Egy új-zélandi PhD-hallgató és társai „drón vadőr” technológiája megállapította, hogy az Északi-sziget vörösbegyhez hasonló, negyven Toutou Way színes madara honnan hova költözött. Az újítás madarak mellett más állatok megfigyelésére is ideális.

A költözés után az állatok túlélési rátáját vizsgálták, kíváncsiak voltak, hogy maradnak-e új környezetükben, egy ragadozók által ellenőrzött, 4 ezer hektáros erdőben, egyébként védett területen.

Mindegyik madárra 0,7 grammos adóvevőt rögzítettek, hogy a drón követhesse őket. A Toutou Way a tavaszi és nyári költési időszakban különösen kiszolgáltatott a ragadozóknak. Követésükhöz földi és égi megoldásokat egyaránt használnak, de a „drón vadőr” a legeredményesebb: jó munkát végez, sok idő és pénz spórolható meg vele. Egyszerre akár ötszáz állatot is képes figyelni.

Korábban napokig kellett bozótokban, nehéz terepen tanulmányozni a madarakat, és talán előbukkantak, talán nem, most viszont a drónnal tíz perc is elég egy-egy állat lokalizálásához. A gép olyan helyeken is eredményes, ahol a jelérzékelés nagyon nehéz.

A negyven elköltözött madárnak kb. a fele berendezkedett az új környezetben, párt is találtak maguknak. A többiek szemmel láthatóan kevésbé érzik magukat otthonosan, de élnek, jobb területet és párt keresnek.

A fejlesztések egy öt éve indult projekt, egy védett terület megújítása keretében történtek. A projekt a ragadozók ellenőrzésével foglalkozó, immáron két évtizedes program része. Elsőként a Toutou Way madarak tértek vissza a védett közegbe. Korábbi kutatások eredményei alapján őket könnyebb megfigyelni, és a túlélési esélyeik is magasak.

Évekig fogják figyelni őket, mert meg akarnak győződni, hogy a nőstények túlvészelik-e a költési időszakot, szaporodnak-e, és a fiókák megmaradnak a védett területen, vagy távoznak.

Megerősítéses tanuláson (reinforcement learning, RL) alapuló modellek egyre jobban teljesítenek régi Atari-játékokban, amellyel a szakterület fejlődéséhez is hozzájárulnak. Az új bajnok képalkotásból kölcsönzött trükkel bővített, egyszerű RL-architektúra.

A DeepMind, a londoni Imperial College és University College, valamint a Kolozsvári Műszaki Egyetem kutatói rájöttek, hogy színkép-normalizálással – hasonló inputok megjelenítése közötti különbségek korlátozásával – sokkal jobban javítható egy RL-modell teljesítménye, mintha több friss újítást egyesítenének.

Megerősítéses tanulással a modell figyeli a környezetét, például a legendás Pong játékot, a megfigyelés alapján dönti el, hogy mit cselekszik, mondjuk, megmozgat egy tárgyat, és ha jó az eredmény, jutalmat, adott esetben pontot kap. Nehéz így tanulni, mert különféle cselekedeteket választ ki, miközben a gyakorlóadatok, a megfigyelés és a jutalmak változnak.

A gyakorlóadatok módosítása hasonló problémát jelent a generatív ellenséges hálózatoknál (GAN) is. A generátor és a megkülönböztető hálózatok úgy befolyásolják egymást, hogy közben maguk is változnak.

GAN-oknál sokat segít a színkép-normalizálás – ezzel a technikával csökkentik a változásokat. A kutatók rájöttek, hogy ha egy GAN-nél bevált, akkor RL-modelleknél is működhet.

Konvolúciós ideghálót, egy megerősítéses tanuláshoz fejlesztett C51-et színkép-normalizálással bővítettek. A modellt az Árkád Tanulókörnyezetben (ALE) gyakoroltatták (az ALE egy játékgyűjtemény, amelyben a lépések az Atari kontroller mozdulatainak felelnek meg).

Megfigyelés alapján, C51 minden lehetséges lépéssel kapcsolatban előrejelzi a valószínű jutalmak eloszlását, majd kiválasztja a legmagasabbal kecsegtető lépést. Gyakorlás közben előrejelzett és tényleges jutalmakat összehasonlítva, finomít prognózisán.

