Az eddig kvantumszámítógépek, legalábbis a működő kvantumszámítógépekre tett kísérletek teljes laboratóriumokat megtöltő, egyedi készülékek. Hamarosan csökkenhet a méretük, mert az Innsbrucki Egyetem fizikusai ioncsapdán alapuló gépet építenek, amely egyrészt, ipari területeken is alkalmazható lesz, másrészt két 19 colos rackszekrényben elfér. (Ilyen rackszekrények találhatók világszerte az adatközpontokban.)

Egy rackszekrény jellemzően zárható, fémből készült, infokom berendezéseket és kábelezési termékeket tárolnak, rendszereznek benne. Vannak álló és fali változatai, méretük szélességben és magasságban is eltérhet. A szabványos 19 colosat (azaz 482,6 milliméter széleset) évtizedek óta használják, ez a legjellegzetesebb.

Az Innsbrucki Egyetemen három évtizede foglalkoznak kvantumszámítógépekkel, mostani projektjük, az EU egyik „zászlóshajó” infokom programjának keretében, egy kompakt ioncsapdás gép, jelentős változást hozhat a 30-50 négyzetméteres laborok után. A kutatók elmondták, hogy az összes ipari szabvány betartásával igyekeznek a szerkezetet az eddigieknél jóval kisebb térben üzemeltetni.

Ez pedig azt is jelenti, hogy hamarosan adatközpontokban is használhatnak kvantumeszközöket, a technológia készen áll, és a teszteken kiderült: a kompaktság nem megy a funkcionalitás rovására.

A világ első kompalt kvantumszámítógépének egységei szignifikáns mértékben kisebbek, például az ioncsapdának „otthont adó” vákuumszoba töredéke az eddigieknek. Ezt az egységet a felsőoktatási cég és az Osztrák Tudományos Akadémia közös leányvállalata, az Alpine Quantum Technologies (AQT) fejlesztette. Más komponensek a jénai Optikai Fraunhofer Intézet és a müncheni lézerspecialista TOPTICA Photonics munkái.

A gép autonóm módban is működhet, hamarosan programozható lesz online. Az egyik legnagyobb kihívást a stabilitás biztosítása jelentette. Ezek a szerkezetek rendkívül érzékenyek, laborokban számtalan védőmegoldással óvják őket a külvilág hatásaitól, és most ilyen megoldásokat sikerült alkalmazni a sokkal kisebb komputerre, garantálva a megszakítás nélküli, biztonságos működést.

A stabilitás mellett a rendelkezésre álló kvantumbitek (qubitek) száma a másik meghatározó tényező. A német kormány korábban 24-ben definiálta a mércét, az Innsbrucki Egyetem ezt már teljesítette, jövőre pedig el akarják érni az ötvenet.

Június 9-én a közép-amerikai El Salvador a világ első országaként, nemzeti fizetőeszközként fogadta el a bitcoint, ezentúl tehát üzleteknek el kell fogadni, ha valaki a kriptovalutával fizet, és az állampolgári adóterhek is leróhatók bitcoinban.

Egy nappal később Nayib Bukele, az ország elnöke már arról tweetelt, hogy utasított egy állami tulajdonban lévő, geotermikus energiával foglalkozó vállalatot: tegyék lehetővé a kriptovaluta nagyon olcsó és környezetbarát bányászatát.

„Száz százalék tiszta, száz százalék újrahasznosítható, nulla százalék károsanyag-kibocsátás” – fogalmazott, az El Salvadorban található sok vulkánra utalva.

A kriptovalutáknak több előnyük van a fizikai formátumú pénzzel szemben, például rendkívül nehezen hamisíthatók, és biztonságosak a tranzakciók. Ugyanakkor nagyon komoly hátrányuk az a folyamat, ahogy a tranzakciókat rögzítik, és az új egységeket bevezetik a forgalomba.

Ez a folyamat a bányászat. Döbbenetesen energia-intenzív, számítógépeknek elképesztően nehéz matematikai feladványokat kell megoldaniuk. Egy év alatt több áram megy el rá világszinten, mint Argentína éves energiafogyasztása – állapították meg a Cambridge Egyetem kutatói.

Ennek az energiának a túlnyomó többsége szenet kibocsátó fosszilis üzemanyag. Számszerűsítve: a bitcoin-bányászat évente kb. 37 megatonna széndioxidot generál.

