A mesterséges intelligencia modellezi az agyat, hogy segítsen nekünk látni, hallani és alkotni

Ez egy eredetileg megjelent bejegyzés szerkesztett változata itt.

---

Az idegtudomány és a mesterséges intelligencia hosszú, összefonódó története van. A mesterséges intelligencia úttörői az agy szerveződésének alapelveit tekintették ihletnek az intelligens gépek készítéséhez. Meglepő fordulatként a mesterséges intelligencia most segít megérteni az inspiráció forrását: az emberi agyat. Ezt a megközelítést, amely az AI-t használja az agymodellek felépítésére, neuroAI-nak nevezik. A következő évtizedben egyre pontosabbak leszünk in silico agyi modellek, különösen a két legkiemelkedőbb érzékszervünk, a látás és a hallás modelljei. Ennek eredményeként igény szerint letölthetünk és használhatunk szenzoros modelleket, ugyanolyan kényelemmel, mint az objektumfelismerés vagy a természetes nyelvi feldolgozás.

Sok idegtudós és mesterséges intelligenciakutató – érthető! – nagyon izgatott ez: brains on demand! Fedezze fel, mit jelent látni, érezni, embernek lenni! Kevésbé ismert, hogy az iparban széles körű gyakorlati alkalmazások léteznek. Régóta kutatóként dolgozom ezen a területen, és doktori fokozatom óta dolgozom azon, hogyan alakítja át az agy a látást jelentéssé. Láttam a terület fejlődését a kezdetektől fogva, és úgy gondolom, hogy most itt az ideje annak utánajárni, hogy a neuroAI hogyan mozdíthatja elő a kreativitást és javíthatja egészségünket. 

Azt jósolom, hogy a neuroAI először a művészetben és a reklámozásban talál majd széles körben elterjedt alkalmazást, különösen, ha olyan új generatív mesterséges intelligencia modellekhez csatlakozik, mint a GPT-3 és a DALL-E. Bár a jelenlegi generatív AI-modellek kreatív művészetet és médiát hozhatnak létre, nem tudják megmondani, hogy ez a média végső soron üzenetet közvetít-e a célközönséghez – de a neuroAI. Például felválthatjuk a fókuszcsoportok és az A/B tesztek próbálkozását, és közvetlenül létrehozhatunk olyan médiát, amely pontosan azt kommunikálja, amit akarunk. Az alkalmazás körüli hatalmas piaci nyomás olyan pozitív ciklust fog létrehozni, amely javítja a neuroAI modelleket. 

Az így létrejövő továbbfejlesztett modellek lehetővé teszik az egészségügyi alkalmazásokat az orvostudományban, a neurológiai problémákkal küzdők segítésétől a kút képességeinek javításáig. Képzelje el, hogy a megfelelő képeket és hangokat hozza létre annak érdekében, hogy a LASIK műtét vagy a cochleáris implantátum beültetése után gyorsabban visszanyerje látását vagy hallását. 

Ezeket az újításokat sokkal erősebbé teszik a folyamatban lévő más technológiák: a kiterjesztett valóság és az agy-számítógép interfészek. Ahhoz azonban, hogy teljes mértékben kiaknázzuk az igény szerint letölthető szenzoros rendszerek potenciális hasznát, pótolnunk kell a jelenlegi hiányosságokat a szerszámok, a tehetségek és a finanszírozás terén.

Ebben a cikkben elmagyarázom, mi az a neuroAI, hogyan kezdhet el fejlődni, és hogyan kezdhet hatással az életünkre, hogyan egészíti ki más innovációkat és technológiákat, és mire van szükség az előremozdításához.  

Mi az a neuroAI?

A NeuroAI egy feltörekvő tudományág, amely 1) az agy tanulmányozására törekszik, hogy megtanulja, hogyan lehet jobb mesterséges intelligenciát felépíteni, és 2) a mesterséges intelligenciát az agy jobb megértésére használja. A neuroAI egyik alapvető eszköze a mesterséges neurális hálók használata bizonyos agyi funkciók számítógépes modelljeinek létrehozására. Ez a megközelítés 2014-ben indult be, amikor a kutatók a MIT és a Kolumbia kimutatták, hogy a mély mesterséges neurális hálók magyarázatot adhatnak az agy egy olyan részében, amely objektumfelismerést végez: az inferotemporális kéregben (IT). Bevezettek egy alapreceptet a mesterséges idegháló és az agy összehasonlítására. Ennek a receptnek a felhasználásával és az agyi folyamatok – alakfelismerés, mozgásfeldolgozás, beszédfeldolgozás, kar vezérlése, térbeli memória – iteratív tesztelésének megismétlésével a tudósok számítógépes modellek foltját építik fel az agy számára. 

