A Google-hoz tartozó DeepMind kutatói egy lépéssel közelebb kerültek egy régi célhoz: modelljük egy csomó – hatszáznál több – különböző feladatot hajt végre, például képaláírásokat generál, valódi robot karját irányítja, vagy éppen Atari-játékokkal üti agyon az időt stb.

Az 1,2 milliárd paraméteres Gato modellt (ami spanyolul macskát jelent) hét látás-szöveg feladaton, robotok kép- és mozgás adatsorán, csúcsminőségű Atari-szimulációkon és egy nyelvi adatsoron, a Massive Texten gyakoroltatták.

Összességében jól teljesített.

Az ALE Atariban 51 játékból 23-ban elérte vagy meghaladta az átlagos emberi pontszámot, sőt, a 23-ból tizenegyszer legalább kétszer annyit, mint a human gamerek. A több mint 450 szimulációs feladat jelentős részével szintén elboldogult, és a robotkart is jól irányította. A kar vörös tömböt rakott egy kékre, miközben a zöldről tudomást sem vett. Korábban nem látott hasonló alakzatokat, így az ötven százalékos eredménye különösen megsüvegelendő. Egy speciális alapmodell 49 százalékot teljesített.

Nando de Freitas, a DeepMind kutatási igazgatója szerint minden a méretezésről szól. „A nagyobb modellek és a jobb adatok a kulcsok az általános mesterséges intelligenciához (AGI)” – jelentette ki.

A New York Egyetemen kutató Gary Marcus nem ért egyet ezzel az állítással. A nagy ideghálók kétségtelenül érnek el kiváló eredményeket, viszont túl gyakran generálnak zavarba ejtő mondatokat, képeket és viselkedésformákat – érvel, és igaza is van.

A DeepMind munkája mindenesetre a multimodális mesterséges intelligencia legújabb és legmasszívabb példája. A transzformer ideghálók nagyon jól passzolnak sok feladathoz – ez részben azért lehetséges, mert a hosszú bemeneti szekvenciákban mindig találnak mintázatokat, és mert sokféle adattípus osztható szekvenciákra.

Gato valóban bámulatra méltó mérnöki munka, de túl nagy – hangzik több ellenérv. Ugyanazt az ötszáznál több feladatot kisebb ideghálók is képesek elvégezni. Igen, viszont nem tudnak általánosítani, és itt ez a lényeg.

Egy teszten a fejlesztők négy új feladatra finomhangolták, gyakoroltatták a rendszert, és végül a négyből háromszor jobb munkát végzett, mint az ezekre specializált modellek.

A virtuális valóság (virtual reality, VR) az utóbbi harminc év egyik legvitatottabb technológiája. Amikor divat beszélni róla, sok szakértő a hamarosan bekövetkező nagy áttörésről, a technológia tömeges elterjedéséről beszél. Ez történt az 1990-es évek közepén, és ez történt két évtizeddel később is.

Az álmok azonban még nem váltak valóra, a VR nem forgatta fel a világot, nem szaladgálnak sisakos, headsetes emberek az utcán, ugyanakkor csődként sem beszélhetünk róla, mert a technológia jelen van, csak másként, mint a szakértők prognosztizálták. Az oktatástól kezdve a hadseregig, a vállalati szektorig, sokan sokféleképpen használják.

A fogyasztói szintű térhódítás – a játékközeg kivételével – egyik hátráltatója a VR nagy előnye: immerzív jellege, hogy a külvilágot teljesen kikapcsolva, a fiktív térben mozgunk. Csak az létezik, minden más megszűnik körülöttünk. Léteznek már a két valóság közötti kapcsolatot teremtő, a váltást lehetővé tevő megoldások, headsetek, de úgy tűnik, egyelőre ezekkel is várni kell, és összességében, az egész VR-ről elmondható, hogy hiányzik a killer application.

Az ETH Zürich kutatói, ha nem is vágták át a gordiuszi csomót, de egy lépéssel közelebb kerültek a probléma kezeléséhez. VR üzenetrögzítőt fejlesztettek.

De mire jó egy VR üzenetrögzítő?

