چگونه هوش مصنوعی می تواند خاطرات شما را بازسازی کند؟
روزی نیست که خبرهای شگفت انگیزی از توانمندی ها و قابلیت های جدید هوش مصنوعی را نشنویم . هوش مصنوعی از بهترین قهرمانان انسان در شطرنج و پوکر گرفته تا کمک به کشف داروها و مدیریت شبکه های ریز برق توزیع شده ، کارهایی را انجام می دهد که زمانی تصور نمی شد.
اما چیزی که تقریبا غیرممکن به نظر می رسید به سرعت در حال وقوع است. ما قبلا شنیده ایم که چگونه محققان هوش مصنوعی را برای رمزگشایی افکار پیچیده در مغز انسان آماده می کنند. اکنون تیمی از دانشمندان دانشگاه اورگان از هوش مصنوعی استفاده میکنند تا واقعا حافظه یک نفر را – یا حداقل، تصویری از آن را – بگیرند و تقریباً به معنای واقعی کلمه آن را از مغز او بیرون بکشند.
یافتههای این تیم اخیرا در مجله علوم اعصاب منتشر شده است و جزئیات آن را توضیح میدهد که چگونه میتوان محتویات حافظههای رمزگذاریشده را از پیچ و خم زاویهای (ANG) – بخشی از قشر جداری جانبی خلفی مغز که تعدادی از عملکردها از جمله زبان مانند پردازش اعداد، شناخت فضایی، توجه و بازیابی حافظه را کنترل میکند – در مغز انسان بازیابی کرد.
کامپیوتر ویژن
در اینجا نحوه طراحی آزمایش چند قسمتی آمده است. در بخش اول آزمایش، هر یک از 23 شرکتکننده در این مطالعه، فعالیت مغزشان را در دستگاه fMRI (تصویربرداری تشدید مغناطیسی عملکردی) اسکن کردند، زمانی مجموعهای از عکسها به آنها نشان داده شد که هر یک عکس سر یک فرد متفاوت را نشان میداد.
سپس fMRI هر گونه تغییر در جریان گردش مغزی این شرکت کنندگان را در لحظه مشاهده این عکس ها تشخیص می دهد و این تغییرات جزئی در زمان واقعی توسط یک نرم افزار هوش مصنوعی ثبت و پردازش می شود. ویژگیهایی مانند رنگ پوست، شکل چشم و سایر اجزای صورت بهطور قابلتوجهی به آنچه که صورت ویژه یا مقادیر برداری که در محاسبات زیربنایی بینایی رایانه و نرمافزار تشخیص چهره استفاده میشود، تقسیم شدند .
محققان نوشتند: « با استفاده از رویکردی الهام گرفته از روشهای بینایی رایانهای برای تشخیص چهره، ما تجزیه و تحلیل مؤلفههای اصلی را روی مجموعه بزرگی از تصاویر را برای تولید چهرههای ویژه اعمال کردیم. »
سپس این چهرههای ویژه در یک سیستم شمارهگذاری رتبهبندی شدند تا بتوان آن را به چیزی ترجمه کرد که هوش مصنوعی بتواند به عنوان دادههای آموزشی تجزیه و تحلیل کند.
این تیم توضیح داد: «ما سپس روابط بین مقادیر ویژه و الگوهای فعالیت fMRI را مدلسازی کردیم. سپس الگوهای فعالیتی که توسط چهرههای فردی برانگیخته میشود برای تولید مقادیر پیشبینیشده چهره مورد استفاده قرار گرفت، که میتوان آن را به بازسازی چهرههای فردی تبدیل کرد.»
خاطرات بازسازی شده
برای بخش دوم (یا آنچه که میتوان آن را «ذهنخوانی» نامید) آزمایش، هوش مصنوعی برای توانایی آن در بازسازی دور جدیدی از عکسهای چهره، تنها با استفاده از دادههای مربوط به فعالیت مغز ثبتشده شرکتکنندگان، که از طریق این عکسها جمعآوری شده بود، مورد آزمایش قرار گرفت. بر اساس دادههای آموزشی دور قبل دستگاه fMRI. ، هوش مصنوعی توانست الگوهای عصبی افراد مورد آزمایش را به صورتهای ویژهای که اساس تصاویر بازسازیشده را تشکیل میدهند، «ترجمه» کند. این چیزی است که پیش آمد:
این فوق العاده دقیق نیست، اما در عین حال، ممکن است برخی چیزهای عجیب و غریب در اینجا ظاهر شود.
در آزمایش دیگری، از شرکت کنندگان خواسته شد تا چهره شخصی را در خاطرات خود که از شکنج زاویه ای مغز ذخیره و بازیابی می شود، یادآوری کنند. این بازسازیهای مبتنی بر هوش مصنوعی بهطور شگفتآوری موفقیتآمیز بودند و هوش مصنوعی قادر بود در بیشتر موارد ویژگیهای متمایزی مانند جنسیت، رنگ پوست و بیان احساسی را نشان دهد.
برای تأیید نتایج و به دست آوردن بینشی در مورد عملکرد درونی مغز، تیم بازسازیهای انجام شده توسط شکنج زاویهای بازیابی حافظه (ANG) را در مقابل بازسازیهای انجام شده با استفاده از قشر occipitotemporal (OTC) که به آن حساس هستند(خصوصیات ظاهری)، مقایسه کردند.
محققان نوشتند: «به طور شگفت انگیزی، ما دریافتیم که یک مدل آموزش دیده بر روی الگوهای فعالیت ANG در طول ادراک صورت، توانست با موفقیت مجموعه ای مستقل از تصاویر چهره را که در حافظه نگهداری می شدند، بازسازی کند. «الگوهای [فعالیت] در… شکنج زاویهدار، از بازسازی موفقیتآمیز چهرههای درک شده و به خاطر سپردهشده حمایت میکنند، و نقش این منطقه را در بازنمایی فعال محتوای به خاطر سپردن تأیید میکنند.»
همانطور که در اینجا می توان دید، قابلیت های ذهن خوانی ماشین ها هنوز یه صورت کامل وجود ندارد و همانطور که محققان خاطرنشان می کنند و نتایج نشان می دهد، مردم هنوز بر نحوه شکل گیری خاطرات خود کنترل دارند و خاطرات بازسازی شده ای که در این آزمایش دیده می شود هنوز برای کسی کافی نیست تا بتواند به طور ذهنی یک جنایتکار مظنون را فراتر از سایه تشخیص دهد. اما به نظر می رسد که این فناوری در حال تکامل است و ممکن است در نهایت به آن نقطه برسیم.