Az agy egy részének neuroAI modellje két kulcsfontosságú tulajdonsággal rendelkezik. Kiszámolható: táplálhatjuk ezt a számítógépes modellt egy ingerrel, és megmondja, hogyan reagál egy agyterület. Ez is differenciálható: ez egy mély neurális háló, amelyet ugyanúgy tudunk optimalizálni, mint a vizuális felismerést és a természetes nyelvi feldolgozást megoldó modelleket. Ez azt jelenti, hogy az idegtudósok hozzáférhetnek minden olyan hatékony eszközhöz, amely a mély tanulási forradalmat elindította, beleértve a tenzoralgebrai rendszereket, mint a PyTorch és a TensorFlow. 

Mit is jelent ez? Attól, hogy nem értjük az agy nagy darabjait, eljutottunk ahhoz, hogy jó modelleket tölthessünk le róla kevesebb mint egy évtized alatt. Megfelelő befektetéssel hamarosan kiváló modelljeink lesznek az agy nagy darabjairól. Elsőként a vizuális rendszert modellezték; a hallórendszer sem maradt el; és más területek is biztosan dominóként fognak zuhanni, miközben a rettenthetetlen idegtudósok rohannak megfejteni az agy titkait. Amellett, hogy kielégíti intellektuális kíváncsiságunkat – ez nagy motiváció a tudósok számára! – ez az innováció lehetővé teszi bármely programozó számára, hogy jó agymodelleket töltsön le, és számtalan alkalmazást oldjon fel.

Alkalmazási területek

Művészet és reklám

Kezdjük ezzel az egyszerű feltevéssel: az általunk tapasztalt média 99%-a a szemünkön és a fülünkön keresztül történik. Vannak egész iparágak, amelyek a megfelelő képpontok és hangszínek eljuttatására ezeknek az érzékeknek: a vizuális művészet, a design, a filmek, a játékok, a zene és a reklám csak néhány ezek közül. Nos, nem a szemünk és a fülünk értelmezi ezeket a tapasztalatokat, mivel ezek pusztán érzékelők: az agyunk érti meg ezeket az információkat. A médiát azért hozták létre, hogy tájékoztassák, szórakoztassák, előidézzék a kívánt érzelmeket. De annak meghatározása, hogy a festményben, egy profi fejlövésben vagy egy hirdetésben szereplő üzenetet szándékosan fogadták-e, frusztráló próbálkozás a próba-szerencse módszerrel: az embereknek résen kell lenniük annak megállapításához, hogy az üzenet eltalálja-e, ami drága és időigényes. fogyasztó.

A nagyszabású online szolgáltatások a próba és hiba: A/B tesztek automatizálásával kitalálták a megoldást. Google híresen tesztelte, hogy az 50 kék árnyalat közül melyiket használja a keresőmotor eredményoldalán lévő linkekhez. A The Guardian szerint a legjobb választás a 200-es 2009 millió dolláros alapvonalhoz képest javult a bevételben, vagyis nagyjából a Google akkori bevételének 1%-a. A Netflix személyre szabja a bélyegképeket hogy a néző optimalizálja felhasználói élményét. Ezek a módszerek a hatalmas forgalmú online óriáscégek számára elérhetőek, amelyek leküzdhetik az emberek viselkedésében rejlő zajt.

Mi lenne, ha megjósolhatnánk, hogyan reagálnak majd az emberek a médiára, mielőtt bármilyen adatot kapnánk? Ez lehetővé tenné a kisvállalkozások számára, hogy optimalizálják írásos anyagaikat és webhelyeiket, annak ellenére, hogy előzetesen csekély vonzerejük volt. A NeuroAI egyre közelebb kerül ahhoz, hogy megjósolhassa, hogyan reagálnak majd az emberek a vizuális anyagokra. Például kutatók az Adobe-nál eszközökön dolgoznak a vizuális figyelem előrejelzésére és irányítására az illusztrációkban.