A geotermikus energia földből kinyert hő, El Salvadorban ez az energia a vulkánokból jön. Becslések szerint az országban lévő lehetőségek kétharmada kihasználatlan. Így pedig a bitcoin hivatalos fizetőeszközzé tételével a kriptovaluta, a lakosság és a környezet is jól jár.

A bitcoin állami szintű legitimálásával tartalékvalutává válik, a salvadori példát mások is követhetik. Arról a tényről se feledkezzünk meg, hogy El Salvador Észak- és Közép-Amerika legszegényebb országa, és a bányászok tevékenységükért kapják a kriptovalutát. Ha viszont a „bányászlétesítmények” tiszta és olcsó geotermikus energiával fognak működni, az ország globális bányász-csomóponttá válhat, amivel nyilvánvalóan a gazdaság is fellendül.

Kérdés, hogy a salvadoriak hogyan viszonyulnak majd a stabilnak egyáltalán nem nevezhető kriptovalutához, tényleg használják, vagy minden marad a régiben, azaz ugyanúgy dollárral fizetnek, mint eddig.

A BlueDot és a Healthmap mesterségesintelligencia-alapú egészségügyi monitoring rendszerek egy héttel az Egészségügyi Világszervezet (WHO) első figyelmeztetése előtt jelezték, hogy Wuhan térségében új járvány tört ki.

Amikor egy fiatal technológia korábban ismeretlen betegséggel „találkozik”, a sikerek mellett törvényszerűen sokszor mellé is fog. Az eredményeire alapozva viszont jobban fel tudunk készülni a következő járványokra, és hogy hogyan kerüljük el azokat.

A Gradient online gépitanulás-újság biomedicina mérnöke, Maxime Nauwynck felmérést készített az MI Covid-19 elleni teljesítményéről. Megállapította, hogy a rendszerek egyes területeken nem váltották be a hozzájuk fűzött reményeket, másokon viszont komoly eredményeket értek el. A szerző csak a koronavírus-járvány elleni küzdelemre fejlesztett és alkalmazott mesterségesintelligencia-megoldásokat vizsgálta.

Az első hónapokban többszáz tanulmány áradozott a betegséget a tüdőről készült szkenek alapján azonosító rendszerekről. Ezzel szemben, a klinikai gyakorlatban nagyon keveset használnak közülük. Zömük rosszul felépített nyilvános adatsorokkal dolgozik, outputjaikra nincs értelmes magyarázat, és a minőség-ellenőrzés sem mindig adekvát.

A korai MI-modelleknek komoly problémát okozott az adathiány, de végül amerikai és brit kutatóknak sikerült a járvány terjedését visszakövető, hatásait előrejelző rendszereket fejleszteni.

Az USA Élelmiszerbiztonsági és Gyógyszerészeti Hivatala (FDA) sürgősséggel engedélyezte két MI-startup, a BenevolentAI és az AbCellera gépitanulás-központú gyógyszerfejlesztési megoldásait. A Moderna vezetősége szerint az MI sokat segített vakcinájuk gyors előállításában.

Kínában és az Egyesült Államokban sok beszélgető online robot (chatbot) segítette a túlterhelt egészségügyi dolgozók munkáját. Többek között páciensek kérdéseit válaszolták meg, az orvossal való találkozást egyeztették le betegekkel stb.

Vitatott kérdés a gépilátás-rendszerek tevékenysége. Egyrészt, például a kötelező társadalmi távolság (social distancing) betartásának megfigyelésével segítik a hatóságokat, Franciaországban megállapítják, hogy ki nem hord maszkot közterületen, másrészt viszont ezek az alkalmazások erősen súrolják a magánélethez való alanyi jogok (privacy) megsértésének határát.

Összességében kiderült, hogy az MI ugyan nem csodaszer, viszont nagyon fontos segítség a járvány elleni harcban.

2016. április elsején, azaz Bolondok Napján a Google Amszterdam utcáin, hatalmas forgalomban közlekedő önvezető kerékpárról töltött fel titokban egy videót a világhálóra. Két nappal később a mozgóképanyag virálissá vált, végigsöpört az interneten, mindenki elhitte, amit látott. A cég később elmagyarázta, hogy az élmény nem az autonóm járműnek, hanem a szenzációs szerkesztésnek, vágásnak volt köszönhető.

Nem történt csoda.

Öt évvel később, Zhi Hui Jun, a több mint 800 ezer követővel rendelkező pekingi vlogger négy hónapot (főként hétvégéket) töltött el azzal, hogy a Google áprilisi tréfája valósággá váljon.

Komplex automatikus vezérlőrendszert tervezett, hogy a bicikli zavartalanul működjön. Érzékelőkből és elegendő számítási teljesítményt garantáló chipből álló hardverhálózatot dolgozott ki és telepített egy kerékpárvázra. A hardverhez egyedi igények szerint módosítható érzékelő- és vezérlőalgoritmusokat fejlesztett.

Szenzorrendszere mélységérzékelő kamerából, lidarból és gyorsulásmérőből áll. Elemmel működő motorok biztosítják a mozgást, segítik a kormány önműködését, forgatják az egyensúlyt fenntartó giroszkópot.

A Szélsőségesen Természetellenes Ön-navigáció (eXtremely Unnatural Auto-Navigation, Xuan) nevű rendszer, azaz a vezető nélküli kerékpár állva marad, navigál, elkerüli az ütközéseket.

Az akadály-elkerülés, az úttervezés és a tárgykövetés modelljei az ülés mögé épített Huawei Ascend 310 processzoron futnak. Zhi Hui Juan a Huawei Ascend szoftverével és a Robotika operációs rendszerrel fejlesztette őket. Sikerült megvalósítania, hogy a bicikli különféle alrendszerei jól kommunikáljanak egymással.

A járművet többször tesztelte, és még tárgyakkal történt ütközés után, valamint akkor is megőrizte egyensúlyi állapotát, amikor egy szatyrot tett a kormányra.

Akármennyire is viccesen hangzik, az önvezető kerékpár nem tréfa. A DARPA 2004-es Grand Challenge megmérettetésén például részt vett egy robot motorkerékpár. Az önvezető járművek körüli hype-ot kihasználva, a pekingi vlogger érdekes „csináld magad” (Do It Yourself, DIY) projektet valósított meg. Eredményeit felhasználhatják a jövő e-kerékpárjainak fejlesztésekor, de élelmiszer-szállításra szintén használhatnak ilyen járműveket, vagy ha nagyon sokat tekerünk, és szeretnénk közben szusszanni egyet.

Mi történik, ha mesterséges intelligencia tervez számítógépes chipeket? Például csökkennek a fejlesztési költségek, ami komoly, robbanásszerű változásokat hozhat a computer-gyártásban, különösen az adatok speciális feldolgozását igénylő területeken. 

A Google ezen az úton jár, mérnökei megerősítéses tanulással (Reinforcement Learning, RL) rendezték el a tenzorfeldolgozó egységük (TPU) legújabb változatának alapját jelentő többmilliárd tranzisztort. A TPU-chipeket komoly számításokat végző ideghálókra optimalizálják.

A Google 2015-ben mutatta be az első TPU-t, ma ezek a – fejlesztők számára a nagyvállalat számítási felhőjében (Google Cloud) elérhető – chipek működtetik az olyan szolgáltatásokat, mint például a keresés vagy a fordítás.

A tanulórendszer nagyon jól teljesített, a tervet hat óra alatt készítette el. Összehasonlításként: az eddigi módszerekkel ugyanez hetekig eltarthatott volna.

A chiptervezés olyan, mint egy társasjáték. A szilíciumréteg a táblára emlékeztet, a paraméterek, mint például a makrók száma vagy a topológiák a játék különféle elemeihez, míg a kiértékelési mutatók a győzelmi feltételekhez hasonlítanak. A megerősítéses tanulás kifejezetten jól működik ilyen feltételek mellett.

A kutatók tízezer chipből álló adatsorokon 48 óráig gyakoroltattak egy ideghálót. A háló a chipekről átalakítható reprezentációkat generált. Míg az előzetes gyakorlás felügyelet mellett ment, egyes fontos részei megerősítéses tanulással történtek. A bemenet egy adott tervrajzhoz kapcsolódott, az MI „jutalmat” kapott a torlódások és a vezetékhossz csökkentéséért. A rendszer hat óra alatt kivitelezte a finomhangolást.

A Google mérnökei meglévő TPU-t tervező személyek alkotta csapat munkájával hasonlították össze a mesterséges intelligencia által generált outputot, és a drasztikus időbeli különbség mellett az is kiderült, hogy a vezetékhossz és a fogyasztás szempontjából az MI legalább olyan jól, de általában jobban teljesített, mint a mérnökök.

Hosszú évek óta sokan próbálkoznak az internet vizualizálásával, térképes megjelenítésével. Az online közeget gyakran hívják a geográfia képzetét keltő cybertérnek, viszont nagyon nem evidens, hogy milyen legyen a térkép. Álljon csövek sorozatából, vagy az online szférát meghatározó mamutcégeken legyen a hangsúly? Mindkettőre voltak már kísérletek.

