هوش مصنوعی در حال مدل سازی مغز است تا به ما کمک کند ببینیم، بشنویم و خلق کنیم

این یک نسخه ویرایش شده از یک پست است که در ابتدا اجرا شد اینجا کلیک نمایید.

---

علوم اعصاب و هوش مصنوعی تاریخچه طولانی و درهم تنیده ای دارند. پیشگامان هوش مصنوعی به اصول سازماندهی مغز به عنوان الهام بخش برای ساخت ماشین های هوشمند نگاه می کردند. در یک تغییر شگفت انگیز، هوش مصنوعی اکنون به ما کمک می کند تا منبع الهام خود را درک کنیم: مغز انسان. این رویکرد استفاده از هوش مصنوعی برای ساخت مدل‌های مغز به عنوان neuroAI شناخته می‌شود. در طول یک دهه آینده، ما همیشه دقیق تر خواهیم شد در سیلیکون مدل های مغز، به ویژه مدل های دو حواس برجسته ما، بینایی و شنوایی. در نتیجه، می‌توانیم مدل‌های حسی را در صورت تقاضا دانلود و استفاده کنیم، با همان راحتی که می‌توانیم تشخیص شی یا پردازش زبان طبیعی را انجام دهیم.

بسیاری از عصب شناسان و محققان هوش مصنوعی - قابل درک است! - در مورد این بسیار هیجان زده هستم: مغزهای درخواستی! کشف معنای دیدن، احساس کردن، انسان بودن! کمتر شناخته شده این است که کاربردهای عملی گسترده ای در صنعت وجود دارد. من مدت‌هاست که محققی در این زمینه بوده‌ام و از زمان دکترا روی چگونگی تبدیل بینایی به معنا توسط مغز کار کرده‌ام. من پیشرفت این رشته را از ابتدای پیدایش آن دیده‌ام و فکر می‌کنم اکنون زمان آن رسیده است که به دنبال این باشیم که چگونه neuroAI می‌تواند خلاقیت بیشتری ایجاد کند و سلامت ما را بهبود بخشد. 

من پیش‌بینی می‌کنم که neuroAI ابتدا در هنر و تبلیغات کاربرد گسترده‌ای پیدا کند، به‌ویژه زمانی که به مدل‌های جدید هوش مصنوعی مانند GPT-3 و DALL-E متصل شود. در حالی که مدل‌های مولد هوش مصنوعی فعلی می‌توانند هنر و رسانه خلاقانه تولید کنند، اما نمی‌توانند به شما بگویند که آیا آن رسانه در نهایت پیامی را به مخاطب مورد نظر منتقل می‌کند یا خیر – اما neuroAI می‌تواند. به عنوان مثال، ممکن است آزمون و خطای گروه‌های کانونی و آزمون‌های A/B را جایگزین کنیم و مستقیماً رسانه‌ای ایجاد کنیم که دقیقاً آنچه را که ما می‌خواهیم ارتباط برقرار کند. فشارهای شدید بازار پیرامون این برنامه، چرخه ای ارزشمند ایجاد می کند که مدل های neuroAI را بهبود می بخشد. 

مدل‌های پیشرفته به‌دست‌آمده، کاربردهایی در سلامت در پزشکی، از کمک به افراد مبتلا به مشکلات عصبی گرفته تا افزایش توانایی‌های چاه را امکان‌پذیر می‌سازد. تصور کنید که تصاویر و صداهای مناسبی ایجاد کنید تا به فرد کمک کند به ترتیب بعد از عمل لیزیک یا پس از کاشت حلزون، بینایی یا شنوایی خود را سریعتر بازیابی کند. 

این نوآوری‌ها با فناوری‌های دیگری که در راه هستند بسیار قوی‌تر خواهند شد: واقعیت افزوده و رابط‌های مغز و رایانه. با این حال، برای درک کامل کاربرد بالقوه سیستم‌های حسی قابل دانلود بر اساس تقاضا، باید شکاف‌های فعلی در ابزار، استعداد و بودجه را پر کنیم.

