“Roboti polako mijenjaju sve više ljudi na njihovim radnim mjestima, a analitičari tvrde da pandemije ubrzava taj proces.
“Ljudi obično kažu da žele imati ljudski element u svojim interakcijama, ali je koronavirus to promijenio. On će nastaviti mijenjati preference potošača te zaista otvoriti nove prilike na automatizaciju”, izjavio je Martin Ford koji je ranije pisao o tome kako će roboti biti integrisani u ekonomiju u narednim desetljećima.
Velike i male kompanije koje se šire danas koriste robote kako bi se poštovalo društveno distanciranje i smanjio broj radnika koji fizički moraju biti prisutni na radnom mjestu. Roboti se koriste i za obavljanje poslova radnika koji svoj posao ne mogu raditi od kuće. Walmart, najveći lanac prodavnica u Americi, koristi robote za čišćenje podova. Roboti u Južnoj Koreji se koriste za mjerenje temperature pacijentima i raspodjelu sredstva za dezinfekciju ruku.
Dok eksperti upozoravaju da mjere društvenog distanciranja moraju biti na snazi i sljedeće godine, roboti bi mogli postati sve traženiji. Kompanije koje proizvode sredstva za čišćenje i dezinfekciju imaju sve više posla. UVD Robots, danska kompanija koja proizvodi robote za dezinfekciju UV svjetlošću, prodala je stotine robota bolnicama u Kini i Evropi.
Prodavnice i restorani koji nude hranu za ponijeti sve više koriste robote. Esperti kažu da će se roboti sve više upotrebljavati kako se budu pokretali zaustavljeni biznisi. Roboti bi mogli čistiti škole i urede.
Ipak, još uvijek ima ograničenja, jer automatske kase u prodanicama moraju biti nadzirane s obzirom da mnogi od tih sistema ne rade sasvim dobro ili se kvare, tako da ih kupci nerijetko izbjegavaju.
Industrija hrane je također pogodna za korištenje robota zbog zabrinutosti za zdravlje. Restorani brze hrane poput McDonald’sa već testiraju robote na funkciji huhara i posluge.
Skladišta poput Amazonovih i Walmartovih već imaju robote koji povećavaju efikasnost, a koronavirus bi mogao utjecati na njihovo povećanje kako bi radili na zadacima sortiranja, pakovanja i isporuke. To bi moglo pomoći radnicima koji se tranutno žale da na poslu ne mogu poštovati društveno distanciranje, ali bi s druge strane mogli ostati bez posla zbog robota. Jednom kada kompanija zamijeni radnika robotom, teško da će ga ponovo vratiti na posao. Istina je da je proizvodnja i integracija robota skupa, ali kad počnu raditi, obično su jeftiniji od ljudske radne snage.
Vještačka inteligencija se razvija kako bi zamijenila učitelje, fitness trenere i finansijske savjetnike. Facebook i Google se oslanjaju na vještačku inteligenciju kako bi se uklanjali neumjesni komentari, objavio je BBC.”
Najnoviji AI algoritmi istražuju evoluciju galaksija, izračunavaju funkcije kvantnih valova, otkrivaju nova hemijska jedinjenja i još mnogo toga. Postoji li nešto što naučnici rade, a da ne može biti automatizovano?
Ni jedan čovjek ili tim ljudi ne bi mogao pratiti lavinu informacija koje su proizveli mnogi današnji fizički i astronomski eksperimenti. Neki od njih svakodnevno snimaju terabajtove podataka – a bujica se samo povećava. Square Kilometar Array, radio-teleskop koji treba da se uključi sredinom 2020-ih, generisaće svake godine skoro isti promet podataka kao i cijeli internet.
Zato se mnogi naučnici okreću umjetnoj inteligenciji za pomoć. Sa minimalnim ljudskim unosom, AI sistemi kao što su vještačke neuronske mreže – kompjuterski simulirane mreže neurona koji oponašaju funkciju mozga – mogu da ore kroz planine podataka, naglašavajući anomalije i detektujući obrasce koje ljudi nikada nisu mogli da primjete.
Naravno, upotreba kompjutera za pomoć u naučnim istraživanjima seže unazad oko 75 godina, a metoda ručnog prenošenja podataka u potrazi za smislenim obrascima nastala je prije više od milenijuma. Ali neki naučnici tvrde da najnovije tehnike u mašinskom učenju i AI predstavljaju fundamentalno novi način rada u nauci. Jedan takav pristup, poznat kao generativno modeliranje, može pomoći u identifikaciji najvjerodostojnije teorije među konkurentskim objašnjenjima za podatke opservacije, zasnovane isključivo na podacima, i što je važno, bez ikakvog unaprijed programiranog znanja o tome koji fizički procesi mogu biti u radu u sistemu koji se istražuje. Zagovornici generativnog modelovanja vide ga kao dovoljno roman da bi ga se moglo smatrati potencijalnim „trećim putem“ učenja o univerzumu.
Izbrišimo sve što znamo o astrofizici. U kojoj mjeri bismo mogli ponovo otkriti to znanje, samo koristeći same podatke?
Kevin Schawinski
Tradicionalno, učili smo o prirodi kroz posmatranje. Razmislite o Johannesu Kepleru koji prelazi preko Tycho Braheovih stolova planetarnih pozicija i pokušava da razabere osnovni obrazac. (Na kraju je zaključio da se planete kreću u eliptičnim orbitama.) Nauka je takođe napredovala kroz simulaciju. Astronom bi mogao modelirati kretanje Mliječnog puta i njegove susjedne galaksije, Andromeda, i predvidjeti da će se sudariti za nekoliko milijardi godina. I posmatranje i simulacija pomažu naučnicima da stvaraju hipoteze koje se zatim mogu testirati sa daljim zapažanjima. Generativno modeliranje se razlikuje od oba ova pristupa.
“To je u osnovi treći pristup, između posmatranja i simulacije”, kaže Kevin Šavinski, astrofizičar i jedan od najinovantnijih zagovornika generativnog modeliranja, koji je do nedavno radio na Švajcarskom federalnom institutu za tehnologiju u Cirihu (ETH Zurich). “To je drugačiji način za napad na problem.”
Neki naučnici vide generativno modeliranje i druge nove tehnike jednostavno kao električni halat za obavljanje tradicionalne nauke. Ali većina se slaže da AI ima ogroman uticaj i da će njena uloga u nauci samo rasti. Brian Nord, astrofizičar iz Fermijeve nacionalne akceleratorske laboratorije, koji koristi umjetne neuronske mreže za proučavanje kosmosa, je među onima koji se boje da ne postoji ništa što ljudski naučnik ne može učiniti da ne može da bude automatizirano. “To je pomalo zastrašujuća misao”, reče on.
Otkriće generacije
Otkako je diplomirao, Schawinski je postao poznat po svojoj nauci. Dok je radio na svom doktoratu, suočio se sa zadatkom da klasifikuje hiljade galaksija na osnovu njihovog izgleda. Budući da za taj posao nije postojao lako dostupan softver, on je odlučio da ga iskoristi – i tako je rođen projekt za naučnike Galaxy Zoo. Počevši od 2007. godine, obični korisnici računara pomogli su astronomima tako što su prijavili svoje najbolje pretpostavke o tome koja galaksija pripada kategoriji u kojoj je većinsko pravilo obično vodilo do ispravnih klasifikacija. Projekat je bio uspješan, ali, kao što Schawinski napominje, AI je to sve zasjenio: “Danas, talentovani naučnik sa iskustvom u mašinskom učenju i pristupu računarstvu u oblaku mogao bi da uradi cijelu stvar za jedno popodne.”
Schawinski se 2016. godine okrenuo snažnom novom halatu generativnog modeliranja. U suštini, generativno modeliranje pita se koliko je vjerovatno, pod uvjetom X, da ćete primijetiti ishod Y. Pristup se pokazao nevjerojatno moćan i svestran. Na primjer, pretpostavimo da generativni model hranite skupom slika ljudskih lica, pri čemu je svako lice označeno s dobi osobe.
Dok se kompjuterski program češlja kroz ove “podatke o obuci”, počinje da crta vezu između starijih lica i povećanu vjerovatnoću bora. Na kraju, on može da “ostari” svako lice koje je dano – to jest, može predvideti koje fizičke promjene će određeno lice bilo koje starosti proći.
Nijedno od ovih lica nije stvarno. Lica u gornjem redu (A) i lijeva kolona (B) su konstruisana generativnom kontradiktornom mrežom (GAN) koristeći građevinske elemente pravih lica. GAN je zatim kombinovao osnovne karakteristike lica u A, uključujući njihov spol, starost i oblik lica, sa finijim osobinama lica u B, kao što su boja kose i boja očiju, da bi stvorili sva lica u ostatku rešetke.
Najpoznatiji generativni sistemi za modeliranje su „generativne kontradiktorne mreže“ (GAN). Nakon adekvatnog izlaganja podacima obuke, GAN može popraviti slike koje imaju oštećene ili nestale piksele, ili mogu učiniti oštre fotografije mutnim. Oni uče da izvuku informacije koje nedostaju putem takmičenja (otuda termin “kontradiktorni”): Jedan dio mreže, poznat kao generator, generiše lažne podatke, dok drugi dio, diskriminator, pokušava da razlikuje lažne podatke od stvarnih podataka. Kako program teče, obje polovice postaju sve bolje. Možda ste vidjeli neke od hiper-realističnih, “GAN-proizvedenih” lica koja su nedavno kružila – slike “čudno realističnih ljudi koji zapravo ne postoje”, kako je to rekao jedan naslov.
Šire gledano, generativno modeliranje uzima skupove podataka (tipično slike, ali ne uvijek) i razbija svaki od njih u skup osnovnih, apstraktnih gradivnih blokova – naučnici to nazivaju “latentnim prostorom podataka”. Algoritam manipulira elementima latentni prostor kako bi se vidjelo kako to utječe na izvorne podatke, a to pomaže u otkrivanju fizičkih procesa koji djeluju u sistemu.
Ideja o latentnom prostoru je apstraktna i teška za vizualizaciju, ali kao gruba analogija, zamislite šta bi vaš mozak mogao da uradi kada pokušate da odredite pol ljudskog lica. Možda primjetite frizuru, oblik nosa, i tako dalje, kao i obrasce koje ne možete lako staviti u riječi. Kompjuterski program na sličan način traži istaknute karakteristike među podacima: Iako nema pojma šta je brk ili kakav spol, ako je obučen u skupovima podataka u kojima su neke slike označene kao “muškarac” ili “žena”, i neki imaju oznaku “brkovi”, brzo će zaključiti vezu.
Kevin Šavinski, astrofizičar koji vodi AI kompaniju pod nazivom Modulos, tvrdi da tehnika nazvana generativno modeliranje nudi treći način učenja o univerzumu.
U radu objavljenom u decembru u astronomiji i astrofizici, Schawinski i njegovi kolege iz ETH Zuricha Dennis Turp i Ce Zhang koristili su generativno modeliranje kako bi istražili fizičke promjene koje galaksije prolaze kroz evoluciju. (Softver koji koriste, tretira latentni prostor donekle drugačije od načina na koji ga tretira generativna kontra-mreža, tako da nije tehnički GAN, iako sličan.) Njihov model je stvorio umjetne skupove podataka kao način ispitivanja hipoteza o fizičkim procesima. Oni su, na primer, pitali kako je “gašenje” formiranja zvjezda – naglo smanjenje formacije – povezano sa povećanjem gustine okoline galaksije.
Za Šawinija, ključno pitanje je koliko informacija o zvjezdanim i galaktičkim procesima može biti zadirkivano samo iz podataka. “Izbrišimo sve što znamo o astrofizici”, rekao je on. “U kojoj mjeri bismo mogli ponovno otkriti to znanje, samo koristeći same podatke?”
Prvo, slike galaksija su redukovane na njihov latentni prostor; zatim, Šawinski je mogao da podesi jedan element tog prostora na način koji je odgovarao određenoj promjeni u okolini galaksije – na primjer, gustina okoline. Tada je mogao ponovo da generiše galaksiju i vidi koje razlike su se pojavile. “Sada imam mašinu za generiranje hipoteza”, objasnio je on.
“Mogu da uzmem cijelu gomilu galaksija koje su prvobitno u okruženju niske gustine i čine ih da izgledaju kao da su u okruženju visoke gustine, ovim procesom.” Okruženja niske do visoke gustoće, postaju crvenija, a njihove zvijezde postaju centralnije koncentrirane. To odgovara postojećim opažanjima o galaksijama, rekao je Schawinski. Pitanje je zašto je to tako.
Sljedeći korak, kaže Schawinski, još nije bio automatizovan: „Moram da dođem kao čovjek i kažem:„ U redu, kakva fizika bi mogla objasniti ovaj efekat? ”„ Za proces u pitanju, postoje dva prihvatljiva objašnjenja: Možda galaksije postaju crvenije u okruženjima velike gustine jer sadrže više prašine, ili možda postaju crvenije zbog pada formacije zvjezda (drugim riječima, njihove zvijezde imaju tendenciju da budu starije). Sa generativnim modelom, obe se ideje mogu testirati: Elementi u latentnom prostoru koji se odnose na prašnjavost i stope formiranja zvjezda su promenjeni da bi se vidjelo kako to utiče na boju galaksija. “A odgovor je jasan”, rekao je Schawinski. Crvenije galaksije su “gde je formacija zvjezda pala, a ne one gde se prašina promjenila. Zato bismo trebali dati prednost tom objašnjenju.”
Pristup se odnosi na tradicionalnu simulaciju, ali s kritičkim razlikama. Simulacija je “suštinski zasnovana na pretpostavkama”, rekao je Schawinski. “Pristup je reći:” Mislim da znam koji su osnovni fizički zakoni koji dovode do svega što vidim u sistemu. “Tako da imam recept za formiranje zvjezda, imam recept za to kako se ponaša tamna materija, i tako dalje. Stavio sam sve svoje hipoteze tamo, i pustio sam da se simulacija pokrene. I onda pitam: Da li to izgleda kao stvarnost? ”Ono što je on učinio sa generativnim modeliranjem, rekao je on,“ u nekom smislu, upravo je suprotno od simulacije. Mi ne znamo ništa; ne želimo da pretpostavimo ništa. Mi želimo da nam podaci kažu šta se dešava. ”
Očigledan uspjeh generativnog modeliranja u ovakvoj studiji očigledno ne znači da su astronomi i postdiplomci postali suvišni – ali čini se da predstavlja promjenu u stepenu u kojem se učenje o astrofizičkim objektima i procesima može postići umjetnim vještinama sistema koji ima malo više u svojim elektronskim prstima od ogromnog skupa podataka. “To nije potpuno automatizovana znanost – ali ona pokazuje da smo u stanju barem djelomično izgraditi alate koji čine proces nauke automatskim”, rekao je Schawinski.
Generativno modeliranje je očigledno moćno, ali da li je to uistinu novi pristup nauci, otvoreno je za raspravu. Za Davida Hogga, kosmologa sa Univerziteta u Njujorku i Flatiron Instituta (koji, kao i Quanta, finansira Simons fondacija), tehnika je impresivna, ali u konačnici samo vrlo sofisticiran način izdvajanja uzoraka iz podataka – što su astronomi radili vjekovima. Drugim riječima, to je napredni oblik promatranja plus analiza. Hoggov sopstveni rad, kao i Schawinski, u velikoj mjeri se oslanja na AI; on koristi neuronske mreže da klasifikuje zvjezde prema njihovom spektru i da zaključi druge fizičke atribute zvjezda koristeći modele vođene podacima. Ali on vidi svoj rad, kao i Schawinski, kao istinitu nauku. “Ne mislim da je to treći put”, rekao je nedavno. „Samo mislim da mi kao zajednica postajemo mnogo sofisticiraniji o tome kako koristimo podatke. Konkretno, postajemo mnogo bolji u poređenju podataka sa podacima.
