Egy robot figyelte, ahogy a pittsburghi CMU (Carnegie Mellon Egyetem) egyik kutatója, Shikhar Bahl kinyitotta a jégszekrényt. Minden mozdulatot és pozíciót elemezve, igyekezett utánozni a látottakat. Először, másodszor, harmadszor nem sikerült neki, de néhány óra gyakorlás után már igen.

„Az utánzás nagyszerű mód a tanulásra. Egyelőre nem oldottuk meg az emberek közvetlen figyeléséből tanuló robotok problémáját, de jelenlegi kutatásaink komoly lépésnek számítanak ebben az irányban” – jelentette ki a munkatársaival új tanulási módszert kidolgozó Bahl. (A módszer neve WHIRL – In-the Wild Human Imitating Robot Learning).

Egyszeri vizuális imitációhoz használt algoritmusról van szó, amellyel a robot közvetlenül tanul emberi cselekedeteket, interakciókat megörökítő videókból, majd az információkat új feladatok megoldásához általánosítja.

Mindezekből előbb-utóbb elsajátíthatja a háztartási munkákat. Erre azért van lehetősége, mert otthon folyamatosan különféle feladatokat végzünk. A robot összegyűjtött képadatai alapján dönti el, hogyan hajtson végre háztartási tevékenységeket.

Bahl és kollégái kamerával és szoftverükkel felvérteztek egy közönséges robotot. A gép húsznál több feladatot tanult meg: megnyitni és elzárni berendezéseket, kinyitni és becsukni szekrényajtókat, kihúzni és visszatolni fiókokat, fedőt tenni edényekre, kiszedni a szemeteszsákot a konyhai szemetesből stb.

Mindig embereket figyelt, aztán gyakorolt, a gyakorlásból pedig tanult.

„Ez az egyik módja, hogyan alkalmazzunk otthon robotokat. Ahelyett, hogy előre programozott, érkezésük előtt gyakoroltatott gépekre várnánk, technológiánkkal megvalósítható, hogy hazavisszük a robotot, és miközben alkalmazkodik a környezethez, minket nézve tanul” – nyilatkozta a projektben szintén résztvevő Deepak Pathak.

A mai robottanítás általában vagy imitációval, vagy megerősítéses tanulással történik. Előbbi esetben manuálisan működtetjük a gépet, hogy tanulja meg az adott feladat elvégzését. Egy feladatot többször elismétlünk, mielőtt tényleg tanulna. A másik esetben sokmillió példán gyakorol, a gyakorlás szimulációban történik, majd az ott megtanultakat valódi környezetben kell alkalmaznia.

Mindkét módszer egyetlen feladattal, strukturált környezetben működik jól, de nehéz bővíteni és másra alkalmazni. Ezzel szemben a WHIRL könnyen skálázható, nem szűkíthető le egyetlen speciális tevékenységre, és valódi otthoni környezetben is működik.

A kutatók most YouTube és Flickr videókat néző, azokból tanuló változatán dolgoznak.

De mi van akkor, ha a háztartási munkákat nagyon rossz hatékonysággal végző személyekhez kerülnek a szegény robotok?

A gépi tanuláshoz és a gyakorláshoz használt adatsorok energiafogyasztása egyre több problémát vet fel.

Egy, a mélytanulás széndioxid-lábnyomáról szóló 2019-es tanulmány szerzői kimutatták, hogy egyetlen nagy nyelvi modell begyakoroltatásának károsanyag-kibocsátása annyi, mint egy átlagautóé öt év alatt. A negatív folyamatot megállítandó, tavaly az ML Commons gépitanulás-konzorcium nemzetközi energia-hatékonysági tesztet vezetett be. Szintén tavaly tanulmány jelent meg a nagy transzformer modellek energiahasználatáról, és kiderült: következtetésnél magasabb, mint a tréningek során.

A károsgáz-kibocsátás klímakatasztrófa-hatásai közismertek. 2020-ban az adatközpontok feleltek a globális energiahasználat egy százalékáért – azt viszont nem tudni, hogy ebből mennyi a mesterséges intelligenciáé.

Gépitanulás-szakértőknek mindenesetre lehetőségükben áll gondosan megválasztani, hogy mikor és hol gyakoroltassák modelljüket – állítja egy nemzetközi kutatócsoport.

