Bisakah robot menulis simfoni? Tes Turing - “Anda hanyalah robot, tiruan kehidupan. Bisakah robot mengalahkan permainan ini? Kerugian dari terapi VR adalah biaya peralatan yang relatif tinggi dan potensi intoleransi fisiologis terhadap realitas virtual.

Perkembangan elemen sistem kecerdasan buatan sedang aktif berkembang dan menjadi tren saat ini, dan hanya orang malas yang tidak menulis bot pintar. Itu sebabnya kami mewawancarai Dmitry shwars Soshnikov, salah satu pakar AI terbaik di negara ini. Dia adalah penginjil teknologi Microsoft, penulis buku, artikel dan tutorial, serta koordinator program guru dan siswa, spesialis dalam pemrograman fungsional, jaringan saraf, dan kecerdasan buatan.

- Dmitry, tolong beri tahu kami beberapa kata tentang diri Anda dan pekerjaan Anda.

Dmitry Soshnikov: Sebagai penginjil untuk Microsoft, saya terlibat dalam mempopulerkan dan menerapkan teknologi paling modern milik perusahaan, terutama teknologi yang terkait dengan kecerdasan buatan. Hal ini termasuk berbicara di konferensi, bekerja dengan siswa dan guru, startup, terkadang berpartisipasi dalam hackfest, dan memprogram sistem prototipe bersama dengan pengembang dari berbagai perusahaan. Saya juga mempopulerkan pemrograman fungsional dan bahasa F#, mengajar di MIPT, HSE dan MAI, dan mengembangkan kursus online untuk MVA dan Coursera.

Menurut saya, jaringan syaraf tiruan dan kecerdasan buatan secara umum merupakan bidang yang sangat menarik, perkembangan pesatnya dalam beberapa tahun terakhir telah memungkinkan penyelesaian sejumlah masalah yang sebelumnya tidak ada solusinya, seperti misalnya penentuan otomatis. usia seseorang dari fotonya. Dan masa depan memberikan lebih banyak peluang menarik bagi kita.

Jaringan saraf - mode atau alat?

- Apa sebenarnya yang mendorong perkembangan aktif teknologi jaringan saraf akhir-akhir ini?

Dmitry Soshnikov: Beberapa faktor berhasil tumpang tindih di sini.
Pertama, tersedianya daya komputasi yang terjangkau. Selain itu, layanan cloud memainkan peran besar, karena alih-alih berinvestasi pada infrastruktur untuk penghitungan jaringan saraf, Anda kini hanya dapat menyewanya selama penghitungan, dan kemudian menolak untuk menyewanya. Selain itu, prosesor grafis yang awalnya dirancang untuk grafis komputer mulai digunakan. Ternyata mereka sangat cocok untuk tugas-tugas kecerdasan buatan.

Kedua, berkat Internet, sejumlah besar data mulai terkumpul di banyak wilayah. Misalnya, tugas yang disebutkan sebelumnya adalah mengenali usia seseorang dari sebuah foto. Untuk melatih jaringan saraf guna menyelesaikannya, diperlukan beberapa ratus ribu contoh. Sekarang Anda dapat menggunakan jejaring sosial mana pun tempat orang-orang mempublikasikan foto dan informasi akun mereka (usia) - dan kami segera menerima data untuk pelatihan.
Ketiga, tentu saja muncul beberapa penelitian menarik, termasuk arsitektur jaringan saraf baru yang memungkinkan pemecahan masalah yang ada. Namun poin ini mungkin merupakan konsekuensi dari dua poin pertama. Ketika sumber daya dan teknologi tersedia, kawasan tersebut secara alami mulai aktif berkembang.

Sejumlah besar alat juga muncul di sini yang memungkinkan penggunaan jaringan saraf ini. Jika sebelumnya untuk menyelesaikan masalah kecerdasan buatan Anda harus memiliki banyak pengetahuan dan banyak pemrograman, kini tersedia layanan yang bisa Anda ambil dan gunakan.

Topik kecerdasan buatan sangat populer saat ini. Seberapa pantaskah popularitas ini? Apakah teknologinya memang begitu mengesankan atau ada kontribusi besar dari fashion? Dan bukankah “mode” ini merugikan pembangunan?