A kutatók azt is bebizonyították, hogy fényképeket szerkesztenek ezek elkészítéséhez vizuálisan emlékezetesebb vagy esztétikailag kellemes. Használható például egy olyan professzionális fejfelvétel automatikus kiválasztására, amely leginkább ahhoz a képhez igazodik, amelyet az emberek magukról szeretnének vetíteni – professzionális, komoly vagy kreatív. A mesterséges neurális hálózatok még az üzenetek hatékonyabb kommunikálásának módját is megtalálhatják, mint a valósághű képek. Az OpenAI CLIP-je megvizsgálható, hogy megtalálja az érzelmekhez igazodó képeket. A sokk fogalmához legjobban igazodó kép nem állna ki a Munch’s Scream mellett.

Az elmúlt év során az OpenAI és a Google olyan generatív művészeti hálózatokat mutatott be, amelyek lenyűgöző képességgel képesek fotórealisztikus képeket generálni szöveges felszólításokból. A zene terén még nem értük el ezt a pillanatot, de a generatív modellek fejlődési ütemével ez biztosan meg fog történni a következő néhány évben. Ha olyan gépeket építünk, amelyek úgy hallanak, mint az emberek, képesek lehetünk demokratizálni a zenei produkciót, így bárkinek lehetősége nyílik arra, hogy azt tegye, amit a magasan képzett zenei producerek: a megfelelő érzelmek közvetítésére kórus közben, legyen szó melankóliáról vagy örömről; dallam fülférgének létrehozása; vagy ellenállhatatlanul táncolhatóvá tenni egy darabot.

Óriási piaci nyomás nehezedik az audiovizuális média, a webhelyek és különösen a hirdetések optimalizálására, és már most integráljuk a neuroAI-t és az algoritmikus művészetet ebbe a folyamatba. Ez a nyomás egy erényes ciklushoz vezet, amelyben a neuroAI jobbá és hasznosabbá válik, ahogy több erőforrást fordítanak a gyakorlati alkalmazásokra. Ennek mellékhatása, hogy nagyon jó agymodelleket kapunk, amelyek a hirdetéseken kívül is hasznosak lesznek. 

Hozzáférhetőség és algoritmikus tervezés

A neuroAI egyik legizgalmasabb alkalmazása az akadálymentesítés. A legtöbb média az „átlagos” ember számára készült, mégis mindannyian másképp dolgozzuk fel a vizuális és auditív információkat. A férfiak 8%-a, a nők 0.5%-a vörös-zöld színvak, és a média nagy része nem igazodik az igényeihez. Manapság számos olyan termék létezik, amely a színvakságot szimulálja, de az eredmények értelmezéséhez és a szükséges változtatásokhoz normál színlátású személyre van szükség. A statikus szín-újraképezés sem működik ezekre az igényekre, mivel egyes anyagok nem őrzik meg szemantikájukat a színek újraleképezésével (pl. nehezen olvashatóvá váló grafikonok). A meglévő grafikák szemantikáját fenntartó neuroAI módszerekkel automatizálhatnánk a színvakságra biztonságos anyagok és weboldalak létrehozását.

Egy másik példa a tanulási nehézségekkel küzdő, például diszlexiás emberek segítése, amelyek világszerte az emberek 10%-át érintik. A diszlexia egyik mögöttes problémája az zsúfoltságra való érzékenység, ami a hasonló mögöttes jellemzőkkel rendelkező alakzatok felismerésének nehézsége, beleértve a tükörszimmetrikus betűket, mint például a p és q. Anne Harrington és Arturo Deza az MIT-nél neuroAI modelleken dolgoznak amelyek ezt a hatást modellezik és nagyon ígéretes eredményeket ér el. Képzelje el, hogy a diszlexiás vizuális rendszer modelljeit használva olyan betűtípusokat tervez, amelyek esztétikusak és könnyebben olvashatók. Egy adott személy látórendszerére vonatkozó megfelelő adatok birtokában akár személyre szabhatja a betűtípust egy adott személyhez, amely ígéretesnek bizonyult az olvasási teljesítmény javításában. Ezek potenciálisan jelentős javulások várnak itt az életminőségben.

