A virtuális valóság (virtual reality, VR) népszerű tréningeszközzé vált. A felnagyított valóságérzetet adó közeg segíti a tanulási folyamatot, lehetővé teszi olyan dolgok gyakorlását, amelyeket máskülönben lehetetlen lenne, többek között biztonsági feladatok megoldását. Másrészt új alkalmazottak képzésében is sokat segít, például a Walmart használja erre a célra.

A technológia hamarosan meghódíthatja az irodákat is.

„Fokozódó érdeklődést tapasztalunk az interjúzási képességekkel, nehéz beszélgetések levezetésével, teljesítményértékeléssel, értékesítéssel, legjobb módszerekkel stb. kapcsolatos gyakorlást segítő termékek iránt” – nyilatkozta a munka jövőjével foglalkozó, arra vonatkozó AR- (augmented reality, kiterjesztett valóság), VR- és MI-megoldásokat kínáló Talespin vezérigazgatója, Kyle Jackson.     

A cége által fejlesztett virtuális karakterek például „puha” menedzseri képességek elsajátításában segítenek. Egyikük, Barry – kissé bizarr –rendeltetése, hogy figyelmesen hallgassa, ahogy főnöke kirúgja.

Utána vagy tiltakozik, vagy sír egy keveset.

Lényeg, hogy ne rendezzen jelenetet. Ha túl kemények vagyunk vele, fejét kezébe temeti, de könnyen kiabálhat, ordíthat is. A főnöknek vigyáznia kell vele, tapintatosan kell közölnie mondandóját.

Amikor a szimulációban a felhasználó interakciót folytat Barry-vel, többszáz féle lehetséges beszélgetésen mehet végig, hogy aztán kiderüljön: hatékony volt, vagy sem.

Számítógépek, algoritmusok gyakran monitorozzák a dolgozók teljesítményét, munkájuk outputját. Ugyanakkor az általános vélemény szerint a közösségi és érzelmi adottságokra nem terjed ki az automatizáció.

Barry mást sugall.

„Amikor egy szervezet a munka jövőjéről és az ahhoz szükséges kompetenciákról beszél, a puha készségeket a legfontosabbak közé sorolják, és nem tűnik úgy, hogy ez megváltozna” – folytatja Jackson.

Barry és a hozzá hasonló, realisztikus, bár szkriptet követő, így nem természetes interakciókat kivitelező avatár hatékonysága attól függ, mennyire vagyunk meggyőzőek a vele folytatott kommunikációban.

Már dolgoznak természetesebben viselkedő avatárokon, gépi tanulást használnak hozzá. Egyelőre azonban távol vagyunk attól, hogy ezek a karakterek például a testbeszédre is életszerűen reagáljanak.

Négy éve 700-nál több számítástudományi szakember versenyzett, hogy az amerikai nyolcadikos tudományvizsgát sikeresen vevő mesterségesintelligencia-rendszert építsen. Egyik MI sem vette az akadályt, még a legjobb sem teljesítette túl a 60 százalékot. Nyelvi és logikai képességeik egyszerűen nem érték el a megkövetelt szintet.

Néhány napja viszont a Seattle-i Allen Mesterséges Intelligencia Intézet Aristo nevű új rendszere átment, a nyolcadikos szintű kérdések több mint 90, a középiskolát záró tizenkettedik évfolyamszint kérdéseinek több mint 80 százalékára helyesen válaszolt.

Az eredmény jelzi a terület elmúlt négy évbeli fejlődését. Az MI-k jobbak lettek a természetesnyelv-megértésben, pontosabban utánozzák az emberi logikát és döntéshozást.

Aristot kifejezetten többválaszos tesztre találták ki. New Yorki diákok írásbeli vizsgájára ment. A kutatók annyit módosítottak az anyagon, hogy az ábrákat és diagramokat tartalmazó kérdéseket eltávolították belőle. E kérdések megválaszolásához ugyanis a nyelvértést és a logikát számítógépes látással kombináló készségekre lenne szükség.

Egyes feladatoknál az információkinyerésnél kicsit többre volt szükség.

