Miesiąc: czerwiec 2021

Organizacja Narodów Zjednoczonych definiuje ją jako broń, która może lokalizować, wybierać i eliminować ludzkie cele bez interwencji człowieka. Podstawowym problemem związanym z taką bronią jest jej skalowalność: brak wymogu nadzoru człowieka oznacza, że ​​mała grupa może rozmieścić arbitralnie dużą liczbę broni przeciwko ludzkim celom określonym przez dowolne możliwe kryterium rozpoznania. Technologie potrzebne do broni autonomicznej są podobne do tych potrzebnych w samochodach autonomicznych. Nieformalne dyskusje ekspertów na temat potencjalnych zagrożeń związanych ze śmiercionośną bronią autonomiczną rozpoczęły się w ONZ w 2014 r., a w 2017 r. przeszły do ​​formalnego etapu poprzedzającego zawarcie traktatu przez grupę ekspertów rządowych.

Francis Bacon, filozof, któremu przypisuje się stworzenie metody naukowej, zauważył w The Wisdom of the Ancients (1609), że „sztuki mechaniczne mają niejednoznaczne zastosowanie, służąc zarówno do zranienia, jak i do leczenia”. Ponieważ sztuczna inteligencja odgrywa coraz ważniejszą rolę w sferze gospodarczej, społecznej, naukowej, medycznej, finansowej i wojskowej, dobrze byłoby rozważyć szkody i środki zaradcze – we współczesnym języku, zagrożenia i korzyści – jakie może przynieść. Podsumowane tutaj tematy zostały omówione bardziej szczegółowo w rozdziałach 27 i 28 . Zacznijmy od korzyści: mówiąc wprost, cała nasza cywilizacja jest wytworem naszej ludzkiej inteligencji. Jeśli mamy dostęp do znacznie większej inteligencji maszyn, pułap naszych ambicji znacznie się podnosi. Potencjał sztucznej inteligencji i robotyki w uwolnieniu ludzkości od służalczej, powtarzalnej pracy i dramatycznym zwiększeniu produkcji towarów i usług może zwiastować erę pokoju i obfitości. Zdolność do przyspieszenia badań naukowych może zaowocować lekarstwami na choroby oraz rozwiązaniami problemu zmiany klimatu i niedoborów zasobów. Jak zasugerował Demis Hassabis, dyrektor generalny Google DeepMind: „Najpierw rozwiąż sztuczną inteligencję, a następnie wykorzystaj sztuczną inteligencję do rozwiązania wszystkiego innego”. Jednak na długo przed tym, zanim będziemy mieli okazję „rozwiązać sztuczną inteligencję”, będziemy narażać się na ryzyko niewłaściwego jej wykorzystania, nieumyślnego lub innego. Niektóre z nich są już widoczne, podczas gdy inne wydają się prawdopodobnie oparte na aktualnych trendach: c.d.n. …

Zespół naukowców zdobył nagrodę Gordona Bella 2018 za model głębokiego uczenia, który odkrywa szczegółowe informacje o ekstremalnych zdarzeniach pogodowych, które wcześniej były ukryte w danych klimatycznych. Użyli superkomputera ze specjalistycznym sprzętem GPU, aby przekroczyć poziom exaop 1018 (operacje na sekundę), pierwszy program do uczenia maszynowego, który to zrobił. Rolnick i inni przedstawiają 60-stronicowy katalog sposobów wykorzystania uczenia maszynowego do przeciwdziałania zmianom klimatu. To tylko kilka przykładów systemów sztucznej inteligencji, które istnieją dzisiaj. Nie magia czy science fiction, ale raczej nauka, inżynieria i matematyka.

