Ar gali robotas parašyti simfoniją? Turingo testas – „Tu tik robotas, gyvenimo imitacija. Ar robotas gali įveikti šį žaidimą? VR terapijos trūkumai – gana didelė įrangos kaina ir galimas fiziologinis virtualios realybės netoleravimas.

Dirbtinio intelekto sistemų elementų kūrimas aktyviai vystosi ir tampa šių dienų tendencija, o tik tinginiai nerašo išmaniųjų botų. Štai kodėl mes pakalbinome Dmitrijų Shwarsą Soshnikovą, vieną geriausių šalies AI ekspertų. Jis yra Microsoft technologijų evangelistas, knygų, straipsnių ir vadovėlių autorius, taip pat mokytojas ir mokinių programų koordinatorius, funkcinio programavimo, neuroninių tinklų ir dirbtinio intelekto specialistas.

– Dmitrijau, papasakokite keletą žodžių apie save ir savo darbą.

Dmitrijus Sošnikovas: Kaip „Microsoft“ evangelistas, esu susijęs su moderniausių įmonės technologijų, dabar pirmiausia su dirbtiniu intelektu susijusių technologijų, populiarinimu ir diegimu. Tai apima kalbėjimą konferencijose, darbą su studentais ir mokytojais, startuoliais, kartais dalyvavimą hackfest'uose ir prototipų sistemų programavimą kartu su įvairių įmonių kūrėjais. Taip pat populiarinu funkcinį programavimą ir F# kalbą, dėstau MIPT, HSE ir MAI bei rengiu internetinius MVA ir Coursera kursus.

Mano nuomone, neuroniniai tinklai ir dirbtinis intelektas apskritai yra labai įdomi sritis, kurios spartus vystymasis pastaraisiais metais jau leido išspręsti daugybę problemų, kurios anksčiau neturėjo sprendimo, pavyzdžiui, automatinis nustatymas. asmens amžius iš jo nuotraukos. O ateitis mums siūlo dar daug įdomių galimybių.

Neuroniniai tinklai – mada ar įrankis?

– Kas būtent pastaruoju metu paskatino aktyviai plėtoti neuroninių tinklų technologijas?

Dmitrijus Sošnikovas: Čia sėkmingai sutapo keli veiksniai.
Pirma, atsirado prieinama skaičiavimo galia. Be to, didelį vaidmenį suvaidino debesų paslaugos, nes užuot investavę į neuroninių tinklų skaičiavimo infrastruktūrą, dabar galite ją išsinuomoti tik skaičiavimo laikui, vėliau atsisakę nuomos. Be to, pradėti naudoti grafikos procesoriai, kurie iš pradžių buvo skirti kompiuterinei grafikai. Paaiškėjo, kad jie puikiai tinka dirbtinio intelekto užduotims.

Antra, dėl interneto daugelyje sričių pradėjo kauptis milžiniški duomenų kiekiai. Apsvarstykite, pavyzdžiui, anksčiau minėtą užduotį atpažinti žmogaus amžių iš nuotraukos. Norint išmokyti neuroninį tinklą jį išspręsti, reikia kelių šimtų tūkstančių pavyzdžių. Dabar galite pasiimti bet kurį socialinį tinklą, kuriame patys žmonės publikuoja savo nuotraukas ir paskyros informaciją (amžių) – ir mes iškart gauname duomenis mokymams.
Trečia, žinoma, atsirado keletas įdomių tyrimų, įskaitant naujas neuroninių tinklų architektūras, kurios leidžia išspręsti esamas problemas. Tačiau šis punktas tikriausiai yra pirmųjų dviejų pasekmė. Kai atsiranda išteklių ir technologijų, vietovė natūraliai pradeda aktyviai vystytis.

Čia taip pat atsirado daugybė įrankių, leidžiančių naudoti šiuos neuroninius tinklus. Jei anksčiau, norint išspręsti dirbtinio intelekto problemas, reikėjo turėti daug žinių ir daug programuoti, tai dabar yra paslaugų, kurias galite imti ir naudoti.

Dirbtinio intelekto tema šiandien labai populiari. Kiek šio populiarumo nusipelnė? Ar technologija tikrai tokia įspūdinga, ar čia didelis indėlis iš mados? Ir ar ši "mada" nekenkia vystymuisi?

