« La guerre moderne ne peut être gagnée sans artifices logiciels », d’après un responsable de Palantir. La sortie intervient dans un contexte de course à l’armement piloté par l’intelligence artificielle. Tous les pays sont lancés dans le développement d’armes animées par des intelligences artificielles. L’on assiste en parallèle à des protestations contre l’utilisation de l’intelligence artificielle sur les champs de bataille.L’intelligence artificielle est considérée comme la clé d’un futur dans lequel chaque nation se voit comme dominatrice sur les autres. Vladimir Poutine l’a souligné sans détour : « L’intelligence artificielle est le futur, pas seulement pour la Russie, mais pour toute l’humanité. Avec elle, arrivent d’énormes opportunités, mais également des menaces qu’il est difficile de prédire. Celui qui réussira à s’imposer comme leader dans cette sphère sera le maître du monde. » C’est de maîtrise du monde dont il est question et elle passe par l’intelligence artificielle.
Palantir a déjà fait la démonstration d'une intelligence artificielle capable de faire la guerre en élaborant des stratégies de défense et d'attaque.@PalantirTech EVP: "Modern war cannot be won without software"
— CTech (@Calcalistech) December 11, 2024
Noam Perski was speaking at the inaugural DefenseTech Summit in Tel Aviv. For the first time in Israel, a two-day summit was hosted celebrating all things cyber, digital, and war.https://t.co/b4AoMLPN7u
Palantir est un éditeur de logiciels spécialisé dans l'analyse, l'intégration et la présentation de grandes quantités de données pour divers secteurs tels que la finance, la santé et le gouvernement. L'entreprise vend déjà ses services de surveillance intérieure aux services de l'immigration et des douanes des États-Unis. Elle a déjà publié une vidéo de démonstration de sa dernière offre, la Palantir Artificial Intelligence Platform (AIP). C'est une plateforme conçue pour intégrer de grands modèles de langage comme GPT-4 d'OpenAI ou BERT de Google dans des réseaux privés.
Dans une vidéo de démonstration, un opérateur militaire chargé de la surveillance du théâtre d'Europe de l'Est découvre que des forces ennemies se massent près de la frontière et réagit en demandant à un assistant numérique de type ChatGPT de l'aider à déployer des drones de reconnaissance, à élaborer des réponses tactiques à l'agression perçue et même à organiser le brouillage des communications de l'ennemi.
L'AIP aide à estimer la composition et les capacités de l'ennemi en lançant un drone Reaper en mission de reconnaissance en réponse à la demande de l'opérateur qui souhaite obtenir de meilleures images, et en suggérant des réponses appropriées à la découverte d'un élément blindé. « Il demande quelles sont les unités ennemies présentes dans la région et s'appuie sur l'IA pour élaborer une formation d'unités probable. Il demande à l'IA de prendre des photos. Elle lance un drone Reaper MQ-9 pour prendre les photos et l'opérateur découvre la présence d'un char T-80, un véhicule russe de l'ère soviétique, à proximité des forces amies », explique la vidéo.
L'opérateur demande alors aux robots ce qu'ils doivent faire. « L'opérateur utilise l'AIP pour générer trois plans d'action possibles afin de cibler l'équipement ennemi. Il utilise ensuite l'AIP pour envoyer automatiquement ces options à la chaîne de commandement. Les options comprennent l'attaque du char avec un F-16, de l'artillerie à longue portée ou des missiles Javelin », explique la vidéo. Selon les commentaires de la vidéo, l'IA indiquera même à chacun si les troupes à proximité disposent de suffisamment de Javelins pour mener à bien la mission et automatisera les systèmes de brouillage. De nombreux critiques affirment que l'idée est dangereuse.
« Les LLM et les algorithmes doivent être contrôlés dans ce contexte hautement réglementé et sensible afin de garantir qu'ils sont utilisés de manière légale et éthique », commence la vidéo. Pour ce faire, le fonctionnement de l'AIP repose sur trois "piliers clés", le premier étant que l'AIP se déploiera dans un système classifié, capable d'analyser en temps réel des données classifiées et non classifiées, de manière éthique et légale. Toutefois, l'entreprise n'a pas précisé comment cela fonctionnerait. Le deuxième pilier évoqué par la vidéo est que les utilisateurs seront en mesure de modifier la portée et les actions de chaque LLM et de chaque actif du réseau.
La vidéo de la démo indique que l'AIP lui-même générera un enregistrement numérique sécurisé de l'ensemble de l'opération. Selon l'entreprise, "cela est crucial pour atténuer les risques juridiques, réglementaires et éthiques importants dans les environnements sensibles et classifiés". Le troisième pilier est constitué par les "garde-fous" de l'AIP, à la pointe de l'industrie, qui empêchent le système de prendre des mesures non autorisées. Il y a "un humain dans la boucle" pour empêcher de telles actions dans le scénario de Palantir. En outre, la démo ne précise pas les mesures prises pour empêcher les LLM sur lesquels le système s'appuie d'halluciner.
La course à l’armement piloté par l’intelligence artificielle est bel et bien effective à l’échelle mondiale
L'armée chinoise a dévoilé un nouveau type de compagnon de combat pour ses soldats : un robot-chien avec une mitrailleuse attachée à son dos. Dans une vidéo diffusée par l'agence de presse gouvernementale CCTV, on voit des membres des militaires chinois opérer sur un champ de tir aux côtés d'un robot à quatre pattes sur lequel est monté ce qui semble être une variante du fusil d'assaut QBZ-95 de 5,8 x 42 mm, dans le cadre des récents exercices militaires conjoints Golden Dragon 24 menés par la Chine et le Cambodge dans le golfe de Thaïlande.
Ces robots s’appuient à la base sur des applications de détection et suivi d’objets. Dans ce cas, il y a au préalable collecte des images provenant de caméras avant puis détection d’objet sur une classe spécifiée. Cette détection utilise Tensorflow via le tensorflow_object_detector. Le robot accepte n'importe quel modèle Tensorflow et permet au développeur de spécifier un sous-ensemble de classes de détection incluses dans le modèle. Il effectue cet ensemble d'opérations pour un nombre prédéfini d'itérations, en bloquant pendant une durée prédéfinie entre chaque itération. L'application détermine ensuite l'emplacement de la détection la plus fiable de la classe spécifiée et se dirige vers l'objet.
L’application est organisée en trois ensembles de processus Python communiquant avec le robot Spot. Le diagramme des processus est illustré ci-dessous. Le processus principal communique avec le robot Spot via GRPC et reçoit constamment des images. Ces images sont poussées dans la RAW_IMAGES_QUEUE et lues par les processus Tensorflow. Ces processus détectent des objets dans les images et poussent l'emplacement dans PROCESSED_BOXES_QUEUE. Le thread principal détermine alors l'emplacement de l'objet et envoie des commandes au robot pour qu'il se dirige vers l'objet.
| Code : | Sélectionner tout |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 | # Copyright (c) 2023 Boston Dynamics, Inc. All rights reserved. # # Downloading, reproducing, distributing or otherwise using the SDK Software # is subject to the terms and conditions of the Boston Dynamics Software # Development Kit License (20191101-BDSDK-SL). """Tutorial to show how to use the Boston Dynamics API to detect and follow an object""" import argparse import io import json import math import os import signal import sys import time from multiprocessing import Barrier, Process, Queue, Value from queue import Empty, Full from threading import BrokenBarrierError, Thread import cv2 import numpy as np from PIL import Image from scipy import ndimage from tensorflow_object_detection import DetectorAPI import bosdyn.client import bosdyn.client.util from bosdyn import geometry from bosdyn.api import geometry_pb2 as geo from bosdyn.api import image_pb2, trajectory_pb2 from bosdyn.api.image_pb2 import ImageSource from bosdyn.api.spot import robot_command_pb2 as spot_command_pb2 from bosdyn.client.async_tasks import AsyncPeriodicQuery, AsyncTasks from bosdyn.client.frame_helpers import (GROUND_PLANE_FRAME_NAME, VISION_FRAME_NAME, get_a_tform_b, get_vision_tform_body) from bosdyn.client.image import ImageClient from bosdyn.client.lease import LeaseClient, LeaseKeepAlive from bosdyn.client.math_helpers import Quat, SE3Pose from bosdyn.client.robot_command import (CommandFailedError, CommandTimedOutError, RobotCommandBuilder, RobotCommandClient, blocking_stand) from bosdyn.client.robot_state import RobotStateClient LOGGER = bosdyn.client.util.get_logger() SHUTDOWN_FLAG = Value('i', 0) # Don't let the queues get too backed up QUEUE_MAXSIZE = 10 # This is a multiprocessing.Queue for communication between the main process and the # Tensorflow processes. # Entries in this queue are in the format: # { # 'source': Name of the camera, # 'world_tform_cam': transform from VO to camera, # 'world_tform_gpe': transform from VO to ground plane, # 'raw_image_time': Time when the image was collected, # 'cv_image': The decoded image, # 'visual_dims': (cols, rows), # 'depth_image': depth image proto, # 'system_cap_time': Time when the image was received by the main process, # 'image_queued_time': Time when the image was done preprocessing and queued # } RAW_IMAGES_QUEUE = Queue(QUEUE_MAXSIZE) # This is a multiprocessing.Queue for communication between the Tensorflow processes and # the bbox print process. This is meant for running in a containerized environment with no access # to an X display # Entries in this queue have the following fields in addition to those in : # { # 'processed_image_start_time': Time when the image was received by the TF process, # 'processed_image_end_time': Time when the image was processing for bounding boxes # 'boxes': list of detected bounding boxes for the processed image # 'classes': classes of objects, # 'scores': confidence scores, # } PROCESSED_BOXES_QUEUE = Queue(QUEUE_MAXSIZE) # Barrier for waiting on Tensorflow processes to start, initialized in main() TENSORFLOW_PROCESS_BARRIER = None COCO_CLASS_DICT = { 1: 'person', 2: 'bicycle', 3: 'car', 4: 'motorcycle', 5: 'airplane', 6: 'bus', 7: 'train', 8: 'truck', 9: 'boat', 10: 'trafficlight', 11: 'firehydrant', 13: 'stopsign', 14: 'parkingmeter', 15: 'bench', 16: 'bird', 17: 'cat', 18: 'dog', 19: 'horse', 20: 'sheep', 21: 'cow', 22: 'elephant', 23: 'bear', 24: 'zebra', 25: 'giraffe', 27: 'backpack', 28: 'umbrella', 31: 'handbag', 32: 'tie', 33: 'suitcase', 34: 'frisbee', 35: 'skis', 36: 'snowboard', 37: 'sportsball', 38: 'kite', 39: 'baseballbat', 40: 'baseballglove', 41: 'skateboard', 42: 'surfboard', 43: 'tennisracket', 44: 'bottle', 46: 'wineglass', 47: 'cup', 48: 'fork', 49: 'knife', 50: 'spoon', 51: 'bowl', 52: 'banana', 53: 'apple', 54: 'sandwich', 55: 'orange', 56: 'broccoli', 57: 'carrot', 58: 'hotdog', 59: 'pizza', 60: 'donut', 61: 'cake', 62: 'chair', 63: 'couch', 64: 'pottedplant', 65: 'bed', 67: 'diningtable', 70: 'toilet', 72: 'tv', 73: 'laptop', 74: 'mouse', 75: 'remote', 76: 'keyboard', 77: 'cellphone', 78: 'microwave', 79: 'oven', 80: 'toaster', 81: 'sink', 82: 'refrigerator', 84: 'book', 85: 'clock', 86: 'vase', 87: 'scissors', 88: 'teddybear', 89: 'hairdrier', 90: 'toothbrush' } # Mapping from visual to depth data VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE = { 'frontleft_fisheye_image': 'frontleft_depth_in_visual_frame', 'frontright_fisheye_image': 'frontright_depth_in_visual_frame' } ROTATION_ANGLES = { 'back_fisheye_image': 0, 'frontleft_fisheye_image': -78, 'frontright_fisheye_image': -102, 'left_fisheye_image': 0, 'right_fisheye_image': 180 } def _update_thread(async_task): while True: async_task.update() time.sleep(0.01) class AsyncImage(AsyncPeriodicQuery): """Grab image.""" def __init__(self, image_client, image_sources): # Period is set to be about 15 FPS super(AsyncImage, self).__init__('images', image_client, LOGGER, period_sec=0.067) self.image_sources = image_sources def _start_query(self): return self._client.get_image_from_sources_async(self.image_sources) class AsyncRobotState(AsyncPeriodicQuery): """Grab robot state.""" def __init__(self, robot_state_client): # period is set to be about the same rate as detections on the CORE AI super(AsyncRobotState, self).