هوش مصنوعی اکنون می تواند تصاویر اسکن مغز را بازسازی کند. اگر رویاهای ما دیگر خصوصی نباشند چه؟

در شرایطی که بحث و گمانه زنی در مورد پیشی گرفتن هوش مصنوعی از هوش انسانی در پادکست ها، مقالات اینترنتی و حتی در راهروهای کنگره آمریکا، آستانه بی بازگشتی به نام تکینگی هوش مصنوعی، بسیار داغ است، الگوریتم های هوش مصنوعی مدت هاست که یک مهارت کلیدی را از انسان سلب کرده اند: توانایی تشخیص الگوها.

توانایی شگفت‌انگیز سیستم‌های هوش مصنوعی مدرن برای نظارت بر حجم عظیمی از داده‌ها و شناسایی الگوهای پنهان به آن‌ها اجازه می‌دهد تا تومورهای سرطانی را با دقتی بی‌نظیر شناسایی کنند و حتی ویروس‌های کاملا جدیدی ایجاد کنند که هرگز در طبیعت دیده نشده‌اند. حال، اگر این قدرت پردازش عظیم با داده های پیچیده مغز انسان آموزش داده شود، نتایج آن می تواند تا حدودی ماوراء طبیعی و شگفت انگیز به نظر برسد.

نمونه بارز این قابلیت شگفت‌انگیز در مقاله جدیدی که محققان مؤسسه علوم ویزمن اخیراً در کنفرانس بین‌المللی نمایش‌های یادگیری (ICLR) ارائه کردند، منعکس شده است. این تیم تحقیقاتی از مدلی به نام Brain-IT رونمایی کرد. سیستمی هوشمند که تنها با تکیه بر داده های استخراج شده از اسکن مغز قادر است تصاویر حک شده در ذهن افراد را با دقتی وحشتناک و خیره کننده بازسازی کند.

میکال ایرانی، رئیس آزمایشگاه توسعه این مدل در موسسه وایزمن در بیانیه مطبوعاتی توضیح داد:

امروزه مدل‌های هوش مصنوعی مختلفی وجود دارد که می‌توانند فعالیت مغز را به تصویر تبدیل کنند و حتی بازسازی‌های قابل‌توجهی ارائه دهند که معنای کلی تصویر را حفظ می‌کند. با این حال، چنین مدل هایی اغلب در پردازش ویژگی های اساسی مانند ترکیب و رنگ بندی شکست می خورند. اما مدل جدید ما نه تنها در بازتولید محتوای اصلی تصویر، بلکه در بازتولید دقیق جزئیات بصری آن، عملکرد بسیار برتری را نشان می‌دهد.

بدیهی است که مکانیسم یادگیری در هوش مصنوعی با انسان متفاوت است. این فناوری باید با حجم عظیمی از داده ها تغذیه شود تا به نتایج دقیق برسد. با این حال، پایگاه‌های داده‌ای که اسکن‌های fMRI را با تصاویر مربوطه خود ارائه می‌کنند، بسیار محدود هستند. برای غلبه بر این چالش، تیم تحقیقاتی از مجموعه داده ای از صحنه های طبیعی استفاده کردند که فقط شامل داده های مغزی هشت شرکت کننده است. افرادی که در حین مشاهده هزاران تصویر مختلف تحت اسکن مغز قرار گرفتند.

اگرچه حضور طولانی مدت در فضای بسته اسکنر بدون شک تجربه ای طاقت فرسا و خسته کننده برای این شرکت کنندگان بود، اما جالب است بدانید که حتی ثبت مجموع 73000 تصویر نیز برای آموزش جامع و قدرتمند یک مدل هوش مصنوعی کافی نیست. بنابراین، محققان روشی مبتنی بر رمزگذاری و رمزگشایی ایجاد کردند. رویکردی که به مدل اجازه می‌دهد علاوه بر بازسازی تصویر از اسکن مغز، الگوی احتمالی اسکن مغز مربوطه را نیز با مشاهده یک تصویر ساده پیش‌بینی کند.

