कल्पना कीजिए कि एक ऐसी दुनिया है जहाँ हम लकवाग्रस्त लोगों को अपने अंग हिलाने में मदद करने या यह समझने के लिए कि हम निर्णय कैसे लेते हैं, मस्तिष्क की विद्युत फुसफुसाहटों (electrical whispers) को पढ़ सकते हैं। यह ब्रेन-कंप्यूटर इंटरफेस (BCIs) का क्षेत्र है, जहाँ वैज्ञानिक न्यूरॉन्स के अराजक, टिमटिमाते संकेतों को कंप्यूटर के स्पष्ट आदेशों में अनुवाद करने का प्रयास करते हैं। लंबे समय तक, ऐसा करने का सबसे अच्छा तरीका एक कुत्ते को करतब सिखाने जैसा था: आप उसे एक संकेत दिखाते हैं, उसे बताते हैं कि ठीक वही व्यवहार हुआ (जैसे कि "हाथ बाईं ओर हिला") और वह दोनों को मिलाने के लिए सीख जाता है। लेकिन इस पद्धति में एक बड़ी खामी है: इसके लिए हर एक सबक के लिए एक शिक्षक की उपस्थिति आवश्यक होती है। वास्तविक दुनिया में, हमारे पास रिकॉर्ड किए गए मस्तिष्क डेटा के पहाड़ हैं जहाँ "शिक्षक" अनुपस्थित है—हमारे पास तंत्रिका संबंधी हलचल (neural chatter) तो है, लेकिन कोई लेबल नहीं है जो यह बता सके कि उस सटीक क्षण में जीव क्या कर रहा था। अब तक, अधिकांश उन्नत मस्तिष्क-पठन मॉडल केवल "लेबल वाले" डेटा से ही सीख सकते थे, जिससे बिना लेबल वाले मस्तिष्क रिकॉर्डिंग के विशाल पुस्तकालय बेकार पड़े रह गए—जो डिकोडर को बेहतर बनाने में असमर्थ थे।

यहाँ एक नया दृष्टिकोण आता है जो मस्तिष्क के साथ एक भाषा की तरह व्यवहार करता है। जिस तरह बड़े भाषा मॉडल (जैसे वे जो कहानियाँ लिखते हैं या प्रश्नों के उत्तर देते हैं) बिना किसी मानवीय स्पष्टीकरण के अरबों किताबें पढ़कर सीखते हैं, यह नया शोध बताता है कि हम मस्तिष्क-डिकोडिंग मॉडल को बिना किसी सहायता के तंत्रिका गतिविधि के "व्याकरण" (grammar) को समझने के लिए प्रशिक्षित कर सकते हैं। यह शोध पत्र एक विधि पेश करता है जिसे MOJO (Masked autOencoder-based JOint training) कहा जाता है। इसे एक ऐसे छात्र के रूप में सोचें जो उत्तरों वाली एक पाठ्यपुस्तक (लेबल वाला डेटा) और बिना उत्तर कुंजी वाली रहस्यमयी उपन्यासों की एक विशाल लाइब्रेरी (बिना लेबल वाला डेटा) दोनों का अध्ययन करता है। रहस्यमयी उपन्यासों के छूटे हुए पन्नों को भरने की कोशिश करके, छात्र कहानी की अंतर्निहित संरचना को इतनी अच्छी तरह समझ लेता है कि जब वे अंततः उत्तरों वाली पाठ्यपुस्तक के साथ परीक्षा देते हैं, तो वे उसमें उत्कृष्ट प्रदर्शन करते हैं। शोधकर्ताओं ने पाया कि इन दो सीखने की शैलियों को मिलाकर, उनका मॉडल एक बहुत बेहतर डिकोडर बन गया, विशेष रूप से तब जब शुरुआत में बहुत कम लेबल वाले उदाहरण उपलब्ध थे, और यह विभिन्न प्रजातियों और मस्तिष्क संकेतों के प्रकारों पर भी काम कर सका।

