Trí tuệ nhân tạo đang thay đổi cuộc sống của các nhà khoa học cũng như các bệnh nhân. Nó giúp các nhà khoa học hiểu được thị giác của con người và có thể dịch suy nghĩ của một người để vận hành một bộ phận giả.
Não người cũng là một dạng “máy tính sinh học”, nó thu thập dữ liệu về thế giới thông qua các giác quan của chúng ta. AI hiện đại và não người đều bộ não con người đều khai thác sức mạnh của việc xử lý thông tin. Trong vài thập kỷ qua, các nhà nghiên cứu đã áp dụng sức mạnh của điện toán để hiểu cách bộ não của chúng ta hoạt động. Mục tiêu là để hiểu rõ hơn về trí thông minh của con người và bệnh thần kinh. Những nỗ lực này đã hình thành nên lĩnh vực phát triển nhanh chóng được gọi là khoa học thần kinh mạng.
Olaf Sporns, nhà khoa học thần kinh tính toán tại Đại học Indiana, cho biết: “Nếu bạn không biết thứ gì kết nối với thứ gì, làm sao bạn có thể hiểu được não bộ hoạt động như thế nào?”
Lập bản đồ ‘Hệ thống kết nối’ của não người
Khoa học thần kinh mạng là nghiên cứu về não như một hệ thống kết nối. Các nhà nghiên cứu sử dụng các tập dữ liệu lớn để nghiên cứu cấu trúc và chức năng của não. Nghiên cứu này bắt đầu phát triển mạnh mẽ từ vài thập kỷ trước.
Nhưng ý tưởng về não như một mạng lưới đã có từ lâu hơn nhiều. Nhà khoa học thần kinh thế kỷ XIX David Ferrier “gần như định nghĩa mạng lưới não” trong một cuốn sách do ông viết, Cornelis Stam, một nhà khoa học thần kinh tại Trung tâm Y tế Đại học Amsterdam cho biết, “Ông ấy nhận thức sâu sắc rằng tất cả các chức năng cục bộ này không thể tồn tại riêng lẻ, vì vậy chúng phải hợp tác với nhau theo cách nào đó.”
Một cuốn sách giáo khoa về khoa học thần kinh có thể mô tả não bộ có các vùng riêng biệt kiểm soát các hành động cụ thể. Nhưng đây không phải là suy nghĩ của các nhà khoa học thần kinh mạng. Thay vào đó, họ nghiên cứu não bộ gần giống như một bản đồ giao thông công cộng của thành phố. Các giao điểm được kết nối cao trong não được gọi là “trung tâm” truyền tải một lượng lớn thông tin quan trọng.
Trong một bài báo năm 2005, Sporns và các đồng nghiệp đã đề xuất nỗ lực lập bản đồ các kết nối này trong não, mà ông gọi là “hệ thống kết nối” của con người. Thông tin này sẽ làm sáng tỏ cách não tạo ra chức năng hiểu biết.
Sporns cho biết: “Kết nối đã trở thành một cách mà mọi người thẩm vấn bộ não con người ngày càng nhiều hơn trong thời đại ngày nay”. Điều này có “nhiều ứng dụng để hiểu mối quan hệ giữa não và hành vi, để hiểu cách bộ não hoạt động như một tổng thể trong nhận thức”.
Sức mạnh của AI so với cách bộ não quản lý tài nguyên
Việc hiểu được những kết nối và mạng lưới này có thể giúp các nhà nghiên cứu hiểu rõ hơn về cách não bộ hoạt động hiệu quả như thế nào. Ví dụ, một em bé chỉ có thể nhìn thấy một số ít khuôn mặt người trong vài tháng đầu đời và có thể học cách phân biệt chúng. Nhưng một hệ thống AI cần được cung cấp dữ liệu về hơi thở ban đêm của hàng nghìn bệnh nhân để dự đoán bệnh Parkinson.
Sporns cho biết, bộ não con người “vô cùng giỏi trong việc thực hiện một số việc mà máy tính vẫn rất khó có thể làm được”. “Và nó rất hiệu quả trong việc thực hiện với rất ít năng lượng sử dụng, với rất ít đào tạo”.
Nhà vật lý Dani Bassett của Đại học Pennsylvania cho biết có một số lý thuyết giải thích tại sao AI không thể làm được những gì não người làm. “Một cách tiếp cận là nói rằng có những chiến lược khác nhau, nhưng những chiến lược nhận thức mà chúng ta sử dụng vẫn chưa được triển khai một cách nhân tạo”. Một cách tiếp cận khác, được đề xuất bởi Becket Ebitz, một nhà khoa học thần kinh tại Đại học Montreal, là thực sự có thứ gì đó trong phần cứng của não người hạn chế — theo một cách hữu ích — những gì có thể tính toán và những gì không, Bassett giải thích.
