ذكاء اصطناعي عصبي يشرح أخيرًا ما تفعله أجزاء الدماغ بالفعل

لسنوات، كانت أكثر الأدوات دقة للتنبؤ بكيفية استجابة الدماغ البشري للغة هي النماذج اللغوية الكبيرة. أطعم النموذج اللغوي الكبير نفس القصة التي يسمعها الشخص في ماسح التصوير بالرنين المغناطيسي الوظيفي، ويمكن للتمثيلات الداخلية للنموذج أن تتنبأ بنشاط رقع فردية من القشرة الدماغية بدقة ملحوظة. لكن هذا النجاح يأتي مع مشكلة غير قابلة للقراءة: هذه النماذج هي مجموعات ضخمة من المعلمات المكتسبة، وليست نظريات علمية يمكن لأي شخص تفسيرها. النموذج الذي يتنبأ بنشاط الدماغ يخبر الباحثين أن منطقة ما تستجيب للغة، لكن ليس ما تلتقطه بالضبط، سواء كان طعامًا أو أماكن أو أرقامًا أو شيئًا آخر تمامًا. مع انتشار النماذج الصندوق الأسود، أصبحت الفجوة بين التنبؤ والفهم واحدة من المشاكل المركزية في علم الأعصاب الحسابي. the-quiet-finding-on-chain-of-thought-monitoring-that-should-worry-frontier-labs

في ورقة بحثية جديدة نُشرت في مجلة Nature Neuroscience، يقدم علماء من أبحاث مايكروسوفت وجامعة كاليفورنيا، بيركلي وجامعة كاليفورنيا، سان فرانسيسكو وجامعة كولومبيا إطارًا مصممًا لإصلاح هذا: الاختبار السببي التوليدي (GCT). تقوم الطريقة بتقطير نماذج التنبؤ بالدماغ إلى روايات قصيرة ومقروءة لما تستجيب له كل رقعة من القشرة الدماغية. ثم تختبر هذه الادعاءات من خلال جعل نموذج لغوي كبير يكتب قصصًا جديدة مصممة لتنشيط منطقة معينة في الدماغ. يسمع الأشخاص القصص في الماسح الضوئي. إذا كان التفسير صحيحًا، تضيء المنطقة المستهدفة. والنتيجة هي طريقة لترجمة النماذج التنبؤية غير القابلة للتفسير مرة أخرى إلى عملة العلم: فرضيات موجزة يمكن تأكيدها أو دحضها في تجربة متابعة. nvidias-nemotron-data-atlas-reveals-why-synthetic-data-is-the-real-agent-bottleneck

كيف يعمل GCT: شرح، ثم تحقق

يحدث GCT في خطوتين. أولاً، لتوليد تفسير، تبدأ الطريقة من نموذج تنبؤي لفوكسل واحد أو منطقة وتحدد العبارات القصيرة التي تدفع استجابته المتوقعة بقوة. يقوم النموذج اللغوي الكبير بعد ذلك بتلخيص تلك الكلمات في تفسير لفظي موجز، غالبًا عبارة واحدة مثل "تحضير الطعام" أو "أسماء الأماكن." الخطوة الثانية تغلق الحلقة. لبناء الثقة في التفسير، يستخدم GCT نموذجًا لغويًا كبيرًا لكتابة قصص جديدة حيث تم بناء كل فقرة بعناية لدفع منطقة في الدماغ وفقًا لتفسيرها. عاد ثلاثة أشخاص إلى الماسح الضوئي لقراءة هذه القصص الاصطناعية. إذا كان نشاط المنطقة لفقراتها الدافعة أكبر بشكل ملحوظ من نشاطها للنص الأساسي، فإن التفسير اجتاز اختبارًا سببيًا حقيقيًا، وليس مجرد اختبار ارتباطي.

