Az amerikai Osmo mesterségesintelligencia-fejlesztő vállalat, a philadelphiai Drexel Egyetem és a Monell Vegyi Érzékközpont az emberi szaglást utánzó mesterséges ideghálót fejlesztett. Az MI pontosan előrejelezte, hogy a teszt önkéntesei milyen szagokat fognak érezni.

Teljesítményéről sokat elmond, hogy az érzékelést tanulmányozó biológusok évtizedek óta foglalkoznak hasonlóval, kevés eredménnyel. Emellett 500 ezer molekula szagát is pontosan megállapította – szaglás nélkül.

Neurobiológusok szerint az eredmények felgyorsíthatják kellemes illatú fogyasztói termékek kutatását, fejlesztését. Segíthetnek abban is, hogy a szagláskutatás a látás tudományos tanulmányozásához hasonló megbecsülésnek örvendjen.

Az emberi szagláshoz az agy kisebb részére, kevesebb receptor-sejtre van szükség, mint más emlősöknél. Sokáig neurobiológusok figyelmére méltatlan, primitív érzéknek tartották. Nem is tanulmányozták szisztematikusan.

Míg a látás és a hallás számszerűsíthető tulajdonságokat tükröz, mint például a hullámhossz és a frekvencia, a szag nem felel meg pontosan egy-egy molekula formájának. Hasonló szerkezetű molekuláknak más lehet a szaga, nagyon különbözőek viszont akár ugyanazt az illatot áraszthatják magukból.

Tíz éve egy közösségi ötletbörze (crowdsourcing) verseny a szagot szerkezete alapján előrejelző MI fejlesztésére ösztönzött kutatókat. A győztes algoritmust hatvankilenc vegyi anyag „szaglására” kérték fel, és tizenkilenc lehetséges szagból nyolcat azonosított. A mintákat viszont képtelen volt hasonlóság alapján csoportosítani.

Rick Gerkin, a később alapított Osmo egyik idegtudósa is a nyertes mögött állt. Az MI „szaglásra” gyakoroltatásához használható, karakteres molekulák számának jelentős növekedésével, a lehetőségek jócskán bővültek azóta. Gerkin és kollégái ötezer molekula szagtani leírását használták bemenetként az ideghálóhoz. Rajtuk tanulta meg a kapcsolódó minták azonosítását, nekik köszönhetően teljesített emberi szinten.

Az agyunk által feldolgozott és tárolt, folyamatos információáramlás analóg világában élünk, eszközeink viszont ugyanabban az időben digitálisan végzik ugyanezt.

A svájci EPFL (École Polytechnique Fédérale de Lausanne) kutatói a folyamatos analóg feldolgozást és a digitális eszközök precizitását úttörő technológiában kombinálták össze. Munkájuk tanulsága: ultravékony kétdimenziós félvezetőket ferroelektromos anyagokkal integrálva, növelhető az energiatakarékosság, új funkciókkal bővíthető a számítástudomány.

Az új konfiguráció a digitális logika és az agyszerű analóg műveletek keveréke. Az agy által inspirált funkciókat és a fejlett elektronikus kapcsolókat anyagok egyedi kombinációjával érték el. A félvezetők nagyon hatékony digitális processzorokat eredményeznek, míg a ferroelektromos anyagok a szimultán feldolgozást és tárolást biztosítják.

Hagyományos tranzisztorok bekapcsolásához minimális feszültségre van szükség. Ezzel szemben az RPFL negatív kapacitású, alagúthatású tranzisztorának (tunnel fiel-effect transistor, TFET) szignifikáns mértékben kevesebb kell. Az optimalizált terv azt jelenti, hogy kapcsoláskor sokkal kevesebb az energiafogyasztás, így pedig az újítást integráló eszközök fogyasztása is jóval alacsonyabb lesz.

Az EPFL korábbi teljesítményszinteket megdöntő fejlesztése jelentős előrelépés az elektronikában, és jó példa a negatív kapacitású TFET kiemelkedő adottságaira, valamint a szinaptikus idegsejt-funkció ugyanazon technológián belüli működésére – a kapcsolók az agysejtek között hasonló tevékenységet végző szinapszisokra emlékeztetnek.

