ဘရစ်စတိုတက္ကသိုလ်မှ သိပ္ပံပညာရှင်များသည် ဓာတ်ခွဲခန်းမှ ပေါက်ဖွားလာသော လူ့ဦးနှောက်ဆဲလ်အစုအဝေးများသည် ၎င်းတို့၏စမ်းသပ်အချက်ပြမှုအဖြစ် Braille အက္ခရာကို အသုံးပြု၍ သတင်းအချက်အလက်များကို ယုံကြည်စိတ်ချစွာ လက်ခံနိုင်၊ လုပ်ဆောင်နိုင်ကာ ထိတွေ့နိုင်မှုတို့ကို စိတ်ချယုံကြည်စွာ လက်ခံနိုင်၊ လုပ်ဆောင်နိုင်ပြီး ပေးပို့နိုင်ကြောင်း ပြသခဲ့သည်။ Frontiers in Artificial Intelligence ဂျာနယ်တွင် ထုတ်ဝေခဲ့သည့် အဆိုပါလေ့လာမှုအား အီလက်ထရွန်နစ်အာရုံခံကိရိယာများဖြင့် သက်ရှိအာရုံကြောတစ်သျှူးများနှင့် ထိမ်းမြားထားသည့် ဇီဝပေါင်းစပ်ကွန်ပြူတာများဆီသို့ အဓိကခြေလှမ်းအဖြစ် ကောက်ခံလျက်ရှိသည်။

သုတေသနသည် ဇီဝကမ္မဆိုင်ရာ ဉာဏ်ရည်ဉာဏ်သွေး၏ အလယ်ဗဟိုတွင် လိမ်ညာလွယ်သောမေးခွန်းကို ဖြေဆိုသည်- သေးငယ်သော၊ တစ်စိတ်တစ်ပိုင်းဖွဲ့စည်းထားသော ဦးနှောက်တစ်ရှူးအပိုင်းသည် ၎င်းရရှိသည့် အချက်အလက်များကို သစ္စာရှိရှိ ဖြန့်ဝေပေးနိုင်ပါသလား။ လေ့လာရန်၊ ပထမစာရေးဆရာ Tianyi Liu မှ PhD ကိုယ်စားလှယ်လောင်း၊ အကြီးတန်းစာရေးဆရာ Dr Benjamin Ward-Cherrier ဦးဆောင်သော Bristol အခြေစိုက် အဖွဲ့တစ်ဖွဲ့သည် ဦးနှောက်တွင်းရှိ အညစ်အကြေးများကို ထိတွေ့နိုင်သော အာရုံခံကိရိယာနှင့် ချိတ်ဆက်ထားပြီး အခြားတစ်ဖက်တွင် အဓိပ္ပာယ်ရှိသော အချက်အလက်များကို ပြန်လည်ရယူနိုင်မည့့် မေးမြန်းခဲ့သည်။ For more context on this story, see our ongoing breaking AI news.

"ကျွန်ုပ်တို့သည် ထိတွေ့နိုင်သော အာရုံခံကိရိယာမှ သတင်းအချက်အလက်များကို ယူဆောင်နိုင်သည်၊ ၎င်းကို သက်ရှိအာရုံကြောကွန်ရက်မှ လက်ခံနိုင်သည့် ပုံစံအဖြစ် ပြောင်းလဲကာ ဇီဝဗေဒဆိုင်ရာ တုံ့ပြန်မှုမှ အဓိပ္ပာယ်ရှိသော အချက်အလက်များကို ပြန်လည်ရယူနိုင်သည်" ဟု Liu က တက္ကသိုလ်၏ တွေ့ရှိချက်ထုတ်ပြန်ချက်တွင် ပြောကြားခဲ့သည်။ "ဒါက စွမ်းအင်ပိုသက်သာတဲ့ တွက်ချက်မှုဆီ ဦးတည်တဲ့ အလွန်စိတ်ဝင်စားစရာကောင်းတဲ့ လမ်းကြောင်းဖြစ်တဲ့ ဇီဝအာရုံကြောစနစ်တွေနဲ့ အတုအာရုံခံကိရိယာတွေကို ချိတ်ဆက်ဖို့ လက်တွေ့ကျတဲ့နည်းလမ်းကို ပေးစွမ်းပါတယ်။"

