Благодаря вживленному чипу Neuralink обезьяна сыграла в компьютерную игру силой мысли
Компания Илона Маска Neuralink показала обезьяну с имплантированным в моторную кору обоих полушарий головного мозга беспроводным устройством N1 Link, с помощью которого животное сумело силой мысли управлять курсором на экране компьютера во время игры в пинг-понг. Курсор смещался в ту или иную строну в зависимости от возникающего паттерна нейронной активности в моторной коре головного мозга животного. Об этом компания сообщила в своем блоге на сайте neuralink.com.
В 2020 году компания Илона Маска Neuralink продемонстрировала свинью с имплантированным в сенсорную кору головного мозга чипом, который фиксировал и по беспроводной связи в реальном времени передавал на компьютер соматосенсорные сигналы от мозга животного, исследующего окружающую среду. Чип помещался в область коры, которая обрабатывала тактильные ощущения от морды свиньи. Беспроводную версию чипа компания создала на основе представленного в 2019 аналогичного проводного устройства. Исследованием в этой области и разработкой интерфейса мозг-компьютер компания занялась, чтобы в конечном итоге позволить людям с параличом напрямую использовать свою нейронную активность для быстрого и легкого управления личными компьютерами и мобильными устройствами.
Теперь Neuralink вживила такое же беспроводное устройство, названное N1 Link, в головной мозг обезьянки по имени Пейджер, а точнее, в ту область моторной коры двух полушарий, которая отвечает за планирование и выполнение движений руками и кистями рук. Затем обезьянку научили с помощью джойстика играть на компьютере в пинг-понг за вкусную награду — банановый смузи.
Когда животное занято игрой, его моторные нейроны не активируются одинаково и одновременно, а модулируют свою активность в зависимости от характера движений рук обезьяны. Например, некоторые становятся более активными, когда животное поднимает руку вверх, а другие — при перемещении руки вниз, то же самое верно и для движений в правую и левую стороны. Регистрируемый всплеск электрической активности нейрона в ответ на некий стимул называют вызванным потенциалом, N1 Link автоматически обнаруживает эти электрические сигналы и каждые 25 миллисекунд передает по Bluetooth на компьютер, на котором запущено специальное программное обеспечение для декодирования. Используя эти данные, ученые создают математическую модель взаимосвязей между различными паттернами нейронной активности и характером движения, и на основе этой модели предсказывают направление и скорость предстоящего движения руки обезьяны, а далее используют эти прогнозы для управления в реальном времени движениями компьютерного курсора. И отключив джойстик ученые убедились, что Пейджер продолжает играть в любимую игру уже с помощью силы мысли или декодированной нейронной активности, но обезьяна по привычке все еще двигает джойстиком и своей рукой.
Обезьяны здоровы и не имеют двигательных нарушений, поэтому ученые могут калибровать декодер, сопоставляя паттерны нейронной активности с реальными движениями животного, однако использовать подобную стратегию для людей с параличом невозможно. Ввиду чего на следующем этапе эксперимента джойстик полностью удалили, но Пейджер по-прежнему смог продолжать играть, и также обезьяна справилась с игрой, когда ее немного усложнили, увеличив скорость движения мячика. Авторы назвали эту игру мысленным пинг-понгом.
Как отмечает в своем блоге Neuralink, предыдущие исследования, проведенные консорциумом BrainGate, показали, что нейроны моторной коры остаются настроенными на движение даже у парализованных людей, и человеку достаточно лишь представить, как движется мышь по коврику или палец по ней, чтобы откалибровать декодер. А после парализованный человек может набирать электронные письма и текстовые сообщения, просматривать веб-страницы или делать все, что можно делать с помощью компьютера, просто думая о том, как он хочет, чтобы курсор перемещался. К этому Илон Маск в своем твите добавил, что N1 Link позволит парализованному человеку пользоваться смартфоном быстрее, чем это делает тот, кто использует большие пальцы.
Параллельно с этим консорциум BrainGate 30 марта этого года опубликовал исследование, в котором ученые представили отчет об успешном испытании в домашних условиях беспроводного интерфейса мозг-компьютер. Испытания прошли с участием двух мужчин с тетраплегией — возникшего из-за травмы спинного мозга нарушения или потери функций рук, туловища, ног и функций тазовых органов. Как и предположили исследователи Neuralink, ученые BrainGate смогли настроить работу системы, когда их испытуемые просто воображали, как совершают движение. Благодаря беспроводному устройству участники смогли пользоваться планшетным компьютером, чтобы просматривать веб-страницы и использовать несколько мобильных приложений.
