محققان هوش مصنوعی از شرکت متا به موفقیت دیگری دست یافته‌اند و الگوریتمی طراحی کردند که می‌تواند فرآیند تبدیل فعالیت مغز را به تصاویری که هر روز می‌بینیم تکرار کند.
محققان متا توضیح دادند که از یک تکنیک تصویربرداری عصبی غیر تهاجمی به نام مغناطیسی مغزی یا MEG برای جمع‌آوری هزاران اندازه‌گیری فعالیت مغز در هر ثانیه استفاده می‌کنند. سپس سیستم هوش مصنوعی که آنها توسعه داده‌اند می‌تواند این فعالیت را رمزگشایی کند تا بازنمایی‌های بصری را در مغز انسان ایجاد کند.
این تحقیق بر اساس سیستم قبلی متا ایجاد شده است که می تواند گفتار را از سیگنال های MEG رمزگشایی کند. سیستم هوش مصنوعی جدیدی که آنها ایجاد کردند از سه بخش تشکیل شده است، یعنی یک رمزگذار تصویر، یک رمزگذار مغزی و یک رمزگشای تصویر. اول، رمزگذار تصویر مجموعه ای غنی از بازنمایی یک تصویر را مستقل از مغز ایجاد می کند. سپس، رمزگذار مغز یاد می گیرد که سیگنال های MEG را با آن جاسازی های تصویر تراز کند. در نهایت، رمزگشای تصویر یک تصویر قابل قبول بر اساس آن بازنمایی های مغز ایجاد می کند.
محققان عملکرد هوش مصنوعی را با مقایسه آن با چندین واحد تصویری از پیش آموزش دیده ارزیابی کردند و دریافتند که سیگنال‌های مغز با سیستم‌های هوش مصنوعی بینایی کامپیوتری مدرن مطابقت دارند.
موارد بالا نشان داده اند که یادگیری خود نظارتی در سیستم‌های هوش مصنوعی می‌تواند به بازنمایی‌هایی شبیه مغز منجر شود؛ به گونه‌ای که نورون‌های مصنوعی در صورت ارائه تصاویر مشابه به نورون‌های مغز پاسخ مشابهی می‌دهند.
این شرکت ابتکار تحقیقات بلندمدت META را برای درک مبانی هوش انسانی، شناسایی شباهت‌ها و همچنین تفاوت‌ها در مقایسه با الگوریتم‌های یادگیری ماشینی موجود و در نهایت هدایت توسعه سیستم‌های هوش مصنوعی طراحی شده برای یادگیری و تفکر مانند انسان را ارتقاء می‌دهد.
اگرچه تصاویر تولید شده ناقص هستند؛ اما این تحقیق گام مهمی به جلو در درک هوش انسانی است که همگرایی بین سیستم‌های هوش مصنوعی و مغز را برجسته می‌کند و توسعه سیستم‌های هوش مصنوعی شبیه انسان را هدایت می‌کند.
محققان متا بر این باورند که کار آنها پیشرفت مهمی است که می تواند به جامعه علمی در درک مبانی هوش انسانی کمک کند. در بلندمدت، می‌تواند پله‌ای به سوی رابط‌های غیرتهاجمی مغز و رایانه باشد که می‌تواند برای کمک به درمان افراد مبتلا به آسیب‌های مغزی مورد استفاده قرار گیرد. همچنین می تواند راه را برای ساختن سیستم های هوش مصنوعی با پتانسیل بیشتر برای یادگیری و استدلال مانند انسان ها هموار کند.
