Experimento de IA logra decodificar los pensamientos de las personas.

Científicos encontraron una manera de usar escáneres cerebrales y modelos de inteligencia artificial para transcribir «la esencia» de lo que la gente está pensando, en lo que se describió como un paso hacia la lectura de la mente.

​

Los investigadores se preparan para recolectar datos de actividad cerebral en el Centro de Imágenes Biomédicas de la Universidad de Texas en Austin. Crédito: Nolan Zunk/Universidad de Texas en Austin.

Un nuevo sistema de inteligencia artificial llamado «decodificador semántico» puede traducir en un flujo continuo de texto la actividad cerebral de una persona mientras esta escucha una historia o imagina en silencio que cuenta una.

El sistema fue desarrollado por investigadores de la Universidad de Texas en Austin y podría ayudar a las personas mentalmente conscientes pero que no pueden hablar físicamente —como las debilitadas por derrames cerebrales— a comunicarse de manera inteligible nuevamente.

Dirigido por Jerry Tang, estudiante de doctorado en informática, y Alex Huth, profesor asistente de neurociencia e informática en UT Austin, el trabajo se basa en parte en un modelo de transformador, similar a los que impulsan ChatGPT de Open AI y Bard de Google.

No invasivo.

A diferencia de otros sistemas de decodificación de idiomas en desarrollo, este sistema no requiere que los sujetos tengan implantes quirúrgicos, lo que hace que el proceso no sea invasivo. Los participantes tampoco necesitan usar solo palabras de una lista prescrita.

La actividad cerebral se mide usando un escáner de imagen por resonancia magnética funcional (fMRI) después de un extenso entrenamiento del decodificador, en el cual el individuo escucha horas de podcasts en el escáner. Más tarde, siempre que el participante esté abierto a que se decodifiquen sus pensamientos, el solo pensar o escuchar una nueva historia le permite a la máquina generar el texto correspondiente solo a partir de la actividad cerebral.

​

El estudiante de doctorado Jerry Tang preparándose para recopilar datos de la actividad cerebral de uno de los participantes en el experimento. Crédito: Nolan Zunk/Universidad de Texas en Austin. ​

«Para un método no invasivo, este es un verdadero avance en comparación con lo que se ha hecho antes, que generalmente son palabras sueltas u oraciones cortas», dijo Huth. «Estamos logrando que el modelo decodifique un lenguaje continuo durante largos períodos de tiempo con ideas complicadas».

La esencia de los pensamientos.

El resultado no es una transcripción palabra por palabra. En cambio, los investigadores lo diseñaron para capturar la esencia de lo que se dice o piensa, aunque de manera imperfecta. Aproximadamente la mitad de las veces, cuando el decodificador ha sido entrenado para monitorear la actividad cerebral de un participante, la máquina produce un texto que se asemeja mucho —y a veces con gran precisión— a los significados previstos de las palabras originales.

​

Comparación del texto que escuchó una persona con la salida del decodificador semántico. En verde: esencia. En naranja: exacto. En celeste: error. ​

Por ejemplo, en los experimentos, los pensamientos de un participante que escuchaba a un orador decir: «Todavía no tengo mi licencia de conducir» se traducían como: «Ella ni siquiera ha comenzado a aprender a conducir todavía». Al escuchar las palabras, «No sabía si gritar, llorar o salir corriendo. En lugar de eso, le dije: “¡Déjame en paz!”». Se decodificó como: «Empecé a gritar y llorar, y luego ella simplemente dijo: “Te dije que me dejaras en paz”».

Privacidad mental.

Comenzando con una versión anterior del artículo que apareció como preimpresión en línea, los investigadores abordaron preguntas sobre el posible mal uso de la tecnología, vislumbrando un futuro donde las maquinas podrían leer y transcribir los pensamientos contra la voluntad humana; por ejemplo, mientras dormimos.

Respondiendo a esta preocupación, el documento describe cómo la decodificación funcionó solo con participantes cooperativos que habían participado voluntariamente en el entrenamiento del decodificador. Los resultados para las personas en las que no se había entrenado el decodificador eran ininteligibles, y si los participantes en los que se había entrenado el decodificador se resistían más tarde —por ejemplo, al pensar en otras cosas—, los resultados eran igualmente inutilizables.

​

«Consideramos muy seriamente el que podría usarse para malos propósitos y hemos trabajado para evitarlo», dijo Tang. «Queremos asegurarnos de que las personas solo usen este tipo de tecnologías cuando quieran y que les ayuden».

Practicidad.

Además de hacer que los participantes escucharan o pensaran en historias, los investigadores pidieron a los sujetos que miraran cuatro videos cortos y silenciosos mientras estaban en el escáner. El decodificador semántico pudo usar su actividad cerebral para describir con precisión ciertos eventos de los videos.

Actualmente, el sistema no es práctico para su uso fuera del laboratorio debido a su dependencia del tiempo necesario en una máquina fMRI. Pero los investigadores creen que este trabajo podría transferirse a otros sistemas de imágenes cerebrales más portátiles, como la espectroscopia funcional del infrarrojo cercano (fNIRS).

​

Alex Huth (izquierda), discute el proyecto decodificador semántico con Jerry Tang (centro) y Shailee Jain (derecha) en el Centro de Imágenes Biomédicas de la Universidad de Texas en Austin. ​

Los investigadores entrenaron su decodificador semántico en docenas de horas de datos de actividad cerebral de los participantes, recogidos en un escáner fMRI. Crédito: Nolan Zunk/Universidad de Texas en Austin. «fNIRS mide dónde hay más o menos flujo de sangre en el cerebro en diferentes puntos en el tiempo, lo que resulta que es exactamente el mismo tipo de señal que está midiendo la fMRI», explicó Huth. «Entonces, nuestro tipo exacto de enfoque debería traducirse en fNIRS», aunque, señaló, la resolución con fNIRS sería menor.

Un estudio detallando el experimento ha sido publicado en Nature Neuroscience.

Fuente: https://cns.utexas.edu/news/podcast/brain-activity-decoder-can-reveal-stories-peoples-minds