A szó szoros értelmében felmelegszenek a kvantumszámítások.

Kánikulára azonban ne gondoljunk, egyszerűen az történt, hogy első alkalommal sikerült kvantumszámítógép chipet -272 Celsius-fok, azaz 1 kelvin felett működtetni. Emberi léptékkel ez még mindig dermesztően hideg, kvantumléptékkel viszont óriási haladás.

A kvantumbitekből (qubitekből) álló kvantumkomputerek többféleképpen építhetők fel. A tudományos élet figyelmét felkeltő egyik módszerhez szilikon chipen lévő elektronokat használnak.

Ezek a rendszerek csak szélsőségesen alacsony hőmérsékleten, -273,05 Celsius-fok vagyis 100 millikelvin alatt funkcionálnak, ezért a qubiteket nagyon masszív hűtőszekrényekben kell tárolni.

A kvantumbiteket árammal ellátó elektronika viszont nem működik ilyen hidegben, plusz a qubiteket megzavaró hőt is bocsát ki, ezért általában a jégszekrényen kívül tárolják. Minden egyes qubit vezetéken kapcsolódik az elektronikus kontrollerhez.

„Hasznos kvantumszámításokhoz kb. egymillió qubit kell, és a nyerserő-megoldás, a qubitenkénti egy vezeték ilyen nagy mennyiség esetében nem működik. Kettőnél igen, milliónál nem” – nyilatkozta a holland QuTech kutatóközpontban (Delfti Egyetem) dolgozó Menno Veldhorst.

Veldhorst és munkatársai az ausztrál Új Dél-Wales Egyetem szakembereivel dolgoznak együtt, és bemutatták, hogy a qubitek magasabb hőmérsékleten is működtethetők.

Az ausztrál csoport azt demonstrálta, hogy 1,5 kelvinig képesek két qubit állapotát irányítani. Veldhorst csapata 1,1 kelvinen logikai kapuként használt két kvantumbitet. A logikai kapu a komplexebb számításokhoz vezető alapműveleteket végzi el.

Tudva, hogy a qubitek magasabb hőmérsékleten is működnek, a következő lépés az elektronika chipekre integrálása lesz.

„Remélem, hogy utána meg lesz az áramkör, és nem lesz nehéz gyakorlati alkalmazásokhoz méretezni” – magyarázza Veldhorst.

A kvantumáramkörök több szempontból hasonlítani fognak a hagyományos komputerek áramköreihez. Ez azt jelenti, hogy más kvantumgépekkel összehasonlítva, viszonylag könnyen lesznek skálázhatók.

A So Quoc Le, a Google egyik számítástudományi szakembere és kollégái által létrehozott AutoML-Zero szoftver gyakorlatilag emberi beavatkozás nélkül, matematikai fogalmakat használva képes mesterségesintelligencia-programokat fejleszteni.

„Végső célunk olyan gépitanulás-megoldások kidolgozása, amelyeket még az ezzel foglalkozó kutatók sem találnak ki” – magyarázza Le.

A szoftver a darwini evolúciót, például a „legalkalmasabb túlélése” elvet alkalmazva, humán input nélkül építi a generációról generációra javuló MI-programokat. A programok napok alatt reprodukálják többévtizedes kutatói munka eredményeit. A fejlesztők szerint előbb-utóbb új MI-megközelítésekre jöhet rá.

„Csecsemőlépések helyett hatalmas ugrás az ismeretlenbe. Innen indulhatnak a jövő kutatásai” – jelentette ki a Texasi Egyetemen (Austin) dolgozó Risto Mikkulainen.

Egy MI-algoritmus felépítése sok idő, ideghálók kisebb neuron aláramkörei speciális feladatokra, például közlekedési jelek felismerésére taníthatók be. A gördülékeny munkát garantáló pontos összekapcsolásuk viszont hónapokig tarthat.

Az utóbbi években egyes lépéseket ugyan automatizáltak, de a megvalósításhoz kész áramköröket kell összekötni. Ezeket az áramköröket emberek dolgozták ki, így az outputot a mérnökök korlátolt elképzelései hátráltathatják.