A színkép-normalizálás a hálózati rétegekben korlátozza a paramétereket, például, hogy mekkora lehet az eltérés két előrejelzés között. Minél kisebb, annál hasonlóbbak a prognózisok. A limitek bevezetése kb. hasonló a tanulási tempó csökkentéséhez. A kutatók a modell tanulási tempójának csökkenését a színkép-normalizálással bevezetett korlátozásokkal szinkronba hozó optimalizáló eljárást találtak ki.

A két módszert használó modellek nagyjából egyformán teljesítettek, a színkép-normalizálás a modell minden szintjén javított a teljesítményen, viszont ha csak az utolsóelőttinél alkalmazták, az a modell kapta a legtöbb jutalmat.

A kutatók utolsóelőtti rétegben „színlép-normalizáló” technikával kiegészített C51 modellje a korábbi bajnok Rainbow-val mérkőzött meg, és 54 játékban átlagosan 248,45, míg ellenfele csak 227,05 jutalompontot gyűjtött.

Mi ebből a tanulság? Az, hogy a gépi tanulás egyik területén működő megoldások más területeken is nagyon hatékonyak lehetnek. A színkép-normalizálás beemelésével, egyszerűbb megerősítéses tanulómodellek jöhetnek, és a mostani technikák is javíthatók.

A dél-afrikai szellemi tulajdonjogok hivatala szabadalmi oltalmat adott egy mesterséges intelligencia által fejlesztett, fraktálgeometrián alapuló élelmiszertárolóra. Az MI, az algoritmus a feltaláló.

A Dabus nevű rendszert az MI-kutatásban és programozásban is úttörő Stephen Thaler dolgozta ki, de az algoritmus a szabadalom birtokosa. A kutató a szabadalmi joggal foglalkozó ügyvédek alkotta Mesterséges Feltaláló Projekt (AIP) segítségével több országban több alkalmazást nyújtott be szabadalmi oltalomra. Az AIP a tényleges újításokat generáló algoritmusok fejlesztését promótálja.

Dabus véletlenszerű kapcsolatokat dolgoz ki képek, szövegek és más adatok között. Újdonságukat létező ötleteket tartalmazó adatbázisokkal összehasonlítva rangsorolja. Ha a „találmányok” valamelyike átlépi az újdonság megadott határát, Thaler átnézi, értelmezi a funkcióit, és szabadalmi kérvényt ír.

A dél-afrikai hivatal nem kommentálta az oltalmat, amiből egyes szakértők tévedésre következtetnek. Az Egyesült Államok, az Egyesült Királyság, az EU és Ausztrália szabadalmi hivatalai ugyanis visszadobták az AIP kérvényeit. Egy ausztrál bíróság viszont nemrég felülbírálta az ország eredeti döntését. A kérvények további tizenkét országban elbírálásra várnak.

A dél-afrikai oltalom talán azzal is magyarázható, hogy az ország az utóbbi években a technológiai innovációt támogató módosításokat hozott szabadalmi politikájában.

Ez a szabadalom precedensértékű lehet abban a vitában, hogy egy algoritmus új zenék, képek és más szellemi tulajdonok alkotójának tekinthető-e, és ha igen, milyen mértékben. A vitának valószínűleg fontos pénzügyi és jogi következményei lesznek.

A szabadalmi rendszereket sokan kritizálják az oltalmakat elnyerő vagy kérvényeket ipari mennyiségben kitöltögető trollok miatt. Többek szerint ők inkább hátráltatják, semmint előrébb viszik a technológiákat. Ha egy MI sok kérvényt ki tud tölteni, talán célszerű újragondolni az egész rendszert. De ettől még mesterséges intelligenciák is lehetnek feltalálók.

A világ egyik legnagyobb mezőgazdasági gépgyártója, a John Deere 250 millió dollárt fizet a kaliforniai Bear Flag Robotics startupnak, hogy hagyományos traktorait teljesen autonóm szerkezetekké alakítsa át. Hamarosan megduplázódik a cég önvezető traktorainak száma.

Az önvezető autók ugyan még nem terjedtek el a közutakon, a technológia azonban elég érett már ahhoz, hogy zártabb környezetben, például farmokon működjön.

A John Deere közel két évtizede fejleszt a humán vezetőt segítő, GPS-es rendszerrel működő traktorokat, mesterséges intelligenciával pedig ha nem is annyira hosszú ideje, de szintén évek óta foglalkozik. 2017-ben vásárolta fel a gyomirtó robotokat építő kaliforniai Blue River Technology startupot, 2018-ban partnerségi programot indított ígéretes startupokkal, többük gépi tanulást alkalmaz.

