Так сказав СЕО OpenAI Сем Альтман (Sam Altman) у недавньому інтерв’ю ABC News. Його побоювання торкаються того, як технологія АІ може вплинути на робочу силу, вибори та поширення дезінформації.

OpenAI розробила бота ChatGPT, який створює людиноподібні відповіді на запитання та викликає нове захоплення АІ.

«Я думаю, що люди дійсно отримують задоволення від [ChatGPT]», — сказав Альтман в інтерв’ю.

Але його хвилювання з приводу трансформаційного потенціалу технології АІ, яка, за словами Альтмана, зрештою відображатиме «колективну силу, креативність і волю людства», було врівноважено його занепокоєнням щодо «авторитарних режимів», які розробляють конкуруючі технології АІ.

«Ми дуже хвилюємося, що авторитарні уряди розвивають це», — сказав Альтман. Закордонні уряди вже почали виводити на ринок конкуруючі технології АІ.

Китайська технологічна компанія Baidu, наприклад, нещодавно провела презентацію свого конкурента ChatGPT, чатового штучного інтелекту під назвою Ernie bot.

За кілька років до вторгнення Росії в Україну президент Росії Володимир Путін сказав, що той, хто стане лідером у сфері технологій АІ, «буде правителем світу». Альтман назвав коментарі "охолоджуючими".

І Google, і Microsoft агресивно активізували свої дії з АІ. Microsoft вирішила співпрацювати з OpenAI Альтмана, щоб інтегрувати свою технологію GPT у пошук Bing. Батьківська компанія Google, Alphabet, представила власно розроблений чат-бот під назвою Bard AI, що викликало неоднозначні відгуки співробітників Google і тестувальників.
                                                                           
Вплив ChatGPT і подібних інструментів АІ ще не відбилися на американському виборчому процесі, але Альтман сказав, що вибори 2024 року були в центрі уваги компанії.

«Я особливо стурбований тим, що ці моделі можуть бути використані для широкомасштабної дезінформації, — сказав генеральний директор ABC. -
Тепер, коли вони починають писати комп’ютерний код, [моделі] можна використовувати для наступальних кібератак».

Майстерність програмування ChatGPT вже вплинула на багатьох розробників. Він уже працює як «другий пілот» для програмістів, сказав Альтман, і OpenAI працює над розблокуванням подібної функції для «кожної професії».

СЕО визнав, що це означатиме, що багато людей втратять роботу, але сказав, що це стане можливістю знайти кращу роботу.

«Ми можемо мати набагато вищу якість життя, рівень життя, — сказав Альтман. - Людям потрібен час, щоб оновити, відреагувати, звикнути до цієї технології».

 Сем Альтман, співзасновник і СЕО OpenAI Inc., виступає під час TechCrunch Disrupt 2019 у Сан-Франциско, штат Каліфорнія, у четвер, 3 жовтня 2019 р.

Дослідження АІ досягли великих успіхів у розв’язанні конкретних програм, але ми все ще далекі від систем АІ загального призначення, про які вчені мріяли десятиліттями.

Серед рішень, які досліджуються для подолання бар’єрів АІ, є ідея нейросимволічних систем, які об’єднують найкраще з різних галузей інформатики. У доповіді на IBM Neuro-Symbolic AI Workshop Джошуа Тененбаум (Joshua Tenenbaum), професор обчислювальної когнітивної науки в Массачусетському технологічному інституті, пояснив, як нейросимволічні системи можуть допомогти вирішити деякі з ключових проблем сучасних систем AI.

Серед багатьох прогалин у АІ Тененбаум зосереджується на одному зокрема: «Як нам вийти за межі ідеї інтелекту як розпізнавання закономірностей у даних і наближення функцій і більше до ідеї всіх речей, які робить людський розум, коли ви моделююте світ, пояснююте та розумієте речі, які ви бачите, уявлєте речі, які ви не бачите, але можуть статися, і перетворювати їх на цілі, яких ви можете досягти, плануючи дії та вирішуючи проблеми?»

