Tekoäly mallintaa aivoja auttaakseen meitä näkemään, kuulemaan ja luomaan

Tämä on muokattu versio alun perin julkaistusta viestistä tätä.

---

Neurotieteellä ja tekoälyllä on pitkä, toisiinsa kietoutunut historia. Tekoälyn pioneerit katsoivat aivojen organisoinnin periaatteita inspiraationa älykkäiden koneiden valmistamiseen. Yllättävässä käänteessä tekoäly auttaa meitä ymmärtämään sen inspiraation lähteen: ihmisaivot. Tätä lähestymistapaa, jossa tekoälyä käytetään aivomallien rakentamiseen, kutsutaan neuroAI:ksi. Seuraavan vuosikymmenen aikana teemme entistä tarkempia in silico aivomalleja, erityisesti malleja kahdesta näkyvimmästä aististamme, näköstä ja kuulosta. Tämän seurauksena voimme ladata ja käyttää aistimalleja pyynnöstä samalla mukavuudella kuin objektien tunnistamisessa tai luonnollisen kielen käsittelyssä.

Monet neurotieteilijät ja tekoälytutkijat ovat – ymmärrettävästi! – erittäin innoissani tästä: brains on demand! Selvitä, mitä tarkoittaa nähdä, tuntea, olla ihminen! Vähemmän tunnettua on, että teollisuudessa on laajat käytännön sovellukset. Olen pitkään ollut tämän alan tutkija ja työskennellyt tohtorintutkinnon jälkeen, miten aivot muuttavat näön merkitykseksi. Olen nähnyt alan edistymisen sen alusta lähtien, ja mielestäni nyt on aika tutkia, kuinka neuroAI voi edistää luovuutta ja parantaa terveyttämme. 

Ennustan, että neuroAI löytää ensin laajan käytön taiteessa ja mainonnassa, varsinkin kun se yhdistetään uusiin generatiivisiin tekoälymalleihin, kuten GPT-3 ja DALL-E. Vaikka nykyiset generatiiviset tekoälymallit voivat tuottaa luovaa taidetta ja mediaa, ne eivät voi kertoa, välittääkö media lopulta viestin kohdeyleisölle – mutta neuroAI voisi. Voisimme esimerkiksi korvata kohderyhmien ja A/B-testien yrityksen ja erehdyksen ja luoda suoraan mediaa, joka viestii juuri sitä mitä haluamme. Tätä sovellusta ympäröivät valtavat markkinapaineet luovat suotuisan kierteen, joka parantaa neuroAI-malleja. 

Tuloksena saadut parannetut mallit mahdollistavat terveydenhuollon sovellukset lääketieteessä neurologisista ongelmista kärsivien ihmisten auttamisesta kaivon kykyjen parantamiseen. Kuvittele, että luot oikeat kuvat ja äänet, jotka auttavat henkilöä toipumaan näkö- tai kuulonsa nopeammin LASIK-leikkauksen jälkeen tai sisäkorvaistutteen saamisen jälkeen. 

Näistä innovaatioista tulee paljon tehokkaampia, kun muut tulevat teknologiat: lisätty todellisuus ja aivojen ja tietokoneiden rajapinnat. Kuitenkin, jotta voimme täysin ymmärtää tilauksesta ladattavien sensorijärjestelmien potentiaalisen hyödyn, meidän on täytettävä nykyiset aukot työkaluissa, kyvyissä ja rahoituksessa.

Tässä artikkelissa selitän, mitä neuroAI on, kuinka se voi alkaa kehittyä ja vaikuttaa elämäämme, miten se täydentää muita innovaatioita ja teknologioita ja mitä tarvitaan sen edistämiseksi.  

Mikä on neuroAI?