А группа ученых из Университета Дьюка, применив возможности интерфейса мозг-компьютер, объединила между собой мозги трех обезьян в единую распределенную систему. Эта система обезьян смогла выполнять параллельно различные функции и синхронизировать свои усилия для достижения результатов без использования прямой коммуникации.
Екатерина Рощина
Теперь она может определять киберугрозы
Исследователи из Южной Кореи обучили языковую модель DarkBERT на текстах из даркнета. Люди общаются в даркнете иначе, чем в обычном интернете, в том числе используют свой сленг. Модель изучила этот язык, и теперь ее можно применять в задачах кибербезопасности. Препринт доступен на arXiv.org. Языковые модели сегодня применяют для изучения разных текстов. Это нейросети, которые обучились на большом количестве данных и хорошо выполняют задачи, связанные с пониманием речи. Популярные языковые модели основаны на архитектуре Transformer, которую придумали инженеры из Google — такие модели умеют фокусировать внимание на важных частях предложения. Языковые модели лучше всего понимают то, что похоже на примеры из обучающей выборки. Обычно они учатся на больших объемах текстов из интернета, поэтому понимают много чего: литературный язык, сообщения из социальных сетей, научно-популярные статьи. Но есть тексты, которые не попадают в обучающую выборку, в том числе тексты из даркнета. У них есть свои лингвистические особенности: словарный запас, распределение частей речи и даже синтаксис. Обычные языковые модели это не учитывают, потому что во время обучения не видели таких текстов. Выход есть — обучить языковую модель на материалах из даркнета. Даркнет — это часть интернета, которую не найти в обычных поисковиках вроде Яндекса или Гугла. Туда нельзя попасть через обычный браузер. Есть разные сервисы для входа в даркнет, авторы исследования использовали Tor. Люди в даркнете общаются анонимно, и их сложно отследить. Поэтому даркнет стал платформой для всякого незаконного, от утечек данных до торговли запрещенными веществами. Специалисты по кибербезопасности постоянно ищут способы мониторить и изучать тексты в даркнете. Группа ученых из Южной Кореи под руководством Сун Вон Шина (Seungwon Shin) из Корейского института передовых технологий собрала корпус текстов из даркнета и обучила на нем языковую модель DarkBERT. Сначала авторы составили списки сайтов с помощью инструмента поиска по даркнету. Затем они скачали 6 миллионов веб-страниц и превратили их в тексты. Для обучения использовали модель RoBERTa, основанную на архитектуре Transformer. После обучения на текстах даркнета получилась готовая модель DarkBERT. Ее качество сравнивали со стандартными моделями RoBERTa и BERT, которые обучались на обычных текстах. Тестировали модели на разных сценариях киберугроз. Например, иногда злоумышленники похищают конфиденциальные данные с сайтов и вымогают у их владельцев деньги. Если деньги не поступают, злоумышленники публикуют украденные данные. Нейросети получали текст сайта и решали задачу бинарной классификации: определить, размещают ли на нем утекшие данные. DarkBERT справился с этой задачей намного лучше (точность 84 процента у DarkBERT против 70 процентов у BERT и 44 процента у RoBERTa). Еще один пласт нелегальной активности в даркнете — это продажа запрещенных веществ. Авторы проверили, насколько хорошо разные модели понимают сообщения с форумов даркнета: нейросети выделяли ключевые слова в сообщениях о запрещенных веществах. Такие ключевые слова могут пригодиться сотрудникам правоохранительных органов, чтобы быстро искать сообщения о продаже веществ и определять продавцов. Эту задачу тестировали на DarkBERT и на похожей модели BERT, дообученной на тематическом сабреддите. Здесь DarkBERT снова обошел конкурента (точность определения топ-10 ключевых слов 60 процентов у DarkBERT против 40 процентов у BERT). В целом результаты показывают, что предобученная на текстах из даркнета нейросеть DarkBERT справляется с задачами кибербезопасности лучше, чем другие модели. Ее можно использовать, чтобы мониторить нелегальную активность в даркнете, вычислять преступников и предотвращать утечки данных. Но у DarkBERT есть свои ограничения. Во-первых, она умеет работать только с англоязычными текстами. Во-вторых, обучающую выборку из даркнета собирать сложно, потому что сайты непросто найти и превратить в тексты. А чем больше подходящих текстов, тем выше эффективность модели. Другие языковые модели тоже продолжают развиваться. Например, инженеры из Яндекса натренировали нейросеть на русскоязычных текстах и встроили ее в Алису.