Yapay Zeka Görmemize, Duymamıza ve Yaratmamıza Yardımcı Olmak İçin Beyni Modelliyor

Bu, orijinal olarak yayınlanan bir gönderinin düzenlenmiş bir sürümüdür. okuyun.

---

Nörobilim ve AI, uzun ve iç içe geçmiş bir tarihe sahiptir. Yapay zeka öncüleri, akıllı makineler yapmak için ilham kaynağı olarak beynin organizasyon ilkelerine baktılar. Şaşırtıcı bir şekilde, AI şimdi ilham kaynağını anlamamıza yardımcı oluyor: insan beyni. Beynin modellerini oluşturmak için AI kullanma yaklaşımına nöroAI denir. Önümüzdeki on yılda, her zamankinden daha kesin hale getireceğiz siliko beyin modelleri, özellikle en önemli iki duyumuz olan görme ve işitmenin modelleri. Sonuç olarak, nesne tanıma veya doğal dil işleme ile aynı kolaylıkla, istek üzerine duyusal modelleri indirip kullanabileceğiz.

Pek çok sinirbilimci ve yapay zeka araştırmacısı – anlaşılır bir şekilde! – bu konuda çok heyecanlı: talep üzerine beyin! Görmenin, hissetmenin, insan olmanın ne demek olduğunu keşfetmek! Daha az tanınan, endüstride geniş pratik uygulamalar olduğudur. Doktoramdan beri beynin vizyonu anlama nasıl dönüştürdüğü üzerinde çalışarak uzun süredir bu alanda araştırmacıyım. Alanın başlangıcından bu yana ilerlemesini gördüm ve bence şimdi neuroAI'nin nasıl daha fazla yaratıcılığı teşvik edebileceğini ve sağlığımızı iyileştirebileceğini takip etmenin zamanı geldi. 

NeuroAI'nin, özellikle GPT-3 ve DALL-E gibi yeni üretken AI modellerine bağlandığında, sanat ve reklamcılıkta yaygın bir kullanım bulacağını tahmin ediyorum. Mevcut üretken AI modelleri yaratıcı sanat ve medya üretebilse de, bu medyanın nihai olarak hedef kitleye bir mesaj iletip iletmeyeceğini size söyleyemezler – ancak neuroAI. Örneğin, odak gruplarının ve A/B testlerinin deneme yanılma yöntemini değiştirebilir ve tam olarak ne istediğimizi ileten medyayı doğrudan oluşturabiliriz. Bu uygulama etrafındaki muazzam piyasa baskıları, nöroAI modellerini geliştiren erdemli bir döngü yaratacaktır. 

Ortaya çıkan geliştirilmiş modeller, nörolojik sorunları olan insanlara yardım etmekten kuyunun yeteneklerini geliştirmeye kadar tıpta sağlıkta uygulamalara olanak sağlayacaktır. Sırasıyla LASIK ameliyatından sonra veya koklear implant takıldıktan sonra bir kişinin görme veya işitme duyusunu daha hızlı geri kazanmasına yardımcı olmak için doğru görüntüleri ve sesleri oluşturduğunuzu hayal edin. 

Bu yenilikler, borudan aşağı inen diğer teknolojiler tarafından çok daha güçlü hale getirilecek: artırılmış gerçeklik ve beyin-bilgisayar arayüzleri. Ancak, talep üzerine indirilebilir duyusal sistemlerin potansiyel faydasını tam olarak gerçekleştirmek için alet, yetenek ve finansmandaki mevcut boşlukları doldurmamız gerekecek.

Bu yazıda neuroAI'nin ne olduğunu, nasıl gelişmeye ve hayatımızı etkilemeye başlayabileceğini, diğer yenilikleri ve teknolojileri nasıl tamamladığını ve onu ilerletmek için neyin gerekli olduğunu açıklayacağım.  

nöroAI nedir?

NeuroAI, 1) daha iyi yapay zekanın nasıl oluşturulacağını öğrenmek için beyni incelemeyi ve 2) beyni daha iyi anlamak için yapay zekayı kullanmayı amaçlayan gelişmekte olan bir disiplindir. NeuroAI'nin temel araçlarından biri, belirli beyin fonksiyonlarının bilgisayar modellerini oluşturmak için yapay sinir ağlarını kullanmaktır. Bu yaklaşım, araştırmacıların 2014 yılında İLE ve Columbia derin yapay sinir ağlarının, beynin nesne tanıma yapan bir bölümündeki tepkileri açıklayabildiğini gösterdi: inferotemporal korteks (IT). Yapay sinir ağını beyinle karşılaştırmak için temel bir tarif sundular. Bu tarifi kullanarak ve beyin süreçleri (şekil tanıma, hareket işleme, konuşma işleme, kolun kontrolü, uzamsal bellek) boyunca yinelemeli testler tekrarlanarak bilim adamları, beyin için bilgisayar modellerinden oluşan bir patchwork oluşturuyorlar. 

Beynin bir bölümünün nöroAI modelinin iki temel özelliği vardır. Hesaplanabilir: bu bilgisayar modelini bir uyaranla besleyebiliriz ve bu bize bir beyin bölgesinin nasıl tepki vereceğini söyleyecektir. Aynı zamanda ayırt edilebilir: görsel tanıma ve doğal dil işlemeyi çözen modelleri optimize ettiğimiz gibi optimize edebileceğimiz derin bir sinir ağı. Bu, sinirbilimcilerin PyTorch ve TensorFlow gibi tensör cebir sistemleri de dahil olmak üzere derin öğrenme devrimine güç veren tüm güçlü araçlara erişebileceği anlamına geliyor. 

Ne anlama geliyor? Beynin büyük parçalarını anlamamaktan, on yıldan daha kısa bir sürede iyi modellerini indirebilmeye geçtik. Doğru yatırımlarla, yakında beynin büyük parçalarının mükemmel modellerine sahip olacağız. İlk modellenen görsel sistemdi; işitsel sistem çok geride değildi; ve diğer alanlar, gözü pek sinirbilimciler beynin gizemlerini çözmeye koşarken kesinlikle domino taşı gibi düşecek. Bilim adamları için büyük bir motivasyon kaynağı olan entelektüel merakımızı tatmin etmenin yanı sıra bu yenilik, herhangi bir programcının beynin iyi modellerini indirmesine ve sayısız uygulamanın kilidini açmasına izin verecektir.

Uygulama alanları

Sanat ve reklam

Şu basit önermeyle başlayalım: Yaşadığımız medyanın %99'u gözlerimiz ve kulaklarımız aracılığıyla gerçekleşir. Bu duyulara doğru pikselleri ve tonları sunmaya kadar özetlenebilecek tüm endüstriler vardır: görsel sanatlar, tasarım, filmler, oyunlar, müzik ve reklam bunlardan sadece birkaçıdır. Şimdi, bu deneyimleri yorumlayan gözlerimiz ve kulaklarımız değil, çünkü onlar sadece sensörler: bu bilgiyi anlamlandıran beynimiz. Medya bilgilendirmek, eğlendirmek, arzu edilen duyguları ortaya çıkarmak için yaratılmıştır. Ancak bir resimdeki, profesyonel bir vesikalık fotoğraftaki veya bir reklamdaki mesajın amaçlandığı gibi alınıp alınmadığını belirlemek sinir bozucu bir deneme-yanılma alıştırmasıdır: Mesajın isabet edip etmediğini belirlemek için insanlar döngüde olmak zorundadır, bu da pahalı ve zaman alıcıdır. tüketen.