Az Allen Institute for AI, a Hugging Face, a Microsoft, a Washington Egyetem, a CMU (Carnegie Mellon University) és a Jeruzsálemi Héber Egyetem szakemberei ugyanis felhőszerverek gépitanulás-modellek gyakoroltatása közbeni energiakibocsátását mérő módszert dolgoztak ki.

Kiderült, hogy a modell mérete mellett a szerver helyszíne és a tréning időpontja, a napszak a legfontosabb változók.

Sokat spórolhatunk, ha alacsony kibocsátású régióban, például Norvégiában vagy a francia Alpokban gyakoroltatunk egy modellt. Például az USA középső részével vagy Németországgal összehasonlítva, akár hetven százalékot is megtakaríthatunk, azaz ha az utóbbi helyekről mondjuk a norvég fjordok közelébe költöztetjük az MI-t (más kérdés, hogy ez mennyire praktikus, vagy sem).

A napszakbeli különbségek kevésbé drasztikusak, de jelentősek – például nyolc százalékot takaríthatunk meg, ha éjfélkor, és nem reggel hatkor kezdünk.

Persze minél nagyobb a modell, annál markánsabbak ezek a különbségek.   

Járművekben egyre gyakoribbak az automatizált biztonsági megoldások. Ezekben az autókban, tehergépkocsikban stb. ember ül a volán mögött, és igyekszik kontrollálni is azt. Egyes funkciók automatizálása viszont nagyon sokat segíthet.

Az Egyesült Államokban 2020 negyedik negyedévében értékesített új járművek 30 százaléka magától tud gyorsítani, lassítani és kormányozni.

Az Európai Parlament tervei szerint modellenként évi 1500 teljesen autonóm jármű eladását engedélyezi. A vonatkozó szabályozás még 2022-ben meg fog jelenni. Kanada vizsgálja a lehetőséget, hogy új autók automatikusan fékezzenek, tartsák a sávot és a sebességet is szabályozzák. Az USA-ban a vezetőt monitorozó rendszer kötelezővé tételére vonatkozó törvényjavaslatot nyújtottak be.

Az Európai Bizottság becslése alapján 2021-ben 19800 személy halt meg közúti balesetben. Mesterséges intelligenciával támogatott biztonsági megoldásokkal 2030-ig a szomorú szám a felére, 2050-og pedig nullára csökkenthető – legalábbis ez a cél.

Mindezek után nem meglepő, hogy az Európai Unió elfogadta azt a törvényt, melynek értelmében új járműveket automatizált biztonsági megoldásokkal kell felszerelni.

Az Általános Gépjármű-biztonsági Rendelet a gyártókat az automatikus sebességszabályozás, ütközés-elkerülés és sávtartás új járművekbe integrálására kötelezi. A rendszerek nem gyűjthetnek biometrikus adatokat, a vezetőnek ki kell tudnia kapcsolni őket. A két- és háromkerekű járművekre nem érvényes törvény 2024 júliusában lép érvénybe.

Bizonyos követelmények minden járműre érvényesek, mások csak autókra, illetve buszokra, kamionokra stb.

Mindegyikben kell lennie sebességszabályozó asszisztensnek, amely a jelzőtáblák, az időjárás-viszonyok és más külső körülmények alapján figyeli a biztonságos és törvénybe nem ütköző sebességet. Jeleznie kell a vezetőnek, ha indokolatlanul felgyorsít, illetve észlelnie kell, ha közeli jármű hátrafelé tolat.

Az összes járműnek figyelnie kell a vezetőt, hogy mennyire szórakozott, elterelődik-e a figyelme, álmos-e. A rendszernek repülőgépek fekete dobozához hasonló nyilvántartást kell vezetnie a jármű állapotáról.

Utasszállító autók és kisebb teherszállító járművekben karambolokat elkerülendő, kötelező lesz az automatikus sávtartás, fékezés. Buszok, kamionok és más nagyobb járművek esetében kötelező a sávtartásra és fékezésre figyelmeztető mechanizmusok integrálása, az automatizált kontroll viszont nem. A rendszernek fel kell ismernie a veszélyforrásokat, figyelmeztetnie kell a vezetőt ha potenciálisan gyalogosokat vagy bicikliseket üthet el.

Egyre népszerűbbek a mesterségesintelligencia-kutatásokkal és -fejlesztésekkel kapcsolatos állások. A jelenséget ékesen szemlélteti, hogy például a LinkedIn közösségimédia-oldalon 2017 januárja és 2021 júliusa között a gépitanulás-mérnök volt a negyedik leggyorsabban népszerűsödő amerikai munkakör. Más MI-állások szintén topkategóriás posztnak számítanak.