Правда, це велика прогалина, але її подолання починається з вивчення одного з фундаментальних аспектів інтелекту, спільного для людей і багатьох тварин: інтуїтивної фізики та психології.

Наш розум створений не лише для того, щоб бачити візерунки в пікселях і звукових хвилях, але й для розуміння світу через моделі. Як люди ми починаємо розвивати ці моделі вже у тримісячному віці, спостерігаючи за світом і діючи в ньому.
 
Численні дослідження показують, що діти розвивають абстрактні уявлення про фізичний світ та інших людей і застосовують їх у нових ситуаціях. Наприклад, у наступному відео лише спостерігаючи, дитина розуміє, що людина, яка тримає предмети, має на увазі мету та потребує допомоги, щоб відкрити двері шафи.

Ці здібності часто називають «інтуїтивною фізикою» та «інтуїтивною психологією» або «теорією розуму», і вони є основою здорового глузду.

Тененбаум перелічує три компоненти, необхідні для створення ядра для інтуїтивної фізики та психології в АІ.

«Ми наголошуємо на тристоронній взаємодії між нейронним, символічним і імовірнісним моделюванням і логічним висновком, — каже Тененбаум. - Ми вважаємо, що це тристороння комбінація, яка необхідна для охоплення людського інтелекту та основного здорового глузду».

Символічний компонент використовується для репрезентації та міркування з абстрактним знанням. Імовірнісна модель висновку допомагає встановити причинно-наслідкові зв’язки між різними об’єктами, міркувати про контрфактичні та невидимі сценарії та мати справу з невизначеністю. Нейронний компонент використовує розпізнавання образів, щоб зіставляти сенсорні дані реального світу зі знаннями та допомагати орієнтуватися в пошукових просторах.

Одним із ключових компонентів нейросимволічної концепції АІ Тененбаума є фізичний симулятор, який допомагає передбачити результат дій. Симулятори фізики досить поширені в ігрових движках і різних галузях навчання з підкріпленням і робототехніки.

Але на відміну від інших галузей АІ, які використовують симулятори для навчання агентів і перенесення їхніх знань у реальний світ, ідея Тененбаума полягає в тому, щоб інтегрувати симулятор у процес висновків і міркувань агента.

Фізичний механізм допоможе АІ симулювати світ у реальному часі та передбачити, що станеться в майбутньому. Симуляція просто має бути достатньо точною та допомагати агенту вибрати перспективний курс дій. Це також схоже на те, як працює людський розум. Коли ми дивимося на зображення, наприклад на стопку блоків, ми матимемо приблизне уявлення про те, чи буде воно протистояти гравітації чи перекидатися. Можливо, ми не зможемо передбачити точну траєкторію кожного об’єкта, але ми розробляємо уявлення високого рівня про результат.

Хоча симулятори є чудовим інструментом, одна з їхніх великих проблем полягає в тому, що ми не сприймаємо світ у термінах тривимірних об’єктів. Нейросимволічна система повинна визначити положення та орієнтацію об’єктів у сцені, щоб створити приблизне тривимірне представлення світу.

Є кілька спроб використовувати чисте глибоке навчання для визначення позиції об’єкта та пози, але їхня точність низька.

Як тільки нейросимволічний агент має фізичний механізм для моделювання світу, він повинен мати можливість розробляти концепції, які дозволяють йому діяти по-новому.

Наприклад, люди (і іноді тварини) можуть навчитися використовувати новий інструмент для вирішення проблеми або зрозуміти, як змінити відомий об’єкт для нової мети (наприклад, використовувати камінь замість молотка, щоб забити цвях).

Для цього Тененбаум і його колеги розробили фізичний симулятор, у якому люди повинні використовувати об’єкти для вирішення проблем новими способами. Той самий механізм використовувався для навчання моделей АІ розробці абстрактних концепцій використання об’єктів.
 
