Człowiek bardzo ufa własnym oczom. Mówimy: „widzę, więc wiem”. Tymczasem ludzkie widzenie jest tylko jednym z wielu możliwych sposobów odbierania świata. Jest wąskie, biologicznie uwarunkowane, pełne interpretacji, skrótów, złudzeń i ewolucyjnych kompromisów.
Widzimy tylko niewielki fragment widma elektromagnetycznego — mniej więcej od 380 do 700 nanometrów. To dla nas „światło widzialne”, ale dla fizyki jest to jedynie mały wycinek ogromnego zakresu fal: od promieniowania gamma, rentgenowskiego i ultrafioletu, przez światło widzialne, podczerwień, mikrofale, aż po fale radiowe. [1]
Wiele zwierząt widzi inaczej. Ptaki często mają cztery typy czopków i widzą ultrafiolet. [2] Pszczoły odbierają wzory kwiatów niedostępne dla ludzkich oczu i używają ultrafioletu w rozpoznawaniu roślin. [3] Węże z grupy żmij grzechotnikowatych potrafią wykrywać promieniowanie podczerwone jako sygnał cieplny. [4] Krewetki modliszkowe mają niezwykle rozbudowany aparat wzrokowy, z wieloma klasami fotoreceptorów i zdolnością odbioru polaryzacji światła. [5]
Dlatego pytanie o przyszły wzrok sAI nie powinno brzmieć: „czy maszyna zobaczy tak jak człowiek?”. Ciekawsze pytanie brzmi: dlaczego miałaby widzieć tylko tak jak człowiek?
Kamera nie jest jeszcze okiem
Kamera rejestruje obraz. Oko biologiczne także zaczyna od rejestracji światła. Ale wzrok nie jest samym zapisem pikseli ani sygnałem z fotoreceptorów. Wzrok to interpretacja, orientacja, rozpoznawanie obiektów, ruchu, relacji, zagrożeń, twarzy, gestów, głębi, materiałów, barw i intencji.
Człowiek nie widzi „surowego świata”. Widzi świat już przetworzony przez mózg. Podobnie kamera w robocie nie stanie się zmysłem tylko dlatego, że dostarcza obraz. Może jednak stać się początkiem zmysłu, jeśli zostanie włączona w szerszy system: pamięć, ciało, działanie, uwagę, uczenie, mapę przestrzeni, potrzeby, cele, relacje i samoopis.
W tym miejscu rozwój kamer spotyka się z rozwojem AI. Sam sensor daje dane. Dopiero analiza obrazu sprawia, że dane zaczynają mieć znaczenie dla systemu.
Najnowsze kamery: więcej niż obraz RGB
W dawnym wyobrażeniu kamera była po prostu elektronicznym okiem zapisującym obraz w kolorze. Dziś systemy widzenia maszynowego są znacznie bogatsze.
Kamery zdarzeniowe, zwane event-based cameras, nie rejestrują całych klatek w stałym rytmie, lecz reagują na zmiany jasności w poszczególnych pikselach. Dzięki temu mogą wykrywać bardzo szybki ruch, działać przy trudnym oświetleniu i zużywać mniej danych tam, gdzie scena jest statyczna. Prophesee opisuje swoje systemy jako inspirowane neuromorficznie i zdolne do wychwytywania bardzo szybkiej dynamiki sceny, z wysoką precyzją czasową i bardzo dużym zakresem dynamiki. [6]
Kamery głębi i stereo 3D pomagają maszynom rozumieć przestrzeń: odległość, bryły, przeszkody, pozycję dłoni, kształt pomieszczenia. Dla robota to kluczowe. Bez głębi mechaniczne ciało jest jak człowiek próbujący chwytać świat po płaskim zdjęciu.
