Kristijan Armeni je na ljubljanski filozofski fakulteti študiral prevajalstvo, a bolj kot praktični vidik prevajanja ga je fasciniral globlji problem: kako naš um izlušči pomen iz besedila in ga prenaša iz enega v drug jezik. Ker predavanj, na katerih bi se ukvarjali s tovrstno tematiko, na prevajalstvu ni bilo, je obštudijsko začel prebirati knjige o kognitivni psihologiji jezika in nevroznanosti, ki ga je vse bolj privlačila.

Za zaključni projekt na prevajalstvu se ni lotil prevajanja, ampak je testiral eksperimentalno metodo, ki bi lahko pomagala pri ocenjevanju kakovosti strojnih prevodov. S sledilcem očesnih gibov je meril gibanje oči, medtem ko so udeleženci brali strojne prevode. Na podlagi podatkov o premikih oči bralcev je bilo mogoče sklepati, kako dober je kateri izmed strojnih prevodov. Pri tem projektu je spoznal, da ga mnogo bolj kot prevajanje tekstov veseli raziskovalno delo, in se vpisal na študij kognitivne nevroznanosti na Inštitut Donders za vedênje, kognicijo in možgane v Nijmegnu na Nizozemskem.

Po vseh letih študija se še vedno ukvarja s projekti, precej podobnimi projektu, ki ga je zasnoval na prevajalstvu. Še vedno ga zanima razumevanje jezika, le da ima zdaj na voljo mnogo bolj sofisticirana orodja. Namesto gibov oči med branjem meri električno možgansko aktivnost med razumevanjem govora. V svojem doktoratu je raziskoval delovanje možganov pri poslušanju zvočnih knjig, na podoktorskem študiju na oddelku za psihologijo in nevroznanost Univerze Johnsa Hopkinsa v Baltimoru pa se vse bolj osredotoča na razumevanje jezika v možganih s pomočjo strojnega učenja oz. umet­ne inteligence.
 

Prevajanje električnih signalov v besede

V svojih raziskavah je z magnetoencefalografom meril možgansko aktivnost udeležencev, medtem ko so poslušali zvočne knjige. »Na podlagi tega razvijamo računalniške modele, ki napovedo, kako nepričakovana oziroma presenetljiva je vsaka izmed besed v besedišču in kako zahtevno je njeno razumevanje glede na kontekst,« je pojas­nil Armeni. »Danes vemo, da naši možgani poskušajo predvidevati, katere besede bodo sledile trenut­nemu kontekstu. Razumevanje jezika namreč vedno poteka v nekakšnem manku materiala.« Prav na tovrstnih predvidevanjih temeljijo umetne nevronske mreže, algoritmi, ki so danes že zelo pogosti in poganjajo sisteme, kakršen je denimo Youtubov, ki predlaga nadaljnje oglede videov. Umetne nevronske mreže so v osnovi algoritmi, ki glede na vhodne podatke podajo neki rezultat.



Svojo doktorsko nalogo je sicer Kristijan Armeni zastavil malo drugače. »Nisem skušal graditi algoritma, ki bi na podlagi vhod­ne besede napovedoval besede, ki bodo sledile, pač pa sem skušal napovedati, kakšen bo ob dani besedi videti možganski odziv. Algoritem sem torej postavil med jezik in možganski signal,« je pojasnil. Zanimalo ga je, v katerih delih možganov bo nevronska mreža lahko najbolje napovedala možgansko aktivnost, s čimer bi lahko ugotovil, kje v možganih se najbolj aktivno dogaja procesiranje jezikovnih signalov. »Takšno nevronsko mrežo, ki temelji na meritvah možganskih signalov, imamo lahko za zelo površen model možganov,« je pojasnil. »Električno aktivnost možganov merimo s približno tristo senzorji, razporejenimi po lasišču. Z vsakim senzorjem na ravni milisekund izmerimo valovanje magnetnih polj, ki so posledica električne aktivnosti nevronov. Signal poskušamo napovedati na vsakem izmed senzorjev, pri čemer smo praviloma precej uspešni pri sklopu senzorjev, ki so bližje delom možganov, kjer potekajo z jezikom povezani procesi, pri drugih pa so napovedi mnogo bolj netočne.«



