A gépi jellegű agyi beültetések egyelőre nem nagyívű transzhumanista célokat, meglévő funkciók feljavítását, például agyi kapacitásaink drasztikus növelését szolgálják, hanem elvesztett funkciók valamilyen szintű pótlását célozzák, leggyakrabban látáskárosultakon igyekeznek segíteni velük.

Spanyol kutatók fontos eredményt értek el ezen a területen. Egy vak személynek az agy vizuális kortexét közvetlenül stimuláló implantátumot, egy elektródasort ültettek be. A beültetés lehetővé tette, hogy az illető valamilyen szinten lásson.

A rendszer „mesterséges retinával” működik. A retinát szemüveg-párhoz kapcsolják, és azok közreműködésével detektálja a viselője előtti fényeket. A fényeket elektromos jelzésekké (impulzusokká) alakítja át, a jeleket a felhasználó fejébe implantált mikroelektróda-sorokba küldi.

Az illető így „láthatja” a szemüveg által összegyűjtött fényeket.

A kutatók egy ötvenhét éves, tizenhat esztendeje teljesen vak nőn tesztelték a rendszert. A kísérlet során a mesterséges retina jóvoltából, alakokat és sziluetteket tudott azonosítani.

Kis lépés ugyan, de mégis nagyon fontos, mert az ilyen eredményekkel jutunk el a fejlett bionikus szemekig, válik a mainál sokkal komplexebbé az ember-gép kapcsolat, hasznosulnak az agy-számítógép interfészek, és válnak valóra a Star Trekben megjelenített technológiák.

Bionikus szemeket is a legendás tudományos-fantasztikus sorozatban láthattunk először.

„A vizuálisan károsult, látóképességüket elveszített idegsejtektől folyamatosan nagyon jó minőségű felvételeket kaptunk, és a stimulációs paraméterek végig stabilak maradtak. Az illető személy egyes betűket tudott azonosítani, sőt, tárgyak határait is felismerte” – írták a kutatók a munkájukat ismertető tanulmányban.

Fényképet kvázi festménnyé varázsoló, de képek ecsetvonásokkal történő reprodukálására is képes ideghálót fejlesztettek a kínai Baidu, a Nanjing és a Rutgers egyetemek kutatói. Egy új módszerrel rendszerük gyakorlóadat nélkül elsajátítja ezeket a képességeket.

A Paint Transformer ugyanis a képeket az általa tanulóadatok nélküli gyakorlás közben generált festmények reprodukálásával alakítja át festményekké.

Egy húsvér festő általában a háttérrel kezdi a képet, amelyet előtérrel, részletekkel egészít ki. A modell háttér-, majd előtér-ecsetvonások generálásával utánozza ezeket a folyamatokat, és megtanulja a reprodukálásukat.

Az eredmény további részekre bontásával finomabb részleteket is bele tud vinni a képbe. A véletlenszerűen generált ecsetvonások megtanulása remek tréning nem véletlenszerű anyagok, például fényképek újraalkotásához.

Egyszerre nyolc ecsetvonással fest. Gyakorlás közben random generál „nyolc-vonásos” hátteret, majd előteret, aztán elsajátítja a kettő közti különbségek minimalizálási módját. Ezt a háttér további nyolc ecsetvonással történő átalakításával éri el.

Gyakorláskor különféle konvolúciós ideghálók generáltak háttér-megjelenítéseket, valamint hátteres-előteres festményeket. Egy átalakító háló elfogadta ezeket, a különbségek nyolc ecsetvonásos minimalizálásához kiszámolta a pozíciókat, a formákat és a színeket. Ezeket a paramétereket elküldte a vonásokat renderelő lineáris modellnek, amely az elvárásoknak megfelelően alakított át képet, hátteret.

A rendszer a random generált háttér-előtér kombináció és az output pixelei, valamint a véletlenszerűen generált ecsetvonás-paraméterek és az átalakító háló által kiszámoltakat kombinálta össze. A fénykép és a vászon közti különbséget megint nyolc ecsetvonással minimalizálta, utána mindkét képet négyzetekre osztotta,  majd megint jöttek az elmaradhatatlan ecsetvonások. A négyzeteket további négy alkalommal újabb négyzetekre osztotta, amelyekbe megint festett. A részeket végül egyetlen kész festménnyé integrálta.