Arra, hogy miközben a felhasználó alámerült a virtuális világban, a gép felveszi a közvetlen környezetében bekövetkezett változásokat, és később 3D-ben visszajátssza az illetőnek.

A jövő munkahelyein komoly hasznát vehetik az alkalmazottak. Mivel virtuális közegben összpontosítanak feladataikra, nem tudnak részt venni a kollégákkal folytatandó valósidejű kommunikációban.

„A kihívás, hogy létre tudunk-e hozni egy olyan valóságot, amelyben még természetesen beszélünk, míg a másik személy ugyanabban a pillanatban nem érhető el?” – magyarázza Andreas Fender, az AsyncReality rendszer egyik fejlesztője. (Christian Holz a másik.)

Az AsyncReality beszédes név, a VR-ben tartózkodó személlyel történő kommunikáció aszinkron valóságára utal. A rendszer négy mélyérzékelő kamerával dolgozik, a környezetet pedig 3D-ben rekonstruálja. Míg a felhasználó „fókusz módban” van, addig AsyncReality felveszi a változásokat, azokhoz kapcsolódó eseményeket.

„A jövő irodai környezete azért lehet teljesen más, mint a mostani, mert összekapcsolódik a virtuális világokkal, és mi azokban is interakciókat folytatunk” – összegez Fender.

A virtuálisvalóság-játékok lassan maguk mögött hagyják kezdeti darabosságukat, esetlenségüket – bumfordiságukat –, de ennek ellenére még mindig bántón sok a hiányosság. A közegben történő teljes alámerülés (immerzió) megvalósítása elsősorban egy alapelem, az érintés érzetének gyakori hiánya miatt akadozik.

A pittsburghi Carnegie Mellon Egyetem (CMU) kutatói által fejlesztett, virtuális környezetekben szájunkat, fogainkat és nyelvünket érzékelésre serkentő új eszköz lehet a megoldás. Egy kicsit olyan, mintha a valódi fogmosást vinnénk át VR-környezetbe.

Az ultrahang modulokkal, jelátalakítókkal működő eszközt a VR headset aljára kapcsolják. A jelátalakítók segítik a haptikus visszacsatolást: szánkba vezérelt ultrahang-hullámokkal érik el az érintés/tapintásérzetet. Nyelvünk pontosan azt „érzi”, amin átmegyünk a virtuális környezetben: vízcseppeket az esőben, szökőkút permetét, sár fröccsenését, szánkon mászkáló pókokat, autóvezetés közbeni légmozgásokat…

„Mivel az ultrahang-hullámokban vannak csúcsok és mélységek, ezért időzíteni tudjuk őket, hogy több hullám csúcsa egyszerre érjen ugyanarra a pontra az arcodon, és így tényleg érzed. A nyomás épp elég ahhoz, hogy tényleg hasson a bőrre” – jelentette ki az egyik fejlesztő, Vivian Shen, a CMU robotika PhD-hallgatója.

Elmondta még, hogy játékokon kívül is nagyon sok az alkalmazási lehetőség, az eszköz például egészségügyi dolgozók – fülészek, fogorvosok stb. – tréningjein használható szimulációkhoz. Ez a fajta VR-tréning lehetővé teszi, hogy a felhasználó bárhonnan beavatkozhasson orvosként.

Rossz hír a hősszerelmeseknek és magányos szívtipró-jelölteknek, hogy a technológia nem elég kifinomult még a csókélmény megvalósítására. Shen szerint ez azért nem lehetséges, mert az ultrahang csak nagyon kicsi csomópontból érkezhet. Érzeteink ezért minimálisak, és valószínűleg sokkal jobb, hogy így van.

Képzeljük el, hogy máskülönben mekkora pszichés pusztítást végezne a digitális pók.

A 38 éves, teljesen átlagos Akihiko Kondo még 2018-ban vette feleségül a nerdek körében népszerű Hatsune Miku virtuális sztárt. Most viszont egy szoftverhiba miatt el kellett válniuk egymástól.

Japán lapok januárban beszámoltak a házassággal kapcsolatos problémákról, de a részletek csak nemrég derültek ki: a fejlesztő startup „korlátozott gyártási modellt” fejlesztett Kondo feleségéből, és kifutott a szériából.