عبر جميع الأشخاص الثلاثة، صمد النهج الأساسي. دفعت القصص الاصطناعية بموثوقية مناطقها المستهدفة فوق خط الأساس، مما يؤكد أن التفسيرات القصيرة لـ GCT تلتقط شيئًا تستجيب له القشرة الدماغية بالفعل. كانت التفسيرات أيضًا أكثر جدارة بالثقة حيث كانت نماذج التنبؤ بالدماغ الأساسية أقوى: كلما كان النموذج أكثر استقرارًا، كان تأكيد تفسيره في الماسح الضوئي أكثر موثوقية. the-verification-horizon-why-rewarding-coding-agents-is-getting-harder

شحذ خريطة مناطق معالجة الأماكن

بعد التحقق من صحة الطريقة على المناطق التي كانت انتقائيتها معروفة بالفعل، انتقل الباحثون إلى أسئلة أصعب. غالبًا ما تم التعامل مع ثلاث مناطق مجاورة تشارك في معالجة الأماكن على أنها متشابهة وظيفيًا: القشرة الحزامية الخلفية (RSC)، والمنطقة المجاورة للحصين الخاصة بالأماكن (PPA)، والمنطقة القذالية الخاصة بالأماكن (OPA). في البداية، القصص المكتوبة لمنطقة واحدة نشطت أيضًا المناطق الأخرى. لكن من خلال توليد محفزات تفاضلية، قصص مصممة لتشغيل منطقة واحدة مع إبقاء جيرانها هادئين، تمكن الفريق من فصل الثلاثة عن بعضها. على سبيل المثال، تستجيب RSC بقوة أكبر لأسماء الأماكن الصحيحة، مثل طوكيو أو كونيتيكت، بدلاً من أوصاف الأماكن العامة. هذا هو النوع من النظرية الدقيقة والخاصة بمنطقة معينة التي لا يمكن لنموذج تنبؤي خام تقديمها بمفرده. beyond-copy-paste-scaling-dataset-distillation-with-m3d-and-real-guidance-for-high-resolution-efficiency

اكتشاف مناطق دقيقة جديدة في قشرة الفص الجبهي

إلى جانب المناطق المعروفة، اكتشف المؤلفون مناطق دقيقة جديدة في قشرة الفص الجبهي لم تكن مرسومة من قبل. من خلال مسح شبكة من المواقع المرشحة والاحتفاظ فقط بأكثرها استقرارًا، كشف GCT عن هذه المناطق المضبوطة لمفاهيم محددة بشكل ملحوظ: واحدة انتقائية للحوار بين الأشخاص (كلمات مثل "قال" أو "أخبر")، وواحدة للإشارات إلى أوقات الساعة ("الساعة الواحدة")، وواحدة للقياسات الرقمية ("50 قدمًا"). هذه تمييزات لم يبحث عنها أحد من قبل؛ لقد ظهرت لأن الطريقة يمكنها اقتراح فرضية واختبارها على الفور.

الآثار المترتبة على علم الأعصاب وما بعده

يمتد تأثير GCT إلى ما هو أبعد من علم الأعصاب. يواجه الباحثون في مجالات من علم الجينوم إلى علوم المناخ بشكل متزايد نفس المعضلة: نموذج يتنبأ بشكل جميل لكنه لا يشرح شيئًا. يُظهر GCT أن النموذج القائم على البيانات لا يحتاج أن يكون نهاية الاستفسار. يمكن تقطيره إلى نظرية قابلة للقراءة وقابلة للاختبار تجريبيًا، ويمكن التحقق من تلك النظرية مقابل الواقع من خلال توليد تجارب جديدة عند الطلب. بالنسبة لعلم الأعصاب على وجه التحديد، يشير GCT إلى طريقة أسرع وأكثر غنى بالفرضيات لرسم خريطة القشرة الدماغية: نظام ذكاء اصطناعي يقترح ما قد تقوم بتشفيره منطقة في الدماغ، وتجربة ذات حلقة مغلقة تؤكده أو ترفضه ضمن دراسة واحدة. الدرس الأوسع هو أن صعود النماذج الصندوق الأسود في العلم لا يعني بالضرورة نهاية النظرية القابلة للقراءة البشرية. مع الإطار الصحيح، يمكن أن يتقدما معًا. new-framework-lets-robots-adapt-to-novel-environments-without-retraining