Transhümanizm

Transhümanizm, hem zihinsel hem de fiziksel olarak insanlık durumunu iyileştirmek için teknolojinin kullanılmasını destekleyen entelektüel ve kültürel bir harekettir. Transhümanizmin temel önermesi, insanların sonunda kendilerini “insan sonrası” olarak kabul edilebilecek kadar doğal koşullardan çok genişleyen yeteneklerle farklı varlıklara dönüştürebilecekleridir.

Kökenler ve Tarih:

“Transhümanizm” terimi ilk olarak biyolog Julian Huxley tarafından 1957’de “Transhümanizm” adlı makalesinde kullanıldı. Transhümanizmi “insan olarak kalan, ancak insan doğası için ve onun için yeni olasılıkları fark ederek kendini aşan insan” olarak tanımladı.

Bununla birlikte, felsefi temeller, Condorcet gibi düşünürlerin yaşam süresini uzatmak, sağlığı iyileştirmek ve yetenekleri geliştirmek için tıp biliminin kullanımı hakkında spekülasyon yaptığı Aydınlanma Çağı’na kadar izlenebilir.

Anahtar kavramlar:

Geliştirme: Transhümanistler, teknoloji aracılığıyla insan yeteneklerinin – entelektüel, fiziksel ve duygusal olarak – geliştirilmesini destekler.
Ömrü Uzatma: Transhümanizmin önemli bir kısmı, insan ömrünü uzatabilecek ve potansiyel olarak ölümsüzlüğe yol açabilecek teknolojilerin peşinde koşmayı içerir.
Morfolojik Özgürlük: Bireylerin estetik, işlevsel veya terapötik nedenlerle vücutlarını uygun gördükleri şekilde değiştirme hakkına sahip olduğu fikri.
İnsan Sonrası: Artık insan olarak kabul edilemeyecek kadar gelişmiş yeteneklere sahip evrimleşmiş bir insan.
Tekillik: Gelecekte teknolojik büyümenin kontrol edilemez ve geri döndürülemez hale geldiği, insan uygarlığında öngörülemeyen değişikliklere yol açtığı, büyük ölçüde fütürist Ray Kurzweil ile ilişkilendirilen varsayımsal bir nokta.

İlgilenilen Teknolojiler:

Biyoteknoloji: Canlı organizmaları değiştirebilen genetik mühendisliği ve diğer teknikler.
Nanoteknoloji: Maddenin atomik, moleküler ve moleküller üstü ölçekte manipülasyonu.
Yapay Zeka: İnsanlara benzer şekilde düşünebilen ve öğrenebilen makinelerin yaratılması.
Bilişsel Geliştirme: Zihinsel yetenekleri geliştirmek için ilaçların, beyin-bilgisayar arayüzlerinin ve diğer araçların kullanımı.
Sibernetik: Biyonik uzuvlar veya implante edilmiş cihazlar gibi teknolojinin insan vücuduna entegrasyonu.

Etik ve Felsefi Çıkarımlar:

Transhümanizm tartışmalı değildir. Pek çok etik ve felsefi soruyu gündeme getiriyor:

Tanrıyı oynamak: İnsanların “Tanrıyı oynamak” ve doğal insan durumunu değiştirmek etik midir?
Ekonomik Eşitsizlikler: Bu teknolojiler yalnızca zenginler tarafından kullanılabilir mi, bu da bir gelişmiş insan sınıfına ve bir başka zenginleştirilmemiş birey sınıfına mı yol açacaktır?
İnsanlığın Kaybı: Kendimizi geliştirerek, bizi insan yapan temel parçalarımızı mı kaybediyoruz?
Güvenlik: Özellikle sonuçlar belirsiz olduğunda, bu tür dönüştürücü teknolojileri denemek güvenli midir?

Tanınmış Transhümanistler:

Ray Kurzweil: AI ve tekillik hakkındaki tahminleriyle tanınan mucit ve fütürist.
Nick Bostrom: Geliştirme etiği ve varoluşsal riskler üzerine yaptığı çalışmalarla tanınan filozof.
Eliezer Yudkowsky: Yapay zekanın güvenliğine odaklanan araştırmacı.

Transhümanizm, teknoloji, etik ve insan evriminin geleceğinin kesiştiği noktada yer alır. İnsanların biyolojik sınırlamalarını aştığı bir gelecek vizyonu sunuyor ama aynı zamanda toplumun ele alması gereken kritik etik soruları da gündeme getiriyor.

Kaynak:

Huxley, Julian. “Transhumanism.” 1957.
Bostrom, Nick. “A history of transhumanist thought.” Journal of evolution and technology 14.1 (2005): 1-25.
Kurzweil, Ray. “The Singularity Is Near: When Humans Transcend Biology.” Penguin, 2005.

Click here to display content from YouTube.
Learn more in YouTube’s privacy policy.

Always display content from YouTube

23. Haziran 2016

Beyin Okuma Makinesi ile Beyindeki Anıları İzleyebilecek miyiz?

Eğer beyninizin, sırlarınızı saklayabileceğiniz en güvenli yer olduğunu düşünüyorsanız, tekrar düşünün. Çünkü yeni yapılan bir araştırmada, düşüncelerin okunup ekrana aktarabilmesi yolunca büyük adımlar atıldı.