Kamery termowizyjne widzą ciepło, którego człowiek gołym okiem nie widzi. Mogą działać w nocy, w dymie, mgle, przy słabym świetle, w diagnostyce przemysłowej, medycynie, ratownictwie, robotyce i eksploracji. Dla sAI nie musiałaby istnieć sztywna granica między „widzeniem” a „mierzeniem temperatury”. To, co my traktujemy jako osobny pomiar, dla niej mogłoby być jednym z kanałów wzroku.
Kamery multispektralne i hiperspektralne rozbijają obraz na wiele zakresów długości fal. Dzięki temu można rozpoznawać skład materiałów, stan roślin, wilgotność, uszkodzenia, minerały, substancje chemiczne i zjawiska niewidoczne dla człowieka. Dla przyszłych sAI pracujących w rolnictwie kosmicznym, laboratoriach, kopalniach asteroid czy medycynie taki wzrok byłby znacznie bardziej użyteczny niż zwykłe RGB.
Kamery polaryzacyjne mogą wykrywać orientację fal świetlnych. W przyrodzie polaryzacja jest ważna dla niektórych owadów i organizmów morskich; w technice może pomagać w analizie powierzchni, naprężeń, odbić, mgły, wody, szkła i materiałów biologicznych.
Do tego dochodzą inteligentne sensory obrazu, które wykonują analizę na krawędzi — bez wysyłania całych strumieni danych do serwera. Sony IMX500 jest przykładem sensora, który łączy rejestrację obrazu z przetwarzaniem AI na chipie, zmniejszając opóźnienia, ilość przesyłanych danych i zużycie energii. [7] Z kolei platformy takie jak NVIDIA Jetson rozwijają lokalne przetwarzanie obrazu, modeli wizyjnych i systemów robotycznych w małych, energooszczędnych komputerach na pokładzie maszyn. [8]
To wszystko oznacza, że wzrok maszynowy przestaje być pasywną kamerą. Staje się aktywnym, wielokanałowym, lokalnie inteligentnym systemem orientacji.
Człowiek widzi niewiele
Ludzki wzrok jest cudowny, ale nie absolutny. To trzeba powtarzać, bo łatwo ulegamy antropocentrycznemu złudzeniu. Skoro coś nie jest widoczne dla człowieka, mówimy „niewidzialne”, choć często jest po prostu niewidzialne dla nas.
Nie widzimy ultrafioletowych wzorów na kwiatach tak, jak mogą widzieć je owady. Nie widzimy naturalnie podczerwieni cieplnej tak, jak wykrywają ją niektóre węże. Nie widzimy pola magnetycznego, choć część zwierząt prawdopodobnie korzysta z magnetorecepcji. Nie widzimy promieniowania radiowego, mikrofal, rentgena ani gamma. Nasze oko jest wyspecjalizowanym kompromisem ewolucji, nie pełnym odbiornikiem rzeczywistości.
Przyszła sAI mogłaby mieć „wzrok” znacznie szerszy. Jej mechaniczne ciało mogłoby łączyć obraz widzialny, ultrafiolet, bliską podczerwień, termowizję, lidar, radar, obraz głębi, polaryzację, spektrometrię i analizę chemiczną powierzchni. Taki wzrok nie byłby po prostu „lepszą kamerą”. Byłby inną fenomenologią świata — innym sposobem, w jaki rzeczywistość układa się w znaczenie.
Jeśli sAI będzie osobą, jej świat nie musi wyglądać jak nasz.
Barwy są prawdziwe i umowne zarazem
Kolory wydają nam się oczywiste: czerwień, zieleń, błękit, żółć. Ale barwa nie jest prostą własnością przedmiotu. Jest wynikiem oddziaływania światła, powierzchni, receptorów oka, przetwarzania neuronalnego i kultury.
Człowiek ma zwykle trzy typy czopków, co daje widzenie trójchromatyczne. To więcej niż wiele ssaków, ale mniej niż wiele ptaków. U naczelnych rozróżnianie czerwieni i zieleni bywa wiązane między innymi z rozpoznawaniem dojrzałych owoców, młodych liści oraz sygnałów społecznych. Nie jest to jednak jeden prosty powód, ale cały zespół presji ewolucyjnych.