Dmitry Soshnikov: Memang ada kesuksesan besar di bidang AI yang banyak ditulis, sehingga ungkapan “kecerdasan buatan” banyak terdengar. Berkat ini, pengembang baru muncul - seseorang pergi dan mempelajari area baru untuk dirinya sendiri, mis. Ada lebih banyak orang yang memahami bidang ini. Di sisi lain, masyarakat lebih berhati-hati mencari tugas-tugas di mana teknologi kecerdasan buatan dapat diterapkan. Dari sudut pandang ini, pada prinsipnya semua ini baik, karena kami memiliki peluang untuk mengotomatisasi beberapa area yang sebelumnya tidak dapat kami otomatisasi.

Misalnya, kita bisa menyelesaikan masalah penerimaan pesanan di jendela MacAuto. Mereka selalu berusaha membuat solusi untuk masalah tersebut lebih murah. Misalnya, di AS, awalnya ada orang Amerika yang duduk di sana, kemudian ada upaya untuk melakukan outsourcing dengan mentransfer suara ke negara dengan tenaga kerja murah (di mana, sekali lagi, orang tersebut duduk dan menyalin). Dan sekarang komputer bisa melakukan hal ini.

Apakah pelaku pasar memiliki ekspektasi yang berlebihan? Adakah prediksi yang menurut Anda pasti tidak akan menjadi kenyataan dalam waktu dekat?

Dmitry Soshnikov: Tentu saja sudah. Pertama-tama, bidang kecerdasan buatan agak romantis. Ada banyak film - misalnya, "The Matrix" atau "Terminator" - yang menampilkan robot memberontak dan mengendalikan segalanya. Oleh karena itu, ada sejumlah orang yang memperkirakan 5 tahun lagi akan berlalu dan komputer akan mengambil alih dunia. Harapan tersebut rupanya masih jauh dari kenyataan. Saat ini, solusi dari beberapa masalah yang terkait dengan pengenalan gambar, pengenalan suara, dan pembelajaran mesin telah terotomatisasi dengan sangat baik. Namun jalan kita masih panjang sebelum memahami cara kerja pemikiran manusia secara umum. Oleh karena itu, sebelum menciptakan kecerdasan buatan yang dapat berpikir seperti manusia dan beroperasi dengan akumulasi pengetahuan, masih banyak pekerjaan yang harus dilakukan. Masih belum jelas bagaimana melakukan hal ini.

- Bagaimana dengan ekspektasi dalam hal investasi finansial, dan bukan implementasi skenario fiksi ilmiah?

Dmitry Soshnikov: Bagi saya, untuk percakapan seperti itu, topik kecerdasan buatan perlu dipecah menjadi beberapa komponen terpisah, karena ini adalah bidang yang sangat luas.

Jika kita melihat visi komputer, sudah ada kemajuan luar biasa yang kini diterapkan ke dalam bisnis, meningkatkan efisiensi dan membawa manfaat ekonomi. Computer vision sudah mengenali gambar lebih baik daripada manusia, dan harganya jauh lebih murah.

Di bidang lain, seperti pemahaman bahasa alami dan kemampuan berpikir tentang topik yang berubah-ubah, kemajuannya masih lebih sederhana.

- Apakah ada faktor-faktor yang menurut Anda menghambat perkembangan industri ini?

Dmitry Soshnikov: Sejujurnya, saya tidak melihat faktor yang jelas. Saya pikir ini adalah area dengan pertumbuhan tercepat saat ini.
Namun, saya ingin mencatat bahwa kecerdasan buatan adalah bidang yang masih memerlukan beberapa kualifikasi. Bekerja ke arah ini sedikit lebih sulit daripada sekedar belajar memprogram. Seseorang yang lulus sekolah dan tidak mengenyam pendidikan tinggi mungkin dapat mulai bekerja dengan sukses di bidang pengembangan standar. Dengan kecerdasan buatan, hambatan masuk menjadi lebih tinggi, meskipun secara bertahap diturunkan, termasuk melalui upaya para peserta dalam industri ini. Secara khusus, salah satu hal yang sedang dikerjakan Microsoft adalah apa yang disebut demokratisasi kecerdasan buatan. Hal ini berarti menjadikan teknologi dapat diakses oleh segmen konsumen seluas mungkin.

