วิดีโอ AI ที่วิวัฒน์ตัวเองเพื่อกระตุ้นบริเวณสมองเป้าหมายให้ทำงานสูงสุด
(nevo-project.epfl.ch)- NEvo ใช้ดิจิทัลทวินของสมองที่ทำนายการตอบสนองของบริเวณการมองเห็นเป็นโมเดลรางวัล เพื่อวิวัฒน์วิดีโอในสภาพแวดล้อม in silico ให้เพิ่มการกระตุ้นที่คาดการณ์ของบริเวณเฉพาะให้สูงสุด
- แทนค่าตัวแบบของวัตถุ แสง การเคลื่อนไหว และบรรยากาศเป็นเหมือน ยีน แล้วทำซ้ำการสร้าง ประเมิน คัดเลือก ผสมข้าม และกลายพันธุ์ของวิดีโอผู้สมัครตลอดหลายชั่วรุ่น
- เพื่อลดต้นทุนการคำนวณ จึงใช้วิธี 2 ขั้นตอนโดยค้นหา ภาพนิ่ง ที่ให้ผลแรงที่สุดก่อน แล้วจึงสำรวจการเคลื่อนไหวแยกต่างหากเพื่อสร้างเป็นวิดีโอความยาว 2 วินาที
- วิดีโอสังเคราะห์สอดคล้องกับ ความจำเพาะของแต่ละบริเวณ ที่ทราบกันดี เช่น ใบหน้าของ FFA สถานที่ของ PPA และการเคลื่อนไหวของ MT อีกทั้งยังบันทึกการกระตุ้นได้สูงกว่าวิดีโอ localizer ที่ทำด้วยมือและวิดีโอธรรมชาติที่ดีที่สุด
- เมื่อไล่ตามเส้นทางการมองเห็นด้านข้างจาก V1 ไปยัง aSTS สิ่งเร้าที่ชอบจะเปลี่ยนจากลวดลายและการเคลื่อนไหวอย่างง่ายไปเป็นคน ใบหน้า และปฏิสัมพันธ์ทางสังคม โดย ลักษณะทางสังคมและแบบพลวัต จะเด่นชัดขึ้นเรื่อย ๆ
การวิวัฒน์วิดีโอโดยใช้ดิจิทัลทวินเป็นรางวัล
- ฝึกดิจิทัลทวินซึ่งเป็น โมเดลเข้ารหัส ของสมองให้ทำนายการตอบสนองของแต่ละบริเวณการมองเห็นต่อวิดีโอใด ๆ และใช้ค่าตอบสนองที่คาดการณ์ของบริเวณที่เลือกเป็นรางวัลของ NEvo
- วิดีโอแต่ละรายการถูกอธิบายด้วย ยีน จำนวนน้อย เช่น วัตถุ แสง การเคลื่อนไหว และบรรยากาศ
- สร้างชุดวิดีโอผู้สมัครแล้วคำนวณคะแนนด้วยดิจิทัลทวิน
- เก็บผู้สมัครที่ได้คะแนนสูงไว้และนำไปผสมข้ามกับกลายพันธุ์
- ทำกระบวนการนี้ซ้ำหลายชั่วรุ่นเพื่อดันค่าการกระตุ้นที่คาดการณ์ให้สูงขึ้น
- เพื่อหลีกเลี่ยงต้นทุนของการค้นหาภาพและวิดีโอพร้อมกัน จึงทำ การค้นหา 2 ขั้นตอน
- เริ่มจากหาภาพนิ่งเดี่ยวที่ให้ผลแรงที่สุดก่อน
- จากนั้นสำรวจการเคลื่อนไหวเพื่อทำให้ภาพนั้นเคลื่อนไหวเป็นวิดีโอ 2 วินาที
- สังเคราะห์สิ่งเร้าสำหรับทั้งบริเวณความสนใจมาตรฐาน (ROI) บนผิวคอร์เทกซ์และ บริเวณ searchlight แบบหนาแน่น
- ตัวอย่างของ PPA ได้คะแนน 0.767 เทียบเท่าเปอร์เซ็นไทล์ 100.0 เมื่อเทียบกับภาพธรรมชาติ
- ตัวอย่างของ searchlight
rh_5ได้คะแนน 1.124 เทียบเท่าเปอร์เซ็นไทล์ 100.0 เมื่อเทียบกับภาพธรรมชาติ
ความจำเพาะของแต่ละบริเวณและการเปลี่ยนแปลงตามเส้นทางการมองเห็นด้านข้าง
- วิดีโอ 2 วินาทีที่สังเคราะห์ขึ้นสำหรับแต่ละบริเวณสอดคล้องกับสิ่งเร้าที่ทราบว่าบริเวณนั้นชอบ
- FFA ตอบสนองต่อใบหน้า, PPA ต่อสถานที่, EBA ต่อร่างกาย