در این مقاله توضیح خواهم داد که neuroAI چیست، چگونه ممکن است شروع به تکامل کند و بر زندگی ما تأثیر بگذارد، چگونه نوآوری‌ها و فناوری‌های دیگر را تکمیل می‌کند، و چه چیزی برای پیشبرد آن لازم است.  

neuroAI چیست؟

NeuroAI یک رشته در حال ظهور است که به دنبال 1) مطالعه مغز برای یادگیری نحوه ساخت هوش مصنوعی بهتر و 2) استفاده از هوش مصنوعی برای درک بهتر مغز است. یکی از ابزارهای اصلی neuroAI استفاده از شبکه های عصبی مصنوعی برای ایجاد مدل های کامپیوتری از عملکردهای خاص مغز است. این رویکرد در سال 2014 آغاز شد، زمانی که محققان در MIT و کلمبیا نشان داد که شبکه‌های عصبی مصنوعی عمیق می‌توانند پاسخ‌ها را در بخشی از مغز که تشخیص اشیاء را انجام می‌دهد توضیح دهد: قشر انتفاعی گیجگاهی (IT). آنها یک دستورالعمل اساسی برای مقایسه یک شبکه عصبی مصنوعی با مغز معرفی کردند. با استفاده از این دستور العمل و تکرار آزمایش‌های تکراری در سراسر فرآیندهای مغز - تشخیص شکل، پردازش حرکت، پردازش گفتار، کنترل بازو، حافظه فضایی - دانشمندان در حال ساخت مجموعه‌ای از مدل‌های کامپیوتری برای مغز هستند. 

یک مدل neuroAI بخشی از مغز دارای دو ویژگی کلیدی است. قابل محاسبه است: ما می توانیم به این مدل کامپیوتری محرکی بدهیم و به ما می گوید که ناحیه مغز چگونه واکنش نشان می دهد. همچنین قابل تمایز است: این یک شبکه عصبی عمیق است که می‌توانیم آن را به همان روشی که مدل‌هایی را که تشخیص بصری و پردازش زبان طبیعی را حل می‌کنند، بهینه‌سازی کنیم. این بدان معناست که دانشمندان علوم اعصاب به تمام ابزارهای قدرتمندی که انقلاب یادگیری عمیق را تقویت کرده اند، از جمله سیستم های جبر تانسور مانند PyTorch و TensorFlow دسترسی دارند. 

این یعنی چی؟ ما از درک نکردن بخش‌های بزرگ مغز به توانایی دانلود مدل‌های خوب آن در کمتر از یک دهه رسیدیم. با سرمایه گذاری مناسب، به زودی مدل های عالی از تکه های بزرگ مغز را خواهیم داشت. سیستم بصری اولین بار بود که مدل شد. سیستم شنوایی هم خیلی عقب نبود; و مناطق دیگر مطمئناً مانند دومینو سقوط خواهند کرد زیرا عصب شناسان بی باک برای حل معماهای مغز عجله دارند. این نوآوری به غیر از ارضای کنجکاوی فکری ما - انگیزه بزرگی برای دانشمندان!

زمینه های کاربرد

هنر و تبلیغات

بیایید با این فرض ساده شروع کنیم: 99 درصد از رسانه هایی که ما تجربه می کنیم از طریق چشم و گوش ما است. صنایعی وجود دارند که می‌توانند پیکسل‌ها و رنگ‌های مناسب را به این حواس ارائه دهند: هنرهای بصری، طراحی، فیلم‌ها، بازی‌ها، موسیقی و تبلیغات تنها تعدادی از آنها هستند. حال، این خود چشم‌ها و گوش‌های ما نیستند که این تجربیات را تفسیر می‌کنند، زیرا آنها صرفاً حسگر هستند: این مغز ماست که این اطلاعات را درک می‌کند. رسانه ها برای اطلاع رسانی، سرگرمی و ایجاد احساسات دلخواه ایجاد شده اند. اما تعیین اینکه آیا پیام در یک نقاشی، یک هد شات حرفه‌ای یا یک تبلیغ همانطور که در نظر گرفته شده دریافت می‌شود، تمرینی خسته‌کننده در آزمون و خطا است: انسان‌ها باید در جریان باشند تا بفهمند آیا پیام ارسال می‌شود یا خیر، که هزینه‌بر و زمان‌بر است. مصرف کننده

خدمات آنلاین در مقیاس بزرگ با خودکارسازی آزمون و خطا راه‌هایی برای حل این مشکل پیدا کرده‌اند: تست‌های A/B. گوگل معروف است آزمایش کرد که کدام یک از 50 سایه آبی برای پیوندهای صفحه نتایج موتور جستجو استفاده شود. به گفته گاردین، بهترین انتخاب باعث بهبود درآمد بیش از 200 میلیون دلار در سال 2009 یا تقریباً شد. ۱٪ از درآمد گوگل در آن زمان. نتفلیکس تصاویر کوچک را سفارشی می کند به بیننده تا تجربه کاربری خود را بهینه کند. این روش ها برای غول های آنلاین با ترافیک انبوه در دسترس هستند که می توانند بر سر و صدای ذاتی در رفتار افراد غلبه کنند.