Egészség

Sok idegtudós azzal a reménnyel lép pályára, hogy kutatásai pozitív hatással lesznek az emberi egészségre, különösen a neurológiai rendellenességekkel vagy mentális egészségügyi problémákkal küzdők számára. Nagyon remélem, hogy a neuroAI új terápiákat nyit meg: egy jó agymodell segítségével meg tudjuk alkotni a megfelelő ingereket, hogy a megfelelő üzenet jusson el hozzá, mint egy kulcs a zárhoz. Ebben az értelemben a neuroAI az algoritmikus gyógyszertervezéshez hasonlóan alkalmazható, de kis molekulák helyett képeket és hangokat szállítunk. 

A leginkább megközelíthető problémák a szem és a fül receptorait érintik, amelyek már jól jellemezhetők. Emberek százezrei kaptak cochleáris implantátumokat, neuroprotéziseket, amelyek elektromosan stimulálják a fül cochleáját, lehetővé téve a siketek vagy nagyothallók számára, hogy újra halljanak. Ezeket az implantátumokat, amelyek néhány tucat elektródát tartalmaznak, nehéz lehet több hangszóróval zajos környezetben használni. Egy agymodell képes optimalizálja az implantátum stimulációs mintáját a beszéd felerősítésére. Ami figyelemre méltó, hogy ezt a technológiát, amelyet az implantátummal rendelkező emberek számára fejlesztettek ki, a hangok valós idejű módosításával adaptálható arra, hogy az implantátum nélküli emberek jobban megértsék a beszédet, függetlenül attól, hogy hallásfeldolgozási zavaruk van, vagy egyszerűen csak gyakran vannak hangos környezetben.

Sok ember érzékszervi rendszere megváltozik élete során, legyen szó szürkehályog műtét utáni felépülésről vagy az életkor előrehaladtával rövidlátóvá válásról. Tudjuk, hogy egy ilyen változás után az emberek megtanulhatják helyesen újraértelmezni a világot az ismétlés révén, ezt a jelenséget perceptuális tanulásnak nevezik. Lehetséges, hogy maximalizáljuk ezt az észlelési tanulást, hogy az emberek gyorsabban és hatékonyabban nyerhessék vissza készségeiket. Egy hasonló ötlet segíthet azokon, akik agyvérzés után elveszítették a képességüket, hogy folyékonyan mozgassák végtagjaikat. Ha megtaláljuk a megfelelő mozdulatsort az agy optimális megerősítéséhez, segíthetünk a stroke-ot túlélőknek abban, hogy több funkciót nyerjenek vissza, például folyékonyabban sétáljanak, vagy egyszerűen csak tartsanak egy csésze kávét anélkül, hogy kiömlik. Amellett, hogy segít az embereknek az elvesztett fizikai funkciók helyreállításában, ugyanez az ötlet segítheti az egészséges embereket a csúcsteljesítmény elérésében – legyenek azok baseball játékosok, íjászok vagy patológusok.

Végül láthattuk, hogy ezeket az ötleteket alkalmazzák a hangulati zavarok kezelésére. Sok vizuális művészeti bemutatón jártam, hogy enyhítsem az unalmamat a járvány idején, és ez rendkívül feldobta a hangulatomat. A vizuális művészet és a zene feldobhatja a hangulatunkat, és ez a koncepció bizonyítéka annak, hogy lehetünk képes az érzékszerveken keresztül a hangulati zavarok terápiáit nyújtani. Tudjuk, hogy az agy bizonyos részeinek aktivitásának elektromos stimulációval történő szabályozása enyhítheti a kezelésre rezisztens depressziót; talán az agy tevékenységének az érzékszerveken keresztül történő közvetett szabályozása hasonló hatásokat mutathat. Egyszerű modellek – alacsonyan lógó gyümölcsök – bevetésével, amelyek az agy jól érthető részeit érintik, gurulni fogunk az emberi egészséget javító, összetettebb modellek felépítésében. 

Technológiai trendek lehetővé tétele

A NeuroAI-t sok évnek kell eltelnie ahhoz, hogy megszelídítsék és bevezessék az alkalmazásokba, és más feltörekvő technológiai trendeket is megfog. Itt különösen két olyan trendet emelek ki, amelyek a neuroAI-t sokkal erősebbé teszik: a kiterjesztett valóság (AR), amely precízen képes ingereket továbbítani; és agy-számítógép interfészek (BCI), amelyek mérni tudják az agyi aktivitást annak ellenőrzésére, hogy az ingerek a várt módon működnek-e.  