A zürichi Foorilla tanácsadócég által üzemeltetett Ai-jobs.net weboldal összesíti a legkeresettebb MI-munkaköröket, nemrég pedig közzétették második éves listájukat a leggyakrabban előforduló állásokról. Adataikat változatos munkaközvetítő-honlapokról gyűjtik össze, hirdetéseiket munkáltatóknak értékesítik.

A lista 2021 júniusa és 2022 júniusa közötti több mint 2500 hirdetés száznál több munkakörét tartalmazza. Mivel a felsorolások óránként változnak az adatbázisban, az ábrán látható rangsorolás hozzávetőleges.

A legkeresettebb az adatmérnök-poszt (555 felsorolt állás), az adatelemző (418), az adattudós (398) és a gépitanulás-mérnök (177).

Önvezető autó-szakértők iránt szintén nagy a kereslet. A munkáltatók elsősorban rendszertesztelőket (17), rendszer-térkép specialistákat (11) és üzemeltetés-vezetőket (8) keresnek.

76 állás tíznél kevesebb alkalommal fordult elő. Többek között a pénzügyi adatelemző (9), gépitanulás-fejlesztő (7) és az MLOps (Machine Learning Model Operationalization Management, 4) mérnök munkakör szerepelt ezen a listán.

2022 első négy helyezettje megegyezik a tavalyi első néggyel. Akkor viszont a bigdata-mérnök volt az ötödik. A mostani lista érdekessége, hogy a top20-ból eltűnt a big data kifejezés.

Persze attól, hogy a big data eltűnt, az adat (data) még nagyon is ott van a csúcsállás-megnevezések között, elég csak ránézni az élbolyra (az első tízből kilencben szerepel a data szó). Nem véletlenül, hiszen a ma leginkább a gépi tanulás jelenti a mesterséges intelligenciát, és a nagy rendszerek közismerten irdatlan mennyiségű gyakorlóadattal, gigászi adatsorokkal dolgoznak.

A gépi tanulás fejlődése alkalmat ad arra is, hogy újféle szórakozási módokat próbáljunk ki, például képzeletbeli pizzákról generáljunk képeket, vagy akcióhősök szájmozgását hozzuk összhangba slágerekkel. Egyes eszközök lehetővé teszik, hogy az „internet népe” a populáris kultúra elemeit korábban soha nem látott formában „remixelje”, kreatív módon engedje el a fantáziáját.

Most éppen az OpenAI DALL-E nyelvi modelljének „házilag” újraalkotott változata a legújabb online szenzáció.

Boris Dayma, amerikai gépitanulás-konzultáns tavaly nyáron készítette el, az először DALL-E Miniként ismert, néhány frissítést követően, idén júniusban virálissá vált Craiyon rendszerét. A mostani ráncfelvarrásokkal drasztikusan nőtt az outputok minősége.

Dayma finomhangolt egy előre begyakoroltatott VQGAN kódoló-dekódolót, hogy újraalkossa a bemeneti képeket, és megtévessze a GAN (generatív ellenséges hálózat) folyamatosan kritizáló részét, azaz valódi képekként osztályozza őket.

Ezt követően egy másik ideghálót (BART) tanított be, hogy a kapcsolódó VQGAN képekhez passzoló tokenek sorozatát hozza létre. Nyilvános adatbázisok 30 millió képén gyakorolt, az adatbázisokat átszűrték – eltüntették az erőszakos és az erotikus képeket.

A bemeneti szövegek alapján BART kódolója token-sorozatot hoz létre, a dekóder pedig a sikeres eloszlásukat prognosztizálja, és az alapján a háló a lehetséges képek többféle reprezentációjával áll elő.

VQGAN a reprezentációk alapján alkot képeket, amelyeket a képosztályozó CLIP aszerint rangsorol, hogy mennyire felelnek meg a szövegnek, majd meghagyja a legjobb kilencet, ők az output.

Craiyon ma kb. 50 ezer képet készít felhasználói kérésre, ami annak köszönhető, hogy fotorealisztikus mashupokat („remixeket”) tud létrehozni: Pokémon-karaktereket, jéghorgász Darth Vadert és hasonlókat. Kép és szöveg illeszkedik egymáshoz.