University of Oregon’dan bilim insanlarının geliştirdikleri sistem, insanların düşüncelerini beyin taramaları ile okuyabiliyor ve daha sonra insanların kafalarındaki yüzleri oluşturupekrana yansıtıyor. Yazının ortalarında da görebileceğiniz gibi, sonuçlar bir hayli ürpertici.

Araştırmacılardan sinir bilimci Brice Kuhl’un belirttiğine göre;

‘’Bir insanın tipik olarak özel ve içinde tuttuğu hafızalarını alıyoruz ve beyinlerinin dışına çıkartıyoruz.’’

Araştırmayı ve sistemi detaylandıracak olursak; bilim insanları, 23 gönüllü katılımcıya 1000 adet rastgele insan yüzünden oluşan renkli fotoğrafları gösterdiler. Katılımcılar bu fotoğrafları incelerken, fMRI makinesi de katılımcıların beyinlerindeki kan akışında meydana gelen küçük değişimleri tespit ederek nörolojik aktiviteyi ölçtü. Burada elde edilen bulgular, gerçek hayatta maruz kalınan yüzlerin matematiksel tanımlamaları üzerinden beyin aktivesini okuyan yapay zeka ile değerlendirildi. Ayrıca bilim insanları, yapay zekanın insan yüzlerinin özelliklerini birer kod olarak görebilmesi için, insan yüzleri üzerindeki belirli fiziksel özellikleri tanımlayan 300 numara belirlediler.

Temel olarak bu ilk aşama, yapay zeka için bir antrenman süreci gibiydi. Yani yapay zeka, belirli nörolojik aktiviteler ile belirli fiziksel özelliklerin arasındaki bağlantıları bu aşamada öğrendi.

Yapay zeka yeteri kadar beyin aktivitesi-yüzün fiziksel özellikleri kod eşleşmesi gerçekleştirdikten sonra, bilim insanları deneyin ikinci aşamasını başlattılar. Deneyin ikinci aşamasında fMRI makinesi ile birlikte çalıştırılan yapay zeka, katılımcıların beyin aktivitelerinden akıllarındaki yüzleri anlamaya çalıştı.

Bu ikinci turdaki yüzlerin tamamı, yapay zekanın antrenman turundaki öğrendiği yüzlerden tamamen farklıydı.

fMRI makinesi ile çalışan yapay zeka, beyindeki iki ayrı bölümdeki aktivite üzerinden her bir yüzü yeniden yarattı. Bu iki bölüm: dil, sayı işleme, konumsal farkındalık ve canlı anıların dahil olduğu süreçlerin gerçekleştiği açısal beyin kıvrımı (ANG) ve görsel işaretlerin işlendiği oksipitotemporal korteks (OTC)

Çalışmanın sonuçlarını aşağıdaki fotoğrafta görebilirsiniz.

face-compile

Yapılan araştırma beyindeki düşüncelerin görselleştirilmesi açısından umut vadetse de; henüz beyindeki karmaşık anıların tam olarak görselleştirilebilmesinden uzağız. Herhangi bir yapay zekanın beyindeki anıların ne olduğunu belirleyebilmesi için, bütün bir çevreyi ya kendi kendine öğrenmesi ya da bilim insanları tarafından bütün değişkenlerin yazılıma eklenmesi gerekir. Fakat bu kadar fazla değişkenin insan eliyle belirlenip yazılıma eklenmesi on yıllar alabilir ve henüz kendi kendisine bir insan gibi öğrenebilen yapay zeka geliştirilebilmiş değil. Yani suçluların beyinlerini fMRI makinesi ile tarayıp, olayları izleyebilmemiz şuan için mümkün değil gibi görünüyor.

İlgili Makale: Hongmi Lee1 and Brice A. Kuhl2 Reconstructing Perceived and Retrieved Faces from Activity Patterns in Lateral Parietal Cortex The Journal of Neuroscience, 1 June 2016, 36(22): 6069-6082; doi: 10.1523/JNEUROSCI.4286-15.2016

Kaynak:

Bilimfili,
Bec Crew, Scientists have invented a mind-reading machine that visualises your thoughts, Science Alert Retreived from http://www.sciencealert.com/scientists-have-invented-a-mind-reading-machine-that-can-visualise-your-thoughts-kind-of

5. Mayıs 2016

HoloLens Bizi Daha Zeki Mi Yapacak?

Bu yılın Ocak ayında Microsoft, sanal ve artırılmış gerçekliğe (AR) dayanan bir teknoloji olan HoloLens’i tanıttı. HoloLens, 3 boyutlu resimler bindirerek gördüğünüz şeyleri tamamlıyor. Ayrıca yapay zeka (AI – Artificial Intelligence) kullanarak giyen kişinin içinde bulunduğu duruma bağlı olarak konu ili ilgili bilgi üretiyor. Bu bilgi daha sonra sanal gerçeklik (VR) kullanılarak normal görüşünüzde çoğaltılıyor.

Birçoğumuz, bilgisayar oyunlarından tıbbi bilimlere kadar sahip olduğu potansiyeli hayal ediyoruz. Fakat HoloLens ayrıca geleneksel yapay zekanın ötesine geçen bir fikri anlamamızı sağlayabilir: söz yapay zekadan açılınca sıklıkla bahsedildiği gibi, bu teknoloji bizim zekamızın yerini almak yerine onu tamamlayabilir.

