ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳನ್ನು ಹುಟ್ಟುಹಾಕಿದ ವಿಧಾನವು ಮೆದುಳಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ಹಲವಾರು ಉತ್ತಮ-ಧನಸಹಾಯ ತಂಡಗಳು ಹತ್ತಾರು ಮಿಲಿಯನ್ ಡಾಲರ್‌ಗಳನ್ನು ಬೆಟ್ಟಿಂಗ್ ಮಾಡುತ್ತಿವೆ: ಅಪಾರ ಪ್ರಮಾಣದ ಮೆದುಳಿನ ಡೇಟಾದ ಮೇಲೆ ಕೃತಕ ನರ ಜಾಲಗಳಿಗೆ ತರಬೇತಿ ನೀಡಿ ಮತ್ತು ಮಾದರಿಗಳು ಸುಧಾರಿಸುತ್ತಲೇ ಇರುತ್ತವೆ. ಈ ವರ್ಷವೇ, ಮೆಟಾ, ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯ, ನ್ಯೂರಾಲಿಂಕ್ ಮತ್ತು ಇತರರು ಮಾನವ ಅಥವಾ ಇಲಿಯ ಮಿದುಳುಗಳ ಈ ರೀತಿಯ ಅಡಿಪಾಯ ಮಾದರಿಯನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದ್ದಾರೆ ಅಥವಾ ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದಾರೆ.
ಈ ಪಂತವು ತೀರಿಸುತ್ತದೆಯೇ ಎಂಬುದು ಇತ್ಯರ್ಥದಿಂದ ದೂರವಿದೆ – ಮತ್ತು ಇದು ಇಂದು ಪ್ರಕಟವಾದ ಡ್ಯುಯಲ್ ಪರ್ಸ್ಪೆಕ್ಟಿವ್ಸ್ ಲೇಖನದ ಹೃದಯಭಾಗದಲ್ಲಿದೆ ಜರ್ನಲ್ ಆಫ್ ನ್ಯೂರೋಸೈನ್ಸ್. ಲೇಖನದಲ್ಲಿ, ಬಿಂಗ್ ವೆನ್ ಬ್ರಂಟನ್ ಮತ್ತು ಪ್ಯಾಟ್ರಿಕ್ ಮಿನಾಲ್ಟ್ ಮೆದುಳಿನ ಚಟುವಟಿಕೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಊಹಿಸುವ ಕೃತಕ-ಬುದ್ಧಿವಂತಿಕೆಯ (AI) ಮಾದರಿಗಳು ಮೆದುಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ ಮತ್ತು ಆ ತಿಳುವಳಿಕೆಯು ದೇಹವನ್ನು ರೂಪಿಸುವ ಅಗತ್ಯವಿದೆಯೇ ಎಂದು ಚರ್ಚಿಸಿ. ಈ ಭಾನುವಾರ, 15 ನವೆಂಬರ್‌ನಲ್ಲಿ ವಾಷಿಂಗ್ಟನ್, DC ಯಲ್ಲಿನ ಸೊಸೈಟಿ ಫಾರ್ ನ್ಯೂರೋಸೈನ್ಸ್‌ನ ವಾರ್ಷಿಕ ಸಭೆಯಲ್ಲಿ ಲೈವ್ ಅಧಿವೇಶನದಲ್ಲಿ ವಿಷಯವನ್ನು ಮರುಪರಿಶೀಲಿಸಲು ಬ್ರಂಟನ್ ಮತ್ತು ಮಿನಾಲ್ಟ್ ಯೋಜಿಸಿದ್ದಾರೆ.
ಮೆದುಳಿನ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುವ ಮಾದರಿಗಳು ಒಂದು ದಿನ ಕಾದಂಬರಿ ಪ್ರಚೋದನೆಗಳು ಮತ್ತು ಚಿಕಿತ್ಸೆಗಳ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಪ್ರಾಣಿಗಳು ಅಥವಾ ಜನರಿಗಾಗಿ ನಿಲ್ಲಬಹುದು, ಹೇಳುತ್ತಾರೆ ಡೇನಿಯಲ್ ಯಾಮಿನ್ಸ್ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ಸೈಕಾಲಜಿ ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಸೈನ್ಸ್‌ನ ಅಸೋಸಿಯೇಟ್ ಪ್ರೊಫೆಸರ್, ಅವರು ತೊಡಗಿಸಿಕೊಂಡಿದ್ದಾರೆ ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ಡಿಜಿಟಲ್ ಬ್ರೈನ್ ಪ್ರಾಜೆಕ್ಟ್ಮಾನವ ಮೆದುಳಿನ ಕ್ರಿಯಾತ್ಮಕ MRI (fMRI) ಮತ್ತು MEG ಆಧಾರಿತ ಅಡಿಪಾಯ ಮಾದರಿಯನ್ನು ನಿರ್ಮಿಸುವ ಪ್ರಯತ್ನ.