__init__('robot_state', robot_state_client, LOGGER, period_sec=0.02) def _start_query(self): return self._client.get_robot_state_async() def get_source_list(image_client): """Gets a list of image sources and filters based on config dictionary Args: image_client: Instantiated image client """ # We are using only the visual images with their corresponding depth sensors sources = image_client.list_image_sources() source_list = [] for source in sources: if source.image_type == ImageSource.IMAGE_TYPE_VISUAL: # only append if sensor has corresponding depth sensor if source.name in VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE: source_list.append(source.name) source_list.append(VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source.name]) return source_list def capture_images(image_task, sleep_between_capture): """ Captures images and places them on the queue Args: image_task (AsyncImage): Async task that provides the images response to use sleep_between_capture (float): Time to sleep between each image capture """ while not SHUTDOWN_FLAG.value: get_im_resp = image_task.proto start_time = time.time() if not get_im_resp: continue depth_responses = { img.source.name: img for img in get_im_resp if img.source.image_type == ImageSource.IMAGE_TYPE_DEPTH } entry = {} for im_resp in get_im_resp: if im_resp.source.image_type == ImageSource.IMAGE_TYPE_VISUAL: source = im_resp.source.name depth_source = VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source] depth_image = depth_responses[depth_source] acquisition_time = im_resp.shot.acquisition_time image_time = acquisition_time.seconds + acquisition_time.nanos * 1e-9 try: image = Image.open(io.BytesIO(im_resp.shot.image.data)) source = im_resp.source.name image = ndimage.rotate(image, ROTATION_ANGLES[source]) if im_resp.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_GREYSCALE_U8: image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB) # Converted to RGB for TF tform_snapshot = im_resp.shot.transforms_snapshot frame_name = im_resp.shot.frame_name_image_sensor world_tform_cam = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME, frame_name) world_tform_gpe = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME, GROUND_PLANE_FRAME_NAME) entry[source] = { 'source': source, 'world_tform_cam': world_tform_cam, 'world_tform_gpe': world_tform_gpe, 'raw_image_time': image_time, 'cv_image': image, 'visual_dims': (im_resp.shot.image.cols, im_resp.shot.image.rows), 'depth_image': depth_image, 'system_cap_time': start_time, 'image_queued_time': time.time() } except Exception as exc: # pylint: disable=broad-except print(f'Exception occurred during image capture {exc}') try: RAW_IMAGES_QUEUE.put_nowait(entry) except Full as exc: print(f'RAW_IMAGES_QUEUE is full: {exc}') time.sleep(sleep_between_capture) def start_tensorflow_processes(num_processes, model_path, detection_class, detection_threshold, max_processing_delay): """Starts Tensorflow processes in parallel. It does not keep track of the processes once they are started because they run indefinitely and are never joined back to the main process. Args: num_processes (int): Number of Tensorflow processes to start in parallel. model_path (str): Filepath to the Tensorflow model to use. detection_class (int): Detection class to detect detection_threshold (float): Detection threshold to apply to all Tensorflow detections. max_processing_delay (float): Allowed delay before processing an incoming image. """ processes = [] for _ in range(num_processes): process = Process( target=process_images, args=( model_path, detection_class, detection_threshold, max_processing_delay, ), daemon=True) process.start() processes.append(process) return processes def process_images(model_path, detection_class, detection_threshold, max_processing_delay): """Starts Tensorflow and detects objects in the incoming images. Args: model_path (str): Filepath to the Tensorflow model to use. detection_class (int): Detection class to detect detection_threshold (float): Detection threshold to apply to all Tensorflow detections. max_processing_delay (float): Allowed delay before processing an incoming image. """ odapi = DetectorAPI(path_to_ckpt=model_path) num_processed_skips = 0 if TENSORFLOW_PROCESS_BARRIER is None: return try: TENSORFLOW_PROCESS_BARRIER.wait() except BrokenBarrierError as exc: print(f'Error waiting for Tensorflow processes to initialize: {exc}') return False while not SHUTDOWN_FLAG.value: try: entry = RAW_IMAGES_QUEUE.get_nowait() except Empty: time.sleep(0.1) continue for _, capture in entry.items(): start_time = time.time() processing_delay = time.time() - capture['raw_image_time'] if processing_delay > max_processing_delay: num_processed_skips += 1 print(f'skipped image because it took {processing_delay}') continue # Skip image due to delay image = capture['cv_image'] boxes, scores, classes, _ = odapi.process_frame(image) confident_boxes = [] confident_object_classes = [] confident_scores = [] if len(boxes) == 0: print('no detections founds') continue for box, score, box_class in sorted(zip(boxes, scores, classes), key=lambda x: x[1], reverse=True): if score > detection_threshold and box_class == detection_class: confident_boxes.append(box) confident_object_classes.append(COCO_CLASS_DICT[box_class]) confident_scores.append(score) image = cv2.rectangle(image, (box[1], box[0]), (box[3], box[2]), (255, 0, 0), 2) capture['processed_image_start_time'] = start_time capture['processed_image_end_time'] = time.time() capture['boxes'] = confident_boxes capture['classes'] = confident_object_classes capture['scores'] = confident_scores capture['cv_image'] = image try: PROCESSED_BOXES_QUEUE.put_nowait(entry) except Full as exc: print(f'PROCESSED_BOXES_QUEUE is full: {exc}') print('tf process ending') return True def get_go_to(world_tform_object, robot_state, mobility_params, dist_margin=0.5): """Gets trajectory command to a goal location Args: world_tform_object (SE3Pose): Transform from vision frame to target object robot_state (RobotState): Current robot state mobility_params (MobilityParams): Mobility parameters dist_margin (float): Distance margin to target """ vo_tform_robot = get_vision_tform_body(robot_state.kinematic_state.transforms_snapshot) print(f'robot pos: {vo_tform_robot}') delta_ewrt_vo = np.array( [world_tform_object.x - vo_tform_robot.x, world_tform_object.y - vo_tform_robot.y, 0]) norm = np.linalg.norm(delta_ewrt_vo) if norm == 0: return None delta_ewrt_vo_norm = delta_ewrt_vo / norm heading = _get_heading(delta_ewrt_vo_norm) vo_tform_goal = np.array([ world_tform_object.x - delta_ewrt_vo_norm[0] * dist_margin, world_tform_object.y - delta_ewrt_vo_norm[1] * dist_margin ]) se2_pose = geo.SE2Pose(position=geo.Vec2(x=vo_tform_goal[0], y=vo_tform_goal[1]), angle=heading) tag_cmd = RobotCommandBuilder.synchro_se2_trajectory_command(se2_pose, frame_name=VISION_FRAME_NAME, params=mobility_params) return tag_cmd def _get_heading(xhat): zhat = [0.0, 0.0, 1.0] yhat = np.cross(zhat, xhat) mat = np.array([xhat, yhat, zhat]).transpose() return Quat.from_matrix(mat).to_yaw() def set_default_body_control(): """Set default body control params to current body position""" footprint_R_body = geometry.EulerZXY() position = geo.Vec3(x=0.0, y=0.0, z=0.0) rotation = footprint_R_body.to_quaternion() pose = geo.SE3Pose(position=position, rotation=rotation) point = trajectory_pb2.SE3TrajectoryPoint(pose=pose) traj = trajectory_pb2.SE3Trajectory(points=[point]) return spot_command_pb2.BodyControlParams(base_offset_rt_footprint=traj) def get_mobility_params(): """Gets mobility parameters for following""" vel_desired = .75 speed_limit = geo.SE2VelocityLimit( max_vel=geo.SE2Velocity(linear=geo.Vec2(x=vel_desired, y=vel_desired), angular=.25)) body_control = set_default_body_control() mobility_params = spot_command_pb2.MobilityParams(vel_limit=speed_limit, obstacle_params=None, body_control=body_control, locomotion_hint=spot_command_pb2.HINT_TROT) return mobility_params def depth_to_xyz(depth, pixel_x, pixel_y, focal_length, principal_point): """Calculate the transform to point in image using camera intrinsics and depth""" x = depth * (pixel_x - principal_point.x) / focal_length.x y = depth * (pixel_y - principal_point.y) / focal_length.y z = depth return x, y, z def remove_ground_from_depth_image(raw_depth_image, focal_length, principal_point, world_tform_cam, world_tform_gpe, ground_tolerance=0.04): """ Simple ground plane removal algorithm. Uses ground height and does simple z distance filtering. Args: raw_depth_image (np.array): Depth image focal_length (Vec2): Focal length of camera that produced the depth image principal_point (Vec2): Principal point of camera that produced the depth image world_tform_cam (SE3Pose): Transform from VO to camera frame world_tform_gpe (SE3Pose): Transform from VO to GPE frame ground_tolerance (float): Distance in meters to add to the ground plane """ new_depth_image = raw_depth_image # same functions as depth_to_xyz, but converted to np functions indices = np.indices(raw_depth_image.shape) xs = raw_depth_image * (indices[1] - principal_point.x) / focal_length.x ys = raw_depth_image * (indices[0] - principal_point.y) / focal_length.y zs = raw_depth_image # create xyz point cloud camera_tform_points = np.stack([xs, ys, zs], axis=2) # points in VO frame world_tform_points = world_tform_cam.transform_cloud(camera_tform_points) # array of booleans where True means the point was below the ground plane plus tolerance world_tform_points_mask = (world_tform_gpe.z - world_tform_points[:, :, 2]) < ground_tolerance # remove data below ground plane new_depth_image[world_tform_points_mask] = 0 return new_depth_image def get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max, depth_scale, raw_depth_image, histogram_bin_size=0.50, minimum_number_of_points=10, max_distance=8.0): """Make a histogram of distances to points in the cloud and take the closest distance with enough points. Args: x_min (int): minimum x coordinate (column) of object to find x_max (int): maximum x coordinate (column) of object to find y_min (int): minimum y coordinate (row) of object to find y_max (int): maximum y coordinate (row) of object to find depth_scale (float): depth scale of the image to convert from sensor value to meters raw_depth_image (np.array): matrix of depth pixels histogram_bin_size (float): size of each bin of distances minimum_number_of_points (int): minimum number of points before returning depth max_distance (float): maximum distance to object in meters """ num_bins = math.ceil(max_distance / histogram_bin_size) # get a sub-rectangle of the bounding box out of the whole image, then flatten obj_depths = (raw_depth_image[y_min:y_max, x_min:x_max]).flatten() obj_depths = obj_depths / depth_scale obj_depths = obj_depths[obj_depths != 0] hist, hist_edges = np.histogram(obj_depths, bins=num_bins, range=(0, max_distance)) edges_zipped = zip(hist_edges[:-1], hist_edges[1:]) # Iterate over the histogram and return the first distance with enough points. for entry, edges in zip(hist, edges_zipped): if entry > minimum_number_of_points: filtered_depths = obj_depths[(obj_depths > edges[0]) & (obj_depths < edges[1])] if len(filtered_depths) == 0: continue return np.mean(filtered_depths) return max_distance def rotate_about_origin_degrees(origin, point, angle): """ Rotate a point counterclockwise by a given angle around a given origin. Args: origin (tuple): Origin to rotate the point around point (tuple): Point to rotate angle (float): Angle in degrees """ return rotate_about_origin(origin, point, math.radians(angle)) def rotate_about_origin(origin, point, angle): """ Rotate a point counterclockwise by a given angle around a given origin. Args: origin (tuple): Origin to rotate the point around point (tuple): Point to rotate angle (float): Angle in radians """ orig_x, orig_y = origin pnt_x, pnt_y = point ret_x = orig_x + math.cos(angle) * (pnt_x - orig_x) - math.sin(angle) * (pnt_y - orig_y) ret_y = orig_y + math.sin(angle) * (pnt_x - orig_x) + math.cos(angle) * (pnt_y - orig_y) return int(ret_x), int(ret_y) def get_object_position(world_tform_cam, world_tform_gpe, visual_dims, depth_image, bounding_box, rotation_angle): """ Extract the bounding box, then find the mode in that region. Args: world_tform_cam (SE3Pose): SE3 transform from world to camera frame visual_dims (Tuple): (cols, rows) tuple from the visual image depth_image (ImageResponse): From a depth camera corresponding to the visual_image bounding_box (list): Bounding box from tensorflow rotation_angle (float): Angle (in degrees) to rotate depth image to match cam image rotation """ # Make sure there are two images. if visual_dims