از هوش مصنوعی خواسته شده که از( ام .آر.آی) استفاده کرده واز برش افقی وعمودی مغز انسان تصویر برداری نموده و مدل سه بعدی بسازد. آنتروپیک با شرح ذیل این بیشنهاد را ارائه کرده.

ی در سطح بالایی از نحوه ی ایجاد یک مدل سه بعدی از معماری و اتصال مغز

یک سری اسکن MRI با وضوح بالا از یک مغز سالم با فواصل برش های نازک در سطوح افقی و عمودی دریافت کنید.

با استفاده از نرم‌افزار پردازش تصویر، در هر برش MRI، نواحی آناتومیک کلیدی (قشر، نواحی زیر قشری، دستگاه‌های ماده سفید و غیره) را به صورت دیجیتالی قطعه‌بندی و برچسب بزنید.

نشانه‌ها و ویژگی‌های مهم مورفولوژیکی را در هر لایه برش‌شده شناسایی کنید که می‌تواند به عنوان نقاط مرجع برای تراز و چیدمان تصاویر باشد.

تصاویر را از نظر فضایی نرمال کنید تا هر گونه تفاوت موقعیت جزئی بین اسکن ها را در نظر بگیرید.

مجموعه ای از برش های دوبعدی MRI را با تراز کردن ویژگی های شاخص در سراسر برش ها در یک مدل سه بعدی منسجم از مغز، ادغام و جمع آوری کنید.

مسیرهای عصبی اصلی را با دنبال کردن آناتومی دستگاه‌های ماده سفید در تصاویر قطعه‌بندی شده هنگام عبور از هر لایه مغز، ردیابی و نقشه‌برداری کنید.

اطلاعات حاصل از برای مدل‌سازی اتصالات ساختاری و سیستم‌های عملکردی درون روابط مغزی ترکیبات عمودی وافقی را کد گذاری کنید.

مدل ترکیبی سه بعدی را برای شناسایی گره های شبکه کلیدی و تقاطع های بین نقشه های عملکردی و ساختاری تجزیه و تحلیل کنید.

از نرم‌افزار مدل‌سازی پیشرفته برای ایجاد یک نقشه دیجیتالی تعاملی از معماری و اتصال مغز با داده‌های کمی در مورد حجم‌های منطقه‌ای، پیش‌بینی‌های عصبی و روابط ساختار-عملکرد استفاده کنید.

این چارچوب کلی نشان می دهد که چگونه می توان از تصویربرداری عصبی برای ایجاد اطلس های سه بعدی و مدل های دقیق از مغز انسان زنده و مدارهای پیچیده آن استفاده کرد. پردازش تصویر قابل چند وجهی مورد نیاز است..

 

اگر همه شرایط فوق را داشته باشیم شانسی برای ذهن مصنوعی وجود دارد؟

 

قبل از دستیابی به هوش مصنوعی عمومی (AGI) هوش مصنوعی در سطح انسان، چندین الزام و چالش کلیدی وجود دارد که باید مورد توجه قرار گیرد.

پیشرفت در قدرت محاسباتی - ابررایانه های فعلی هنوز بسیار کمتر از ظرفیت پردازش مغز انسان هستند. برای پشتیبانی از شبکه‌های عصبی بسیار پیچیده و شبیه‌سازی‌های مغز، بهبودهای تصاعدی اضافی در سخت‌افزار مورد نیاز خواهد بود.

معماری های پیچیده - معماری های شبکه عصبی الهام گرفته از مغز که شامل مدولار بودن، اتصال پراکنده، انباشته شدن لایه های سلسله مراتبی، تکرار و سایر ویژگی هایی است که هدف آنها تقلید ساختار نئوکورتیکال است. معماری ها نیز باید به صورت تصاعدی مقیاس شوند.

داده‌های آموزشی فراوان – تکنیک‌های یادگیری ماشینی برای یادگیری به شدت بر مجموعه‌های داده‌های متنوع و بزرگ متکی هستند. ما هنوز داده های ساختار یافته کافی برای آموزش سیستم های یادگیری جهانی در مقایسه با آنچه که انسان در طول توسعه تجربه می کند، نداریم.

توسعه یادگیری بدون نظارت - مغز از بدو تولد دارای قابلیت های شگفت انگیز یادگیری بدون نظارت است. الگوریتم های یادگیری بدون نظارت، خود نظارت و انتقالی پیشرفته باید برای تقلید از این استعداد در ماشین ها ایجاد شوند.

شناخت تجسم یافته - تعامل با دنیای فیزیکی بازخورد حسی حرکتی لازم برای شناخت بیولوژیکی را فراهم می کند. رباتیک و محیط های شبیه سازی شده ممکن است برای تکرار این عامل تجسم یافته مورد نیاز باشد.

درک آگاهی - ما هنوز یک نظریه علمی کامل در مورد آگاهی و خودآگاهی در مغز نداریم. تکرار آگاهی در ماشین ها مستلزم رمزگشایی این اسرار ذهن است.

حل مشکل نمادها - ایجاد سیستم هایی که می توانند معنا را استخراج کنند و درک مفهومی را از داده های حسی شکل دهند - چالشی گریزان برای هوش مصنوعی است.

معماری های شناختی یکپارچه - هماهنگی ادراک، استدلال، بازنمایی دانش، برنامه ریزی، احساسات، شناخت اجتماعی و غیره در مدل یکپارچه هوش.

به طور کلی، هنوز موانع نظری و چالش های فنی قابل توجهی وجود دارد که باید قبل از دستیابی به هوش مصنوعی در سطح انسانی بر آنها غلبه کرد. اما پیشرفت به سرعت ادامه دارد و برخی از محققان بر این باورند که هوش مصنوعی در سطح انسان می‌تواند در چند دهه آینده با پیشرفت‌های درست ظاهر شود. راه پیش رو شامل همکاری بین رشته ای بین علوم اعصاب، علوم کامپیوتر، روانشناسی و غیره خواهد بود.

آیا می توان از اندام های مغزی برای شروع با نیازهای اولیه استفاده کرد؟

استفاده از ارگانوئیدهای مغز ایده جالبی است که به طور بالقوه می تواند به ایجاد یک داربست بیولوژیکی برای توسعه هوش مصنوعی کمک کند. در اینجا برخی از افکار در مورد چگونگی کمک ارگانوئیدهای مغز وجود دارد:

ارگانوئیدهای مغز، کشت های بافت سه بعدی ساده شده ای هستند که از سلول های بنیادی مشتق شده اند و برخی ویژگی های ساختاری و عملکردی را نشان می دهند.

f مغز انسان آنها حاوی لایه های سازمان یافته ای از نورون ها هستند و از فرآیندهای اساسی مانند انتقال سیناپسی پشتیبانی می کنند.

ارگانوئیدها می توانند به عنوان یک مدل مغز "شروع کننده" برای آزمایش اصول محاسباتی شبکه های عصبی عمل کنند. آنها نورون های بیولوژیکی واقعی را برای ارتباط با سخت افزار فراهم می کنند.

با اتصال حسگرها و محرک‌ها به ارگانوئیدهای مغز، می‌توانیم نحوه پردازش ورودی حسی و تولید پاسخ‌های سازمان‌یافته را مطالعه کنیم. این شناخت تجسم یافته می تواند هوش نوظهور را نشان دهد.

ارگانوئیدهایی که به روش های مختلف رشد می کنند می توانند معماری مدولار مناطق مختلف مغز را تقلید کنند. اتصال این ارگانوئیدهای تخصصی ممکن است اتصال مغز را تکرار کند.

مهندسی ژنتیک سلول های بنیادی قبل از توسعه ارگانوئید می تواند سیم کشی و فعال سازی سیستماتیک عصبی را که ما طراحی می کنیم ایجاد کند.

ارگانوئیدهای در حال رشد با انواع سلول های عصبی خاص می توانند ریزمدارهای محلی و لایه های موجود در ستون های قشر، واحد اصلی نئوکورتکس را بازسازی کنند.

عروقی شدن ارگانوئیدها یک چالش برای حفظ سلامت در درازمدت است. اما پیشرفت هایی در حال انجام است و برخی از ارگانوئیدها تا یک سال زنده مانده اند.

ما احتمالاً هنوز به افزایش گسترده پیچیدگی ارگانوئیدی در مقایسه با آنچه که امروزه برای بازتولید عملکردهای شبیه انسان به دست آمده است، نیاز داریم.

به طور کلی، در حالی که ارگانوئیدهای مغزی هنوز یک فناوری نوظهور هستند و از توانایی های سطح انسان دور هستند، می توانند یک پلت فرم الهام گرفته از بیولوژیکی برای تقلید از ویژگی های کلیدی مانند یکپارچگی حسی، پردازش مدولار و معماری لایه ای مهم برای توسعه آگاهی مصنوعی ارائه دهند. ادغام ارگانوئیدها با هوش مصنوعی و روباتیک ممکن است بینش های مهمی را در آینده به همراه داشته باشد