A kutatás a Neumann-féle logikai áramkörök és a neuromorfikus (agyat utánzó) funkcionalitás, e funkciók és a digitális információfeldolgozás kivételesen alacsony energiafogyasztás melletti, első szintézise.

Neuromorfikus rendszerek hagyományos komputereknek problémát okozó feladatokban, például mintafelismerésben, szenzorikus adatok feldolgozásában és a tanulás egyes típusaiban teljesíthetnek különlegesen jól. A két világ egyesítésének messzire ható következményei lehetnek.

A negyed kosárlabda-pályányi „okos pajta” (Smart Barn) a német Max Planck Állatviselkedés Intézet projektje, laboratóriummá átalakított istálló, ahol mozgásrögzítő kamerák teljes madár- és rovarrajok tevékenységét követik nyomon. Inkább emlékeztet egy hollywoodi stúdióra, mint egy pajtára, istállóra, bár etetőállomás is üzemel a helyszínen.

Harminc infravörös kamera az állatok testére rögzített akár ötszáz markert is képes figyelni. A hangokat harminc mikrofon veszi fel, és meg tudják határozni a madarak, rovarok pontos helyét. A környezet precíziós és kontrollálható, viszont a tér van akkora, hogy elegendő mennyiségű állat mozogjon, folytasson interakciókat, mint a természetben – nyilatkozta az ELTE-MTA Lendület Csoportos Viselkedés Kutatócsoport tudományos munkatára Nagy Máté, a Max Planck Intézet akkori kutatója.

A labor az állatok markerek nélküli nyomon követésére szintén alkalmas. Hat videokamerát és mesterségesintelligencia-alapú gépilátás-szoftvert használnak hozzá.

Házigalambokkal, seregélyekkel és a rovarok osztályába, azon belül a lepkék rendjébe tartozó afrikai halálfejű sólyommolyokkal (acherontia atriopos) végzett kísérletekben valamennyi állat valósidejű tartózkodási helyét és testtartását figyelték mozgáskövető markerekkel, vagy a követőket tartalmazó apró „hátizsákokat” tettek rájuk.

Egy alkalommal a galambok tekintetét tanulmányozták, hogy kiderüljön: figyelmük mikor vált a táplálékról az esetleges ragadozóveszélyre. Máskor seregélyek étkezési idejének összehangolását figyelték férgek keresése közben. Az állatok azonban túl kreatívnak bizonyultak, mert tönkretették a markereket…

Az ilyen beltéri laborok lehetővé teszik a ragadozó és a zsákmány interakcióinak, vezető irányította állatcsoportok viselkedésének, kooperációjuk és kommunikációjuk közeli megfigyelését. Nagy távolságra történő vándorlás, nagyléptékű mozgások tanulmányozásához viszont kicsi ez a tér.

A laboratóriumi kísérletek méretesebb létesítmény felépítésére inspirálták a kutatókat, ahol tízezer marker nélküli rajzó sáskát figyeltek. A viselkedésre vonatkozó adatokon MI-rendszert szabadban élő galambok marker nélküli követésére tanították be.

A 3D mozgásrögzítés tökéletes technológia rajok belülről, és nem a széleken lévő egyedeken keresztüli tanulmányozására. Az adatokból sokat megtudunk arról, hogy az egyedek hogyan járulnak hozzá csoportok alakulásához, összetartásukhoz.

A Meta, a Facebook anyacége nyílt forrású adatsort tett közzé, hogy tesztelhető legyen a fényképeken és videókon objektumokat észlelő és csoportosítható gépilátás-modellek elfogultsága.

A „Korrektség a gépi látás kiértékelésében” (FAirness in Computer Vision EvaluaTion), a FACET (aspektus) 32 ezer képén 50 ezer annotált személy látható. A képosztályok foglalkozásokat, tevékenységeket, demográfiai és fizikai jellemzőket fednek le.

Az annotációk készítői ezeket a címkéket az emberekre, hajukra, megjelenésükre és a ruházatukra vonatkozó, a Segment Anything 1 Billion adatsorból kinyert más címkékkel integrálták. Utóbbi adatsort gépilátás-modellek gyakoroltatására használják, hogy tárgyakat és állatokat „szedjenek ki” a képekből.