Svakog dana sve više i više se stvari koje se ponavljaju u svijetu automatizira. To je dobar trend koji na našim prostorima još nije dobro zaživio, a koji bi mogao da napravi velike uštede svima i u novcu i u vremenu. Ako ne možemo produžiti ljudski životni vijek, onda možemo barem da utjećemo da ovo vrijeme koje imamo kvalitetno proživimo.
Sigurno ste x puta imali problema sa administracijom sa silnim pečatima, molbama, zahtjevima i ostalim, a svi znamo da preko kompjutera sve ide puno brže i jednostavnije. Kompjutersko obavljanje mnogih poslova je brže i jednostavnije. Danas svi koriste pametne mobitele, a svako drugo domaćinstvo ima jedan računar kod kuće. Zamislite koliko bi se vremena i novca moglo uštedjeti kad bi omogućili da se više administratitvnih i drugih stvari obavi preko kompjutera i interneta.
Jedna od oblasti koja bi se mogla automatizovati je i obrazovanje. Ako je znanje skup znanja i vještina, onda se to znanje, ali i vještine u današnje vrijeme mogu bolje provjeriti preko računara, nego na tradicionalne načine. Računarski testovi su izuzetno moćan halat za otkrivanje rupa u znanju. Video snimljene lekcije i predavanja mogu se odgledati koliko god puta je potrebno bilo kada i bilo gdje, dok se lekcije uživo mogu samo jednom i to ko ima vremena baš kad je njihov termin ili ko ima priliku da posjeti mjesto gdje se predavanja vrše. Najjači svjetski univerziteti poput MIT – a i Harvard već godinama nude mnoga svoja predavanja preko interneta. E – nastavu nude i mnogi naši univerziteti, ali kao alternativu onom uživo, ali ja mislim da bi to trebalo biti obrnuto. E – nastava bi trebala postati standard.
Treća stvar koja bi se mogla ili trebala automatizovati je socijalna briga. S obzirom da najgore bolesti u različita vremena pogađaju mali dio populacije, zamislite kad bi umjesto liječenja sms porukama bilo omogućeno da se svim budžetskim korisnicima otkine od plate za potrebe hitnih slučajeva, onako ravnomjerno i malo svima tamo da to skoro niko ne osjetio, a imali bi jedan od najrazvijenijih zdravstvenih sistema u svijetu.
Četvrta stvar koja bi se mogla automatizovati je da se uz račune za bilo šta tamo gdje ima wifi, na računima napise šifra interneta. Tako bi se uštedilo dosta vremena svima.
Peta stvar koja bi se mogla automatizovati je da se preko kompjuterskih programa uvežu svi ljudi koji rade na rješavanju istog društvenog ili tehničkog problema. Na taj način došlo bi do brže razmjene informacija, a sam proces rješavanja problema bi se ubrzao.
Šesta stvar koja bi se mogla automatizovati je točenje goriva na benzinskim pumpama. To bi svakom pojedincu uštedilo mnogo vremena, a radnici se ne bi morali mrznuti u zimu ili peći u ljeto kako bi tebi gorivo nasuli.
Ovo gore su neke stvari koje se tiču društva koje bi se mogle automatizovati, a mnoge od njih sam zapravo putujući po Evropi zapazio u mnogim evropskim metropolama. Npr. već u Zagrebu šifru od wifi uvijek dobijete na računu, a i mnoge administrativne stvari možete preko kompjutera uraditi. Te sitnice čine život lakšim. U Rimu su skoro sve benzinske automatizivane, sami sebi točite gorivo.
Postoje i stvari koje je lično za sebe dobro automatizovati.
Npr. dobro je imati uvijek isto vrijeme kad ustajete i kad idete spavati. Dobro je imati tačno definirano vrijeme za rad, vrijeme za zabavu i slobodno vrijeme. Ne možete sve raditi samo onda kad osjećate da bi to trebalo raditi, nego je bolje stvoriti si rutine kojih ćete se držati. Taj pristup ljude čini bržim i efikasnijim.
Ako učite nije loše imati naviku da si pravite memorijske kartice ili testove da sami provjerite svoje znanje. Na taj način automatski možete biti sigurni da ste naučili ili šta ste naučili.
Stvar je u tome da mi i inače funkcionišemo tako da pola stvari radimo automatski po navikama. Bitno je samo promjeniti navike. Potrebno je da imamo neki cilj i da si napišemo plan onog šta trebamo uraditi da bi dostigli taj cilj. Na taj način ćemo puno brže i efikasnije ostvariti cilj. Automatski.
Automatski je meni sinonim za pametno, a pametno ga dobro.
Naravno, ima ono i argumenata protiv automatiziranja , ali sve zavisi šta želite postići u životu. Ako želite biti superuspješni onda je bolje da dobar dio svega automatizirate, ako pak želite da opušteno živite život onda možete ostati i spontani, ali kad stvari radite spontano nikad nećete kao pojedinac biti puno uspješni, a i društvo će uvijek zaostajati za razvijenim društvima.
Reći da autonomni automobili polako povećavaju popularnost, malo je previše skromno. Jedna ideja koja se nekada odbacivala kao naučna fantastika usporeno postaje stvarnost, a naizgled je samo pitanje vremena prije nego što većina vozila na našim ulicama i autocestama budu autonomna, a mi smo došli do kraja automobilske ere kao što ju znamo.
Dok se još pokušava shvatiti kako prodavati autonomne automobile potrošačima, to bi moglo biti približno kratkoročno razmatranje, nema sumnje da drugi vide mogućnost da idemo ka budućnosti u kojoj ljudi više nemaju vlastiti automobil ili , u najmanju ruku, onu u kojem vozila s vlasnicima predstavljaju samo malu manjinu onih na cesti.
Bob Lutz vidi takvu budućnost na horizontu.
Bivši VP General Motors-a možda je u penziji od 2010. godine, ali s 47 godina iskustva, malo ko zna automobilsku industriju kao on, pa kad kaže da se približavamo kraju automobilske ere, to je u svakom trenutku. Vlasnici automobila bi trebali biti najviše zainteresirani za obratiti pozornost.
“Auto industrija je na krivulji promjene ubrzanja”, napisao je Lutz u članku objavljenom u Automotive News. “Stotinama godina konj je bio glavni pokretač ljudi, a posljednjih 120 godina bio je automobil. Sada se približavamo kraju linije za automobil, jer će putovanja biti u standardiziranim modulima. ”
Lutz očekuje da će prijelaz na autonomne automobile potpuno utjecati na potrošače u idućih 15 do 20 godina. “Kap koja će preliti čašu”, kao što je to rekao Lutz, bit će kada oko 20 do 30 posto vozila bude autonomno što će uzrokovati da društvo shvati da su autonomni automobili sigurniji od onih koje pokreću ljudi. Ljudski pogon vozila bit će ilegalno na cestama, a vlasnici automobila ili će morati ukrasti vozila ili ih trgovati zbog nečega što može samo voziti.
Javno prihvaćanje
Zanimljivo je da Lutz ne vjeruje da će javno prihvaćanje biti potrebno za autonomna vozila kako bi postigla uspjeh. Kompanije kao što su Uber, Lyft, FedEx, UPS, američka poštanska usluga i Amazon će voditi stvari naprijed, a svaka kupuje hiljade modela niske, srednje i visoke kvalitete kako bi unaprijedila svoje poslovanje.