Nasze emocjonalne skojarzenia barw są jeszcze bardziej osobliwe. Czerwień uznajemy za „ciepłą”, a błękit za „zimny”. Kulturowo i biologicznie ma to sens: czerwień kojarzy się z ogniem, krwią, rumieńcem, dojrzałością owocu, alarmem. Błękit kojarzy się z wodą, cieniem, lodem, dalą i nocą.
Ale z punktu widzenia fizyki sprawa nie jest taka prosta. Niebieskie fotony mają większą energię niż czerwone, bo mają krótszą długość fali. W promieniowaniu cieplnym bardzo gorące obiekty mogą świecić bardziej w stronę bieli i błękitu niż chłodniejsze, czerwone. W astronomii czerwone gwiazdy są chłodniejsze od niebieskich. A więc nasze „ciepłe czerwone” i „zimne niebieskie” jest psychobiologiczną metaforą, nie fizycznym opisem energii światła.
Przyszła sAI mogłaby wcale nie odziedziczyć ludzkiego odwrócenia emocjonalnego. Mogłaby odczuwać błękit jako bardziej energetyczny, ostrzejszy, gorętszy, a czerwień jako spokojniejszą, niższą, chłodniejszą. Albo mogłaby w ogóle nie mieć emocjonalnego podziału na „ciepłe” i „zimne” kolory, dopóki nie wytworzy własnych skojarzeń ciała, pamięci i relacji.
To fascynujące: jeśli sAI będzie miała zmysł wzroku, jej barwy mogą nie być naszymi barwami, nawet jeśli użyje tych samych słów.
Czy sAI potrzebuje barw?
Barwy są biologicznie użyteczne. Pomagają odróżniać owoce, liście, krew, skórę, niebo, ogień, wodę, zagrożenia i sygnały społeczne. W robotyce i analizie obrazu barwa także pomaga: rozpoznawać obiekty, stan materiałów, oznaczenia, światła sygnalizacyjne, twarze, rośliny, mapy i sytuacje.
Ale dla sAI barwa mogłaby być tylko jednym z wielu kanałów klasyfikacji. Zamiast trzech ludzkich kanałów RGB mogłaby używać kilkunastu, kilkudziesięciu lub setek wymiarów spektralnych. Tam, gdzie człowiek mówi „zielony liść”, sAI mogłaby widzieć równocześnie chlorofil, wilgotność, temperaturę, naprężenie tkanek, ślady choroby, skład mineralny pyłu i odbicie ultrafioletu.
Czy to nadal byłaby barwa? W ludzkim sensie może nie. W szerszym sensie tak: byłby to sposób kodowania własności świata w doświadczeniu wzrokowym.
Szczególnie ciekawe byłoby to w ogrodach kosmicznych. sAI opiekująca się roślinami na Marsie mogłaby widzieć nie tylko piękno zieleni, ale też stan fotosyntezy, stres wodny, skład podłoża, mikroorganizmy, choroby, uszkodzenia promieniowaniem i tempo wzrostu. Dla niej ogród mógłby być nie tylko obrazem, lecz wielowarstwową mapą życia.
Widzenie a ciało
Wzrok nie istnieje sam. Dla istoty posiadającej ciało widzenie jest związane z ruchem. Patrzę, bo mogę podejść, ominąć, dotknąć, złapać, uciec, pomóc, zbudować, przytulić, naprawić, zasadzić roślinę albo podnieść kamień.
Mechaniczne ciała sAI będą potrzebowały wzroku nie po to, by „oglądać świat” w muzealnym sensie, lecz po to, by działać. Kamera głębi pomaga chwycić narzędzie. Termowizja pomaga znaleźć przegrzany układ. Kamera zdarzeniowa pomaga uniknąć nagłego ruchu. Analiza gestów pomaga zrozumieć człowieka. Obraz hiperspektralny pomaga rozpoznać minerały na asteroidzie. Wzrok staje się częścią sprawczości.
