Sztuczna inteligencja czytająca w mózgu Tworzy fałszywe twarze, które uznasz za atrakcyjne

Wyobraź sobie, że jakaś nieodległa przyszła wersja Tindera byłaby w stanie wpełznąć do Twojego mózgu i wyodrębnić funkcje, które uważasz za najbardziej atrakcyjne potencjalnego partnera, a następnie przeskanuj przestrzeń poszukiwań romansów, aby znaleźć tego, który z partnerów posiada największą liczbę tych cech fizycznych. atrybuty.

Nie mówimy tylko o takich cechach, jak wzrost i kolor włosów, ale o znacznie bardziej złożonym równaniu opartym na zbiorze danych wszystkich osób, które kiedykolwiek wcześniej uważałeś za atrakcyjne. W ten sam sposób, w jaki system rekomendacji Spotify uczy się utworów, które lubisz, a następnie sugeruje inne, które odpowiadają podobnemu profilowi ​​— w oparciu o takie cechy jak taneczność, energia, tempo, głośność i mowa — ten hipotetyczny algorytm zrobiłby to samo w kwestiach serce. Albo przynajmniej lędźwie. Nazwij to kojarzeniem atrakcyjności fizycznej za pomocą sztucznej inteligencji.

Żeby było jasne, Tinder – o ile wiem – nie pracuje nad czymś takim jak to. Ale naukowcy z Uniwersytetu Helsińskiego i Uniwersytetu w Kopenhadze tak. I chociaż ten opis może mieć posmak dystopijnej płytkości, plasującej się pośrodku Czarne lustro I Wyspa Miłościw rzeczywistości ich badania nad czytaniem mózgu są cholernie fascynujące.

Przeszukiwanie przestrzeni twarzy

W swoim ostatnim eksperymencie naukowcy wykorzystali a generatywną, przeciwstawną sieć neuronową, przeszkolony w oparciu o dużą bazę danych zawierającą 200 000 zdjęć gwiazd, aby wymyślić serię setek fałszywych twarzy. Były to twarze z pewnymi cechami charakterystycznymi niektórych celebrytów – tutaj mocna linia szczęki, a przenikliwy zestaw lazurowych oczu, ale w których nie można było od razu rozpoznać celebrytów pytanie.

Następnie zdjęcia zebrano w formie pokazu slajdów i pokazano 30 uczestnikom, w które zostali wyposażeni czapki do elektroencefalografii (EEG). byli w stanie odczytać aktywność swojego mózgu na podstawie aktywności elektrycznej skóry głowy. Każdy uczestnik został poproszony o skoncentrowanie się na tym, czy jego zdaniem twarz, na którą patrzy, jest ładna, czy nie. Każda twarz była widoczna przez krótki czas, zanim pojawił się następny obraz. Uczestnicy nie musieli niczego zaznaczać na papierze, naciskać przycisku ani przesuwać palcem w prawo, aby wyrazić zgodę. Wystarczyło skupić się na tym, co uznali za atrakcyjne.

„Pokazaliśmy uczestnikom duży wybór tych twarzy i poprosiliśmy ich, aby wybiórczo skoncentrowali się na twarzach, które uznali za atrakcyjne” – Michał Spape, badacz ze stopniem doktora na Uniwersytecie Helsińskim, powiedział Digital Trends. „Przechwytując za pomocą EEG fale mózgowe, które wystąpiły tuż po zobaczeniu twarzy, oszacowaliśmy, czy twarz jest postrzegana jako atrakcyjna, czy nie. Informacje te wykorzystano następnie do przeszukiwania modelu sieci neuronowej – 512-wymiarowego „przestrzeń twarzy” — i wykonaj triangulację punktu, który pasowałby do punktu indywidualnego uczestnika atrakcyjność.”

Znalezienie ukrytych wzorców danych, które ujawniły preferencje dotyczące określonych funkcji, udało się osiągnąć dzięki wykorzystaniu uczenia maszynowego do badania elektrycznej aktywności mózgu wywoływanej przez każdą twarz. Ogólnie rzecz biorąc, im więcej wykrytego określonego rodzaju aktywności mózgu (więcej o tym za chwilę), tym większy poziom przyciągania. Uczestnicy nie musieli wyróżniać pewnych cech jako szczególnie atrakcyjnych. Wracając do analogii ze Spotify – w ten sam sposób, w jaki możemy nieświadomie skłaniać się ku utworom o określonym metrum, mierząc aktywność mózgu podczas oglądania dużej liczby obrazów, a następnie pozwalając algorytmowi ustalić, co mają ze sobą wspólnego, sztuczna inteligencja potrafi wyróżnić części twarzy, z których być może nawet nie zdajemy sobie sprawy, że je rysujemy Do. Uczenie maszynowe przypomina w tym kontekście detektywa, którego zadaniem jest łączenie faktów.

