A beszélgető szoftvereket fejlesztő amerikai Tidio 2022-es felmérése alapján az 1225 megkérdezett 65 százaléka – köztük az egyetemet végzettek 69 százaléka – fél, hogy az automatizáció miatt hamarosan elveszítheti a munkáját.

De valóban így lesz-e, és a mesterséges intelligenciák tényleg elveszik az állásunkat?

Az eddigi statisztikák szerint erős túlzás ilyet állítani. Egy amerikai kormányzati beszámoló pont az ellenkezőjét igazolja, bár a vizsgált periódus a 2008 és 2018 közötti évek voltak.

Michael J. Handel, a Munkastatisztikai Hivatal szociológusa tizenegy kockázatos állást azonosított, és vizsgálta 2008 és 2018 közötti alakulásukat (lásd az ábrát).

Összességében 13,9 százalékos növekedést tapasztalt. A fordítók és tolmácsok esetében 49,4, személyes pénzügyi tanácsadóknál 30,4, gyorséttermi és pultos munkákban 29,7, fizikai és fuvarozási tevékenységeknél 27,6 százalékkal több személyt alkalmaztak

Handel csak két területen tapasztalt csökkenést: 0,2 százalékkal kevesebb a szobalány és házvezetőnő, a sebészek száma – a szemészeten kívül – viszont 30 százalékkal esett vissza. A Roomba robotporszívó és a Da Vinci robotsebész ellenére úgy tűnik, hogy egyik területen sem az automatizáció a visszaesés oka.

A 13,9 százalékos becslés túlszárnyalja a Munkastatisztikai Hivatal 2008-as 8,7 százalékos előrejelzését. Ugyanez a szervezet a 2019 és 2029 közötti periódusra átlagosan 5,8 százalékos növekedést prognosztizál. Handel a lakosság elöregedésével magyarázza a növekedési ütem lassulását.

Beszámolójában a nem a mesterséges intelligencia, hanem más technológiák miatti (2008 és 2018 közötti) állásvesztésekre szintén kitért. A vizsgált időszak végén 9,7 százalékkal kevesebb volt az adó-előkészítő, 20,5 százalékkal a jegyértékesítő, 28,3 százalékkal az újságíró. Legdrasztikusabb mértékben, 50 százalékkal, a telefonos marketingesek száma csökkent. Ez egyrészt a zaklató hívások szigorúbb szabályozása miatt történhetett, másrészt a munkakört egyre gyakrabban töltik be gépi, köztük mesterségesintelligencia-alapú rendszerek.

Handel anyaga korábbi kutatásokhoz hasonló tényeket összegez. Finnországban, Japánban, Franciaországban és az Egyesült Királyságban az erősen automatizált iparágakban is nőtt a munkahelyek száma és a termelékenység – derül ki ezekből.

Egy OECD-jelentés szerint az érintett 38 országban 2022 áprilisában alacsonyabb volt a munkanélküliség, mint 2020 februárjában, azaz a Covid-19 gyors elterjedésekor. Ez azért érdekes, mert sok közgazdász a világjárvány miatti munkahelygyilkos automatizációs hullámtól tartott.

A Tokiói Városi Egyetem kutatói Segway-eken (önegyensúlyozó, kétkerekű, elektromos meghajtású eszközökön) közlekedő felhasználók által megosztható távolsági együttműködés-alapú virtuálisvalóság-rendszert fejlesztettek. Nemcsak a látványt, hanem a mozgás közbeni érzeteiket is megoszthatják így egymással.

A kamerákkal és gyorsulásmérőkkel felvértezett felhasználók visszajelezhetnek élményeikről egy távoli, kerekein külön motorokkal felszerelt tolószékben ülő, VR headsettel rendelkező személynek.

Az eddigi felmérések alapján a technológia jelentős mértékben csökkenti a VR által kiváltott rosszulléteket (VR sickness), és az eddigieknél jobb élményt kínál a távolsági együttműködés kategóriájába sorolható tevékenységekhez.

