Tworzenie życia od początku z Darwin Pond i sztuka algorytmiczna Jeffreya Ventrelli

Czas czytania: 8 min.

Nie tylko poważna technologia. Nie obiecujemy, że dzisiaj nie będzie całkowicie normalnie…  Czasami będzie robić się dziwnie. Przejdziemy przez treść sinusoidą – od spraw poważnych, do bardzo lekkich, na poważnie znów kończąc. Zapraszamy do lektury.

Wstęp. Artysta konceptualny - Jeffrey Ventrella

Po rollercoasterze pracy w Dolinie Krzemowej w różnych firmach zajmujących się grami i wirtualną rzeczywistością przez dekadę, Ventrella, posiadacz tytułu magistra w dziedzinie Media Arts and Sciences w MIT Media Lab oraz tytułu magistra w dziedzinie Fine Arts in Computer Graphics na Uniwersytecie Syracuse, został niezależnym twórcą. Jego obsesja na punkcie fraktali i pragnienie tworzenia sztuki poprzez algorytmy przybliżyły go do piękna teorii liczb, geometrii obliczeniowej, fizyki i liczb zespolonych pomimo faktu, że miał problemy z zaliczeniem przedmiotu Math 001 na studiach. Napędzany artystyczną wizją Ventrella osiągnął imponujący poziom “matematycznego słownictwa”. Wszystko to pozwoliło mu na tworzenie lepszych obrazów przypominających życie – dosłownie w znaczeniu biologicznym. Ostatnie prace Jeffreya to seria drzew fraktalnych oraz system cząsteczek o realistycznych zachowaniach obecnie wdrażany w VR. 

Ventrella wreszcie realizuje swoje twórcze marzenia – bo nie tylko technologią człowiek żyje. Pozostaje przede wszystkim aktywnym obserwatorem zmieniającej się rzeczywistości technologicznej w dziełach graficznych i pisanych. 

Jeffrey Ventrella

Jeffrey Ventrella mieszka w północnej Kalifornii. Okresla się jako artysta cyfrowy, programista i badacz. Był głównym pomysłodawcą i współzałożycielem wirtualnego świata There. Prowadzi witrynę ventrella.com.

Sztuka cyfrowa, algorytmy i fraktale

Algorytm jest według tworzącego od ponad 25 lat Ventrelli procesem umysłowym. W ludzkiej pamięci jest przechowywany intuicyjnie i wielowymiarowo. A w pamięci komputera jest przechowywany precyzyjnie i jednowymiarowo. Rezultat tworzących się razem algorytmów to obiekt fizyczny. Dzieła sztuki algorytmicznej zostały wygenerowane w całości przy użyciu kodu, który Ventrella napisał samodzielnie. Po latach spędzonych na malowaniu i rysowaniu autor zwrócił się ku pisaniu oprogramowania jako medium do wyrażania wizualnych idei w formie cyfrowej. Obrazy są drukowane na archiwalnym papierze, płótnie i metalu, opcjonalnie montowane i oprawiane w ramy za szkłem. Każda praca jest sygnowana. W przypadku wybranych dzieł limitowana edycja jest ubezpieczana poprzez trwałe usuwanie parametrów i plików graficznych po wydrukowaniu.

Ventrella algorytmiczne piękno natury opisuje poprzez kod, który sam określa jako “przykład poezji w ruchu”. 

Poniżej przykłady sztuki fraktalnej:

Nie chodzi jednak o zwyczajny digital art. Słowo klucz, którym posługuje się artysta cyfrowy taki jak Jeffrey Ventrella, to w tym przypadku fraktal. W matematyce fraktal jest podzbiorem przestrzeni euklidesowej o wymiarze fraktalnym, który ściśle przekracza jego wymiar topologiczny. Fraktale wydają się takie same w różnych skalach – to najczęściej spotykana, potoczna definicja, w której fraktal oznacza po prostu obiekt samopodobny. Często wykazują podobne wzory w coraz mniejszych skalach. Ta właściwość jest znana także jako symetria rozszerzająca się lub symetria rozwijająca się – powielanie jest dokładnie takie samo w każdej skali.