ဆဲလ်များ Blob ပြုလုပ်နည်း ဖတ်ရှုရန်

စမ်းသပ်မှု၏ဗဟိုရှိ organoids များသည်သေးငယ်သောဦးနှောက်များနှင့်ဝေးသည်။ တစ်ခုခြင်းစီသည် တစ်မီလီမီတာအောက်သာ ရှိပြီး လူ့ဦးနှောက်တွင် တွေ့ရှိရသော တည်ဆောက်ပုံများစွာ ချို့တဲ့ကာ အကြမ်းဖျင်းအားဖြင့် ဆဲလ်များကို ပံ့ပိုးပေးသည့် ဆဲလ်များနှင့်အတူ အကြမ်းဖျင်းအားဖြင့် 10,000 ပါဝင်သော အာရုံကြောများပါရှိသည်။ ၎င်းတို့သည် ၎င်း၏ လျှပ်စစ်တုံ့ပြန်မှုကို စောင့်ကြည့်နေချိန်တွင် တစ်သျှူးများကို အသက်ရှင်နေစေသည့် စနစ်တစ်ခုအတွင်းရှိ ဘက်စုံအီလက်ထရွန်းအခင်းများပေါ်တွင် ထိုင်ကာ သုတေသီများကို လှုံ့ဆော်မှုနှင့် အာရုံကြောလှုပ်ရှားမှုများကို မှတ်တမ်းတင်နိုင်စေမည်ဖြစ်သည်။

စမ်းသပ်မှုပရိုတိုကောသည် ထိတွေ့မှုမှ တစ်ရှူးအထိ အချက်ပြမှုကို အမျိုးအစားခွဲခြားခြင်းအထိ လုပ်ဆောင်ခဲ့သည်။ ပထမဦးစွာ၊ အဖွဲ့သည် ထိတွေ့မှုအာရုံခံကိရိယာကို မျက်မမြင်အက္ခရာ ၂၆ လုံးတွင် အသုံးပြုကာ ထွက်လာသော အက္ခရာတစ်ခုစီ၏ အချက်အလက်များကို မှတ်တမ်းတင်သည်။ ထိုဒေတာကို organoids များထံ ပေးပို့သည့် လျှပ်စစ်လှုံ့ဆော်မှုပုံစံများအဖြစ်သို့ ပြောင်းလဲခဲ့သည်။ ထို့နောက် သုတေသီများသည် ထွက်ပေါ်လာသော အာရုံကြောဆိုင်ရာ လုပ်ဆောင်ချက်သည် မည်သည့်စာတစ်စောင်ကို တင်ပြခဲ့သည်ကို ဖော်ပြနိုင်သည်ရှိမရှိ ဆန်းစစ်ခဲ့ရာတွင်၊ တစ်သျှူးသည် ၎င်းပေးထားသည့် အချက်ပြမှုကို 'ဖတ်ခဲ့သည်' ရှိမရှိ စစ်ဆေးခဲ့သည်။

ကုဒ်ဆွဲခြင်းသည် အာရုံကြောလှုပ်ရှားမှုပုံစံများကို စီစစ်ပြီး သီးခြားစာလုံးများနှင့် လိုက်ဖက်သော ရိုးရှင်းသော စက်သင်ယူမှုဆိုင်ရာ အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည့် ပံ့ပိုးမှု vector စက်သို့ ရောက်သွားပါသည်။ organoid တစ်ခုသည် အချိန်၏ 61% ခန့်ကို decodable signal ကို တသမတ်တည်းထုတ်ပေးသည်။ အော်ဂဲနစ်သုံးခု၏ ရလဒ်များကို ပေါင်းစပ်လိုက်သောအခါ တိကျမှုမှာ 83% ခန့်အထိ မြင့်တက်လာသည်။

Organoids သုံးခုက တစ်လုံးကို အနိုင်ယူပြီး ဘာကြောင့်လဲဆိုတာ ဘယ်သူမှ မသေချာပါဘူး။

အစုလိုက်ရလဒ်သည် စိတ်ဝင်စားစရာအကောင်းဆုံး တွေ့ရှိချက်တစ်ခုဖြစ်သည်။ အဖြေမှာ သဘာဝကွဲလွဲမှုဟု သံသယရှိသော်လည်း organoids သုံးခုက တစ်ခုထက်ပိုပြီး အဘယ်ကြောင့် စွမ်းဆောင်နိုင်သည်ကို သုတေသီများက အပြည့်အဝ မရှင်းပြနိုင်သေးပေ။

