AI modellerer hjernen for at hjælpe os med at se, høre og skabe

Dette er en redigeret version af et indlæg, der oprindeligt kørte link..

---

Neurovidenskab og kunstig intelligens har en lang, sammenflettet historie. Pionerer inden for kunstig intelligens så på principperne for organisering af hjernen som inspiration til at lave intelligente maskiner. I en overraskende vending hjælper AI os nu med at forstå selve dens inspirationskilde: den menneskelige hjerne. Denne tilgang til at bruge AI til at bygge modeller af hjernen omtales som neuroAI. I løbet af det næste årti vil vi gøre os mere præcise i silico hjernemodeller, især modeller af vores to mest fremtrædende sanser, syn og hørelse. Som et resultat vil vi være i stand til at downloade og bruge sensoriske modeller efter behov med samme bekvemmelighed, som vi kan udføre objektgenkendelse eller naturlig sprogbehandling.

Mange neurovidenskabsmænd og kunstig intelligens-forskere er - forståeligt nok! – meget begejstret for dette: hjerner på efterspørgsel! At opdage, hvad det vil sige at se, at føle, at være menneske! Mindre anerkendt er, at der er brede praktiske anvendelser i industrien. Jeg har længe været forsker inden for dette felt, og har siden min ph.d. arbejdet med, hvordan hjernen omdanner syn til mening. Jeg har set udviklingen af ​​feltet fra starten, og jeg tror, ​​det er tid til at forfølge, hvordan neuroAI kan drive mere kreativitet og forbedre vores sundhed. 

Jeg forudser, at neuroAI først vil finde udbredt brug i kunst og reklamer, især når de er forbundet med nye generative AI-modeller som GPT-3 og DALL-E. Mens nuværende generative AI-modeller kan producere kreativ kunst og medier, kan de ikke fortælle dig, om det medie i sidste ende vil kommunikere et budskab til det tilsigtede publikum – men neuroAI kunne. For eksempel kan vi erstatte trial and error af fokusgrupper og A/B-tests og direkte skabe medier, der kommunikerer præcis, hvad vi ønsker. Det enorme markedspres omkring denne applikation vil skabe en god cyklus, der forbedrer neuroAI-modeller. 

De resulterende forbedrede modeller vil muliggøre anvendelser inden for sundhed i medicin, fra at hjælpe mennesker med neurologiske problemer til at forbedre brøndens evner. Forestil dig at skabe de rigtige billeder og lyde for at hjælpe en person med at få deres syn eller hørelse hurtigere tilbage efter henholdsvis LASIK-operation eller efter at have fået et cochleært implantat. 

Disse innovationer vil blive gjort langt mere potente af andre teknologier, der kommer ned i røret: augmented reality og hjerne-computer-grænseflader. Men for fuldt ud at realisere den potentielle nytte af sensoriske systemer, der kan downloades efter behov, bliver vi nødt til at udfylde nuværende huller i værktøj, talent og finansiering.

I dette stykke vil jeg forklare, hvad neuroAI er, hvordan det kan begynde at udvikle sig og begynde at påvirke vores liv, hvordan det komplementerer andre innovationer og teknologier, og hvad der er nødvendigt for at skubbe det fremad.  

Hvad er neuroAI?

NeuroAI er en spirende disciplin, der søger at 1) studere hjernen for at lære at opbygge bedre kunstig intelligens og 2) bruge kunstig intelligens til bedre at forstå hjernen. Et af kerneværktøjerne i neuroAI er at bruge kunstige neurale net til at skabe computermodeller af specifikke hjernefunktioner. Denne tilgang blev kickstartet i 2014, da forskere ved MIT , Columbia viste, at dybe kunstige neurale net kunne forklare reaktioner i en del af hjernen, der udfører objektgenkendelse: den inferotemporale cortex (IT). De introducerede en grundlæggende opskrift til at sammenligne et kunstigt neuralt net med en hjerne. Ved at bruge denne opskrift og gentage iterative test på tværs af hjerneprocesser – formgenkendelse, bevægelsesbehandling, talebehandling, kontrol af armen, rumlig hukommelse – bygger forskerne et kludetæppe af computermodeller til hjernen. 