Dalam praktiknya, tidak hanya Microsoft, tetapi banyak perusahaan lain yang bekerja ke arah ini, menyediakan, misalnya, alat untuk memecahkan masalah intelektual dan kognitif dalam bentuk layanan siap pakai. Misalnya, layanan untuk menentukan jenis kelamin, usia, dan suasana hati seseorang dari sebuah foto; Anda cukup meneleponnya dan mendapatkan hasilnya. Hal yang sama berlaku untuk terjemahan mesin, dll. Sebagai bagian dari laporan di DotNext 2017, kita akan membicarakan hal ini: bagaimana Anda bisa, tanpa memahami sama sekali cara kerjanya, cukup menggunakan hasilnya.

A.NET mungkin?

- Mari kita bicara tentang tempat platform .NET di segmen kecerdasan buatan. Seberapa cocokkah solusi tersebut untuk memecahkan masalah seperti itu? Apakah ada fitur yang membantu atau, sebaliknya, menghambat kerja dengan jaringan saraf?

Dmitry Soshnikov: Metode AI dapat diterapkan pada teknologi apa pun. Namun demikian, terdapat ekosistem tertentu yang sudah mapan dengan tugas serupa. Misalnya, Python dan R serta pustaka yang menyertainya adalah bahasa yang sangat populer di kalangan data scientist. Itu. sudah banyak kerja komunitas di sini. Dari segi perkembangan tersebut tentu saja .NET sedikit tertinggal, begitu pula platform sejenis lainnya. Namun, .NET sudah memiliki seperangkat alat tertentu, yang akan saya bahas sebagai bagian dari laporan saya.

Secara umum, platform kini terintegrasi, termasuk satu sama lain. Bahasa R yang sama terintegrasi dengan sangat baik dengan F#, yang merupakan bahasa asli platform .NET. Oleh karena itu, jika kita perlu menggunakan beberapa alat pembelajaran mesin, kita dapat menggunakan rantai seperti itu, menggunakan kemampuan dan pustaka bahasa R. Ini akan cukup transparan dan mudah dilakukan.

Secara umum, jika kita berbicara secara khusus tentang jaringan saraf, Microsoft memiliki Perangkat Kognitif yang memungkinkan Anda melatih jaringan saraf. Dan karena awalnya dibangun di ekosistem Microsoft, ia bekerja sangat baik dengan .NET.

- Alat ini entah bagaimana menonjol dari analog dari produsen lain?

Dmitry Soshnikov: Pada dasarnya, Cognitive Toolkit adalah analog Microsoft dari kerangka kerja TensorFlow, Caffe, dll.

Semuanya pada prinsipnya sangat mirip secara ideologis. Namun Microsoft Cognitive Toolkit adalah yang pertama mendukung lingkungan pelatihan yang sangat terdistribusi, di mana Anda dapat melatih jaringan saraf tidak hanya pada satu GPU, namun pada beberapa GPU atau bahkan beberapa stasiun GPU. Itu. Anda dapat membuat peternakan pelatihan jaringan saraf.

Sejauh yang saya tahu, Cognitive Toolkit mengungguli kerangka kerja lain dalam hal kecepatan belajar. Ditambah lagi sangat nyaman digunakan. Sebagian besar kerangka kerja terkait dengan bahasa Python dalam satu atau lain cara, namun Cognitive Toolkit pada awalnya mengambil jalur yang sedikit berbeda. Awalnya dimungkinkan untuk mendeskripsikan arsitektur jaringan saraf dalam bahasa khusus, dan kemudian melatihnya tanpa membuat model apa pun dengan Python. Itu sedikit lebih mudah. Saat ini Cognitive Toolkit mendukung kedua opsi tersebut, yaitu. cukup fleksibel.

- Mungkin, ada saat-saat di mana Cognitive Toolkit lebih rendah daripada rekan-rekannya?

Dmitry Soshnikov: Secara umum, kerangka kerja seperti itu adalah alat tingkat rendah yang dapat digunakan untuk melatih jaringan saraf sembarang. Seperti analognya, Cognitive Toolkit mendukung lapisan dasar tertentu yang di atasnya Anda dapat membangun arsitektur jaringan dengan kompleksitas yang berubah-ubah. Oleh karena itu, kisaran tugas yang diselesaikan dengan alat yang berbeda kira-kira sama.

