Yoon Suk-yeol nyerte meg a március kilencedikei dél-koreai elnökválasztást. A kampányban egy kérdésekre válaszoló, mesterséges intelligencia által generált hasonmást, azaz kamuvideó (deep fake) személyiséget is használt. A közönséget nem verték át, mert előre tájékoztatták őket, hogy számítógépes animációt fognak látni.

Az avatár a szöuli DeepBrain AI munkája. Az akkor még elnökjelölt Yoonról húsz óra audió- és videóanyagot használtak fel hozzá. Zöld képernyővel szemben vették fel, összesen háromezer mondatból áll.

Az elnökválasztás előtti két hónapban Yoon kampánycsapata minden nap kiválasztott egy kérdést és az avatár által elmondott választ. A hang Yoon hangja.

Először politikáról beszélt, aztán a témák személyesebbé váltak, például szóba kerültek a jelölt kedvenc karaoke-számai. Az avatár az ellenlábas Lee Jae-myungot és a hivatalban lévő elnököt is sértegette.

Eleinte Lee lenézte MI Yoont, de két héttel a választások előtt már ő is használt saját avatárt, viszont – ellentétben a másikkal – a hasonmás tevékenysége tényleges kampányrendezvényeken felvett anyagokon alapult.

Sok víz lefolyt a Dunán a kamuvideók első, 2020-as politikai célú felhasználása óta. Akkor az indiai Manoj Twari kampányvideóját változtatták meg, hogy a politikus több helyi nyelven mondhassa el üzenetét.

A technológia több közéleti botrányt is okozott. Egy malajziai miniszterről például házasságtörő anyag jelent meg, de kiderült róla, hogy kamu. Egy másik eset: a gaboni elnökről készült kamuvideó több katonatisztet ösztönzött puccskísérletre.

A zord és semmitmondó személyiségként ismert Yoon digitális hasonmását azért is készítették el, hogy pozitív hatással legyen a vele szemben és a kimenetel szempontjából egyaránt kritikus fiatal szavazókra. Egyesek ugyan elutasították az avatárt, az eredmény viszont a technológia sikerét vetíti előre. Ha nem csalás, azaz megmondják, hogy hasonmásról van szó, bizonyos célcsoportoknál sokat érhetnek el vele.

Mindenesetre elég ironikus, hogy egy politikus kamuvideója autentikusabbnak tűnik, mint a valódi személyiség.

Andrew Ng-t, a világ egyik legismertebb gépitanulás-szakértőjét nemcsak az MI, hanem más tudományok és technológiák, például a fúziós energiának, az emberi életkor meghosszabbításának és a világűr gyarmatosításának a nagy kihívásai is inspirálják.

Több közös jegyet lát bennük. A következőkről van szó: a megoldás a legtöbb ember jelenlegi életmódját valószínűleg, de nem szükségszerűen jó irányba változtatná meg. Szakemberek évtizedek óta dolgoznak rajtuk, elképzelhető de nem garantált, hogy még a mi életünkben elérik a célt. Technikailag annyira összetett problémakörök, hogy kívülállók, de még szakértők számára is nehéz felvázolni a megoldáshoz vezető lépéseket.

A fúziós energia a biztonságos, tiszta és korlátlan elektromosság-forrás ígérete, az atomok fúziójából történő energiagyűjtéssel hátráltathatjuk a klímaváltozást, és a geopolitika is átrendeződne, ha az államok energiaellátása függetlenedne.

Ha tovább élünk, nagyobb tudást halmozunk fel. Egyesek persze a gazdagságra és a hatalomra is koncentrálhatnak, és a demográfiai kihívást sem szabad alábecsülni. Az élettartam meghosszabbítását célzó eddigi vegyi anyagok nem váltották be az ígéreteket, több mostani kísérlet viszont áttöréssel kecsegtet.

A világűr gyarmatosításával az emberi történelem a földi keretek közül kilépve, áthelyeződik egy kvázi végtelen jövőbe. A Homo sapiens is elhagyta valamikor Afrikát, majd benépesítette a Földet. Elvileg a világűrben is megvalósulhat valami hasonló léptékű folyamatlánc.

Az általános mesterséges intelligenciához hasonlóan, az ezekkel a területekkel foglalkozó startupok jó részét túlhájpolják, szkeptikusok a vállukat vonogatják, a lelkes követők pedig már-már hívőkként viselkednek.