समस्या: "लेबल" की बाधा (The "Label" Bottleneck)

कल्पना कीजिए कि आप एक नई भाषा सीखने की कोशिश कर रहे हैं। आपके पास एक शब्दकोश है जो आपको बताता है कि "apple" का अर्थ एक लाल फल है। यदि आपके पास केवल यह शब्दकोश (लेबल वाला डेटा) है, तो आप "apple" शब्द सीख सकते हैं। लेकिन यदि आप प्रवाहपूर्ण (fluent) बनना चाहते हैं, तो आपको यह समझने के लिए हजारों किताबें, लेख और कहानियाँ (बिना लेबल वाला डेटा) पढ़नी होंगी कि शब्द एक साथ कैसे फिट होते हैं, वाक्य कैसे चलते हैं, और संदर्भ किसी शब्द के अर्थ को कैसे बदल देता है।

वर्षों से, सबसे उन्नत मस्तिष्क-डिकोडिंग मॉडल, जिन्हें "स्पाइक-टोकेनाइजिंग" (spike-tokenizing) मॉडल (जैसे POYO परिवार) कहा जाता है, केवल शब्दकोश वाले छात्रों की तरह थे। वे विशिष्ट मस्तिष्क संकेतों को विशिष्ट गतिविधियों से मिलाने में अविश्वसनीय रूप से अच्छे थे, लेकिन वे केवल उस डेटा से सीख सकते थे जहाँ वैज्ञानिकों ने सावधानीपूर्वक रिकॉर्ड किया था कि जीव हर क्षण क्या कर रहा था। यह एक बड़ी सीमा है क्योंकि लेबल वाला डेटा एकत्र करना महंगा, समय लेने वाला है, और अक्सर कुछ प्रयोगों के लिए असंभव होता है। इस बीच, न्यूरोसाइंटिस्टों ने टेराबाइट्स में "बिना लेबल वाला" मस्तिष्क डेटा एकत्र किया है—न्यूरॉन्स के फायरिंग के ऐसे रिकॉर्डिंग जिनमें यह नहीं पता कि उस सटीक सेकंड में जीव क्या सोच रहा था या क्या कर रहा था। ये मॉडल प्रभावी रूप से इस खजाने की अनदेखी कर रहे थे।

समाधान: MOJO की "खाली स्थान भरने" वाली तकनीक

इस शोध के लेखकों, ज़िमेंग माओ, नंदा एच कृष्णा और उनकी टीम ने इसे हल करने के लिए MOJO बनाया। वे इन मॉडलों को बिना लेबल वाले डेटा से सीखने के लिए प्रशिक्षित करना चाहते थे, ठीक वैसे ही जैसे एक भाषा मॉडल एक किताब से सीखता है।

इसे करने के लिए, उन्होंने मास्क्ड ऑटोएनकोडिंग (masked autoencoding) नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि आपके पास एक वाक्य है: "बिल्ली चटाई पर बैठी थी।" यदि आप "बैठी थी" शब्द को ढक देते हैं, तो क्या आप अनुमान लगा सकते हैं कि वह क्या था? यदि आपने बिल्लियों के बारे में पर्याप्त कहानियाँ पढ़ी हैं, तो आप संदर्भ के आधार पर शायद "बैठी थी" या "खड़ी थी" या "कूद रही थी" का अनुमान लगा सकते हैं। MOJO मस्तिष्क संकेतों के साथ यही करता है। यह तंत्रिका स्पाइक्स (वाक्य) का एक क्रम लेता है, यादृच्छिक रूप से कुछ संकेतों को छिपा (mask) देता है, और मॉडल से पूछता है कि वे गायब संकेत क्या थे।