 

Gene Pool - swimboty w ewolucyjnej zupie

Fascynujący projekt Ventrelli to Gene Pool, czyli w wolnym tłumaczeniu basen z genami. O ile jest ono prawie że dosłowne, o tyle też trafne – faktycznie przypomina to organizmy pływające w nukleinowym basenie. To coś jak przeglądarkowa gra flash – możemy wszystko, co interaktywne, edytować na bieżąco. Jak zauważa autor, sama idea puli genów nie ma znaczenia, jeśli nie ma rozmnażania. Pula genów jest przekonującą metaforą, ponieważ geny populacji są nieustannie mieszane i rozpraszane podczas aktu rozmnażania, jak gdyby rozpuszczały się w płynie. Jeśli dodamy do tego wymiar czasowy, pula ta stanie się rzeką, płynącą w czasie geologicznym… i tak dalej. O to też w tym chodzi. 

Copyright Gene Pool wskazuje na rok 2021, ale pomysł jest znacznie starszy. Ventrella nazwał go Darwinowską sadzawką albo stawem – z ang. Darwin Pond. Wszystko zaczęło się już w 2005 roku, na długo przed tym, zanim sama tematyka algorytmiki trafiła do amatorów dyskusji o przyszłości w kontekście ich rozwoju. Obieg informacji w tym temacie był raczej ściśle akademicki i badawczo-rozwojowy, a teraz prawie wszyscy mają do powiedzenia na temat algorytmów choć kilka zdań.

Konkretne wiadomości o projektach Ventrelli są generalnie rozsypane, i z tej rozsypanki zawartej na dość obskurnie i wczesnointernetowo wyglądającej stronie konkrety trzeba sobie wykopać. Kontekst ze źródłowych publikacji w ramach badań naukowych, jakie prowadzono z użyciem Darwin Pond, wskazuje na to, że ktoś zainteresował się tym na poważnie – między innymi Neil Vaughan z Bornemouth University. Badanie Vaughana z 2014 roku, na które natrafiliśmy za pomocą Research Gate, opisuje zaimplementowanie autonomicznego sterowania agentami robotycznymi – tak tu nazywa swimboty. Sterowanie ruchem jest symulowane w środowisku wirtualnym. Algorytmy systemu sterowania zostały poddane ewolucji, a algorytmy genetyczne umożliwiają robotom adaptację w odpowiedzi na obiekty w wirtualnym środowisku. Dodatkowo cechy fizyczne każdego z robotów zostały poddane ewolucji poprzez system przetrwania najsilniejszego oparty na krzyżowaniu z losowymi mutacjami. Przetrwanie najlepiej przystosowanych było symulowane przez niedobór pożywienia powodujący konkurencję.  Kiedy ilość pożywienia była zwiększona, tempo ewolucji spadało. Wraz ze wzrostem ilości pożywienia konkurencja uległa zmniejszeniu, a średnia kondycja, czy też raczej żywotność, każdego organizmu-robota przestawała rosnąć z czasem. Usunięcie wąskiego gardła pokarmowego zatrzymało mechanizm przetrwania najsilniejszego.

Tłuste lata sztucznej inteligencji

Trudno wskazać konkretne wydarzenie czy datę, która rozpoczęła cały boom na AI. Poznanie faktycznego stanu badań jest niezwykle czasochłonne, a w kilku przypadkach zwyczajnie niemożliwe – w momencie pisania tego artykułu technologia posuwa się przecież na przód. 