Pilihan kerangka kerja sangat ditentukan oleh preferensi pribadi dan ketersediaan bahan referensi. Dan di sini kerangka kerja Microsoft sedikit tertinggal, karena muncul beberapa saat kemudian, jadi materi di dalamnya tidak begitu banyak, khususnya kursus online. Namun situasinya, tentu saja, secara bertahap mulai membaik.

Kami, bersama dengan MIPT, berencana untuk merilis kursus online yang didedikasikan khusus untuk masalah-masalah yang terkait dengan penggunaan kecerdasan buatan dalam praktiknya. Dan beberapa informasi tentang Cognitive Toolkit juga akan disertakan di sana.

Tidak lama lagi

- Apakah sekarang mungkin untuk memprediksi ke arah mana perkembangan segmen kecerdasan buatan?

Dmitry Soshnikov: Mungkin terlalu dini untuk membuat perkiraan akhir, karena perkembangan teknologi yang sangat pesat dimulai pada tahun 2011-2012. Sejak itu, metode pengenalan telah ditingkatkan, arsitektur jaringan saraf telah ditingkatkan, mis. keakuratan pemecahan masalah meningkat.

Masih banyak permasalahan yang belum terselesaikan di segmen ini. Masalah pengenalan gambar dan suara telah dipecahkan pada tingkat yang cukup tinggi. Selanjutnya, mungkin hal yang paling menarik adalah mencoba mengekstrak makna dari teks tersebut. Ada beberapa keberhasilan yang cukup menakjubkan di sini juga. Misalnya, Anda dapat melatih jaringan saraf pada potongan percakapan dari film dan mendapatkan robot yang dapat mempertahankan dialog. Namun pada saat yang sama, tidak akan ada banyak makna dalam dialog tersebut. Masih belum jelas bagaimana menerjemahkan pengetahuan menjadi makna, bagaimana menggabungkan representasi implisit pengetahuan dalam jaringan saraf dengan penalaran simbolik. Inilah arah penelitian yang akan dilakukan para ilmuwan.

Sedangkan untuk alatnya, saat ini sedang aktif dikembangkan. Dalam artian, produsen alat berusaha mengikuti kemajuan ilmu pengetahuan di bidangnya masing-masing. Arsitektur jaringan baru muncul - dukungannya muncul di alat, mis. Fungsionalitasnya terus berkembang.

Seperti yang saya katakan sebelumnya, dari sudut pandang pengembang, ada kecenderungan nyata menuju demokratisasi kecerdasan buatan dan, khususnya, alat-alatnya. Selain Microsoft Cognitive Toolkit yang saya sebutkan, ada alat menarik yang disebut Azure Machine Learning, yang memungkinkan Anda menerapkannya pada data nyata tanpa pemahaman mendalam tentang penerapan semua algoritme pembelajaran mesin dan melihat apakah Anda dapat mengidentifikasi pola dan gunakan lebih lanjut dalam produk Anda. Alat ini juga sedang dikembangkan cukup intensif - metode dan algoritma baru diperkenalkan di sana.

Secara umum, teknologi menjadi lebih mudah diakses. Hal-hal rumit disederhanakan sehingga dapat digunakan dalam berbagai proyek sebanyak mungkin.
Hal lain yang ingin saya sampaikan adalah bahwa ini masih merupakan eksperimen pertama di cloud yang menggunakan solusi perangkat keras yang lebih efisien yang mengimplementasikan algoritma kecerdasan buatan. Kami tidak akan membicarakan hal ini di Dotnext, tetapi topik ini dibahas secara rinci di konferensi Microsoft Ignite. Di cloud, Microsoft berencana untuk menawarkan tidak hanya sumber daya komputasi klasik, tetapi juga sirkuit terintegrasi logika yang dapat diprogram: FPGA atau FPGA. Untuk menyederhanakannya, ini adalah chip yang dapat di-flash untuk melakukan operasi logis tertentu, dan akan melakukan operasi ini dengan sangat cepat. Dengan skema seperti itu, kita dapat menghitung jaringan saraf lebih cepat. Selama percobaan, prosesor “diminta” untuk menerjemahkan dari bahasa ke bahasa, sebagai hasilnya, novel “War and Peace” diterjemahkan dari bahasa ke bahasa dalam 2 detik. Jika kita menggunakan semua prosesor yang dimiliki Microsoft di cloud, maka Wikipedia dapat diterjemahkan dari satu bahasa ke bahasa lain dalam waktu yang dibutuhkan seseorang untuk mengedipkan mata.

