Fremtiden for hjernemaskin-grensesnitt: Symbiotisk intelligens mot menneskelig intelligens

Vi vil utforske hva Intelligence Amplification via hjernemaskin-grensesnitt (BMI) er, hvorfor det er viktig, og hvorfor det kan være en fremtidig skille mellom mennesker som forblir uforbedret og mennesker som velger å forbedre sin intelligens ved å skape en synergetisk symbiose med kunstig intelligens (AI).

Mennesker som kobler seg til BMI-er vil bli gitt forbedret kognitiv ytelse og økt produktivitet på arbeidsplassen og utover.

Hva er Intelligence Amplification?

Konseptet Intelligence Amplification ble først introdusert av William Ross Ashby i hans banebrytende bok Introduction to Cybernetics. Begrepet utviklet seg deretter til å bli det vi nå kjenner som Augmented Intelligence, en underkategori av maskinlæring som er designet for å forbedre og forbedre menneskelig intelligens med hjelp av AI. Konseptet er å forbedre både menneskelig beslutningstaking og den raske tilgangen til informasjon som mennesker har for å forbedre kvaliteten på disse beslutningene. Dette er der den nåværende betydningen av Augmented Intelligence slutter, det er en AI som bruker maskinlæring og dyplæring til å assistere mennesker med handlinger, men det er ingen sanntids-symbiotisk forhold.

Dette er der BMI-er kommer inn i bildet, de vil muliggjøre forbedring av menneskelig kognition langt utenfor dagens versjon av Augmented Intelligence.

I motsetning til vår nåværende tilgang til data som skjer med datamaskiner, smarttelefoner eller andre enheter, er en BMI i seg selv designet for å kunne aksessere internettet og AI-en som gir tilgang til internettet, uten en ekstern enhet. BMI-en vil bli implantert i menneskehirnen og blir en del av menneskesinnet.

Med andre ord, istedenfor å være avhengig av minne eller å måtte åpne en bok eller besøke en nettside, kan en forbedret menneske ha tilgang til all informasjon som er lagret på internettet, og en avansert AI kan gi relevante datapunkter til menneskehirnen, slik at mennesket kan være fullstendig i kontroll. Hvis du noen gang har hatt et øyeblikk hvor du ikke kan huske en bestemt minne eller huske en bestemt dato, er det en frustrerende erfaring. Med Augmented Intelligence kan du ha fullstendig gjenkalling på grunn av at AI-systemet blir en del av din biologiske minnebank.

Dette type intelligensforbedring ble videre utforsket i “Man-Computer Symbiosis” en spekulativ artikkel publisert i 1960 av J.C.R. Licklider. Denne opplysende artikkelen tilbyr en tidlig beskrivelse av hvordan mennesker må lære å kontrollere AI ved å danne en symbiotisk forbindelse med AI-en. Som J.C.R. Licklider sa, “For å kunne samarbeide med mennesker og datamaskiner i beslutningstaking og kontroll av komplekse situasjoner uten å være avhengig av forhåndsbestemte programmer”.

Maskinlæring er den hemmelige sausen som sikrer at en datamaskin ikke er forhåndsbestemt, likevel løser det ikke problemet med hvordan vi kan aksessere denne symbiosen.

J.C.R. Licklider fortsatte med denne kommentaren, “Håpet er at, ikke så mange år fra nå, menneskehirner og datamaskiner vil være koblet sammen svært tett, og at det resulterende partnerskapet vil tenke som ingen menneskehjerne noen gang har tenkt og prosessere data på en måte som ikke er nærmet av de informasjonsbehandlingsmaskinene vi kjenner i dag.” 

Et tidlig eksempel på hvordan dette blir brukt kan sees i sjakkverdenen.  Mens de fleste mennesker kjenner til Garry Kasparovs tap i 1997 mot IBM-computeren Deep Blue, er det en nyere og mer interessant utvikling.

Mens vi har visst i tiår at et avansert AI-system kan lett beseire noen sjakkspiller, er det mer interessant å se på nyere utviklinger hvor et AI kan beseires av et menneske og AI-lag.  I denne samarbeidsmiljøet deler laget oppgavene, AI-en gjør tungt arbeid med massive beregninger, mønstergjenkjenning og fremtidsplanlegging. Mennesket legger til verdi ved å dra nytte av menneskelig intuisjon og tiår med studier av brettet.

Mens det for tiden er mulig for et menneske og AI-lag å beseire et AI, er det ukjent om denne seieren vil forbli konstant fremover. Likevel er dette en alvorlig indikator på at hvis mennesker kan kommunisere, koordinere og kontrollere en AI som i praksis er en utvidelse av deres sinn, kan store problemer som ikke kan håndteres av mennesker i dag eller av separate AI-programmer, håndteres av en union av begge.

En av J.C.R. Lickliders siste kommentarer legger tydelig frem viktigheten av å designe BMI-er som kan muliggjøre sanntidskommunikasjon med AI innenfor menneskehirnen.

