Εάν είστε πρόθυμοι να ξαπλώσετε πολύ ακίνητοι σε έναν τεράστιο μεταλλικό σωλήνα για 16 ώρες και να αφήσετε τους μαγνήτες να εκτινάξουν τον εγκέφαλό σας καθώς ακούτε, αρπαχτείτε, να χτυπάτε podcast, ένας υπολογιστής μπορεί απλώς να είναι σε θέση να διαβάσει το μυαλό σας. Ή τουλάχιστον τα ακατέργαστα περιγράμματα του. Ερευνητές από το Πανεπιστήμιο του Τέξας στο Ώστιν εκπαίδευσαν πρόσφατα ένα μοντέλο τεχνητής νοημοσύνης για να αποκρυπτογραφήσει την ουσία μιας περιορισμένης σειράς προτάσεων καθώς τα άτομα τις άκουγαν – χειρονομώντας προς ένα εγγύς μέλλον στο οποίο η τεχνητή νοημοσύνη θα μπορούσε να μας δώσει μια βαθύτερη κατανόηση του ανθρώπινου νου.
Το πρόγραμμα ανέλυσε σαρώσεις fMRI ανθρώπων που άκουγαν, ή ακόμα απλώς ανακαλούσαν, προτάσεις από τρεις εκπομπές: Σύγχρονη Αγάπη, The Moth Ώρα Ραδιοφώνουκαι Το Anthropocene Reviewed. Στη συνέχεια, χρησιμοποίησε αυτά τα δεδομένα απεικόνισης εγκεφάλου για να ανακατασκευάσει το περιεχόμενο αυτών των προτάσεων. Για παράδειγμα, όταν ένα άτομο άκουσε «Δεν έχω το δίπλωμα οδήγησής μου ακόμα», το πρόγραμμα αποκρυπτογράφησε τις σαρώσεις του εγκεφάλου του ατόμου και επέστρεψε «Δεν έχει αρχίσει καν να μαθαίνει να οδηγεί ακόμα» — ούτε λέξη προς λέξη. δημιουργία, αλλά μια στενή προσέγγιση της ιδέας που εκφράζεται στην αρχική πρόταση. Το πρόγραμμα μπόρεσε επίσης να εξετάσει δεδομένα fMRI ανθρώπων που παρακολουθούσαν ταινίες μικρού μήκους και να γράψει κατά προσέγγιση περιλήψεις των κλιπ, υποδηλώνοντας ότι η τεχνητή νοημοσύνη δεν απαθανάτιζε μεμονωμένες λέξεις από τις σαρώσεις εγκεφάλου, αλλά υποκείμενα νοήματα.
Τα ευρήματα, δημοσιευτηκε σε Nature Neuroscience νωρίτερα αυτόν τον μήνα, προσθέστε σε ένα νέο πεδίο έρευνας που ανατρέπει τη συμβατική κατανόηση της τεχνητής νοημοσύνης. Για δεκαετίες, οι ερευνητές εφαρμόζουν έννοιες από τον ανθρώπινο εγκέφαλο στην ανάπτυξη ευφυών μηχανών. ChatGPT, υπερρεαλιστική εικόνα γεννήτριες όπως το Midjourney και πρόσφατες προγράμματα κλωνοποίησης φωνής χτίζονται σε στρώματα συνθετικών «νευρώνων»: ένα σωρό εξισώσεις που, κάπως σαν νευρικά κύτταρα, στέλνουν εξόδους το ένα στο άλλο για να επιτύχουν το επιθυμητό αποτέλεσμα. Ωστόσο, ακόμη και καθώς η ανθρώπινη γνώση έχει εμπνεύσει εδώ και καιρό τον σχεδιασμό «ευφυών» προγραμμάτων υπολογιστών, πολλά σχετικά με τις εσωτερικές λειτουργίες του εγκεφάλου μας έχουν παραμείνει ένα μυστήριο. Τώρα, σε μια αντιστροφή αυτής της προσέγγισης, οι επιστήμονες ελπίζουν να μάθουν περισσότερα για το μυαλό χρησιμοποιώντας συνθετικά νευρωνικά δίκτυα για να μελετήσουν τα βιολογικά μας. «Αναμφισβήτητα οδηγεί σε προόδους που απλά δεν μπορούσαμε να φανταστούμε πριν από μερικά χρόνια», λέει η Evelina Fedorenko, γνωστική επιστήμονας στο MIT.
