Kan AI dromen interpreteren?

Hoewel onderzoekers de eerste stappen hebben gezet in de richting van droominterpretatie van kunstmatige intelligentie, is de technologie nog grotendeels onbewezen. Het kan jaren duren voordat hoogwaardige toepassingen de consumentenmarkt bereiken. Is er tegenwoordig een manier om AI te gebruiken om dromen te interpreteren?

Waarom zou je AI nodig hebben om dromen te interpreteren?

Er zijn een paar heersende theorieën over waarom dromen gebeuren. Sommigen maken ruzie het is willekeurige neuronale activiteitAnderen zeggen dat het bedoeld is om de gebeurtenissen van de dag te verwerken en sommigen beweren dat het je onbewuste behoeften en verlangens zijn die naar boven komen. Realistisch gezien is het waarschijnlijk een combinatie van meerdere ideeën. Niemand kan echter helpen de specifieke betekenis achter elk van uw nachtelijke visioenen te verklaren. 

Dromen zijn complex, onsamenhangend en verbijsterend om onbekende redenen. Je zou in de woonkamer van je grootmoeder kunnen praten met Elvis Presley over hondenastronauten, en alles zou normaal lijken - begrijpelijkerwijs zou je dingen willen begrijpen met AI.

Zelfs als je je droom op het eerste gezicht kunt begrijpen, wordt algemeen aanvaard dat er een diepere betekenis bestaat. Symbolen, thema's en gebeurtenissen culturen en generaties overspannen, wat hun betekenis onderstreept. 

Dromen over het verliezen van uw tanden kan bijvoorbeeld betekenen dat u te maken heeft met stress, onzekerheid of onzekerheden in uw wakkere leven. Als alternatief kan een nachtmerrie over vallen betekenen dat u niet het gevoel heeft dat u de controle heeft over uw leven of dat u niet wordt ondersteund door uw dierbaren. Ogenschijnlijk willekeurige, onzinnige gebeurtenissen kunnen van groot belang zijn. Daarom is AI-interpretatie zo belangrijk. 

Kun je AI gebruiken voor droominterpretatie?

Technisch gezien zou je vandaag de dag AI kunnen gebruiken om je dromen te interpreteren als je een generatief model hebt en je opdracht goed formuleert. Nauwkeurigheid is echter een probleem: als je de betekenis van je droom niet kunt ontcijferen, hoe moet een algoritme dat dan doen? Hoewel het misschien onzin gokt of produceert om u te sussen, zou u dan tevreden zijn met zijn algemene antwoorden?

Zelfs als je je niet verbonden voelt met je dromen, zijn het ongelooflijk persoonlijke ervaringen. Elk is een door elkaar gegooide verzameling van je herinneringen, emoties, relaties en onderbewuste gedachten. Hoewel je technisch gezien een groot taalmodel (LLM) kunt gebruiken om ze te ontcijferen, zou de uitvoer ervan op zijn best slechts gedeeltelijk nauwkeurig zijn.

Dat gezegd hebbende, relatief nauwkeurige AI-interpretaties zijn niet onmogelijk. Sommige onderzoekers hebben de technologie die nodig is om dit te laten werken al ontdekt; meerdere onderzoeken uit 2023 bewijzen dat dit haalbaar is. Op dit moment is het testen, prototypen en commercialiseren van deze ontdekkingen slechts een kwestie van tijd, middelen en financiering. 

De technologie achter AI-droominterpretatie

Trainingsgegevens zijn van fundamenteel belang voor elke AI-aangedreven technologie voor droominterpretatie. Welke informatie kunt u aan een algoritme geven om consistente, nauwkeurige uitvoer te retourneren? Theoretisch zou je op tekst gebaseerde beschrijvingen, statistieken over vaak gedroomde thema's of vertolkingen van artiesten kunnen gebruiken. Het zou echter een probleem zijn om voldoende te verkrijgen. 

