20 نوامبر 2023 -توسط دانشگاه کمبریج-اعتبار: دانشگاه رایس
دانشمندان کمبریج نشان داده‌اند که قرار دادن محدودیت‌های فیزیکی بر روی یک سیستم هوشمند مصنوعی – به همان شیوه‌ای که مغز انسان باید در محدودیت‌های فیزیکی و بیولوژیکی توسعه یابد و عمل کند – به آن اجازه می‌دهد تا ویژگی‌های وظایف مغز موجودات پیچیده را برای حل مشکل ایجاد کند.
از آنجایی که سیستم‌های عصبی مانند مغز خود را سازماندهی می‌کنند و ارتباط برقرار می‌کنند، باید خواسته‌های رقیب را متعادل کنند. به عنوان مثال، انرژی و منابع برای رشد و حفظ شبکه در فضای فیزیکی مورد نیاز است و در عین حال شبکه را برای پردازش اطلاعات بهینه می کند. این مبادله تمام مغزها را در درون و بین گونه‌ها شکل می‌دهد، که ممکن است به توضیح اینکه چرا بسیاری از مغزها روی راه‌حل‌های سازمانی مشابه همگرا می‌شوند کمک کند.
جاشا آچتربرگ، محقق گیتس از واحد شناخت و علوم مغز شورای تحقیقات پزشکی (MRC CBSU) در دانشگاه کمبریج گفت: “مغز نه تنها در حل مسائل پیچیده عالی است، بلکه این کار را در حالی انجام می دهد که انرژی بسیار کمی مصرف می کند. کار جدید ما نشان می‌دهد که در نظر گرفتن توانایی‌های مغز در حل مسئله در کنار هدف صرف کمترین منابع ممکن، می‌تواند به ما کمک کند تا بفهمیم چرا مغزها شبیه به آن هستند.”
نویسنده همکار دکتر دانیال آکارکا، همچنین از MRC CBSU، اضافه کرد: “این از یک اصل گسترده ناشی می شود، و آن این است که سیستم های بیولوژیکی معمولاً برای استفاده حداکثری از منابع انرژی که در دسترس هستند، تکامل می یابند. اغلب بسیار ظریف هستند و منعکس کننده مبادلات بین نیروهای مختلف تحمیل شده به آنها هستند.”
در مطالعه‌ای که در Nature Machine Intelligence منتشر شد، آچتربرگ، آکارکا و همکارانش یک سیستم مصنوعی ساختند که قصد داشت نسخه بسیار ساده‌شده‌ای از مغز را مدل‌سازی کند و محدودیت‌های فیزیکی اعمال کند. آنها دریافتند که سیستم آنها به توسعه ویژگی‌ها و تاکتیک‌های کلیدی خاصی شبیه به آنچه در مغز انسان است، ادامه داد.
به جای نورون های واقعی، سیستم از گره های محاسباتی استفاده کرد. نورون‌ها و گره‌ها از نظر عملکرد مشابه هستند، زیرا هر یک ورودی می‌گیرد، آن را تبدیل می‌کند و یک خروجی تولید می‌کند، و یک گره یا نورون منفرد ممکن است به چندین گره دیگر متصل شود و همه اطلاعات ورودی باید محاسبه شوند.
با این حال، محققان در سیستم خود محدودیتی «فیزیکی» بر روی سیستم اعمال کردند. به هر گره مکان خاصی در فضای مجازی داده شد و هر چه دو گره دورتر باشند، برقراری ارتباط برای آنها دشوارتر می شود. این شبیه به نحوه سازماندهی نورون ها در مغز انسان است.
