A gépitanulás-modellek jellegzetesen olyan feladatokon gyakorolva tanulnak nyelveket, hogy egy adott szövegben előre kell jelezniük a következő szót. A Stanford Egyetem két kutatója viszont kevésbé fókuszált, inkább emberi módon trenírozott egy nyelvmodellt.

A nyelvet indirekt módon, szöveges kulcsokat szolgáltató szimulált környezetben való navigálással elsajátító, megerősítéses tanulásalapú ágenst fejlesztettek.

Ezek az ágensek a jutalmat maximalizáló cselekvések felfedezésével tanulnak. Ha a gyakorlókörnyezet a legmagasabb jutalom elérési módját elmagyarázó szöveget szolgáltat, az ágens hasznára válik, hogy megtanulja értelmezni az írott nyelvet. Tehát az írott szövegek megértésének megtanulása a jutalmak maximalizálásának sikerével jár együtt.

A kutatók a rácsvilág-környezeteket tartalmazó Minigrid megerősítéses tanulás könyvtárt használva, szimulált kétdimenziós közegsorozatot építettek. Az ágenst megtanították, hogy a DREAM („álom”, de itt biztos teljesen más jelentésű szavakat von össze) megerősítéses tanulás algoritmusnak megfelelően találjon meg egy adott helyiséget.

A folyosók által összekötött helyiségek kétdimenziós elrendezésűek, elrendezésenként tizenkét szobával, mindegyik tizenkét szín valamelyikére volt festve. A szoba-szín egyeztetés véletlenszerűen történt. Egy konzisztens helyiség utasításokat tartalmazott, hogy miként található meg a kék szoba.

A fejlesztők a színek váltogatásával és a kék szoba megtalálásra vonatkozó instrukciók folyamatos frissítésével, az elrendezés számos változatát hozták létre. Az utasítások vagy közvetlenek, vagy relatívok voltak.

Az ágens a kék szoba megtalálásáért jutalmat, minden egyes időbeli lépésért büntetést kapott. Lépésenként megkapta az irodai környezet egy részhalmazát, és számos művelet egyikét hajthatta végre. Az utasításokat tartalmazó helyet elérve, kapott a szövegről egy képet. Meghatározott ideig, vagy a kék szoba megtalálásáig folytatta a keresgélést.

Az ágens minden egyes alkalommal az összes helyiség érintése nélkül találta meg a kék szobát, és az is kiderült, hogy érti az utasításokban lévő szavakat.

Az algoritmus kiválasztása döntő jelentőségű volt. Más algoritmusokkal ugyanis nem a nyelvet, hanem például az ajtók ellenőrzését tanulta meg. A tény, hogy megerősítéses tanuláson alapuló ágens képes explicit gyakorlás nélkül nyelvet tanulni, új lehetőségekkel kecsegtet nyelvmodellek számára.

A Google kisszámú független hírügynökséget gyűjtött össze generatív publikációs eszközeinek egyéves tesztelésére. A mostani rendszer külső weboldalakat olvas, majd cikkeket hoz létre belőlük, amelyeket a szerkesztők átdolgozhatnak, megjelentethetnek.

A nagyvállalat elvárása, hogy a rendszert használva, naponta három cikket, hetente egy hírlevelet írjanak, havonta egy marketingkampányt bonyolítsanak le. A kimenetet nem kell MI által generált tartalomként megjelölniük. Ellenszolgáltatásként a kiadók évi tízezer dollárt meghaladó juttatást kapnak.

A kiadók az olvasók számára érdekes anyagokat közlő weboldalakról (kormányzati oldalak, híroldalak stb.) listát készítenek, és ha az indexelt oldalak valamelyike új anyaggal áll elő, a rendszer értesíti a kiadót.

A kiadó választása alapján, nem azonosított generatív modell összefoglalja a tartalmat. A forrással való hasonlóság alapján színekkel kódolja a kimenetet: ha sárga, akkor kb. szószerinti másolás történt, ha kék, akkor hasonló az anyag, a piros pedig a forráshoz legkevésbé hasonló mondatokra vonatkozik.

A generált szöveget megjelenés előtt humán szerkesztő nézheti át.

A pilot program a Google Hírek kezdeményezésének (Google News Initiative) része. A program keretében a nagyvállalat médiaírásbeliség-programokat, tényellenőrző és digitális publikálóeszközöket biztosít a hírügynökségeknek.

