Művészi és tudományos projektek a mesterséges intelligenciánál is inkább sci-fiszerű mesterségesélet-kísérletek. Az MI-hez tartozik, intelligencia helyett azonban élő rendszereket, rendszer-környezet interakciókat, főként az evolúciót és az információfeldolgozást tanulmányozva próbál biológiai minták alapján szimulációval és más infokommunikációs módszerekkel szintetikus lényeket teremteni digitális, természetes és kevert közegben. Az életet nemcsak az általunk is ismert formájában vizsgálja, hanem azt is, hogy az „milyen lehetne.”

A mesterséges élet egyrészt tudomány és technológia, másrészt művészet. Az először 1986-ban, Christopher Langton által használt kifejezés három területre vonatkozik: szoftverre (számítógépes környezet digitális létformáira), hardverre (biológiai elvek szerint épített rendszerekre, például robotokra) és wetware-re. Utóbbin, a „nedves anyagon” biokémiát, szintetikus biológiát és hasonlókat értünk.

A szakterület őse az 1940-es évek végén a gépi reprodukciót és logikai következményeit vizsgáló Neumann János, az ő elméleti sejtautomatája volt a kezdőpont. Modelljét többen finomították, egyszerűsítették, majd Langton komplex rendszerek helyett életszerű formákat akart megvalósítani. Különleges hurokalakzatokig jutott el, amelyek generációról generációra öröklődő digitális genetikai információt és a szaporodásra vonatkozó utasításokat tartalmaztak. Q-alakú szerkezetekkel kezdte, sejtautomata-szabályokat alkalmazott rájuk. Idővel megnőtt a végük, szép lassan kezdetleges életformákat utánzó „hurokgyerekek” születtek. A kutató különös jelenségre, a káoszból spontán és emergens módon kialakuló rendre lett figyelmes. A mozgásban lévő rendszer tengeri létformákhoz, például korallokhoz hasonló, újabb hurkokból és utódaikból álló csoportokat generált.

A biológiai jelenségek gépi úton reprodukálhatók – vonta le Langton a következtetést, miközben újabb „lényekkel”, többek között V-alakú virtuális hangyákkal kísérletezett. Nyomokat hagytak maguk után, csoportos kooperatív viselkedésük, rajintelligenciájuk szociális rovarokkal, igazi hangyákkal mutatott meglepő hasonlóságot.

Langton nemcsak a sejtautomata-modell hatékony alkalmazásáról győződött meg, de az apró egyéni cselekvésekből összeálló, központi intelligencia nélküli kollektív rendszerben, az alulról felfelé (bottom-up) történő, emergens viselkedésmintákat eredményező megközelítésről is, mert olyasmi történt, amit nem programozott előre. A mesterségesélet-programok egyébként a sejtautomatához hasonló genetikus, evolúciós algoritmusokként működnek.

Kortárs képzőművészek kreatív módon alkalmazzák a mesterséges életet: a több monitoron megjelenő képsorok kezdetben egyszerű absztrakt formák, amelyek fokozatosan komplexebb szerkezetekké alakulnak át. Az evolúció menetét követő program folyamatosan generál változatokat: megváltoznak a színek, új kompozíciós elemek jelennek meg, a képek már teljesen mások, mint eredetileg. A természetes organizmusoknak megfelelő, állandóan átalakuló, digitális lények a kaotikus gépi közeg korlátozott tereiért és az energiakészletekért küzdenek.

Míg a digitális létformák és ökoszisztémák csak számítógépes közegben „élnek”, és a belőlük levont tanulságok főként robusztus, alkalmazkodó és hibatűrő programok, áramkörök, illetve vírusok fejlesztésében konkretizálódnak, addig sokan a mesterséges élet kézzel foghatóbb, fizikai kivitelezésén, interaktív robotokon és egyéb gépeken, kompozit anyagokon, rendszerösszetevőkön dolgoznak.

Rodney Brooks, az MIT (Massachusetts Institute of Technology) legendás robotikusa például a hagyományos, az információfeldolgozást az érzékelés-modellezés-tervezés-cselekvés sor eredményeként, egy-egy műveletet gyakran egy-öt percig kivitelező, változó környezetben kevésbé hatékony robotrendszerek ellenében vezette be a viselkedésalapú, biológiai-evolucionista megközelítést. A modulárisan egymásra építhető összetevők önállóan, központi tervezés nélkül végzik feladatukat, az irányítást hálózataik interakciói eredményezik. A rendszer intelligenciája rétegszerű szerkezet kialakításával, lépésről lépésre növelhető. A rétegek önálló viselkedésgeneráló elemek, de függenek a hálózat korábban már felépített rétegeitől is.

Az ezen elvek alapján fejlesztett robotoknál a rétegek, azok összetevőinek megnyilvánulásaiban megfigyelhető a bonyolultabb mesterségesélet-rendszerek talán legfontosabb jellemzője, az emergencia.

Frissítve: 2025. június 16.

A legendás városépítő játékban, a Sim City-ben komplett mesterséges városokat, társadalmakat dolgozhattunk ki néhány órányi játékkal. A városépítő játékokhoz hasonlóan az egyre nagyobb skálájú számítógépes szimulációk is lehetővé teszik társadalmi jelenségek, folyamatok, sőt, egész társadalmak pontosabb modellezését, hipotetikus modellek összekombinálását valódi adatokkal.

Az adatrobbanás, a big data és a mesterségesintelligencia-megoldások gyors fejlődése rengeteget segít az elemzésekben fontos szerepet játszó, alulról felfelé (bottom-up) szerveződő, ágensalapú mesterséges társadalmak szimulálásában. Ezek a szimulációk lehetőséget adnak arra is, hogy tanulmányozzuk, hogyan tegyük jobb hellyé a világot.

