تقویت هوش مصنوعی، با تقلید از مغز انسان
به گزارش کارگروه فناوری اطلاعات سایبربان؛ اخیراً برخی محققان، روشی برای اجرای موفقیت‌آمیز یادگیری ماشینی توسعه داده‌اند که به عقیده دانشمندان، جنبه‌های خاصی را از عملکرد مغز انسان تقلید می‌کند. این الگوریتم‌های زیست‌شناختی قابل اجرا، می‌توانند مسیر جایگزینی در حوزه هوش مصنوعی باشند.
دیمیتری کروتوف (Dmitry Krotov)، پژوهشگر شرکت آی بی ام و جان جی هاپ‌فیلد (John J. Hopfield)، مخترع شبکه عصبی وابسته (associative neural network) مجموعه الگوریتم‌هایی را برای آموزش ماشین‌ها در همان مسیر آموزشی انسان‌ها توسعه داده‌اند. براساس این الگوریتم‌ها، ماشین‌ها بدون استفاده از مجموعه داده‌های برچسب‌دار و بدون نظارت یاد می‌گیرند.
بسیاری از تحقیقات قدیمی در مورد هوش مصنوعی –که در دهه‌های 1980 و 1990 انجام شدند– روی درک نحوه عملکردهای شبکه عصبی مغز انسان و چگونگی ترجمه آنها برای ماشین‌ها تمرکز داشتند. ایده تشخیص ساده‌ترین راه برای نشان دادن نحوه عملکرد رشته‌های عصبی به کمک ریاضیات و سپس ایجاد مقیاس مناسب برای ماشین‌ها است. متأسفانه این نوع تحقیق، هیچگاه به سرانجام نرسید. درحقیقت بیشتر پژوهش‌های علمی پیرامون هوش مصنوعی، تا زمان تجدید حیات یادگیری عمیق در سال 2000 تا حد زیادی رها شدند.
فعالیت کروتوف و هاپ‌فیلد، سادگی مطالعات قدیمی را دارد؛ اما نشان دهنده گامی جدید در تقلید شبکه‌های عصبی مغز انسان است.
کروتوف در گفتگویی اعلام کرد:
زمانی که ما در رابطه با نوروبیولوژی واقعی حرف می‌زنیم، جزئیات بسیار مهمی در رابطه با نحوه عملکرد آن وجود دارد؛ مثل: مکانیسم‌های بیوفیزیکی پیچیده دینامیک‌های انتقال دهنده‌های عصبی در اتصالات سیناپسی، وجود بیش از یک نوع سلول، جزئیات فعالیت‌های مهم این سلول‌ها و غیره. ما بیشتر این جزئیات را در کارمان نادیده می‌گیریم. در عوض، اصل ایده مکان را در شبکه‌های عصبی بیولوژیکی اتخاذ می‌کنیم. رشته‌های عصبی، به‌صورت جفت، با یکدیگر ارتباط برقرار می‌کنند.
وی افزود:
به عبارت دیگر، مدل ما اجرای زیست‌شناسی واقعی نیست و علاوه بر دور بودن از آن، یک انتزاع ریاضی زیست‌شناسی برای مفهوم ریاضی مکان محسوب می‌شود.
روش‌های یادگیری عمیق مدرن اغلب بر روش آموزشی به نام «بازگشت به عقب یا انتشار معکوس» (backpropagation) متکی هستند که به‌سادگی در مغز انسان کار نمی‌کند و به داده‌های غیرمحلی تکیه دارند. برای مثال، مغز می‌تواند تصاویر را بدون آموزش رسمی پردازش کند. به علاوه انسان قادر است، چیزهایی که تاکنون ندیده، مشاهده و پردازش کند.
آموزش یادگیری، همانند انسان برای یک ماشین دشوار است. مثلاً بدون نشان دادن حروف الفبا، بخواهیم آنها را به افراد آموزش دهیم. ماشین‌ها پیوند حسی مستقیم انسان را با جهان ندارند. به نظر می‌رسد کروتوف و هاپ‌فیلد، این مشکل را با ایجاد الگوریتم‌هایی برای اجرای نمایش کلی داده‌ها حل کرده‌اند.
کروتوف معتقد است:
وقتی یک شبکه عصبی عمیق را آموزش می‌دهیم، (اگر کار تحت نظارت باشد) اغلب عملکرد الگوریتم را مانند طبقه‌بندی ارقام دست‌نوشته برای آن تعریف می‌کنیم. سپس الگوریتم، داده‌های جاسازی شده را در یک فضای پنهانی پیدا می‌کند که به آن کار وابسته هستند. در مورد ما، لایه اول شبکه عصبی، نیازی به دانستن نحوه عملکرد ندارد. شما تنها آنها را با خود داده‌ها آموزش می‌دهید. سپس با تکمیل آموزش، کار را مشخص می‌کنیم.
این تحقیق، پیشرفتی در حوزه هوش مصنوعی، از یک تقسیم کننده اغلب فراموش شده است. تکنیک‌های یادگیری عمیق مدرن، شاید مطرح شوند؛ اما الگوریتم‌های زیست‌شناختی عملی، یک بازگشت محسوب می‌شوند.
محققان معتقدند که پیامدهای این رویکرد جدید در حوزه هوش مصنوعی، هنوز مشخص نیستند. پژوهنده شرکت آی بی ام گفت که این کار، درواقع اثبات اجرای درست بدون نظارت و در یک محیط زیستی قابل قبول است؛ اما فراتر از آن شاید امکان‌پذیر نباشد.
این واقعیت ساده که یک الگوریتم زیست‌شناختی قابل اجرا می‌تواند در یک قلمرو دقیق به عنوان تکنیک مشهور روز فعالیت کند، بسیار ارزشمند است. به‌ویژه اگر اعتقاد نداشته باشید که یادگیری عمیق، آینده هوش مصنوعی است.