A cég tavaly olyan hírügynökségeknek mutatta be a Genesis nevű eszközt, mint a The New York Times, The Washington Post és a The Wall Street Journal. Az új rendszerhez hasonlóan, Genesis is nyilvános információkat tanulmányozva generált új híreket. Ezen kívül főcímeket és különféle írói stílusokat javasolt. A megfigyelők tavaly is, és most is attól tartanak, hogy a Google esetleg a hírügynökségek megkerülésére használja majd fel a rendszereit, és hírösszefoglalókat tesz közzé közvetlenül a keresési eredmények között.

Az ilyen partnerségek, mindkét fél, a Google és a kiadók számára egyaránt hasznosak lehetnek.

A Google megtudja, mire van szükségük a kiadóknak, hogyan állja meg a helyét a határidők és a közönség miatti nyomás mellett a hírek előállítására kidolgozott generatív modell. A kiadók későbbi súlyos kritikák elkerülésében segítő tapasztalatokra tehetnek szert. Több ismert híroldal (CNET, Gizmodo, Sports Illustrated) követett már el komoly hibát, amikor mesterséges intelligencia is részt vett a hírkészítésben.

Az Nvidia éves fejlesztői konferenciáján bejelentett újgenerációs, Blackwell nevű grafikus feldolgozóegységei (GPU) vállalati felhasználásra készültek. Az RTX 50 sorozathoz tartozó GPU-k valószínűleg valamikor a következő év során kerülnek kereskedelmi forgalmazásba.

A  mostani H100-hoz képest frissítésnek, de nem drasztikus előrelépésnek tűnő B200 GPU 208 milliárd paraméteres, architektúrája a TSMC 4NP csomópontján alapul, amit persze jelentősen fel is turbóztak. Mivel az Nvidia Ada Lovelace GPU-i a TSMC hasonló, 4N-jével épültek, az újhoz egyedi (4NP) változatot használtak.

A nagyvállalat GPU-i a mesterségesintelligencia-forradalom, a generatív MI motorjának számítanak, az Egyesült Államok és Kína közötti chipháború legdrasztikusabb intézkedései ezeket a szerkezeteket érintik. Összességében az Nvidia technológiái nélkül az MI nem tartana ma ott, ahol.

A Blackwellt több paraméter teszi különlegessé.

Az első a két GPU-meghajtót 10 TB/s sebességű összeköttetésen keresztül összekapcsoló egyedi 4NP-folyamat. A második a frissített Transzformer Motor.

Az Nvidia szerint az architektúra az utolsógenerációs Ada Lovelace modellméretének a dupláját kezeli, és támogatja az új 4 bites lebegőpontos utasításkészletet.

Vállalatok számára ötödikgenerációs NVLink teszi lehetővé, hogy egyetlen flottában 576 GPU-t csatlakoztassanak. Az Nvidia több MI-biztonsági és más funkciót is használ, hogy adatközpontja számára garantálja a maximális üzemidőt.

A cég elárulta, hogy a B200 dekompressziós motorral is rendelkezik, ami ugyan vállalati tevékenységre összpontosít, viszont egy ilyen dedikált hardver játékok esetében is komoly különbséget képes elérni – márpedig a grafikus feldolgozóegységeket eredetileg nem a mesterséges intelligenciához, hanem játékokhoz találták ki. Ha a motort az Nvidia átviszi a játék GPU-ira, és támogatja a megfelelő formátumokat, óriási változások jöhetnek a játékiparban is.

Elon Musk február végén jogi eljárást kezdeményezett az OpenAI és vezérigazgatója, Sam Altman ellen. A mesterségesintelligencia-modellek világ előli eltitkolása a vád.

Musk többek között Altman társaságában alapította majdnem kilenc éve, majd 2019-ben hagyta el a kortárs MI-kutatásokat leginkább fémjelző vállalatot. A cég nonprofitként indult, a válást a vezetőséggel való ellentétek idézték elő, és talán az a tény is, hogy profitorientálttá kívánták tenni az OpenAI-t, ami meg is valósult.

A multimilliárdos Tesla-főnök szerint az OpenAI 13 milliárd dolláros partnersége a Microsofttal a nyílt forrású (open source) MI fejlesztését előirányzó eredeti tervek elárulása, és a cég most lényegében a redmondi óriás fiókvállalkozásaként funkcionál. Az új vezetőség nemcsak fejleszt, hanem folyamatosan újraértelmezi az általános mesterséges intelligenciát (AGI) azért, hogy az emberiség szolgálata helyett a Microsoft profitját maximalizálja – hangsúlyozza a magát az MI-veszélyt egyedül érzékelő személy színében előszeretettel feltüntető Musk.