Η φαινομενική εγγύτητα του προγράμματος AI με την ανάγνωση του μυαλού έχει προκαλέσει θόρυβος επί κοινωνικός και παραδοσιακός μεσο ΜΑΖΙΚΗΣ ΕΝΗΜΕΡΩΣΗΣ. Αλλά αυτή η πτυχή του έργου είναι «περισσότερο ένα τέχνασμα σαλονιού», λέει ο Alexander Huth, κύριος συγγραφέας του Φύση μελέτη και μου είπε ένας νευροεπιστήμονας στο UT Austin. Τα μοντέλα ήταν σχετικά ανακριβή και βελτιωμένα για κάθε άτομο που συμμετείχε στην έρευνα και οι περισσότερες τεχνικές σάρωσης εγκεφάλου παρέχουν δεδομένα πολύ χαμηλής ανάλυσης. Παραμένουμε πολύ, πολύ μακριά από ένα πρόγραμμα που μπορεί να συνδεθεί στον εγκέφαλο οποιουδήποτε ανθρώπου και να καταλάβει τι σκέφτεται. Η πραγματική αξία αυτού του έργου έγκειται στην πρόβλεψη ποια μέρη του εγκεφάλου φωτίζονται ενώ ακούτε ή φαντάζεστε λέξεις, κάτι που θα μπορούσε να δώσει περισσότερες γνώσεις για τους συγκεκριμένους τρόπους με τους οποίους οι νευρώνες μας συνεργάζονται για να δημιουργήσουν ένα από τα καθοριστικά χαρακτηριστικά της ανθρωπότητας, τη γλώσσα.
Η επιτυχής κατασκευή ενός προγράμματος που μπορεί να ανακατασκευάσει το νόημα των προτάσεων, είπε ο Huth, χρησιμεύει κυρίως ως «απόδειξη αρχής ότι αυτά τα μοντέλα καταγράφουν πραγματικά πολλά σχετικά με το πώς ο εγκέφαλος επεξεργάζεται τη γλώσσα». Πριν από αυτή την εκκολαπτόμενη επανάσταση της τεχνητής νοημοσύνης, νευροεπιστήμονες και γλωσσολόγοι βασίζονταν σε κάπως γενικευμένες λεκτικές περιγραφές του γλωσσικού δικτύου του εγκεφάλου που ήταν ανακριβείς και δύσκολο να συνδεθούν άμεσα με την παρατηρήσιμη εγκεφαλική δραστηριότητα. Οι υποθέσεις για το ποιες ακριβώς πτυχές της γλώσσας είναι υπεύθυνες οι διάφορες περιοχές του εγκεφάλου – ή ακόμα και το θεμελιώδες ερώτημα για το πώς ο εγκέφαλος μαθαίνει μια γλώσσα – ήταν δύσκολο ή και αδύνατο να δοκιμαστούν. (Ίσως μια περιοχή αναγνωρίζει ήχους, μια άλλη ασχολείται με τη σύνταξη και ούτω καθεξής.) Αλλά τώρα οι επιστήμονες θα μπορούσαν να χρησιμοποιήσουν μοντέλα τεχνητής νοημοσύνης για να εντοπίσουν καλύτερα από τι ακριβώς αποτελούνται αυτές οι διαδικασίες. Τα οφέλη θα μπορούσαν να επεκταθούν πέρα από τις ακαδημαϊκές ανησυχίες – η παροχή βοήθειας σε άτομα με ορισμένες αναπηρίες, για παράδειγμα, σύμφωνα με τον Jerry Tang, άλλο επικεφαλής συγγραφέα της μελέτης και επιστήμονα υπολογιστών στο UT Austin. «Ο απώτερος στόχος μας είναι να βοηθήσουμε στην αποκατάσταση της επικοινωνίας με άτομα που έχουν χάσει την ικανότητα να μιλούν», μου είπε.
