Meie
Tehisintellekt aitab mõista loomulikku mõistust
Neurovõrgud suudavad mitte üksnes luua päringu alusel pilte ja teksti, vaid ka laiendada võimalusi aju uurimiseks. Kui luua piisavalt kompleksne ja mitmekihiline tehisneurovõrk, on võimalik, et teadlastel õnnestub inimaju eri funktsioone „digitaliseerida“.
Viimastel aastatel on neurovõrkude kasutamine muutunud paljudes eluvaldkondades peaaegu et normiks. Kunstnikud ja disainerid pöörduvad Midjourney ja DALL-E poole, et leida inspiratsiooni ning uute projektide algeid. Ajakirjanikud ja kirjanikud kasutavad ChatGPT’d, et teha oma tekstide visandeid ning arendada neid edasi täisväärtuslikeks artikliteks ja raamatute peatükkideks. Ka teadus ei jäänud pealtvaatajaks ning teadlased kasutavad neurovõrke üha enam selleks, et laiendada inimkonna arusaamist maailmast. Hiljutised katsed, mille viisid läbi Takuya Ito ja kolleegid (2022), näitasid, et neurovõrgud võivad olla kasulikud uurimaks, kuidas aju võtab vastu otsuseid olenevalt kontekstist ja ülesande reeglitest.
Kujutage ette, et lahendate ülesannet, kus peate vajutama nuppu A, kui näete enda ees loomapilti, ning nuppu B, kui pildil on inimene, ning aeg-ajalt need reeglid muutuvad koos signaaliga vastupidiseks.
Olukorras A ja olukorras B tegutsemiseks ning samuti iga stimulatsioonitüübi jaoks on ajus olemas representatsioonid neuronirühmade vaheliste biokeemiliste ja elektriimpulsside jadade näol: üks rühm aktiveerub siis, kui näidatakse loomapilti, ning teine siis, kui näidatakse inimese pilti, kolmas neuronirühm aktiveerub, kui tuleb vajutada nupule A, ning neljas siis, kui tuleb vajutada nupule B.
Kui tekib uus reegel või muutub see, mis on juba teada, uuendab aju reeglite sisemisi representatsioone. Vältimaks vigu, mis võivad viia ebaõnnestumiseni ülesande täitmisel, peab aju kogu aeg täiendama juba olemasolevat infot ülesande reeglite kohta väljastpoolt tuleva info abil ning samuti täiendama juba olemasolevaid reeglite representatsioone ja konteksti uute üksikasjadega, kui need ülesande täitmise käigus muutuvad.
Selle toimumiseks on vaja reeglite, konteksti ja stiimulite representatsioonid kokku viia, et ülesande õige täitmise eesmärgil tekiks nende ühine signaal, mis läheb motoorsesse ajukoorde, et tegevus saaks toimuda. Kohti, kus toimub selline sisemiste representatsioonide kokkupanemine, nimetavad teadlased ühenduskeskusteks (ingl conjunction hubs). Sellised keskused peavad olema funktsionaalselt väga paindlikud, et neid saaks kasutada erinevates olukordades ning erinevate ja muutuvate reeglite korral.
Kõik see oli teada veel enne neurovõrkude kasutuselevõtmist neuroteaduses, kuid ei olnud selge, kus täpselt asuvad ühenduskeskused ajus ning mis toimub signaaliga, mida saadavad need keskused, kus pannakse kokku kontekst, reeglid ja stiimulid. Siin astuvadki mängu tehisneurovõrgud. Tehisneurovõrkude arhitektuur koosneb kolmest peamisest kihist: sensoorsed neuronid (võtavad vastu infot), analüüsivad neuronid (analüüsivad infot) ja väljundneuronid (väljastavad analüüsi tulemuse). Reeglina õpib neurovõrk kaootilises järjekorras: nii kaua, kuni seda „loobitakse“ andmemassiga, ühendab ta juhuslikult sensoorseid neuroneid analüüsivatega ning analüüsivad omavahel ja väljundneuronitega. Kui loodud ühendused töötavad halvasti, väljundi täpsus ei suurene ja neurovõrk kustutatakse ning alustatakse algusest peale. Selliselt jätkab neurovõrk enda taasehitamist kuni saavutab lõpuks vajaliku täpsuse püstitatud ülesande täitmisel. Tuleb välja, et iga neurovõrk on statistiline mudel, mis teeb ennustusi (vajaliku nupu vajutamine), lähtudes erinevate parameetrite (reeglite, konteksti, stiimulite jms) koosmõjust.