„Mr. Musk közreműködése és fontos támogató kezdeményezései, forrásai nélkül az OpenAI nagy valószínűséggel soha nem indult volna el” – áll a hivatalos anyagban.

Musk szerződésszegéssel, vagyonkezelői kötelezettség megszegésével és tisztességtelen üzleti gyakorlattal vádolja az OpenAI-t és vezetőségét. Ezért összes technológiájuk nyilvánossá tételére szólította fel őket, Altmant pedig minden eddig megkeresett pénzéről való lemondásra kötelezné.

Persze a pereskedésnek bíróságig is el kell jutnia, és a jelenállás szerint ennek igen kicsi a valószínűsége.

Az OpenAI nyilvános válasza nem maradt el, Musk jogi kezdeményezését szövevényesnek és inkoherensnek írták le benne. A milliárdos ráadásul soha nem létezett szerződés megszegésével vádolja az OpenAI-t. „Az általa keresett megkönnyebbülés épp olyan rendkívüli, mint amennyire kitaláltak az állításai. Musk utasítást kérvényez, hogy az OpenAI a fiktív szerződésnek megfelelően szervezze át magát és tegye közkinccsé technológiáját” – írják a vállalat ügyvédei.

Az OpenAI tehát semmiféle Muskkal kötött szerződést nem szegett meg, mert nem volt alapító megállapodás, sőt, semmiféle megállapodás nem volt vele. Egy korábbi blogbejegyzésben leírták azt is, hogy anno Musk az általános mesterséges intelligenciához szükséges sokmilliárd dollár összegyűjtése miatt sürgette a céget. Az anyagokból úgy tűnik, hogy a Tesla-főnök az MI-versenyben sokkal sikeresebb riválist lehetetlenítené el, és valószínűleg zavarja a nagy áttörés előtti kiszállás.

Miután a Bloomberg arról számolt be, hogy az Apple tárgyalásokat folytat a Gemini multimodális mesterségesintelligencia-modell licenceléséről a Google anyacégével, az Alphabettel, az utóbbi tőzsdei részvényei több mint négy százalékos növekedést mutattak a március 18-i záráskor. Az Apple esetében szintén növekedést figyeltek meg, ám az jóval szerényebb, alig egyszázalékos volt.

A Google generatív mesterségesintelligencia-csomagja, a felemásan megítélt Gemini chatbottól a kódoló asszisztensig, sok lehetőséget kínál. Legfőbb és az MI fejlődésének következő fázisát felvillantó újítása a multimodalitás.

A Bloomberg szerint a tárgyalások arról folynak, hogy az iPhone-gyártó licenceli és beépíti a Gemini MI motort az okostelefonba. Belső források alapján a megbeszélések aktívak. Az MI még ebben az évben új funkciókkal bővítené az Apple csúcstermékét.

A következő nagy iPhone-frissítés, az iOS 18 bejelentésére a cég júniusi Fejlesztői Világkonferenciáján kerülhet sor. Az Apple ezen az éves rendezvényen valószínűleg többet elárul generatív MI-vel kapcsolatos terveiről, és általában (az őszi  kereskedelmi forgalomba kerülés előtt) ilyenkor beszél a legújabb iPhone-szoftverről is.

Tim Cook vezérigazgató februárban elmondta, hogy szignifikáns pénzösszeget fektetnek mesterséges intelligenciába, de bővebben az év későbbi hónapjaiban fog beszélni róla. A generatív MI újradefiniálja a jövőt – nyilatkozta, és ezért is akarnak előrelépni azon a területen, ahol a többi infokom nagyágyúhoz képest komoly versenyhátrányba kerültek.

Szintén a Bloomberg szerint nemrég az OpenAI-jal is tárgyaltak, és elgondolkoztak valamelyik modelljük használatán, ám a felek nem döntöttek a mesterséges intelligenciára vonatkozó megállapodás feltételeiről, márkanévről, mint ahogy az implementálás módját sem véglegesítették.

A sajtóhírre vonatkozó kérdésekre az Apple megtagadta a választ, az Alphabet pedig semmit nem reagált.

