Παραλληλισμός της τεχνητής νοημοσύνης και αφασίας

Τα chatbots και άλλα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη (AI) χρησιμοποιούνται ολοένα και περισσότερο στην καθημερινότητά μας. Οι λεγόμενοι πράκτορες που βασίζονται σε μεγάλα γλωσσικά μοντέλα (LLM), όπως το ChatGPT και το Llama, έχουν γίνει εντυπωσιακά ακριβείς στις απαντήσεις που δίνουν, αλλά αρκετά συχνά παρέχουν πειστικές αλλά λανθασμένες πληροφορίες. Ερευνητές στο Πανεπιστήμιο του Τόκιο εντόπισαν ομοιότητες μεταξύ αυτού του ζητήματος και μιας διαταραχής της ανθρώπινης γλώσσας γνωστής ως αφασία, όπου οι πάσχοντες μπορεί να μιλούν άπταιστα αλλά να κάνουν δηλώσεις χωρίς νόημα ή δύσκολο να κατανοηθούν. Αυτή η ομοιότητα θα μπορούσε να υποδεικνύει καλύτερες μορφές διάγνωσης για την αφασία, ακόμη και να παρέχει πληροφορίες στους μηχανικούς Τεχνητής Νοημοσύνης που επιδιώκουν να βελτιώσουν τους πράκτορες που βασίζονται σε LLM.

Για να διερευνήσει αυτήν την ιδέα, η ομάδα χρησιμοποίησε μια μέθοδο που ονομάζεται ανάλυση ενεργειακού τοπίου, μια τεχνική που αναπτύχθηκε αρχικά από φυσικούς που επιδίωκαν να απεικονίσουν ενεργειακές καταστάσεις σε μαγνητικό μέταλλο, αλλά η οποία πρόσφατα προσαρμόστηκε για να αξιοποιηθεί από τη νευροεπιστήμη. Εξέτασαν πρότυπα στην εγκεφαλική δραστηριότητα σε ήρεμη κατάσταση από άτομα με διαφορετικούς τύπους αφασίας και τα συνέκριναν με εσωτερικά δεδομένα από διάφορα διαθέσιμα LLM. Μετά την ανάλυσή της, η ομάδα ανακάλυψε κάποιες εντυπωσιακές ομοιότητες. Ο τρόπος με τον οποίο οι ψηφιακές πληροφορίες ή τα σήματα αλληλεπιδρούν αυτά τα μοντέλα τεχνητής νοημοσύνης ταίριαζε πολύ με τον τρόπο που ορισμένα εγκεφαλικά σήματα συμπεριφέρονταν στους εγκεφάλους ατόμων με ορισμένους τύπους αφασίας, συμπεριλαμβανομένης της αφασίας Wernicke.

«Μπορείτε να φανταστείτε το ενεργειακό τοπίο ως μια επιφάνεια με μια μπάλα πάνω της. Όταν υπάρχει μια καμπύλη, η μπάλα μπορεί να κυλήσει προς τα κάτω και να σταματήσει, αλλά όταν οι καμπύλες είναι πιο ομαλές, η μπάλα μπορεί να κυλήσει χαοτικά», δήλωσε ο καθηγητής Takamitsu Watanabe από το Διεθνές Κέντρο Έρευνας για τη Νευρονοημοσύνη (WPI-IRCN) στο Πανεπιστήμιο του Τόκιο. «Στην αφασία, η μπάλα αντιπροσωπεύει την κατάσταση του εγκεφάλου του ατόμου. Στα LLM, αντιπροσωπεύει το συνεχιζόμενο μοτίβο σήματος στο μοντέλο με βάση τις οδηγίες του και το εσωτερικό σύνολο δεδομένων του».

Η έρευνα έχει αρκετές επιπτώσεις. Για τη νευροεπιστήμη, προσφέρει έναν πιθανό νέο τρόπο ταξινόμησης και παρακολούθησης παθήσεων όπως η αφασία με βάση την εσωτερική εγκεφαλική δραστηριότητα και όχι μόνο τα εξωτερικά συμπτώματα. Για την τεχνητή νοημοσύνη, θα μπορούσε να οδηγήσει σε καλύτερα διαγνωστικά εργαλεία που θα βοηθήσουν τους μηχανικούς να βελτιώσουν τα συστήματα τεχνητής νοημοσύνης. Ωστόσο, παρά τις ομοιότητες που ανακάλυψαν οι ερευνητές, μάς εφιστούν την προσοχή ώστε να μην γίνονται πολλές υποθέσεις.

Απολαμβάνετε το περιεχόμενο μας? Εγγραφείτε στο newsletter μας!

«Δεν λέμε ότι τα chatbots έχουν εγκεφαλική βλάβη», δήλωσε ο Watanabe. «Αλλά μπορεί να περιορίζονται σε ένα είδος άκαμπτου εσωτερικού μοτίβου που περιορίζει την ευελιξία με την οποία μπορούν να αντλήσουν από τη «δεξαμενή» γνώσεων, όπως ακριβώς συμβαίνει στην αφασία. Μένει να δούμε αν τα μελλοντικά μοντέλα μπορούν να ξεπεράσουν αυτόν τον περιορισμό, αλλά η κατανόηση αυτών των εσωτερικών παραλληλισμών μπορεί να είναι το 1ο βήμα προς μια πιο έξυπνη, πιο αξιόπιστη Τεχνητή Νοημοσύνη».