"ကွဲပြားခြားနားသော organoids များတွင် အနည်းငယ်ကွဲပြားသော ကွန်ရက်ချိတ်ဆက်မှုများ၊ ဖွံ့ဖြိုးတိုးတက်မှုအခြေအနေများနှင့် ဆက်လက်လုပ်ဆောင်မှုများ ရှိနိုင်သည်၊ ထို့ကြောင့် တူညီသောထည့်သွင်းမှုသည် အလားတူသော်လည်း ထပ်တူမကျသော တုံ့ပြန်မှုများကို ထုတ်ပေးနိုင်သည်" ဟု Liu မှ ပြောကြားခဲ့သည်။ "ထိုတုံ့ပြန်မှုများကို ပေါင်းစပ်ခြင်းဖြင့် ကျွန်ုပ်တို့အား organoid တစ်ခုတည်းမှ ရရှိမည်မဟုတ်သည့် ဖြည့်စွက်အချက်အလက်များကို ပေးစွမ်းနိုင်ပါသည်။ တစ်ချိန်တည်းတွင်၊ organoid တစ်ခုချင်းစီသည် ကွဲပြားခြားနားစွာ ပြုမူနေပါက၊ ကြိုတင်မှန်းဆနိုင်သော စံပြုစနစ်တစ်ခုကို တည်ဆောက်ရန် ပိုမိုခက်ခဲလာမည်မှာ ထင်ရှားပါသည်။"

အသင်းက တစ်သျှူးရဲ့ အထွက်နှုန်းကိုလည်း အလေးပေးတယ်။ သိပ္ပံပညာရှင်များသည် Braille အချက်ပြမှုများတွင် ဆူညံသံအတုများကို ထည့်သွင်းသောအခါ၊ organoids များ၏ တုံ့ပြန်မှုများမှ ကုဒ်ဆွဲခြင်းသည် ပျက်စီးသွားသော အချက်ပြမှုများကို တူညီသော အယ်လဂိုရီသမ်ဖြင့် တိုက်ရိုက်ကုဒ်ဖျက်ခြင်းထက် ပိုမိုခက်ခဲကြောင်း သက်သေပြခဲ့သည်။ organoids များဖြင့် စီမံဆောင်ရွက်ပြီးနောက်၊ ဒေတာသည် ခွင့်ပြုထားသည့် ဆူညံသောထည့်သွင်းမှုထက် ပိုမှန်ကန်သော စာလုံးအမှန်ကို အမျိုးအစားခွဲရန်အတွက် လုံလောက်သောဖွဲ့စည်းပုံကို ထိန်းသိမ်းထားသည်။

"အော်ဂဲနစ်ပစ္စည်းများဖြင့် လုပ်ဆောင်ပြီးနောက်၊ ထိတွေ့နိုင်သောဒေတာတွင် မျက်မမြင်စာများကို တိကျကောင်းမွန်စွာဖြင့် အမျိုးအစားခွဲရန် လုံလောက်သောအချက်အလက်ပါနေသေးသည်" ဟု Ward-Cherrier မှ ပြောကြားခဲ့သည်။ "များစွာသော organoids များမှ ရလဒ်များကို ပေါင်းစပ်ခြင်းသည် စွမ်းဆောင်ရည် တိုးတက်မှုကို ပြသခဲ့သည်။"

ဘာကြောင့် ဇီဝဗေဒဆိုင်ရာ တွက်ချက်မှု က သုတေသီတွေကို ဆွဲဆောင်တာလဲ။

လှုံ့ဆော်မှုသည် စွမ်းအင်ဖြစ်သည်။ AI ဒေတာစင်တာများ များပြားလာသည်နှင့်အမျှ လူ့ဦးနှောက်သည် သမားရိုးကျ ဟာ့ဒ်ဝဲမှ လျှပ်စစ်ဓာတ်အား ပိုမိုလိုအပ်သည့် ပြင်းအား ပိုမိုလိုအပ်သည့် တွက်ချက်မှုများကို လုပ်ဆောင်နေချိန်တွင် အကြမ်းဖျင်း 20 watts ဖြင့် အလုပ်လုပ်ပါသည်။ Neuromorphic ချစ်ပ်များသည် ဦးနှောက်၏ ဆီလီကွန်တွင် စွမ်းဆောင်ရည်ကို ဖမ်းယူရန် ကြိုးစားကြပြီး organoid ဉာဏ်ရည်သည် တူညီသော အလောင်းအစား၏ ပိုအစွန်းရောက်သော ဗားရှင်းကို ကိုယ်စားပြုသည်- ၎င်းတို့ကို တုပမည့်အစား အမှန်တကယ် နျူရွန်များကို အသုံးပြုပါ။

watt တိုင်းသည် အရေးကြီးပြီး ထိတွေ့မှုအာရုံခံနိုင်မှု မရှိမဖြစ်လိုအပ်သော စက်ရုပ်များနှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစနစ်များပေါ်တွင် အလားအလာရှိသော application များကို ဗဟိုပြုပါသည်။ သက်ရှိ အာရုံကြောများထံ အချက်ပြလုပ်ဆောင်ခြင်းကို ဖယ်ထုတ်နိုင်သည့် အာရုံခံကိရိယာ— သို့မဟုတ် ၎င်းတို့နှင့် အပိတ်အဝိုင်းတစ်ခု ဖန်တီးနိုင်သည့် အာရုံခံကိရိယာသည် အချိန်နှင့်တပြေးညီ သိရှိပြီး တုံ့ပြန်ရန် လိုအပ်သည့် စက်များ၏ ပါဝါဘတ်ဂျက်ကို ပြန်လည်ပုံဖော်နိုင်သည်။

