Contattaci

Fisica

L’intelligenza artificiale ha problemi con il mondo reale

Gli ultimi sistemi d’intelligenza artificiale diventano campioni a un gioco nel giro di poche ore partendo da zero. Ma i ricercatori stanno cercando di applicare questi sistemi anche a problemi della vita reale, che tuttavia per ora le macchine non riescono ad affrontare in modo efficace a causa della loro complessità

Pubblicato

il

Fino a poco tempo fa, le macchine il grado di sconfiggere i campioni erano almeno abbastanza rispettose da iniziare imparando dall’esperienza umana.
Nel 1997, per battere Garry Kasparov a scacchi, gli ingegneri dell’IBM hanno usato secoli di saggezza degli scacchi nel loro computer Deep Blue. Nel 2016, AlphaGo di Google DeepMind ha battuto il campione Lee Sedol nell’antico gioco da tavolo Go dopo aver esaminato milioni di posizioni di decine di migliaia di partite umane.

Ma ora i ricercatori di intelligenza artificiale stanno ripensando il modo in cui i loro bot integrano la totalità della conoscenza umana. La tendenza attuale è: non disturbarti.

Nell’ottobre 2017, il gruppo di DeepMind ha pubblicato i dettagli di un nuovo sistema per giocare a Go, AlphaGo Zero, che non ha studiato affatto partite umane. Invece, ha iniziato con le regole del gioco e ha giocato contro se stesso. Le prime mosse sono state completamente casuali. Dopo ogni partita, ha acquisito nuove conoscenze su che cosa lo aveva portato a una vittoria e che cosa no. Alla fine di questi allenamenti, AlphaGo Zero si è scontrato con la versione superumana di AlphaGo che aveva sconfitto Lee Sedol. E ha vinto 100 partite a zero.

Il gruppo ora ha creato un altro giocatore esperto della famiglia di AlphaGo, chiamato semplicemente AlphaZero. In un articolo pubblicato su” Science”, i ricercatori di DeepMind hanno rivelato che, dopo aver ricominciato da zero, AlphaZero addestrato ha superato in prestazioni AlphaGo Zero, in altre parole, ha battuto il bot che ha battuto il bot che ha battuto i migliori giocatori di Go nel mondo. (L’articolo è stato pubblicato per la prima volta sul sito di preprint scientifico arxiv.org nel dicembre 2017.) E quando gli sono state fornite le regole per gli scacchi o lo shogi, variante giapponese degli scacchi, AlphaZero ha imparato rapidamente a sconfiggere

anche gli algoritmi di alto livello nati su misura per quei giochi. Gli esperti si sono meravigliati dello stile aggressivo e inconsueto del programma. “Mi sono sempre chiesto come sarebbe stato se una specie superiore fosse arrivatasulla Terra e ci avesse mostrato come gioca a scacchi”, ha detto il grande maestro danese Peter Heine Nielsen a un intervistatore della BBC. “Adesso lo so.”

L’anno scorso hanno visto la luce anche bot di autoapprendimento ultraterreno in ambientazioni molto diverse come il poker no-limit e Dota 2, un popolare videogioco on line multiplayer in cui eroi a tema fantasylottano per il controllo di un mondo alieno.

Ovviamente, le aziende che investono denaro in questi e altri sistemi simili hanno ambizioni più grandi che dominare i tornei di videogiochi. I gruppi di ricerca come DeepMind sperano di applicare metodi simili a problemi del mondo reale, come la costruzione di superconduttori a temperatura ambiente, o la comprensione degli origami necessari per ripiegare le proteine in potenti molecole farmacologiche. E, naturalmente, molti addetti ai lavori sperano di realizzare un’intelligenza artificiale generale, un obiettivo mal definito ma accattivante in cui una macchina potrebbe pensare come una persona, con la versatilità sufficiente per affrontare molti diversi tipi di problemi.

Tuttavia, nonostante gli investimenti su questi sistemi, non è ancora chiaro fino a che punto le tecniche attuali possano andare oltre il tavolo da gioco. “Non sono sicuro che le idee di AlphaZero si possano generalizzare facilmente”, ha detto Pedro Domingos, informatico dell’Università di Washington. “I giochi sono una cosa assai insolita.”