A Meta közölte, hogy a FACET kiadásával kutatók és fejlesztők munkáját szeretnék könnyebbé tenni, hogy ők is hasonló teljesítmény-értékelést végezzenek. Így jobban látják a saját modelljeikben lévő különbségeket, és a méltányossági aggályok megértése érdekében bevezetett változtatások hatását is nyomon tudják követni.

A gépilátás-algoritmusok elfogultságát bizonyító teljesítményértékelések nem újak, néhány éve a Meta is kiadott egyet, hogy kiderüljön a látó, illetve halló modellek kor, nem és bőrszín miatti előítéletessége. A témával sok kutatás is foglalkozik, és általában kiderül: az MI elfogult. Ráadásul a „felelős mesterséges intelligencia” témában a Meta lőtt már nagyon mellé, egyik MI-jének bétaváltozatát például azért kellett tavaly „kivonni a forgalomból”, mert rasszista és tudományosan pontatlan tartalmat generált.

Egyetlen teljesítményértékelés sem tökéletes.

A Meta elismeri, hogy a FACET talán nem ragadja meg kellőképpen a valóság fogalmait, demográfiai csoportjait, és a benne található szakmák jó része folyamatosan változik, például a Covid-19 alatt megörökített egészségügyi dolgozók a mainál több védőfelszerelést viseltek stb.

A FACET mellett, azt kiegészítve online adatsor-vizsgáló eszközt szintén közzétettek. Mindkettő használatához a fejlesztőknek bele kell egyezniük, hogy saját modelljeiket nem gyakoroltatják egyiken sem, a Meta anyagaival csak kiértékelnek.

Csillagászok lenyűgöző, társcsillagáról az anyagot évtizedek óta lebontó és a világűrbe „kozmikus ágyúgolyókként” kilövő pulzárt fedeztek fel. A pulzárok halott csillagok erősen mágneses, elektromos impulzusokat meglepően szabályos időközönként kibocsátó maradványai.

A mintegy 4500 fényévre lévő PSR J1023+0038 viszont a csillagászok figyelmét megragadó különleges tulajdonságokkal rendelkezik: változó fényerejű impulzusokat bocsát ki, mintha két módban lenne, és egyikről a másikra, aztán visszaváltana.

A nemzetközi kutatócsoport arra a következtetésre jutott, hogy a csillag a társcsillagtól „ellopott” anyagtömeget lövi ki. A tevékenységet ezred másodpercenkénti rádióhullámok formájában, tizenkét különböző teleszkópon és más műszereken észlelték.

A kozmikus ágyúgolyókra emlékeztető, elképesztő anyagmennyiség rövid, tíz másodperces időintervallumokban hihetetlenül nagy sebességgel forgó, kicsi és sűrű objektumról kerül az űrbe.

A szokatlan pulzár mintha a „magas” és az „alacsony” üzemmód között váltogatna. Először fényes röntgen-, UV-sugarak és látható fény távozik belőle, majd a „teljesítmény” szignifikáns csökkenésével rádióhullámok. Mindkét mód több másodpercig, percekig, míg az átkapcsolás csak pár másodpercig tart.

Két éjszaka azt figyelték meg, hogy a rendszer 280 alkalommal váltott működési módot. Az elképesztő jelenséget az összegyűjtött anyag kilövésével magyarázzák. A kutatók szerint a pulzárszél, a nagyenergiájú részecskék a pulzárról történő áramlása és a pulzár felé áramló anyag összjátéka lehet a váltás oka.

Sok kérdésre viszont még nem találtak választ. Például nem tudják, hogy a PSR J1023+0038 pulzár egyedüli-e az univerzumban, vagy mások is hasonlóan viselkednek. Hamarosan a chilei Atacama-sivatagban lévő óriásteleszkópokról fogják figyelni, és igyekeznek minél többet megtudni róla.

Évről évre egyre inkább érezzük a klímaváltozás negatív hatásait, és egyértelmű: innovatív megoldások kellenek a probléma kezelésére, a következmények csökkentésére. Ezek egyike a mesterséges intelligencia.