En neuroAI-model af en del af hjernen har to nøglefunktioner. Det kan beregnes: Vi kan fodre denne computermodel med en stimulus, og den vil fortælle os, hvordan et hjerneområde vil reagere. Det er også differentierbart: Det er et dybt neuralt net, som vi kan optimere på samme måde, som vi optimerer modeller, der løser visuel genkendelse og naturlig sprogbehandling. Det betyder, at neuroforskere får adgang til alt det kraftfulde værktøj, der har drevet den dybe læringsrevolution, inklusive tensoralgebrasystemer som PyTorch og TensorFlow. 

Hvad betyder det? Vi gik fra ikke at forstå store bidder af hjernen til at kunne downloade gode modeller af den på mindre end et årti. Med de rigtige investeringer vil vi snart have fremragende modeller af store bidder af hjernen. Det visuelle system var det første, der blev modelleret; det auditive system var ikke langt bagefter; og andre områder vil helt sikkert falde som dominobrikker, når uforfærdede neurovidenskabsmænd skynder sig at løse hjernens mysterier. Ud over at tilfredsstille vores intellektuelle nysgerrighed – en stor motivator for videnskabsmænd! – vil denne innovation give enhver programmør mulighed for at downloade gode hjernemodeller og låse op for utallige applikationer.

Anvendelsesområder

Kunst og reklame

Lad os starte med denne enkle præmis: 99 % af de medier, vi oplever, er gennem vores øjne og ører. Der er hele industrier, der kan koges ned til at levere de rigtige pixels og toner til disse sanser: billedkunst, design, film, spil, musik og reklamer er blot nogle få af dem. Nu er det ikke vores øjne og ører selv, der fortolker disse oplevelser, da de blot er sensorer: det er vores hjerner, der giver mening i den information. Medier er skabt for at informere, for at underholde, for at frembringe ønskede følelser. Men at afgøre, om budskabet i et maleri, et professionelt headshot eller en annonce modtages efter hensigten, er en frustrerende øvelse i trial-and-error: mennesker skal være i løkken for at afgøre, om beskeden rammer, hvilket er dyrt og tidskrævende - forbrugende.

Storstilede onlinetjenester har fundet ud af måder at løse dette på ved at automatisere trial-and-error: A/B-tests. Google berømt testet, hvilken af ​​de 50 nuancer af blå, der skal bruges til links på søgemaskinens resultatside. Ifølge The Guardian forårsagede det bedste valg forbedringer i omsætningen over basislinjen på 200 mio. $ i 2009, eller ca. 1 % af Googles omsætning på det tidspunkt. Netflix tilpasser thumbnails til seeren for at optimere sin brugeroplevelse. Disse metoder er tilgængelige for onlinegiganter med massiv trafik, som kan overvinde den støj, der er forbundet med folks adfærd.

Hvad hvis vi kunne forudsige, hvordan folk vil reagere på medier, før de får nogen data? Dette ville gøre det muligt for små virksomheder at optimere deres skriftlige materialer og websteder på trods af, at de ikke allerede har en lille trækkraft. NeuroAI kommer tættere og tættere på at kunne forudsige, hvordan folk vil reagere på visuelle materialer. For eksempel forskere hos Adobe arbejder på værktøjer at forudsige og lede visuel opmærksomhed i illustrationer.

Forskere har også demonstreret redigering af billeder for at lave dem mere visuelt mindeværdig eller æstetisk behagelig. Det kan f.eks. bruges til automatisk at vælge et professionelt hovedbillede, der passer bedst til det billede, folk ønsker at projicere af sig selv – professionelt, seriøst eller kreativt. Kunstige neurale netværk kan endda finde måder at kommunikere budskaber på mere effektivt end realistiske billeder. OpenAI's CLIP kan undersøges for at finde billeder, der er tilpasset følelser. Billedet, der passer bedst til begrebet chok, ville ikke være malplaceret ved siden af ​​Munchs Skrig.

I løbet af det sidste år har OpenAI og Google demonstreret generative kunstnetværk med en imponerende evne til at generere fotorealistiske billeder fra tekstprompter. Vi har ikke helt ramt det øjeblik for musik, men med fremskridtstempoet i generative modeller, vil dette helt sikkert ske i de næste par år. Ved at bygge maskiner, der kan høre som mennesker, er vi måske i stand til at demokratisere musikproduktionen, hvilket giver enhver mulighed for at gøre, hvad højtuddannede musikproducenter kan: at kommunikere de rigtige følelser under et kor, uanset om det er melankoli eller glæde; at skabe en øreorm af en melodi; eller for at gøre et stykke uimodståeligt dansbart.