is None or depth_image is None: # Fail. return # Rotate bounding box back to original frame points = [(bounding_box[1], bounding_box[0]), (bounding_box[3], bounding_box[0]), (bounding_box[3], bounding_box[2]), (bounding_box[1], bounding_box[2])] origin = (visual_dims[0] / 2, visual_dims[1] / 2) points_rot = [rotate_about_origin_degrees(origin, point, rotation_angle) for point in points] # Get the bounding box corners. y_min = max(0, min([point[1] for point in points_rot])) x_min = max(0, min([point[0] for point in points_rot])) y_max = min(visual_dims[1], max([point[1] for point in points_rot])) x_max = min(visual_dims[0], max([point[0] for point in points_rot])) # Check that the bounding box is valid. if (x_min < 0 or y_min < 0 or x_max > visual_dims[0] or y_max > visual_dims[1]): print(f'Bounding box is invalid: ({x_min}, {y_min}) | ({x_max}, {y_max})') print(f'Bounds: ({visual_dims[0]}, {visual_dims[1]})') return # Unpack the images. try: if depth_image.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_DEPTH_U16: dtype = np.uint16 else: dtype = np.uint8 img = np.fromstring(depth_image.shot.image.data, dtype=dtype) if depth_image.shot.image.format == image_pb2.Image.FORMAT_RAW: img = img.reshape(depth_image.shot.image.rows, depth_image.shot.image.cols) else: img = cv2.imdecode(img, -1) depth_image_pixels = img depth_image_pixels = remove_ground_from_depth_image( depth_image_pixels, depth_image.source.pinhole.intrinsics.focal_length, depth_image.source.pinhole.intrinsics.principal_point, world_tform_cam, world_tform_gpe) # Get the depth data from the region in the bounding box. max_distance = 8.0 depth = get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max, depth_image.source.depth_scale, depth_image_pixels, max_distance=max_distance) if depth >= max_distance: # Not enough depth data. print('Not enough depth data.') return False else: print(f'distance to object: {depth}') center_x = round((x_max - x_min) / 2.0 + x_min) center_y = round((y_max - y_min) / 2.0 + y_min) tform_x, tform_y, tform_z = depth_to_xyz( depth, center_x, center_y, depth_image.source.pinhole.intrinsics.focal_length, depth_image.source.pinhole.intrinsics.principal_point) camera_tform_obj = SE3Pose(tform_x, tform_y, tform_z, Quat()) return world_tform_cam * camera_tform_obj except Exception as exc: # pylint: disable=broad-except print(f'Error getting object position: {exc}') return def _check_model_path(model_path): if model_path is None or \ not os.path.exists(model_path) or \ not os.path.isfile(model_path): print(f'ERROR, could not find model file {model_path}') return False return True def _check_and_load_json_classes(config_path): if os.path.isfile(config_path): with open(config_path) as json_classes: global COCO_CLASS_DICT # pylint: disable=global-statement COCO_CLASS_DICT = json.load(json_classes) def _find_highest_conf_source(processed_boxes_entry): highest_conf_source = None max_score = 0 for key, capture in processed_boxes_entry.items(): if 'scores' in capture.keys(): if len(capture['scores']) > 0 and capture['scores'][0] > max_score: highest_conf_source = key max_score = capture['scores'][0] return highest_conf_source def signal_handler(signal, frame): print('Interrupt caught, shutting down') SHUTDOWN_FLAG.value = 1 def main(): """Command line interface.""" parser = argparse.ArgumentParser() parser.add_argument( '--model-path', default='/model.pb', help= ('Local file path to the Tensorflow model, example pre-trained models can be found at ' 'https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md' )) parser.add_argument('--classes', default='/classes.json', type=str, help='File containing json mapping of object class IDs to class names') parser.add_argument('--number-tensorflow-processes', default=1, type=int, help='Number of Tensorflow processes to run in parallel') parser.add_argument('--detection-threshold', default=0.7, type=float, help='Detection threshold to use for Tensorflow detections') parser.add_argument( '--sleep-between-capture', default=0.2, type=float, help=('Seconds to sleep between each image capture loop iteration, which captures ' 'an image from all cameras')) parser.add_argument( '--detection-class', default=1, type=int, help=('Detection classes to use in the Tensorflow model.' 'Default is to use 1, which is a person in the Coco dataset')) parser.add_argument( '--max-processing-delay', default=7.0, type=float, help=('Maximum allowed delay for processing an image. ' 'Any image older than this value will be skipped')) parser.add_argument('--test-mode', action='store_true', help='Run application in test mode, don\'t execute commands') bosdyn.client.util.add_base_arguments(parser) bosdyn.client.util.add_payload_credentials_arguments(parser) options = parser.parse_args() signal.signal(signal.SIGINT, signal_handler) try: # Make sure the model path is a valid file if not _check_model_path(options.model_path): return False # Check for classes json file, otherwise use the COCO class dictionary _check_and_load_json_classes(options.classes) global TENSORFLOW_PROCESS_BARRIER # pylint: disable=global-statement TENSORFLOW_PROCESS_BARRIER = Barrier(options.number_tensorflow_processes + 1) # Start Tensorflow processes tf_processes = start_tensorflow_processes(options.number_tensorflow_processes, options.model_path, options.detection_class, options.detection_threshold, options.max_processing_delay) # sleep to give the Tensorflow processes time to initialize try: TENSORFLOW_PROCESS_BARRIER.wait() except BrokenBarrierError as exc: print(f'Error waiting for Tensorflow processes to initialize: {exc}') return False # Start the API related things # Create robot object with a world object client sdk = bosdyn.client.create_standard_sdk('SpotFollowClient') robot = sdk.create_robot(options.hostname) if options.payload_credentials_file: robot.authenticate_from_payload_credentials( *bosdyn.client.util.get_guid_and_secret(options)) else: bosdyn.client.util.authenticate(robot) # Time sync is necessary so that time-based filter requests can be converted robot.time_sync.wait_for_sync() # Verify the robot is not estopped and that an external application has registered and holds # an estop endpoint. assert not