Obiettivi perfetti per un mondo imperfetto
Una caratteristica condivisa da molti giochi, scacchi e Go inclusi, è che i giocatori possono vedere tutti i pezzi su entrambi i versanti in ogni momento. Ogni giocatore ha sempre quella che viene definita “informazione perfetta” sullo stato del gioco. Per quanto diabolicamente complesso diventi il gioco, tutto ciò che occorre fare è pensare in avanti rispetto alla situazione corrente.

Tante situazioni reali non sono così. Immaginiamo di chiedere a un computer di diagnosticare una malattia o condurre una trattativa d’affari. “La maggior parte delle interazioni strategiche del mondo reale coinvolgono informazioni nascoste”, ha detto Noam Brown, studente di dottorato in informatica alla Carnegie Mellon University. “Ho la sensazione che ciò è stato trascurato dalla maggior parte della comunità dell’intelligenza artificiale”.

Il poker, in cui Brown è specializzato, pone una sfida diversa. Non si possono vedere le carte dell’avversario. Ma anche qui le macchine che imparano giocando contro se stesse stanno ora raggiungendo livelli sovrumani. Nel gennaio 2017, un programma chiamato Libratus creato da Brown e dal suo consulente, Tuomas Sandholm, ha battuto quattro giocatori professionisti di poker al Texas Hold ‘em testa a testa, no-limit, finendo 1,7 milioni di dollari davanti ai suoi avversari alla fine di una gara di 20 giorni.

Un gioco ancora più scoraggiante che coinvolge informazioni imperfette è StarCraft II, un altro videogioco on line multiplayer con un vasto seguito. I giocatori scelgono una squadra, costruiscono un esercito e combattono una guerra in un paesaggio di fantascienza. Ma quel paesaggio è avvolto da una nebbia di guerra che consente solo ai giocatori di vedere le aree in cui hanno soldati o edifici. Anche la decisione di andare in ricognizione tra le linee nemiche è piena di incertezze.

Questo è un gioco che l’intelligenza artificiale non può ancora affrontare. Gli ostacoli al successo includono il numero di mosse in una partita, che spesso arrivano a migliaia, e la velocità con cui devono essere fatte. Ogni giocatore – essere umano o macchina – deve preoccuparsi di una vasta serie di possibili futuri con ogni click.

Per ora, un testa a testa con i migliori esseri umani in questa arena è fuori dalla portata dell’intelligenza artificiale. Ma è un obiettivo. Nell’agosto 2017, DeepMind ha stretto una accordo con Blizzard Entertainment, l’azienda che ha realizzato StarCraft II, per fornire gli strumenti che, secondo loro, aiuteranno ad aprire il gioco ai ricercatori di intelligenza artificiale.

Nonostante le sfide, StarCraft II si riduce a un obiettivo che può essere enunciato in modo semplice: elimina il tuo nemico. È qualcosa che condivide con scacchi, Go, poker, Dota 2 e praticamente ogni altro gioco. Nelle partite, si può vincere.

Dal punto di vista dell’algoritmo, i problemi devono avere una “funzione obiettivo”, cioè un obiettivo da perseguire. Quando AlphaZero ha giocato a scacchi, non è stato così difficile. Una sconfitta contava come meno uno, un pareggio zero e una vittoria più uno. La funzione obiettivo di AlphaZero era di massimizzare il suo punteggio. La funzione obiettivo di un bot per il poker è altrettanto semplice: vincere un sacco di soldi.

intelligenza artificiale

(Credit: iSock/PhonlamaiPhoto)

 

Le situazioni della vita reale non sono così semplici. Per esempio, un’automobile che guida da sola ha bisogno di una funzione obiettivo più sfumata, qualcosa di simile al tipo di frase che useremmo per esprimere un desiderio al genio della lampada. Per esempio: portare tempestivamente il passeggero alla giusta destinazione, rispettare tutte le leggi e valutare adeguatamente il valore della vita umana in situazioni pericolose e incerte. Il modo in cui i ricercatori realizzano la funzione obiettivo, ha affermato Domingos, “è una delle cose che distingue un grande ricercatore di apprendimento automatico dalla media”.