Dmitrijus Sošnikovas: Dirbtinio intelekto srityje tikrai yra didelių laimėjimų, apie kuriuos rašoma daug, todėl posakis „dirbtinis intelektas“ yra plačiai girdimas. To dėka atsiranda naujų kūrėjų – kažkas eina ir studijuoja sau naują sritį, t.y. Yra ir daugiau žmonių, kurie supranta šią sritį. Kita vertus, žmonės atidžiau ieško tų užduočių, kuriose būtų galima pritaikyti dirbtinio intelekto technologijas. Šiuo požiūriu visa tai iš principo yra gerai, nes turime galimybę automatizuoti kai kurias sritis, kurių anksčiau negalėjome automatizuoti.

Pavyzdžiui, užsakymų priėmimo problemą galime išspręsti MacAuto lange. Jie visada stengiasi, kad tokių problemų sprendimas būtų pigesnis. Pvz., JAV iš pradžių sėdėjo amerikietis, vėliau buvo bandoma tai perduoti iš išorės, balsą perkeliant į šalį, kurioje yra pigi darbo jėga (kur vėlgi žmogus sėdi ir transkribuoja). Ir dabar tai gali padaryti kompiuteris.

Ar rinkos dalyviai turi išpūstų lūkesčių? Ar yra kokių nors prognozių, kurios, jūsų nuomone, artimiausiu metu tikrai nepasitvirtins?

Dmitrijus Sošnikovas: Žinoma, turi. Visų pirma, dirbtinio intelekto sritis yra šiek tiek romantiška. Yra nemažai filmų – pavyzdžiui, „Matrica“ ar „Terminatorius“ – kur robotai maištauja ir viską perima. Todėl yra tam tikras skaičius žmonių, kurie tikisi, kad praeis dar 5 metai ir kompiuteriai užvaldys pasaulį. Šie lūkesčiai, matyt, dar toli nuo realybės. Šiais laikais tam tikrų klasių problemų, susijusių su vaizdo atpažinimu, kalbos atpažinimu ir mašininiu mokymusi, sprendimas yra labai gerai automatizuotas. Tačiau mums dar reikia nueiti ilgą kelią, kol suprasime, kaip apskritai veikia žmogaus mąstymas. Todėl prieš sukuriant tokį dirbtinį intelektą, kuris mąstys kaip žmogus ir veiks su sukauptomis žiniomis, dar reikia daug padirbėti. Dar nėra labai aišku, kaip tai padaryti.

– O kaip su lūkesčiais kalbant apie finansines investicijas, o ne į mokslinės fantastikos scenarijų įgyvendinimą?

Dmitrijus Sošnikovas: Man atrodo, kad tokiam pokalbiui dirbtinio intelekto temą reikia suskaidyti į atskirus komponentus, nes tai labai plati sritis.

Jei pažiūrėtume į kompiuterinę viziją, tai jau dabar yra nuostabi pažanga, kuri dabar diegiama įmonėse, didinant jų efektyvumą ir atnešant ekonominę naudą. Kompiuterinis regėjimas jau atpažįsta vaizdus geriau nei žmonės, jau nekalbant apie tai, kad jis yra žymiai pigesnis.

Kitose srityse, tokiose kaip natūralios kalbos supratimas ir gebėjimas samprotauti savavališkomis temomis, pažanga buvo kuklesnė.

– Ar yra veiksnių, kurie, jūsų nuomone, stabdo pramonės plėtrą?

Dmitrijus Sošnikovas: Tiesą sakant, aš nematau jokių akivaizdžių veiksnių. Manau, kad tai šiuo metu sparčiausiai auganti sritis.
Tačiau norėčiau pastebėti, kad dirbtinis intelektas yra sritis, kuriai dar reikia tam tikros kvalifikacijos. Dirbti šia kryptimi yra šiek tiek sunkiau nei tiesiog išmokti programuoti. Žmogus, baigęs mokyklą ir neįgijęs aukštojo išsilavinimo, greičiausiai gali pradėti sėkmingai dirbti standartų kūrimo srityje. Naudojant dirbtinį intelektą, kartelė patekti į rinką yra aukštesnė, nors ji pamažu ir nuleidžiama, taip pat ir šios industrijos dalyvių pastangomis. Visų pirma, vienas iš dalykų, dėl kurių „Microsoft“ dirba, yra vadinamasis dirbtinio intelekto demokratizavimas. Tai reiškia, kad technologija turi būti prieinama kuo platesniam vartotojų sluoksniui.