Büyük ölçekli çevrimiçi hizmetler, deneme yanılma: A/B testlerini otomatikleştirerek bu sorunu aşmanın yollarını buldu. Google ünlü arama motoru sonuç sayfasındaki bağlantılar için mavinin 50 tonundan hangisinin kullanılacağını test etti. The Guardian'a göre, en iyi seçim, 200'daki 2009 milyon $'lık taban çizgisi üzerinde gelirde iyileşmelere neden oldu veya kabaca O sırada Google'ın gelirinin %1'i. Netflix küçük resimleri özelleştirir kullanıcı deneyimini optimize etmek için izleyiciye. Bu yöntemler, insanların davranışlarının doğasında var olan gürültünün üstesinden gelebilecek, yoğun trafiği olan çevrimiçi devler tarafından kullanılabilir.

Ya herhangi bir veri almadan önce insanların medyaya nasıl tepki vereceğini tahmin edebilseydik? Bu, küçük işletmelerin önceden var olan çok az çekişe sahip olmalarına rağmen yazılı materyallerini ve web sitelerini optimize etmelerini mümkün kılacaktır. NeuroAI, insanların görsel materyallere nasıl tepki vereceğini tahmin etmeye giderek yaklaşıyor. Örneğin, araştırmacılar Adobe'de araçlar üzerinde çalışıyor çizimlerde görsel dikkati tahmin etmek ve yönlendirmek için.

Araştırmacılar ayrıca onları yapmak için fotoğrafları düzenlemeyi gösterdiler. görsel olarak daha akılda kalıcı veya estetik olarak hoş. Örneğin, insanların kendilerine yansıtmak istedikleri görüntüye en uyumlu profesyonel bir vesikalık fotoğrafı otomatik olarak seçmek için kullanılabilir – profesyonel, ciddi veya yaratıcı. Yapay sinir ağları, mesajları gerçekçi görüntülerden daha etkili bir şekilde iletmenin yollarını bile bulabilir. OpenAI'nin CLIP'i, duygularla uyumlu görüntüleri bulmak için araştırılabilir. Şok kavramına en uygun görüntü Munch's Scream'in yanında yersiz olmazdı.

Geçen yıl boyunca, OpenAI ve Google, metin istemlerinden fotogerçekçi görüntüler oluşturma konusunda etkileyici bir yeteneğe sahip üretken sanat ağları sergilediler. Müzik için o anı tam olarak yakalayamadık, ancak üretken modellerdeki ilerleme hızıyla, bu kesinlikle önümüzdeki birkaç yıl içinde gerçekleşecek. İnsanlar gibi işitebilen makineler yaparak, müzik prodüksiyonunu demokratikleştirebilir ve herkese son derece yetenekli müzik yapımcılarının yapabileceklerini yapma yeteneği verebiliriz: bir koro sırasında ister melankoli ister neşe olsun doğru duyguyu iletmek; bir melodinin kulak kurdu yaratmak; ya da bir parçayı karşı konulmaz bir şekilde dans edilebilir kılmak.

Görsel-işitsel medyayı, web sitelerini ve özellikle reklamları optimize etmek için muazzam bir pazar baskısı var ve biz zaten nöroAI ve algoritmik sanatı bu sürece entegre ediyoruz. Bu baskı, pratik uygulamalara daha fazla kaynak aktarıldıkça, nöroAI'nin daha iyi ve daha kullanışlı hale geleceği erdemli bir döngüye yol açacaktır. Bunun bir yan etkisi, reklamların çok dışında faydalı olacak çok iyi beyin modelleri elde etmemizdir. 

Erişilebilirlik ve algoritmik tasarım

NeuroAI'nin en heyecan verici uygulamalarından biri erişilebilirliktir. Çoğu medya “ortalama” kişi için tasarlanmıştır, ancak hepimiz görsel ve işitsel bilgileri farklı şekilde işleriz. Erkeklerin %8'i ve kadınların %0.5'i kırmızı-yeşil renk körüdür ve büyük miktarda medya onların ihtiyaçlarına göre uyarlanmamıştır. Günümüzde renk körlüğünü simüle eden ancak normal renk görüşüne sahip bir kişinin sonuçları yorumlaması ve gerekli değişiklikleri yapması gereken bir dizi ürün var. Statik renk yeniden eşleme de bu ihtiyaçlar için çalışmaz, çünkü bazı malzemeler renk yeniden eşleme ile anlamlarını korumazlar (örneğin okunması zorlaşan grafikler). Renk körlüğü açısından güvenli materyallerin ve web sitelerinin oluşturulmasını, mevcut grafiklerin anlamını koruyan nöroAI yöntemleri aracılığıyla otomatikleştirebiliriz.