Martin Vargic, 23 éves pozsonyi autodidakta grafikus szerint egyik sem jó, számára inkább egy 18. századi térkép, annyi különbséggel, hogy országok és városok helyett a világ kb. háromezer legnagyobb forgalmú honlapja szerepel a kartográfia aranykorát idéző anyagban.

A hasonló oldalakat kontinensekbe és régiókba csoportosította. Az éves mérések alapján a Google a legnagyobb, a YouTube a második, és így tovább. Vargic közel ezer órát dolgozott a térképen, végül többtucat különböző kontinensig és régióig jutott el.

Olyan kategóriákat használt, mint például híroldalak, keresőmotorok, közösségi hálózatok, e-kereskedelem, felnőtt szórakozás. A kategóriák alkategóriákra bontásakor több mint tízezer várost állapított meg, de még a hegyek, tengerek, dombok és völgyek is honlapok tulajdonságaihoz társíthatók. Nagyobb oldalakhoz többszáz alkategória-címke kerül.

A tizenegy éves kora óta kartográfiával foglalkozó Vargic öt évezred irodalmát, egy esetleges atomháború hatásait, rajzfilmeket, összességében, sok témát térképesített már, könyvei is jelentek meg róluk.

Egy térkép különlegessége, hogy pillanatfelvétel. A történelem folyamán a határok gyakran változtak, és hiába tűnik egy-egy térkép állandónak, előbb-utóbb elveszíti aktualitását. Az internetre ez hatványozottan igaz, csak a határok nem háborúkkal, hanem gazdasági tevékenységekkel módosulnak.

Vargic első internet-térképét 2013-ban kezdte, 2014-ben fejezte be, és folyamatosan figyeli a világháló fejlődését. A MySpace, a Geocities, az Orkout és más egykor népszerű oldalak felemelkedése és bukása kimaradt neki, de azóta semmi. Ugyanakkor lehetetlen számon tartani például az összes YouTube videót vagy tweetet – emlékeztet, tehát 2021-es adatokon alapuló térkép egyes részletei is elavultak, néhány év múlva pedig az egész válik kövületté. Tíz éve hol volt még a TikTok vagy a Zoom?

2014 óta megnőtt a nem angol nyelvű oldalak száma és népszerűsége, az ötven leglátogatottabb harmada kínai, és a forgalom tekintetében a QQ, a Baidu, a Tmall és a Sohu túlszárnyalja az Amazont, a Yahoo-t, sőt, magát a Facebookot is. Folyamatosan emelkedik az indonéz, iráni, brazil stb. honlapok száma is.

Vargic igyekezett megjeleníteni ezt a váltást, és azt javasolja, hogy térképére inkább történeti relikviaként, és ne kalauzként tekintsünk.

Hozzászoktunk, hogy filmektől zenékig, vásárlástól hírekig, online algoritmusok megpróbálják kitalálni a preferenciáinkat. Nemcsak abból indulnak ki, hogy mire kerestünk rá, mit olvastunk, hallgattunk, hanem e tevékenységek más tevékenységeinkhez való kapcsolatát is elemzik.

A technológia, az együttműködéses szűrés (collaborative filtering) viselkedésünk rejtett mintázatait és mások viselkedését vizsgálva, jelzi előre, hogy mi iránt érdeklődhetünk, mi tetszhet.

De mi történik akkor, ha az algoritmusok viselkedésünk helyett az agyunkból jövő válaszokkal dolgoznak? Az ötlet sci-finek hangzik, a Koppenhágai és a Helsinkii Egyetem számítás- és idegtudományi szakemberei azonban bemutatták, hogy az agyalapú együttműködéses szűrés működik. Az adott személy agyi reakcióinak mintázatait másokéval összekapcsoló algoritmus előrejelezte, hogy az illető vonzódni fog-e egy korábban soha nem látott archoz, vagy sem.

Az új agy-számítógép interfészt az agy idegtevékenységén gyakoroltatták, és az alapján végzi előrejelzésit. A kutatók szerint elég szofisztikált ahhoz, hogy pontos legyen.

Az idegi mintázatokat más résztvevők adataihoz kapcsolva, az algoritmus tényleg jól működik, viszont kétélű fegyver lehet: egyrészt hasznos idegtudományi eszköz, másrészt az agytevékenységünkön alapuló személyre szabott hirdetések lidérces világát is előrevetíti.