Ti brendovi neće nositi imena njihovih proizvođača, prema Lutzu. Umjesto toga, oni će nositi marku kompanije koja ih prodaje ili iznajmljuje, tako da autonomni automobil kao jedan od, recimo, Fordovih modela, bit će označen kao “Lyft” ili pretvoren u UPS kamion.
Histerija o budućnosti vještačke inteligencije (AI) je svuda. Čini se da nema nedostatka senzacionalističkim vijestima o tome kako AI može izliječiti bolesti, ubrzati ljudske inovacije i poboljšati ljudsku kreativnost.
Samo gledajući na naslove medija, možda mislite da već živimo u budućnosti u kojoj se AI infiltrira u svaki aspekt društva. Iako je nesporno da je AI otvorila mnoštvo obećavajućih mogućnosti, to je dovelo i do pojave načina razmišljanja koji se najbolje može opisati kao “rješenje AU-a”. Ovo je filozofija koja, s obzirom na dovoljno podataka, algoritmi mašinskog učenja mogu rješiti sve probleme čovečanstva.
Ali postoji veliki problem sa ovom idejom. Umjesto da podržava napredak AI, on zapravo ugrožava vrijednost mašinske inteligencije bez obzira na važne AI sigurnosne principe i postavljanje nerealnih očekivanja o tome šta AI stvarno može učiniti za čovječanstvo.
AI rješavatelj problema
Za samo nekoliko godina, rješenje AI-a je učinilo put od usta tehnoloških evangelista u Silikonskoj dolini do umova vladinih zvaničnika i kreatora politike širom svijeta. Klatno se zamahlo od distopijskog shvatanja da će AI uništiti čovječanstvo utopijskom uverenju da je naš algoritamski spasilac ovde.
Sada vidimo da se vlade zalagaju za podršku nacionalnim inicijativama za intelektualnu svojinu i da se takmiče u tehnološkoj i retoričkoj utrci naoružanja kako bi dominirale na rastućem sektoru mašinskog učenja.
Na primjer, vlada Velike Britanije obećala je da će uložiti 300 miliona funti u istraživanje AI-a kako bi se pozicionirala kao lider na terenu. Oduševljen transformativnim potencijalom AI, francuski predsjednik Emmanuel Macron obavezao se da će Francusku pretvoriti u globalni AI centar. U međuvremenu, kineska vlada povećava svoj AI ličnost nacionalnim planom za stvaranje kineske industrijske industrije u vrijednosti do 150 milijardi američkih dolara do 2030. godine. Rješenje o AI-u je u porastu i tu je da ostane.
Neuronske mreže – lakše reći nego uraditi
Iako mnogi politički manifestovi utiču na transformativne efekte nadolazeće “AI revolucije”, oni imaju tendenciju da prenebregnu složenost oko primjene naprednih sistema za mašinsko učenje u stvarnom svetu. Jedna od najperspektivnijih sorti AI tehnologije su neuronske mreže. Ovaj oblik mašinskog učenja je ohlapno modelovan nakon neuronske strukture ljudskog mozga, ali u mnogo većoj mjeri. Mnogi proizvodi bazirani na AI-u koriste neuronske mreže za zaključivanje obrasca i pravila iz velikog broja podataka.
Ali ono što mnogi političari ne razumiju je da jednostavno dodavanje neuronske mreže problemu neće automatski značiti da ćete pronaći rešenje. Slično tome, dodavanje neuronske mreže demokratiji ne znači da će ona biti trenutno inkluzivnija, fer ili personalizovana.
Izazivanje birokratije podataka
Sistemima AI je potrebno puno podataka za funkcionisanje, ali javni sektor obično nema odgovarajuću infrastrukturu podataka za podršku naprednom mašinskom učenju. Većina podataka ostaje sačuvana u offline arhivama. Nekoliko digitalizovanih izvora podataka koji postoje imaju tendenciju sahranjivanja u birokratiji. Često se podaci prenose preko različitih vladinih odjeljenja kojima se svakom od njih zahtijeva posebna dozvola za pristup. Prije svega, javnom sektoru obično nedostaje ljudski talenat sa pravim tehnološkim mogućnostima kako bi se u potpunosti iskoristile koristi od inteligencije mašine.
Iz ovih razloga, senzacionalizam nad AI privukao je mnoge kritike. Stuart Russell, profesor računarskih nauka u Berkeley-u, dugo se zalagao za realniji pristup koji se fokusira na jednostavne svakodnevne primjene AI umjesto hipotetičkog preuzimanja super-inteligentnih robota. Slično tome, MIT-ov profesor robotike, Rodney Brooks, piše da “gotovo sve inovacije u robotici i AI zauzmu daleko, daleko, da budu stvarno široko raspoređene od ljudi na terenu”. Jedna od mnogih poteškoća u primjeni sistema mašinskih učenja jeste da je AI izuzetno podložan napadima protivnika. To znači da zlonamjerni AI može usmjeriti drugi AI da ga primorava da napravi pogrešna predviđanja ili da se ponaša na određeni način.
Mnogi istraživači su upozorili protiv izbijanja AU bez odgovarajućih sigurnosnih standarda i odbrambenih mehanizama. Ipak, sigurnost AI i dalje ostaje često zanemarena tema.
Mašinsko učenje nije magija
Ako želimo da iskoristimo prednosti i minimiziramo potencijalne štete AI-a, moramo početi razmišljati o tome kako se mašinsko učenje može značajno primijeniti na određena područja vlasti, poslovanja i društva. To znači da moramo imati diskusiju o AI etici i nepoverenju koje mnogi ljudi imaju prema mašinskom učenju. Najvažnije, moramo biti svjesni ograničenja AI-a i gdje ljudi još uvijek treba da preuzmu vodstvo. Umjesto slikanja nerealne slike o moći AI-a, važno je napraviti korak unazad i odvojiti stvarne tehnološke mogućnosti AI iz magije.
Već dugo vremena, Facebook je vjerovao da problemi poput širenja dezinformacije i govora mržnje mogu biti algoritamski identifikovani i zaustavljeni. Ali pod novim pritiskom zakonodavaca, kompanija je brzo obećala da će svoje algoritme zamijeniti vojskom od preko 10.000 ljudskih recenzenata. Medicinska struka takođe je prepoznala da se AI ne može smatrati rješenjem za sve probleme. Program IBM Watson for Oncology je bio dio AI-a koji je trebalo da pomogne ljekarima da rade na raku.
Iako je razvijena da bi pružila najbolje preporuke, stručnjaci za ljudima smatraju da je teško vjerovati mašini. Kao rezultat toga, AI program je napušten u većini bolnica u kojima je testiran. Slični problemi nastali su u pravnom domenu kada su algoritmi korišteni u sudovima u SAD da osuđuju kriminalce. Algoritam je izračunao rezultate procjene rizika i savjetovao sudije o odmjeravanju kazne. Utvrđeno je da sistem razvija strukturnu rasnu diskriminaciju i kasnije je napušten.
Ovi primjeri pokazuju da za sve ne postoji AI rješenje. Korišćenje AI-a jednostavno radi AI-a možda nije uvijek produktivno ili korisno. Nije svaki problem najbolje rješen primjenom inteligencije mašine. Ovo je ključna lekcija za sve koji imaju za cilj povećanje ulaganja u nacionalne AI programe: sva rješenja dolaze sa troškovima, a ne može sve biti automatizirano.
Napredak čovječanstva je u biti napredak automatizacije. Što smo više poslova uspjeli da zamjenemo mašinama koje su automatski izvršavale ono za šta je bilo potrebno puno ljudi i puno vremena, sve više smo tehnološki napredovali. Spomenuti ću par jednostavnih primjera:
Obični kalkulator. Danas je sam proces kalkulacije automatiziran, mi samo trebamo zadati zadatak i kalkulator sam izračuna puno brže nego bi i jedan čovjek to uradio.
Isto tako ako danas nekom poruku želimo poslati ne moramo da koristimo standardnu poštu, naša pošta klikom ode na drugi kraj svijeta u roku od manje od jedne sekunde! Automatski.
