F:
Hur möjliggör artificiell intelligens "hjärn boost" för att förbättra minnet med elektrisk hjärnstimulering?
A:Nya metoder för vetenskaplig artificiell intelligens hjälper forskare att förstå mer om hur hjärnan fungerar - och i vissa fall kan dessa forskare faktiskt ingripa och driva hjärnan att arbeta annorlunda.
Om det låter komplicerat, beror det på att det är det. En Wired-historia som introducerar ett forskningsprojekt från University of Pennsylvania börjar med att påpeka att den mänskliga hjärnan till stor del är en okänd "svart låda" för forskare, och att det finns betydande hinder för att påverka hjärnaktiviteten.
Men UPenns psykolog Michael Kahana och ett team av forskare kunde använda elektroder som går in i hjärnan hos 25 epilepsipatienter för att börja lära sig hur hjärnan fungerar under minnet.
Det är betydelsefullt att teamet kunde göra detta genom att ”piggybacking” på redan befintlig infrastruktur. (Från formuleringen antas det att gruppen kunde använda ämnen som redan var anslutna av mer prosaiska medicinska skäl.) Som artikeln påpekar är det ganska svårt att få inköp från forskningsämnen för att sätta invasiv teknik i hjärna.
Forskarna började med att helt enkelt läsa hjärnaktivitet - specifikt i en exakt beräkning av elektrisk aktivitet inuti hjärnan medan människor var på väg att lära sig och memorera ord.
Efter att ha gjort detta ett tag och byggt upp en betydande träningssats, kunde forskarna förutsäga vissa typer av lärande.
Efter grundforskningen kunde forskarna så småningom skicka elektrisk stimulering till hjärnan för att hjälpa till med minnesprocessen.
När du pratar om användning av elektrisk stimulering för att hjälpa till med minnet låter det enkelt - men när du tittar närmare beror allt på mycket högteknologiska metoder och en hel del gissningar.
Utan den inledande maskininlärningen som identifierade minnesaktivitet skulle forskarna inte ha haft så bra idéer om hur de elektriskt skulle stimulera hjärnor för att främja god minnesfunktion.
Det är också tydligt från läsningen om studien att teamet inte vet hur den elektriska stimuleringen fungerar - de vet bara att det är. Med andra ord använder forskarna resultaten från maskininlärning för att finjustera systemet, utan att förstå insättningarna i själva hjärnfunktionen.
Detta spännande exempel är kanske ett av de bästa exemplen på ”praktiskt” maskininlärning - här läggs inte bara upp data i träningsuppsättningar för att modellera mer data. Här fungerar träningsuppsättningen faktiskt som en katalysator för specifika experiment i bioinformatik, och resultaten baseras på de beräkningar som maskininlärningsprogram gjorde. Det är en väldigt intressant titt på synergin mellan konstgjord intelligens och våra egna mänskliga biologiska hjärnor, och hur de två korsar varandra när vi gör snabba framsteg mot Ray Kurzweils "singularitet" och andra framtida resultat.