यहाँ जादू है: मॉडल को उन छिपे हुए नियमों को सीखना होगा कि न्यूरॉन्स आपस में कैसे बात करते हैं ताकि वह ये अनुमान लगा सके। यह मस्तिष्क का "व्याकरण" सीखता है। लेकिन मॉडल केवल अनुमान नहीं लगाता; यह व्यवहार (जैसे हाथ की गति) की भविष्यवाणी करने के अपने मूल कार्य को भी जारी रखता है (लेबल वाले डेटा का उपयोग करके)। यह दोनों काम एक साथ करता है। इसे जॉइंट ट्रेनिंग (joint training) कहा जाता है। मॉडल बिना लेबल वाले डेटा से मस्तिष्क की गहरी संरचना को सीखता है, जो इसे लेबल वाले डेटा को बेहतर ढंग से समझने में मदद करता है।

परिणाम: स्मार्ट, तेज़ और अधिक लचीला

टीम ने तीन बहुत अलग प्रकार के मस्तिष्क डेटा पर MOJO का परीक्षण किया:

1. मंकी रीचिंग (Monkey Reaching): स्क्रीन पर लक्ष्यों की ओर हाथ बढ़ाते बंदर।
2. माउस विजन (Mouse Vision): विभिन्न दृश्य पैटर्न देखते हुए चूहे।
3. मानव भाषण (Human Speech): मानव बोलना (syllables), जो मस्तिष्क की सतह पर इलेक्ट्रोड (ECoG) से रिकॉर्ड किया गया था।

प्रत्येक परीक्षण में, MOJO ने केवल लेबल वाले डेटा का उपयोग करने वाले मॉडलों को पीछे छोड़ दिया। लेकिन सबसे रोमांचक बात वह थी जो तब हुई जब उनके पास बहुत कम लेबल वाला डेटा था।

"फ्यू-शॉट" (Few-Shot) की महाशक्ति
आमतौर पर, यदि आपके पास मॉडल को सिखाने के लिए बहुत कम उदाहरण (एक "फ्यू-शॉट" परिदृश्य) होते हैं, तो वह संघर्ष करता है। लेकिन MOJO यहाँ चैंपियन था। बंदरों के एक प्रयोग में, टीम ने केवल दो लेबल वाले परीक्षणों (कैलिब्रेशन प्रयासों) का उपयोग करके मॉडल को गतिविधियों को डिकोड करना सिखाने की कोशिश की। एक मानक मॉडल बुरी तरह विफल रहा। हालाँकि, MOJO ने मस्तिष्क की गतिविधि के सामान्य "अहसास" को समझने के लिए बिना लेबल वाले डेटा का उपयोग किया। जब उन्होंने इसे केवल दो लेबल वाले परीक्षण दिए, तो इसने पूर्ण डेटासेट पर प्रशिक्षित मॉडल के प्रदर्शन का 60% से अधिक प्राप्त किया। केवल चार लेबल वाले परीक्षणों के साथ, इसने 75% तक पहुँच लिया। यह एक ऐसे छात्र की तरह था, जो हजारों रहस्यमयी उपन्यास पढ़ने के बाद, केवल दो सुरागों के साथ एक नया रहस्य सुलझा सकता है।

क्रॉस-स्पीशीज और क्रॉस-मोडैलिटी (Cross-Species and Cross-Modality)
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या MOJO एक प्रजाति से सीखकर दूसरी प्रजाति पर लागू हो सकता है। उन्होंने मॉडल को बंदर के हाथ बढ़ाने (monkey reaching) के डेटा पर प्री-ट्रेन किया और फिर इसे चूहे के विजन (mouse vision) डेटा पर फाइन-ट्यून किया। मॉडल ने अपने ज्ञान को सफलतापूर्वक स्थानांतरित किया, जिससे पता चला कि मस्तिष्क का "व्याकरण" जो उसने सीखा था, वह इतना सार्वभौमिक था कि वह एक अलग जानवर के मस्तिष्क को समझने में मदद कर सके।

