Sztuczna rzeczywistość jest kolejnym krokiem wykraczającym poza sztuczną inteligencję, a ludzki umysł może zostać całkowicie zmieniony w tym procesie. Dowody sądowe można sfałszować, pranie mózgu byłoby trwałe, można by stworzyć wspomnienia. Największym zagrożeniem będą małe dzieci, których umysły dopiero odkrywają, czym jest rzeczywistość, a czym nie. Najpotężniejszym mechanizmem dostarczania będą urządzenia rzeczywistości wirtualnej, które stymulują wiele zmysłów podczas symulacji. ⁃ Edytor TN
Korzystając z ekspertów od sztucznej inteligencji, stworzyli „fałszywą rzeczywistość”, która jest tak podobna do prawdziwej rzeczywistości, że możesz nie być w stanie stwierdzić, że jest to symulacja.
Nowe postępy w manipulacjach graficznych dokonywane przez sieci neuronowe oznaczają, że sztuczne symulacje wyglądają zwodniczo jak prawdziwe.
Deweloperzy twierdzą, że w przyszłości sceny generowane przez sztuczną inteligencję mogłyby zostać wykorzystane do tworzenia danych szkoleniowych dla samochodów z własnym napędem.
Jednak ta technologia ma również ciemniejszą stronę i może doprowadzić nas do dziwnej hiper-rzeczywistości, w której symulacja staje się nie do odróżnienia od prawdziwego życia.
Naukowcy z firmy Nvidia z Santa Clara stworzyli obrazy, które pokazują sceny generowane przez AI utworzone z prawdziwych.
„Przedstawiamy wysokiej jakości wyniki tłumaczenia obrazów w ramach różnych trudnych zadań tłumaczenia obrazów bez nadzoru, w tym tłumaczenia obrazów ulicznych, tłumaczenia obrazów zwierząt i obrazów twarzy” - napisano na stronie internetowej firmy.
Badacze pod kierunkiem Ming-Yu Liu wykorzystali translację typu „obraz na obraz”, aby przekształcić zimowy obraz na zewnątrz w letnią scenę generowaną przez sztuczną inteligencję.
Mogą również przekształcić słoneczną pogodę w mokrą.
System opiera się na generatywnych sieciach przeciwnych (GAN).
Naukowcy z laboratorium Google Brain AI jako pierwsi opracowali GAN, który składa się z dwóch sieci neuronowych, które uczą się na podstawie surowych danych.
[the_ad id = "11018 ″]
Wykorzystuje dane wejściowe, aby „nauczyć” algorytmu na określony temat, dostarczając mu ogromne ilości informacji.
Jeden patrzy na surowe dane - w tym przypadku rzeczywistą scenę - podczas gdy drugi generuje fałszywe obrazy na podstawie zestawu danych.
`` Zastosowanie GAN nie jest nowością w uczeniu się bez nadzoru, ale badania NVIDIA przyniosły rezultaty - z cieniami zaglądającymi przez gęste liście pod częściowo zachmurzonym niebem - znacznie wyprzedzając wszystko, co widziano wcześniej '' - napisali naukowcy pod kierunkiem Lui blogu.
"W przypadku samych samochodów samojezdnych dane treningowe można by zebrać raz, a następnie przeprowadzić symulację w różnych warunkach wirtualnych: słonecznie, pochmurnie, śnieżnie, deszczowo, w nocy itp." - napisali naukowcy.
wpDiscuz