Der er et enormt markedspres for at optimere audiovisuelle medier, websteder og især annoncer, og vi er allerede ved at integrere neuroAI og algoritmisk kunst i denne proces. Dette pres vil føre til en god cyklus, hvor neuroAI bliver bedre og mere nyttig, efterhånden som flere ressourcer hældes i praktiske applikationer. En bivirkning af det er, at vi får meget gode modeller af hjernen, som vil være nyttige langt uden for annoncer. 

Tilgængelighed og algoritmisk design

En af de mest spændende anvendelser af neuroAI er tilgængelighed. De fleste medier er designet til den "gennemsnitlige" person, men alligevel behandler vi alle visuel og auditiv information forskelligt. 8 % af mændene og 0.5 % af kvinderne er rød-grønne farveblinde, og en stor mængde medier er ikke tilpasset deres behov. Der findes en række produkter, der simulerer farveblindhed i dag, men kræver, at en person med normalt farvesyn fortolker resultaterne og foretager de nødvendige ændringer. Statisk farveomlægning fungerer heller ikke til disse behov, da nogle materialer ikke bevarer deres semantik med farveomlægning (f.eks. grafer, der bliver svære at læse). Vi kunne automatisere genereringen af ​​farveblindhedssikre materialer og websteder gennem neuroAI-metoder, der opretholder semantikken i eksisterende grafik.

Et andet eksempel er at hjælpe mennesker med indlæringsvanskeligheder, såsom ordblindhed, som rammer op til 10 % af mennesker verden over. Et af de underliggende problemer i ordblindhed er følsomhed over for trængsel, hvilket er vanskeligheden ved at genkende former med lignende underliggende funktioner, herunder spejlsymmetriske bogstaver som p og q. Anne Harrington og Arturo Deza ved MIT arbejder på neuroAI-modeller at modellere denne effekt og få nogle meget lovende resultater. Forestil dig at tage modeller af det ordblinde visuelle system til at designe skrifttyper, der både er æstetisk tiltalende og nemmere at læse. Med de rigtige data om en specifik persons visuelle system kan vi endda tilpasse skrifttypen til en bestemt person, som har vist lovende med hensyn til at forbedre læseevnen. Det er potentielt store forbedringer i livskvalitet, der venter her.

Helse

Mange neurovidenskabsmænd går ind på området med håbet om, at deres forskning vil have en positiv indvirkning på menneskers sundhed, især for mennesker, der lever med neurologiske lidelser eller psykiske problemer. Jeg håber meget på, at neuroAI vil låse op for nye terapier: Med en god model af hjernen kan vi skabe de rigtige stimuli, så den rigtige besked kommer til den, ligesom en nøgle passer til en lås. I den forstand kunne neuroAI anvendes på samme måde som algoritmisk lægemiddeldesign, men i stedet for små molekyler leverer vi billeder og lyde. 

De mest tilgængelige problemer involverer receptorerne i øjne og ører, som allerede er velkarakteriseret. Hundredtusindvis af mennesker har fået cochleaimplantater, neuroproteser, som elektrisk stimulerer øresneglen, så døve eller hørehæmmede kan høre igen. Disse implantater, som indeholder et par dusin elektroder, kan være svære at bruge i støjende omgivelser med flere højttalere. En hjernemodel kan optimere stimuleringsmønsteret for implantatet at forstærke tale. Det bemærkelsesværdige er, at denne teknologi, udviklet til mennesker med implantater, kunne tilpasses til at hjælpe mennesker uden implantater bedre til at forstå tale ved at ændre lyde i realtid, uanset om de har en auditiv behandlingsforstyrrelse, eller de blot ofte er i højlydte omgivelser.

Mange mennesker oplever ændringer i deres sansesystemer i løbet af deres liv, uanset om det er at komme sig efter en grå stæroperation eller at blive nærsynet med alderen. Vi ved, at folk efter en sådan ændring kan lære at genfortolke verden korrekt gennem gentagelse, et fænomen kaldet perceptuel læring. Vi er muligvis i stand til at maksimere denne perceptuelle læring, så folk kan genvinde deres færdigheder hurtigere og mere effektivt. En lignende idé kunne hjælpe folk, der har mistet evnen til at bevæge deres lemmer flydende efter et slagtilfælde. Hvis vi kunne finde den rigtige rækkefølge af bevægelser til at styrke hjernen optimalt, kan vi måske hjælpe slagtilfældeoverlevere med at genvinde mere funktion, som at gå mere flydende eller blot holde en kop kaffe uden at spilde. Ud over at hjælpe folk med at genvinde tabte fysiske funktioner, kunne den samme idé hjælpe raske mennesker med at nå maksimale sensoriske præstationer - uanset om de er baseballspillere, bueskytter eller patologer.

