azaval

تیمی از محققان دانشگاه ویسکانسین و آزمایشگاه تحقیقاتی نیروی دریایی یک سیستم روباتیک طراحی و ساخته اند که امکان کنترل دستخوش روبات ها را از طریق کنترل مشترک فراهم می کند. این گروه در مقاله خود که در مجله Science Robotics منتشر شده است ، ایده های کار خود و اینکه چقدر خوب در عمل کار کرده اند را توضیح می دهند.

همانطور که محققان خاطرنشان کردند ، استفاده از دو دست با هم برای انجام یک کار بسیار پیچیده است - مستلزم آن است که بیش از دو دست شخصی که به طور مستقل بر روی یک کار مشابه کار می کنند همزمان انجام شود. به عنوان مثال ، هنگامی که فرد یک کوزه را باز می کند ، مغز مجبور است به عنوان واسطه گر انواع مختلف خدمت کند ، همانطور که دریافت می کند و سیگنال ها را به هر دو دست هدایت می کند. چنین کارهایی ساده چنان پیچیده است که روبات ها قادر به انجام آنها نیستند ، به همین دلیل تقریبا همه ربات ها فقط با یک دست کار می کنند . در این تلاش جدید ، محققان یک گام کوچک در راستای آموزش روبات ها نحوه استفاده از دو دست برای انجام یک کار برداشته اند.

محققان خاطرنشان كردند كه بسياري از كاربردهاي نيمه ربوتيك به روبات ها كمك مي كنند تا در عوض انجام كاري به تنهايي ، نقش افزودني را ايفا كنند. یک جراح که یک دست ربات را با استفاده از دست خود هدایت می کند ، یک نمونه است. اما آنها همچنین توجه دارند كه تقلید ساده برای سیستمهای روبوتیك دو دستی كار نمی كند - چنین حرکاتی بسیار پیچیده است. آنها دریافتند که راه حل ، ترکیب تقلید با یک شبکه یادگیری عمیق است. نتیجه تکنیکی بود که یک روبات را قادر می سازد با به اشتراک گذاشتن کنترل با یک انسان ، وظایف دوقلوی را انجام دهد.

بیشتر بخوانید: پمپ وکیوم کوچک
یک فیلم روایت شده که مفاهیم اصلی ، روش ها ، نتایج و پیامدهای این تحقیق را توضیح می دهد. اعتبار: راکیتا و همکاران ، علمی. ربات . 4، eaaw0955 (2019)
کار با تجهیز یک ربات به دو بازو و دست شروع شد. آنها سخت افزاری را اضافه کردند تا اسلحه ربات بتواند با یک شبکه یادگیری عمیق و سنسورهای مستقر در یک انسان ارتباط برقرار کند. به یک ربات گفته شد كه قرار است كاری انجام شود و سپس انسان آن را انجام داد. با انجام چنین کاری ، روبات تمام تلاش خود را برای تقلید از عمل در همان زمان انجام داد. بارها و بارها تکرار رویه به ربات این امکان را می دهد تا در مورد بسیاری از کارهای ریز و درشت که در انجام وظیفه اصلی دخیل بوده اند آگاهی داشته باشد که منجر به شهود بخشی از آن شده است.

با گذشت زمان ، به عنوان یک روبات در رابطه با یک انسان کار می کرد ، برای رسیدن به نتیجه بهتر دستورات خود را نیز اضافه می کرد. این روبات به حدی که وظیفه خود را انجام ندهد پیشرفت نکرده است - درعوض ، آموخته است که به عنوان یک دستیار توانمندتر عمل کند. محققان خاطرنشان كردند كه چنين رباتي احتمالاً مي تواند به عنوان دستياري براي افراد معلول تا حدودي خدمت كند. همچنین به نظر می رسد نیروی دریایی می تواند از چنین ربات هایی برای عملیات از راه دور در زیر آب استفاده کند.

از ابتدای اولین روزهای شطرنج و بازی یک نفره مجازی ، بازی های ویدئویی زمینه ای برای پیشرفت هوش مصنوعی (AI) بوده اند. هر پیروزی ماشین در برابر انسان کمک کرده است که الگوریتم ها باهوش تر و کارآمد تر شوند. اما برای رفع مشکلات دنیای واقعی - مانند خودکارسازی کارهای پیچیده از جمله رانندگی و مذاکره - این الگوریتم ها باید در محیط های پیچیده تر از بازی های تخته حرکت کنند و کار تیمی را بیاموزند. تا به امروز آموزش هوش مصنوعی نحوه کار و تعامل با سایر بازیکنان برای موفقیت یک کار غیرقابل تحمل بوده است.

