Miya skanerlarida o'qitilgan milliard parametrli AI modellari sizning qanchalik yaxshi fikrlashingizni bashorat qila olmaydi, oddiy statistik o'lchov esa buni uddalaydi — va buni hech qanday GPU yoki oldindan tayyorgarliksiz amalga oshiradi. Bu yangi tadqiqotning topilmasi bo'lib, bugungi eng ilg'or miya modellarida fundamental ko'r nuqtani ochib beradi.
Tadqiqot
Giovanni Marraffini va uning hamkasblari Fransiya Raqamli Fan va Texnologiyalar Milliy Tadqiqot Institutida (Inria) uchta eng zamonaviy miya asos modellarini (BFM) — minglab odamlarning fMRI ma'lumotlari bo'yicha oldindan o'qitilgan katta AI tizimlarini — sinovdan o'tkazdilar. Ular har bir modelning individual kognitiv samaradorlikni qanchalik yaxshi bashorat qila olishini, odamlarning katta ochiq ma'lumotlar to'plamlaridagi standart kognitiv testlar yordamida baholadilar.
Natija hayratlanarli edi: har bir BFM kognitiv qobiliyatni miya hududlari orasidagi juftlik korrelyatsiyasini tavsiflovchi ~80 000 raqamdan iborat matritsa bo'lgan funksional bog'liqlik (FC) matritsasidan foydalangan oddiy chiziqli regressiyadan ko'ra yomonroq bashorat qildi. Bundan tashqari, katta modellar yomonroq ishladi: BrainLMning 650 million parametrli versiyasi 111 million parametrli versiyasidan past ko'rsatkichga ega bo'ldi.
Jamoa muammoni ular dispersiyani taqsimlash muammosi deb atagan narsaga bog'ladi. BFMLar fMRI signalini iloji boricha aniq tiklash uchun o'qitilgan, bu esa ular eng katta, eng dominant dispersiya komponentlariga e'tibor qaratishlarini anglatadi — ammo bu ko'pincha kognitiv qobiliyat uchun shovqindir. Eng muhimi, modellar uchinchi tartibli ko-skewsnessni — miya hududlari orasidagi assimetrik, Gauss bo'lmagan munosabatlarni qamrab oluvchi statistik o'lchovni — yo'q qiladi, bu esa oddiy korrelyatsiyalarga qaraganda kognitiv qobiliyatni ancha yaxshi bashorat qiladi.
BFMlar yo'qotadigan narsani tiklash uchun tadqiqotchilar oddiy chiziqli quvur liniyasini yaratdilar: fMRI signalini ko-skewsnessni eng yaxshi saqlaydigan pastki fazoga proyeksiyalash, so'ngra shu pastki fazoda FCni hisoblash. Bu usul — hech qanday GPU va oldindan tayyorgarlikni talab qilmaydi — sinovdan o'tgan barcha ma'lumotlar to'plamlari va miya parsellyatsiyalarida xom FC va har bir BFMdan yaxshiroq ishladi. Hatto maqsadli nozik sozlashdan keyin BrainLMning oldinga o'tishining maksimal ko'rsatkichiga tenglashdi.
Nima uchun bu muhim
Bu topilma intellektni qanday tushunishimiz va o'lchashimizga chuqur ta'sir ko'rsatadi. Miyaning eng kognitiv ahamiyatga ega signallari eng kuchli yoki eng aniq bo'lmasligi mumkin — ular nozik, an'anaviy AI modellari e'tiborsiz qoldiradigan yuqori tartibli naqshlardir. O'zining kognitiv qobiliyatiga qiziqqan har kim uchun bu oddiy, yaxshi tanlangan o'lchovlar murakkab qora quti algoritmlariga qaraganda ancha informativ bo'lishi mumkinligini ko'rsatadi.
Muhimi, tadqiqot hozirgi miya AIidagi to'siq model arxitekturasi yoki hajmi emas, balki oldindan tayyorgarlik maqsadining o'zi ekanligini ochib beradi. Uchinchi tartibli statistikaga e'tibor qaratish orqali kelajakdagi modellar ham soddaroq, ham aniqroq bo'lishi mumkin.
Siz nima qila olasiz
Uyda miyangizdan ko-skewsnessni chiqarib ololmasangiz ham, kognitiv qobiliyat murakkab, chiziqli bo'lmagan o'zaro ta'sirlardan kelib chiqishini qadrlashingiz mumkin. Miyangizni jumboqlar, yangi ko'nikmalarni o'rganish yoki kognitiv trening kabi faoliyatlar bilan mashq qildirish bu nozik aloqalarni mustahkamlashi mumkin. Va AI intellektni bashorat qiladi degan da'volarni eshitsangiz, ba'zan kamroq ko'proq ekanligini unutmang: to'g'ri oddiy o'lchov milliard parametrli modeldan ustun kelishi mumkin.
Manba: arXiv q-bio.NC
O'z miyangizga qiziqasizmi? Bepul adaptiv IQ testimizni o'ting yoki 306 miya trening darajasini sinab ko'ring.