A mesterséges társadalom koncepciója olyan számítástudományi módszerekhez, technikákhoz kapcsolódik, mint az evolúcióalapú programozás, a multi-ágens és a komplex rendszerek, vagy az ágenskutatásból jól ismert emergencia. Az elképzelés elég egyszerű, a kivitelezés annál bonyolultabb. Komplex matematikai modellek régóta léteznek, a jelenleg elérhető számítógépes kapacitások nélkül viszont csak csúcslaborokban lehetett hatékony szimulációkat futtatni.

Az emberi interakcióra vonatkozó, mindössze néhány szabály felállításával bonyolult önszerveződő rendszerekhez hasonló „társadalmak” hozhatók létre. Véletlen események bevezetésével különös, nem teljesen véletlen, előre nem definiálható jelenségek figyelhetők meg. A modellek a jövő pontos előrejelezhetőségének bizonyítása helyett inkább arra hívják fel a figyelmet, hogy a társadalmi, politikai, gazdasági stb. élet mely pontjain számíthatunk meglepetésekre, nem várt jelenségekre.

Ráadásul ugyanaz a modell több, nem egyszer gyökeresen eltérő megoldást eredményezhet. A módszerrel egyébként nemcsak a jövő vagy a jelen társadalmi trendjei, hanem a múlt, például – ismert (földrajzi, éghajlati, néprajzi stb.) adatok alapján modellezett folyamatokra támaszkodva – megoldatlan történelmi jelenségek, rejtélyek is vizsgálhatók, és hamar kiderül, hogy a tegnapot ugyanolyan nehéz előrejelezni, mint a holnapot.

A mesterséges társadalmak és az ágensalapú modellezés Neumann János sejtautomatájáig, az önmaga reprodukálására képes gépek elméletéig vezethetők vissza. Stanislaw M. Ulam az 1940-es években, Los Alamosban különböző számítógépes mintajátékokat talált ki. Meghatározott szabályok alapján a számítógép állandóan átalakuló, „szinte élő” mintázatokat, geometriai formákat nyomtatott ki. A sejtekből összeálló alakzatok gyakran egymást megsemmisítve küzdöttek az élettérért. Egy-egy sejt „élete” a szomszédoktól függött.

Ulam javaslatára Neumann János a mintajátékokat végtelenített sakktáblára alkalmazta. A sejtstruktúrára (s így egy – az absztrakt világot működtető – leegyszerűsített fizikára) azért volt szüksége, mert nélküle rendkívül nagy, szinte mérhetetlen mennyiségű kapcsolat jönne létre az összetevők között. Végül sikerült megvalósítania az elméleti modellt, és bebizonyította, hogy megfelelő átmeneti függvénnyel a sejtautomata univerzális és önreprodukáló.

Neumann munkájából kiindulva az adaptáció és az optimalizálás problémájára alkalmazva, a „genetikus algoritmusok atyjaként” emlegetett John Holland az 1970-es években általános sejtautomata-szimuláló programot fejlesztett.

A bonyolultabb és izgalmasabb kétdimenziós automatákat vizsgálva, John Horton Conway brit matematikus az 1970-es évek elején dolgozta ki az Életjátékot, a legismertebb (négyzethálós) sejtautomata modellt. Két állapotot, négy egyszerű szabályt használt, sejtenként nyolc szomszédos cellával, cellánként maximum egy sejttel: ha egy élő sejtnek kettőnél kevesebb szomszédja van, akkor meghal; ha háromnál több szomszédja van, akkor is meghal; ha egy halott sejtnek (üres cellának) pontosan három szomszédja van, akkor életre kel; különben, az összes többi sejt eredeti állapotában marad.

A gyorsan, számítógéppel másodpercenkénti több generációs sebességgel pergő játék során különös alakzatok keletkeznek, csoportok bukkannak elő, tűnnek el, aszimmetrikus formák szimmetrikusokká fejlődnek – pontosan úgy, mint az életben.

Ágensalapú megoldást először (az 1980-as években) Craig Reynolds használt társadalmi modellként. Élő biológiai ágenseket a mesterséges életként ismert módszerrel próbált modellezni.

Az eljárást hamarosan társadalmi rendszerekre kezdték alkalmazni, innen származik a mai szociológiában széles körben elfogadott, interdiszciplináris „mesterséges társadalmak” kifejezés.

Frissítve: 2025. június 16.

Mi a közös vonás a madárrajok mozgásában, a vezető nélküli légi járműcsapatok tevékenységében, az erdőtüzek elterjedésében, a forgalmi dugók vagy a csoportot alkotó egyénekre nem feltétlenül jellemző, közösségként viszont identitásformáló szokások kialakulásában?

Az, hogy mindegyik központilag irányított mechanizmusok nélküli, egymás közelében lévő egyedek helyi interakcióiból kifejlődő önszerveződő rendszerként működnek. Együttes viselkedésük nem vezethető le a részek összességéből, túlmutat azon, valami más, önálló minőség fejlődik ki belőlük.

A multi-ágens rendszerek egyedeihez hasonlóan, ők is emergens viselkedést mutatnak.

Az emergencia három esetben bír kitüntetett jelentőséggel: egyrészt, ha a rendszer szerveződése („globális rendje”) lényegesen előremutatóbb, teljesen más jellegű, mint az alkotóelemek önmagukban. Másrészt, ha az alkotóelemek a rendszer egészének összeomlása nélkül helyettesíthetők, harmadrészt, ha az eddigi alkotóelemekhez viszonyítva szélsőségesen mások és újak a frissen keletkezett minták és tulajdonságok. A részekből nem következtethetünk a felbukkanó mintákra, és a minták sem vezethetők vissza, nem egyszerűsíthetők le a részekre.

Az élővilágban gyakori jelenséget a multi-ágens rendszereken, közülük is főként az egyik legkülönlegesebben, a rajintelligencián figyelhetjük meg. E rendszerek fejlesztői a természetben rajként működő állatokról, nyájakról, madarakról, halakról, méhekről, hangyákról stb. mintázzák programjaikat, algoritmusaikat.

A decentralizált, önszerveződő rendszerek kollektív viselkedése először a kései 1980-as, majd az 1990-es évek mesterségesintelligencia-kutatóit ihlette meg, a „rajintelligencia” (swarm intelligence) kifejezést, egy sejtalapú robotrendszert bemutatva, 1989-ben, Gerardo Beni és Jing Wang használta először. Az első ismert kísérletben, a mesterségesélet-programon dolgozó Craig Reynolds 1987-ben madarak csoportosulását egyszerű ágensekkel – madárszerű objektumokkal, boidokkal – szemléltette.

Az egyedek nagyon egyszerű szabályokat követnek, központilag semmi nem „mondja meg” nekik, hogyan viselkedjenek. Bizonyos mértékben véletlenszerű, lokális cselekedeteik, interakcióik eredményeként a közösség intelligens „globális” viselkedést tanúsít. Magasabb szintű intelligencia fejlődik ki belőlük (emergencia).

A rajintelligencia elveinek alkalmazásával kutatók társadalmi-gazdasági jelenségek modellezése mellett fontos számítástudományi kérdésekre, például hálózati útvonaltervezésre, általában optimalizálási problémák megoldására vagy az ember számára veszélyes terepeken (romok között, óceánfenéken stb.) dolgozó mentőrobotok koordinálására stb. keresik a választ.

Az egyik legismertebb alkalmazási terület, a rajrobotika. Képviselői többek között olyan technológiákon dolgoznak, amelyek lehetővé teszik, hogy a gépek kifejlesszék saját „nyelvüket”, merítsenek a környezettel folytatott interakciókból, az egymással való kommunikációból. Az egyedeket nem felnőttekként, hanem élményeikből mindig tanuló gyerekekként képzelik el. Ezek az ágensek közvetlenül, azaz emberi beavatkozás nélkül érintkeznek a környezetükkel, kommunikálnak egymással és más, akár ember-ágensekkel.

A jelen és a közeljövő fejlett robotrajai modulárisak: a rendszer elemei külön vannak választva, pontosan meghatározott interfészen keresztül kommunikálnak egymással. Így lehetséges egyes elemek lecserélése, amivel a stabilitás veszélyeztetése nélkül befolyásolható a nagy egész működése. Ez biztosítja, hogy a mindenkori feladatnak megfelelően legyenek felszerelve, de az alkalmazkodáshoz is kulcsfontosságú tényező.

Izgalmas alkalmazási terület még a hálózatként működő emberi csoportok kollektív intelligenciáját növelni hivatott mesterséges rajintelligencia. A vezérlőalgoritmusokat természetes rajokról mintázzák, a résztvevő közösségek valósidőben kapcsolódnak ilyen rendszerekhez. A technikát például nagyon pontos pénzügyi előrejelzésekhez, fogadási piacokat felülmúló teljesítmény kidolgozásához, orvosi diagnóziskészítéshez használják.

Frissítve: 2025. június 17.

Állatok, egymás közötti kommunikációjukhoz szervezetükből – mirigyeikből – a külvilágba juttatott jellegzetes összetételű vegyületeket, a faj másik egyedeiben meghatározott viselkedést elindító feromonokat is használnak. Nyomokat hagynak, veszélyt jeleznek, a szociális és a szexuális viselkedést befolyásolják velük.

Főként feromonok szabályozzák a hangyák társas viselkedését; a vegyi „jelölők” segítségével, egymás nyomát követve találnak el az élelmiszerforráshoz, választják ki a lehetőségek közül a legrövidebb útvonalat. Az „illatútvonalak” mentén, közösségi munkával akár nagyobb távolságra is képesek elvinni a táplálékot, például elhullott rovarokat. Az egyének együttműködnek, csoportosan sokkal többre képesek, mint gondolnánk a „részek összessége” alapján.

Az élővilág sok más jelenségéhez hasonlóan, a hangyák ösztönös optimalizáló tevékenysége is megihlette a számítástudományt, például az önálló ágensekkel ellentétben, csoportosan tevékenykedő, többek között telekommunikációs és közlekedési útvonaltervezésre (az 1990-es évektől) használt multi-ágens rendszerek fejlesztőit.

A hálózatiság és a nyílt, elosztott rendszerek terjedése folyamatosan megváltoztatják a számítógépes feladatok megoldásának módjait. Több, esetleg ellentétes érdekű szereplő lép színre, globálisak, de egyre gyakrabban csak részben közösek a célok, és globálisak a korlátozások is.

Hogyan lehet megvalósítani lokális cselekedeteken keresztül globális célokat?

Úgy, hogy az akár egymástól független viszonylag egyszerű egyedek tömegesen – az alkalmazások részletes újraírása nélkül módosítható és újjáépíthető, rugalmas rendszert alkotva – dolgoznak együtt: kooperálnak, de ha ellenérdekeltek, akkor versengenek. Egy ilyen, multi-ágens rendszer tagjai különböző függőségi viszonyokban állhatnak egymással: függetlenség, egyoldalú vagy kölcsönös függőség.

Ugyanúgy működnek, mint a mintának tekintett hangyakolóniák: az egyéni cselekvések, az ágensek interakciói magasabb szintű kollektív viselkedésformákat eredményeznek. Akármennyire is versengenek az egyedek, tevékenységüket mindenképpen össze kell hangolni, máskülönben a rendszer nem tudja megoldani feladatait, betarthatatlanná válnak a vele szemben támasztott külső korlátozások. A koordináció a hatékony működés alapfeltétele.

Az együttműködést három mechanizmussal valósítják meg: előre rögzített struktúrák alapján történő, hierarchikus koordinációval, szerződéskötéssel, multi-ágensalapú tervezéssel. Az egyedek együttműködését és kommunikációját egyaránt meghatározza az ágensek közötti interakció módja. Az üzenetkódolás, valamint az üzenetváltás során használt protokollok szabványosítása nélkül a nem azonos ágensekből álló heterogén rendszerek működésképtelenek lennének. Erre találták ki az ágenskommunikációs nyelveket.

Az együttműködés és a kommunikáció szempontjából nagyon fontos a többféleképpen, ellentétes fogalompárokkal leírható ágenskörnyezet is, amely teljesen vagy csak részben megfigyelhető, statikus vagy dinamikus, nem összefüggő vagy folyamatos, minden előre elrendezett vagy véletlenszerű stb. lehet.

Az egyszerű szabályokon alapuló, központ nélküli, alulról felfelé építkező rendszerek egyedei dinamikus interakcióban állnak egymással. A helyi interakciók egyre bonyolultabbá válnak, mígnem a rendszer viselkedése valamilyen szempontból túlmutat a részek, az azt alkotó ágensek hatásainak mechanikusan vett összességén. A rendszerszintű viselkedést az ágensek programjai már nem, vagy csak nagyon közvetett módon tartalmazzák magukban. A részek cselekedeteiből spontán módon, váratlanul formálódó, az alacsonyabb szintű összetevőkbe „nem kódolt” minták, szerkezetek tűnnek fel az egészen. Ilyen esetekben emergens jelenségről, emergenciáról beszélünk. A hangyatársadalmak viselkedése, sikeres útvonalválasztásuk is az.

Frissítve: 2025. június 17.

Az ágens szó a köznyelvben változást okozó erőre, a kémiában a kívánt módosulást előidéző vegyi anyagra vonatkozik, régebben pedig üzleti, sőt politikai megbízott, azaz ügynök értelemben is használták. A számítástudományban szintén megvan a maga jelentése, ezért rossz a magyar nyelvű szakirodalomban terjedő „ügynök.” .    

Az informatika története során többször megváltozott a különböző szoftverkomponensek, szoftverek, gépi rendszerek értelmezése, tervezési, fejlesztési és működtetési módjuk. A világháló, majd a közösségi médiumok, az utóbbi években pedig a mesterséges intelligencia térnyerésével az információfeldolgozás jellege is átalakult, a gépek közötti kommunikációra, interakcióra tevődött át a hangsúly. E gépek aktiválásához nem kell mindig, és a jövőben még kevésbé szükséges emberi beavatkozás, mert automatizált alkotóelemeik is képesek rá.

Az egymáshoz alkalmazkodó, együtt fejlődő entitások szerveződése jobban hasonlít az élővilághoz, az emberi társadalmakhoz, mint az egyszerű számításokat végző programokhoz. Folyamatosan kommunikálnak egymással, interakcióik egyre hatékonyabbak.

Az IT egyik célja, az eredményesebb ember-gép, gép-gép kapcsolat megvalósításában kitüntetett szerepet játszik az 1990-es években indult ágenstechnológia. Az ágenseket többféleképpen próbálták már meghatározni, legközelebb talán akkor járunk a valósághoz, ha a környezetét érzékelőivel észlelő, beavatkozóival (aktuátoraival) megváltoztató, valamilyen szintű autonómiával rendelkező entitásokat értünk rajtuk.

E definíció értelmében három csoportba sorolhatók: biológiai (ember, kutya, macska stb.), fizikai, de nem élő (robot, drón stb.) és számítógépes (szoftver, alkalmazás stb.) ágenseket különböztetünk meg. A harmadik csoportba tartozók érzékelői bemenetekként például billentyűleütéseket, fájltartalmakat, hálózati adatcsomagokat fogadnak, környezetükbe pedig adatcsomagok küldésével, fájlok létrehozásával, képernyő-jelekkel avatkoznak be, módosítják azt. Bizonyos mértékű intelligencia, főként alkalmazkodó és tanulási készség nélkül nem tudnák sikeresen kivitelezni ezeket a tevékenységeket.

Jelenleg elsősorban az ember-számítógép interfészek hatékonyabb működéséhez járulnak hozzá az ágensek: honlapok látogatóival kommunikálnak, virtuális robotként csevegnek a felhasználókkal, animált fejekként végeznek többek között ügyfélszolgálati munkát, személyi asszisztensként tevékenykednek, és ugyan kezdetleges szinten, de a beszélgetőpartner érzelmeire is reagálnak. A mesterségesintelligencia-forradalom a nagy nyelvmodellek és a generatív MI fejlődésével felgyorsította, új dimenzióba helyezte, gazdagította ezeknek az entitásoknak a tevékenységét.

Ők az egyedül tevékenykedő, „magányos” ágensek, míg mások csoportosan, multi-ágens rendszerekként működnek.

Kezdetleges mesterségesen intelligens entitások; identitásuk és állapotuk huzamosabb ideig fennáll, funkcionál. Mivel közvetlen emberi és más beavatkozás nélkül tevékenykednek, a „magányosok” mindig rendelkeznek valamilyen szintű autonómiával. Bizonyos mértékig irányítják a cselekedeteiket, kontrollálják belső állapotukat.

Környezetükbe be vannak ágyazva, állapotaik csak azzal együtt értelmezhetők, mert ha kiemeljük őket a közegből, működésképtelenek. Érzékelik, és nemcsak reagálnak a változásokra, hanem kezdeményeznek is, célirányosan viselkednek. Ehhez elengedhetetlen, hogy rendelkezzenek, például az emberi felhasználóval való együttműködés képességével.

Mindezek a tulajdonságok és speciális architektúrájuk eredményeként az ágensek aktívabbak a hagyományos programoknál, jobban kiszolgálják a felhasználót.

Frissítve: 2025. június 18.

Iskolai informatikaórákon megtanultuk, hogy a mai számítógépek zömének működése nullákon és egyeken alapul. Csakhogy a természetben és a valóságban elég ritka, hogy egy állítás nulla vagy egy, azaz teljesen igaz, vagy teljesen hamis. A jelenséggel a homálylogika foglalkozik, elvei alapján például robotokat, orvosi riasztórendszereket, rádió frekvenciaszűrőket és háztartási készülékeket is működtetnek.

A homálylogika, angolul fuzzy logic azon a tényen alapul, hogy az életben leginkább pontatlan és nem numerikus információk alapján hozunk döntéseket. A fuzzy-modellek vagy halmazok a bizonytalanságot, homályosságot jelentik, az elnevezés is innen ered. Pontosan ezért rendelkeznek azzal a képességgel, hogy a bizonyosságot nélkülöző adatokat és információkat ismerjenek fel, jelenítsenek meg, módosítsanak. Használják, feldolgozzák azokat.

Maga az elv, az ókori görögöknél, a sztoikus filozófusoknál jelent meg először. Arra figyelmeztettek, hogy természetes fogalmaink igazságtartalmát nem lehet egyértelműen megállapítani. Elsőszámú példájuk a kavicshalom paradoxona: ha egyenként elvesszük a kavicsokat, meddig tekinthető még kavicshalomnak vagy már valami másnak?

A „homálylogika” fogalmat 1965-ben Lotfi Zadeh, azeri származású amerikai matematikus-informatikus használta először, a végtelen értékű logika jelenségével viszont már az 1920-as évek óta foglalkoztak. Eszerint a változók igazi értéke bármilyen 0 és 1 közötti valós szám lehet, beleértve természetesen a nullát és az egyet is.

A részleges, tehát a teljesen igaz és a teljesen hamis közötti igazság kezelésére használják, és így ellentétes a programvezérelt digitális számítógépek kidolgozásának alapját jelentő Boole-féle logikával. A 19. századi angol matematikusról, filozófusról, George Boole-ról (1815-1864) elnevezett módszerrel csak két értéket (igazat vagy hamisat), az informatikában nullát és egyet felvevő mennyiségek összefüggései közötti törvényszerűségeket vizsgálják.

A klasszikus számítógépes rendszerekkel ellentétben a homálylogika alapján működő komputerek a 0 és az 1 közötti közbülső értékeket, is használnak: „kicsi” (0,2), „félig-meddig” (0,5), „eléggé” (0,8) stb. Ez azért fontos, mert matematikailag-logikailag kezelhetők a „homályos” meghatározások.

A homálylogika első sikeres alkalmazásainak többsége Japánhoz köthető. Először a fősziget, Honsú északkeleti részén fekvő Szendai városában metrószerelvényt irányítottak ilyen rendszerrel, majd a Sony is használta: kézzel írott jelképeket ismert fel zsebszámítógépein a homálylogika elvei szerint működő program. Hasonló megoldások támogatják egyes helikopterek repülését, Szendaion kívül más metrórendszerek vezérlésébe is besegítenek, javítanak az elektromos művek szolgáltatásminőségén, járművek üzemanyag-fogyasztásán, a japán szeizmológiai iroda földrengés-előrejelzésre dolgoztat fuzzy alapú rendszert.

„Homály” porszívók jobban észlelik a szőnyegek állapotát, hogy mennyire koszosak, mosógépek pedig a ruhák szennyezettségének mértéke szerint adagolják a mosószert, például más a mennyiség, ha a textíliák csak enyhén szennyesek, vagy ha erősen piszkosak.

Frissítve: 2025, június 18.

Biológia és infokommunikációs technológiák izgalmas határterülete a rendkívül bonyolult folyamatok, mint az evolúció, az önszerveződés, vagy a tanulás modellezése számítógépes módszerekkel. A szerteágazó módszerek egyik legrégebbikének a számítástudomány  több ágában, például szoftverek megbízhatósági tesztjénél és optimalizálási feladatoknál jól bevált evolúciós algoritmusok számítanak.

Ezeket az algoritmusokat sok szakértő azonosítja a genetikus algoritmusokkal. Mások viszont négy, egymástól nagyon nehezen megkülönböztethető csoporttól beszélnek: genetikus algoritmusokról, genetikus programozásról, evolúciós stratégiákról, evolúciós programozásról. Az egyszerűség kedvéért mi most egybevesszük a négy csoportot.

Az 1975-ben bevezetett evolúciós algoritmusok a biológiai evolúció által motivált problémamegoldó sémák, úgynevezett metaheurisztikák. Az azóta eltelt közel ötven esztendő alatt komoly fejlődésen mentek keresztül, sokféle változatuk jött létre, miközben matematikai megalapozásuk is egyre teljesebbé vált. Nagy előnyük, hogy bizonytalan és pontatlan információs környezetben is eredményesen alkalmazhatók, főként rugalmasságuknak és a párhuzamos keresésnek köszönhetően gyakran felülmúlják a hagyományosabb optimalizálási eljárásokat.

Alapötletük a természetből származik: több egyed – itt mesterséges „személyekből” álló populáció – szimulált környezetben verseng a szűkös erőforrásokért, és csak a legerősebbek örökíthetik át génjeiket a következő generációba. Az ezt megvalósító program először véletlenszerűen megoldásokat generál, eleinte valószínűleg nagyon rossz minőségűeket. Egy algoritmus segítségével módosít rajtuk, azaz létrehozza a következő generációt, amit megvizsgál, és csak egy részét, a – valamilyen szempontból – legjobbakat tartja meg. Ilyen módon „szaporodnak”, és létrejön egy újabb, az előzőtől kismértékben különböző generáció. A ciklust addig folytatja, amíg kielégítő megoldást nem talál, vagy esetleg elfogy a megoldásra szánt idő.

Nincs garancia arra, hogy a létező legjobb megoldást találja meg, de erre általában nincs is szükség. Egy „még megfelelő” változat ilyen módon általában sokkal kevesebb idő alatt alakul ki (azaz evolválódik), mintha hagyományos optimalizáló algoritmussal dolgozna.

 De miért lehetnek sikeresek pont ezek az algoritmusok? Induljunk ki a biológiai modellből: a természetes kiválasztódáson alapuló evolúció komplex és intelligens, sőt, egyre komplexebb és intelligensebb létformákat generál. Jelen ismereteink szerint az egyetlen olyan biológiai folyamat, amely bizonyíthatóan intelligenciát hoz létre. A DNS pedig lényegében genetikai program, egy komplex szoftver.