ಮಿನಾಲ್ಟ್ ಮತ್ತು ಇತರರ ಪ್ರಕಾರ ಮೆದುಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ಈ ಮಾದರಿಗಳು ಒಂದು ಸಾಧನವಾಗಿದೆ. ಮೆದುಳಿನ ಚಟುವಟಿಕೆಯನ್ನು ಪುನರುತ್ಪಾದಿಸುವ ಮಾದರಿಯನ್ನು ಜೀವಂತ ಮೆದುಳಿಗೆ ಸಾಧ್ಯವಾಗದ ರೀತಿಯಲ್ಲಿ ಅಧ್ಯಯನ ಮಾಡಬಹುದು ಮತ್ತು ನಂತರ ನೈಜ ಮಿದುಳುಗಳಲ್ಲಿ ಪರಿಶೀಲಿಸಬಹುದಾದ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ಮಾಡಬಹುದು ಎಂದು ನ್ಯೂರೋಎಐ ಮತ್ತು ಎಐ ಸುರಕ್ಷತಾ ಸಂಶೋಧನೆಯ ಪರೋಪಕಾರಿ ನಿಧಿ ಅಮರಂತ್ ಫೌಂಡೇಶನ್‌ನಲ್ಲಿ ನ್ಯೂರೋಎಐ ಸಂಶೋಧನಾ ಮುಖ್ಯಸ್ಥ ಮಿನಾಲ್ಟ್ ಹೇಳುತ್ತಾರೆ.
ಬ್ರಂಟನ್ ಮತ್ತು ಮಿನಾಲ್ಟ್ ಕೆಲವು ಅಂಶಗಳನ್ನು ಒಪ್ಪಿಕೊಂಡರೂ, ಬ್ರಂಟನ್ ಮತ್ತು ಇತರ ಸಂಶೋಧಕರು ಹೆಚ್ಚು ಸಂದೇಹ ಹೊಂದಿದ್ದಾರೆ. ಹಲವಾರು ವಿಭಿನ್ನ ಮಾದರಿಗಳು ಒಂದೇ ನರಕೋಶದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಿಗೆ ಹೊಂದಿಕೆಯಾಗಬಹುದು, ಆದರೆ ಹೆಚ್ಚು ಮುನ್ಸೂಚಕ ಮಾದರಿಯು ಮೆದುಳಿನಂತೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಎಂದು ಯಾವುದೂ ಖಾತರಿ ನೀಡುವುದಿಲ್ಲ ಎಂದು ವಾಷಿಂಗ್ಟನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಜೀವಶಾಸ್ತ್ರದ ಪ್ರಾಧ್ಯಾಪಕ ಬ್ರಂಟನ್ ಹೇಳುತ್ತಾರೆ.
ಮತ್ತು ಒಂದು ಮಾದರಿಯು ಮೆದುಳಿನಂತೆ ಕೆಲಸ ಮಾಡಿದರೂ ಸಹ, ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಅದು ನಮಗೆ ಸಹಾಯ ಮಾಡುವುದಿಲ್ಲ ಎಂದು ಹೇಳುತ್ತಾರೆ ಜಾನ್ ಕ್ರಾಕೌರ್ಜಾನ್ಸ್ ಹಾಪ್ಕಿನ್ಸ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ನರವಿಜ್ಞಾನ ಮತ್ತು ನರವಿಜ್ಞಾನದ ಪ್ರಾಧ್ಯಾಪಕ. ಅಂತಹ ಮಾದರಿಯು “ನೀವು ನರವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕಾದ ಎರಡನೇ ಮೆದುಳು” ಆಗಿರುತ್ತದೆ.
ಇ
ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅಡಿಪಾಯ ಮಾದರಿಗಳು ಈಗಾಗಲೇ ಪ್ರಮುಖ ದಾಪುಗಾಲುಗಳನ್ನು ಮಾಡಿದೆ. ಉದಾಹರಣೆಗೆ, ಅವರು ಎಂದಿಗೂ ತರಬೇತಿ ಪಡೆಯದ ಪ್ರಚೋದಕಗಳಿಗೆ ನರಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸಬಹುದು. ಮೌಸ್ ವಿಷುಯಲ್ ಕಾರ್ಟೆಕ್ಸ್‌ನ ಅಡಿಪಾಯ ಮಾದರಿಯು, ನೈಸರ್ಗಿಕ ವೀಡಿಯೊಗಳನ್ನು ವೀಕ್ಷಿಸುವ ಇಲಿಗಳ ಕ್ಯಾಲ್ಸಿಯಂ ಇಮೇಜಿಂಗ್ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿದೆ, ನ್ಯೂರಾನ್‌ಗಳು ಸುಸಂಬದ್ಧ ಚಲನೆ ಮತ್ತು ಶಬ್ದಕ್ಕೆ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತವೆ ಎಂದು ಊಹಿಸಲಾಗಿದೆ ಎಂದು ಪ್ರಕಟವಾದ ಅಧ್ಯಯನದ ಪ್ರಕಾರ. ಪ್ರಕೃತಿ ಕಳೆದ ವರ್ಷ. ಈ ಮಾದರಿಯು ನ್ಯೂರಾನ್‌ಗಳ ಅಂಗರಚನಾ ಕೋಶದ ಪ್ರಕಾರಗಳನ್ನು ಮತ್ತು ಹೊಸ ಇಲಿಗಳ ಮೆದುಳಿನ ದತ್ತಾಂಶವನ್ನು ಅರ್ಧ ಗಂಟೆಗಿಂತ ಕಡಿಮೆ ಸಮಯದ ನಂತರ ನೋಡಿದ ನಂತರ ನರಕೋಶದ ಚಟುವಟಿಕೆಯನ್ನು ಊಹಿಸಿದೆ.
