Zanima li vas kako su obični ljudi u Americi proizvodili GMO hranu koristeći radijaciju nuklearnih izvora? I kakve veze ima intenzivna negativna reakcija na zvuk struganja po školskoj ploči s umjetnom inteligencijom?
Je li vam već dosta meme-ova, Twitter postova, Facebook sličica i drugih instant-kratnih sadržaja o kojima ne morate razmišljati? I meni, zato sam odlučio vikendom postati linkove na dva "long-form" sadržaja koje sam našao prošli tjedan, za koje treba sjesti (ili leći), opustiti se i razmišljati o ne-trivijalnim stvarima. Ovaj blog post je jedan iz te serije.
"99 percent invisible" je već poznati podcast s ovih stranica o "malim stvarima" na koje rijetko tko obraća pozornost ili nekako stoje u pozadini naših života. Vrlo su kvalitetni i trude se pronaći i razgovarati sa stvarnim ljudima koji su uključeni u konkretnu temu. Već sam stavio nekoliko njihovih podcastova i slobodno ih potražite u arhivi ovog bloga - vrijede!
Davno davno, u zaboravljenoj povijesti, konkretno 1950-tih godina, kad je nuklearna energija bila nešto novo, jedna od prvih stvari za koju smo je počeli koristiti je - GMO. Stvaranje novih sorti biljaka za hranu, putem mutacija koje izaziva radioaktivno zračenje. To je vrlo logična i normalna djelatnost za svoje vrijeme, jer je primjećeno da radioaktivnost izaziva promjene u genetskom kodu, "mutacije" kao rijetko koja druga aktivnost, a od kad postojimo, pokušavamo proizvesti što više hrane. Najčešće se te mutacije pokazuju kao rak, koji je štetan, pa organizam ne može funkcionirati i umre, no u malom broju slučajeva mogu biti poželjne. Ideja je bila: ako veliki broj biljaka izložimo zračenju na dovoljno dugo vrijeme, većina će umrijeti, no mali broj njih će možda imati pozitivne mutacije koje ćemo razmnožiti i tako dobiti veće povrće, ili više sjemena, ili otpornije biljke, ili bilo što drugo. Neke vrlo popularne vrste voća i povrća (bar u Americi) su stvorene na ovaj način.
To je samo nastavak onog što kao ljudi radimo tisućama i tisućama godina, samo brže. Naravno, ovaj način izazivanja genetskih mutacija je nasumičan - ozrači se stvarno veliki broj biljaka i onda gleda što se dogodilo s preživjelima. Najčešće čak, mutacije u onima koje prežive su neutralne - niti pomažu niti odmažu. U laboratorijima se ovakva metoda proizvodnje novih sorti biljaka (ali navodno i životinja) koristila redovito do u novije vrijeme, kad su pronađeni efikasniji načini izvođenja točno ciljanih mutacija - što je situacija danas. Jedna od najnovijih metoda je CRISPR, s kojom se postižu fantastični rezultati.
Ova epizoda 99 Percent Invisible donosi relativno manje poznatu praksu da su zračenje biljaka u opisanu svrhu dobijanja novih sorti radile i privatne osobe, u Americi 1950-ih. Ne laboratoriji, u kontroliranim uvjetima, nego hobisti koji su u to vrijeme mogli lako doći do radioaktivnih izvora i izlagati svoje rajčice u vrtu zračenju, bilo iz znatiželje ili iz nade da će proizvesti nešto što se može dobro prodati. Stranica s ovom epizodom ima par dodatnih informacija i fotografija, no Googlao sam i našao ovaj članak s ovećim brojem vrlo zanimljivih fotografija iz zlatnog nuklearnog doba u Americi.
Zašto mi se sviđa: Ideja zračenja biljaka radi stvaranja novih sorti je vrlo "retro" - dok nisu pronađene precizne metode, jedini način da se to brzo obavi je bila doslovno "nuklearna opcija."
Što sam naučio: Kao i s velikim brojem danas zabranjenih stvari i supstanci, nekad je bilo vrlo lako doći do radioaktivnih izvora.
Link na 99 percent invisible: Atom in the Garden of Eden.
"All in the mind" je podcast iz Australije koji se bavi popularnim temama iz neuroznanosti i psihologije. Teme su im uglavnom pitke i dostupne širokoj publici, i često obrađene na zanimljiv način.
