


Das psychische KI-Modell entschlüsselt Gehirninformationen erfolgreich mit einer Genauigkeit von 82 %
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.
GEISTIGE PRIVATSPHÄRE, GEGANGEN
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.
Netizen: KI-Hellseher
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!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen
