Τρεις νέες μελέτες από κορυφαία ιδρύματα όπως το Εβραϊκό Πανεπιστήμιο, η Google Research και το Caltech έριξαν νέο φως στη σχέση μεταξύ τεχνητής νοημοσύνης και ανθρώπινου εγκεφάλου. Η έρευνα προτείνει ότι τα μοντέλα τεχνητής νοημοσύνης επεξεργάζονται τη γλώσσα με τρόπο που μοιάζει εντυπωσιακά με τη βιολογική νευρική δραστηριότητα, ενώ ταυτόχρονα επηρεάζει τον τρόπο με τον οποίο μιλούν οι άνθρωποι στον πραγματικό κόσμο.
Αυτές οι έρευνες χρησιμοποιούν πλαίσια βαθιάς μάθησης και γλωσσική ανάλυση για να διερευνήσουν πώς το AI ευθυγραμμίζεται με τη λειτουργία του εγκεφάλου, πώς αλλάζει το λεξιλόγιό μας και πώς μπορεί να βοηθήσει στην προσομοίωση βιολογικών νευρώνων.
Ο εγκέφαλος χτίζει νόημα σαν ένα LLM
Μια ομάδα με επικεφαλής τον Δρ. Ariel Goldstein στο Εβραϊκό Πανεπιστήμιο, σε συνεργασία με την Google Research και το Princeton, χρησιμοποίησαν ηλεκτροκορτικογραφία (ECoG) για να καταγράψουν την άμεση ηλεκτρική δραστηριότητα από τον εγκέφαλο των συμμετεχόντων που άκουγαν ένα podcast διάρκειας 30 λεπτών. Συνέκριναν αυτά τα σήματα με την πολυεπίπεδη αρχιτεκτονική των μεγάλων γλωσσικών μοντέλων (LLMs) όπως το GPT-2 και το Llama 2.
Ο μελέτη βρήκε μια αξιοσημείωτη ευθυγράμμιση:
- Πρώιμα στρώματα: Οι αρχικές νευρικές αποκρίσεις του εγκεφάλου ταίριαζαν με τα ρηχά στρώματα των μοντέλων τεχνητής νοημοσύνης, τα οποία χειρίζονται βασικά γλωσσικά στοιχεία.
- Βαθιά στρώματα: Οι μεταγενέστερες νευρικές αποκρίσεις, ιδιαίτερα στην περιοχή του Broca, ευθυγραμμίστηκαν με βαθύτερα στρώματα τεχνητής νοημοσύνης που επεξεργάζονται περίπλοκο πλαίσιο και νόημα.
«Αυτό που μας εξέπληξε περισσότερο ήταν το πόσο στενά ταιριάζει η χρονική ανάπτυξη του νοήματος του εγκεφάλου με την αλληλουχία των μετασχηματισμών στα μεγάλα γλωσσικά μοντέλα», είπε ο Goldstein. Αυτό υποδηλώνει ότι παρά τις διαφορετικές δομές τους, τόσο ο ανθρώπινος εγκέφαλος όσο και τα μοντέλα τεχνητής νοημοσύνης κατασκευάζουν το νόημα σταδιακά, στρώμα προς στρώμα.
Για να υποστηρίξει περαιτέρω ανακάλυψη, η ομάδα κυκλοφόρησε το πλήρες σύνολο δεδομένων νευρωνικών ηχογραφήσεων στο κοινό, επιτρέποντας στους επιστήμονες σε όλο τον κόσμο να δοκιμάσουν εναλλακτικές θεωρίες γλωσσικής επεξεργασίας.
“Lexical Seepage”: Η τεχνητή νοημοσύνη αλλάζει τον τρόπο που μιλάμε
Σε μια ξεχωριστή έρευνα, ο γλωσσολόγος Tom Juzek από το State University της Φλόριντα ανέλυσε 22 εκατομμύρια λέξεις από μη σενάρια podcast για να μετρήσει τον αντίκτυπο της τεχνητής νοημοσύνης στην ανθρώπινη ομιλία. Συγκρίνοντας δεδομένα από πριν και μετά την κυκλοφορία του ChatGPT το 2022, η μελέτη εντόπισε ένα φαινόμενο που ο Juzek αποκαλεί «λεξική διαρροή».
Η έρευνα βρήκε μια ξαφνική αύξηση σε συγκεκριμένες λέξεις που δημιουργούνται συνήθως από την τεχνητή νοημοσύνη, ενώ τα συνώνυμά τους δεν παρουσίασαν παρόμοια αύξηση. Αυτές οι λέξεις περιλαμβάνουν:
- “Σκάβω” (για διερεύνηση σε βάθος)
- “Λεπτολόγος” (δείχνοντας προσεκτική προσοχή στη λεπτομέρεια)
- “Σιταποθήκη” (για συλλογή ή συλλογή)
- “Καύχημα” (αναφέρεται στην κατοχή ενός χαρακτηριστικού)
«Η τεχνητή νοημοσύνη μπορεί κυριολεκτικά να βάζει λέξεις στο στόμα μας, καθώς η επαναλαμβανόμενη έκθεση οδηγεί τους ανθρώπους να εσωτερικεύουν και να επαναχρησιμοποιούν τσιτάτα που μπορεί να μην είχαν επιλέξει φυσικά».
Σε αντίθεση με την αργκό που διαδίδεται κοινωνικά, αυτή η αλλαγή προέρχεται από αλγοριθμικά αποτελέσματα που βρίσκονται σε κείμενα και άρθρα. Η ανάλυση εγείρει ερωτήματα σχετικά με την πιθανή τυποποίηση της ανθρώπινης ομιλίας και την ισοπέδωση των τοπικών διαλέκτων υπό την επίδραση της ομοιόμορφης ορολογίας της τεχνητής νοημοσύνης.
NOBLE: Προσομοίωση νευρώνων 4.200 φορές πιο γρήγορα
Στο Συνέδριο NeurIPSεπιστήμονες από το Caltech και το Cedars-Sinai παρουσίασαν το NOBLE (Neural Operator with Biologically-informed Latent Embeddings). Αυτό το νέο πλαίσιο βαθιάς μάθησης μπορεί να δημιουργήσει εικονικά μοντέλα εγκεφαλικών νευρώνων 4.200 φορές πιο γρήγορα από τις παραδοσιακές μεθόδους.
Ενώ οι παραδοσιακοί λύτες χρησιμοποιούν πολύπλοκες διαφορικές εξισώσεις που απαιτούν μεγάλη υπολογιστική ισχύ, το NOBLE χρησιμοποιεί νευρωνικούς τελεστές για να αναπαράγει τη συμπεριφορά των πραγματικών βιολογικών νευρώνων, συμπεριλαμβανομένων των ρυθμών πυροδότησης και των αποκρίσεών τους σε ερεθίσματα. Αυτή η ταχύτητα επιτρέπει στους ερευνητές να κλιμακώσουν προσομοιώσεις σε μεγαλύτερα κυκλώματα εγκεφάλου που περιλαμβάνουν εκατομμύρια διασυνδεδεμένα κύτταρα.
Το πλαίσιο στοχεύει στην επιτάχυνση της έρευνας σε διαταραχές του εγκεφάλου όπως η επιληψία και το Αλτσχάιμερ, επιτρέποντας στους επιστήμονες να δοκιμάζουν υποθέσεις γρήγορα χωρίς να βασίζονται αποκλειστικά σε περιορισμένα πειράματα σε ζώα ή ανθρώπους.
VIA: DataConomy.com