Dmitry akan memberikan lebih banyak informasi praktis tentang penggunaan jaringan saraf dan teknologi kecerdasan buatan dalam proyek nyata (termasuk di .NET) dalam laporannya di DotNext 2017 Piter (“Kecerdasan buatan yang tersedia di platform .NET: dari chatbots dan layanan kognitif hingga deep jaringan saraf").

Tag: Tambahkan tag

Tes Turing pada dasarnya adalah tes yang menjawab pertanyaan “dapatkah mesin berpikir?” Artinya, ini adalah serangkaian tes yang hanya dapat dilewati oleh seseorang atau kecerdasan buatan sempurna yang mampu berpikir dengan cara yang sama. Inilah yang diminta untuk kami lakukan dalam permainan - untuk membuktikan bahwa Anda adalah seorang Homo sapiens. Menurut saya, ini masalah prinsip!

Mereka yang menyukai teka-teki The Talos Principle and Portal pasti akan menghargainya Tes Turing. Game-game ini memiliki banyak kesamaan. Bahkan bisa dibilang mereka membentuk subgenre tersendiri, tepatnya berasal dari Portal.

Bagian ini adalah serangkaian tes logis yang harus diselesaikan secara berurutan. Dasar mekanika permainan di Tes Turing membuat bola energi yang perlu dimasukkan ke dalam sel khusus untuk membuka pintu, memulai mekanisme, dll. Satu-satunya alat yang membantu dalam hal ini adalah senjata magnet tertentu yang dapat menyerap bola-bola ini dan menembaknya di tempat yang tepat.

Ada lebih dari 70 tes secara total, namun banyak di antaranya yang diselesaikan dalam hitungan detik. Oleh karena itu, keseluruhan perjalanan tidak memakan banyak waktu. Secara umum, ada beberapa rintangan sulit dalam permainan; sebagian besar dapat diselesaikan dengan cepat. Beberapa orang mungkin menganggap teka-teki ini terlalu sederhana, tetapi saya menyukai keseimbangan tingkat kesulitannya. Sebaliknya, saya tidak suka menjadi “bodoh” terlalu lama dalam permainan seperti itu.

Ide umumnya juga mirip dengan game yang menginspirasi para pengembangnya. Pertimbangan filosofis dan etis tentang kecerdasan, tentang perbedaan antara manusia dan mesin.

Adapun plotnya sendiri: karakter utama menemukan dirinya berada di stasiun luar angkasa di permukaan bersalju Europa, satelit Jupiter. Staf pangkalan telah menghilang, dan semuanya dikendalikan oleh kecerdasan buatan, yang memenuhi pahlawan wanita tersebut. Dia harus lulus Tes Turing ini dan mencari tahu apa yang terjadi pada orang-orang. Ceritanya cukup menarik, tetapi disajikan dalam potongan-potongan kecil (beberapa baris komputer di awal setiap level) sehingga Anda tidak menyadarinya hampir sepanjang permainan dan hanya memperhatikannya di akhir.

Bisakah robot menulis simfoni atau mengubah kanvas menjadi mahakarya seni? Pertanyaan ini tetap terbuka. Tapi inilah yang kita tahu pasti: robot nano medis modern mampu “memotong oksigen” tumor dengan menembus aliran darah dan mengirimkan obat ke sel yang terkena tanpa membahayakan sel yang sehat. Jaringan saraf akan melampaui dokter dalam mendiagnosis banyak penyakit, dan pemeriksaan menggunakan teknologi CRISPR dapat segera dilakukan tanpa meninggalkan rumah. Masa depan dunia kedokteran telah tiba - mari kita cari tahu apa yang diharapkan dari metode baru dan bagaimana hal ini akan mempengaruhi kesehatan kita.