robot.is_estopped(), 'Robot is estopped. Please use an external E-Stop client,' \ ' such as the estop SDK example, to configure E-Stop.' # Create the sdk clients robot_state_client = robot.ensure_client(RobotStateClient.default_service_name) robot_command_client = robot.ensure_client(RobotCommandClient.default_service_name) lease_client = robot.ensure_client(LeaseClient.default_service_name) image_client = robot.ensure_client(ImageClient.default_service_name) source_list = get_source_list(image_client) image_task = AsyncImage(image_client, source_list) robot_state_task = AsyncRobotState(robot_state_client) task_list = [image_task, robot_state_task] _async_tasks = AsyncTasks(task_list) print('Detect and follow client connected.') lease = lease_client.take() lease_keep = LeaseKeepAlive(lease_client) # Power on the robot and stand it up resp = robot.power_on() try: blocking_stand(robot_command_client) except CommandFailedError as exc: print(f'Error ({exc}) occurred while trying to stand. Check robot surroundings.') return False except CommandTimedOutError as exc: print(f'Stand command timed out: {exc}') return False print('Robot powered on and standing.') params_set = get_mobility_params() # This thread starts the async tasks for image and robot state retrieval update_thread = Thread(target=_update_thread, args=[_async_tasks]) update_thread.daemon = True update_thread.start() # Wait for the first responses. while any(task.proto is None for task in task_list): time.sleep(0.1) # Start image capture process image_capture_thread = Process(target=capture_images, args=(image_task, options.sleep_between_capture), daemon=True) image_capture_thread.start() while not SHUTDOWN_FLAG.value: # This comes from the tensorflow processes and limits the rate of this loop try: entry = PROCESSED_BOXES_QUEUE.get_nowait() except Empty: continue # find the highest confidence bounding box highest_conf_source = _find_highest_conf_source(entry) if highest_conf_source is None: # no boxes or scores found continue capture_to_use = entry[highest_conf_source] raw_time = capture_to_use['raw_image_time'] time_gap = time.time() - raw_time if time_gap > options.max_processing_delay: continue # Skip image due to delay # Find the transform to the highest confidence object using the depth sensor get_object_position_start = time.time() robot_state = robot_state_task.proto world_tform_gpe = get_a_tform_b(robot_state.kinematic_state.transforms_snapshot, VISION_FRAME_NAME, GROUND_PLANE_FRAME_NAME) world_tform_object = get_object_position( capture_to_use['world_tform_cam'], world_tform_gpe, capture_to_use['visual_dims'], capture_to_use['depth_image'], capture_to_use['boxes'][0], ROTATION_ANGLES[capture_to_use['source']]) get_object_position_end = time.time() print(f'system_cap_time: {capture_to_use["system_cap_time"]}, ' f'image_queued_time: {capture_to_use["image_queued_time"]}, ' f'processed_image_start_time: {capture_to_use["processed_image_start_time"]}, ' f'processed_image_end_time: {capture_to_use["processed_image_end_time"]}, ' f'get_object_position_start_time: {get_object_position_start}, ' f'get_object_position_end_time: {get_object_position_end}, ') # get_object_position can fail if there is insufficient depth sensor information if not world_tform_object: continue scores = capture_to_use['scores'] print(f'Position of object with confidence {scores[0]}: {world_tform_object}') print(f'Process latency: {time.time() - capture_to_use["system_cap_time"]}') tag_cmd = get_go_to(world_tform_object, robot_state, params_set) end_time = 15.0 if tag_cmd is not None: if not options.test_mode: print('executing command') robot_command_client.robot_command(lease=None, command=tag_cmd, end_time_secs=time.time() + end_time) else: print('Running in test mode, skipping command.') # Shutdown lease keep-alive and return lease gracefully. lease_keep.shutdown() lease_client.return_lease(lease) return True except Exception as exc: # pylint: disable=broad-except LOGGER.error('Spot Tensorflow Detector threw an exception: %s', exc) # Shutdown lease keep-alive and return lease gracefully. return False if __name__ == '__main__': if not main(): sys.exit(1) |
L'année dernière, le Pentagone a expérimenté l'équipement de robots terrestres quadrupèdes avec sa carabine standard M4A1 de 5,56 x 45 mm, le fusil XM7 de 6,8 mm que l'armée américaine est en train d'adopter dans le cadre de son programme « Next Generation Squad Weapon », et même l'arme antichar légère M72 qui est en service au sein des troupes américaines depuis la guerre du Vietnam. Quelques semaines avant que CCTV ne publie ses images de chiens robots armés en action, le Marine Corps Special Operations Command (MARSOC) a révélé qu'il expérimentait l'ajout à ses propres chiens mécanisés de systèmes d'armes montés basés sur le système d'armes à distance SENTRY de l'entreprise de défense Onyx, basé sur l'intelligence artificielle.🇨🇳 PLA showcased two robot dogs — including one with a QBZ-95 assault rifle mounted on its back — during the 15-day China-Cambodia Golden Dragon 2024 joint military exercises that began on May 16. pic.twitter.com/b75K26BWzo
— Byron Wan (@Byron_Wan) May 27, 2024
Les responsables américains de la défense se sont empressés de souligner que le développement de robots-chiens armés était, à ce stade, purement expérimental, destiné à aider les planificateurs militaires à explorer le domaine du possible en ce qui concerne les applications potentielles de systèmes robotiques révolutionnaires dans un futur conflit, comme l'a déclaré un responsable de l'armée en août dernier. Mais comme les soldats de l'armée de terre effectuent des exercices d'assaut urbain avec des robots-chiens et que le corps des Marines envisage de plus en plus d'utiliser des quadrupèdes mécaniques pour renforcer les formations futures grâce à la robotique intelligente, l'armée américaine pourrait bien être obligée d'envisager sérieusement d'adopter des chiens robots armés pour le combat, avant la Chine.
Tous les pays sont lancés dans le développement d’armes animées par l’intelligence artificielleThe U.S. Marine Corps Special Operations Forces Command (MARSOC) tested the Ghost Robotics Vision 60, a four-legged bionic robot.
