AI modelleert de hersenen om ons te helpen zien, horen en creëren

Dit is een bewerkte versie van een bericht dat oorspronkelijk liep hier.

---

Neurowetenschap en AI hebben een lange, met elkaar verweven geschiedenis. Pioniers van kunstmatige intelligentie keken naar de principes van de organisatie van de hersenen als inspiratie om intelligente machines te maken. In een verrassende ommekeer helpt AI ons nu zijn eigen inspiratiebron te begrijpen: het menselijk brein. Deze benadering van het gebruik van AI om modellen van de hersenen te bouwen, wordt neuroAI genoemd. In het komende decennium zullen we steeds nauwkeuriger maken in silicium hersenmodellen, vooral modellen van onze twee meest prominente zintuigen, zicht en gehoor. Als gevolg hiervan kunnen we sensorische modellen op aanvraag downloaden en gebruiken met hetzelfde gemak als objectherkenning of natuurlijke taalverwerking.

Veel neurowetenschappers en onderzoekers van kunstmatige intelligentie zijn - begrijpelijk! – erg enthousiast hierover: brains on demand! Ontdekken wat het betekent om te zien, te voelen, mens te zijn! Minder bekend is dat er brede praktische toepassingen in de industrie zijn. Ik ben al lang een onderzoeker op dit gebied en heb sinds mijn doctoraat gewerkt aan hoe de hersenen visie omzetten in betekenis. Ik heb de vooruitgang van het vakgebied vanaf het begin gezien en ik denk dat het nu tijd is om na te gaan hoe neuroAI meer creativiteit kan stimuleren en onze gezondheid kan verbeteren. 

Ik voorspel dat neuroAI eerst wijdverbreid zal worden gebruikt in kunst en reclame, vooral wanneer verbonden met nieuwe generatieve AI-modellen zoals GPT-3 en DALL-E. Hoewel de huidige generatieve AI-modellen creatieve kunst en media kunnen produceren, kunnen ze je niet vertellen of die media uiteindelijk een boodschap aan het beoogde publiek zullen overbrengen, maar neuroAI zou dat wel kunnen.. We kunnen bijvoorbeeld het vallen en opstaan ​​van focusgroepen en A/B-tests vervangen en direct media creëren die precies communiceren wat we willen. De enorme marktdruk rond deze applicatie zal een heilzame cyclus creëren die neuroAI-modellen verbetert. 

De resulterende verbeterde modellen zullen toepassingen in de gezondheidszorg in de geneeskunde mogelijk maken, van het helpen van mensen met neurologische problemen tot het verbeteren van de mogelijkheden van de bron. Stelt u zich eens voor dat u de juiste beelden en geluiden maakt om een ​​persoon te helpen zijn zicht of gehoor sneller te herstellen na respectievelijk een LASIK-operatie of na het krijgen van een cochleair implantaat. 

Deze innovaties zullen veel krachtiger worden gemaakt door andere technologieën die in de pijplijn komen: augmented reality en brain-computer interfaces. Om het potentiële nut van on-demand downloadbare sensorische systemen volledig te realiseren, moeten we de huidige hiaten in tooling, talent en financiering opvullen.

In dit stuk zal ik uitleggen wat neuroAI is, hoe het kan beginnen te evolueren en ons leven begint te beïnvloeden, hoe het andere innovaties en technologieën aanvult en wat er nodig is om het vooruit te helpen.  

Wat is neuroAI?

NeuroAI is een opkomende discipline die 1) de hersenen wil bestuderen om te leren hoe ze betere kunstmatige intelligentie kunnen bouwen en 2) kunstmatige intelligentie wil gebruiken om de hersenen beter te begrijpen. Een van de belangrijkste instrumenten van neuroAI is het gebruik van kunstmatige neurale netwerken om computermodellen van specifieke hersenfuncties te maken. Deze aanpak is in 2014 van start gegaan, toen onderzoekers van MIT en Columbia toonde aan dat diepe kunstmatige neurale netten reacties kunnen verklaren in een deel van de hersenen dat objectherkenning doet: de inferotemporale cortex (IT). Ze introduceerden een basisrecept om een ​​kunstmatig neuraal net te vergelijken met een brein. Met behulp van dit recept en het herhalen van iteratieve tests over hersenprocessen - vormherkenning, bewegingsverwerking, spraakverwerking, besturing van de arm, ruimtelijk geheugen - bouwen wetenschappers een lappendeken van computermodellen voor de hersenen. 