Megnövelt valóság

Az a trend, amely a neuroAI-alkalmazásokat sokkal erősebbé teszi, a kiterjesztett valóságú szemüvegek alkalmazása. A kiterjesztett valóság (AR) mindenütt jelenlévő számítástechnikai platformmá válhat, mivel az AR beépül a mindennapi életbe.

Michael Abrash, a Meta Reality Labs vezető tudósának hipotézise az, hogy ha kellően alkalmas AR-szemüveget készítesz, mindenki akarni fogja. Ez építést jelent világra figyelő szemüveg, amely tartós, világra zárt virtuális objektumokat hozhat létre; könnyű és divatos keretek, mint egy pár Ray-Bans; és a való életből származó szuperképességeket adva, például, hogy képes vagy rá természetesen érintkezik az emberekkel, távolságtól függetlenül és a javítja a hallását. Ha sikerül megépíteni ezeket – ez óriási technikai kihívás –, az AR-szemüvegek iPhone-szerű pályát követhetnek, így 5 évvel az indulás után mindenkinek lesz egy (vagy egy kopogtatója).

Hogy ez valósággá váljon, Meta költött Tavaly 10 milliárd dollárt fordítottak a metaverzum kutatására és fejlesztésére. Bár nem tudjuk biztosan, mire készül az Apple, vannak erős jelei annak, hogy AR szemüvegen dolgoznak. Tehát a kínálati oldalon is hatalmas lökés van az AR megvalósításában.

Ez széles körben elérhetővé tesz egy olyan megjelenítő eszközt, amely sokkal erősebb, mint a mai statikus képernyők. Ha azt követi a VR pályáját, végül integrálni fogja a szemkövetést. Ez az ingerek bemutatásának széles körben elérhető, a jelenleg lehetségesnél sokkal kontrolláltabb módját jelentené, ami az idegtudósok álma. És ezeknek az eszközöknek valószínűleg messzemenő egészségügyi alkalmazásai lesznek, ahogy Michael Abrash elmondta 2017-ben, mint például a gyenge fényviszonyok melletti látás javítása, vagy az emberek normális életvitelének lehetővé tétele a makuladegeneráció ellenére.

A neuroAI jelentősége egyértelmű: a mindennapi életben folyamatosan, erősen ellenőrzött módon tudjuk leadni a megfelelő ingert. Ez igaz a látásra, és talán kevésbé nyilvánvalóan a hallásra, mivel tudunk térbeli hangot szolgáltatni. Ez azt jelenti, hogy eszközeink a neurológiai problémákkal küzdő emberek neuroAI-terápiáinak megvalósításához vagy a hozzáférhetőség javításához sokkal hatékonyabbak lesznek.

BCI

A nagyszerű kijelzővel és hangszórókkal pontosan tudjuk irányítani az agy főbb bemeneteit. Az érzékszerveken keresztüli ingertovábbítás következő, erőteljesebb szakasza annak ellenőrzése, hogy az agy a várt módon reagál-e egy csak olvasható agy-számítógép interfészen (BCI) keresztül. Így mérhetjük az ingerek agyra gyakorolt ​​hatását, és ha nem az elvárásoknak megfelelőek, akkor ennek megfelelően állíthatjuk be az úgynevezett zárt hurkú szabályozást. 

Az egyértelműség kedvéért itt nem olyan BCI-módszerekről beszélek, mint a Neuralink chip vagy a koponyán belüli mélyagy-stimulátorok; ezekhez a célokhoz elegendő a koponyán kívüli agyi aktivitás non-invazív mérése. Az agyat sem kell közvetlenül stimulálni: szemüveg és fejhallgató elegendő az agy legtöbb bemenetének vezérléséhez.