A gyorsan fejlődő technológiával lehetővé válik immerzív (a közegbe való alámerülést biztosító) 3D környezetek megtapasztalása és megosztása. Távmunkánál például komoly előny, hogy a máshol tartózkodó felhasználó a többiekkel is megismertetheti a valósidőben látottakat és hallottakat. Képzeljük el, hogy hatalmas raktárban, gyárban, építkezésen van, és valamilyen közlekedési eszközt használ közben. Könnyen bejárhat nagy területeket, miközben munkatársainak hibákat, problémákat mutathat meg.

A „VR-betegség” azonban tönkreteheti az élményt. Ennek az émelyítő, szédüléssel és fejfájással, időnként hányással járó rosszullétnek az oka, hogy a headseten keresztül akkor is mozgást látunk, észlelünk, ha valójában nem mozgunk.

A japán kutatók rendszere azért különleges, mert a mozgás mellett a tényleges észleléseinket, a mozgás érzetét is megoszthatjuk rajta. A szenzorok a vizuális jegyek mellett a jármű gyorsulásáról is részletes infókat szolgáltatnak. Az infók interneten keresztül jutottak el a módosított tolószékben ülő másik felhasználóhoz.

Amikor a Segway-en álló személy felgyorsult, a tolószékes is, tehát valóban nemcsak a látványt, hanem más érzékszervi élményeket is sikerült megosztani vele. A tolószék természetesen nem tette meg ugyanazt a távot, mint a Segway, és amikor az utóbbi nem gyorsult, szép lassan vissza is tért a kiindulási helyzetbe.

A kutatók önkéntesekkel végezték a tesztet. A mozgásérzet hozzáadásával ötvennégy százalékkal csökkent a VR-betegség.

A rendszeren ugyan bőven akad még finomítanivaló, viszont valódi megoldás lehet a virtuálisvalóság-technológia elterjedését hátráltató egyik nagy problémájára.

Egyes betegségek korai fázisában csak nagyon kevés bizonyosság van a szervezetben lappangó és lassan kifejlődő kórra. Nagyon kevés a jel, de mégis jelen vannak.

Az ausztrál Melbourne-i Királyi Technológiai Intézet két kutatást végzett, és az általuk fejlesztett algoritmusok személyek hangját elemezve, azonosítottak korai Parkinson-kórosokat és súlyos tüdőszövődményektől szenvedő Covid-19 eseteket.

A kutatók az Aum nevű okostelefonos-alkalmazásba integrálták az algoritmusokat, az app a betegségeket diagnosztizálja, figyeli az illető személyek állapotát.

Orvosok rutinszerűen figyelik pácienseik hangját, ami különösen neurodegeneratív megbetegedéseknél, így a Parkinson-kórnál, vagy tüdőproblémáknál, például Covid-szövődménynél árulkodó. Az app azonban nemcsak a betegség megállapítására, hanem a gyógyszerek hatásának vizsgálatára, szedésük optimalizálására, a megfelelő adagok kialakítására is használható.

A kutatók az első tesztnél 36 Parkinson-kóros és 36 egészséges önkéntessel dolgoztak. Mivel az emberi hangok között természetes különbségek vannak, és csak azokból nehéz eldönteni, ki beteg, és ki nem, „nem nyelvi” hangokat kerestek, amelyek alapján – a természetes különbségek ellenére – már könnyebben ment az azonosítás.

Torok-, száj- és orrhangokat kiváltó fonémákat kellett mondaniuk, a felvételhez iOS-alapú okostelefont használtak, a Parkinson-kóros és az egészséges személyeket gépitanulás-alapú algoritmus azonosította. A háttérzajok ellenére száz százalékos pontossággal dolgozott.

Az algoritmus a gyógyszert szedő és nem szedő Parkinson-kórosokat szintén képes megkülönböztetni egymástól. Ez azért is előnyös, mert az orvos akkor is eredményes munkát tud végezni, ha a páciens nincs a rendelőben, mert például messze lakik.

