Bijna een decennium na de release beïnvloedt Pokémon Go kunstmatige intelligentie op een onverwachte manier.

Volgens een rapport van MIT Technology Review(nieuw venster) gebruikt Niantic Spatial, een AI-bedrijf dat is voortgekomen uit de oorspronkelijke ontwikkelaar van de game, meer dan 30 miljard afbeeldingen(nieuw venster) van stedelijke bezienswaardigheden vastgelegd door Pokémon Go-spelers om AI-systemen te trainen die robots helpen begrijpen waar ze zich in de echte wereld bevinden.

Toen Pokémon Go in 2016 werd gelanceerd, liepen miljoenen spelers door hun steden en richtten telefoons op gebouwen, parken en bezienswaardigheden tijdens het zoeken naar digitale wezens. Hiermee creëerden ze een van de grootste datasets van echte beelden die ooit zijn verzameld. Niantic Spatial trainde zijn model op 30 miljard afbeeldingen vastgelegd in stedelijke omgevingen, waarvan vele geclusterd rond locatie die spelers vaak bezochten in de game. Soms verschenen digitale wezens in of nabij privé ruimtes zoals appartementsgebouwen of binnenplaatsen van woningen, wat betekent dat die momenten mogelijk onderdeel zijn geworden van AI-datasets.

Die data wordt nu gebruikt om wat onderzoekers een “wereldmodel” noemen te bouwen — een AI-systeem ontworpen om machines te helpen fysieke omgevingen te interpreteren en erin te navigeren.

Het benadrukt ook iets dat gemakkelijk over het hoofd wordt gezien bij moderne technologie: alledaagse app activiteit kan jaren later geruisloos waardevolle trainingsdata voor AI-systemen worden — iets dat Pokémon Go-spelers in 2016 onmogelijk hadden kunnen voorzien, laat staan zinvol mee konden instemmen.

Waarom GPS moeite heeft in steden

GPS-signalen weerkaatsen vaak tegen hoge gebouwen, drijven aanzienlijk af of verdwijnen volledig in dichte stedelijke omgevingen, een probleem dat soms het “urban canyon”-effect wordt genoemd. Zoals MIT Technology Review in zijn rapport over de technologie uitlegt, kunnen zelfs locatie indicatoren van smartphones tientallen meters afwijken in steden, waardoor een apparaat vaak op het verkeerde huizenblok of de verkeerde kant van de straat wordt geplaatst.

De oplossing van Niantic Spatial is gebaseerd op een visueel positioneringssysteem(nieuw venster), dat de locatie bepaalt door te analyseren wat een camera ziet. Door momentopnamen van nabijgelegen gebouwen en bezienswaardigheden te vergelijken met zijn enorme dataset, kan het systeem naar verluidt een locatie tot op enkele centimeters nauwkeurig bepalen.

Van augmented reality tot bezorgrobots

Een van de eerste praktijktesten van de technologie van Niantic Spatial vindt plaats via een partnerschap met Coco Robotics, een startup die trottoirbezorgrobots exploiteert in verschillende steden.

De robots van het bedrijf vervoeren boodschappen en restaurantbestellingen in plaatsen als Los Angeles, Chicago, Miami en Helsinki. Volgens het rapport van MIT Technology Review hebben de robots van Coco al meer dan een half miljoen bezorgingen voltooid, waarbij miljoenen mijlen zijn afgelegd.

Betrouwbaar navigeren in dichte steden blijft een grote uitdaging voor autonome machines. Door camera’s op de robots te combineren met het visuele positioneringssysteem van Niantic Spatial, kunnen de machines beter bepalen waar ze zich exact bevinden, waardoor ze precies kunnen stoppen op ophaal locatie s of voor de deur van een klant.

De opkomst van “wereldmodellen”

Het project weerspiegelt een bredere trend in AI-ontwikkeling.

Grote taalmodellen worden getraind op afbeeldingen en tekst van het internet. Wereldmodellen daarentegen hebben als doel machines te helpen begrijpen hoe de fysieke wereld zelf is gestructureerd — waar objecten zich bevinden, hoe ruimtes verbinden, en hoe er veilig doorheen te bewegen.

Niantic Spatial zegt dat het langetermijndoel is om een voortdurend bijgewerkt “levende kaart” van de wereld te bouwen die robots en andere AI-systemen kunnen gebruiken om te navigeren.

Wat dit betekent voor privacy

Dit verhaal illustreert ook een bredere verschuiving in hoe data die is gecreëerd door gewone mensen die alledaagse app gebruiken, wordt hergebruikt.

Miljoenen mensen downloaden Pokémon Go om een spel te spelen. Maar gaandeweg genereerden ze ook miljarden afbeeldingen en precieze locatie signalen gekoppeld aan echte plaatsen. Deze data helpt nu bij het trainen van AI-systemen die zijn ontworpen om de fysieke wereld in kaart te brengen en te navigeren. Dat is heel ver weg van de intentie van de speler om het spel op te pakken om te zoeken naar Pikachu.

Dit wordt een bekend patroon in de AI-economie. Activiteiten die niet gerelateerd lijken aan kunstmatige intelligentie — foto’s maken, surfen op het web, app gebruiken — produceren vaak de datasets die worden gebruikt om krachtige nieuwe systemen te trainen. Moderne AI-modellen worden vaak gebouwd met behulp van grote verzamelingen data die van het internet en andere digitale bronnen zijn geschraapt, wat volgens onderzoekers soms persoonlijke informatie of gevoelige data kan bevatten.

Terwijl bedrijven zich haasten om wereldmodellen en andere vormen van AI te bouwen, wordt de vraag waar de trainingsgegevens precies vandaan komen — en of de mensen die deze hebben gegenereerd ooit beseften hoe die gegevens zouden worden gebruikt, of nog steeds zouden instemmen met het gebruik van die apps als zij de gevolgen hadden gekend. Beleidsmakers en onderzoekers hebben in toenemende mate opgeroepen tot duidelijkere toestemmingsnormen(nieuw venster) voor gegevens die worden gebruikt bij AI-training, met het argument dat makers en gebruikers meer controle zouden moeten hebben over hoe hun gegevens opnieuw worden gebruikt.

Deze AI privacy zorgen spelen zich al af in de rechtbank. Uitgevers, auteurs en mediabedrijven hebben rechtszaken aangespannen waarin ze beweren dat hun werk zonder toestemming is gebruikt om AI-systemen te trainen, inclusief een spraakmakende zaak waarin The New York Times OpenAI en Microsoft voor de rechter daagde(nieuw venster) vanwege het vermeende gebruik van haar journalistiek in AI-trainingsdatasets.

Voor bedrijven die AI bouwen die door de fysieke wereld navigeert, worden datasets gecreëerd via games, app en digitale platform snel enkele van de meest waardevolle bezittingen in de technologie-industrie. Naarmate dat gebeurt, worden vragen over transparantie, instemming en hoe door de gebruiker gegenereerde data wordt hergebruikt steeds moeilijker te negeren.

Niet iedereen volgt dit data-hongerige model. Bij Proton geloven we in privé, transparante AI die u de voordelen biedt van een AI-assistent(nieuw venster) zonder de privacy kosten. Lumo log uw data nooit, traint niet op uw gevoelige gesprekken en delen uw informatie met niemand. Het betekent AI gebruiken zonder u af te vragen of de interacties van vandaag misschien geruisloos de datasets van morgen worden.