Başka bir örnek, dünya çapında insanların %10'unu etkileyen disleksi gibi öğrenme güçlüğü çeken insanlara yardım etmektir. Disleksinin altında yatan sorunlardan biri, kalabalığa duyarlılıkp ve q gibi ayna simetrik harfler de dahil olmak üzere benzer temel özelliklere sahip şekilleri tanıma zorluğudur. MIT'den Anne Harrington ve Arturo Deza, nöroAI modelleri üzerinde çalışıyor bu etkiyi modelleyen ve çok umut verici sonuçlar elde etmek. Hem estetik açıdan hoş hem de okunması daha kolay olan yazı tiplerini tasarlamak için disleksik görsel sistemin modellerini aldığınızı hayal edin. Belirli bir kişinin görsel sistemi hakkında doğru verilerle, yazı tipini belirli bir kişiye göre kişiselleştirin, okuma performansını iyileştirmede umut vaat ediyor. Bunlar, burada bekleyen yaşam kalitesinde potansiyel olarak büyük gelişmelerdir.

Sağlık

Birçok sinirbilimci, araştırmalarının insan sağlığını, özellikle nörolojik bozukluklar veya zihinsel sağlık sorunları yaşayan insanlar için olumlu etkileyeceği umuduyla alana girer. NeuroAI'nin yeni terapilerin kilidini açacağından çok umutluyum: iyi bir beyin modeliyle, doğru uyaranları oluşturabiliriz, böylece doğru mesaj ona ulaşır, tıpkı bir anahtarın bir kilide uyması gibi. Bu anlamda, neuroAI algoritmik ilaç tasarımına benzer şekilde uygulanabilir, ancak küçük moleküller yerine görüntüler ve sesler sunuyoruz. 

En ulaşılabilir problemler, zaten iyi karakterize edilmiş göz ve kulak alıcılarını içerir. Yüz binlerce insan, kulağın kokleasını elektriksel olarak uyaran ve sağırların veya işitme güçlüğü çekenlerin tekrar duymasını sağlayan nöroprostetikler olan koklear implantlar aldı. Birkaç düzine elektrot içeren bu implantların, birden fazla hoparlörün olduğu gürültülü ortamlarda kullanımı zor olabilir. Bir beyin modeli olabilir implantın stimülasyon modelini optimize edin konuşmayı güçlendirmek için. Dikkat çekici olan şey, implantları olan kişiler için geliştirilen bu teknolojinin, ister işitsel bir işleme bozukluğuna sahip olsunlar ister sadece sıklıkla gürültülü ortamlarda bulunsunlar, sesleri gerçek zamanlı olarak değiştirerek, implantı olmayan kişilerin konuşmayı daha iyi anlamalarına yardımcı olacak şekilde uyarlanabilmesidir.

İster katarakt ameliyatından sonra olsun, ister yaşla birlikte miyop olsun, birçok insan yaşamları boyunca duyu sistemlerinde değişiklikler yaşar. Biliyoruz ki, böyle bir değişimden sonra insanlar, algısal öğrenme denilen bir olgu olan tekrarlama yoluyla dünyayı doğru bir şekilde yeniden yorumlamayı öğrenebilirler. İnsanların becerilerini daha hızlı ve daha etkili bir şekilde yeniden kazanabilmeleri için bu algısal öğrenmeyi en üst düzeye çıkarabiliriz. Benzer bir fikir, felçten sonra uzuvlarını akıcı bir şekilde hareket ettirme yeteneğini kaybeden insanlara yardımcı olabilir. Beyni en iyi şekilde güçlendirmek için doğru hareket sırasını bulabilirsek, inme geçirenlerin daha akıcı yürüme veya dökmeden bir fincan kahveyi tutma gibi daha fazla işlevi yeniden kazanmalarına yardımcı olabiliriz. Aynı fikir, insanların kaybolan fiziksel işlevlerini geri kazanmalarına yardımcı olmanın yanı sıra, beyzbol oyuncuları, okçular veya patologlar olsun, sağlıklı insanların en yüksek duyusal performansa ulaşmalarına yardımcı olabilir.