A Coviddal Indonéziában, még 2021. június-júliusban végeztek hasonló tesztet negyven kórházban tartózkodó betegen és negyvennyolc egészséges személyen huszonkét napon keresztül. Hat fonémát kellett kiejteniük, az adatokat egy másik gépitanulás-algoritmus elemezte, és rájöttek, hogy az „i” hangból kivontak jelentik a legszignifikánsabb különbséget betegek és egészségesek között. Az algoritmus kilencvennégy százalékos pontossággal dolgozott.

A Covid esetében azért fontos az app, mert hangfelvételnél az orvos nem kerül fizikai kapcsolatba a pácienssel, kevésbé terjed a járvány. Nem is kell ugyanabban a fizikai térben tartózkodniuk.

A fonéma-alapú megközelítés a kutatók szerint nem nyelvspecifikus.

Az appon finomítanak, és bizakodnak, hogy minél előbb a való világban is használni fogják.   

A belga nonprofit APOPO különleges módszerrel oldaná meg katasztrófa sújtotta területeken a keresési és mentési műveleteket – másfél kilós hatalmas patkány cipelne egy csúcstechnológiákkal megpakolt miniatűr hátizsákfélét. A zsákot az állatra szerelnék, ő kutakodhatna túlélők után.

A szervezet már gyakoroltatott patkányokat (HeroRATs) és kutyákat. Aknákat kellett felderíteniük, tuberkulózis jelei után nyomoztak. Aztán rájöttek, hogy például a méretük miatt, az előbbiek a kutatási és mentési műveleteknél is hasznosak lehetnek.

A kísérleteknél nem a járványokat terjesztő közönséges rágcsálókat, hanem afrikai óriáspatkányokat teszteltek. Ezek az állatok nemcsak értelmesebbek, hanem tovább is élnek, mint az egyszerűbb rokonaik, és a kutyákhoz hasonlóan idomíthatók. Fogva tartva nyolc-tíz évig elélnek, így a kilenc hónapig, egy évig tartó kiképzés után még hosszú ideig dolgozhatnak veszélyes terepen.

Tavaly augusztusban, az APOPO Tréning és Kutatási Központjában, a Sokoine Mezőgazdasági Egyetemen, Tanzániában gyakoroltatták őket.

Katasztrófa-zóna utánzatában kellett embereket lokalizálniuk, a hátizsákban lévő technológiák segítségével pedig valósidőben, vezeték nélkül folytathattak audiovizuális kommunikációt a helyszínről. Arra is kiképezték őket, hogy ha potenciális áldozatot lokalizáltak, meghúzzák a nyakuk köré tekert mikrokapcsolót, és értesítsék a távolban lévő humán személyzetet.

Korlátozott keresési térben megtanulták az alapvető viselkedéssorozatokat: „csapdába” szorult áldozat után kutattak, és a közelébe mentek, majd amikor megtalálták, meghúzták a hátizsákhoz kapcsolódó mellényszerű részre erősített labdát, erre indult be a mikrokapcsoló. Ezt követően visszatértek a kiindulási pontra, ahol akkor kaptak kaját, ha leadták a hangjelzéseket.

A kutatók jelenleg a környezeten dolgoznak, bonyolultabbá teszik, hogy még jobban hasonlítson tényleges katasztrófa utáni terepekhez.

A multifunkcionális hátizsákot az Eindhoveni Műszaki Egyetemen fejlesztették – videokamerát, kétirányú kommunikációra alkalmas mikrofont és hangszórót, valamint az állat tartózkodási helyét nyomon követő eszközt tartalmaz.

Ha a patkányok elég hatékonyak, a kiképzés Törökországban, az ottani GEA kereső és mentőcsoporttal folytatódik. Utána állhatnak munkába.

A The Dallas Morning News és a Berkeley Újságírói Iskolája közös kutatás eredményeként megállapította, hogy georgiai, észak-karolinai és más gimnáziumok és felsőoktatási intézmények a Social Sentinel („közösségi őrszem”) természetesnyelv-feldolgozó rendszerrel megfigyeltek diákokat. A rendszer közösségimédia-posztokat és azokból következtetve, személyek mentális állapotát monitorozva azonosít magukban vagy másokban kárt okozni szándékozó személyeket.

Az „őrszemet” 2015 és 2019 között, és valószínűleg később is, tüntetők nyomon követésére szintén használták.

A 2020 óta Navigate360 Detect néven futó „őrszem” mesterségesintelligencia-alapú nyelvi motorral elemzi a kommunikációt: Facebook-, Instagram-, Reddit-, Twitter- és YouTube-posztokat, kommenteket. A keresés a biztonsággal és a biztonságossággal kapcsolatos nyolc topikra, valamint huszonöt altopikra korlátozott.

Az újságírók kiszivárgott dokumentumokat, iskolai alkalmazottakkal folytatott beszélgetéseket és a kormányzathoz beadott kérvényeket elemezve, több tényt megállapítottak.

Nyilvánosan hozzáférhető posztok mellett a rendszer e-maileket, Google Docs, Google Hangouts anyagokat és Facebook Messenger üzeneteket, sőt, veszélyesnek minősíthető webes kereséseket is vizsgált. A fejlesztők nem nyilvánosan promótálták oktatási intézmények vezetőinek, hogy tiltakozásokat előzzenek meg, illetve súlyosságukat csökkentsék vele.

Egy észak-karolinai főiskola a szoftverrel az intézmény vezetőségét nemi erőszak miatti feljelentésért kritizáló diákjának közösségimédia-kommentjeit követte 2019-ben. Egy georgiai egyetem legalább három 2017-es tüntetésen figyelte a diákjait az „őrszemmel”, köztük legalább egy olyan személyt is, aki semmiféle kapcsolatban nem állt az oktatási intézménnyel. Egy észak-karolinai kampusz rendőrsége a rendszerrel 2015-ös abortuszellenes és abortuszpárti tüntetőket, majd 2018-ban egy, az 1861 és 1865 közötti déli hadsereget ünneplő szobor eltávolítását követelő megmozdulások résztvevőit figyelte meg.

Az „őrszemet” 2020-ban megszerző ohiói Navigate360 vállalat szerint az újságírók nyomozása pontatlan, mert például a „tiltakozni” szó nem is szerepel a rendszer keresési topikok listáján. Iskolaigazgatók és más potenciálisan érintett oktatási szereplők nem válaszoltak az újságírók kérdéseire, és az ilyen és hasonló szoftverek használatára vonatkozó irányelveikről sem voltak hajlandók nyilatkozni.

Mivel a rendszer tevékenysége és felhasználása egyértelmű személyiségi jogi (privacy) kérdéseket vet fel, és súlyos, akár büntetőjogi következményekkel is járhat, nem meglepő, hogy az érintettek kerülik a médianyilvánosságot.

A hal- és tengergyümölcsei-ipar mesterséges intelligencia használatával próbálja csökkenteni környezeti lábnyomát. Az MI-t és más csúcstechnológiákat többféleképpen alkalmazzák azért, hogy az iparág minél zöldebbé váljon.

A norvég Aquaticode például ideghálókkal vizsgálja át, osztályozza és válogatja ki a lazacokat. A technikával a halgazdaságok kevesebb anyagi erőforrással nagyobb állományokat tenyésztenek.

Az Aquabyte rendszere folyamatosan figyeli a gazdaságokban tenyésztett halak egészségi állapotát, előrejelzi az ideálos lehalászási időpontokat, amellyel csökkenti a tevékenység közben termelődő hulladék mennyiségét.

A Shinkei Systems hajóra szerelhető gépe automatikusan elpusztítja és megtisztítja a frissen fogott halakat. Tevékenységét a legjobb szushi-éttermek előírásai/szabványai szerint végzi, mert ha nem így tenné, a vendéglátóipari egységek nem vennék át a halakat.