Poljoprivredne mašine su dosta automatizovale samu poljoprivredu i danas u poljoprivredi jedna mašina brže i više uradi nego što je prije stotine ili hiljade ljudi moglo da uradi.
Auto industrija je proces automatizacije dovela do vrhunca. Autokompanije zahvaljujući automatizaciji danas u toku jedne sedmice proizvode nekoliko hiljada automobila!
Saobraćaj bilo koje vrste je maksimalno automatiziran. Sve ono gdje je jako puno ljudi trebalo i jako puno vremena, tu je došlo do automatizacije.
Svakim danom sve se više i više stvari, aktivnosti i poslova automatizira i sve više i više vremena ljudi imaju da se bave drugim stvarima, od pukog fizičkog rada. Život postaje sve lagodniji, ali nekako i ubrzaniji. Automatizacija je ubrzavši naše mehaničke dosadne poslove suprotno očekivanjima ubrzala i nas. Danas zahvaljujući automatizaciji imamo više vremena za druge poslove i možemo brže puno više da obavimo. Pitanje je gdje je kraj tome svemu i ima li kraja tome svemu? Da li će ljudi u dalekoj budućnosti da žive u okruženju u kojem će roboti i mašine baš sve raditi automatski za njih, uključujući i razmišljanje? Da li ćemo uskoro svi imati ne samo pametne mobitele, nego i inteligentne, opremljene vještačkom inteligencijom? Da li će ti uređaji postati naši misaoni asistenti i da li će ubrzati, unaprijediti i automatizirati naše razmišljaje i naš proces donošenja odluka? Ako da, da li će onda svijet postati dosadan ili će da bude jako zanimljiv? Dokle zapravo želimo da idemo i možemo li stati?
Ja mislim da je automatizacija dobra i da je dosta dobra donijela čovječanstvu. Razvijene države svijeta i jesu razvijene iz razloga što su automatizirale sve šta su mogle da automatiziraju, a sama automatizacija dosadnih mehaničih poslova omogućila je da se mnogima podigne kvalitet života. Posla za ljude nije nestalo, samo je postao jednostavniji i zanimljiviji i intelektualniji. S obzirom da napredak u jednoj oblasti vodi ka napredku u drugim oblastima, automatizacija nas stvarno ubrzava, a najbrža automatizacija će da se desi kada i ako uspijemo da automatiziramo samo automatizaciju, to je san svakog ko mašta o automatizaciji. Postoji samo jedna stvar koja je za brigu, a to je šta ako izgubimo kontrolu, šta ako se sve stvoreno sruši na nas, šta ako nas automatizacija uništi? Male su šanse za to, ali nije da ne postoje.
Na osnovu onog šta će se dešavati u narednih par godina znati ćemo u kojem smjeru idemo i kojom brzinom, za sad je sve kao zatišje pred buru u tehnološkom svijetu, iako u nekim razvijenim državama je očiglednije u kojem smjeru idemo i kojom brzinom kada je automatizacija u pitanju.
Cilj ove stranice svafizika.org jest da automatizira nešto vezano za fiziku. Valjda je krajnji ljudski cilj da automatizira ili pojednostavi sve što može da si pojednostavi jer mu je vrijeme ograničeno i ima tako mnogo stvari koje bi želio uraditi ako uspije automatizacijom da si uštedi vremena!
2. decembra 1942. godine, tim naučnika na čelu sa Enricom Fermijem vratio se sa ručka i gledao kako je čovječanstvo stvorilo prvu samoodrživu nuklearnu reakciju unutar gomile cigle i drveta ispod fudbalskog polja na Univerzitetu u Čikagu. Poznato iz historije kao Chicago Pile-1, slavilo se u tišini s jednom bočicom Chianti, jer oni koji su tamo bili shvatili su tačno šta to znači za čovječanstvo, bez potrebe za rječima.
Sada se dogodilo nešto novo što je, opet, tiho promijenilo svijet zauvijek. Poput šaputane riječi na stranom jeziku, bilo je tiho u tome što ste možda čuli, ali njegovo puno značenje možda nije bilo shvaćeno. Međutim, bitno je da razumijemo ovaj novi jezik i ono što nam sve više govori jer su posljedice usmjerene na promjenu svega što zvuči kao zdravo za gotovo o načinu na koji djeluje naša globalizirana ekonomija i načinu na koji mi kao ljudi postojimo u njemu.
Jezik je nova klasa strojnog učenja poznata kao duboko učenje, a šaputa se o tome kako ga je računalo upotrijebilo da bi naizgled niotkuda pobijedilo tri puta europski prvaka Fan Hui u Go igrici, ne jednom nego pet puta za redom bez poraza. Mnogi koji su pročitali ovu vijest, smatraju da je impresivna.
Što se zapravo dogodilo kada su se suočili? Lee je izgubio sve osim jedne od svih pet igara. AI (vještačka inteligencija) je sada bolji igrač od bilo kojeg čovjeka i dobila je „božanski” čin devet dana. Drugim riječima, njezina razina igre graniči s Bogom. Igricu Go službeno je zakucao stroj, kao što je igricu Jeopardy prije njega Watsona i šah prije Deep Blue.
Dakle, što je Go? Vrlo jednostavno, razmislite o Go kao Super Ultra Mega šah. To još uvijek zvuči kao mali uspjeh, još jedan pero u kapici strojeva dok se i dalje pokazuju superiornijim u zabavnim igrama koje igramo, ali to nije mali uspjeh, a ono što se događa nije igra.
AlphaGoova povijesna pobjeda jasan je znak da smo otišli s linearnog razvoja na parabolični. Napredak u tehnologiji sada je tako vidljivo eksponencijalan u prirodi da možemo očekivati da će mnogo više prekretnica prijeći mnogo prije nego što bi inače očekivali. Taj eksponencijalni napredak, osobito u oblicima umjetne inteligencije, ograničeni su na specifične zadatke, potpuno smo nespremni dok god inzistiramo na zapošljavanju kao našem primarnom izvoru prihoda.
To bi moglo zvučati kao pretjerivanje, stoga pogledajmo kako se u zadnjih nekoliko decenija povećao broj umnih kognitivnih poslova (gornja kriva na grafikonu), a stagnirao ili smanjio broj rutinskih fizičkih poslova koje su preuzele mašine (donje tri linije):
Proučite gornji graf. Nemojte biti prevareni da mislite o tome da će se razgovor o automatizaciji rada biti u budućnosti. Već je ovde. Računarska tehnologija već obavlja poslove i od 1990. godine.
Rutinski rad
Svi se radovi mogu podijeliti u četiri vrste: rutinske i ne-rutinske, kognitivne i ručne. Rutinski rad je ista stvar tijekom dana, a ne-rutinski rad varira. Unutar ove dvije vrste je posao koji zahtijeva uglavnom naš mozak (kognitivni) i rad koji zahtijeva uglavnom naše tijelo. (ručni rad). Gdje su sve četiri vrste vidjele rast, rutinski posao je stagnirao od 1990. godine. To se dogodilo jer je rutinski rad najlakši za tehnologiju da ga obavlja. Pravila mogu biti napisana za posao koji se ne mijenja, a taj rad mogu bolje obavljati strojevi.
Uznemirujuće, upravo je rutinski rad nekada formirao temelj američke srednje klase. To je rutinski ručni rad koji je Henry Ford razvio tako da je plaćao ljude plaćama srednje klase, a rutinski kognitivni rad je nekad napunio američke uredske prostore. Ti su poslovi sada sve nedostupniji, ostavljajući samo dvije vrste poslova: slabo plaćeni poslovi koji zahtijevaju jako malo misli i dobro plaćeni poslovi koji zahtijevaju puno misli.