Son olarak, bu fikirlerin duygudurum bozukluklarının tedavisine uygulandığını görebiliyoruz. Pandemi sürecinde can sıkıntımı gidermek için pek çok görsel sanat sergisine gittim ve bu benim ruh halimi müthiş yükseltti. Görsel sanat ve müzik ruhumuzu yükseltebilir ve bu bizim olabileceğimizin bir kanıtıdır. Duygular yoluyla duygudurum bozuklukları için terapiler sunabilir. Beynin belirli bölümlerinin aktivitesini elektrik stimülasyonu ile kontrol etmenin tedaviye dirençli depresyonu hafifletebileceğini biliyoruz; belki de beynin etkinliğini duyular aracılığıyla dolaylı olarak kontrol etmek de benzer etkiler gösterebilir. Beynin iyi anlaşılan kısımlarını etkileyen basit modelleri (düşük asılı meyveler) dağıtarak, insan sağlığına yardımcı olabilecek daha karmaşık modeller oluşturma konusunda topun yuvarlanmasını sağlayacağız. 

Teknoloji trendlerini etkinleştirme

NeuroAI'nin evcilleştirilmesi ve uygulamalarda devreye alınması uzun yıllar alacak ve ortaya çıkan diğer teknoloji trendlerini engelleyecektir. Burada, nöroAI'yi çok daha güçlü kılacak iki eğilimi özellikle vurguluyorum: uyaranları tam olarak iletebilen artırılmış gerçeklik (AR); ve uyaranların beklenen şekilde hareket ettiğini doğrulamak için beyin aktivitesini ölçebilen beyin-bilgisayar arayüzleri (BCI).  

Arttırılmış gerçeklik

NeuroAI uygulamalarını çok daha güçlü kılacak bir trend, artırılmış gerçeklik gözlüklerinin benimsenmesidir. Artırılmış gerçeklik (AR), günlük yaşamla bütünleştiği için her yerde bulunan bir bilgi işlem platformu olma potansiyeline sahiptir.

Meta Reality Labs'ın baş bilimcisi Michael Abrash'ın hipotezi, yeterince yetenekli AR gözlükleri yaparsanız herkesin onları isteyeceğidir. bina demek kalıcı, dünya kilitli sanal nesneler oluşturabilen, dünyayı tanıyan gözlükler; hafif ve şık çerçeveler, bir çift Ray-Bans gibi; ve size gerçek hayattaki süper güçleri vermek gibi, Mesafeden bağımsız olarak insanlarla doğal olarak etkileşim kurun ve işitme duyunuzu geliştirmek. Bunları inşa edebilirseniz – çok büyük bir teknik zorluk – AR gözlükleri iPhone benzeri bir yörüngeyi takip edebilir, öyle ki herkes piyasaya sürüldükten 5 yıl sonra bir (veya bir nakavt) sahibi olacak.

Bunu gerçeğe dönüştürmek için Meta harcadı Metaverse için Ar-Ge'de geçen yıl 10 milyar dolar. Apple'ın neyin peşinde olduğunu tam olarak bilmesek de, AR gözlükleri üzerinde çalıştıklarına dair güçlü işaretler. Dolayısıyla, AR'nin gerçekleşmesi için arz tarafında da muazzam bir baskı var.

