အစ္စရေးနိုင်ငံ၊ Rehovot ရှိ Weizmann Institute of Science မှ သုတေသီများသည် လူတစ်ဦး၏ fMRI ဦးနှောက်စကင်ဖတ်စစ်ဆေးခြင်းအပေါ် အခြေခံပြီး လူတစ်ဦး၏ ဦးနှောက်လုပ်ဆောင်ချက်ကို အခြားလမ်းကြောင်းမှ ပုံရိပ်တစ်ခုမှ ကြိုတင်ခန့်မှန်းနိုင်သော ဥာဏ်ရည်တုစနစ်တစ်ခုကို တည်ဆောက်ခဲ့ကြောင်း MIT Technology Review မှ အောက်တိုဘာ 1 ရက်၊ 2026 တွင် ဖော်ပြခဲ့သည်။

ကွန်ပျူတာသိပ္ပံပညာရှင် Michal Irani နှင့် သူ၏လုပ်ဖော်ကိုင်ဖက်များက ဖန်တီးထားသည့် ကိရိယာသည် အစောပိုင်း ဦးနှောက်-ကုဒ်ရေးခြင်း အားထုတ်မှုများနှင့် မကိုက်ညီသည့် တိကျသေချာသော ကြည့်ရှုထားသော ပုံများကို ပြန်လည်ဖန်တီးပေးသည်။ ဘေးချင်းယှဉ် နှိုင်းယှဉ်မှုများတွင်၊ မော်ဒယ်၏ ပြန်လည်တည်ဆောက်မှုများသည် မြင်ကွင်းတစ်ခု၏ ယေဘူယျအကြောင်းအရာသာမက ၎င်း၏ဖွဲ့စည်းပုံ၊ အနေအထားနှင့် အကြောင်းအရာများကို ထိန်းထားနိုင်သည်—ယခင်စနစ်များ၏ အဆက်မပြတ် အားနည်းချက်တစ်ခုဖြစ်သည့် အလားအလာရှိသောငှက်ပျောသီးကို ထုတ်ပေးနိုင်သော်လည်း အမှန်တကယ်မြင်သူမရှိသလောက်ရှားပါသည်။ For more context on this story, see our ongoing AI news.

ဦး​နှောက်​ကုဒ်​စက်​က ဘယ်​လို​အလုပ်လုပ်​သလဲ။

စနစ်သည် နှစ်ပိုင်းခွဲ "ဦးနှောက်ကုဒ်ဒါ" ဖြစ်သည်။ အကိုင်းအခက်တစ်ခုသည် အရောင်များနှင့် ပုံသဏ္ဍာန်များဘောင်ထဲတွင် ထိုင်နေသည့်ပုံ၏ ဖွဲ့စည်းပုံကို ခန့်မှန်းပေးကာ ဒုတိယတစ်ခုက ၎င်း၏အကြောင်းအရာကို ခန့်မှန်းပေးသည်၊ ဥပမာ ပန်းကန်တစ်လုံးပေါ်ရှိ ငှက်ပျောသီးတစ်စည်း။ ထိုပေါင်းစပ်ခန့်မှန်းချက်များသည် နောက်ဆုံးပြန်လည်တည်ဆောက်မှုကိုထုတ်လုပ်ရန်အတွက် ခေတ်မီရုပ်ပုံနှင့်ဗီဒီယိုဂျင်နရေတာများနောက်ကွယ်ရှိ မျိုးဆက်သစ် AI နည်းပညာများ၏မိသားစုတစ်စုဖြစ်သော ပျံ့နှံ့မှုပုံစံကို ထိန်းကျောင်းပေးသည်။

အဖွဲ့သည် အများသူငှာရရှိနိုင်သော ဦးနှောက်စကင်န်ဒေတာမှ စတင်ခဲ့သည်- စေတနာ့ဝန်ထမ်းများသည် အာရုံကြောဆိုင်ရာလုပ်ဆောင်မှုများအတွက် proxy အဖြစ် ဦးနှောက်မှတဆင့် အောက်ဆီဂျင်ပါသောသွေးစီးဆင်းမှုကို ခြေရာခံသည့် fMRI စကင်နာများတွင် လဲလျောင်းနေချိန်တွင် စေတနာ့ဝန်ထမ်းများသည် ရာနှင့်ချီသောပုံများကို ပြသထားသည်။ Irani အဖွဲ့သည် မြင့်မားသော ကြည်လင်ပြတ်သားမှုစကင်နာများတွင် ဖမ်းယူထားသော ဒေတာအတွဲများကို အသုံးပြုခဲ့ပြီး လှုပ်ရှားမှုတစ်ခုစီသည် ပုံမှန်စကင်နာ၏ အကြမ်းဖျင်းသုံးကုဗမီလီမီတာထက် တစ်သျှူးတစ်ကုဗမီလီမီတာခန့် ဖုံးလွှမ်းထားသည်။