Ako sada možemo zamisliti našu ekonomiju kao avion s četiri motora, koji i dalje može letjeti na samo dva, sve dok obojica dobro rade, možemo izbjeći pad. Ali što će se dogoditi kada naša dva preostala motora prestanu da rade? To su napredna područja robotike i AI-ja koja predstavljaju ona konačna dva motora, jer po prvi put uspješno poučavamo strojeve da sami uče.
Neuronske mreže
Naš mozak funkcionira kao divovska mreža međusobno povezanih stanica. Neke od tih veza su kratke, a neke su dugačke. Neke ćelije su međusobno povezane, a neke su povezane s mnogima. Električni signali zatim prolaze kroz ove veze, po različitim stopama, a potom neuronske ispade se događaju zauzvrat. Sve je poput pada domina, ali daleko brže, veće i složenije. Rezultat je nevjerojatan, a ono što znamo o tome kako radimo počeli smo primjenjivati na način rada strojeva.
Jedna od tih aplikacija je stvaranje dubokih neuronskih mreža – sličnim virtualnim mozgovima. Oni pružaju put za strojno učenje koje je napravilo nevjerojatne skokove za koje se mislilo da su nedostižni i možda i nemogući. Kako? To je zbog očitog rasta sposobnosti naših računala i širenja našeg znanja u neuroznanosti, ali i rasta skupljanja kolektivnih podataka, aka velikih podataka.
Veliki podaci
Veliki podaci nisu samo bezveze riječi. To su informacije, a kada je riječ o informacijama, sve ih više i više stvaramo svaki dan. Zapravo stvaramo toliko da je izvješće SINTEF iz 2013. godine procijenilo da je 90% svih informacija na svijetu nastalo u protekle dvije godine. Ova nevjerojatna brzina stvaranja podataka čak se dvostruko udvostručuje svake 1,5 godine zahvaljujući internetu, gdje smo 2015. svake minute voljeli 4,2 milijuna stvari na Facebooku, prenijeli 300 sati videozapisa na YouTube i poslali 350.000 tweetova. Sve što radimo je da generiramo podatke kao nikada prije, a puno podataka upravo je ono što strojevi trebaju kako bi naučili učiti. Zašto?
Zamislite programiranje računala da prepozna stolicu. Trebali biste unijeti tonu uputa, a rezultat bi i dalje bio program koji otkriva stolice koje nisu, i ne otkriva stolice koje jesu. Pa kako smo naučili otkriti stolice? Naši roditelji su pokazali na stolicu i rekli: “stolica”. Onda smo mislili da smo imali cijelu stolicu koja je sve shvatila, pa smo ukazali na stol i rekli “stolac”, a to su bili kada su nam roditelji rekli da je riječ o “stolu”. “Ovo se zove učenje ojačanja. Etiketa “stolica” povezuje se sa svakom stolicom koju vidimo, tako da su određeni neuronski putovi ponderirani, a drugi ne. Kako bi “stolica” zapalila u našem mozgu, ono što vidimo mora biti dovoljno blizu našim susretima s prethodnim stolicama. U suštini, naši su životi veliki podaci filtrirani kroz mozak.
Duboko učenje
Moć dubokog učenja je da je to način korištenja masivnih količina podataka da bi strojevi mogli raditi slično kao što mi radimo bez davanja izričitih uputa. Umjesto da opisujete “stolac” u računalo, samo ga priključujemo na internet i hranimo ga milijunima slika stolica. Može tada imati opću ideju o “stolici”. Sljedeće ga testiramo s još više slika. Gdje je pogrešno, to ispravljamo, što dodatno poboljšava otkrivanje “stolice”. Ponavljanje ovog procesa rezultira računalom koje zna što je stolica kad ga vidi, u najvećoj mjeri, koliko god može. Važna razlika je u tome što za razliku od nas može sortirati milijune slika u roku od nekoliko sekundi.
Ova kombinacija dubokog učenja i velikih podataka rezultirala je zapanjujućim postignućima samo u proteklih godinu dana. Osim nevjerojatnog ostvarenja AlphaGo, Google DeepMind AI naučio je kako čitati i razumjeti stotine hiljada zabilježenih novinskih članaka. DeepMind je također naučio igrati desetke Atari 2600 video igara bolje od ljudi, samo gledanjem zaslona i rezultata i ponovnim igranjem igara. AI pod nazivođ Žirafa se naučio kako igrati šah na sličan način, pomoću skupa podataka od 175 milijuna šahovskih pozicija i postigao međunarodni statusa Master razine za samo 72 minuta igre protiv samog sebe. U 2015. godini, AI je prošao vizualni Turingov test kako učiti na način kojim mu je pokazan omražen lik u izmišljenoj abecedi, a zatim je odmah reproducirao pismo na način koji se u potpunosti ne razlikuje od čovjeka s obzirom na isti zadatak. To su sve glavne prekretnice u AI.
Međutim, unatoč svim tim prekretnicama, kada se pitalo za procjenu kada će računalo pobijediti istaknutog igrača igrice Go , odgovor čak i samo nekoliko mjeseci prije objave od strane Googlea za AlphaGo pobjedu, bio je od strane stručnjaka u biti, „Možda za još deset godina.”
Takva zbunjujuća složenost onemogućuje bilo kakav pristup s velikim silama kako bi skenirali svaki mogući potez kako bi odredili sljedeći najbolji potez. Ali duboke neuronske mreže kruže oko te barijere na isti način na koji naši vlastiti umovi uče, proučavajući procjenu onoga što se osjeća kao najbolji potez. To činimo kroz promatranje i praksu, kao i AlphaGo, analizom milijuna profesionalnih igara i igranjem na milijune puta. Dakle, odgovor na to kada bi igra Go padala na strojeve nije bila ni blizu deset godina. Ispravan odgovor je glasio: “U svakom trenutku.”
Automatizacija nerutinskih poslova
U bilo koje vrijeme sada. To je nova reakcija u 21. stoljeću za sva pitanja koja ukazuju na to da nova računala mogu raditi bolje od ljudi, a mi moramo pokušati da se adaptiramo.
Moramo prepoznati što znači da eksponencijalna tehnološka promjena ulazi na tržište rada za nerutinske poslove po prvi put. Strojevi koji mogu naučiti raditi skoro sve što ljudi rade. Nitko nikada ne može biti jedinstveno siguran. Od hamburgera do zdravstvene skrbi, strojevi se mogu kreirati tako da uspješno obavljaju takve zadatke bez potrebe ili manje potrebe za ljudima, i po nižim troškovima od ljudi.
Amelia je samo jedan AI koji je trenutno beta trenutačno testiran u tvrtkama. Izradio ga je IPsoft tijekom proteklih 16 godina, naučila je kako obavljati posao zaposlenika pozivnih centara. Može naučiti u sekundama što traje mjesecima, a ona to može učiniti na 20 jezika. Budući da je u stanju naučiti, s vremenom može učiniti više. U jednoj tvrtki koja ju je stavila na posao, u prvom tjednu je uspješno riješila jedan od svakih deset poziva, a do kraja drugog mjeseca mogla je riješiti šest od deset poziva. Zbog toga je procijenjeno da može staviti 250 milijuna ljudi izvan posla, širom svijeta.
Viv je AI koji uskoro dolazi od kreatora Siri koji će biti naš osobni asistent. On će obavljati poslove na internetu za nas. Pri tome sve to za nas, vidjet ćemo daleko manje oglasa, a to znači napad na cijelu reklamnu industriju – industrija na kojoj je cijeli internet izgrađen.
Svijet s Amelijom i Vivođ – i bezbroj drugih AI kolega na mreži brzo – u kombinaciji s robotima poput Boston Dynamics’ nove generacije Atlas, je svijet u kojem strojevi mogu učiniti sve četiri vrste radnih mjesta, a to znači ozbiljne društvene promjene. Ako stroj može raditi posao umjesto čovjeka, treba li se bilo koji čovjek prisiliti na obavljanje tog posla? Ako strojevi rade sve veći postotak naših radnih mjesta za nas, a ne plaća se da ih mi vršimo, kamo da ide sav taj novac? Je li čak moguće da mnogi poslovi koje stvorimo ne moraju postojati uopće, i to samo zbog prihoda koji pružaju? To su pitanja koja trebamo početi tražiti jako brzo.