Bu, günümüzün statik ekranlarından çok daha güçlü bir görüntüleme cihazını yaygın olarak kullanılabilir hale getirecektir. Eğer o VR yörüngesini takip eder, sonunda entegre göz takibine sahip olacak. Bu, şu anda mümkün olandan çok daha kontrollü uyaranları sunmanın yaygın olarak mevcut bir yolu, sinirbilimciler için bir rüya anlamına gelir. Ve bu cihazların geniş kapsamlı sağlık uygulamalarına sahip olması muhtemeldir, 2017'de Michael Abrash tarafından söylendiği gibiÖrneğin, düşük ışıkta görüşü geliştirmek veya maküler dejenerasyona rağmen insanların normal bir yaşam sürmesini sağlamak gibi.

NeuroAI için önemi açıktır: Günlük yaşamda sürekli olarak doğru uyaranı son derece kontrollü bir şekilde sağlayabiliriz. Bu, uzamsal ses sağlayabildiğimiz için görme için ve belki de daha az belirgin olan işitme için geçerlidir. Bunun anlamı, nörolojik sorunları olan insanlar için nöroAI terapileri veya erişilebilirlik iyileştirmeleri sağlayan araçlarımızın çok daha güçlü hale geleceğidir.

BCI

Harika bir ekran ve hoparlörler ile beyne giden ana girdileri tam olarak kontrol edebiliyoruz. Duyular yoluyla uyaranların iletilmesinde bir sonraki, daha güçlü aşama, beynin salt okunur bir beyin-bilgisayar arayüzü (BCI) aracılığıyla beklenen şekilde tepki verdiğini doğrulamaktır. Böylece, uyaranların beyin üzerindeki etkilerini ölçebiliriz ve eğer beklendiği gibi değilse, buna göre kapalı döngü kontrolü denen şeye göre ayarlayabiliriz. 

Açık olmak gerekirse, burada Neuralink'in çipi veya kafatasının içine giren derin beyin uyarıcıları gibi BCI yöntemlerinden bahsetmiyorum; bu amaçlar için, invaziv olmayan bir şekilde, kafatasının dışındaki beyin aktivitesini ölçmek yeterlidir. Beyni doğrudan uyarmaya da gerek yok: beynin girdilerinin çoğunu kontrol etmek için ihtiyacınız olan tek şey gözlük ve kulaklık.

Günümüzde ticarileştirilmiş veya kapalı döngü kontrolü için kullanılabilecek boru hattında bulunan bir dizi invaziv olmayan salt okunur BCI vardır. Bazı örnekler şunları içerir:

• EEG. Elektroensefalografi, beynin kafatasının dışındaki elektriksel aktivitesini ölçer. Kafatası bir hacim iletkeni olarak hareket ettiğinden, EEG yüksek zamansal çözünürlüğe ancak düşük uzaysal çözünürlüğe sahiptir. Bu, meditasyon ürünlerine sınırlı tüketici uygulamasına sahip olsa da (Muse) ve niş nöropazarlama uygulamalarında, kapalı döngü kontrolü bağlamında bazı kullanımları konusunda iyimserim. EEG, kişi uyaran üzerinde kontrol sahibi olduğunda çok daha güçlü olabilir, çünkü sunulan uyaranı EEG sinyaliyle ilişkilendirmek ve bir kişinin neye dikkat ettiğini çözmek (uyarılmış potansiyel yöntemler) mümkündür. Gerçekten de, uyarılmış potansiyellere dayalı EEG tabanlı bir “zihin tıklaması” yapan NextMind satın alındı. Snap tarafından, şimdi AR ürünleri yapıyor. OpenBCI (şimdiki değeri) planlama EEG sensörlerini Varjo'nun üst düzey Aero kulaklığı ile entegre eden bir kulaklığı piyasaya sürmek. EEG'yi saymıyorum.
• fMRI. Fonksiyonel manyetik rezonans görüntüleme, nöral aktivite ile ilişkili kan oksijenasyonundaki küçük değişiklikleri ölçer. Yavaştır, taşınabilir değildir, kendi odasına ihtiyaç duyar ve çok pahalıdır. Bununla birlikte, fMRI, beynin derinliklerindeki aktiviteyi uzamsal olarak kesin bir şekilde invaziv olmayan bir şekilde okuyabilen tek teknoloji olmaya devam ediyor. Kapalı döngü sinir kontrolü için oldukça olgun ve alakalı iki paradigma vardır. Birincisi fMRI tabanlı biyolojik geri bildirimdir. fMRI'nin bir alt alanı insanların beyin aktivitelerini bir ekranda veya kulaklıkta görsel olarak sunarak modüle edebildiklerini gösteriyor. İkincisi, popülasyon alıcı alanlar gibi yaklaşımları içeren kortikal haritalamadır. film klipleriyle voksel seçiciliğini tahmin etme veya farklı beyin alanlarının farklı görsel ve işitsel uyaranlara nasıl tepki verdiğini tahmin etmeye izin veren podcast'ler. Bu iki yöntem, bir nöroAI müdahalesinin beyni nasıl etkilediğini tahmin etmenin ve onu daha etkili olmaya yönlendirmenin mümkün olması gerektiğini ima ediyor.
• fNIRS. Fonksiyonel yakın kızılötesi spektroskopisi, bir verici ve bir reseptör arasındaki beyin kan hacmini tahmin etmek için dağınık ışık kullanır. Kanın opak olduğu ve artan nöral aktivitenin belirli bir beyin hacminde gecikmiş bir kan akışına yol açtığı gerçeğine dayanır (fMRI ile aynı prensip). Geleneksel NIRS düşük uzamsal çözünürlüğe sahiptir, ancak zaman geçişi (TD-NIRS) ve büyük aşırı örnekleme (yaygın optik tomografi) ile uzamsal çözünürlük çok daha iyidir. Akademik cephede, Joe Culver'ın WUSTL'deki grubu görsel korteksten filmlerin kodunun çözülmesini gösterdiler. Ticari cephede, Çekirdek artık TD-NIRS kulaklık yapımı ve nakliyesi bunlar etkileyici mühendislik başarılarıdır. Ve bu, insanların zorlamaya devam ettiği ve ilerlemenin hızlı olduğu bir alandır; Meta'daki eski grubum, ilgili bir teknikte sinyal-gürültü oranında (>32'e ölçeklenebilen) 300 kat bir iyileşme gösterdi.
• MEG. Manyetoensefalografi, manyetik alanlardaki küçük değişiklikleri ölçer ve böylece beyin aktivitesini lokalize eder. MEG, elektromanyetik alandaki değişiklikleri ölçmesi bakımından EEG'ye benzer, ancak hacim iletiminden etkilenmez ve bu nedenle daha iyi uzaysal çözünürlüğe sahiptir. Soğutma gerektirmeyen taşınabilir MEG, invaziv olmayan BCI için bir oyun değiştirici olacaktır. İnsanlar optik olarak pompalanan manyetometrelerle ilerleme kaydediyor ve QuSpin gibi üreticilerden açık pazarda bireysel OPM sensörleri satın almak mümkün.

Bu daha iyi bilinen tekniklere ek olarak, dijital holografi, foto-akustik tomografi ve fonksiyonel ultrason gibi bazı karanlık at teknolojileri bu alanda hızlı paradigma kaymalarına yol açabilir.

Tüketici düzeyinde non-invaziv BCI hala emekleme aşamasında olsa da, AR kullanım durumları etrafında pastayı büyütecek bir dizi pazar baskısı var. Gerçekten de, AR için önemli bir sorun, cihazı kontrol etmektir: Eğer önleyebiliyorsanız, bir kontrolörle dolaşmak veya gözlüklerinize mırıldanmak istemezsiniz. Facebook'un CTRL+Labs'i satın almasıyla kanıtlandığı gibi, şirketler bu sorunu çözme konusunda oldukça ciddiler. 2019 yılında, Snap NextMind'ı satın aldı ve Valve, OpenBCI ile birlikte çalıştı. Bu nedenle, düşük boyutlu BCI'lerin hızla geliştiğini görmemiz muhtemeldir. Yüksek boyutlu BCI'ler, AR gibi öldürücü bir uygulama bulurlarsa aynı yörüngeyi izleyebilirler. Burada savunduğum nöroAI uygulamalarının bu teknoloji için tam olarak doğru kullanım durumu olması mümkündür.

