Geoffrey Hinton, der Vater der neuronalen Netze, ist von Google zurückgetreten und sagt, er bereue sein Lebenswerk.
Jetzt scheint es, dass seine Angst vor KI nicht unbegründet ist.
Weil ein ChatGPT-ähnliches Modell gelernt hat, Gedanken zu lesen, mit einer Genauigkeit von bis zu 82 %!
Forscher der University of Texas in Austin haben einen GPT-basierten Sprachdecoder entwickelt.
Es kann Informationen zur Gehirnaktivität durch nicht-invasive MRT/fMRT sammeln und Gedanken in Sprache umwandeln.
... Gedanken. 
Dieses ChatGPT-ähnliche Modell entschlüsselt menschliche Gedanken mit beispielloser Genauigkeit, was nicht nur neue Möglichkeiten für die Bildgebung des Gehirns eröffnet, sondern auch Bedenken hinsichtlich der Privatsphäre aufwirft.
Sobald die Studie veröffentlicht wurde, sorgte sie im Internet für Aufruhr. Netizens riefen aus, es sei zu beängstigend.
Wir sind der echten Gedankenpolizei einen Schritt näher gekommen.
Also, wie erreicht dieser furchteinflößende Gehirndecoder „Gedankenlesen“?
Hier müssen wir die Technologie der funktionellen Magnetresonanztomographie (fMRT) erwähnen, die Bilder von dynamischen Veränderungen im Gehirn erhalten kann, indem sie den Blutsauerstoffgehalt in verschiedenen Teilen der Großhirnrinde überwacht.
Die Gehirnaktivität ist wie ein verschlüsseltes Signal, und große, vorab trainierte Sprachmodelle bieten die Möglichkeit, es zu entschlüsseln.
Hier trainierten Forscher ein neuronales Netzwerk-Sprachmodell basierend auf GPT-1.
Bei diesen Sprachpodcasts handelt es sich hauptsächlich um Talkshows und TED-Talks, wie zum Beispiel Modern Love von der New York Times.
Als nächstes verwendeten die Forscher große Sprachmodelle, um die fMRI-Datensätze der Teilnehmer in Wörter und Phrasen zu übersetzen.
Dann wird die Gehirnaktivität der Teilnehmer, die die neue Aufnahme hören, getestet. Indem Sie beobachten, wie nah der übersetzte Text an dem von den Teilnehmern gehörten Text liegt, können Sie feststellen, ob der Decoder korrekt ist.
Obwohl fast nicht jedes Wort eine Eins-zu-eins-Entsprechung hat, bleibt die Bedeutung des gesamten Satzes erhalten, was bedeutet, dass der Decoder das Signal an das Gehirn „interpretiert“.
Zum Beispiel hörte die Versuchsperson im letzten Satz „Ich habe meinen Führerschein noch nicht bekommen“ und die Antwort des Decoders war „Sie ist noch nicht bereit, mit dem Autofahren zu beginnen.“
Wie Forscher behaupten, kann künstliche Intelligenz Gedanken nicht in exakte Wörter oder Sätze umwandeln, sondern schreibt sie neu.
Dann wurden die Probanden gebeten, sich in aller Stille eine Geschichte auszudenken und sie dann laut nachzuerzählen, um den Unterschied zwischen der nacherzählten Version und der vom Decoder übersetzten Version zu erkennen.
Man sieht, dass die Bedeutungsüberschneidung immer noch sehr hoch ist.
Schließlich sahen sich die Probanden einen Animationsfilm ohne Ton an, aber durch die Analyse ihrer Gehirnaktivität konnte der Decoder eine Zusammenfassung dessen erhalten, was sie sahen.
Experimentelle Ergebnisse ergaben, dass das GPT-Modell mit erstaunlicher Genauigkeit verständliche Wortsequenzen aus wahrgenommener Sprache, vorgestellter Sprache und sogar stummen Videos generiert.
Die spezifische Genauigkeitsrate ist wie folgt:
Wahrgenommene Sprache (Subjekt hört sich die Aufnahme an): 72-82 %
Imaginäre Sprache (Subjekt erzählt intern eine einminütige Geschichte): 41-74 %
Stummfilme (Personen, die Pixar-Stummfilmausschnitte gesehen haben): 21-45%
MIT-Neurowissenschaftlerin Greta Tuckute sagt, dass die Sprachwahrnehmung ein von außen gesteuerter Prozess und die Vorstellungskraft ein aktiver interner Prozess ist. und interne Gehirnaktivitäten können durch groß angelegte Sprachmodelle vor unseren Augen dargestellt werden.
Können wir jetzt Informationen aus dem Gehirn lesen? Ja, bis zu einem gewissen Grad.
Eines Tages könnte dieser Decoder verwendet werden, um Menschen zu helfen, die nicht mehr sprechen können, oder um psychische Erkrankungen zu untersuchen.