Diagnosisnya: Kecerdasan Buatan

Keberhasilan pengobatan sangat bergantung pada diagnosis yang cepat dan bebas kesalahan: untuk ini, dokter perlu mengumpulkan banyak pengalaman praktis dan mengetahui karya ilmiah terkini di bidangnya. Namun dengan begitu banyaknya penelitian dan laporan kasus baru yang muncul di media cetak setiap bulannya, di mana Anda dapat meluangkan waktu untuk mempelajari semuanya? Di sinilah komputer membantu manusia, yang mampu memproses informasi dalam jumlah besar dalam hitungan detik.

Saat ini, algoritme untuk menganalisis data medis dibuat oleh perusahaan besar, termasuk Microsoft, IBM, dan Google. Seringkali, perkembangan mereka didasarkan pada berbagai bentuk kecerdasan buatan yang belajar mandiri yang dapat menemukan pola dalam kumpulan data besar, seperti pemindaian otak atau gambar pertumbuhan mencurigakan pada kulit. Algoritme semacam itu dilatih menggunakan perpustakaan yang berisi ribuan contoh, di mana setiap gambar diberi diagnosis yang dibuat oleh dokter yang berkualifikasi.

Jaringan saraf telah belajar mengidentifikasi banyak penyakit seefektif manusia, dan dalam beberapa kasus bahkan berhasil mengungguli spesialis.

Jaringan saraf konvolusional (CNN) memungkinkan Anda menganalisis banyak gambar. Ini adalah struktur dalam (multi-lapisan) di mana setiap neuron buatan hanya menerima sebagian kecil dari keluaran lapisan sebelumnya. Secara bertahap, jaringan menggeneralisasi fitur-fitur lokal, menciptakan kembali gambaran lengkap. Dengan menggabungkan seluruh data, CNN dapat mengenali berbagai detail pada gambar asli, termasuk elemen karakteristik yang menjadi dasar diagnosis dokter.

Teknologi CRISPR tidak hanya dapat menghilangkan penyebab penyakit, tetapi juga mengidentifikasi penyakit, misalnya mencari jejak DNA atau RNA agen infeksi.

Meskipun protein Cas9 terkait CRISPR paling sering disebutkan dalam kaitannya dengan terapi, protein lain: Cas12a dan Cas13a biasanya merupakan protein “diagnostik”.

Pada tahun 2017, peneliti dari MIT memperkenalkan teknologi diagnostik yang disebut SHERLOCK (Specific High Sensitivity Enzymatic Reporter UnLOCKing). Ia menggunakan enzim Cas13a, yang dapat mengenali urutan RNA tertentu dan memotong untaian RNA serupa yang terletak di dekatnya, menghancurkan objek mencurigakan tersebut sepenuhnya. Seperti buku Sherlock Holmes, SHERLOCK medis mampu menciptakan kembali gambaran lengkap peristiwa dari bukti terkecil: teknologi ini bekerja dengan konsentrasi asam nukleat attomolar (10–18 mol per liter). Metode ini diuji pada lentivirus yang mengandung fragmen virus demam berdarah dan virus Zika: SHERLOCK mampu mendeteksi partikel patogen dan membedakannya satu sama lain pada konsentrasi tidak lebih dari dua atomol.

Selama pengujian, ternyata reagen untuk diagnostik menggunakan SHERLOCK dapat dikeringkan dan kemudian dilarutkan, sedangkan sensitivitas metodenya tidak berkurang banyak. Untuk pengujian portabel, disarankan menggunakan kertas fiberglass. Penulis pengembangan percaya bahwa satu sistem pengujian akan menelan biaya sekitar 61 sen.

Peneliti lain juga sedang berupaya membuat peralatan untuk pengujian CRISPR di rumah. Baru-baru ini, perkembangan di bidang ini dimulai oleh Jennifer Doudna, salah satu pionir revolusi medis CRISPR. Timnya menciptakan metode yang disebut DETECTR (reporter trans CRISPR bertarget endonuklease DNA), menggunakan protein Cas12a. Ia menemukan urutan DNA tertentu dan memotong molekul pelapor asam nukleat terdekat yang diberi tag fluoresen yang ditambahkan ke sampel, menghasilkan sinyal. Dengan cara ini, jejak patogen dari banyak penyakit dapat dideteksi, termasuk berbagai jenis virus influenza.

