Drie nieuwe onderzoeken van toonaangevende instellingen, waaronder de Hebreeuwse Universiteit, Google Research en Caltech, hebben nieuw licht geworpen op de relatie tussen kunstmatige intelligentie en het menselijk brein. Het onderzoek suggereert dat AI-modellen taal verwerken op een manier die opvallend veel lijkt op biologische neurale activiteit, terwijl ze tegelijkertijd de manier beïnvloeden waarop mensen in de echte wereld spreken. Deze onderzoeken maken gebruik van deep-learning-frameworks en taalkundige analyses om te onderzoeken hoe AI aansluit bij de hersenfunctie, hoe het onze woordenschat verandert en hoe het kan helpen bij het simuleren van biologische neuronen.
Het brein bouwt betekenis op als een LLM
Een team onder leiding van Dr. Ariel Goldstein van de Hebreeuwse Universiteit, in samenwerking met Google Research en Princeton, gebruikte elektrocorticografie (ECoG) om de directe elektrische activiteit van de hersenen vast te leggen van deelnemers die naar een podcast van 30 minuten luisterden. Ze vergeleken deze signalen met de gelaagde architectuur van grote taalmodellen (LLM’s) zoals GPT-2 en Lama 2. De studie vond een opmerkelijke afstemming:
- Vroege lagen: De initiële neurale reacties van de hersenen kwamen overeen met de ondiepe lagen van AI-modellen, die fundamentele taalkundige elementen verwerken.
- Diepe lagen: Latere neurale reacties, vooral in het gebied van Broca, kwamen overeen met diepere AI-lagen die complexe context en betekenis verwerken.
“Wat ons het meest verbaasde was hoe nauw de temporele ontvouwing van betekenis in de hersenen overeenkomt met de opeenvolging van transformaties binnen grote taalmodellen”, aldus Goldstein. Dit suggereert dat, ondanks hun verschillende structuren, zowel het menselijk brein als de AI-modellen betekenis stapsgewijs, laag voor laag, construeren. Om verdere ontdekkingen te ondersteunen heeft het team de volledige dataset van neurale opnames vrijgegeven aan het publiek, waardoor wetenschappers over de hele wereld alternatieve theorieën over taalverwerking kunnen testen.
“Lexical Seepage”: AI verandert de manier waarop we spreken
In een afzonderlijk onderzoek analyseerde taalkundige Tom Juzek van de Florida State University 22 miljoen woorden uit niet-gescripte podcasts om de impact van AI op de menselijke spraak te meten. Door gegevens van vóór en na de release van ChatGPT in 2022 te vergelijken, identificeerde het onderzoek een fenomeen dat Juzek ‘lexicale kwel’ noemt. Uit het onderzoek bleek dat er sprake was van een plotselinge toename van het aantal specifieke woorden dat vaak door AI wordt gegenereerd, terwijl de synoniemen geen vergelijkbare toename lieten zien. Deze woorden omvatten:
- “Delven” (om diep te onderzoeken)
- “Zorgvuldig” (met zorgvuldige aandacht voor detail)
- “Verzamel” (verzamelen of verzamelen)
- “Opscheppen” (verwijzend naar het bezitten van een functie)
“AI kan letterlijk woorden in onze mond leggen, omdat herhaalde blootstelling ertoe leidt dat mensen modewoorden internaliseren en hergebruiken die ze misschien niet op natuurlijke wijze hebben gekozen.”
In tegenstelling tot jargon dat zich sociaal verspreidt, komt deze verschuiving voort uit algoritmische output in teksten en artikelen. De analyse roept vragen op over de mogelijke standaardisatie van menselijke spraak en de afvlakking van regionale dialecten onder invloed van uniforme AI-terminologie.
NOBLE: Neuronen 4.200 keer sneller simuleren
Bij de NeurIPS-conferentieintroduceerden wetenschappers van Caltech en Cedars-Sinai NOBLE (Neural Operator with Biologically-informed Latent Embeddings). Dit nieuwe deep-learning raamwerk kan 4200 keer sneller virtuele modellen van hersenneuronen genereren dan traditionele methoden. Terwijl traditionele oplossers complexe differentiaalvergelijkingen gebruiken die veel rekenkracht vereisen, gebruikt NOBLE neurale operators om het gedrag van werkelijke biologische neuronen te repliceren, inclusief hun vuursnelheid en reacties op stimuli. Met deze snelheid kunnen onderzoekers simulaties opschalen naar grotere hersencircuits waarbij miljoenen onderling verbonden cellen betrokken zijn. Het raamwerk heeft tot doel het onderzoek naar hersenaandoeningen zoals epilepsie en de ziekte van Alzheimer te versnellen door wetenschappers in staat te stellen hypothesen snel te testen zonder zich uitsluitend te verlaten op beperkte dier- of mensexperimenten.