Allerdings wirft die Aussicht, menschliche Gedanken zu entschlüsseln, auch Fragen zur geistigen Privatsphäre auf.
Dr. Huth wies darauf hin, dass diese Methode der Sprachdekodierung gewisse Einschränkungen aufweist.
Da fMRT-Scanner sperrig und teuer sind und das Trainieren von Modellen ein langer und mühsamer Prozess ist, muss jede Person individuell geschult werden.
Als Reaktion darauf führte das Team eine zusätzliche Studie durch, bei der Decoder verwendet wurden, die auf Daten anderer Probanden trainiert wurden, um die Gedanken neuer Probanden zu entschlüsseln.
Die Studie ergab, dass die Leistung von Decodern, die mit unterschiedlichen Themendaten trainiert wurden, nahezu schlecht war.
Kurz gesagt: Nur durch die Verwendung von Daten, die vom eigenen Gehirn der Probanden aufgezeichnet wurden, um das KI-Modell zu trainieren, wird seine Genauigkeit sehr hoch sein.
Das zeigt, dass jedes Gehirn eine einzigartige Art und Weise hat, Bedeutung darzustellen.
Darüber hinaus sind die Teilnehmer in der Lage, ihren inneren Monolog zu blockieren und dem Decoder zu entkommen, indem sie über andere Dinge nachdenken. Zum Beispiel bis sieben zählen, Nutztiere aufzählen oder eine ganz andere Geschichte erzählen.
Mit anderen Worten: Wenn dieser Decoder genaue Ergebnisse erzielen möchte, muss er die Zusammenarbeit von Freiwilligen erfordern.
Wissenschaftler erkennen jedoch an, dass zukünftige Decoder diese Einschränkungen möglicherweise überwinden und in Zukunft ähnlich wie Lügendetektoren missbraucht werden könnten.
Forscher kommen zu dem Schluss, dass aus diesen und anderen unvorhergesehenen Gründen eine schöne neue Welt kommt.
Es ist von entscheidender Bedeutung, das Bewusstsein für die Risiken der Technologie zur Gehirndekodierung zu schärfen und Richtlinien zu entwickeln, die die geistige Privatsphäre jedes Einzelnen schützen.
In „Black Mirror“ gibt es eine Szene, in der ein Versicherungsvertreter eine Maschine (ausgestattet mit visuellen Monitoren und Gehirnsensoren) verwendet, um die Erinnerungen von Menschen zu lesen, um einen Unfalltod zu untersuchen.
Diese Zukunft könnte jedoch schon jetzt sein.
Dieser Durchbruch von Forschern der University of Texas fördert direkt potenzielle Anwendungen in den Bereichen Neurowissenschaften, Kommunikation und Mensch-Computer-Interaktion.
Obwohl sich der „Gehirn-Decoder“ noch im Anfangsstadium der Forschung befindet, könnte er eines Tages möglicherweise dazu verwendet werden, die Träume von Menschen aufzuzeichnen und Energie für die weitere Entwicklung von Gehirn-Computer-Schnittstellen bereitzustellen.
Dr. Alexander Huth, der Neurowissenschaftler, der die Studie leitete, sagte: „Wir waren schockiert darüber, wie das funktioniert.“ Ich habe 15 Jahre lang daran gearbeitet... also war ich schockiert und aufgeregt, als es endlich funktionierte.
Es scheint, dass wir der Gehirnscan-Technologie von Charles, Professor X in „X-Men“, einen Schritt näher gekommen sind.
Nachdem ich diese Studie gelesen hatte, explodierte bei vielen Menschen sofort das Gehirn. Einige Internetnutzer sagten, dass
künstliche Intelligenz nicht nur 10.000 Mal schneller kommunizieren kann als wir, sondern jetzt sogar unsere Gedanken lesen kann. Es gibt einen schmalen Grat zwischen „Das ist cool“ und „Warte, scheiden wir aus?“
KI kann jetzt wie ein Hellseher Gedanken lesen. „Denken Sie daran“, dies ist nur Version 1.0. Privatsphäre wird uns in Zukunft nicht mehr beschäftigen. Das Buch „Die vierte industrielle Revolution“ des Weltwirtschaftsforums macht dies sehr deutlich.
Dies ist das erste Mal, dass kontinuierliche Sprache nicht-invasiv aus menschlicher Gehirnaktivität rekonstruiert wurde
Zu dieser Studie sagte der Bioethiker Rodriguez-Arias Vailhen, dass das menschliche Gehirn bisher der Hüter unserer Privatsphäre sei.
„Diese Entdeckung könnte der erste Schritt sein, diese Freiheit in Zukunft zu opfern.“
Das obige ist der detaillierte Inhalt vonDas psychische KI-Modell entschlüsselt Gehirninformationen erfolgreich mit einer Genauigkeit von 82 %. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
![[Web-Frontend] Node.js-Schnellstart](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