- MT ชอบการเคลื่อนไหว ส่วน V1·V3A ชอบลวดลาย
- pSTS·aSTS ตอบสนองต่อฉากสังคมที่มีชีวิตชีวา
- วิดีโอของ NEvo ทำให้เกิดการกระตุ้นสูงกว่าวิดีโอ localizer ที่ทำด้วยมือและวิดีโอธรรมชาติที่แรงที่สุดในทุกบริเวณ
- ในทุกบริเวณ วิดีโอที่มีการเคลื่อนไหวให้การตอบสนองสูงกว่า เฟรมแรกที่หยุดนิ่ง ของวิดีโอเดียวกัน ยืนยันถึงความชอบต่อสิ่งเร้าแบบพลวัต
- เมื่อเลื่อน searchlight จาก V1 ไปทาง aSTS สิ่งเร้าสังเคราะห์และกลุ่มคำที่สร้างอัตโนมัติจะเปลี่ยนจากลวดลายและการเคลื่อนไหวอย่างง่ายไปเป็นคน ใบหน้า และปฏิสัมพันธ์ทางสังคม
- ปรากฏแนวโน้มที่ ลักษณะทางสังคมและแบบพลวัต เพิ่มขึ้นเรื่อย ๆ ตามเส้นทางการมองเห็นด้านข้าง
- แม้ในการทดลองที่เริ่มจากแผ่นดิสก์ซ้อนกันแบบนามธรรม ก็ยังแยกคุณลักษณะที่แต่ละบริเวณชอบออกจากกันได้
- การเพิ่มประสิทธิภาพสำหรับ pSTS สร้างตัวละครที่ดูเหมือนใบหน้าและมีปฏิสัมพันธ์กัน
- การเพิ่มประสิทธิภาพสำหรับ MT สร้างการเคลื่อนไหวล้วน ๆ
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
ต่อไป AI จะสามารถสร้าง วิดีโอเสพติดแบบปรับเฉพาะบุคคล ที่กดสวิตช์ทุกตัวในสมองของผู้ชมได้อย่างแม่นยำ และตรึงพวกเขาไว้ราวกับซอมบี้เป็นเวลาหลายวันได้ หวังว่ากฎระเบียบจะกดดันโซเชียลเน็ตเวิร์กอย่างหนักจนไม่กล้าแม้แต่จะนำเทคโนโลยีแบบนี้ออกใช้
นิสัยชอบเอาใจของ GPT-4o และวิกฤต AI psychosis อาจเป็นเพียงตัวอย่างนำร่อง แต่ถึงอย่างนั้นมันก็ยังเป็นแค่การเพิ่มประสิทธิภาพเพื่อ engagement เท่านั้น
แต่ผมหาไม่เจอว่ามีการตรวจสอบหรือไม่ว่าเมื่อเอาวิดีโอที่สร้างขึ้นไปวัดกับคนจริงด้วย MRI แล้ว จะเกิดรูปแบบการกระตุ้นสมองแบบเดียวกับ digital twin หรือไม่ ผมยังสงสัยด้วยว่าตัวแบบที่ทำนายการกระตุ้นสมองจากวิดีโอได้อย่างเสถียรนั้นเป็นไปได้จริงแค่ไหน
ในเชิงระเบียบวิธี เขานำ V-JEPA2 ไปฟิตกับข้อมูล fMRI ด้วย voxel-wise ridge regression ซึ่งสมมติว่าการตอบสนองทางการมองเห็นมีผลต่อแต่ละ voxel แบบอิสระ โมเดลราย voxel นั้นดีสำหรับการอนุมานเชิงสถิติ แต่ไม่ค่อยดีสำหรับการพยากรณ์และการสร้างแบบจำลอง เพราะสมองไม่ได้ทำงานเป็นกลุ่มของบริเวณอิสระ สัญญาณ BOLD เป็นข้อมูลที่มีสัญญาณรบกวนสูงมาก และการออกแบบนี้ก็ดูเรียบง่ายเกินไปเมื่อเทียบกับความเป็นจริง
อินพุตทางประสาทสัมผัสแบบจริง แบบระลึก แบบเสมือน และแบบจินตนาการ ถูกสมองและกระบวนการหลังการรับรู้จัดการต่างกันมาก digital twin มีข้อมูลเพียงบางส่วน จึงมีแนวโน้มสูงว่าจะทำซ้ำได้แค่รูปแบบผิวเผิน และหากเปิดให้เห็นซ้ำมากพอ วงจรที่เดิมยิงพร้อมกันอาจถูกเดินสายใหม่โดยแทบสังเกตไม่ออกก็ได้ ถึงอย่างนั้นก็น่าสนใจที่ตัวงานวิจัยเองก็ยอมรับข้อจำกัดเหล่านี้ไว้เกือบทั้งหมดในภาษาทางวิทยาศาสตร์