Ez az egyik gond. A másik, hogy az 1300 dolláros Gatebox szerkezet teszi lehetővé, hogy a felhasználók, elsősorban a célközönség, főként fiatalemberek, interakcióba lépjenek, beszélgessenek holografikus fiktív karakterekkel, köztük hősünk szívszerelmével, Hatsune Mikuval is.

A koronavírus-járvány legsúlyosabb időszakában, amikor napról napra dőltek meg a szomorú rekordok, a Gatebox mögött álló cég bejelentette, hogy leállítja a virtuális Miku-szolgáltatást.

Egyik hétköznap, miután Kondo hazatért a fárasztó munkából, kellemes időtöltésre számítva, felesége helyett a „hálózati hiba” felirattal szembesült a képernyőn. Elképzelhetjük a reakcióját.

Érzelmei nem változtak, azóta is ugyanúgy szerelmes Mikuba, mint előtte – árulta el egy májusi interjúban.

„Azért házasodtunk össze, mert azt hittem, örökké együtt lehetünk” – nyilatkozta.

Két évvel a Covid-19 előtt, 17300 dollárt költött az egészen egyedi, de tényleges esküvőre, és hivatalosan is egybekeltek. A technológia lehetővé tette számára, hogy beszélgessen a háromdimenziós, mesterséges intelligencia által működtetett hologrammal. Miku egy kicsi hengerben volt.

„Remélem, nagy becsben fogsz tartani” – a hölgy állítólag ezekkel a szavakkal válaszolt szíve választottjának.

A mesterségesintelligencia-fejlesztések egyik élharcosa, a részben Elon Musk által alapított – a Tesla-vezér azóta távozott a cégtől –, sokáig nonprofit, egy ideje viszont üzleti alapon működő OpenAI körülbelül olyan fontos szerepet játszik a szakterületen, mint a Google által néhány esztendeje felvásárolt londoni DeepMind.

A két vállalat fejlesztései évről évre döbbentik meg az érdeklődőket. Ezek a fejlesztések egyrészt nagyon látványosak, másrészt, ha nem is a sokak által elvárt tempóban, hanem jóval lassabban, de közelebb visznek az emberrel azonos szintű általános mesterséges intelligenciához (artificial general intelligence, AGI).

Az OpenAI brutálisan masszív ideghálója például lefestette azt a személyt, amilyen Burger King, a burgerek királya lehet. A kép inkább ijesztő, mint szórakoztató, mindenesetre fura. A bizarr külsejű koronás személy inkább vérszomjas uralkodókat, például VIII. Henriket juttatja eszünkbe, mint békében építő, országukat felvirágoztató személyeket.

A képet generáló rendszer nem más, mint DALL-E 2, a vállalat legújabb mesterséges intelligenciája, amely egyszerű szöveges utasításokat időnként egészen elképesztő, gyönyörű és realisztikus műalkotásokká, máskor viszont ijesztő szürreális fantáziaképekké alakít át.

Az MI-kutatás egyik legizgalmasabb, több szakterületet (gépi látás, nyelvtechnológiák) összekapcsoló terepe ez, egyre több fejlesztéssel, és a mérnökök manapság már a rendszerek energiafogyasztására is jobban odafigyelnek, mint pár éve.

A kajakirályhoz az OpenAI piacmenedzsere, Adam Goldberg azt az utasítást adta az ideghálónak, hogy csináljon olajfestmény-portrét a whopperrel pózoló Burger Kingről, és a rendszer szó szerint végrehajtotta Goldberg iránymutatását, tehát sikeresnek nevezhető.

Döbbenetes, mit tudnak ma az ideghálók, milyen szintre jutott el néhány év alatt az úgynevezett generatív művészet, és kíváncsian várjuk, miről lesznek még képesek álmodni a számítógépek.

A Covid-19 pandémia világszerte rámutatott, hogy az egészségügyi dolgozók mennyire túlhajszoltak és alulfizetettek. Automatizált eszközökkel korlátozott idejüket és erőforrásaikat jobban ki tudják használni, és ezek a rendszerek komoly segítséget nyújtanak kockázatos esetek kezelésében.