Een neuroAI-model van een deel van de hersenen heeft twee belangrijke kenmerken. Het is berekenbaar: we kunnen dit computermodel een stimulus geven en het zal ons vertellen hoe een hersengebied zal reageren. Het is ook differentieerbaar: het is een diep neuraal netwerk dat we kunnen optimaliseren op dezelfde manier als we modellen optimaliseren die visuele herkenning en natuurlijke taalverwerking oplossen. Dat betekent dat neurowetenschappers toegang krijgen tot alle krachtige tools die de deep learning-revolutie hebben aangedreven, inclusief tensoralgebra-systemen zoals PyTorch en TensorFlow. 

Wat betekent dit? We gingen van het niet begrijpen van grote delen van de hersenen naar het kunnen downloaden van goede modellen ervan in minder dan een decennium. Met de juiste investeringen hebben we binnenkort uitstekende modellen van grote delen van de hersenen. Het visuele systeem was het eerste dat werd gemodelleerd; het auditieve systeem was niet ver achter; en andere gebieden zullen zeker vallen als dominostenen terwijl onverschrokken neurowetenschappers zich haasten om de mysteries van de hersenen op te lossen. Afgezien van het bevredigen van onze intellectuele nieuwsgierigheid - een grote motivator voor wetenschappers! - zal deze innovatie elke programmeur in staat stellen goede modellen van de hersenen te downloaden en talloze toepassingen te ontgrendelen.

Toepassingsgebieden

Kunst en reclame

Laten we beginnen met deze simpele premisse: 99% van de media die we ervaren is door onze ogen en oren. Er zijn hele industrieën die kunnen worden teruggebracht tot het leveren van de juiste pixels en tonen aan deze zintuigen: beeldende kunst, design, films, games, muziek en reclame zijn er maar een paar. Het zijn niet onze ogen en oren zelf die deze ervaringen interpreteren, want het zijn slechts sensoren: het zijn onze hersenen die die informatie begrijpen. Media zijn gemaakt om te informeren, te entertainen, om gewenste emoties teweeg te brengen. Maar bepalen of het bericht in een schilderij, een professionele headshot of een advertentie wordt ontvangen zoals bedoeld, is een frustrerende oefening van vallen en opstaan: mensen moeten op de hoogte zijn om te bepalen of het bericht aanslaat, wat duur en tijdrovend is consumeren.

Grootschalige online services hebben manieren gevonden om dit te omzeilen door trial-and-error: A/B-tests te automatiseren. Google beroemd getest welke van de 50 tinten blauw te gebruiken voor de links op de resultatenpagina van de zoekmachine. Volgens The Guardian zorgde de beste keuze voor een verbetering van de omzet ten opzichte van de basislijn van 200 miljoen dollar in 2009, of ongeveer 1% van de inkomsten van Google op dat moment. Netflix past de miniaturen aan aan de kijker om zijn gebruikerservaring te optimaliseren. Deze methoden zijn beschikbaar voor online reuzen met enorm veel verkeer, die de ruis die inherent is aan het gedrag van mensen kunnen overwinnen.

Wat als we konden voorspellen hoe mensen zullen reageren op media voordat ze gegevens krijgen? Dit zou het voor kleine bedrijven mogelijk maken om hun geschreven materiaal en websites te optimaliseren, ondanks dat ze al weinig grip hebben. NeuroAI komt steeds dichter bij het kunnen voorspellen hoe mensen zullen reageren op beeldmateriaal. Bijvoorbeeld, onderzoekers bij Adobe werken aan tools om visuele aandacht in illustraties te voorspellen en te sturen.