Az OpenAI többször megerősítette, hogy ellenőrzi a DALL-E modellhez való hozzáférést, mert tart attól, hogy az MI-t alantas célokra is használhatják. A Craiyon bíztató ellenpélda.

Kriptovaluta-bányászok nem sokszor döntenek környezettudatosan, ezért szenzációszámba ment, hogy a múlt héten mégis „zöld módon” viselkedtek – Texas szövetségi államban annyira meleg volt, hogy időszakosan ők is felhagytak tevékenységükkel. Az ok egyszerű, nem akarták túlterhelni a helyi elektromos hálózatot.

Július 11-én, hétfőn a Texasi Elektromos Megbízhatósági Tanács (ERCOT) az energiafogyasztás visszafogására, csökkentésére kérte a szövetségi állam lakosságát, hogy megakadályozzák az áramszüneteket. 40 Celsius-fokot meghaladó, intenzív hőhullámok söpörtek végig Texason, ezért volt szükség önkéntes korlátozásokra.

A hatóság sajtóközleményben bejelentette, hogy a rekkenő hőséggel nemcsak az energiaigény nőtt rekordszintre, hanem a kánikula egyes újrahasznosítható opcióknak, például a szélenergiának is keresztbe tett.

Mivel a kriptovaluta-bányászati telephelyek Texas teljes energiahasználatának egy százalékát jelentik, a bányászok július 12-én önként abbahagyták áldásosnak nehezen nevezhető tevékenységüket. Ezzel egyrészt az áremelkedést igyekeztek megakadályozni, másrészt eleget tettek az ERCOT kérésének.

Döntésük azért dicséretes, mert így a texasiak több energiához férnek hozzá – egyesek egyáltalán hozzáférnek forrásokhoz –, hiszen tragikus következményekkel járna, ha nem. 2015 óta az Egyesült Államokban ugyanis folyamatosan nő a hőséggel, hőhullámokkal kapcsolatos halálozások száma.

Az utóbbi években egyre köztudottabbá vált, hogy a blokklánc (blockchain) technológiák mennyire károsak a környezetre. A bányászat által fogyasztott energia mennyisége brutális, egy nap kisebb országok teljes évi áramhasználatát veri.

Más szempontból a döntés időzítése tökéletes, hiszen a kriptovaluta-piac pár hónapja bukdácsol, például a bitcoin árfolyama drasztikusan csökkent. Ezekben a napokban, hetekben nem csábító opció felcsapni bányásznak. Ugyanakkor mélyen elgondolkodtató, hogy a kriptovaluták kontrollálják egy amerikai szövetségi állam energiahasználatának egy százalékát.

A leállás alatt esetleg a kriptoszektor is újradefiniálhatná magát.

Hirdetésektől a pénzügyekig és az egészségügyig, személyes adatainkat egyre több alkalmazásban használják fel. E jelenség miatt a szenzitív információ megvédése a számítási architektúrák egyik legfontosabb elemévé vált.

Az ilyen jellegű alkalmazásoknak meg kell bízniuk a rendszerben, amin futnak, a rendszerszoftverek viszont annyira komplexek, hogy gyakran sebezhetők. A sebezhetőség kockáztatja az adatok titkosságát és integritását.

A Columbia Egyetem kutatói az elmúlt két évben a félvezető IP és szoftvertervező Arm-mal közösen dolgoztak ki verifikáló technológiát (Arm CCA) az Armv9-A architektúrához.

Az Arm CCA a hardver biztonsági garanciáit kezelő firmware-en alapul. Sok korábbi rendszer szintén firmware-alapú, viszont egyik sem garantálja, hogy azon nincsenek rések.

A formális verifikáció viszonylag új módszer, amely tényleg garantálja a hardver/szoftver „korrektségét.” Tesztelés helyett sokkal pontosabb matematikai módszerekkel ellenőrzi azt.

Egyszerű programok megbízhatósága többféle módszerrel verifikálható, de ezek a módszerek nem alkalmasak olyan komplex elemek vizsgálatára, mint az Arm CCA firmware. A kutatóknak ezért kellett új technikát kitalálniuk.

Az Arm CCA esetében fejlesztői alapelv, hogy nem megbízható szoftvernek is meg kell tartania a hardver-erőforrások kezelése feletti kontrollt, azaz a legfőbb kihívás a rendszer megbízhatóságának bizonyítása – annak ellenére is, hogy a nem megbízható szoftver tetszés szerint elvehet hardveres erőforrásokat. Korábbi módszerekkel ezt nem lehetett megvalósítani – klasszikus tesztekkel nehéz megtalálni a réseket –, az új technikával viszont igen.