Az Egyesült Államok kórházai mesterségesintelligencia-megoldásokra támaszkodnak betegek biztonságos gyógyításához. Az orvosok változatos gépitanulás-technikákkal becsülik fel a komplikációk valószínűségét, és azonosítják a speciális figyelmet igénylő pácienseket.

A Duke Egyetemi Kórház a Sepsis Watch rendszerrel figyeli a sürgősségi osztály összes betegét, hogy a fertőzést követi-e a minden harmadik kórházi halálesetért felelős akut gyulladás. A rendszer ötpercenként 96 változót elemez, majd kockázatpontot rendel a beteghez. Az ápolókat csak a meghatározott küszöbérték átlépésekor figyelmezteti.

A Kaiser Permanente huszonegy kórházában telepített mesterséges intelligenciát, miután az Advanced Alert Monitor rendszerről kiderült: lerövidíti a kórházi tartózkodást, csökkenti az intenzív osztályra történő beutalások számát. A legfontosabb életjelek, laboratóriumi teszteredmények és más tényezők alapján előrejelzi, ha tizenkét órán belül intenzív osztályra kell utalni a beteget.

A Maryland Egyetem orvosai megállapították, hogy gépitanulás-modelljük jobban előrejelezte betegek harminc napon belüli visszaesésének kockázatát, mint a hagyományos módszerek.

Úgy tűnik, a kormányzati szabályozók is kezdik elfogadni, hogy a gépi tanulás valószínűleg átalakítja az egészségügyet.

2020 novemberében két amerikai programban elfogadták, hogy az orvosoknak megtérítik két MI-rendszer használatát: az egyik a stroke jeleit figyeli, a másik a cukorbetegség vakságot is okozható komplikációit prognosztizálja. 2021 októberében Kanada, az Egyesült Királyság és az Egyesült Államok közösen adtak ki irányelveket a gépi tanulás egészségügyi használatáról.

Május elején az EU jóváhagyta egy, mell-röntgenképeket szkennelő és az észlelhető betegségben nem szenvedő páciensekről automatikusan jelentést író mesterséges intelligencia klinikai használatát.

Pekinget húszmilliónál többen lakják, közlekedése, mint a Kínai Népköztársaságban szinte minden, viszonylag jól szabályozott. Az önvezető autók nyilván megváltoztatják a rendszert, és ha ezek a járművek megkapják a tényleg szükséges engedélyeket, megsokszorozódnak a piaci lehetőségek. Márpedig ez óriási pénzt jelent Kínában.

Ha nem kell valakinek a vezetői székben üldögélnie, és mindent figyelnie, nagyon sok jüan takarítható meg. De itt többről van szó: ha a robottaxik képesek kezelni a pekingi közlekedést, akkor valóban készen állnak a szélesebb körű alkalmazásokra.

Márpedig a kínai főváros engedélyezte, hogy a Pony.ai és a Baidu-leányvállalat Apollo Go emberi vezető nélküli önvezető taxikat működtessen. A rendelet egy tavaly novemberit követett, amelyben a vezetés engedélyezését még volán mögötti humán jelenléthez kötötték.

A taxik a délkeleti külváros, kb. 300 ezer személynek otthont adó 60 négyzetkilométeres területén tevékenykedhetnek. Egyelőre mindkét cég ingyen szállít utasokat, de a jövőben fizetőssé akarják tenni a szolgáltatást.

Reggel kilenc és délután négy között tevékenykedhetnek, csak speciálisan kijelölt helyszíneken vehetnek fel, rakhatnak ki utasokat. Rajtuk segítenek ezzel, viszont mindenki jól jár: az utasoknak nem kell keresgélniük a megrendelt járművet, a járműnek pedig őket nem kell.

A taxik vezetőülésén ugyan nem ül sofőr, viszont humán felügyelőnek jelen kell lennie.

A biztonsági vezetővel működő autonóm taxik több kínai nagyvárosban, köztük Sanghajban és Senzsenben is működnek. A Pony.ai kivételével mindegyik az ingyenes személyszállítást kötelező ideiglenes engedéllyel rendelkezik.

Áprilisban, elsőként az országban, a Pony.ai megkapta az engedélyt, hogy útidíjat kérhet az utasoktól.

