计算机似乎已经能读懂我们的思想了。
谷歌的自动填充功能、Facebook的好友推荐,还有浏览网站时定向投放的广告,这些功能让你不禁好奇:“他们怎么知道我的需求?”计算机“读心术”的发展虽然缓慢,但越来越接近现实。日本京都的研究团队开展了一项研究,堪称该领域的重大突破。
京都大学的研究团队用深度神经网络“解码”人类想法。不可思议吧?但这并不是第一次了。只不过,先前使用的方法和得到的结果都比较简单,仅根据像素和基本图形解构图像。但这项名为“深度图像重建”的新技术,比二进制像素先进得多,研究人员可解码具有多层颜色和结构的图像。
研究人员Yukiyasu Kamitani表示:“我们的大脑通过分级提取各层次特征和各复杂程度成分处理视觉信息。这些神经网络和AI模型可以成为人类大脑层次结构的替代品。”
这项研究历时10个月,三位受试者分别观看三类图像:自然现象(如动物、人类)、人工几何形状和按字母表顺序排列的字母的图像,其时间长短不一。
所看到自然图像的重构。具有黑色和灰色帧的图像分别显示提交的和重构的图像(从VC活动重构的)。a,使用DGN进行重构(使用DNN1-8)。三个重建的图像对应于来自于对三个试验者的重构。b,使用好不使用DGN进行的重构(DNN1-8)。第一行、第二行和第三行分别显示了所提交的图像,使用和不使用DGN进行的重构。c,所看到的自然图像的重构质量(误差线,跨样本的95%置信区间(C.I.),三个试验者所看到图像的池化,机会水平,50%)。 d,重构。
在某些情况下,当一个受试者在看25张图像中的一张时,大脑活动被测量。而在其他情况下,当受试者被要求回想一下之前向他们所展示的图片时,它就会被记录下来。
一旦大脑活动被扫描,一台计算机会对信息进行反向操作(或“解码”),从而将这位受试者的想法进行可视化。
下面的流程图是由京都大学神田实验室的研究小组制作的,它揭示了可视化如何被“解码”的科学。
下面的两个图表显示了计算机为受试者进行重构的结果,其中,当受试者在查看自然图像和字母图像时,其活动被记录下来了。
通常,人类(及所有哺乳动物)的视觉皮层位于大脑后部小脑上方的枕叶,可通过机能性磁共振成像(fMRI)记录视觉皮层的活动,并转化为深度神经网络的层级特征。
神经网络将反复优化输入图像的像素值,使输入图像的神经网络特性不断接近大脑活动的解析特征。
重点是,该团队所训练的模型仅需未经处理的人类或自然图像,就能够重建人工网络。这意味着该模型确实能够“生成”模拟大脑活动的图像,而非完成图像与已有案例的简单配对。
但,该模型在解析人脑活动时确实也遇到过难题,因为研究要求受试者回忆图像,而非直接观看。但人脑无法记住图像的所有细节,因此回忆数据难免失真。
重构图像与呈现给受试者的原始图像有些相似点,但却较为粗糙模糊。不过,这项技术的精准性正在稳步提升,应用也将越来越广。
让我们试想一下,“瞬间艺术”(即大脑中瞬间成像的艺术)或是人工智能可以记录睡觉或做梦时的大脑活动,并还原分析梦境。去年,人机接口技术首次实现全瘫患者与家属间的沟通交流。
京都研究团队建立的这类模型,应用广泛,方式创新且意义非凡。然而,人机接口这类技术,如果不能灵活利用,将会带来黑镜般的恐怖后果。神经伦理学家总结了人类的四大新权利,智能读心术唯有遵循这些权利,才能避免离经叛道。
智能读心术的研发方面,日本研究小组并非孤军奋战。众所周知,Elon Musk曾创建Neuralink,建立人机接口,实现人类与计算机间的沟通。此外 ,Kernel也正致力于制造能够破解和撰写神经代码的芯片。
无论是重构图像,剖析深层潜意识,还是赋予人类全新的能力,唯有谨慎应用智能读心术,才能造福人类。
编译:科技行者>
好文章,需要你的鼓励
现代大语言模型就像一栋拥有数百个房间的豪华大厦,每个房间(或称为"层")都执行特定的功能,共同协作完成复杂的语言理解和生成任务。然而,这些模型的规模已经变得如此庞大,以至于只有拥有高端计算资源的机构才能负担得起它们的运行成本。这就像一辆耗油量极大的豪华跑车,普通人负担不起它的燃料费用。
想象一下,当你在解答一道复杂的数学题时,你不仅需要给出答案,还需要详细解释每一步推导的理由,不能有任何逻辑跳跃或假设——这就是形式化数学推理的严格要求。
想象一下日常生活中我们使用的语音助手,比如Siri或ChatGPT。它们通常是这样工作的:你问一个问题,它回答,然后安静地等待你的下一个指令。这就像是一个只会被动回应的服务员,永远等待你的呼唤。而Voila团队认为,真正高级的AI助手应该更像一个时刻准备着的好朋友或队友,能够自然地融入你的生活节奏中。
想象一下,你正在参加一场料理比赛,有两位评委。第一位评委只给你一个分数,而第二位评委会详细解释你的菜品在口感、创意和技巧上的表现如何,然后才给出最终评价。显然,第二位评委的反馈对于你改进厨艺更有帮助。伊利诺伊大学研究团队正是秉持这一理念,开发了能像第二位评委那样工作的AI评估系统。