¿Te costó mucho describirle a tu amigo algo que viste en la televisión anoche?

Pronto, podrá mostrar sus imágenes mentales en la pantalla grande, como lo hicieron los científicos con los ratones.

Un equipo de la École Polytechnique Fédérale de Lausanne (EPFL) ha desarrollado una herramienta de inteligencia artificial (IA) que puede interpretar señales cerebrales de roedores.

El algoritmo, llamado CEBRA, fue entrenado para mapear la actividad neuronal en cuadros específicos de videos, de modo que luego pudiera predecir y reconstruir lo que estaba mirando el mouse.

La noticia llega poco después de que investigadores de la Universidad de Texas en Austin usaran inteligencia artificial para convertir los pensamientos de las personas en texto en tiempo real.

El algoritmo, llamado CEBRA, fue entrenado para mapear la actividad neuronal en cuadros específicos de videos, de modo que luego pudiera predecir y reconstruir lo que estaba mirando el mouse.

“En el futuro, dado que CEBRA no se limita a la visión, creemos que es una herramienta poderosa para las interfaces cerebro-máquina”, dijo a MailOnline el Dr. Mackenzie Mathis, investigador principal del estudio.

Por ejemplo, podría usarse para controlar los cursores de la computadora en pacientes que no pueden moverse, o podría usarse para ayudar a proporcionar sensaciones visuales a los discapacitados visuales si se combina con estimulación cerebral en tiempo real.

“Por supuesto, no puedo predecir esto y faltan años para eso, pero estas son las áreas en las que estoy feliz de ver que la gente usa CEBRA”.

Para un estudio publicado hoy en naturalezaLos investigadores entrenaron a CEBRA usando películas que vieron las ratas y su actividad cerebral en tiempo real.

Parte de la actividad se midió directamente usando sondas de electrodos insertadas en el área de la corteza visual del cerebro.

El resto se recolectó usando sensores de luz en ratones transgénicos cuyas neuronas se vuelven verdes cuando se activan.

Usando estos datos, CEBRA identificó señales cerebrales asociadas con fotogramas de una película específica.

Luego se le dio una actividad cerebral nueva, nunca antes vista, de una rata que miraba un ejemplo ligeramente diferente de un clip de película.

A partir de esto, pudo predecir qué cuadro estaba viendo el mouse en tiempo real, y los investigadores convirtieron esos datos en su propia película.

“No proyectamos cada píxel, proyectamos el marco”, dijo el Dr. Mattis a MailOnline.

El nivel de probabilidad será de 1/900, por lo que creemos que una precisión de más del 95 por ciento es muy emocionante. Pero esta decodificación es algo que planeamos hacer a continuación.

En un video de ejemplo, se puede ver al ratón mirando un clip de película en blanco y negro de la década de 1960 de un hombre corriendo hacia un automóvil y abriendo el maletero.

Una pantalla separada muestra lo que CEBRA cree que está mirando el mouse, que es un video casi idéntico, aunque más borroso.

En un video de ejemplo (arriba), se puede ver al ratón mirando un clip de película en blanco y negro de la década de 1960 de un hombre corriendo hacia un automóvil y abriendo el maletero. Una pantalla separada (abajo) muestra lo que CEBRA cree que está mirando el mouse, y es un video casi idéntico, aunque mucho más borroso.

El algoritmo puede hacer esto utilizando datos de solo el uno por ciento de las neuronas en la corteza visual de un ratón, lo que equivale a alrededor de 0,5 millones de neuronas.

“Queríamos mostrar cuán pocos datos, tanto en términos de clips de película como de datos neurológicos, podemos usar”, dijo el Dr. Mathis a MailOnline.

Esto lo hace más realista para futuras aplicaciones clínicas.

En particular, el algoritmo puede ejecutarse en tiempo real, por lo que el modelo tarda menos de 1 segundo en predecir todo el video.

Los investigadores dicen que CEBRA no se limita simplemente a interpretar la información visual de los datos cerebrales.

También se puede usar para predecir los movimientos de los brazos en primates y para determinar dónde está una rata en su corral mientras corre libremente.

Dr. Mathis dijo:[CEBRA] También podría darnos una idea de cómo el cerebro procesa la información y podría ser una plataforma para descubrir nuevos principios en neurociencia mediante la integración de datos entre animales e incluso especies.

Los investigadores dicen que CEBRA no se limita simplemente a interpretar la información visual de los datos cerebrales. También puede usarlo para predecir los movimientos de los brazos en primates, localizando una rata en su corral mientras corre libremente a su alrededor.

“Las posibles aplicaciones clínicas son emocionantes”.

El mes pasado, un equipo de la Universidad de Osaka dio a conocer una técnica similar, que opera con datos del cerebro humano.

El algoritmo impulsado por IA reconstruyó alrededor de 1,000 imágenes, incluido un oso de peluche y un avión, a partir de escáneres cerebrales con un 80 por ciento de precisión.

Usé el famoso modelo de difusión estable, que se incluye en DALL-E 2 de OpenAI, que puede generar cualquier imagen basada en la entrada de texto.

Los investigadores mostraron a los participantes conjuntos individuales de imágenes y exploraciones de resonancia magnética funcional (fMRI), que luego la IA decodificó.

Del mismo modo, esta semana, científicos de la Universidad de Texas en Austin dieron a conocer una tecnología que convierte la actividad cerebral de una persona en texto.

Tres participantes del estudio escucharon las historias mientras estaban acostados en una máquina de resonancia magnética, mientras que el “decodificador” de IA analizaba su actividad cerebral.

Luego se les pidió que leyeran una historia diferente o que inventaran la suya propia, y el decodificador podría convertir los datos de la resonancia magnética en texto en tiempo real.

Este truco plantea preocupaciones sobre la “privacidad mental” porque puede ser el primer paso para poder espiar los pensamientos de otras personas.

¿Cómo aprende la inteligencia artificial a utilizar las redes neuronales?

Los sistemas de IA se basan en redes neuronales artificiales (ANN), que intentan imitar la forma en que funciona el cerebro para aprender.

Las redes neuronales artificiales se pueden entrenar para reconocer patrones en la información, incluidos el habla, los datos de texto o las imágenes visuales, y son la base de una gran cantidad de avances en inteligencia artificial en los últimos años.

La IA tradicional utiliza información para “enseñar” un algoritmo sobre un tema en particular alimentándolo con cantidades masivas de información.

Los sistemas de IA se basan en redes neuronales artificiales (ANN), que intentan imitar la forma en que funciona el cerebro para aprender. Las redes neuronales artificiales se pueden entrenar para reconocer patrones en la información, incluidos el habla, los datos de texto o las imágenes visuales.

Las aplicaciones prácticas incluyen los servicios de traducción de idiomas de Google, el software de reconocimiento facial de Facebook y los filtros en vivo de modificación de fotos de Snapchat.

El proceso de ingresar estos datos puede llevar mucho tiempo y estar limitado a un tipo de conocimiento.

Una nueva generación de ANN llamada Adversarial Neural Networks enfrenta la inteligencia de dos bots de IA entre sí, lo que les permite aprender unos de otros.

Este enfoque está diseñado para acelerar el proceso de aprendizaje, así como mejorar los resultados generados por los sistemas de IA.