NeuroAI on nouseva tieteenala, joka pyrkii 1) tutkimaan aivoja oppiakseen rakentamaan parempaa tekoälyä ja 2) käyttämään tekoälyä aivojen ymmärtämiseen paremmin. Yksi neuroAI:n ydintyökaluista on keinotekoisten hermoverkkojen käyttö tiettyjen aivotoimintojen tietokonemallien luomiseen. Tämä lähestymistapa sai alkunsa vuonna 2014, kun tutkijat klo MIT ja Columbia osoittivat, että syvät keinotekoiset hermoverkot voisivat selittää vasteet aivojen osassa, joka tunnistaa esineitä: inferotemporaalisessa aivokuoressa (IT). He esittelivät perusreseptin keinotekoisen hermoverkon vertaamiseksi aivoihin. Käyttämällä tätä reseptiä ja toistamalla iteratiivisia testejä aivoprosesseissa – muodontunnistus, liikkeenkäsittely, puheenkäsittely, käsivarren hallinta, tilamuisti – tiedemiehet rakentavat tilkkutäkkiä tietokonemalleja aivoille. 

Aivojen osan neuroAI-mallilla on kaksi keskeistä ominaisuutta. Se on laskettavissa: voimme syöttää tälle tietokonemallille ärsykkeen ja se kertoo meille, kuinka aivoalue reagoi. Se on myös erotettavissa: se on syvä hermoverkko, jonka voimme optimoida samalla tavalla kuin optimoimme malleja, jotka ratkaisevat visuaalisen tunnistuksen ja luonnollisen kielen käsittelyn. Tämä tarkoittaa, että neurotieteilijät pääsevät käyttämään kaikkia tehokkaita työkaluja, jotka ovat johtaneet syvän oppimisen vallankumoukseen, mukaan lukien tensorialgebrajärjestelmät, kuten PyTorch ja TensorFlow. 

Mitä tämä tarkoittaa? Me emme ymmärtäneet suuria aivojen paloja pystyimme lataamaan hyviä malleja siitä alle vuosikymmenessä. Oikeilla investoinneilla saamme pian erinomaisia ​​malleja suurista aivopaloista. Visuaalinen järjestelmä mallinnettiin ensimmäisenä; kuulojärjestelmä ei ollut kaukana; ja muut alueet putoavat varmasti kuin domino, kun pelokkaat neurotieteilijät ryntäävät ratkaisemaan aivojen mysteereitä. Sen lisäksi, että tämä innovaatio tyydyttää älyllisen uteliaisuutemme – suuri motivaattori tutkijoille! – tämän innovaation avulla kuka tahansa ohjelmoija voi ladata hyviä aivomalleja ja avata lukemattomia sovelluksia.

Sovellusalueet

Taide ja mainonta

Aloitetaan tästä yksinkertaisesta oletuksesta: 99 % mediasta, jonka koemme, on silmiemme ja korvien kautta. On kokonaisia ​​toimialoja, jotka voidaan tiivistää oikeiden pikselien ja sävyjen toimittamiseen näille aisteille: kuvataide, suunnittelu, elokuvat, pelit, musiikki ja mainonta ovat vain muutamia niistä. Silmämme ja korvamme eivät itse tulkitse näitä kokemuksia, koska ne ovat vain antureita: aivomme ymmärtävät tuon tiedon. Media on luotu tiedottamaan, viihdyttämään, herättämään haluttuja tunteita. Mutta sen määrittäminen, vastaanotetaanko viesti maalauksessa, ammattikuvassa tai mainoksessa tarkoitetulla tavalla, on turhauttavaa yrityksen ja erehdyksen menetelmässä: ihmisten on oltava silmukassa selvittääkseen, osuuko viesti, mikä on kallista ja aikaa. kuluttava.

Laajamittainen verkkopalvelu on keksinyt tapoja kiertää tämä automatisoimalla A/B-testit. Google tunnetusti testasi mitä 50 sinisen sävystä käyttää hakukoneen tulossivun linkeissä. The Guardianin mukaan paras valinta paransi liikevaihtoa vuoden 200 2009 miljoonan dollarin perustasosta tai karkeasti 1 % Googlen tuolloin tuloista. Netflix mukauttaa pikkukuvat katsojalle optimoidakseen käyttökokemuksensa. Nämä menetelmät ovat valtavan liikenteen verkkojättiläisten käytettävissä, mikä voi voittaa ihmisten käyttäytymiseen liittyvän melun.