«Ми хочемо надати дорожню карту того, як досягти бачення мислення про те, що робить людський здоровий глузд відмінним і потужним із самого початку, — каже Тененбаум. — У певному сенсі це одна з найдавніших мрій АІ, яка сходить до оригінальної пропозиції Алана Тюрінга щодо інтелекту як обчислення та ідеї про те, що ми можемо побудувати машину, яка досягне людського рівня інтелекту, починаючи, як дитина, і навчаючи її, як дитину. Це надихало багатьох із нас, і ми намагаємося придумати будівельні блоки для цього».

Прискорення затвора камери в трильйон разів дає дослідникам змогу зрозуміти, як матеріали проводять тепло, і є важливим кроком у розвитку сталого використання енергії.

Дослідники приходять до розуміння того, що найкращі матеріали для сталої енергетики, такої як перетворення сонячного світла або відпрацьованого тепла в електрику, часто використовують колективні коливання кластерів атомів у набагато більшій структурі. Цей процес зазвичай називають «динамічним безладом». 

Розуміння динамічного безладу в матеріалах може призвести до більш енергоефективних термоелектричних пристроїв, таких як твердотільні холодильники та теплові насоси, а також до кращого відновлення корисної енергії з відпрацьованого тепла, наприклад, від автомобілів і електростанцій, шляхом безпосереднього перетворення до електрики. Термоелектричний пристрій зміг взяти тепло від радіоактивного плутонію та перетворити його на електрику для живлення марсохода, коли не вистачало сонячного світла.

Коли матеріали функціонують всередині робочого пристрою, вони можуть поводитися так, ніби вони живі й танцюють — частини матеріалу реагують і змінюються дивовижним і несподіваним чином. Цей динамічний безлад важко досліджувати, оскільки кластери не тільки такі малі та невпорядковані, але й зазнають флуктуацій у часі. Крім того, існує «нудний» нефлуктуаційний безлад у матеріалах, який дослідників не цікавить, оскільки розлад не покращує властивості. Досі було неможливо побачити відповідний динамічний безлад на фоні менш актуального статичного безладу.

Дослідники з Columbia Engineering та Université de Bourgogne повідомляють, що вони розробили новий тип «камери», яка може бачити локальний безлад. Його ключовою особливістю є змінна швидкість затвора: оскільки невпорядковані атомні кластери рухаються, то коли команда використовувала повільний затвор, динамічний безлад розмивався, але коли вони використовували швидкий затвор, вони могли його бачити. Новий метод, який вони називають PDF (функція розподілу атомних пар) зі змінною витримкою або vsPDF (variable shutter PDF), не працює як звичайна камера – він використовує нейтрони з джерела в Окріджській національній лабораторії (ORNL) Міністерства енергетики США, щоб визначити положення атомів за допомогою витримки близько однієї пікосекунди, або в трильйон разів швидше, ніж звичайні затвори камери.

 «Тільки за допомогою цього нового інструменту vsPDF ми можемо по-справжньому побачити матеріал з іншого боку, — сказав Саймон Біллінге (Simon Billinge), професор матеріалознавства, прикладної фізики та прикладної математики. - Це дає нам абсолютно новий спосіб розкрити складність того, що відбувається в складних матеріалах, приховані ефекти, які можуть посилити їхні властивості. За допомогою цієї техніки ми зможемо спостерігати за матеріалом і бачити, які атоми танцюють, а які відсиджуються».

Інструмент vsPDF дозволив дослідникам виявити порушення атомної симетрії в GeTe, важливому матеріалі для термоелектрики, який перетворює відпрацьоване тепло в електрику (або електрику в охолодження). Раніше вони не могли побачити зміщення або показати динамічні флуктуації та швидкість коливань. В результаті аналізу даних vsPDF команда розробила нову теорію, яка показує, як такі локальні флуктуації можуть формуватися в GeTe та пов’язаних з ним матеріалах. Таке розуміння механіки танцю допоможе дослідникам шукати нові матеріали з цими ефектами та застосовувати зовнішні сили для впливу на ефект, створюючи ще кращі матеріали.

