Autonóm fegyverek mellett, katonai használatra vannak más, taktikai és stratégiai előnyöket adó MI-alkalmazások is. Ukrajna orosz inváziója során mindkét fél használ MI-t: ellenséges katonákat azonosítanak, a propaganda ellen harcolnak, a másik fél kommunikációját zavarják meg vele.

Eközben a NATO bejelentette, hogy egymilliárd dollár kockázati tőkével támogat technológiákat, elsősorban az MI-t. Az Innovációs Alap védelemre összpontosító startupokat és más vállalkozásokat segít.

Elsődlegesen az MI, az adatfeldolgozás és az autonóm fegyverek területén akarnak eredményeket elérni. A befektetések a biotechnológiát, a meghajtókat, az anyagtudományt, az energetikát és az ember „felturbózását” is érintik.

NATO-tagállamok az utóbbi években növelték MI-költségvetésüket.

Az Egyesült Királyság júniusban tett közzé MI-központú védelmi modernizációs stratégiát. A szabályozás megkönnyíti, hogy a hadsereg civil MI-kezdeményezésekbe invesztáljon és a kutatásfejlesztés központosítása érdekében Védelmi MI Központot hozzon létre.

Németország, szintén júniusban, 500 millió eurót különített el kutatásfejlesztésre, amelyben az MI is szerepel. Az orosz invázióra reagálva és szembemenve az ország második világháború vége óta folytatott gyakorlatával, Berlin már korábban az éves GDP két százalékát katonai célokra ajánlotta fel.

Tavaly az USA Védelmi Minisztériuma a 2022-es büdzséből 874 millió dollárt kért MI-vel kapcsolatos kutatásfejlesztésekre.

Túl a NATO-n, az USA Ausztráliával, Japánnal, Indiával és az Ázsia-Csendes-óceán térség más országaival katonai MI-alkalmazások fejlesztésében, adatátviteli, privacy és MI-felhasználási szabályozások kidolgozásában működik együtt.

A katonai MI körüli felhajtás sürgőssé teszi a technológia hadviselés közbeni alkalmazására vonatkozó megállapodásokat.

Az ENSZ például már javasolta az autonóm fegyverek betiltását.

Szinte semmi nem veszélyezteti annyira a mai társadalmak stabilitását, mint a pandémia méretűvé vált dezinformáció. Az érzelmileg telített és drasztikus mennyiségű kamuhírek miatt személyek élete forog veszélyben. A hamis tartalmak észlelésünket manipulálják, valótlanságokkal mérgezik a társadalmi légkört, okozhatnak kaotikus állapotokat tőzsdéken, anarchiát a világban.

A dezinformáció-dömping motorjai a legfejlettebb csúcstechnológiák, például mesterségesintelligencia-alapú programok, alkalmazások. Az MI olyan szintet ért el tartalomgenerálásban, hogy nyílt forrású programokkal (FaceSwap, DeepFaceLab) lelkes amatőrök is létrehozhatnak virális kamukontentet.

Közben a felhasználó egyre kevésbé tudja, miben bízzon meg, miben nem. Egyetlen megmentőnk a jó célokra használt technológia, MI lehet, legalábbis úgy tűnik – viszont csak akkor, ha ember van mellette.

Legkézenfekvőbb megoldás a tartalomelemzés. A szöveg lingvisztikai tanulmányozásával, szóminták és -elhelyezkedések, mondattani szerkezek és az olvashatóság vizsgálatával elvileg megkülönböztethető az igazi a kamutól, kimutathatók a gyűlöletbeszéd jelei. Sőt, az MI vissza is fejthet (reverse engineering) manipulált képeket, videókat, hogy rátaláljon deepfake-ekre, és figyelmeztető zászlócskákat tegyen melléjük.

Csakhogy a szemantikai jellegű szűrések a generatív ellenséges hálózatok (GAN) világában már kamuszövegek és kamu vizuális anyagok azonosításához sem elegendők. A poszt hangulata felmérhető, valóságtartalma kevésbé.

Ezen a ponton már szükséges az emberi beavatkozás.

Álhíreknek gyakran azonos a gyökere, az eredeti forrás. A Fandango projekt humán tényellenőrök által kamunak nyilvánított történeteket vizsgálva, közösségimédia-posztokban vagy honlapokon való hasonlóságokat keresett. Így nyílik lehetőség visszamenni a gyökerekig, és megakadályozni az álhír kontroll nélküli terjedését.

Egyes szolgáltatásoknál (Politifact, Snopes, FactCheck) húsvér szerkesztők végzik az adott anyag eredetiségét igazoló elsődleges kutatásokat. Miután kiderül róla, hogy kamu, MI-algoritmusok fürkészik a webet, hasonló tartalmak után kutatva. A Trust projekt hírügynökségek hitelességének felméréséhez olyan paraméterekkel dolgozik, mint források, hivatkozások, etikai normák és korrekciók.

