Prāta lasīšana A.I. Padara viltotas sejas, kas jums šķitīs pievilcīgas

Iedomājieties, ja kāda ne pārāk tāla nākotnes Tinder versija varētu ielīst jūsu smadzenēs un izvilkt funkcijas, kas jums šķiet vispievilcīgākās. potenciālais dzīvesbiedrs, pēc tam skenējiet romantisko meklējumu vietu, lai atrastu to, kuram partnerim ir visvairāk šo fizisko atribūti.

Mēs nerunājam arī tikai par tādām īpašībām kā augums un matu krāsa, bet arī par daudz sarežģītāku vienādojumu, kura pamatā ir datu kopa par ikvienu personu, kas jums kādreiz bijusi pievilcīga. Tādā pašā veidā, kā Spotify ieteikumu sistēma apgūst dziesmas, kas jums patīk, un pēc tam iesaka citas, kas atbilst līdzīgam profilam — pamatojoties uz tādām iezīmēm kā dejojamība, enerģija, temps, skaļums un runas spēja — šis hipotētiskais algoritms darbotos tāpat arī sirds. Vai vismaz jostasvietas. Sauciet to par fiziskās pievilcības sameklēšanu, izmantojot A.I.

Skaidrības labad jāsaka, ka Tinder, cik es zinu, nestrādā ar kaut ko līdzīgu attālināti. Bet pētnieki no Helsinku universitātes un Kopenhāgenas universitātes ir. Un, lai gan šis apraksts varētu nedaudz atgādināt distopisku seklumu, kas atrodas pa vidu Melnais spogulis un Mīlestības sala, patiesībā viņu smadzeņu lasīšanas pētījumi ir diezgan aizraujoši.

Sejas telpas meklēšana

Savā nesenajā eksperimentā pētnieki izmantoja a ģeneratīvs pretrunīgs neironu tīkls, kas ir apmācīts lielā datubāzē ar 200 000 slavenību attēliem, lai izsapņotu simtiem viltotu seju sēriju. Tās bija sejas ar dažām slavenību pazīmēm — šeit ir spēcīga žokļa līnija, a pīrsings debeszils acu komplekts, taču tās nebija uzreiz atpazīstamas kā slavenības jautājums.

Pēc tam attēli tika apkopoti slaidrādē, lai parādītu 30 dalībniekiem, kuri tika komplektēti elektroencefalogrāfijas (EEG) vāciņi spēj nolasīt savu smadzeņu darbību, izmantojot galvas ādas elektrisko aktivitāti. Katram dalībniekam tika lūgts koncentrēties uz to, vai, viņuprāt, seja, uz kuru viņi skatās ekrānā, ir izskatīga vai nē. Katra seja bija redzama īsu laiku, pirms parādījās nākamais attēls. Dalībniekiem nekas nebija jāatzīmē uz papīra, jānospiež poga vai jāvelk pa labi, lai norādītu savu apstiprinājumu. Pietika tikai koncentrēties uz to, kas viņiem šķita pievilcīgs.

"Mēs dalībniekiem parādījām lielu šo seju izvēli un lūdzām viņus selektīvi koncentrēties uz sejām, kuras viņi uzskatīja par pievilcīgām." Maikls Spapē, Helsinku universitātes pēcdoktorantūras pētnieks pastāstīja Digital Trends. "Tverot smadzeņu viļņus ar EEG, kas radās tūlīt pēc sejas redzēšanas, mēs novērtējām, vai seja tika uzskatīta par pievilcīgu vai nē. Pēc tam šī informācija tika izmantota, lai vadītu meklēšanu neironu tīkla modelī — 512 dimensiju “seja-telpa” — un triangulējiet punktu, kas atbilstu atsevišķa dalībnieka punktam pievilcība."

Slēpto datu modeļu atrašana, kas atklāja noteiktu funkciju preferences, tika panākta, izmantojot mašīnmācīšanos, lai pārbaudītu katras sejas izraisīto smadzeņu elektrisko aktivitāti. Vispārīgi runājot, jo vairāk noteikta veida smadzeņu darbības tiek pamanītas (vairāk par to sekundē), jo lielāks ir pievilcības līmenis. Dalībniekiem nebija jāizceļ dažas funkcijas kā īpaši pievilcīgas. Lai atgrieztos pie Spotify analoģijas tādā pašā veidā, kā mēs neapzināti varētu pievērsties dziesmām ar noteiktu laika zīmi, skatoties mērot smadzeņu darbību lielu attēlu skaitu un pēc tam ļaujot algoritmam noskaidrot, kas tiem visiem ir kopīgs, A.I. var izcelt sejas daļas, kuras mēs, iespējams, pat nenojaušam, ka esam uzzīmētas uz. Mašīnmācība šajā kontekstā ir kā detektīvs, kura uzdevums ir savienot punktus.

Pavelciet pa labi smadzenēs

"Tā nav obligāti" palielināta smadzeņu aktivitāte, bet gan tas, ka daži attēli atkārtoti sinhronizē nervu darbību," paskaidroja Spapē. “Tas ir, dzīvās smadzenes vienmēr ir aktīvas. EEG ir diezgan atšķirīga no [funkcionālās magnētiskās rezonanses attēlveidošanas], jo mēs neesam īsti pārliecināti, no kurienes nāk aktivitāte, bet tikai tad, kad tā rodas no kaut kā. Tikai tāpēc, ka daudzi neironi šauj vienlaikus, vienā virzienā, [mēs] spējam uztvert to [elektrisko] parakstu. Tāpēc mēs uztveram sinhronizāciju un desinhronizāciju, nevis “darbību” kā tādu.

Viņš uzsvēra, ka tas, kas komandai ir nē ir jāatrod veids, kā apskatīt nejaušus EEG smadzeņu datus un nekavējoties pateikt, ja cilvēks skatās uz kādu, kas viņam šķiet pievilcīgs. "Pievilcība ir ļoti sarežģīta tēma," viņš teica. Citur viņš atzīmēja, ka "mēs nevaram kontrolēt domas".

Tātad, kā tieši pētniekiem ir izdevies veikt šo eksperimentu, ja viņi nevar garantēt, ka tas, ko viņi mēra, ir pievilcība? Atbilde patiesībā ir tāda, ka viņi ir pievilcības mērīšana. Vismaz šajā scenārijā. Pētnieki šajā eksperimentālajā iestatījumā redz, ka aptuveni 300 milisekundes pēc a dalībnieks redz pievilcīgu attēlu, viņa smadzenes iedegas ar īpašu elektrisku signālu, ko sauc par a P300 vilnis. P300 vilnis ne vienmēr nozīmē pievilcību, bet gan noteiktu atbilstošu stimulu atpazīšanu. Bet tas, kas ir šie stimuli, ir atkarīgs no tā, ko persona ir lūgta meklēt. Citos gadījumos, kad personai tiek lūgts koncentrēties uz dažādām iezīmēm, tas var norādīt uz kaut ko pavisam citu. (Piemērs: P300 atbilde tiek izmantota kā mērs melu detektoros, un ne vienmēr, lai noteiktu, vai persona stāsta patiesību par savu pievilcību konkrētai personai.)

NeuroTinder un ne tikai

Šajā pētījumā pētnieki izmantoja šos pievilcības datus, lai ģeneratīvais pretinieku tīkls radītu jaunas pielāgotas sejas, kas apvieno smadzenes dzirkstošākās iezīmes — Frankenšteina sejas vaibstu kopums dalībnieku smadzeņu dati bija norādījuši, ka viņi atrod personīgi pievilcīgs.

“Lai gan daži sejas vaibsti, šķiet, parasti tiek doti priekšroka visiem dalībniekiem, kā daži ģenerētās sejas mūsu eksperimentos izskatās līdzīgas viena otrai, modelis patiešām atspoguļo personisku Iespējas," Tuuka Ruotsalo, Helsinku universitātes asociētais profesors pastāstīja Digital Trends. “Visos ģenerētajos attēlos ir atšķirības. Visnopietnākajā aspektā dalībnieki ar dažādām dzimuma preferencēm iegūst sejas, kas atbilst šīm vēlmēm.

Ģenerēšana pievilcīgi cilvēki, kas nekad nav pastāvējuši noteikti ir šīs tehnoloģijas izmantošana, kas piesaista virsrakstus. Tomēr tam varētu būt arī citi, jēgpilnāki lietojumi. Mijiedarbība starp ģeneratīvu mākslīgo neironu tīklu un cilvēka smadzeņu reakcijām varētu tikt izmantota arī, lai pārbaudītu cilvēka reakcijas uz dažādām datos esošajām parādībām.

"Tas varētu mums palīdzēt saprast, kāda veida funkcijas un to kombinācijas reaģē uz kognitīvo funkcijas, piemēram, aizspriedumi, stereotipi, bet arī preferences un individuālās atšķirības,” sacīja Ruotsalo.

Papīrs, kurā aprakstīts darbs, bija nesen publicēts žurnālā IEEE Transactions in Affective Computing.

Redaktoru ieteikumi

• Kā A.I. kameņu smadzenes varētu uzsākt jaunu navigācijas ēru
• Samsung jaunais ēdiens A.I. var ieteikt receptes, pamatojoties uz to, kas atrodas jūsu ledusskapī
• Jaunā kardioloģija A.I. zina, vai tu drīz nomirsi. Ārsti nevar izskaidrot, kā tas darbojas
• Esiet anonīms tiešsaistē, izmantojot deepfake tehnoloģiju, kas jums rada pilnīgi jaunu seju
• Jauna gudra valodu apguves lietotne ļauj trenēties runāt ar A.I. pasniedzējs