Ng szerint az a legizgalmasabb, hogy a mesterséges intelligencia komoly szerepet játszhat a célok megvalósításában. Például a DeepMind fúziós reakció vezérléséhez, kontrollálásához fejlesztett MI-t, általánosságban pedig az MI sokat segít nagyléptékű fizikai rendszerek tervezésében és természetesen a szimulálásukban is. Az egészségügyben szintén sok területen alkalmaznak okos algoritmusokat. Új gyógyszerek feltalálásában is segédkeznek, így törvényszerű, hogy a várható élettartam meghosszabbításából is kiveszik majd a részüket. Az űrkutatásban pedig az automatizált vezérlés bevett dolog, a valós időben történő kivitelezéssel viszont a távolságok miatt komoly gondok merülnek fel. Ezek megoldásában játszhat fontos szerepet a mesterséges intelligencia.

Az MI azonban nem varázsszer – hangsúlyozza Ng. Segíthet, de önmagában nem elegendő.

„Mindig azt gondoltam, hogy az általános mesterséges intelligencia, tehát egy átlagemberhez hasonlóan bármely mentális feladat kivitelezését megtanulni képes rendszer fejlesztése korunk egyik legnagyobb kihívása” – nyilatkozta Andrew Ng, világhírű MI-kutató, aki tizenhét éve egyébként már szervezett emberi szintű mesterséges intelligenciát építő workshopot.

Az általános MI (artificial general intelligence, AGI) akkor is ellentmondásos téma volt, és ma is az. A címkézetlen adatokból tanuló, önfelügyelő tanulás utóbbi időbeli gyors fejlődése viszont az emberi agy tanulását imitálni próbáló algoritmusokon dolgozó mélytanulás-szakértőkre emlékezteti Ng-t.

Az AGI felbecsülhetetlen értéket jelenthet, ugyanakkor erősen technikai témaként, kívülállók, sőt, szakértők számára is nehéz felmérni, hogy melyik megközelítés megvalósítható, melyikkel érdemes foglalkozni.

Az AGI potenciáljának és technikai komplexitásának kombinációja több vállalkozót cégalapításra ösztönzött. Abból indultak ki, hogy startupjuk már akkor nagyon értékes lehet, ha csak egy százalékban lesznek sikeresek. Kb. tíz éve részben a cégüket reklámozó vállalkozók, és részben az IT-ipar óriásai által generált óriási hype alakult ki az AGI körül.

Ma még nincs AGI, és nem tudni, mikor lesz. A hype mértéke viszont több szakértőt elbizonytalanított, és nem hajlandók beszélni a mikorról, mert tanultak más területek túlzott optimizmus és megvalósulatlan ígéretek miatti negatív példáiból.

Néhány éve nincs már akkora hype az AGI körül, Ng örül ennek, mert így jobb a munkakörnyezet, kisebbek az elvárások. Szerinte a tanulóalgoritmusok bizonyos kombinációi vezethetnek el az általános mesterséges intelligenciához, csakhogy ezeket a kombinációkat és algoritmusokat fel kell még találni.

A szakemberben felmerült már az a kérdés is, hogy egyes meglévő felügyelet nélküli tanulóalgoritmusok felfelé történő skálázásával az ideghálók komplexebb mintázatokat tanulnának meg. Az öntanító és az önfelügyelő tanulás pont ebbe az irányba mutat. De talán egyes kódoló algoritmusokkal is eljuthatunk eddig.

Ng egy többszáz, többezer óra videóból gazdag reprezentációkat megtanuló alapmodellt szintén elképzelhetőnek tart.

Ilya Sutskever, az OpenAI vezető tudósa szerint elképzelhető, hogy az MI máris tudatos. A nagy ideghálókra utalt, amelyek az öntudat kezdeti formáit mutathatják.

Nézőpontja elég egyedi a szakmán belül, mert a mainstream álláspont szerint az MI, az utóbbi tíz év óriási fejlődése ellenére is távol van az emberi intelligenciától, egyáltalán nincs közel a világ tudatos megéléséhez.

Lehet, hogy Sutskever kicsit bombasztikus akart lenni, de az is lehet, hogy a világ egyik legjobb MI-kutatócsoportjának vezető tudósaként jobban rálát fejlesztésekre, mesterséges intelligenciára, mint bárki más.

Régóta foglalkozik az általános mesterséges intelligenciával (artificial general intelligence, AGI).

Az AGI meg fogja oldani mindazokat a problémákat, amelyekkel ma szembesülünk – állítja, ugyanakkor figyelmeztet is: a végtelen ideig tartó, stabil diktatúra MI általi megvalósításának a lehetősége is adott.

Ez az első alkalom, hogy az OpenAI társalapítója (a másik kettő Elon Musk és a mostani vezérigazgató, Sam Altman volt) bejelentette, hogy már itt lehet a gépi tudatosság.

Az OpenAI eredeti rendeltetése a tudatos gépek által jelentett veszély vizsgálata volt, és nonprofit vállalatként működtek. Aztán elkezdtek MI-t fejleszteni, vége lett a nonprofit korszaknak, és 2019-ben Musk lelépett, mert nem értett egyet sok fejlesztéssel. Állítólag a kamuhíreket (fake news) generáló, túl veszélyes technológia miatt távozott. Igaz, akkor már több mint egy éve nem foglalkozott egy projektjükkel sem.

2019 óta persze Musk is pálforduláson ment keresztül, mert hónapok óta folyamatosan a Tesla hamarosan bemutatásra kerülő MI-jéről beszél. Ez az MI, a decentralizált robotvezérlés fontos lehet az AGI szempontjából – állítja Musk, és ígéri: cége mindent megtesz, hogy keretek között tartsák, ne szabaduljon el.

Közben az OpenAI is folytatja ellentmondásos projektjeit, viszont igyekeznek mindenkit megnyugtatni: „az AGI az egész emberiség hasznára válik.”

A kamuhír-generátor mai, GPT-3 változata már nem annyira idióta, hogy az egyik programozó halott menyasszonyát emulálja, vagy pedofil tartalmakkal „kedveskedjen” gamereknek. Újra konfigurálták, és most már „jól viselkedik.”

Sutskever bejelentése mindenesetre meglepte az MI-fejlesztő közösséget.

A Facebook, pontosabban most már Meta főnöke, Mark Zuckerberg ismét meglepte a világot: egy technológiai podcast-ben elárulta, hogy szerinte a Metaverzum sokkal inkább időpillanat, mint tér.

Az interjúban rákérdeztek a közeg „szingularitás pillanatára” is.

„Sokan gondolják, hogy a Metaverzum a térről szól, de az egyik definíciója alapján az időről, amikor az alapvetően immerzív digitális világok életünk megélésének és időnk eltöltésének elsődleges módjává válnak. Ez egy racionális konstrukció” – magyarázza Zuckerberg.

Vajon komolyan gondolja, hogy adjuk fel a tényleges realitást, és üdvözöljük a Facebook által ellenőrzött, irányított disztópiában az új, virtuális valóságunkat? Ebből a szövegből úgy tűnik, hogy igen.

A fura, például végtag nélküli avatárokkal teli közeget egyébként szigorúan figyelik, miután az első befogadók többek között szexuális zaklatásra is panaszkodtak.

A cég gondjait növeli, hogy a piactörténelem legnagyobb részvényeladási napja (a múlt hónapban) őket érintette. Az eladási hullámot a Facebook zsugorodó felhasználói köréről kitudódott információk váltották ki. Ilyen még soha nem fordult elő, eddig csak növekedést tapasztaltak.

Zuckerbergék mindenesetre dollármilliárdokat öntenek a jelenlegi formájában unalmas Metaverzumba. Természetesen nincs egyedül azzal az előrejelzésével, hogy a jövőben inkább egy virtuális valóságban fogunk élni tényleges, fizikai közegünk helyett. Mások is így látják.

Például Melanie Subin, a Jövő Ma Intézet – tanácsadó cég – igazgatója szerint 2030-ra az emberiség elég jelentős része a Metaverzumban fog élni, és az ébren töltött idejük túlnyomó többségében rá lesznek kapcsolódva az addig ki tudja, milyen változásokon áteső virtuális valóságra.

Subin szerint ez nem feltétlenül jó.

Zuckerberg „szingularitás pillanata”, a Metaverzumba lépés és az egész közeg jelenleg elég elszállt eszmefuttatásnak tűnik, pár év múlva, amikor hétköznapi valóság – és időpillanatok sora – lesz, viszont már egyáltalán nem fog szórakoztatónak tűnni.

