Hjernelæsning A.I. Gør falske ansigter, du finder attraktive

Forestil dig, hvis en ikke alt for fjern fremtidig version af Tinder var i stand til at kravle ind i din hjerne og udtrække de funktioner, du finder mest attraktive i en potentiel partner, scan derefter det romantiksøgende søgeområde for at finde den partner, der besad det højeste antal af disse fysiske egenskaber.

Vi taler heller ikke kun om kvaliteter som højde og hårfarve, men en langt mere kompleks ligning baseret på et datasæt med alle, du nogensinde har fundet attraktive før. På samme måde som Spotify-anbefalingssystemet lærer de sange, du kan lide, og derefter foreslår andre, der er i overensstemmelse med en lignende profil — baseret på funktioner som dansbarhed, energi, tempo, lydstyrke og talestyrke - denne hypotetiske algoritme ville gøre det samme for spørgsmål om hjerte. Eller i det mindste lænden. Kald det fysisk tiltrækningskraft matchmaking ved hjælp af A.I.

For at være klar, arbejder Tinder ikke - så vidt jeg ved - på noget eksternt som dette. Men det er forskere fra Helsinki Universitet og Københavns Universitet. Og selvom den beskrivelse måske lugter noget af en dystopisk overfladiskhed midt imellem Sort spejl og Love Island, i virkeligheden er deres hjernelæsningsforskning temmelig fascinerende.

Søger i ansigtsrummet

I deres nylige eksperiment brugte forskerne en generativt adversarielt neurale netværk, trænet på en stor database med 200.000 berømthedsbilleder, til at opfinde en serie på hundredvis af falske ansigter. Det var ansigter med nogle af kendetegnene for visse berømtheder - en stærk kæbegrænse her, en gennemborende sæt azurblå øjne der - men som ikke umiddelbart kunne genkendes som berømthederne i spørgsmål.

Billederne blev derefter samlet til et diasshow for at vise til 30 deltagere, som blev sat ud med elektroencefalografi (EEG) hætter i stand til at aflæse deres hjerneaktivitet, via den elektriske aktivitet i deres hovedbund. Hver deltager blev bedt om at koncentrere sig om, hvorvidt de syntes, at det ansigt, de så på skærmen, var flot eller ej. Hvert ansigt blev vist i en kort periode, før det næste billede dukkede op. Deltagerne behøvede ikke at markere noget på papiret, trykke på en knap eller stryge til højre for at angive deres godkendelse. Bare det at fokusere på det, de fandt attraktivt, var nok.

"Vi viste et stort udvalg af disse ansigter til deltagerne og bad dem om selektivt at koncentrere sig om ansigter, de fandt attraktive," Michiel Spapé, en postdoc-forsker ved Helsinki Universitet, fortalte Digital Trends. "Ved at fange hjernebølgerne ved EEG, der opstod lige efter at have set et ansigt, vurderede vi, om et ansigt blev set som attraktivt eller ej. Denne information blev derefter brugt til at drive en søgning i den neurale netværksmodel - en 512-dimensionel 'face-space' - og triangulér et punkt, der ville matche en individuel deltagers point of attraktivitet.”

At finde de skjulte datamønstre, der afslørede præferencer for visse funktioner, blev opnået ved at bruge maskinlæring til at undersøge den elektriske hjerneaktivitet, som hvert ansigt fremkaldte. I store træk, jo mere af en bestemt form for hjerneaktivitet, der opdages (mere om det på et sekund), jo større er tiltrækningsniveauet. Deltagerne behøvede ikke at fremhæve visse funktioner som særligt attraktive. For at vende tilbage til Spotify-analogien, på samme måde som vi måske ubevidst drager til sange med en bestemt taktart, ved at måle hjerneaktivitet, når vi ser et stort antal billeder, og derefter lade en algoritme finde ud af, hvad de alle har til fælles, A.I. kan udskille dele af ansigtet, vi måske ikke engang er klar over, at vi er tegnet til. Machine learning er i denne sammenhæng som en detektiv, hvis opgave det er at forbinde prikkerne.

Stryg højre hjernehalvdel

"Det er ikke nødvendigvis 'øget hjerneaktivitet', men derimod, at visse billeder resynkroniserer neural aktivitet," præciserede Spapé. ”Det vil sige, at den levende hjerne altid er aktiv. EEG er ret ulig [funktionel magnetisk resonansbilleddannelse] ved, at vi ikke er meget sikre på, hvor aktiviteten kommer fra, men kun når den kommer fra noget. Kun fordi mange neuroner skyder på samme tid, i samme retning, er [vi] i stand til at opfange deres [elektriske] signatur. Så synkronisering og desynkronisering er det, vi opfanger snarere end "aktivitet" som sådan."

Han understregede, at hvad holdet har ikke gjort, er at finde en måde at se på tilfældige EEG-hjernedata og straks fortælle, om en person ser på en, de finder attraktiv. "Tiltrækning er et meget komplekst emne," sagde han. Et andet sted bemærkede han, at "vi ikke kan foretage tankekontrol."

Så hvordan er det helt præcist lykkedes forskerne at udføre dette eksperiment, hvis de ikke kan garantere, at det, de måler, er tiltrækning? Svaret er i virkeligheden, at de er måling af tiltrækning. I det mindste i dette scenarie. Hvad forskerne ser i denne eksperimentelle opsætning er, at omkring 300 millisekunder efter en Hvis deltageren ser et attraktivt billede, lyser deres hjerne op med et bestemt elektrisk signal kaldet a P300 bølge. En P300-bølge betyder ikke altid tiltrækning, men snarere en genkendelse af en bestemt relevant stimuli. Men hvad det stimuli er, afhænger af, hvad personen er blevet bedt om at kigge efter. I andre scenarier, hvor en person bliver bedt om at fokusere på forskellige funktioner, kan det indikere noget helt andet. (Eksempel: P300-respons bruges som et mål i løgnedetektorer - og ikke nødvendigvis for at fortælle, om en person fortæller sandheden om deres tiltrækning til en bestemt person.)

NeuroTinder og mere

I denne undersøgelse brugte forskerne derefter disse tiltrækningsdata til at få det generative modstandsnetværk til at generere nye tilpassede ansigter, der kombinerer de mest hjerne-gnistende egenskaber - en Frankenstein-samling af ansigtstræk, deltagernes hjernedata havde indikeret, at de fandt personligt tiltrækkende.

“Selvom der kan være nogle ansigtstræk, der synes at være generelt foretrukket på tværs af deltagere, som nogle genererede ansigter i vores eksperimenter ligner hinanden, fanger modellen virkelig personligt funktioner," Tuukka Ruotsalo, en lektor ved Universitetet i Helsinki, fortalte Digital Trends. "Der er forskelle i alle genererede billeder. I det mest trivielle aspekt får deltagere med forskellige kønspræferencer ansigter, der matcher den præference."

Genererer attraktive mennesker, der aldrig har eksisteret er bestemt en overskrifts-gribende brug af denne teknologi. Det kunne dog også have andre, mere meningsfulde applikationer. Interaktionen mellem et generativt kunstigt neuralt netværk og menneskelige hjernereaktioner kunne også bruges til at teste menneskelige reaktioner på forskellige fænomener til stede i data.

"Dette kunne hjælpe os med at forstå den slags funktioner og deres kombinationer, der reagerer på kognitive funktioner, såsom skævheder, stereotyper, men også præferencer og individuelle forskelle,” sagde Ruotsalo.

Et papir, der beskriver arbejdet, var for nylig offentliggjort i tidsskriftet IEEE Transactions in Affective Computing.

Redaktørens anbefalinger

• Hvordan A.I. humlebihjerner kunne indlede en ny æra for navigation
• Samsungs nye mad A.I. kan foreslå opskrifter baseret på, hvad der er i dit køleskab
• Ny kardiologi A.I. ved, om du snart dør. Læger kan ikke forklare, hvordan det virker
• Bliv anonym online med deepfake-teknologi, der genererer et helt nyt ansigt til dig
• Smart ny sprogindlæringsapp giver dig mulighed for at øve dig i at tale med en A.I. vejleder