O conteúdo descreve a criação de um modelo de IA afinado para estimular a dopamina em cérebros com TDAH, oferecendo uma abordagem inovadora para o apoio à saúde mental. Este projeto explora a aplicação da inteligência artificial para auxiliar na regulação neural.
Este estudo avalia empiricamente agentes de IA de codificação de uso geral em um pipeline de descoberta de dados neurocientíficos, analisando sua capacidade de automatizar tarefas científicas complexas. Ele conclui que os agentes conseguem resolver etapas individuais do pipeline, mas têm dificuldade com o julgamento científico na ausência de critérios de iteração predefinidos.
Este artigo, parte da série "Neuroanatomia de LLMs", sugere que os Large Language Models processam informações geometricamente, e não linguisticamente. Ele explora os mecanismos internos e a organização estrutural desses modelos avançados de IA.
Este artigo explora como a IA 'compreende o significado' em comparação com os humanos, utilizando perspetivas da neurociência, ética da IA e criação restrita. A questão central é se a IA realmente 'entende o significado' ou apenas cria uma ilusão de continuidade, ao contrário da memória humana que envolve seleção e interpretação contínuas.
Este artigo apresenta o modelo Convolutional Variational Deep Embedding (Conv-VaDE) para análise de microestados de EEG. Ele aprimora a interpretabilidade ao aprender reconstrução topográfica e agrupamento probabilístico suave, permitindo a decodificação generativa de protótipos de clusters em topografias verificáveis.
Este artigo explora como a inteligência artificial pode "entender o significado" em comparação com os humanos, abordando a questão através das lentes da neurociência, ética da IA e criatividade limitada. Conclui que a IA não pode compreender o significado como os humanos, pois carece de experiência incorporada e cultural.
Esta pesquisa investiga a semelhança entre o processamento de modelos de linguagem e o processamento da linguagem humana usando o Brain Score. Os achados indicam que LMs treinados em diversas línguas naturais e até em dados estruturados (genoma, Python) apresentam desempenho similar, sugerindo que a métrica capta a capacidade de extração de estrutura comum.
A China aprovou o primeiro chip invasivo cérebro-computador do mundo, marcando um avanço significativo na tecnologia médica. Um homem paralisado, Dong Hui, já conseguiu usar o chip para escrever, demonstrando seu potencial transformador.
Um pesquisador independente de 11 anos publicou o Open-Bridge, um software de código aberto para sincronizar organoides cerebrais 3D com hardware de computação fotônica. Ele utiliza o método Donoho/MAD para classificação adaptativa de picos e Redes Neurais Líquidas para sincronização temporal.
Este trabalho propõe uma hipótese de compressão semântica para superar as limitações da decodificação de linguagem a partir de EEG, sugerindo que os sinais EEG codificam âncoras semânticas comprimidas em vez da estrutura linguística completa. Apresenta o Brain-CLIPLM, uma estrutura de duas fases para extração de âncoras semânticas via aprendizagem contrastiva e reconstrução de frases usando um modelo de linguagem grande baseado em recuperação.
Esta pesquisa investiga se os LLMs podem servir como uma lente para compreender as representações neurais da valência emocional no cérebro humano, focando no EEG. O estudo constrói um eixo de valência a partir de LLMs e demonstra seu mapeamento na atividade neural humana, sugerindo uma representação compartilhada.
Neurocientistas propõem usar dados de fMRI não invasivos para melhorar modelos de codificação de ECoG, superando restrições de dados. Representações de linguagem ajustadas com fMRI aprimoraram a previsão de ECoG, mesmo com a resolução temporal inferior do fMRI.
Este artigo, parte da série 'The Learn Arc' sobre Inferência Ativa, detalha como conceitos matemáticos abstratos se traduzem em circuitos neurais reais. Ele postula que o córtex funciona como um grafo fatorial físico, onde colunas corticais são nós fatoriais e fibras de substância branca atuam como mensagens em uma computação de passagem de mensagens.
CIPHER é um modelo baseado em Conformer para inferência de fonemas a partir de EEG de alta densidade, visando decodificar informações de fala do cérebro. Embora alcance alta performance em tarefas binárias, mostra desempenho limitado na discriminação de fonemas de 11 classes, sendo posicionado como um estudo de benchmark e comparação de características.
Pesquisadores do MIT propõem uma estratégia não invasiva para explorar como a matéria física do cérebro se traduz em consciência, utilizando ultrassom focado transcraniano. Esta abordagem visa investigar a complexa ligação entre a atividade cerebral e a experiência subjetiva sem neurocirurgia.