محققان به این سیستم یک کار ساده برای تکمیل کردن دادند – در این مورد یک نسخه ساده شده از یک کار ناوبری پیچ و خم که معمولاً به حیواناتی مانند موش‌ها و ماکاک‌ها هنگام مطالعه مغز داده می‌شود، جایی که باید چندین تکه اطلاعات را ترکیب کند تا در مورد کوتاه‌ترین زمان تصمیم بگیرد. مسیر رسیدن به نقطه پایانی
یکی از دلایلی که تیم این کار خاص را انتخاب کرد این است که برای تکمیل آن، سیستم باید تعدادی از عناصر را حفظ کند – مکان شروع، مکان پایان و مراحل میانی – و هنگامی که یاد گرفت کار را به طور قابل اعتماد انجام دهد، ممکن است مشاهده شود، در لحظات مختلف در یک آزمایش، کدام گره ها مهم هستند. به عنوان مثال، یک خوشه خاص از گره ها ممکن است مکان های پایان را رمزگذاری کنند، در حالی که دیگران مسیرهای موجود را رمزگذاری می کنند، و می توان ردیابی کرد که کدام گره ها در مراحل مختلف کار فعال هستند.
در ابتدا، سیستم نمی داند چگونه کار را کامل کند و اشتباه می کند. اما هنگامی که به آن بازخورد داده می شود، به تدریج یاد می گیرد که در کار بهتر شود. آن را با تغییر قدرت اتصالات بین گره های خود یاد می گیرد، شبیه به چگونگی تغییر قدرت اتصالات بین سلول های مغز با یادگیری ما. سپس سیستم کار را بارها و بارها تکرار می کند تا در نهایت یاد بگیرد که آن را به درستی انجام دهد.
با این حال، با سیستم آنها، محدودیت فیزیکی به این معنی است که هر چه دو گره دورتر باشند، ایجاد ارتباط بین دو گره در پاسخ به بازخورد دشوارتر است. در مغز انسان، ایجاد و نگهداری ارتباطاتی که فاصله فیزیکی زیادی دارند، پرهزینه است.
هنگامی که از سیستم خواسته شد تا کار را تحت این محدودیت ها انجام دهد، از برخی از همان ترفندهایی که توسط مغزهای واقعی انسان استفاده می شود برای حل این کار استفاده کرد. به عنوان مثال، برای دور زدن محدودیت‌ها، سیستم‌های مصنوعی شروع به توسعه هاب‌ها کردند – گره‌های بسیار متصل که به عنوان مجرای انتقال اطلاعات در سراسر شبکه عمل می‌کنند.
با این حال، شگفت‌انگیزتر این بود که نمایه‌های پاسخ گره‌های جداگانه شروع به تغییر کردند: به عبارت دیگر، به جای داشتن سیستمی که در آن هر گره برای یک ویژگی خاص از کار پیچ و خم کد می‌کند، مانند مکان هدف یا انتخاب بعدی، گره‌ها. یک “طرح کد نویسی انعطاف پذیر” را توسعه داد. این بدان معنی است که در لحظات مختلف، گره ها ممکن است برای ترکیبی از ویژگی های ماز شلیک کنند. به عنوان مثال، یک گره ممکن است بتواند چندین مکان از یک پیچ و خم را رمزگذاری کند
نیاز به گره های تخصصی برای رمزگذاری مکان های خاص. این ویژگی دیگری است که در مغز موجودات پیچیده دیده می شود.
پروفسور دانکن آستل، از دپارتمان روانپزشکی کمبریج، یکی از نویسندگان این مقاله، گفت: “این محدودیت ساده – سیم کشی گره هایی که از هم دور هستند دشوارتر است – سیستم های مصنوعی را مجبور می کند تا برخی از ویژگی های کاملاً پیچیده را تولید کنند. جالب اینجاست که آنها ویژگی هایی هستند که در سیستم های بیولوژیکی مشترک هستند. من فکر می‌کنم این موضوع به ما چیزی اساسی در مورد اینکه چرا مغز ما به همان شکلی که هست سازماندهی شده است، می‌گوید.”
شناخت مغز انسان
این تیم امیدوار است که سیستم هوش مصنوعی آنها بتواند روشن کند که چگونه این محدودیت‌ها، تفاوت‌های بین مغز افراد را شکل می‌دهد و به تفاوت‌هایی که در افرادی که مشکلات شناختی یا سلامت روانی را تجربه می‌کنند کمک می‌کند.