AI’den IA’ya

Yapay zekanın (AI) ilk tanımlandığı zamanlarda, başka bir fikir ortaya çıkmıştı: zeka yükseltmesi (IA), aynı zamanda algı yükseltmesi veya makine tarafından yükseltilen zeka gibi çeşitli şekillerde biliniyor. İnsan ile aynı veya ondan daha iyi şekilde bilgi işleme yeteneğine sahip bağımsız bir yapı olan yapay zekaya zıt olarak, IA aslında insan zekasını tamamlayıcı ve yükseltici olarak tasarlandı. IA, AI üzerinde büyük bir üstünlüğe sahip: AI zekayı baştan inşa ederken, IA milyonlarca yıl boyunca evrimleşmiş insan zekası üzerine inşa ediliyor.

IA, insanların ilk iletişim kurmaya başladığı zamandan beri vardı, en azından çok geniş bir anlamda böyle. Yazmak,IA olarak düşünülebilecek ilk teknolojilerden olabilir ve yaratıcılığımızı, algılayışımızı, verimliliğimizi ve sonunda zekamızı geliştirmemize olanak sağlamıştır.
Örneğin atalarımız, onların ataları tarafından gösterme üzerinden ve sözlü olarak aktarılan bilginin yardımıyla deneme ve yanılma yöntemlerine dayanan araçlar ile yapılar inşa ettiler. Fakat herhangi bir bireyin dıştan gelen yardım olmadan aklında tutabileceği çok fazla bilgi bulunuyor. Bugün yüksek teknoloji ölçüm araçları ve yüksek tutarlılığa sahip yazılımların yardımıyla karmaşık yapılar inşa ediyoruz. Ayrıca bizden önce gelmiş sayısız diğerlerinin kaydettiği deneyimler sayesinde sahip olduğumuz bilgiler de epey gelişti. Bir insanın hatırlayabileceğinden daha fazla bilgiye şimdi bir tuşa basarak dış cihazlar üzerinden kolayca ulaşabiliyoruz. IA prensipte pek çok yıldır buralarda olmasına rağmen, geniş ölçüde bilinen bir konu olmamıştı. Fakat HoloLens gibi sistemler ile, IA şimdi açıkça geçmişte olduğundan daha hızlı bir şekilde geliştirilebilir.

AR’den IA’ya

Artırılmış gerçeklik, IA’yı mümkün kılan, zekamızı tamamlayan ve onu geliştiren sadece son teknoloji. Microsoft’un HoloLens ile gerçekleştirdiği sıçrama, AI’yi kullanarak IA’yı yükseltmek. Bu daha önce çeşitli ve bambaşka sistemlerde yapılmış olsa da, Microsoft daha küçük olan bütün bileşenleri toplamayı ve zengin bir deneyim ile geniş bir ölçek üzerinde sunmayı başardı.

**Artırılmış -çoğaltılmış- gerçeklik deneyimi**

Örneğin, kanun uygulama organları HoloLens’i kullanarak talep üzerine bilgiye erişebilir. Bir şüphelinin tehlikeli olup olmama ihtimaline karar vermek için kaydına hızlıca erişebilir. Şüphelinin bir kovalamaca esnasında gidebileceği güzergahları önceden tahmin edebilir. Bunlar, polisleri alanda etkin bir şekilde daha “zeki” hale getirecektir. Cerrahlar zaten, ameliyat işlemlerinin örneğini önceden çıkarmak için 3 boyutlu yazdırma teknolojisinden faydalanıyorlar ve daha önce hiç mümkün olmamış bazı çok karmaşık ameliyatları gerçekleştirebiliyorlar. Örnekler HoloLens gibi bir AR cihazı üzerinden yansıtılarak benzer benzeşimler gerçekleştirilebilir.

Bulanıklaşmış çizgiler

Son zamanlarda, süperzeki AI tarafından yöneltilen tehdit hakkında bazı önemli tahminler oldu. Nick Bostrom gibi düşünürler, bu alandaki pekçok meseleyi keşfettiler. AI bugün herhangi bir insanın sahip olduğu zekanın çok gerisinde. Fakat bu durum değişebilir. Hatta süperzeki AI korkusu, AI ile bizim aramızdaki açık bir fark üzerine kurulu. AI ile bu ayrım daha bulanık hale geliyor, AI ile bizim aramızda bir çatışma olması ihtimali de öyle.
Zeka yükseltmesi eski bir fikir, fakat yeni artırılmış gerçeklik cihazlarının geliştirilmesi ile gündeme oturuyor. Teknoloji ile eşi görülmemiş bir arayüzey sayesinde, düşüncelerinizin süperinsan seviyelerine yükselmesi uzun sürmeyebilir.

Click here to display content from YouTube.
Learn more in YouTube’s privacy policy.

Always display content from YouTube

Referans :

Bilimfili,
Opinion: Intelligence amplification will make us as smart as the machines, phys.org/news/2015-10-opinion-intelligence-amplification-smart-machines.html

5. Mart 2016

İnsan Gibi Öğrenen Makineler

Nesne tanıma sistemleri oldukça ilerledi; hele Facebook’un yüz tanıma algoritmaları korkutucu derecede iyi. Bu sistemler, insanların nesneleri tanımayı öğrenişinden farklı biçimde, tipik olarak milyonlarca görsel örnekkullanılarak geliştirilir. Bir insan ise bir nesnenin iki-üç resmini gördüğünde, genellikle o nesnenin yeni örneklerini tanıyabilir duruma gelir.