“Det andre hovedmålet er nært beslektet. Det er å bringe datamaskiner effektivt inn i prosesser som må skje i “sanntid”, tid som flytter for raskt til å tillate bruk av datamaskiner på konvensjonell måte. Tenk deg å lede en kamp med hjelp av en datamaskin på en slik skala som denne. Du formulerer ditt problem i dag. I morgen tilbringer du med en programmerer. Neste uke tilbringer datamaskinen 5 minutter på å samle inn ditt program og 47 sekunder på å beregne svaret på ditt problem. Du får en ark med papir 20 fot lang, full av tall som, istedenfor å gi en endelig løsning, bare foreslår en taktikk som bør undersøkes ved simulering. Det er åpenbart at kampen ville være over før det andre steget i planleggingen var begynt. Å tenke i samspill med en datamaskin på samme måte som du tenker med en kollega hvis kompetanse supplere din egen vil kreve mye tettere kobling mellom menneske og maskin enn det som er foreslått av eksemplet og enn det som er mulig i dag.”

Hvordan fungerer Intelligence Amplication?

Intelligence-forbedring via BMI-er er fortsatt i sine barndommer og er et arbeide i gang. Det må forstås at menneskehirnen tar i bruk mønstergjenkjenning for å forstå symboler og skape forbindelser mellom data. For eksempel, hvis du ser linjer strukturert i en bestemt sekvens som bokstaven A, kan du deretter gjenkjenne symbolet A. Deretter kan du ha bokstaven danne en mønster i din hjerne når du leser ordet APPLE. Du kan deretter gjenkjenne ytterligere mønster når du leser at EN APPLE FELL FRA ET TRE. Menneskehirnen fortsetter å lage forbindelser videre fra tegn, til ord, til setninger, til avsnitt, til kapitler og til bøker og utover.

Problemet er at menneskehirnen ikke har fullstendig gjenkalling, og dette ufyllelige systemet forårsaker mønstergjenkjenningssystemer å svikte. Tenk på hva som ville skje hvis du kunne lese en hel bok og et AI-system kunne danne de mønstergjenkjenningene som er nødvendige for å gi fullstendig gjenkalling. Dette ville forbedre menneskets evne til å arbeide på en oppgave, å skape produkter eller tjenester som avhenger av denne informasjonen, eller å bare ha en intelligent samtale uten noen hull i minnet.

I andre tilfeller, mens i midten av en samtale, kunne menneskehirnen øyeblikkelig koble til internettet for å i sanntid finne informasjon og distribuere eller formidle denne informasjonen. Istedenfor å måtte se en YouTube-video flere ganger for å lære noe, ville å se den en gang være tilstrekkelig for fullstendig gjenkalling. Den tilleggede fordelen med ytterligere mønstergjenkjenningssystemer er at menneskehirnen kunne dekode video og lyd raskere enn i sanntid. Dette betyr at mennesket kunne absorbere innholdet i videoen i hastigheter på 2x, 3x eller mer.

Hvor kan jeg finne hjernemaskin-grensesnitt?

Det er fortsatt svært tidlige dager for denne type Intelligence-forbedring. Det er flere forsøk i gang for å utvikle ulike BMI-er som kan utvikle seg til denne type anvendelse. Det mest bemerkelsesverdige er Elon Musks selskap Neuralink som er i de tidlige stadiene av å utvikle en ultra-høy-båndbredde-BMI for å koble mennesker og datamaskiner.

Neurallink arbeider mot å skape den første neurale implantatet som vil muliggjøre brukerne å kontrollere en datamaskin eller mobil enhet hvor som helst de går. For å oppnå dette blir mikroskala-tråder satt inn i områder av hjernen som kontrollerer bevegelse. Hver tråd inneholder mange elektroder og kobler dem til en implantat som kalles Link.

Even utviklere av et BMI-system kan ikke fullstendig forstå hvordan det fungerer på et mikro-neurokjemisk nivå. På grunn av menneskehirnens plasticitet (evnen til å modifisere seg selv) er det faktisk menneskehirnen som mottar innputt og deretter lærer av seg selv de nødvendige utgangene for BMI å fungere sin magi.

De fleste BMI-er bruker en dekoder for å tyde hjernebølger og mønster som mottas av menneskehirnen. Denne dekoderen bruker ulike typer maskinlæring, inkludert dyplæring, for å lære å tyde den mottatte informasjonen i et forsøk på å identifisere bevegelsesintensjoner og ønskede handlinger. Ved å tyde disse mønstrene kan den best forstå hva menneskehirnen søker å oppnå.

Dette er et lukket system hvor brukeren gjør en motorisk intensjon ved å bare tenke, og Neuralink-dekoderen tyder intensjonen. Dette oversetter tanke til handling som deretter utføres i verden av en peker eller en robotarm. Mennesket mottar visuell bekreftelse på en vellykket handling og den neurokjemiske tilbakemeldingen trener hjernen til å lettere kontrollere Neuralink. Utfordringen for et BMI-selskap er å bygge en dekoder som ikke er for tungt å lære for sluttbrukeren.