A Bear Flag az autóiparban fejlesztett önvezető technológiát most a mezőgazdasági járművekre alkalmazza, hogy ember nélkül is biztonságosan működjenek a gazdaságokban.

Ezek a traktorok GPS-követést és szenzorikus adatokat kombinálva navigálnak. Lidar, radar és kamerák teszik lehetővé, hogy lássák a környezetet. Aktuátorrendszerek vezérlik a kormányt, a fékezést és a különféle eszközök vontatását.

Az egész rendszert farmokon való vezetésre dolgozták ki, gépilátás-algoritmusa például megkülönbözteti a letört ágakat a fáktól – előbbieken átmehet a jármű, utóbbiakat el kell kerülnie.

A szenzorok a traktor által megmunkált talaj minőségéről is gyűjtik az adatokat. Az így beszerzett információk alapján a farmerek finomhangolhatják rovar-, gyom- és gombairtó szerek használatát, amivel akár húsz százalékkal csökkenthetik ezirányú kiadásaikat.

A rendszer az első vezetésen megtanulja, hogy hol vannak a gazdaság határai. Utakat, vízfolyásokat és más akadályokat azonosít, a térképet traktorflotta rendelkezésére bocsátja, hogy távolból is ellenőrizhetők, vezérelhetők és monitorozhatók legyenek.

A mesterséges intelligenciával támogatott gépek nemcsak a hosszú ideje tartó munkaerőhiány leküzdésében segítik a farmereket, hanem a termelékenység növeléséhez és a negatív természeti hatások csökkentéséhez is hozzájárulnak.

A részben Elon Musk által alapított OpenAI (amit Musk később csalódottan hagyott ott) nemrég mutatta be írott angol nyelvű utasításokat felhasználható kóddarabokká alakító, Codex nevű algoritmusát.

Codex az utasításokat egyelőre kezdetleges játék- és weblapkészítő szoftverek alapjaihoz dolgozza át. Egyrészt gyakorlott programozók munkáját teszi könnyebbé, másrészt kezdőknek segít a tanulásban.

A felhasználó például leírhatja annak a honlapnak a külsejét és az alapfunkcióit, amit pont tervez, felsorolja, hogy mit hova akar tenni, Codex pedig egyszerű tervvel áll elő, hogy hogyan értelmezte az utasításokat.

A mesterséges intelligencia ezzel még nem válik feltétlenül programozóvá, viszont egyértelműen a programozó asszisztenseként vagy az ötleteket a megvalósulás érdekében kóddá változtató „megbízottként” dolgozik.

„A programozók megsokszorozására alkalmas eszköznek tartjuk. A programozás két részből áll: keményen el kell gondolkozni egy problémáról, próbálni megérteni azt, majd az apró darabkákat tényleges kóddá térképezni, legyen az egy könyvtár, funkció vagy alkalmazásprogramozói felület (API)” – magyarázza Greg Brockman, az OpenAI főmérnöke.

Codex GPT-3-on, az OpenAI híres-hírhedt az írott internet jelentős részén gyakorolt, szöveggeneráló algoritmusán alapul.

A futtatásához szükséges extra források miatt viszont összeütközésbe kerülhetnek nyíltforrású programozói közösségekkel. Az ok, hogy a Codex a nyílt forrású kódtárakból összeszedett extraadatokra (is) épül. Ezeket a gyűjteményeket programozók viszont azért állították össze, hogy megosszák, és ők osszák meg a világgal.

Technikailag – és jóindulattal – persze úgy is felfoghatjuk, hogy Codex a megosztás hatékonyabb módja. Az OpenAI szerint nem sértettek szerzői jogokat, viszont egy ilyen masszív algoritmust önkéntesek munkájára felépíteni, enyhén szólva is megkérdőjelezhető és kritizálható gyakorlat.

A bizonytalan, például törmelékes, romos terepen közlekedő, mozgásukhoz a karjukat is használó robotok mostantól ezekben a közegekben is gyorsabban haladhatnak, mert egy, a Michigan Egyetemen fejlesztett új útvonaltervező algoritmus rövidebb ideig tartó adatfeldolgozás mellett szabványalgoritmusoknál háromszor eredményesebb a jó utak megtalálásában.

Az egyensúly fenntartásához a karjukkal manőverező gépek katasztrófa sújtotta vagy építési környezetben is nagyobb valószínűséggel elboldogulnak.