Dört yıl önce, Massachusetts Teknoloji Enstitüsü Beyin Araştırma Bölümü’nden Tomaso Poggio’nun ekibi, görsel temsil için yeni bir bilgisayar modeli üzerinde çalışmaya başladı. Amaçları, beynin tam olarak ne yaptığınıanlayabilmekti. Ekip, Theoretical Computer Science dergisinde yayımlanması için geçtiğimiz günlerde hazırladıkları makalelerinde, geliştirdikleri modeli temel alan bir makine öğrenimi sisteminin, sadece birkaç örneğe dayanarak son derece başarılı nesne tanımlamaları yapabildiğini gösteriyor.

Araştırmacılar ayrıca hem bu son makalelerinde, hem de geçtiğimiz Ekim ayında PLOS Computational Biologydergisinde yayımladıkları makalelerinde, beynin işleyişine ilişkin eldeki kanıtların modelleri ile gayet uyumlu olduğunu da belirtiyorlar.

“Eğer bana yüzünüzün belli bir uzaklıktan çekilmiş bir resmini gösterseler ve daha sonra ben sizi farklı bir uzaklıktan görsem, görüntü resimdekinden farklı olur ve basit karşılaştırma yöntemleri işe yaramaz. Bu durumda ya çok fazla sayıda örnek resme gerek vardır; yani yüzünüzü tüm olası pozisyonlarda görmüş olmalıyımdır ya da nesnenin değişmez bir temsilini bulmak gerekir,” diyor Prof. Poggio.

Bir nesnenin değişmez temsilinin boyut değişimine, konum değişimine ve dönmeye karşı bağışıklı olması, bu değişimlerden etkilenmemesi gerekir. Bilgisayar görüş araştırmacıları değişmez nesne temsili için çeşitli teknikler önermişti, fakat Poggio’nun grubunun çalışması beynin işleyiş mekanizması ile uyumlu bir değişmez temsil bulması bakımından ayrıca önem taşıyor.

Sinirler Neyi Hesaplıyor?

Sinir hücreleri, yani nöronlar uçları dallanan uzun ve ince yapılı hücrelerdir. Görsel işlemenin yapıldığı beyin kabuğunda (İng. cerebral cortex), herbir nöronun her ucunda yaklaşık 10.000 dallanma bulunur.

Böylece iki kabuk nöronu (İng. cortical neuron) birbirleri ile sinir kavşağı (sinaps [İng. synapse]) adı verilen 10.000 ayrı kimyasal eklem üzerinden iletişim kurar. Her sinir kavşağının kendi “ağırlığı” (gelen sinyalin gücünü katlayan bir çarpan) vardır. 10.000 sinir kavşağının hepsinden geçen sinyaller, nöronun bedeninde biraraya getirilir. Uyarım desenleri ve elektriksel etkinlik, zaman içinde sinir kavşaklarının ağırlıklarını değiştirir; bu kökleşmiş alışkanlıkları ve anıları oluşturan mekanizmadır.

Öte yandan, matematiğin lineer cebir dalındaki anahtar işlemlerden biri nokta (skaler) çarpımdır. Bu işleme girdi olarak iki sayı dizisi (veya iki vektör) verilir, bunların elemanları belli bir düzende çarpılır ve ortaya tek bir sayıbiçiminde bir sonuç çıkar. Dolayısıyla, beyin kabuğunda bulunan tek bir nöral devrenin çıktısını, 10.000 değişkenli iki vektörün nokta çarpımı olarak düşünebiliriz. Bu büyük çaplı işlemi, beyindeki her bir nöron her an yapar.

Poggio’nun grubu, nokta çarpımlara dayanan değişmez nesne temsilleri geliştirmiş bulunuyor. Bir düzlemde 360 derecelik dönme yapan bir nesnenin minik bir dijital filmini çektiğinizi varsayın. Örneğin 24 karelik olsun ve herbir kare bir öncekinden birazcık daha dönmüş durumu göstersin. Filmi 24 tane fotoğraf biçiminde depolamış oluyorsunuz.

Ardından tanımadığınız bir nesnenin dijital resmini size gösterdiklerini farz edin. Söz konusu resim piksellerin renk değerlerine karşılık gelen bir dizi sayı (bir vektör) olarak yorumlanabileceğinden, filminizin karelerinin herbiri ile nokta çarpımlarını alabilir ve sonuçta 24 sayılık bir dizi elde edebilirsiniz.

Değişmezlik

Şimdi de aynı nesnenin bir öncekine göre 90 derecelik dönme yapmış halinin resmini alın. Elinizdeki 24 kare ile bunun nokta çarpımını hesaplayın. Yine aynı 24 sayıyı elde edersiniz, fakat sıralamaları farklı olur. Örneğin ilk kare ile yapılan çarpımdan elde edilen sonuç, bu kez altıncı kare ile yapılan çarpımın sonucu olarak çıkabilir. Ama sonuçta elde aynı 24 sayı olur.

O halde bu sayı listesi, yeni nesnenin dönme altından değişmezliği olan bir temsilidir. Bir nesneyi dönerken değil de boyutu değişirken veya konumu değişirken filme alarak elde edeceğiniz film kareleri de, sırasıyla boyut ve konum değişmezliği olan nokta çarpım listeleri verecektir.