Consideriamo Tay, un chatbot di Twitter rilasciato da Microsoft il 23 marzo 2016. L’obiettivo di Tay era coinvolgere le persone, e così è stato. “Quello che sfortunatamente Tay ha scoperto – ha detto Domingos, – era che il modo migliore per massimizzare il coinvolgimento era pubblicare insulti razzisti.” È stato messo off-line dopo nemmeno un giorno.

Il nostro peggior nemico
Alcune cose non cambiano. I metodi usati dai bot di gioco dominanti oggi usano strategie inventate decenni fa. “È quasi un tuffo nel passato, solo con più calcoli”, ha detto David Duvenaud, informatico dell’Università di Toronto.

Le strategie spesso si basano sull’apprendimento per rinforzo, una tecnica basata sul non intervento. Invece di eseguire un algoritmo con istruzioni dettagliate, gli ingegneri lasciano che la macchina esplori un ambiente, in modo che impari a raggiungere gli obiettivi per prove ed errori. Prima del rilascio di AlphaGo e dei suoi eredi, il gruppo di DeepMind ha ottenuto il suo primo grande risultato da prima pagina nel 2013, quando ha usato l’apprendimento per rinforzo per creare un bot che ha imparato a giocare sette giochi Atari 2600, tre dei quali a livello esperto.

Questi progressi sono continuati. Il 5 febbraio scorso, DeepMind ha presentato IMPALA, un sistema di intelligenza artificiale in grado di apprendere 57 giochi Atari 2600, più altri 30 livelli costruiti da DeepMind in tre dimensioni. In questi, il giocatore girovaga attraverso diversi ambienti, raggiungendo obiettivi come sbloccare porte o raccogliere funghi. IMPALA sembra trasferire conoscenza tra i compiti, il che significa che il tempo trascorso a giocare a un gioco aiuta anche a migliorare le prestazioni negli altri.

Ma nella più ampia categoria di apprendimento per rinforzo, giochi da tavolo e giochi multiplayer permettono un approccio ancora più specifico. Qui, l’esplorazione può assumere la forma di gioco solitario, o selfplay, in cui un algoritmo acquisisce la supremazia strategica combattendo ripetutamente con la copia di se stesso.

Questa idea risale a decenni fa. Negli anni cinquanta, l’ingegnere dell’IBM Arthur Samuel creò un programma per giocare a dama che imparava in parte facendo scontrare un lato alfa contro un lato beta. E negli anni novanta, Gerald Tesauro, anch’egli di IBM, costruì un programma di backgammon che metteva l’algoritmo contro se stesso. Il programma raggiunse livelli di esperti umani, escogitando via via strategie non ortodosse ma efficaci.

Partita dopo partita, l’algoritmo di un sistema self-play affronta un avversario dello stesso livello. Ciò significa che i cambiamenti nella strategia portano a risultati diversi, fornendo un feedback immediato all’algoritmo. “Ogni volta che impari qualcosa, ogni volta che scopri una piccola cosa, il tuo avversario la usa immediatamente contro di te”, ha detto Ilya Sutskever, direttore della ricerca di OpenAI, organizzazione no profit, che ha co-fondato con Elon Musk, dedicata allo sviluppo e alla condivisione della tecnologia dell’intelligenza artificiale con l’obiettivo di arrivare ad applicazioni sicure. Nell’agosto 2017, l’organizzazione ha rilasciato un bot Dota 2 che controlla il personaggio Shadow Fiend, una sorta di demone-negromante che ha battuto i migliori giocatori del mondo nelle battaglie uno contro uno. Un altro progetto OpenAI mette l’uno contro l’altro esseri umani simulati in un incontro di sumo, dove finiscono per auto-apprendere come attaccare e fare finte. Durante il self-play, “non puoi mai stare fermo, devi sempre migliorare”, ha detto Sutskever.