ನಿಖರವಾದ ಮುನ್ನೋಟಗಳು ಮೊದಲ ಹೆಜ್ಜೆ ಮಾತ್ರ ಎಂದು ಹೇಳುತ್ತಾರೆ ಆಂಡ್ರಿಯಾಸ್ ಟೋಲಿಯಾಸ್ಸ್ಟ್ಯಾನ್‌ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ನೇತ್ರಶಾಸ್ತ್ರದ ಪ್ರಾಧ್ಯಾಪಕ, ಅವರು ಕೆಲಸ ಮಾಡಿದರು ಪ್ರಕೃತಿ ಅಮರನಾಥ್ ಫೌಂಡೇಶನ್‌ನಿಂದ ಧನಸಹಾಯ ಪಡೆದ ಎನಿಗ್ಮಾ ಪ್ರಾಜೆಕ್ಟ್‌ನ ಅಧ್ಯಯನ ಮತ್ತು ಸಹ-ನಾಯಕ. ಮಾದರಿಯ ಉಪಯುಕ್ತತೆಯ ನಿಜವಾದ ಪರೀಕ್ಷೆಯು ಮೆದುಳಿನ ಬಗ್ಗೆ ಹೊಸದನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆಯೇ ಎಂಬುದು. ಅವರ ಪ್ರಯೋಗಾಲಯದ ಹಿಂದಿನ ಮಾದರಿಯು, ಉದಾಹರಣೆಗೆ, ಇಲಿಯ ಶಿಷ್ಯರು ಹಿಗ್ಗಿದಾಗ, ಅದರ ದೃಶ್ಯ ನರಕೋಶಗಳು ಆಗುತ್ತವೆ ಎಂದು ಭವಿಷ್ಯ ನುಡಿದರು. ನೇರಳಾತೀತ ಬೆಳಕಿಗೆ ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮತಂಡವು ಇನ್-ವಿವೋ ಪ್ರಯೋಗಗಳ ಮೂಲಕ ದೃಢಪಡಿಸಿತು.
ಇತರ ಅಡಿಪಾಯ ಮಾದರಿಗಳು ಇದೇ ರೀತಿಯ ಯಶಸ್ಸನ್ನು ಹೊಂದಿವೆ. ಮೆಟಾ ನ ಟ್ರೈಬ್ v2ವೀಡಿಯೊಗಳನ್ನು ವೀಕ್ಷಿಸುವ, ಆಡಿಯೊವನ್ನು ಕೇಳುವ ಮತ್ತು ಪಠ್ಯವನ್ನು ಓದುವ ಜನರಿಂದ 1,000 ಗಂಟೆಗಳ ಮೆದುಳಿನ ಸ್ಕ್ಯಾನ್‌ಗಳನ್ನು ಇದು ಸೆಳೆಯುತ್ತದೆ – ಇದು ಎಂದಿಗೂ ತರಬೇತಿ ಪಡೆಯದ ಜನರಲ್ಲಿ ಹೊಸ ಪ್ರಚೋದಕಗಳು ಮತ್ತು ಕಾರ್ಯಗಳಿಗೆ ಎಫ್‌ಎಂಆರ್‌ಐ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ. ಪ್ರಿಪ್ರಿಂಟ್ ಮೇ ತಿಂಗಳಲ್ಲಿ arXiv ನಲ್ಲಿ ಪೋಸ್ಟ್ ಮಾಡಲಾಗಿದೆ. ಏಪ್ರಿಲ್‌ನಲ್ಲಿ, ಕಂಪನಿಯು 15,000 ಗಂಟೆಗಳ ನಿಖರವಾದ ಸ್ಕ್ಯಾನಿಂಗ್ ಎಫ್‌ಎಂಆರ್‌ಐ ಡೇಟಾದಿಂದ ಮಾದರಿಯನ್ನು ರಚಿಸಲು $15 ಮಿಲಿಯನ್ ಪ್ರಯತ್ನವನ್ನು ಪ್ರಾರಂಭಿಸಿತು. ಜೀನ್-ರೆಮಿ ಕಿಂಗ್École Normale Supérieure ನಲ್ಲಿ ಸಹಾಯಕ ಸಂಶೋಧಕ ಮತ್ತು ಮೆಟಾದಲ್ಲಿ ಬ್ರೈನ್ ಮತ್ತು AI ತಂಡದ ನಾಯಕ, ತೇರ್ಗಡೆಯಾದರು ಟ್ರಾನ್ಸ್ಮಿಟರ್ಗೆ ಕಾಮೆಂಟ್ ಮಾಡಲು ವಿನಂತಿ ಅಥ್ಯು ಎಲೆಟಿಮೆಟಾದಲ್ಲಿ AI ಸಂವಹನ ವ್ಯವಸ್ಥಾಪಕರು, ಮೆಟಾ ಕಾಮೆಂಟ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ ಎಂದು ಹೇಳಿದರು.