— Clash Report (@clashreport) May 9, 2024
One of the robot dogs is armed with a 7.62x39mm caliber gun, while the other is equipped with a 6.5mm Creedmoor caliber gun. pic.twitter.com/Cs0dmLCWiY
Suite aux attaques menées par les militants du Hamas le 7 octobre dernier, les forces israéliennes ont frappé plus de 22 000 cibles à l'intérieur de Gaza. Depuis la fin de la trêve temporaire, le 1er décembre, l'armée de l'air israélienne a frappé plus de 3500 sites. Pour y parvenir, elle met à contribution une intelligence artificielle dénommée « Gospel » afin d'identifier en temps réel le plus grand nombre de cibles ennemies.
En septembre 2022, l'armée israélienne a commencé à installer une arme automatique à un poste de contrôle très fréquenté de la ville d'Hébron (Al-Khalil), en Cisjordanie occupée. Les tourelles jumelles ont été installées au sommet d'une tour de garde surplombant le camp de réfugiés d'Al-Aroub. « Elle tire toute seule sans intervention de la part du soldat. Quand un soldat israélien voit un petit garçon, il appuie sur un bouton ou quelque chose comme ça et elle tire toute seule. Elle est très rapide, même plus rapide que les soldats. Les bombes lacrymogènes qu'il tire peuvent atteindre l'extrémité du camp et tout le reste », a déclaré un résident du camp.
La tourelle télécommandée a été développée par la société de défense israélienne Smart Shooter, qui a mis au point un système de contrôle de tir autonome appelé SMASH, qui peut être fixé sur des fusils d'assaut pour suivre et verrouiller des cibles à l'aide d'un traitement d'image basé sur l'intelligence artificielle. Le site Web de la société appelle ce système "One Shot-One Hit" (qui pourrait être traduit en français par : "un tir - un succès". Elle se vante d'avoir réussi à "combiner un matériel simple à installer avec un logiciel de traitement d'image avancé pour transformer des armes légères de base en armes intelligentes du XXIe siècle".
La société affirme que la technologie SMASH permet de surmonter les défis auxquels sont confrontés les soldats lors des batailles, tels que l'effort physique, la fatigue, le stress et la pression mentale pour viser avec précision et assurer le succès du tireur. « Notre objectif est de permettre à tous les corps d'infanterie de bénéficier des armes de précision. Quelle que soit l'expérience ou la mission du soldat, notre système lui permet de ne pas faire tt d'erreur lorsqu'il tire et de toucher la cible sans faute. Tout soldat devient un véritable tireur d'élite », a déclaré Michal Mor, fondateur et PDG de Smart Shooter, lors d'une interview en 2020.
La tourelle vue à Hébron n'est pas annoncée sur le site Web de l'entreprise israélienne, mais deux autres tourelles automatisées, 'SMASH HOPPER' et 'SMASH HOPPER P', sont équipées de fusils d'assaut et du système Smart Shooter. « Le HOPPER peut être monté dans plusieurs configurations, notamment sur un trépied, un mât fixe, un navire de surface et des véhicules », indique le site Web de l'entreprise. Dans l'ensemble, l'entreprise indique que la technologie SMASH est censée améliorer l'efficacité des missions en engageant avec précision et en éliminant les cibles terrestres, aériennes, statiques ou mobiles, de jour comme de nuit.
« Habituellement, le terroriste se trouve dans un environnement civil avec de nombreuses personnes que nous ne voulons pas blesser. Nous permettons au soldat de regarder à travers son système de contrôle de tir, pour s'assurer que la cible qu'il veut atteindre est la cible légitime. Une fois qu'il aura verrouillé la cible, le système s'assurera que la balle sera libérée lorsqu'il appuiera sur la gâchette, uniquement sur la cible légitime et qu'aucun des passants ne pourra être touché par l'arme », a déclaré Mor. Les militants des droits de l'homme s'inquiètent de "la déshumanisation numérique des systèmes d'armes".
Selon les médias locaux, l'armée israélienne a déclaré qu'elle teste la possibilité d'utiliser le système pour appliquer des méthodes approuvées de dispersion de la foule, qui n'incluent pas le tir de balles réelles. « Dans le cadre des préparatifs améliorés de l'armée pour faire face aux personnes qui perturbent l'ordre dans la région, elle examine la possibilité d'utiliser des systèmes télécommandés pour employer des mesures approuvées de dispersion de foule. Cela n'inclut pas le contrôle à distance de tirs à balles réelles », explique un porte-parole de l'armée israélienne. Mais cela n'a pas suffi à calmer les craintes des militants des droits de l'homme.
L'armée israélienne a également précisé qu'au cours de sa phase pilote, le système n'utilisera que des balles à pointe éponge. Cependant, des experts ont signalé qu'à plusieurs reprises, des balles à pointe éponge ont causé des blessures permanentes à des personnes en Cisjordanie occupée et en Israël, certaines ayant même perdu leurs yeux. Des militants des droits de l'homme d'Hébron ont exprimé leur inquiétude quant à la défaillance du système qui pourrait avoir un impact sur de nombreuses personnes, notant que le système a été placé au centre d'une zone fortement peuplée, avec des centaines de personnes passant à proximité.
En outre, les militants des droits de l'homme, ainsi que d'autres critiques, affirment également que ce dispositif est un nouvel exemple de l'utilisation par Israël des Palestiniens comme cobayes, ce qui lui permettrait de commercialiser sa technologie militaire comme testée sur le terrain auprès des gouvernements du monde entier. « Je vois cela comme une transition du contrôle humain au contrôle technologique. En tant que Palestiniens, nous sommes devenus un objet d'expérimentation et de formation pour l'industrie militaire israélienne de haute technologie, qui n'est pas responsable de ce qu'elle fait », a déclaré un habitant de la région.
Les armes létales autonomes sont de plus en plus utilisées dans le monde. Les drones, notamment les drones kamikazes, sont largement utilisés de l'Ukraine en l'Éthiopie et les armes télécommandées ont été utilisées par les États-Unis en Irak, par la Corée du Sud le long de la frontière avec la Corée du Nord et par les rebelles syriens. Par ailleurs, la dépendance de l'armée israélienne à l'égard des systèmes automatisés s'est accrue au fils des ans. Ces dernières années, Israël a adopté de plus en plus de systèmes automatisés à des fins militaires, dont certains sont controversés. Cela comprend des robots et des chars d'assaut dotés d'une intelligence artificielle.