در یک مطالعه جدید ، محققان روشی را برای آموزش الگوریتم های هوش مصنوعی برای دستیابی به سطح عملکرد انسان در یک بازی چند نفره محبوب 3 بعدی - یک نسخه اصلاح شده از Quake III Arena در حالت Capture the Flag شرح دادند.

اگرچه وظیفه این بازی سر راست است - دو تیم مقابل با جابجایی نقشه می توانند پرچم های یکدیگر را ضبط کنند - برنده خواستار تصمیم گیری پیچیده و توانایی پیش بینی و پاسخ به عملکرد سایر بازیکنان است.

این اولین بار است که هوش مصنوعی در یک بازی ویدئویی شخص اول به مهارتهای شبیه به انسان دست می یابد . بنابراین محققان چگونه این کار را کردند؟

منحنی یادگیری ربات

در سال 2019 ، چندین نقطه عطف در تحقیقات AI در سایر بازی های استراتژی چند نفره به دست آمده است. پنج بازیکن "باتوم" که تحت کنترل AI قرار دارند - در بازی DOTA 2. یک e-spor حرفه ای را شکست دادند ... بازیکنان حرفه ای انسانی نیز در بازی StarCraft II توسط یک AI مورد ضرب و شتم قرار گرفتند . در همه موارد ، نوعی یادگیری تقویت کننده بود. اعمال می شود ، به موجب آن الگوریتم با آزمایش و خطا و با تعامل با محیط خود یاد می گیرد.

پنج ربات که انسان را در DOTA 2 شکست داد ، از انسانها یاد نگرفتند - آنها فقط با بازی در برابر کلون های خودشان آموزش داده می شدند . پیشرفتی که باعث شد آنها بتوانند بازیکنان حرفه ای را شکست دهند ، ناشی از مقیاس بندی الگوریتم های موجود است . با توجه به سرعت رایانه ، AI می تواند در چند ثانیه بازی انجام دهد که چند دقیقه یا حتی چند ساعت طول می کشد تا انسان بازی کند. این به محققان این امکان را می دهد تا هوش مصنوعی خود را با 45000 سال گیم پلی در طی ده ماه از زمان واقعی آموزش دهند.

Capture the Flag از مطالعه اخیر همچنین یادگیری را از ابتدا آغاز کرد. اما به جای بازی در برابر کلون یکسان خود ، گروهی از 30 ربات ایجاد شده و به موازات سیگنال پاداش داخلی خود آموزش داده می شوند. سپس هر بات در این جمعیت با هم بازی می کنند و از یکدیگر یاد می گیرند. همانطور كه دیوید سیلور - یكی از دانشمندان تحقیقاتی - در این زمینه متذكر می شود ، هوش مصنوعی شروع به "حذف محدودیت های دانش بشری ... و خود دانش می كند".

نمایش تصویری تجسم بازی در یک عامل و همچنین برخی از نمونه های رفتارهای نمونه اولیه. اعتبار: DeepMind
سرعت یادگیری برای انسان هنوز بسیار سریعتر از پیشرفته ترین ... الگوریتم های یادگیری است . هر دو ربات OpenAI و AlphaStar DeepMind (ربات بازی StarCraft II) ارزش گیم پلی هزاران سال قبل از اینکه بتوانند به یک سطح عملکرد انسانی برسند ، ارزش گیم پلی هزاران سال را ریختند. تخمین زده می شود چنین آموزش هایی چندین میلیون دلار هزینه داشته باشد. با این وجود ، هوش مصنوعی خودآموز که قادر به ضرب و شتم انسان ها در بازی خود است ، یک پیشرفت هیجان انگیز است که می تواند نحوه عملکرد ماشین های ما را تغییر دهد.

آینده انسانها و ماشین ها

هوش مصنوعی غالباً جایگزین یا تکمیل کننده قابلیت های انسانی به تصویر کشیده می شود ، اما بندرت به عنوان یک تیم کاملاً متشکل از وظایف انسانی عمل می کند. از آنجا که این آزمایشات بازی های ویدئویی شامل همکاری ماشین و انسان است ، آنها نگاهی اجمالی به آینده می کنند.

