New Brainsourcing Technique Trains A.I. Med hjernebølger

Forestil dig et værelse fyldt med skriveborde, der tæller mere end to dusin i alt. Ved hvert identisk skrivebord er der en computer med en person, der sidder foran den og spiller et simpelt identifikationsspil. Spillet beder brugeren om at udføre et udvalg af grundlæggende genkendelsesopgaver, såsom at vælge hvilken foto fra en serie, der viser en smilende eller skildrer en person med mørkt hår eller iført briller. Spilleren skal træffe deres beslutning, før han går videre til næste billede.

Kun de gør det ikke ved at klikke med deres mus eller trykke på en berøringsskærm. I stedet vælger de det rigtige svar blot ved at tænke det.

Hver person i rummet er udstyret med en elektroencefalogram (EEG) kasket; et spor af ledninger, der fører fra hver person til en nærliggende optageenhed, der skærme den elektriske spændingsaktivitet i deres hovedbund. Scenen ligner et åbent kontor, hvor alle er jacket ind i The Matrix.

"Deltagerne [i vores undersøgelse] havde den enkle opgave bare at genkende [hvad de blev bedt om at kigge efter]," Tuukka Ruotsalo, en forsker ved Helsinki Universitet, som ledet den nyligt offentliggjorte forskning, fortalte Digital Trends. »De blev ikke bedt om at gøre andet. De så bare på de billeder, de blev vist. Vi byggede derefter en klassificering for at se, om vi kunne identificere det korrekte ansigt med målegenskaberne, udelukkende baseret på hjernesignalet. Der blev ikke brugt andet end EEG-signalet i det øjeblik, deltagerne så billedet."

I eksperimentet blev i alt 30 frivillige vist billeder af syntetiserede menneskeansigter (for at undgå chance for, at en af ​​deltagerne kunne genkende en person, de blev vist, og derfor skæve resultater). Deltagerne blev bedt om at mærke ansigterne mentalt ud fra, hvad de så, og blev bedt om at kigge efter. Ved kun at bruge disse hjerneaktivitetsdata, en kunstig intelligens algoritmen lærte at genkende billeder, som når en blond person dukkede op på skærmen.

Et nyt spin på en gammel idé

Dette er imponerende ting, men det er ikke specielt nyt. I mindst det sidste årti har forskere brugt hjerneaktivitetsdata, indsamlet via EEG eller fMRI, til at udføre et udvalg af stadig mere imponerende tankelæsningsdemonstrationer. I nogle tilfælde er det at identificere et bestemt billede eller video, som med en nylig undersøgelse, hvor forskere ved Neurorobotics Lab i Moskva viste, at det er muligt at finde ud af, hvilken videoklip, folk ser ved at overvåge deres hjerneaktivitet.

I andre tilfælde kan disse indsigter bruges til at udløse bestemte svar. For eksempel placerede forskere ved Washington University i St. Louis i 2011 midlertidige elektroder over talecentret i en persons hjerne og demonstrerede derefter, at de var i stand til at flytte en computermarkør på skærmen simpelthen ved at få personen til at tænke over, hvor de ville flytte den. Endnu andre undersøgelser har vist, at hjernedata kan bruges til at flytte robotlemmer eller svævedroner.

Det, der gør Helsinki Universitets nylige studie roman og interessant, er, at den fokuserer på, hvordan hjerneaktiviteten hos en gruppe af mennesker, snarere end enkeltpersoner, kan bruges til at drage konklusioner, såsom at klassificere billeder. Ikke kun har de vist, at det virker, men at - i hvert fald op til et punkt - jo flere personer du tilføjer til gruppen, jo mere nøjagtige bliver dataene.

"Når vi tilføjer flere mennesker til hjerne-sourcing-puljen, så hjernedata registreres fra en gruppe mennesker, opnår vi ydeevne på langt over 90% nøjagtighed," sagde Ruotsalo. "[Det er] næsten på niveau med [at bede en gruppe om manuelt at tagge svar.]"

Dette kan i første omgang lyde kontraintuitivt. Hvis hjernedata er støjende, ville tilføjelse af flere mennesker så ikke gøre det endnu mere støjende? Når alt kommer til alt, hvis du ønsker at lytte efter en særlig svær at høre lyd i et rum, er det nemmere, hvis du kun har én person, der taler over toppen af ​​det, end 10. Eller 30. Men som historien om big data-revolutionen og mange af de mest bemærkelsesværdige demonstrationer af maskinlæring i handling, har gjort det klart, jo flere data du har til din rådighed for at kaste på et problem, jo ​​mere nøjagtige systemer blive.

"Signalet er generelt støjende fra EEG eller enhver anden hjernebilleddannelse, og deltagere eller mennesker deltager ikke altid 100%," forklarede Ruotsalo. “Tænk på selv at se på billeder. Nogle gange, efter at have set [på] mange, kunne dit sind være på vandring. Selv med enkeltdeltagere bruger forskere ofte tricks, såsom at gentage den samme stimulus igen for at være i stand til at udligne gennemsnittet af støjen. Her bruger vi signaler fra mange deltagere.”

Chancen for, at i det mindste nogle individer er fokuserede på hvert tidspunkt, er stærkt øget i forhold til kun et individ. Tilføj forestillingen om folkemængdernes visdom (mere om det senere), og du har en pokkers kraftfuld kombination.

Indtast en verden af ​​brainsourcing

Tuukka Ruotsalo og hans team kalder denne gruppebaserede hjernelæsning "brainsourcing". Det er et spil på begrebet crowdsourcing, henviser til en måde at dele en stor opgave op i mindre opgaver, der kan fordeles til store grupper af mennesker for at hjælpe løse. Her i 2020 er crowdsourcing måske mest synonymt med pengeskabende platforme såsom Kickstarter, hvor den "store opgave" er startkapital, der er nødvendig for at lancere et produkt, og det distribuerede crowd-baserede element involverer at bede folk om at indskyde mindre beløb på penge.

Crowdsourcing kan dog også egne sig til andre applikationer. Amazons Mechanical Turk-platform og Apples ResearchKit er crowdsourcing-værktøjer, der udnytter mængdens kraft til opgaver, der spænder fra at besvare undersøgelser til at udføre vigtig akademisk forskning. I mellemtiden udnytter virksomheder som TaskRabbit og 99designs mængden til at hjælpe kunder med at matche den rigtige person at levere alt fra havearbejde og dagligvareindkøb til at designe dig det perfekte logo eller masthead til din hjemmeside.

A.I. kan også drage fordel af crowdsourcing. Overvej f.eks. Googles reCAPTCHA-teknologi. De fleste af os anser sandsynligvis reCAPTCHA for at være en måde, hvorpå websteder kan kontrollere, om vi er en bot eller ej, før de tillader os at udføre en bestemt opgave. At fuldføre en reCAPTCHA kan involvere at læse en vrikkende tekstlinje eller klikke på hvert billede i et udvalg, der inkluderer en kat. Men reCAPTCHA'er handler ikke kun om at teste, om vi er mennesker eller ej; de er også en meget smart måde at indsamle data på, som kan bruges til at gøre Googles billedgenkendelse A.I. smartere. Hver gang du læser et fragment af tekst fra et vejskilt på et reCAPTCHA-billede, kan du være med til at gøre for eksempel Googles selvkørende biler lidt bedre til at genkende den virkelige verden. Når Google har samlet nok svar til et billede, er Google rimelig sikker på, at det har et rigtigt svar.

Det er for tidligt at overveje, hvordan brainsourcing i praksis kan bygge videre på disse ideer. "Vi har selv prøvet at tænke over dette," sagde Ruotsalo. »Jeg tror ikke engang, vi har idéerne endnu. Det er bare et proof-of-concept, at vi kan gøre dette. Nu er det åbent for andre mennesker at udforske, hvor godt, og hvilke slags opgaver, og hvilke typer grupper af mennesker, vi kunne bruge dette til."

Fremtiden kommer

Men potentialet er der bestemt. Kommercielt tilgængelige bærbare EEG-monitorer begynder nu at blive tilgængelige - i former, der spænder fra hjernelæsende høretelefoner til smarte tatoveringer. På nuværende tidspunkt måler EEG-demonstrationer som den i denne undersøgelse kun en lille procentdel af en persons samlede hjerneaktivitet. Men over tid kan dette stige, hvilket betyder, at en mindre binær samling af information kan indsamles. I stedet for blot at få et "ja" eller "nej" svar på spørgsmål, kunne denne teknologi observere folks svar på mere komplekse spørgsmål, kunne overvåge svar på medier som et tv-program eller en film og derefter føre samlede mængdedata tilbage til dens skabere.

"I stedet for at bruge konventionelle vurderinger eller like-knapper, kan du bare lytte til en sang eller se et show, og din hjerne aktivitet alene ville være nok til at bestemme dit svar på det,” Keith Davis, studerende og forskningsassistent på projekt, sagde i en pressemeddelelse ledsager arbejdet.

Forestil dig, hvis millioner af mennesker bar EEG-sporende wearables, og du tilbød en procentdel af dem en mikrobetaling 10 gange om dagen i bytte for at tage et par sekunder til at hjælpe med at løse en bestemt opgave. Fantasifuldt? Måske lige nu, men det gjorde mange af nutidens crowdsourcing-teknologier også for bare et par år siden.

På spilshowet Hvem vil være millionær, en af ​​de "livlinjer", der er til rådighed for deltagerne, er muligheden for at stille publikum et bestemt spørgsmål. Når denne engangslivline udløses, bruger publikum stemmeblokke fastgjort til deres pladser og stemmer på svaret på et multiple-choice spørgsmål, de mener er korrekt. Computeren opsamler derefter resultaterne og viser dem som en procentdel til deltageren. Ifølge James Surowieckis bog, Folkemængdernes visdom, at spørge publikum giver det rigtige svar mere end 90 % af gangene. Det er væsentligt bedre end showets 50/50-mulighed, som eliminerer to forkerte svar, og muligheden for at ringe til en ven, som giver dig det rigtige svar omkring to tredjedele af tiden.

Kunne brainsourcing være techs næste gode idé; hjælpe med at gøre alt fra at forbedre underholdning til at træne bedre A.I. at besvare alle mulige spørgsmål? Det er ganske vist for tidligt at sige. Men dette er bestemt et udtryk, du kommer til at høre meget mere om i de kommende måneder, år og årtier.

Redaktørens anbefalinger

• Nvidias supercomputer kan bringe en ny æra af ChatGPT
• Den sjove formel: Hvorfor maskingenereret humor er den hellige gral for A.I.
• Nvidias nye stemme A.I. lyder bare som en rigtig person
• Intels utrolige atlet-tracking A.I. er træningsteknologiens 'hellige gral'
• Ansigtsgenkendelsesteknologi til bjørne har til formål at holde mennesker sikre