Ərzaq mağazasında bir çanta yerkökü görəndə ağlınız kartof və cəfəri, yoxsa camış qanadları və kərəvizə gedir?

Bu, əlbəttə ki, qışda dadlı yemək hazırlamağınızdan və ya Super Bowl-a baxmağa hazırlaşmağınızdan asılıdır.

Alimlərin çoxu razılaşır ki, bir obyekti kateqoriyalara ayırmaq, məsələn, yerkökü kök bitkisi və ya ziyafət qəlyanaltısı kimi düşünmək – prefrontal korteksin işidir , beyin bölgəsi düşüncə üçün məsuldur və bizi ağıllı və sosial edən digər yüksək səviyyəli funksiyalar. Bu hesabda, beynin gözləri və görmə bölgələri bir növ təhlükəsizlik kamerası kimi məlumatları toplayır və analiz üçün ötürməzdən əvvəl standart bir şəkildə emal edir.

Bununla belə, Columbia Engineering-in dosenti, biotibbi mühəndis və nevroloq Nuttida Rungratsameetaweemana tərəfindən aparılan yeni bir araşdırma göstərir ki, beynin görmə bölgələri məlumatın anlamlandırılmasında aktiv rol oynayır. Əsas odur ki, onun məlumatı necə şərh etməsi beynin qalan hissəsinin nə üzərində işlədiyindən asılıdır.

Əgər Super Bowl Bazar günüdürsə, vizual sistem bu yerkökü qabığının prefrontal korteks onların mövcud olduğunu bilmədən əvvəl tərəvəz qabında görür.

Aprelin 11-də Nature Communications jurnalında dərc edilən tədqiqat erkən sensor sistemlərin qərar qəbul etmədə rol oynadığına və onların real vaxt rejimində uyğunlaşdığına dair ən aydın sübutlardan bəzilərini təqdim edir. O, həmçinin yeni və ya gözlənilməz vəziyyətlərə uyğunlaşa bilən AI sistemlərinin dizaynı üçün yeni yanaşmalara işarə edir.

Tədqiqat haqqında daha çox öyrənmək üçün Rungratsameetaweemana ilə oturduq.

Bu yeni araşdırmada maraqlı olan nədir?

Bizim tapıntılarımız beynin erkən duyğu sahələrinin sadəcə vizual girişi “baxmaq” və ya “qeyd etmək” olduğuna dair ənənəvi fikrə etiraz edir. Əslində, insan beyninin görmə sistemi nə etməyə çalışdığınızdan asılı olaraq eyni obyekti necə təmsil etdiyini aktiv şəkildə yenidən formalaşdırır. Gözlərə daxil olan xam məlumatlara çox yaxın olan vizual sahələrdə belə, beyin cari tapşırıq əsasında şərhini və cavablarını tənzimləmək üçün çevikliyə malikdir. Bu, bizə beyindəki çeviklik haqqında düşünmək üçün yeni bir yol verir və bu sinir strategiyalarından sonra modelləşdirilmiş daha uyğunlaşan AI sistemlərinin potensial olaraq necə qurulmasına dair fikirlər açır.

Bu təəccüblü nəticəyə necə gəldiniz?

Əvvəlki işlərin əksəriyyəti insanların kateqoriyaları zamanla necə öyrəndiyinə baxırdı, lakin bu araşdırma çeviklik hissəsini daha da genişləndirir: Beyin eyni vizual məlumatı təşkil etməyin müxtəlif yolları arasında necə sürətlə keçid edir?

Təcrübələriniz necə idi?

İnsanların müxtəlif kateqoriyalara formalar qoyarkən beyin fəaliyyətini müşahidə etmək üçün funksional maqnit rezonans tomoqrafiyasından (fMRI) istifadə etdik . Twist formaları təsnif etmək üçün “qaydalar” dəyişməyə davam etdi. Bu, kateqoriyaları necə təyin etdiyimizdən asılı olaraq vizual korteksin formaları necə təmsil etdiyini müəyyənləşdirməyə imkan verir.