Az evolúció alkalmazása 100 versengő algoritmusból álló populáció kialakításával kezdődik, amelyeket random kombinálnak össze matematikai műveletekkel, majd egyszerű feladatokon, például képfelismerésen (macskát vagy teherautót látunk?) tesztelik őket.

A program ciklusonként összehasonlítja a saját maga által fejlesztett és a kézileg tervezett algoritmusok teljesítményét. Lemásolja, véletlenszerűen mutálja a legjobbakat, a kód egyes részeit pedig törli. Így jönnek létre a legjobbak újabb változatai. A populáció a „gyerekekkel” gyarapodik, öregebbeket pedig kiselejteznek, aztán folytatódik az egész.

A rendszer egyszerre többezer ilyen populációt generál, és folyamat (mint a genetikus algoritmusoknál), holtvágányokat elkerülve, rengeteg iterációval jut e a végkifejletig. De hogy mi lesz a kutatás pontos végkifejlete, egyelőre nem tudjuk.

Az Alzheimer-kór köztudottan emlékezési, gondolkodási és viselkedési problémákat okozó agyi megbetegedés. Az utóbbi néhány évtizedben kutatók különféle idegkép-adatok mintázatait (pozitron kibocsátású topográfia – PET, mágneses rezonanciás képalkotás – MRI) használva igyekeztek előrejelezni a sok idős személy életét megkeserítő megbetegedést.

A legtöbb eddigi kutatás azonban komoly hiányosságot mutatott, mert egyetlen időpontra összpontosítottak, nem vették figyelembe az MRI/PET pontok és a klinikai eredmények több időpontbeli kapcsolatait. Lényegében szűk keresztmetszetet adtak.

Kínai kutatók a gépi tanulást és mélytanulási (deep learning) keretet összekombinálva igyekeznek pontosabb klinikai eredményeket prognosztizálni. Nem vetik el teljesen a korábbiakat, hanem lényegében felcserélik az idegi képek és a klinikai eredmények kapcsolatát.

A keret részeként speciális szempontok alapján dolgoztak ki előrejelzési eljárásokat. Az eljárásokat két forgatókönyvben, két adatsor-fajtára alkalmazták, így igyekeztek klinikai adatsorokat prognosztizálni, amelyekhez az Alzheimer-kór Idegképalkotó Iniciatíva (ADNI) adatbázisát használták.

A kombinációkkal jelentősen javultak az eredmények, sokkal pontosabb lett az előrejelzés, az Alzheimer-kórra utaló biomarkereket fedeztek fel.

A különféle régebbi módszerek és az új összehasonlításából egyértelműen kiderült: a legjobb eredmények az újjal érhetők el. Sokkal komplexebb, kevésbé statikus ez a megközelítés.

„Technikánk egyik előnye, hogy az előző időpontok adatsorát használva próbáltuk megkapni a következő időpont prognosztizált eredményeit. Ezzel a módszerrel pontosabbak lehetnek a prognózisok” – magyarázza Wang Shuqiang, az egyik kutató.

Shuqiang megjegyezte, hogy több releváns részletet, az illető nemét, iskolai végzettségét, fiziológiáját ezúttal nem vették figyelembe. A módszert a jövőben természetesen javítani szeretnék, és már dolgoznak is rajta.

A magunkon viselhető (wearable) technológiák áttörésével, a mélytanulásnak (deep learning) köszönhetően, orvosok egyre pontosabban ki tudják deríteni, hogy mi a bajunk.

Az aritmia, a szívritmuszavar több ok miatt okozhat szívrohamot vagy stroke-ot. Ha viszont az orvos időben észleli a problémát, megelőzhető a tragikus kifejletet.

Az iRhythm elektródákkal felszerelt kicsi dobozméretű, magunkon viselhető Zio AT-je, egy elektrokardiogram monitor például folyamatosan figyeli szívverésünket, és a mérési adatokat ideghálónak továbbítja elemzésre. A szívverést az elektródák mérik, az adatokat külön „továbbító” (transmitter) juttatja el rendeltetési helyükre.

A rendszer akár két hét adatait is összegyűjtheti. Ha a páciens úgy érzi, hogy a szíve összevissza kezd verni, a monitoron megnyomhat egy gombot, és azonnal 90 másodperces anyagot küldhet a központba.

