Una mejora en un decodificador cerebral existente, impulsado por IA, puede traducir los pensamientos humanos a texto sin horas de entrenamiento. Científicos han implementado nuevas mejoras en un «decodificador cerebral» que utiliza inteligencia artificial (IA) para convertir los pensamientos en texto. El modelo de IA puede escanear el cerebro de una persona con un equipo no invasivo y convertir los pensamientos en oraciones escritas, sin necesidad de implantes.
En un estudio, los científicos desarrollaron un modelo de IA que decodificó señales cerebrales para reproducir oraciones escritas por voluntarios. En un segundo estudio, los mismos investigadores utilizaron IA para mapear cómo el cerebro produce realmente el lenguaje, convirtiendo los pensamientos en oraciones escritas.
Un equipo de investigadores informó en un nuevo estudio que su nuevo algoritmo de conversión puede entrenar rápidamente un decodificador existente en el cerebro de otra persona. Según los científicos, estos resultados podrían algún día ayudar a personas con afasia, un trastorno cerebral que afecta la comunicación. En el nuevo estudio, publicado el 6 de febrero de 2025 en la revista Current Biology, Huth y su coautor, Jerry Tang, estudiante de posgrado de la Universidad de Texas en Austin, exploraron cómo se podría superar esta limitación de la comunicación.
«Las personas con afasia suelen tener dificultades tanto para comprender como para producir el habla», declaró a Live Science Alexander Huth, coautor del estudio y neurocientífico computacional de la Universidad de Texas en Austin (UT Austin). «De ser así, es posible que no podamos construir modelos de sus cerebros observando sus respuestas a las historias que escuchan».
Ver también... Los científicos están explorando y continúan buscando mundos alienígenas potencialmente habitables Cambios antropogénicos y climáticos en los ríos y lagos de la Tierra |
El decodificador cerebral utiliza aprendizaje automático para traducir los pensamientos de una persona a texto basándose en las respuestas de su cerebro a las historias que ha escuchado. Sin embargo, las versiones anteriores del decodificador requerían que los participantes escucharan historias en una máquina de resonancia magnética durante muchas horas, y estos decodificadores solo funcionaban con las personas con las que fueron entrenados.
Un equipo de investigadores ha desarrollado un algoritmo que permite que un «decodificador cerebral» impulsado por IA, entrenado en una persona, traduzca los pensamientos de otra con un entrenamiento mínimo. Jerry Tang/Universidad de Texas en Austin
Los investigadores primero entrenaron el decodificador cerebral en varios participantes de control utilizando un enfoque a largo plazo: recopilando datos de resonancia magnética funcional mientras los participantes escuchaban 10 horas de transmisiones de radio.
Luego entrenaron dos algoritmos de conversión en participantes de control y en otro grupo de participantes «objetivo»: uno utilizando datos recopilados cuando los participantes escucharon historias de radio durante 70 minutos, y el otro cuando vieron cortometrajes mudos de Pixar no relacionados con las historias de radio durante 70 minutos.
Mediante un método denominado «alineación funcional», el equipo mapeó las respuestas cerebrales de los participantes de control y objetivo a las mismas historias de audio o video. Esta información se utilizó para entrenar al decodificador a trabajar con los cerebros de los participantes objetivo, sin necesidad de recopilar horas de datos de entrenamiento.
El equipo probó los decodificadores con un cuento corto que ninguno de los participantes había escuchado previamente. Aunque las predicciones del decodificador fueron ligeramente más precisas para los participantes que usaron la información de control original que para quienes usaron los convertidores, las palabras predichas por el decodificador, basándose en los escáneres cerebrales de cada participante, seguían estando semánticamente relacionadas con las palabras utilizadas en el cuento de prueba.
Por ejemplo, en uno de los fragmentos narrativos de prueba, alguien describió un trabajo que no le gustaba: «Soy camarera en una heladería. Así que, eh, no es… No sé dónde quiero estar, pero sé que no lo es». Un decodificador, que utiliza un algoritmo de conversión entrenado con datos de vídeo, predijo: «Trabajaba en un trabajo que me aburría. Tenía que tomar pedidos y no me gustaban, así que trabajaba en ellos todos los días». La coincidencia no es exacta (el decodificador no capta los sonidos exactos que la gente oía), pero las ideas están relacionadas.
Los científicos pueden recopilar datos mientras alguien mira un vídeo sin sonido y luego usarlos para crear un decodificador de lenguaje para su cerebro.
Los investigadores afirman que el uso de convertidores de vídeo para transferir decodificadores existentes a personas con afasia puede ayudarles a expresarse. El estudio también halló cierta coincidencia entre la forma en que las personas representan las ideas del lenguaje y las de las imágenes visuales en el cerebro.
Este estudio sugiere que existe una representación semántica independiente de la modalidad de la que proviene. En otras palabras, nos ayuda a comprender cómo el cerebro representa ciertos conceptos de la misma manera, incluso cuando se presentan en diferentes formatos.
Ver también... Un nuevo método para observar átomos individuales confirma una teoría mecánica cuántica centenaria |
Los científicos de Meta utilizaron inteligencia artificial (IA) y escaneo cerebral no invasivo para comprender cómo se traducen los pensamientos en oraciones impresas.
Según los científicos, los resultados del estudio podrían servir en el futuro como base para la creación de una interfaz cerebro-ordenador no invasiva que ayude a las personas con daños o lesiones cerebrales a comunicarse.
Se han implantado interfaces cerebro-computadora que utilizan métodos de decodificación similares en los cerebros de personas que han perdido la capacidad de comunicarse, pero una nueva investigación puede confirmar un camino potencial hacia dispositivos portátiles.
En el estudio, los investigadores utilizaron magnetoencefalografía (MEG), que mide el campo magnético generado por impulsos eléctricos en el cerebro, para rastrear la actividad neuronal mientras los participantes escribían oraciones. Posteriormente, entrenaron un modelo de lenguaje de IA para decodificar señales cerebrales y producir oraciones basadas en datos de MEG.
Dos nuevos estudios arrojan luz sobre cómo podemos transformar los pensamientos en oraciones escritas mediante una interfaz digital. Meta
El modelo decodificó las letras escritas por los participantes con un 68 % de precisión. Las letras más frecuentes se decodificaron correctamente con mayor frecuencia, mientras que las menos comunes, como la Z y la K, presentaron una mayor tasa de error. Cuando el modelo cometía errores, tendía a sustituir símbolos físicamente cercanos a la letra objetivo en el teclado QWERTY, lo que sugiere que el modelo utiliza señales motoras del cerebro para predecir qué letra había escrito el participante.
Se descubrió que el cerebro primero generaba información sobre el contexto y el significado de una oración y luego creaba representaciones cada vez más detalladas de cada palabra, sílaba y letra a medida que el participante escribía.
«Estos resultados respaldan predicciones de larga data de que la producción del lenguaje requiere una descomposición jerárquica del significado de las oraciones en unidades cada vez más pequeñas que, en última instancia, controlan las acciones motoras», escriben los autores del estudio.
Para evitar que una palabra o letra interfiera con otra, el equipo descubrió que el cerebro utiliza un «código neuronal dinámico» para separarlas. Este código modifica constantemente la representación de cada pieza de información en las regiones cerebrales responsables de la formación del lenguaje.
Esto permite al cerebro asociar letras, sílabas y palabras sucesivas, almacenando información sobre cada una durante un período más largo. Sin embargo, los experimentos de MEG no han podido identificar con precisión las regiones cerebrales donde se origina cada una de estas representaciones lingüísticas.
Los investigadores escriben que, si bien la configuración actual es demasiado voluminosa y sensible para funcionar correctamente fuera de un entorno de laboratorio controlado, los avances en la tecnología MEG podrían abrir la puerta a futuros dispositivos portátiles.
Ver también... Lista completa de controladores de eventos HTML/Javascript con ejemplos Lista de documentos necesarios para un sitio web en la Federación de Rusia |
