DeepMind remplace les lois d’Asimov par un dataset adaptatif pour les robots

Google DeepMind sous la direction de Carolina Parada repense les principes fondamentaux de sécurité des robots et veut s’éloigner des lois classiques d’Asimov vers un système plus flexible et entraînable. Le nouveau soi-disant “Dataset d’Asimov” représente non pas un ensemble rigide de règles, mais une base adaptative de scénarios de situations potentiellement dangereuses.

La différence clé de la nouvelle approche réside dans la méthode de traitement des risques. Les robots modernes ne suivent pas simplement des directives préétablies – ils apprennent à analyser le contexte. Et prendre des décisions basées sur une base étendue d’exemples. Quand un robot voit un verre au bord d’une table, il n’exécute pas une commande pré-programmée. Mais évalue la situation et déplace l’objet vers une position sûre. Découvrant un objet sur le sol, le système reconnaît un danger potentiel pour une personne et l’élimine.

Le dataset est formé basé sur l’analyse d’incidents réels de différents pays du monde, ce qui assure la diversité des contextes culturels et sociaux. Chaque scénario est accompagné d’exemples visuels et d’instructions pour la minimisation des risques, créant un environnement éducatif complet pour l’intelligence artificielle.

Cette approche diffère par 3 caractéristiques fondamentales : mise à jour dynamique des données, contrôle hybride avec participation humaine et ouverture pour les tests par des développeurs tiers. Ainsi, chez DeepMind ils croient que le “Dataset d’Asimov” crée non seulement une technologie, mais un écosystème de sécurité évolutif.