Az elemzést végző idegháló 53 ezer Zio-felhasználó adatain tanult. 12 különböző mintázatot osztályoz: tíz aritmiás, egy normális és egy másfajta zajok miatt torzított szívverést.

Ezt követően technikusok ellenőrzik az idegháló elemzését, majd a páciens elektronikus egészségügyi lapjára posztolják, amelyet aztán orvos néz át.

Az Egyesült Államok Élelmiszerbiztonsági és Gyógyszerészeti Hivatala (FDA) 2018-ban engedélyezte, a ma már kereskedelmi forgalomban kapható technológiát. A cég azóta a Verify-jal és az Apple-vel is partneri viszonyra lépett, újabb termékeket fejlesztenek együtt.

Egy 2019-es elemzés orvosok és MI-k munkáját összehasonlító 14 tanulmányt tekintett át, és kiderült, hogy a mélytanulás-modellek az orvosi képeken látható betegségre utaló jelek diagnosztizálásában majdnem olyan jók, mint a húsvér szakemberek. Nem képeken alapuló MI-diagnózisokról viszont nincs megfelelő összehasonlító elemzés.

Az a tény, hogy az Apple az aritmia-diagnosztikát okosórájába integrálta, a terület fejlődését, „érett korba” lépését jelzi.

Az aritmia elég sporadikus, észleléséhez többnapnyi adat kell. Hosszú ideig tartó megfigyelési eredményeket mesterséges intelligenciával dolgozó orvosok tudnak leghatékonyabban használni. Így képesek időben cselekedni, pontos munkát végezni, amellyel életeket mentenek meg.

A medicina új korszakának kezdeténél tartunk. Személyekről egész életük alatt folyamatosan gyűjthetünk részletes adatokat. Mélytanulással (deep learning) háttérinfókat, orvosi beavatkozásokat és kimeneteket kapcsolhatunk össze, így találhatjuk meg az optimális orvosi megoldást. Idővel globális szinten is ugyanez történhet, mindenki egyedi biológiai karakterjegyei és az aktuális körülmények alapján részesülhet személyre szabott kezelésben, egészségügyi szolgáltatásokban.

A mesterséges intelligencia a diagnosztikától kezdve az előrejelzésekig, betegségek kezelésétől egészségügyi adatok kivonatolásáig, átalakítja az egész területet.

Eric Topol, a dél-kaliforniai Scripps Kutatóintézet kardiológusa és genetikusa az MI orvostudományi alkalmazásának egyik legismertebb szószólója, a Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again (Mély medicina: hogyan teheti a mesterséges intelligencia megint emberivé az egészségügyet?) kötet szerzője szerint jelenleg viszonylag kevesen fejlesztenek és hitelesítenek személyek egészségügyi állapotát otthon monitorozó algoritmusokat, pedig a Covid-19 miatt most nagy szükség lenne rájuk. Sokat segítene a járvány megfékezésében, ha például szoftveresen meg tudnánk állapítani, hogy kinek elég otthon maradnia, kinek kell kórházba mennie.

MI-k „adattudós” feladatok alól menthetnék fel az orvosokat, akiknek rendelés közben nem kellene a monitort nézni, hogy lássák a páciens kórtörténetét, mert a program megtenné helyettük, és az új infókat is bevinné. Személyesebbé tenné az orvos-beteg viszonyt.

Orvosi képek gépi elemzésével szép sikerek érhetők el, viszont sokan munkájukat érzik veszélyeztetve vele. Másrészt, egyes cégek saját algoritmusokkal dolgoznak, adataikat nem teszik nyilvánossá, nincs transzparencia. A hatósági engedélyeket korábbi munkáik alapján kapják meg, míg a hatóságok csak a régi adataikkal dolgozhatnak, pedig aktuális betegekkel aktuális klinikai keretek között frissen rögzített adatokkal, adatsorokkal kellene.

Az egész bolygóra kiterjedő egészségügyi rendszerre lenne szükségünk, mindenkiről többszintes adatokkal, amelyekből mindenki más tanulhatna. MI-k garantálnák az egész működését – vonja le a következtetést Topol, majd felhívja a figyelmet a lokális algoritmusok magánadatok védelmében játszott szerepére, az „etikus” MI-használatra, a programok folyamatos ellenőrzésére.