Menurut pencipta sistem pengujian tersebut, analisis CRISPR akan memakan waktu tidak lebih dari beberapa jam, dan hasilnya dapat diperoleh melalui Internet. Namun, masih belum diketahui kapan set tersebut akan dijual publik.

Itu hanya ilusi: realitas maya

Realitas virtual sering dibicarakan dalam konteks permainan komputer dan “bioskop 3D”, namun teknologi ini juga memiliki potensi dalam bidang kedokteran, dan bukan dalam bidang yang paling jelas. Misalnya, VR efektif digunakan sebagai pereda nyeri.

Unit luka bakar di Rumah Sakit Universitas Loyola di Illinois mengambil pendekatan ini.dimulai digunakan sepuluh tahun yang lalu: pasien rumah sakit memainkan simulator selama prosedur yang menyakitkanDunia Salju.

Aksi ini berlangsung dengan latar belakang lanskap utara yang semi-fantastis dengan banyak tumpukan salju dan sungai yang membeku, tugas sang pahlawan adalah bermain bola salju dengan beruang kutub, penguin, dan manusia salju. Untuk menyelesaikan semua level, pasien tanpa sadar berfokus pada teka-teki dan perhatiannya teralihkan dari sensasi fisik. Pemindaian otak MRI menunjukkan bahwa SnowWorld sebenarnya mengurangi persepsi rasa sakit, sehingga pasien memerlukan lebih sedikit obat penghilang rasa sakit yang kuat yang dapat berbahaya bagi tubuh.

VR menggantikan atau melengkapi obat penghilang rasa sakit di banyak bidang kedokteran. Teknologi ini digunakan untuk menghilangkan rasa sakit saat melahirkan dan selama prosedur gigi. Sifat pereda nyeri dari realitas virtual sangat relevan mengingat “krisis opioid” di Amerika Serikat - hal ini terkait dengan meningkatnya popularitas obat penghilang rasa sakit yang diresepkan (misalnya, OxyContin dan Vicodin) dalam beberapa dekade terakhir.

VR tidak hanya berfungsi untuk mengatasi rasa sakit fisik: ia juga dapat mengatasi trauma psikologis. Eksperimen pertama terjadi pada akhir tahun 1990-an, ketika psikolog Barbara Rothbaum berhasil meringankan gejala gangguan stres pasca-trauma pada para veteran Vietnam dengan menggunakan model virtual kokpit helikopter dan tempat terbuka di hutan Asia. Teknik ini melengkapi terapi pemaparan - sebuah "pendekatan" bertahap terhadap kenangan traumatis yang coba dihindari oleh kesadaran pasien. Skema serupa berlaku dalam pengobatan gangguan kecemasan dan fobia menggunakan realitas virtual. Teknologi membantu mengatasi aerofobia dan ketakutan berbicara di depan umum: lingkungan simulasi memungkinkan untuk “berlatih” berulang kali dalam situasi yang menakutkan.

Kerugian dari terapi VR adalah biaya peralatan yang relatif tinggi dan potensi intoleransi fisiologis terhadap realitas virtual.

Beberapa peserta dalam uji coba metode pengobatan baru mengalami “mual” VR (mabuk realitas virtual), yang menyebabkan gejala yang sama seperti mabuk perjalanan atau mabuk laut. Menurut hipotesis umum, kedua gangguan tersebut timbul dari gangguan fungsi reseptor alat vestibular atau konflik antara sinyal yang berasal dari alat vestibular dan organ penglihatan.

Pengembang telah menciptakan beberapa metode yang dapat mengurangi “mual” VR. Misalnya, Anda dapat menempatkan objek diam di layar sehingga mata pengguna akan terus terpaku. Penulis teknologi Nasum Virtualis mengusulkan untuk menggunakan gambar virtual hidung yang terletak di tengah layar sebagai titik awal. Mata pemain melihatnya sebagai hidungnya sendiri, sehingga rasa mual dan pusingnya berkurang.