Kevesebb és szélesebb ecsetvonásokkal dolgozik, mint egy ismert optimalizáló módszer, míg egy megerősítéses tanulás megközelítéssel az inputhoz nagyon hasonló output jött létre. Utóbbinál sokkal gyorsabban tanult (3,79 kontra 40 óra), következtetéseit mindkettőnél hamarabb hozta meg. Eközben úgy tanult meg festeni, hogy egyetlen létező festményt nem látott, tehát nem kellett többmillió fotó és festmény egyeztetésével bíbelődnie.

A megközelítés a fénykép-szerkesztésben és a 3D modellezésben egyaránt könnyen elterjedhet.

A Massachusetts állambeli Modulate startup személyek hangját álcázó, inkognitóba rejtő megoldást kínál. Az ezúttal jó célokat szolgáló deepfake-technológia elsősorban a hangjukkal negatív előítéleteket kiváltó és verbális online visszaélésnek kitett transzneműeknek, de az online szexuális molesztálás más céltábláinak, elsősorban nőknek is hasznos lehet.

Az online visszaélések háttérbe szorításában, a mesterséges hangok mellett azonban a humán és a gépi moderátoroknak is hatékonyabban kellene tevékenykedniük. Például kiszűrhetik a rosszindulatú hangklónokat, mert természetesen ez a technológia is felhasználható alantas célokra.

A hang miatti előítéletek következményeként sokan hagynak ott népszerű videojátékokat, tűnnek el a közösségi médiáról, lépnek le más platformokról, olyanokról, ahol az audió a kommunikáció és az ottani „létezés’ alapeleme. Ezek az oldalak egy idő után kevésbé lesznek vonzók, az üzemeltetőknek komoly anyagi és erkölcsi veszteségei lehetnek.

A Modulate internetes chat közben, valósidőben hallható mesterséges hangjai egész élethűnek, realisztikusnak tűnnek. A VoiceWear rendszer generatív ellenséges hálózatként (GAN) működik. Egy idegháló-modell a beszélő szavait szintetikus hangra cseréli, és egy másik ideghálót megpróbál átvágni vele. Utóbbi kiértékeli az outputot, megmondja róla, hogy valódi vagy szintetikus.

A VoiceWeart többszáz személy hangmintáin gyakoroltatták. A beszélők sok intonációval, érzelemgazdagon kommunikáltak.

A Moderate eredetileg speciális karaktereket játszó gamerekre gondolt, de a transznemű közösség visszajelzései meggyőzték a céget, hogy a gender-identitásra is figyeljenek oda, a géphang kapcsolódjon hozzá.  

Animaze appjukon egy női és egy férfihang hallható, videohívásoknál vagy live streameknél digitális avatárokat generálnak hozzájuk. A cég már hét játékstúdióval dolgozik együtt azon, hogy a technológia minél szélesebb körben legyen ismert, bővüljenek a piaci értékesítés lehetőségei.

Rendelkezésre állnak a hangot megváltoztató más rendszerek is, legtöbbjük viszont – egyszerű számítási technikákkal – csak a hangmagasságot viszi lejjebb vagy feljebb. Torzított vagy robotikus hangok a végeredmény.

Egyre több kormány dolgoz ki mesterségesintelligencia-stratégiát és tervezi az MI szabályozását. A Biden-adminisztráció eközben inkább a káros következményeket csökkentő „jogalkotási jegyzékről” beszél.

Az elnök csúcstanácsadói az amerikai állampolgárokat az MI által vezérelt megfigyeléstől, a diszkriminációtól és más károktól védő törvényekre vonatkozó tervet jelentettek be. A bejelentés egybeesett azzal a felhívással, hogy az állampolgárok fejtsék ki az olyan rendszerek szabályozásával kapcsolatos véleményüket, mint például a légiutasok arcának szkennelésekor használt arcfelismerés, az alkalmazottak termelékeny munkáját figyelő technológiák, vagy a tanárokat a diákok figyelmének lankadására figyelmeztető osztálytermi megoldások.

A szakértők arra hivatkoznak, hogy egyes mesterségesintelligencia-technológiák veszélyeztetik az egyéni szabadságot és túlmennek a határokon. Az amerikaiak nem akarják, hogy otthonukban, közösségeikben és munkahelyükön kiterjedt, esetleg diszkriminatív módon megfigyeljék őket. Tudni akarnak arról, hogy mikor áll MI az életüket, szabadságukat és jogaikat valamilyen szinten befolyásoló döntések mögött. A rendszereket auditálják, hogy az output mindig pontos és előítéletmentes legyen.

Ha egy automatizált rendszer megsérti ezeket az állampolgári jogokat, az adott személynek biztosítani kell kárpótlási lehetőségeket. A szövetségi kormány pedig úgy alakíthatja a költéseit, hogy egyes alkalmazásoktól megvonja a támogatást, például nem megfelelő rendszerekkel foglalkozó ügynökségektől és beszállítóktól megvonnák a pénzeket.

Az Európai Parlament a büntetésvégrehajtásból száműzné az arcfelismerést, a prediktív rendőri algoritmusok használatára a legsúlyosabb esetek kivételével (gyermekek elleni bűntények terrorizmus, pénzügyi visszaélések) moratóriumot vezetne be. Az ENSZ emberjogi biztosa szintén hallatta hangját ebben a témakörben, Kína pedig az ajánlóalgoritmusok befolyását korlátozó szabályokat lengetett be augusztusban.

Mindez szép és jó, a túlzó anyagi korlátozások viszont súlyos következményekkel járhatnak, például, ha az érintett cég, mondjuk, egészségügyi alkalmazásokon is dolgozik. A szabályozási törekvések egyrészt támogatandók, másrészt felvetik azt a kérdést, hogy száz éve lett volna-e értelme egy elektromossági jogalkotási jegyzéknek.

A mostani szabályozási törekvések persze nem teljes egészében az MI-re, hanem sok-sok területi alkalmazásra vonatkoznak.

Jövő év elején a Google új architektúrát integrál hagyományos keresőalgoritmusába és a Lens fényképkereső rendszerbe. Az MUM (Multitask Unified Model) komplex kereséseket tesz lehetővé.

Például a következő típusú kérdésekre is választ kaphatunk: „megmásztam a Mt. Adamst, következő ősszel pedig a Fujit szeretném. Az előkészületek során mit kell másként tennem?”

Egy ilyen összetett kérdést az MUM egyszerű válaszokra bont: „előkészülni a Mt. Adams megmászására”, „előkészülni a Fuji megmászására”, „a Fuji következő ősszel.” Ezt követően a kérdésekre adott válaszokat egymással koherens találatokká integrálja össze.

A májusban beharangozott, a multimodális gépi tanulás és a többnyelvű nyelvi modellezés legfrissebb eredményeit felhasználó modell szavak, képek, esetleg videók kapcsolatait követi. A Google 110 milliárd paramétert tartalmazó korábbi T5 modelljével összehasonlítva, s Switch Transformer már 1,6 trillióval dolgozik.

A webről összegyűjtött szöveges és képi dokumentumokból álló adatsoron tesztelték, amelyből a sértő, szexuálisan explicit és félrevezető textuális és vizuális tartalmakat előzetesen eltávolították.

A kereső felhasználói az MUM által működtetett három újdonságot fedezhetnek majd fel: mesterséges intelligencia által összeállított, általános kereséseket használható eredményekké alakító listát, lépésről lépésre kivitelezhető utasításokat és javaslatokat a keresések megkönnyítéséhez, valamint a releváns audió- és videotalálatokra mutató linkeket.

A Google Lens felhasználói például csizmáról készítenek egy képet, felteszik, és megkérdezik, hogy a lábbelik jók-e egy adott hegy megmászásához. A csizma és a hegy állapotának függvényében, az MUM megválaszolja a kérdést.

A technológia hetvenöt nyelven teszi lehetővé a keresést, más nyelven írott dokumentumokban található információk fordítását.

A gyakorló adatsorban lévő megkérdőjelezhető anyagok kigyomlálása mellett, a Google a teszteken arra is vigyázott, hogy emberi segítséggel igyekezzen kiszűrni a jövőbeli „kárpotenciált.”

