Bas\u00e1ndose en esc\u00e1neres cerebrales, una inteligencia artificial puede generar im\u00e1genes de im\u00e1genes que la gente mira. Dichos sistemas ya exist\u00edan, pero son extremadamente complejos y consumen mucha energ\u00eda. El nuevo enfoque es mucho m\u00e1s simple.<\/p>\n
<\/p>\n
El sistema se ha desarrollado sobre la base de una popular inteligencia artificial (IA) que puede convertir texto en im\u00e1genes. A trav\u00e9s de la adaptaci\u00f3n, esta IA ahora puede generar im\u00e1genes basadas en se\u00f1ales cerebrales, en lugar de texto. Pero el sistema a\u00fan requiere una amplia capacitaci\u00f3n con equipos de im\u00e1genes grandes y costosos, por lo que todav\u00eda no es realmente pr\u00e1ctico.<\/p>\n
Recientemente, varios grupos de investigaci\u00f3n lograron generar im\u00e1genes basadas en se\u00f1ales cerebrales, pero utilizaron IA de alto consumo energ\u00e9tico que requieren un ajuste fino de millones a miles de millones de par\u00e1metros.<\/p>\n
\t\t\t\tLEA TAMBI\u00c9N<\/p>\n
\n
\t\t\t\t\t“El t\u00fanel de viento era la pieza del rompecabezas que le faltaba al ganador del Tour Jonas Vingegaard”
\n\t\t\t\t<\/h4>\n
\t\t\t\t\tEl profesor flamenco Bert Blocken jug\u00f3 un papel en la victoria de Jonas Vingegaard en el Tour de Francia. Desde 2017 es aerody…\n\t\t\t\t<\/p>\n<\/p><\/div>\n
neurocient\u00edficos Shinji Nishimoto<\/a> y yu takagi<\/a> de la Universidad de Osaka en Jap\u00f3n ahora han desarrollado un enfoque mucho m\u00e1s simple. Para esto utilizaron Difusi\u00f3n estable<\/a>, un generador de texto a imagen lanzado por la compa\u00f1\u00eda Stability AI en agosto de 2022. Su m\u00e9todo, publicado en el sitio web de preimpresi\u00f3n Biorxiv, <\/a>incluye solo miles en lugar de millones de par\u00e1metros.<\/p>\n Normalmente, Stable Diffusion convierte un fragmento de texto en una imagen comenzando con ruido visual aleatorio, a partir del cual el programa produce im\u00e1genes que se asemejan a im\u00e1genes con leyendas de texto similares en los datos de entrenamiento.<\/p>\n Nishimoto y Takagi construyeron dos nuevos modelos de software que conectaron a Stable Diffusion para que pudiera manejar se\u00f1ales cerebrales en lugar de texto. Utilizaron datos de cuatro personas que hab\u00edan participado en un estudio que ten\u00eda escaneos de resonancia magn\u00e9tica funcional de sus cerebros mientras ve\u00edan 10,000 im\u00e1genes diferentes de paisajes, objetos y personas.<\/p>\n Usando alrededor del 90 por ciento de los datos de escaneo, entrenaron a un modelo para hacer conexiones entre los datos de fMRI de una regi\u00f3n del cerebro que procesa se\u00f1ales visuales, el corteza visual temprana<\/em>y las im\u00e1genes que la gente vio.<\/p>\n Usando el mismo conjunto de datos, Nishimoto y Takagi entrenaron un segundo modelo para hacer conexiones entre las descripciones de texto de las im\u00e1genes y los datos de fMRI de una regi\u00f3n del cerebro que procesa el significado de la imagen, el corteza visual ventral<\/em>.<\/p>\n Despu\u00e9s de su entrenamiento, estos dos modelos, que deb\u00edan adaptarse a cada individuo, pod\u00edan traducir los datos de escaneo cerebral en un formulario que pod\u00eda ingresarse directamente en Stable Diffusion. Luego logr\u00f3 reconstruir alrededor de mil im\u00e1genes que las personas vieron con una precisi\u00f3n de alrededor del 80 por ciento, sin haber sido entrenados en esas im\u00e1genes espec\u00edficas. Este nivel de precisi\u00f3n es comparable al alcanzado en un Investigaci\u00f3n previa<\/a> en el que los mismos datos se analizaron utilizando un enfoque m\u00e1s engorroso.<\/p>\n ‘No pod\u00eda creer lo que ve\u00eda. Camin\u00e9 al ba\u00f1o, me mir\u00e9 r\u00e1pidamente en el espejo y luego volv\u00ed a mi escritorio para revisar los resultados nuevamente\u201d, dice Takagi.<\/p>\n En una nota al margen, el estudio solo se realiz\u00f3 en cuatro personas, y las IA que leen la mente funcionan mejor en algunas personas que en otras, dice Nishimoto.<\/p>\n Adem\u00e1s, debido a que los modelos deben adaptarse al cerebro de cada individuo, este enfoque requiere largas sesiones de escaneo cerebral y enormes m\u00e1quinas de resonancia magn\u00e9tica funcional, dice el cient\u00edfico inform\u00e1tico. sikun lin<\/a> de la Universidad de California en Santa B\u00e1rbara. “Es totalmente poco pr\u00e1ctico para el uso diario”, dice ella.<\/p>\n En el futuro, versiones m\u00e1s pr\u00e1cticas de este enfoque podr\u00edan permitir a las personas crear arte, alterar im\u00e1genes o agregar nuevos elementos a los juegos, dice Lin, usando solo su imaginaci\u00f3n.<\/p>\n<\/p><\/div>\ndatos de resonancia magn\u00e9tica funcional<\/h2>\n
80 por ciento de precisi\u00f3n<\/h2>\n
![\"La](\"https:\/\/teknomers.com\/es\/wp-content\/uploads\/2023\/03\/AI-usa-un-escaner-cerebral-para-visualizar-lo-que-alguien.jpg\")
Totalmente no pr\u00e1ctico<\/h2>\n