Hirnimplantate und AI-Modell zur Übersetzung von Gedanken in Text

Forscher an der University of California, San Francisco, haben kürzlich ein AI-System entwickelt, das Texte erzeugen kann, indem es die Hirnaktivität einer Person analysiert, was im Wesentlichen bedeutet, dass es Gedanken in Text übersetzt. Das AI-System nimmt neuronale Signale von einem Benutzer und dekodiert sie und kann bis zu 250 Wörter in Echtzeit entschlüsseln, basierend auf einer Menge von 30 bis 50 Sätzen.

Wie die Independent berichtet, wurde das AI-Modell mit neuronalen Signalen trainiert, die von vier Frauen gesammelt wurden. Die Teilnehmerinnen an dem Experiment hatten Elektroden in ihren Gehirnen implantiert, um das Auftreten von epileptischen Anfällen zu überwachen. Die Teilnehmerinnen wurden angewiesen, Sätze laut zu lesen, und ihre neuronalen Signale wurden dem AI-Modell zugeführt. Das Modell konnte neuronale Aktivität erkennen, die mit bestimmten Wörtern korreliert war, und die Muster stimmten etwa 97% der Zeit mit den tatsächlichen Wörtern überein, mit einer durchschnittlichen Fehlerrate von etwa 3%.

Dies ist nicht das erste Mal, dass neuronale Signale mit Sätzen korreliert wurden, Neurologen haben an ähnlichen Projekten bereits seit über einem Jahrzehnt gearbeitet. Allerdings zeigt das von den Forschern entwickelte AI-Modell eine beeindruckende Genauigkeit und funktioniert in etwa Echtzeit. Das Modell verwendet ein rekurrentes neuronales Netzwerk, um die neuronale Aktivität in Darstellungen zu kodieren, die in Wörter übersetzt werden können. Wie die Autoren in ihrem Paper sagen:

„Wir haben uns von den jüngsten Fortschritten in der maschinellen Übersetzung inspirieren lassen und ein rekurrentes neuronales Netzwerk trainiert, um jede satzlange Sequenz von neuronalen Aktivitäten in eine abstrakte Darstellung zu kodieren und diese Darstellung dann Wort für Wort in einen englischen Satz zu dekodieren.“

Laut ArsTechnica haben die Forscher, um besser zu verstehen, wie Verbindungen zwischen neuronalen Signalen und Wörtern hergestellt wurden, das System experimentell deaktiviert. Die systematische Deaktivierung machte deutlich, dass die Genauigkeit des Systems auf die neuronale Darstellung zurückzuführen war. Es wurde auch festgestellt, dass die Deaktivierung der Audio-Eingaben des Systems die Fehlerquote erhöhte, aber die Gesamtleistung wurde dennoch als zuverlässig betrachtet. Offensichtlich bedeutet dies, dass das System potenziell als Gerät für Menschen, die nicht sprechen können, nützlich sein könnte.

Als verschiedene Teile der Elektroden-Eingabe deaktiviert wurden, stellte sich heraus, dass das System am meisten auf bestimmte Schlüssel-Gehirnregionen achtete, die mit der Sprachverarbeitung und -produktion verbunden sind. Zum Beispiel basierte ein anständiger Teil der Systemleistung auf Gehirnregionen, die auf den Klang der eigenen Stimme beim Sprechen achten.

Obwohl die anfänglichen Ergebnisse vielversprechend erscheinen, ist das Forschungsteam unsicher, wie gut das Modell auf größere Vokabulare skalieren wird. Es ist wichtig, dass das Prinzip auf größere Vokabulare verallgemeinert werden kann, da der durchschnittliche englische Sprecher ein aktives Vokabular von etwa 20.000 Wörtern hat. Die aktuelle Dekodiermethode funktioniert, indem sie die statische Struktur eines Satzes interpretiert und diese Struktur verwendet, um fundierte Vermutungen über die Wörter anzustellen, die einem bestimmten neuronalen Aktivitätsmuster entsprechen. Mit dem Wachstum des Vokabulars könnte die Gesamtgenauigkeit verringert werden, da mehr neuronale Muster ähnlich aussehen könnten.

Die Autoren des Papiers erklären, dass sie hoffen, der Dekodierer werde letztendlich lernen, regelmäßige, zuverlässige Muster in der Sprache zu erkennen, aber sie sind unsicher, wie viel Daten erforderlich sind, um ein Modell zu trainieren, das auf die alltägliche englische Sprache verallgemeinert werden kann. Ein möglicher Weg, um dieses Problem zu lösen, besteht darin, die Ausbildung mit Daten zu ergänzen, die von anderen Brain-Computer-Schnittstellen mit unterschiedlichen Algorithmen und Implantaten gesammelt werden.

Die Forschung, die von den Forschern an der University of California durchgeführt wurde, ist nur eine jüngste Entwicklung in einer wachsenden Welle von Forschung und Entwicklung im Bereich von neuronalen Schnittstellen und Computern. Die Royal Society hat letzten Jahr einen Bericht veröffentlicht, in dem sie vorhersagt, dass neuronale Schnittstellen, die Menschen mit Computern verbinden, es letztendlich ermöglichen werden, dass Menschen die Gedanken anderer lesen können. Der Bericht bezieht sich auf das Neuralink-Startup, das von Elon Musk gegründet wurde, und Technologien, die von Facebook (META ) entwickelt wurden, als Beweis für die kommenden Fortschritte in der humanorientierten Computertechnologie. Die Royal Society weist darauf hin, dass menschliche Computer-Schnittstellen in den nächsten zwei Jahrzehnten eine leistungsstarke Option für die Behandlung von neurodegenerativen Erkrankungen wie Alzheimer sein werden.