L’Istituto di Neuroscienze Wu Tsai di Stanford ha sviluppato un modello di intelligenza artificiale denominato rete neurale artificiale topografica profonda (TDANN), che emula l’organizzazione cerebrale delle informazioni visive. Questo modello, che impiega input naturalistici e vincoli spaziali, ha replicato con successo le mappe funzionali del cervello, aprendo nuove prospettive sia nella ricerca neuroscientifica sia nell’intelligenza artificiale. I risultati, pubblicati dopo sette anni di studi, evidenziano la possibilità di sviluppare AI più efficienti dal punto di vista energetico e di migliorare gli esperimenti di neuroscienza virtuale, con potenziali rivoluzioni nei trattamenti medici e nelle capacità di elaborazione visiva dell’AI.
I ricercatori di Stanford hanno creato un’intelligenza artificiale che simula le risposte cerebrali agli stimoli visivi, con implicazioni significative per l’efficienza energetica e i progressi medici. Un team dell’Istituto di Neuroscienze Wu Tsai ha ottenuto un importante progresso nell’uso dell’AI per imitare il modo in cui il cervello elabora le informazioni sensoriali per comprendere il mondo, aprendo la strada a sviluppi nella neuroscienza virtuale.
Nelle regioni visive del cervello, gruppi vicini di neuroni selettivi per l’angolo si attivano in sequenza mentre la lancetta dei secondi di un orologio compie il suo giro. Queste cellule formano mappe a “girandola”, con ogni segmento che rappresenta una percezione visiva di un angolo diverso. Altre aree visive del cervello contengono mappe di caratteristiche visive più complesse e astratte, come la distinzione tra immagini di volti noti e luoghi, che attivano distinti “quartieri” neurali.
Per rispondere al quesito sul perché il cervello abbia evoluto una disposizione simile a una mappa, il team di Stanford ha sviluppato un nuovo tipo di algoritmo AI — la TDANN — che segue due regole: input sensoriali naturalistici e vincoli spaziali sulle connessioni, riuscendo a prevedere sia le risposte sensoriali sia l’organizzazione spaziale di molteplici parti del sistema visivo umano.
Il modello TDANN, a differenza delle reti neurali convenzionali, incorpora vincoli spaziali, disponendo i suoi neuroni virtuali su un “foglio corticale” bidimensionale e richiedendo che i neuroni vicini condividano risposte simili agli input sensoriali. Man mano che il modello apprendeva a elaborare le immagini, questa struttura topografica lo portava a formare mappe spaziali, replicando il modo in cui i neuroni nel cervello si organizzano in risposta agli stimoli visivi. In particolare, il modello ha replicato strutture complesse come le formazioni a girandola nella corteccia visiva primaria (V1) e i cluster di neuroni nella corteccia temporale ventrale superiore (VTC) che rispondono a categorie come volti o luoghi.
Eshed Margalit, autore principale dello studio, ha affermato che il team ha utilizzato approcci di apprendimento auto-supervisionato per migliorare l’accuratezza dei modelli di addestramento che simulano il cervello. “È probabilmente più simile al modo in cui i neonati imparano il mondo visivo”, ha detto Margalit.
Questo approccio innovativo ha implicazioni significative sia per le neuroscienze sia per l’intelligenza artificiale. Per i neuroscienziati, la TDANN offre una nuova prospettiva per studiare come si sviluppa e funziona la corteccia visiva, potenzialmente trasformando i trattamenti per i disturbi neurologici. Per l’AI, le intuizioni derivanti dall’organizzazione del cervello possono portare a sistemi di elaborazione visiva più sofisticati, simili all’insegnamento ai computer di ‘vedere’ come fanno gli umani.
I risultati potrebbero anche aiutare a spiegare come il cervello umano operi con un’efficienza energetica eccezionale. Ad esempio, il cervello umano può eseguire un miliardo di miliardi di operazioni matematiche con solo 20 watt di potenza, rispetto a un supercomputer che richiede un milione di volte più energia per fare lo stesso calcolo. Queste intuizioni potrebbero essere fondamentali per progettare sistemi artificiali più efficienti ispirati all’eleganza del cervello.
“L’AI è limitata dal consumo energetico“, ha detto Yamins. “A lungo termine, se le persone sapessero come gestire sistemi artificiali con un consumo energetico molto più basso, ciò potrebbe alimentare lo sviluppo dell’AI.”
L’AI più efficiente dal punto di vista energetico potrebbe favorire la crescita della neuroscienza virtuale, dove gli esperimenti potrebbero essere condotti più rapidamente e su larga scala. Nel loro studio, i ricercatori hanno dimostrato come principio di prova che la loro rete neurale artificiale topografica profonda ha riprodotto risposte cerebrali simili a quelle umane a una vasta gamma di stimoli visivi naturalistici, suggerendo che tali sistemi potrebbero, in futuro, essere utilizzati come ambienti economici e veloci per prototipare esperimenti di neuroscienza e identificare rapidamente ipotesi per test futuri.
Gli esperimenti di neuroscienza virtuale potrebbero anche avanzare la cura medica umana. Ad esempio, addestrare meglio un sistema visivo artificiale nel modo in cui un neonato impara visivamente il mondo potrebbe aiutare un’AI a vedere il mondo come un umano, dove il centro dello sguardo è più nitido rispetto al resto del campo visivo. Un’altra applicazione potrebbe aiutare a sviluppare protesi per la visione o simulare esattamente come le malattie e le lesioni influenzano parti del cervello.
“Se puoi fare previsioni che aiuteranno a sviluppare dispositivi protesici per persone che hanno perso la vista, penso che sarà davvero una cosa incredibile”, ha detto Grill-Spector.
Riferimento: “A unifying framework for functional organization in early and higher ventral visual cortex” di Eshed Margalit, Hyodong Lee, Dawn Finzi, James J. DiCarlo, Kalanit Grill-Spector e Daniel L.K. Yamins, 10 maggio 2024, Neuron.
DOI: 10.1016/j.neuron.2024.04.018