Számos non-invazív, csak olvasható BCI van, amelyek jelenleg kereskedelmi forgalomba kerülnek, vagy készülnek a folyamatban, amelyeket zárt hurkú vezérlésre lehetne használni. Néhány példa:

• EEG. Az elektroencephalográfia méri az agy elektromos aktivitását a koponyán kívül. Mivel a koponya térfogatvezetőként működik, az EEG időbeli felbontása nagy, de térbeli felbontása alacsony. Bár ez korlátozta a fogyasztói alkalmazást a meditációs termékekre (Muse). Az EEG sokkal erősebb lehet, ha az ember uralja az ingert, mert lehetséges a bemutatott inger és az EEG jel közötti összefüggés, és dekódolni, amire az ember figyelt (kiváltott potenciális módszerek). Valóban, a NextMind, amely EEG-alapú „elmekattintást” végzett a kiváltott potenciálok alapján, megszerezték Snap által, amely most AR termékeket gyárt. Az OpenBCI az tervezés egy olyan fejhallgató kiadására, amely integrálja az EEG-érzékelőit a Varjo csúcskategóriás Aero headsetjével. Az EEG-t nem számolnám ki.
• fMRI. A funkcionális mágneses rezonancia képalkotás az idegi aktivitással összefüggő kis változásokat méri a vér oxigénellátásában. Lassú, nem hordozható, saját szobát igényel és nagyon drága. Az fMRI azonban továbbra is az egyetlen technológia, amely nem invazív módon képes térben pontosan leolvasni az agy mélyén lévő tevékenységet. Két paradigma van, amelyek meglehetősen kiforrott és relevánsak a zárt hurkú neurális szabályozás szempontjából. Az első az fMRI-alapú biofeedback. Az fMRI almezője bemutatja, hogy az emberek úgy módosíthatják agyi tevékenységüket, hogy azt vizuálisan megjelenítik egy képernyőn vagy fejhallgatón. A második a kortikális térképezés, beleértve az olyan megközelítéseket, mint a populációreceptív mezők és a voxelszelektivitásának becslése filmklipekkel vagy podcastok, amelyek lehetővé teszik annak becslését, hogy a különböző agyterületek hogyan reagálnak a különböző vizuális és hallási ingerekre. Ez a két módszer arra utal, hogy meg kell tudni becsülni, hogyan hat a neuroAI-beavatkozás az agyra, és hatékonyabbá kell tenni azt.
• fNIRS. A funkcionális közeli infravörös spektroszkópia diffúz fényt használ az agyi vér térfogatának becslésére az adó és a receptor között. Ez azon a tényen alapul, hogy a vér átlátszatlan, és a megnövekedett idegi aktivitás késleltetett vérbeáramláshoz vezet egy adott agytérfogatban (ugyanaz az elv, mint az fMRI). A hagyományos NIRS-nek alacsony a térbeli felbontása, de az időkapuzás (TD-NIRS) és a hatalmas túlmintavételezés (diffúz optikai tomográfia) révén a térbeli felbontás sokkal jobb. Akadémiai fronton Joe Culver csoportja a WUSTL-nél bemutatták a filmek dekódolását a vizuális kéregből. Kereskedelmi fronton a Kernel most az TD-NIRS headsetek gyártása és szállítása amelyek lenyűgöző mérnöki bravúrok. És ez egy olyan terület, ahol az emberek folyamatosan nyomulnak, és a fejlődés gyors; régi csoportom a Metában 32-szeres javulást mutatott a jel-zaj arányban (amely 300-nál nagyobbra skálázható) egy kapcsolódó technikával.
• MEG. A magnetoencephalográfia a mágneses mezők kis változásait méri, így lokalizálja az agyi aktivitást. A MEG abban hasonlít az EEG-hez, hogy méri az elektromágneses tér változásait, de nem szenved a térfogatvezetéstől, ezért jobb a térbeli felbontása. A hűtést nem igénylő hordozható MEG játékmódot jelentene a nem invazív BCI számára. Az emberek haladást értek el az optikailag szivattyúzott magnetométerekkel, és lehetőség nyílik egyedi OPM érzékelők vásárlására a nyílt piacon olyan gyártóktól, mint a QuSpin.

Ezeken a jobban ismert technikákon kívül néhány sötét ló technológia, például a digitális holográfia, a fotoakusztikus tomográfia és a funkcionális ultrahang gyors paradigmaváltásokhoz vezethet ezen a téren.

Míg a fogyasztói minőségű, nem invazív BCI még gyerekcipőben jár, számos piaci nyomás nehezedik az AR-használati esetek körül, amelyek növelik a tortát. Valóban, az AR számára jelentős probléma az eszköz vezérlése: nem akarod, hogy kontrollerrel kelljen mászkálnod, vagy a szemüvegedhez motyognod, ha ezt elkerülheted. A cégek meglehetősen komolyan gondolják a probléma megoldását, ezt bizonyítja a Facebook CTRL+Labs megvásárlása is 2019-ben, a Snap felvásárolta a NextMind-et és a Valve az OpenBCI-vel. Így valószínűleg azt fogjuk látni, hogy az alacsony dimenziós BCI-k gyorsan fejlődnek. A nagy dimenziós BCI-k ugyanazt a pályát követhetik, ha találnak egy olyan gyilkos alkalmazást, mint az AR. Lehetséges, hogy az általam itt javasolt neuroAI-alkalmazások pontosan a megfelelő felhasználási esetek ennek a technológiának.