A kutatók elmondták, hogy fejlesztésük Netflix-szerű ajánlólistákat, célzott hirdetéseket generálhat. Egyelőre nem eldöntött, hogy csak arcokra érvényes, mert elképzelhető, hogy túl a személyes vonzódásokon, a preferenciák általános idegtani kifejeződésével kapcsolatban is felfedeztek valamit. Pontosan ezért lesz majd lehetséges a technológia segítségével filmeket, könyveket, zenéket stb. is ajánlani.

Az algoritmus elménkben olvas, és preferenciáinkat autentikusabban mutatja meg, mint ahogy egy felmérésből, interjúból kiderülnek – állítják a fejlesztők. Egy felmérés során taktikázunk, előítéleteink vannak, részrehajlók vagyunk, a gép viszont puszta adatokkal dolgozik.

Számítástudományi szakemberek évtizedek óta mindenféle bonyolult mechanizmust és technológiát terveznek, fejlesztenek, amelyekkel az általános, azaz az emberével azonos szintű mesterséges intelligenciát próbálják megvalósítani. Az intelligens élethez társítható jelenségeket, például a látást, a nyelvet, érvelést és következtetést, motorikus képességeket stb. igyekeznek gépekbe másolni.

Az így létrejött MI-rendszerek korlátozott környezetben hatékonyan oldanak meg speciális feladatokat, viszont az állatokra és az emberre jellemző általános intelligenciától egyelőre még elég távol vannak.

A Google-hoz tartozó és a szakterületi fejlesztések egyik zászlóshajójának számító londoni DeepMind kutatói szerint az intelligencia és hozzá társított képességek nem bonyolult feladatok megformálásával és megoldásával, hanem a jutalommaximalizálás egyszerű, de hatékony elvéből alakulnak ki.

A természet így, és nem komplex organizmusok felülről lefelé (top-down) történő tervezésével működik. A természetes kiválasztódással és a véletlenszerű változatokkal az evolúció évmilliárdjai során fejlődtek ki a túlélésre és szaporodásra alkalmas életformák. A környezet viszonyait és kihívásait jobban kezelők sikeresnek bizonyultak, a többiek elpusztultak.

A gépi értelemnek is ilyen közegekben kellene túlélnie. A jutalom maximalizálásával mért sikerhez az intelligenciához társítható kifinomult képességek kellenek, a maximalizálás célja magában foglalja az intelligencia sok, vagy akár összes célját – állítják a kutatók.

A fejlesztői körökben gyakran túlhájpolt megerősítéses tanulás közben az algoritmus az előre programozott jutalmat keresve, sajátítja el a feladat megoldási módját, és pontosan ezért, ez a technika számolhatja fel a speciális és az általános MI közötti határokat. Nem kell hozzá új technológia, könnyen elképzelhető, hogy máris minden adott, mindent kifejlesztettek hozzá.

A DeepMind azokhoz a kisebbségben lévő szakemberekhez csatlakozott, akik vitatják a többségi véleményt, mely szerint nincsenek még meg az általános MI technikai feltételei, technológiai innovációk sora kell hozzá. Ha a jutalomra összpontosító magatartás a természetes evolúcióban „bizonyított” már, miért lenne másként a mesterségesben? – érvelnek.

Érveik több feltételezésen alapulnak, például hogy a próba-hiba (trial-and-error) módszerrel működő megerősítéses tanulás algoritmusok valamilyen hardverarchitektúrában képesek „valódi” intelligenciává válni. Vitatható, de nagyon érdekes álláspont.

Három amerikai cég automatizált körömlakkozó eszközöket gyárt. A robotikát és a gépi látást kombináló rendszerek egyre népszerűbbek a szépségiparban, az ő technológiáik egy markáns trend legújabb lépései: mesterségesintelligencia-technikák kezdik meghódítani a területet.

A nemrég San Franciscói kirakattal bemutatkozott Clockwork hivatalokban és boltokban akarja telepíteni a gépeit, a Nimble és a Coral pedig kifejezetten az otthoni felhasználókat célozza meg. Mindhárom vállalat gőzerővel dolgozik a termékein, a hivatalos indulás előtt ezt-azt átalakítanak még rajtuk.

De milyenek, és hogyan működnek ezek a gépek?

A felhasználó kiválaszt egy színt, kezét vagy az egyik ujját a kenyérpirító-méretű gép nyílásába dugja. A rendszer leszkenneli az ujjhegyeket, és az automatizált festékadagoló, egyes esetekben, ecsetben végződő mechanikus kar befesti a körmöket.

