Motion Illusions Generated Using Predictive Neural Networks Also Fool Humans

Dit paper introduceert het EIGen-model, dat gebruikmaakt van voorspellende neurale netwerken om nieuwe visuele bewegingsillusies te genereren die ook mensen misleiden, en ondersteunt hiermee het idee dat illusies het gevolg zijn van de voorspellende mechanismen van de hersenen in plaats van directe visuele input.

De kern

Hier is een uitleg van dit wetenschappelijke artikel, vertaald naar eenvoudig Nederlands met behulp van creatieve vergelijkingen.

Het Brein als een Voorspeller: Waarom we beweging zien waar er geen is

Stel je voor dat je brein niet als een camera werkt die gewoon plaatjes van de wereld opneemt. In plaats daarvan is je brein meer als een gokker of een detective. Het probeert voortdurend te raden wat er gaat gebeuren, gebaseerd op wat het al heeft gezien.

Soms is deze gokker zo goed in zijn werk, dat hij een fout maakt: hij ziet beweging in een stilstaande afbeelding. Dit noemen we een bewegingsillusie (zoals de beroemde "Draaiende Slangen").

De auteurs van dit paper, Lana Sinapayen en Eiji Watanabe, hebben een slimme manier bedacht om te bewijzen waarom dit gebeurt. Ze zeggen: "Onze hersenen zien beweging omdat ze hun eigen voorspellingen zien, in plaats van de echte beelden."

Om dit te bewijzen, hebben ze een kunstmatige "gokker" (een computerprogramma) gebouwd die precies hetzelfde doet als onze hersenen. En het mooiste deel? Die computer maakt precies dezelfde rare fouten als wij mensen.

---

De Verhaal: Hoe ze de "Gokker" bouwden

Stel je voor dat je een robot wilt bouwen die net als een mens ziet. De meeste robotbouwers kijken alleen naar wat de robot goed doet. Maar deze auteurs zeggen: "Kijk eens naar wat de robot fout doet!"

Ze gebruikten een methode die ze "Artificial Perception" noemen. Het idee is als volgt:

1. Menselijke fout: Mensen zien beweging in een stilstaand plaatje (een illusie).
2. Robot-fout: Ze bouwen een robot die ook beweging ziet in datzelfde plaatje.
3. De test: Als de robot exact dezelfde illusies ziet als wij, dan werken de robot en de mens waarschijnlijk op dezelfde manier.

De Machine: EIGen (De Illusie-Maker)

Ze bouwden een systeem genaamd EIGen. Dit is een beetje als een kunstenaar die blindelings probeert een schilderij te maken dat een robot "in beweging" doet lijken.

• De Robot (PredNet): Dit is een computerprogramma dat is getraind om video's te voorspellen. Als je het een filmpje geeft, leert het om te raden wat er in het volgende frame gebeurt.
• De Kunstenaar (EIGen): Dit is een programma dat duizenden willekeurige patronen (cirkels, strepen, kleuren) maakt.
• De Oordeelsvorming: De robot kijkt naar elk patroon en zegt: "Hé, dit lijkt op beweging!" Als de robot denkt dat er beweging is, maar het plaatje staat stil, dan is dat een illusie.

EIGen probeert dan steeds betere patronen te maken die de robot het meest "in de war" brengen. Het is alsof je een tovenaar bent die probeert een robot te laten dansen op muziek die er niet is.

---

Het Experiment: Mensen vs. Robot

Ze lieten mensen naar de door de computer gegenereerde plaatjes kijken. De vraag was simpel: "Zie je hier beweging?"

De resultaten waren verrassend:

1. De robot en de mens vielen op één lijn: De plaatjes die de robot als "bewegend" zag, werden ook door mensen als bewegend ervaren.
2. Zwart-wit werkt beter: De computer kon betere illusies maken in zwart-wit dan in kleur. Mensen vonden de zwart-wit-illusies ook sterker.
3. De "Draaiende Slangen": De beroemde mensgemaakte "Draaiende Slangen" illusie was nog steeds de sterkste. De computer kon er nog niet helemaal bij komen, maar het kwam wel in de buurt.