Зараз Біллінге працює над тим, щоб зробити свою техніку простішою у використанні для дослідницького співтовариства, та застосувати її до інших систем із динамічним безладом. На даний момент ця техніка не є готовою, але з подальшим розвитком вона повинна стати набагато більш стандартним вимірюванням, яке можна використовувати в багатьох матеріальних системах, де важлива атомна динаміка, від спостереження за рухом літію в електродах акумулятора до вивчення динамічних процесів при розщепленні води сонячним світлом. 

При тривалій витримці атомна структура GeTE виглядає впорядкованою, але розмитою. Більш швидкі експозиції виявляють чітку заплутану картину динамічних зміщень

Останнім часом АІ взагалі і ChatGPT в особливості привертають все бльше уваги як ІТ-спільноти, так і громадськості. Так, Білл Гейтс вважає, що ці технології є «найважливішим» нововведенням на даний момент.                                             

«Це змінить наш світ», — сказав він. Програми генеративного штучного інтелекту, такі як ChatGPT OpenAI, можуть підвищити ефективність роботи офісу, складання рахунків-фактур і листів, сказав Гейтс у подкасті для німецькомовної ділової газети Handelsblatt.

«Сьогодні вони вимагають занадто багато обчислень, вони не завжди точні, - сказав Білл Гейтс. - Але незабаром ви отримаєте оголошення від Microsoft і Google, які змагаються за лідерство в цій сфері».

Минулого тижня Microsoft оголосила, що її пошукова система Bing частково працюватиме на основі технології штучного інтелекту ChatGPT. Google також нещодавно анонсував Bard, свого конкурента ChatGPT.

За словами Гейтса, оптимізація, яку штучний інтелект може запропонувати для читання та запису, матиме «великий вплив». У сферах охорони здоров’я та освіти, за словами Гейтса, штучний інтелект може відчутно підвищити ефективність і суттєво покращити результати.

«Найпростіший спосіб це зрозуміти — це те, що АІ дуже добре розпізнає мову та зображення, але він, по суті, не може читати», — сказав він. Іншими словами, традиційні платформи штучного інтелекту фактично не могли обробляти мову, яку вони використовували. Але новіші платформи, такі як ChatGPT, здатні тренуватися, вдосконалюватися та читати й писати за допомогою нових знань.

Гейтс вказав на додатки для обробки текстів і офісних завдань як оптимальні майбутні додатки для платформ природної мови, таких як ChatGPT.

Як приклад Гейтс згадав про можливу інтеграцію з програмним забезпеченням для спільної роботи Microsoft Teams, зазначивши, що штучний інтелект може відстежувати розмову, щоб отримати відповідну інформацію на основі зустрічі.

«Прогрес у наступних кілька років, щоб зробити ці речі ще кращими, буде значним», — сказав Гейтс.

В той же час Google застерігає від «галюцинацій» з приводу чат-ботів. Керівник пошукової системи цієї компанії застеріг від пасток штучного інтелекту в інтерв’ю газеті Welt am Sonntag.

«Такий вид штучного інтелекту, про який йдеться мова, іноді може призводити до чогось, що ми називаємо галюцинаціями, — сказав німецькій газеті Welt am Sonntag Прабхакар Рагаван (Prabhakar Raghavan), старший віце-президент Google і керівник пошукової служби Google. - Це  виражається таким чином, що машина дає переконливу, але повністю вигадану відповідь». Одним із фундаментальних завдань, додав він, було звести це до мінімуму.

Google представила Bard, власний чат-бот, як альтернативу ChatGPT, але все ще проводить користувальницьке тестування й поки не вказала, коли додаток може стати публічним.

«Ми, очевидно, відчуваємо терміновість, але ми також відчуваємо велику відповідальність, - наголосив Рагаван. - Звісно, ми не хочемо вводити громадськість в оману».

Зʼявилось дослідження, в якому стверджується, що можна зламати 2048-бітний ключ RSA, хоча це ще не зроблено, це те, що потрібно сприймати серйозно. Це може бути некоректно, але це не очевидно неправильно.

