A Nvidia GPU-i (grafikus feldolgozó egységei) voltak az első gépitanulás-chipek, és mivel másodpercenként nagymennyiségű lebegőpontot képesek feldolgozni, vezetik is a piacot.

Egyes startupok, például a Cerebras, a Graphcore és az Intel által decemberben felvásárolt Habana, valamint a Google Cloud is piacvezetővé kívánnak válni, és egyre komolyabban veszélyeztetik a Nvidia első helyét.

Az utóbbi idők tesztjeiből kiderült: a speciálisan mesterséges intelligencia-megoldásokra fejlesztett chipek egyre gyorsabbá válnak, hamarabb tanítanak be ideghálókat.

A gépitanulás-feladatok hardverteljesítményére szabványokat fejlesztő MLPerf szervezet nyilvánossá tette harmadik mérceszint-versenyének eredményeit. A Nvidia utolsó terméke a listavezető, viszont a Google hamarosan bemutatásra kerülő, de hivatalosan még nem működő hardvere magasabb pontszámokat ért el, mint a Nvidia.

Az MLPerf azt méri, hogy különféle hardverkonfigurációknak mennyi ideig tart egyes gépitanulás-modellek begyakoroltatása. A feladatok között tárgydetektálás, képosztályozás, nyelvi fordítás, ajánlások és megerősítéses tanulás-célok szerepelnek.

Kilenc szervezet rendszerei átlagban 2,7-szer gyorsabban gyakoroltattak be modelleket, mint a novemberi teszteken. A teljesítménynövekedés egyértelműen jelzi, hogy milyen gyorsan fejlődnek a mesterségesintelligencia-hardverek, és persze az azokon futó szoftverek, például fordítóprogramok is.

A Nvidia 40 különböző konfigurációval vett részt az utolsó teszten. A kereskedelmi forgalomban hozzáférhető rendszerek közül az A100 GPU-n alapulók érték el a legmagasabb pontszámokat.

Ugyan még nincs a piacon, de nyolc feladatból hatban a Google negyedik generációs tenzorfeldolgozó egysége (TPU) teljesített a legjobban, amelynek a korábbi változatai elérhetők a Google Cloud platformon. A versenyen egyébként az Alibaba, a Fujitsu, az Intel, az Inspur, a Senzsen Intézet és a Tencent vett részt.

Érdekes módon, az ideghálók két „új lóerője”, a Cerebras és a Graphcore viszont kihagyta.

A gépi tanulással foglalkozó szakemberek gyorsabb és hatékonyabb energiahasználatú hardvereken dolgozhatnak, a gépteljesítmény értékeléséhez viszont az első tesztjeivel két éve jelentkező MLPerfhez hasonló konzisztens mértékek kellenek. Akkor még órák kellettek sok modell trenírozásához, ma viszont gyakran már csak másodpercek.

A felhasználó mozgását megtanuló műláb komoly előrelépés, mert amputált személyek sokkal természetesebben járhatnak, ritkábban fordul majd elő, hogy elesnek valamiben.

A Utah Egyetem kutatói pont ilyen szerkezeten dolgoznak. Az általuk fejlesztett robotláb gépi tanulás segítségével generál emberszerű lépéseket. Viselőjét akadályok elkerülésében is segíti, egyszerűen és teljesen természetesen átlép felettük.

Nem próbálja felismerni a felhasználó útját hátráltató akadályokat, hanem (helyette) az illető teste által kiadott jelzések alapján dönt. Az adott személy csípőjén lévő szenzorok másodpercenként ezerszer küldenek erre vonatkozó adatokat a szerkezet vádlijánál lévő feldolgozóegységnek. Például, az alapján, ahogy forgatjuk a csípőnket, a rendszer a térd behajlítását sugallhatja a lábaknak, mert így elkerüli, hogy belebotoljunk egy akadályba.

A boka és a comb által bezárt szögek, valamint a művégtagra nehezedő nyomás alapján dönti el, hogy mikor és hogyan kell behajlítani a térdet. Egy másik modell pedig akkor lép működésbe, amikor a művégtag sebessége és az említett szögek elérnek egy pontot. Ezzel a modellel akarják elkerülni a hirtelen mozdulatokat.

A művégtag megerősítéses tanulással dolgozik, mozgását e technika segítségével alkalmazza a felhasználó járásához.

A fejlesztés egyértelművé teszi, hogy a mesterséges intelligenciával irányított művégtagokat a felhasználók jobban tudják kezelni, és nagyobb a művégtagok feletti kontrolljuk.