Onderzoekers hebben ook aangetoond dat ze foto's kunnen bewerken om ze te maken meer visueel gedenkwaardig of esthetisch aangenaam. Het kan bijvoorbeeld worden gebruikt om automatisch een professionele headshot te selecteren die het beste aansluit bij het beeld dat mensen van zichzelf willen projecteren: professioneel, serieus of creatief. Kunstmatige neurale netwerken kunnen zelfs manieren vinden om berichten effectiever te communiceren dan realistische afbeeldingen. OpenAI's CLIP kan worden onderzocht om afbeeldingen te vinden die zijn afgestemd op emoties. Het beeld dat het best aansluit bij het concept van shock zou niet misstaan ​​naast Munch's Scream.

In het afgelopen jaar hebben OpenAI en Google generatieve kunstnetwerken gedemonstreerd met een indrukwekkend vermogen om fotorealistische afbeeldingen te genereren uit tekstprompts. We hebben dat moment nog niet helemaal bereikt voor muziek, maar met het tempo van vooruitgang in generatieve modellen, zal dit zeker gebeuren in de komende jaren. Door machines te bouwen die kunnen horen als mensen, kunnen we de muziekproductie mogelijk democratiseren, zodat iedereen kan doen wat hoogopgeleide muziekproducenten kunnen doen: de juiste emotie overbrengen tijdens een refrein, of het nu melancholie of vreugde is; om een ​​oorwurm van een melodie te creëren; of om een ​​stuk onweerstaanbaar dansbaar te maken.

Er is een enorme marktdruk om audiovisuele media, websites en vooral advertenties te optimaliseren, en we integreren neuroAI en algoritmische kunst al in dit proces. Deze druk zal leiden tot een vicieuze cirkel waarin neuroAI beter en nuttiger zal worden naarmate er meer middelen in praktische toepassingen worden gestoken. Een neveneffect daarvan is dat we zeer goede modellen van de hersenen zullen krijgen die ver buiten advertenties nuttig zullen zijn. 

Toegankelijkheid en algoritmisch ontwerp

Een van de meest opwindende toepassingen van neuroAI is toegankelijkheid. De meeste media zijn ontworpen voor de 'gemiddelde' persoon, maar we verwerken visuele en auditieve informatie allemaal anders. 8% van de mannen en 0.5% van de vrouwen is rood-groen kleurenblind en een groot aantal media is niet aangepast aan hun behoeften. Er zijn een aantal producten die tegenwoordig kleurenblindheid simuleren, maar waarvoor een persoon met een normaal kleurenzicht nodig is om de resultaten te interpreteren en de nodige wijzigingen aan te brengen. Statische kleurherafbeelding werkt ook niet voor deze behoeften, omdat sommige materialen hun semantiek niet behouden bij kleurherafbeelding (bijv. grafieken die moeilijk leesbaar worden). We zouden het genereren van materialen en websites die veilig zijn voor kleurenblindheid kunnen automatiseren door middel van neuroAI-methoden die de semantiek van bestaande afbeeldingen behouden.

Een ander voorbeeld is het helpen van mensen met leerproblemen, zoals dyslexie, die tot 10% van de mensen wereldwijd treffen. Een van de onderliggende problemen bij dyslexie is: gevoeligheid voor drukte, wat de moeilijkheid is om vormen te herkennen met vergelijkbare onderliggende kenmerken, inclusief spiegelsymmetrische letters zoals p en q. Anne Harrington en Arturo Deza van MIT werken aan neuroAI-modellen die dit effect modelleren en het behalen van enkele veelbelovende resultaten. Stel je voor dat je modellen van het dyslectische visuele systeem zou nemen om lettertypen te ontwerpen die zowel esthetisch aantrekkelijk als gemakkelijker te lezen zijn. Met de juiste gegevens over het visuele systeem van een bepaalde persoon kunnen we zelfs het lettertype personaliseren voor een specifiek persoon, die veelbelovend is gebleken in het verbeteren van de leesprestaties. Dit zijn potentieel grote verbeteringen in de kwaliteit van leven die hier wachten.

