Eine Weiterentwicklung eines bestehenden KI-gestützten Gehirndecoders kann menschliche Gedanken ohne stundenlanges Training in Text übersetzen. Wissenschaftler haben einen „Gehirndecoder“ verbessert, der künstliche Intelligenz (KI) nutzt, um Gedanken in Text umzuwandeln. Das KI-Modell kann das Gehirn einer Person mit nicht-invasiven Geräten scannen und Gedanken in geschriebene Sätze umwandeln – ohne Implantate.
In einer Studie entwickelten Wissenschaftler ein KI-Modell, das Gehirnsignale dekodierte, um von Freiwilligen getippte Sätze zu reproduzieren. In einer zweiten Studie nutzten dieselben Forscher KI, um zu kartieren, wie das Gehirn tatsächlich Sprache produziert und Gedanken in getippte Sätze umwandelt.
Ein Forscherteam berichtet in einer neuen Studie, dass ihr neuer Konverteralgorithmus einen vorhandenen Decoder schnell auf das Gehirn einer anderen Person trainieren kann. Laut den Wissenschaftlern könnten diese Ergebnisse eines Tages Menschen mit Aphasie helfen, einer Hirnstörung, die die Kommunikation beeinträchtigt. In der neuen Studie, die am 6. Februar 2025 in der Fachzeitschrift Current Biology veröffentlicht wurde, untersuchten Huth und sein Co-Autor Jerry Tang, ein Doktorand an der University of Texas in Austin, wie diese Kommunikationseinschränkung überwunden werden könnte.
„Menschen mit Aphasie haben oft Schwierigkeiten, Sprache zu verstehen und zu produzieren“, sagte der Co-Autor der Studie, Alexander Huth, ein Computerneurowissenschaftler an der University of Texas in Austin (UT Austin), gegenüber Live Science. „Wenn dies zutrifft, können wir möglicherweise überhaupt keine Modelle ihres Gehirns erstellen, indem wir ihre Gehirnreaktionen auf Geschichten beobachten, die sie hören.“
Der Gehirndecoder nutzt maschinelles Lernen, um die Gedanken einer Person in Text zu übersetzen. Dabei werden die Reaktionen des Gehirns auf gehörte Geschichten berücksichtigt. Bei früheren Versionen des Decoders mussten die Teilnehmer jedoch stundenlang Geschichten in einem MRT-Gerät anhören. Zudem funktionierten diese Decoder nur bei den Personen, an denen sie trainiert wurden.
Ein Forscherteam hat einen Algorithmus entwickelt, der es einem KI-gestützten „Gehirndecoder“, der an einer Person trainiert wurde, ermöglicht, die Gedanken einer anderen Person mit minimalem Training zu übersetzen. Jerry Tang/University of Texas at Austin
Die Forscher trainierten den Gehirndecoder zunächst an mehreren Kontrollteilnehmern mithilfe eines Langzeitansatzes: Sie sammelten funktionelle MRT-Daten, während die Teilnehmer zehn Stunden lang Radiosendungen hörten.
Anschließend trainierten sie zwei Konvertierungsalgorithmen an Kontrollteilnehmern und einer weiteren Gruppe von „Ziel“-Teilnehmern: einen mithilfe von Daten, die gesammelt wurden, als die Teilnehmer 70 Minuten lang Radiogeschichten hörten, und den anderen mithilfe von Daten, als sie 70 Minuten lang Stummfilme von Pixar ansahen, die nichts mit den Radiogeschichten zu tun hatten.
Mithilfe einer Methode namens „Funktionale Ausrichtung“ bildete das Team die Gehirnreaktionen von Kontroll- und Zielpersonen auf dieselben Audio- oder Videogeschichten ab. Diese Informationen wurden genutzt, um den Decoder auf die Gehirne der Zielpersonen zu trainieren, ohne stundenlang Trainingsdaten sammeln zu müssen.
Anschließend testete das Team die Decoder mit einer Kurzgeschichte, die keiner der Teilnehmer zuvor gehört hatte. Zwar waren die Vorhersagen des Decoders bei den Teilnehmern, die die ursprünglichen Kontrollinformationen verwendeten, etwas genauer als bei denen, die die Konverter nutzten, doch die vom Decoder basierend auf den Gehirnscans jedes Teilnehmers vorhergesagten Wörter waren semantisch immer noch mit den in der Testgeschichte verwendeten Wörtern verwandt.
In einem der Test-Erzählfragmente beschrieb beispielsweise jemand einen Beruf, den er nicht mochte: „Ich bin Kellnerin in einer Eisdiele. Also, äh, es ist nicht … Ich weiß nicht, wo ich hin will, aber ich weiß, dass es nicht so ist.“ Ein Decoder, der einen mit Videodaten trainierten Konverteralgorithmus verwendete, sagte voraus: „Ich hatte einen Job, den ich langweilig fand. Ich musste Bestellungen aufnehmen, und das gefiel mir nicht, also habe ich jeden Tag daran gearbeitet.“ Die Übereinstimmung ist nicht exakt – der Decoder erfasst nicht genau die Geräusche, die die Leute hörten –, aber die Ideen sind verwandt.
Wissenschaftler können Daten sammeln, während jemand ein Video ohne Ton ansieht, und diese dann verwenden, um einen Sprachdecoder für das Gehirn des Benutzers zu erstellen.
Forscher behaupten, dass die Verwendung von Videokonvertern zur Übertragung vorhandener Decoder auf Menschen mit Aphasie diesen dabei helfen kann, sich auszudrücken. Die Studie ergab auch einige Überschneidungen zwischen der Art und Weise, wie Menschen Ideen aus Sprache und aus visuellen Bildern im Gehirn darstellen.
Diese Studie legt nahe, dass es eine semantische Repräsentation gibt, die unabhängig von der Modalität ist, aus der sie stammt. Mit anderen Worten: Diese Studie hilft uns zu verstehen, wie das Gehirn bestimmte Konzepte auf die gleiche Weise darstellt, selbst wenn sie in unterschiedlichen Formaten präsentiert werden.
Siehe auch... Neue Methode zur Beobachtung einzelner Atome bestätigt jahrhundertealte quantenmechanische Theorie |
Wissenschaftler bei Meta nutzten künstliche Intelligenz (KI) und nichtinvasive Gehirnscans, um zu verstehen, wie Gedanken in gedruckte Sätze übersetzt werden.
Den Wissenschaftlern zufolge könnten die Ergebnisse der Studie in Zukunft als Grundlage für die Entwicklung einer nicht-invasiven Gehirn-Computer-Schnittstelle dienen, die Menschen mit Hirnschäden oder -verletzungen bei der Kommunikation helfen soll.
Gehirn-Computer-Schnittstellen, die ähnliche Dekodierungsmethoden verwenden, wurden in die Gehirne von Menschen implantiert, die ihre Kommunikationsfähigkeit verloren haben. Neue Forschungsergebnisse könnten jedoch einen möglichen Weg zu tragbaren Geräten aufzeigen.
In der Studie nutzten die Forscher die Magnetoenzephalographie (MEG), die das durch elektrische Impulse im Gehirn erzeugte Magnetfeld misst, um die neuronale Aktivität der Teilnehmer beim Tippen von Sätzen zu verfolgen. Anschließend trainierten sie ein KI-Sprachmodell, um Gehirnsignale zu entschlüsseln und Sätze basierend auf den MEG-Daten zu bilden.
Zwei neue Studien beleuchten, wie wir Gedanken mithilfe einer digitalen Schnittstelle in geschriebene Sätze umwandeln können. Meta
Das Modell entschlüsselte die von den Teilnehmern getippten Buchstaben mit einer Genauigkeit von 68 %. Häufig vorkommende Buchstaben wurden häufiger richtig entschlüsselt, während weniger gebräuchliche Buchstaben wie Z und K eine höhere Fehlerrate aufwiesen. Bei Fehlern neigte das Modell dazu, Symbole zu ersetzen, die dem Zielbuchstaben auf der QWERTZ-Tastatur physisch nahe standen. Dies deutet darauf hin, dass das Modell motorische Signale des Gehirns nutzt, um vorherzusagen, welchen Buchstaben der Teilnehmer getippt hat.
Es wurde festgestellt, dass das Gehirn zunächst Informationen über den Kontext und die Bedeutung eines Satzes generiert und dann beim Tippen des Teilnehmers immer detailliertere Darstellungen jedes Wortes, jeder Silbe und jedes Buchstabens erstellt.
„Diese Ergebnisse stützen langjährige Vorhersagen, dass die Sprachproduktion eine hierarchische Zerlegung der Satzbedeutung in immer kleinere Einheiten erfordert, die letztendlich die motorischen Aktionen steuern“, schreiben die Autoren der Studie.
Um zu verhindern, dass sich Wörter oder Buchstaben gegenseitig stören, nutzt das Gehirn einen „dynamischen neuronalen Code“, um sie voneinander zu trennen. Dieser Code verändert ständig die Darstellung jeder einzelnen Information in den für die Sprachbildung zuständigen Hirnregionen.
Dadurch kann das Gehirn aufeinanderfolgende Buchstaben, Silben und Wörter miteinander verknüpfen und Informationen zu jedem dieser Wörter über einen längeren Zeitraum speichern. MEG-Experimente konnten jedoch nicht genau bestimmen, aus welchen Hirnregionen jede dieser Sprachrepräsentationen stammt.
Die Forscher schreiben, dass die aktuelle Anordnung zwar zu sperrig und empfindlich sei, um außerhalb einer kontrollierten Laborumgebung ordnungsgemäß zu funktionieren, Fortschritte in der MEG-Technologie jedoch die Tür zu zukünftigen tragbaren Geräten öffnen könnten.
Siehe auch... Vollständige Liste der HTML/Javascript-Ereignishandler mit Beispielen Liste der erforderlichen Dokumente für eine Website in der Russischen Föderation |