Ma la vecchia idea del self-play è solo un ingrediente dei bot dominanti di oggi, che hanno anche bisogno di un modo per tradurre le loro esperienze di gioco in una comprensione più profonda. Chess, Go e videogiochi come Dota 2 hanno molte più permutazioni di quanti siano gli atomi nell’universo. Anche nel corso di molte vite trascorse a combattere la propria ombra in arene virtuali, una macchina non può affrontare tutti gli scenari, prendere nota in una tabella e consultare quella tabella quando si trova di nuovo la stessa situazione.

intelligenza artificiale

Credit: iSock/PhonlamaiPhoto)

 

Per rimanere a galla in questo mare di possibilità, “è necessario generalizzare, catturare l’essenza”, ha detto Pieter Abbeel, informatico dell’Università della California a Berkeley. Deep Blue di IBM ha fatto questo con la sua formula di scacchi intrinseca. Dotato della capacità di valutare l’efficacia di posizioni sulla scacchiera che non aveva mai visto prima, poteva adottare mosse e strategie per incrementare le sue possibilità di vittoria. Negli ultimi anni, tuttavia, una nuova tecnica ha permesso di oltrepassare del tutto la formula. “Ora, all’improvviso, la ‘rete profonda’ cattura tutto questo”, ha detto Abbeel.

Le reti neurali profonde, o deep neural networks, che hanno accresciuto la loro popolarità negli ultimi anni, sono costruite con strati di “neuroni” artificiali che si sovrappongono come in un pancake. Quando i neuroni in un livello si attivano, inviano segnali allo strato successivo, che li invia allo strato successivo e così via.

Modificando il modo in cui gli strati si connettono, queste reti diventano molto abili nel trasformare gli input in output correlati, anche se la connessione sembra astratta. Date loro una frase in inglese, e potrebbero addestrarsi a tradurla in turco. Date loro foto di un rifugio per animali e potrebbero identificare quali contengono gatti. Oppure mostrate loro una scacchiera e potrebbero intuire le loro probabilità di vittoria. In genere, però, è necessario prima dare a queste reti una serie di esempi contrassegnati su cui esercitarsi.

Ecco perché self-play e reti neurali profonde si integrano così bene. Il self-play sforna continuamente raccolte di partite, dando alle reti neurali profonde la serie teoricamente illimitata dei dati di cui hanno bisogno per insegnare a se stesse. A loro volta, le reti neurali profonde offrono un modo per interiorizzare esperienze e schemi incontrati nel self-play.

Ma c’è un problema. Per produrre dati utili, i sistemi self-play hanno bisogno di un luogo realistico in cui giocare.

“Tutti questi giochi, tutti questi risultati, sono emersi in ambienti in cui è possibile simulare perfettamente il mondo”, ha dichiarato Chelsea Finn, studentessa di dottorato di Berkeley che usa l’intelligenza artificiale per controllare bracci robotizzati e interpretare i dati dai sensori. Altri domini non sono così facili da simulare.

Le automobili a guida autonoma, per esempio, hanno difficoltà a gestire il maltempo o i ciclisti. Oppure potrebbero non elaborare le bizzarre possibilità che si presentano nei dati reali, come un uccello che per caso vola direttamente verso la videocamera dell’auto. Per i bracci robotici, ha detto Finn, le simulazioni iniziali forniscono la fisica di base, permettendo al braccio almeno di imparare in che modo apprendere. Ma non riescono a catturare i dettagli che riguardano il contatto con le superfici, il che significa che compiti come avvitare un tappo di bottiglia o condurre una complessa procedura chirurgica richiedono anche un’esperienza del mondo reale.

Per problemi difficili da simulare, quindi, il self-play non è così utile. “C’è un’enorme differenza tra un vero modello perfetto dell’ambiente e uno valutato e appreso, soprattutto quando questa realtà è complessa”, ha scritto Yoshua Bengio, pioniere del deep learning all’Università di Montreal, in una email. Ma ciò lascia ancora ai ricercatori della intelligenza artificiale alcune strade per andare avanti.

La vita oltre i giochi
È difficile individuare l’alba della supremazia dell’intelligenza artificiale nei giochi. Si potrebbe scegliere la sconfitta di Kasparov negli scacchi, o la disfatta di Lee Sedol per mano virtuale di AlphaGo. Un’altra opzione popolare sarebbe il momento in cui il leggendario campione di Jeopardy!(quiz televisivo statunitense, in cui i concorrenti si sfidano sulla cultura generale sulla base di indizi) Ken Jennings è stato sconfitto da Watson dell’IBM nel 2011. Watson poteva analizzare gli indizi del gioco e gestire i giochi di parole. L’incontro, durato due giorni, non era equilibrato. “Io per primo do il benvenuto ai nostri nuovi padroni computerizzati”, ha scritto Jennings sotto la sua risposta finale.