Endelig kunne vi se disse ideer blive anvendt til behandling af humørsygdomme. Jeg gik til mange billedkunstudstillinger for at lindre min kedsomhed under pandemien, og det løftede mit humør enormt. Billedkunst og musik kan løfte vores humør, og det er et proof-of-concept, som vi måske er i stand til at levere terapier for humørsygdomme gennem sanserne. Vi ved, at styring af aktiviteten af ​​specifikke dele af hjernen med elektrisk stimulering kan lindre behandlingsresistent depression; måske kan styring af hjernens aktivitet indirekte gennem sanserne vise lignende effekter. Ved at implementere simple modeller – lavthængende frugter – der påvirker velforståede dele af hjernen, får vi bolden i gang med at bygge mere komplekse modeller, der kan hjælpe menneskers sundhed. 

Muliggør teknologiske tendenser

NeuroAI vil tage mange år at blive tæmmet og implementeret i applikationer, og det vil opsnappe andre nye teknologitrends. Her fremhæver jeg især to tendenser, der vil gøre neuroAI langt mere kraftfuld: augmented reality (AR), som kan levere stimuli præcist; og hjerne-computer interfaces (BCI), som kan måle hjerneaktivitet for at verificere, at stimuli virker på den forventede måde.  

Augmented reality

En tendens, der vil gøre neuroAI-applikationer langt mere kraftfulde, er brugen af ​​augmented reality-briller. Augmented reality (AR) har potentialet til at blive en allestedsnærværende computerplatform, fordi AR integreres i dagligdagen.

Hypotesen for Michael Abrash, chefforsker ved Meta Reality Labs, er, at hvis du bygger tilstrækkeligt dygtige AR-briller, vil alle have dem. Det betyder at bygge verdensbevidste briller, der kan skabe vedvarende, verdenslåste virtuelle objekter; lette og moderigtige stel, som et par Ray-Bans; og giver dig virkelige superkræfter, som at kunne interagere naturligt med mennesker uanset afstand , forbedre din hørelse. Hvis du kan bygge disse – en stor teknisk udfordring – kan AR-briller følge en iPhone-lignende bane, sådan at alle vil have en (eller en knockoff) 5 år efter lanceringen.

For at gøre dette til virkelighed brugte Meta 10 milliarder dollars sidste år på R&D til metaverset. Selvom vi ikke ved med sikkerhed, hvad Apple har gang i, er der stærke tegn på, at de arbejder på AR-briller. Så der er også et enormt skub på udbudssiden for at få AR til at ske.

Dette vil gøre en skærmenhed, der er langt mere kraftfuld end nutidens statiske skærme, tilgængelig. Hvis det følger VR's bane, vil den i sidste ende have eye tracking integreret. Dette ville betyde en alment tilgængelig måde at præsentere stimuli på, der er langt mere kontrolleret, end det er muligt i øjeblikket, en drøm for neurovidenskabsmænd. Og disse enheder vil sandsynligvis have vidtrækkende sundhedsapplikationer, som fortalt af Michael Abrash i 2017, såsom at forbedre synet i svagt lys eller at sætte folk i stand til at leve et normalt liv på trods af makuladegeneration.

Betydningen for neuroAI er klar: Vi kunne levere den rigtige stimulus på en meget kontrolleret måde på en kontinuerlig basis i hverdagen. Dette gælder for synet og måske mindre tydeligt for hørelsen, da vi kan levere rumlig lyd. Hvad det betyder er, at vores værktøjer til at skabe neuroAI-terapier for mennesker med neurologiske problemer eller til forbedringer af tilgængelighed vil blive langt mere kraftfulde.

BCI

Med en fantastisk skærm og højttalere kan vi styre de vigtigste input til hjernen præcist. Det næste, mere kraftfulde trin i leveringen af ​​stimuli gennem sanserne er at verificere, at hjernen reagerer på den forventede måde gennem en read-only brain-computer interface (BCI). Således kan vi måle virkningerne af stimuli på hjernen, og hvis de ikke er som forventet, kan vi justere i overensstemmelse hermed i det, der kaldes closed-loop kontrol. 