Az MIT (Massachusetts Institute of Technology) 2017-ben indított Álomlaborjának egyik kutatócsoportja álmainkkal többféleképpen interakcióba lépő, magunkon viselhető (wearable), nyílt forrású készüléket fejleszt. A kütyüvel talán ellenőrzésünk alatt is tarthatjuk az álmok tartalmát.

A kutatók be akarják bizonyítani, hogy az álmok nem zagyvaságok, hanem meghackelhetők, kibővíthetők, befolyásolhatók, de csak úgy, legalábbis remélhetőleg, csak úgy, hogy mindez a hasznunkra válik.

A Dormio (latinul alszik) nevű, szenzorokkal felszerelt kesztyűszerű eszköz viselője alvási állapotát detektálja. Amikor a tudatosság és a tudatalatti, az ébrenlét és az alvás közötti szakaszban (hipnagógia) leledzünk, előre rögzített, általában egy szóból álló hang-fogódzót játszik le.

Az ebben az állapotban megjelenő képek, hallucinációk a tudatosság pont erre a szakaszra jellemző megnyilvánulásai, nincsenek benne rendellenességek. A hipnagógia azonban személyenként változik. Egyesek felébrednek belőle, erős hang és képi látomásokkal. Mások különféle személyekkel létesítenek közben interakciót.

Az Álomlabor 50 fős kísérletben megvalósította, hogy egy tigrist tegyenek be az alanyok álmába. A kesztyű a „tigris” szót játszotta le nekik.

A Dormio az álom nyomon követését demokratizálhatja. Lépésről lépésre posztoltak online utasításokat, míg a biojelzéseket követő, Githubon hozzáférhető szoftver lehetővé teszi, hogy elméletben bárki elkészíthesse saját Dormio kesztyűjét.

A kutatók egy, audió helyett szagokon alapuló, hasonló eszközt is fejlesztettek. Míg a felhasználó az alvás regeneráló, az emlékezetet megerősítő szakaszánál tartott, előre kidolgozott illatot eresztettek a készülékbe. Az emlékezést akarták hatékonyabbá tenni vele.

Ezzel is az álmaink feletti kontrollt, befolyásolásukat célozták meg.

2019-ben az Álomlabor az éber álmodásról tartott workshopot. Ebben az állapotban tudatosítjuk magunkban, hogy álmodás közben álmodunk, és megpróbálhatunk repülni, énekelni, vagy bensőséges kapcsolatot létesíteni valakivel. Tore Nielsen, a Montreali Egyetem kutatója szerint „jobb, mint a virtuális valóság.”

Az éber álmok és a kapcsolódó agytevékenységek, tudatállapotok kutatása gyerekcipőben jár, becslések szerint az emberiség mindössze 1 százaléka képes rendszeresen belépni ebbe az állapotba.

Egyes kutatók szerint ebben az állapotban sokkal jobban megismerhetjük tudatalattinkat, mintha előre rögzített hangokkal és szagokkal próbálkozunk.

A 2014-ben két Skype-társalapító (Ahti Heinla és Janus Friis) által megalakított Starship Technologies különleges robotokat fejleszt, és a cég az arizonai Tempe városában nemrég indította el élelmiszerek autonóm gépekkel (robotokkal) történő házhozszállítását.

A vállalat a koronavírus járvány okozta állapotokra reagált. Emberek milliárdjai tartózkodnak most otthon, és az egyik következmény, hogy exponenciálisan nő az efféle szolgáltatások iránti igény.

„Az utóbbi hetekben drasztikusan nőtt a személyes érintkezés nélküli kiszállítás iránti kereslet” – jelentette ki a vállalat üzletfejlesztési részlegét vezető Ryan Tuchy.

Az éttermeknek és az élelmiszerboltoknak egyelőre a szállításhoz is nagy szükségük van emberi munkaerőre, csakhogy ez a munkakör, különösen megfelelő védőöltözet hiányában, a járvány terjedésével egyre veszélyesebbé válik.

A Starship hatkerekű robotjait viszont nem fertőzi meg a gyilkos vírus. A hűtőtáska méretű gépek ráadásul két kiszállítás között is könnyen tisztíthatók és fertőtleníthetők.