Gezondheid

Veel neurowetenschappers betreden het veld in de hoop dat hun onderzoek een positieve invloed zal hebben op de menselijke gezondheid, met name voor mensen met neurologische aandoeningen of psychische problemen. Ik heb goede hoop dat neuroAI nieuwe therapieën zal ontsluiten: met een goed model van de hersenen kunnen we de juiste stimuli maken zodat de juiste boodschap erbij komt, zoals een sleutel in een slot past. In die zin zou neuroAI op dezelfde manier kunnen worden toegepast als algoritmisch medicijnontwerp, maar in plaats van kleine moleculen leveren we beelden en geluiden. 

De meest benaderbare problemen hebben betrekking op de receptoren van de ogen en oren, die al goed gekarakteriseerd zijn. Honderdduizenden mensen hebben cochleaire implantaten gekregen, neuroprotheses die het slakkenhuis van het oor elektrisch stimuleren, waardoor doven en slechthorenden weer kunnen horen. Deze implantaten, die enkele tientallen elektroden bevatten, kunnen moeilijk te gebruiken zijn in lawaaierige omgevingen met meerdere luidsprekers. Een hersenmodel kan het stimulatiepatroon van het implantaat optimaliseren spraak te versterken. Wat opmerkelijk is, is dat deze technologie, ontwikkeld voor mensen met implantaten, kan worden aangepast om mensen zonder implantaten te helpen spraak beter te begrijpen door geluiden in realtime aan te passen, of ze nu een auditieve verwerkingsstoornis hebben of gewoon vaak in luide omgevingen zijn.

Veel mensen ervaren tijdens hun leven veranderingen in hun sensorische systemen, of het nu herstellende is van een staaroperatie of bijziend worden naarmate ze ouder worden. We weten dat mensen na zo'n verandering kunnen leren de wereld opnieuw correct te interpreteren door herhaling, een fenomeen dat perceptueel leren wordt genoemd. Mogelijk kunnen we dit perceptuele leren maximaliseren, zodat mensen hun vaardigheden sneller en effectiever kunnen herwinnen. Een soortgelijk idee zou mensen kunnen helpen die het vermogen hebben verloren om hun ledematen vloeiend te bewegen na een beroerte. Als we de juiste volgorde van bewegingen zouden kunnen vinden om de hersenen optimaal te versterken, kunnen we overlevenden van een beroerte misschien helpen om meer functie te krijgen, zoals vloeiender lopen of gewoon een kopje koffie vasthouden zonder te morsen. Naast het helpen van mensen om verloren fysieke functies te herstellen, zou hetzelfde idee gezonde mensen kunnen helpen om topzintuiglijke prestaties te bereiken - of het nu honkbalspelers, boogschutters of pathologen zijn.

Ten slotte konden we zien dat deze ideeën werden toegepast op de behandeling van stemmingsstoornissen. Ik ging naar veel tentoonstellingen van beeldende kunst om mijn verveling tijdens de pandemie te verlichten, en het verbeterde mijn humeur enorm. Beeldende kunst en muziek kunnen ons opvrolijken, en het is een proof-of-concept dat we misschien zijn in staat om therapieën voor stemmingsstoornissen te leveren via de zintuigen. We weten dat het beheersen van de activiteit van specifieke delen van de hersenen met elektrische stimulatie therapieresistente depressie kan verlichten; misschien zou het indirect via de zintuigen regelen van de activiteit van de hersenen vergelijkbare effecten kunnen hebben. Door gebruik te maken van eenvoudige modellen – laaghangend fruit – die van invloed zijn op goed begrepen delen van de hersenen, krijgen we de bal aan het rollen bij het bouwen van complexere modellen die de menselijke gezondheid kunnen helpen. 

Technologietrends mogelijk maken

NeuroAI zal vele jaren nodig hebben om te worden getemd en ingezet in toepassingen, en het zal andere opkomende technologische trends onderscheppen. Hier belicht ik in het bijzonder twee trends die neuroAI veel krachtiger zullen maken: augmented reality (AR), die precies prikkels kan leveren; en brain-computer interfaces (BCI), die hersenactiviteit kunnen meten om te verifiëren dat stimuli op de verwachte manier werken.  