نحوه بازی CTF ، همانطور که توسط عوامل نشان داده شده است. اعتبار: DeepMind
بازیکنان Human Capture the Flag این رباتها را بیشتر از سایر انسانها نشان می دادند ، اما بازیکنان DOTA 2 نسبت به هم تیمی های AI واکنش واضحی نشان دادند. برخی کاملاً مشتاق بودند و می گفتند که احساس حمایت می کنند و از بازی کردن در کنار آنها یاد گرفته اند. Sheever ، یک بازیکن حرفه ای DOTA 2 ، در مورد تجربه تیمش با رباتها صحبت کرد: "واقعاً احساس خوبی داشت ؛ [هم تیمی هوش مصنوعی] زندگی خود را برای من در برخی مقطع به دست آورد. او سعی کرد به من کمک کند ، با این فکر که" مطمئن هستم او می داند چه کاری انجام می دهد "و بعد بدیهی است که من نکردم. اما ، می دانید ، او به من ایمان داشت. من با هم تیمی های [انسانی] خیلی زیاد نمی شوم. "

دیگران کمتر مشتاق بودند ، اما از آنجا که ارتباطات ستونی برای هرگونه ارتباط است ، بهبود ارتباطات انسان و ماشین در آینده بسیار مهم خواهد بود. محققان قبلاً بعضی از ویژگی ها را برای تبدیل شدن به ربات ها "دوستانه ترین انسان" از قبیل ساختن بات ها به طور مصنوعی قبل از انتخاب صبر کرده اند.

بیشتر بخوانید: پمپ وکیوم کوچک

ویدئویی از هشت نماینده در حال بازی در حالت بازی یک پرچم-ضبط-پرچم با هم در یک نقشه Quake III Arena محبوب بازیکنان حرفه ای است. اعتبار: DeepMind
اما آیا هوش مصنوعی باید از ما بیاموزد یا به تدریس خود ادامه دهد؟ خودآموزی بدون تقلید از انسانها می تواند به AI و کارآیی و خلاقیت بیشتری آموزش دهد ، اما این می تواند الگوریتم هایی را برای کارهایی که شامل همکاری انسان نیستند ، مانند ذخیره روبات ها ایجاد کند.

از طرف دیگر ، ممکن است استدلال شود که داشتن یک ماشین آموزش دیده از انسان ، شهودی تر خواهد بود - انسانهایی که از چنین هوش مصنوعی استفاده می کنند ، می توانند درک کنند که چرا یک ماشین کاری را انجام داده است. با هوش گرفتن هوش مصنوعی ، همه ما برای شگفتی های بیشتر درگیر هستیم.

محققان دانشگاه تنسی اخیراً حمله ماسترو را شناسایی كردند ، یك حمله جدید برای طغیان در لینک (LFA) كه از فنون مهندسی كنترل ترافیك هواپیما برای متمرکز كردن انكار خدمات توزیع شده توسط بات نت (DDos) در پیوندهای ترانزیت استفاده می كند. در مقاله خود ، که اخیراً در arXiv منتشر شده است ، محققان این نوع حمله را تشریح کردند ، سعی کردند دامنه آن را بفهمند و برای اپراتورهای شبکه که مایل به عایق کردن خود از آن هستند ، کاهشهای موثری ارائه دادند.

حملات انکار توزیع خدمات (DDos) با هدایت ترافیک از منابع مختلف در اینترنت برای غلبه بر ظرفیت یک سیستم هدفمند کار می کنند. اگرچه محققان تکنیک های دفاعی و دفاعی متعددی را برای محافظت از کاربران در برابر این حملات ارائه داده اند ، اما همچنان در حال تکثیر هستند. حملات جاری شدن سیل پیوند (LFA) نوع خاصی از حملات DDoS است که پیوندهای زیرساختی را هدف قرار می دهد ، که به طور معمول از بات نت راه اندازی می شوند.

جارد اسمیت ، یکی از محققان ، گفت: "در حالی که بررسی کردیم که چگونه یک ISP می تواند به طور یک جانبه در برابر انکار گسترده حملات خدماتی دفاع کند ، ما فهمیدیم همان روشی که ما برای دفاع در برابر حملات استفاده می کردیم می تواند توسط یک طرف مقابل برای دفاع از دفاع خود استفاده کند." که مطالعه را انجام داد ، به TechXplore گفت. "این به ما منجر شد تا بررسی كنیم كه چگونه می توان از این روش ، مسمومیت با BGP ، برای انجام چنین حمله ای استفاده كرد."