Ha tudjuk szabályozni a szem és a fül bevitelét, valamint pontosan mérni az agyi állapotokat, akkor a neuroAI-alapú terápiákat monitorozott módon tudjuk biztosítani a maximális hatékonyság érdekében.

Mi hiányzik a mezőnyből

A NeuroAI-alkalmazások mögött meghúzódó alapvető tudomány gyorsan érik, és számos pozitív tendencia van, amelyek növelik általános alkalmazhatóságát. Tehát mi hiányzik ahhoz, hogy a neuroAI-alkalmazások piacra kerüljenek?

1. Szerszámozás. A mesterséges intelligencia más részterületei óriási hasznot húztak a gyors előrehaladást és az eredmények megosztását lehetővé tevő eszköztárakból. Ide tartoznak a tenzoralgebra-könyvtárak, például a Tensorflow és a PyTorch, az olyan edzési környezetek, mint az OpenAI Gym, valamint az adatok és modellek megosztására szolgáló ökoszisztémák, például a 🤗 HuggingFace. A modellek és módszerek központosított tárháza, valamint az értékelő csomagok, amelyek potenciálisan bőséges szimulációs adatot hasznosítanak, előremozdítaná a területet. A nyílt forráskódú idegtudományi szervezetek már most is erős közösséggel rendelkeznek, és természetes gazdaként szolgálhatnak ezeknek az erőfeszítéseknek.
2. Tehetség. Eltűnően kevés helyen folyik kutatás és fejlesztés az idegtudomány és a mesterséges intelligencia találkozásánál. A Bay Area a Stanford és a Berkeley laboratóriumokkal, valamint a bostoni metróövezet számos laboratóriummal az MIT-nél és a Harvardnál valószínűleg a már meglévő kockázatitőke-ökoszisztéma beruházásainak nagy részét fogja elérni. A harmadik valószínű csomópont a kanadai Montreal, amelyet a McGill és az Universite de Montreal hatalmas idegtudományi tanszékei emeltek ki, kombinálva a Yoshua Bengio mesterséges intelligencia úttörője által alapított Mila mesterséges intelligencia intézet vonzásával. Szakterületünk számára előnyösek lennének a neuroAI-val foglalkozó speciális PhD programok és kiválósági központok a kereskedelmi forgalomba hozatal beindítása érdekében.
3. Új finanszírozási és kereskedelmi modellek az orvosi alkalmazásokhoz. Az orvosi alkalmazásokhoz hosszú út vezet a kereskedelmi forgalomba kerülésig, és a védett szellemi tulajdon általában előfeltétele a finanszírozás megszerzésének a technológiába való befektetés kockázatának elkerülése érdekében. Az AI-alapú innovációkat köztudottan nehéz szabadalmaztatni, és a szoftver, mint orvosi eszköz (SaMD) csak most kezd megjelenni a piacon, így bizonytalanná válik a kereskedelmi forgalomba hozatalhoz vezető út. Szükségünk lesz olyan pénzeszközökre, amelyek a mesterséges intelligencia és az orvosi technológiai szakértelem egyesítésére összpontosítanak e születőben lévő terület ápolása érdekében. 

Építsünk neuroAI-t

Tudósok és filozófusok időtlen idők óta értetlenül állnak az agy működésén. Hogyan tesz lehetővé egy vékony, négyzetlábnyi területű szövetlap látást, hallást, érzést és gondolkodást? A NeuroAI segít nekünk ezeknek a mély kérdéseknek a kezelésében azáltal, hogy számítógépes neurológiai rendszerek modelljeit építi fel. Az alapvető tudásszomj kielégítése – mit jelent embernek lenni? – az idegtudósok olyan eszközöket is építenek, amelyek segítségével emberek milliói élhetnek gazdagabb életet.

Feladás dátuma: 4. augusztus 2022