A dezinformáció és a gyűlöletbeszéd burjánzásának (eredetükre vonatkozóan lásd 2. ábra) kezeléséhez azonban a tényellenőrök sem elegendők, ráadásul ők is emberek – „kamutényeket” könnyen azonosítanak, érzelmileg erősen töltött szövegek megítélésénél viszont már többet számít a szubjektum. Ilyenkor kell egy, a tartalom valódiságát, és nem az érzelmeket vizsgáló szűrőmódszer.

Az álhírek azonosításához segítséget nyújt, ha a közösségi médián történő terjedésüket összevetjük a valódi hírekével. Egy MIT (Massachusetts Institute of Technology) kutatás kimutatta: hatszor gyorsabban jutnak el 1500 Twitter-felhasználóhoz, és a valódiakat kevesebben propagálják. Az álhírek esetében az online botok is jelentős segítséget nyújtanak, általuk válnak virálissá.

Mindezek persze reakciók, holott a dezinformáció ellen hasznosabb lenne proaktív módon küzdeni, ami eredményes ember-MI együttműködés, és tömegek hatékony oktatása nélkül elképzelhetetlen. Az álhírek megítélése nem még több algoritmus kérdése, hanem hogy hogyan kezeljük az ismereteket. Informált felhasználók alkotta közösségek etikai monitoring tevékenységekhez járulhatnak hozzá, míg a hivatalos szervezetek együttműködés-alapú ismereteinek közösségi ötletbörzéje a nyers információ ellenőrzéséhez fontos.

A kritikus gondolkodók alkotta tájékozott társadalom felépítéséhez a dezinformáció elleni küzdelem humanizálása a csúcsprioritás. Ha nincsenek az összes érintett felet bevonó proaktív intézkedések, gyorsan elveszítjük a médiába és az intézményekbe vetett hitünket. Az MI-technológiák mindaddig a legfőbb szövetségeseink, amíg meg nem tanuljuk objektíven kiértékelni az online tartalmakat.

A Hongkongi Baptista Egyetem (HKBU) szimfonikus zenekarának július 14-i gálakoncertjén különleges eseménnyel szórakoztatták a közönséget: 320 tagú mesterségesintelligencia-kórus és több MI-táncos kísérte a humán muzsikusokat. Míg zenéltek, MI-k pörögtek a nagy kivetítőn.

Az egybegyűltek akkor láthatták először a virtuális táncosokat, hallották szintén első alkalommal a gépi énekeseket.

Az MI-k egyetemi projekt részei. A projekt izgalmas problémát igyekszik megoldani: próbáljuk gépi kódra fordítani, hogy mit jelent embernek lenni, és ez alapján a gépek megtanulnak érző lényként viselkedni.

A láthatatlan énekesek Lo Za-yu 1986-os, az akkori Hongkongról szóló „Kelet gyöngye” dalának előadásakor csatlakoztak humán kollégáikhoz. A digitálisan generált hangok Johnny Poon Ming-lun karmester irányításával énekeltek, míg az MI-vel készített háttérvideót a szöveg inspirálta.

A HKBU MI-kutatói alapvetése, hogy egy gép rendelkezhet saját kreativitással, és nem kell az embert utánoznia. Elképzelésük kapcsolódik a hongkongi kormány tervéhez, hogy a város az art-tech kutatások központjává váljon. A törekvést a városvezetés anyagilag is támogatja, öt év alatt kidolgozandó MI-technológiákkal meg akarják változtatni a kreatív és a kultúra-ipart.

A kórus e terv korai példája.

Az MI-k tanítása természetesen rengeteg adattal, tanulással történik. Elénekelni egy dalt viszont nem ugyanaz, mint élő fellépésen szerepelni az adott dallal. A karmester ezért mozgását rögzítő ruhát viselt, az „énekesek” pedig olvasták és interpretálták a mozgást, és annak megfelelően hol hangosabban, hol halkabban adták elő az adott részt, tartottak szünetet.

A virtuális táncosokat hasonló módszerrel dolgozták ki. Testszenzorok adatai alapján dekódolják az emberi mozgást, valamint egy újonnan felfedezett medúza is inspirálta a fejlesztőket. Az MI-k az ellesett humán mozgásokat, a medúza helyváltoztatását és az óceán hullámait (együtt mindhármat) imitálták, és a kutatók ezekből próbálták kihozni a gépi kreativitást.

Amivel az emberiséget is jobban meg lehet majd érteni.  

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.