Peneliti di The University of Texas at Austin menemukan sistem kecerdasan buatan baru yang disebut dekoder semantik atau decoder AI.

Dekoder semantik ini dapat menerjemahkan aktivitas otak seseorang; yang kala data aktivitas otaknya direkam, orang itu sambil mendengarkan cerita, atau diam-diam membayangkan menceritakan sebuah cerita.

Rekaman hasil kerja decoder AI itu menjadi aliran teks yang berkelanjutan.

Sistem yang dikembangkan oleh para peneliti di The University of Texas di Austin ini, disebut-sebut dapat membantu orang-orang yang sadar mental, namun tidak dapat berbicara secara fisik. Seperti mereka yang lemah karena stroke, untuk berkomunikasi kembali dengan jelas.

Laman universitas itu mengungkap, studi yang dilakukan oleh akademisi mereka itu diterbitkan dalam jurnal Nature Neuroscience. Studi ini dipimpin oleh Jerry Tang, seorang mahasiswa doktoral dalam ilmu komputer, dan Alex Huth, asisten profesor ilmu saraf dan ilmu komputer di UT Austin.

Baca Juga: Sedih Banget, Ini Efek Buruk di Masa Depan Kalo Kita Kecanduan PayLater

Pekerjaan decoder AI, sebagian bergantung pada model transformator, mirip dengan yang mendukung ChatGPT Open AI dan Google Bard.

Dilansir dari laman itu, diketahui bahwa tidak seperti sistem decoding bahasa lain yang sedang dikembangkan, sistem ini tidak memerlukan subjek untuk memiliki implan bedah, membuat prosesnya tidak invasif.

Peserta juga tidak perlu hanya menggunakan kata-kata dari daftar yang ditentukan.

Aktivitas otak diukur menggunakan pemindai functional Magnetic Resonance Imaging (fMRI) setelah pelatihan dekoder ekstensif, di mana individu tersebut mendengarkan podcast selama berjam-jam di pemindai.

Kemudian, asalkan peserta terbuka untuk didekodekan pikirannya, mendengarkan cerita baru atau membayangkan menceritakan sebuah cerita, maka memungkinkan mesin menghasilkan teks yang sesuai dari aktivitas otak saja.

Alex Huth mengatakan, untuk metode non-invasif, ini merupakan lompatan nyata dibandingkan dengan apa yang telah dilakukan sebelumnya, yang biasanya berupa kata tunggal atau kalimat pendek. 

"Kami mendapatkan model, untuk memecahkan kode bahasa berkelanjutan untuk waktu yang lama dengan ide yang rumit," kata dia, dilansir pada Senin (8/5/2023).

Huth menjelaskan, hasilnya bukanlah transkrip kata demi kata. Sebaliknya, para peneliti merancangnya untuk menangkap inti dari apa yang dikatakan atau dipikirkan, meskipun tidak sempurna.

Selain meminta peserta uji mendengarkan atau memikirkan cerita, para peneliti meminta subjek untuk menonton empat video pendek tanpa suara saat berada di pemindai. Dekoder semantik dapat menggunakan aktivitas otak mereka untuk mendeskripsikan peristiwa tertentu secara akurat dari video.

Baca Juga: Evolusi Manusia Di Masa Depan Efek Gadget: Otak Lebih Kecil, Leher Pendek, Siku 90 Derajat?

Sistem saat ini tidak praktis untuk digunakan di luar laboratorium, karena ketergantungannya pada kebutuhan waktu pada mesin fMRI. Tetapi para peneliti berpikir pekerjaan ini dapat ditransfer ke sistem pencitraan otak lain yang lebih portabel, seperti spektroskopi inframerah-dekat fungsional (fNIRS).

Masih dari laman yang sama terungkap, sekitar separuh waktu, ketika dekoder telah dilatih untuk memantau aktivitas otak peserta, mesin menghasilkan teks yang sangat mirip (dan terkadang tepat) sesuai dengan arti yang dimaksudkan dari kata aslinya.

Selanjutnya dibeberkan, makalah penelitian ini menjelaskan bagaimana decoding bekerja hanya dengan peserta kooperatif yang telah berpartisipasi dengan sukarela dalam pelatihan decoder.

"Hasil untuk individu yang decodernya belum dilatih tidak dapat dipahami, dan jika peserta yang telah dilatih decoder kemudian melakukan perlawanan -misalnya, dengan memikirkan pemikiran lain- hasilnya juga tidak dapat digunakan," terangnya. 

Sementara itu Jerry Tang, mengaku kalau mereka menganggap sangat serius kekhawatiran bahwa teknologi ini dapat digunakan untuk tujuan yang buruk, dan peneliti telah bekerja untuk menghindarinya.

"Kami ingin memastikan orang hanya menggunakan jenis teknologi ini saat mereka menginginkannya dan itu membantu mereka," tutur Tang. 

Alexander Huth dan Jerry Tang telah mengajukan permohonan paten PCT terkait pekerjaan ini.

Rekan penulis studi lainnya adalah Amanda LeBel, mantan asisten peneliti di lab Huth, dan Shailee Jain, seorang mahasiswa pascasarjana ilmu komputer di UT Austin.

Pekerjaan ini didukung oleh Whitehall Foundation, Alfred P. Sloan Foundation, dan Burroughs Wellcome Fund.