Bernard Marr világhírű jövőkutató áttekintette, hogy mit tehetünk az MI-vel, hogyan előzhetjük meg vele a katasztrófát. Hét pontban foglalta össze: éghajlat-modellezés, energiahatékonyság, megújuló energiák, széndioxid-leválasztás, katasztrófa-előrejelzés, ökoszisztémák monitorozása, klímaváltozás-politika.

A klímamodellek a Föld rendszerei közötti komplex interakciók megértésében segítenek, rájuk támaszkodva könnyebb előrejelezni a klímaváltozás hatásait. Óriási adatmennyiség gyors feldolgozásával, humán kutatók által nehezen észrevehető mintázatok azonosításával, az MI pontosabbá, használhatóbbá teszi a modelleket, hozzájárul a döntéshozáshoz.

A fenntartható fejlődéshez az energiafogyasztás optimalizálására és a felesleges használat csökkentésére van szükség. Az MI-val irányított, valósidejű intelligens hálózatkezelés, fejlett érzékelő-technológiájával, az elosztást és a fogyasztást szabályozó megoldásaival mindkettőben segít.

A megújuló energiaforrások, mint a szél- vagy a napenergia kritikus szerepet játszanak az üvegházhatású gázkibocsátás csökkentésében. Az MI az ezeken az energiaforrásokon alapuló rendszerek telepítését, működtetését időjárási mintázatok elemzésével, az energiatermelés előrejelzésével, a stabil ellátást biztosító output maximalizálásával optimalizálja.

A széndioxid-leválasztás és -tárolás szintén a klímaváltozás elleni stratégia kulcseleme. Az ipari és energetikai források által termelt széndioxidot még a légkörbe kerülés előtt kell leválasztani, minimalizálni a kibocsátást. Az MI a leválasztó technológiák tervezésében, hatékony és olcsóbb használatában, az optimalizálásban közreműködhet.

Meteorológusok és klímakutatók az éghajlatváltozás miatti természeti katasztrófák előrejelzésére, a hatások (hurrikánok, árvizek, erdőtüzek) csökkentésére használják az MI-t. Nagymennyiségű adatot pontosabban elemez, bekövetkezési valószínűségekre utaló tendenciákat azonosít. Mi-alapúak lesznek a közeljövő károk minimalizálásában oroszlánrészt vállaló „korai figyelmeztetőrendszerei” is.

A biológiai sokszínűség és a természetes erőforrások változásának folyamatos megfigyeléséből a klímaváltozás hatásaira következtethetünk. Ha az ökoszisztémákat MI-alapú rendszerek monitorozzák, a műholdképes, drónok által rögzített és más adatok, összességében óriási adatmennyiség eredményes és gyors feldolgozása is gépi tanulással lehetséges.

A szabályozók MI-vel generált modellekkel azonosíthatják a leghatékonyabb klímaváltozás elleni stratégiákat. Alkalmazásukkor szintén MI figyelheti a működőképességüket, a legeredményesebb erőforrás-felhasználásban segítve a kormányokat. 

A kvantumtechnológiák, különösen a kvantumszámítógép a jövőben megváltoztathatják a fejlődést, az infokom világot. Ezekkel a komputerekkel elvileg mai szuperszámítógépekkel is megoldhatatlan problémákra kapunk majd választ.

Globális mamutvállalatok, az Egyesült Államok és Kína óriási összegeket fektetnek a technológiába. De mivel a kvantumrendszerek másfajta fizikai törvényeken alapulnak, mint a hagyományos számítógépek vagy az okostelefonok, könnyebben meghibásodnak. A Freie Universität Berlin és más európai egyetemek interdiszciplináris kutatócsoportja minőségük tesztelésére talált ki megoldást. A tesztben fizikai, számítástudományi és matematikai módszerek szerepelnek.

A kutatást Jens Eisert nemzetközileg elismert kvantumfizikus vezette.

Az egyedi atomok vagy ionok számítási egységként irányítanak kicsi fizikai rendszereket. Ezeken az elveken alapulnak a kvantumszámítógépek is, amelyek sajnos hiperérzékenyek az interferenciára. Ha nem óvjuk őket eléggé a környezettől, elillan a „kvantumelőny.” Magyarán nem működnek – magyarázza Eisert.