Az egyik phoenixi (Arizona szövetségi állam fővárosa) pizzázó a Starship robotokat kívülről és belülről is letisztítja, fertőtleníti, majd az ételt a gépek belsejébe helyezik. Ezt követően a robot elviszi a 800 méteres távolságon belüli megrendelőhöz.

Veszi a kanyarokat, és rossz időben, havazás és más mostoha körülmények között is munkaképes. A humán irányító bármikor ellenőrizheti, és ha a robot eltéved, távirányítással megváltoztathatja az irányt.

„Egy robotot sokkal könnyebb fertőtleníteni, és kisebb méretű tárgyakat probléma nélkül elszállítanak. Útközben senkivel nem folytatnak interakciókat, senkihez nem beszélnek” – jelentette ki az éttermet vezető Renny Mitchell.

A szolgáltatás népszerűnek tűnik, és ennek következményeként, ügyfélkörüket 2021nyár végéig több mint 100 egyetemmel kívánják bővíteni.

Tempe és Phoenix mellett máshol, például Washington DC-ben és a kaliforniai Irvine-ben is házhoz szállítanak.

Ha filmhez, videokliphez keresünk robotot, újfajta tehetségkutatókra, figyelőkre van szükségünk. Ezek egyike lehet, a két Seattle-illetőségű vállalkozó, Forest Gibson és Jared Cheshier által április elején (de nem április elsejei tréfaként) alapított, beszédes nevű (a mesterséges intelligencia és az ügynökség szavakat összevonó) Aigency. (Egy másik tech vállalkozást, a 2015-ben alapított Pluto VR-t szintén ők vezetik.) 

A speciális művészeket menedzselő ügynökség kizárólag robotokkal foglalkozik, őket képviseli.

Az alapítók meggyőződése, hogy filmrendezők és eseményszervezők munkáikban egyre inkább akarnak robotokat, automatákat szerepeltetni, ráadásul egyre többet, viszont meg van kötve a kezük. A programozók, a helyszíni technikusok, a gépkezelők és -szállítók költsége, szükségleteik, sok pénzt elemésztenek. A megfelelő és hozzáértő személyzet összeverbuválása szintén komoly feladat.

Az ügynökség célja nemcsak a „mechanikus tehetségek” leszállítása, hanem a robotok, robotkülsőbe bújtatott mesterséges intelligenciák mellé megfelelő logisztikai és technikai támogatást is igyekeznek nyújtani.

Jelenleg két robotot, a Boston Dynamics két négylábú szerkezetét, Zero-t és One-t képviselik. (Mások, például a világhírű gépitanulás-kutató, amerikai-kínai Andrew Ng nevéhez köthető The Batch szintén menedzsel két robotot, a DJI RoboMasterét és a Skydio 2 névre hallgató drónt.)

A két partner sokat foglalkozik gépek tanításával, hogy a szerkezetek új viselkedésformákat sajátítsanak el szimulált környezetekben. Mindeközben hangszintézissel is foglalkoznak, amellyel vonzóbbá, „karizmatikusabbá” tennék a robotokat – ügyfeleiket.

Eredetileg fellépéseket is lekötöttek számukra, de a koronavírus-járvány közbeszólt, és törölni kellett mindet.

A robotikával a 2010-es évek elején kerültek közelebbi kapcsolatba, amikor gépeket mutattak be, és a NASA Curiosity terepjárójáról készült szimulációt használták fel elektronikus zenei videókhoz.

A Google kutatói utánzásos tanulással igyekeznek elérni, hogy robotok a mostaninál sokkal ügyesebben mászkáljanak, forogjanak stb.

A Laikogo nevű négylábú szerkezetet egy kutyához kapcsolt változatos érzékelőkkel rögzített mozgásadatokkal, „mozgásrögzített” (motion capture) adatsorral gyakoroltatták. Hagyományosan kódolt robotvezérléssel nehezen vagy egyáltalán nem kivitelezhető, változatos mozgásokra okították.

Első lépésként a valódi kutya mozgásadatai alapján minden egyes mozdulat szimulációját elkészítették: ügetésszerűét, oldalra lépését, 1980-as évekbeli klasszikus táncformuláékét (a futó emberét). Az utolsó kategóriába tartozókat nem húsvér állatról mintázták. A szimulált kutyát manuálisan animálva megtáncoltatták, hogy lássák: a robottal is működik-e ez?