ಈ ಮಾದರಿಗಳು ಹೆಚ್ಚಿನ ಡೇಟಾದೊಂದಿಗೆ ಸುಧಾರಿಸುವುದನ್ನು ಮುಂದುವರೆಸುತ್ತವೆ ಎಂಬ ಅಂಶವು ಮೆದುಳಿನ ಮಾದರಿಗಳು ಲಭ್ಯವಿರುವ ಡೇಟಾದ ಪ್ರಮಾಣದಿಂದ ಸೀಮಿತವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಗ್ರೇಸ್ ಲಿಂಡ್ಸೆTRIBE ಅಥವಾ ಮೌಸ್ ವಿಷುಯಲ್ ಕಾರ್ಟೆಕ್ಸ್ ಮಾದರಿಯಲ್ಲಿ ತೊಡಗಿಸಿಕೊಂಡಿಲ್ಲದ ನ್ಯೂಯಾರ್ಕ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ಸೈಕಾಲಜಿ ಮತ್ತು ನರವಿಜ್ಞಾನ ಮತ್ತು ದತ್ತಾಂಶ ವಿಜ್ಞಾನದ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕ. “ನಾವು ನೋಡುವ ಯಾವುದೇ ಕಾರ್ಯಕ್ಷಮತೆಯು ಮಾಡೆಲ್ ಪಡೆಯಬಹುದಾದ ಗರಿಷ್ಠ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲ. ಹೆಚ್ಚಿನ ಡೇಟಾ ಸಹಾಯ ಮಾಡಬೇಕು,” ಅವರು ಹೇಳುತ್ತಾರೆ.
ಬ್ರಂಟನ್ ಒಪ್ಪುತ್ತಾರೆ ಆದರೆ ನಿಜವಾದ ಮೆದುಳನ್ನು ರೂಪಿಸಲು ಹೆಚ್ಚಿನ ಡೇಟಾವು ಸಾಕಾಗುತ್ತದೆಯೇ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿಲ್ಲ. ಮಾದರಿಗೆ ನೀಡಲಾದ ಯಾವುದೇ ರೀತಿಯ ನರಕೋಶದ ಡೇಟಾದ ಪ್ರಮಾಣ ಮತ್ತು ಅದರ ಕಾರ್ಯಕ್ಷಮತೆಯ ನಡುವಿನ ಸಂಬಂಧವು ತಿಳಿದಿಲ್ಲ, ಮತ್ತು ಹೆಚ್ಚಿನ ಡೇಟಾದೊಂದಿಗೆ ದೊಡ್ಡ ಭಾಷೆಯ ಮಾದರಿಗಳು ಹೇಗೆ ಸುಧಾರಿಸುತ್ತವೆ ಎನ್ನುವುದಕ್ಕಿಂತ ಇದು ಭಿನ್ನವಾಗಿರುತ್ತದೆ ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ.
ಉತ್ತರವು ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿರಬಹುದು, ಆರಂಭಿಕ ಅಧ್ಯಯನಗಳು ಸೂಚಿಸುತ್ತವೆ. ಭವಿಷ್ಯ ಹೇಳುವ ಸಾಮರ್ಥ್ಯ ಓಮ್ನಿಮೌಸ್73 ಇಲಿಗಳಿಂದ 2.3 ಮಿಲಿಯನ್ ನ್ಯೂರಾನ್‌ಗಳ ಧ್ವನಿಮುದ್ರಣಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿ, ಹೆಚ್ಚಿನ ಡೇಟಾದೊಂದಿಗೆ ಸುಧಾರಿಸಲಾಗಿದೆ. ಆದರೆ ಮಾದರಿಯನ್ನು ದೊಡ್ಡದಾಗಿಸುವುದು-ಹೆಚ್ಚಿನ ನಿಯತಾಂಕಗಳನ್ನು ಸೇರಿಸುವುದು, ಒಂದು ಮಾದರಿಯ ಟ್ಯೂನ್‌ಗಳನ್ನು ಸರಿಹೊಂದಿಸಬಹುದಾದ ಮೌಲ್ಯಗಳು ಅದು ಕಲಿತಂತೆ-ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತದವರೆಗೆ ಮಾತ್ರ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ತನ್ನ ಮೆದುಳಿನ ಚಟುವಟಿಕೆಯಿಂದ ಏನನ್ನು ನೋಡುತ್ತಿದ್ದಾನೆ ಎಂಬುದನ್ನು ಡಿಕೋಡ್ ಮಾಡುವ ಮಾದರಿಗಳು ಪ್ರತಿ ವ್ಯಕ್ತಿಗೆ ಹೆಚ್ಚು ರೆಕಾರ್ಡಿಂಗ್ ಗಂಟೆಗಳೊಂದಿಗೆ ಸುಧಾರಿಸಿದೆ, ಆದರೆ 2025 ರ ಪ್ರಕಾರ ಹೆಚ್ಚು ಜನರನ್ನು ಸೇರಿಸುವುದು ಅಷ್ಟೇನೂ ಸಹಾಯ ಮಾಡಲಿಲ್ಲ. ಅಧ್ಯಯನ. ಸೇರಿದಂತೆ ಮೂರು ಅಡಿಪಾಯ ಮಾದರಿಗಳು ಬ್ರೈನ್ಎಲ್ಎಮ್ಇದು 6,700 ಗಂಟೆಗಳ ಎಫ್‌ಎಂಆರ್‌ಐ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದಿದೆ, ಮೆದುಳಿನ ಸಂಪರ್ಕದ ಸರಳ ರೇಖೀಯ ಮಾದರಿಗಿಂತ ಜನರ ಅರಿವಿನ ಅಂಕಗಳನ್ನು ಊಹಿಸುವಲ್ಲಿ ಕೆಟ್ಟದಾಗಿದೆ – ಮತ್ತು ದೊಡ್ಡ ಆವೃತ್ತಿಯು ಚಿಕ್ಕದಕ್ಕಿಂತ ಕೆಟ್ಟದಾಗಿದೆ, ಒಂದು ಪ್ರಕಾರ ಪ್ರಿಪ್ರಿಂಟ್ ಮೇ ತಿಂಗಳಲ್ಲಿ arXiv ನಲ್ಲಿ ಪೋಸ್ಟ್ ಮಾಡಲಾಗಿದೆ.