Az Ebola, a HIV, a sertésinfluenza, minden bizonnyal a Covid-19 és emberek tömegeit ágynak döntő sok más betegség állatokban fejlődött ki. A legújabb kutatásokban mesterségesintelligencia-megoldásokat is használnak a minden valószínűség szerint fajok között, azaz speciális határokat átjáró vírusok azonosítására. Az MI adatokat szolgáltat tudósoknak, hogy mire érdemes odafigyelniük, milyen lesz a következő világjárvány.

A kutatásokra alapozva, egészségügyi szakemberek még időben fejleszthetnek oltóanyagokat, dolgozhatnak ki gyógymódokat. Eközben a hatóságok a potenciálisan veszélyes betegség terjedését állatközösségek gondosabb, hozzáértőbb menedzselésével, a betegséghordozó fajokkal történő kereskedés korlátozásával mérsékelhetik.

Szinte mindenki biztos abban, hogy a közeljövő nagy járványa állatokról terjed majd emberekre. De milyen állatokról?

A vírusvadászok tanulóalgoritmusokkal igyekeznek megválaszolni a kérdést. Nincs könnyű dolguk.

Több, biológiai, ökológiai és genetikus adatokon gyakoroltatott rendszer ígéretesnek tűnik a különböző fajok közötti „határon” átmenő kórokozók azonosításában.

2022-ben közel tucatnyi intézetben gyakoroltattak nyolc modellt. A Covid-19-et okozóhoz hasonló koronavírusokat elvileg hordozható denevérfajtákat kellett osztályozniuk. A denevérek tulajdonságait leíró adatbázisok és 710 állatfaj, plusz az általuk hordozott vírusok adatsora képezték a gyakorlóadatokat. A rendszer végül négyszáz, az emberre veszélyes patogént hordozó denevérfajtát azonosított.

A Glasgow-i Egyetem modelljét tavaly tanították be az embert nagy valószínűséggel megfertőző állati eredetű vírusok azonosítására. A modell 313 potenciálisan veszélyes vírust azonosított.

Ezek a kutatások a Princeton és a Georgia Egyetem 2015-ös közös munkáján alapulnak. A két felsőoktatási intézmény szakemberei megtanították a rendszerüknek, hogy osztályozza: egy adott rágcsálófaj mekkora valószínűséggel hordoz az emberre is veszélyes vírust. A rágcsálófajok 86 jegyét, az embert megfertőző, rágcsáló-alapú vírusokat és egy harmadik adatsort használtak a rendszer taníttatásához. 59, korábban veszélytelennek minősített fajt azonosított veszélyforrásként, míg 159 akár több betegség kórokozóját is hordozhatja.

A mesterségesintelligencia-közösség jövőbeli járványok előrejelzése mellett, a jelenlegiek elleni küzdelemből is jócskán kiveszi a részét.

A trillió paraméteres nyelvi modellek kialakulóban lévő új generációjának gyakoroltatásához jelentős mennyiségű számítás szükséges. Ez a mennyiség komoly növekedés a néhány évvel korábbihoz képest, és az energiahasználat szintén szignifikáns mértékben nő.

Megoldás lehet, ha a hálózatnak csak egy része aktív. Az elhasznált kapacitás drasztikusan csökken, rendkívüli eredmények viszont még így is elérhetők – vonták le a következtetést a Google kutatói.

Generalizált – trillió paraméteres – modelleket (GLaM) fejlesztettek több nyelvi feladat megoldására. A vállalat korábbi Switch technológiájához hasonlóan ezek is szakértői rétegek keverékét (mixture-of-experts, MoE) használják, hogy az input függvényében megállapítsák, a hálózat melyik részeit kell aktiválni. A fejlesztést ismertető anyag alapján jobban látjuk, hogy az MoE hogyan spórolhat meg időt és elektromosságot praktikus nyelvi feladatok megoldása közben.

A mesterséges ideghálók paramétereinek számában a teljesítmény (minél nagyobb, annál jobb) és az energiaköltség (minél kevesebb, annál jobb) közötti kompromisszumnak kell érvényesülnie.