De hogyan tudjuk meg egyáltalán, ha egy kvantumáramkör nem rendeltetésszerűen működik?

Nyilvánvalóan teszteléssel, mert a gép hiába végez számításokat, teszt nélkül nem tudjuk, mennyire pontosak azok. A kutatócsoport erre talált meglepően egyszerű megoldást.

Random áramköröket kell implementálni, majd kvantumbitekben (qubitekben) megadni a mérési eredményeket. Az adatokban csomó diagnosztikai információt találunk, amelyekből megtudjuk, hogy például mennyire működnek a kvantumkapuk, tapasztalhatók-e interferenciára utaló jelek, bizonyos részek nem lépnek-e véletlenül kapcsolatba egymással.

Az összes folyamat ugyanabba mérésbe kerül be, és így a teljes diagnosztika elvégezhető.

Várhatóan ez a kutatás szolgál majd egy új ellenőrzési módszer alapjául ahhoz, hogy a jövő kvantumszámítógépei gazdasági és tudományos szempontból is hasznosak legyenek.

A mesterséges intelligencia (MI) történetében mérföldkőnek számított, amikor az IBM Deep Blue számítógépe 1997-ben legyőzte a sakkvilágbajnok Gari Kaszparovot, majd a DeepMind (Google) AlphaGo rendszere 2016-ban az akkori go világranglista negyedik helyezett Lee Szedol felett diadalmaskodott.

Most a Zürichi Egyetem és az Intel kutatói értek el hasonló eredményt: Swift (gyors, sebes, fürge, de fecske is magyarul) nevű autonóm rendszerük fizikai sportban, drónversenyen vert meg humán bajnokokat.

Fizikai sportokat nehezebb előrejelezni, mint a táblás és a videojátékokat, ezért nagyobb kihívást jelentenek egy MI-nek. Sem a drón-, sem a környezetmodellekről nincsenek pontos ismereteik, az MI-nek meg kell tanulnia, hogyan folytasson interakciókat a környező világgal, kerüljön el akadályokat stb.  

Az MI több versenyt nyert meg „elsőszemélyű nézet” kategóriában három világklasszissal szemben. A kvadkoptereket a fedélzeti kamerával összeköttetésben álló, a gépekkel 100 km/h sebességeit is meghaladó pilóták távirányították.

Autonóm drónok eddig általában kétszer annyi idő alatt tettek meg versenyeket, mint a pilóták által távirányítottak. Útvonalukat külső pozíciókövető rendszer kontrollálta. Swift viszont a fedélzeti kamerával gyűjtött adatokra reagál valós időben – ugyanúgy, mint a humán pilóták gépei. Integrált mérőegysége a sebességet és a gyorsulást méri, lokalizálása és a kapuk detektálása mesterséges idegháló feladata.

Az információkat mély ideghálón alapuló vezérlőegység dolgozza fel, és választja ki mindig a lehető legjobb megoldást.

A drónt szimulált környezetben gyakoroltatták, ami sokat segített, mert fizikai közegben gyakorló drónok gyakran tönkremennek, összetörnek. Swift viszont veszély nélkül gyűjthetett tapasztalatot.

Ő teljesítette legjobban a köröket, fél perccel vert rá emberek irányította társaira. Ha viszont a fizikai versenypálya nagyon különbözött a szimulált közegtől, például sokkal több volt a fény, akkor az ember vezérelte drónok teljesítettek jobban.

Az USA Védelmi Minisztériuma, a Pentagon nem azonosított repülő objektumokkal, azaz ufókkal foglalkozó hivatala honlapot indított az amerikai kormány által „nem azonosított légi jelenségek” (unidentified aerial phenomena, UAP) néven szereplő, ebbe a gyűjtőkategóriába tartozó korábban titkosított videóknak.

Nyolc ilyen videóról van szó, de a weboldalon a kormány és katonai alkalmazottak is beszámolhatnak általuk megtapasztalt, furcsa esetekről, égi tárgyakról. A honlapon a Pentagon elmondása szerint a megoldott, közkinccsé tehető UAP-esetek szerepelnek, videókkal és képekkel.