Mindenképpen változtatni kell rajta.

A londoni DeepMind több fontos eredményt ért már el mesterségesintelligencia-fronton, de amikor a fehérjehajtogatást előrejelző programjuk 2020 novemberében kijött, a biológusok le voltak döbbenve, hogy mennyire jól működik, mennyire pontos.

Testünk szinte összes megnyilvánulása fehérjékkel történik, és épp ezért létfontosságú az egyes fehérjék tevékenységének mélyebb ismerete, jobb megértése. Gyógyszeripari fejlesztések, vagy betegségek elleni küzdelem elképzelhetetlen ezen ismeretek nélkül.

A fehérjék megnyilvánulásait háromdimenziós formájuk határozza meg.

Egy fehérje aminosavakból álló szalag, és bonyolult csavarodásokból, kanyarulásokból csomóvá gyűrődik össze. A forma és ennél fogva a fehérje funkciójának meghatározása hónapokig eltarthat a laborban.

Tudósok évek óta számítógépesítették az előrejelzési módszereket, hogy a folyamat könnyebben menjen. Eddig viszont egyetlen program sem érte el a humán szakértők pontosságát.

A DeepMind AlphaFold2-je megváltoztatott mindent. A mélytanulással (deep learning) dolgozó szoftver atomi szintig előre tudja jelezni fehérjék formáit. Most fordult elő első alkalommal, hogy egy számítógép ugyanolyan pontos munkát végzett, mint a laborokban megszokott nagyon lassú, de a lehető legaprólékosabb technikák.

Tudóscsapatok, kutatók világszerte használják már a DeepMind fejlesztését. A rákot, az antibiotikus ellenállást és a covid-19-et vizsgálják vele, de az AlphaFold2 valódi hatása legalább egy-két év lesz, a részsikerek ellenére idén nem várható az óriási, diszruptív áttörés.

Demis Hassabis, a Google által néhány éve felvásárolt cég társalapító-igazgatója szerint ez a legfontosabb fejlesztésük, korábbi munkáik megkoronázása. Elmondta, hogy leghíresebb technikájuk, a go világbajnokot 2016-ban legyőző AlphaGo sok szempontból AlphaFold előkészítésének, előzetes tesztjének tekinthető.

A mostani robothívások általában átmennek az okostelefonok spam-szűrőjén, újgenerációs mélytanulás-eszközök viszont megoldhatják a problémát.

A Georgia Technológiai Intézet kutatói készülékeinkre hamarosan telepíthető új megközelítést találtak ki, és úgy tűnik, jöhetnek az appok. A RoboCallGuard válaszol a hívásra, majd a hívó szövege alapján eldönti, hogy az rosszindulatú, vagy sem.

A RoboCallGuard a kínai és amerikai egyetemeken fejlesztett TouchPal a felhasználók híváslistáit tömegesen is ellenőrző, és az ártó szándékúakat azonosító technológiával dolgozik.

Az „őr” a hívó személyazonosságának ellenőrzésével kezdi. Ismert hívók listáját tanulmányozza, és ha az illető feketelistás, blokkolja. Megkérdezi a hívót, hogy kicsoda, ideghálója kulcsszavakat is felismer, átiratot készít az interakcióról. Az átíráshoz a Google Speech-to-Text alkalmazásprogramozói (API) felületet használja.

A TouchPal adatsorában a felhasználókat címkék – zaklatás, csalás, szállítás, értékesítés stb. – alapján kategorizálják. A címke mellé a hívó telefonszáma, a beszélgetés időtartama stb. is felkerül. Ezt követően jön az idegháló gépi tanulása, amely a rosszindulatú hívásokat még a válasz előtt osztályozza.

Sok robottelefonáló „kinőtte” a fix telefonszámokat, a felismerhetően előre rögzített szövegeket, a „nyomja meg az egyes gombot” típusú telefonfákat stb. Ezek a megoldások sajnos megnehezítették a kamutelefonálók hívás előtti azonosítását.

Ma már egyre több robot személyre kidolgozott, egyedi hangot, gyakran emberi hangok rögzített klipjeit használják, amelyeket speciális kulcsszavakra játszanak le, hogy valódi embert szimuláljanak. Általában meghamisítják a saját számukat, és így nagyon nehéz nyomon követni, azonosítani pedig szinte teljesen lehetetlen őket.