ချေးထားသော အချက်အလက်ဆိုင်ရာ သင်တန်း

အဓိကအတားအဆီးမှာ ဒေတာငတ်မွတ်မှုဖြစ်သည်။ ရုပ်ပုံထောင်ပေါင်းများစွာကို ကြည့်ရှုသူတစ်ဦးမှ ကြည်လင်ပြတ်သားမှုမြင့်မားသော fMRI စကင်န်ဖတ်ခြင်းများသည် ရှားပါးလာပြီး မော်ဒယ်များ လိုအပ်သည်ထက် များစွာပိုပါသည်။ သုတေသီများ၏ ဖြေရှင်းနည်းမှာ လူတစ်ဦးသည် ပေးထားသည့်ပုံကို ပြပါက ဦးနှောက်စကင်န်မည်ကဲ့သို့ ဖြစ်လာမည်ကို ခန့်မှန်းပေးသည့် ဒုတိယပုံစံကို ပြောင်းပြန်ဖြင့် လေ့ကျင့်ပေးခြင်းဖြစ်သည်။

ကုဒ်ဒါနှင့် ဒီကုဒ်ဒါကို တစ်ခုနှင့်တစ်ခု အပြန်အလှန်လုပ်ဆောင်ခြင်းဖြင့်၊ အဖွဲ့သည် ထိထိရောက်ရောက် အကန့်အသတ်မရှိ လေ့ကျင့်မှုအတွဲများကို ဖန်တီးနိုင်မည်ဖြစ်သည်။ ကျားသစ်၏ဓာတ်ပုံဖြင့် စတင်ပါ၊ ၎င်းထုတ်လုပ်မည့် fMRI လုပ်ဆောင်ချက်ကို ခန့်မှန်းပါ၊ ထိုလုပ်ဆောင်ချက်မှ ပုံကို ပြန်လည်တည်ဆောက်ပါ၊ နှင့် မကိုက်ညီသည့် ပုံစံနှစ်ခုလုံးကို ပြုပြင်ပါ။ လေ့ကျင့်ရေးအချက်အလက်များ၏ 70 ရာခိုင်နှုန်းခန့်သည် နောက်ဆုံးတွင် စကင်န်ဖတ်ထားသောစေတနာ့ဝန်ထမ်းအား အမှန်တကယ်ပြသခြင်းမရှိသည့်ပုံများမှ လာသည်ဟု Irani မှပြောကြားခဲ့သည်။

ချဉ်းကပ်မှုမှာ အဖွဲ့သည် universal brain encoder ဟုခေါ်သည့်အရာကို ထုတ်ပေးပြီး ၎င်း၏ထိရောက်မှုသည် ခေါင်းစီးရလဒ်ဖြစ်သည်။ ယခင်ကုဒ်သုံးကိရိယာများသည် ပုံမှန်အားဖြင့် လူသစ်တစ်ဦးထံ ချိန်ညှိရန် နာရီ ၄၀ ခန့် fMRI ဒေတာ လိုအပ်သည်။ Irani ၏ ဒီကုဒ်ဒါသည် အကြမ်းဖျင်းအားဖြင့် တစ်နာရီ လိုအပ်သည် — စကင်နာအချိန်သည် ဈေးကြီးသောကြောင့် အရေးကြီးသည့် ကွာခြားချက်ဖြစ်သည်။ "ဘာသာရပ်အသစ်အတွက် နာရီ 40 ပုံရိပ်ဖော်ဖို့ ကျွန်တော်တို့ ဘယ်သူမှ မတတ်နိုင်ပါဘူး" ဟု သုတေသနတွင် ပါဝင်ခြင်းမရှိသော ကယ်လီဖိုးနီးယားတက္ကသိုလ်မှ အာရုံကြောဆိုင်ရာ သိပ္ပံပညာရှင် Tommy Sprague က တစ်နာရီလျှင် ပုံရိပ်ဖော်မှုသည် အကြမ်းဖျင်းအားဖြင့် ဒေါ်လာ 600 မှ $1,000 အထိရနိုင်ကြောင်း မှတ်ချက်ချခဲ့သည်။ အဆိုပါ တွေ့ရှိချက်ကို စက်တင်ဘာလတွင် နယူးယောက်မြို့၌ ပြုလုပ်သော သိမှုကွန်ပြူတာဆိုင်ရာ အာရုံကြောသိပ္ပံ ကွန်ဖရင့်တွင် တင်ပြခဲ့သည်။