پروفسور جان دانکن از MRC CBSU، یکی از نویسندگان این مقاله گفت: “این مغزهای مصنوعی راهی برای درک داده های غنی و گیج کننده ای که هنگام ثبت فعالیت نورون های واقعی در مغز واقعی مشاهده می کنیم، به ما می دهد.”
آچتربرگ افزود: “مغزهای مصنوعی به ما اجازه می‌دهند تا سوالاتی بپرسیم که بررسی آنها در یک سیستم بیولوژیکی واقعی غیرممکن است. ما می‌توانیم سیستم را برای انجام وظایف آموزش دهیم و سپس به صورت تجربی با محدودیت‌هایی که تحمیل می‌کنیم بازی کنیم تا ببینیم که آیا آن را انجام می‌دهد یا خیر. بیشتر شبیه مغز افراد خاص می شود.”
مفاهیم برای طراحی سیستم های هوش مصنوعی آینده
این یافته‌ها احتمالاً برای جامعه هوش مصنوعی نیز جالب خواهد بود، جایی که می‌تواند امکان توسعه سیستم‌های کارآمدتر را فراهم کند، به‌ویژه در شرایطی که احتمالاً محدودیت‌های فیزیکی وجود دارد.
دکتر آکارکا گفت: “محققان هوش مصنوعی به طور مداوم در تلاش هستند تا چگونگی ایجاد سیستم های عصبی پیچیده و پیچیده ای بسازند که می توانند به روشی انعطاف پذیر و کارآمد رمزگذاری کنند و کار کنند. برای رسیدن به این هدف، ما فکر می کنیم که نوروبیولوژی الهامات زیادی به ما می دهد. به عنوان مثال، هزینه کلی سیم کشی سیستمی که ما ایجاد کرده ایم بسیار کمتر از آن چیزی است که در یک سیستم هوش مصنوعی معمولی می بینید.”
بسیاری از راه‌حل‌های مدرن هوش مصنوعی شامل استفاده از معماری‌هایی هستند که فقط ظاهراً شبیه مغز هستند. محققان می‌گویند کارشان نشان می‌دهد که نوع مشکلی که هوش مصنوعی حل می‌کند، روی معماری قدرتمندی برای استفاده تأثیر می‌گذارد.
آچتربرگ گفت: «اگر می‌خواهید یک سیستم هوشمند مصنوعی بسازید که مشکلات مشابه انسان‌ها را حل کند، در نهایت این سیستم به مغز واقعی نزدیک‌تر از سیستم‌هایی خواهد بود که روی خوشه‌های محاسباتی بزرگی کار می‌کنند که در کارهای بسیار متفاوت با آنها تخصص دارند. معماری و ساختاری که ما در “مغز” مصنوعی خود می بینیم وجود دارد، زیرا برای مقابله با چالش های خاص مغز مانندی که با آن مواجه است مفید است.”
این بدان معناست که روبات‌هایی که مجبورند مقدار زیادی از اطلاعات دائماً در حال تغییر را با منابع انرژی محدود پردازش کنند، می‌توانند از داشتن ساختارهای مغزی بی شباهت به ما بهره ببرند.
آچتربرگ افزود: “مغز ربات هایی که در دنیای فیزیکی واقعی مستقر می شوند احتمالا بیشتر شبیه مغز ما خواهند بود زیرا ممکن است با چالش های مشابه ما روبرو شوند.”
آنها باید دائماً اطلاعات جدیدی را که از طریق حسگرهایشان وارد می شود پردازش کنند و در عین حال بدن خود را کنترل کنند تا در فضا به سمت هدف حرکت کنند. مقدار اطلاعاتی که برای پردازش نیاز دارد، احتمالاً به ساختار مغزی مشابه ما نیاز خواهد داشت.”