Praktikoje šia kryptimi dirba ne tik „Microsoft“, bet ir daugelis kitų įmonių, suteikdamos, pavyzdžiui, įrankius intelektualinėms, pažintinėms problemoms spręsti gatavų paslaugų pavidalu. Pavyzdžiui, paslaugos, skirtos žmogaus lyčiai, amžiui ir nuotaikai nustatyti iš nuotraukos, galite tiesiog paskambinti ir gauti rezultatą. Tas pats pasakytina apie mašininį vertimą ir kt. Kaip „DotNext 2017“ ataskaitos dalį, kalbėsime apie tai: kaip jūs galite, visiškai nesuprasdami, kaip tai veikia, tiesiog panaudoti rezultatus.

A.NET gal?

– Pakalbėkime apie .NET platformos vietą dirbtinio intelekto segmente. Kiek jis tinkamas tokioms problemoms spręsti? Ar yra kokių nors funkcijų, kurios padeda arba, atvirkščiai, trukdo dirbti su neuroniniais tinklais?

Dmitrijus Sošnikovas: AI metodai gali būti pritaikyti bet kuriai technologijai. Nepaisant to, yra tam tikrų nusistovėjusių ekosistemų, susijusių su panašiomis užduotimis. Pavyzdžiui, Python ir R bei juos lydinčios bibliotekos yra labai populiarios duomenų mokslininkų kalbos. Tie. čia jau daug bendruomeninio darbo. Kalbant apie šiuos pokyčius, žinoma, .NET šiek tiek atsilieka, kaip ir kitos panašios platformos. Tačiau .NET jau turi tam tikrą įrankių rinkinį, apie kurį kalbėsiu kaip savo ataskaitos dalį.

Apskritai platformos dabar tam tikra prasme yra integruotos, taip pat ir viena su kita. Ta pati R kalba labai gerai integruojasi su F#, kuri yra gimtoji .NET platformoje. Atitinkamai, jei mums reikia naudoti kai kuriuos mašininio mokymosi įrankius, galime naudoti tokią grandinę, naudodamiesi R kalbos galimybėmis ir bibliotekomis. Tai bus gana skaidru ir lengva padaryti.

Apskritai, jei kalbame konkrečiai apie neuroninius tinklus, „Microsoft“ turi „Cognitive Toolkit“, leidžiantį treniruoti neuroninius tinklus. Ir kadangi jis iš pradžių buvo sukurtas Microsoft ekosistemoje, jis labai gerai veikia su .NET.

– Šis įrankis kažkuo išsiskiria iš kitų gamintojų analogų?

Dmitrijus Sošnikovas: Iš esmės „Cognitive Toolkit“ yra „Microsoft“ analogas „TensorFlow“, „Caffe“ ir kt.

Visi jie iš principo yra labai panašūs ideologiškai. Tačiau „Microsoft Cognitive Toolkit“ buvo pirmasis, palaikantis labai paskirstytą mokymo aplinką, kurioje galite mokyti neuroninį tinklą ne tik viename GPU, bet ir keliuose GPU ar net keliose GPU stotyse. Tie. Galite sukurti neuroninio tinklo mokymo ūkį.

Kiek žinau, „Cognitive Toolkit“ mokymosi greičiu lenkia kitas sistemas. Be to, labai patogu naudoti. Dauguma sistemų yra vienaip ar kitaip susijusios su Python kalba, tačiau „Cognitive Toolkit“ iš pradžių pasuko kiek kitu keliu. Iš pradžių neuroninio tinklo architektūrą buvo galima apibūdinti specialia kalba, o vėliau ją treniruoti nekuriant jokių Python modelių. Buvo šiek tiek lengviau. Šiuo metu „Cognitive Toolkit“ palaiko abi parinktis, t.y. yra gana lankstus.

– Tikriausiai yra momentų, kai „Cognitive Toolkit“ nusileidžia savo analogams?