„Ha például leomlott házfalak között van egy robot, csak a lábával nem tud mindig egyensúlyozni, előrehaladni. Szüksége van új algoritmusokra, amelyek kijelölik, hogy hova tegye a lábát és kezét. A stabilitás megőrzéséhez ezeket a végtagokat mind együtt kell koordinálni” – magyarázza Dmitry Berenson, a kutatás egyik vezetője.

Lehetővé tették, hogy a robotok a sikeres útvonal kiszámítása előtt megállapítsák, mennyire nehéz a terep. Első lépésként, gépi tanulással tanították meg nekik kezük-lábuk használatát, helyes mozgatásukat, hogy ne veszítsék el az egyensúlyukat. Utána sokkal bonyolultabb új környezetben gyakorolhatták a megtanultakat.

Hagyományos algoritmusok terepbecslésével viszont – különösen nagyobb alapterületeken – sokáig tartott az útvonaltervezés. Ekkor találták ki az „oszd meg és uralkodj” módszert: azaz az utat nehezen és könnyebben bejárható szakaszokra osztották. Az előbbieken a gépek felhasználják a megtanultakat, az utóbbiakon viszont az egyszerűbb útvonaltervezés is működik.

A megoldás azért bonyolultabb, mint gondolnánk, mert nem egyértelmű a probléma pontos feldarabolása, és hogy melyik szakaszon melyik tervezési mód a jó.

A teljes környezet mértani modellje kell hozzá, amihez a robot előtt felderítőmunkát végző drón szükséges. Virtuális környezetben, romos folyosón navigáló humanoiddal tesztelték, és a robot ötven kísérletből 84 százalékos eredménnyel célba ért. Amikor csak a hagyományos tervezést használta, 26 százalékot ért el, és a sikeres kísérletekben átlag két perc helyett három perc alatt ért célba.

A kutatók bemutatták, hogy az algoritmus a fizikai valóságban is működik. Kerekes robotot kétkaros torzóval szerelték egybe hozzá. Az útvonalterv 0,1 másodperc alatt készült el, hagyományos tervezéssel viszont 3,5-ig tartott.

Hamarosan elkezdenek a dinamikus mozgás stabilitásán dolgozni, hogy a robot majdnem olyan természetesen mozogjon, mint az állatok és az ember, amellyel gyorsabbá is válik.

Az egyre figyelmeztetőbb jelek ellenére sok klímakutató még elképzelhetőnek tartja, hogy elkerülhető a legrosszabb, ahhoz viszont soha nem látott és alapvető változtatások kellenének.

A megoldások kulcsa az olyan számítógépes módszerekben rejlik, mint például a világgazdaság gigantikus szimulációja, az integrált értékelő-modellek. Hat nagyobb változat van belőle: négy Európában, egy Japánban, egy az Egyesült Államokban.

A modellek a párizsi egyezményben megfogalmazott legfőbb cél, a globális átlaghőmérséklet emelkedésének 2 Celsius-fok alatt tartásához igyekeznek hozzájárulni. Negyven éven belül el kell érnünk hozzá a zéró nettó üvegházhatású gázkibocsátást, de a megvalósulást segítő lépések egy része talán nem is lehetséges. A közlekedésben, az elektromosság használatában és az építőiparban is tényleg drasztikus változások kellenek.

A modellek az üvegházhatású gázkibocsátás forrásaival (járművek, erőművek stb.) kezdik, amiket a nemzetközi kereskedelemre, árakra, új technológiákra vonatkozó feltételezésekkel egészítenek ki.

Ezt követően vezetik be a korlátozásokat. A vállalásokat igyekeznek a legolcsóbban, a technológiai megvalósíthatóság és más lehetőségeink keretein belül teljesíteni.

A modellekből kiderült, hogy van megoldás, léteznek a döntéshozók által választható alternatív utak a nulla széndioxid-kibocsátáshoz. Egyesekben az energiaárak és a kormányzati szabályozás életmódváltáshoz vezetnek. Energiatakarékosabbak leszünk, autó helyett a közösségi közlekedést választjuk. Más forgatókönyvekben ugyanannyi energiát használunk, mint most, amivel nő az alternatív források és a tiszta elektromosság iránti igény. Sokkal nagyobb területet foglalnak el a nap- és szélfarmok, több erőmű működik, nő a mérgező anyagokat visszaszorító, azokat tároló megoldások száma.