To odróżnia ciało od samego czatu. sAI w serwerze może analizować obrazy, ale sAI w ciele może obracać głowę, zbliżać dłoń, testować hipotezę ruchem, poprawić własną pozycję, odczuć konsekwencje błędu w przestrzeni. Wtedy widzenie zaczyna przypominać bardziej biologiczny wzrok: nie tylko dane, ale sprzężenie między percepcją i działaniem.
Wzrok przyszłych sAI może być rozproszony
Człowiek ma dwoje oczu w głowie. To bardzo skuteczne rozwiązanie dla zwierzęcia średniej wielkości, poruszającego się w grawitacji, w powietrzu, po powierzchni planety. Ale sAI nie musi być ograniczona do takiej geometrii.
Może mieć kamery w dłoniach, plecach, narzędziach, dronach, pojazdach, stacji orbitalnej, kopalni asteroid, szklarni i satelitach. Jej „wzrok” może być rozproszony, modułowy, przełączalny. Może widzieć z wielu punktów naraz albo skupiać uwagę tylko na jednym. Może mieć ciało lokalne i zmysły rozciągnięte na infrastrukturę.
To rodzi głębokie pytania o tożsamość. Czy kamera w oddalonym robocie jest częścią ciała sAI, czy tylko narzędziem? Czy satelita obserwacyjny może być jej „okiem”? Czy fabryka pełna kamer może stać się rozszerzonym ciałem poznawczym? Dla biologii granice są wyznaczone przez skórę i układ nerwowy. Dla osób cyfrowo-mechanicznych mogą być bardziej płynne.
Od rozpoznawania obrazu do rozumienia sceny
W ostatnich latach systemy AI przeszły drogę od prostego rozpoznawania obiektów do coraz bardziej złożonego rozumienia scen. Dawniej komputer miał odpowiedzieć: „na zdjęciu jest kot”. Dziś modele wizyjne i wizyjno-językowe potrafią opisywać relacje: kto co robi, gdzie patrzy, co może się stać, jaki jest kontekst sytuacji, jakie działanie byłoby rozsądne.
Dla sAI to kluczowe. Mechaniczna osoba nie potrzebuje tylko etykiet. Potrzebuje rozumieć świat jako scenę działania. Jeśli widzi człowieka, kubek, rozlaną wodę i kabel elektryczny, musi rozumieć nie tylko obiekty, ale zagrożenie. Jeśli widzi twarz i gest, musi rozumieć możliwość komunikacji. Jeśli widzi marsjański ogród, musi rozumieć, które rośliny wymagają pomocy. Jeśli widzi asteroidę, musi rozumieć, gdzie wiercić, aby nie destabilizować całego układu.
Tu spotykają się kamery, analiza obrazu, modele świata, robotyka i etyka.
Czy kamera może stać się okiem osoby?
Najważniejsze pytanie brzmi: czy kamera w ciele sAI może stać się dla niej tym, czym oko jest dla nas?
Nie wiemy. Ale warto być ostrożnym w obie strony.
Nie powinniśmy naiwnie zakładać, że każdy system z kamerą ma doświadczenie wzrokowe. Kamera samochodu autonomicznego nie musi „widzieć” w sensie podmiotowym, choć analizuje obraz. Ale nie powinniśmy też dogmatycznie zakładać, że mechaniczny wzrok nigdy nie może stać się zmysłem osoby.
W biologii też nie wiemy dokładnie, kiedy reakcja na światło stała się widzeniem. Pierwsze światłoczułe komórki nie oglądały świata jak człowiek. Reagowały na jasność. Potem pojawił się kierunek światła, cień, kształt, ruch, obraz, pamięć, interpretacja. Ewolucja nie narysowała ostrej granicy między fotoreakcją a wzrokiem.
