Exterminador Implacável chega à Terra
Num desenvolvimento que parece tirado do filme Exterminador Implacável 2, cientistas de várias universidade, incluindo Harvard, Cornell, e MIT, estão a desenvolver materiais que podem alterar o formato, unirem-se, separarem-se, realizar funções antes de se liquidificarem, etc.
É a ficção científica a tornar-se realidade…
Leiam aqui.
Related
Carlos Oliveira
Carlos F. Oliveira é astrónomo e educador científico.
Licenciatura em Gestão de Empresas.
Licenciatura em Astronomia, Ficção Científica e Comunicação Científica.
Doutoramento em Educação Científica com especialização em Astrobiologia, na Universidade do Texas.
Foi Research Affiliate-Fellow em Astrobiology Education na Universidade do Texas em Austin, EUA.
Trabalhou no Maryland Science Center, EUA, e no Astronomy Outreach Project, UK.
Recebeu dois prémios da ESA (Agência Espacial Europeia).
Realizou várias entrevistas na comunicação social Portuguesa, Britânica e Americana, e fez inúmeras palestras e actividades nos três países citados.
Criou e leccionou durante vários anos um inovador curso de Astrobiologia na Universidade do Texas, que visou transmitir conhecimento multidisciplinar de astrobiologia e desenvolver o pensamento crítico dos alunos.
1 comentário
Em qualquer dos casos, se isso vier a acontecer, será (talvez?) um processo muito mais gradual do que alguns receiam…
In the event of robot apocalypse, just wait for a system crash
https://theconversation.com/in-the-event-of-robot-apocalypse-just-wait-for-a-system-crash-43357
Even simple things are hard
What makes this competition footage so funny is how mercilessly it punctures the myth of the supreme power of artificial intelligence. We’ve evolved – over millions of years – to live and move in the physical world. As such we tend to discount the sophistication necessary to do the simplest of things.
We falsely ascribe simplicity to acts such as walking through doors and picking up power tools because we find them simple. In the same way, we find certain things – such as multiplying 82 by 17 in our heads – difficult, even though for a computer/machine this is basic.
This creates a cognitive bias: if a machine can do something we find hard, we tend to assume it can easily do the simple stuff as well.
Like all biases, this isn’t necessarily true.
We also assume a generality bias: since we can do many different things, we assume that a machine which can do one of them can do the others as well.
This conflicts with the way computing research happens, which tends to focus on getting a computer to do one thing (partly because there’s no way to easily research “doing everything”).
Machines have grown up in a completely different environment from us, so it shouldn’t come as a surprise they are good at doing different things.