Odvajanje prihoda od posla
Srećom, ljudi počinju postavljati ova pitanja, a postoji i odgovor koji stvara zamah. Ideja je da strojevi rade za nas, ali se osposobljamo pronaći oblike preostalih djela koje mi, kao ljudska bića, smatramo najvrednijim, jednostavno pružajući svima mjesečnu plaću neovisno o radu. Ove plaće će biti odobrene svim građanima bez uvjeta kao univerzalni osnovni dohodak. Usvajanjem UBI, osim imunizacije protiv negativnih učinaka automatizacije, također bi se smanjili rizici inherentni poduzetništvu i veličine birokracije potrebne za povećanje prihoda. Upravo zbog tih razloga, ona ima prekograničnu podršku i još je u ranoj fazi moguće primjene u zemljama poput Švicarske, Finske, Nizozemske i Kanade.
Budućnost je mjesto ubrzavanih promjena. Čini se mudro nastaviti gledati na budućnost kao da je prošlost, gdje su se nove vrste poslova uvijek pojavljivala. WEF je započeo 2016. godine s procjenom da će se do 2020 javiti 2 milijuna novih radnih mjesta uz eliminaciju 7 milijuna. To je neto gubitak, a ne neto dobit od 5 milijuna radnih mjesta. U često citiranom članku, studija s Oxforda procjenjuje automatizaciju oko polovice svih postojećih radnih mjesta do 2033. U međuvremenu samostalna vozila, opet zahvaljujući strojnom učenju, imaju sposobnost drastično da utječu na sve zemlje – posebno automatizacijom vožnje kamionima – uklanjanjem milijuna radnih mjesta u kratkom roku.
Koja je velika lekcija da naučimo, u stoljeću kada strojevi mogu da uče?
Pozdravite Amabrush, prvu automatsku četkicu za zube na svijetu i zbogom četkanja zuba nekoliko minuta dva puta dnevno.
Amabrush podsjeća na štitnik za usne s mekim silikonskim čekinjama u njemu i magnetski je pričvršćen na okruglu ručku. Stavite usnik i ne brinite o pasta za zube, to će vam to učiniti. Zatim će ići na posao, četkajući zube na način na koji vam stomatolog kaže da, na svakom mjestu u ustima, sve u isto vrijeme.
Korištenjem ovog uređaja, četkanje svih zubi do savršenstva traje samo 10 sekundi od početka do kraja, pa nije iznenađenje da Amabrush uistinu dobro radi na Kickstarteru. Kao što je ovaj članak napisan, imaju 25 dana za odlazak i već su prikupili 935.891 dolara, nadmašivši njihov cilj od 56.972 dolara.
Amabrush je samo još jedan primjer automatizacije koji čini ono što najbolje čini: preuzimajući dosadne svakodnevne zadatke, oslobađajući ljude da razmišljaju i učine više uvjerljivih stvari. Bez obzira radi li se o značajnom koraku u automatizaciji, kao što su automobili koji voze samo za sebe ili samo komadić slagalice, sve je to u istom smjeru. Nadalje, automatizacija može osloboditi nas od ponavljajućih i dosadnih poslova i oslobađati nas za zahtjevnije karijere, hobije, strasti, itd. Sve što trebamo učiniti jest biti spremni da se ta promjena dogodi.
Automatizacija svega Da bi povećali naša strahovanja o budućnosti, čini se da nam nedostaje riječi sa kojim možemo nazvati sljedeće generacije: nakon Baby Boomera došli su generacija X, zatim Millennials (aka Generacija-Y), koji su sada zamijenjeni sa generacijom Z. Da li se ili ne nalazi bilo kakva simbolika, znak ili ironija u ovome je van teme. Ono što je važno pitati je: kakav će se svijet roditi u XXI vijeku? Da li će automatizacija svega ostaviti mnoge ljude, donoseći očaj i razočaranje? Ili će to poticati čovečanstvo da redefinira samo-aktuelizaciju? Da li će realizacija potencijala više biti definisana uspehom u karijeri ili merenjem neto vrednosti? Ako i kada postane nepotrebno značajan dio populacije da radi, da li ćemo moći da prilagodimo naš sistem vrednosti kako bi omogućili slobodno vreme bez krivice, podstakli stvaranje kreativnih istraživanja i prepoznali vrijednost doživotnog učenja? Samo nekoliko dana nakon što je gigant elektronske trgovine iz Silikonske doline uzbudio svijet sa uvođenjem Amazon Go-a, napravio je prvu komercijalnu isporuku sa dronom. Sutrašnji fantazijski svijet – sa letećim automobilima i bezgotovinskim prodavnicama – izgleda da se pretvara u današnju stvarnost. Ova fantazija, međutim, je previše stvarna za ljude kojima je ugrožena životna sredina. Samo zamišljam scenario gde su poslovi blagajnika i prodavaca maloprodaje u SAD potpuno automatizovani, mi tražimo da u redove nezaposlenih dodamo 7,5 miliona ljudi. Za upoređivanje, od početka XXI veka, američka privreda je u prosjeku povećaval u proseku 0.8 miliona radnih mesta godišnje. Bilo da se radi o Uberu, Googleu, Appleu, Tesli ili bilo kojoj drugoj kompaniji koja će na tržište donijeti održivu tehnologiju bez vozaća, nije pitanje da li – nego kada. Ponovo, 3,5 miliona radnika u Americi moglo bi nestati, ako ova tehnologija postane uobičajena. Gubitak samo ove dvije usko definisane profesije moglo bi poništiti 14 godina stvaranja poslova. Osim tih živih primera, široko rasprostranjeni blog na platformi Agenda Svetskog ekonomskog foruma je da će se oko polovine svih radnih mesta izgubiti zbog automatizacije za manje od dvije decenije. Moglo bi se uzeti utehu u pogledu prošlih iskustava – kada neke zanimljivosti nestanu, nove se pojavljuju na njihovoj poziciji. Mnogi analitičari tvrde, međutim, da će ovaj put biti drugačije. Ako se ova predviđanja ostvare, i stvarno idemo ka besposlenoj budućnosti, sada bi bilo krajnje vreme da počnemo političku diskusiju o tome kako se moramo pripremiti za to. Kao što intelektualno prepoznajemo da će sutrašnji svet imati mnogo manje zaposlenosti, (ili barem mnogo manje onoga što mi sada definišemo kao zapošljavanje), retorika stvaranja novih radnih mjesta i dalje dominira našim političkim diskursom. Ova sutrašnja emisija može trajati deceniju (ili dvije ili pet). Nesumnjivo je da sahranjivanje glave u pijesku nije rešenje. Fokusiranje na vještine koje su potrebne da se takmičite za radove koji još nisu ni izumljeni je samo dio slagalice. Kako se jaz povećava između rasta stanovništva i automatizacije sa jedne strane, i otvaranja novih radnih mjesta kako bi se zadovoljile potrebe budućnosti na mašini, s druge strane moramo početi sa ozbiljnim prilagođavanjem kako bi se održala socijalna kohezija. Šta ako nastavak automatizacije rada – bilo da se radi o pravnom istraživanju ili medicinskoj dijagnostici ili pisanju novinskih članaka – obezbeđuje povećanje produktivnosti koja se može distribuirati među stanovništvom bez potrebe da svi doprinose na tradicionalan način? Da bi se takva budućnost mogla zamisliti, zahtijevati će veliku promenu paradigme u organizovanju našeg društva, kako definišemo doprinos, gde nalazimo ispunjenje i kako crtamo smisao iz svakodnevnih aktivnosti. Suočavanje sa budućnošću bez posla Prvo pitanje, o kome se već debituje, je kako se može neko održavati kada se ne očekuje da će raditi. Bezuslovni osnovni dohodak, ili “digitalna