اسمیت و همكارانش تایلر مک دانیل و مكس شوچارد در تلاش بودند تا در برابر حملات DDoS دفاع كنند ، چگونه توانایی یك طرف مقابل در تأثیرگذاری بر تصمیمات مسیریابی (یعنی دسترسی او به یك پروتكل دروازه بان به خطر افتاده یا بلندگو BGP) می تواند شبکه هایی از راه دور را ایجاد كند. فرآیندهای انتخاب مسیر به نفع آنها. در طی تحقیقات ، آنها نوع جدیدی از حمله LFA را شناسایی کردند که آنها آن را حمله مائسترو خواندند.

مک دانیل به TechXolore گفت: "ما در حال تحقیق در مورد حملات DDoS علیه پیوندهای زیرساخت اینترنتی هستیم." "این حملات محدود به ویژگیهای مسیریابی اینترنت هستند ، زیرا منابع DDoS همیشه مقصدی برای تردد خود ندارند که از یک لینک هدف عبور می کند. حمله مائسترو از آسیب پذیری های موجود در زبان روترهای اینترنتی برای برقراری ارتباط (یعنی BGP) برای غلبه بر این محدودیت سوء استفاده می کند. "

حمله مائسترو با توزیع پیام های تقلب (یعنی مسموم) BGP از روتر اینترنت برای هدایت ترافیک ورودی (به عنوان مثال ترافیکی که به روتر وارد می شود) بر روی یک لینک هدف کار می کند. به طور همزمان ، با استفاده از بات نت ، حمله DDoS را بر روی همان روتر هدایت می کند ، که درنهایت ترافیک DDoS را بر روی لینک هدف قرار می دهد.

به عبارت دیگر ، Maestro انتخاب مسیر سیستم های خودمختار از راه دور (ASES) و مقصد ترافیک ربات را ترتیب می دهد ، تا بتواند جریانهای مخرب را بر روی پیوندهایی هدایت کند که در غیر این صورت برای botnet ها غیرقابل دسترسی باشد. برای انجام این حمله ، یک کاربر باید دو ابزار اصلی داشته باشد: یک روتر لبه در برخی از AS های سازگار و یک بات نت.

مک دانیل گفت: "برای یکی از مدل های اصلی بات نت ما ، Mirai ، یک مهاجم با موقعیت مناسب Maestro می تواند انتظار داشته باشد تا یک میلیون میزبان آلوده اضافی را بر روی لینک هدف در مقابل یک لینک سنتی DDoS وارد کند." "این تعداد کاملاً یک سوم از کل بات نت را نشان می دهد."

به گفته محققان ، برای اینکه خود را از این حمله عایق کنند یا حداقل خطر هدف را کاهش دهند ، اپراتورهای شبکه باید پیام های BGP مسموم را فیلتر کنند. جالب اینجاست که ، مطالعات انجام شده در آزمایشگاه آنها نشان داد که اکثر روترها در حال حاضر این پیام ها را فیلتر نمی کنند.

مک دانیل گفت: "یک دشمن که می تواند روتر اینترنتی را به خطر بیاندازد و خریداری کند ، می تواند پیام های کلاهبرداری را برای تشدید حملات به زیرساخت های اینترنت پخش کند." وی گفت: "این نگران کننده است ، زیرا کار قبلی باعث ایجاد سلاح های گسترده در مقیاس بزرگ DDoS شده است که می تواند تاسیسات یا کل مناطق جغرافیایی را از اینترنت جدا کند."

علاوه بر معرفی حمله مائسترو ، مطالعه انجام شده توسط اسمیت ، مک دانیل و شوچارد شواهد بیشتری را ارائه می دهد که BGP ، به قول خودش ، دیگر یک پروتکل مسیریابی ایده آل ، مقیاس پذیر و ایمن نیست. این قبلاً توسط مطالعات قبلی و همچنین حوادث اخیر مانند عملیات کلاهبرداری 3ve و ربودن ارتباطات China Telecom پیشنهاد شده بود. به گفته محققان ، گرچه بروزرسانی هایی مانند قفل همسالان می تواند به جلوگیری از این حمله خاص کمک کند ، اما جایگزینی BGP با یک سیستم کاملاً جدید نسل بعدی (مانند SCION) موثرترین راه حل خواهد بود.