A Utah Egyetem kutatói nincsenek egyedül.

A Michigani Egyetemen a térd és a boka mozgását elemezve, a felhasználó csípőizmainak tevékenységét a utahi fejlesztőkéhöz hasonló módszerrel előrejelző, nyílt forrású bionikus lábat dolgoztak ki.

2018-ban két kanadai diák kamerával felszerelt, gépi látást alkalmazó, azzal tárgyakat detektáló műkarja nyerte meg a Microsoft egyik díját (Imagine Cup). A szerkezet tud markolni, és a markolás finomhangolására is képes.

A Lausanne-i Szövetségi Műszaki Főiskola (EPFL) mechanikus karja a felhasználó izomtevékenységének mintázataiból tanul meg általános mozdulatokat. 

Az internetre kapcsolódó sütők, vízmelegítők, légkondicionálók és más nagyfogyasztású berendezések az energiaigények módosításának céljából is megtámadhatók, és a támadás következtében az árak változásával komoly károk okozhatók szabályozatlan piacokon – figyelmeztet a Georgia Tech friss tanulmánya.

Ha a meghackelt készüléket ki- és bekapcsolgatjuk, az igények mesterségesen növelhetők, illetve csökkenthetők. Botnetek így sokat segíthetnek gátlástalan szolgáltatóknak, beszállítóknak, akik komoly versenyelőnyre tehetnek szert. De az is elképzelhető, hogy egy ország velük okoz kárt egy másik állam energiapiacán.

Ha a változások bizonyos keretek között maradnak, rendkívül nehéz kideríteni egy ilyen támadást, és szinte nem is lehet megkülönböztetni a normális működés keretein belüli hibalehetőségektől.

A számunkra kedvező árváltozással nagyjából arról van szó, mintha egy nappal előre tudnánk, mi fog történni a tőzsdén.

A botnetek különösen a sokezer berendezésből összeálló dolgok internetében (Internet-of-Things, IoT) okozhatnak kárt. A támadó átveszi a hálózat feletti uralmat. Volt már példa hasonlóra, amikor internetre kapcsolódó kamerák és routerek eltérítésével veszélyeztették az online infrastruktúrát.

Az „IoT fölöző” néven ismert támadást a piac eredményes energiaellátást biztosító deregulációja teszi lehetővé. A szolgáltatók a jövőbeni kereslet és energiavásárlás előrejelzésével igyekeznek versenyképes árakkal kiszolgálni az igényeket. Ha az előrejelzések hibásak, jelentősen módosulhat a piac.

A kutatók nem tudták megállapítani, hogy történt-e már ilyen támadás. Azért nem, mert az IoT-berendezések, amellett, hogy nem biztonságosak, nem rendelkeznek monitoring funkciókkal.

Viszont az USA legnagyobb energiapiacai közül kettő, Kalifornia és New York valós adatait használva, kiértékelték egy hasonló támadás kivitelezhetőségét. Szimulációkkal, matematikai elemzésekkel kimutatták, hogy megvalósítható, és feltételezhető a célra alkalmas botnetek létezése, amelyeket egyébként nem is kell birtokolni, mert elég, ha a támadó bérel egyet a „sötét weben.”

Észak-Amerikában több mint 20 millió, nagyfogyasztású berendezésre (fűtőtest, légkondicionáló stb.) kapcsolódó „okos” termosztátot használnak. Ha a hacker kontrollálja őket, és csak minimálisak a változások, a fogyasztó semmit nem érzékel belőlük.

A kutatók megelőző lépéseket, integrált monitorozó rendszereket, az adatokhoz való hozzáférés szigorítását javasolják.

Az Intel, az MIT (Massachusetts Institute of Technology) és a Georgia Tech kutatóival együttműködve, két kóddarab hasonló tevékenységét kimutató automatizált motort fejlesztett. Az MISIM (Machine Inferred Code Similarity) még azokban az esetekben is elvégzi feladatát, ha a kóddarabok különböző szerkezeteket és algoritmusokat használnak.

MISIM sokkal hatékonyabban dolgozik, mint a mai legfejlettebb rendszerek, akár negyvenszer jobb teljesítményre képes. A jövőben kódajánlásoknál, automatizált hibajavításnál és más alkalmazásokban is számítanak rá.