Υπήρξε κάποια αντίσταση στην ιδέα ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει στη μελέτη του εγκεφάλου, ειδικά μεταξύ των νευροεπιστημόνων που μελετούν τη γλώσσα. Αυτό συμβαίνει επειδή τα νευρωνικά δίκτυα, τα οποία υπερέχουν στην εύρεση στατιστικών προτύπων, φαίνεται να λείπουν βασικά στοιχεία για το πώς οι άνθρωποι επεξεργάζονται τη γλώσσα, όπως η κατανόηση του τι σημαίνουν οι λέξεις. Η διαφορά μεταξύ μηχανής και ανθρώπινης γνώσης είναι επίσης διαισθητική: Ένα πρόγραμμα όπως GPT-4που μπορεί να γράψει αξιοπρεπή δοκίμια και διαπρέπει σε τυποποιημένες δοκιμέςμαθαίνει με επεξεργασία terabytes δεδομένων από βιβλία και ιστοσελίδες, ενώ τα παιδιά παίρνουν μια γλώσσα με ένα κλάσμα 1 τοις εκατό αυτού του αριθμού λέξεων. «Οι δάσκαλοι μας είπαν ότι τα τεχνητά νευρωνικά δίκτυα δεν είναι πραγματικά τα ίδια με τα βιολογικά νευρωνικά δίκτυα», μου είπε ο νευροεπιστήμονας Jean-Rémi King για τις σπουδές του στα τέλη της δεκαετίας του 2000. «Αυτό ήταν απλώς μια μεταφορά». Πλέον, ο Κινγκ είναι ο κορυφαίος στην έρευνα για τον εγκέφαλο και την τεχνητή νοημοσύνη στο Meta, ανάμεσα σε πολλούς επιστήμονες διαψεύδοντας εκείνο το παλιό δόγμα. «Δεν το σκεφτόμαστε αυτό ως μεταφορά», μου είπε. «Σκεφτόμαστε [AI] σαν πολύ χρήσιμο μοντέλο για το πώς ο εγκέφαλος επεξεργάζεται τις πληροφορίες».
Τα τελευταία χρόνια, οι επιστήμονες το έκαναν απεικονίζεται ότι η εσωτερική λειτουργία του προηγμένα προγράμματα τεχνητής νοημοσύνης προσφέρουν ένα πολλά υποσχόμενο μαθηματικό μοντέλο για το πώς το μυαλό μας επεξεργάζεται τη γλώσσα. Όταν πληκτρολογείτε μια πρόταση στο ChatGPT ή σε ένα παρόμοιο πρόγραμμα, το εσωτερικό του νευρωνικό δίκτυο αντιπροσωπεύει αυτήν την είσοδο ως ένα σύνολο αριθμών. Όταν ένα άτομο ακούει την ίδια πρόταση, οι σαρώσεις fMRI μπορούν να καταγράψουν πώς αντιδρούν οι νευρώνες στον εγκέφαλό του και ένας υπολογιστής είναι σε θέση να ερμηνεύσει αυτές τις σαρώσεις ως βασικά ένα άλλο σύνολο αριθμών. Αυτές οι διαδικασίες επαναλαμβάνονται σε πολλές, πολλές προτάσεις για να δημιουργήσουν δύο τεράστια σύνολα δεδομένων: ένα για το πώς μια μηχανή αντιπροσωπεύει τη γλώσσα και ένα άλλο για έναν άνθρωπο. Οι ερευνητές μπορούν στη συνέχεια να χαρτογραφήσουν τη σχέση μεταξύ αυτών των συνόλων δεδομένων χρησιμοποιώντας έναν αλγόριθμο γνωστό ως an κωδικοποίηση μοντέλο. Μόλις γίνει αυτό, το μοντέλο κωδικοποίησης μπορεί να αρχίσει να προεκθέτει: Το πώς ανταποκρίνεται η τεχνητή νοημοσύνη σε μια πρόταση γίνεται η βάση για την πρόβλεψη του τρόπου με τον οποίο οι νευρώνες στον εγκέφαλο θα πυροδοτηθούν ως απόκριση σε αυτήν επίσης.