Ось що пише Брюс Шайер (Bruce Scheier) - технолог, який займається громадськими інтересами і працює на стику безпеки, технологій і людей,  про цей анонс групи китайських дослідників,

З алгоритму Шора відомо, що факторизація за допомогою квантового комп’ютера проста. Але потрібен великий квантовий комп’ютер, розміром у мільйони кубітів, щоб розкласти будь-що, що нагадує розміри ключів, які використовуються сьогодні. Те, що дослідники зробили, це поєднали класичні методи факторизації решітки (алгебраїчне поняття) з алгоритмом квантової наближеної оптимізації. Це означає, що їм потрібен квантовий комп’ютер лише з 372 кубітами, що цілком можливо сьогодні. (Наприклад, IBM Osprey — це 433-кубітний квантовий комп’ютер).

У китайської групи не було такого великого квантового комп’ютера для роботи. Вони змогли розкласти 48-бітні числа за допомогою 10-кубітного квантового комп’ютера. І хоча при масштабуванні чогось подібного до 50 разів завжди виникають потенційні проблеми, очевидних перешкод немає.
Однак виникає неприємне питання, чому китайський уряд не засекретив це дослідження. Але… вау… можливо… і ой! Чи ні.

Алгоритм Шора поставив серйозний виклик інформаційній безпеці на основі криптосистем з відкритим ключем. Однак, щоб зламати широко використовувану схему RSA-2048, потрібні мільйони фізичних кубітів, що далеко перевищує поточні технічні можливості. Тут ми повідомляємо про універсальний квантовий алгоритм для цілочисельної факторизації шляхом поєднання класичної редукції решітки з квантовим алгоритмом наближеної оптимізації (QAOA). Потрібна кількість кубітів дорівнює O(logN/loglogN), яка сублінійна щодо довжини біта цілого числа N, що робить його найбільш економним алгоритмом факторизації на сьогоднішній день.
       
Запропонований алгоритм демонструється експериментально шляхом розкладу цілих чисел до 48 біт на десяти надпровідних кубітів, найбільше ціле число, розкладене на квантовому пристрої. Дослідження показує великі перспективи для прискорення застосування сучасних шумних квантових комп’ютерів і відкриває шлях до розкладання великих цілих чисел реалістичного криптографічного значення.

В електронному листі Роджер Граймс (Roger A. Grimes), який спеціалізується на безпеці хостів і запобіганні хакерам, сказав: «Мабуть, те, що трапилося, — інший хлопець, який раніше оголосив, що зміг зламати традиційне асиметричне шифрування за допомогою класичних комп’ютерів… але рецензенти знайшли недолік у його алгоритмі, і цьому хлопцеві довелося відкликати свою статтю. Але ця китайська команда зрозуміла, що крок, який убив усе, можна вирішити за допомогою маленьких квантових комп’ютерів. Тож вони перевірили, і це спрацювало».

Одна з проблем алгоритму полягає в тому, що він покладається на нещодавню статтю про факторізацію німецького математика и криптографа Пітера Шнорра (Claus-Peter Schnorr). Це суперечлива стаття; і незважаючи на абстрактну заяву «це руйнує криптосистему RSA», нічого подібного не робить. Алгоритм Шнорра добре працює з меншими модулями — приблизно такого ж порядку, як і ті, які перевірила китайська група, — але розпадається при більших розмірах. На даний момент ніхто не розуміє чому. Китайська газета стверджує, що їхні квантові методи обходять це обмеження (я думаю, що це те, що стоїть за коментарем Граймса), але не надають жодних деталей — і вони не перевіряли це з більшими модулями. Отже, якщо це правда, що китайська стаття залежить від цієї техніки Шнорра, яка не масштабується, методики в цій китайській статті також не будуть масштабуватися. (З іншого боку, якщо це масштабується, я думаю, що це також ламає купу криптосистем із відкритим ключем на основі решітки).

Я набагато менше хвилююся, що тепер ця методика працюватиме. Але це те, що спеціалісти з квантових обчислень IBM можуть перевірити прямо зараз.