Augmented reality

Een trend die neuroAI-toepassingen veel krachtiger zal maken, is de adoptie van augmented reality-brillen. Augmented reality (AR) heeft het potentieel om een ​​alomtegenwoordig computerplatform te worden, omdat AR integreert in het dagelijks leven.

De hypothese van Michael Abrash, hoofdwetenschapper bij Meta Reality Labs, is dat als je voldoende capabele AR-brillen bouwt, iedereen ze wil hebben. Dat betekent bouwen wereldbewuste bril die persistente virtuele objecten kan maken met wereldvergrendeling; lichte en modieuze monturen, zoals een paar Ray-Bans; en je echte superkrachten te geven, zoals het kunnen natuurlijk omgaan met mensen, ongeacht de afstand en uw gehoor verbeteren. Als je deze kunt bouwen - een enorme technische uitdaging - zou een AR-bril een iPhone-achtig traject kunnen volgen, zodat iedereen er 5 jaar na de lancering een (of een knock-off) heeft.

Om dit te realiseren, besteedde Meta Vorig jaar 10 miljard dollar aan R&D voor de metaverse. Hoewel we niet zeker weten wat Apple van plan is, zijn er sterke tekenen dat ze aan AR-brillen werken. Er is dus ook een enorme druk aan de aanbodzijde om AR te laten gebeuren.

Dit zal een weergaveapparaat op grote schaal beschikbaar maken dat veel krachtiger is dan de huidige statische schermen. Als het volgt het traject van VR, zal het uiteindelijk eye-tracking geïntegreerd hebben. Dit zou een algemeen beschikbare manier betekenen om stimuli te presenteren die veel gecontroleerder is dan momenteel mogelijk is, een droom voor neurowetenschappers. En deze apparaten hebben waarschijnlijk verreikende gezondheidstoepassingen, zoals verteld door Michael Abrash in 2017, zoals het verbeteren van het zicht bij weinig licht, of mensen in staat stellen een normaal leven te leiden ondanks maculaire degeneratie.

De betekenis voor neuroAI is duidelijk: we zouden in het dagelijks leven op een zeer gecontroleerde manier de juiste stimulus kunnen leveren. Dit geldt voor het zicht, en misschien minder voor het gehoor, omdat we ruimtelijke audio kunnen leveren. Dat betekent dat onze tools om neuroAI-therapieën tot stand te brengen voor mensen met neurologische problemen of voor toegankelijkheidsverbeteringen veel krachtiger zullen worden.

BCI

Met een geweldig scherm en luidsprekers kunnen we de belangrijkste inputs naar de hersenen nauwkeurig regelen. De volgende, krachtigere fase bij het afgeven van stimuli via de zintuigen is om te verifiëren dat de hersenen op de verwachte manier reageren via een alleen-lezen hersencomputerinterface (BCI). Zo kunnen we de effecten van de stimuli op de hersenen meten, en als ze niet zijn zoals verwacht, kunnen we dienovereenkomstig aanpassen in wat closed-loop-controle wordt genoemd. 

Voor alle duidelijkheid, ik heb het hier niet over BCI-methoden zoals de Neuralink-chip of diepe hersenstimulatoren die in de schedel gaan; het is voor deze doeleinden voldoende om de hersenactiviteit buiten de schedel te meten, niet-invasief. Het is ook niet nodig om de hersenen direct te stimuleren: een bril en koptelefoon zijn alles wat je nodig hebt om de meeste input van de hersenen te regelen.

Er zijn een aantal niet-invasieve alleen-lezen BCI's die momenteel op de markt zijn of in de pijplijn zitten en die kunnen worden gebruikt voor closed-loop-besturing. Enkele voorbeelden zijn:

• EEG. Elektro-encefalografie meet de elektrische activiteit van de hersenen buiten de schedel. Omdat de schedel als een volumegeleider fungeert, heeft EEG een hoge temporele resolutie maar een lage ruimtelijke resolutie. Hoewel dit een beperkte toepassing voor de consument heeft op meditatieproducten (Muze) en niche-neuromarketingtoepassingen, ben ik optimistisch over sommige van zijn toepassingen in de context van closed-loop-controle. EEG kan veel krachtiger zijn als men controle heeft over de stimulus, omdat het mogelijk is om de aangeboden stimulus te correleren met het EEG-signaal en te decoderen waar een persoon aandacht aan besteedde (evoked potential methoden). Inderdaad, NextMind, dat een op EEG gebaseerde "mind click" maakte op basis van evoked potentials, werd verworven door Snap, dat nu AR-producten maakt. OpenBCI is planning om een ​​headset uit te brengen die zijn EEG-sensoren integreert met Varjo's high-end Aero-headset. Ik zou EEG niet meerekenen.
• fMRI. Functionele magnetische resonantie beeldvorming meet de kleine veranderingen in bloedoxygenatie geassocieerd met neurale activiteit. Het is traag, het is niet draagbaar, het heeft een eigen kamer nodig en het is erg duur. fMRI blijft echter de enige technologie die op een niet-invasieve manier activiteit diep in de hersenen op een ruimtelijk nauwkeurige manier kan lezen. Er zijn twee paradigma's die redelijk volwassen zijn en relevant zijn voor neurale controle met een gesloten lus. De eerste is op fMRI gebaseerde biofeedback. Een subveld van fMRI laat zien dat mensen hun hersenactiviteit kunnen moduleren door deze visueel voor te stellen op een scherm of een koptelefoon. De tweede is corticale mapping, inclusief benaderingen zoals populatie-ontvankelijke velden en voxelselectiviteit schatten met filmclips of podcasts, waarmee je kunt inschatten hoe verschillende hersengebieden reageren op verschillende visuele en auditieve stimuli. Deze twee methoden suggereren dat het mogelijk moet zijn om in te schatten hoe een neuroAI-interventie de hersenen beïnvloedt en om deze effectiever te sturen.
• fNIRS. Functionele nabij-infraroodspectroscopie gebruikt diffuus licht om het hersenbloedvolume tussen een zender en een receptor te schatten. Het berust op het feit dat bloed ondoorzichtig is en verhoogde neurale activiteit leidt tot een vertraagde bloedtoevoer in een bepaald hersenvolume (hetzelfde principe als fMRI). Conventionele NIRS heeft een lage ruimtelijke resolutie, maar met time-gating (TD-NIRS) en massale oversampling (diffuse optische tomografie) is de ruimtelijke resolutie veel beter. Op het academische front, Joe Culver's groep bij WUSTL hebben decodering van films uit de visuele cortex aangetoond. Op het commerciële front is Kernel nu TD-NIRS-headsets maken en verzenden die indrukwekkende technische hoogstandjes zijn. En het is een gebied waar mensen blijven pushen en de vooruitgang snel gaat; mijn oude groep bij Meta toonde een 32-voudige verbetering in signaal-ruisverhouding (die kan worden geschaald tot> 300) in een gerelateerde techniek.
• MEG. Magneto-encefalografie meet kleine veranderingen in magnetische velden, waardoor de hersenactiviteit wordt gelokaliseerd. MEG is vergelijkbaar met EEG omdat het veranderingen in het elektromagnetische veld meet, maar het heeft geen last van volumegeleiding en heeft daarom een ​​betere ruimtelijke resolutie. Draagbare MEG die geen koeling nodig heeft, zou een doorbraak betekenen voor niet-invasieve BCI. Er wordt vooruitgang geboekt met optisch gepompte magnetometers en het is mogelijk om individuele OPM-sensoren op de open markt te kopen, van fabrikanten zoals QuSpin.

Naast deze bekendere technieken kunnen sommige dark horse-technologieën zoals digitale holografie, foto-akoestische tomografie en functionele echografie leiden tot snelle paradigmaverschuivingen in deze ruimte.