L'année dernière, un rapport a révélé qu'Israël avait déployé un système élaboré de caméras en Cisjordanie occupée pour contrôler et surveiller les Palestiniens. Ces caméras seraient reliées à une base de données appelée "Blue Wolf". La base de données comprendrait des détails et des photos des Palestiniens, notamment les numéros d'identité, l'âge, le sexe, l'adresse, les numéros de plaque d'immatriculation, les liens avec d'autres individus, le statut professionnel en Israël et les impressions négatives que les soldats ont du comportement d'un Palestinien lorsqu'ils le rencontrent. Hébron aurait été l'une des premières villes à utiliser ce système.
Selon d'autres rapports, en 2018, l'armée israélienne a commencé à utiliser un drone capable de lancer des gaz lacrymogènes pour disperser les manifestants dans la bande de Gaza. En 2021, même la police israélienne aurait commencé à employer de tels drones contre des manifestants en Israël. Dans ce contexte, beaucoup estiment que le déploiement des armes létales autonomes va davantage s'accélérer. Elon Musk, PDG de Tesla, affirme : « les drones autonomes sont le futur. Ce n’est pas que je veuille que l’avenir soit ainsi fait, mais c’est juste que c’est inéluctable. L’ère des avions de chasse est révolue ».
En Europe, Milrem Robotics, leader européen en matière de robotique et de systèmes autonomes, a partagé en juin dernier une vidéo mettant en scène un char doté d'une IA qui fait exploser des voitures et d'autres cibles. L'entrepreneur a déclaré que le char, baptisé Type-X, est conçu pour permettre aux troupes de "percer les positions défensives de l'ennemi avec un risque minimal". Il devrait fournir aux troupes "une puissance de feu et une utilisation tactique égales ou supérieures à celles d'une unité équipée de véhicules de combat d'infanterie". Les critiques ont déclaré que la démonstration reflète un futur dystopique de la guerre.
Les appels à arrêter la course aux développements des armes pilotées par l’intelligence artificielle se multiplient🥔 AI for war: Palantir CTO Shyam Sankar says the US military will regain deterrence—and "drive peace"—through algorithmic dominance. AI for wartime decision-making. 🙃 pic.twitter.com/ficPewSYMg
— Vitruvian Potato (@vitrupo) December 6, 2024
À Londres, une vingtaine de manifestants se sont postés devant le ministère britannique de la science, de l'innovation et de la technologie, scandant des slogans tels que « arrêtez la course, ce n'est pas sûr » et « l'avenir de qui ? notre avenir », dans l'espoir d'attirer l'attention des décideurs politiques. Les manifestants affirment que leur objectif est d'inciter les gouvernements à réglementer les entreprises qui développent des modèles d'IA d'avant-garde, notamment Chat GPT d'OpenAI. Ils affirment que les entreprises ne prennent pas suffisamment de précautions pour s'assurer que leurs modèles d'IA sont suffisamment sûrs pour être diffusés dans le monde.
« Les entreprises d'IA ont prouvé à maintes reprises que l'on ne pouvait pas leur faire confiance, à travers la manière dont elles traitent leurs employés et le travail des autres, en le volant littéralement et en le jetant dans leurs modèles », a déclaré Gideon Futerman, un étudiant d'Oxford qui a prononcé un discours lors de la manifestation.
L'une des manifestantes, Tara Steele, rédactrice indépendante qui travaille sur des blogs et des contenus de référencement, a déclaré qu'elle avait constaté l'impact de la technologie sur ses propres moyens de subsistance. « J'ai remarqué que depuis l'apparition de ChatGPT, la demande de travail en freelance a considérablement diminué », explique-t-elle. « Personnellement, j'adore écrire... J'ai vraiment adoré ça. Et c'est un peu triste, émotionnellement ».
Elle explique que sa principale raison de protester est qu'elle craint que les modèles d'intelligence artificielle d'avant-garde n'aient des conséquences encore plus dangereuses à l'avenir. « Nous avons une foule d'experts hautement qualifiés, des lauréats du prix Turing, des chercheurs en intelligence artificielle très cités et les PDG des entreprises d'intelligence artificielle eux-mêmes [qui affirment que l'intelligence artificielle pourrait être extrêmement dangereuse] ».
Elle est particulièrement préoccupée par le nombre croissant d'experts qui mettent en garde contre les conséquences catastrophiques d'une IA mal maîtrisée. Un rapport commandé par le gouvernement américain, publié en mars, met en garde contre « l'essor de l'IA avancée et de l'IAG [intelligence artificielle générale], qui pourrait déstabiliser la sécurité mondiale d'une manière qui rappelle l'introduction des armes nucléaires ». Actuellement, les plus grands laboratoires d'IA tentent de construire des systèmes capables de surpasser les humains dans presque toutes les tâches, y compris la planification à long terme et la pensée critique. S'ils y parviennent, de plus en plus d'aspects de l'activité humaine pourraient être automatisés, qu'il s'agisse de choses banales comme les achats en ligne ou de l'introduction de systèmes d'armes autonomes qui pourraient agir d'une manière que nous ne pouvons pas prédire. Cela pourrait conduire à une « course aux armements » qui augmenterait la probabilité « d'accidents mortels à l'échelle mondiale et à l'échelle des ADM [armes de destruction massive], de conflits interétatiques et d'escalade », selon le rapport.
Et vous ?
Pour ou contre l'utilisation de l'IA à des fins militaires ? Si pour, à quel degré ou à quelles fins ? Si contre, pourquoi ?fleche: Êtes-vous surpris de la mise à contribution de l’intelligence artificielle sur les champs de bataille ?
Voir aussi :
fleche: Des représentants de 150 entreprises de la tech plaident contre les robots tueurs autonomes, lors d'une conférence internationale sur l'IA
fleche: USA : le sous-secrétaire à la défense soulève l'importance d'associer l'intelligence artificielle à l'armée, évoquant une future course aux armes
fleche: Des experts en IA boycottent un projet de robots tueurs d'une université en Corée du Sud, en partenariat avec le fabricant d'armes Hanwha Systems
fleche: Non, l'IA de Google ne doit pas être au service de la guerre ! Plus de 3000 employés de Google protestent contre la collaboration avec le Pentagone
fleche: Robots militaires : les États-Unis testent l'efficacité de leurs prototypes dans le Pacifique, l'armée irakienne présente son robot mitrailleur
