدن و چسباندن، قسمت‌های مختلف صورت را بین آن دو تغییر دهید. چه احساسی تشخیص داده می‌شود؟ همان احساسی که در چشمان فرد وجود دارد.

رفتار - رابرت ساپولسکی

ایشون یه چیزی بهم گفت که تسکین قلب من شده:

فکر نکن آدم‌ها همدیگه رو به دلیل خصوصیاتشون دوست دارن. آدما بدون دلیل همدیگه رو دوست دارن، بعدش می‌گردن براش دلیل پیدا می‌کنن.

اگر از یکی بپرسی چرا منو دوست داری؟ اون حس دوست داشتنی که داره وقفه‌ای نداره اما برای جواب دادن به تو وقفه می‌ندازه و با فکر کردن بهت دلیل می‌ده.
پس دوست داشتن از دلایل جلوتره.

ناسا امروز عکس جالبی رو به عنوان astronomy picture of the day منتشر کرده. توی مرکز تصویر یه درخت بائوباب رو می‌شه دید که بیشتر از هزار سال می‌تونه عمر کنه. بالای درخت کهکشان آندرومدا دیده می‌شه که چند میلیارد سال عمر داره و در کنارش یه اسپرایت رو می‌شه دید که عمرش فقط چند میلی ثانیه‌س؛ و جالبه که عکاسِ این عکس یه انسانه که عمرش از بعضیاشون کمتر و از بعضیا بیشتره و همچنان این سه تا پدیده رو داخل یه عکس ثبت کرده.

درمورد‌ اسپرایت‌ها این رشته پست رو می‌تونید بخونید

ما و همه‌ی شکل‌های دیگه‌ی حیات محصول مرگ ستاره‌هاییم.

میلیون‌ها سال خورشید داره به عنوان تامین کننده‌ی انرژی حیات عمل می‌کنه. جاندارهایی که می‌تونن از انرژی خورشید استفاده کنن اون رو به شکلی درمیارن که برای جاندارهای دیگه قابل استفاده باشه. اما انرژی به تنهایی نمی‌تونه کاری رو از پیش ببره. نیازه که اتم‌ها وجود داشته باشن تا بتونن انرژی رو برای پدید آوردن و ادامه دادنِ حیات به کار ببرن.

کربن به عنوان اتمی که تقریبا توی همه‌ی مولکول‌های بیولوژیک وجود داره مهم‌ترین نقش رو در تشکیل و ادامه‌ی حیات داره؛ به طوری که حیاتِ روی زمین رو به اصطلاح می‌گن حیاتِ بر پایه‌ی کربن.
ما می‌دونیم که خورشید داره به طور پیوسته با همجوشی هسته‌ای هیدروژن رو به هلیم تبدیل می‌کنه‌. این واکنش همین جا به پایان می‌رسه و تنها عنصری که خورشید توانایی تولیدش رو داره هلیم هستش. پس کربن از کجا اومده؟ اتم‌های بیولوژیکِ دیگه چطور؟

تنها نقطه از کیهان که عنصری با عدد اتمی بالاتر از هلیم به وجود میاد قلبِ یک ستاره‌ هستش. میزان سنگین بودن عنصری که یک ستاره می‌تونه تولید کنه به جرم اون ستاره بستگی داره. هرچقدر جرم ستاره بیشتر باشه می‌تونه فشار بیشتری رو برای غلبه کردن بر نیروی دافعه‌ی بین هسته‌ی اتم‌ها ایجاد کنه و هسته‌های سنگین‌تری رو به وجود بیاره.

اتم کربن حاصل یه فرایند نادر و پرفشار به اسم فرایند آلفای سه گانه (Triple-alpha process) هستش. در این فرایند سه اتم هلیم تحت فشار بالا به همدیگه می‌پیوندن و اتم کربن رو به وجود میارن. این فرایند فقط توی یه ستاره با جرم بالا انجام می‌شه و خورشید ما میزان جرم کافی برای انجام این فرایند رو نداره.

ستاره‌های پرجرم موقع مرگ تحت فرایندی به اسم ابرنواخر یا سوپرنوا (supernova) منفجر می‌شن. بعد از انفجار، ستاره میزان زیادی از عنصرهایی که داخلش تولید شده بود رو به فضای اطراف پراکنده می‌کنه و به جاهای دوردست می‌رسونه.
منظومه‌ی شمسی ما در ابتدا یک ابر مولکولی متشکل از گاز و غبار باقی مونده از مرگ و سوپرنوای ستاره‌های پرجرم بود. داخل نقطه‌ای از این ابر مولکولی، تحریکی ایجاد شد و باعث شد خورشید ما شکل بگیره و شروع به درخشش و تولید انرژی کنه. باقی مونده‌ی این ابر مولکولی که غنی از فلزات و عناصر با عدد اتمی بالا بود شروع به چرخیدن اطراف خورشید کرد و سیاره‌ها رو به وجود اورد.

بعد از تشکیل زمین، تا مدت زیادی سطحش داغ بود و پیوسته مورد بارش‌های شهابی قرار می‌گرفت که باعث می‌شد عناصر جدید بهش اضافه بشن. این شهاب‌ها اکثرا حاصل سوپرنواهای ستاره‌های دیگه بودن. بعد از مدتی، زمین خنک‌تر شد و سطحش غنی از مولکول‌های مختلف شد.
انرژی نور خورشید باعث شد این مولکول‌ها باهم دیگه پیوند بخورن و مولکول‌های اولیه‌ی حیات به وجود بیان. از جمله اتم کربن که ستون فقرات این مولکول‌ها به شمار می‌رفت. بعدها این مولکول‌های اولیه پیچیده‌تر شدن و اولین سلول‌ها رو به وجود آوردن. این سلول‌ها هم به تدریج تکامل پیدا کردن و پیشرفته‌تر شدن و در نهایت همه‌ی شکل‌های امروزی حیات از جمله ما رو به وجود اوردن.