A webes keresés az egyik leggyorsabban fejlődő és legismertebb infokommunikációs technológia. A fejlődés ellenére folyamatosan finomítható, tökéletesíthető, és az MUM ígéretes előrelépésnek tűnik.

Képzeljük el, hogy az Egyesült Államok valamelyik északnyugati államában vagyunk farmerek, itt a koratavasz, és az éjszakai, hajnali hőmérsékletek éppen hogy elkezdtek fagypont fölé emelkedni.

Kellene valamit kezdeni az új vetőmaggal, például trágyázni, viszont a fagypont alatt történő trágyázással kinyírjuk a termést. A legközelebbi város ötven kilométerre van, az időjárás-jelentés szerint ott és a környéken nem lesz fagy a következő napokban, ezért elgondolkozunk, majd a trágyázás mellett döntünk.

A következő éjszaka gazdaságunk egy részén mégis fagy, az elvetett és letrágyázott magok negyede pedig elpusztult.

Ez sajnos nem egyedi eset.

Különösen akkor nem, ha az időjárásadatok nagyobb területre, a gazdáktól viszonylag messzebbre fekvő településekre vonatkoznak. A Microsoft kutatói ezeken a farmereken, megújulóenergia-termelőkön (és másokon is) segítendő, fejlesztették a lokális időjárást nagyon pontosan előrejelző DeepMC keretet.

A DeepMC gépi tanulással, mesterséges intelligenciával éri el a pontos eredményeket. Két különböző forrásból, a helyszínen lévő szenzoroktól és a standard helyi időjárás-előrejelzésekből származó adatokkal dolgozik. Az adatok közvetlenül, alkalmazás-programozói felületeken (API) jutnak el hozzá a Nemzeti Óceán és Légkör Felügyelettől, a Nemzeti Időjárás Szolgáltatótól stb.

„Van egy fúziós mechanizmusunk, amivel egyesítjük a két jelet” – nyilatkozta a kutatást vezető Peeyush Kumar.

A DeepMC mesterséges intelligenciával taníttatta meg a helyi időjárás-előrejelzés és a mikroklimatikus időjárási feltételek közötti eltérések, hibák észrevételét. Az előrejelzéshez és a szenzorikus adatokhoz is „történelmi” adatokkal dolgozik, és külön-külön prognosztizál minden egyes paramétert (hőmérséklet, széllökés ereje stb.).

A rendszer egy úgynevezett dekompozíciós módszert is használ, amellyel rövid- és hosszútávú trendeket igyekszik kimutatni, és amely – Kumar szerint – még pontosabbá teszi. Szintén ő nyilatkozta, hogy a DeepMC akkurátusabb a többi hasonló modellnél, például az IBM Weather Company-jénél, vagy az Apple által felvásárolt Dark Sky-nál.

A GPT-3 nyelvi modell kereskedelmi forgalomba kerülésének első lépését a fejlesztő OpenAI – akkor még nonprofit kutatóintézet – 2019-es profitorientált vállalattá alakulása jelentette. Néhány hónappal később a Microsoft exkluzív kereskedelmi hozzáférést kapott a modellhez. A privát bétaváltozat 2020 közepén indult. A jelenlegi a Microsoft természetes nyelvet számítógépes kóddá alakító Power Apps fejlesztői platformját is működteti.

A GPT-3-at, a világ egyik legerősebb mesterséges intelligenciáját a Microsoft most közkinccsé teszi az Azure felhőszolgáltatáson, és így bővül az OpenAI által biztosított korlátozott hozzáférés.

Ezentúl nemcsak MI-fejlesztőcégek dolgozhatnak vele, hanem az egészségügyben, a gyártásban, a kormányzati szférában és más területeken szintén használhatják (de nem módosíthatnak rajta).

A bétaváltozatot fikciók, és szöveges leírásokon alapuló zenék, képek generálására is alkalmazták, több mint háromszáz alkalmazást fejlesztettek hozzá. A realisztikus prózaírásra képes modell örömmel, de félelemmel is töltötte el az MI-közösséget és az érdeklődőket. Most még nagyobb léptékű alkotások várhatók tőle.