Gözlere ve kulaklara gelen girdileri kontrol edebilir ve beyin durumlarını tam olarak ölçebilirsek, maksimum etkinlik için izlenen bir şekilde nöroAI tabanlı tedaviler sunabiliriz.

Sahada ne eksik

NeuroAI uygulamalarının arkasındaki temel bilim hızla olgunlaşıyor ve genel uygulanabilirliğini artıracak bir dizi olumlu eğilim var. Öyleyse, nöroAI uygulamalarını pazara getirmek için eksik olan nedir?

1. Takım. AI içindeki diğer alt alanlar, hızlı ilerlemeyi ve sonuçların paylaşılmasını sağlayan araç kutularından büyük ölçüde yararlandı. Buna Tensorflow ve PyTorch gibi tensör cebir kitaplıkları, OpenAI Gym gibi eğitim ortamları ve 🤗 HuggingFace gibi veri ve modelleri paylaşmak için ekosistemler dahildir. Potansiyel olarak bol simülasyon verisinden yararlanan değerlendirme takımlarının yanı sıra merkezi bir model ve yöntem deposu, alanı ileriye taşıyacaktır. Halihazırda güçlü bir açık kaynaklı sinirbilim organizasyonları topluluğu var ve bu çabalar için doğal ana bilgisayarlar olarak hizmet edebilirler.
2. Yetenek. Nörobilim ve yapay zekanın kesiştiği noktada araştırma ve geliştirmenin yapıldığı yok denecek kadar az sayıda yer var. Stanford ve Berkeley'de laboratuvarları olan Bay Area ve MIT ve Harvard'da çok sayıda laboratuvarı olan Boston metro bölgesi, yatırımın çoğunu önceden var olan risk sermayesi ekosisteminden görecektir. Üçüncü bir muhtemel merkez, McGill ve Universite de Montreal'deki devasa sinirbilim departmanları tarafından kaldırılan ve AI öncüsü Yoshua Bengio tarafından kurulan yapay zeka enstitüsü Mila'nın çekimi ile birleştirilen Montreal, Kanada'dır. Alanımız, ticarileştirmeyi başlatmak için nöroAI'de uzmanlaşmış doktora programlarından ve mükemmellik merkezlerinden faydalanacaktır.
3. Tıbbi uygulamalar için yeni finansman ve ticarileştirme modelleri. Tıbbi uygulamaların ticarileştirilmesi için uzun bir yolu vardır ve korunan fikri mülkiyet, genellikle teknolojiye yapılan riskten arındırma yatırımlarına fon sağlamak için bir ön koşuldur. Yapay zeka tabanlı yeniliklerin patentinin alınması çok zor ve tıbbi cihaz olarak yazılım (SaMD) piyasaya yeni çıkmaya başlıyor ve bu da ticarileştirme yolunu belirsiz hale getiriyor. Bu yeni alanı beslemek için yapay zeka ve tıbbi teknoloji uzmanlığını bir araya getirmeye odaklanan fonlara ihtiyacımız olacak. 

NeuroAI inşa edelim

Bilim adamları ve filozoflar, çok eski zamanlardan beri beyinlerin nasıl çalıştığı konusunda kafa karıştırdılar. Bir metrekarelik ince bir doku tabakası nasıl görmemizi, duymamızı, hissetmemizi ve düşünmemizi sağlar? NeuroAI, bilgisayarlarda nörolojik sistem modelleri oluşturarak bu derin soruları ele almamıza yardımcı oluyor. Bilgiye olan bu temel susuzluğu tatmin ederek - insan olmak ne demektir? – sinirbilimciler ayrıca milyonlarca insanın daha zengin hayatlar yaşamasına yardımcı olabilecek araçlar geliştiriyorlar.

4 Ağustos 2022'de yayınlandı