Algorytmy sztucznej inteligencji dorównują teraz ekspertom w diagnozowaniu wielu schorzeń lub nawet je przewyższają, zwłaszcza gdy diagnoza opiera się na obrazach. Przykłady obejmują chorobę Alzheimera , raka z przerzutami , chorobę oczu i choroby skóry . Przegląd systematyczny i metaanaliza wykazały, że wydajność programów sztucznej inteligencji była średnio równoważna z pracownikami służby zdrowia. Jednym z obecnych nacisków w medycznej sztucznej inteligencji jest ułatwianie partnerstwa człowiek-maszyna. Na przykład system LYNA osiąga 99,6% ogólnej dokładności w diagnozowaniu przerzutowego raka piersi – lepiej niż samodzielny ekspert – ale połączenie jest jeszcze lepsze. Powszechne stosowanie tych technik jest obecnie ograniczone nie dokładnością diagnostyczną, ale potrzebą wykazać poprawę wyników klinicznych oraz zapewnić przejrzystość, brak stronniczości i prywatność danych. W 2017 r. FDA zatwierdziła tylko dwa medyczne zastosowania sztucznej inteligencji, ale liczba ta wzrosła do 12 w 2018 r. i nadal rośnie

Niezadowoleni z przekraczania ludzkiej dokładności w trudnym zadaniu rozpoznawania obiektów ImageNet, badacze wizji komputerowych podjęli się trudniejszego problemu tworzenia napisów do obrazów. Niektóre imponujące przykłady to „Osoba jadąca motocyklem po polnej drodze”, „Dwie pizze siedzące na kuchence” i „Grupa młodych ludzi grających we frisbee”. Obecne systemy są jednak dalekie od doskonałości: „lodówka wypełniona mnóstwem jedzenia i napojów” okazuje się być znakiem zakazu parkowania, częściowo zasłoniętym mnóstwem małych naklejek

Firmy takie jak Amazon, Facebook, Netflix, Spotify, YouTube, Walmart i inne wykorzystują uczenie maszynowe, aby polecać to, co może Ci się spodobać na podstawie Twoich wcześniejszych doświadczeń i doświadczeń innych osób takich jak Ty. Dziedzina systemów rekomendujących ma długą historię (Resnick i Varian, 1997), ale szybko się zmienia dzięki nowym metodom głębokiego uczenia, które analizują treść (tekst, muzykę, wideo), a także historię i metadane. Filtrowanie spamu można również uznać za formę zalecenie (lub odrzucenie); obecne techniki sztucznej inteligencji odfiltrowują ponad 99,9% spamu, a usługi poczty e-mail mogą również polecać potencjalnych odbiorców, a także ewentualny tekst odpowiedzi.

Gra: Kiedy Deep Blue pokonał mistrza świata w szachach Garriego Kasparowa w 1997 roku, obrońcy ludzkiej supremacji pokładali nadzieje w Go. Piet Hut, astrofizyk i entuzjasta Go, przewidział, że minie sto lat, zanim komputer pokona ludzi w Go – może nawet dłużej. Ale zaledwie 20 lat później ALPHAGO przewyższyło wszystkich ludzkich graczy . Ke Jie, mistrz świata, powiedział: „W zeszłym roku granie było nadal bardzo ludzkie. Ale w tym roku stał się jak bóg Go”. Firma ALPHAGO skorzystała z przestudiowania setek tysięcy poprzednich gier przez ludzkich graczy Go oraz z wydestylowanej wiedzy ekspertów Go, którzy pracowali w zespole. Program uzupełniający, ALPHAZERO, nie wykorzystywał żadnych informacji od ludzi (z wyjątkiem zasad gry) i był w stanie nauczyć się poprzez samodzielną grę, aby pokonać wszystkich przeciwników, ludzi i maszyny, w Go, szachach i shogi . Tymczasem ludzcy bohaterowie zostali pokonani przez systemy sztucznej inteligencji w grach tak różnorodnych, jak Jeopardy! , poker oraz gry wideo Dota 2 , StarCraft II oraz Quake III .

W 2017 r. Microsoft wykazał, że jego system rozpoznawania mowy konwersacyjnej osiągnął wskaźnik błędów słowa wynoszący 5,1%, co odpowiada ludzkiej wydajności zadania Switchboard, które obejmuje transkrypcję rozmów telefonicznych. Około jedna trzecia interakcji z komputerem na całym świecie odbywa się obecnie za pomocą głosu, a nie klawiatury; Skype zapewnia tłumaczenie mowy na mowę w czasie rzeczywistym w dziesięciu językach. Alexa, Siri, Cortana i Google oferują asystentów, którzy mogą odpowiadać na pytania i wykonywać zadania dla użytkownika; na przykład usługa Google Duplex wykorzystuje rozpoznawanie i syntezę mowy do dokonywania rezerwacji w restauracjach dla użytkowników, prowadząc płynną rozmowę w ich imieniu.