Ezt sikeresen be is bizonyították, a verifikált firmware támogatja az architektúrát.

Arm CPU-kat világszerte többmilliárd eszközön használnak. Ha az Arm CCA is elterjed, és (főként a számítási felhőben) védi a felhasználó személyes adatait, az új verifikációs technika jelentős előrelépés lesz az adatvédelemben és a biztonságban.

Az Egyesült Államokban és a világ más térségeiben is egyre többet foglalkoznak a mesterséges intelligencia szabályozásával, nő a félelem, hogy a gépi rendszerek kárt okoznak, miközben az MI markánsan jelen van a hétköznapokban. Írtak már sokszáz fejlesztési irányelvet, dicséretesek az erőfeszítések, a leírtak viszont ritkán valósíthatók meg a gyakorlatban.

A Microsoft felülvizsgálta 2019-ben kidolgozott Felelős MI Szabványát, igyekszik proaktívan hozzáállni a témakörhöz.

Az új anyag hat alapérték támogatására hívja fel a figyelmet.

Az elszámoltathatóság arra vonatkozik, hogy a fejlesztőknek fel kell mérniük rendszerük társadalmi hatásait, tényleg működő megoldás-e a kapcsolódó problémára, és kié az MI és az adatok miatti felelősség. Érzékenyebb területeken (pénzügy, oktatás, munkaerő-piac, egészségügy, ingatlanok, biztosítás, társadalmi jólét) az átlagosnál is nagyobb figyelemre van szükség.

A rendszereket alaposan dokumentálni kell, azaz átláthatónak kell lenniük, és a felhasználónak is tudnia kell, hogy MI-vel lépett interakcióba.

A méltányosság szintén alapérték, úgy kell kidolgozni az MI-t, hogy a különböző demográfiai csoportokkal egyformán igazságos legyen, minimalizálja a különbségeket. A felhasználókat figyelmeztetni kell az azonosított kockázatokra.

A rendszer legyen megbízható és biztonságos, definiálni kell, hogy meddig, milyen keretek között működik kockázatmentesen, minimalizálni kell az előrejelezhető hibákat. Módszerek szükségesek a folyamatos monitorozáshoz, illetve iránymutatók a meghibásodás esetében történő visszavonáshoz.

A privacy és a biztonság a fejlesztőcég e területen megfogalmazott alapelveihez igazodjon, a felhasználó tudja mindig, ha adatot gyűjtenek róla.

Az MI-nek befogadónak kell lennie, be kell tartani a vonatkozó szabványokat, hogy például fogyatékkal élők is hozzáférjenek.

Az új irányelveknek való megfelelés érdekében a Microsoft korlátozta az Azure felhőplatformja által nyújtott mesterségesintelligencia-szolgáltatásokat. Új felhasználóknak hozzáférést kell kérniük az arcfelismerő és a szöveget beszéddé alakító (text-to-speech) alkalmazásokhoz. Az arcfelismerő szolgáltatás portré alapján többé nem készít becslést az illető koráról, neméről, érzelmi állapotáról. Jelenlegi felhasználók 2023 júniusáig használhatják ezt a funkciót.

A Microsoft azért döntött a 2.0 mellett, mert az első változatot elnagyoltnak tartják. Az új egyértelműbb irányelveket ad a fejlesztőknek. Ezt segítendő, a nagyvállalat kb. húsz eszközt bocsát a rendelkezésükre, amelyekkel könnyebb felelős MI-t kidolgozni. Például a HAX Workbook az ergonómián javít, az InterpretML segít elmagyarázni a modell viselkedését, a Counterfit biztonsági stressz-tesztet végez.

A General Motors leányvállalata, a Cruise június másodikán kapott engedélyt arra, hogy San Franciscói robottaxi szolgáltatásáért pénzt kérhessen az utasoktól. Az engedély önvezető autók fizetős taxiként történő használatát tette lehetővé este tíz és reggel hat között. A megengedett maximális sebesség tiszta időben 30 mérföld/óra (kb. 48 km/h).

Az önvezető autók elterjedése sokkal lassabban megy, mint prognosztizálták évekkel ezelőtt. Ezért számított mérföldkőnek a Cruise engedélye.