A heterogén számítások, például az egynél több processzort használó rendszerek térhódításával a szoftverplatformok hihetetlenül komplexszé válnak. A gépi programozás automatizált, mesterséges intelligencia vezérelte eszközökkel igyekszik kezelni a problémát. A kódhasonlóság, azaz annak a ténynek a megállapítása, hogy két kóddarab hasonló tulajdonságokkal rendelkezik, vagy hasonló feladatokat hajt végre, az egyik kulcsmegoldás. Hatékony rendszereket viszont még alig építettek ezen a területen.

Az MISIM kontextus-tudatos szemantikai szerkezete (CASS) miatt eredményes. Mihelyst a kódszerkezetet a CASS-be integrálták, algoritmusok a kód munkája alapján hasonlóság-pontokat osztanak ki. Ha két kóddarab különbözőnek látszik, de ugyanazt a funkciót töltik be, a modell hasonlónak tartja őket.

A CASS úgy is konfigurálható, hogy specifikáljuk a kontextust, és így észleli a kódot magasabb szinten leíró információt. A kódot (más gépi nyelvre átültető) fordítóprogram nélkül is képes osztályozni, amivel megkönnyíti a fejlesztők munkáját.

Az Intel bővíteni szándékszik az MISIM funkcióit, az architektúrában programozó kutatókat hatékonyan segítő kódajánlót akar belőle csinálni. A rendszer felismeri az algoritmusok céljait, és szemantikailag hasonló, de jobb teljesítményű kódvariánsokat kínál fel.

Sok fejfájástól kíméli meg a fejlesztőket és más szakembereket. A Cambridge Egyetem felmérése alapján a programozók munkaidejük 50,1 százalékát programozáson kívüli tevékenységgel, míg a programozásra fordított idő felét hibajavítással töltik. Utóbbi összesen évi kb. 312 milliárd dollárba kerül. MISIM csökkenti a költségeket, a programozók pedig kreatívabb tevékenységekre összpontosíthatnak.

„Ha sikeresek leszünk a gépi programozással, egyik végső célunk, hogy a Föld lakossága képes legyen szoftvert alkotni” – nyilatkozta Justin Gottschlich, az Intel Labs gépiprogramozás-kutatásokat vezető tudósa.

A Covid-19 egyértelművé tette: csökkenteni kell a pénzügyi rendszer központjaitól való globális függést, mindenhol könnyebbé kell tenni az értékteremtést, és nemcsak a csomópontok, hanem a perifériák közötti kereskedést is támogatni kell.

A FinTech (pénzügyi technológia) a pénzügyi rendszer szerkezeti megerősítésének kulcsa, a szakterületi újítások különleges gazdasági és társadalmi előnyökkel járnak, a bankolásból kimaradó vagy azt kezdetleges körülmények között gyakran elhanyagoló lakosságszegmensek általuk kapcsolódnak a digitális gazdasághoz, növekednek a kisvállalkozások, új módszerekkel bővülnek a fogyasztók lehetőségei.

Ha az új Fintech szolgáltatásoknak alkalmazkodniuk kell a gazdasági felépülés gyors tempójához, meg kell bíznunk bennük, el kell hinnünk, hogy javaink védettek. A cyberbiztonság a bizalom alapkövetelménye.

A digitális valóság és a tőle való függésünk egyaránt nő, és a növekedés miatt biztonsági szükségleteinket folyamatosan, időben át kell gondolni.

A FinTech forradalom változatos biztonsági szintű szervezeteket köt össze. A csalók és bűnözők jelentette veszélyt az intézményeknek közösen kell kezelniük. Ezek a technológiák sokféleképpen tehetők biztonságossá, és nem mindig egyértelmű, mikor melyik keret nyújtja a legmagasabb szintű védelmet.

A jól bejáratott pénzügyi szolgáltatók többféle tesztre-kész keretet, szabványt és az iparág által vezérelt iniciatívát kínálnak. Utóbbiból rengeteg van, sok minősége vitatható. Ezért nehéz a FinTech erőforrásokat úgy kezelni, hogy a biztonság is meglegyen, és a kereskedelmi partnerségek elé se gördüljenek akadályok. Az elvárások miatt nőnek a költségek, kevésbé ellenőrizhető obskúrus cégek léphetnek elő új megoldásokkal. Ők azzal érvelnek, hogy túl kicsik a rosszfiúk támadásaihoz.     