Mitä jos voisimme ennustaa, kuinka ihmiset reagoivat mediaan ennen kuin saamme mitään dataa? Tämä antaisi pienyrityksille mahdollisuuden optimoida kirjallisia materiaalejaan ja verkkosivustojaan huolimatta siitä, että niillä on vähän aiempaa vetovoimaa. NeuroAI on tulossa yhä lähemmäksi kykyä ennustaa, kuinka ihmiset reagoivat visuaaliseen materiaaliin. Esimerkiksi tutkijat Adobella työskentelevät työkalut ennustaa ja ohjata visuaalista huomiota kuvissa.

Tutkijat ovat myös osoittaneet kuvien muokkaamisen niiden tekemiseksi visuaalisesti mieleenpainuvampi tai esteettisempi miellyttävä. Sitä voidaan käyttää esimerkiksi valitsemaan automaattisesti ammattimainen pääkuva, joka vastaa parhaiten sitä kuvaa, jonka ihmiset haluavat heijastaa itsestään – ammattimaisen, vakavan tai luovan. Keinotekoiset hermoverkot voivat jopa löytää tapoja välittää viestejä tehokkaammin kuin realistiset kuvat. OpenAI:n CLIP voidaan tutkia tunteiden mukaisten kuvien löytämiseksi. Shokin käsitteeseen parhaiten soveltuva kuva ei olisi paikallaan Munch's Screamin vieressä.

Viime vuoden aikana OpenAI ja Google ovat osoittaneet luovia taideverkostoja, joilla on vaikuttava kyky luoda fotorealistisia kuvia tekstikehotteista. Emme ole aivan saavuttaneet sitä hetkeä musiikin suhteen, mutta generatiivisten mallien kehitysvauhdilla tämä tapahtuu varmasti muutaman seuraavan vuoden aikana. Rakentamalla koneita, jotka kuulevat kuten ihmiset, voimme ehkä demokratisoida musiikin tuotannon ja antaa kenelle tahansa mahdollisuuden tehdä sitä, mitä korkeasti koulutetut musiikin tuottajat voivat tehdä: välittää kertosäkeen aikana oikeat tunteet, olipa se sitten melankoliaa tai iloa; luoda melodian korvamato; tai tehdä kappaleesta vastustamattomasti tanssittava.

Markkinoilla on valtavia paineita optimoida audiovisuaalista mediaa, verkkosivustoja ja erityisesti mainoksia, ja integroimme jo neuroAI- ja algoritmitaidetta tähän prosessiin. Tämä paine johtaa hyödylliseen kierteeseen, jossa neuroAI paranee ja hyödyllistyy, kun enemmän resursseja käytetään käytännön sovelluksiin. Tämän sivuvaikutuksena on, että saamme erittäin hyviä aivomalleja, jotka ovat hyödyllisiä paljon mainosten ulkopuolella. 

Helppokäyttöisyys ja algoritminen suunnittelu

Yksi neuroAI:n jännittävimmistä sovelluksista on saavutettavuus. Suurin osa mediasta on suunniteltu "keskimääräiselle" ihmiselle, mutta me kaikki käsittelemme visuaalista ja kuuloinformaatiota eri tavalla. 8 % miehistä ja 0.5 % naisista on punavihreitä värisokeita, ja suuri osa mediasta ei ole mukautettu heidän tarpeisiinsa. Nykyään on useita tuotteita, jotka simuloivat värisokeutta, mutta vaativat normaalin värinäön omaavan henkilön tulkitsemaan tulokset ja tekemään tarvittavat muutokset. Staattinen värien uudelleenkartoitus ei myöskään toimi näihin tarpeisiin, koska jotkin materiaalit eivät säilytä semantiikkaansa värikartoituksen avulla (esim. graafit, joista tulee vaikealukuisia). Voisimme automatisoida värisokeudelle turvallisten materiaalien ja verkkosivustojen luomisen neuroAI-menetelmillä, jotka ylläpitävät olemassa olevan grafiikan semantiikan.