Az eddigi fejlesztések eredményei alapján az evolúciós minta egyes infokommunikációs területeken sikerrel alkalmazható. Rendszertervezők egyetlen megoldást se programoznak be: a megoldások a verseny és a szüntelen bizonyítás során fejlődnek ki. Több ezer generáció szimulálására, a természetes evolúció lassúságával összehasonlítva, a hardver-kapacitás és a megoldandó feladat bonyolultságától függően, pillanatok, percek órák, napok, esetleg hetek alatt kerül sor. A bonyolult iterációs mechanizmusokon mindössze egyszer kell végigmennünk, utána már csak a kifejlődött, kifinomult szabályokat alkalmazzuk. Gyakran előfordul, hogy száz-kétszáz iteráción vagyunk túl, és látszólag szinte semmi nem történt. Aztán hirtelen, egyik pillanatról a másikra, kikristályosodik a megoldás.

Frissítve: 2025. június 18.

Sokan félnek a „gyenge”, és az „erős” mesterséges intelligencia után érkező szuperintelligenciától, míg mások szerint ilyen gépi entitások sosem fognak létrejönni.  

Az MI fejlődése három jól elkülöníthető szakaszban írható le: az elsőt, a jelenlegit az alaposan körülírt, pontosan meghatározott, általában rengeteg számítást igénylő feladatokat, például képek vagy beszéd felismerését, személyek azonosítását, sakkjátszmát valósidőben végrehajtó programok, algoritmusok, szűk mesterséges intelligenciák (artificial narrow intelligence, ANI) jellemzik. A Siri, a Cortana, a Google asszisztense és fordítója is ebbe a kategóriába tartozik, a generatív MI viszont változást hozhat, de legalábbis benne van a változás ígérete.

A 2010-es évek óta zajló periódust a magasszintű gépi tanulás, a mélytanulás (deep learning), az óriási adatsorokon gyakorló, egy-egy területre specializált, gyenge MI-k, mostanában főként mesterséges ideghálók jellemzik. Nincs én-, és öntudatuk, nincsenek érzelmeik, bár a gyengétől a "szuperig" az intelligenciának nem feltétele a tudatosság, például az általános MI-szint a rendszer tudatossá válása nélkül is elérhető.

A második korszak már a jövő, így csak prognosztizálhatunk, hogy mikorra valósul meg az általános vagy erős mesterséges intelligencia, az AGI (artificial general intelligence). A vélemények megoszlanak: egyesek néhány, mások tíz-húsz, megint mások ötven évet jósolnak, többek szerint viszont soha nem valósul meg ilyen MI.

Ezek a rendszerek az emberi szintű értelemmel, és talán, de nem feltétlenül tudatossággal, érzelmekkel, kreativitással is rendelkeznek majd. Absztrakt gondolataik vannak, terveket dolgoznak ki, emlékeznek, alkotó ötletekkel állnak elő, nagyjából úgy mint mi. Döntéshozáskor felhasználják előzetes ismereteiket. A csak a Homo sapiensre jellemző képességeket hihetetlenül nehéz gépekben utánozni, a mostani MI-kutatás egyelőre nem is képes rá, csak tapogatózik. Általános mesterséges intelligenciát az utóbbi évek több közeljövőben játszódó sci-fijében, korábban pedig legplasztikusabban a Her / A nőben (2013) láthattunk.

Ha az erős MI-ről nem tudjuk, mikor válik realitássá, az állítás hatványozottan érvényes az MI-fejlődés harmadik szakaszára, a szuperintelligenciára (artificial superintelligence, ASI). A hollywoodi filmek az embert elpusztító, világuralomra törő összes MI-je ebbe a kategóriába tartozik: ők a humán kognitív teljesítményt minden fontos területen drasztikus mértékben meghaladó gépi értelmek. Intelligenciájukat fel sem tudjuk fogni, annyira túlszárnyalhatnak minket. Fel sem fogjuk őket.

Egyes kutatók szerint a szuperintelligencia rövid idővel az általános mesterséges intelligencia megjelenése után tűnik fel. Abból indulnak ki, hogy az MI-fejlődés, a gépi evolúció nagyságrendekkel gyorsabb, mint a biológiai létformáké. Ha az erős MI-k fejlesztésekor elegendő mennyiségű intelligens szoftver áll rendelkezésre, ezek a szoftverek folyamatosan újraprogramozhatják, amivel pedig javítják, tökéletesítik magukat. Mivel az intelligencianövekedés exponenciális, a folyamat hamar végbemehet, és bekövetkezik az intelligenciarobbanás.

A végeredménynek, a szuperintelligenciának nem lesz semmilyen ránk jellemző korlátja, bármit képes felfedezni, feltalálni. Pozitív kimenetelű forgatókönyv esetén nagyjából olyannak képzeljük el őket, mint az Iain M. Banks Kultúra-regényeiben szereplő Elmék, negatív szcenáriókban pedig, mint a Terminátor.

Mustafa Suleyman, a DeepMind egykori társalapítója, ma a Microsoft MI-fejlesztéseinek egyik vezetője szerint a szűk és az általános MI között is van egy fejlődési szakasz, a kompetens MI (artificial capable intelligence, ACI): „olyan pont az MI és az AGI között, ami felé gyorsan közeledünk: az ACI jól teljesít összetett feladatok széles skáláján, de még így is messze van attól, hogy teljesen általánosnak lehessen nevezni.” Megért területek közötti összefüggéseket, például rendezvényeket szervez, vagy repülőjegytől étteremfoglalásig, az utazás összes részletében segít. A szűk MI egyetlen, az AGI változatos, egymáshoz nem kapcsolódó feladatokat hajt végre. A legfejlettebb mostani generatív modellek ANI és ACI közötti átmenetek, és a multimodalitással még közelebb kerülnek az ACI-szinthez: az MI-nek nemcsak egytípusú, hanem szöveges mellett/helyett képes, mozgóképes stb. utasításokat is adhatunk, és azokat feldolgozva, verstől 3D modellig, többféle kimenetet generál.

Az AGI és különösen az ASI persze színtiszta spekuláció, mert – ezt nagyon fontos kiemelni – jelenlegi ismereteink alapján az általános mesterséges intelligenciáról és a szuperintelligenciáról felelősségteljesen semmi nem prognosztizálható.