اگر بتوانیم پیش‌بینی کنیم که مردم چگونه به رسانه‌ها قبل از دریافت اطلاعات واکنش نشان می‌دهند، چه؟ این امکان را برای کسب و کارهای کوچک فراهم می کند تا مطالب نوشته شده و وب سایت خود را علیرغم داشتن کشش کمی از قبل بهینه کنند. NeuroAI به توانایی پیش‌بینی واکنش مردم به مواد بصری نزدیک‌تر و نزدیک‌تر می‌شود. به عنوان مثال، محققان در Adobe روی ابزار کار می کنند برای پیش بینی و هدایت توجه بصری در تصاویر.

محققان همچنین ویرایش عکس ها را برای ساخت آنها نشان داده اند از نظر بصری به یاد ماندنی یا زیبایی شناختی خوش. به عنوان مثال، می‌توان از آن برای انتخاب خودکار یک هد شات حرفه‌ای استفاده کرد که بیشتر با تصویری که افراد می‌خواهند از خود ارائه دهند - حرفه‌ای، جدی یا خلاقانه تراز باشد. شبکه‌های عصبی مصنوعی حتی می‌توانند راه‌هایی برای برقراری ارتباط مؤثرتر از تصاویر واقعی پیدا کنند. CLIP OpenAI را می توان برای یافتن تصاویری که با احساسات همسو هستند بررسی کرد. تصویری که به بهترین وجه با مفهوم شوک همخوانی داشته باشد، در کنار جیغ مونک بی جا نخواهد بود.

در طول سال گذشته، OpenAI و Google شبکه‌های هنری مولد را با توانایی چشمگیر برای تولید تصاویر واقعی واقعی از پیام‌های متنی نشان داده‌اند. ما هنوز آن لحظه را برای موسیقی به دست نیاورده‌ایم، اما با سرعت پیشرفت در مدل‌های مولد، این مطمئناً در چند سال آینده اتفاق خواهد افتاد. با ساختن ماشین‌هایی که می‌توانند مانند انسان‌ها بشنوند، ممکن است بتوانیم تولید موسیقی را دموکراتیک کنیم، و به هر کسی این توانایی را می‌دهیم تا کاری را که تولیدکنندگان موسیقی بسیار ماهر می‌توانند انجام دهند انجام دهند: برقراری ارتباط با احساسات مناسب در طول یک گروه کر، چه غم‌انگیز یا شاد. ایجاد کرم گوش از ملودی؛ یا اینکه یک قطعه را به طرز غیرقابل مقاومتی رقصیدنی بسازید.

فشارهای زیادی در بازار برای بهینه‌سازی رسانه‌های سمعی و بصری، وب‌سایت‌ها و به‌ویژه تبلیغات وجود دارد، و ما در حال ادغام هوش مصنوعی عصبی و هنر الگوریتمی در این فرآیند هستیم. این فشار به یک چرخه فضیلت‌انگیز منجر می‌شود که در آن neuroAI بهتر و مفیدتر می‌شود، زیرا منابع بیشتری در برنامه‌های کاربردی ریخته می‌شود. یک عارضه جانبی آن این است که ما مدل های بسیار خوبی از مغز خواهیم داشت که بسیار خارج از تبلیغات مفید خواهند بود. 

قابلیت دسترسی و طراحی الگوریتمی

یکی از مهیج ترین کاربردهای neuroAI قابلیت دسترسی است. بیشتر رسانه‌ها برای افراد «متوسط» طراحی شده‌اند، با این حال همه ما اطلاعات دیداری و شنیداری را متفاوت پردازش می‌کنیم. 8 درصد از مردان و 0.5 درصد از زنان کوررنگ قرمز-سبز هستند و حجم زیادی از رسانه ها با نیازهای آنها سازگار نیست. امروزه تعدادی از محصولات وجود دارند که کوررنگی را شبیه سازی می کنند، اما نیاز به یک فرد با دید طبیعی رنگ دارند تا نتایج را تفسیر کرده و تغییرات لازم را اعمال کند. بازنگاشت مجدد رنگ ایستا برای این نیازها نیز کار نمی کند، زیرا برخی از مواد معنایی خود را با نگاشت مجدد رنگ حفظ نمی کنند (به عنوان مثال نمودارهایی که خواندن آنها سخت می شود). ما می‌توانیم تولید مطالب و وب‌سایت‌های ایمن برای کوررنگی را از طریق روش‌های neuroAI که معنای گرافیک‌های موجود را حفظ می‌کنند، خودکار کنیم.

مثال دیگر کمک به افراد مبتلا به ناتوانی های یادگیری است، مانند نارساخوانی، که تا 10٪ از افراد در سراسر جهان را تحت تاثیر قرار می دهد. یکی از مسائل اساسی در نارساخوانی این است حساسیت به شلوغی، که مشکل در تشخیص اشکال با ویژگی های زیرین مشابه، از جمله حروف متقارن آینه ای مانند p و q است. آن هرینگتون و آرتورو دزا در MIT در حال کار بر روی مدل‌های neuroAI هستند که این اثر را مدل می کنند و گرفتن نتایج بسیار امیدوارکننده تصور کنید از مدل‌های سیستم بینایی نارساخوان استفاده می‌کنید تا فونت‌هایی طراحی کنید که هم از نظر زیبایی‌شناختی دلپذیر و هم راحت‌تر خوانده شوند. با داده های مناسب در مورد سیستم بینایی یک فرد خاص، حتی می توانیم فونت را برای یک فرد خاص شخصی کنیدکه در بهبود عملکرد خواندن نویدبخش بوده است. اینها به طور بالقوه پیشرفت های بزرگی در کیفیت زندگی در انتظار اینجا هستند.

سلامتی

بسیاری از دانشمندان علوم اعصاب با این امید وارد میدان می شوند که تحقیقات آنها بر سلامت انسان تأثیر مثبت بگذارد، به ویژه برای افرادی که با اختلالات عصبی یا مشکلات سلامت روان زندگی می کنند. من بسیار امیدوار هستم که neuroAI قفل درمان های جدید را باز کند: با یک مدل خوب از مغز، ما می توانیم محرک های مناسب را بسازیم تا پیام مناسب به آن برسد، مانند کلیدی که در قفل قرار می گیرد. از این نظر، neuroAI می تواند به طور مشابه در طراحی الگوریتمی دارو اعمال شود، اما به جای مولکول های کوچک، ما تصاویر و صداها را ارائه می دهیم. 

نزدیک ترین مشکلات مربوط به گیرنده های چشم و گوش است که قبلاً به خوبی مشخص شده اند. صدها هزار نفر کاشت حلزون، پروتزهای عصبی که حلزون گوش را به صورت الکتریکی تحریک می کنند، دریافت کرده اند و به افراد ناشنوا یا کم شنوا اجازه می دهد دوباره بشنوند. استفاده از این ایمپلنت ها که حاوی چند ده الکترود است در محیط های پر سر و صدا با بلندگوهای متعدد دشوار است. یک مدل مغز می تواند الگوی تحریک ایمپلنت را بهینه کنید برای تقویت گفتار نکته قابل توجه این است که این فناوری که برای افراد دارای ایمپلنت توسعه یافته است، می تواند برای کمک به افراد بدون ایمپلنت برای درک بهتر گفتار با تغییر صداها در زمان واقعی، سازگار شود، خواه آنها دارای اختلال پردازش شنوایی باشند یا به سادگی در محیط های پر سر و صدا هستند.

بسیاری از افراد در طول زندگی خود تغییراتی را در سیستم های حسی خود تجربه می کنند، چه بهبودی پس از جراحی آب مروارید یا نزدیک بین شدن با افزایش سن. ما می دانیم که پس از چنین تغییری، مردم می توانند یاد بگیرند که جهان را از طریق تکرار به درستی تفسیر کنند، پدیده ای به نام یادگیری ادراکی. ممکن است بتوانیم این یادگیری ادراکی را به حداکثر برسانیم تا افراد بتوانند مهارت های خود را سریعتر و موثرتر به دست آورند. ایده مشابهی می تواند به افرادی که توانایی حرکت اندام خود را به صورت سیال پس از سکته از دست داده اند کمک کند. اگر بتوانیم ترتیب مناسبی از حرکات را برای تقویت مغز به طور مطلوب پیدا کنیم، ممکن است بتوانیم به بازماندگان سکته کمک کنیم تا عملکرد بیشتری را بازیابند، مانند راه رفتن روانتر یا به سادگی در دست گرفتن یک فنجان قهوه بدون ریختن آن. علاوه بر کمک به افراد برای بازیابی عملکردهای فیزیکی از دست رفته، همین ایده می‌تواند به افراد سالم کمک کند تا به اوج عملکرد حسی خود برسند - چه بازیکن بیسبال، چه تیرانداز و چه آسیب‌شناس.