Az MoE architektúrák paramétereik különböző részhalmazait használják a különböző példákból történő tanuláshoz. Minden egyes MoE réteg tartalmaz egy úgynevezett vanília idegháló-csoportot, vagyis szakértőket, előttük egy kapumodul, amely az input alapján eldönti, hogy melyiket kell használni. Így válik lehetővé, hogy a különböző szakértők meghatározott példatípussal tudjanak foglalkozni. A hálózat kevesebb energiát fogyaszt, és többet tanul, mint amennyit az adott részhalmaz mérete alapján feltételeznénk.

A kutatók MoE rétegekkel felvértezett transzformer modellt gyakoroltattak. Szövegszekvenciában a következő szót vagy a szó egy részét kellett kitalálnia. 1,6 trillió szóból álló, webes, könyv, közösségimédia-beszélgetés, fórum és újságcikk alapján összeállított korpuszon trenírozták, majd 29 nyelvi feladat megoldására finomhangolták. Hét kategóriában, például kérdések megválaszolásában, logikus következtetésben kellett tevékenykednie.

Az 1,2 trillió paraméteres GLaM gyakoroltatásához 456 megawatt/óra energia elegendő volt, míg a 175 milliárd paraméteres GPT-3-hoz óránkénti 1,287 megawatt volt a fogyasztás, ráadásul a GLaM hat, illetve öt kategóriában jobban is teljesített.

Az alacsonyabb energiafogyasztás melletti nagyobb számítási teljesítménnyel, mérnököknek könnyebb lesz naprakész modelleket trenírozniuk. Közben kevesebb lesz a széndioxid-kibocsátás, csökken a mesterséges intelligencia negatív környezeti hatása.      

A londoni DeepMind AlphaGo rendszere legendává vált mára, mert évekkel ezelőtt annyira dominálta a go világát. A francia NukkAI startup új rendszere, a NooK hasonló képességeket csillogtat a bridzsben: a közelmúltban nyolc világbajnoknál teljesített jobban. Fontos különbség, hogy míg a go résztvevői minden pillanatban jól láthatják a játék állását, addig a bridzsben a létfontosságú infók titkosak.

A bridzset négyen egy pakli francia kártyával játsszák, jokerek nélkül. Ketten alkotnak csapatot. Mindenkinek kiosztják a lapokat, egy játszma két részből áll. Az első a végkimenetet meghatározó licitálás, a második maga a játék.

A kutatók a második szakaszra összpontosítottak. NooK és humán bajnokok küzdöttek meg korábbi automata bridzsjátékos rendszerekkel. Eddig egyetlen rendszer sem győzött ember ellen.

Minden menetet előre meghatározott licitálás után játszottak le. Az összes versenyzőnek, tízes sorozatokban, ugyanazzal a nyolcszázzal kellett boldogulnia. A fejlesztők nem tették közkinccsé, hogyan működik Nook, de a sajtóbeszámolók és a startup kutatási anyagai alapján ki lehet találni.

Humán szakértők szituációlistával állnak elő, mindet külön modellezik, a modellezésnél többféle változót vesznek figyelembe. A fejlesztők az összeshez négykezes csoportokat alakítottak ki. A kezek a kártyákat ismerő számítógépes megoldó segítségével játszottak, a megoldó ítélte meg a helyzeteket, tudta, hogy ki milyen kártyával fog hibátlanul játszani. Utána betanítottak egy ideghálót, hogy az ellenfél kártyáinak ismerete nélkül másolja a megoldó döntéseit. Így minden egyes szituációra külön modell generálódott. Nook az ideghálót használta az első körökben, megadott szituációkban, majd valószínűségalapú logikai programozásnak köszönhetően mérte fel, hogy a lapjai nyerők vagy sem. Két statisztikát felhasználva döntött, hogy melyik kártyával játsszon.

Nyolcvan játszmából 67-szer jobb eredményt ért el a korábbi rendszerek ellen, mint a humán bajnokok.

Ez önmagában szép és ígéretes, csakhogy a bridzsben a licitálás legalább annyira fontos, ha nem fontosabb, mint a második szakasz. Ekkor erősítjük meg partnerünket, és tévesztjük meg, vágjuk át az ellenfelet. Tipikus csapatmunka, és ember fortély. Ha az MI ezeket is elsajátítja, akkor lesz esélye, hogy hibátlan bridzsjátékossá váljon.