У Los Angeles Times вийшла стаття, як Україна у перші дні агресії рф змогла "евакуювати" вкрай критичні дані.

Amazon допомогла зберегти у безпеці величезні обсяги державних, податкових, банківських даних і даних про власність, вразливі до знищення та зловживань, якщо вони попали б російським загарбникам.

З того дня, як росія почала вторгнення 24 лютого, Amazon тісно співпрацює з українським урядом, щоб завантажити важливі дані та переправити їх з країни. Не рідко це робиться за допомогою спеціальних накопичувачів розміром з валізу під назвою Snowball Edge, щоб направити дані безпосередньо у систему хмарних обчислень AWS.

«Це найбільш технологічна війна в історії людства, — заявив Михайло Федоров, 31-річний віце-прем’єр-міністр України та міністр цифрової трансформації, маючи на увазі не лише зброю, а й дані. - Керівництво Amazon Web Services прийняло рішення, яке врятувало український уряд та економіку».

Наразі Amazon інвестував 75 мільйонів доларів у свою роботу в Україні, яка включає у тому числі й передачу даних через Snowballs. Федоров, виступаючи на технічній конференції в Лас-Вегасі цього місяця, назвав це «безцінним».

Дані, на цей час 10 мільйонів гігабайт, представляють «критичну інформаційну інфраструктуру. Це основа для роботи економіки, податкової системи, банків і уряду в цілому», – сказав він. Дані також містять облік майна, збереження якого може допомогти запобігти крадіжкам українських будинків, підприємств і землі.

Протягом історії загарбники «приходили й влаштовували фальшивий референдум і розподіляли землю між своїми друзями, — підкреслив Ліам Максвелл (Liam Maxwell), керівник відділу трансформації уряду в Amazon Web Services, високоприбутковому відділі хмарних обчислень компанії. - Такі речі відбувалися з часів Вільгельма Завойовника».

Максвелл, який живе в Лондоні, вже багато років працював з Україною, коли в січні стало ясно, що росія планує напасти на країну.

У той час українське законодавство вимагало розміщення більшості державних даних і деяких приватних даних на серверах в Україні. У лютому парламент змінив цей закон, щоб дозволити передачу інформації.
24 лютого, у день вторгнення, Максвелл зустрівся на обіді з послом України Вадимом Пристайком у посольстві України в Лондоні.

Вони склали список найважливіших даних: реєстр населення, записи про право власності на землю та майно, відомості про сплату податків, банківські записи, реєстри освіти, антикорупційні бази даних тощо. У проекті брали участь 27 українських міністерств, 18 українських університетів, найбільша в країні дистанційна школа, яка обслуговує сотні тисяч дітей-переселенців, а також десятки інших компаній приватного сектору.

Раніше блоки Snowball у протиударних контейнерах були доставлені з Дубліна до Кракова. Потім українці «переправили ці пристрої через кордон» в Україну, сказав Максвелл.

Після завантаження даних велика частина інформації надсилається в хмару через захищені мережі, і блоки Snowballs, кожен із яких містить до 80 терабайт зашифрованих даних, завантажується до Amazon. З поважної причини Максвелл не хоче говорити, де, але каже, що «це напружений момент навколо багажної каруселі. Ось уряд у коробці, буквально».

Щойно дані потраплять у хмару та поширяться по всьому світу, усім стане легше. «Ви не можете знищити хмару крилатою ракетою», коментує Максвелл.

Місія вимагала швидкості, організованості та глибокої технічної майстерності. Максвелл сказав, що Федоров, «людина, що поспішає», поставив усі галочки.

Міністерство енергетики США (DOE) і Національне управління ядерної безпеки DOE (NNSA) оголосили про досягнення термоядерного запалювання в Ліверморській національній лабораторії імені Лоуренса (LLNL). Це великий науковий прорив, до якого йшли протягом десятиліть. Він прокладе шлях до прогресу в майбутньому чистої електроенергії.