Frissítva: 2025. június 18.

A számítástudományi kifejezések közül az utóbbi években valószínűleg a „mesterséges intelligenciát” hallottunk a legtöbbször emlegetni. A különféle, főként generatív applikációk jóvoltából az MI-t a mindennapokban is használjuk már, bár a maiak igencsak messze vannak még a hollywoodi filmek szereplőitől, például a Samanthától (Her / A nő). Ők általános vagy „erős” mesterséges intelligencia, az alkalmazásainkban lévők pedig a speciálisak, „gyengék.”

Mi a különbség a kettő között, mit értünk pontosan mesterséges intelligencián?

A számítástudományt, filozófiát, kognitív és mérnöki diszciplínákat magába foglaló, mindegyiken átívelő területről számos, sokszor ellentmondásos meghatározás látott napvilágot. Eredetileg „gondolkodó gépek” alkotásának vágyát és módszereit értették rajta. Definícióját általában vagy a gondolkodás folyamatából és a következtetésből, vagy az intelligens viselkedésből vezetik le. Az MI ezek valamilyen szintű automatizálása.

John McCarthy, a technológia egyik úttörője szerint az MI „intelligens gépek, elsősorban számítógép-programok készítésének a tudománya és technikája. Ahhoz a hasonló feladathoz kapcsolódik, mely az emberi intelligencia számítógépek segítségével történő megértését célozza, de az MI nem korlátozza magát biológiailag észlelhető módszerekre.” A feltaláló-jövőkutató Ray Kurzweil az „emberi intelligencia gépi utánzását” érti rajta: „olyan funkciók megvalósítására alkalmas gépi modellek megalkotásának a tudománya, mely funkciókhoz intelligenciára van szükség, amennyiben azokat emberek valósítják meg.”

Eleinte a „gépi intelligencia” kifejezést használták; a „mesterséges intelligencia” McCarthytól származik, 1956-ból. Azon a nyarán „Kutatási projekt a mesterséges intelligenciáról” címmel ugyanis ő szervezte az Egyesült Államok északnyugati részén, New Hampshire-ban található Dartmouth College-ban a – nem előzmények nélküli – kiindulási pontnak tekinthető konferenciát. Az MI kategóriába sorolható rokon területeken dolgozó főbb tudósok, összesen tízen gyűltek össze, vitatták meg a vizsgálódások irányát.

A kutatási területeket illetően máig megoszlanak a vélemények. Az első két évtizedben még majdnem minden szakember az emberrel azonos szintű általános mesterséges intelligenciában gondolkozott; az áttörés, a kezdeti részsikerek ellenére – és nem kevés zsákutca után – azonban váratott és jelenleg is várat magára.

Nagy médiavisszhangban részesülő, de lényegében periférikus projektek kivételével komoly fejlesztések egyelőre a részterületeken, a „gyenge” MI-ben történnek. Rodney Brooks robotikus, az MIT (Massachusetts Institute of Technology) Számítástudomány és Mesterséges Intelligencia Laborjának egykori vezetője szerint a különböző részeredmények majdani (felmérhetetlen, mikori) egyesítésével léphetünk csak előrébb.

1974-ben kiábrándító eredményekre hivatkozva, az USA-ban drasztikusan csökkentették a néhány egyetem köré csoportosuló kutatások állami támogatást. Azóta változó mértékű a finanszírozás, bár a hadügyminisztériumhoz tartozó DARPA, vagy a NASA jócskán hozzájárul projektekhez, és az infokom-nagyágyúknál (Google, Meta, Microsoft stb.), valamint a világ más térségeiben (Kína, EU stb.) szintén gőzerővel folynak a fejlesztések.

Fel-feltűntek ígéretes csapások, viszont kb. 2010-ig általában kiderült, hogy bizonyos szintet képtelenek meghaladni. Ráadásul a közvélemény mindig hálátlan az MI-vel: természetesnek vesszük, ha sikeresen megoldódott egy-egy probléma, s aztán csendben és például a Google-keresőtől a legkülönbözőbb appokig szinte észrevétlenül beépül a számítástudományba és okostelefonunkba, azaz többé nem tekintjük MI-kérdésnek.

Minden évtizednek megvoltak a „divatos” témái (általános problémamegoldók, szakértő rendszerek, neurális hálók, ágenstechnológia), majd új koncepciók, módszerek jöttek, például a napjainkat uraló mélytanulás, és az arcfelismeréstől a beszédazonosító rendszerekig, az azon alapuló változatos technológiák. A 2010-es évek más szempontból is óriási lökést jelentettek az MI-kutatásoknak: drasztikus számítási kapacitások állnak rendelkezésre, és a Big Data jelenséggel az MI-k gyakorlásához használt adatmennyiség is elképesztő. Az eredmény sem maradt el: egyre megbízhatóbbak, „erősebbek” a „gyenge” mesterséges intelligenciák, és lassan az általánoson is megint elkezdhetünk gondolkozni.

Az általános MI azonban „csak” az emberi szint, nem azonos a sci-fik rettegett, nálunk mérhetetlenül eszesebb szuperintelligenciájával.

Frissítve: 2025. június 19.

Sok, mesterséges intelligenciáról szóló filmet, novellát, regényt olvastunk, és „gépzenét” is könnyű találni. De mi történik akkor, ha az MI szintet lép, és az alkotási folyamatnak már nem a tárgya, hanem ő a kivitelező? A korai 2010-es évektől kezdve ugyanis egyre gyakoribb, hogy okos programok, algoritmusok próbálnak képzőművészeti alkotást, irodalmi szöveget, zeneművet létrehozni, és a színház vagy a film világa sem idegen tőlük. A ChatGPT 2022 végi berobbanásával és diadalútjával, a nagy nyelvmodellek térnyerésével gyerekkönyvektől sci-fi novellákig, önéletrajzoktól romantikus regényekig megsokszorozódott a mesterséges intelligencia által írt irodalom.