Alguses õpetasid Ito ja kolleegid (2022) tehisneurovõrku eespool kirjeldatud ülesannet täitma. See uus mudel genereeris ennustusi – vajutused nuppudele, mis sobivad kõige paremini kokku konteksti, ülesannete reeglite ja esitatud stiimulitega. Seejärel tegid sama ülesannet ka inimesed, kes pandi magnetresonantstomograafi (MRT), mis kogus andmeid ajuaktiivsuse kohta ajal, kui inimesed ülesannet täitsid. Kuigi ülesande täitmise täpsus oli võrdselt hea nii inimestel kui ka neurovõrgul ning neuronitevaheline ühendus tehisneurovõrgu analüüsivas kihis meenutas ajuaktiivsust eesajukoores, mingit täppis-, funktsionaalset või anatoomilist infot ajutöö kohta otsuste vastuvõtmise ajal neurovõrk ei edastanud, sest arhitektuuriliselt ei vastanud see lihtsalt inimaju ülesehitusele.
Siis otsustas teadlaste meeskond, et eespool kirjeldatud ülesande reeglite muutmise ajal viiakse inimese ajuaktiivsus üle sisemisse, analüüsivasse neurovõrgu osasse. Seda tehti, edastades sinna ajuaktiivsuse andmeid, mis olid saadud kümmekonna inimese MRT uuringu käigus. See mitte ainult ei parandanud oluliselt neurovõrgu täpsust ülesande täitmisel, vaid võimaldas ka avastada, kus täpsemalt asub keskus, kus viiakse kokku vanade ja uute reeglite representatsioonid ning muutunud kontekst. Selgus, et sellised ühenduskeskused on koondunud dorsaalsesse (tagumisse) tähelepanuvõrgustikku, kust uuenenud info liigub ennekõike motoorsesse ajukoorde ülesande täitmiseks ja õige nupu vajutamiseks. Nii aitas aju andmetega täiendatud tehisneurovõrk teadlastel täpsemalt tuvastada, milline aju osa osaleb vanade reeglite uuendamises.
Muutes igakülgselt tekkinud neurovõrgu arhitektuuri õnnestus teadlastel kinnitada, et see metoodika võimaldab lokaliseerida ja kirjeldada lihtsaid ülesandeid, kuid kõige keerulisem ülesanne (näiteks esemete visuaalne äratundmine) vajab rohkem kui üht analüüsivate neuronite kihti (Yamins et al., 2014). Enamgi veel – tehisneurovõrkudes saadavad väljundneuronid vaid ühe signaali (väljundi), samas kui inimese ajus olevad „väljundneuronid“ (motoorsed neuronid) saadavad regulaarselt täiendavaid signaale tagasi mööda neurovõrku, et uuendada ja täpsustada sisemisi representatsioone, mida sama neurovõrk kasutab ülesande täitmiseks.
Sellegipoolest näitab eespool kirjeldatu selgelt, et neurovõrgud suudavad mitte üksnes luua päringu alusel pilte ja teksti, vaid ka laiendada meie võimalusi aju uurimiseks. Kui luua piisavalt kompleksne ja mitmekihiline tehisneurovõrk, on võimalik, et teadlastel õnnestub inimaju erinevaid funktsioone „digitaliseerida“. Siiski tuleb seda veel oodata ning kuni see pole juhtunud, peaks inimkond mõtlema erinevate eetiliste küsimuste peale, mis on seotud inimesetaolise tehisintellekti loomisega. Näiteks kas tehisneurovõrgule on võimalik anda eneseteadvuse funktsioon, mis on olemas igal tervel inimesel, ning kui jah, siis mil määral on see vajalik tehisintellektile, mis on õpetatud täitma spetsiifilisi ülesandeid? Igal juhul võib praeguses etapis kindlalt väita, et sünergia neuroteaduse ja neurovõrkude programmeerimise vahel annab selgelt tulemusi uute ajuga seotud anatoomiliste ja funktsionaalsete andmete näol.