2021 januárjában csak az USA-ban közel négymilliárd kamuhívást számoltak össze, a szám 2019 óta durván emelkedik, pedig a kormány mindent megtesz a rosszfiúk ellen.

Máshol még súlyosabb a helyzet, Brazíliában például a hívásblokkoló appot telepített felhasználókat napi átlagban egyszer keresik „hívásszeméttel.”

A robothívások eltűnése az eredmények ellenére sem várható még, gépi tanulással viszont elérhető, hogy háttérbe szoruljanak, mint az e-mailszemét, a spam.

A nukleáris fúziót régóta a biztonságos és tiszta energia korlátlan forrásának tartják. Most úgy tűnik, hogy egy gépitanulás-algoritmusnak köszönhetően komoly lépést tettünk afelé, hogy végre valósággá váljon. Az algoritmus a reaktor belsejében alakítja át a plazma formáját.

A vonatkozó kutatásfejlesztéseket a Google-leányvállalat DeepMind és a Lausanne-i Szövetségi Műszaki Főiskola (EPFL) végezte. Megerősítéses tanuláson alapuló algoritmusuk módosítani, manipulálni tudja az anyag extrém nagyenergiájú formáját, a hidrogénplazmát. Az energiagyártáshoz optimális formát alakít ki neki.

A plazmát tokomak néven ismert kamrába záró reaktorok az atomok egymás közelébe terelésével, és ennek hatására, az összeolvadásukkal generálnak energiát.

A kutatók szimulált tokomakban kezdték gyakoroltatni a modellt. Jutalmazó függvénye kiértékelte a plazma formáját, elhelyezkedését, és hogy hogyan viszonyul az ideális konfigurációhoz, mennyire passzol hozzá.

Mivel a plazma közvetlenül nem figyelhető meg, a kutatók a tokomakon belüli mágneses mező mérése alapján következtettek a formájára és az elhelyezkedésére. Öt különböző kísérletet végeztek, és a plazma változatos formákat, például hagyományos hosszúkást vagy hópehely-jellegűt „öltött magára.” Az eredmények tűréshatáron belül voltak, tehát megfeleltek az elvárásoknak.

A hagyományos atomenergia atommaghasadással jön létre. Tudósok viszont már az 1950-es évek óta próbálják hasznosítani a magfúziót, de eddig még egyetlen fúziós reaktor sem generált több energiát, mint amennyit elfogyasztott. Legközelebb 2021-ben egy amerikai központ került hozzá.

Manapság egyre több kutató próbálja gépi tanulással megoldani a problémát, a fúziós reakcióban szerepet játszó többszáz tényező kezelését: a Joint European Torus vagy a Google és egy másik partnere (a TAE Technologies) dolgozik rajta. Modelljeik többek között előrejelzik a reaktor falát megkárosító szakadás kockázatát, igyekeznek javítani a reaktor teljesítményén.

Ha a valóságban is működni fog, a fúziós energia megváltoztathatja az emberi civilizációt. A mélytanulás (deep learning) fontos szerepet játszhat a változásban.

A Meta, azaz a Facebook bemutatta a számítógépes látáshoz, természetes nyelvfeldolgozáshoz és beszédfelismeréshez használt nagy modellek tanítását felgyorsító AI Research SuperCluster (RSC) szuperkomputert. A cég 2020-ban kezdte építeni a rendszert.

Trillió paraméteres modellek gyakoroltatása, az adatfeldolgozásban az egymilliárd gigabájt, azaz az exabájt elérése volt a cél. Jelenlegi állapotában 6080 Nvidia A100-as chipet tartalmaz. Az Nvidia „zászlóshajójáról” van szó, jelenleg ez a chip a legjobb grafikus feldolgozó egység (GPU).

Névtelen elődjével összehasonlítva, az RSC hússzor gyorsabban gyakoroltat gépitanulás-modelleket, míg a természetesnyelv-feldolgozásnál háromszor sebesebb. A Meta tervei alapján még ebben az évben további 9920 GPU-val bővítik a rendszert, amely még gyorsabb tanulást eredményez.

A cég kiemelte a szuperszámítógép adatvédelmi képességeit. A korábbi kutatóinfrastruktúrában kizárólag nyilvánosan hozzáférhető adatokkal dolgoztak, hogy véletlenül se sérüljenek a felhasználók személyiségi jogai (privacy).

