Pokémon Go-spillere hjalp til med å trene roboter til å navigere i byer

Nesten et tiår etter utgivelsen, påvirker Pokémon Go kunstig intelligens på en uventet måte.

Ifølge en rapport fra MIT Technology Review(nytt vindu), bruker Niantic Spatial, et AI-selskap spunnet ut av spill sek opprinnelige utvikler, mer enn 30 milliarder bilder(nytt vindu) av urbane landemerker fanget av Pokémon Go-spillere til å trene AI-systemer som hjelper roboter med å forstå hvor de er i den virkelige verden.

Da Pokémon Go ble lansert i 2016, gikk millioner av spillere gjennom byene sine og pekte telefonene sine mot bygninger, parker og landemerker mens de søkte etter digitale skapninger. Ved å gjøre dette, skapte de et av de største datasettene med virkelige bilder som noensinne er samlet inn. Niantic Spatial trente modellen sin på 30 milliarder bilder fanget på tvers av urbane miljøer, mange samlet rundt plasseringer som spillere ofte besøkte i spillet. Noen ganger dukket digitale skapninger opp i eller nær private rom som leilighetsbygg eller boliggårder, noe som betyr at de øyeblikkene kan ha blitt en del av AI-datasett.

Disse dataene brukes nå til å bygge det forskere kaller en «verdensmodell» — et AI-system designet for å hjelpe maskiner med å tolke og navigere i fysiske miljøer.

Det fremhever også noe som er lett å overse med moderne teknologi: daglig app-aktivitet kan stille bli verdifulle treningsdata for AI-systemer år senere — noe Pokémon Go-spillere umulig kunne ha forutsett i 2016, og langt mindre gitt meningsfullt samtykke til.

Hvorfor GPS sliter i byer

GPS-signaler spretter ofte av høye bygninger, driver betydelig, eller forsvinner helt i tette bymiljøer, et problem som noen ganger kalles «urban canyon»-effekten. Som MIT Technology Review forklarer i sin rapport om teknologien, kan selv plassering-indikatorer på smarttelefoner drive dusinvis av meter i byer, og plasserer ofte en enhet på feil blokk eller feil side av gaten.

Niantic Spatial sek løsning baserer seg på et visuelt posisjoneringssystem(nytt vindu), som bestemmer plasseringen ved å analysere hva et kamera ser. Ved å sammenligne øyeblikksbilder av nærliggende bygninger og landemerker med sitt massive datasett, kan systemet angivelig finne en plassering på noen få centimeter.

Fra utvidet virkelighet til leveringsroboter

En av de første virkelige testene av Niantic Spatial sek teknologi skjer gjennom et partnerskap med Coco Robotics, et oppstartsselskap som driver fortausleveringsroboter på tvers av flere byer.

Selskapet sek roboter frakter dagligvarer og restaurantbestillinger på steder som Los Angeles, Chicago, Miami og Helsinki. I følge MIT Technology Review-rapporten har Coco sek roboter allerede fullført over en halv million leveranser, og dekket millioner av miles.

Å navigere i tette byer pålitelig forblir en stor utfordring for autonome maskiner. Ved å kombinere kameraer på robotene med Niantic Spatial sek visuelle posisjoneringssystem, kan maskinene bedre bestemme nøyaktig hvor de er, slik at de kan stoppe nøyaktig ved hente-plasseringer eller utenfor en kunde sek dør.

Fremveksten av «verdensmodeller»

Prosjektet gjenspeiler en bredere trend i AI-utviklingen.

Store språkmodeller er trent på bilder og tekst fra internett. Verdensmodeller har derimot som mål å hjelpe maskiner med å forstå hvordan den fysiske verdenen selv er bygget opp — hvor objekter er plassert, hvordan rom koble til og hvordan de kan bevege seg trygt gjennom dem.

Niantic Spatial sier det langsiktige målet er å bygge et kontinuerlig oppdatert «levende kart» av verden som roboter og andre AI-systemer kan bruke til å navigere.

Hva dette betyr for personvern

Denne historien illustrerer også et bredere skifte i hvordan data opprettet av vanlige folk som bruker hverdagslige app-er blir gjenbrukt.

Millioner av mennesker lastet ned Pokémon Go for å spille et spill. Men underveis genererte de også milliarder av bilder og presise plassering-signaler knyttet til virkelige steder. Disse dataene hjelper nå med å trene AI-systemer designet for å kartlegge og navigere i den fysiske verdenen. Det er langt unna spiller sek intensjon om å plukke opp spillet i søk etter Pikachu.

Dette er i ferd med å bli et kjent mønster i AI-økonomien. Aktiviteter som virker urelatert til kunstig intelligens — ta bilder, surfe på nettet, bruke app-er — ender ofte opp med å produsere datasettene som brukes til å trene kraftige nye systemer. Moderne AI-modeller bygges ofte ved bruk av store samlinger av data skrapt fra nettet og andre digitale kilder, noe forskere sier iblant kan inkludere personlig informasjon eller sensitive data.

Når selskaper kjemper for å bygge verdensmodeller og andre former for AI, blir spørsmålet akkurat hvor treningsdataene kommer fra — og om folkene som genererte dem noen gang skjønte hvordan dataene ville bli brukt, eller om de fortsatt ville godta å bruke disse app-ene hvis de hadde kjent til konsekvensene. Beslutningstakere og forskere har i økende grad etterlyst mer tøm samtykkestandarder(nytt vindu) for data brukt i AI-trening, og hevdet at skapere og brukere burde ha mer kontroll over hvordan dataene deres blir gjenbrukt.

Disse AI personvern-bekymringene utspiller seg allerede i retten. Utgivere, forfattere og medieselskaper har fil rettssaker der de hevder at arbeidet deres ble brukt til å trene AI-systemer uten tillatelse, inkludert en høyprofilert sak der The New York Times saksøkte OpenAI og Microsoft(nytt vindu) for påstått bruk av journalistikken deres i AI-treningsdatasett.

For selskaper som bygger AI som navigerer i den fysiske verdenen, er datasett opprettet gjennom spill, app-er og digitale plattformer raskt i ferd med å bli noen av de mest verdifulle eiendelene i teknologibransjen. Ettersom det skjer, blir spørsmål om transparens, samtykke og hvordan brukergenererte data gjenbrukes, vanskeligere å ignorere.

Ikke alle forfølger denne data-hungrige modellen. Hos Proton tror vi på privat, transparent AI som gir deg fordelene av en AI-assistent(nytt vindu) uten personvern-kostnadene. Lumo vil aldri lagre logg på dataene dine, trene på sensitive samtaler, eller dele informasjonen din med noen. Det betyr å bruke AI uten å lure på om dagens interaksjoner i stillhet kan bli morgendag sek datasett.