Dmitrijus Sošnikovas: Apskritai tokios sistemos yra žemo lygio įrankiai, ant kurių galima treniruoti savavališkus neuroninius tinklus. Kaip ir jo analogai, „Cognitive Toolkit“ palaiko tam tikrą pagrindinį sluoksnį, ant kurio galite sukurti savavališko sudėtingumo tinklų architektūrą. Todėl įvairiomis priemonėmis sprendžiamų užduočių spektras yra maždaug vienodas.

Karkaso pasirinkimas daugiausia priklauso nuo kai kurių asmeninių pageidavimų ir etaloninių medžiagų prieinamumo. Ir čia „Microsoft“ sistema šiek tiek atsilieka, nes ji pasirodė šiek tiek vėliau, todėl joje nėra tokio didelio kiekio medžiagos, ypač internetinių kursų. Tačiau situacija, žinoma, pamažu niveliuojasi.

Mes kartu su MIPT planuojame išleisti internetinį kursą, skirtą būtent problemoms, susijusioms su dirbtinio intelekto naudojimu praktikoje. Ten taip pat bus įtraukta dalis informacijos apie „Cognitive Toolkit“.

Artima ateitis

– Ar dabar galima prognozuoti, kokia linkme vyksta dirbtinio intelekto segmento plėtra?

Dmitrijus Sošnikovas: Galutines prognozes daryti turbūt dar anksti, nes 2011-2012 metais prasidėjo itin sparti technologijų plėtra. Nuo tada buvo tobulinami atpažinimo metodai, tobulinamos neuroninių tinklų architektūros, t.y. didėja problemų sprendimo tikslumas.

Šiame segmente vis dar yra daug neišspręstų problemų. Vaizdo ir balso atpažinimo problemos jau išspręstos gana aukštu lygiu. Toliau turbūt įdomiausia pabandyti išgauti iš teksto kokią nors prasmę. Čia taip pat yra keletas nuostabių sėkmių. Pavyzdžiui, galite išmokyti neuroninį tinklą pokalbių fragmentais iš filmų ir gauti robotą, galintį kaip nors palaikyti dialogą. Tačiau tuo pačiu dialoge nebus daug prasmės. Dar neaišku, kaip žinias paversti prasme, kaip sujungti numanomą žinių vaizdavimą neuroniniuose tinkluose su simboliniu samprotavimu. Tai yra mokslinių tyrimų kryptis, kurios sieks mokslininkai.

Kalbant apie priemones, jos šiuo metu aktyviai kuriamos. Tam tikra prasme įrankių gamintojai stengiasi sekti mokslo pažangą atitinkamoje srityje. Atsiranda naujos tinklo architektūros – jų palaikymas atsiranda įrankiuose, t.y. Funkcionalumas nuolat plečiasi.

Kaip jau sakiau anksčiau, kūrėjo požiūriu, pastebima dirbtinio intelekto ir ypač įrankių demokratizavimo tendencija. Be mano paminėto „Microsoft Cognitive Toolkit“, yra įdomus įrankis, vadinamas „Azure Machine Learning“, kuris leidžia pritaikyti juos tikriems duomenims giliai nesuvokiant visų mašininio mokymosi algoritmų įgyvendinimo ir pažiūrėti, ar galite nustatyti kokius nors modelius ir toliau naudokite juos savo gaminiuose. Šis įrankis taip pat gana intensyviai kuriamas – ten diegiami nauji metodai ir algoritmai.

Apskritai technologijos tampa vis labiau prieinamos. Sudėtingi dalykai yra supaprastinti, kad juos būtų galima panaudoti kuo įvairesniuose projektuose.
Dar vienas dalykas, kurį norėčiau paminėti – tai vis dar pirmieji eksperimentai debesyje naudojant efektyvesnius aparatūros sprendimus, diegiančius dirbtinio intelekto algoritmus. „Dotnext“ apie tai nekalbėsime, tačiau ši tema buvo išsamiai aptarta „Microsoft Ignite“ konferencijoje. Debesyje „Microsoft“ planuoja pasiūlyti ne tik klasikinius skaičiavimo resursus, bet ir programuojamus loginius integrinius grandynus: FPGA arba FPGA. Supaprastinus, tai yra lustai, kuriuos galima blyksniais atlikti tam tikroms loginėms operacijoms atlikti ir kurie šias operacijas atliks labai greitai. Su tokia schema galime daug greičiau apskaičiuoti neuroninį tinklą. Eksperimentų metu procesorius buvo „pasufleruotas“ versti iš kalbos į kalbą, todėl romanas „Karas ir taika“ iš kalbos į kalbą išverčiamas per 2 sekundes. Jei paimsite visus daugybę tokių procesorių, kuriuos „Microsoft“ turi debesyje, tada „Wikipedia“ gali būti išversta iš vienos kalbos į kitą per tiek laiko, kiek žmogui reikia mirktelėti.