Podobnie jak rozpoznawanie głosu, rozpoznawanie obrazów jest kolejnym poważnym wyzwaniem, które AI pomaga pokonać. W 2015 r. naukowcy po raz pierwszy stwierdzili, że maszyny – w tym przypadku dwa konkurujące ze sobą systemy firm Google i Microsoft – były w stanie lepiej niż ludzie rozpoznawać obiekty na obrazach w ponad 1000 kategorii. Systemy “głębokiego uczenia się” odniosły sukces pokonując ImageNet Challenge – coś jak Test Turinga, ale dla rozpoznawania obrazów – co ma fundamentalne znaczenie dla rozpoznawania obrazów ponad ludzkie możliwości. 

Najprostszą siecią neuronową był pojedynczy perceptron progowy, opracowany przez McCullocha i Pittsa w roku 1943, jednak prawdziwa dekada sztucznej inteligencji rozpoczęła się mniej więcej w 2015 roku i trwa, bo pojawiły się możliwości techniczne wdrażania.

Okej, ale gdzie to wszystko łączy się z Gene Pool?  Nie ma tam ani rozpoznawania obrazu, ani mowy. Ale za to jest algorytmika – chodzi o możliwie trafne rozpoznawanie kierunków i tempa rozwoju.

Vaughan zauważa – przypominamy, w badaniu z 2014 roku – że kolejnym etapem badań mogłoby być zaimplementowanie wizji komputerowej dla autonomicznych agentów. Dla każdego agenta-robota pole widzenia robota miałoby być według niego obliczone na podstawie jego pozycji poprzez rzutowanie widoku z jego głowy, jako 45 stopni na osiach X i Y. Wynikowe pole widzenia może być obliczane w każdej iteracji oprogramowania i wykorzystywane jako dane wejściowe do algorytmów wizji komputerowej. Można zastosować wiele różnych algorytmów przetwarzania obrazu, co jego zdaniem doprowadzi do ewolucji robotów w kierunku reagowania na wizualnie postrzegane kolory i obiekty. Mogłoby to rozwiązać główny problem robotyki, aby odpowiednio reagować na informacje sensoryczne w czasie rzeczywistym. Brzmi znajomo?

W 2014 roku pojawiały się liczne, nowe osiągnięcia deep learning (samo pojęcie zostało po raz pierwszy użyte w 1986 roku, co może być dla niektórych niemałym zaskoczeniem), Google zaprezentowało system AI opisywania scenek za pomocą kilku krótkich zdań i wydało 600 mln USD na system DeepMind, Facebook zaczął implementować system rozpoznawania, czy na dwóch różnych zdjęciach znajduje się ta sama osoba, a “chińskie Google”, czyli Baidu, zbudowało laboratorium w Dolinie Krzemowej i rozpostarło swoje badania właśnie na firmament deep learningu. Wiele się działo, a świat naukowy coraz częściej wskazywał, że za chwilę rozwój i inwestycje nabiorą jeszcze bardziej szalonego tempa. Miał rację.  

Ale to bądź co bądź precyzyjne wyjaśnienie sprawy nie oddaje poziomu zabawy, jaki oferują Gene Pool i Darwin Pond. 

Zagrajmy w Gene Pool - ewolucja planowana

Dobra, wyluzujmy trochę. To znaczy: my graliśmy, teraz Wasza kolej. Po tym popularnonaukowym przerywniku w nagłówku powyżej czas zobaczyć, jak to faktycznie działa. Nawet jeśli do szczęścia wystarczy Wam Counter Strike albo windowsowy pasjans Microsoft Solitaire, to warto wypróbować zabawę z genami – my akurat pograliśmy sobie w wersję Gene Pool online

“Pograć” to może niewłaściwe określenie. Raczej “pobawić się” i “poklikać”. Ograniczony czas nie pozwolił nam na zbyt długi research, ale zdołaliśmy wyłapać kilka kluczowych elementów tej gry-nie gry. Jest tego naprawdę wiele i trzeba czasu, aby pojąć, jak działają wszystkie funkcje symulacji. Według opisu wyłanianie się dominującej rasy pływaków następuje w ciągu około 30 minut. Faktycznie tak jest, choć wiele zależy od tego, jak bardzo swędzą nas ręce, aby modyfikować ich parametry. Możemy podtrzymywać gwałtowną ewolucję dłużej, a pływackie umiejętności niezbędne biorobotom do przeżycia będą się poprawiać, przy czym część będzie określana całkowicie przez dobór naturalny.