Sommige onderzoekers hebben dit obstakel overwonnen door machine learning (ML)-modellen te voorzien van tientallen uren hersenactiviteitsscans. Deze aanpak is om een ​​aantal redenen interessant. Ten eerste vertrouwt het op op feiten gebaseerde informatie in plaats van het commentaar van de dromer – wat, toevalligerwijs, de beschikbaarheid van gegevens drastisch vergroot.

Het identificeert ook de onderliggende factoren achter de REM-slaap (Rapid Eye Movement), waarbij het zich richt op de taal- of beeldverwerkingsgebieden van de hersenen in plaats van te proberen de droom zelf te begrijpen. Als gevolg hiervan wordt AI niet zo beïnvloed door de vooringenomenheid van de dromer, wat betekent dat de kans op een relatief objectieve, nauwkeurige interpretatie groter is. 

Naast trainingsgegevens heb je een generatief model nodig om informatie te reconstrueren, interpreteren of vertalen. De populariteit van deze technologie neemt snel toe; de ​​marktomvang zal een samengestelde jaarlijkse groei van 36.5% van 2024 tot 2030 – dus het vinden van een kant-en-klare oplossing zou eenvoudig zijn. Het zou echter verstandig zijn om er een vanaf de grond af aan op te bouwen.

De meeste AI-aangedreven droominterpretatieoplossingen hebben tot op zekere hoogte natuurlijke taalverwerking (NLP) en beeldherkenningstechnologie nodig. De meeste REM-slaap is immers een combinatie van beelden en woorden. Daarnaast kunt u alles gebruiken, van deep learning-modellen tot neurale netwerken, om uw tool te laten werken. 

Manieren waarop u AI kunt gebruiken om dromen te interpreteren 

Hoewel generatieve modellen tekst, afbeeldingen, audio en muziek kunnen produceren, bestaan ​​er momenteel slechts enkele bewezen methoden voor AI-gestuurde droominterpretatie. 

1. Tekst-naar-tekst genereren 

De eenvoudigste methode is het genereren van tekst naar tekst, waarbij een LLM-, NLP- of ML-model uw getypte aanwijzingen analyseert. U voert in wat u zich herinnert over uw droom of volgt een beslisboomformaat om antwoorden te krijgen. Aan de ene kant is het snel en eenvoudig. Aan de andere kant is het onnauwkeurig: je vergeet het grootste deel van de REM-fase als je wakker wordt, dus de AI werkt vanuit een gefragmenteerd verhaal. 

2. EEG-naar-tekstgeneratie

Een LLM en een elektro-encefalogram (EEG) die de elektrische signalen van de hersenen registreren, kunnen gedachten omzetten in woorden. Je moet hiervoor lezen met een zachte muts vol sensoren op. Het model zet die activiteit om in tekst.

Je hersenen sturen een specifiek signaal wanneer je aan een woord of zin denkt. Een algoritme kan patronen in deze activiteit vinden, waardoor vertaling mogelijk wordt. U kunt dit EEG-naar-tekstgeneratiemodel gebruiken om een ​​transcriptie van uw REM-slaap te ontwikkelen. 

Peer-reviewed onderzoek bewees dit model kan een nauwkeurigheid van 60% bereiken, wat indrukwekkend is voor een proof of concept. De zachte dop is draagbaar en relatief goedkoop te produceren, waardoor het een van de weinige uitvindingen is die mogelijk op de massamarkt wordt toegepast.

3. fMRI-naar-beeldgeneratie

Een onderzoeksgroep ontdekte een deep learning-model dat functionele magnetische resonantiebeeldvorming (fMRI) -scans - afbeeldingen van de bloedstroom in de hersenen - kan analyseren om nauwkeurig de beelden te reproduceren die mensen zien. Het getraind op 10,000 foto's om te interpreteren wat mensen keken. 