A mexikóvárosi Atarraya garnélarákok szállító konténerekből kialakított speciális tartályokban történő tenyésztésével foglalkozik. A tartályokat mesterséges intelligencia vezérli, a cég húsz egység telepítését tervezi az amerikai Indianapolisban.

Miért jó ez? A fejlesztőcég szerint azért, mert garnélarákok tenyésztése nyílt tóban a talajvizet és a parti vizeket szennyező mérgezőanyagokat generál. Az MI által vezérelt tartály így fenntarthatóbb megoldás (kérdés persze, hogy a meg nem kérdezett garnélák „mit szólnak hozzá”).

A Shrimpbox („garnéladoboz”) két nagy víztartályból áll. Mindkettőt a pH-t, tápanyagokat, vegyi anyagokat, vízhőmérsékletet figyelő szenzorokkal szerelték fel. Gépitanulás-modellek automatikusan adagolják a tápanyagokat, szükség szerint módosítanak a feltételeken.

Ugyanezek a modellek optimalizálják a garnélák salakanyagát és az általuk termelt más hulladékokat fogyasztó algák és gombák növekedését, amellyel a tartályban élő lények egészségesebbek maradnak, és vízöblítésre is kevesebb alkalommal van szükség. A felhasználók távolról, távirányítva módosíthatnak a beállításokon, illetve etethetik a garnélákat.

Ha tömegesen termelhető, a Shrimpbox a víziállat-tenyésztés több kényes problémáját megoldhatja. Például megállíthatja a világ halpopulációját és így a vizek ökológiai egyensúlyát egyre jobban veszélyeztető túlhalászást. A nyílt víz helyett tartályban történő tenyésztéssel hulladékok, antibiotikumok és más vegyszerek nem kerülnek a környezetbe, plusz a tenyésztés is közelebb történik a fogyasztáshoz, azaz nincs szükség távolsági szállításra – ezzel szintén csökken az iparág széndioxid-kibocsátása.

A Google új módszert mutatott be nagy nyelvi modellek (large language models, LLM) felhasználására. Lényege, hogy robotok emberek utasításai (promptok) alapján képesek megírni a saját kódjukat.

A munka a vállalat egyik új nyelvi modelljén alapul. A modell lehetővé teszi, hogy robotok megértsenek emberek által adott utasításokat, majd racionálisan és biztonságosan reagáljanak rájuk a fizikai térben. A kivitelezéshez az OpenAI híres GPT-3-ját és kapcsolódó automatizált kódkiegészítéseket (például a GitHub Copilotját) is használták.

Mi történik akkor, ha robotok utasítások alapján autonóm megírják a világgal folytatott interakciókhoz szükséges saját kódjukat? – tették fel a kérdést a Google kutatói.

Volt okuk a bizakodásra, mert a nyelvi modellek legújabb generációja képes bonyolult következtetésekre, ráadásul többmillió kódsoron gyakoroltatják őket. A kutatók rájöttek, hogy a modellek természetes nyelvű utasításokat követve nemcsak általános, hanem robotok cselekvéseit irányító kódokat is tudnak írni (Kód, mint szabályozás a fejlesztés neve). A kódíró LLM-eket át is programozhatják azzal a céllal, hogy természetes nyelvű utasításokra reagálva, írjanak robotokat szabályozó kódokat.

A felhasználó például azt mondja, hogy „tedd az építőkockákat az üres tálcára”, mire a nyelvi modell a kódot Pythonban író és a robotot az elmondottak követésére utasító programot generál. A Google szerint nyelvi modellek – különösen a CaP – jobbak erre a feladatra, mint a korábbi megoldások.

Sőt, még bonyolultabb feladatok elvégzésére is utasíthatják a robotokat, és néhány szavas promptokból közvetlenül írhatják a kódot. A CaP pontos értékeket, például a nem egyértelmű leírásokon („gyorsabban”, „balra” stb.) alapuló sebességet is képes értelmezni, de az angolon kívül más nyelvekkel és emojikkal is elboldogul.