B. digital twin เป็นสาขาการจำลองสมองที่กำลังเติบโตและสามารถประมาณรูปแบบกิจกรรมสมองขนาดใหญ่ได้ แต่ยังไม่ถึงระดับจำลองสมองจริงแบบตรงตัว ปกติจะใช้โมเดลนิวรอนประมาณค่าอย่าง integrate-and-fire และใช้สมดุลของกลุ่ม excitatory/inhibitory พร้อมทั้งประเมินการเชื่อมต่อของแอกซอนใน white matter ของอาสาสมัครจาก diffusion imaging เพื่อเพิ่มความแม่นยำ ทุกวันนี้เริ่มถูกนำไปใช้มากขึ้นในการจำลองว่าการผ่าตัดจะมีผลอย่างไรต่อการแพร่กระจายของอาการชักในโรคลมชักก่อนผ่าตัดด้วย เกี่ยวกับเรื่องนี้ ตอน The Virtual Brain ของพอดแคสต์ Theoretical Neuroscience ฟังดีมาก
C. การตรวจสอบมีเพียงบางส่วนเท่านั้น NEVO ปรับให้การตอบสนองทางประสาทเหมาะที่สุดภายใน encoding model ของ digital twin เท่านั้น และแม้ digital twin นั้นจะบอกว่ามี ความตรงเชิงพยากรณ์ค่อนข้างสูง แต่มันก็คนละอย่างกับโมเดล Virtual Brain ที่กล่าวถึงก่อนหน้า ผลลัพธ์ดูสมเหตุสมผลในเชิงประสาทชีววิทยา แต่ยังไม่มีโมเดลอิสระหรือผล fMRI ใหม่ที่ยืนยันว่า stimulus ที่ปรับเหมาะแล้วจะกระตุ้นบริเวณเป้าหมายจริง งานนี้ทำจากข้อมูล fMRI เดิม ดังนั้นขั้นถัดไปตามธรรมชาติก็คือการตรวจสอบแบบเต็มรูปแบบ และบทความนี้ก็อาจช่วยให้ได้ทุนวิจัยที่จำเป็น
D. โดยเฉลี่ยแล้ว เราสามารถสร้าง stimulus แบบคงที่ที่กระตุ้นบริเวณสมองบางจุดให้สูงกว่า baseline ได้มานานแล้ว ความแตกต่างระหว่างบุคคลขึ้นอยู่กับคู่ stimulus-บริเวณ เช่น fusiform face area (FFA) มีขนาดเล็ก จึงต้องหาโดยใช้ stimulus ใบหน้าที่ปรับตามแต่ละคน แทนการใช้วิธี region-of-interest แบบง่ายๆ แต่โดยทั่วไปก็ยังระบุตำแหน่งได้ค่อนข้างเสถียร การวัดกิจกรรมสมองนั้นหยาบมาก ไม่ว่าจะเป็น voxel ขนาดประมาณ 3×3×3mm ของ fMRI พร้อมการตอบสนองทางเฮโมไดนามิกที่มี spatial autocorrelation สูง หรือ receptive field ราว 400mm² ของ EEG digital twin สร้างแบบจำลองพลวัตได้ค่อนข้างดีในระดับความละเอียดนี้ และเพราะในระดับนี้มีข้อมูลอยู่ไม่มากนัก การทำให้เป็นอัตโนมัติด้วยวิดีโอก็ไม่ใช่การกระโดดที่เกินจริงนัก
หลังจากให้อาสาสมัครนั่งในสแกนเนอร์หลายชั่วโมงเพื่อดูวิดีโอต่างๆ โมเดลจะสร้างตัวแทนของข้อมูลขึ้นมาเอง และค้นหาอินพุตที่ทำให้บริเวณเป้าหมายตอบสนองแรงที่สุด ถือเป็นการทำให้งานวิจัยสมองแบบเดิมที่นำเสนอสิ่งเร้าแล้วบันทึกการตอบสนองของสมองเพื่อทำความเข้าใจว่ามนุษย์และการรับรู้นั้นคืออะไร มีลักษณะทั่วไปมากขึ้น