For at være klar, her taler jeg ikke om BCI-metoder som Neuralinks chip eller deep-brain stimulatorer, der går ind i kraniet; det er tilstrækkeligt til disse formål at måle hjerneaktivitet uden for kraniet, ikke-invasivt. Det er heller ikke nødvendigt at stimulere hjernen direkte: briller og hovedtelefoner er alt, hvad du behøver for at kontrollere de fleste af hjernens input.

Der er en række ikke-invasive skrivebeskyttede BCI'er, der kommercialiseres i dag eller i pipelinen, som kunne bruges til lukket sløjfekontrol. Nogle eksempler omfatter:

• EEG. Elektroencefalografi måler hjernens elektriske aktivitet uden for kraniet. Fordi kraniet fungerer som en volumenleder, har EEG høj tidsmæssig opløsning, men lav rumlig opløsning. Selvom dette har begrænset forbrugeranvendelse til meditationsprodukter (Muse) og niche-neuromarketing-applikationer, er jeg positivt indstillet over for nogle af dens anvendelser i forbindelse med lukket sløjfekontrol. EEG kan være meget mere kraftfuldt, når man har kontrol over stimulus, fordi det er muligt at korrelere den præsenterede stimulus med EEG-signalet og afkode, hvad en person var opmærksom på (fremkaldte potentielle metoder). Faktisk blev NextMind, som lavede et EEG-baseret "mind click" baseret på fremkaldte potentialer, erhvervet af Snap, som nu laver AR-produkter. OpenBCI er planlægning at frigive et headset, som integrerer dets EEG-sensorer med Varjos avancerede Aero-headset. Jeg ville ikke tælle EEG ud.
• fMRI. Funktionel magnetisk resonansbilleddannelse måler de små ændringer i blodets iltning forbundet med neural aktivitet. Den er langsom, den er ikke bærbar, den kræver sit eget rum og den er meget dyr. Men fMRI er fortsat den eneste teknologi, der non-invasivt kan aflæse aktivitet dybt i hjernen på en rumlig præcis måde. Der er to paradigmer, som er ret modne og relevante for lukket sløjfe neural kontrol. Den første er fMRI-baseret biofeedback. Et underfelt af fMRI viser, at folk kan modulere deres hjerneaktivitet ved at præsentere den visuelt på en skærm eller hovedtelefoner. Den anden er kortikal kortlægning, herunder tilgange som befolkningsreceptive felter og estimering af voxel-selektivitet med filmklip eller podcasts, som gør det muligt at vurdere, hvordan forskellige hjerneområder reagerer på forskellige visuelle og auditive stimuli. Disse to metoder antyder, at det burde være muligt at vurdere, hvordan en neuroAI-intervention påvirker hjernen og styre den til at være mere effektiv.
• fNIRS. Funktionel nær infrarød spektroskopi bruger diffust lys til at estimere cerebralt blodvolumen mellem en transmitter og en receptor. Den er afhængig af, at blod er uigennemsigtigt, og øget neural aktivitet fører til en forsinket blodtilstrømning i en given hjernevolumen (samme princip som fMRI). Konventionel NIRS har lav rumlig opløsning, men med time gating (TD-NIRS) og massiv oversampling (diffus optisk tomografi) er den rumlige opløsning langt bedre. På den akademiske front, Joe Culvers gruppe på WUSTL har demonstreret afkodning af film fra den visuelle cortex. På den kommercielle front er Kernel nu fremstilling og forsendelse af TD-NIRS headsets som er imponerende ingeniørbedrifter. Og det er et område, hvor folk bliver ved med at presse på, og fremskridtene er hurtige; min gamle gruppe på Meta demonstrerede en 32-fold forbedring i signal-til-støj-forhold (som kunne skaleres til >300) i en relateret teknik.
• MEG. Magnetoencefalografi måler små ændringer i magnetfelter og lokaliserer dermed hjerneaktivitet. MEG ligner EEG ved, at det måler ændringer i det elektromagnetiske felt, men det lider ikke af volumenledning og har derfor bedre rumlig opløsning. Bærbar MEG, der ikke kræver køling, ville være en game changer for ikke-invasiv BCI. Folk gør fremskridt med optisk pumpede magnetometre, og det er muligt at købe individuelle OPM-sensorer på det åbne marked, fra producenter som QuSpin.