Toinen esimerkki on auttaa ihmisiä, joilla on oppimisvaikeuksia, kuten lukihäiriö, joka vaikuttaa jopa 10 prosenttiin ihmisistä maailmanlaajuisesti. Yksi lukihäiriön taustalla olevista ongelmista on herkkyys ruuhkalle, mikä on vaikeus tunnistaa muotoja, joilla on samanlaisia ​​taustapiirteitä, mukaan lukien peilisymmetriset kirjaimet, kuten p ja q. Anne Harrington ja Arturo Deza MIT:ssä työskentelevät neuroAI-malleja joka mallintaa tätä vaikutusta ja saada erittäin lupaavia tuloksia. Kuvittele, että ottaisit lukihäiriöisen visuaalisen järjestelmän mallien suunnittelemaan kirjasimia, jotka ovat sekä esteettisesti miellyttäviä että helpompia lukea. Oikeilla tiedoilla tietyn henkilön näköjärjestelmästä voimme jopa muokata fonttia tietylle henkilölle, joka on osoittanut lupaavia lukukyvyn parantamisessa. Nämä ovat mahdollisesti suuria parannuksia elämänlaadussa odottamassa täällä.

terveys

Monet neurotieteilijät tulevat alalle toivoen, että heidän tutkimuksensa vaikuttaa positiivisesti ihmisten terveyteen, erityisesti ihmisten, joilla on neurologisia häiriöitä tai mielenterveysongelmia. Olen erittäin toiveikas, että neuroAI avaa uusia hoitoja: hyvällä aivomallilla voimme luoda oikeat ärsykkeet, jotta oikea viesti pääsee perille, kuin avain sopii lukkoon. Tässä mielessä neuroAI:ta voitaisiin soveltaa samalla tavalla algoritmiseen lääkesuunnitteluun, mutta pienten molekyylien sijaan toimitamme kuvia ja ääniä. 

Kaikkein lähestyttävimmät ongelmat liittyvät silmien ja korvien reseptoriin, jotka on jo hyvin karakterisoitu. Sadat tuhannet ihmiset ovat saaneet sisäkorvaistutteita, neuroproteesia, jotka stimuloivat sähköisesti korvan sisäkorvaa, jolloin kuurot tai huonokuuloiset voivat kuulla uudelleen. Näitä muutaman kymmenen elektrodin sisältäviä implantteja voi olla vaikea käyttää meluisissa ympäristöissä, joissa on useita kaiuttimia. Aivomalli voi optimoida implantin stimulaatiokuvio puheen vahvistamiseksi. Merkittävää on, että tätä implantteja käyttäville ihmisille kehitettyä tekniikkaa voidaan mukauttaa auttamaan ihmisiä, joilla ei ole implantteja, ymmärtämään paremmin puhetta muuttamalla ääniä reaaliajassa, olipa heillä kuulonkäsittelyhäiriö tai he ovat vain usein äänekkäissä ympäristöissä.

Monet ihmiset kokevat muutoksia aistijärjestelmissään koko elämänsä ajan, olipa kyse sitten kaihileikkauksesta toipumisesta tai likinäköisyydestä iän myötä. Tiedämme, että tällaisen muutoksen jälkeen ihmiset voivat oppia tulkitsemaan maailmaa uudelleen oikein toistamalla, ilmiötä kutsutaan havainnollistamiseksi. Voimme ehkä maksimoida tämän havainnollisen oppimisen, jotta ihmiset voivat saada takaisin taitonsa nopeammin ja tehokkaammin. Samanlainen idea voisi auttaa ihmisiä, jotka ovat menettäneet kyvyn liikkua raajoinsa sujuvasti aivohalvauksen jälkeen. Jos löytäisimme oikean liikesarjan aivojen vahvistamiseksi optimaalisesti, voimme ehkä auttaa aivohalvauksesta selviytyneitä saamaan takaisin enemmän toimintoja, kuten kävelemään sujuvammin tai pitämään kupillista kahvia ilman läikkymistä. Sen lisäksi, että sama idea auttaa ihmisiä palauttamaan menetetyt fyysiset toiminnot, se voisi auttaa terveitä ihmisiä saavuttamaan huipputason aistisuorituskykynsä – olivatpa he sitten baseball-pelaajia, jousiampujia tai patologisia.