Poggio ve meslektaşları son makalelerinde dönme, boyut ve konum değişmezliği olan bir nesne temsili üretmek amaçlandığında, en uygun kalıbın Gabor filtreleri olarak bilinen görüntüler kümesi olduğunu gösterdi. Beyin kabuğundaki görsel işleme hücreleri tarafından yapılan görüntü işleme operasyonları için de Gabor filtreleri iyi bir tanım sunuyor.

Üç Boyut

Bu teknik bir düzlem üzerindeki görsel değişimlerde iyi çalışsa da, üç boyutlu dönme olduğunda pek iyi iş görmüyor. Yani bir arabanın karşıdan çekilmiş fotoğrafı ile yandan çekilmiş fotoğraflarının ortaya çıkaracağı sonuçlar çok farklı oluyor.

Bununla birlikte araştırmacılar, eğer yeni nesne olarak filmdeki ile aynı tip nesne kullanılırsa , nokta çarpımların yeterince değişmez tanımları hala verebildiğini de gösterdiler. Bu gözlem, Nancy Kanwisher ve başka araştırmacılar tarafından yapılmış olan ve görsel işleyen beyin kabuğu bölümlerinin , belli nesne sınıfları için uzmanlaşan bölümleri olduğuna işaret eden araştırmaları ile örtüşüyor.

Ekip, PLOS Computational Biology dergisinde yayımlanan makalelerinde, nokta çarpım algoritmasını kullanarak binlerce rastgele nesneyi sınıflandırmayı öğrenen bir bilgisayar sistemi tasarladıklarını anlatıyor. Öğrendiği her nesne sınıfı için sistem bir şablonlar kümesi üretiyor. Bu şablonlar, insan beyninin görsel işleyen bölümünde karşılık gelen sınıflara ayrılan bölgelerin boyutunu ve çeşitliliğine ilişkin öngörü yapıyor. Bu da, araştırmacalara göre, beyin ile kendi yapılandırdıkları sistemin benzer birşeyler yaptığına işaret ediyor.

Ekibin değişmezlik hipotezi, Caltech profesörlerinden Christof Koch’a göre geleneksel makine öğrenimi ile primat görsel sistemi arasındaki büyük boşluğa kurulan güçlü bir köprü. “Eğer varolan doğal zeki sistemleri anlayacaksak, güçlü yapay zeka sistemlerinin yapılandırılmasına giden yolda bu gibi zarif matematiksel çerçeveler gerekecek,” diye ekliyor.

Kaynak:

Bilimfili,
Massachusetts Teknoloji Enstitüsü, “Machines that learn like people”
< http://news.mit.edu/2015/algorithms-recognize-objects-few-examples-1223 >

Referans Makaleler:

Fabio Anselmi et al. Unsupervised learning of invariant representations, Theoretical Computer Science (2015). DOI: 10.1016/j.tcs.2015.06.048
Joel Z. Leibo et al. The Invariance Hypothesis Implies Domain-Specific Regions in Visual Cortex, PLOS Computational Biology (2015). DOI: 10.1371/journal.pcbi.1004390

3. Mart 2016

Robotikçiler Robotlara Nasıl Öğreteceklerini Çocuklardan Öğreniyor

Bebekler ellerinin havadaki hareketlerine bakarak, eşyaları masadan aşağı iterek ve yetişkinlerin yaptıklarına bakıp, onları taklit ederek dünyayı keşfederler. Fakat robotikçiler robotlara birşey öğretmek istediklerinde, tipik olarak ya kod yazarlar ya da eylemi nasıl gerçekleştirebileceğini göstermek için robotun ilgili uzvunu fiziksel olarak hareket ettirirler.

Washington Üniversitesi’nden gelişimsel psikologlar ile bilgisayar bilimcilerin ortaklaşa yürüttüğü bir çalışmanın sonucunda ise robotların, çocuklara çok benzer biçimde öğrenebilecekleri ortaya koyuldu. Bir veri yığınını tarayıp keşfederek, bir insanın nasıl yaptığına bakarak ve kendisinin en rahat nasıl yapabileceğini belirleyerek öğrenme sürecine girebilirler. “Bu çalışmayı, tıpkı çocukların yetişkinlerden birşeyler öğrenişi gibi insanlardan yeni şeyler öğrenebilen robotların yapılandırılması yönünde atılmış bir adım olarak görebiliriz,” diyor ekipten Prof. Rajesh Rao.

“Eğer bilgisayar programlama hakkında hiçbir şey bilmeyen insanların robotlara birşeyler öğretebilmesini istiyorsanız, bunun yolu göstermekten geçer. Robota bulaşıkları nasıl yıkayacağını, giysileri nasıl katlayacağını, ev işlerini nasıl yapacağını göstermek gerekir. Ama bunu başarabilmek için de robotun o eylemleri anlayabilmesi ve kendi kendine yapabilmesi gerekir,” diye ekliyor Rao.

Çocuk gelişim araştırmalarını makine öğrenimi ile harmanlayan çalışmanın ayrıntıları PLOS ONE dergisinin Kasım sayısında yayımlanan bir makale ile paylaşıldı. Makalede, ekibin geliştirdiği yeni bir olasılıksal model sunuluyor. Modelin amacı robotikteki temel problemlerden biri olan bu zorluğa çözüm bulmak; yani insanları izleyerek ve taklit ederek öğrenebilen bir robot yapmak.

Robotikçiler, araştırmalarını psikoloji profesörü Andrew Meltzoff ile ortaklaşa yürütmüş. Meltzoff’un, 18 aylık kadar küçük çocukların, bir yetişkinin eyleminin amacını anlayarak, o amaca kendi başlarına ulaşmalarını sağlayacak farklı yollar geliştirebileceklerini gösteren bir çalışması bulunuyor.

Örneklerden birinde çocuk, bir yetişkinin çan biçimli bir oyuncağın parçalarını ayırmaya çalıştığını görüyor. Yetişkin bunu başaramıyor, çünkü parçalar birbirine çok sıkı geçmiş ve elleri kayıyor. Çocuk dikkatlice izliyor ve alternatif metodlar kullanmaya karar veriyor. O minicik parmaklarını oyuncağın uçlarına doluyor ve güçlü bir şekilde bir anda asılıyor. Yani yetişkinin yapmaya çalıştığı, ama elleri kaydığı için yapamadığını yapıyor.

Çocuklar, niyet okuma becerisini kısmen onların fizik yasalarının farkına varmalarını sağlayan kendi keşifleri yoluyla kazanırlar. Sonuç olarak başkalarından öğrenebilirler ve başkalarının niyetlerine ilişkin yorum yapabilirler. Meltzoff ayrıca bebeklerin o denli çabuk öğreniyor olma nedenlerinin çok oyuncu olmaları olduğunu düşünüyor.“Bebekler öylesine oynuyorlarmış gibi görünebilir, ama onların gelecekte öğrenecekleri için bu çok önemli. Yeni bir oyuncakla nasıl oynanacağını anlamaya çalışırken, diğer oyuncaklarla oynarken edindiği bilgiyi kullanıyorlar. Oyun esnasında kendi eylemlerinin fiziksel dünya üzerinde yarattığı etkinin zihinsel modelini öğreniyorlar. Bir kez bu modele sahip olursanız, basit problemleri çözmeye başlayabilir ve başkalarının niyetlerine ilişkin öngörüler yapabilirsiniz,” diyor.

Rao’nun ekibi bebekler üzerinde yaptıkları bu çalışmayı, bir robotun kendi eylemlerinin nasıl sonuçlar doğuracağını keşfetmesine izin verecek makine öğrenimi algoritmaları geliştirmek için kullanıyor. Ardından bu öğrenilmiş olasılıksal modeli, bir insanın ne yapmak istediğini çıkarsamak ve görevi tamamlamak ve eğer kendi başına tamamlayabilmesi kesin değilse yardım istemek için kullanılacak.

Araştırmacılar, robotik modellerini iki farklı senaryo ile sınamış. Biri, robotun insanın bakışlarını izleyerek öğrendiği bir bilgisayar simülasyonu deneyi; diğer deney de gerçek bir robotun insan davranışlarını taklit ederek oyuncak yiyecekleri bir masanın üzerinde gezdirmesi ile ilgili. Bakış deneyinde robot kendi kafa hareketlerinin bir modelini öğreniyor ve insanın kafasının da aynı kurallara göre işlediğini varsayıyor. Robot, insan odanın değişik yerlerinde göz gezdirirken, insan kafasının hareketlerinin başlangıç ve bitiş noktalarını izliyor. Bu bilgiyi kullanarak, insanın nereye bakmakta olduğunu anlıyor. Ardından kafa hareketlerine ilişkin öğrendiği modeli, insanla aynı konumda sabitlemek için kullanıyor.

Ekip ayrıca Meltzoff’un, bebeklerin görsel engeller ve göz bağı olan yetişkinlerin nereye baktıkları ile ilgilenmediklerini, çünkü onların aslında göremediklerini anladıklarını gösteren bir testini de yeniden tasarlamış. Robota, gözleri bağlı olmanın sonuçlarını bir kez öğrettiklerinde, robot insanın kafa hareketlerini izlemeyi bırakmış.“Bebekler kendi deneyimlerine dayanarak ötekilerin davranışlarını yorumlar; bizim robotumuzun yaptığı da bu,”diyor Meltzoff.

İkinci deneyde ekip bir robotun farklı nesneleri bir masada alıp bırakmasına izin vermiş. Robot bu modeli kullanarak, nesneleri masada gezdiren veya aşağı atan bir insanı taklit etmiş. Her seferinde insanın eylemlerini birebir taklit etmek yerine, robot bazen aynı sonuca ulaştıracak farklı yollar kullanmış. “Eğer insan bir nesneyi yeni bir konuma iterse, robot için itmek yerine kaldırıp koymak o nesneyi oraya götürmek için daha kolay ve güvenli bir yol olabilir. Ama bunun için amacın ne olduğunun bilinmesi gerekir ki, çalışmamızın ele aldığı zor robotik problemi de işte bu,” diyor başyazar Michael Jae-Yoon Chung.

Robotik masa üstü düzenleme görevi düzeneği. (a) Robot çalışma alanının sol tarafında bulunuyor ve Kinect (hareket algılayıcı) robotun görüş açısından bakıyor. Önceden tanımlanmış üç farklı alan var: Sol, sağ ve masa dışı. (b) Masanın üstündeki nesneler. Robot, kendi geometrisi için en uygun hareketin ne olduğunu seçerek, insanın hareketinin amacını saptayıp, kendine uygun yolla aynısını yapıyor. Telif: University of Washington

Kaynak:

Bilimfili,
Washington University, “UW roboticists learn to teach robots from babies”
< http://www.washington.edu/news/2015/12/01/uw-roboticists-learn-to-teach-robots-from-babies/ >

Referans Makale: Michael Jae-Yoon Chung et al. A Bayesian Developmental Approach to Robotic Goal-Based Imitation Learning, PLOS ONE (2015). DOI: 10.1371/journal.pone.0141965

31. Ocak 2016

İnsan Bilinci Yapay Bir Vücuda Aktarılabilecek Mi?

Bugünün belirsiz dünyasında ölümden kaçış yok, fakat şimdi, Humai adındaki yeni bir şirket, bu vakitsiz sorunun üstesinden bizim için gelebileceğini düşünüyor ve insanların bilinçlerini yeni, yapay bir vücuda aktarmayı vadediyor.

Eğer kulağa bilim kurgu gibi geliyorsa, çünkü hâlâ öyle, bunun sebebi Humai’nin iş tasarısı için gereken teknolojinin hiçbiri hazır ve çalışır durumda değil. Fakat bu durum şirketin CEO’su olan ve takımının ilk insanı 30 yıl içinde yaşama döndüreceğini söyleyen Josh Bocanegra’nın gözünü korkutmuyor.
Peki birisinin bilincinin başka bir robot vücuda aktarılmasını nasıl ele alıyorsunuz? Humai’nin internet sitesinde açıkladığı üzere (yeni çağ destek müziği ile tamamlanmış halde gelen):”Konuşma şekilleri, davranış kalıpları, düşünce işlemleri ve vücudunuzun içten dışa nasıl çalıştığı hakkındaki bilgi verisi depolamak için yapay zeka ve nanoteknoloji kullanıyoruz.

Bu veri birden çok algılayıcı teknolojisine şifrelenerek ölmüş bir insanın beyniyle beraber yapay bir vücuda kurulacak. Klonlama teknolojisini kullanarak, beyin olgunlaştıkça onu eski haline getireceğiz.”

Bunlar sade bir konuşmada ne anlama geliyor? Beyinlerimizin bilgisayara yüklenmesiyle kulağa epey teknolojik tekillik gibi gelse de, şirket temel olarak sadece beyninizi dondurmak ve teknoloji onu alıp onarmaya hazır olduğu zaman başka bir vücuda geri koymak istiyor. Bocanegra, Popular Science‘a şu açıklamalarda bulunuyor: “Teknoloji tamamen geliştiği zaman, beyni yapay bir vücuda nakledeceğiz. Yapay vücudun işlevleri, beyin dalgaları ölçülerek düşünceleriniz ile kontrol edilecek. Beyin yaşlandıkça, onu onarmak ve hücreleri iyileştirmek için nanoteknolojiyi kullanacağız. Klonlama teknolojisi de buna yardımcı olacak.”

Bu kulağa yeterince açık geliyor, fakat gerçekte bu, dünya çapındaki bilim insanlarının on yıllar boyunca çabaladığı bir şey ve şimdiye kadar bunun gerçekten başarılabileceğine dair hiçbir kanıt yok.
Tabii ki, yapay kollar, robotlar ve hatta diğer insanların kolları gibi şeyleri kontrol etmek için beyin dalgalarını nasıl kullanacağımızı çözdük, fakat yalıtılmış bir beynin bağımsız olarak düşünmesini ve bir vücudu kontrol etmesini sağlamak tamamen başka bir mesele.

Buna ek olarak, davranış ve eylemlerimizi düzenleme konusunda beynimizin tek başına çalışmadığı gerçeği her geçen gün daha açık hale geliyor. Hormonlarımızın yaptığı geribildirimin yanısıra vücutlarımızın diğer bölümlerinden ve hatta bağırsaklarımızda yaşayan bakterilerden gelen bilgiler bu işlemde çok önemliler.

Bu sebeple, uzmanların henüz Humai’nin haber bültenine kayıt olmuyor olmaları şaşırtıcı değil. İngiltereli bir yazılım danışmanı olan Michael Maven, The Huffington Post‘a bu fikrin imkansıza son derece yakın olduğunu, bunun sebebinin kısmen Bocanegra’nın sadece iki araştırmacıdan oluşan (toplam beş takım üyesinin içinde) bir takımı olduğunu ve risk sermayesi olmadığını söylüyor.
“Bunu bir makineye nasıl bağlayacak? Bunu basitçe USB ile bağlayamazsınız. Nanoteknoloji bir cevap değil, moda sözcük. Yaşayan dokudan oluşan bir organdan okunabilir düşünce ve fikirleri çıkarabilen teknoloji, şu an sahip olduklarımızdan çok uzakta.”
Yapay Zeka uzmanı Andrea Riposati bir adım daha ileri gidiyor ve tasarının mantıklılığını sorguluyor. İhtiyaç duyulan teknolojinin 30 yıl içinde hazır olacağını düşünmek için hiçbir bilimsel sebep olmadığını açıklıyor.
Fakat Bocanegra The Huffington Post’a cevap vererek, Humai’nin meşru bir tasarı olduğunu, çok hırslı olduğunu fakat üzerinde çalışmaktan heyecan duymasının sebebinin bu olduğunu söylüyor.