dividenda”, jedan je koncept koji okuplja zamah. Neke jurisdikcije su se ili igrale sa idejom ili ju pilotiraju. “Politička debata mora uključiti tabu temu koja garantuje ekonomsku sigurnost porodicama – kroz univerzalni osnovni dohodak”, piše David Ignatius za The Washington Post. Ovaj novi predlog politike je često u kontrastu sa blagostanjem, a rezultujući argumenti su za i protiv. Problem sa tim diskursom je da je uokviren u smislu trenutne situacije – u kojoj su politike dizajnirane da obeshrabruju “slobodu” nekih po naporima drugih. Ono što treba da razmotrimo jeste okolnost u kojoj svi ljudi slobodno koriste mašine. Drugi ne stvaraju potražnju, što zauzvrat stvara ozbiljan zagonet za naš ekonomski sistem. Koliko god da je radikalna ideja kao o univerzalnom osnovnom prihodu, strogo rečeno, to je jednostavno tehničko rješenje za značajan društveni problem. Bilo bi mnogo teže zamisliti, a kamoli inkorporirati, novi sistem vrijednosti gdje nezaposlenost nije stigmatizirana. Usvajanje normi u društvu – tamo gde jedan doprinos više nije definisan “ekonomskim izlazom” – predstavlja izazov različitog obima i kompleksnosti u cjelini. Da bismo ga riješili prije nego što se opterete društvene tenzije, trebat će nam tona hrabrosti, dosta razmišljanj i velikog eksperimentisanja u politici. Moramo početi otvorenim priznavanjem i konačnim suočavanjem sa stvarnošću. Kako se političke karijere kreiraju i raskidaju na obećanjima stvaranja novih radnih mesta, to će zahtijevati mnogo hrabrosti za naše lidere da preuzmu odgovornost i iniciraju iskrenu raspravu o budućoj beskrajnoj budućnosti. Da bismo se bolje suočili sa neizvesnom budućnošću, morat ćemo razviti novi rječnik da artikulišemo dileme sa kojima se tek treba suočiti. To je i intelektualni okvir unutar kog gledamo na naše ekonomske sisteme koji se moraju promijeniti. Ovde možemo početi sa redefinisanjem BDP-a kako bismo bolje objasnili doprinos koji nije kompenzovan (kao što je briga o djeci i održavanje), ili još bolje, krećemo se prema široj matrici kao što je indeks socijalnog progresa ili bilo koju drugu metodologiju koja priznaje ljudski doprinos i napredak na novim načinima. Možda bi trebali napustiti pojmove poput produktivnosti rada i, umjesto toga, preusmjeriti se na mjerenje samo-aktuelizacije. Jedno od najjednostavijih, ali i još komplikovanijih pitanja za razmišljanje u svijetu bez tradicionalnog zapošljavanja, šta ćemo raditi sa slobodnim vremenom? Bilo bi dobro da olakšamo naš put kroz pogled na politiku “6 sati rada” koju Švedska uvodi “povećati produktivnost i učiniti ljude srećnijim”. Kraći radni dani pomoći će sprečiti izgorelost i omogućiti ljudima prostor da pronađu druge aktivnosti iz kojih mogu izvući smisao. Za one koji su zaposleni, posao nije samo sredstvo za zarađivanje života, to je sredstvo za rešavanje osnovne ljudske potrebe za pripadnošću. Istraživanje kako bi se ova potreba mogla zadovoljiti izvan radnog mjesta bio bi dostojan poduhvat. S obzirom da se ambicija današnje osobe često povezuje sa profesionalnim aspiracijama, a zatim mjerena uspjehom u karijeri, ambicija budućnosti mogla bi se potencijalno posmatrati kroz prizmu izgradnje sopstvenog kapaciteta za maštu i težnju da uči, generiše i razmjenjuje ideje. Popularizacija ideje o sabatskim pauzama u stručnim poljima izvan akademske zajednice (gde je to već prilično uobičajena), pomoći će nam da ovo učinimo boljom tranzicijom. Svi ti napori će morati ići ruku pod ruku u rješavanju sve većih nejednakosti i prepoznavanja duhovne krize moderne ekonomije “, gdje neuspjeh [da pronađe posao nakon što ga izgubi] je izvor dubokog srama i razlog za samokrivljenje.” Zamišljena budućnost u kojoj ljudi ne moraju da rade – dok će mašine voditi računa o sve većem broju naših potreba i želja – nije sigurna, ali je vrlo vjerovatna. Konstruktivno je raspravljati o ovom pokušati nove politike, učiti jedni od drugih i oblikovati našu bezbrižnu budućnost kako bi smanjili svoje nezadovoljstvo. Naša djeca (Generacija-Zs) će nam zahvaliti za to! Izvor: www.futurism.com
Autonomno oružje bira i angažuje ciljeve bez ljudske intervencije. Oni mogu uključiti, na primjer, naoružane kvadrokoptere koji mogu tražiti i eliminisati ljude koji ispunjavaju određene unaprijed definirane kriterijume, ali ne uključuju krstareće rakete ili daljinski pilotirane bespilotne letjelice za koje ljudi donose sve odluke za ciljanje.
Slika: autonomni kvadrokopter
Tehnologija veštačke inteligencije (AI) je dostigla tačku u kojoj je raspoređivanje takvih sistema – praktično ako nije zakonski – izvodljivo u godinama, a ne decenijama, a udari su visoki: autonomno oružje je opisano kao treća revolucija u ratu, nakon baruta i nuklearnog oružja.
Mnogi argumenti su napravljeni za i protiv autonomnog oružja, na primer da je zamjena ljudskih vojnika mašinama dobro za smanjivanje žrtava za vlasnika, ali loše time što je smanjio prag za odlazak u borbu. Ključno pitanje za čovečanstvo danas je da li da započne globalnu trku u borbi protiv oružja ili da spreči to da počne. Ako bilo koja velika vojska napreduje sa razvojem AI oružja, globalna trka oružja je praktično neizbežna, a krajnja tačka ove tehnološke trajekture je očigledna: autonomno oružje će postati Kalašnjikov sutrašnjice. Za razliku od nuklearnog naoružanja, oni ne zahtevaju skupe ili sirove materije koje se teško nabavljaju, tako da će postati sveobuhvatne i jeftine za sve značajne vojne sile da bi se masovno proizvele. Biće samo pitanje vremena dok se ne pojave na crnom tržištu i u rukama terorista, diktatora koji žele bolje kontrolirati svoje stanovništvo, vođe koji žele da izvrše etničko čišćenje itd. Autonomno oružje je idealno za zadatke poput atentata, destabilizacije nacije, podrivanje populacija i selektivno ubijanje određene etničke grupe. Stoga verujemo da vojna trka u oružju od AI ne bi bila korisna za čovečanstvo. Postoji mnogo načina na koje AI može učiniti bojna polja sigurnijom za ljude, posebno civile, bez stvaranja novih alata za ubijanje ljudi.
Baš kao što većina hemičara i biologa nema interesovanja za izgradnju hemijskog ili biološkog oružja, većina istraživača AI nema interesovanje za izgradnju AI oružja. Zaista, hemičari i biolozi su široko podržali međunarodne sporazume koji su uspješno zabranili hemijsko i biološko oružje, baš kao što većina fizičara podržava ugovore o zabrani nuklearnog i zaslepljujućeg laserskog naoružanja.
Ukratko, smatramo da AI ima veliki potencijal da na mnogo načina koristi čovečanstvu i da cilj polja treba da bude u tome. Započinjanje vojne trke u autonomnom oružju opremljenom vještačkom inteligencijom je loša ideja, i treba ga spriječiti zabranom ofanzivnog autonomnog oružja izvan značajne ljudske kontrole.