Noen av problemene med nåværende BMI-er involverer forsinkelse, dette er tidsforsinkelsen mellom innputt og utputt på både menneske- og BMI-siden. For tiden arbeider Neuralink med å fikse noen av problemene som er involvert med dette problemet, som uttalt av Joseph O’Doherty, en neuroingeniør i Neuralink og leder av deres hjernesignalteam, i et intervju.

“Første skritt er å finne kildene til forsinkelse og eliminere alle av dem. Vi ønsker å ha lav forsinkelse gjennom hele systemet. Dette inkluderer å detektere spiker; dette inkluderer å prosessere dem på implantatet; dette inkluderer radioen som må overføre dem—det er alle slags pakke-detaljer med Bluetooth som kan legge til forsinkelse. Og dette inkluderer mottakssiden, hvor du gjør noen prosessering i din modell-inferens-steg, og det inkluderer å tegne piksler på skjermen for pekeren du kontrollerer. Enhver liten mengde forsinkelse du har der legger til forsinkelse og påvirker lukket kontroll.”

Mens Neuralink er det mest populære eksempelet på et BMI, er det mange andre lag som også arbeider på fascinerende prosjekter. For eksempel har forskere fra Howard Hughes (HHH ) Medical Institute lykkes å aktivere en BMI til å skrive ut mentale håndskrift av brukere for første gang . Laget tydet hjernaktivitet assosiert med å skrive bokstaver for hånd for å oppnå resultatet. I dette tilfelle, med trening, lærte hjernen hvordan å strategisk tenke på håndskrift i en sekvens som deretter ble gjenkjent av BMI-en. Den lammete deltakeren kunne skrive 90 tegn per minutt, som er mer enn dobbelt så mye som tidligere registrert med en annen type BMI.

Et annet eksempel inkluderer en studie med to kliniske prøvedeltagere som har lammelse, og de brukte BrainGate-systemet med en trådløs overfører. Gjennom den trådløse overføreren kunne de peke, klikke og skrive på en standard tablet-datamaskin.

Forbedret symbiotisk intelligens vs menneskelig intelligens

Vi kan forestille oss en verden hvor noen mennesker er forbedret mens andre mennesker velger å være naturlige og ikke forbedre seg selv. Faren bak dette er at det vil forbedre gapet mellom rike mennesker med de finansielle midlene til å forbedre seg selv, og andre mennesker som frivillig eller ikke forblir uforbedret.

En ansatt som er forbedret vil kunne oppnå betydelige tidsbesparelser ved å ikke måtte tvile på seg selv, med en enkel mulighet til å øyeblikkelig gjenkalle informasjon eller hente tidligere ukjent data fra internettet. En AI kunne raskt advare mennesket (eller filtrere ut) informasjon som er irrelevant, falsk eller understandard. Den forbedrede mennesket med fullstendig gjenkalling kan endre måten de utfører oppgaver på, og de kunne eksponentielt øke både effisiens og produktivitet.

Istedenfor å skrive tekst eller tale høyt, kunne den forbedrede mennesket bare tenke og teksten ville magisk dukke opp på en skjerm. Tidsbesparelsen fra denne enklere versjonen av en BMI ville være betydelig. BMI-en med AI-systemet kan bare være implantert i menneskehirnen og trådløst lades til eksterne strømkilder, eller være i stand til å faktisk drive seg selv fra de samme typene kalorier og ressurser som er bygget inn i menneskekroppen og hjernen. Mens det er svært spekulativt, kan det være nanoboter som kan krysse blod-hjerne-barrieren for å generere en BMI.

En forbedret menneske kan finne at samtale med et uforbedret menneske er redundant og kjedelig. De kan velge å assosiere seg med andre forbedrede mennesker som ønsker å samarbeide for å lansere bedrifter, skrive betydningsfulle artikler eller bli produktive på andre måter. En arbeidsgiver kan velge å se bort fra utdanningsbakgrunn eller erfaring, for å isteden fokusere på å bare ansette ansatte som har blitt forbedret.

Samfunnet kan ta forskjellige veier, hver ledende til forskjellige resultater. På en vei kan det være to typer mennesker som bare lærer å sameksistere.

Før BMI-er når dette stadiet, er de tidlige utviklingene fokusert på nevrologiske problemer som inkluderer følgende:

• Minnetap
• Hørselstap
• Blindhet
• Lammelse
• Depresjon
• Søvnløshet
• Ekstrem smerte
• Anfall
• Angst
• Avhengighet
• Slag
• Hjerneskade

Det bør ikke glemmes at Neurallinks langsiktige mål, som uttalt av Elon Musk, er, “Å skape et høyt-båndbredde-grensesnitt som lar mennesker gå med på turen”. Implikasjonene er at hvis vi lykkes i å utvikle Artificial General Intelligence, vil denne utviklingen uunngåelig føre oss til Superintelligens. En BMI vil være menneskehetens endelige løsning for å leve i en verden som har Superintelligens som er langt mer avansert enn våre nåværende biologiske menneskehjerner. Det er å se hvor mange mennesker velger å forbedre seg selv, i mellomtiden forblir BMI-er ett av de viktigste utviklingene med dypt forsterkede læringsystemer.