ਰੀਹੋਵੋਟ, ਇਜ਼ਰਾਈਲ ਵਿੱਚ ਵੇਇਜ਼ਮੈਨ ਇੰਸਟੀਚਿਊਟ ਆਫ਼ ਸਾਇੰਸ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਨਕਲੀ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀ ਬਣਾਈ ਹੈ ਜੋ ਇੱਕ ਵਿਅਕਤੀ ਜੋ ਦੇਖ ਰਿਹਾ ਹੈ ਉਸ ਨੂੰ ਸਿਰਫ਼ ਉਸਦੇ fMRI ਬ੍ਰੇਨ ਸਕੈਨ ਦੇ ਆਧਾਰ 'ਤੇ ਪੁਨਰਗਠਨ ਕਰ ਸਕਦਾ ਹੈ - ਅਤੇ ਕਿਸੇ ਹੋਰ ਦਿਸ਼ਾ ਵਿੱਚ ਇੱਕ ਚਿੱਤਰ ਤੋਂ ਇੱਕ ਵਿਅਕਤੀ ਦੇ ਦਿਮਾਗ ਦੀ ਗਤੀਵਿਧੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ - MIT ਤਕਨਾਲੋਜੀ ਸਮੀਖਿਆ 1 ਅਕਤੂਬਰ, 2026 ਨੂੰ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ।
ਕੰਪਿਊਟਰ ਵਿਗਿਆਨੀ ਮਿਕਲ ਇਰਾਨੀ ਅਤੇ ਉਸ ਦੇ ਸਹਿਯੋਗੀਆਂ ਦੁਆਰਾ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਇਹ ਟੂਲ, ਦੇਖੇ ਗਏ ਚਿੱਤਰਾਂ ਨੂੰ ਇੱਕ ਸ਼ੁੱਧਤਾ ਨਾਲ ਦੁਬਾਰਾ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਦਿਮਾਗ-ਡਿਕੋਡਿੰਗ ਯਤਨਾਂ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ ਸੀ। ਨਾਲ-ਨਾਲ ਤੁਲਨਾਵਾਂ ਵਿੱਚ, ਮਾਡਲ ਦੀ ਪੁਨਰ-ਨਿਰਮਾਣ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਦ੍ਰਿਸ਼ ਦੇ ਆਮ ਵਿਸ਼ੇ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੀ ਹੈ, ਸਗੋਂ ਇਸਦੀ ਬਣਤਰ, ਸਥਿਤੀ ਅਤੇ ਸਮੱਗਰੀ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੀ ਹੈ — ਪਿਛਲੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਇੱਕ ਨਿਰੰਤਰ ਕਮਜ਼ੋਰੀ, ਜੋ ਇੱਕ ਪ੍ਰਸ਼ੰਸਾਯੋਗ ਕੇਲਾ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਪਰ ਸ਼ਾਇਦ ਹੀ ਵਿਅਕਤੀ ਨੇ ਅਸਲ ਵਿੱਚ ਦੇਖਿਆ ਹੋਵੇ। For more context on this story, see our ongoing breaking AI news.
ਦਿਮਾਗ ਦਾ ਡੀਕੋਡਰ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
ਸਿਸਟਮ ਇੱਕ ਦੋ-ਸ਼ਾਖਾ "ਦਿਮਾਗ ਡੀਕੋਡਰ" ਹੈ। ਇੱਕ ਸ਼ਾਖਾ ਚਿੱਤਰ ਦੀ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ — ਜਿੱਥੇ ਰੰਗ ਅਤੇ ਆਕਾਰ ਫਰੇਮ ਵਿੱਚ ਬੈਠਦੇ ਹਨ — ਜਦੋਂ ਕਿ ਦੂਜੀ ਇਸਦੀ ਸਮੱਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੀ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਇੱਕ ਪਲੇਟ ਵਿੱਚ ਕੇਲੇ ਦਾ ਇੱਕ ਝੁੰਡ। ਉਹ ਸੰਯੁਕਤ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਫਿਰ ਅੰਤਮ ਪੁਨਰ ਨਿਰਮਾਣ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ, ਆਧੁਨਿਕ ਚਿੱਤਰ ਅਤੇ ਵੀਡੀਓ ਜਨਰੇਟਰਾਂ ਦੇ ਪਿੱਛੇ ਉਤਪੰਨ AI ਤਕਨੀਕਾਂ ਦਾ ਉਹੀ ਪਰਿਵਾਰ, ਇੱਕ ਫੈਲਾਅ ਮਾਡਲ ਚਲਾਉਂਦੀਆਂ ਹਨ।
ਟੀਮ ਨੇ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਬ੍ਰੇਨ ਸਕੈਨ ਡੇਟਾ ਤੋਂ ਸ਼ੁਰੂਆਤ ਕੀਤੀ: ਵਲੰਟੀਅਰਾਂ ਨੂੰ fMRI ਸਕੈਨਰਾਂ ਵਿੱਚ ਪਏ ਸੈਂਕੜੇ ਚਿੱਤਰ ਦਿਖਾਏ ਗਏ ਸਨ, ਜੋ ਦਿਮਾਗ ਵਿੱਚ ਆਕਸੀਜਨ ਵਾਲੇ ਖੂਨ ਦੇ ਪ੍ਰਵਾਹ ਨੂੰ ਨਿਊਰਲ ਗਤੀਵਿਧੀ ਲਈ ਪ੍ਰੌਕਸੀ ਵਜੋਂ ਟਰੈਕ ਕਰਦੇ ਹਨ। ਈਰਾਨੀ ਦੇ ਸਮੂਹ ਨੇ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਸਕੈਨਰਾਂ 'ਤੇ ਕੈਪਚਰ ਕੀਤੇ ਨਵੇਂ ਡੇਟਾਸੈਟਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਜਿੱਥੇ ਗਤੀਵਿਧੀ ਦਾ ਹਰੇਕ ਵੌਕਸਲ ਇੱਕ ਸਟੈਂਡਰਡ ਸਕੈਨਰ ਦੇ ਲਗਭਗ ਤਿੰਨ ਕਿਊਬਿਕ ਮਿਲੀਮੀਟਰ ਦੀ ਬਜਾਏ ਲਗਭਗ ਇੱਕ ਕਿਊਬਿਕ ਮਿਲੀਮੀਟਰ ਟਿਸ਼ੂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।
ਉਧਾਰ ਲਏ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ
ਕੇਂਦਰੀ ਰੁਕਾਵਟ ਡੇਟਾ ਦੀ ਭੁੱਖ ਸੀ। ਹਜ਼ਾਰਾਂ ਚਿੱਤਰਾਂ ਨੂੰ ਦੇਖਣ ਵਾਲੇ ਵਿਅਕਤੀ ਤੋਂ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਵਾਲੇ fMRI ਸਕੈਨ ਬਹੁਤ ਘੱਟ ਹਨ, ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਲੋੜ ਪਹਿਲਾਂ ਨਾਲੋਂ ਕਿਤੇ ਵੱਧ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਕੰਮ ਉਲਟਾ ਇੱਕ ਦੂਜੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਸੀ - ਇੱਕ ਏਨਕੋਡਰ ਜੋ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਕਿ ਜੇਕਰ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਦਿੱਤੀ ਗਈ ਤਸਵੀਰ ਦਿਖਾਈ ਜਾਂਦੀ ਹੈ ਤਾਂ ਦਿਮਾਗ ਦਾ ਸਕੈਨ ਕਿਹੋ ਜਿਹਾ ਦਿਖਾਈ ਦੇਵੇਗਾ।
ਏਨਕੋਡਰ ਅਤੇ ਡੀਕੋਡਰ ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੇ ਵਿਰੁੱਧ ਚਲਾ ਕੇ, ਟੀਮ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਅਸੀਮਤ ਸਿਖਲਾਈ ਜੋੜੇ ਤਿਆਰ ਕਰ ਸਕਦੀ ਹੈ। ਇੱਕ ਚੀਤੇ ਦੀ ਇੱਕ ਫੋਟੋ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ, ਉਸ ਦੁਆਰਾ ਪੈਦਾ ਹੋਣ ਵਾਲੀ fMRI ਗਤੀਵਿਧੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰੋ, ਉਸ ਗਤੀਵਿਧੀ ਤੋਂ ਚਿੱਤਰ ਦਾ ਪੁਨਰਗਠਨ ਕਰੋ, ਅਤੇ ਬੇਮੇਲਾਂ 'ਤੇ ਦੋਵੇਂ ਮਾਡਲਾਂ ਨੂੰ ਸੁਧਾਰੋ। ਇਰਾਨੀ ਦੇ ਅਨੁਸਾਰ, ਲਗਭਗ 70 ਪ੍ਰਤੀਸ਼ਤ ਸਿਖਲਾਈ ਡੇਟਾ ਆਖਰਕਾਰ ਚਿੱਤਰਾਂ ਤੋਂ ਆਇਆ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਕਦੇ ਵੀ ਇੱਕ ਸਕੈਨ ਕੀਤੇ ਵਾਲੰਟੀਅਰ ਨੂੰ ਨਹੀਂ ਦਿਖਾਇਆ ਗਿਆ ਸੀ।
ਪਹੁੰਚ ਨੇ ਉਹ ਪੈਦਾ ਕੀਤਾ ਜਿਸਨੂੰ ਟੀਮ ਇੱਕ ਯੂਨੀਵਰਸਲ ਬ੍ਰੇਨ ਏਨਕੋਡਰ ਕਹਿੰਦੀ ਹੈ, ਅਤੇ ਇਸਦੀ ਕੁਸ਼ਲਤਾ ਹੈੱਡਲਾਈਨ ਨਤੀਜਾ ਹੈ। ਪਿਛਲੇ ਡੀਕੋਡਿੰਗ ਟੂਲਸ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਨਵੇਂ ਵਿਅਕਤੀ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰਨ ਲਈ ਲਗਭਗ 40 ਘੰਟਿਆਂ ਦੇ fMRI ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਰਾਨੀ ਦੇ ਡੀਕੋਡਰ ਨੂੰ ਲਗਭਗ ਇੱਕ ਘੰਟੇ ਦੀ ਲੋੜ ਹੈ - ਇੱਕ ਅੰਤਰ ਜੋ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਸਕੈਨਰ ਸਮਾਂ ਮਹਿੰਗਾ ਹੈ। "ਸਾਡੇ ਵਿੱਚੋਂ ਕੋਈ ਵੀ ਨਵੇਂ ਵਿਸ਼ੇ ਲਈ 40 ਘੰਟੇ ਦੀ ਇਮੇਜਿੰਗ ਬਰਦਾਸ਼ਤ ਨਹੀਂ ਕਰ ਸਕਦਾ," ਕੈਲੀਫੋਰਨੀਆ ਯੂਨੀਵਰਸਿਟੀ, ਸੈਂਟਾ ਬਾਰਬਰਾ ਦੇ ਇੱਕ ਤੰਤੂ ਵਿਗਿਆਨੀ, ਟੌਮੀ ਸਪ੍ਰਾਗ ਨੇ ਕਿਹਾ, ਜੋ ਖੋਜ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਸੀ, ਨੇ ਨੋਟ ਕੀਤਾ ਕਿ ਇਮੇਜਿੰਗ ਲਗਭਗ $ 600 ਤੋਂ $ 1,000 ਪ੍ਰਤੀ ਘੰਟਾ ਚੱਲ ਸਕਦੀ ਹੈ। ਖੋਜਾਂ ਨੂੰ ਸਤੰਬਰ ਵਿੱਚ ਨਿਊਯਾਰਕ ਵਿੱਚ ਕੋਗਨਿਟਿਵ ਕੰਪਿਊਟੇਸ਼ਨਲ ਨਿਊਰੋਸਾਇੰਸ ਕਾਨਫਰੰਸ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੀ ਇਹ ਸਹੀ ਹੋ ਜਾਂਦਾ ਹੈ - ਅਤੇ ਕੀ ਗਲਤ
ਇਰਾਨੀ ਨੇ ਐਮਆਈਟੀ ਟੈਕਨਾਲੋਜੀ ਰਿਵਿਊ ਨੂੰ ਦੱਸਿਆ, ਤੁਲਨਾਤਮਕ ਟੈਸਟਾਂ ਵਿੱਚ, ਟੂਲ ਨੇ ਪਹਿਲਾਂ ਵਰਣਿਤ ਦਿਮਾਗ-ਡੀਕੋਡਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ "ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਨਾਲ" ਪਛਾੜ ਦਿੱਤਾ। ਇਹ ਅਭੁੱਲ ਨਹੀਂ ਹੈ। ਇੱਕ ਵੀਡੀਓ ਕਾਲ ਦੇ ਦੌਰਾਨ, ਉਸਨੇ ਇੱਕ ਕੇਕ ਦੀ ਇੱਕ ਤਸਵੀਰ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ ਜਿਸਨੂੰ ਸਿਸਟਮ ਨੇ ਤਿੰਨ ਸੈਂਡਵਿਚਾਂ ਦੇ ਢੇਰ ਦੇ ਰੂਪ ਵਿੱਚ ਪੁਨਰਗਠਨ ਕੀਤਾ, ਅਤੇ ਇੱਕ ਬਾਥਟਬ ਵਿੱਚ ਇੱਕ ਕੁੱਤਾ ਜੋ ਉਸੇ ਟੱਬ ਵਿੱਚ ਇੱਕ ਸਮਾਨ ਰੰਗ ਦੀ ਬੱਕਰੀ ਦੇ ਰੂਪ ਵਿੱਚ ਵਾਪਸ ਆਇਆ।
ਕਈ ਅਧਿਐਨਾਂ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਕੇ, ਟੀਮ ਨੇ ਦਿਮਾਗ ਦੇ ਖੇਤਰਾਂ ਦੀ ਵੀ ਪਛਾਣ ਕੀਤੀ ਜੋ ਵਿਅਕਤੀਆਂ ਵਿੱਚ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ - ਇੱਕ ਖੇਤਰ ਭੋਜਨ ਦੇ ਚਿੱਤਰਾਂ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ, ਦੂਜਾ ਖੇਡਾਂ ਲਈ। ਇਰਾਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਉਹ ਹੁਣ ਨਿਊਰੋ-ਵਿਗਿਆਨੀ ਨਾਲ ਕੰਮ ਕਰ ਰਹੀ ਹੈ ਤਾਂ ਜੋ ਇਹ ਮੈਪ ਕਰਨ ਲਈ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕੇ ਕਿ ਦਿਮਾਗ ਕਿਵੇਂ ਹੋਰ ਵਿਵਸਥਿਤ ਢੰਗ ਨਾਲ ਅਰਥ ਰੱਖਦਾ ਹੈ।
ਦਵਾਈ ਲਈ ਵਾਅਦੇ
ਸਭ ਤੋਂ ਤੁਰੰਤ ਉਮੀਦਾਂ ਕਲੀਨਿਕਲ ਹਨ. ਇਰਾਨੀ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ ਪਹੁੰਚ ਆਖਰਕਾਰ ਲਾਕ-ਇਨ ਸਿੰਡਰੋਮ ਵਾਲੇ ਲੋਕਾਂ ਦੀ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ - ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਧਰੰਗ ਵਾਲੇ ਮਰੀਜ਼ ਜੋ ਬੋਲ ਜਾਂ ਹਿੱਲ ਨਹੀਂ ਸਕਦੇ - ਇਕੱਲੇ ਦਿਮਾਗ ਦੀ ਗਤੀਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਚਾਰ ਕਰ ਸਕਦੇ ਹਨ। ਉਹ ਸੁਪਨਿਆਂ ਅਤੇ PTSD ਫਲੈਸ਼ਬੈਕ ਦੀ ਸੰਵੇਦੀ ਸਮੱਗਰੀ ਸਮੇਤ ਕਲਪਨਾ ਕੀਤੀ ਸਮੱਗਰੀ ਨੂੰ ਪੁਨਰਗਠਿਤ ਕਰਨ ਦੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਟੀਚੇ ਦੇ ਨਾਲ, ਸਥਿਰ ਚਿੱਤਰਾਂ ਤੋਂ ਪਰੇ ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਤੱਕ ਤਕਨੀਕ ਨੂੰ ਵਧਾਉਣਾ ਵੀ ਚਾਹੁੰਦੀ ਹੈ।
ਬ੍ਰਿਟਿਸ਼ ਕੋਲੰਬੀਆ ਯੂਨੀਵਰਸਿਟੀ ਵਿੱਚ ਨਿਊਰੋਥਿਸਟਿਸਟ ਅਤੇ ਨਿਊਰੋਲੋਜੀ ਦੇ ਪ੍ਰੋਫੈਸਰ ਜੂਡੀ ਇਲਜ਼, ਜੋ ਕਿ ਕੰਮ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਸਨ, ਨੇ ਖੋਜ ਨੂੰ "ਸ਼ਾਨਦਾਰ" ਦੱਸਿਆ। "ਨਿਊਰੋਲੋਜੀਕ ਸਥਿਤੀਆਂ ਵਾਲੇ ਲੋਕਾਂ ਦੀ ਮਦਦ ਕਰਨ ਲਈ [ਇਸ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਵਿਚਾਰ] ... ਇਲਾਜ ਦੇ ਤੌਰ 'ਤੇ ਬਹੁਤ ਰੋਮਾਂਚਕ ਹੈ," ਉਸਨੇ MIT ਤਕਨਾਲੋਜੀ ਸਮੀਖਿਆ ਨੂੰ ਦੱਸਿਆ।
ਗੋਪਨੀਯਤਾ ਸਮੱਸਿਆ
ਇਹੀ ਸਟੀਕਤਾ ਉਸ ਸੰਭਾਵਨਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਜੋ ਖੇਤਰ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਡਰਦਾ ਹੈ: ਅਰਥਪੂਰਨ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਮਾਨਸਿਕ ਰੂਪਕ ਨੂੰ ਕੱਢਣਾ। "ਨਤੀਜੇ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਜਾਪਦੇ ਹਨ," ਸਪ੍ਰੈਗ ਨੇ ਕਿਹਾ। "ਪਰ ਜੇ ਤੁਸੀਂ ਜਿਸ ਬਾਰੇ ਸੋਚ ਰਹੇ ਹੋ ਉਸ ਬਾਰੇ ਗੁਪਤ ਰੂਪ ਵਿੱਚ ਜਾਣਕਾਰੀ ਕੱਢਣ ਦਾ ਕੋਈ ਤਰੀਕਾ ਹੈ, ਤਾਂ ... 150 ਸਾਲਾਂ ਦੀ ਵਿਗਿਆਨਕ ਖੋਜ ਕਿਸੇ ਵੀ ਸਮੇਂ ਸੱਚ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਇਹ ਬਹੁਤ ਸਾਰੇ ਤਰੀਕਿਆਂ ਨਾਲ ਚਿੰਤਾਜਨਕ ਹੈ।"
