یافته‌های جدید دانشمندان در ساخت یک «مغز هوش مصنوعی» جیبی

به گزارش مجله خبری نگار،دانشمندان یک مدل هوش مصنوعی بسیار کارآمد را توسعه داده‌اند که بخشی از سیستم بینایی مغز را شبیه‌سازی می‌کند و به جای ۶۰ میلیون متغیر، تنها از ۱۰ هزار متغیر استفاده می‌کند. این مدل فشرده که از داده‌های میمون‌های ماکاک الهام گرفته شده، تقریبا به اندازه نسخه‌های بزرگ‌تر عملکرد دارد و بیشتر شبیه یک مغز زنده عمل می‌کند. این دستاورد می‌تواند به درک بهتر عملکرد مغز و ساخت هوش مصنوعی‌های کارآمدتر کمک کند و کاربرد‌هایی در حوزه‌هایی مانند خودرو‌های خودران داشته باشد.

مغز انسان انرژی کمتری از یک لامپ برق مصرف می‌کند، در حالی که سامانه‌های هوش مصنوعی برای انجام همان وظایف، برق بسیار زیادی مصرف می‌کنند. اکنون دانشمندان مدلی بسیار کارآمد از هوش مصنوعی را ساخته‌اند که نشان می‌دهد مغز‌های زنده چگونه می‌توانند با مصرف انرژی اندک، کار‌های فراوانی را انجام دهند. این گروه نتایج کار خود را در نشریه نیچر منتشر کرده است.

این مدل که بخشی از سیستم بینایی مغز را شبیه‌سازی می‌کند، در ابتدا از ۶۰ میلیون متغیر استفاده می‌کرد. اما پژوهشگران توانستند آن را به نسخه‌ای فشرده تبدیل کنند که تنها با ۱۰ هزار متغیر تقریباً همان عملکرد را ارائه می‌دهد.

بن کاولی، یکی از نویسندگان این مطالعه می‌گوید: این یک عدد فوق‌العاده کوچک است. ما می‌توانیم این مدل را در قالب یک توییت یا یک ایمیل ارسال کنیم.

به گفته کاولی، این مدل فشرده همچنین بیشتر شبیه یک مغز زنده کار می‌کند؛ موضوعی که می‌تواند به دانشمندان کمک کند بفهمند در بیماری‌هایی مانند آلزایمر چه اتفاقی می‌افتد.

میتیا چکلُوسکی، سرپرست یک گروه پژوهشی وابسته به بنیاد سایمونز که در این مطالعه مشارکت نداشته، می‌گوید اگر این مدل واقعا راهبرد‌های موجود در طبیعت را بازتولید کند، می‌تواند به دانشمندان کمک کند سازوکار‌های درونی مغز انسان را بهتر درک کنند.

به گفته چکلُوسکی که عضو هیئت علمی دانشگاه نیویورک نیز هست، مدل‌های فشرده و الهام‌گرفته از زیست‌شناسی می‌توانند به ساخت «هوش مصنوعی قدرتمندتر و انسانی‌تر» منجر شوند.

این مطالعه بخشی از تلاشی گسترده‌تر برای درک سیستم بینایی انسان است؛ سیستمی که تکه‌های نور را دریافت و آنها را به چیزی قابل تشخیص، تبدیل می‌کند.

کاولی می‌گوید دانشمندانی که سیستم بینایی را مطالعه می‌کنند، مدت‌هاست به دنبال پاسخ به پرسش‌هایی مانند «چگونه یک گربه را تشخیص می‌دهیم؟» یا «چگونه یک سگ را می‌شناسیم؟» هستند.

راه خوبی برای مشاهده مستقیم این فرآیند در مغز انسان وجود ندارد؛ بنابراین کاولی به سراغ سامانه‌های هوش مصنوعی رفته که قادر به انجام وظایف مشابه هستند.

اما یک مشکل وجود دارد: ما در درک اینکه این سامانه‌های هوش مصنوعی دقیقاً چگونه کار می‌کنند بسیار فقیر هستیم؛ درست مانند مغز خودمان.

کاولی با همکاری پژوهشگرانی از دانشگاه کارنگی ملون و دانشگاه پرینستون، مدلی از هوش مصنوعی را ایجاد کرد که گروهش بتواند آن را به‌خوبی درک کند. این مدل تنها یک بخش از سیستم بینایی را شبیه‌سازی می‌کند که شامل سلول‌هایی به نام نورون‌های V ۴ است.

