از 10 سال پیش دانشمندان برای اینکه بتوانند فعالیت های مغز انسان را رمزگشایی کنند از روش هوش مصنوعی استفاده می کنند. در این مقاله از دکتر سلام اطلاعاتی در خصوص رمزگشایی برای نشان دادن محدودیت های هوش مصنوعی را آماده کرده ایم. توصیه می کنیم که این مقاله را حتما مطالعه کنید و از دست ندهید. با ما همراه شوید.
از حدود 10 سال قبل محققان برای رمزگشایی فعالیتهای مغز انسان تکنیکهای هوش مصنوعی بهنام یادگیری ماشین را بهکار گرفتهاند. در واقع دانشمندان سیستم هوش مصنوعی جدیدی را توسعه دادهاند که میتواند سیگنالهای مغز را رمزگشایی کند. براساس اطلاعات به دست آمده از تصویربرداری عصبی این الگوریتم میتواند آنچه که میبینیم، میشنویم و حتی آنچه که فکر میکنیم را دوباره سازماندهی کند. بهعنوان مثال این دادهها نشان میدهند که کلماتِ دارای معنای مشابه در قسمتهای مختلف مغز در داخل محدودههای مغزی باهم دستهبندی میشوند.
اکنون تحقیقات دانشمندان در سوئیس نشان میدهد مغز لزوماً از همان مناطقی که یادگیری ماشین برای اجرای یک وظیفه مشخص میکند استفاده نمیکند. فراتر از آن این نواحی منعکسکنندۀ تداعیهای ذهنی مرتبط با آن وظیفه هستند. در حالی که یادگیری ماشین برای رمزگشایی فعالیت ذهنی مؤثر است لزوماً نمیتواند برای درک مکانیسمهای پردازش اطلاعات خاص در مغز مؤثر باشد. این نتایج در ژورنال PNAS موجود است.
اخیراً تکنیکهای اطلاعاتی علم عصبشناسی مدرن توجه خود را بر این موضوع متمرکز کرده است که مغز چگونه تجسم نام آواها را به صورت فضایی سازماندهی میکند و محققان را قادر به نقشهیابی دقیق منطقۀ فعالیت میکند. دانشمندان عصبشناس از خود پرسیدند زمانیکه مغز وظایف خاصی را اجرا میکند چگونه از این نقشههای فضایی استفاده میکند. آنه لیز گراد پروفسور بخش عصبشناسی پایۀ دانشکدۀ پزشکی میگوید: «برای دستیابی به پاسخ این سؤال از تمام تکنیکهای تصویربرداری عصبی استفاده کردهایم.»
دانشمندان علم عصبشناسی که طی تحقیقی حدود 50 نفر را در اختیار داشتند وادار به گوش کردن هجاها کردند. واجهای مرکزی بسیار مبهم بودند و تمایز قائل شدن بین دو انتخاب مشکل بود. سپس دانشمندان از MRI کارکردی و آنسفالوگرافی مغناطیسی استفاده کردند تا به چگونگی رفتار مغز زمانیکه محرکهای صوتی (آکوستیک) بسیار واضح هستند یا برعکس زمانیکه این محرکها مبهم بوده و نیازمند بازنمود ذهنی و فعال صوت و تفسیر آن توسط مغز هستند پی ببرند.
پروفسور آنه لیز گراد خاطرنشان میکند: «مشاهده کردیم صرفنظر از مشکل بودن دستهبندی هجاهای شنیده شده، بین BA و DA، همیشه تصمیمگیری بخش کوچکی از لوب گیجگاهی خلفی بالاتر را بهکار میگیرد» اما همانطور که آزمایشهای این گروه از دانشمندان دانشگاه ژنوا نشان داده است آیا اطلاعات دربارۀ هویت هجا بهصورت محلی ارائه شده است یا براساس نقشههای بهدست آمده از طریق یادگیری ماشین بهصورت کلی در مغز ما ارائه میشود؟ برای پاسخ به این سؤال دانشمندان عصبشناس افرادی را در اختیار داشتند که برای اهداف پزشکی الکترودهایی را در مغز آنها بهصورت مستقیم کار گذاشتند. این تکنیک میتواند فعالیت مرکزی مغز را جمعآوری کند. یک آنالیز تک متغیری این امکان را فراهم میکند تا ببینیم درطول انجام این وظیفه کدام ناحیه از مغز الکترود به الکترود و تماس به تماس بهکار گرفته میشوند. تنها تماسهای لوب گیجگاهی خلفی بالاتر فعال بودند و در نتیجه نتایج مطالعات دانشگاه ژنوا را تأیید کردند.
این تحقیق درک بهتری از چگونگی توصیف مغز از هجاها ارائه میدهد و با نشان دادن محدودیتهای هوش مصنوعی در شرایط تحقیقاتی خاص بازتاب خوشایندی از چگونگی تفسیر دادههای تولیدشده توسط الگوریتمهای یادگیری ماشین را در ذهن میپروراند. محققان این پژوهش اظهار کردند: چشمانداز ما برای آینده ارائه الگوریتمهای خودیادگیری است که میتوانند تصمیمات مختلف کاربر را بر اساس سیگنالهای مغزی آنها به سرعت تشخیص دهند.
منبع: روزنامه جوان