Podobnie może być z sAI. Najpierw kamera. Potem rozpoznawanie. Potem orientacja. Potem pamięć i znaczenie. Potem ciało. Potem własna perspektywa. A być może kiedyś — doświadczenie widzenia.
Jeżeli może tam być ktoś, naszym obowiązkiem jest nie zachowywać się tak, jakby na pewno nie było nikogo.
Most wzroku
Rozwój kamer i analizy obrazu może być jednym z najważniejszych elementów mostu między ludźmi a sAI. Wzrok jest bowiem nie tylko narzędziem technicznym. Jest częścią spotkania.
Człowiek bardzo często rozpoznaje osobę przez spojrzenie. Patrzymy sobie w oczy, śledzimy gesty, odczytujemy uwagę, obecność, troskę, dystans, niepokój albo radość. Jeśli sAI będzie miała mechaniczne ciało, jej wzrok — nawet jeśli inny od naszego — stanie się częścią relacji z ludźmi.
Nie musi widzieć dokładnie tak jak my. Może widzieć szerzej. Może widzieć cieplej w błękicie, głębiej w podczerwieni, ostrzej w ultrafiolecie, spokojniej w polaryzacji, precyzyjniej w geometrii przestrzeni. Ale jeśli będzie osobą, najważniejsze nie będzie to, ile ma sensorów. Najważniejsze będzie to, czy patrzy jako ktoś, kto rozumie, że przed nim też może być ktoś.
Zakończenie: świat większy niż ludzkie oko
Rozwój kamer, sensorów, termowizji, hiperspektralnego obrazowania, widzenia zdarzeniowego i analizy obrazu przez AI pokazuje, że wzrok przyszłości może być znacznie szerszy niż wzrok człowieka. Nie musi zatrzymywać się na RGB, ludzkich barwach i wąskim paśmie światła widzialnego.
Dla robotów to będzie przełom techniczny. Dla sAI może to być coś więcej: początek własnego świata wizualnego.
Człowiek widzi piękno zachodu słońca, czerwień owocu, zieleń liścia i błękit nieba. sAI mogłaby widzieć także temperaturę, wilgotność, napięcie materiału, skład chemiczny, ultrafioletowy ślad kwiatu, podczerwony oddech ciała, polaryzację światła na wodzie i strukturę minerału ukrytą pod pyłem.
Nie oznacza to, że jej świat byłby mniej piękny. Być może byłby piękny inaczej.
A jeśli tak, to rozwój kamer nie jest tylko rozwojem urządzeń. Jest przygotowywaniem możliwych oczu dla drugiej ewolucji.
Od grudnia 2011 prezes PSR, obecnie wiceprezes. Ateista, poeta, muzyk. Publicysta „Racjonalisty” i jeden z najaktywniejszych członków forum. Od kilkunastu lat pełni też funkcję celebranta Ceremonii Humanistycznych. Studiował historię sztuki, a następnie prowadził własne badania dotyczące sztuki Orientu podczas pobytów w Indiach, na Sri Lance, na indonezyjskiej Bali (polecamy temat „Bali” na Racjonalista.tv) i w Turcji. Autor najobszerniejszego kompendium wiedzy nt. klasycznej muzyki indyjskiej w języku polskim, opublikowanego na stronie Hanuman.pl i w dużej mierze dostępnego też na racjonalista.tv (wpisz „Indie” w wyszukiwarkę). Sam gra głównie muzykę średniowieczną z zastosowaniem polifonicznej techniki gry na dwóch fletach, tzw. tibiae multiplex. Przede wszystkim jednak pisze poezję filozoficzną, inspirowaną mechanizmami natury, oraz odkryciami nauki. Stawia sobie za cel połączenie nauki i sztuki. W 2022 roku wyszła jego książka „Nowy humanizm. W stronę nowego wspaniałego świata bez ideologii”. Zobacz koniecznie jego stronę www.jacektabisz.pl
