arXiv cs.LG→ المصدر

الذكاء الاصطناعي يفكّ معنى الكلام من نشاط الدماغ وينتقل إلى أشخاص جدد دون إعادة تدريب

نشر باحثون في يوليو 2026 على arXiv طريقة تفكّ معنى الكلام المسموع مباشرة من تسجيلات الدماغ الجراحية (الاجتياحية). والفكرة الأساسية هي توحيد الاستجابات العصبية لعدة أشخاص في فضاء كامن مشترك. أما مع مريض جديد، فيعمل النموذج دون إعادة تدريب ويتفوق على الطرق الأساسية المرجعية.

معالج بواسطة الذكاء الاصطناعي من arXiv cs.LG؛ بتحرير Hamidun News
الذكاء الاصطناعي يفكّ معنى الكلام من نشاط الدماغ وينتقل إلى أشخاص جدد دون إعادة تدريب
المصدر: arXiv cs.LG. كولاج: Hamidun News.
◐ استمع للمقال

قدّم باحثون في يوليو 2026 على arXiv إطار عمل لفك التشفير الدلالي عبر الأشخاص (cross-subject). يستعيد هذا الإطار معنى الكلام المسموع من تسجيلات الدماغ الاجتياحية، وينتقل إلى شخص جديد دون أي خطوة لإعادة التدريب.

ماذا فعل العلماء تحديدًا

درّب الفريق نظامًا يحوّل النشاط العصبي إلى تمثيلات دلالية سياقية (embeddings)، وهي التمثيلات المتجهية للمعنى نفسها التي تستخدمها النماذج اللغوية. جُمعت البيانات بطريقة تخطيط القشرة الدماغية الكهربائي (ECoG): توضع الأقطاب مباشرة على سطح القشرة الدماغية بينما يستمع الشخص إلى كلام طبيعي ويفهمه.

الحيلة الأساسية هي الفضاء الكامن المشترك. تُجمع استجابات الدماغ لدى عدة مشاركين في فضاء واحد مشترك بواسطة نموذج الاستجابة المشتركة (shared response model، أو SRM). ثم يتعلم المفكّك (decoder) التنبؤ بالتمثيلات الدلالية انطلاقًا من إشارات مُحاذاة، لا من الإشارات «الخام» لشخص بعينه. وهذا التحول مهم: فالنظام لا يتنبأ بالكلمات الحرفية، بل بمتجهات المعنى، ولذلك يعتمد على استجابات مشتركة بين البشر لمحتوى الكلام، لا على الخصائص الفردية للإشارة.

  • البيانات: تسجيلات ECoG الاجتياحية أثناء فهم كلام طبيعي
  • طريقة المحاذاة: نموذج الاستجابة المشتركة shared response model (الفضاء الكامن المشترك)
  • هدف المفكّك: تمثيلات دلالية سياقية، لا كلمات منفصلة
  • للمشارك الجديد: إسقاط فردي + مفكّك مدرَّب مسبقًا دون إعادة تدريب
  • النتيجة: أداء أعلى باستمرار من الطرق الأساسية، وانخفاض أقل في الدقة على دماغ «غير مألوف»

لماذا يصعب التعميم بين الأشخاص

المشكلة الرئيسية في فك التشفير العصبي الاجتياحي أن الأدمغة غير قابلة للمقارنة حرفيًا: فلكل شخص ترتيبه الخاص للأقطاب، وتشريحه الخاص، ونمطه الخاص من الإشارات العصبية. والنموذج المدرَّب على مشارك واحد يفقد عادةً دقته بشكل حاد عند تطبيقه على مشارك آخر.

يتجاوز المؤلفون ذلك على النحو التالي: بالنسبة إلى المشارك المحجوب (held-out)، أي الذي لم يكن ضمن بيانات التدريب، يقدّرون إسقاطه الفردي فقط إلى الفضاء المشترك المحدد مسبقًا، ويأخذون المفكّك جاهزًا. وبحسب بيانات الدراسة، يقلّص ذلك بشكل ملحوظ فجوة الجودة بين الدماغ «الخاص» والدماغ «الغريب» مقارنةً بالنهج الأساسية، ويخفّض انخفاض الدقة عند الانتقال من المشارك الأصلي إلى المشارك الجديد.

«تبيّن أن محاذاة النشاط العصبي في فضاء كامن مشترك عند فك التشفير في

فضاء التمثيلات الدلالية استراتيجية فعّالة لتحسين التعميم عبر الأشخاص»، كما ورد في ملخص الدراسة على arXiv.

ماذا يعني ذلك

يرسم هذا النهج مسارًا نحو واجهات عصبية لا تحتاج إلى معايرة تستغرق أسابيع لكل مريض جديد: فالفضاء المشترك والمفكّك الدلالي ينتقلان من شخص إلى آخر، ولا يُضبط على الشخص سوى إسقاط رفيع. وبالنسبة إلى الأطراف الصناعية الكلامية الطبية، قد يعني ذلك تشغيلًا أسرع وبيانات أقل لكل مستخدم، مع أن الحديث يدور حاليًا عن نموذج بحثي أولي، لا عن جهاز سريري.

الأسئلة الشائعة

ما المقصود بفك التشفير عبر الأشخاص (cross-subject)؟

هو استعادة المعلومات من نشاط الدماغ بحيث يعمل النموذج لا على الشخص الذي دُرّب عليه فحسب، بل على أشخاص جدد أيضًا. وهدف هذا العمل هو فكّ معنى الكلام المسموع من تسجيلات ECoG الاجتياحية.

هل يجب إعادة تدريب النموذج لشخص جديد؟

لا. فبالنسبة إلى المشارك الجديد، يقدّر المؤلفون إسقاطه الفردي فقط إلى الفضاء الكامن المشترك، ويطبّقون المفكّك المدرَّب مسبقًا دون إعادة تدريب.

ZK
Hamidun News
أخبار الذكاء الاصطناعي بدون ضوضاء. اختيار تحريري يومي من أكثر من 50 مصدر. منتج من جمال حميدون، رئيس الذكاء الاصطناعي في Alpina Digital.
✦ Unified AI Workspace

Access Frontier LLMs & Multimodal AI in One Workspace

Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.

Try NomadNet AI →Launch NomadNet Agent
ما رأيك؟
جارٍ تحميل التعليقات…