Miasta i ich sieci transportowe to złożone systemy społeczne. Mieszkańcy szukają sposobów, aby dotrzeć do i z pracy jak najszybciej, najtaniej, najwygodniej. Podejmujemy decyzje: zmieniamy godziny wyjazdu, trasy przejazdu, środki transportu, żeby jak najkrócej stać w korkach czy w zatłoczonym tramwaju. W podejmowaniu takich decyzji coraz lepsza staje się sztuczna inteligencja.

Skoro wygrywa już z profesjonalistami w tak trudne gry jak szachy, Go czy StarCraft, to raczej bez trudu poradzi sobie z zaspanymi mieszkańcami dojeżdżającymi każdego ranka do pracy. Głębokie sieci neuronowe, uczone ze wzmocnieniem (tzw. reinforcement learning) z łatwością znajdą skuteczne strategie, by dojechać do celu szybciej. Niestety ograniczona przestrzeń miast czyni z tej rywalizacji grę o sumie zerowej: skoro maszyny dojadą szybciej, wszyscy inni najpewniej dojadą do celu później.

Czy faktycznie tak będzie? Tego nie wiemy, ale możemy to sprawdzić. W wirtualnym środowisku symulacyjnym naszych miast możemy testować najbardziej futurystyczne scenariusze. W tym taki, gdzie część mieszkańców powierza swoje decyzje o tym jak podróżować sztucznej inteligencji. Ta, wykorzystując dostęp do danych, ogromne moce obliczeniowe, doświadczenie zdobyte w trakcie uczenia, a przede wszystkim możliwość współpracy, będzie robiła wszystko, aby maksymalizować swoje zyski (jak każdy algorytm optymalizacyjny, w tym algorytmy głębokiego uczenia maszynowego, które po prostu maksymalizują zadane funkcje celu). Może przy tym wyłamać się z typowo ludzkich, społecznych ograniczeń, czy wręcz wykorzystać przewidywalność naszych zachowań i znaleźć nowe, nieoczywiste strategie.

Jeśli jej nie ujarzmimy, zbiorowa sztuczna inteligencja może nas przechytrzyć, dzieląc mieszkańców na dwie grupy: tych uprzywilejowanych z dostępem do sztucznej inteligencji, ale też bez wpływu na decyzje o swoich podróżach oraz tę bez takiego dostępu. Warto ją chyba jednak w jakiś sposób opanować i wykorzystać dla poprawy funkcjonowania wszystkich mieszkańców miast, a nie tylko wybranej grupy. Sztuczna inteligencja może synergicznie usprawnić całą mobilność miejską, zmniejszając szkodliwe emisje, wypadki i hałas, pozostawiając przy tym miasta ludziom – jako miejsca swobodnego, naturalnego przemieszczania się i kontaktu. Czy tak może się stać? Tego nie wiemy, należy to dopiero sprawdzić.

W ramach projektu COeXISTENCE, na którego realizację otrzymaliśmy grant ERC, budujemy interdyscyplinarną grupę naukowców. Zadaniem dwóch doświadczonych badaczy będzie połączenie metod uczenia maszynowego z modelami mobilności miejskiej i zbudowanie środowiska symulacyjnego, w którym trojka doktorantów będzie eksperymentować i weryfikować dwa podstawowe zagadnienia: "czy maszyny mogą nas przechytrzyć?" oraz "czy możemy ujarzmić maszyny tak, by pomogły wszystkim, a nie tylko sobie?". To fascynujące, interdyscyplinarne badania łączące tak odległe dziedziny jak systemy społeczne, uczenie maszynowe, optymalizację, teorie gier, dynamikę układów złożonych, systemy transportowe, teorię podejmowania decyzji oraz modele wieloagentowe.

dr inż. Rafał Kucharski
Wydział Matematyki i Informatyki UJ
Group of Machine Learning Research

rys. Marcin Wierzchowski