استفاده از علوم اعصاب برای توسعۀ هوش مصنوعی

محوریت اصلی این مقاله بررسی عملکرد مدارهای مغز و استفاده از آن‌ها در زمینۀ گسترده کردن فعالیت مدل‌های شبکه عمیق است. با وجود پژوهش‌های گسترده و سرمایه‌گذاری عظیم در زمینۀ هوش مصنوعی سوال مهم این است که رویکردهای فعلی تا چه حد می‌توانند درک واقعی و عملکرد انسان‌گونه ایجاد کنند. اگر عملکرد مدل‌های هوش مصنوعی در تولید توانایی‌های شناختی محدود است، می‌توان از علوم اعصاب کمک گرفت. معماری شبکه عمیق از مغز الهام گرفته است به‌طوری که از لایه‌های مختلفِ عناصر نورون‌مانند ساخته شده است که به‌وسیلۀ سیناپس‌ها به هم متصل هستنند. استفاده از شبکه‌های هوش مصنوعی تحول‌آفرین بوده است و نسبت به روش‌های شناخته‌شدۀ قبلی برتری داشتند اما اینکه جنبه‌هایی از مغز که تاکنون در مدل‌های هوش مصنوعی نادیده گرفته شده‌اند تا چه حد می‌توانند کمک‌کننده باشند و یا اینکه کدام جنبۀ عملکردی مغز اهمیت بیشتری دارد، چندان مشخص نیست. زیرا درک ما از مدارهای قشر مغز محدود است. مشکل اساسی دیگر در شبکه‌های یادگیری عمیق، بهینه‌سازی سیناپس‌ها برای تولید خروجی مطلوب است. بهینه‌سازی به صورت خودکار و بر اساس مجموعه‌ای از داده‌های ورودی صورت می‌گیرد که با خروجی مربوطه جفت شده‌اند. اگر یادگیری این مدل‌ها با موفقیت انجام شود، باعث می‌شود که عملکرد مدل‌ها پیشرفت کند و قابل تعمیم به داده‌های جدید باشد.

مقایسۀ مدل‌های یادگیری عمیق با اطلاعات فیزیولوژیک، رفتاری و تصویربرداری مربوط به مغز شباهت‌ها و تفاوت‌هایی را نشان می‌دهد.  در مقایسه با سیستم بینایی، بررسی شباهت‌های بین پاسخ‌های فیزیولوژیک سیستم بینایی انسان و پاسخ مدل، نشان داد که مدل‌های یادگیری عمیق احتمالا مراحل اولیۀ پردازش را در مقایسه با مراحل بعدی (که بیشتر شناختی هستند تا پردازشی)، بهتر ثبت می‌کنند. همچنین یادگیری تقویتی شباهت زیادی با سیگنال‌های پاداش در مغز که شکل‌دهندۀ رفتار هستند، دارد.

اینکه چه جنبه‌هایی از این مدارهای بیولوژیکی از نظر محاسباتی ضروری هستند و می‌توانند در سیستم‌های هوش مصنوعی متکی بر شبکه به‌کار روند، چندان مشخص نیست اما تفاوت‌های ساختاری قابل توجه هستند؛ برای مثال نورون‌های بیولوژیکی پیچیده‌اند و تنوع فیزیولوژیکی، مورفولوژیکی و نوروشیمیایی زیادی دارند که هیچ کدام از این پیچیدگی‌ها در شبکه‌های یادگیری عمیق وجود ندارند.

این برتری یادگیری و درک شناختی انسان در مقایسه با مدل‌های شبکۀ عمیق موجود، ممکن است تا حد زیادی ناشی از ساختارهای بسیار غنی‌تر و پیچیده‌تر گنجانده شده در سیستم شناختی درک انسان باشد. در حال حاضر، یادگیری مدل‌های هوش مصنوعی فعلی متکی بر یادگیری گسترده با استفاده از مجموعه‌های بزرگ از داده‌های آموزشی انجام می‌شود. در حالی که سیستم‌های بیولوژیکی اغلب وظایف رفتاری پیچیده را با آموزش محدود انجام می‌دهند که بر اساس ساختارهای شبکه‌ای که از قبل وجود دارند، انجام می‌شود. کمک گرفتن از مدل‌های  موجود و توسعه روش‌های یادگیری محاسباتی آن‌ها با استفاده از سیستم‌های ذاتی نیز می‌تواند کمک‌کننده باشد اما درک ضعیفی از یادگیری ساختارهای ذاتی انسان وجود دارد.

موفقیت قابل توجه مدل‌های یادگیری مبتنی بر شبکه‌های عمیق مخصوصا در مشکلات مربوط به داده‌های ادراکی مثل بینایی و گفتار باعث شده است تا تلاش‌های بیشتری برای مقابله با مشکلاتی که در اصل شناختی هستند، صورت بگیرد. ترکیبی از رویکردهای تجربی و محاسباتی برای حل این مشکل لازم است تا هم پژوهشگران حوزۀ علوم اعصاب و هم توسعه‌دهندگان مدارهای هوش مصنوعی از آن استفاده کنند.

منبع