( Magyarul: „Speciális tevékenység kivitelezése miatt együttdolgozó szövetcsoportot (a) szervnek, (b) szervezetnek, (c) rendszernek, (d) sejtnek nevezünk.")

Más feladatokhoz pedig logikát kellett használni.

(Magyarul: „Milyen változás hatására a legvalószínűbb, hogy egy területen csökken a mókusok száma? (a) ragadozók számának csökkenése, (b) mókusok közötti versengés csökkenése, (c) a hozzáférhető élelmiszer növekedése, (d) erdőtüzek számának növekedése.”)

Aristot, a „digitális Arisztotelészt” 2013-ban, a labor alapítása után kezdték fejleszteni. Az átlag tudománytesztekben a mesterségesintelligencia-kutatás többi szintmérőjénél (sakknál, dámánál, illetve csak gépekre kitalált feladatoknál) jóval megbízhatóbb mércét láttak.

Egy tudományvizsga csak a tanulási szabályok ismeretével nem abszolválható. Dolgok közötti kapcsolatokat kell észrevenni, ami logika nélkül nem megy. Például, hogy az erdőtűz terjedése miatt meghalhatnak mókusok, vagy csökken az élettevékenységükhöz, szaporodásukhoz nélkülözhetetlen élelmiszer.

Aristo sikere mérsékelt lelkesedést váltott ki. A szakemberek ugyan örülnek neki, viszont hangsúlyozzák: távoli még a természetes nyelv tökéletes kezelése, igazi intelligenciával rendelkező MI-k pedig még messzebb vannak.

„A technológiát nem hasonlíthatjuk valódi diákokhoz, érvelési képességükhöz” – jelentette ki az Allen Intézet több projektjében résztvevő Microsoft-kutató, Jingjing Liu.

Aristo viszont internetes keresőmotoroktól kórházi feljegyzéseket gyűjtő rendszerekig, sokféle terméket és szolgáltatást eredményezhet.

A mélytanulással (deep learning) felturbózott kép- és videomanipuláció, az úgynevezett deepfake jelenség, a kamuképek, egy rendkívül izgalmas és ígéretes terület árnyoldalát villantja fel. Ha valamit tenni akarunk ellene, ugyanazokat a technikákat kell használni. Gépitanulás-rendszereknek képesnek kell lenniük megtrükközött képek felismerésére.

A jelenség viszonylag új, és a harc különlegessége, hogy a detektálás módszerei az alkotás módszereivel versengenek. Minél meggyőzőbb hamis vizuális anyagok jelennek meg rendszeresen, annál nagyobb az esély, hogy valaki kompromittáló helyzetben szembesül saját magával.

Több hírességgel előfordult már, ugyanakkor a kamuképek jelentős része nem rosszindulatból, hanem kreatív vágyból készül.

A Facebook, a Microsoft, a Partnership for AI, több egyetem (Oxford, Berkeley, Massachusetts Institute of Technology stb.) összefogott, és jobb detektáló technikákat szándékoznak kidolgozni.

„A mesterséges intelligencia legérdekesebb fejlesztései akkor jönnek létre, ha egy adatsorban egyértelmű a mérce, a szint, és annak felülmúlására találnak ki valamit. Tárgyfelismerésre használt adatsorok többmillió képet tartalmazhatnak, hangátiratok sok óra különféle beszédet. A deepfake jelenségre nincs ilyen adatsor” – jelentette ki Mike Schroepfer, a Facebook technikai igazgatója.

A közösségihálózat-óriás 10 millió dollárt szán a Deepfake Felderítési Versenyre, amelyben adatsorokat hoznak majd létre, a résztvevők pedig jóváhagyják képek, videók felhasználását, hogy később egyiküket se érje meglepetés.

„Először lesz egy videoforrásokból álló adatsor, majd a videókra rakható személyekből is egy. Utána a legfejlettebb deepfake technikákkal generálunk módosított videókat, amelyek szintén az adatbázishoz fognak tartozni” – folytatja Schroepfer.

Az arcokhoz nem a Facebook anyagait használják, hanem fizetett színészek is részt vesznek a projektben.