Ezek a modellek csak akkor valósíthatók meg, ha lemondunk bizonyos szokásainkról. Más előfeltételezéseket használó más modellek a jelentől még drámaibb módon eltérő, az előbbiekkel ellentétes képet mutatnak a jövőről.

A technológiai innovációt viszont nagyon nehéz prognosztizálni, a nemzetközi együttműködés azonban minden szinten elkerülhetetlen, a gazdag országoknak segíteni kell a szegényeket a mérgezőanyag-kibocsátás csökkentésében – derül ki az összes modellből.

Az igazságszolgáltatás, a pénzügyi intézmények, állami és magánvállalatok emberek életét komolyan befolyásoló algoritmusokat használnak a döntéshozáshoz. Ezek az algoritmusok sajnos sokszor előítéletesek; bőrszín, társadalmi státusz és más tényezők befolyásolják őket, például aránytalanul több feketét látnak bűnelkövetőnek, mint fehéret, és túl sok szegény bankkölcsönét nem támogatják.

Az MIT (Massachusetts Institute of Technology) kutatói az algoritmusok korrektségét az összes alternatívánál pontosabban és gyorsabban kiértékelő mesterségesintelligencia-programnyelvet (Sum-Product Probabilistic Language, SPPL), egy valószínűség-alapú programozó rendszert fejlesztettek.

A feltörekvőben lévő valószínűség-alapú programozás a programnyelvek és az MI metszéspontjára belőhető diszciplína. Megkönnyíti mesterségesintelligencia-rendszerek fejlesztését, első sikereit a gépi látásban, a józanész jellegű adatfeldolgozásban és az automatizált adatmodellezésben érte el. Ezekkel a nyelvekkel a programozók egyszerűbben határoznak meg valószínűségi modelleket, vonnak le következtetéseket.

Nem ez az első algoritmikus korrektséggel foglalkozó rendszer, viszont olyan mértékben specifikálták és optimalizálták meghatározott modellcsoportokra, hogy ezerszer, de akár háromezerszer is gyorsabb válaszokat ad, mint a többi opció.

Ezeket a válaszokat olyan kérdésekre és utasításokra adja, mint „milyen valószínűséggel adna kölcsönt negyven feletti személynek?” Ami a korrektséget illeti, a „van-e különbség az azonos társadalmi-gazdasági háttérrel rendelkező bevándorlók és nem bevándorlók hitelkérelmének elbírálásában?” és a „ha az alulreprezentált csoporthoz tartozó jelentkező kvalifikált az állásra, mennyire valószínű, hogy meg is kapja azt?” azok a kérdéstípusok, amelyek esetén jól működik az SPPL. Ezen a nyelven csak pontos valószínűségalapú következtetést generáló programok írhatók, ami fontos az algoritmus elfogultságának egyértelmű megítélésében. A válasz gyorsasága ellenőrizhető, amivel elkerüljük lassú programok írását.

Természetesen minden ilyen következtetésben lehetnek hibák, a (súlyos) társadalmi következményekkel járó MI-alkalmazásokban viszont egyáltalán nem lenne szabad előfordulniuk. Az SPPL ezen a téren szerencsére sokkal megbízhatóbb a „rokon” nyelveknél (PPL), és ez pontosan a jól meghatározható, de így sem kevés modellosztály (például a döntésfa-osztályozók) miatt lehetséges. Egyelőre mesterséges ideghálókhoz viszont sajnos nem ajánlják, amire szükség lenne, mert a döntésfákat és ideghálókat egyaránt elemző egyéb rendszerek lassabbak és pontatlanabbak is.

Az SPPL mindenesetre bebizonyította, hogy a pontos valószínűségalapú következtetés nemcsak elméletben, hanem gyakorlatban is működik.

Kiszáradó tavaktól pusztító áradásokig, özönvízszerű viharokig, a szélsőséges időjárási jelenségek egyre gyakoribbak. A változó éghajlatra többek között azért is nehéz reagálnunk, mert a globális felmelegedés okai annyira komplexek, hogy nem mindig, vagy nem jól értjük őket.

A Stanford Egyetem kutatói az amerikai Középnyugaton tapasztalható időjárási szélsőségek feltételeinek azonosítására fejlesztettek gépitanulás-technikát. Ez az egyik első kísérlet a hosszútávú változások okainak mesterséges intelligenciával történő elemzésére.

Az MI a pontosabb előrejelzésekben is segít.