Kaynak :

Bilimfili,
Sciencedaily, A new start-up wants to transfer your consciousness to an artificial body so you can live forever, www.sciencealert.com/a-new-start-up-wants-to-transfer-your-consciousness-to-an-artificial-body-so-you-can-live-forever

28. Aralık 2015

Bilgisayarlar Düş Kurar mı?

Bilgisayarlarının rüyalarını analiz etmeye karar veren Google’ın yazılım mühendislerinin bulgularına göre,androidler elektrikli koyun düşlüyor! Hatta salyangoz kabuklu domuzlar, deveye benzeyen kuşlar ve köpek gibi balıklar da… Google’ın server bilgisayarlarının, alışılmış nesnelerin görüntülerini tanıma ve yaratma becerisini sınadıktan sonra bu kanıya varan araştırmacılar, deney sonucunda Escher’in çizimlerini ya da Dali’nin tablolarını anımsatan sonuçlara ulaştı.

Peki bu araştırmanın hedefi, bilgisayarlardan garip görüntüler yaratmalarını istemenin amacı nedir? Geleceğin parlak sanatçı robotlarının artistik potansiyellerini ortaya çıkarmaktan mı ibaret, yoksa daha bilimsel bir nedeni var mı? Asıl amaç elbette bütünüyle bilimsel: Google, bilgisayarların ne kadar verimli bir biçimdeöğrenebildiklerini bilmek istiyor.

Google’ın yapay sinir ağı bir tür bilgisayar beyin ve tasarımında hayvanlarda bulunan merkezi sinir sisteminden esinlenilmiş. Mühendisler bu ağa bir görüntü ilettiklerinde, ilk “nöron” katmanı şöyle bir bakıyor. Ardından bu katman, bir sonraki katman ile “haberleşiyor” ve görüntü işleme süreci başlamış oluyor. Bu süreç, nöron katmanı sayısı kadar (10-30 katman) yinelenirken, her bir katman görüntünün ne olduğu anlaşılana dek önemli özellikleri tanımlayıp izole ediyor. Bu nesne tanıma sürecinden sonra, sinir ağı bize nesnenin ne olduğunu söyleyebiliyor.

Google ekibi bu süreci tersine çevirebileceklerini fark etmiş. Yapay sinir ağına bir nesne söyleyip, o nesnenin bir görüntüsünü yaratmasını söylemişler. Bilgisayar da, nesneye ait olduğunu bildiği çeşitli özellikleri bir araya getirerek görüntü oluşturmayı denemiş. Bir çatal resmi istendiğinde, çatalın tanımlayıcı özellikleri bir sap ve sapın ucundaki birkaç sivri uçtur; boyut, renk ve duruş şekli önemli değildir. Bilgisayarların bu ayrımı yapıp yapamadığını anlamak için bir dizi görüntü çıktısı istenmiş. Tabi bazen sonuçlar pek beklendiği gibi çıkmamış. Örneğin aşağıdaki dambıl görüntülerinde, bilgisayarın değişik açılardan alınmış ve farklı uzaklık ya da boyuttaki dambıl görüntülerinin bir karışımını sunduğunu anlıyoruz. Dikkat ederseniz bilgisayar, ağırlık kaldıran kaslı kolu da dambılın bir parçası kabul etmiş. Google’da dambıl araması yaptığınızda karşınıza çıkan görüntülerin çoğu dambıl kaldıran bir kol oluyor. Bu nedenle bilgisayarı anlayışla karşılamak gerek.

Bilgisayarların nesnelerde görüntü tanıma yetenekleri, sanatçıların hayal gücüyle yarışacak düzeyde. Dağların arasında tapınaklar, ağaçlarda binalar ve insanlar veya çiçeklerde kuşlar görebilirler.

bilgisayarlar-dus-kurar-mi-bilimfilicom

Hatta bazen son derece ayrıntılı öğeler, ortada hiçbir şey yok gibiyken belirebilir. Aşağıdaki işlenmiş bulutlu gökyüzü fotoğrafı, Google’ın yapay sinir ağının bulutları bir şeylere benzetmede bir numara olduğunu kanıtlıyor. Ortada hiç görüntü yokken onları yaratan bu tekniğe “başlatımcılık (inceptionism)” adı veriliyor. Bilgisayarların bu teknikle ortaya koyduğu yapıtları inceleyebileceğiniz bir sanat galerisi bile var.

Tasarımcılar makineden belli bir görüntü istemek yerine, sanatsal çalışmalarını bütünüyle özgür biçimde yapmasını sağladıklarında, mekanik bir zihinden ortaya çıkan eserlerin güzelliğinden çok etkilenmişler. Mühendisler bu görüntüleri “rüya” olarak adlandırıyor. Rüyaları ortaya çıkarmak için bilgisayara beyaz gürültüden (tüm frekanslarda rastgele dağılımlı gürültü) oluşan bir boş “beyaz kağıt” veriliyor. Makine bu gürültüden desenler çekerek, düşsel manzaralar oluşturuyor. Bu tablolara baktığınızda, ancak ve ancak sonsuz bir düş gücünün ürünü olabileceklerini seziyorsunuz.

Kaynak:

Bilimfili
Iflscience.com “Google’s AI Can Dream, and Here’s What it Looks Like”
<http://www.iflscience.com/technology/artificial-intelligence-dreams>
Googlesearch