5 грудня команда National Ignition Facility (NIF) з LLNL провела перший в історії експеримент із керованим термоядерним синтезом, віхи, також відомої як беззбитковість енергії, що означає, що термоядерний синтез виробляє більше енергії, ніж лазерна енергія, використана для його запуску. Цей перший у своєму роді подвиг забезпечить безпрецедентну можливість підтримувати Програму управління запасами NNSA
(National Nuclear Security Administration).

«Це визначне досягнення для дослідників і співробітників NIF, які присвятили свою кар’єру втіленню термоядерного запалювання в реальність, і ця віха, безсумнівно, спровокує ще більше відкриттів», — сказала міністр енергетики США Дженніфер М. Гранхольм (Jennifer M. Granholm).

«Понеділок, 5 грудня 2022 року, став історичним днем у науці завдяки неймовірним людям у Ліверморській лабораторії та NIF. Здійснюючи цей прорив, вони відкрили нову главу в Програмі управління запасами NNSA», – сказала адміністратор NNSA Джил Грубі (Jill Hruby).

Hohlraum (у радіаційній термодинаміці неспецифічне німецьке слово для "hollow space" or "cavity")  — це порожнина, (камера) стінки якої знаходяться в радіаційній рівновазі з енергією випромінювання всередині порожнини, у якій розміщено тип кріогенної мішені, яка використовується для досягнення запалювання 5 грудня 2022 року на NIF LLNL.

Експеримент LLNL перевищив порогове значення термоядерного синтезу, доставляючи 2,05 мегаджоуля (МДж) енергії до мішені, що призвело до 3,15 МДж вихідної енергії термоядерного синтезу, що вперше продемонструвало фундаментальну наукову основу для інерційної термоядерної енергії (IFE). Багато передових наукових і технологічних розробок все ще необхідні для досягнення простого, доступного IFE для живлення будинків і підприємств, і Міністерство енергетики зараз перезапускає широкомасштабну скоординовану програму IFE у Сполучених Штатах. У поєднанні з інвестиціями приватного сектору існує великий імпульс для швидкого прогресу в напрямку комерціалізації термоядерного синтезу.

Термоядерний синтез — це процес, за якого два легких ядра об’єднуються в одне важче ядро, вивільняючи велику кількість енергії. У 1960-х роках група вчених-новаторів з LLNL висунула гіпотезу про те, що лазери можна використовувати для індукції термоядерного синтезу в лабораторних умовах. Під керівництвом фізика Джона Наколса, який пізніше обіймав посаду директора LLNL з 1988 по 1994 рік, ця революційна ідея стала інерційним термоядерним синтезом, поклавши початок більш ніж 60-річним дослідженням і розробкам у лазерах, оптиці, діагностиці, виготовленні мішеней, комп’ютерному моделюванні та симуляції та експериментальний дизайн.

                        
Щоб реалізувати цю концепцію, LLNL побудувала серію все більш потужних лазерних систем, що призвело до створення NIF, найбільшої та найенергетичнішої лазерної системи у світі. NIF — розташований у LLNL у Ліверморі, штат Каліфорнія — розміром із спортивний стадіон і використовує потужні лазерні промені для створення температур і тиску, подібних до тих, які є в ядрах зірок і планет-гігантів, а також усередині вибухової ядерної зброї.

Досягнення запалювання стало можливим завдяки самовідданості співробітників LLNL, а також незліченних співробітників Лос-Аламосської національної лабораторії DOE, Національної лабораторії Сандії та Національної служби безпеки Невади; General Atomics; академічні установи, включаючи Лабораторію лазерної енергетики Рочестерського університету, Массачусетський технологічний інститут, Каліфорнійський університет у Берклі та Прінстонський університет; міжнародні партнери, включно з установою атомної зброї Сполученого Королівства та Комісією з альтернативних джерел енергії та атомної енергії Франції; і зацікавлені сторони в Міністерстві енергетики та NNSA та в Конгресі.