ایرانی در تشریح این سازوکار افزود:

ما دریافتیم که با ایجاد یک چرخه تبدیل رفت و برگشت، یعنی تبدیل یک تصویر تصادفی که هیچ‌کس در داخل دستگاه fMRI ندیده است، به یک اسکن مغزی شبیه‌سازی شده و سپس تبدیل آن به تصویر اصلی، مدل‌های ما قادرند مجموعه‌ای از داده‌های تقریباً نامحدود را به‌طور خودکار برای آموزش تولید کنند.

رمزگشایی اسکن مغز fMRI چالشی است که به طور منحصر به فردی برای قدرت تشخیص الگوی هوش مصنوعی مناسب است. به همین دلیل است که دانشمندان و عصب شناسان بیش از یک دهه است که روی این ایده بلندپروازانه کار می کنند.

در سال 2017، محققان دانشگاه پردو موفق به توسعه مدلی شدند که می توانست شی مورد مشاهده توسط سوژه را با دقت نسبی پیش بینی کند. با این حال، تصاویر بازسازی شده در آن زمان چیزی جز نقاط تار نبودند. بعداً در سال 2022، دانشمندان دانشگاه اوزاکا موفق شدند با استفاده از مدل انتشار پایدار، نمایش بسیار دقیق تری از تصاویر ارائه دهند. اما این سیستم همچنان به دریافت توضیحات متنی به عنوان راهنما برای استفاده از قابلیت تبدیل متن به تصویر خود وابسته بود.

برخلاف تلاش‌های قبلی، مدل جدید Brain-IT از فناوری ترانسفورماتور تعامل مغز (BIT) استفاده می‌کند. این سیستم پیچیده ساختار مغز را در قالب 40000 وکسل معادل سه بعدی پیکسل های نوری ترسیم می کند و واکنش هر یک از آنها به تصاویر را ثبت می کند. این پاسخ های عصبی حاوی اطلاعات کلیدی در مورد رنگ، موقعیت مکانی و حتی ماهیت سوژه هستند (مثلاً اینکه آیا فرد به صورت یا ساندویچ نگاه می کند). با این حجم از داده های غنی موجود، Brain-IT فرآیند شناسایی الگوها را در میان داده های مغزی هر هشت شرکت کننده آغاز کرد.

توسعه و بلوغ چنین فناوری نوآورانه ای می تواند تحولی اساسی برای بیماران مبتلا به فلج شدید حرکتی و ارتباطی ایجاد کند. علاوه بر کاربردهای بالینی، Brain-IT همچنین می تواند به دانشمندان در رمزگشایی جنبه های پنهان ذهن انسان کمک کند. به عنوان مثال، این مدل تاکنون موفق به شناسایی 128 ناحیه مجزا در مغز شده است که به طور مستقیم با پردازش تصویر مرتبط هستند. مناطق خاصی که برخی از آنها قبلاً حتی برای متخصصان مغز و اعصاب برجسته ناشناخته بود.

علاوه بر این، محققان می توانند مکانیسم های زیربنایی و پیچیده مغز انسان را با تغییر عمدی تصاویر ورودی و مقایسه تفاوت در اسکن های fMRI پیش بینی شده درک کنند. اگر این روند ادامه پیدا کند، ممکن است روزی برسد که هوش مصنوعی حتی بتواند رویاهای شبانه ما را به وضوح ثبت کند.

میکال ایرانی در پایان خاطرنشان کرد:

با وجود همه این پیشرفت ها، رمزگشایی ویدیو هنوز یک چالش فنی بسیار دشوار است. زیرا در ویدئو، ده ها فریم در هر ثانیه تغییر می کنند، در حالی که ضبط تنها یک اسکن fMRI حدود دو ثانیه طول می کشد. با این حال، اگر روزی بتوانیم بر همه این موانع سخت افزاری و پردازشی غلبه کنیم، شاید در آینده ای نه چندان دور، توانایی خواندن و تماشای رویاها را نیز داشته باشیم.