Φαίνεται ότι μια νέα έρευνα που χρησιμοποιεί AI για τη μελέτη του γλωσσικού δικτύου του εγκεφάλου προς την εμφανίζομαι κάθε λίγοι εβδομάδες. Κάθε ένα από αυτά τα μοντέλα θα μπορούσε να αντιπροσωπεύει «μια υπολογιστικά ακριβή υπόθεση για το τι μπορεί να συμβαίνει στον εγκέφαλο», μου είπε η Νάνσι Κάνγουισερ, νευροεπιστήμονας στο MIT. Για παράδειγμα, η τεχνητή νοημοσύνη θα μπορούσε να βοηθήσει στην απάντηση στο ανοιχτό ερώτημα του τι ακριβώς στοχεύει να κάνει ο ανθρώπινος εγκέφαλος όταν αποκτήσει μια γλώσσα – όχι μόνο ότι ένα άτομο μαθαίνει να επικοινωνεί, αλλά και στους συγκεκριμένους νευρικούς μηχανισμούς μέσω των οποίων προκύπτει η επικοινωνία. Η ιδέα είναι ότι εάν ένα μοντέλο υπολογιστή εκπαιδευτεί με έναν συγκεκριμένο στόχο—όπως η εκμάθηση προβλέψτε την επόμενη λέξη σε μια ακολουθία ή να κρίνετε τη γραμματική συνοχή μιας πρότασης—αποδεικνύεται καλύτερα στην πρόβλεψη των εγκεφαλικών αποκρίσεων, τότε είναι πιθανό ο ανθρώπινος νους να μοιράζεται αυτόν τον στόχο. Ίσως το μυαλό μας, όπως το GPT-4, να εργάζεται προσδιορίζοντας ποιες λέξεις είναι πιο πιθανό να διαδέχονται η μία την άλλη. Οι εσωτερικές λειτουργίες ενός γλωσσικού μοντέλου, λοιπόν, γίνονται μια υπολογιστική θεωρία του εγκεφάλου.
Αυτές οι υπολογιστικές προσεγγίσεις είναι μόλις λίγα χρόνια παλιά, επομένως υπάρχουν πολλές διαφωνίες και ανταγωνιστικές θεωρίες. «Δεν υπάρχει κανένας λόγος για τον οποίο η αναπαράσταση που μαθαίνεις από γλωσσικά μοντέλα έχει να κάνει με το πώς ο εγκέφαλος αντιπροσωπεύει μια πρόταση», μου είπε ο Francisco Pereira, διευθυντής μηχανικής μάθησης για το Εθνικό Ινστιτούτο Ψυχικής Υγείας. Αλλά αυτό δεν σημαίνει ότι μια σχέση δεν μπορεί να υπάρξει και υπάρχουν διάφοροι τρόποι για να ελέγξετε αν υπάρχει. Σε αντίθεση με τον εγκέφαλο, οι επιστήμονες μπορούν να χωρίσουν, να εξετάσουν και να χειριστούν σχεδόν γλωσσικά μοντέλα άπειρα—έτσι, ακόμα κι αν τα προγράμματα τεχνητής νοημοσύνης δεν είναι πλήρεις υποθέσεις του εγκεφάλου, είναι ισχυρά εργαλεία για τη μελέτη του. Για παράδειγμα, οι γνωστικοί επιστήμονες μπορούν να το προσπαθήσουν προβλέψτε τις απαντήσεις στοχευμένων περιοχών του εγκεφάλου και δοκιμή πώς διαφορετικοί τύποι προτάσεων προκαλούν διαφορετικούς τύπους εγκεφαλικών απαντήσεων, για να καταλάβω τι κάνουν αυτά τα συγκεκριμένα σμήνη νευρώνων «και μετά μπαίνουν σε μια περιοχή που είναι άγνωστη», μου είπε η Γκρέτα Τάκκουτ, που μελετά τον εγκέφαλο και τη γλώσσα στο MIT.
Προς το παρόν, η χρησιμότητα της τεχνητής νοημοσύνης μπορεί να μην είναι η ακριβής αναπαραγωγή αυτής της άγνωστης νευρολογικής περιοχής, αλλά η επινόηση ευρετικών για την εξερεύνηση της. «Αν έχεις έναν χάρτη που αναπαράγει κάθε μικρή λεπτομέρεια του κόσμου, ο χάρτης είναι άχρηστος γιατί έχει το ίδιο μέγεθος με τον κόσμο», μου είπε η Άννα Ιβάνοβα, γνωστική επιστήμονας στο MIT, επικαλούμενη έναν διάσημο Η παραβολή του Μπόρχες. «Και λοιπόν χρειάζεσαι αφαίρεση». Καθορίζοντας και δοκιμάζοντας τι πρέπει να κρατήσετε και να απορρίψετε – επιλέγοντας ανάμεσα σε δρόμους, ορόσημα και κτίρια και μετά βλέποντας πόσο χρήσιμος είναι ο χάρτης που προκύπτει – οι επιστήμονες αρχίζουν να περιηγούνται στο γλωσσικό έδαφος του εγκεφάλου.