Microsoft Research ใช้ AI ค้นพบ 'ไมโครรีเจียน' ในสมองที่ไม่เคยรู้จักมาก่อน ตีพิมพ์ใน Nature Neuroscience

Microsoft Research ร่วมกับ UC Berkeley, Columbia University และ UCSF ค้นพบ “ไมโครรีเจียน” ใหม่ 3 แห่งในสมองมนุษย์ที่ทำหน้าที่เฉพาะเจาะจงกว่าที่นักวิทยาศาสตร์เคยรู้ ด้วยวิธีใหม่ที่ใช้ LLM สร้างสมมติฐาน แล้วยืนยันด้วย fMRI ของสมองจริง งานวิจัยนี้ตีพิมพ์ใน Nature Neuroscience และน่าสนใจไม่ใช่แค่ในแง่การค้นพบสมอง แต่เพราะวิธีการแบบนี้สามารถนำไปใช้กับทุกสาขาที่ใช้ predictive models แบบ black-box

สิ่งที่เปลี่ยนไป

ปัญหาคลาสสิกในประสาทวิทยาคือโมเดล AI ที่ทำนายการตอบสนองของสมองได้แม่นยำ แต่ “ไม่สามารถอธิบายได้” ว่าทำไมถึงทำนายแบบนั้น นักวิทยาศาสตร์รู้ว่าโมเดลทำงานได้ แต่ไม่รู้ว่ามันค้นพบ pattern อะไรในสมอง

Generative Causal Testing (GCT) แก้ปัญหานี้โดยเพิ่มขั้นตอน “อธิบาย” และ “ยืนยัน” ทำให้ black-box กลายเป็น hypothesis ที่ทดสอบได้

ทำงานยังไง

GCT ทำงานใน 2 ขั้นตอน:

ขั้น 1 - Explanation: ระบบดึงประโยคหรือวลีที่ทำให้พื้นที่สมองนั้นตอบสนอง แล้วให้ LLM สรุปเป็นคำอธิบายกระชับ เช่น “food preparation” หรือ “dialogue between people”

ขั้น 2 - Verification: LLM สร้างเรื่องราวสังเคราะห์ที่ออกแบบมาเพื่อกระตุ้นพื้นที่สมองที่ระบุ จากนั้นให้ผู้เข้าร่วมอ่านในเครื่อง fMRI เพื่อยืนยันว่าคำอธิบายนั้นถูกต้องจริงหรือไม่

ถ้าเรื่องสังเคราะห์กระตุ้นสมองบริเวณที่คาดไว้ได้สูงกว่า baseline แสดงว่า hypothesis นั้นถูก ถ้าไม่ใช่ก็ต้องปรับสมมติฐานใหม่

ผลการทดสอบ

การค้นพบสำคัญ:

• ไมโครรีเจียนใหม่ 3 แห่ง: พื้นที่ที่ตอบสนองเฉพาะกับ (1) บทสนทนาระหว่างคน, (2) การกล่าวถึงเวลา, (3) การกล่าวถึงตัวเลขและการวัด
• แก้ความขัดแย้งเก่า: RSC, PPA และ OPA สามพื้นที่ที่นักวิทยาศาสตร์คิดว่าทำหน้าที่คล้ายกัน ถูกพิสูจน์ว่าแตกต่างกัน - RSC ตอบสนองกับชื่อสถานที่ที่เป็น proper noun มากกว่า
• ยืนยันความรู้เดิม: ระบบสามารถยืนยัน brain region selectivity ที่รู้กันอยู่แล้วได้ถูกต้อง แสดงว่าวิธีการนี้เชื่อถือได้

จุดเด่นและศักยภาพ

สิ่งที่น่าสนใจที่สุดไม่ใช่แค่การค้นพบสมอง แต่คือ วิธีการ ที่สามารถนำไปใช้กับสาขาอื่นๆ ที่ใช้ predictive models แบบ black-box เช่น climate science, drug discovery หรือ economics

ในบริบท AI สิ่งนี้แสดงให้เห็นว่า LLM ไม่ได้แค่ประมวลภาษา แต่สามารถเป็น “hypothesis generator” ที่ช่วยนักวิทยาศาสตร์ค้นพบ pattern ที่ซ่อนอยู่ในข้อมูล และเมื่อรวมกับการทดลองจริง ก็กลายเป็นวงจรการค้นพบแบบใหม่

เริ่มใช้งาน

งานวิจัยนี้ยังเป็น research ไม่ใช่ product แต่:

• Paper และ code เปิดให้ดาวน์โหลดจาก GitHub ของ Microsoft Research
• นักวิจัยที่สนใจนำ GCT ไปใช้กับ domain อื่นสามารถดู implementation โดยตรง
• Paper ตีพิมพ์แล้วใน Nature Neuroscience

ผู้ร่วมวิจัย: Microsoft Research, UC Berkeley, Columbia University, UCSF

---

สรุปจาก Microsoft โดย AI · อ่านต้นฉบับ