A felmelegedés például keményebb esőzésekhez, havazásokhoz is vezet, az atmoszféra melegebb, nedvesebb. A klímaváltozás a csapadékképződést másként is befolyásolhatja, viszont nehéz megmondani, hogyan. Részben azért, mert a klímamodellek térbeli felbontása nem elegendő regionális szélsőségek megjelenítésére.

A kutatók a felső Mississippi és a Missouri keleti részének vízgyűjtőjére összpontosítva, nyilvánosan hozzáférhető adatok alapján számolták ki a régió 1981 és 2019 közötti extrém csapadékos napjait. Utána az algoritmust megtaníttatták a kapcsolódó légköri képződményminták adatalapú elemzésére.

Hagyományos statisztikai módszereknél eredményesebben, több mint kilencven százalékos pontossággal azonosította a napokat.

Kiderítette, hogy a növekedés több tényező összjátéka: az egyik, hogy a 21. században gyakoribbak a rengeteg csapadékhoz vezető légnyomás-minták. Időben visszafelé haladva, viszont egyre csekélyebbek a változások.

A minták előfordulásakor a csapadékmennyiség egyértelműen nő, nagyobb az esély egy viharos napra, mint a múltban volt. Ezeken a napokon a Mexikói-öbölből Középnyugatra tartó légköri nedvességáramlás is magasabb, ami nyilvánvalóan befolyásolja a viharos esőzéseket.

A mesterséges intelligenciával e tényezők jövőbeli özönvizekre gyakorolt hatását is vizsgálják, de technikájukat más régiókra, más időjárási jelenségekre, például trópusi ciklonokra is kiterjesztenék.

Különleges robotot mutatott be az Amazon. Az Astro nevű szerkezet kvázi járőrözi a felhasználó lakását, figyeli, nincs-e ott idegen személy, és természetesen figyelmeztet, ha veszélyt észlel.

Feltérképezi a lakásunkat, és arcfelismeréssel dönti el, hogy ismerőst vagy veszélyforrást lát. Zenéket játszik le, telekonferenciát bonyolíthatunk rajta, beépített tárolóterében kisebb tárgyakat el tud vinni a lakás másik végébe.

Az Alexa platformra épül, ugyanazzal a hangfelismerő szoftverrel működik, úgy tervezték, hogy alaposan megismerje a felhasználó lakását, szokásait. Másrészt, ugyanahhoz a biztonsági rendszerhez kapcsolódik, mint a szintén Amazon-termék Ring kapucsengő.

Minden szoba optimális pozícióját térképezi fel, hogy a legkönnyebben észlelje a betolakodókat és más veszélyforrásokat, például tüzet. Megállapítja, hogy a lakás mely részei túlzsúfoltak, és ezért nem árt elkerülni azokat.

A felhasználó megismerteti vele az ott élők és a gyakori vendégek arcát, hangját. Szükséges is ismernie őket, mert minden belépő személyt követ. A követéshez mikrofonokat és a teste fölé emelkedő teleszkópos kamerát használ. Ha ismeretlen személyeket észlel, követi őket, és minden helyiségben a számára legideálisabb pontról figyeli a tevékenységüket. Ha akarjuk, természetesen leállíthatjuk a járőrözést, de el is indíthatjuk, mint ahogy kijelölhetünk a robot számára „tiltott” helyiségeket is. 

A nagyvállalat még erre az évre ígéri Astro kereskedelmi forgalmazását, 999 dollárba fog kerülni. A kiszivárgott dokumentumok alapján elég sok személyiségi jogi (privacy) kérdés merülhet fel vele kapcsolatban. Bűnüldöző szervek például a tulajdonos helyett akár közvetlenül az Amazontól is kérhetik, hogy bocsássa rendelkezésükre az Astro által rögzített anyagokat. De magát a gépet is felhasználhatják jogilag megkérdőjelezhető műveletek elvégzésére, mint ahogy például az egyébként sikeres, tavaly 1,4 millió példányban eladott Ringgel is megtették már.

Az Astro fejlesztésében részt vett több szakember szerint a gép egyelőre gyengécske, hajlamos legurulni a lépcsőn, ráadásul a személyazonosítás is gyakran pontatlan. Máskülönben a Ring logikus folytatásának tűnik, kérdés, tényleg akarjuk-e, hogy egy robot – és a fejlesztő nagyvállalat – ennyire megismerje otthonunkat, szokásainkat.