इससे भी अधिक आश्चर्यजनक रूप से, उन्होंने मानव भाषण डेटा (ECoG) पर MOJO का परीक्षण किया, जो एक निरंतर संकेत (continuous signal) है, न कि न्यूरॉन्स के अलग-अलग "स्पाइक्स"। भले ही MOJO को स्पाइक्स के लिए डिज़ाइन किया गया था, फिर भी इसने अनुकूलन किया और निरंतर संकेतों के लिए विशेष रूप से बनाए गए मॉडलों के समान प्रदर्शन किया। यह सुझाव देता है कि बिना लेबल वाले डेटा से सीखने का मूल विचार एक शक्तिशाली उपकरण है जो विभिन्न प्रकार के मस्तिष्क रिकॉर्डिंग में काम करता है।

"छिपे हुए" अंतर्दृष्टि (The "Hidden" Insights)
सबसे दिलचस्प दुष्प्रभावों में से एक यह था कि MOJO ने बिना बताए मस्तिष्क की संरचना को समझना सीख लिया। शोधकर्ताओं ने मॉडल से पूछा कि क्या वह केवल उसके आंतरिक "एम्बेडिंग" (डिजिटल फिंगरप्रिंट) को देखकर यह अनुमान लगा सकता है कि न्यूरॉन मस्तिष्क के किस भाग (जैसे विजुअल कॉर्टेक्स बनाम हिप्पोकैम्पस) से आया है। मॉडल ने कुछ कार्यों के लिए 94% बार इसे सही पहचाना, भले ही उसे यह वर्गीकरण करने के लिए कभी प्रशिक्षित नहीं किया गया था। इसने उच्च सटीकता के साथ न्यूरॉन्स की फायरिंग दर की भविष्यवाणी करना भी सीखा। इसका अर्थ है कि मॉडल केवल उत्तरों को रट नहीं रहा था; वह वास्तव में मस्तिष्क के काम करने के एक समृद्ध, व्याख्यात्मक मानचित्र को सीख रहा था।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि सुपरवाइज्ड लर्निंग (उत्तरों के साथ सीखना) और सेल्फ-सुपरवाइज्ड लर्निंग (डेटा में पैटर्न से सीखना) को मिलाकर, हम अधिक लचीले और शक्तिशाली ब्रेन-कंप्यूटर इंटरफेस बना सकते हैं। हमें उन पहाड़ों के समान मात्रा में बिना लेबल वाले डेटा को फेंकने की आवश्यकता नहीं है जो हमारे पास पहले से मौजूद हैं; हम उनका उपयोग अपने मॉडलों को मस्तिष्क के मौलिक नियमों को सिखाने के लिए कर सकते हैं।

यह दृष्टिकोण नए कार्यों या नए रोगियों के लिए बहुत कम कैलिब्रेशन समय के साथ मॉडल को प्रशिक्षित करना आसान बनाता है। यह "न्यूरो-फाउंडेशन मॉडल्स" (neuro-foundation models) के द्वार भी खोलता है—विशाल, सामान्य-उद्देश्य वाले मस्तिष्क मॉडल जिन्हें लकवाग्रस्त लोगों को चलने में मदद करने से लेकर यह समझने तक कि हम निर्णय कैसे लेते हैं, कई अलग-अलग कार्यों के लिए अनुकूलित किया जा सकता है। लेखक नोट करते हैं कि हालांकि यह एक महत्वपूर्ण कदम है, मॉडलों को मस्तिष्क की जटिल गतिशीलता को सीखने के लिए अभी भी बहुत अधिक डेटा की आवश्यकता है, और विभिन्न प्रकार के संकेतों को पूरी तरह से संभालने में अभी भी चुनौतियाँ हैं। लेकिन रास्ता स्पष्ट है: मस्तिष्क को डिकोड करने का भविष्य हमारे मन की "बिना लेबल वाली" कहानियों को पढ़ने के लिए मॉडलों को शिक्षित करने में निहित है।