Terwijl de deelnemers aan het onderzoek naar een beeld staarden, registreerde hun temporale kwab de inhoud ervan, en hun occipitale kwab catalogiseerde de schaal en lay-out ervan. De AI volgde deze activiteit om te reconstrueren wat ze zagen. Terwijl de recreaties ervan begonnen als lawaai, werden ze langzaamaan herkenbaar.

4. fMRI-naar-tekstgeneratie

Onderzoekers gebruikten fMRI-scans en een LLM in een coderings- en decoderingssysteem om hersenactiviteit te reconstrueren in een op tekst gebaseerd formaat. De leidende neurowetenschapper van het project zei dat het team geschokt was het werkte net zo goed als het deed. 

Terwijl mensen tekst lazen of stille video's bekeken, beschreef de AI de inhoud – en begreep meestal de essentie. Zo las iemand: "Ik wist niet of ik moest schreeuwen, huilen of wegrennen. In plaats daarvan zei ik: laat me met rust, ik heb je hulp niet nodig." Het model gaf als resultaat: "Ze begon te schreeuwen en te huilen en toen zei ze alleen: ik heb je gezegd me met rust te laten, je kunt me geen pijn meer doen."

Interessant is dat toen de onderzoekers het hulpmiddel op maat maakten voor een van de deelnemers aan het onderzoek, het alleen onverstaanbaar gebrabbel kon reconstrueren als het op een ander werd gebruikt. Er is mogelijk potentieel voor gepersonaliseerde, op algoritmen gebaseerde droomtolken. 

Waarom u op uw hoede moet zijn voor een AI-tolk 

Hoewel het gebruik van algoritmen voor droominterpretatie veelbelovend klinkt, zijn er een aantal nadelen waar u rekening mee moet houden. De belangrijkste is hallucinatie. Volgens één onderzoek is 89% van de machine learning-ingenieurs die met generatieve AI werken, zeggen dat hun modellen dingen verzinnen – en 93% ziet dit dagelijks of wekelijks gebeuren.

Totdat AI-ingenieurs het hallucinatieprobleem oplossen, is de toepassing van deze technologie in de REM-slaap een grijs gebied. Hoewel het gebruik ervan voor de lol onschadelijk is, kunnen sommige mensen – degenen die normaal gesproken naar therapeuten of psychologen gaan voor droominterpretaties – een uitkomst krijgen die hun geestelijke gezondheid schaadt of de voortgang van hun behandeling belemmert.

Het kan u onbewust beïnvloeden, zelfs als u sceptisch of onverschillig staat tegenover de uitvoer van een algoritme. U kunt bijvoorbeeld afstand nemen van uw partner nadat het model u vertelt dat uw droom over vreemdgaan een mislukte relatie betekent. 

Aan de andere kant van het spectrum zitten kan net zo schadelijk zijn. Volledig geloven in de output van de AI – ondanks mogelijke vooroordelen of hallucinaties – kan een negatieve invloed op u hebben. Deze overmoed kan ertoe leiden dat u uw emoties, interacties met anderen of trauma's uit het verleden verkeerd interpreteert, wat tot ongewenste situaties in uw wakkere leven kan leiden. 

Er is ook de kwestie van de stickerprijs. Het genereren van tekst naar tekst is het meest toegankelijk en betaalbaar, maar is onnauwkeurig. Als je iets beters wilt, bereid je dan voor om te betalen. Gezien dat een enkele MRI-scan kan oplopen tot $ 4,000 – en één machine kan een investering van miljoenen dollars zijn – nauwkeurige AI-droomtolken zullen waarschijnlijk nog jaren op zich laten wachten.

Wat heeft de toekomst voor deze technologie in petto?

Het hebben van een persoonlijke AI-droomtolk kan spannend en nuttig zijn. Zelfs als deze technologie niet snel de consumentenmarkt betreedt, zal deze waarschijnlijk een plaats vinden in therapie, psychologie en medische praktijken. Op een dag zou je het kunnen gebruiken om trauma’s uit het verleden te verwerken, slaapproblemen te identificeren of verborgen emoties bloot te leggen.