Opcje kosmetyczne, takie jak rendering, zoom i możliwość zatrzymania animacji, raczej pominiemy. Przyjrzyjmy się interfejsowi i dostępnym widokom. 

Opcje obejmują podążanie za konkretnymi robotami. Możemy wyróżnić najszybszego, najbardziej płodnego, najbardziej skutecznego, najstarszego, który nie odbył jeszcze inicjacji płciowej i najbardziej żarłocznego oraz edycję podglądu elementów widocznych u każdego z robotów. 

Zakładka pool pozwala na wygenerowanie basenu ewolucyjnego od początku. Mamy do wyboru opcje:

  • losowo wygenerowany basen i losowe roboty,
  • sąsiedztwa (neighborhoods) – roboty ułożone w siatce,
  • “żabki” (froggies) – tylko roboty o jednym, podobnym żabom kształcie,
  • do tanga trzeba dwojga (two to tango) – tylko dwa osobniki, które stworzą z czasem całą kolonię,
  • wyścig o pożywienie (food race) – tylko dwa osobniki, które podążają szlakiem cząstek jedzenia,
  • big bang – mnóstwo osobników wyłaniających się w centralnej części basenu,
  • bariera genetyczna (genetic barrier) – dwie, oddzielone na stałe grupy robotów,
  • pusty basen – basen z pożywieniem, ale bez robotów, które wygenerujemy sami wedle upodobania.

Ta ostatnia opcja prowadzi nas do chyba najciekawszej zakładki, czyli swimbot, poświęconej podglądowi wybranego robota.

Brak wybranego robota prowadzi nas do możliwości wygenerowania jakiegoś z dostępnej puli opcji. Jeżeli podświetliliśmy już któregoś z nich, to ukażą się nam przydatne statystyki – unikalne ID osobnika, jego wiek, aktualny cel (podążanie za pożywieniem, podążanie za partnerem), ilość zjedzonego dotychczas pożywienia, informacje o potomstwie oraz preferencjach doboru pożywienia i doboru partnera płciowego. Z tego poziomu możemy także zmutować, sklonować czy też wyeliminować robota z rywalizacji o przetrwanie, ale najciekawsza opcja to tweak genes – manipulacja genami. Tutaj zaczyna się zabawa.

Tutaj kończą się nasze gamingowe kompetencje i wiedza z zakresu dziedziczności i zmienności organizmów. Zachęcamy do własnych poszukiwań, bo opcji jest mnóstwo. Możemy wybrać, którą kończynę robota edytujemy, jego barwę i bardziej zaawansowane parametry, które wpływają na jego ruch – od szerokości i długości po inercję towarzyszącą ruchowi, któremu to z kolei towarzyszy zjawisko odrzutu… prawdziwy raj dla eksperymentatorów. 

Czasem można tak namieszać, że robot stanie się tak dziwaczny, że wyeliminuje to jego jakiekolwiek szanse survivalowe. Nam udało się tak popsuć całkiem skutecznego w wyścigu o dominację środowiskową robota, że zaczął kręcić się w kółko jak szalony i właściwie to wszystko, do czego był zdolny. Choć wiele z edytowalnych cech brzmi abstrakcyjnie, a majstrowanie przy ustawieniach powoduje komiczny efekt, to nic nie pozostaje bez konsekwencji. Pozwala to zrozumieć ważny fakt – nawet najmniejsza ewolucyjna zmiana ma kolosalny wpływ na to, jak organizmy wyglądają, poruszają się, dobierają w pary i tym podobne. 