Ezek a rendszerek kezdik helyettesíteni a mesterséges intelligenciát, gépi tanulást egyáltalán nem használó, korábbi körömfestő gépeket.

A három startup mellett természetesen a szépségipar más, nevesebb szereplői is alkalmazzák az új technológiákat.

A L’Oréal és az Estéé Lauder például arcfelismerés segítségével dönt az adott személy bőrtónusához legjobban passzoló színkombinációról. A felhasználók arcképet töltenek fel magukról a cégek által jelzett oldalakon, és az MI munkába áll.

A Neutrogena Skin360 rendszere az ügyfél arcát vizsgálva ad neki egyedi bőrápolási tanácsokat. Biztos sokan emlékezünk még a néhány éve berobbant, szelfijeinket automatikusan megszépítő Meitu appra is…

A Clockwork, a Nimble és a Coral gépei azért is ígéretesek, mert az amerikaiak 2020-ban 8,3 milliárd dollárt költöttek körömápolásra, azaz komoly igény van rá. Az automatizált rendszerek egyrészt gyorsabbak, mint az ember, másrészt, ha valaki a járvány miatt, de akár utána is igyekszik tartani a társadalmi távolságot, nem kell manikűröshöz járnia. Ugyanakkor azt se felejtsük el, hogy egyik-másik rendszer tényleg elveheti eleve alacsony fizetésű személyek munkáját.

A négy meg nem nevezett amerikai nagyvállalatnak dolgozó izraeli Datagen és más cégek többezer szimulált embert, digitális kamulényt készítettek már. Egyikük sem játék-avatár, nem animált karakter filmekben.

Ezekkel a szintetikus adatokkal fejlesztőik a gépitanulás-algoritmusok megnőtt étvágyát akarják kielégíteni, valós adatok gyűjtésének idő- és pénzigényes folyamatát igyekeznek kiváltani velük, de legalábbis olcsóbb alternatívát kínálnak.

A legnagyobb vetélytárs, a San Francisco székhelyű Synthesis AI szintén kívánság szerinti (on-demand) digitális embereket ajánl az ügyfeleknek. Az iparág fellendülőben van, egyre több vállalat generál változatos területeken (média, autóipar, pénzügyek, biztosítás, egészségügy stb.) felhasználásra kerülő szintetikus adatokat.

A Datagen első lépésben húsvér embereket szkennel le. Munkakapcsolatban áll azokkal az eladókkal, akik óriási testszkennerekkel személyekről rögzítenek adatokat. Az illetők beleegyezésével teszik ezt, fizetnek nekik érte. A gépek az írisztől a bőrtextúráig, az ujjhajlatoktól a fülekig, a test legapróbb részleteit is megörökítik.

A nyers adatok feldolgozása a következő lépés. Algoritmusok többször átmennek rajtuk, míg el nem készül az adott személy testének, arcának, szemeinek, kezének stb. 3D-s megjelenítése, miközben torzítanak is rajtuk annyit, hogy ne lehessen felismerni őket.

A szintetikus adatoktól sokáig ódzkodtak, manapság viszont többek szerint ez a megoldás, mert nem olyan rendezetlenek, vagy elfogultak, mint a valódiak, ráadásul az egyre szigorúbb személyiségi jogi (privacy) kritériumokat sem kell figyelembe venni hozzájuk. „Szűz” terület, változatosabb adatsorok alakíthatók ki belőlük.

Különböző életkorú, fizikumú, etnikai összetételű lakossághoz tökéletesen felcímkézett fejek gyárthatók le, amelyekből a mostaniakkal összehasonlítva, elfogulatlan adatsorok generálhatók, és a rajtuk gyakorló arcfelismerő rendszerek pontosabb munkát végeznek a jövőben. Még kismennyiségű, de jól felcímkézett adattal is jelentős mértékben javítható egy rendszer teljesítménye, lényegesen jobb eredményt ér el, mint a tízszer annyi, de megtisztítatlan adatot használó fejlettebb algoritmusok.

Csakhogy a szintetikus adatoknak is megvannak a maguk korlátai. Ha például nem képesek visszaadni a valóságot, a velük dolgozó mesterséges intelligenciák pocsék munkát végezhetnek, és egyelőre az sem bizonyított, hogy az ezekkel az adatokkal működő MI-rendszerek elfogulatlanabbak lennének.