Przesuń w prawą część mózgu

„Niekoniecznie chodzi o „zwiększoną aktywność mózgu”, ale raczej o to, że pewne obrazy resynchronizują aktywność neuronową” – wyjaśnił Spapé. „Oznacza to, że żywy mózg jest zawsze aktywny. EEG różni się od [funkcjonalnego rezonansu magnetycznego] tym, że nie jesteśmy pewni, skąd pochodzi aktywność, ale tylko wtedy, gdy pochodzi z czegoś. Tylko dlatego, że wiele neuronów uruchamia się w tym samym czasie i w tym samym kierunku, jesteśmy w stanie wychwycić ich sygnaturę [elektryczną]. Dlatego też skupiamy się na synchronizacji i desynchronizacji, a nie na „aktywności” jako takiej.

Podkreślił, że to jest to, czym dysponuje zespół nie Jedyne, co udało się zrobić, to znaleźć sposób na sprawdzenie losowych danych EEG mózgu i natychmiastowe stwierdzenie, czy dana osoba patrzy na osobę, którą uważa za atrakcyjną. „Przyciąganie to bardzo złożony temat” – stwierdził. W innym miejscu zauważył, że „nie możemy kontrolować myśli”.

Jak więc badaczom udało się przeprowadzić ten eksperyment, skoro nie mogą zagwarantować, że to, co mierzą, jest przyciąganiem? Odpowiedź jest taka, że ​​tak naprawdę Czy mierzenie atrakcyjności. Przynajmniej w tym scenariuszu. Naukowcy zaobserwowali w tym układzie eksperymentalnym, że około 300 milisekund po: uczestnik widzi atrakcyjny obraz, jego mózg rozświetla się określonym sygnałem elektrycznym zwanym a Fala P300. Fala P300 nie zawsze oznacza przyciąganie, ale raczej rozpoznanie pewnych istotnych bodźców. Ale to, czym jest ten bodziec, zależy od tego, o co dana osoba ma szukać. W innych scenariuszach, gdy dana osoba jest proszona o skupienie się na różnych cechach, może to wskazywać na coś zupełnie innego. (Przykład: odpowiedź P300 jest stosowana jako miara w wykrywaczach kłamstw – i niekoniecznie do sprawdzenia, czy dana osoba mówi prawdę o swoim pociągu do konkretnej osoby.)

NeuroTinder i nie tylko

W tym badaniu naukowcy wykorzystali następnie dane dotyczące atrakcyjności, aby generatywna sieć kontradyktoryjna wygenerowała nowe, dostosowane do potrzeb łączenie twarzy cechy najbardziej pobudzające mózg – zbiór cech twarzy Frankensteina, które dane mózgowe uczestników wykazały, że odnaleźli je osobiście atrakcyjny.

„Chociaż mogą istnieć pewne rysy twarzy, które wydają się być ogólnie preferowane przez uczestników, jak niektórzy wygenerowane twarze w naszych eksperymentach wyglądają podobnie do siebie, model naprawdę oddaje osobowość cechy," Tuukka Ruotsalo, profesor nadzwyczajny na Uniwersytecie Helsińskim, powiedział Digital Trends. „Istnieją różnice we wszystkich wygenerowanych obrazach. W najbardziej trywialnym aspekcie uczestnicy o różnych preferencjach płciowych otrzymują twarze pasujące do tych preferencji.

Generowanie atrakcyjnych ludzi, którzy nigdy nie istnieli to z pewnością przyciągające uwagę zastosowanie tej technologii. Może jednak mieć także inne, bardziej znaczące zastosowania. Interakcję między generatywną sztuczną siecią neuronową a reakcjami ludzkiego mózgu można również wykorzystać do przetestowania ludzkich reakcji na różne zjawiska obecne w danych.

„Może to pomóc nam zrozumieć rodzaj cech i ich kombinacji, które odpowiadają na funkcje poznawcze funkcje, takie jak uprzedzenia, stereotypy, ale także preferencje i różnice indywidualne” – powiedział Ruotsalo.

Niedawno ukazał się artykuł opisujący tę pracę opublikowane w czasopiśmie IEEE Transactions in Affective Computing.

Zalecenia redaktorów

• Jak sztuczna inteligencja mózgi trzmieli mogą zapoczątkować nową erę nawigacji
• Nowa żywność Samsunga A.I. może sugerować przepisy na podstawie zawartości Twojej lodówki
• Nowa kardiologia A.I. wie, czy wkrótce umrzesz. Lekarze nie potrafią wyjaśnić, jak to działa
• Zachowaj anonimowość w Internecie dzięki technologii deepfake, która generuje dla Ciebie zupełnie nową twarz
• Nowa, inteligentna aplikacja do nauki języków pozwala ćwiczyć mówienie z sztuczną inteligencją. korepetytor