W dwóch ostatnich zakładkach możemy zobaczyć graf populacji i ogólne informacje. Tu ciekawy przykład – zmniejszyliśmy wartość energetyczną jednostki pożywienia i zostawiliśmy animację na chwilę w spokoju. Po powrocie wykres wskazał jasną zależność – populacja spadła, ale wzrosła liczba pożywienia, bo coraz mniej osobników pożerało generowane na bieżąco jednostki. Od tego czasu szybsze roboty radziły sobie lepiej niż posiadające jakikolwiek inny atut. W końcu linie wykresu skrzyżowały się i wyminęły. Spadek kaloryczności pożywienia doprowadził do całkowitej ekologicznej katastrofy. 

Genetyka i algorytmika w służbie... no właśnie, czemu?

Albo: komu? Dla niektórych Gene Pool to tylko eksperyment programistyczny. Dla innych taka starsza, odchudzona wersja gier pokroju Spore studia EA Maxis, gdzie planujemy, tworzymy i podglądamy własne organizmy żywe. Dla wielu, którzy znali wcześniej Darwin Pond – rzecz jednak kojarzy niewielu, a szkoda – reakcja była podobna: “o ja cię, to jest bez wątpienia najlepszy symulator ewolucji wszech czasów”. Wraz z Gene Pool w 2003 roku pojawiło się odświeżenie świetnego pomysłu z podrasowanymi ustawieniami ekologii i odświeżonym interfejsem. To wciąż doskonały symulator ewolucji i prawdziwe piękno.

Dla nas jest to przede wszystkim narzędzie cenne o tyle, że stanowi ciekawy wstęp do algorytmów genetycznych – heurystyki wyszukiwania inspirowanej teorią ewolucji naturalnej Charlesa Darwina. Algorytm ten odzwierciedla proces selekcji naturalnej, w którym najzdolniejsze osobniki są wybierane do reprodukcji w celu wytworzenia potomstwa w następnym pokoleniu. Lepsze zrozumienie zjawisk adaptacji, mutacji i terminacji w środowisku wirtualnym będzie z pewnością oznaczać wsparcie dla programistów AI. Algorytmy genetyczne samoistne dostarczają zestawów rozwiązań danego problemu. Łączenie robotyki z biologią ukaże jeszcze wiele aspektów etycznych, oby bez nieprzyjemnych konotacji z dwudziestowieczną eugeniką, a lepsze zrozumienie selektywnego rozmnażania z pewnością pomoże nam w tworzeniu biomaszyn. 

Czy w ten sposób powstanie nowa eugenika, nowy humanizm – transhumanizm? Nie wiemy, i wolimy jeszcze nie mysleć co byłoby, gdybyśmy podstawili do animacji geny ludzkie, ale wszystko to wróży narodziny cyborgizacji, gdzie pojawi się techniczna redefinicja ewolucji. Archaiczny etap ślepej ewolucji być może odejdzie kiedyś w niepamięć. Być może dyskusje etyków, socjologów i antropologów kultury o cyborgach zakończą… właśnie cyborgi. W końcu dążenia transhumanistów do przekroczenia punktu, w którym kończy się człowiek, jakiego znamy, ale ludzkość trwa, to w założeniu działanie w myśl celu uczynienia świata lepszym miejscem.

W założeniu.

Jak oceniasz ten wpis blogowy?

Kliknij gwiazdkę, aby go ocenić!

Średnia ocena: 4.5 / 5. Liczba głosów: 4

Jak dotąd brak głosów! Bądź pierwszą osobą, która oceni ten wpis.

Podziel się:

Picture of Oskar Pacelt

Oskar Pacelt

Fan dobrej literatury i muzyki. Wierzy, że udany tekst jest jak list wysłany w przyszłość. W życiu najbardziej interesuje go prawda, pozostałych zainteresowań zliczyć nie sposób. Kocha pływać.

Zobacz więcej:

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *

Ze względów bezpieczeństwa wymagane jest korzystanie z usługi Google reCAPTCHA, która podlega Polityce prywatności i Warunkom użytkowania.