Az adatsorokat az érintettek megkapják, megoldásokat dolgozhatnak ki rájuk, amelyeket tesztelhetnek is. Komoly versengés alakulhat ki felsőoktatási intézmények, kutatók között.

„A nyílt környezetben a teljes kutatói közösség részvételére van szükség a manipulált multimédia negatív hatásait kiderítő és mérséklő módszerek és rendszerek fejlesztéséhez” – nyilatkozta Rama Chellappa (Maryland Egyetem).

Az adatsorokat először egy októberi gépilátás-konferencián tesztelhetik.

A tokiói SE4 robotszoftver fejlesztő cég (a Universal Robots ipari projektje) Squeetie nevű új építőipari robotjai emberi mozdulatokat, ásást és tárgyak (valódi kőkockák) egymásra rakását utánozva tanulnak bele a munkába. Az SE4 hardver helyett a gépekkel folytatott kommunikációt segítő szoftverre összpontosít.

Pavel Savkin főmérnök elmesélte az első kísérletet, amikor a robot utánozta a mozdulatait, és befejezte a kotrógépnek tartott manuális bemutatót. A szoftverfejlesztésben ő is részt vett, a robot pedig mozdulatról mozdulatra sikeresen lemásolta a tevékenységét.

„Mintha valami élő lett volna ott, pedig tudtam, hogy én vagyok” – nyilatkozta a kutató.

A júliusi Los Angelesi SIGGRAPH konferencián egy másik szakember, a VR (virtuális valóság) headsetet viselő, a mozdulatokat kézi kontrollerrel betanító Nathan Quinn tartott bemutatót.

Amikor Quinn a 3D-s virtuális térben kőkockákat mozdított el, a szoftver a valóságban történő kivitelezéshez szükséges utasítássort tanult meg. Távépítkezésnél a robotokkal valahogy kommunikálni kell a feladatokat. Bevett, hogy egy számítógépnek lemásolják, csakhogy ezúttal többről, nagyobb kihívásról van szó – távoli tárgyakat kell valósidőben megmozgatni.

Dinamikus környezetben a közeg változásaira vonatkozó visszacsatolásokra is szükség van, amit ezúttal a gyártásban, az egészségügyben és a hadi iparban már alkalmazott VR és AR (kiterjesztett valóság) technikákkal oldottak meg.

Savkin elmondta, hogy ásó- és építő robotflottájuk egy szép napon a Marson is dolgozhat. Jelenleg a földi operátor és az űrben tartózkodó gépek közti kommunikációs késések és hatásaik minimalizálásán munkálkodnak. Másrészt, sikeres kommunikációhoz a robotnak a földi utasításoktól félig vagy teljesen függetlenül kellene működnie.

Az SE4 a gépi autonómia és az emberi irányítás ideális arányát próbálja meghatározni. A robotoknak ezért tanítják meg mikromozdulatok logikai egységekbe csoportosítását, csoportokon belüli, csoportok közötti kapcsolatok megítélését.

Ezen a ponton válik kitüntetett jelentőségűvé az SE4 Szemantikus vezérlés szoftvere. A robot leszkenneli környezetét, a nyers adatokat eljuttatja az operátorhoz, a körülötte lévő objektumokat és jelentésüket viszont nem tudja azonosítani.

A humán operátor ekkor annotálja, felcímkézi az objektumokat, jelentést társít hozzájuk. Segít a robotnak, hogy az építkezés megkezdése előtt értelmezze az ottani tárgyakat.

A változó környezet megértése fontos, de csak kezdeti lépés az MI tényleges függetlensége felé.

Kormányok és a rendőrség által a lakosság megfigyelésére használt arcfelismerő technológiák sokáig csak disztópikus sci-fikben szerepeltek, de az infokommunikáció fejlődésével a látomás valósággá vált.

Amerikai bűnüldöző szervek bűnügyi dossziékban nem szereplő személyeket is azonosítanak közlekedési nyilvántartásokban található adatok alapján. Természetesen az illetők beleegyezése nélkül, mint ahogy az arcfelismerést a „köz” hangulatának és viselkedésének monitorozására, azaz stratégiai eszközként használó kínai hatóságok sem kérdezik meg az állampolgárok véleményét.

Mindezek tükrében, meglepő eredményt hozott a Pew Kutatóközpont arcfelismerésre vonatkozó, reprezentatív felmérése. A kérdésekre 4272 amerikai válaszolt, és kiderült, hogy 56 százalékuk szerint a bűnüldöző szervek felelősen használják az arcfelismerést, 59 százalék egyetért közterek biztonsági okokból történő folyamatos megfigyelésével. A felmérésből azonban az is egyértelművé vált, hogy nagyon hiányosan ismerik a technológiát.

Ezzel szemben, kevésbé támogatják, ha techcégek vagy a reklámipar használja ezeket a megoldásokat.

A teljes lakosságot reprezentáló megszólaltatottak mindössze 36 százalék találta úgy, hogy a techcégek felelősen alkalmazzák az arcfelismerést, és csak 5 százalék bízik nagyon bennük. A reklámozók esetében még lesújtóbb, 18, illetve 2 százalék az eredmény.

A kérdőív egyik legtanulságosabb része, hogy az amerikaiak szerint mennyire eredményes az arcfelismerés. 73 százalékuk szerint a technológia „valamennyire” vagy „nagyon” hatékonyan azonosít személyeket. 63 százalék mondott igent a nem, 61 a bőrszín szerinti pontos azonosításra.

Ezek a számok éles ellentétben állnak sok tanulmány különösen nem fehér férfiakra vonatkozó adataival.

A pontatlanság nagymértékben a technológia hiányos ismeretével magyarázható. A megkérdezettek 86 százaléka ugyanis hallott valamit, és mindössze 25 százaléka hallott csomószor az arcfelismerésről, azaz sokan csak kapisgálják, hogy miről is van szó.

Elég egyértelműnek tűnik, hogy az amerikaiak többsége ugyan bízik a technológia bűnüldözési célú felelős használatában, viszont nem tudják pontosan, hogy a rendőrség mire használja azt, és mit jelenthet sok állampolgár számára.

Egyes játékoktól az arcfelismerésig, a gépi intelligencia sok területen felülmúlja az embert. Csakhogy az MI-rendszerek képtelenek több feladatot kezelni, így a legfontosabb következő cél egyetlen területen emberfeletti képességgel rendelkező helyett több területen jó átlagot hozó rendszer fejlesztése.

Hasonlóval, emberekkel interakciókat folytató és változatos feladatokat abszolváló MI asszisztens létrehozásával próbálkozik a Facebook Research is. Az asszisztens tanul az interakciókból, és így mindig több és több feladat elvégzésére lesz alkalmas.

A munkát vezető Arthur Szlam és kollégái a 3D-s Minecrafton, minden idők legjobb eladási mutatóival rendelkező videojátékán gyakoroltatják az MI-t. (Havi 90 millió gamer játszik rajta, 170 milliónál többet értékesítettek belőle.)

A játék azért különleges, mert végtelen variációs lehetőséget kínál, egyszerűek a szabályai, és bizonyos korlátokig előrejelezhető, azaz ideális egy gépi értelem számára. Nem véletlen, hogy (a Facebookon kívül) többféle MI-rendszert tesztelnek rajta.

Szlamék célja, hogy asszisztensük emberek által meghatározott egyszerűbb feladatok sokaságát oldja meg.

Tőlük tanul.

„Első látásra rengeteg dolgot tehetünk, az építőkockákat szinte minden lehető módon elhelyezhetjük” – magyarázza Szlam, de aztán kifejti, hogy a lehetséges elrendezések nagy többsége valószínűtlen lépés, és mindig csak egy kis rész marad, amiben egy MI sokat segíthet.

A kutatók szerint asszisztensük még akkor is hasznos lesz, ha több feladatban hibázik. Ezzel együtt az MI komoly kihívásoknak néz elébe, például meg kell értenie az emberi beszédet.