A Microsoft viszont csak jól meghatározott és a vállalat felelősségteljes mesterséges intelligenciákra vonatkozó alapelveit betartó alkalmazásoknak biztosít hozzáférést – ezeknek az MI-knek korrektnek, megbízhatónak, átláthatónak, elszámoltathatónak és a személyes szférát tiszteletben tartónak kell lenniük.

A felhasználók a kívánthoz hasonló outputokat táplálnak a GPT-3-ba, amely például sporteseményekről készít majd összefoglalót, programozókat segíti a kódírásban, marketingeseket a kollektív agyalásban. Mindezek mellett, speciális szűrőkkel például videojátékokhoz, vagy vállalati kommunikációhoz is igazítható az MI által generált szöveg.

A rendszerhez tartozó más eszközök pedig azt garantálják, hogy mindenhol megfeleljen a helyi törvényeknek, a hálózatbiztonsági előírásoknak stb. Az új implementáció biztonsági monitoring- és elemzőfunkcióval is rendelkezik, amelyekkel kiszűrhetők a félreértelmezések és a visszaélések.

A Caltech kutatói a járást és a repülést összekombináló kétlábú robotukkal új mozgástípust hoztak létre. A gép ráadásul kivételesen fürge, és komplex mozdulatokra képes.

A részben sétáló robot, részben repülő drón neve LEONARDO, és a LEgs ONboARD drOne rövidítése, de egyszerűen csak LEO-nak is hívják. Kötélen lépeget, ugrál és még gördeszkázik is. Az első robot, amely több-csuklós (ízületes) lábat és propelleralapú tolóerőt használ egyensúlya ellenőrzésére, szabályozására, összességében a fenntartására.

Fejlesztőit a természet, egyrészt a telefonpóznákon ücsörgő, azokról le-, majd felugró madarak navigációja, balanszírozása ihlette meg. Meg akarták érteni, tanulni kívántak a komplex és izgalmas viselkedésformából.

Másrészt, az ember repülőgéppel történő fel- és leszállás közbeni lábkontrollja és LEO mozgása között is látnak párhuzamot – járást, repülést, a kettő közötti interfészt –, amelyeket a dinamika és a vezérlés szempontjai alapján igyekeztek értelmezni.

Kétlábú robotok az ember által használt mozdulatokkal képesek kezelni bonyolult terepeket: felugranak, futnak, sőt, lépcsőn is felmennek, ha kell. A repülő robotok könnyedén kezelik a nehéz közegeket – egyszerűen vigyáznak arra, hogy ne érintsék meg a talajt. De megvannak a korlátaik is: sok energiát használnak fel, és kevés teher pakolható rájuk.

Mivel egyikről a másikra válthat, a köztük lévő különbségeket felszámolni hivatott LEONARDO, a két mozgástípus szintézisével kialakított multimodális helyváltoztatással jobban kezeli a kihívásokkal járó terepeket, mint a hagyományos robotok.

A hibrid mozgással a kutatók mindkét „világból” ki akarják hozni a legjobbat. A robot ultrakönnyű lábai, különleges egyensúlyozó készsége, és a választás lehetősége sokat segítenek – például az akadály típusának függvényében döntheti el, hogy a földön vagy a levegőben kíván helyet változtatni, sőt, még az ember számára teljesen szokatlan mozdulatokat is képes megvalósítani.

Az Egyesült Államok Oak Ridge Nemzeti Laboratóriuma (ORNL), a Stanford és a Purdue Egyetem kutatói teljesen működőképes kvantumhálózatot (quantum local area network, QLAN) fejlesztettek, majd mutattak be.

A klasszikus számítógépeket összekapcsoló helyi hálózatókban, a LAN-okban semmi új nincs, QLAN-okat is teszteltek már, viszont, mivel a kvantumkulcs-kiosztás volt a kvantumkommunikáció legismertebb példája, a lehetőségek korlátokba ütköztek. A csomópontok közötti biztonságos kommunikáció adott volt, a kvantumösszefonódás azonban nem, márpedig igazi kvantumrendszerek anélkül nem működnek.

Jelen kutatás megtörte a jeget.

A kutatók egymástól távoli – három különböző laborban és épületben lévő – három csomópontot kapcsoltak össze az ORNL kampuszán. A három csomópont neve Alice, Bob és Charlie.