A vállalat komoly fejlődésen ment keresztül a taxiprogramjával, jelentősen csökkentette a mozgás közbeni kockázatokat. A kockázatcsökkentés mértéke pedig épp elég volt ahhoz, hogy a járművek megkapják az engedélyt a közúti vezetésre.

A központi irányításnak, vezérlésnek viszont megvannak a maga veszélyei, arról nem is beszélve, hogy tökéletes célpont lehet rosszban sántikáló hackerek számára.

Több sajtóorgánum számolt be ugyanis arról a sajnálatos tényről, hogy a Cruise önvezető taxijai nemrég tömegesen leálltak. De mi is történt?

Május óta a járművek legalább négy alkalommal elveszítették a kapcsolatot a cég szervereivel. Ezekben az autókban egyáltalán nincs biztonsági humán vezető, így a kapcsolat megszakadása miatt az autók jelentős ideig mozgásképtelenné váltak.

Május 18-án a Cruise a teljes flottával elveszítette a kapcsolatot. Az alkalmazottak képtelenek voltak a járművek távvezérlésére, és az utasokkal sem tudtak kapcsolatba lépni.

Június 28-án közel hatvan Cruise-taxi kilencven percen keresztül nem állt összeköttetésben a szerverekkel. Legalább tucatnyi ugyanabban az útkereszteződésben tartózkodott, gátolva az utat és a keresztutakat. Emiatt egy takarító jármű nem tudta végezni a munkáját, amiért a Cruise-nak bírságot kell majd fizetnie. A távirányítás megint nem működött, az alkalmazottaknak manuálisan kellett a járműveket a garázsba vezetni.

Június 21-én és 24-én hasonló esetek történtek.

A vállalat megoldást keres az ilyen jellegű jövőbeli problémák kezelésére, hogy a jármű semmilyen körülmények között ne veszítse el a kapcsolatot a szerverekkel, távoli irányítókkal. Jelenlegi technológiákkal komoly kihívás a baj orvoslása.

Az MIT (Massachusetts Institute of Technology) kutatói új gyártótechnológiával a testhez szorosan illeszkedő, ezért viselője testtartását és mozgását is érzékelő intelligens textíliákat dolgoztak ki.

Speciális műanyag fonalat hővel enyhén megolvasztottak – az eljárás neve hőformázás (thermoforming) –, amellyel jelentősen javítottak a többrétegű kötött textíliákba (3DKnITS) szőtt nyomásérzékelők pontosságán. Ezzel a folyamattal hoztak létre „okos” cipőt és szőnyeget, majd a nyomásérzékelők adatait valósidőben mérő és értelmező hardver- és szoftverrendszert dolgoztak ki. A gépitanulás-alapú rendszer 99 százalékos pontossággal előrejelezte a cipőt viselő és a szőnyegen álló személyek mozgását, jógapozícióit.

A digitális kötés előnyeit kiaknázó gyártófolyamat lehetővé teszi a gyors prototípuskészítést, és könnyen bővíthető nagyüzemi gyártáshoz.

A technika többféle alkalmazással kecsegtet, az elsőkre az egészségügyben és a rehabilitációban számíthatunk. Például súlyos sérülés után a járást újratanuló személyek mozgásának követésére alkalmas cipők, vagy cukorbetegek lábára nehezedő nyomást monitorozó zoknik fejleszthetők így. A zoknival fekélyek kialakulása előzhető meg.

A digitális kötés teljes szabadságot biztosít a fejlesztőnek saját mintázatok tervezéséhez, szenzoroknak a szerkezetbe való integrálásához. A technológiát a testükhöz kialakított, kényelmes cipők, textíliák stb. viselője nem érzékeli, jelenléte láthatatlan.

Az MIT Médialaboratóriuma már az 1990-es évek vége felé foglalkozott intelligens textíliákkal. Az akkor nagyon futurisztikus, úttörő munkákba elektronikát ágyaztak be. Az anyagtudomány, a beágyazott technológiák és a gyártórendszerek, például a digitális kötőgépek rengeteget fejlődtek azóta, és a jövő a mainál is rugalmasabb megoldásokkal, kvázi végtelen lehetőségekkel kecsegtet – vélik a fejlesztők.

A munkában a szintén Massachusetts állambeli Wellesley College és a szingapúri Nanyang Műszaki Egyetem is részt vett.