Ud over disse bedre kendte teknikker kan nogle dark horse-teknologier som digital holografi, fotoakustisk tomografi og funktionel ultralyd føre til hurtige paradigmeskift i dette rum.

Mens ikke-invasiv BCI af forbrugerkvalitet stadig er i sin vorden, er der en række markedspres omkring AR-brugssager, der vil gøre kagen større. Faktisk er et væsentligt problem for AR at kontrollere enheden: du ønsker ikke at skulle gå rundt med en controller eller mumle til dine briller, hvis du kan undgå det. Virksomheder er ret seriøse med at løse dette problem, som det fremgår af Facebook, der køber CTRL+Labs i 2019, Snap erhverver NextMind, og Valve går sammen med OpenBCI. Således vil vi sandsynligvis se lavdimensionelle BCI'er blive hurtigt udviklet. Højdimensionelle BCI'er kan følge den samme bane, hvis de finder en dræber app som AR. Det er muligt, at den slags neuroAI-applikationer, jeg går ind for her, er netop den rigtige brugssag for denne teknologi.

Hvis vi kan kontrollere input til øjne og ører samt måle hjernetilstande præcist, kan vi levere neuroAI-baserede terapier på en overvåget måde for maksimal effektivitet.

Hvad mangler der på banen

Kernevidenskaben bag NeuroAI-applikationer modnes hurtigt, og der er en række positive tendenser, der vil øge dens generelle anvendelighed. Så hvad mangler der for at bringe neuroAI-applikationer til markedet?

1. Tooling. Andre underområder inden for kunstig intelligens har haft stor gavn af værktøjskasser, der muliggør hurtige fremskridt og deling af resultater. Dette inklusiv tensoralgebrabiblioteker som Tensorflow og PyTorch, træningsmiljøer som OpenAI Gym og økosystemer til at dele data og modeller som 🤗 HuggingFace. Et centraliseret lager af modeller og metoder samt evalueringspakker, der potentielt kan udnytte rigelige simuleringsdata, ville skubbe feltet fremad. Der er allerede et stærkt fællesskab af open source neurovidenskabelige organisationer, og de kunne fungere som naturlige værter for disse bestræbelser.
2. Talent. Der er et forsvindende lille antal steder, hvor forskning og udvikling foregår i krydsfeltet mellem neurovidenskab og AI. Bay-området med laboratorier i Stanford og Berkeley og Boston-metroområdet med adskillige laboratorier på MIT og Harvard vil sandsynligvis se det meste af investeringen fra det allerede eksisterende venturekapitaløkosystem. Et tredje sandsynligt knudepunkt er Montreal, Canada, løftet af massive neurovidenskabelige afdelinger ved McGill og Universite de Montreal, kombineret med tiltrækningen fra Mila, det kunstige intelligens-institut grundlagt af AI-pioneren Yoshua Bengio. Vores felt vil drage fordel af specialiserede ph.d.-programmer og ekspertisecentre inden for neuroAI for at kickstarte kommercialisering.
3. Nye finansierings- og kommercialiseringsmodeller til medicinske applikationer. Medicinske applikationer har en lang vej til kommercialisering, og beskyttet intellektuel ejendomsret er normalt en forudsætning for at opnå finansiering til at mindske risikoen for investeringer i teknologien. AI-baserede innovationer er notorisk svære at patentere, og software-as-a-medical-device (SaMD) er først begyndt at komme på markedet, hvilket gør vejen til kommercialisering usikker. Vi har brug for midler, der er fokuseret på at samle kunstig intelligens og medicinsk teknologiekspertise for at pleje dette spirende felt. 

Lad os bygge neuroAI

Forskere og filosoffer har undret sig over, hvordan hjerner fungerer i umindelige tider. Hvordan gør et tyndt stykke væv, en kvadratfod i areal, os i stand til at se, høre, føle og tænke? NeuroAI hjælper os med at få styr på disse dybe spørgsmål ved at bygge modeller af neurologiske systemer i computere. Ved at tilfredsstille den grundlæggende tørst efter viden – hvad vil det sige at være menneske? - Neuroforskere bygger også værktøjer, der kan hjælpe millioner af mennesker til at leve et rigere liv.

Offentliggjort 4. august 2022