Wat betekent dit? (De Grote Les)

Stel je voor dat je twee auto's hebt. Auto A rijdt perfect. Auto B rijdt ook perfect, maar hij heeft een rare gebrekkige rem die hem laat slippen op ijs. Als je een derde auto (de mens) ook ziet slippen op precies hetzelfde ijs, dan weet je: Auto B en Auto A hebben waarschijnlijk dezelfde remmen.

Zo werkt dit paper ook:

• Omdat de computer (die is gebouwd op het principe van "voorspellen") precies dezelfde illusies ziet als mensen, betekent dit dat onze hersenen ook werken op basis van voorspellingen.
• We zien beweging niet omdat onze ogen beweging zien, maar omdat onze hersenen voorspellen dat er beweging moet zijn, en die voorspelling zo sterk is dat we het echt "zien".

Conclusie in één zin

Deze onderzoekers hebben een computer gebouwd die "dwaalt" op precies dezelfde manier als wij, en dat bewijst dat onze hersenen eigenlijk gigantische voorspellers zijn die soms te enthousiast zijn en beweging zien waar er geen is.

Het is een mooi voorbeeld van hoe het bestuderen van fouten (illusies) ons meer leert over hoe we werken, dan het bestuderen van alleen maar de juiste antwoorden.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Motion Illusions Generated Using Predictive Neural Networks Also Fool Humans" in het Nederlands.

Probleemstelling

Het artikel adresseert de vraag waarom statische beelden soms als bewegend worden waargenomen (visuele bewegingsillusies). Hoewel deze illusies populair zijn, ontbreekt er een definitief antwoord op de onderliggende oorzaak. Bestaande theorieën variëren van oogbewegingen tot asynchrone gevoeligheid voor luminantie, maar slechts één theorie biedt een causale verklaring op hoog niveau: predictive coding.

De auteurs stellen de hypothese dat illusoire beweging een neveneffect is van de voorspellende capaciteiten van de hersenen. De hersenen voorspellen hun omgeving en onderdrukken sensorische input als de voorspelling sterk is. Wanneer een statisch patroon eigenschappen deelt met patronen die normaal gesproken beweging voorspellen, "ziet" de hersenen beweging die er niet is.

Het bredere doel is het bevorderen van het concept van "Artificial Perception". In plaats van alleen te kijken naar waar AI en biologische systemen slagen, focust deze aanpak op het repliceren van falen (zoals illusies). Als een kunstmatig systeem faalt op dezelfde manier als een biologisch systeem, suggereert dit dat ze dezelfde fundamentele werkingsprincipes delen.

Methodologie

De auteurs hebben een generatief model ontwikkeld, genaamd EIGen (Evolutionary Illusion GENerator), dat nieuwe visuele bewegingsillusies creëert op basis van een voorspellend neurale netwerk.

1. Architectuur van EIGen:
Het systeem bestaat uit twee hoofdmodules:

• Evaluator: Gebaseerd op een vooraf getraind voorspellend neurale netwerk (PredNet), getraind op het First Person Interaction (FPSI) dataset (video's van mensen in een pretpark).
  • De taak van PredNet is het voorspellen van het volgende frame in een videosequentie.
  • Voor de evaluatie wordt een enkele statische afbeelding 20 keer herhaald om een statische sequentie te vormen.
  • Als het netwerk beweging voorspelt (bijvoorbeeld rotatie) in plaats van een exacte kopie van het statische beeld, wordt dit geïnterpreteerd als een "illusoire beweging".
  • De richting en snelheid van deze voorspelde beweging worden berekend met de Lucas-Kanade methode voor optische flow.
• Generator: Gebruikt Compositional Pattern-Producing Networks (CPPN) om afbeeldingen te genereren.
  • Deze worden geoptimaliseerd via het NEAT-algoritme (NeuroEvolution of Augmenting Topologies), een evolutionair algoritme.
  • De "genomen" (parameters van de CPPN) evolueren om afbeeldingen te produceren die de evaluator het sterkst "bedriegt".

2. Fitness-functie:
De evolutionaire selectie is gebaseerd op een aangepaste fitness-functie die niet alleen kijkt naar de grootte van de voorspelde bewegingsvectoren, maar ook naar:

• Het aantal vectoren (veel bronnen van illusie).
• De grootte van de vectoren (sterke illusie, maar met een bovengrens voor stabiliteit).
• Uitlijning van vectoren (overeenstemming in richting).
• Contrast in richting (vectoren met tegengestelde zin, wat overeenkomt met de structuur van bekende illusies zoals concentrische cirkels met afwisselende patronen).