Dmitrijus pateiks daugiau praktinės informacijos apie neuroninių tinklų ir dirbtinio intelekto technologijų naudojimą realiuose projektuose (įskaitant .NET) savo pranešime DotNext 2017 Piter („Pasiekiamas dirbtinis intelektas .NET platformoje: nuo pokalbių robotų ir pažinimo paslaugų iki giliųjų neuroniniai tinklai“).

Žymos: pridėti žymų

Tiuringo testas iš esmės yra testas, atsakantis į klausimą „ar mašinos gali mąstyti? Tai yra, tai yra testų rinkinys, kurį gali išlaikyti tik žmogus arba tobulas dirbtinis intelektas, gebantis mąstyti taip pat. Būtent to mūsų prašoma žaidime – įrodyti, kad esate Homo sapiens. Mano nuomone, tai principo reikalas!

Tie, kuriems patiko galvosūkiai „The Talos Principle“ ir „Portal“, tikrai įvertins Turingo testas.Šie žaidimai turi tikrai daug bendro. Netgi galima sakyti, kad jie sudaro atskirą porūšį, kilusį būtent iš portalo.

Ištrauka yra loginių testų rinkinys, kuris turi būti sprendžiamas nuosekliai. Žaidimų mechanikos pagrindas Turingo testas sudaryti energetines sferas, kurias reikia įterpti į specialias kameras, kad būtų atidarytos durys, paleisti mechanizmai ir pan. Vienintelis įrankis, padedantis šiuo klausimu, yra tam tikras magnetinis pistoletas, galintis sugerti šias sferas ir iššauti į reikiamą vietą.

Iš viso yra daugiau nei 70 testų, tačiau daugelis jų atliekami per kelias sekundes. Todėl visas ištraukimas neužima daug laiko. Apskritai žaidime yra keletas sudėtingų kliūčių, kurias galima įveikti beveik skrendant. Kai kuriems žmonėms galvosūkiai gali atrodyti per paprasti, bet man patiko sunkumų pusiausvyra. Priešingai, man nepatinka ilgą laiką „kvailas“ tokiuose žaidimuose.

Bendra idėja taip pat panaši į žaidimų, kurie įkvėpė kūrėjus. Filosofiniai ir etiniai samprotavimai apie intelektą, apie skirtumą tarp žmogaus ir mašinos.

Kalbant apie patį siužetą: pagrindinė veikėja atsiduria kosminėje stotyje ant snieguoto Jupiterio palydovo Europos paviršiaus. Bazės darbuotojai dingo, o viską valdo dirbtinis intelektas, kuris pasitinka heroję. Ji turės išlaikyti šį Turingo testą ir sužinoti, kas atsitiko žmonėms. Istorija gana įdomi, tačiau ji pateikiama tokiomis smulkmenomis (pora kompiuterinių eilučių kiekvieno lygio pradžioje), kad to nepastebi beveik visą žaidimą ir atkreipi dėmesį tik į pabaigą.

Ar robotas gali parašyti simfoniją arba paversti drobę meno šedevru? Šis klausimas lieka atviras. Bet štai ką mes tikrai žinome: šiuolaikiniai medicininiai nanorobotai gali „atskirti deguonį“ iš naviko, prasiskverbdami į kraują ir tiekti vaistus į paveiktas ląsteles, nepakenkdami sveikoms. Neuroniniai tinklai netrukus pralenks gydytojus diagnozuodami daugelį ligų, o tyrimus naudojant CRISPR technologijas netrukus bus galima atlikti neišeinant iš namų. Medicinos ateitis jau atėjo – sužinokime, ko tikėtis iš naujų metodų ir kaip tai paveiks mūsų sveikatą.