Lopuksi voimme nähdä, että näitä ideoita sovelletaan mielialahäiriöiden hoitoon. Kävin monissa kuvataidenäytöksissä lievittääkseni ikävystymistäni pandemian aikana, ja se nosti mielialaani valtavasti. Visuaalinen taide ja musiikki voivat kohottaa mielialaamme, ja se on todiste siitä, että voimme olla pystyy tarjoamaan hoitoja mielialahäiriöihin aistien kautta. Tiedämme, että tiettyjen aivojen osien toiminnan ohjaaminen sähköstimulaatiolla voi lievittää hoitoa kestävää masennusta; ehkä aivojen toiminnan epäsuora hallinta aistien kautta voisi osoittaa samanlaisia ​​vaikutuksia. Ottamalla käyttöön yksinkertaisia ​​malleja – alhaalla roikkuvia hedelmiä – jotka vaikuttavat hyvin ymmärrettyihin aivojen osiin, saamme pallon pyörimään monimutkaisempien mallien rakentamisessa, jotka voivat auttaa ihmisten terveyttä. 

Teknologian trendit mahdollistavat

NeuroAI:n kesyttäminen ja käyttöönotto sovelluksissa kestää useita vuosia, ja se kaappaa muita nousevia teknologiatrendejä. Tässä korostan erityisesti kahta suuntausta, jotka tekevät neuroAI:sta paljon tehokkaamman: lisätty todellisuus (AR), joka voi välittää ärsykkeitä tarkasti; ja aivo-tietokonerajapinnat (BCI), jotka voivat mitata aivojen toimintaa varmistaakseen, että ärsykkeet toimivat odotetulla tavalla.  

Lisääntynyt todellisuus

Trendi, joka tekee neuroAI-sovelluksista paljon tehokkaampia, on lisätyn todellisuuden lasien käyttöönotto. Augmented reality (AR) voi kehittyä kaikkialla läsnä olevaksi laskenta-alustaksi, koska AR integroituu jokapäiväiseen elämään.

Meta Reality Labsin johtava tutkija Michael Abrashin hypoteesi on, että jos rakennat riittävän tehokkaat AR-lasit, kaikki haluavat niitä. Se tarkoittaa rakentamista maailmatietoiset lasit, jotka voivat luoda pysyviä, maailmaan lukittuja virtuaaliobjekteja; kevyet ja muodikkaat kehykset, kuin pari Ray-Baneja; ja antaa sinulle tosielämän supervoimia, kuten kykyä olla luontevasti vuorovaikutuksessa ihmisten kanssa etäisyydestä riippumatta ja parantaa kuuloasi. Jos pystyt rakentamaan nämä – valtavan teknisen haasteen – AR-lasit voisivat seurata iPhonen kaltaista kehityskulkua, niin että jokaisella on sellainen (tai lopputulos) 5 vuotta julkaisun jälkeen.

Jotta tämä olisi totta, Meta käytti 10 miljardia dollaria viime vuonna metaversumien tutkimukseen ja kehitykseen. Vaikka emme tiedä varmasti, mitä Apple tekee, niitä on vahvoja merkkejä siitä, että he työskentelevät AR-lasien parissa. Joten myös tarjontapuolella on valtava painostus AR: n toteuttamiseksi.

Tämä tekee laajalti saataville näyttölaitteen, joka on paljon tehokkaampi kuin nykypäivän staattiset näytöt. Jos se seuraa VR:n lentorataa, siihen on lopulta integroitu katseenseuranta. Tämä tarkoittaisi laajalti saatavilla olevaa tapaa esittää ärsykkeitä, joka on paljon paremmin hallinnassa kuin tällä hetkellä on mahdollista, unelma neurotieteilijöille. Ja näillä laitteilla on todennäköisesti kauaskantoisia terveyssovelluksia, kuten Michael Abrash kertoi vuonna 2017, kuten näön parantaminen hämärässä tai ihmisten mahdollisuus elää normaalia elämää silmänpohjan rappeutumisesta huolimatta.