Az Alice-t és a fotonforrást tartalmazó laboratórium az ORNL meglévő száloptikás infrastruktúráját használva érte el Bobbal és Charlie-val a kvantumösszefonódást. Az összefonódott fotonok a száloptikán mentek keresztül, és juttatták el az információt az egymástól földrajzilag izolált rendszerekhez.

A kutatók GPS-alapú órákat használtak, hogy mindhárom csomópont tevékenysége tökéletesen legyen szinkronizálva, ne legyen probléma az időzítéssel. A GPS-jel jobb minőségű és biztonságos adatok továbbítását tette lehetővé.

A hálózat szépen szemlélteti, hogyan kapcsolhatók össze a gyakorlatban kvantumszámítógépek és szenzorok. Az egyik legjobban várt következőgenerációs technológiából, a kvantuminternetből villantottak fel valamit.

„A kritikus funkciók, mint például az összefonódás-eloszlás sávszélességének megértésével, próbáljuk lerakni azokat az alapokat, amelyekre felépíthetjük a kvantuminternetet. Célunk a kvantumhálózat-alkalmazásokhoz szükséges eszközök és építőkockák fejlesztése, hogy aztán valódi hálózatokba telepíthessük őket, ahol ki tudjuk használni a kvantumszámítások előnyeit” – jelentette ki az ORNL Kvantuminformatika Csoportját vezető Nicholas Peters.

Ha ismeretlen és komplex környezetet, például erdőt, épületeket és barlangokat kell felfedezni, a drónok szinte verhetetlenek. Gyorsak, ügyesek, kicsik, szenzorokkal szerelhetők fel, terhek is pakolhatók rájuk, lényegében bárhova elküldhetők.

Térkép nélkül viszont nem találják meg az utat, ezért a technológiában rejlő teljes potenciál kiaknázásához egyelőre humán szakértők kellenek.

A biztonságos és pontos repüléshez a pillanat törtrésze alatt meg kell érteni a környezetet, különben a drón más járművel ütközhet össze. Ez embernek és gépnek egyaránt nagyon nehéz, gyakorlott pilótáknak is több év kell hozzá – magyarázza a Zürichi Egyetem Robotika és Észlelés Csoportját vezető Davide Scaramuzza.

A kutató és munkatársai autonóm kvadrokoptert gyakoroltattak ismeretlen terepeken: erdőkben, épületekben, romok között, vonaton. A 40 km/h sebességet összeütközés nélkül tartotta. A megsüvegelendő teljesítmény fedélzeti kameráinak és az általa végzett számításoknak köszönhető.

Ideghálója egyfajta szimulált szakértőt figyelve tanult meg repülni. A szakértő, a számítógép által generált drónt egy csomó nehéz és persze szimulált akadályon keresztül átreptető algoritmus volt, amely mindig komplex infókkal rendelkezett a gép állapotáról, olvasott a szenzorokból, ráadásul az ideális útvonal kikalkulálásához is maradt elég ideje és számítási kapacitása.

Szimuláción kívül sajnos, de logikusan nem használható egy ilyen szimulált szakértő, az adataival viszont meg lehetett tanítani az ideghálót a legjobb útvonal kiszámolására. Ez pedig nagyon komoly előny az elsőként szenzorikus adatokból térképet generáló, majd a térképen útvonalat tervező jelenlegi rendszerekkel szemben. Mindkét lépéshez idő kell, így a gyors repülés kizárt.

A szimulációs gyakorlás után a rendszert a valóságban is tesztelték, és jól vizsgázott. Nem évek alatt, hanem jóval hamarabb sajátította el az ismeretlen terepen történő gyors és pontos repülés készségét. Az sem kellett hozzá, hogy a szimulátor a valóság pontos másolata legyen, mert helyes megközelítéssel elegendő volt a leegyszerűsített változat.

Az alkalmazások nem korlátozódnak kvadrokopterekre, a technológia önműködő autókkal, vagy ajtók újfajta kinyitásával foglalkozó mesterséges intelligenciákkal is hasznos lehet.

Következő lépésben a drón az eddiginél is többet fog gyakorolni, gyorsabb és több infót szolgáltató szenzorokat fejlesztenek hozzá, és így talán még a 40 km/h sebességet is felülmúlja.