Diagnozuokite: dirbtinis intelektas

Gydymo sėkmė daugiausia priklauso nuo greitos ir be klaidų diagnozės: tam gydytojas turi sukaupti daug praktinės patirties ir išmanyti dabartinius savo srities mokslinius darbus. Tačiau kas mėnesį spausdinant tiek daug naujų tyrimų ir atvejų ataskaitų, kur galite rasti laiko visa tai ištirti? Čia žmonėms į pagalbą ateina kompiuteriai, galintys per kelias sekundes apdoroti didžiulius kiekius informacijos.

Šiandien medicininių duomenų analizės algoritmus kuria didžiosios korporacijos, įskaitant Microsoft, IBM ir Google. Dažniausiai jų kūrimas grindžiamas įvairiomis savarankiškai besimokančio dirbtinio intelekto formomis, kurios gali aptikti modelius dideliuose duomenų rinkiniuose, pvz., smegenų skenavimuose ar įtartinų odos auglių vaizdais. Tokie algoritmai mokomi naudojant tūkstančių pavyzdžių bibliotekas, kur kiekvienam vaizdui priskiriama kvalifikuoto gydytojo nustatyta diagnozė.

Neuroniniai tinklai jau išmoko atpažinti daugelį ligų taip pat efektyviai kaip ir žmonės, o kai kuriais atvejais netgi sugeba pranokti specialistus.

Konvoliuciniai neuroniniai tinklai (CNN) leidžia analizuoti kelis vaizdus. Tai gilios (daugiasluoksnės) struktūros, kuriose kiekvienas dirbtinis neuronas gauna tik nedidelį ankstesnio sluoksnio išvesties fragmentą. Palaipsniui tinklas apibendrina vietines ypatybes, atkurdamas visą vaizdą. Sujungus visus duomenis, CNN gali atpažinti įvairias originalaus vaizdo detales, įskaitant būdingus elementus, kuriais remdamiesi gydytojai nustato diagnozę.

CRISPR technologijomis galima ne tik pašalinti ligų priežastis, bet ir identifikuoti ligas, pavyzdžiui, ieškoti infekcijos sukėlėjų DNR ar RNR pėdsakų.

Nors su CRISPR susijęs baltymas Cas9 dažniausiai minimas gydant, kiti baltymai: Cas12a ir Cas13a paprastai yra „diagnostikos“ baltymai.

2017 m. MIT mokslininkai pristatė diagnostikos technologiją, pavadintą SHERLOCK (specifinis didelio jautrumo fermentinis reporterio atrakinimas). Jis naudoja Cas13a fermentą, kuris gali atpažinti specifines RNR sekas ir perpjauti panašias netoliese esančias RNR grandines, visiškai sunaikindamas įtartiną objektą. Kaip ir knyga Šerlokas Holmsas, medicininis SHERLOCK sugeba atkurti išsamų įvykių vaizdą iš menkiausių įrodymų: technologija veikia su atomolinėmis (10–18 mol litre) nukleino rūgščių koncentracijomis. Metodas buvo išbandytas su lentivirusais, kuriuose yra dengės karštligės viruso ir Zikos viruso fragmentų: SHERLOCK sugebėjo aptikti patogeno daleles ir atskirti jas vieną nuo kitos ne didesnėje kaip dviejų atomų koncentracijoje.

Bandymų metu paaiškėjo, kad reagentai, skirti diagnostikai naudojant SHERLOCK, gali būti džiovinami, o vėliau atkuriami, o metodo jautrumas labai nesumažėja. Nešiojamiems bandymams siūloma naudoti stiklo pluošto popierių. Kūrimo autoriai mano, kad viena testavimo sistema kainuos maždaug 61 centą.

Kiti mokslininkai taip pat kuria rinkinius CRISPR testavimui namuose. Neseniai plėtrą šioje srityje pradėjo Jennifer Doudna, viena iš medicinos CRISPR revoliucijos pradininkų. Jos komanda sukūrė metodą, vadinamą DETECTR (į DNR endonukleazę nukreiptas CRISPR trans reporteris), naudodamas Cas12a baltymą. Jis randa specifines DNR sekas ir supjausto artimiausias fluorescenciniu būdu pažymėtas nukleino rūgšties reporterių molekules, pridėtas į mėginį, sukurdamas signalą. Tokiu būdu galima aptikti daugelio ligų sukėlėjų pėdsakus, tarp jų ir skirtingų gripo viruso padermių.