Merkitys neuroAI:lle on selvä: voimme antaa oikean ärsykkeen erittäin kontrolloidusti jatkuvasti jokapäiväisessä elämässä. Tämä pätee näköön ja ehkä vähemmän ilmeisesti kuuloon, koska voimme tuottaa tilaääntä. Tämä tarkoittaa, että työkalumme neuroAI-hoitojen aikaansaamiseksi neurologisista ongelmista kärsiville ihmisille tai saavutettavuuden parantamiseksi tulevat paljon tehokkaammiksi.

BCI

Upealla näytöllä ja kaiuttimilla voimme ohjata tärkeimpiä aivojen syötteitä tarkasti. Seuraava, tehokkaampi vaihe ärsykkeiden välittämisessä aistien kautta on varmistaa, että aivot reagoivat odotetulla tavalla vain luku -aivo-tietokonerajapinnan (BCI) kautta. Näin ollen voimme mitata ärsykkeiden vaikutuksia aivoihin, ja jos ne eivät ole odotetulla tavalla, voimme säätää vastaavasti niin sanotussa suljetun silmukan ohjauksessa. 

Selvyyden vuoksi tässä en puhu BCI-menetelmistä, kuten Neuralinkin sirusta tai syväaivostimulaattoreista, jotka menevät kallon sisään; se riittää näihin tarkoituksiin mittaamaan aivojen toimintaa kallon ulkopuolella, ei-invasiivisesti. Aivoja ei myöskään tarvitse stimuloida suoraan: lasit ja kuulokkeet ovat kaikki mitä tarvitset hallitaksesi suurinta osaa aivojen tuloista.

On olemassa useita ei-invasiivisia vain luku -muotoisia BCI:itä, joita kaupallistetaan nykyään tai joita ollaan valmistelemassa ja joita voitaisiin käyttää suljetun silmukan ohjaukseen. Joitakin esimerkkejä ovat:

• EEG. Elektroenkefalografia mittaa aivojen sähköistä aktiivisuutta kallon ulkopuolella. Koska kallo toimii tilavuusjohtimena, EEG:llä on korkea ajallinen resoluutio, mutta alhainen spatiaalinen resoluutio. Vaikka tämä on rajoittanut kuluttajien käyttöä meditaatiotuotteisiin (Muusa) ja kapealla neuromarkkinointisovelluksilla, olen nouseva joihinkin sen käyttöihin suljetun silmukan ohjauksen yhteydessä. EEG voi olla paljon tehokkaampi, kun ärsyke on hallinnassa, koska on mahdollista korreloida esitetty ärsyke EEG-signaalin kanssa ja purkaa se, mihin henkilö kiinnitti huomiota (herätyt mahdolliset menetelmät). Todellakin, NextMind, joka teki EEG-pohjaisen "mielin napsautuksen" herätettyjen potentiaalien perusteella, hankittiin tekijältä Snap, joka valmistaa nyt AR-tuotteita. OpenBCI on suunnittelu julkaista kuulokkeet, jotka integroivat EEG-anturit Varjon huippuluokan Aero-kuulokkeisiin. En laskisi EEG:tä pois.
• fMRI. Funktionaalinen magneettikuvaus mittaa hermotoimintaan liittyviä pieniä muutoksia veren hapettumisessa. Se on hidas, se ei ole kannettava, se vaatii oman huoneen ja on erittäin kallis. FMRI on kuitenkin edelleen ainoa tekniikka, joka voi ei-invasiivisesti lukea aktiivisuutta syvällä aivoissa spatiaalisesti tarkasti. On olemassa kaksi paradigmaa, jotka ovat melko kypsiä ja merkityksellisiä suljetun silmukan hermoston ohjauksessa. Ensimmäinen on fMRI-pohjainen biofeedback. fMRI:n alakenttä osoittaa, että ihmiset voivat muokata aivotoimintaansa esittämällä sen visuaalisesti näytöllä tai kuulokkeilla. Toinen on aivokuoren kartoitus, joka sisältää lähestymistapoja, kuten väestöreseptiiviset kentät ja vokselin selektiivisyyden arvioiminen elokuvaleikkeillä tai podcasteja, joiden avulla voidaan arvioida, kuinka eri aivoalueet reagoivat erilaisiin visuaalisiin ja kuuloärsykkeisiin. Nämä kaksi menetelmää viittaavat siihen, että pitäisi olla mahdollista arvioida, kuinka neuroAI-interventio vaikuttaa aivoihin ja ohjata niitä tehokkaammin.
• fNIRS. Toiminnallinen lähi-infrapunaspektroskopia käyttää hajavaloa aivoveren tilavuuden arvioimiseen lähettimen ja reseptorin välillä. Se perustuu siihen tosiasiaan, että veri on läpinäkymätöntä ja lisääntynyt hermostotoiminta johtaa viivästyneeseen verenvirtaukseen tietyssä aivotilavuudessa (sama periaate kuin fMRI). Perinteisellä NIRS:llä on alhainen tilaresoluutio, mutta aika-avainnuksella (TD-NIRS) ja massiivisella ylinäytteenotolla (diffuusi optinen tomografia) spatiaalinen resoluutio on paljon parempi. Akateemisella rintamalla, Joe Culverin ryhmä WUSTL:ssä ovat osoittaneet elokuvien dekoodauksen visuaalisesta aivokuoresta. Kaupallisella rintamalla Kernel on nyt TD-NIRS-kuulokkeiden valmistus ja toimitus jotka ovat vaikuttavia tekniikan saavutuksia. Ja se on alue, jolla ihmiset jatkavat työntämistä ja edistyminen on nopeaa; vanha ryhmäni Metassa osoitti 32-kertaisen parannuksen signaali-kohinasuhteessa (joka voitaisiin skaalata yli 300:aan) vastaavassa tekniikassa.
• MEG. Magnetoenkefalografia mittaa pieniä muutoksia magneettikentissä, mikä paikallistaa aivojen toimintaa. MEG on samanlainen kuin EEG siinä mielessä, että se mittaa muutoksia sähkömagneettisessa kentässä, mutta se ei kärsi tilavuuden johtumisesta ja siksi sillä on parempi avaruudellinen resoluutio. Kannettava MEG, joka ei vaadi jäähdytystä, olisi pelin muuttaja ei-invasiiviselle BCI:lle. Ihmiset edistyvät optisesti pumpattujen magnetometrien kanssa, ja yksittäisiä OPM-antureita on mahdollista ostaa vapailta markkinoilta valmistajilta, kuten QuSpin.

Näiden paremmin tunnettujen tekniikoiden lisäksi jotkin pimeyden hevostekniikat, kuten digitaalinen holografia, fotoakustinen tomografia ja toiminnallinen ultraääni, voivat johtaa nopeisiin paradigman muutoksiin tässä tilassa.

Vaikka kuluttajatason ei-invasiivinen BCI on vielä lapsenkengissään, AR-käyttötapauksiin liittyy useita markkinoiden paineita, jotka tekevät piirakasta suuremman. Merkittävä ongelma AR:lle onkin laitteen hallinta: sinun ei tarvitse kävellä ohjaimen kanssa tai mutista laseillesi, jos voit välttää sen. Yritykset suhtautuvat melko vakavasti tämän ongelman ratkaisemiseen, mistä on osoituksena Facebookin ostaminen CTRL+Labsista vuonna 2019, Snap hankki NextMind ja Valve tekee yhteistyötä OpenBCI:n kanssa. Näin ollen näemme todennäköisesti matalaulotteisia BCI:itä kehittyvän nopeasti. Korkeaulotteiset BCI:t voivat seurata samaa rataa, jos he löytävät tappajasovelluksen, kuten AR. On mahdollista, että sellaiset neuroAI-sovellukset, joita kannatan tässä, ovat juuri oikea käyttötapa tälle teknologialle.