Щоб створити термоядерне запалювання, лазерна енергія в National Ignition Facility перетворюється на рентгенівське випромінювання всередині гольраума, яке потім стискає паливну капсулу, поки вона не вибухне, створюючи плазму високого тиску та високої температури

Джекі Лян (Jacky Liang), стажер-дослідник, і Енді Цзен (Andy Zeng), науковий співробітник відділу робототехніки Google, опублікували цікавий блог про досягнення в області робототехніки.

Загальний підхід, який використовується для керування роботами, полягає в програмуванні їх за допомогою коду для виявлення об’єктів, послідовності команд для переміщення приводів і циклів зворотного зв’язку, щоб визначити, як робот має виконувати завдання. Але  перепрограмування політик для кожного нового завдання може зайняти багато часу та потребуватиме досвіду в галузі.
                  
Що якби, отримавши вказівки від людей, роботи могли б автономно писати власний код для взаємодії зі світом? Виявилося, що мовні моделі останнього покоління, такі як PaLM, здатні до складних міркувань і також навчені на мільйонах рядків коду. Враховуючи інструкції на природній мові, поточні мовні моделі добре вміють писати не лише загальний код, але, як виявилось, код, який також може контролювати дії роботів. Якщо надати кілька прикладів інструкцій (у форматі коментарів) у поєднанні з відповідним кодом (через навчання в контексті), мовні моделі можуть приймати нові інструкції та автономно генерувати новий код, який перекомпонує виклики API, синтезує нові функції та виражає цикли зворотного зв’язку, щоб створити нову поведінку під час виконання.

Щоб дослідити цю можливість, було розроблено Code as Policies (CaP), орієнтовану на робота формулювання програм, згенерованих моделлю мови, які виконуються на фізичних системах. З CaP пропонується  використовувати мовні моделі для безпосереднього написання коду робота за допомогою кількох підказок. CaP дозволяє одній системі виконувати різноманітні складні та різноманітні роботизовані завдання без спеціального навчання.

Щоб створити код для нового завдання з інструкціями природною мовою, CaP використовує модель мови написання коду, яка, коли з’являється запит із підказками і приклади, пише новий код для нових інструкцій. Центральним у цьому підході є ієрархічна генерація коду, яка спонукає мовні моделі рекурсивно визначати нові функції, накопичувати власні бібліотеки з часом і самостійно створювати динамічну кодову базу.
 
Моделі мови для написання коду можуть виражати різноманітні арифметичні операції та цикли зворотного зв’язку, засновані на мові. Програми мовної моделі Pythonic можуть використовувати класичні логічні структури, наприклад, послідовності, вибір (if/else) і цикли (for/while), щоб створити нову поведінку під час виконання. Ці моделі не лише узагальнюють нові інструкції, але й можуть транслювати точні значення (наприклад, швидкості) до неоднозначних описів («швидше» та «ліворуч») залежно від контексту, щоб виявити здоровий глузд у поведінці.

Але код як політика сьогодні обмежений сферою (i) того, що можуть описати API сприйняття (наприклад, на сьогоднішній день небагато моделей візуальної мови можуть описати, чи є траєкторія «вибоїстою» чи «більш С-подібною»), і (ii), які примітиви керування доступні. Лише кілька іменованих примітивних параметрів можна налаштувати без надмірного насичення підказок. Використаний підхід також передбачає, що всі дані інструкції здійснимі, і не можна сказати, чи буде згенерований код корисним апріорі. CaPs також важко інтерпретувати інструкції, які є значно складнішими або працюють на іншому рівні абстракції, ніж кілька прикладів, наданих для підказок мовної моделі.

Який же можна зробити висновок?
Код як політика — це крок до роботів, які можуть змінювати свою поведінку та відповідно розширювати свої можливості. Це може бути сприятливим, але гнучкість також підвищує потенційні ризики, оскільки синтезовані програми (якщо їх не перевірено вручну під час виконання) можуть призвести до ненавмисної поведінки фізичного обладнання. Ці ризики можна пом’якшити за допомогою вбудованих перевірок безпеки, які зв’язують контрольні примітиви, до яких система має доступ, але потрібно більше працювати, щоб переконатися, що нові комбінації відомих примітивів однаково безпечні.