Tym razem ciągle nie chodzi o magiczne zastąpienie oka kamerą i wysłanie do mózgu gotowego obrazu. Chodzi raczej o mozolne uczenie układu nerwowego, że określone impulsy elektryczne mogą oznaczać punkt, kształt, ruch albo przeszkodę. Naukowcy z EPFL próbują teraz przesunąć tę granicę jeszcze dalej, bo od prostych błysków w stronę obiektów, twarzy i bardziej sensownego widzenia.
Najciekawsze jest ominięcie całej drogi do mózgu
W klasycznym myśleniu o wzroku wszystko zaczyna się od oka. Światło wpada przez rogówkę i soczewkę, trafia na siatkówkę, zostaje zamienione w sygnały nerwowe, a potem nerwem wzrokowym dociera do mózgu. Problem w tym, że przy wielu chorobach, urazach i degeneracjach nie da się naprawić uszkodzonego elementu tego toru. Jeśli zawodzi siatkówka, można próbować implantów siatkówkowych. Jeśli siatkówka jest zbyt zniszczona, ale nerw wzrokowy nadal daje się pobudzać, to wtedy można myśleć o protezach nerwu wzrokowego. Jeśli jednak ta droga też odpada, to zostaje podejście najradykalniejsze – ominąć oko i nerw wzrokowy, a następnie pobudzać bezpośrednio korę wzrokową.
Czytaj też: Ceny litu runą? Naukowcy rozpuścili skałę i zobaczyli kopalnię jutra bez gór odpadów
Tu zaczyna się część, która brzmi jak rozwiązanie rodem z odległej przyszłości, ale opiera się na bardzo konkretnych ograniczeniach inżynieryjnych. Korowa proteza wzroku nie “pokazuje obrazu” w taki sposób, w jaki monitor pokazuje zdjęcie. Elektrody pobudzają wybrane obszary mózgu, a użytkownik może odbierać coś w rodzaju błysków, plam, punktów lub prostych symboli. Takie wrażenia nazywa się fosfenami, co stanowi raczej surowy alfabet, z którego mózg dopiero próbuje złożyć użyteczną informację.
Ograniczenie tego podejścia jest podwójne. Po pierwsze, dotychczasowe podejścia zwykle celowały w niższe obszary układu wzrokowego, gdzie łatwiej wywołać proste wrażenia świetlne, ale trudniej o coś przypominającego złożony obiekt. Po drugie, sprzęt nie pozwala w nieskończoność dokładać elektrod w jednym miejscu i jednocześnie pobudzać wszystkiego z dowolną precyzją. Naukowcy mogą więc rysować w mózgu, ale na razie robią to grubym, ograniczonym technicznie narzędziem.
EPFL chce przestać rysować kropki i zacząć celować w znaczenie
Właśnie dlatego praca zespołu Martina Schrimpfa z EPFL jest tak intrygująca. Chodzi w niej o znalezienie lepszej mapy. Jeśli niższe obszary wzrokowe nadają się do prostych błysków, to wyższe obszary wzrokowe odpowiadają za bardziej złożone reprezentacje – rozpoznawanie twarzy, domów, samochodów i innych obiektów. Problem polega na tym, że im wyżej w hierarchii przetwarzania wzroku wchodzimy, tym mniej oczywiste staje się pytanie gdzie dokładnie i jak mocno pobudzić mózg, żeby wywołać pożądany efekt?
Tutaj pojawia się sztuczna inteligencja (AI). Naukowcy wykorzystali topograficzne sieci neuronowe, czyli modele, które nie tylko rozpoznają obraz, ale zachowują pewną przestrzenną organizację podobną do mapowania w układzie nerwowym. W uproszczeniu model pozwala symulować różne wzorce stymulacji w wyższych obszarach wzrokowych i sprawdzać, które z nich mogą dać najbardziej pożądany efekt. Tego typu eksperymentów nie da się prowadzić wyłącznie metodą prób i błędów na żywym mózgu, bo koszt, czas i ryzyko byłyby absurdalne. Komputer staje się więc poligonem, na którym można przetestować setki konfiguracji przed przejściem do biologii.
Wiele osób patrzy na sztuczną inteligencję jak na generator tekstu, obrazków albo narzędzie do automatyzacji pracy biurowej. Tymczasem w takich badaniach AI zaczyna pełnić inną rolę, bo staje się tłumaczem między światem elektrod a światem percepcji. Nie wystarczy wiedzieć, że “tu jest kora wzrokowa”. Trzeba jeszcze przewidzieć, co mózg zrobi z konkretnym impulsem, w konkretnym miejscu i przy konkretnym zadaniu. Podobny problem widać przy interfejsach mózg-komputer, gdzie sam sprzęt bez modeli analizujących ogromne strumienie sygnałów szybko traci sens.
Wyniki są obiecujące, ale jeszcze nie oznaczają “widzenia z niczego”
Dotychczasowe osiągnięcie badaczy zostało sprawdzone w testach na dwóch widzących makakach, które miały już implanty z innych eksperymentów. Modele przewidywały, jaki wzorzec stymulacji powinien wpłynąć na zachowanie zwierząt w zadaniu rozpoznawania obiektów i rzeczywiście dobrane stymulacje wywołały istotne zmiany w decyzjach percepcyjnych makaków, a przewidywania dla poszczególnych miejsc dobrze korelowały z zachowaniem zwierząt.
Czytaj też: Naukowcy wsadzili przyszłość fotowoltaiki do próżni. 10 minut później efekt zaskoczył
Stanowi to duży krok, ale oto właśnie naukowcy sprawili, że mózg nagle zobaczył twarz w ciemności. Udało się raczej przewidywalnie wpłynąć na reprezentację obiektu wtedy, gdy zwierzę i tak już patrzyło na obraz. Makak widział obraz, a stymulacja pozwoliła w pewnym stopniu zniekształcić lub przesunąć percepcję w przewidywalny sposób. Następny, znacznie trudniejszy etap, to wywołanie sensownego wrażenia “od zera”, bez użytecznego sygnału z oczu.
Obecny wynik pokazuje więc, że model może wskazywać miejsca i wzorce stymulacji warte sprawdzenia. Nie pokazuje jednak jeszcze, że człowiek niewidomy odzyska rozpoznawalny obraz świata.
Sztuczna inteligencja wraca do mózgu, z którego kiedyś czerpała inspirację
Jest w tej historii ciekawa pętla. Sztuczne sieci neuronowe przez dekady inspirowały się przecież właśnie biologicznym mózgiem, potem poszły własną, inżynieryjną drogą, a teraz zaczynają wracać do neurobiologii jako narzędzia do rozumienia samego mózgu. Podobny kierunek widać przy neuromorficznych komputerach, gdzie zamiast brutalnie zwiększać moc obliczeniową, badacze próbują kopiować wybrane właściwości układu nerwowego – pamięć, lokalność przetwarzania, oszczędność energetyczną i odporność na szum. Przy świetle udającym pamięć w układach neuromorficznych wraca dokładnie ten sam motyw.
Tutaj działa to w drugą stronę. AI nie tylko “uczy się od mózgu”, ale zaczyna podpowiadać, jak z mózgiem rozmawiać, a to bardzo mocna zmiana perspektywy. W protezach mowy modele potrafią analizować aktywność neuronalną i zamieniać ją na syntetyczny głos. W jednym z takich systemów sygnały z elektrod były analizowane co 80 milisekund, aby dekodować wyobrażane wypowiedzi niemal strumieniowo. W protezach wzroku celem jest odwrotna operacja, bo nie tyle odczytać intencję z mózgu, ile wpisać do niego informację tak, żeby została odebrana jako coś użytecznego.
Piękna strona tej technologii jest oczywista. Straszna wymaga więcej uwagi
Osoba niewidoma, która dzięki takiej protezie mogłaby rozpoznać drzwi, twarz, schody, samochód albo zagrożenie, dostałaby coś wyjątkowego – kawałek niezależności. Jeśli więc AI może pomóc dobrać stymulację tak, aby sztuczny wzrok był mniej chaotyczny i bardziej znaczący, trudno nie widzieć w tym ogromnej wartości. Problem pojawia się, gdy uświadomimy sobie, że mówimy o technologii wpływającej bezpośrednio na percepcję. Nie na obraz na ekranie. Nie na filtr w okularach. Na to, co człowiek subiektywnie widzi, a to wymaga ostrożności większej niż w typowej elektronice użytkowej, bo błąd może oznaczać mylące wrażenie, fałszywy sygnał przestrzenny, przeciążenie układu nerwowego albo utratę zaufania do własnej percepcji.
Czytaj też: Smartfony i roboty zaczną widzieć przez ściany? To dzieło naukowców od razu mnie zainteresowało
Do tego dochodzi problem zależności od firm i infrastruktury. Historia implantów mózgowych zna przypadki, w których pacjent tracił dostęp do urządzenia dlatego, że projekt, firma albo wsparcie techniczne się skończyły. Przy temacie usuniętego implantu mózgowego dobrze widać, że przyszłe prawo musi brać pod uwagę nie tylko zgodę na wszczepienie, lecz także obowiązki wobec pacjenta przez kolejne lata. Przy protezie wzroku ten problem będzie jeszcze ostrzejszy, bo użytkownik może związać z takim systemem codzienne funkcjonowanie, orientację i poczucie bezpieczeństwa.