Çoxvariantlı təsnifatçılar da daxil olmaqla hesablama maşın öyrənmə vasitələrindən istifadə edərək məlumatları təhlil etdik. Bu alətlər müxtəlif forma şəkillərinə cavab olaraq beynin aktivləşdirilməsi nümunələrini araşdırmaq və beynin müxtəlif kateqoriyalardakı formaları necə aydın şəkildə fərqləndirdiyini ölçmək imkanı verir. İştirakçılarımızın formaları hansı kateqoriyalara ayırmasından asılı olaraq beynin fərqli reaksiya verdiyini gördük.

Bu təcrübələrdən əldə edilən məlumatlarda nə gördünüz?

Vizual sistemdəki fəaliyyət, o cümlədən birbaşa gözlərdən gələn məlumatlarla məşğul olan ilkin və ikincili vizual kortekslər, demək olar ki, hər bir işdə dəyişdi. Onlar insanların hansı qərar qaydalarından istifadə etməsindən asılı olaraq fəaliyyətlərini yenidən təşkil etdilər ki, bu, kateqoriyalar arasında boz sahənin yaxınlığında bir forma olduqda beyin aktivləşdirmə nümunələrinin daha fərqli olması ilə göstərildi. Bunları ayırd etmək ən çətin formalar idi, ona görə də əlavə emal ən faydalı olar.

İnsanların tapşırıqları daha yaxşı yerinə yetirdiyi hallarda fMRI məlumatlarında daha aydın sinir nümunələri görə bilirdik. Bu, vizual korteksin çevik təsnifat tapşırıqlarını həll etməkdə bizə birbaşa kömək edə biləcəyini göstərir.

Bu tapıntıların nəticələri nədən ibarətdir?

Çevik idrak insan idrakının əlamətidir və hətta ən müasir süni intellekt sistemləri hələ də çevik tapşırıqların icrası ilə mübarizə aparır. Nəticələrimiz yeni vəziyyətlərə daha yaxşı uyğunlaşa bilən AI sistemlərinin dizaynına töhfə verə bilər. Nəticələr həmçinin DEHB və ya digər idrak pozğunluqları kimi şəraitdə idrak elastikliyinin necə pozula biləcəyini başa düşməyə kömək edə bilər. Bu həm də beynimizin, hətta emalın ən erkən mərhələlərində nə qədər diqqətəlayiq və effektiv olduğunu xatırladır.

Bu tədqiqat xətti üçün növbəti nə var?

Çevik kodlaşdırmanın sinir dövrələri səviyyəsində necə işlədiyini öyrənməklə nevrologiyanı daha da irəli aparırıq. fMRI ilə biz neyronların böyük populyasiyalarına baxırdıq. Yeni bir təqib tədqiqatında, kəllə içərisində nevroloji fəaliyyəti qeyd edərək, çevik kodlaşdırmanın dövrə mexanizmlərini araşdırırıq. Bu, insan beynindəki fərdi neyronların və neyron dövrələrin çevik, məqsədyönlü davranışı necə dəstəklədiyini soruşmağa imkan verir.

Biz həmçinin bu ideyaların süni sistemlər üçün necə faydalı ola biləcəyini araşdırmağa başlayırıq. İnsanlar, hətta qaydalar dəyişdikdə belə, yeni məqsədlərə uyğunlaşmaqda həqiqətən yaxşıdırlar, lakin indiki AI sistemləri tez-tez bu cür çevikliklə mübarizə aparır. Ümid edirik ki, insan beynindən öyrəndiklərimiz yalnız yeni girişlərə deyil, həm də yeni kontekstlərə daha çevik uyğunlaşan modellər hazırlamağa kömək edə bilər .

Daha çox məlumat: Margaret M. Henderson et al, Dinamik təsnifat qaydaları insanın vizual korteksindəki təmsilləri dəyişdirir, Nature Communications (2025). DOI: 10.1038/s41467-025-58707-4

Jurnal məlumatı: Nature Communications Kolumbiya Universiteti Mühəndislik və Tətbiqi Elmlər Məktəbi tərəfindən təmin edilmişdir