ဘယ်အရာက မှန်လဲ မှားတယ်။

နှိုင်းယှဉ်စမ်းသပ်မှုများတွင်၊ ယခင်ကဖော်ပြခဲ့သော ဦးနှောက်-ကုဒ်ဖော်ပြမှုစနစ်များသည် သိသာထင်ရှားသောအနားသတ်ဖြင့် လုပ်ဆောင်နိုင်ခဲ့ကြောင်း Irani မှ MIT Technology Review သို့ ပြောကြားခဲ့သည်။ ဒါဟာ ယုတ္တိမရှိပါဘူး။ ဗီဒီယိုခေါ်ဆိုမှုတစ်ခုတွင် သူမသည် အသားညှပ်ပေါင်မုန့် သုံးခုပုံအဖြစ် ပြန်လည်တည်ဆောက်ထားသည့် ကိတ်မုန့်ပုံတစ်ပုံနှင့် တူညီသောအရောင်တူသော ဆိတ်ကဲ့သို့ ပြန်လာသော ရေချိုးကန်အတွင်းမှ ခွေးတစ်ကောင်ကို ညွှန်ပြခဲ့သည်။

လေ့လာမှုအများအပြားတွင် အချက်အလက်များကို စုစည်းခြင်းဖြင့်၊ အဖွဲ့သည် လူတစ်ဦးချင်းစီတွင် လုပ်ဆောင်ချက်များကို မျှဝေသည့် ဦးနှောက်ဒေသများကိုလည်း ရှာဖွေတွေ့ရှိခဲ့သည် — ဒေသတစ်ခုသည် အစားအသောက်ပုံများကို တုံ့ပြန်သည်၊ နောက်တစ်ခုသည် အားကစားအတွက်ဖြစ်သည်။ Irani က ယခု သူမသည် ဦးနှောက်အာရုံကြောဆိုင်ရာ သိပ္ပံပညာရှင်များနှင့် အလုပ်တွဲလုပ်နေပြီး အဓိပ္ပါယ်ကို ပိုမိုစနစ်တကျလုပ်ဆောင်ပုံကို ပုံဖော်ရန် ကိရိယာများကို အသုံးပြုနေသည်ဟု ပြောကြားခဲ့သည်။

ဆေးအတွက် ကတိတွေပေးတယ်။

ချက်ခြင်းမျှော်လင့်ချက်မှာ လက်တွေ့အကျဆုံးဖြစ်သည်။ Irani က အဆိုပါချဉ်းကပ်မှုသည် နောက်ဆုံးတွင် လော့ခ်ချထားသော ရောဂါလက္ခဏာစု—ပြောနိုင် သို့မဟုတ် မလှုပ်ရှားနိုင်သော အကြောသေလူနာများ— ဦးနှောက်လုပ်ဆောင်ချက်တစ်ခုတည်းကို အသုံးပြု၍ ဆက်သွယ်ပြောဆိုနိုင်မည်ဟု ယုံကြည်သည်။ သူမသည် အိပ်မက်များနှင့် PTSD flashbacks ၏အာရုံခံအကြောင်းအရာများအပါအဝင် စိတ်ကူးယဉ်အကြောင်းအရာများကို ပြန်လည်တည်ဆောက်ရန် ရေရှည်ရည်မှန်းချက်ဖြင့် တည်ငြိမ်သောရုပ်ပုံများထက် ဗီဒီယိုနှင့် အသံအထိ နည်းပညာကို တိုးချဲ့လိုပါသည်။

British Columbia တက္ကသိုလ်မှ အာရုံကြောဗေဒပညာရှင်နှင့် အာရုံကြောပညာဆိုင်ရာ ပါမောက္ခ Judy Illes က သုတေသနကို "ခမ်းနားသည်" ဟု ဖော်ပြခဲ့သည်။ "အာရုံကြောဆိုင်ရာအခြေအနေရှိသူများကိုကူညီရန် [ဤချဉ်းကပ်မှုကိုအသုံးပြုခြင်း] စိတ်ကူးသည် ... ကုထုံးအရအလွန်စိတ်လှုပ်ရှားစရာကောင်းသည်" ဟုသူမက MIT Technology Review သို့ပြောကြားခဲ့သည်။

ကိုယ်ရေးကိုယ်တာ ပြဿနာ

တူညီသောတိကျမှုသည် နယ်ပယ်အတွင်း ကာလကြာရှည်စွာ ကြောက်မက်ဖွယ်ကောင်းသော အလားအလာကို တိုးစေသည်- လူတစ်ဦး၏ စိတ်ပိုင်းဆိုင်ရာ ပုံရိပ်များကို အဓိပ္ပါယ်ရှိသော သဘောတူညီချက်မပါဘဲ ထုတ်ယူခြင်း။ Sprague က "ရလဒ်တွေက အရမ်းအထင်ကြီးပုံရတယ်။ "ဒါပေမယ့် မင်းတွေးနေတဲ့ အချက်အလက်တွေကို ခိုးကြောင်ခိုးဝှက် ထုတ်ယူနိုင်တဲ့ နည်းလမ်းတစ်ခုရှိရင် ... နှစ်ပေါင်း 150 သိပ္ပံ-Fi ဟာ အချိန်မရွေး ဖြစ်လာနိုင်တယ်၊ အဲဒါက နည်းလမ်းများစွာနဲ့ စိုးရိမ်စရာပါပဲ။"