ਉਹ ਚਿੰਤਾਵਾਂ, ਫਿਲਹਾਲ, ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੁਆਰਾ ਬੰਨ੍ਹੀਆਂ ਹੋਈਆਂ ਹਨ। ਸਿਸਟਮ ਲਈ ਇੱਕ ਵਿਅਕਤੀ ਨੂੰ ਇੱਕ ਮਲਟੀ-ਟਨ fMRI ਚੁੰਬਕ ਦੇ ਅੰਦਰ ਘੰਟਿਆਂ ਲਈ ਲੇਟਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਹਰੇਕ ਪਿਛਲੇ ਡੀਕੋਡਰ ਨੂੰ ਪ੍ਰਤੀ-ਵਿਅਕਤੀ ਲਈ ਵਿਆਪਕ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਪਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਦੀ ਜ਼ਰੂਰਤ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜੋ ਇਰਾਨੀ ਦੀ ਟੀਮ ਨੇ ਦਰਜਨਾਂ ਦੇ ਇੱਕ ਕਾਰਕ ਦੁਆਰਾ ਕੱਟੀ ਹੈ, ਜਿਸ ਕਾਰਨ ਨੈਤਿਕ ਵਿਗਿਆਨੀ ਇੱਕ ਅਜਿਹੇ ਸਾਧਨ ਵੱਲ ਧਿਆਨ ਦੇ ਰਹੇ ਹਨ ਜੋ ਇੱਕ ਖੋਜ ਸਫਲਤਾ ਵੀ ਹੁੰਦਾ ਹੈ।
ਵੇਇਜ਼ਮੈਨ ਗਰੁੱਪ ਦੇ ਅਗਲੇ ਟੀਚੇ — ਮੂਵਿੰਗ ਚਿੱਤਰ ਅਤੇ ਧੁਨੀ, ਫਿਰ ਕਲਪਨਾ ਅਤੇ ਸੁਪਨੇ ਵਾਲੀ ਸਮੱਗਰੀ — ਜਾਂਚ ਕਰਨਗੇ ਕਿ ਕੀ ਤਕਨੀਕ ਦੀ ਸ਼ੁੱਧਤਾ ਸਕੈਨਰ ਲੈਬ ਦੀਆਂ ਧਿਆਨ ਨਾਲ ਨਿਯੰਤਰਿਤ ਸਥਿਤੀਆਂ ਤੋਂ ਬਾਹਰ ਬਚੀ ਹੈ। ਜੇਕਰ ਅਜਿਹਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਮੈਡੀਕਲ ਐਪਲੀਕੇਸ਼ਨ ਅਤੇ ਗੋਪਨੀਯਤਾ ਬਹਿਸ ਦੋਵੇਂ ਇਕੱਠੇ ਵਧਣਗੀਆਂ।
ਇੱਕ ਤੇਜ਼ੀ ਨਾਲ ਵਧਣ ਵਾਲਾ ਖੇਤਰ
ਬ੍ਰੇਨ ਡੀਕੋਡਿੰਗ ਇੱਕ ਦਹਾਕੇ ਤੋਂ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਢਾਂਚਾਗਤ ਤੌਰ 'ਤੇ ਵਫ਼ਾਦਾਰ ਪੁਨਰਗਠਨ ਤੱਕ ਧੁੰਦਲੇ, ਮੁਸ਼ਕਿਲ ਨਾਲ ਪਛਾਣੇ ਜਾਣ ਵਾਲੇ ਅਨੁਮਾਨਾਂ ਤੋਂ ਅੱਗੇ ਵਧੀ ਹੈ, ਬਿਹਤਰ ਸਕੈਨਰਾਂ, ਵੱਡੇ ਸਾਂਝੇ ਡੇਟਾਸੈਟਾਂ ਅਤੇ ਜਨਰੇਟਿਵ ਮਾਡਲਾਂ ਦੁਆਰਾ ਸੰਚਾਲਿਤ ਜੋ ਮੋਟੇ ਸਿਗਨਲਾਂ ਤੋਂ ਯਥਾਰਥਵਾਦੀ ਵੇਰਵੇ ਨੂੰ ਭਰ ਸਕਦੇ ਹਨ। ਵੇਇਜ਼ਮੈਨ ਦਾ ਯੋਗਦਾਨ — ਡਾਟਾ ਅੜਚਨ ਨੂੰ ਤੋੜਨ ਲਈ ਦੋ-ਦਿਸ਼ਾਵੀ ਏਨਕੋਡਰ-ਡੀਕੋਡਰ ਲੂਪ ਦੀ ਵਰਤੋਂ ਕਰਨਾ — ਇੰਜਨੀਅਰਿੰਗ ਸੂਝ ਦੀ ਇੱਕ ਕਿਸਮ ਹੈ ਜੋ ਤੇਜ਼ੀ ਨਾਲ ਫੈਲਦੀ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਨਵੇਂ ਹਾਰਡਵੇਅਰ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੀ ਹੈ। ਹੋਰ ਲੈਬਾਂ ਤੋਂ ਸਿਖਲਾਈ ਸਕੀਮ ਨੂੰ ਦੁਹਰਾਉਣ ਦੀ ਉਮੀਦ ਕਰੋ, ਅਤੇ ਇਸ ਸਵਾਲ ਦੀ ਉਮੀਦ ਕਰੋ ਕਿ AI ਨੀਤੀ ਦੇ ਹਾਸ਼ੀਏ ਤੋਂ ਇਸਦੇ ਕੇਂਦਰ ਵੱਲ ਜਾਣ ਲਈ ਨਿਊਰਲ ਡੇਟਾ ਨੂੰ ਕੌਣ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਸਹਿਮਤੀ ਦਿੰਦਾ ਹੈ।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