3. Menselijke Validatie:
Om de hypothese te testen (Stap 4 van de Artificial Perception-aanpak), werden de gegenereerde illusies getest bij menselijke deelnemers.

• Dataset: 10 afbeeldingen (2 mensgemaakte referenties: Rotating Snakes en Fraser-Wilcox; 7 door EIGen gegenereerde afbeeldingen in zwart-wit en kleur; 1 controlemethode).
• Deelnemers: N = 293 deelnemers via het platform Prolific.
• Meting: Deelnemers beoordeelden of ze beweging zagen, de sterkte (0-5) en het type beweging (rotatie vs. radiaal/expanderend).

Belangrijkste Bijdragen

1. Ontwikkeling van EIGen: Een nieuw systeem dat evolutionaire algoritmen koppelt aan voorspellende neurale netwerken om automatisch nieuwe bewegingsillusies te genereren.
2. Validatie van de "Gelijk Falen"-Hypothese: Het artikel toont aan dat een kunstmatig systeem (PredNet) faalt op statische beelden op een manier die identiek is aan menselijke perceptie. Het netwerk "ziet" beweging waar er geen is, en menselijke proefpersonen zien dezelfde beweging in door het systeem gegenereerde patronen.
3. Herontdekking van Bestaande Illusies: EIGen is in staat om bekende illusies (zoals de Fraser-Wilcox en de Medaka-illusie) te "herontdekken" zonder dat deze expliciet in de trainingsdata waren opgenomen, wat suggereert dat het model de onderliggende causale mechanismen heeft geleerd.
4. Filosofische Implicatie: Het artikel pleit voor het gebruik van "gemotiveerde fouten" (zoals illusies) als een waardevol hulpmiddel in AI-onderzoek om biologische systemen beter te begrijpen en na te bootsen.

Resultaten

• Generatie van Illusies: EIGen slaagde erin om nieuwe, effectieve bewegingsillusies te genereren, voornamelijk in zwart-wit. De kleurmodellen presteerden minder goed.
• Menselijke Perceptie:
  • Menselijke deelnemers zagen beweging in de door EIGen gegenereerde zwart-wit afbeeldingen.
  • De sterkte van de door AI gegenereerde illusies was significant lager dan de beroemde Rotating Snakes-illusie (die een maximale score kreeg), maar wel hoger dan de Fraser-Wilcox-illusie en de controlemethode.
  • De meeste waargenomen beweging werd gerapporteerd als rotatie, zelfs wanneer het AI-model radiale beweging voorspelde (behalve bij één specifieke afbeelding).
• Overeenkomst: Er was een sterke correlatie tussen de "falen" van het AI-model (voorspelde beweging) en de perceptie van de mens. Afbeeldingen die het AI-model sterk als bewegend classificeerde, werden ook door mensen als bewegend ervaren.
• Beperkingen: De fitness-functie is nog steeds "ad hoc" (handmatig samengesteld) en niet perfect afgestemd op menselijke perceptie, wat verklaart waarom de AI-illusies niet zo krachtig zijn als de beste mensgemaakte voorbeelden.

Betekenis en Conclusie

De resultaten ondersteunen de hypothese dat predictive coding een hoofdrol speelt in de perceptie van illusoire beweging. Het feit dat een voorspellend neurale netwerk, dat is getraind op echte video's, statische patronen interpreteert als bewegend, en dat mensen dit doen op dezelfde manier, suggereert dat beide systemen dezelfde fundamentele werkingsprincipes delen.

Dit onderzoek benadrukt dat het bestuderen van de beperkingen en fouten van AI-systemen (in dit geval het "zien" van beweging waar geen is) een krachtige methode is om de werking van het menselijk bewustzijn en waarneming te ontrafelen. Het biedt een nieuwe richting voor Artificial Life en Artificial Intelligence onderzoek: het doel is niet alleen perfectie, maar het creëren van systemen die op dezelfde manier "falen" als biologische systemen, wat wijst op een diepere, functionele overeenkomst.