Beyin İmplantları ve AI Modeli Düşünceleri Metne Çeviriyor

California Üniversitesi, San Francisco’daki araştırmacılar recently bir AI sistemi oluşturdular ve bu sistem bir kişinin beyin aktivitesini analiz ederek metin oluşturabiliyor, yani düşünceleri metne çeviriyor. AI, bir kullanıcının nöral sinyallerini alıyor ve bunları çözüyor ve 30 ila 50 cümle arasındaki bir küme temelinde gerçek zamanlı olarak 250 kelimelere kadar metin oluşturabiliyor.

Independent’in raporuna göre, AI modeli dört kadının nöral sinyalleri kullanılarak eğitildi. Deneydeki katılımcıların beyinlerine epileptik nöbetleri izlemek için elektrotlar yerleştirildi. Katılımcılara cümleleri yüksek sesle okumaları talimatı verildi ve nöral sinyalleri AI modeline verildi. Model, belirli kelimelerle ilişkili nöral aktiviteyi ayırt edebildi ve kalıplar yaklaşık %97 oranında gerçek kelimelerle eşleşti, ortalama hata oranı ise yaklaşık %3 idi.

Bu, nöral sinyallerin cümlelerle ilişkili olduğunun ilk kez keşfedilmesi değil, nörobilimciler benzer projeler üzerinde on yıldan fazla süredir çalışıyorlar. Ancak, araştırmacıların oluşturduğu AI modeli etkileyici bir doğruluk payı gösteriyor ve daha çok gerçek zamanlı çalışıyor. Model, nöral aktiviteyi kelimelere çevrilebilecek temsil edilenlere dönüştürmek için bir again nöral ağı kullanıyor. Yazarlar makalelerinde şöyle diyor:

“Son makine çevirisi ilerlemelerinden esinlenerek, her bir cümle uzunluğundaki nöral aktivite dizisini soyut bir temsil içine kodlayan ve sonra bu temsili, kelime kelime, İngilizce cümlelere декодlayan bir again nöral ağı eğittik.”

ArsTechnica’ya göre, nöral sinyaller ve kelimeler arasındaki bağlantılar nasıl kurulduysa, araştırmacılar sistemin farklı kısımlarını devre dışı bırakarak denediler. Sistemin sistematik olarak devre dışı bırakılması, sistemin doğruluğunun nöral temsil nedeniyle olduğunu gösterdi. Ayrıca, sistemin ses girişlerini devre dışı bırakmak hataları artırdı, ancak genel performans hala güvenilir kabul edildi. Açıkça, bu, sistemi konuşamayanlar için bir cihaz olarak potansiyel olarak faydalı olabileceği anlamına geliyor.

Farklı elektrot girişlerinin devre dışı bırakılması, sistemin konuşma işleme ve üretimine ilişkin belirli ana beyin bölgelerine en çok dikkat ettiğini gösterdi. Örneğin, sistemin performansı, konuşurken kendi sesine dikkat eden beyin bölgelerine dayalıydı.

İlk sonuçlar umut verici görünse de, araştırma ekibinin modelin daha büyük sözlüklere nasıl ölçekleneceğinden emin değil. İlkenin daha büyük sözlüklere genelleştirilmesi önemli, çünkü ortalama bir İngilizce konuşmacı yaklaşık 20.000 kelime aktif bir sözlüğe sahip. Mevcut decoder yöntemi, bir cümlenin statik yapısını yorumlayarak ve bu yapıyı belirli bir nöral aktivite modeline uyan kelimeleri hakkında eğitimli tahminler yapmak için kullanıyor. Sözlük büyüdükçe, genel doğruluk azaltılabilir, çünkü daha fazla nöral model benzer görünmeye başlayabilir.

Makale yazarları, decoderın sonunda dildeki düzenli, güvenilir kalıpları ayırt etmeyi öğreneceğini umuyorlar, ancak böyle bir modeli eğitmek için ne kadar veriye ihtiyaç duyulduğunu bilmiyorlar. Bu sorunun olası bir çözümü, diğer beyin-bilgisayar arayüzleri ve algoritmalar kullanarak toplanan verilerle eğitimi desteklemek olabilir.

California Üniversitesi’ndeki araştırmacıların yaptığı araştırma, nöral arayüzler ve bilgisayarlar ile ilgili araştırma ve geliştirme dalgasının bir parçası. Royal Society, geçen yıl insanların birbirlerinin düşüncelerini okuyabilecekleri nöral arayüzlerin gelecekte bilgisayarlara bağlanacağını öngören bir rapor yayınladı. Rapor, Elon Musk tarafından kurulan Neuralink startupını ve Facebook (META ) tarafından geliştirilen teknolojileri, insan odaklı bilgisayarlamadaki gelecek ilerlemelerin kanıtları olarak gösteriyor. Royal Society, insan-bilgisayar arayüzlerinin próximo iki on yıl içinde Alzheimer gibi nörodejeneratif hastalıkları tedavi etmede güçlü bir seçenek olacağını belirtiyor.