A Google története folyamán számos nyílt forrású (open source) mesterségesintelligencia-kezdeményezéssel (AlphaFood, TensorFlow, a BERT és a T5 több változata, Switch stb.) gazdagította a számítástudományt, információs társadalmat.

Az utóbbi időben, a nyílt forrású nagy nyelvmodellek (large language models, LLM) körüli versenyfutásban viszont háttérbe szorultak a Meta, a Microsoft és a francia Mistral.ai mögött. Miért fontos ez? Főként azért, mert azok az LLM-ek, amelyek elég kicsik ahhoz, hogy laptopon is futtathatók legyenek, nyílt forrásúként növelik a fejlesztők számát, még többen hozzáférnek az MI-hez.

Most viszont a Google is lépett az open source LLM-fronton. Közzétett súlyokat a Gemma-7B 8,5 milliárd paraméteres grafikus feldolgozóegységeken (GPU) futó LLM-hez, és a szintén LLM, de CPU-n (központi feldolgozóegység) és edge eszközökön futó, 2,5 milliárd paraméteres Gemma-2B-hez. Mindkettő két változatban, előre gyakoroltatott alapmodellként és utasítások követéséhez finomhangolt változatban is elérhető.

A Gemma-modellek a nagyobb Gemini-hoz hasonló architektúrán alapulnak, de nem multimodálisak.

A 2B-t és a 7B-t két-, illetve hatbillió tokenen gyakoroltatták: angol nyelvű webes dokumentumokon, matematikán, kódtöredékeken. 8192 kontextusalapú tokent képesek feldolgozni.

A finomhangolt változatokat tovább gyakoroltatták ember által gépi segítséggel generált prompt- és válaszpárokkal, illetve csak szintetikus válaszokkal. Az anyagokból kiszűrték a személyes infókat, a gyűlölködő válaszokat és minden más megkérdőjelezhető elemet. Emberi visszajelzéssel megtámogatott megerősítéses tanulással tovább pallérozták őket. Kimeneteiket szintén gondosan trenírozott modell bírálta el.

A Gemma licence lehetővé teszi a kereskedelmi felhasználást, sok lehetőséget viszont tilt, mert megsérthetik a szerzői jogot, hamis infókat generálnak, illegális tevékenységhez kapcsolódnak, szexuálisan explicit tartalmat állítanak elő stb.

A Gemma-7B-t többre értékelik a hasonló méretű nyílt modelleknél (Meta Llama 2.7 B, Mistral-7B), sőt, a cég szerint a közel kétszeres méretű Llama 2.13B-nél is jobban teljesít (például kérések megválaszolásában, következtetésben, matekban, kódolásban). A Gemma-2B a méretében legjobb modellekkel összevetve, viszont gyengébb.

A Gemma két szempontból is figyelemreméltó: egyrészt javított a hétmilliárd paraméter körüli modellek teljesítményén, emelte a lécet, másrészt jelzi a Google elkötelezettségét a nyílt forrású MI mellett. Újabb innovációs hullámot indíthat el.

Az Amszterdami Egyetem kutatói fényre aktiválódó vegyi reakciók tervezését megtanuló robotikus rendszert fejlesztettek. RoboChem úgy végzi munkáját, hogy optimális eredményt ér el vele, kémiai anyagok szintetizálásában humán kollégáit is felülmúlta.

A rendszer több elemből áll össze.

A számítógépen gépitanulás-modell fut, míg az automatizált laboreszköz-készlet folyadékkezelőt, fecskendős szivattyúkat és fotokémiai reaktort tartalmaz. Mindegyik légmentesen elzárt vákuumkamrában van.

Reagenssorral és az eredményként megkapott termékkel a rendszernek meg kellett találnia az optimális „terméshozamot”, azaz a szintetizált termék és a potenciális termék minél magasabb arányát (azt a különbséget, hogy mennyit állíthatna elő elvileg, és abból mennyit állít elő a valóságban).

Háromrészes ciklust követett: meg kellett határoznia a kísérleti feltételeket (reagens mennyiségét és koncentrációját, fényintenzitást, reaktorban eltöltött időt), ezen feltételek mellett összekombinálnia a reagenseket, majd spektrométerrel kiértékelnie a hozamot, eredményt.

Közben megtanulta, hogyan jöjjön rá minden egyes reakció ideális feltételeire. Utána valószínűségi alapon új (optimalizáló) feltételeket választott. A ciklust mindaddig ismételte, amíg el nem érte a fejlesztők által meghatározott eredményt, hozamot, kísérletszámot. Maximalizálta, amit csak lehetett.