Hoewel niet-invasieve BCI van consumentenkwaliteit nog in de kinderschoenen staat, is er een aantal marktdruk rond AR-gebruiksgevallen die de taart groter zullen maken. Inderdaad, een groot probleem voor AR is het besturen van het apparaat: je wilt niet met een controller rondlopen of tegen je bril mompelen als je het kunt vermijden. Bedrijven zijn serieus bezig met het oplossen van dit probleem, zoals blijkt uit de aankoop van CTRL+Labs door Facebook in 2019, Snap neemt NextMind over en Valve gaat samenwerken met OpenBCI. We zullen dus waarschijnlijk zien dat laagdimensionale BCI's snel worden ontwikkeld. Hoogdimensionale BCI's kunnen hetzelfde traject volgen als ze een geweldige app als AR vinden. Het is mogelijk dat de soorten neuroAI-toepassingen waar ik hier voor pleit, precies de juiste use case zijn voor deze technologie.

Als we de invoer naar de ogen en oren kunnen controleren en de hersentoestanden nauwkeurig kunnen meten, kunnen we op neuroAI gebaseerde therapieën op een gecontroleerde manier leveren voor maximale werkzaamheid.

Wat ontbreekt er op het veld

De kernwetenschap achter NeuroAI-toepassingen wordt snel volwassen en er zijn een aantal positieve trends die de algemene toepasbaarheid ervan zullen vergroten. Dus wat ontbreekt er om neuroAI-toepassingen op de markt te brengen?

1. Gereedschap. Andere deelgebieden binnen AI hebben enorm geprofiteerd van toolboxen die snelle voortgang en het delen van resultaten mogelijk maken. Dit omvat tensor-algebrabibliotheken zoals Tensorflow en PyTorch, trainingsomgevingen zoals OpenAI Gym en ecosystemen om gegevens en modellen te delen, zoals 🤗 HuggingFace. Een gecentraliseerde opslagplaats van modellen en methoden, evenals evaluatiesuites, mogelijk gebruikmakend van overvloedige simulatiegegevens, zou het veld vooruit helpen. Er is al een sterke gemeenschap van open source neurowetenschappelijke organisaties, en zij zouden als natuurlijke gastheren kunnen dienen voor deze inspanningen.
2. Talent. Er is een verdwijnend klein aantal plaatsen waar onderzoek en ontwikkeling wordt gedaan op het snijvlak van neurowetenschap en AI. De Bay Area, met laboratoria in Stanford en Berkeley, en het Boston-metrogebied met talrijke laboratoria aan MIT en Harvard zullen waarschijnlijk het grootste deel van de investeringen van het reeds bestaande risicokapitaal-ecosysteem halen. Een derde waarschijnlijke hub is Montreal, Canada, opgetild door enorme neurowetenschappelijke afdelingen van McGill en Universite de Montreal, gecombineerd met de aantrekkingskracht van Mila, het kunstmatige-intelligentie-instituut opgericht door AI-pionier Yoshua Bengio. Ons vakgebied zou baat hebben bij gespecialiseerde PhD-programma's en centres of excellence in neuroAI om de commercialisering een kickstart te geven.
3. Nieuwe financierings- en commercialiseringsmodellen voor medische toepassingen. Medische toepassingen hebben een lange weg te gaan naar commercialisering, en beschermd intellectueel eigendom is meestal een voorwaarde om financiering te verkrijgen om investeringen in de technologie te verminderen. Op AI gebaseerde innovaties zijn notoir moeilijk te patenteren, en software-as-a-medical-device (SaMD) begint pas op de markt te komen, wat de weg naar commercialisering onzeker maakt. We hebben fondsen nodig die gericht zijn op het samenbrengen van AI- en medische technologie-expertise om dit ontluikende veld te voeden. 

Laten we neuroAI bouwen

Wetenschappers en filosofen vragen zich al sinds onheuglijke tijden af ​​hoe hersenen werken. Hoe stelt een dun vel weefsel, een vierkante meter in oppervlakte, ons in staat om te zien, horen, voelen en denken? NeuroAI helpt ons greep te krijgen op deze diepgaande vragen door modellen van neurologische systemen in computers te bouwen. Door die fundamentele honger naar kennis te bevredigen - wat betekent het om mens te zijn? – neurowetenschappers bouwen ook instrumenten die miljoenen mensen kunnen helpen een rijker leven te leiden.

Geplaatst augustus 4, 2022