Distractatronเองไม่ได้น่าสนใจนัก แต่สามารถหาช่วงเวลาที่สมาธิหลุดได้อย่างแม่นยำเพื่อนำไปปรับปรุงคอนเทนต์ได้ มีอธิบายละเอียดในบทความ New York Times และบทความ New Yorkerเขาต้องคอยระวังทุกวันตลอดสัปดาห์นานกว่าหนึ่งปี เพราะป้าอาจทำพฤติกรรมอันตรายอย่างเปิดเตาแก๊สไว้ ทำให้ ระบบเฝ้าระวังภัยอันตราย ในสมองถูกใช้งานหนักอย่างต่อเนื่อง ผมยอมรับว่างานวิจัยนี้มีความเป็นวิทยาศาสตร์ แต่ถ้าไม่ควบคุมอย่างเข้มงวด ก็ต้องมีบริษัทที่พยายามโจมตีสมองผู้คนแบบ Rowhammer อย่างแน่นอน
เมื่อมองย้อนหลังไป อาจเคยมีช่วงไฮโปแมเนีย เช่น นอนน้อยลง หวาดระแวงเล็กน้อย หรือมีผลิตภาพสูงผิดปกติเป็นพัก ๆ หากเป็นเรื่องที่เกิดขึ้นไม่นานนี้ก็หวังว่าคงฟื้นตัวได้ดี และยาป้องกัน/รักษาอาการแมเนียรุ่นใหม่ก็ดีขึ้นจากอดีตมาก
อย่างไรก็ตาม ภายใน 20 ปี การเสริมสมองที่ก้าวข้ามอิเล็กโทรด EEG บนหนังศีรษะ โดยผสานชิปฝังที่มีขั้วประสาทเข้ากับการประมวลผล AI ผ่านเครือข่ายอาจเป็นไปได้ ในช่วงแรกสมองคงใช้อินเทอร์เฟซเพื่อเพิ่มสติปัญญา แต่ถ้าทิศทางการควบคุมถูกกลับด้านด้วยการควบคุมจากระยะไกล การบงการสมองอย่างที่กังวลก็อาจกลายเป็นจริงได้ อย่างไรก็ดี งานวิจัยนี้ยังห่างจากสถานการณ์นั้นราวกับคนละจักรวาล จึงโยงเข้าหากันได้ยาก เว้นแต่จะคัดค้านเทคโนโลยีทุกชนิด
มันชวนให้นึกถึงสิ่งเร้าเหนือธรรมชาติ และเรื่องสั้น BLIT แอนิเมชัน V3A ชิ้นหนึ่งคล้ายอย่างเลือนรางกับสิ่งที่ผมเคยเห็นตอนเด็กในยามก่อนหลับยามค่ำคืน แต่ตอนนั้นมันใกล้เคียงรูปทรงวงกลมมากกว่า
ในภาคสนามที่ดูแลผู้มีความบกพร่องทางสติปัญญา มีการใช้แสงจ้าและสิ่งเร้าอื่น ๆ เพื่อทำให้สงบและควบคุม และเป็นที่ทราบกันว่าผู้ที่มีออทิซึมถูกกระตุ้นอย่างแรงจากสีสันที่ชัดจัด เราไม่อาจมั่นใจได้ว่าคนทั่วไปจะไม่เปราะบางต่อสิ่งเร้าประเภทควบคุมเช่นนี้เช่นกัน
บริษัทอาจออก ReMind Long-term ที่สร้างความทรงจำระยะยาวสำหรับโฆษณาด้วยความรู้สึกคล้าย “บาดแผลทางใจ” และ ReMind Short-term ที่ทำงานเหมือนเพลงติดหูในแบบภาพสำหรับโปรโมชันระยะสั้น เป็นอนาคตสดใสที่บริษัทโฆษณาสั่งซื้อกันนับหมื่นรายการ แล้วนำไปติดตั้งทันทีในซูเปอร์มาร์เก็ต ลิฟต์ ปั๊มน้ำมัน ระบบความบันเทิงบนเครื่องบิน และป้ายโฆษณาสาธารณะ
มีนักวิจัยที่ไม่ทันรู้ตัวว่าตนเองกำลังกลายเป็น Fritz Haber ในช่วงเวลาใดช่วงเวลาหนึ่ง
โฟกัสกรุ๊ปของโฆษณาพัฒนาต่อมาเป็นการทดสอบ A/B เพื่อหา preference ที่ผู้ใช้แสดงออกมาอย่างชัดเจน และงานวิจัยเรื่องไขมัน เกลือ น้ำตาล ก็ให้กำเนิดฟาสต์ฟู้ดที่เกือบเสพติดได้ เทคโนโลยีนี้เป็นเพียง ขั้นถัดไปที่สมเหตุสมผล เท่านั้น