Az RSC-t úgy tervezték, hogy a felhasználói adatokat is használhassa, és közben a biztonság és a privacy védelme is adott. A tárolóinfrastruktúra a nagyobb hálózattól gondosan távol tartja ezeket az adatokat.

A belső adatok felhasználása nagy mértékben felgyorsíthatja a multimodális MI- és az otthonirobot-fejlesztéseket.

A fokozott adatvédelem azért is fontos, mert a francia hatóságok nemrég büntették meg a Facebookot 238 millió dollárra. Az ok: a felhasználók nem tudták leállítani az aktivitásukat követő szoftvereket. Írország a Whatsappot büntette 270 millióra, mert nem elég transzparens. Ezek a döntések az USA Facebookra kiszabott, a privacy megsértése miatti monumentális, ötmilliárdos büntetését és korlátozásait követően születtek.

A házon belüli specializált feldolgozó kapacitás komoly stratégiai érték a felhőszámítások korában. Az RSC központi eleme lesz a Meta gigászi virtuálisvalóság-elképzelésének, a Metaverzumnak.

A Microsoft és az Nvidia szintén kiépítette a saját infrastruktúráját. Gondoljunk bele, tíz éve kb. mennyivel kevesebb klaszterből állt egy csúcsszuperszámítógép, és milyen behemóttá váltak mára.

A táblás játékokkal, például a sakkal és a goval ellentétben, virtuális autóversenyek megnyeréséhez, algoritmusoknak nagyon gyorsan kell komplex döntéseket hozni, miközben kicentizett határon mozognak, ami az egyik pillanatban küzdelem, a másikban az ellenfél veszélyeztetésévé, sportszerűtlenséggé válhat.

És ez „csak” a virtuális tér, mert hiába döbbenetesen élethű egy játék, és teljesít jól benne a mesterséges intelligencia, a valóság, egy igazi autó szignifikánsan más.

A Sony egyik csoportja által fejlesztett Gran Turismo Sophy (GT Sophy) megerősítéses tanulásalapú modell az autóversenyeket nagyon részletesen, hitelesen szimuláló Gran Turismo Sport PlayStation játékon legyőzött humán bajnokokat.

Meg kellett tanulnia, hogy nem probléma, ha verseny közben ütközünk egy másik autóval, viszont nem mindegy hogyan, mikor szabályos vagy szabálytalan az előzés. A játékban, mint a valódi versenyekben, bíró bünteti a szabályokat megszegő versenyzőket.

Megerősítéses tanulóalgoritmus tudja modellezni ezt a döntéshozást: minden egyes ütközéshez költséget rendel, viszont vigyáznia kell, hogy ne befolyásolja rossz irányba a teljesítményt. Ha túl nagy a büntetés, a versenyző elveszíti a kedvét és félénk lesz, ha viszont túl kicsi, akkor könnyen veszélyessé válik, és egyik sem jó.

Az olyan gyakori esetek büntetése, amelyekben a sofőrt általában hibásnak tartják, mint a hátra hajtás, a nagyon hirtelen oldalra kihúzással történő sávváltás, a frontális ütközés beható megismerése segíthet az ideghálónak megtanulni a merész, de ellenfeleit nem veszélyeztető vezetést.

A járműre és a környezetre vonatkozó információk birtokában, egy másik idegháló döntötte el, hogyan kell kormányozni és gyorsítani. A fejlesztők három virtuális pályán, egyedi forgatókönyveken gyakoroltatták a hálózatot. Saját magával, korábbi iterációival és a játékon belüli MI-vel is megmérkőzött.

A gyorsítást vagy fékezést olyan változók alapján döntötte el, mint a jármű sebessége, gyorsulása, gumik tömege, elhelyezkedése, irányultsága, a környezetet leíró adatpontok, a körülötte lévő kocsik pozíciója, hogy fallal vagy másik autóval ütközik stb.

Gyakorlás közben a modell jutalom-, illetve büntetőpontokat kapott, míg egy külön idegháló az adatok alapján megtanulta előrejelezni, hogy adott lépés esetén jutalmat kap-e.

GT Sophy jobb futamidőket ért el, mint a világ három Gran Turismo Sport topversenyzője.