New Brainsourcing Technique Trains A.I. Med hjärnvågor

Föreställ dig ett rum fullt av skrivbord, totalt mer än två dussin. Vid varje identiskt skrivbord finns en dator med en person som sitter framför och spelar ett enkelt identifieringsspel. Spelet ber användaren att slutföra ett urval av grundläggande igenkänningsuppgifter, som att välja vilken foto ur en serie som visar någon som ler eller föreställer en person med mörkt hår eller klädd glasögon. Spelaren måste fatta sitt beslut innan han går vidare till nästa bild.

Bara de gör det inte genom att klicka med musen eller knacka på en pekskärm. Istället väljer de rätt svar helt enkelt genom att tänka efter det.

Varje person i rummet är utrustad med en elektroencefalogram (EEG) dödskalle; ett spår av ledningar som leder från varje person till en närliggande inspelningsenhet som övervakar den elektriska spänningsaktiviteten i hårbotten. Scenen ser ut som ett kontor med öppen planlösning där alla är inkopplade i The Matrix.

"Deltagarna [i vår studie] hade den enkla uppgiften att bara känna igen [vad de ombads leta efter]," Tuukka Ruotsalo, forskare vid Helsingfors universitet, som ledde den nyligen publicerade forskningen, berättade för Digital Trends. – De ombads inte göra något annat. De tittade bara på bilderna de visades. Vi byggde sedan en klassificerare för att se om vi kunde identifiera rätt ansikte med målfunktionerna, enbart baserat på hjärnans signal. Inget annat användes, förutom EEG-signalen i det ögonblick då deltagarna såg bilden.”

I experimentet visades totalt 30 frivilliga bilder av syntetiserade mänskliga ansikten (för att undvika chans att någon av deltagarna kan känna igen en person som de visades, och därför snedvrida resultat). Deltagarna ombads att mentalt märka ansiktena baserat på vad de såg och ombads leta efter. Använder bara dessa hjärnaktivitetsdata, en artificiell intelligens algoritmen lärde sig att känna igen bilder, till exempel när en blond person dök upp på skärmen.

En ny snurr på en gammal idé

Det här är imponerande grejer, men det är inte särskilt nytt. Under åtminstone det senaste decenniet har forskare använt hjärnaktivitetsdata, insamlade via EEG eller fMRI, för att utföra ett urval av allt mer imponerande tankeläsningsdemonstrationer. I vissa fall är det att identifiera en viss bild eller video, som med en nyligen genomförd studie där forskare vid Neurorobotics Lab i Moskva visade att det är möjligt att ta reda på vilken videoklipp som folk tittar på genom att övervaka deras hjärnaktivitet.

I andra fall kan dessa insikter användas för att utlösa vissa svar. Till exempel placerade forskare vid Washington University i St. Louis 2011 tillfälliga elektroder över talcentrum i en persons hjärna och visade sedan att de kunde flytta en datormarkör på skärmen helt enkelt genom att låta personen fundera över vart de ville flytta den. Ytterligare andra studier har visat att hjärndata kan användas för att flytta robotar eller svävande drönare.

Det som gör Helsingfors universitets senaste studie roman och intressant är att den fokuserar på hur hjärnaktiviteten hos en grupp av människor, snarare än ensamstående, kan användas för att dra slutsatser, som att klassificera bilder. De har inte bara visat att det fungerar, utan att - åtminstone upp till en viss punkt - ju fler personer du lägger till i gruppen, desto mer exakt blir informationen.

"När vi lägger till fler personer i hjärninsamlingspoolen, så att hjärndata registreras från en grupp människor, uppnår vi prestanda med långt över 90% noggrannhet," sa Ruotsalo. "[Det vill säga] nästan på nivån att [be en grupp att manuellt tagga svar.]"

Detta kan till en början låta kontraintuitivt. Om hjärndata är bullrig, skulle det inte göra det ännu mer bullrigt om du lägger till fler personer? När allt kommer omkring, om du vill lyssna efter ett särskilt svårt att höra ljud i ett rum, är det lättare om du bara har en person som pratar ovanligt än 10. Eller 30. Men som historien om big data revolution, och många av de mest anmärkningsvärda demonstrationerna av maskininlärning i åtgärd, har klargjort, ju mer data du har till ditt förfogande för att kasta på ett problem, desto mer exakta system bli.

"Signalen är i allmänhet bullrig från EEG eller någon annan hjärnavbildning, och deltagare eller människor deltar inte alltid till 100%," förklarade Ruotsalo. "Tänk på att titta på bilder själv. Ibland, efter att ha tittat [på] många, kan ditt sinne vandra. Även med enstaka deltagare använder forskare ofta knep, som att upprepa samma stimulans igen för att kunna mäta ut bullret i genomsnitt. Här använder vi signaler från många deltagare.”

Chansen att åtminstone några individer är fokuserade vid varje tillfälle ökar kraftigt jämfört med bara en individ. Lägg till föreställningen om folkmassornas visdom (mer om det senare) och du har en jäkla kraftfull kombination.

Gå in i en värld av brainsourcing

Tuukka Ruotsalo och hans team kallar denna gruppbaserade hjärnläsning för "brainsourcing". Det är en lek på termen crowdsourcing, hänvisar till ett sätt att dela upp en stor uppgift i mindre uppgifter som kan distribueras till stora grupper av människor för att hjälpa lösa. Här under 2020 kan crowdsourcing vara mest synonymt med plattformar för att samla in pengar som Kickstarter, där den "stora uppgiften" är startkapital som behövs för att lansera en produkt och det distribuerade publikbaserade elementet innebär att man ber folk att chippa in mindre summor av pengar.

Men crowdsourcing kan lämpa sig för andra applikationer också. Amazons Mechanical Turk-plattform och Apples ResearchKit är crowdsourcing-verktyg som utnyttjar mängdens kraft för uppgifter som sträcker sig från att svara på enkäter till att utföra viktig akademisk forskning. Samtidigt utnyttjar företag som TaskRabbit och 99designs mängden för att hjälpa kunder att matcha rätt person att leverera allt från trädgårdsarbete och matinköp till att designa dig den perfekta logotypen eller mastheaden för din webbplats.

A.I. kan också dra nytta av crowdsourcing. Tänk t.ex. Googles reCAPTCHA-teknik. De flesta av oss anser sannolikt att reCAPTCHA är ett sätt som webbplatser kan kontrollera om vi är en bot eller inte innan de tillåter oss att utföra en viss uppgift. Att slutföra en reCAPTCHA kan innebära att läsa en vickande textrad eller klicka på varje bild i ett urval som innehåller en katt. Men reCAPTCHA handlar inte bara om att testa om vi är människor eller inte; de är också ett mycket smart sätt att samla in data som kan användas för att göra Googles bildigenkänning A.I. smartare. Varje gång du läser ett fragment av text från en vägkantsskylt på en reCAPTCHA-bild kan du bidra till att göra, säg, Googles självkörande bilar något bättre på att känna igen den verkliga världen. När Google har samlat tillräckligt med svar för en bild är Google ganska säker på att den har ett korrekt svar.

Det är för tidigt att överväga hur brainsourcing i praktiken skulle kunna bygga på dessa idéer. "Vi har försökt tänka på det här själva," sa Ruotsalo. "Jag tror inte ens vi har idéerna ännu. Det är bara ett bevis på att vi kan göra detta. Nu är det öppet för andra människor att utforska hur bra, och vilka typer av uppgifter, och vilka typer av grupper av människor vi skulle kunna använda detta för."

Framtiden kommer

Men potentialen finns verkligen. Kommersiellt tillgängliga bärbara EEG-monitorer börjar nu bli tillgängliga - i former som sträcker sig från hjärnläsande hörlurar till smarta tatueringar. För närvarande mäter EEG-demonstrationer som den i denna studie endast en liten procentandel av en persons totala hjärnaktivitet. Men med tiden kan detta öka, vilket innebär att en mindre binär samling av information kan samlas in. Istället för att bara få ett "ja" eller "nej" svar på frågor, kan den här tekniken observera människors svar på fler komplexa frågor, kan övervaka svar på media som ett TV-program eller en film och sedan mata tillbaka samlad publikdata till dess tillverkare.

"Istället för att använda konventionella betyg eller gilla-knappar kan du helt enkelt lyssna på en låt eller titta på ett program och din hjärna Enbart aktivitet skulle vara tillräckligt för att avgöra ditt svar på det, "Keith Davis, en student och forskningsassistent på projekt, sa i ett pressmeddelande åtföljer arbetet.

Föreställ dig om miljontals människor bar EEG-spårande wearables och du erbjöd en procentandel av dem en mikrobetalning 10 gånger om dagen i utbyte mot att du tog några sekunder för att hjälpa till att lösa en viss uppgift. Fantasifull? Kanske just nu, men det gjorde också många av dagens crowdsourcing-tekniker för bara några år sedan.

På spelshowen Vem vill bli en miljonär, en av de "livlinor" som är tillgängliga för de tävlande är alternativet att ställa en viss fråga till publiken. När denna engångslivlina utlöses använder publiken röstblock fästa vid sina platser och röstar på svaret på en flervalsfråga som de tror är korrekt. Datorn sammanställer sedan resultaten och visar dem i procent för den tävlande. Enligt James Surowieckis bok, Folkmassornas visdom, att fråga publiken ger rätt svar mer än 90 % av gångerna. Det är betydligt bättre än programmets 50/50-alternativ, som eliminerar två felaktiga svar, och alternativet att ringa en vän, vilket ger dig rätt svar ungefär två tredjedelar av tiden.

Kan brainsourcing vara teknikens nästa bra idé; hjälpa till att göra allt från att förbättra underhållning till att träna bättre A.I. att svara på alla möjliga frågor? Det är visserligen för tidigt att säga. Men det här är definitivt en term du kommer att höra mycket mer om under de kommande månaderna, åren och decennierna.

Redaktörens rekommendationer

• Nvidias superdator kan skapa en ny era av ChatGPT
• Den roliga formeln: Varför maskingenererad humor är A.I.s heliga gral.
• Nvidias nya röst A.I. låter precis som en riktig person
• Intels otroliga atletspårande A.I. är träningsteknikens "heliga graal".
• Ansiktsigenkänningsteknik för björnar syftar till att hålla människor säkra