در نهایت، می‌توانیم ببینیم که این ایده‌ها در درمان اختلالات خلقی اعمال می‌شوند. من به بسیاری از نمایش‌های هنرهای تجسمی رفتم تا خستگی خود را در طول همه‌گیری از بین ببرم، و این به طرز فوق‌العاده‌ای روحیه‌ام را بالا برد. هنرهای تجسمی و موسیقی می توانند روحیه ما را بالا ببرند، و این یک اثبات مفهومی است که ما ممکن است قادر به ارائه درمان برای اختلالات خلقی از طریق حواس است. می دانیم که کنترل فعالیت بخش های خاصی از مغز با تحریک الکتریکی می تواند افسردگی مقاوم به درمان را تسکین دهد. شاید کنترل فعالیت مغز به طور غیرمستقیم از طریق حواس بتواند اثرات مشابهی را نشان دهد. با استفاده از مدل‌های ساده - میوه‌های کم آویزان - که بر بخش‌های شناخته‌شده مغز تأثیر می‌گذارند، می‌توانیم مدل‌های پیچیده‌تری بسازیم که می‌توانند به سلامت انسان کمک کنند. 

فعال کردن روندهای فناوری

NeuroAI سالها طول می کشد تا رام شود و در برنامه ها به کار گرفته شود و دیگر روندهای فناوری نوظهور را رهگیری کند. در اینجا من به طور خاص دو روند را برجسته می‌کنم که neuroAI را بسیار قدرتمندتر می‌کند: واقعیت افزوده (AR)، که می‌تواند محرک‌ها را دقیقاً ارائه دهد. و رابط های مغز و کامپیوتر (BCI)، که می تواند فعالیت مغز را اندازه گیری کند تا تأیید کند که محرک ها به روش مورد انتظار عمل می کنند.  

واقعیت افزوده

روندی که برنامه های neuroAI را بسیار قدرتمندتر می کند، استفاده از عینک های واقعیت افزوده است. واقعیت افزوده (AR) پتانسیل تبدیل شدن به یک پلت فرم محاسباتی فراگیر را دارد، زیرا AR در زندگی روزمره ادغام می شود.

فرضیه مایکل ابراش، دانشمند ارشد آزمایشگاه های واقعیت متا، این است که اگر عینک های AR با توانایی کافی بسازید، همه آنها را می خواهند. یعنی ساختن عینک‌های جهان‌شناس که می‌توانند اشیاء مجازی قفل‌شده در جهان را ایجاد کنند; قاب های سبک و شیکمانند یک جفت ری بن. و به شما قدرت های فوق العاده واقعی می دهد، مانند توانایی بدون در نظر گرفتن فاصله، به طور طبیعی با مردم تعامل کنید و تقویت شنوایی شما. اگر بتوانید اینها را بسازید - یک چالش فنی بزرگ - عینک‌های AR می‌توانند مسیری شبیه به آیفون را دنبال کنند، به طوری که همه 5 سال پس از راه‌اندازی یک (یا یک ضربه) داشته باشند.

برای تحقق این امر، متا هزینه کرد 10 میلیارد دلار در سال گذشته برای تحقیق و توسعه برای متاورس. در حالی که ما به طور قطع نمی دانیم اپل در حال انجام چه کاری است، وجود دارد نشانه های قوی نشان می دهد که آنها روی عینک های AR کار می کنند. بنابراین، یک فشار فوق‌العاده در سمت عرضه برای تحقق واقعیت افزوده وجود دارد.