Ezt követően összekapcsolták a szimulált kutya és a robot legfontosabb ízületeit, hajlatait, hogy pontosan ugyanúgy mozogjon, mint az állat, majd megerősítéses tanulással stabilizálták a mozgásokat, megszüntették a súlyeloszlás aránytalanságait.

Befejezésként az utolsó irányítóalgoritmust tesztelték le, és a fizikai robot, igaz, laboratóriumi körülmények között, de egészen jól teljesített. A futó ember utánzása viszont nem sikerült túl jól.

Robotok valóvilágban történő navigációhoz elengedhetetlen komplex és ügyes mozdulatokra történő betanítása régóta a terület egyik legnagyobb kihívásának számít. E tevékenységek utánzásos tanulása viszont lehetővé teszi, hogy a gépek viszonylag könnyen tegyenek szert állatok, sőt, akár a Homo sapiens ügyességére is.

A kutatást vezető Jason Peng elmondta, hogy még több kihívásra kell választ találniuk. Mivel a robot elég nehéz és nehézkes, egyes mozdulatokat, például a nagy ugrásokat és a gyors futást aligha sajátítja el, és állatokkal sem megy mindig simán a mozgásadatok rögzítése. Van, amikor lehetetlen. Ezek mellett nagyon drága, plusz a kutyának, macskának stb. együtt is kell működnie a kutatókkal. Egy kutya általában barátságos, de már egy gepárdról például nem mondható el ugyanez.

A fejlesztők tervezik, hogy élő állatok helyett állatokról készült videókat is használnak, amellyel technológiájuk sokkal hozzáférhetőbb és méretezhetőbb lesz.

A koronavírus a sportot is átírhatja. A labdarúgástól a súlyemelésig, minden áll, a foci Európa-bajnokságot és a tokiói Nyári Olimpiai Játékokat át is tették 2021-re.

Az ázsiai baseball-rajongók pedig csak televízión, interneten követhetik a meccseket, szurkolhatnak kedvenceiknek. A koronavírus-járvány miatti szigorú óvintézkedések következményeként ugyanis nem léphetnek be a stadionokba, ami eddig nem volt probléma, most viszont már az.

Szombaton újraindult a Kínai Professzionális Baseball Liga (CPBL). A CPBL egyébként nem a Kínai Népköztársaság, hanem a másik (demokratikusabb, és a Covid-19 ellen, legalábbis eddig jobban bizonyított) Kína, azaz Tajvan bajnoksága.

A liga egyik csapata, a Rakuten Monkeys különlegesen kreatív ötlettel állt elő: 500 „robotmanökent” helyezett el az egyébként teljesen üres stadionba. A gépeket drukkereknek öltöztették be, távolról úgy is mutattak, mintha a csapat szurkolói lennének. (A japán Rakuten 2019-ben vásárolta meg a korábban Lamigo Monkeys nevű csapatot.)

Közelről viszont nem.

„A hátborzongatás újabb szintje, de ez lesz a jövőben” – írta Twitter-bejegyzésében egy sportriporter, és közelképet is mellékelt hozzá: a posztapokaliptikus lelátón ülő élettelen robotok a csapat zászlóját, transzparenseket tartottak a kezükben.

„Mivel egyetlen szurkolónk sem lehet itt, kellett valami szórakoztatót találnunk, és a mostani szabályoknak megfelelően, 500 robotot helyeztünk el a nézőtéren” – magyarázza Justin Liu klubigazgató.

Egyelőre fogalmunk sincs, mire képesek ezek a robotok. Leszámítva azt, hogy üres szemmel merednek a semmibe.

Az egészet azt követően találták ki, hogy az egészségügyi hatóságokkal tárgyalásokat folytató amerikai Major Baseball Liga bejelentette: a játékosok májusban újrakezdik az edzéseket.

A szövetségi egészségügyisekkel pontosan erről vitázó MBL digitalizálna is – a szociális távolságokat betartva igyekeznek a sportágat újjáéleszteni.

A Rakuten Monkeys gyorsan cselekedett.