Watson sembrava dotato del tipo di abilità che gli esseri umani usano in una serie di problemi del mondo reale. Poteva prendere un suggerimento in inglese, frugare tra i documenti pertinenti alla velocità della luce, trovare i frammenti di informazioni attinenti e fornire una singola migliore risposta. Ma sette anni dopo, il mondo reale continua a presentare sfide ostinatamente ardue per l’intelligenza artificiale. Un rapporto pubblicato a settembre dalla rivista sanitaria “Stat” ha rilevato che la ricerca e la progettazione di trattamenti personalizzati per il cancro, cercati da Watson for Oncology, erede di Watson, si stanno dimostrando difficili.

“Le domande in Jeopardy! sono più facili, nel senso che non hanno bisogno di molto senso comune”, ha scritto Bengio, che ha collaborato con il gruppo di Watson, quando gli è stato chiesto di confrontare i due casi dal punto di vista dell’intelligenza artificiale. “Capire un articolo di medicina è molto più difficile. Sono necessarie ancora molte ricerche di base”.

“Per quanto speciali siano i giochi, ci sono ancora problemi del mondo reale che sono simili. I ricercatori di DeepMind hanno rifiutato di essere intervistati per questo articolo, citando il fatto che il loro lavoro con AlphaZero è attualmente sottoposto a revisione tra pari. Ma il gruppo ha suggerito che le sue tecniche potrebbero presto aiutare i ricercatori in campo biomedico che vorrebbero comprendere il ripiegamento delle proteine.

Per fare questo, hanno bisogno di capire come i vari amminoacidi che formano una proteina si ripiegano in una piccola macchina tridimensionale con una funzione che dipende dalla sua forma. Ciò è complicato quanto lo sono gli scacchi: i chimici conoscono abbastanza bene le regole per calcolare scenari specifici, ma ci sono ancora così tante configurazioni possibili, che cercare tra di esse è un compito senza speranza. Ma che cosa succederebbe se il ripiegamento delle proteine potesse essere configurato come un gioco? In realtà, è già stato fatto. Dal 2008, centinaia di migliaia di giocatori umani si sono cimentati con Foldit, un gioco on line in cui gli utenti ricevono un punteggio in base alla stabilità e alla fattibilità delle strutture proteiche che ripiegano. Una macchina potrebbe allenarsi in modo simile, forse cercando di battere il suo precedente punteggio migliore con l’apprendimento generale per rinforzo.

Anche apprendimento per rinforzo e self-play potrebbero aiutare ad addestrare sistemi di dialogo, suggerisce Sutskever. Ciò darebbe ai bot che hanno intenzione di parlare agli esseri umani la possibilità di addestrarsi parlando a se stessi. E considerando che l’hardware specializzato per l’intelligenza artificiale sta diventando più veloce e più disponibile, gli ingegneri avranno un incentivo a mettere sempre più problemi in forma di giochi. “Penso che in futuro il self-play e altri modi di consumare una grande quantità di potenza di calcolo diventeranno sempre più importanti”, ha affermato Sutskever.

Ma se l’obiettivo finale è che le macchine possano fare ciò che fanno gli esseri umani, anche per un campione di gioco da tavolo generalista autodidatta come AlphaZero si apre una strada. “Secondo me, è necessario vedere che cosa è realmente un grande divario tra le attività reali del pensiero, l’esplorazione creativa delle idee e quello che attualmente vediamo nell’IA”, ha detto Josh Tenenbaum, scienziato cognitivo del Massachusetts Institute of Technology. “Quel tipo di intelligenza è lì, ma rimane per lo più nella mente dei grandi ricercatori di intelligenza artificiale”.

“Molti altri ricercatori, consapevoli del clamore che circonda il loro campo, mettono a disposizione le proprie competenze. “Farei attenzione a non sopravvalutare il significato di giocare a questi giochi, per l’intelligenza artificiale o per i lavori in generale. Gli esseri umani non sono molto bravi nei giochi”, ha detto François Chollet, che si occupa di ricerca nel campo del deep-learning per Google.

“Ma occorre tenere presente che strumenti molto semplici e specializzati possono effettivamente ottenere molto”, ha affermato.