A New York Times napilap saját MI-je például már a korai 2010-es években híreket alakított át speciális japán verssé, haikuvá, Hollywoodban próbálkoznak robotszínészekkel, mostanában MI-forgatókönyvírókkal, programok írtak már zenét, de a legizgalmasabb és a leginkább előremutató eredményeket produkáló kísérletek a képzőművészetben történnek.

Az első ismert MI „művészprogram” Harold Cohen AARON-ja 1973 óta a 2010-es évek végéig, alkotója halála után is folyamatosan fejlődött, elvileg önálló képeket generált, de csak elvileg, mert azok inkább a fejlesztőjének a munkái voltak. A kétezres évek elején többen próbálkoztak a mesterséges életre/evolúcióra kitalált programokkal, majd a következő évtized Instagram-szűrői, Snapchat-maszkjai és más hasonló kezdeményezései is inkább az emberi kreativitást növelő gépi eszközök, s nem önálló alkotók voltak.

A Google 2015-ben bemutatott MélyÁlom (DeepDream) programja, új alkotói módszert képviselő művészetgenerátornak az volt a lényege, hogy beletápláltunk egy képet, az idegháló ismert mintázatokat keresett rajta, feljavította azokat, majd az új képpel elfogadható végeredményig ismételte a folyamatot. Például ha egy felhő egy kicsit úgy nézett ki, mint egy madár, a háló addig dolgozott rajta, amíg sokkal jobban hasonlított a madárhoz. Így a következő lépésben még inkább madárként ismerte fel, a végén pedig szinte a semmiből felbukkant egy részletesen kidolgozott madár. Művészek válogathattak az ideghálóba táplált képekből, finomíthattak a hálón, tanulásra foghatták, hogy újabb mintázatokat azonosítson.

A DeepDream 2017-ben, egy San Franciscói galériában pszichedelikus és igen drága alkotásokkal mutatkozott be az offline közönségnek, 2018-ban pedig a New Yorki Christie’s aukciós ház árverésén, egy MI által készített festmény, a fiktív Edmond Belamy portréja, a 10 ezer dolláros kikiáltási ár helyett 432 500 dollárért kelt el.

A képzőművészet és MI közötti interfészekkel kísérletező párizsi Obvious csoport algoritmusának az alkotásával a mesterségesintelligencia-művészet „beköszönt” az árverések, műértők világába.

Trendváltást jelentett az MI-művészetek történetében. A 2010-es évek végén terjedtek el a generatív ellenséges hálózatok (GAN), teljesen új mesterséges ideghálók. Ezek az algoritmusok két részből állnak: az egyik, a generátor az adatsorban lévő rengeteg, akár több tízezer képből alkot egyet. A másik, a megkülönböztető kritizálja a művet, és igyekszik kimutatni, hogy melyik alkotást készítette ember, melyiket gép. Következő körben a generátor javít az eredetin, aztán ismét bírálatot kap. Addig folytatják, amíg minőségileg is elfogadható, önálló kép nem születik.

Szakértők szerint minden GAN-ből lehet művész, de egyelőre csak a látottakat képesek reprodukálni. Szabályok közvetlen átírásával (aminek megvannak a maga korlátai), viszont sokat javulhatnak a kreativitásban. Eddig rendkívül élethű, de teljesen bizarr alkotásokat is generáltak, és természetesen, minél több adattal (példával) dolgoznak, annál jobb a végeredmény.

Az Obvious adatsorában a 14. századtól a korai huszadikig,15 ezer portrét szerepelt. Az ezeket feldolgozó algoritmus egy másik trendet is szemléltetett: MI-k a művészettörténetet is igyekeznek modellezni. Például a Rutgers Egyetem GAN rendszere a régmúlttól a jelenig ívelő festménygyűjteményt dolgozott fel. Két háló „ellenségeskedett”, magát az algoritmust pedig speciálisan arra programozták, hogy fiktív másolatok helyett valami újjal álljon elő.

Az MIT-n (Massachusetts Institute of Technology) szintén a korai reneszánsztól a kortárs képzőművészetig ívelő periódus stílusait reprezentáló kb. 45 ezer portrén tanítottak egy gépi értelmet, hogy az AIPortraits.com weblapon úgy örökítse meg az érdeklődőt, ahogy például Botticelli vagy Michelangelo tette volna. Szintén MIT-fejlesztés a mélytanulást és 3D nyomtatást összekombináló, hitelesen másoló, önálló tartalmat/minőséget azonban nem alkotó RePaint rendszer.

A generatív MI, az elsősorban szöveges utasításokkal, promptokkal működő Midjourney, a DALL-E és a Stable Diffusion háttérbe szorították a GAN-okat. 

2019 júniusában egy Ai-Da nevű, MI-alapú – MI-algoritmussal dolgozó – humanoid robot saját kiállítást nyitott meg az Oxford Egyetemen. Az alkotáshoz kameraszemét (beépített kameráját) és a kézfején lévő ceruza-ecsetféleséget használja. A látogatók rajzokat, festményeket, szobrokat és videodarabokat egyaránt láthattak tőle; MI, technológia és organikus élet találkozásának szűk keresztmetszetét kapták. 2024. november ötödikén a Sotheby’s aukciós ház Ai-Danagyméretű, AI God (MI Isten) című Alan Turing-portréját 836677 fontért, több mint egymillió dollárért értékesítette. Előzetesen 90-140 ezer font közötti összegre lőtték be a festményt. Korábban egyetlen humanoid robot művét sem sikerült árverésen eladni.

A Robotművészeti (RobotArt) Galéria a világ legkreatívabb androidjainak, algoritmusainak az alkotásait tartalmazza. Évente tartanak nemzetközi versenyt, a 2020-as azonban a Covid-19 miatt elmaradt, és azóta sincs.

Az MI művészet különösen a generatív törekvések térnyerésével valószínűleg komoly piaccá válik, a jövő azonban a gyors fejlődés ellenére is bizonytalan, mert még a legönállóbb alkotások mögött is érezzük az embert.

Frissítve: 2025. június 20.