Q:
Kaip dirbtinis intelektas, įgalinantis „smegenų stimuliavimą“, pagerinti smegenų elektrinę stimuliaciją?
A:Nauji dirbtinio intelekto mokslo metodai padeda tyrėjams geriau suprasti, kaip veikia smegenys - ir kai kuriais atvejais šie mokslininkai iš tikrųjų gali įsikišti ir priversti smegenis veikti kitaip.
Jei tai skamba sudėtingai, taip yra todėl. Laidos istorija, pristatanti Pensilvanijos universiteto tyrimų projektą, pradedama tuo, kad pabrėžiama, kad žmogaus smegenys yra mokslininkams nežinoma „juodoji dėžutė“ ir kad yra rimtų kliūčių paveikti smegenų veiklą.
Tačiau „UPenn“ psichologas Michaelas Kahana ir mokslininkų komanda sugebėjo panaudoti elektrodus, einančius į 25 epilepsija sergančių pacientų smegenis, kad būtų galima pradėti mokytis, kaip smegenys veikia atminties metu.
Svarbu tai, kad komanda sugebėjo tai padaryti „susigriebdama“ jau esamą infrastruktūrą. (Iš formuluotės daroma prielaida, kad grupė galėjo naudoti dalykus, kurie jau buvo užsikabinę dėl labiau prozaziškų medicininių priežasčių.) Kaip pabrėžiama straipsnyje, gana sunku pritraukti iš tiriamųjų subjektų, kad invazinės technologijos būtų naudojamos smegenys.
Tyrėjai pradėjo tiesiog skaitydami smegenų veiklą - tiksliau, tiksliai apskaičiuodami smegenų elektrinį aktyvumą, kol žmonės mokėsi ir įsiminė žodžius.
Tam tikrą laiką tai atlikę ir sukūrę nemažą mokymo rinkinį, tyrėjai sugebėjo numatyti tam tikras mokymosi rūšis.
Atlikę pagrindinius tyrimus, mokslininkai galiausiai galėjo perduoti smegenims elektrinę stimuliaciją, kad padėtų atminties procesui.
Kai jūs kalbate apie elektrinės stimuliacijos naudojimą atminčiai, ji skamba paprastai - tačiau atidžiau pažvelgus, viskas remiasi labai aukštųjų technologijų metodologijomis ir gana spėlionėmis.
Be pradinio kompiuterinio mokymosi, kuris nustatė atminties aktyvumą, mokslininkai nebūtų turėję tokios geros idėjos, kaip elektriškai stimuliuoti smegenis, kad būtų pagerinta gera atminties funkcija.
Taip pat iš skaitymo apie tyrimą aišku, kad komanda nežino, kaip veikia elektrinė stimuliacija - jie tiesiog žino, kad taip yra. Kitaip tariant, mokslininkai naudojasi mašininio mokymosi rezultatais, kad sureguliuotų sistemą, iš tikrųjų nesuvokdami pačios smegenų funkcijos trūkumų.
Šis intriguojantis pavyzdys yra galbūt vienas geriausių „praktinio“ mašininio mokymosi pavyzdžių - čia duomenys nėra tik dedami į mokymo rinkinius, kad būtų modeliuojama daugiau duomenų. Čia mokymo rinkinys iš tikrųjų veikia kaip konkrečių bioinformatikos eksperimentų katalizatorius, o rezultatai pagrįsti skaičiavimais, kuriuos padarė mašininio mokymosi programos. Tai labai įdomu pažvelgti į dirbtinio intelekto ir mūsų pačių žmogaus biologinių smegenų sinergiją ir į tai, kaip šios dvi susikerta, kai sparčiai žengiame link Ray Kurzweil „išskirtinumo“ ir kitų ateities rezultatų.