درسته که خورشید انرژی حیات رو تامین می‌کنه اما ماده‌ی حیات رو خورشید به وجود نیاورده. تقریبا تموم اتم‌های کربن بدن ما و حتی اتم‌های سنگین‌تری که روی زمین وجود دارن همگی توی قلب یه ستاره پرجرم تولید شدن و به منظومه شمسی رسیدن. حیات ما حاصل از مرگ ستاره‌هایی بود که عنصرهاشون رو در اختیار بقیه‌ی کیهان گذاشتن؛ بنابراین هرچند ما الان داخل منظومه شمسی زندگی می‌کنیم، اما از لحاظ بنیادی بهش تعلق نداریم و از جای دیگه‌ای اومدیم.

یه تعدادی از پستای جدید رو هنوز لینک نکرده بودم روی پیام فهرست. الان اومدم انجام بدم دیدم ظرفیت این پست برای لینک شدن تموم شده و به نظر میاد تلگرام محدودیت داره روی این قضیه.
احتمالا دوباره فهرست رو درست کنم و این دفعه هر پست رو مختص یه مبحث کنم و در نهایت هرکدوم از پست‌های فهرست رو لینک کنم روی همین پیامِ فهرست اصلی.

● نجوم

☆ستون‌های آفرینش یا Pillars of Creation
☆چرا ستاره‌ها باید می‌مردن تا ما متولد بشیم
☆آسمون شب پس از برخورد کهکشان آندرومدا
☆تکنیک دیدِ جانبی برای رصد اجرام کم‌نور
☆شهاب‌ها
☆تفاوت شهاب‌ها و دنباله‌دارها
☆ساختار دنباله‌دارها
☆چرا دنباله‌دارها در طول تاریخ شوم دونسته می‌شدن؟
☆دنباله‌دار هالی و مشاهداتش در طول تاریخ، پست اول - پست دوم - پست سوم - پست چهارم
☆صورت فلکی اوریون
☆ستاره‌های صورت فلکی اوریون
☆سحابی اوریون
☆کاوشگرهای وویجر
☆محتویات دیسک وویجر
☆طرح روی دیسک وویجر
☆گذار کوانتومی هیدروژن به عنوان واحد اندازه‌گیری بین تمدن‌ها
☆تپ‌اخترها
☆نقشه‌ی تپ‌اختری کارل سیگن از موقعیت زمین
☆پدیده‌ی tidal lock در حرکت ماه
☆لایبریشن در حرکت ماه
☆پروژه‌ی luna برای عکس‌برداری از سطح غیر قابل مشاهده ماه
☆پروژه‌ی LRO
☆فرضیه‌های به پایان رسیدن جهان هستی

.

● نوروساینس

☆معرفی یه پلی‌لیست برای نورولوژی و نوروساینس
☆نورون
☆پتانسیل عمل
☆آستانه‌ی پتانسیل عمل
☆سیناپس
☆نوروترنسمیتر، انواع گیرنده‌ها و عملکردشون
☆فاکتورهایی که نقش یه نوروترنسمیتر رو تعیین می‌کنن
☆سانتیاگو کاخال و کشفش درمورد سیستم عصبی، نوبل پزشکی1906
☆طراحی‌های کاخال از سیستم عصبی
☆ساختار شبکیه‌ی چشم انسان
☆عملکرد ناحیه‌ی fovea شبکیه چشم در دقت و جزئیات
☆دلیلِ پرنور شدن اجرام آسمانی موقع نگاه به منطقه‌ی اطرافشون
☆وابستگی درک ما از دنیای اطراف به گیرنده‌های حسی
☆پدیده‌ی سوگیری منفی و تاثیر بیشتر اتفاقات منفی روی ذهن

.

● پزشکی و فارماکولوژی

☆دلیل نام‌گذاری مهره اول گردن به اسم اطلس
☆سردرد ناشی از کمبود آب
☆سردرد الکلی
☆مکانیسم عملکرد کافئین و لیدوکائین
☆نقش دوپامین در پارکینسون و ADHD
☆مکانسیم اثر داروهای اعصاب و روان
☆چرا داروهای اعصاب و روان دارای عوارض متعدد هستن
☆مکانیسم عملکرد داروهای گروه SSRI
☆شاخص گلایسمی در مواد غذایی
☆فرایند پاسخ‌دهی سلول‌ها به کمبود اکسیژن، نوبل 2019
☆ایوان پاولف و کشف‌هاش درمورد دستگاه گوارش، نوبل 1904
☆سانتیاگو کاخال و کشفش درمورد سیستم عصبی، نوبل پزشکی1906
☆طراحی‌های کاخال از سیستم عصبی
☆ماجرای کشف فرایند فاگوسیتوز توسط ایلیا مچنیکوف، نوبل پزشکی 1908
☆فرانک نتر، خالق کتاب اطلس آناتومی نتر، پارت اول - پارت دوم
☆طرح جلد کتاب هاریسون

.

● تکامل و انتروپولوژی

☆دلیل ناتوان بودن نوزاد انسان موقع تولد
☆نقش کشف آتش در افزایش حجم مغز انسان در طول تکامل
☆تکامل مفهوم "خدا" در جوامع انسانی