"Misophonia" je izrazito negativna reakcija koju neki ljudi imaju prema određenim zvukovima, kao što su škripanje po ploči, šuškanje vrećice čipsa, mljackanje, čak i disanje i hrkanje. Još ne postoji točno opisan ili pronađen uzrok - niti biološke prirode, niti općenito psihološke. Epizoda je super zanimljiva jer donosi razgovore s ljudima koji na relativno ekstreman način reagiraju na najrazličitije zvukove.
Možda je to moja sferična krava (pitajte me uživo o sferičnoj kravi!), no mene je to podsjetilo na probleme koji se mogu dogoditi u radu s algoritmima za umjetnu inteligenciju koji ovise o treniranju. Ukratko, većina najnaprednijih algoritama za AI u širem smislu, ovise o tome da računalo, odn. algoritam, prouči veliku količinu podataka i iz njih na određeni način "izvuče zaključke" odnosno "nauči" što treba raditi. Ovo je direktan način na koji Google koristi ogromnu količinu informacija koje su mu na raspolaganju. No, što se dogodi kada algoritam nauči nešto sasvim krivo? Kao i mi kad učimo nešto (osobito kao djeca), vrlo je lako potpuno promašiti poantu.
Jedna od najpoznatijih priča iz ranog doba razvoja umjetne inteligencije je kako je 1980-ih Vlada Velike Britanije naručila od jednog tamošnjeg fakulteta algoritam koji će prepoznavati tenkove na slikama. Zahtjev je bio vrlo jednostavan: kad avioni iz zraka snime fotografije raznih sumnjivih lokacija, trebalo ih je obraditi što brže, pa umjesto da zaposle tisuće ljudi koji će gledati u fotografije, i ako ovi nisu previše umorni ili izdosađivani, zapisivati će što vide na njima, ideja je bila da to rade računala. Vojska je za tu svrhu snimila stotine fotografija visoke kvalitete, i dio fotografija dala fakultetu, a dio zadržala za sebe da bi provjerili sami da algoritam stvarno funkcionira na slikama koje još nije vidio. Istraživači su dobili par stotina fotografija koje su koristili da "nauče" AI algoritam da prepoznaje kad je na slici tenk a kada nije, i kad su bili zadovoljni da ovaj to radi dovoljno dobro, održali su prezentaciju generalima. I sve je prošlo dobro. Generali su donijeli onaj dio slika koje su zadržali, koje istraživači nikad nisu dobili, testirali algoritam s njima, i funkcionirao je! Algoritam je radio savršeno.
Osim što, par dana kasnije, kad su probali na novim slikama, ništa nije radilo. Algoritam je donosio posve pogrešne prosudbe o tome je li na slici tenk ili nije. Što se dogodilo? Istraživači su bili pozvani, proučavali su stare slike, nove slike, najnovije slike, nisu mogli utvrditi gdje je problem. Slike su bile normalne. Algoritam nije. Dok nekom nije palo napamet nakon nekoliko tjedana buljenja u slike, gdje bi mogao biti problem, što se pokazalo točnim: sasvim slučajno, one originalne slike, na kojima je AI naučen da prepoznaje "ima tenk" i "nema tenk" su snimane u 2 različita dana. Sve fotografije na kojima je bio tenk su snimane jedan dan, a sve u kojima nema tenk su snimane drugi dan. Algoritam je, umjesto da nauči "ima tenk" ili "nema tenk" je na temelju kuta sunca i sjene, oblačnosti, bistrine zraka, naučio prepoznati je li fotografija snimljena u onaj prvi dan, ili u onaj drugi dan - i to je sve. Što mašina zna što je tenk?
I mi, ljudi, učimo na temelju inputa, i izvodimo zaključke na temelju njih i prethodnih zaključaka. Nekad, kao s misophonijom, naučimo da je škripanje po ploči najgora stvar koja može postojati na svijetu.
Zašto mi se sviđa: U epizodi su razgovori s ljudima koji intenzivno reagiraju na najrazličitije zvukove. Nema pravila.
Što sam naučio: Nakon što se rode, ni blizanci nemaju 100% identične inpute tijekom života. Jedno dijete može "slučajno" naučiti da mrzi zvuk mljackanja.
Link na All in the Mind: The Sound Spiral: Misophonia
Vrlo jednostavno - ajmo pričati o onom što smo čuli. Može na Internetu, ovdje dolje, a još bolje na pivu! Znate li za slične long-form podcaste ili blogove koji bi mi mogli biti zanimljivi? Pošaljite mi ih!
P.S. Ako niste dovoljno domaći s engleskim jezikom, ostavite komentar pa ću detaljnije prepričati dijelove podcasta!