A megoldás a cyberbiztonság alapszintű kontrollmechanizmusairól szóló kölcsönös megértés lehet. Ha ez a szint áttekinthető, akkor a szélesebb ellátási láncon is megoldhatóbb a védelem, amelynek következtében hamarabb nyélbe üthetők partnerségek.

A Világgazdasági Fórum ezzel kapcsolatos ajánlásokat fogalmazott meg és tett közzé. Lehetővé válik általuk, hogy a magánszektor és az állami szereplők együtt dolgozzanak ki a jelenlegi kereteken alapuló megoldásokat.

A gyerekcipőben járó FinTech megoldásokhoz közös cyberbiztonsági keret és értékelő folyamatok szükségesek, a további fejlődéssel lépésről lépésre kell majd, például egyre komplexebb, a technológia, a fenyegetések és az üzleti modellek változásaira reagáló kontrollmechanizmusok beépítésével alkalmazkodni.

A FinTechben benne van a lehetőség, hogy a Nagy Újraindítás közbeni újítások hajtóereje legyen.

A kínai Synched kiadvány, egy mesterséges intelligenciáról szóló anyag szerzői felmérték a technológia szerepét a hatalmas ország koronavírus-járvány elleni küzdelmében. Megállapították, hogy eddig közel 90 gépitanulás-alapú termék segített a harcban.

Az anyag esettanulmányokon keresztül mutat be öt területet: hőképalkotás, orvosi képalkotás, járványtan, kontaktok nyomon követése, gyógyszerek fejlesztése.

Az Infervision nevű cég például gépilátás-rendszert tanított be a CT-szkeneken látható tüdőszövetek tanulmányozására, tüdőgyulladásra utaló jelek detektálására. Az MI sokat segít személyek tehermentesítésében, illetve ha nincs elég szakképzett technikus a speciális adatok értelmezéséhez.

Egyes önkormányzatok a Yidu Cloud nyelvfeldolgozó platformot használva elemzik a hivatalos szervektől és egészségügyi rendszerektől kapott információkat. A gépi elemzések célja, hogy segítsenek nekik a vírus nyomon követésében, gócpontok előrejelzésében.

Kuangtung tartomány (székhelye Kanton) a MiningLamp Technology gépitanulás-platformjával keresi vissza, illetve követi a Covid-19 fertőzöttekkel kapcsolatba került személyeket.

Az Athena Security infravörös szenzora tömegeket szkennel, hogy a koronavírus-járvány egyik közismert tüneteként, lázas embereket találjon köztük. Amikor túlhevült személyt észlel, a számítási felhőben arcfelismeréssel azonosítja az illetőt, állapotát, lakcímét stb.

A Covid-19 elleni vakcinát fejlesztő kutatók a Baidu MI-alapú génszekventáló eszközével gyorsabban dekódolják a vírus genetikai szerkezetét.

A technikákkal értek el szép eredményeket, kritikusok azonban a gépi tanulás korlátaira is felhívják a figyelmet. Áprilisban például két kutatócsoport Covid 19-hez kapcsolódó modelleket auditált. Megállapították, hogy – legyen szó kórházi felvétel, diagnózisok, képalkotás és előrejelzés elemzéséről – több rendszer esetében észrevehetők a részrehajlás, a nem teljes objektivitás valamilyen szintű jelei.

Nem minden MI hatékony a Covid-19 ellen, és rendkívül fontos lenne megtalálni a célnak leginkább megfelelőket. Ember nélkül nem megy, mint ahogy az is kiderült: a gépi és a humán intelligencia együttműködése a koronavírus-járvány ellen is a legjobb receptek egyike.

A Kura Sushi japán étteremlánc a Tuna Scope okostelefonos alkalmazással osztályozza a beszállítói által kínált tonhalakat, a szushik és szashimik egyik nélkülözhetetlen alapanyagát.

A hivatásszerű tonhal-vizsgálók az állat farokrészének keresztmetszetét tanulmányozva, a szín-, a fény-, a szilárdság- és a zsírmintázatok alapján állapítják meg a minőséget. A tokiói Dentsu reklámcég által fejlesztett Tuna Scope lényegében ugyanezt teszi: a szakembereket utánozva dönti el, mennyire jó az adott hal.

Számítógépes látás, mesterségesintelligencia-szem segíti a szushi szerelmeseit, hogy minél jobb, csúcsminőségű magurót egyenek.

A modellt 4 ezer képen gyakoroltatták. A szakemberek által annotált fotókon tonhalfarkak keresztmetszete látható. A teszteken nagyon jó eredmények születtek: az app osztályzatai közel 90 százalékban megegyeztek a humán specialisták véleményével.