Kujutage ette, et lahendate ülesannet, kus peate vajutama nuppu A, kui näete enda ees loomapilti, ning nuppu B, kui pildil on inimene, ning aeg-ajalt need reeglid muutuvad koos signaaliga vastupidiseks.
Olukorras A ja olukorras B tegutsemiseks ning samuti iga stimulatsioonitüübi jaoks on ajus olemas representatsioonid neuronirühmade vaheliste biokeemiliste ja elektriimpulsside jadade näol: üks rühm aktiveerub siis, kui näidatakse loomapilti, ning teine siis, kui näidatakse inimese pilti, kolmas neuronirühm aktiveerub, kui tuleb vajutada nupule A, ning neljas siis, kui tuleb vajutada nupule B.
Kui tekib uus reegel või muutub see, mis on juba teada, uuendab aju reeglite sisemisi representatsioone. Vältimaks vigu, mis võivad viia ebaõnnestumiseni ülesande täitmisel, peab aju kogu aeg täiendama juba olemasolevat infot ülesande reeglite kohta väljastpoolt tuleva info abil ning samuti täiendama juba olemasolevaid reeglite representatsioone ja konteksti uute üksikasjadega, kui need ülesande täitmise käigus muutuvad.
Selle toimumiseks on vaja reeglite, konteksti ja stiimulite representatsioonid kokku viia, et ülesande õige täitmise eesmärgil tekiks nende ühine signaal, mis läheb motoorsesse ajukoorde, et tegevus saaks toimuda. Kohti, kus toimub selline sisemiste representatsioonide kokkupanemine, nimetavad teadlased ühenduskeskusteks (ingl conjunction hubs). Sellised keskused peavad olema funktsionaalselt väga paindlikud, et neid saaks kasutada erinevates olukordades ning erinevate ja muutuvate reeglite korral.
Kõik see oli teada veel enne neurovõrkude kasutuselevõtmist neuroteaduses, kuid ei olnud selge, kus täpselt asuvad ühenduskeskused ajus ning mis toimub signaaliga, mida saadavad need keskused, kus pannakse kokku kontekst, reeglid ja stiimulid. Siin astuvadki mängu tehisneurovõrgud. Tehisneurovõrkude arhitektuur koosneb kolmest peamisest kihist: sensoorsed neuronid (võtavad vastu infot), analüüsivad neuronid (analüüsivad infot) ja väljundneuronid (väljastavad analüüsi tulemuse). Reeglina õpib neurovõrk kaootilises järjekorras: nii kaua, kuni seda „loobitakse“ andmemassiga, ühendab ta juhuslikult sensoorseid neuroneid analüüsivatega ning analüüsivad omavahel ja väljundneuronitega. Kui loodud ühendused töötavad halvasti, väljundi täpsus ei suurene ja neurovõrk kustutatakse ning alustatakse algusest peale. Selliselt jätkab neurovõrk enda taasehitamist kuni saavutab lõpuks vajaliku täpsuse püstitatud ülesande täitmisel. Tuleb välja, et iga neurovõrk on statistiline mudel, mis teeb ennustusi (vajaliku nupu vajutamine), lähtudes erinevate parameetrite (reeglite, konteksti, stiimulite jms) koosmõjust.
