ШІ-моделі з мільярдами параметрів, навчені на сканах мозку, не можуть передбачити, наскільки добре ви думаєте, тоді як простий статистичний показник успішно це робить — і без будь-якого GPU чи попереднього навчання. Це висновок нового дослідження, яке виявляє фундаментальну сліпу пляму в найсучасніших моделях мозку.
Дослідження
Джованні Марраффіні та колеги з Французького національного інституту досліджень у галузі цифрових наук і технологій (Inria) протестували три найсучасніші фундаментальні моделі мозку (BFM) — великі системи ШІ, попередньо навчені на даних фМРТ тисяч людей. Вони оцінили, наскільки добре кожна модель може передбачити індивідуальну когнітивну продуктивність, використовуючи стандартні когнітивні тести з великих публічних наборів даних, таких як Human Connectome Project.
Результат був вражаючим: кожна BFM передбачала когнітивні здібності гірше, ніж проста лінійна регресія з використанням матриці функціональної зв'язності (FC) — матриці з ~80 000 чисел, що описують попарні кореляції між регіонами мозку. Більше того, більші моделі працювали гірше: версія BrainLM з 650 мільйонами параметрів показала гірші результати, ніж версія з 111 мільйонами параметрів.
Команда простежила проблему до того, що вони називають проблемою розподілу дисперсії. BFM навчаються відтворювати сигнал фМРТ якомога точніше, а це означає, що вони зосереджуються на найбільших, найбільш домінантних компонентах дисперсії — але вони є значною мірою шумом для когнітивних здібностей. Критично важливо, що моделі знищують коскисність третього порядку — статистичний показник, який фіксує асиметричні, негаусові зв'язки між регіонами мозку, який виявляється набагато більш прогностичним для когнітивних здібностей, ніж звичайні кореляції.
Щоб відновити те, що BFM втрачають, дослідники розробили простий лінійний конвеєр: спроектувати сигнал фМРТ у підпростір, який найкраще зберігає коскисність, а потім обчислити FC у цьому підпросторі. Цей метод — що не потребує ні GPU, ні попереднього навчання — перевершив сиру FC і кожну BFM на всіх протестованих наборах даних і мозкових парцеляціях. Він навіть досяг граничної продуктивності прямого проходу BrainLM після цілеспрямованого тонкого налаштування.
Чому це важливо
Це відкриття має глибокі наслідки для того, як ми розуміємо та вимірюємо інтелект. Найбільш когнітивно значущі сигнали мозку можуть бути не найсильнішими або найочевиднішими — вони є тонкими патернами вищого порядку, які ігнорують звичайні моделі ШІ. Для тих, хто цікавиться власними когнітивними здібностями, це свідчить про те, що прості, правильно підібрані показники можуть бути більш інформативними, ніж складні алгоритми чорного ящика.
Важливо, що дослідження показує: вузьке місце в сучасному ШІ для мозку — це не архітектура або розмір моделі, а сама ціль попереднього навчання. Зосередившись на статистиці третього порядку, майбутні моделі можуть стати як простішими, так і точнішими.
Що ви можете зробити
Хоча ви не можете видобути коскисність зі свого мозку вдома, ви можете оцінити, що когнітивні здібності виникають із складних нелінійних взаємодій. Заняття, які кидають виклик вашому мозку — як-от головоломки, вивчення нових навичок або когнітивне тренування — можуть зміцнити ці тонкі зв'язки. І коли ви чуєте заяви про те, що ШІ передбачає інтелект, пам'ятайте: іноді менше — це краще: правильний простий показник може перевершити модель із мільярдами параметрів.
Джерело: arXiv q-bio.NC
Цікавитесь власним мозком? Пройдіть наш безкоштовний адаптивний IQ-тест або спробуйте 306 рівнів тренування мозку.