“ಪ್ರತಿಯೊಂದು ರೀತಿಯ ಡೇಟಾಗೆ ಅಡಿಪಾಯದ ಮಾದರಿಗಳು ಯಶಸ್ವಿಯಾಗುತ್ತವೆ ಎಂದು ನನಗೆ ಸಂಶಯವಿದೆ” ಎಂದು ಬ್ರಂಟನ್ ಹೇಳುತ್ತಾರೆ. “ಪ್ರತಿ ಪ್ರಕಾರದ ಡೇಟಾಗೆ, ಎಷ್ಟು ಡೇಟಾ ಸಾಕು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು ಮಾದರಿಗಳ ಸ್ಕೇಲಿಂಗ್ ನಿಯಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು.”
ಎ
ದತ್ತಾಂಶ-ಚಾಲಿತ ಅಡಿಪಾಯ ಮಾದರಿಗಳು ಮೆದುಳಿನ ಯಾವುದೇ ಯಾಂತ್ರಿಕ ತಿಳುವಳಿಕೆಗೆ ಕಾರಣವಾಗುತ್ತವೆಯೇ ಎಂಬುದು ಮುಕ್ತ ಪ್ರಶ್ನೆ. ನರಕೋಶದ ಚಟುವಟಿಕೆಯ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಲ್ಲಿ ನೇರವಾಗಿ ತರಬೇತಿ ನೀಡುವ ಮೂಲಕ ನರಕೋಶದ ಚಟುವಟಿಕೆಯನ್ನು ಊಹಿಸಲು ಅವರು ಕಲಿಯುತ್ತಾರೆ. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ಕಾರ್ಯ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು-ನರವಿಜ್ಞಾನಿಗಳು ಮೆದುಳಿನ ಕಾರ್ಯವನ್ನು ವಿವರಿಸಲು ಪ್ರಯತ್ನಿಸುವ ಇನ್ನೊಂದು ವಿಧಾನ-ಚಿತ್ರದಲ್ಲಿರುವ ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುವಂತಹ ವ್ಯಕ್ತಿ ಅಥವಾ ಪ್ರಾಣಿ ಮಾಡಬಹುದಾದಂತಹದನ್ನು ಮಾಡಲು ಕಲಿಯುತ್ತಾರೆ ಮತ್ತು ನಂತರ ಮೆದುಳಿನೊಂದಿಗೆ ಹೋಲಿಸಲಾಗುತ್ತದೆ.
ಡೇಟಾ-ಚಾಲಿತ ಮಾದರಿಗಳು ಹೆಚ್ಚು ಭರವಸೆಯ ಮಾರ್ಗವಾಗಿದೆ, ಮಿನಾಲ್ಟ್ ಹೇಳುತ್ತಾರೆ. ಅತ್ಯುತ್ತಮ ಕಾರ್ಯ-ತರಬೇತಿ ಪಡೆದ ದೃಷ್ಟಿ ಮಾದರಿಗಳು ಇನ್ಫೆರೋಟೆಂಪೊರಲ್ ಕಾರ್ಟೆಕ್ಸ್‌ನಿಂದ ನರಕೋಶದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳಲ್ಲಿ ಅರ್ಧದಷ್ಟು ವ್ಯತ್ಯಾಸವನ್ನು ಮಾತ್ರ ವಿವರಿಸುತ್ತದೆ. ಬ್ರೈನ್-ಸ್ಕೋರ್ ಮಾನದಂಡ, ಅವರು ಹೇಳುತ್ತಾರೆ. ಮತ್ತು ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರರು ಹಿಂದಿನ ಕೆಲಸದ ಪ್ರಕಾರ, ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ ಅವರು ಉತ್ತಮವಾಗಿರುವುದರಿಂದ ನರಕೋಶದ ಚಟುವಟಿಕೆಯನ್ನು ಊಹಿಸುವಲ್ಲಿ ವಾಸ್ತವವಾಗಿ ಕಡಿಮೆ ನಿಖರವಾಗಿದೆ.