Tizennyolc anyagot állított elő, mindegyiknél optimalizálta a hozamot, és humán „kollégákat” felülmúlva, a korábban ismert legjobb feltételeknél azonos vagy jobb eredményt ért el.

Nem ő az első robotvegyész. 2020-ban a Liverpooli Egyetemen egy mobil robot navigált a vegyi laborban, anyagokat kevert össze, műszereket működtetett. Hasonló optimalizáló módszerrel dolgozott, az amszterdami gép viszont sokkal olcsóbb, és több kísérletnél használható.

Fejlesztői szerint drámai mértékben növelheti a termelékenységet, és csökkentheti a munkára fordított időt, pénzt. A fényre aktiválódó reakciók gyógyszeripari, háztartási vegyszer- és újrahasznosítható energia-alkalmazásokkal kecsegtetnek.

Képzeljük el, hogy vékony és rugalmas matrica kéz- és ujjmozdulatainkat egyetlen szó kimondása vagy a számítógépes billentyűzet minimális használata nélkül kommunikációvá alakítja.

A kínai Pekingi Egyetem és a Gullin Elektronikus Technológiai Egyetem kutatói pont ilyen, újtípusú magunkon viselhető (wearable) szenzort fejlesztettek. A rehabilitációs alkalmazások változatos lehetőségeit felvillantó, kommunikációs problémákkal küzdő személyeket segítő érzékelő pontosan ezt teszi.

A szenzor a puha és rugalmas polidimetil-sziloxánt (PDMS) a rostos Bragg-rács (FBG) nevű optikai komponenssel kombinálja össze. Maga a matrica kényelmes, hosszú ideig viselhető, és nagyon pontosan detektálja a mozdulatokat.

Stroke-ból lábadozó személyeknél a csukló, az ujjak vagy akár az arc mozgását nyomon követheti, segítve a rehabilitáció előrehaladását. Komoly mozgás- és beszédkorlátozástól szenvedők esetében a szenzor szavakká vagy megjegyzésekké fordítja a kézmozdulatokat és az arckifejezéseket. Az illető a matrica segítségével könnyebben kommunikál másokkal, folytat interakciókat számítógépes technológiákkal.

A fejlesztést multidiszciplináris csapat végezte: fénytan-szakértők, biomedikális, szoftver- és villamosmérnökök közös munkáját dicsérhetjük. A szenzor a teszteken mozdulatok felismerésében magasszintű érzékelőképességet mutatott, jól funkcionált kommunikációs asszisztensként.

A mozdulatok detektálásán túl, ezek az adaptálható érzékelők többféle alkalmazásra használhatók, alakíthatók ki speciális elvárások szerint. Más egészségügyi mutatókat, például a légzést vagy a szívritmust minimális testmozgások detektálásával monitorozhatják.

Sportolók és fitneszezők számára szintén hasznosak lehetnek. Formájukat, technikájukat folyamatosan és valós időben figyelve, segíthetnek teljesítményük javításában. Az immerzív és interaktív élményt javítandó, játékrendszerekbe is beintegrálhatók.

Egy Mark nevű, ALS-ben (amiotrófiás laterális szklerózis) szenvedő betegnél 2021-ben diagnosztizálták a bajt. Tavaly augusztusban az agya neurális tevékenységét számítógépes utasításokra fordító agy-számítógép interfészt (brain-computer interface, BCI) ültettek a koponyájába.

A BCI egy stent (csőszerű eszköz) elektróda-érzékelőkkel. A Synchron vállalat fejlesztése Mark agyának egyedi elektromos jelzései alapján szótárt dolgozott ki, hogy a mozgásalapú jeleket utasításokká lehessen fordítani.

Képzeljük el a következő jelenetet: Mark erősen figyeli a számítógép-monitort, keze mozdulatlan, teste mellett nyugalmi állapotban van, bár a jobb mutatóujja egy kicsit remeg. A képernyőről figyelmeztető jelzés hangzik – üzenet a gondozónak, hogy segítségre van szükség.

Egeret sem használt, a képernyőt sem érintette meg. A számítógépnek agyi jelzéssel adta az utasítást, a jelzést az implantátum fordította utasítássá.

Mark a tizedik olyan személy a világon, akinek ilyen típusú BCI-t ültettek az agyába. A Synchron humán tesztjén vesz részt, a cég bizakodik, hogy a technológia rajta és az agy motorikus funkcióit elveszítő más személyeken is képes segíteni.

„Lehetőség arra, hogy a technológia segítsen valakin, aki másként nem tudna magán segíteni” – nyilatkozta Mark a CNN-nek.

A BCI-technológiák iránti érdeklődés folyamatosan nő, és amikor Elon Musk bejelentette, hogy egyik cége, a Neuralink aktívan részt vesz az ezirányú kutatás-fejlesztésekben, illetve mások nemrég publikáltak ígéretes tanulmányokat, sokan máris mainstream-nek kezdték érezni.

Pedig távolról sem az, és a kereskedelmi forgalmazására irányuló törekvések is komoly szabályozási, etikai és személyiségjogi akadályokba ütköznek. Másrészt, a technológiának is megvannak a korlátai, így ne számítsunk arra, hogy háziorvosunk komoly baj esetén már honapután fel fogja írni.

Mark tudja, hogy az ALS gyógyíthatatlan, ezért egyértelmű volt számára: részt vesz a kísérletben. Egyelőre sok mindent meg tud csinálni magától, de érzi: pár év alatt jóval ügyetlenebb lett. Bízik a BCI-ban, hogy teljeshez hasonló életet élhet vele.

Ha el akarja érni kedvenc appját, az Audible-t, valakinek szemben kel tartania vele az okostelefonját, hogy kiválaszthassa. Reméli, hogy az implantátummal könnyebben hozzáfér majd hangoskönyveihez, és más mindennapos tevékenységekben is segíti.

A BCI közreműködésével már tud Pong-szerű videóalapú asztaliteniszt játszani, egészségügyi megjegyzéseket küldeni, fájdalmakról beszámolni. Bízik benne, hogy hamarosan szöveges üzeneteket „ír”, irányítja az Alexát, használja majd a Netflixet is vele.

Önmagukat emberi beavatkozás nélkül meggyógyító, korrigáló robotok tökéletesen funkcionálhatnának azokban a veszélyes és távoli környezetekben, például a világűrben és az óceán mélyén, ahol mindenféle javítás nehézségekbe ütközik.

Az öngyógyítás azokra a folyamatokra vonatkozik, amikor külső beavatkozás, a gyógyulást elindító valamilyen mikroesemény nélkül javul meg az adott anyag, és szerencsére egyre több matéria rendelkezik már ezzel a tulajdonsággal. Az anyagtudomány gyors fejlődésével a lehetőségek drámai módon bővülhetnek a közeljövőben.

A legtöbb öngyógyító robot hevítésre, majd lehűlve „megjavuló” polimereket tartalmaz. A világ különböző műhelyeiben dolgozó kutatók autonóm robotgyógyításra alkalmas módszereket, elektronikus alkatrészeket stb. azonosítottak, amelyeket azonban a látványos bemutatók után a gyakorlatban is a gépekbe kellene integrálniuk. Lényeges különbség a korábbiakhoz képest, hogy ezeknek a robotoknak már nemcsak ellenállónak kell lenniük sérülésekkel szemben, hanem sérülés esetén meg kell tudniuk magukat gyógyítani.

A  hidrogénkötésű polimerek különböző kötési szintjei/erőssége például a nehéz körülmények közötti önjavításra tökéletesen megfelelő erős és rugalmas anyagokat eredményeznek.

Vezetőképes öngyógyító anyagokat szintén fejlesztettek már, például folyékony fémet vagy dielektrikumokat és félvezetőket adnak a saját magukat kijavító polimerekhez.

De hogyan érzi a fájdalmat, mit érez fájdalom helyett egy robot? Mert a meghibásodás korrigálásához észlelnie is kell azt. Az embernél a fájdalom a jel, robotoknál pedig például az áramot speciális szénrészecskéinek köszönhetően vezető polimerekből készült szenzorok a vezetés változásaiból detektálhatják a bajt.

A Brüsszeli Szabadegyetemen dolgozó Bram Vanderborg csoportja ilyen szénrészecskés polimert használt az elektromos ellenállás változásait detektáló piezorezisztív nyílásérzékelők fejlesztéséhez. A szenzorokat puha robotmarkolóba ágyazták; a deformációkat, a vágásokat és a töréseket az ellenállás változásai miatt azonnal észlelik.

Vanderborg szerint a különféle anyagokat, technikákat egyetlen nagy alkalmazásban kellene összekombinálni.