ထိုစိုးရိမ်မှုများသည် ယခုအချိန်အထိ ရူပဗေဒနှင့် ဆက်စပ်နေသေးသည်။ စနစ်သည် လူတစ်ဦးအား ဘက်စုံတန် fMRI သံလိုက်အတွင်း၌ နာရီပေါင်းများစွာ အိပ်ရန် လိုအပ်ပြီး ယခင်ကုဒ်ဒါတစ်ခုစီတိုင်းသည် လူတစ်ဦးချင်းစီအလိုက် ချိန်ညှိမှုများစွာ လိုအပ်ပါသည်။ သို့သော် စံသတ်မှတ်ချက်သည် အီရန်၏အဖွဲ့သည် ဒါဇင်နှင့်ချီသောအချက်ဖြင့် ဖြတ်တောက်လိုက်ခြင်းဖြစ်သည်၊ ထို့ကြောင့် ကျင့်ဝတ်ပညာရှင်များက သုတေသနပြုမှုတစ်ခုဖြစ်လာမည့် ကိရိယာတစ်ခုကို အာရုံစိုက်နေကြခြင်းဖြစ်သည်။

Weizmann အဖွဲ့၏နောက်ထပ်ပစ်မှတ်များ—ရုပ်ပုံများနှင့်အသံများရွေ့လျားကာ၊ ထို့နောက်စိတ်ကူးယဉ်ပြီးအိပ်မက်မက်သည့်အကြောင်းအရာများ—သည် စကင်နာဓာတ်ခွဲခန်း၏ဂရုတစိုက်ထိန်းချုပ်ထားသောအခြေအနေများအပြင်နည်းပညာ၏တိကျမှန်ကန်မှုရှိမရှိစမ်းသပ်မည်ဖြစ်သည်။ ထိုသို့ဖြစ်လျှင် ဆေးဘက်ဆိုင်ရာ အသုံးချမှုများနှင့် လျှို့ဝှက်ရေးဆိုင်ရာ အချေအတင် ဆွေးနွေးမှုများသည် တပြိုင်နက် ကြီးထွားလာမည်ဖြစ်သည်။

လျင်မြန်စွာ ရွေ့လျားနေသော နယ်ပယ်တစ်ခု

ပိုမိုကောင်းမွန်သော စကင်နာများ၊ ပိုကြီးသော မျှဝေထားသော ဒေတာအတွဲများနှင့် ကြမ်းတမ်းသောအချက်ပြမှုများမှ လက်တွေ့ကျကျ အသေးစိတ်ဖြည့်စွမ်းနိုင်သော မျိုးဆက်သစ် မော်ဒယ်များဖြင့် ဦးနှောက်က ကုဒ်ဝှက်ခြင်းမှ မှုန်ဝါးခြင်း၊ မှတ်မိနိုင်လောက်သည့် အနီးစပ်ဆုံး အနီးစပ်ဆုံး တည်ဆောက်ပုံဆိုင်ရာ သစ္စာရှိစွာ ပြန်လည်တည်ဆောက်မှုများအထိ ဆယ်စုနှစ်တစ်ခုအတွင်း တည်ဆောက်ပုံအရ သစ္စာရှိစွာ ပြန်လည်တည်ဆောက်မှုများအထိ တိုးတက်လာသည်။ Weizmann ၏ပံ့ပိုးကူညီမှု — ဒေတာပိတ်ဆို့မှုကိုချိုးဖျက်ရန် bidirectional encoder-decoder loop ကိုအသုံးပြုသည် — သည် hardware အသစ်ပေါ်တွင်မမူတည်သောကြောင့်လျင်မြန်စွာပျံ့နှံ့လေ့ရှိသောအင်ဂျင်နီယာဆိုင်ရာထိုးထွင်းသိမြင်မှုအမျိုးအစားဖြစ်သည်။ လေ့ကျင့်ရေးအစီအစဥ်ကို အတုယူရန် အခြားဓာတ်ခွဲခန်းများကို မျှော်လင့်ထားပြီး AI မူဝါဒ၏ အနားသတ်မှ ၎င်း၏ဗဟိုဆီသို့ ရွေ့လျားရန် အာရုံကြောဒေတာအား ထိန်းချုပ်ရန်နှင့် သဘောတူခွင့်ပြုသည့်မေးခွန်းကို မျှော်လင့်ပါ။

---

Stay Ahead of AI

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

Read more AI news →