Alguses õpetasid Ito ja kolleegid (2022) tehisneurovõrku eespool kirjeldatud ülesannet täitma. See uus mudel genereeris ennustusi – vajutused nuppudele, mis sobivad kõige paremini kokku konteksti, ülesannete reeglite ja esitatud stiimulitega. Seejärel tegid sama ülesannet ka inimesed, kes pandi magnetresonantstomograafi (MRT), mis kogus andmeid ajuaktiivsuse kohta ajal, kui inimesed ülesannet täitsid. Kuigi ülesande täitmise täpsus oli võrdselt hea nii inimestel kui ka neurovõrgul ning neuronitevaheline ühendus tehisneurovõrgu analüüsivas kihis meenutas ajuaktiivsust eesajukoores, mingit täppis-, funktsionaalset või anatoomilist infot ajutöö kohta otsuste vastuvõtmise ajal neurovõrk ei edastanud, sest arhitektuuriliselt ei vastanud see lihtsalt inimaju ülesehitusele.
Siis otsustas teadlaste meeskond, et eespool kirjeldatud ülesande reeglite muutmise ajal viiakse inimese ajuaktiivsus üle sisemisse, analüüsivasse neurovõrgu osasse. Seda tehti, edastades sinna ajuaktiivsuse andmeid, mis olid saadud kümmekonna inimese MRT uuringu käigus. See mitte ainult ei parandanud oluliselt neurovõrgu täpsust ülesande täitmisel, vaid võimaldas ka avastada, kus täpsemalt asub keskus, kus viiakse kokku vanade ja uute reeglite representatsioonid ning muutunud kontekst. Selgus, et sellised ühenduskeskused on koondunud dorsaalsesse (tagumisse) tähelepanuvõrgustikku, kust uuenenud info liigub ennekõike motoorsesse ajukoorde ülesande täitmiseks ja õige nupu vajutamiseks. Nii aitas aju andmetega täiendatud tehisneurovõrk teadlastel täpsemalt tuvastada, milline aju osa osaleb vanade reeglite uuendamises.
Muutes igakülgselt tekkinud neurovõrgu arhitektuuri õnnestus teadlastel kinnitada, et see metoodika võimaldab lokaliseerida ja kirjeldada lihtsaid ülesandeid, kuid kõige keerulisem ülesanne (näiteks esemete visuaalne äratundmine) vajab rohkem kui üht analüüsivate neuronite kihti (Yamins et al., 2014). Enamgi veel – tehisneurovõrkudes saadavad väljundneuronid vaid ühe signaali (väljundi), samas kui inimese ajus olevad „väljundneuronid“ (motoorsed neuronid) saadavad regulaarselt täiendavaid signaale tagasi mööda neurovõrku, et uuendada ja täpsustada sisemisi representatsioone, mida sama neurovõrk kasutab ülesande täitmiseks.
Sellegipoolest näitab eespool kirjeldatu selgelt, et neurovõrgud suudavad mitte üksnes luua päringu alusel pilte ja teksti, vaid ka laiendada meie võimalusi aju uurimiseks. Kui luua piisavalt kompleksne ja mitmekihiline tehisneurovõrk, on võimalik, et teadlastel õnnestub inimaju erinevaid funktsioone „digitaliseerida“. Siiski tuleb seda veel oodata ning kuni see pole juhtunud, peaks inimkond mõtlema erinevate eetiliste küsimuste peale, mis on seotud inimesetaolise tehisintellekti loomisega. Näiteks kas tehisneurovõrgule on võimalik anda eneseteadvuse funktsioon, mis on olemas igal tervel inimesel, ning kui jah, siis mil määral on see vajalik tehisintellektile, mis on õpetatud täitma spetsiifilisi ülesandeid? Igal juhul võib praeguses etapis kindlalt väita, et sünergia neuroteaduse ja neurovõrkude programmeerimise vahel annab selgelt tulemusi uute ajuga seotud anatoomiliste ja funktsionaalsete andmete näol.
Allikad
- Ito, T., Yang, G.R., Laurent, P., Schultz, D.H. and Cole, M.W., 2022. Constructing neural network models from brain data reveals representational transformations linked to adaptive behavior. Nature communications, 13(1), pp.1-16.
- Yamins, D.L., Hong, H., Cadieu, C.F., Solomon, E.A., Seibert, D. and DiCarlo, J.J., 2014. Performance-optimized hierarchical models predict neural responses in higher visual cortex. Proceedings of the national academy of sciences, 111(23), pp.8619-8624.