Ha az egyik játékos azt mondja neki, hogy építsen 15 kocka magas tornyot, és tegyen a tetejére egy mosoly-jelet, az asszisztensnek pontosan tudnia kell, mi a feladata. Ez az utasítás ugyan viszonylag egyszerű, megvalósításához mégis előzetes ismeretekre van szüksége: tisztában kell lennie azzal, hogy mi az a 15, mi valaminek a tetején lenni, mi a mosoly-jel stb.

Ha a Facebook elég humán segítséget kap, a tanulási lehetőségek óriásiak, és az MI a korábban begyakoroltak mellett sok új feladatot elsajátíthat. A Minecraft ideális környezet hozzá.

Szlam figyelmeztet: egyelőre a kezdet kezdetén járnak.

Az MIT (Massachusetts Institute of Technology) kutatói évek óta együtt dolgoznak a Fejlett Nagyvárosi Megoldások Amszterdami Intézetével (AMS Institute), hogy a holland metropolisz csatornáin autonóm csónakok is közlekedjenek.

A robot és a boat (csónak) szavakat összevonó Roboat nevű projekt keretében szenzorokkal, mikrokontrollerekkel, GPS modulokkal, kamerákkal és más hardverrel felszerelt derékszögű hajótestek prototípusát 2016-ban tesztelték. A csónak előreprogramozott útvonalat követett az egyik csatornán, előre és hátra is tudott mozogni.

A kutatók tavaly az eredeti változat negyedére zsugorított, fejlett útirány-követő algoritmussal működtethető gépet nyomtattak, amely elődeinél hatékonyabbnak és ügyesebbnek bizonyult. Júniusban a csónakok egymáshoz kapcsolódását szabályozó, bukásukat megakadályozó biztonsági reteszmechanizmust dolgoztak ki.

A megoldás azt jelenti, hogy a robotizált vízi járművek csoportosan, rajként (multiágens-rendszerként) is tudnak közlekedni.

A legújabb – augusztus 22-i – közlemény, egy nemzetközi konferencián bemutatott algoritmus alapján a járműveket újabb adottsággal ruházták fel – most már alakváltoztatásra is képesek. Az algoritmus lehetővé teszi, hogy a gépek egy adott konfigurációban kezdjenek mozogni, szétváljanak, másfelé tartsanak, majd új konfigurációban álljanak ismét össze.

A kutatók bizakodnak, hogy az újítás segíthet Amszterdam hivatalos szerveinek, és a gépek közreműködésével újra kihasználhatnak az elmúlt években viszonylag elhagyatott 165 csatornát.

„Egy csónakcsoport úgy állhat össze lineáris alakzatokká, hogy közben például ideiglenes hidat képezhetnek, ha a csatorna egyik oldaláról a másikra kell eljuttatni tárgyakat. De virág- vagy élelmiszerpiacra is kialakíthatunk szélesebb tereket” – magyarázza Daniela Rus, az egyik fejlesztő.

Szimulációkon a robotegységek alkotta csoportok egyenes vonalból háromszögekké, négyszögekké és más formációkká fejlődtek. Egy-egy átalakulás mindössze percekig tartott. Minél komplexebb a változás, minél több (elvileg akár több tucat) csónak vesz részt benne, és minél nagyobb az eltérés a két alakzat között, a folyamat annál több időt vesz igénybe.

A rendszert 2020-ban tervezik tesztelni. A világ első autonóm csónakokból álló hídja 60 méteres csatornát lesz hivatott átszelni.

A Nemzetközi Űrállomáson (ISS) a „mini agyaknak” vagy „organoidoknak” nevezett idegsejt-csoportok tudósok által előzetesen elképzelhetetlennek tartott módon fejlődnek.

Az organoidokat Alysson Muotri, a San Diegói Kaliforniai Egyetem biológusa és munkatársai tenyésztették. Emberi bőrszöveteket őssejtekké alakítottak, majd úgy alakították őket, ahogy az agysejtek fejlődnek egy embrióban.

Tűhegy méretű labdácskákká nőttek, mindegyik többszázezer különféle sejtet tartalmaz. Az összes sejtfajta ugyanazokat a vegyi és elektromos jeleket adja le, mint az emberi agyban lévők.

A NASA júliusban az ISS-re küldte az organoidokat. A küldetés célja, hogy megfigyeljék, hogyan fejlődnek a súlytalanságban.

Az Űrállomáson – Muotri szavaival élve – „őrült módon reprodukálódnak.” Koraszületett csecsemőkhöz hasonló agyhullámokat, azaz az idegtevékenység komplex mintázatait bocsátják ki magukból.

Az eddigi meglepő eredmények a tudósokat a laboratóriumban tenyésztett miniszervek határainak és a kapcsolódó etikai kérdések újragondolására kényszeríthetik.

Muotri pókformájú robotokhoz kapcsolta az organoidokat, mert így tudja tanulmányozni idegtevékenységüket. A kutatás azzal az eredménnyel zárulhat, hogy tudósok képesek lehetnek laborban kikísérletezni valamilyen szintű tudatossággal rendelkező „létezőket”.

„Minél közelebb kerülünk a célhoz, annál valószínűbb, hogy érzésekre képes, érzeteket, például fájdalmat, gyötrelmet, kínokat átélő agyat hozunk létre” – nyilatkozta Christof Koch, az Allen Agyintézet igazgatója.

Az emberi agy azonban annyira összetett, hogy még a legmodernebb kutatások is csak a felszínt kapirgálják, rengeteg a találgatás. Pontosan ezért népszerű a mini agyak koncepció – a viszonylag egyszerű idegsejt-csoportok az egész agy egyes jellegzetességeit szimulálják, a teljességtől viszont beláthatatlan messze vannak.

Az ISS-en tapasztaltak azonban arra utalnak, hogy az organoidok még így is lényegesen komplexebbek, mint gondoltuk.

„Egyes munkatársaim szerint sohasem lesznek tudatosak. Nem vagyok biztos benne” – mondta Muotri.

„Döbbenetes. Senki nem hitte, hogy lehetséges. Azt fogják mondani, hogy olyan agyak, mint a koraszülött gyerekeké. Pedig nem, nem azok” – nyilatkozta Giorgia Quadrato, az egyetem egy másik biológusa.

Adatközpontokban több tízezer, folyamatosan adatokat feldolgozó szerver van. Klasztereket ütemező algoritmusok valósidőben osztják szét közöttük a feladatokat; egyrészt a hozzáférhető erőforrásokat akarják hatékonyan kihasználni, másrészt gyorsan el kívánják végezni a munkát.

Az algoritmusokat meghatározott elvek alapján emberek finomhangolják. Mivel a munkaterhek (kombinált feladatok csoportjai) viszont minden méretben megtalálhatók, ember számára lehetetlen feladat az azokat ütemező algoritmus esetenkénti optimalizálása.

Az MIT (Massachusetts Institute of Technology) Számítástudományi és Mesterséges Intelligencia Laboratóriumának kutatói elhatározták, hogy a problémával kapcsolatos összes manuális kódolást gépekre bízzák. Rendszerük próba-hiba alapú, megerősítéses tanulással (reinforcement learning, RL) dolgozik, és igyekszik specifikálni a munkaterheket.

A kivitelezéshez komplex munkaterhekre is érvényes, speciális RL-technikákat dolgoztak ki. A számítási erőforrásokat rendkívül gyorsan feldolgozó rendszer mindaddig sok lehetséges módon igyekszik azokat elosztani, míg az ideálisra rá nem talál. Adatközpont és munkateher függvényében tanulja meg az ütemezés-stratégia használatát, hangolását.

Nincs szüksége emberi beavatkozásra, a feladat-végrehajtásban 20-30-szor, de még „csúcsidőben” is minimum kétszer gyorsabb a legjobb kézzel „írt” ütemező algoritmusoknál.

Kutatások kimutatták, hogy a rendszer hatására adatközpontok ugyanazt a munkaterhet gyorsabban és kevesebb erőforrást használva kezelik. Ráadásul ezekben az esetekben még a legkisebb, például 1 százaléknyi előrelépés is többmillió dollár és rengeteg energia megtakarítását jelenti.

Adatfeldolgozásnál az elvégzendő számításokat megjelenítő csomópontokat és az azokat összekötő éleket használnak. Minél nagyobb egy csomópont, annál több a munka. Az ütemező algoritmusok szerverekhez osztják ki a csomópontokat, az adatközpont pedig csomópontok és élek alkotta gráf.

A hagyományos RL nem szokott hozzá ennyire dinamikus gráfok kezeléséhez. A rendszerek szoftverágensekkel dolgoznak, az MIT-fejlesztés is ilyen ágenst használ ütemező algoritmusként. A tanuláshoz a sokféle gráf-szekvencia által szimulált folyamatokat (munkaterhelést, adatközpontokat stb.) használta fel, majd döntött a csomópontok elhelyezéséről. Minden egyes döntése feladat-végrehajtást jelent, amit a rendszer a munkaidő minimalizálása stb. alapján „jutalmaz.” Az ágens mindaddig próbálkozik, amíg el nem éri a lehető legtöbb jutalompontot.

A kutatók elmondták, hogy újításuk nagyon sokféle számítógépes rendszerre alkalmazható. A rendszer egyelőre a bejövő online forgalmat újraalkotni próbáló valósidejű szimulációkon gyakorol. Utána jön a szervereket potenciálisan lebénító, tényleges forgalom. Az összeomlást megakadályozandó, a rendszert adott esetben leállító „biztonsági hálót” is fejlesztenek.

A fejlett országokban a mai csecsemők és bölcsődések egyre inkább úgy nőnek fel, hogy környezetükben mind több emberszerű robotikus készülék és oktatási eszköz tűnik fel. Az úgynevezett Alpha generáció az első robotokkal, mint barátokkal felnövő nemzedék.

A gépek sokat segíthetnek nekik készségek elsajátításában, felgyorsíthatják a tanulást, viszont össze is zavarhatják őket. Többen ugyanis azt hiszik, hogy a robotok okosabbak az embereknél, egyesek pedig mágikus hatalmat tulajdonítanak nekik.

Kisgyerekek többet látnak a gépekbe, mint amik valójában, és érzelmileg is kötődhetnek hozzájuk.

Egyelőre nem ismerjük a mesterségesen intelligens eszközökkel történő cseperedés hosszútávú következményeit. Amerikai kutatók a tanuláson kívüli tevékenységeket és hatásaikat is vizsgálják, így is próbálják megérteni az MI-k működését.

Craig Le Clair, a Forrester elemzője szerint meg kell tanítani a gyerekeknek az „együttműködhetek és dolgozhatok gépekkel, nem fenyegetnek engem” attitűdöt, és ezt az oktatást már a bölcsödében célszerű lenne elkezdeni.

Cynthia Breazeal, az MIT (Massachusetts Institute of Technology) Médialaboratóriumának világhírű kutatója személyes robotika csoportot vezet az intézményben. A PopBots tantárgy részeként már négyéves gyerekeknek is igyekszik megtanítani az MI tanulási módszerének az alapjait, amelyekből kiindulva a gép később értelmezi a világot. Például meg kell mutatniuk egy-egy robotnak, hogy hogyan működik a kő, papír, olló játék stb.

Breazeal elmondta, hogy gyerekek általában nyolcéves kortól kezdik átvenni szüleik technológiákhoz fűződő viszonyát, így a szülőknek nagyon előrelátónak kell lenniük, hogy hogyan beszélnek robotokról.

Ugyanakkor óva int a „gyerekek jó barátja” és hasonló szövegekkel reklámozott vagy tanácsokat adó robotjátékoktól. Túlzottan kötődnének hozzájuk, és lényegében egy sem elmével, sem lélekkel nem rendelkező eszköz utasításait követnék.

A szülőknek arra is vigyázniuk kell, hogy hiába nagyon emberi küllemű a gép, véletlenül se társítsanak hozzá nemet. A gyerekeknek tisztában kell lenniük azzal a ténnyel, hogy játékaik elsősorban gépek, a velük folytatott kommunikáció pedig sok évtizedes, óriási emberi erőfeszítés eredménye.