Implantes cerebrales y modelo de IA utilizado para traducir pensamientos a texto

Investigadores de la Universidad de California, San Francisco, han creado recientemente un sistema de IA que puede producir texto analizando la actividad cerebral de una persona, esencialmente traduciendo sus pensamientos a texto. El sistema de IA toma señales de un usuario y las decodifica, y puede descifrar hasta 250 palabras en tiempo real basándose en un conjunto de entre 30 y 50 oraciones.

Según informa el Independent, el modelo de IA se entrenó con señales de cuatro mujeres. Las participantes en el experimento tenían electrodos implantados en sus cerebros para monitorear la ocurrencia de ataques epilépticos. A las participantes se les instruyó que leyeron oraciones en voz alta, y sus señales de neuronas se alimentaron al modelo de IA. El modelo pudo discernir la actividad neural correlacionada con palabras específicas, y los patrones se alinearon con las palabras reales aproximadamente el 97% de las veces, con una tasa de error promedio de alrededor del 3%.

No es la primera vez que las señales de neuronas se han correlacionado con oraciones, los neurocientíficos han estado trabajando en proyectos similares durante más de una década. Sin embargo, el modelo de IA creado por los investigadores muestra una precisión impresionante y opera en tiempo real. El modelo utiliza una red neuronal recurrente para codificar la actividad neural en representaciones que se pueden traducir a palabras. Como dicen los autores en su artículo:

“Tomando una pista de los avances recientes en la traducción automática, entrenamos una red neuronal recurrente para codificar cada secuencia de actividad neural de longitud de oración en una representación abstracta, y luego para decodificar esta representación, palabra por palabra, en una oración en inglés”.

Según ArsTechnica, para entender mejor cómo se establecieron los enlaces entre las señales de neuronas y las palabras, los investigadores experimentaron deshabilitando diferentes partes del sistema. La deshabilitación sistemática dejó claro que la precisión del sistema se debía a la representación neural. También se encontró que deshabilitar las entradas de audio del sistema hizo que los errores aumentaran, pero el rendimiento general todavía se consideró confiable. Obviamente, esto significa que el sistema podría ser potencialmente útil como un dispositivo para aquellos que no pueden hablar.

Cuando se deshabilitaron diferentes porciones de la entrada del electrodo, se encontró que el sistema estaba prestando la mayor atención a ciertas regiones cerebrales clave asociadas con el procesamiento y la producción del habla. Por ejemplo, una parte decente del rendimiento del sistema se basaba en regiones cerebrales que prestan atención al sonido de la propia voz al hablar.

Aunque los resultados iniciales parecen prometedores, el equipo de investigación no está seguro de cómo se escalará el modelo a vocabularios más grandes. Es importante que el principio pueda generalizarse a vocabularios más grandes, ya que el hablante promedio de inglés tiene un vocabulario activo de aproximadamente 20.000 palabras. El método de decodificador actual opera interpretando la estructura estática de una oración y utilizando esa estructura para hacer conjeturas educadas sobre las palabras que coinciden con un patrón de actividad neural particular. A medida que crece el vocabulario, la precisión general podría reducirse ya que más patrones neurales pueden tender a parecerse.

Los autores del artículo explican que, aunque esperan que el decodificador eventualmente aprenda a discernir patrones regulares y confiables en el lenguaje, no están seguros de cuántos datos se necesitan para entrenar un modelo capaz de generalizar al lenguaje inglés cotidiano. Una forma potencial de abordar este problema es complementar el entrenamiento con datos recopilados de otras interfaces cerebro-ordenador que utilicen algoritmos y implantes diferentes.

La investigación realizada por los investigadores de la Universidad de California es solo un desarrollo reciente en una creciente ola de investigación y desarrollo sobre interfaces neuronales y computadoras. La Royal Society publicó un informe el año pasado que predijo que las interfaces neuronales que conectan a las personas con computadoras eventualmente permitirán a las personas leerse la mente mutuamente. El informe hace referencia a la startup Neuralink creada por Elon Musk y a las tecnologías desarrolladas por Facebook (META ) como evidencia de los avances futuros en la informática orientada a humanos. La Royal Society señala que las interfaces cerebro-ordenador serán una opción poderosa para tratar enfermedades neurodegenerativas como el Alzheimer en las próximas dos décadas.