Az oldalon közölt információk sajnos nem annyira bőségesek, mint elvárható lenne. Az egyik különösen nyugtalanító, egy haditengerészeti pilóta által rögzített 2021-es videón – 2022-ben oldották fel a titkosítását – szokatlan gömbalakú objektum lehetetlennek tűnő sebességgel húz el a kamera mellett. A kísérő szövegben viszont csak annyi olvasható, hogy az anyag „a tipikus sebességet mutatja be, ahogy katonai repülőgépek megközelítenek egy ismeretlen objektumot.”

A honlap egyrészt videó- és információs központként működik, másrészt kormányalkalmazottak itt nyújthatják be saját megfigyelési anyagaikat a Pentagonnak. Ezzel leegyszerűsödik az UAP bejelentési folyamata.

Korábban sokkal komplikáltabb volt, mert a parancsnoki lánc valamennyi szintjén hivatalos dokumentációra volt szükség.

Az oldalnak azonban van egy komoly hiányossága. A Pentagon összes azonosítatlan légi jelenség anyaga, az információk és a dokumentációk mind katonai vagy kormányzati alkalmazottaktól származnak, tehát ha a hadseregen és a kormányon kívüli személyek hiába láttak esetleg érdekes jelenségeket, anyagaik akkor sem kerülnek fel a honlapra.

Ma is ugyanazokat az UAP-ket látjuk, még mindig nem tudjuk, hogy mik, a kormánynak pedig fogalma sincs a probléma nagyságáról. Közben katonai és kereskedelmi pilóták is találkoznak UAP-kkel, aztán az esetek zöméről semmilyen beszámoló nem készül – állítja az ex-pilóta és az UFO visszaéléseket bejelentő, feltáró kongresszusi személy, Ryan Graves.

A biztonságra összpontosító Claude chatbot fejlesztője, az Anthropic összeállt Dél-Korea legnagyobb mobiltelefon-szolgáltatójával, az SK Telekommal, és százmillió dollárt kap, hogy többnyelvű nagy modellt építsen. Az LLM-et (large language model) a telekommunikációs iparra fogják fejleszteni, azaz iparág-specifikus lesz.

Az Anthropic a szintén LLM Claude alapját képező technológiára fogja építeni az új modellt. A dél-koreai vállalat az MI-alapú szolgáltatásokon nyugvó üzleti megoldásokkal foglalkozó Global Telco AI Alliance konzorcium tagjainak valószínűleg felajánlja majd a telekom alkalmazásokra, például ügyfélszolgálatra, marketingre és salesre finomhangolt modellt.

Hat nyelvet fog támogatni: koreait, angolt, németet, japánt, arabot, spanyolt.

Claude és nyilván az új modell is kihasználja az úgynevezett „alkotmányos MI” előnyeit. A módszert arra találták ki. hogy az LLM-eket az elveken, „alkotmányon” alapuló emberi értékekhez igazítsák. A modell kezdetben az „alkotmány” szellemében kritizálja, finomítja a válaszait, majd az eredményeket felügyelt tanulás mellett finomhangolja. Következő lépés a megerősítéses tanulás.

Az SK Telekom fejlesztett már saját gépitanulás-modelleket, elsősorban koreaiul. A GPT-3 architektúráját emulálva, gyakoroltatta őket. Nem azonosított modellel virtuális asszisztenset hoztak létre mobil-felhasználóknak.

Mit jelent még az együttműködés?

Például azt, hogy az MI-modellek szinte minden iparágban fényes jövő előtt állnak. A partnerség az alapmodellek vertikális iparágakban történő alkalmazása, valószínűleg új üzleti modellel. Hasonló LLM például a BloombergGPT.

Az alapmodellek problémája lehet, hogy míg személyes elképzeléseinket leíró utasításokat (promptokat) könnyű kitalálni, speciális ismereteket igénylő feladatokat, például működő jogi dokumentumok útmutatóit viszont nehéz promptokba önteni. A folyamatos finomhangolás és a speciális gyakoroltatás lehet majd a megoldás.