Tokių testavimo sistemų kūrėjų teigimu, CRISPR analizė užtruks ne ilgiau nei kelias valandas, o rezultatus galima gauti internetu. Tačiau kol kas nežinoma, kada tokie rinkiniai pasirodys viešoje prekyboje.

Tai iliuzija: virtuali realybė

Apie virtualią realybę dažnai kalbama kompiuterinių žaidimų ir „3D kino“ kontekste, tačiau technologijos turi potencialo ir medicinoje, o ne pačiose ryškiausiose srityse. Pavyzdžiui, VR veiksmingai naudojamas kaip skausmą malšinantis vaistas.

Šio požiūrio laikosi Lojolos universiteto ligoninės Ilinojaus nudegimų skyrius.prasidėjo naudota prieš dešimt metų: ligoninės pacientai skausmingų procedūrų metu žaidžia simuliatoriumiSniego pasaulis.

Veiksmas vyksta pusiau fantastiškų šiaurinių peizažų fone su daugybe sniego pusnių ir užšalusių upių, herojaus užduotis – žaisti sniego gniūžtes su baltaisiais lokiais, pingvinais ir sniego seniais. Norėdamas užbaigti visus lygius, pacientas nevalingai sutelkia dėmesį į galvosūkį ir atitraukia dėmesį nuo fizinių pojūčių. Smegenų magnetinio rezonanso tomografija parodė, kad SnowWorld iš tikrųjų sumažina skausmo suvokimą, todėl pacientams reikia mažiau stiprių skausmą malšinančių vaistų, kurie gali būti kenksmingi organizmui.

VR pakeičia arba papildo skausmą malšinančius vaistus daugelyje medicinos sričių. Technologija naudojama skausmui malšinti gimdymo ir dantų procedūrų metu. Skausmą malšinančios virtualiosios realybės savybės ypač aktualios atsižvelgiant į „opioidų krizę“ JAV – ji siejama su receptinių skausmą malšinančių vaistų (pavyzdžiui, OxyContin ir Vicodin) populiarumu pastaraisiais dešimtmečiais.

VR veikia ne tik fiziniam skausmui malšinti: jis gali įveikti ir psichologines traumas. Pirmieji eksperimentai buvo atlikti 1990-ųjų pabaigoje, kai psichologei Barbarai Rothbaum pavyko palengvinti Vietnamo veteranų potrauminio streso sutrikimo simptomus, naudojant virtualius sraigtasparnio kabinos ir Azijos džiunglių proskyno modelius. Ši technika papildė ekspozicijos terapiją – laipsnišką „požiūrį“ į traumuojančius prisiminimus, kurių paciento sąmonė stengiasi išvengti. Panaši schema veikia gydant nerimo sutrikimus ir fobijas naudojant virtualią realybę. Technologijos padeda susidoroti su aerofobija ir viešojo kalbėjimo baime: imituojama aplinka leidžia pakartotinai „repetuoti“ bauginančią situaciją.

VR terapijos trūkumai – gana didelė įrangos kaina ir galimas fiziologinis virtualios realybės netoleravimas.

Kai kurie naujų gydymo metodų bandymų dalyviai patyrė VR „pykinimą“ (virtualios realybės ligą), kuri sukelia tuos pačius simptomus kaip ir judesio liga ar jūros liga. Remiantis paplitusiomis hipotezėmis, abu sutrikimai atsiranda dėl vestibulinio aparato receptorių veikimo sutrikimų arba konflikto tarp signalų, sklindančių iš vestibulinio aparato ir regėjimo organų.

Kūrėjai jau sukūrė keletą metodų, kurie gali sumažinti VR „pykinimą“. Pavyzdžiui, ant ekrano galite pastatyti nejudantį objektą, kurį naudotojo akys nuolat fiksuos. Nasum Virtualis technologijos autoriai siūlo kaip atspirties tašką naudoti virtualų nosies vaizdą, esantį ekrano centre. Žaidėjo akys tai suvokia kaip savo nosį, todėl pykinimo ir galvos svaigimo jausmas atsitraukia.