Jos pystymme hallitsemaan syötteitä silmiin ja korviin sekä mittaamaan aivojen tiloja tarkasti, voimme tarjota neuroAI-pohjaisia ​​hoitoja valvotulla tavalla maksimaalisen tehokkuuden saavuttamiseksi.

Mitä kentältä puuttuu

NeuroAI-sovellusten taustalla oleva ydintiede kypsyy nopeasti, ja on olemassa useita myönteisiä suuntauksia, jotka lisäävät sen yleistä sovellettavuutta. Mitä siis puuttuu neuroAI-sovellusten tuomiseksi markkinoille?

1. Työkalut. Muut tekoälyn osa-alueet ovat hyötyneet valtavasti työkalupaketeista, jotka mahdollistavat nopean edistymisen ja tulosten jakamisen. Tämä sisältää tensorialgebrakirjastot, kuten Tensorflow ja PyTorch, harjoitusympäristöt, kuten OpenAI Gym, ja ekosysteemit tietojen ja mallien jakamiseen, kuten 🤗 HuggingFace. Keskitetty mallien ja menetelmien arkisto sekä arviointisarjat, jotka mahdollisesti hyödyntäisivät runsaasti simulaatiodataa, vievät alaa eteenpäin. Siellä on jo vahva avoimen lähdekoodin neurotieteen organisaatioiden yhteisö, ja ne voisivat toimia luonnollisina isäntinä näille ponnisteluille.
2. Lahjakkuus. On häviävän vähän paikkoja, joissa tutkimusta ja kehitystä tehdään neurotieteen ja tekoälyn risteyksessä. Bay Area, jossa on laboratorioita Stanfordissa ja Berkeleyssä, ja Bostonin metroalue, jossa on lukuisia MIT:n ja Harvardin laboratorioita, tulevat todennäköisesti näkemään suurimman osan sijoituksista jo olemassa olevasta riskipääomaekosysteemistä. Kolmas todennäköinen keskus on Montreal, Kanada, jota nostavat McGillin ja Universite de Montrealin massiiviset neurotieteen laitokset yhdistettynä Milan, tekoälyinstituutin, jonka perusti tekoälyn pioneeri Yoshua Bengio, veto. Alamme hyötyisi erikoistuneista tohtoriohjelmista ja neuroAI:n osaamiskeskuksista kaupallistamisen käynnistämiseksi.
3. Uusia rahoitus- ja kaupallistamismalleja lääketieteellisiin sovelluksiin. Lääketieteellisissä sovelluksissa on pitkä tie kaupallistamiseen, ja suojattu immateriaalioikeus on yleensä edellytys rahoituksen saamiselle teknologiaan tehtävien investointien vähentämiseksi. Tekoälyyn perustuvia innovaatioita on tunnetusti vaikea patentoida, ja ohjelmisto lääketieteellisenä laitteena (SaMD) on vasta alkamassa tulla markkinoille, mikä tekee kaupallistamisen tiestä epävarmaa. Tarvitsemme varoja, jotka keskittyvät yhdistämään tekoälyn ja lääketieteellisen teknologian asiantuntemus tämän syntymässä olevan alan vaalimiseksi. 

Rakennetaan neuroAI

Tiedemiehet ja filosofit ovat ihmetelleet aivojen toimintaa ikimuistoisista ajoista lähtien. Kuinka ohut kudoslevy, neliöjalan pinta-ala, auttaa meitä näkemään, kuulemaan, tuntemaan ja ajattelemaan? NeuroAI auttaa meitä saamaan otteen näihin syviin kysymyksiin rakentamalla malleja neurologisista järjestelmistä tietokoneisiin. Tyydyttämällä tuo perustavanlaatuinen tiedon jano – mitä tarkoittaa olla ihminen? – Neurotieteilijät rakentavat myös työkaluja, jotka voivat auttaa miljoonia ihmisiä elämään rikkaampaa elämää.

Julkaistu 4. elokuuta 2022