این باعث می شود که دستگاه نمایشگر بسیار قدرتمندتر از صفحه نمایش های ایستا امروزی به طور گسترده در دسترس باشد. اگر این مسیر VR را دنبال می کند، در نهایت ردیابی چشم را یکپارچه خواهد کرد. این به معنای روشی در دسترس برای ارائه محرک‌ها است که بسیار کنترل‌شده‌تر از آنچه در حال حاضر امکان‌پذیر است، رویایی برای دانشمندان علوم اعصاب است. و این دستگاه ها احتمالاً کاربردهای بهداشتی گسترده ای دارند، همانطور که مایکل ابراش در سال 2017 گفتمانند تقویت دید در نور کم، یا توانمندسازی افراد برای داشتن یک زندگی عادی با وجود دژنراسیون ماکولا.

اهمیت neuroAI واضح است: ما می‌توانیم محرک مناسب را به شیوه‌ای بسیار کنترل‌شده و به طور مداوم در زندگی روزمره ارائه کنیم. این برای بینایی صادق است، و شاید برای شنوایی کمتر آشکار باشد، زیرا ما می توانیم صدای فضایی را ارائه دهیم. معنی آن این است که ابزارهای ما برای ایجاد درمان‌های هوش مصنوعی برای افراد مبتلا به مشکلات عصبی یا بهبود دسترسی بسیار قوی‌تر خواهند شد.

BCI

با نمایشگر و بلندگوهای عالی، می‌توانیم ورودی‌های اصلی مغز را دقیقاً کنترل کنیم. مرحله بعدی و قدرتمندتر در ارائه محرک ها از طریق حواس، تأیید این است که مغز به روش مورد انتظار از طریق یک رابط مغز و کامپیوتر فقط خواندنی (BCI) واکنش نشان می دهد. بنابراین، ما می‌توانیم اثرات محرک‌ها را بر روی مغز اندازه‌گیری کنیم، و اگر آن‌طور که انتظار می‌رود نیستند، می‌توانیم مطابق با آنچه که کنترل حلقه بسته نامیده می‌شود، تنظیم کنیم. 

برای روشن بودن، در اینجا من در مورد روش های BCI مانند تراشه Neuralink یا محرک های عمقی مغز که داخل جمجمه قرار می گیرند صحبت نمی کنم. برای این اهداف اندازه گیری فعالیت مغز در خارج از جمجمه به صورت غیرتهاجمی کافی است. همچنین نیازی به تحریک مستقیم مغز نیست: عینک و هدفون تنها چیزی است که برای کنترل بیشتر ورودی های مغز به آن نیاز دارید.

تعدادی از BCI های غیر تهاجمی فقط خواندنی وجود دارند که امروزه تجاری شده اند یا در خط لوله هستند که می توانند برای کنترل حلقه بسته استفاده شوند. برخی از نمونه ها عبارتند از:

• EEG الکتروانسفالوگرافی فعالیت الکتریکی مغز در خارج از جمجمه را اندازه گیری می کند. از آنجایی که جمجمه به عنوان یک رسانای حجم عمل می کند، EEG وضوح زمانی بالایی دارد اما قدرت تفکیک مکانی پایینی دارد. در حالی که این کاربرد مصرف کننده را برای محصولات مدیتیشن محدود کرده است (الهه شعر و موسیقی) و کاربردهای بازاریابی عصبی خاص، من در مورد برخی از کاربردهای آن در زمینه کنترل حلقه بسته خوش بین هستم. EEG زمانی می‌تواند بسیار قدرتمندتر باشد که فرد بر محرک کنترل داشته باشد، زیرا می‌توان محرک ارائه شده را با سیگنال EEG مرتبط کرد و آنچه را که شخص به آن توجه داشت رمزگشایی کرد (روش‌های بالقوه برانگیخته). در واقع، NextMind، که یک "کلیک ذهن" مبتنی بر EEG را بر اساس پتانسیل های برانگیخته ایجاد کرد، به دست آمد. توسط اسنپ، که اکنون در حال ساخت محصولات AR است. OpenBCI است برنامه ریزی برای عرضه هدستی که حسگرهای EEG خود را با هدست پیشرفته Aero Varjo یکپارچه می کند. من نمی توانم EEG را حساب کنم.
• fMRI. تصویربرداری رزونانس مغناطیسی عملکردی تغییرات کوچک در اکسیژن رسانی خون مرتبط با فعالیت عصبی را اندازه گیری می کند. کند است، قابل حمل نیست، اتاق خودش را می خواهد و بسیار گران است. با این حال، fMRI تنها فناوری است که می‌تواند به‌طور غیرتهاجمی فعالیت‌های اعماق مغز را به روشی دقیق از نظر مکانی بخواند. دو پارادایم وجود دارد که نسبتاً بالغ و مرتبط با کنترل عصبی حلقه بسته هستند. اولین مورد بیوفیدبک مبتنی بر fMRI است. یک زیر شاخه از fMRI نشان می دهد که افراد می توانند فعالیت مغز خود را با نمایش بصری آن بر روی صفحه نمایش یا هدفون تعدیل کنند. دوم نقشه برداری قشر مغز است، از جمله رویکردهایی مانند میدان های پذیرنده جمعیت و تخمین گزینش وکسل با کلیپ های فیلم یا پادکست‌ها، که به فرد اجازه می‌دهد تا چگونگی واکنش نواحی مختلف مغز به محرک‌های بینایی و شنیداری مختلف را تخمین بزند. این دو روش اشاره می‌کنند که باید بتوان ارزیابی کرد که چگونه یک مداخله عصبی مصنوعی بر مغز تأثیر می‌گذارد و آن را به سمت مؤثرتر هدایت می‌کند.
• fNIRS. طیف‌سنجی نزدیک مادون قرمز عملکردی از نور منتشر برای تخمین حجم خون مغز بین فرستنده و گیرنده استفاده می‌کند. متکی بر این واقعیت است که خون مات است و افزایش فعالیت عصبی منجر به هجوم خون با تاخیر در حجم معین مغز می شود (همان اصل fMRI). NIRS معمولی وضوح فضایی پایینی دارد، اما با گیتینگ زمانی (TD-NIRS) و نمونه برداری بیش از حد عظیم (توموگرافی نوری منتشر)، وضوح فضایی به مراتب بهتر است. در جبهه دانشگاهی، گروه جو کالور در WUSTL رمزگشایی فیلم ها از قشر بینایی را نشان داده اند. در جبهه تجاری، Kernel در حال حاضر است ساخت و ارسال هدست TD-NIRS که شاهکارهای چشمگیر مهندسی هستند. و این منطقه ای است که مردم در آن فشار می آورند و پیشرفت سریع است. گروه قدیمی من در متا بهبودی 32 برابری در نسبت سیگنال به نویز (که می‌توان آن را تا 300 بیشتر کرد) در یک تکنیک مرتبط نشان داد..
• MEG. مگنتوآنسفالوگرافی تغییرات کوچک در میدان های مغناطیسی را اندازه گیری می کند، بنابراین فعالیت مغز را محلی می کند. MEG شبیه EEG است که تغییرات میدان الکترومغناطیسی را اندازه گیری می کند، اما از رسانش حجمی رنج نمی برد و بنابراین وضوح فضایی بهتری دارد. MEG قابل حمل که نیازی به تبرید ندارد، یک تغییر دهنده بازی برای BCI غیرتهاجمی خواهد بود. مردم با مغناطیس‌سنج‌های پمپ‌شده نوری در حال پیشرفت هستند و می‌توان حسگرهای OPM جداگانه را در بازار آزاد از تولیدکنندگانی مانند QuSpin خریداری کرد.

علاوه بر این تکنیک‌های شناخته‌شده‌تر، برخی از فناوری‌های اسب تیره مانند هولوگرافی دیجیتال، توموگرافی عکس-آکوستیک و اولتراسوند عملکردی می‌توانند منجر به تغییر پارادایم سریع در این فضا شوند.

در حالی که BCI غیر تهاجمی درجه مصرف کننده هنوز در مراحل ابتدایی خود است، تعدادی فشار بازار در مورد موارد استفاده AR وجود دارد که باعث بزرگتر شدن کیک می شود. در واقع، یک مشکل مهم برای AR کنترل دستگاه است: اگر بتوانید از آن اجتناب کنید، نمی‌خواهید با یک کنترلر راه بروید یا با عینک زیر لب غر بزنید. شرکت ها در مورد حل این مشکل کاملا جدی هستند، همانطور که فیس بوک خرید CTRL+Labs نشان می دهد در 2019، Snap با خرید NextMind و همکاری Valve با OpenBCI. بنابراین، ما احتمالا شاهد توسعه سریع BCI های کم بعدی خواهیم بود. اگر یک برنامه قاتل مانند AR پیدا کنند، BCI های با ابعاد بالا ممکن است همان مسیر را دنبال کنند. این امکان وجود دارد که انواع برنامه های کاربردی neuroAI که من در اینجا از آنها دفاع می کنم دقیقاً مورد استفاده مناسب برای این فناوری باشند.