کاولی می‌گوید: این نورون‌ها رنگ‌ها، بافت‌ها، انحنا‌ها و اشیای اولیه بسیار پیچیده را رمزگذاری می‌کنند.

سامانه‌های فعلی هوش مصنوعی می‌توانند همین کار را با استفاده از شبکه‌های عصبی عمیق انجام دهند، اما این شبکه‌ها به رایانه‌های قدرتمند نیاز دارند و با بررسی طیف گسترده‌ای از احتمالات آموزش می‌بینند. گروه کاولی به دنبال چیزی کارآمدتر بود.

او می‌گوید: ما می‌خواستیم این مدل‌های بزرگ و دست‌وپاگیر را بگیریم و آنها را به شکل بسیار کوچک و فشرده‌ای تبدیل کنیم.

آنها کار خود را با مدلی آغاز کردند که با داده‌های میمون‌های ماکاک آموزش دیده بود. سپس بخش‌های اضافی یا غیرضروری مدل را شناسایی کردند و از روش‌های آماری مشابه روش‌های فشرده‌سازی عکس‌های دیجیتال استفاده کردند.

نتیجه، مدلی بود آن‌قدر کوچک که می‌توان آن را به صورت فایل پیوست در یک ایمیل ارسال کرد.

از آنجا که این مدل کوچک و ساده است، گروه پژوهشی توانست نگاهی به عملکرد نورون‌های مصنوعی آن بیندازد. برای مثال، برخی نورون‌های V ۴ به شکل‌هایی با لبه‌های تیز و انحنا‌های فراوان واکنش نشان می‌دادند.

کاولی می‌گوید: وقتی وارد سوپرمارکت می‌شوید و میوه‌های چیده شده را می‌بینید، نورون‌های V ۴ شما عاشق آن هستند. آنها عاشق میوه‌های چیده‌شده‌اند. عاشق تمام انحنا‌های سیب‌ها و پرتقال‌ها.

برخی دیگر از نورون‌های V ۴ به نظر می‌رسید تنها به نقطه‌های کوچک در تصویر پاسخ می‌دهند.

ماهیت تخصصی این نورون‌های V ۴ ممکن است توضیح دهد که چگونه مغز انسان و دیگر نخستی‌ها می‌توانند بدون اتکا به قدرت محاسباتی عظیم، آنچه می‌بینند را درک کنند. این یافته‌ها همچنین می‌تواند پیامد‌هایی برای هوش مصنوعی داشته باشد.

کاولی می‌گوید: اگر مغز‌های ما مدل‌های ساده‌تری دارند و در عین حال می‌توانند کار‌های بیشتری نسبت به این سامانه‌های هوش مصنوعی انجام دهند، این موضوع نکته‌ای درباره سامانه‌های هوش مصنوعی به ما می‌گوید. یعنی آنها احتمالا می‌توانند کوچک‌تر و ساده‌تر باشند و در عین حال در تفسیر آنچه می‌بینند، عملکرد بهتری داشته باشند.

برای مثال، خودرو‌های خودران ممکن است بتوانند با رایانه‌های کم‌قدرت‌تر کار کنند، در حالی که همچنان یک عابر پیاده را به درستی از یک کیسه پلاستیکی در حال پرواز تشخیص دهند.

با این حال، چکلُوسکی می‌گوید سامانه‌های هوش مصنوعی برای رسیدن به عملکردی مشابه مغز انسان، تنها به کوچک‌تر شدن نیاز ندارند. برای نمونه، یک انسان می‌تواند به راحتی چهره یک دوست را در هر محیط و از زوایای مختلف تشخیص دهد، حتی اگر آن دوست برنزه شده باشد یا مدل موی جدیدی داشته باشد.

سامانه‌های هوش مصنوعی حتی با وجود استفاده از ابررایانه‌ها نیز در انجام چنین کاری دچار مشکل می‌شوند. چکلُوسکی می‌گوید شاید دلیل این موضوع آن باشد که مدل‌های کنونی هوش مصنوعی بر پایه درکی از مغز انسان در قرن بیستم ساخته شده‌اند.

او می‌گوید: از آن زمان تاکنون ما چیز‌های بسیار بیشتری درباره مغز آموخته‌ایم؛ بنابراین شاید باید بنیان‌های شبکه‌های مصنوعی را به‌روزرسانی کنیم.