(L’originale di questo articolo è stato pubblicato il 21 febbraio 2018 e aggiornato il 6 dicembre da QuantaMagazine.org


Licenza Creative Commons



Crediti e Fonti :

Detective presso Computer Crime Research Center. Investigazioni Roma. Ingegneria Elettronica e delle Telecomunicazioni Seminario Analisi del Crimine Violento Università di Roma

Fisica

Perché questo è il momento di andare su Marte

Una rassegna delle prossime avventure dirette verso il Pianeta rosso, in un video di Nature

Pubblicato

il

Saranno tre nei prossimi mesi le missioni dirette su Marte. Vedranno coinvolte Stati UnitiCina ed Emirati Arabi, saranno tutte caratterizzate dalla presenza di robot e mosse dalla curiosità di saperne di più sulla potenziale abitabilità pianeta rosso.

Gli Usa stanno per lanciare il loro quinto rover sviluppato ad hoc per Marte, Perseverance, che andrà a caccia di tracce di vita presente o remota tra le polveri e le rocce del pianeta. Gli scienziati cinesi sono invece alla loro prima volta con un rover marziano, mossi forse dal successo della loro ultima missione diretta sulla Luna. Gli Emirati Arabi, dal canto loro, si stanno preparando a sguinzagliare attorno a Marte un orbiter per investigarne l’atmosfera.

In questo video, diffuso da Nature, ecco le tre missioni in rassegna, e perché tutto questo sta succedendo proprio adesso.


Licenza Creative Commons



Crediti e Fonti :
Continua a leggere

Fisica

Una corsa allo spazio per superare i conflitti mediorientali

Il prossimo 14 luglio, gli Emirati Arabi Uniti si preparano a lanciare la missione al-Amal per l’osservazione di Marte: è una testimonianza significativa delle aspirazioni scientifiche ed economiche del paese e della possibilità di uno sviluppo di tutta l’area mediorientale svincolato dal petrolio e dalle armi

Pubblicato

il

La sonda al-Amal (© Government of Dubai Media Office)

Tra i molti sviluppi inaspettati del 2020, potrebbe essere rassicurante notare che il nostro universo talvolta funziona con un certo grado di prevedibilità. Molti eventi astronomici possono essere previsti con certezza matematica. All’incirca ogni due anni, la Terra e Marte, percorrendo le rispettive orbite intorno al Sole, raggiungono la distanza minima tra loro. Questa vicinanza orbitale offre una finestra per l’invio di veicoli spaziali sul nostro vicino.

Quest’estate ci offre una di queste opportunità per l’esplorazione marziana: per il 2020 sono in programma quattro missioni sul Pianeta Rosso. Rosalind Franklin, una missione congiunta europea e russa basata su rover, è stata rinviata al 2022 a causa delle interruzioni per la pandemia di COVID-19. La missione al-Amal (speranza, in italiano) degli Emirati Arabi Uniti è prevista per il 14 luglio 2020. È la prima impresa di questo genere in Medio Oriente e promuove le ambizioni di Emirati.

Il nome della sonda degli Emirati riflette le grandi aspirazioni scientifiche ed economiche del paese come potenza spaziale emergente. L’orbiter senza equipaggio osserverà l’atmosfera marziana, compresi eventi atmosferici come le tempeste di polvere, che caratterizzano in modo rilevante il clima dell’Arabia. Più in generale, la missione marziana degli Emirati mira a far progredire le capacità tecnologiche del Paese e a spingere i giovani degli Emirati a intraprendere carriere scientifiche e ingegneristiche.

In questo senso, l’impresa fa anche parte di una strategia a lungo termine perseguita dalle nazioni del Golfo per svincolarsi dal petrolio e dal gas e costruire un’economia basata sulla conoscenza.

Tali ambizioni tecnologiche sono inseparabili da quelle politiche. La spinta a creare un’economia della conoscenza non consiste solo nel diversificare le fonti di reddito dello stato. Ampliando le opportunità di occupazione, gli Emirati Arabi Uniti sperano di creare posti di lavoro per i giovani, le cui frustrazioni potrebbero altrimenti causare instabilità. Inoltre, i grandi progetti scientifici sono una dimostrazione simbolica di leadership e di soft power. Un paese capace di progetti spaziali complessi è un paese proiettato al futuro.
La sonda dovrebbe raggiungere Marte nel 2021. Questo coinciderà con il cinquantesimo anniversario della formazione degli Emirati Arabi Uniti.