A tonhal-értékesítők az alkalmazással lefényképezik a hal farokrészét, majd a képet automatikus értékelésre az étteremlánc ágenséhez küldik, amely eldönti, hogy a tonhalat megvásárolják vagy sem.

Egy promóciós célú próbán a rendszer által nagyon magas pontszámmal osztályozott tonhalat kínáltak egy tokiói étteremben. A finomságot „MI tonhalnak” nevezték el. Mintegy ezren kóstolták meg, 90 százalékuk kifejezetten elégedett volt vele.

A Kura Sushi felhasznált tonhalainak 70 százalékát külföldről szerzi be. A Covid-19 miatt életbe lépett utazási korlátozásokkal ez azonban sokkal nehezebb, mint a világjárvány kitörése előtt volt. Az app megkönnyíti az étteremlánc munkáját: lényegében bárhol kifogott halat anélkül tudnak megvenni, hogy az alkalmazottakat ki kellene küldeni a helyszínre.

A japán példa jól szemlélteti, hogy a gépi látás mennyire hasznos diszciplína. A technológia a halak és tengeri gyümölcsök beszállítói láncának másik részein szintén előnyökkel kecsegtet.

A Microsoft például a halgazdaságok lazacait számláló és mérő programot fejlesztett, amellyel megkíméli a dolgozókat a helyszínre csónakázás/hajókázás fáradalmaitól. Az Egyesült Államok Nemzeti Óceán- és Légkörkutatási Hivatala (NOAA) hajóval szállított kamerát fejlesztett. A kamera rendeltetése a mélyben úszkáló halak megfigyelése. El akarják érni vele, hogy az alaszkai sárga tőkehalból véletlenül se legyen túlhalászás.

A kvantumszámítógépek áramköreit képező qubitek (kvantumbitek) egyelőre gyengék és sok hibát vétenek, többek között ezért is akadozik a technológia elterjedése. Az MIT (Massachusetts Institute of Technology) kutatói a problémát orvosló izgalmas megoldással álltak elő.

A qubitek – a klasszikus számítógép-rendszerek nulláinak és egyeinek a kvantumváltozatai – információtovábbítás közben hibázhatnak, hamar széteshetnek.

Az MIT-s csapat több qubitként felhasználható, szabályos atom összekombinálásával szupervezető, mesterséges „óriásatomokat” épített. Ezeket az óriásokat jóval könnyebb vezérelni, kontrollálni és normális működés közben, átlagos műveleteket végezve nehezebben semmisülnek meg, így az információ eljut a rendeltetési helyére.

A kutatásból és az azt bemutató tanulmányból kiderül: az óriásatomok segíthetnek abban, hogy a közeljövő kvantumszámítógépei valóban praktikusak legyenek.

A hagyományos qubitek szomszédos qubitekkel jól tudnak kommunikálni, de a hosszabb kvantumáramkörön elküldött információ már problémásabb, mert megsemmisülhet.

Ezzel ellentétben, az óriásatomok eleve úgy hangolhatók, hogy javítsanak az információ pontosságán, ráadásul mindaddig blokkolhatók is, azaz nem továbbíthatják az infót, amíg ezt valóban „hivatottak” megtenni. Tevékenységük pontosan időzíthető, míg a ma létező többi kvantumbité nem.

A kutatók bizakodnak, hogy óriásatomjaik egyszerűbb, de egyben fejlettebb kvantumszámítógépekhez vezetnek.

„Lehetővé teszik számunkra, hogy kísérleti úton bizonyítsuk be a fizika új rendszerét, amihez természetes atomokkal nehéz hozzáférni. Az óriásatomok hatása nagyon egyértelmű, könnyű megérteni és megfigyelni” – írta egy sajtóközleményben Bharath Kannan MIT-s mérnök, majd elmagyarázta, hogy viszonylag egyszerű módszerrel dolgoztak, ami azt is jelenti, hogy megoldásukat a jövőben túl sok fejtörés nélkül mások is használhatják, és így számos alkalmazás várható.

A depresszió valószínűleg az őskortól meglévő betegség, tehát nagyjából egyidős az emberi civilizációval. Hippokratész melankóliának nevezte, de ő még csak lelkiállapotként beszélt róla, lényegében a medicina 19. századi gyors fejlődése óta tartják betegségnek.

A hivatalosan depressziós zavarnak hívott jelenség szinte bármilyen helyzetben fennálló, többnyire önbizalomhiánnyal és mindenféle lelkesedés elvesztésével járó lehangoltság. Okai változatosak, genetikai, pszichológiai és környezeti tényezők együttese.

A kanadai Albertai Egyetem új gépitanulás-modellje írott szövegekben képes felismerni a betegség korai jeleit – állítják a felsőoktatási intézmény kutatói.

A Nawshad Farruque, a Számítástudományi Kar másoddiplomás diákja által fejlesztett modell rendeltetése, hogy a depresszió mindennapos kommunikációban, például Twitter-tartalmakban megtalálható korai jeleit azonosítsa.

„Kutatásaink konklúziója, hogy tudunk hasznos előrejelző modelleket építeni. Ezek a modellek pontosan azonosítják a depressziós nyelvezetet. A modellt ugyan a Twitteren használjuk erre a célra, de más médiumokra is könnyen alkalmazható” – magyarázza Farruque.

Az angol nyelvű megoldást online depresszió-fórumokon depressziósként azonosított írott szövegminták felhasználásával dolgozták ki.

„Ez az első tanulmány, amely kimutatja, hogy a depressziós szövegek speciális nyelvi megjelenítést használnak. Bebizonyítjuk, hogy lehetséges azonosítani, áthelyezni és további nyelvi depresszió-kimutató feladatokban alkalmazni” – folytatja Farruque.

A modell sok potenciális alkalmazással kecsegtet – a betegség korai jeleinek azonosítása mellett orvosoknak is hasznos lehet: folyamatosan monitorozhatják vele a pácienseikre kitalált gyógymód hatékonyságát.

„A depressziós nyelvezetet detektáló algoritmus idős személyekkel beszélgető chatbotba integrálható, amely aztán felcímkézi a magány és a depresszió jeleit. Egy másik potenciális alkalmazásban folyamatosan figyeli főiskolások üzeneteit, hogy kiderüljön: depressziósak vagy sem” – vetíti előre a jövőt a fejlesztő.

Gundam egy 1979-ben indult kultikus japán anime-sorozat, katonai környezetben ténykedő mechanikus robotokkal. A címszereplő legalább ötven televíziós műben és filmben, mellette pedig seregnyi videojátékban és mangában is felbukkant, önálló stílussá, a név brand-dé vált.

Gundam legenda.

Január óta a sci-fi hős valódi másán dolgoznak, egy 18,22 méter (60 láb) magas robotot fejlesztenek. A Covid-19 ugyan több projektnek (remélhetőleg csak ideiglenesen) véget vetett, de Gundam fejlesztése töretlenül folyik. A tervek annyiban módosultak, hogy júliusi élő bemutatóról volt szó, amelyet aztán a járvány miatt lefújtak.

Az óriási gép október 1-én, a Tokiótól délre fekvő, a gyakorlatban a fővárossal összenőtt Yokohamában áll munkába, és minimum egy teljes évet le fog ott dolgozni.

Már most tesztelik, munkások daruról érintik meg, miközben az óriás leteszi a jobb lábát és elforgatja masszív felsőtestét. Lábára még nem tud nyomást kifejteni, amit nyilván hamarosan kidolgoznak. A fő testrészeket illetően, egyelőre csak a feje hiányzik, az viszont nagyon.

Mihelyst elkészül, szinte hihetetlen 24 szabadságfokkal fog rendelkezni, azaz a monstrum képes lesz helyváltoztatásra, szinte bárhol, bármilyen terepen tud majd járni. Elképesztő tömege lesz: 25 tonna, ami a fejlesztők szerint inkább a pehelysúly kategóriába tartozik, mert sokkal masszívabb is lehetne.

A tömeghatékonyság a gondos tervezői és mérnöki munka dicsérete. Egy videón látható, hogyan tervezték, építették és szerelték össze. A méretről sokat elárul, hogy Gundam fém ujjbegyétől a csuklóig tartó rész közel 2 méter hosszú. A hüvelyk- és a többi ujjat alaposan kidolgozták, a fejlesztő, a Gundam Factory Yokohama nyilvánvalóan komoly teljesítményt vár tőlük.

A tervezést vezető Jun Narita elmondta, hogy az anyagot és a motorokat is gondosan kiválogatták, máskülönben csak egy kéz közel 600 kilogramm lett volna.

„A tömegkorlátozás olyan, mint egy átok” – fejtette ki véleményét Narita.