اگر بتوانیم ورودی چشم‌ها و گوش‌ها را کنترل کنیم و وضعیت‌های مغز را دقیقاً اندازه‌گیری کنیم، می‌توانیم درمان‌های مبتنی بر neuroAI را به روشی نظارت شده برای حداکثر اثربخشی ارائه دهیم.

چیزی که از میدان کم است

علم اصلی پشت برنامه‌های NeuroAI به سرعت در حال رشد است و تعدادی روند مثبت وجود دارد که کاربرد عمومی آن را افزایش می‌دهد. بنابراین چه چیزی برای آوردن برنامه های کاربردی neuroAI به بازار کم است؟

1. ابزار سازی. سایر زیرشاخه‌های هوش مصنوعی از جعبه‌ابزارهایی که پیشرفت سریع و اشتراک‌گذاری نتایج را امکان‌پذیر می‌سازند، بهره‌مند شده‌اند. این شامل کتابخانه‌های جبر تانسور مانند Tensorflow و PyTorch، محیط‌های آموزشی مانند OpenAI Gym و اکوسیستم‌ها برای اشتراک‌گذاری داده‌ها و مدل‌هایی مانند 🤗 HuggingFace است. یک مخزن متمرکز مدل‌ها و روش‌ها، و همچنین مجموعه‌های ارزیابی، که به طور بالقوه از داده‌های شبیه‌سازی فراوان استفاده می‌کنند، زمینه را به جلو می‌برد. در حال حاضر یک جامعه قوی از سازمان های علوم اعصاب منبع باز وجود دارد، و آنها می توانند به عنوان میزبان طبیعی برای این تلاش ها عمل کنند.
2. استعداد. تعداد بسیار کمی از مکان‌ها وجود دارد که در آن تحقیق و توسعه در تقاطع علوم اعصاب و هوش مصنوعی انجام می‌شود. منطقه خلیج، با آزمایشگاه‌هایی در استنفورد و برکلی، و منطقه متروی بوستون با آزمایشگاه‌های متعدد در MIT و هاروارد احتمالاً شاهد بیشتر سرمایه‌گذاری از اکوسیستم سرمایه‌گذاری خطرپذیر از قبل موجود خواهند بود. سومین مرکز احتمالی مونترال، کانادا است که توسط دپارتمان‌های عظیم علوم اعصاب در مک گیل و دانشگاه مونترال، همراه با کشش میلا، مؤسسه هوش مصنوعی که توسط پیشگام هوش مصنوعی یوشوا بنجیو تأسیس شده است، ارتقا یافته است. رشته ما از برنامه های دکتری تخصصی و مراکز تعالی در neuroAI برای شروع تجاری سازی بهره می برد.
3. مدل های جدید تامین مالی و تجاری سازی برای کاربردهای پزشکی کاربردهای پزشکی راه طولانی تا تجاری سازی دارند و مالکیت معنوی محافظت شده معمولاً پیش نیازی برای به دست آوردن بودجه برای کاهش ریسک سرمایه گذاری در فناوری است. ثبت اختراعات مبتنی بر هوش مصنوعی بسیار دشوار است، و نرم افزار به عنوان یک دستگاه پزشکی (SaMD) به تازگی وارد بازار شده است و راه تجاری سازی را نامشخص می کند. ما به بودجه‌هایی نیاز داریم که بر گرد هم آوردن مهارت‌های هوش مصنوعی و فناوری پزشکی برای پرورش این حوزه نوپا متمرکز شوند. 

بیایید neuroAI را بسازیم

دانشمندان و فیلسوفان از زمان های بسیار قدیم در مورد چگونگی عملکرد مغزها متحیر بودند. چگونه یک ورقه نازک بافت با مساحت یک فوت مربع ما را قادر می سازد ببینیم، بشنویم، احساس کنیم و فکر کنیم؟ NeuroAI با ساختن مدل‌هایی از سیستم‌های عصبی در رایانه به ما کمک می‌کند تا به این سؤالات عمیق رسیدگی کنیم. با ارضای آن عطش اساسی دانش - انسان بودن به چه معناست؟ - دانشمندان علوم اعصاب همچنین در حال ساخت ابزارهایی هستند که می تواند به میلیون ها نفر کمک کند تا زندگی غنی تری داشته باشند.

ارسال شده در 4 آگوست 2022