Bassett cho biết: “Cả hai cách tiếp cận này đều đúng khi cho rằng sự khác biệt giữa chúng ta và các hệ thống trí tuệ nhân tạo bao gồm các chiến lược nhận thức hay phần mềm, và sự khác biệt về mặt vật lý hay phần cứng”.
Hệ thống AI có thể học được bài học từ những hạn chế của não người. Não người có thể nhỏ về khối lượng và khả năng tiêu thụ năng lượng, nhưng nó vẫn rất mạnh mẽ. Và đôi khi các thuật toán học máy cũng có thể dạy chúng ta điều gì đó về hệ thống não bộ của mình.
“Chúng ta có thể sử dụng các mô hình đơn giản và để chúng được thông báo bằng máy học ở đâu?” Bassett hỏi. “Trên thực tế, tại giao điểm đó, chúng ta sẽ có thể hiểu rõ hơn về những điều đơn giản bất ngờ trong các hệ thống phức tạp”, Bassett nói. “Tôi nghĩ đó là nơi chúng ta thực sự có thể thúc đẩy sự hiểu biết của mình và thực hiện những khám phá to lớn”.
Hiểu hơn về các bệnh Thần kinh
Các mô hình mạng lưới não bộ mà các nhà khoa học như Sporns và Bassett phát triển không chỉ giới hạn ở việc hiểu được trí thông minh trong một bộ não khỏe mạnh. Chúng có thể cung cấp cái nhìn sâu sắc về các bệnh lý và rối loạn thần kinh mà chúng ta vẫn chưa hiểu đầy đủ.
Stam đề xuất rằng, trong các tình trạng như bệnh Alzheimer và động kinh, tổn thương mạng lưới não có thể chuyển hướng lưu lượng thần kinh đến các “trung tâm” chính khác. Việc nghiên cứu các khiếm khuyết mạng lưới này là một phần quan trọng để hiểu và điều trị các tình trạng này.
“Toàn bộ giả thuyết là tình trạng quá tải này, hoặc sự chuyển hướng này, thực sự là nguyên nhân gây ra rất nhiều vấn đề,” Stam nói. “Nếu tình trạng này kéo dài quá lâu, thì bạn sẽ gặp phải một chuỗi sự cố. Các trung tâm lớn nhất bị hỏng, sau đó lưu lượng truy cập sẽ chuyển đến các trung tâm khác và chúng cũng bị quá tải.”
Stam nghiên cứu cách sự quá tải này có thể được theo dõi và sử dụng như một dấu hiệu sinh học (biomarker) hoặc dấu hiệu có thể đo lường được của bệnh. Ví dụ, ông và các đồng nghiệp đã chỉ ra một mô hình mạng lưới kết nối trong não có thể dự đoán bệnh Parkinson của bệnh nhân đang tiến triển như thế nào dựa trên dữ liệu EEG của họ.
Những minh hoạ cho mạng lưới não người đều không được hoàn hảo, nhưng chúng vẫn đang được liên tục cải thiện. Bassett đang xây dựng những ý tưởng mới trong nghiên cứu về lý thuyết điều khiển mạng lưới. “Liệu những đầu vào nào phải được đưa vào não để đẩy nó theo một hướng cụ thể vào một không gian trạng thái nào đó?” Bassett nói. “Làm thế nào để bạn đưa não vào trạng thái khỏe mạnh thay vì bệnh tật?” Câu trả lời cho những câu hỏi đó có thể có ý nghĩa đối với việc điều trị cá nhân hoá, giúp xác định loại kích thích nào mà một bộ não cụ thể có thể cần để trở lại trạng thái khỏe mạnh hơn.
Và ngược lại, những tiến bộ trong cách chúng ta nghiên cứu não có thể quay lại để giúp mô hình hoá các rối loạn não tốt hơn. Tất cả chúng đều góp phần vào góc nhìn lớn hơn do khoa học thần kinh mạng đưa ra. Stam cho biết: “Bạn cần các vấn đề từ thần kinh học, nhưng cũng cần các giả thuyết từ sinh học não bộ, cũng như các biện pháp và công cụ toán học, và sau đó tất cả sẽ kết hợp lại với nhau”. Tôi nghĩ rằng nó có tính liên ngành và tích hợp cao, nhưng điều buồn cười là nó không chỉ liên quan đến một căn bệnh. Nó không phải là thủ thuật mà bạn áp dụng cho một căn bệnh và dừng ở đó. Về cơ bản, đây giống như một cách nhìn nhận về não bộ hơn là một giải pháp cụ thể cho một vấn đề cụ thể”.
Dịch từ Brain Facts