ಮಿದುಳುಗಳು ಮತ್ತು ಡೇಟಾ-ಚಾಲಿತ ಮಾದರಿಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಒಮ್ಮುಖವಾಗುವುದಿಲ್ಲ, ಮಿನಾಲ್ಟ್ ಹೇಳುತ್ತಾರೆ. ಮೆದುಳಿನ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳ ಮೇಲೆ ನೇರವಾಗಿ ತರಬೇತಿ ಮಾದರಿಗಳು ಉಳಿದ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ವಿ1, ವಿ 2 ಮತ್ತು ವಿ 4 ನಂತಹ ದೃಶ್ಯ ಸಂಸ್ಕರಣೆಯ ಮಧ್ಯಂತರ ಹಂತಗಳಿಂದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ರೆಟಿನಾದೊಳಗೆ ಬರುವದನ್ನು ಪರಿವರ್ತಿಸುತ್ತವೆ ಮತ್ತು ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುವ ಪ್ರದೇಶಗಳಿಗೆ ಆಹಾರವನ್ನು ನೀಡುತ್ತವೆ. ಆ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ಮಾದರಿಯೊಳಗೆ ಏನಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಬಂಧಿಸಬಹುದು, ಅದು ಹೆಚ್ಚು ಮೆದುಳಿನಂತೆ ಕೊನೆಗೊಳ್ಳುತ್ತದೆ ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ.
ಮೆದುಳಿನ ಚಟುವಟಿಕೆಯನ್ನು ಊಹಿಸುವುದು ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಹಾದಿಯಲ್ಲಿರಬಹುದು ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ. 2012 ರಲ್ಲಿ, ಕೃತಕ ನರ ಜಾಲಗಳು ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸುವಲ್ಲಿ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿದೆ, ಉದಾಹರಣೆಗೆ, “ಆದರೆ ಈ ಮಾದರಿಗಳ ಒಳಗೆ ಏನು ನಡೆಯುತ್ತಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಮಗೆ ನಿಜವಾಗಿಯೂ ಬಹಳ ಸಮಯ ಹಿಡಿಯಿತು.”
ಅದಕ್ಕಾಗಿಯೇ, ನಂಬಲು, ಮಾದರಿಯ ಭವಿಷ್ಯವಾಣಿಗಳನ್ನು ನಿಜವಾದ ಮೆದುಳಿನಲ್ಲಿ ಪರೀಕ್ಷಿಸಬೇಕಾಗಿದೆ ಎಂದು ಟೋಲಿಯಾಸ್ ಹೇಳುತ್ತಾರೆ. “ಈ ಮಾದರಿಗಳು ಭ್ರಮೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು,” ಆದರೆ ಅವರ ದೃಷ್ಟಿಯಲ್ಲಿ ಒಂದು ಮಾದರಿಯು ಸಾಕಷ್ಟು ಉತ್ತಮವಾಗಿದೆ, ಅದು “ಮೆದುಳಿನಲ್ಲಿ ಪರಿಶೀಲಿಸಬಹುದಾದ ಒಂದು ಕಾದಂಬರಿ ಆವಿಷ್ಕಾರವನ್ನು ಮಾಡಬಹುದು.”
ಹೆಚ್ಚಿನ ಡೇಟಾಗೆ ಧನ್ಯವಾದಗಳು, ಮೆದುಳಿನ ಚಟುವಟಿಕೆಯನ್ನು ಊಹಿಸುವಲ್ಲಿ ಒಂದು ಮಾದರಿಯು ಉತ್ತಮಗೊಳ್ಳುತ್ತದೆ, ಅದು ಮೆದುಳಿನಂತೆ ಹೆಚ್ಚು ಮಾಡುವಂತೆಯೇ ಅಲ್ಲ ಎಂದು ಯಾಮಿನ್ಸ್ ಹೇಳುತ್ತಾರೆ. “ಆ ಸ್ವರೂಪದ ಮಾದರಿಯು ಮೆದುಳಿನಂತೆ ಕಾಣುವ ಆಂತರಿಕ ಪದರಗಳನ್ನು ಹೊಂದಲು ಯಾವುದೇ ಕಾರಣವಿಲ್ಲ. ಅವು ಕೇವಲ ಮುನ್ಸೂಚನೆ ಯಂತ್ರದಂತೆ ಕಾಣುತ್ತವೆ.”
ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸಲು ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು ಸುಧಾರಿಸಿದಂತೆ, ಉದಾಹರಣೆಗೆ, ಅವುಗಳು ಉತ್ತಮವಾಗಿವೆ ನರಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುತ್ತದೆ ಮಂಕಿ ಇನ್ಫೆರೋಟೆಂಪೊರಲ್ ಕಾರ್ಟೆಕ್ಸ್ನಲ್ಲಿ, ವಸ್ತುಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಪ್ರದೇಶ, ಹಿಂದಿನ ಕೆಲಸದ ಪ್ರದರ್ಶನಗಳು. “ಆಂತರಿಕಗಳು [task-trained] ಮಾದರಿಗಳು ಮೆದುಳಿನ ಆಂತರಿಕ ಪ್ರಾತಿನಿಧ್ಯಗಳನ್ನು ಹೊಂದಿಸುವ ಅವಕಾಶವನ್ನು ಹೊಂದಿವೆ,” ಯಾಮಿನ್ಸ್ ಹೇಳುತ್ತಾರೆ.
ಕಾರ್ಯ-ತರಬೇತಿ ಪಡೆದ ಮತ್ತು ಡೇಟಾ-ಚಾಲಿತ ಮಾದರಿಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು ಸಮಸ್ಯೆಗಳಿಗೆ ಮೆದುಳಿನಂತಹ ಪರಿಹಾರಗಳಲ್ಲಿ ಸಂಭಾವ್ಯವಾಗಿ ಒಮ್ಮುಖವಾಗಲು ಸೂಕ್ತವಾದ ಮಾರ್ಗವಾಗಿದೆ ಎಂದು ಯಾಮಿನ್ಸ್ ಹೇಳುತ್ತಾರೆ, ಆದರೆ ಆಚರಣೆಯಲ್ಲಿ ಇದನ್ನು ಹೇಗೆ ಮಾಡುವುದು “ಹುಡುಕಲಿಲ್ಲ.”
ಆದರೆ ಅಂತಹ ಸಂಯೋಜನೆಯ ವಿಧಾನಗಳು ಅದೇ ಸಂಭಾವ್ಯ ಅಪಾಯಗಳನ್ನು ಎದುರಿಸುತ್ತವೆ, ಬ್ರಂಟನ್ ಹೇಳುತ್ತಾರೆ. ಫೌಂಡೇಶನ್ ಮಾದರಿಗಳು ನಿಖರವಾದ ಮುನ್ನೋಟಗಳನ್ನು ಮಾಡಿದರೂ ಸಹ, ಉದಾಹರಣೆಗೆ, ಅವು ನರಕೋಶದ ಚಟುವಟಿಕೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಅಣುಗಳು ಮತ್ತು ಕೋಶಗಳನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ, ಇದು ಚಿಕಿತ್ಸೆಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಊಹಿಸಬಹುದು ಎಂಬುದನ್ನು ಮಿತಿಗೊಳಿಸುತ್ತದೆ. ಔಷಧವು “ಗ್ರಾಹಕಗಳು, ಅಯಾನು ಚಾನೆಲ್‌ಗಳು, ಎರಡನೇ ಸಂದೇಶವಾಹಕಗಳು ಅಥವಾ ಜೀನ್ ಅಭಿವ್ಯಕ್ತಿಯನ್ನು ಗುರಿಪಡಿಸಿದಾಗ, ಈ ವಿವರಣೆಯ ಮಾಪಕಗಳ ಕೊರತೆಯಿರುವ ಅಡಿಪಾಯ ಮಾದರಿಯು ಮೌಲ್ಯಯುತವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ನೀಡುತ್ತದೆ” ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ.
ಕ್ರಕೌರ್ ಅವರು “ಹೆಚ್ಚು ಸಂದೇಹ ಹೊಂದಿದ್ದಾರೆ” ಎಂದು ಹೇಳುತ್ತಾರೆ, ಏಕೆಂದರೆ ನರಗಳ ಡೇಟಾವನ್ನು ಊಹಿಸುವುದರಿಂದ ಔಷಧಿಗಳು ಅಥವಾ ಗಾಯಗಳಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಊಹಿಸುವವರೆಗೆ ಹಕ್ಕುಗಳು ಉಲ್ಬಣಗೊಳ್ಳುತ್ತವೆ. ನಿಖರವಾದ ಭವಿಷ್ಯವಾಣಿಗಳು “ಎಲ್ಲವೂ ತುಂಬಾ ತಂಪಾಗಿವೆ” ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ. “ಆದರೆ ನರಗಳ ದತ್ತಾಂಶವು ನಮಗೆ ನೀಡಲಿದೆ ಎಂದು ಹೇಳುವುದಕ್ಕಿಂತ ಇದು ತುಂಬಾ ವಿಭಿನ್ನವಾಗಿದೆ” ಜನರು ಹೇಗೆ ಯೋಚಿಸುತ್ತಾರೆ ಎಂಬುದರ ಕುರಿತು ಬಟ್ಟಿ ಇಳಿಸಿದ ಮಾನಸಿಕ ಒಳನೋಟಗಳು.
ಬಿ
ಚರ್ಚೆಯ ರನ್ಟನ್‌ನ ಭಾಗವು ವಿಭಿನ್ನ ಪ್ರಮೇಯದಿಂದ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ – ಬುದ್ಧಿವಂತಿಕೆಯು ಇಡೀ ಜೀವಿಯ ಆಸ್ತಿಯಾಗಿದೆ. ಅವಳು ಆಲೋಚನಾ ಪ್ರಯೋಗದ ಮೂಲಕ ಪ್ರಕರಣವನ್ನು ಮಾಡುತ್ತಾಳೆ: ಐಸಾಕ್ ನ್ಯೂಟನ್ ಸಾವಿರಾರು ಬೀಳುವ ಸೇಬುಗಳನ್ನು ಐಫೋನ್‌ನೊಂದಿಗೆ ಚಿತ್ರಿಸುತ್ತಾರೆ ಮತ್ತು ತುಣುಕಿನ ಮೇಲೆ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುತ್ತಾರೆ. ಮಾದರಿಯು ಮುಂದಿನ ಸೇಬಿನ ಪತನವನ್ನು “F=ma ಗಿಂತ ಉತ್ತಮವಾಗಿದೆ” ಎಂದು ಅವರು ಡ್ಯುಯಲ್ ಪರ್ಸ್ಪೆಕ್ಟಿವ್ಸ್ ಲೇಖನದಲ್ಲಿ ಬರೆಯುತ್ತಾರೆ, ಆದರೆ “ನೀವು ರಾಕೆಟ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಮತ್ತು ಚಂದ್ರನ ಮೇಲೆ ಇರಿಸಲು ಈ ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಮಾದರಿಯನ್ನು ಬಳಸಲಾಗಲಿಲ್ಲ. ಅಂತಹ ತಿಳುವಳಿಕೆಯನ್ನು ಪಡೆಯಲು, ಅವರು ಬರೆಯುತ್ತಾರೆ, “ಡೇಟಾವನ್ನು ನಿರ್ಲಕ್ಷಿಸುತ್ತಿದ್ದಾರೆ.”
ಮತ್ತು ವಾಸ್ತವಿಕವಾಗಿ ವರ್ತಿಸುವ ಮಾದರಿಗಳು ಸಹ ಮೋಸಗೊಳಿಸಬಹುದು ಎಂದು ಅವರು ಹೇಳುತ್ತಾರೆ. ವೈರಿಂಗ್ ವರ್ಮ್ ಕನೆಕ್ಟೋಮ್ ಒಂದು ಫ್ಲೈ ದೇಹಕ್ಕೆ “ಸಂಪೂರ್ಣವಾಗಿ ಸೇವೆಸಲ್ಲಿಸುವ ವಾಕಿಂಗ್” ಅನ್ನು ಉತ್ಪಾದಿಸಲಾಯಿತು-ಆದರೆ ಯಾದೃಚ್ಛಿಕ ನೆಟ್‌ವರ್ಕ್ ಹಾಗೆಯೇ ನಡೆದುಕೊಂಡಿತು.
ದೇಹದ ವಿವರಗಳನ್ನು ಕೆಲವೊಮ್ಮೆ ಪಕ್ಕಕ್ಕೆ ಹಾಕಬಹುದು, ಮಿನಾಲ್ಟ್ ಹೇಳುತ್ತಾರೆ. “ನಾವು ಗ್ರಹಿಕೆ ಅಥವಾ ಅರಿವಿನ ಬಗ್ಗೆ ಮಾತನಾಡುತ್ತಿದ್ದರೆ, ಬಹುಶಃ ಆ ಅಂಶಗಳು ಅಷ್ಟು ಮುಖ್ಯವಲ್ಲ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ.”
ಡ್ಯುಯಲ್ ಪರ್ಸ್ಪೆಕ್ಟಿವ್ಸ್ ಲೇಖನದಲ್ಲಿ ಬ್ರಂಟನ್ ಮತ್ತು ಮಿನಾಲ್ಟ್ ಅವರ ವಾದಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ಮುಖ್ಯವಾಗಿ ಮೆದುಳಿನ ಯಾವ ಹಂತವನ್ನು ಅಧ್ಯಯನ ಮಾಡಬೇಕು ಮತ್ತು ಯಾವುದನ್ನು ಮೊದಲು ನಿರ್ಮಿಸಬೇಕು. ಅವರು ಇದೇ ರೀತಿಯ ಮುಂದಿನ ಹಂತಗಳಲ್ಲಿ ನೆಲೆಸಿದರು: ಸಾಧ್ಯವಾದಷ್ಟು ಅಳತೆ ಮಾಡಿ, ತದನಂತರ ಆ ಅಳತೆಗಳನ್ನು ಮೆದುಳು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬ ತತ್ವಗಳಿಗೆ ಬಟ್ಟಿ ಇಳಿಸಿ. ದೊಡ್ಡ ಪ್ರಮಾಣದ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ಮತ್ತು ವಿವರವಾದ ಕನೆಕ್ಟೋಮ್‌ಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುವುದು ಸರಿಯಾದ ಮಾರ್ಗವಾಗಿದೆ ಎಂದು ಮಿನೋಲ್ಟ್ ಹೇಳುತ್ತಾರೆ. ಬ್ರಂಟನ್ ಅವರು ಡಿಜಿಟಲ್ ಅವಳಿಗಳನ್ನು ಸಾಕಾರಗೊಳಿಸಿದವರೆಗೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒಳಗೊಂಡಿರುವವರೆಗೆ ಅವರು ಸ್ವಾಗತಿಸುತ್ತಾರೆ ಎಂದು ಹೇಳುತ್ತಾರೆ.
ಸ್ಕೇಲ್ ಫಲ ನೀಡುತ್ತದೆಯೇ ಎಂದು ಸಂಶೋಧಕರು ಪರೀಕ್ಷಿಸಿದಂತೆ, ಅವರು ಕಹಿ ಮಾತ್ರೆ ನುಂಗಲು ಸಿದ್ಧರಾಗಿರಬೇಕು. “ಉತ್ತರವು ‘ಓಹ್, ಇದು ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ’ ಎಂದು ನಾವು ಒಪ್ಪಿಕೊಳ್ಳಬೇಕು” ಎಂದು ಬ್ರಂಟನ್ ಹೇಳುತ್ತಾರೆ.