Egyelőre ott tart, hogy a gépeket különböző színű építőkockák például 2D négyzetre helyezésére ösztönözze, de az építőkockákkal történő házépítésre, azaz jóval komplexebb utasítássor megadására még nem képes. Az ok: nincsenek 3D-s referenciái.

A CaP plusz rugalmasságot ad a robotnak, az viszont potenciális kockázatokkal, például előre nem kalkulált viselkedéssel is járhat.

Egyre több a repülőautó-prototípus, viszont az elektromos járműveket gyártó kínai Xpeng – a Tesla egyik riválisa – úgy tűnik, megalkotta a legabszurdabbat, de még a látványnál is abszurdabb, hogy ránézésre, videók alapján a gép működik is.

Egyelőre csak prototípus, X3-nak hívják, és elsőre pont olyan, mint egy normál autó. Egy komoly kivétellel: akkora rotorok vannak rajta, mint a drónokon. Miattuk fest úgy a járgány, mintha meseautó vagy még inkább, óriásméretű játék lenne.

Repülésnél X3 fokozatosan felemelkedik a talajról, majd közel tíz méter magasságban lebeg. Miután stabilizálódott a pozíciója, előre repül, sőt, meg is fordul, majd visszatér az indulási pontra, és sikeresen landol.

Tömege 1936 kiló, és a kilók jelentős részét valószínűleg az elemek alkotják. A szám magáért beszél – egy ilyen súlyú gépet a levegőbe vinni önmagában megsüvegelendő teljesítmény.

Kialakítása értelemszerűen különcködő, és ugyan nem kifejezetten elegáns, repülésre viszont mindenképpen alkalmas, pláne ha minden korrekt a cég demonstrációs anyagában.

Az autó „teste” szokatlanul hosszú, amit nyilvánvalóan a masszív rotorok és a hardver miatt alakítottak így ki. Kicsit olyan, mint egy lebutított, nagyon átformált helikopter.

Mivel a rotorok behúzhatók, az X3 elvileg országúti közlekedésre szintén alkalmas. Ez a tulajdonsága is különlegessé, egyedivé teszi, mert vele ellentétben, a legtöbb repülő autó nem tud utakon közlekedni. Fejlesztőik inkább csak a repüléssel foglalkoznak, a szárazföldet hanyagolják, így maga az „autó” név is eufemizmus, és nem valóság.

Az X3 prototípus viszont hiába látványos, nincs még az 1960-as évek legendás amerikai rajzfilmsorozatában, az űrcsalád Jetsonékról szóló történetekben látható repülő autók szintjén. Az ablakok vagy le vannak takarva, vagy elsötétítettek, így nem is tudjuk, hogy a járműben van-e hely sofőr számára. Belső teréről sincs sok elképzelésünk, például, hogy mennyit foglalhat el belőle a hardver.

Az Xpengnek nem az X3 az egyetlen repülő autója. Októberben, Dubaiban mutatták be a kevésbé hagyományos külsejű X2-t, egy kisebb, inkább repülőre emlékeztető masinát.

Az orosz invázió előtt Ukrajna volt a földkerekség ötödik búza-exportőre. A háború miatt világszerte drasztikusan felmentek az élelmiszerárak, egyes régiókban akár éhínség is lehet. Az ukrán gabonatermést ért károk mértékének pontos felmérése segíthet a veszteség helyettesítését célzó stratégiák kidolgozásában.

A háborúban több területen alkalmazták már a gépi tanulást: hadifoglyokat, háborús övezetből menekülőket, háborús bűnöket elkövető katonákat azonosítottak a propaganda leleplezésére, elhurcolt személyek mozgásának figyelésére, füst és felhők miatt nehezen vagy nem látható, sérült épületek lokalizálására szintén alkalmas technológiával.

Legújabban ideghálók segítenek humanitárius szervezeteket az ukrán gabonatermést ért háborús károk felbecslésében.

Az amerikai Yale Közegészségügyi Iskola és az Oak Ridge Nemzeti Laboratórium kutatói légi felvételeken látható gabonatároló létesítményeket detektáló gépilátás-modellt fejlesztettek. A rendszer kimenetei segítették őket az orosz hadsereg által lebombázott, megkárosított épületek azonosításában.

A kutatók gabonasilók utoljára 2019-ben frissített adatbázisával kezdték. Gépi tanulást használva jöttek rá, melyek hiányoznak, és hol építettek újakat 2019 óta.

A YOLOv5 objektumdetektáló/osztályozó eszközt Google Earth képeken látható gabonasilók azonosításával gyakoroltatták, majd a modellt másfajta létesítmények (gabonafelvonók, raktárak és hasonlók) észrevételére finomhangolták. Kereskedelmi műholdak címkézett felvételeivel dolgoztak hozzá.

A modell a teszteken 83,6 százalékos pontossággal teljesített. A február 24-i orosz támadást követően, az invázió által sújtott térségekről készült 1787 műhold-felvételt tápláltak a rendszerbe, és korábban nem katalogizált tizenkilenc létesítményt azonosítottak. A lokalizáció után a kutatók manuálisan elemezték a károkat.

Kiderült, hogy 344 létesítményből 75-öt ért károsodás, az ellenség pusztítása 3,07 millió tonna gabona tárolására alkalmas kapacitását sodort komoly veszélybe. Ez a szám a teljes ukrán gabonatermés közel tizenöt százaléka.

Az ENSZ új klímaügyi jelentése alapján a század végéig akár 2,5 fokkal is nőhet a bolygó átlaghőmérséklete. A 2015-ös Párizsi Egyezményben 1,5 fok szerepel, és egyértelmű, hogy a 2,5 katasztrofális következményekkel járna. (Már a mostani 1,1 fokkal is mindinkább érezzük a változásokat.)

A sztratoszférikus aeroszol injekció, mesterséges intelligenciával támogatott klimatikus geomérnökség lehet az egyik megoldás. A művelet során a napfényt nagyon magas mennyiségben visszaverő részecskéket szórnak az atmoszférába. A bolygó fényvisszaverő képességének növelésével lelassíthatjuk a napfény melegedésének ütemét, amivel több időnk marad a széndioxid-kibocsátás csökkentésére, hatékony módszerek alkalmazására.

A mesterséges intelligencia több szempontból is fontos szerepet játszhat ebben a műveletben.

Az aeroszolokat valószínűleg speciális repülőgépek szállítják majd. Nagy magasságban közlekedő autonóm drónok specifikációinak kidolgozása kifejezetten MI-nek való feladat.

Az aeroszolok bolygónk éghajlatára gyakorolt hatásait még alig értjük, sötétben tapogatózunk velük kapcsolatban. Az átlaghőmérsékletnek csökkennie kell, de mi van, ha egyes régiókban gyorsabb a csökkenés, míg másokban folytatódik a felmelegedés? Hogyan befolyásolja mindez a termést, az esők savasságát, a széláramot és sok minden mást?

A kérdések megválaszolására és a hatások modellezésére tökéletes lehet a gépi tanulás, nélküle nehezen elképzelhető bármilyen hasznos és gyorsan alkalmazható megoldás.

Ha ismerjük a sztratoszférikus aeroszolok potenciális éghajlati hatásait, valamint a különféle aeroszolok közötti különbségeket, a megerősítéses tanuláshoz hasonló optimalizáló technikákkal dönthetjük el, melyik aeroszolt, mikor és hol használhatjuk úgy, hogy az a bolygó javát szolgálja.

A használat csak akkor válik realitássá, miután minimum mindezeket a kérdéseket megválaszoltuk.

A sztratoszférikus aeroszol injekciót több szempontból, de leginkább morális alapon és az előre nem látható kockázatok miatt kritizálják. Az MI és kutatók közös és aprólékos munkájával vagy háttérbe szoríthatók ezek a hangok, vagy a technológiáról derül ki, hogy tényleg kockázatos.