Se la missione marziana al-Amal riguarda tanto il potere quanto la scienza, potrebbe esacerbare le rivalità esistenti in Medio Oriente? Una corsa allo spazio potrebbe portare le corse agli armamenti regionali a un nuovo livello? I canali satellitari come Al Jazeera del Qatar sono già stati coinvolti in aspre dispute e i lanciatori iraniani hanno sollevato preoccupazioni sul potenziale militare del paese. Altri veicoli spaziali, come razzi, missili e droni, potrebbero alimentare una miscela esplosiva?

La sonda degli Emirati non trasporta armi. Tuttavia, non è troppo eccessivo chiedersi se i paesi del Medio Oriente potrebbero seguire gli Stati Uniti nell’aggiungere forze spaziali alle loro agenzie governative. I sistemi dual use, come i razzi della corsa allo spazio della Guerra Fredda tra Stati Uniti e Unione Sovietica, possono servire a scopi sia pacifici sia bellici. Ugualmente, i satelliti per l’osservazione della Terra possono essere usati sia per il monitoraggio ambientale sia per lo spionaggio.

I conflitti futuri non farebbero che riprodurre le dinamiche già esistenti in Medio Oriente. Tuttavia, si spera che la missione marziana degli Emirati Arabi Uniti si discosti da questo cammino e contribuisca alla pace. Proprio come la maggior parte dei grandi progetti scientifici, essa dipende dallo scambio e dalla collaborazione internazionale.

Le istituzioni americane, come l’Università del Colorado a Boulder, sono state partner essenziali del Centro spaziale Mohammed Bin Rashid di Dubai nella costruzione della sonda. La Mitsubishi Heavy Industries si occuperà del lancio da un sito in Giappone. Non è molto diverso da quanto fatto dagli Stati Uniti, che si sono affidati ai razzi russi per il volo spaziale umano tra la fine del programma Space Shuttle nel 2011 e il volo SpaceX Demo-2 verso la Stazione Spaziale Internazionale di quest’anno. La cooperazione scientifica potrebbe non risolvere i conflitti, ma come minimo l’interdipendenza tecnologica potrebbe evitare che diventino troppo distruttivi.

I governi del Medio Oriente dovrebbero estendere ai loro vicini le collaborazioni esistenti in campo spaziale con paesi lontani dell’Asia o del Nord America. La regione ha molte altre risorse oltre al petrolio e al denaro. Nonostante le sanzioni, l’Iran ha accumulato un’esperienza impressionante in materia di veicoli di lancio. Il Qatar sa come gestire canali satellitari di grande successo. Israele ha alcune delle principali università e società tecnologiche del Medio Oriente. Anche lo Yemen, per quanto devastato dalla guerra, potrebbe contribuire con le sue montagne, fornendo siti di osservazione. Tutti i Paesi hanno popolazioni ricche di molto fantasiose e creative che vorrebbero trascendere i conflitti sul territorio o sulla religione. Una visione della Terra dallo spazio fa scomparire all’istante i confini nazionali e le mappe delle opposte fazioni.

Lo scambio, la cooperazione e la comprensione reciproca in campo spaziale non devono necessariamente partire da zero. Esistono già diversi forum che dovrebbero essere ulteriormente valorizzati. Da molti decenni l’Unione Astronomica Internazionale e la Federazione Astronautica Internazionale organizzano incontri. A livello regionale, l’Unione Araba per l’astronomia e le scienze spaziali e la Società Astronomica Araba fanno lo stesso. L’ingegnere iraniano-americano e astronauta Anousheh Ansari, simbolo vivente del superamento delle divisioni, ha sostenuto organizzazioni come Astronomi senza frontiere. Dovremmo seguire il suo esempio.

L’autore
Jörg Matthias Determann è professore associato di storia alla Virginia Commonwealth University, in Qatar. È anche redattore associato della Review of Middle East Studies. I suoi interessi si concentrano sulla storia della scienza e delle ricerche e sulla storia del mondo musulmano. Ha pubblicato tre libri: Historiography in Saudi Arabia: Globalization and the State in the Middle EastResearching Biology and Evolution in the Gulf States: Networks of Science in the Middle East, e Space Science and the Arab World: Astronauts, Observatories and Nationalism in the Middle East. Attualmente sta completando un quarto libro dal titolo Islam, Science Fiction and Extraterrestrial Life: The Culture of Astrobiology in the Muslim World. È possibile seguirlo su Twitter @JMDetermann.

