Drie jaar geleden vertelde het leger ons dat robots niet zullen worden gebruikt om mensen te doden: dus, waarom leren ze hen om te schieten? Les: Technocraten liegen om hun uitvindingen in stand te houden. ⁃ TN Editor
Zonder het zelfs maar te beseffen, zouden soldaten al snel robotscherpscholen kunnen trainen om hun baan aan te nemen.
Moderne sensoren kunnen verder kijken dan mensen. Elektronische circuits kunnen sneller schieten dan zenuwen en spieren een trekker kunnen overhalen. Mensen presteren nog steeds beter dan gewapende robots in het weten waarop ze moeten schieten - maar nieuw onderzoek dat gedeeltelijk door het leger wordt gefinancierd, kan die kloof binnenkort verkleinen.
Onderzoekers van DCS Corp en het Army Research Lab voerden datasets van menselijke hersengolven in een neuraal netwerk - een soort kunstmatige intelligentie - die leerde te herkennen wanneer een mens een doelgerichte beslissing neemt. Ze presenteerden hun papier op de jaarlijkse Intelligente gebruikersinterface conferentie in Cyprus in maart.
Waarom is dit zo belangrijk? Machine learning is gebaseerd op zeer gestructureerde gegevens, getallen in rijen die software kan lezen. Maar het identificeren van een doelwit in de chaotische echte wereld is ongelooflijk moeilijk voor computers. Het menselijk brein doet het gemakkelijk door gegevens te structureren in de vorm van herinneringen, maar niet in een taal die machines kunnen begrijpen. Het is een probleem waar het leger al jaren mee worstelt.
“We praten vaak over diep leren. De uitdaging daar voor het leger is dat het enorme datasets en een goed gedefinieerd probleem met zich meebrengt, ”zei Thomas Russell, de hoofdwetenschapper voor het leger, bij een recente National Defence Industrial Association gebeurtenis. "Zoals Google zojuist het Go-gameprobleem heeft opgelost."
Vorig jaar, het DeepMind-lab van Google vertoonde dat een AI kon de beste speler ter wereld verslaan in het spel Go, een spel dat exponentieel moeilijker wordt geacht dan schaken. “Je kunt het systeem trainen om diep te leren in een [zeer gestructureerde] omgeving, maar als het Go-bord in de loop van de tijd dynamisch veranderde, AI zou dat probleem nooit kunnen oplossen. Je moet erachter komen ... hoe kunnen we, in die dynamische omgeving die we hebben in de militaire wereld, dit leerproces omscholen vanuit een systeemperspectief? Op dit moment denk ik niet dat er een manier is om dat te doen zonder dat de mensen die systemen trainen. "
"We weten dat er signalen in de hersenen zijn die verschijnen wanneer je iets waarneemt dat opvallend is", zei onderzoeker Matthew Jaswa, een van de auteurs op het papier. Deze worden genoemd P300-reacties, uitbarstingen van elektrische activiteit die de pariëtale lob van de hersenen uitzendt als reactie op stimuli. Ontdekt in de 1960sis de P300-reactie in feite het antwoord van de hersenen op een snelle beslissingstaak, zoals of een object dat plotseling verschijnt, een doelwit is.
De onderzoekers hopen dat hun nieuwe neurale netwerk experimenten mogelijk maakt waarin een computer gemakkelijk kan begrijpen wanneer een soldaat doelen evalueert in een virtueel scenario, in plaats van veel tijd te moeten besteden aan het leren van het systeem om de gegevens van verschillende individuen te structureren. oogbewegingen, hun P300-reacties, enz. Het doel, ooit, is een neuraal netwerk dat ogenblikkelijk, continu en in real-time kan leren door de hersengolven en oogbewegingen te observeren van hoogopgeleide soldaten die hun werk doen.
wpDiscuz