Oavsett om det är idrottare på en idrottsplan eller kändisar i djungeln, finns det inget som drar vår uppmärksamhet som dramat att tävla om ett enda pris. Och när det kommer till utvecklingen av artificiell intelligens (AI) har några av de mest fängslande ögonblicken också levererats i nagelbitande finish.

1997 ställdes IBMs Deep Blue schackdator mot stormästaren och regerande världsmästaren Garry Kasparov, efter att ha förlorat mot honom året innan.

Men den här gången vann AI. Det populära kinesiska spelet Go var nästa, 2016, och återigen var det ett kollektivt intag av andetag när Googles AI vann. Dessa tävlingar illustrerar elegant vad som är unikt med AI:vi kan programmera den för att göra saker vi inte kan göra själva, som att slå en världsmästare.

Men vad händer om denna inramning döljer något vitalt – att mänsklig och artificiell intelligens inte är samma sak? AI kan snabbt bearbeta stora mängder data och tränas för att utföra specifika uppgifter; mänsklig intelligens är betydligt mer kreativ och anpassningsbar.

Den mest intressanta frågan är inte vem som vinner, men vad kan människor och AI uppnå tillsammans? Att kombinera båda formerna av intelligens kan ge ett bättre resultat än båda kan uppnå var för sig.

Detta kallas kollaborativ intelligens. Och detta är premissen för CSIROs nya 12 miljoner USD Collaborative Intelligence (CINTEL) Future Science Platform, som vi leder.

Schackmattekompisar

Även om schack har använts för att illustrera AI-mänsklig konkurrens, ger det också ett exempel på kollaborativ intelligens. IBMs Deep Blue slog världsmästaren, men gjorde inte människor föråldrade. Mänskliga schackspelare som samarbetar med AI har visat sig vara överlägsna både de bästa AI-systemen och mänskliga spelare.

Och även om sådant "freestyle"-schack kräver både utmärkt mänsklig skicklighet och AI-teknik, kommer de bästa resultaten inte av att helt enkelt kombinera den bästa AI med den bästa stormästaren. Processen genom vilken de samarbetar är avgörande.

Så för många problem – särskilt de som involverar komplexa, varierande och svårdefinierade sammanhang – kommer vi sannolikt att få bättre resultat om vi designar AI-system uttryckligen för att arbeta med mänskliga partners och ger människor kompetens att tolka AI-system.

Ett enkelt exempel på hur maskiner och människor redan arbetar tillsammans finns i moderna bilars säkerhetsdetaljer. Lane Keep assist-tekniken använder kameror för att övervaka filmarkeringar och kommer att justera styrningen om bilen ser ut att driva ur sin fil.

Men om den känner att föraren aktivt styr iväg, kommer den att avstå så att människan förblir ansvarig (och AI:n fortsätter att hjälpa till i det nya körfältet). Detta kombinerar styrkorna hos en dator, som gränslös koncentration, med människans, som att veta hur man ska reagera på oförutsägbara händelser.

Det finns potential att tillämpa liknande tillvägagångssätt på en rad andra utmanande problem. I cybersäkerhetsmiljöer skulle människor och datorer kunna samarbeta för att identifiera vilka av de många hoten från cyberbrottslingar som är mest brådskande.

På liknande sätt, inom biodiversitetsvetenskap, kan kollaborativ intelligens användas för att förstå ett enormt antal exemplar som finns i biologiska samlingar.

Lägga grunden

Vi vet tillräckligt om kollaborativ intelligens för att säga att den har en enorm potential, men det är ett nytt forskningsfält – och det finns fler frågor än svar.

Genom CSIROs CINTEL-program kommer vi att utforska hur människor och maskiner fungerar och lär sig tillsammans, och hur detta sätt att samarbeta kan förbättra mänskligt arbete. Specifikt kommer vi att ta upp fyra grunder för kollaborativ intelligens:

1. samarbetande arbetsflöden och processer . Kollaborativ intelligens kräver att arbetsflöden och processer omprövas för att säkerställa att människor och maskiner kompletterar varandra. Vi kommer också att undersöka hur det kan hjälpa människor att utveckla nya färdigheter som kan vara användbara inom olika delar av arbetsstyrkan
2. situationsmedvetenhet och förståelse . Arbeta mot samma mål och se till att människor förstår den aktuella utvecklingen av en uppgift
3. lita . Kollaborativa underrättelsesystem fungerar inte utan att folk litar på maskinerna. Vi måste förstå vad tillit betyder i olika sammanhang, och hur man etablerar och upprätthåller tillit
4. kommunikation . Ju bättre kommunikation mellan människor och maskin är, desto bättre samarbete. Hur säkerställer vi att båda förstår varandra?

Robotar omarbetade

Ett av våra projekt kommer att involvera att arbeta med det CSIRO-baserade teamet för robotik och autonoma system för att utveckla ett rikare samarbete mellan människa och robot. Kollaborativ intelligens kommer att göra det möjligt för människor och robotar att reagera på förändringar i realtid och fatta beslut tillsammans.

Robotar används till exempel ofta för att utforska miljöer som kan vara farliga för människor, till exempel i räddningsuppdrag. I juni skickades robotar för att hjälpa till i sök- och räddningsoperationer, efter att en 12-vånings lägenhetsbyggnad kollapsade i Surfside, Florida.

Ofta är dessa uppdrag dåligt definierade, och människor måste använda sina egna kunskaper och färdigheter (som resonemang, intuition, anpassning och erfarenhet) för att identifiera vad robotarna ska göra. Även om det initialt kan vara svårt att utveckla ett äkta mänsklig-robot-team, kommer det sannolikt att vara mer effektivt på lång sikt för komplexa uppdrag.