Tovrstne raziskave imajo lahko tudi uporabno vrednost. Raziskovalna skupina s kalifornijske univerze v San Franciscu je denimo merila signale neposredno na površju možganov in na podlagi tako izmerjene možganske aktivnosti poskušala s pomočjo nevronske mreže rekonstruirati stavke, ki jih je posameznik prebral. Tak način »branja misli« bi lahko omogočil komunikacijo z ljudmi, ki so denimo povsem paralizirani. Vendar uspešnost predvidevanj močno niha od človeka do človeka in za zdaj še ne tvori dovolj pogosto pravilnih in smiselnih stavkov.

Tudi pri predvidevanju možganskih signalov, ki jih je meril Armeni, je bila desetodstotna uspešnost že veliko. Dejavnikov za netočnost je več, eden je ta, da modeli ne zajemajo vseh podrobnosti delovanja možganov, drugi je, da možganski signal merijo na lasišču in ne neposredno v možganih, kar pomeni, da je v meritvah veliko šuma. V možganih vedno hkrati teče mnogo procesov, tako da je pri tovrstnih meritvah težko izolirati prav tiste, ki jih želijo izmeriti. Hkrati so elektromagnetni signali v možganih zelo šibki, in preden se prebijejo iz možganske skorje do lasišča, se lahko izgubijo ali pomešajo. Meritve motijo tudi magnetna polja iz okolice, ki jih med drugim povzročajo električne naprave. »Preden vir možganske aktivnosti doseže lasišče, se njegova prostorska slika, po domače povedano, razmaže,« je težave pojasnil sogovornik.
 

Razumevanje razumevanja

Zadnja štiri ali pet let vlada v stroki močno navdušenje nad analizami in podatki velikega obsega. Sodobna računska nevroznanost pogosto ne postopa kot tradicionalne znanstvene discipline, ki najprej postavijo hipotezo ter jo poskušajo z eksperimenti potrditi ali ovreči, ampak hipoteza pride v igro šele pozneje. »Šele ko so podatki že zbrani, poskušamo ugotoviti, kaj bi nekaj lahko pomenilo; katere psihološke pojme bi lahko povezali z njimi,« je postopek opisal Armeni. Priznava, da se »to morda znanstveno zdi nekoliko nepošteno«, a zaradi velikega števila parametrov ne gre drugače, meni.



Možgani in podobni kompleks­ni sistemi so za raziskovalce nepredirni; kot nekakšne »črne škatle«. »Vanje pošljemo signal in nato iz njih dobimo drug sig­nal. Kaj se v tem procesu dogaja v njih, lahko za zdaj le ugibamo,« je pojasnil Armeni, ki pa poudarja, da je tako pridobljene podatke mogoče uporabiti tudi v poznejših poskusih, s katerimi potrjujejo ali zavračajo določene hipoteze.

Prav zaradi te metodološke zagate zadnja leta tovrstna empiricistična nevroznanost pogosto išče pomoč pri filozofiji znanosti. »Sestavljamo algoritme in analiziramo ogromne količine podatkov, a kaj nam tako dobljeni podatki sploh povedo? Vse bolj se nam zastavlja vprašanje, kaj sploh pomeni nekaj resnično razumeti, kaj pomeni dobra razlaga v nevroznanosti. Če torej lahko napovem deset odstotkov signalov v možganih in vem, kje so nastali, ali sem s tem res karkoli razložil? Ali s tem kaj bolje razumemo delovanje možganov?« se sprašuje nekdanji prevajalec.

Toda bolj kot epistemološka vprašanja in teorija ga zanima delo s podatki, eksperimentiranje in programiranje. Dandanes delo s podatki prežema marsikatero industrijo in nekatera velika tehnološka podjetja že izvajajo raz­iskave, ki si jih večina univerz ne more privoščiti, je svoje karierne možnosti razkril Armeni, ki mu tradicionalna akademska kariera, vsaj za zdaj, ne diši preveč.