Systemy tłumaczenia maszynowego online umożliwiają teraz odczytywanie dokumentów w ponad 100 językach, w tym w językach ojczystych ponad 99% ludzi, i renderują setki miliardów słów dziennie dla setek milionów użytkowników. Chociaż nie są doskonałe, na ogół są wystarczające do zrozumienia. W przypadku blisko spokrewnionych języków z dużą ilością danych szkoleniowych (takich jak francuski i angielski) tłumaczenia w wąskiej domenie są zbliżone do poziomu ludzkiego

Sto milionów mil od Ziemi program zdalnego agenta NASA stał się pierwszym pokładowym programem autonomicznego planowania, który kontroluje planowanie operacji statku kosmicznego. Zdalny agent generował plany na podstawie celów wysokiego poziomu określonych od podstaw i monitorował wykonanie tych planów, wykrywając, diagnozując i naprawiając problemy w miarę ich występowania. Obecnie zestaw narzędzi do planowania EUROPA jest używany do codziennych operacji łazików marsjańskich NASA, a system SEXTANT umożliwia autonomiczną nawigację w przestrzeni kosmicznej, poza globalnym systemem GPS. Podczas kryzysu w Zatoce Perskiej w 1991 roku siły amerykańskie wdrożyły narzędzie do dynamicznej analizy i ponownego planowania, DART, do automatycznego planowania i harmonogramowania logistyki transportu. Obejmowało to do 50 000 pojazdów, ładunków i ludzi na raz i musiało uwzględniać punkty początkowe, miejsca docelowe, trasy, zdolności transportowe, zdolności portów i lotnisk oraz rozwiązywanie konfliktów we wszystkich parametrach. Agencja Obronnych Zaawansowanych Projektów Badawczych (DARPA) stwierdziła, że ​​ta pojedyncza aplikacja z nawiązką zwróciła 30-letnią inwestycję DARPA w sztuczną inteligencję. Każdego dnia firmy przewozowe, takie jak Uber i usługi mapowe, takie jak Mapy Google, zapewniają wskazówki dojazdu dla setek milionów użytkowników, szybko wytyczając optymalną trasę, biorąc pod uwagę obecne i przewidywane przyszłe warunki ruchu.

Historia pojazdów zrobotyzowanych sięga wstecz do samochodów sterowanych radiowo z lat dwudziestych, ale pierwsze demonstracje autonomicznej jazdy po drogach bez specjalnych przewodników miały miejsce w latach osiemdziesiątych. Po udanych demonstracjach jazdy po drogach gruntowych w 132-milowym wyścigu DARPA Grand Challenge w 2005 r. oraz na ulicach o dużym natężeniu ruchu w wyścigu Urban Challenge 2007, wyścig w celu opracowania samojezdnych samochodów rozpoczął się na dobre. W 2018 r. pojazdy testowe Waymo przekroczyły punkt orientacyjny 10 milionów mil przejechanych po drogach publicznych bez poważnego wypadku, a ludzki kierowca wkraczał, aby przejąć kontrolę tylko raz na 6000 mil. Niedługo potem firma zaczęła oferować komercyjną usługę taksówek zrobotyzowanych. W powietrzu autonomiczne bezzałogowe drony dostarczają krew w Rwandzie od 2016 roku. Quadkoptery wykonują niezwykłe manewry akrobacyjne, badają budynki podczas konstruowania map 3D i samoczynnie łączą się w autonomiczne formacje.

Lokomocja na nogach: BigDog, czworonożny robot autorstwa Raiberta i in. (2008) obalił nasze wyobrażenie o tym, jak poruszają się roboty – nie jest to już powolny chód ze sztywnymi nogami, bokiem do boku hollywoodzkich robotów filmowych, ale coś bardzo przypominającego zwierzę i zdolnego do regeneracji po popchnięciu lub poślizgnięciu się na lodzie kałuża. Atlas, humanoidalny robot, nie tylko chodzi po nierównym terenie, ale także wskakuje na pudła i robi salta w tył