(L’originale di questo articolo è stato pubblicato su “Nature Middle East” il 30 giugno 2020.)


Licenza Creative Commons



Crediti e Fonti :
Continua a leggere

Fisica

TikTok non piace ad Anonymous: «disinstallatela, è uno Spyware del Governo cinese»

Anonymous dichiara guerra a TikTok, riservandole alcune accuse estremamente gravi. Secondo il collettivo di hacker l’app sarebbe addirittura equiparabile ad uno Spyware “a servizio della Cina”.

Pubblicato

il

Quando si tratta di Anonymous è in realtà difficile parlare di un’organizzazione stabile e definita. Il fatto che sui social esistano più account, a rappresentanza di team di hacker diversi, che utilizzano questo nome non aiuta.

In questo caso le accuse contro TikTok, scrive Forbes, arrivano da uno degli account con il seguito più grande e che in passato aveva rivendicato più di qualche operazione di rilievo.

 

Cancellate TikTok immediatamente; se conoscete qualcuno che usa l’app spiegategli che è essenzialmente un malware gestito dal Governo cinese nell’ambito di una campagna di spionaggio di massa.

si legge in un tweet di YourAnonCentral.

Le gravi accuse del collettivo poggiano su un thread di Reddit diventato estremamente virale e dibattuto in questi giorni. Nel post sul forum un ingegnere sostiene di aver scoperto, grazie al reverse engineering, che TikTok violerebbero la privacy e la sicurezza degli utenti dell’app in modo sistematico.

Peraltro, scrive sempre Forbes, sembra che l’interesse di Anonymous nei confronti dell’app cinese nasca dopo che su questa erano apparsi diversi account di persone che si spacciavano per hacker del collettivo.

Anonymous non usa TikTok, è un’app creata come spyware dal Governo cinese.

si legge in un altro tweet del 6 giugno di YourAnonCentral.

Secondo il thread emerso su Reddit, TikTok otterebbe sistematicamente accesso ad un’ampia e rilevante quantità di informazioni, tra cui:

  • informazioni complete sull’hardware in uso: tipo di CPU, dimensioni schermo, dimensioni storage, dpi e numeri di serie di un gran numero di componenti. Informazioni che in gergo vengono chiamati “finger print” e sono utili per tracciare una persona online anche quando usa strumenti per mascherare il suo traffico.
  • Le altre app installate dall’utente, a quanto pare incluse quelle disinstallate nel tempo
  • IP, IP locale, Mac Address del dispositivo e del router, nome e modello del router.
  • Identifica se lo smartphone è stato sottoposto a rooting/jailbreak
  •   alcune “varianti dell’app” (sic) accederebbero ogni 30 secondi alla posizione GPS
  • l’ingegnere menziona anche l’installazione di proxy server sullo smartphone dell’utente ai fini del “transcoding dei media”

È bene capire che le accuse contenute nel thread di Reddit non sono verificate. L’azienda non ha rilasciato nessun commento a riguardo.

L’autore del post sostiene che scandagliare il codice di TikTok per capirne esattamente il funzionamento e i comportamenti sia tutto fuorché semplice, e che l’app prenderebbe delle misure piuttosto astute per occultare il suo comportamento quando rileva un tentativo di reverse engineering.

Tutti contro TikTok: 


Licenza Creative Commons



Crediti e Fonti :
Continua a leggere

Sezioni

SCIENZA

chi siamo

Dicono di noi

positive review  

Fabrice Fabbrì Léon Avatar Fabrice Fabbrì Léon
24 November 2017

Iscriviti alla Newsletter

Nasa Tv

ISS

Archive Calendar

Lun Mar Mer Gio Ven Sab Dom
 123456
78910111213
14151617181920
21222324252627
282930  

Condividi anche su:

 

 

 

 

I più letti

Bambini di Satana: associazione razionalista di insegnamento senza scopo di lucro. © Copyright 2020 website designed by Marco Dimitri