15.7 C
London
viernes, julio 23, 2021

Facebook deja de financiar la interfaz de computadora de lectura del cerebro

- Advertisement -spot_imgspot_img
- Advertisement -spot_imgspot_img

El equipo de UCSF logró un progreso sorprendente y hoy informa en el New England Journal of Medicine que usó esos electrodos para decodificar el habla en tiempo real. El sujeto era un hombre de 36 años al que los investigadores se refieren como “Bravo-1”, quien después de un derrame cerebral grave ha perdido su capacidad para formar palabras inteligibles y solo puede gruñir o gemir. En su informe, el grupo de Chang dice que con los electrodos en la superficie de su cerebro, Bravo-1 ha podido formar oraciones en una computadora a una velocidad de aproximadamente 15 palabras por minuto. La tecnología implica medir señales neuronales en la parte de la corteza motora asociada con los esfuerzos de Bravo-1 para mover su lengua y tracto vocal mientras imagina hablar.

Para alcanzar ese resultado, el equipo de Chang le pidió a Bravo-1 que se imaginara diciendo una de 50 palabras comunes casi 10,000 veces, alimentando las señales neuronales del paciente a un modelo de aprendizaje profundo. Después de entrenar al modelo para relacionar palabras con señales neuronales, el equipo pudo determinar correctamente la palabra que Bravo-1 pensaba decir el 40% del tiempo (los resultados de probabilidad habrían sido de aproximadamente el 2%). Aun así, sus frases estaban llenas de errores. “¿Hola como estas?” podría salir “Hambriento, ¿cómo estás?”

Pero los científicos mejoraron el rendimiento al agregar un modelo de lenguaje, un programa que juzga qué secuencias de palabras son más probables en inglés. Eso aumentó la precisión al 75%. Con este enfoque de cyborg, el sistema podría predecir que la oración de Bravo-1 “Tengo razón en mi enfermera” en realidad significaba “Me gusta mi enfermera”.

Por notable que sea el resultado, hay más de 170.000 palabras en inglés, por lo que el rendimiento se desplomaría fuera del vocabulario restringido de Bravo-1. Eso significa que la técnica, aunque podría ser útil como ayuda médica, no se acerca a lo que Facebook tenía en mente. “Vemos aplicaciones en el futuro previsible en tecnología de asistencia clínica, pero no es ahí donde está nuestro negocio”, dice Chevillet. “Estamos enfocados en las aplicaciones para el consumidor, y hay un largo camino por recorrer para lograrlo”.

Módulo de hardware de investigación FRLR BCI
Equipo desarrollado por Facebook para tomografía óptica difusa, que utiliza luz para medir los cambios de oxígeno en sangre en el cerebro.

FACEBOOK

Fallo óptico

La decisión de Facebook de abandonar la lectura del cerebro no sorprende a los investigadores que estudian estas técnicas. “No puedo decir que esté sorprendido, porque habían insinuado que estaban analizando un período de tiempo corto y que iban a reevaluar las cosas”, dice Marc Slutzky, profesor de Northwestern cuya ex alumna Emily Mugler fue una contratada clave para la que Facebook hizo su proyecto. “Simplemente hablando por experiencia, el objetivo de decodificar el habla es un gran desafío. Todavía estamos muy lejos de una solución práctica que lo abarque todo “.

Aún así, Slutzky dice que el proyecto UCSF es un “siguiente paso impresionante” que demuestra tanto posibilidades notables como algunos límites de la ciencia de la lectura del cerebro. Él dice que si los modelos de inteligencia artificial pudieran entrenarse durante más tiempo y en el cerebro de más de una persona, podrían mejorar rápidamente.

Mientras se realizaba la investigación de la UCSF, Facebook también pagaba a otros centros, como el Laboratorio de Física Aplicada en Johns Hopkins, para descubrir cómo bombear luz a través del cráneo para leer neuronas de forma no invasiva. Al igual que la resonancia magnética, esas técnicas se basan en detectar la luz reflejada para medir la cantidad de flujo sanguíneo a las regiones del cerebro.

Son estas técnicas ópticas las que siguen siendo el mayor obstáculo. Incluso con las mejoras recientes, incluidas algunas de Facebook, no pueden captar señales neuronales con suficiente resolución. Otro problema, dice Chevillet, es que el flujo sanguíneo que detectan estos métodos ocurre cinco segundos después de que se activa un grupo de neuronas, lo que hace que sea demasiado lento para controlar una computadora.

- Advertisement -spot_imgspot_img
Latest news
- Advertisement -spot_img
Related news
- Advertisement -spot_img

Dejar respuesta

Please enter your comment!
Please enter your name here