ခေါင်းကြီးသတင်းများ မထွက်မီ သတိထားပါ။

Bristol အဖွဲ့သည် စမ်းသပ်မှုတွင် မပြသသည့်အရာနှင့် ပတ်သက်၍ ရှင်းလင်းပြတ်သားသည်။ organoids များသည် သင်ယူခြင်း မရှိခဲ့ပါ။ ၎င်းတို့သည် လှုံ့ဆော်မှုကို တုံ့ပြန်သော်လည်း သုတေသီများက တစ်သျှူးအတွင်း ရေရှည်ပြောင်းလဲမှုကို မပြသခဲ့ပေ။ အလုပ်သည် ပုံသေကုဒ်သွင်းစနစ်နှင့် အာရုံကြောလှုပ်ရှားမှု၏ အတော်လေးရိုးရှင်းသောအတိုင်းအတာကို အသုံးပြု၍ ထိတွေ့မှုတစ်ခုတည်းဖြစ်သည်။

"ထိတွေ့နိုင်သောအချက်အလက်ကို ကုဒ်လုပ်၍ organoids များမှတစ်ဆင့် လုပ်ဆောင်နိုင်ပြီး၊ ကုဒ်ထုတ်နိုင်သည်ကို ကျွန်ုပ်တို့ပြသခဲ့သည်၊ သို့သော် ကျွန်ုပ်တို့သည် သင်ယူမှု သို့မဟုတ် organoids များတွင် ရေရှည်ပြောင်းလဲမှုများကို မပြသနိုင်ခဲ့ပေ" ဟု Liu က ပြောကြားခဲ့သည်။

နောက်တစ်ဆင့်အနေဖြင့် Braille ဘက်သို့ ရောက်ရှိမည်ဟု အဖွဲ့မှပြောပါသည်။ သုတေသီများသည် အသွင်အပြင်နှင့် အစွန်းများကဲ့သို့သော ထိတွေ့ဆက်ဆံမှုဆိုင်ရာ ပေါင်းစပ်ထည့်သွင်းမှုများကို စိတ်ဝင်စားကြပြီး နောက်ဆုံးတွင် organoid သည် ၎င်း၏ကိုယ်ပိုင်ထွက်ရှိမှု၏အကျိုးဆက်များမှ တုံ့ပြန်ချက်လက်ခံရရှိသည့် အပိတ်အလုပ်များတွင်— သက်ရှိတစ်ရှူးသည် ၎င်းကိုပေးပို့ရုံမျှမဟုတ်ဘဲ အလုပ်တစ်ခုသို့ လိုက်လျောညီထွေဖြစ်စေနိုင်သည်ဖြစ်စေ စမ်းသပ်မည့်ဖွဲ့စည်းမှုပုံစံဖြစ်သည်။

ယခုအချိန်တွင်၊ ရလဒ်သည် အင်ဂျင်နီယာဆိုင်ရာ အထောက်အထားတစ်ခုအဖြစ် ရပ်တည်နေသည်- ရုပ်ပိုင်းဆိုင်ရာကမ္ဘာမှ အချက်ပြမှုများသည် သက်ရှိအာရုံကြောတစ်သျှူးများထဲသို့ ဝင်ရောက်နိုင်ပြီး တစ်ဖက်တွင် မှတ်မိနိုင်သော ပြန်လာနိုင်သည်။ ၎င်းသည် ဇီဝပေါင်းစပ်ကွန်ပြူတာနှင့် ဝေးကွာသော်လည်း ၎င်းသည် အစောပိုင်းက ကွန်ပြူတာတော်လှန်ရေးများကို အစောပိုင်းက တည်ဆောက်ခဲ့သည့် တိကျသေချာသော ကူးပြောင်းမှု၊ တိုင်းတာနိုင်သော တိကျမှု၊ ရိုးသားသော အမှားအယွင်းဘားများ—သည် ဆိုးရွားလှသော မှတ်တိုင်တစ်မျိုးဖြစ်သည်။

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →