برگردان: علی شاکر
پیشرفت چشمگیر هوش مصنوعی در دهه‌ی گذشته بیشتر به پیشرفت در یادگیری ماشین مربوط می‌شود، به طوری که رایانه‌ها به جای اینکه مستقیماً توسط انسان برنامه‌ریزی شوند، با خرد کردن مقادیر زیادی داده، وظایف پیچیده‌ای را به خود آموزش می‌دهند. این رویکرد باعث پیشرفت سریع در بینایی کامپیوتر، ترجمه زبان و اخیراً مهارت‌های مکالمه انسان‌مانند ربات‌های گفت‌وگو مانند GPT-4 شده است.
یادگیری توسط مدل‌های نرم افزاری به نام «شبکه‌های عصبی مصنوعی» (ANN) انجام می‌شود. توصیف استاندارد یک ANN این است که از شبکه‌های عصبی در مغز انسان الهام گرفته شده است.
البته احتمالاً هم دانشمندان کامپیوتر و هم دانشمندان علوم اعصاب احساساتی می‌شوند و این قیاس را بسیار خشن می‌دانندیعنی اینکه ANN ها صرفاً کارتونی از مغزهای واقعی هستند (حتی اگر چنین باشد) و نمی‌توانند پیچیدگی اندام بیولوژیک را درک کنند.
همه اینها درست است. اما برخی از دانشمندان علوم اعصاب شروع به دریافته‌اند که حتی کارتون‌ها نیز می‌توانند مفید باشند. عملکرد درونی بهترین شبکه‌های عصبی مصنوعی - آنهایی که نزدیک‌تر به تطابق با عملکرد انسان در کارهایی مانند شناسایی اشیا یا پاسخ به درخواست‌های متنی هستند - به نظر می‌رسد شباهت‌های قابل‌توجهی با عملکرد مغز دارند.
به عبارت دیگر، با الهام گرفتن از زیست‌شناسی، برنامه‌نویسان اکنون با خلاقیت‌های خود به دانشمندان علوم اعصاب چیزهای مفیدی در مورد مغزهای بیولوژیکی می‌گویند.
مطالعه اصلی در مورد مقایسه مغز وANN در مجموعه مقالات آکادمی ملی علوم در سال 2014 منتشر شد. دانیل یامینز، عصب‌شناس در موسسه فناوری ماساچوست(MIT) و همکارانش یک ANN را آموزش دادند تا اشیا را از عکس‌ها تشخیص دهد - یک گربه. ، برای مثال. محققان آنچه در داخل شبکه الکترونیک می‌گذرد را با آنچه در داخل مغز بوزینه‌های دم‌کوتاه شبیه به انسان اتفاق می‌افتد، مقایسه کردند که همان وظیفه را بر عهده داشتند و مغزشان با الکترود سیم‌کشی شده بود.
ANN ها از تعداد زیادی نورون مصنوعی ساخته شده‌اند که درست مانند همتایان طبیعی خود می‌توانند روشن یا خاموش باشند. فعالیت در لایه‌های پایین‌تر می‌تواند بر نحوه شلیک نورون‌ها در لایه‌های بالاتر تأثیر بگذارد.
داخل جعبه سیاه
آزمایش دکتر یامینز شامل تشخیص تصویر است که در مغزهای طبیعی به صورت سلسله مراتبی پیش می‌رود. یک لایه از نورون‌ها ویژگی‌های ساده‌ای مانند تکه‌های روشن یا تاریک را تشخیص می‌دهد.
یک لایه بالاتر آن را روی دو لبه‌ها سازماندهی و یک لایه بالاتر، لبه‌ها را با اشکال ترکیب می‌کند. این روند افزایش انتزاع، ادامه می‌یابد تا اینکه در نهایت مغز تصمیم می‌گیرد که به گربه نگاه می‌کند یا سگ یا موز.
تصاویری که دارای برخی ویژگی‌ها هستند، خوشه‌های مشابهی از نورون‌ها را به آتش می‌کشند. اگر هنگام نگاه کردن به گربه، مجموعه خاصی از نورون‌ها روشن یا در اصطلاح شلیک می‌شوند، مجموعه‌ی دیگری که تا حدی روی هم قرار گرفته‌اند احتمالاً در پاسخ به تصویر یک سگ به شکل خاص خود آتش می‌گیرد و روشن می‌شود. حدس ما این است که نورون‌هایی که به هر دو تصویر پاسخ می‌دهند نمایانگر ویژگی‌هایی هستند - مثلاً خز، چهار پا و یک دم - که در هر دو تصویر وجود دارد.
هنگامی که دکتر یامینز و همکارانش آنچه را که در مغز بوزینه‌های دم‌کوتاه می‌گذرد با مغزهای سیلیکونی مقایسه کردند، به شباهت‌هایی بین نحوه‌ی نمایش تصاویر توسط میمون‌ها و عملکرد رایانه‌ها پی بردند.
نانسی کانویشر، استاد دیگری در MIT که بیشتر دوران حرفه‌ای خود را صرف مطالعه سیستم بینایی انسان کرده است و اکنون از شبکه‌های عصبی مصنوعی در برخی از تحقیقات خود استفاده می‌کند، می‌گوید: «این مقاله یک بازی را تغییر داد. «شبکه [مصنوعی] به هیچ وجه برای تناسب با مغز طراحی نشده است. این فقط برای حل مشکل طراحی شده است و با این حال ما این تناسب باورنکردنی را می‌بینیم.»
از آن زمان، هر وقت که یک مدل شبکه‌های عصبی مصنوعی یا همان ANN نزدیک به عملکرد انسان در یک کار باشد، دانشمندان علوم اعصاب مشتاق مقایسه آن با مغزهای طبیعی بوده‌اند. آنها شباهت‌هایی بین ANN های آموزش دیده برای تشخیص گفتار و پردازش زبان، مانند آنچه در نرم‌افزار رونویسی استفاده می‌شود، و قشر شنوایی انسان یافته‌اند.
این الگو برای زبان نوشتاری نیز صادق است. مقاله‌ای که در سال 2021 منتشر شد، فعالیت مغز انسان را با بسیاری از مدل‌های مختلف زبان تجاری مقایسه کرد.
این نشان داد که پیچیده‌ترین ANN - در آن زمان GPT-2 OpenAI - نزدیک‌ترین منطبق با فعالیت مغز انسان بود. هر چه مدل‌ها در حل تکالیف خاص بهتر عمل کنند، به نظر می‌رسد شبیه‌تر به مغز انسان‌اند.
یکی دیگر از نشانه‌های مفید بودن قیاس بین شبکه‌های عصبی مصنوعی و شبکه‌های طبیعی این است که مطالعه شبکه‌های عصبی می‌تواند پیش‌بینی‌های قابل آزمایشی در مورد دومی انجام دهد.
مقاله‌ای که در سال 2022 توسط پژوهشگران دانشگاه کلمبیا و MIT منتشر شد، نشان داد که یک ANN آموزش دیده در زمینه‌ی تشخیص تصویر، گروهی از نورون‌های مصنوعی را تولید می‌کند که به طور خاص به طبقه‌بندی مواد غذایی اختصاص داده شده‌اند.
زمانی که مقاله منتشر شد، تا آنجا که کسی می‌دانست، هیچ ناحیه مشابهی از سیستم بینایی انسان وجود نداشت. اما سال بعد، پژوهشگران همان آزمایشگاه اعلام کردند که منطقه‌ای از مغز انسان را کشف کرده‌اند که در واقع حاوی نورون‌هایی است که وقتی عکس‌هایی از غذا به فرد نشان داده می‌شود، روشن می‌شوند.
شاید قوی‌ترین شواهد برای این ادعا که مغزهای مصنوعی می‌توانند چیزهای مفیدی را در مورد مغزهای بیولوژیکی آشکار کنند، توانایی آشکار نرم‌افزار رایانه‌ای و نرم‌افزار زیستی[1]برای تعامل مستقیم با یکدیگر است.
نیکلاس سکستون و بردلی لاو، دو عصب‌شناس دانشگاه کالج لندن، نسبت به شباهت فرضی بین شبکه‌های عصبی طبیعی و مصنوعی نسبتاً بدبین بودند.
آنها استدلال کردند که صرفاً دیدن الگوهای مشابه فعالیت برای ادعای اینکه شبکه‌های عصبی مصنوعی و مغزها مشکلات را به یک شکل حل می‌کنند کافی نیست.
برای اثبات معنی‌دار بودن این مکاتبات، آنها پیشنهاد کردند که بررسی شود که آیا می‌توان فعالیت مغز را به یکANN تغذیه کرد یا خیر.
در سال 2022 آنها مقاله ای را درScience Advances منتشر کردند که این کار را انجام داد. پژوهشگران به یک ANN آموزش دیده برای تشخیص داده‌های تصاویر ثبت شده توسط یک اسکنرMRI که مغز انسان را بررسی می‌کند، تغذیه کردند.
ایده این بود که سعی کنیم ANN را از طریق چشمان انسان ببینیم. مطمئناً، ANN داغ می‌توانست داده‌ها را از هر یک از لایه‌های سلسله مراتبی سیستم بینایی بیولوژیکی تفسیر کند - اگرچه بهترین کار را با داده‌های سطوح بالاتر، که قبلاً تا حدی توسط مغز مورد نظر پردازش شده بود، انجام داد.
اگر به مدل کامپیوتری فعالیت مغزی از یک انسان نشان داده شود که برای مثال به تصویر یک سگ تازی نگاه می‌کند، تقریباً 70 درصد مواقع می‌توان گفت که به یک سگ تازی نگاه می‌کند - بر خلاف یک شی دیگر.
این واقعیت که یک مغز سیلیکونی می‌تواند در آرامش داده‌های نیمه جویده شده از یک مغز بیولوژیکی را بپذیرد، نشان می‌دهد که در برخی سطوح، این دو سیستم یک نوع کار شناختی را انجام می‌دهند.
این بینش ممکن است برای رابط‌های مغز و رایانه مفید باشد، زیرا دستگاه‌هایی هستند که به مغزهای بیولوژیکی اجازه می‌دهند مستقیماً با ماشین‌ها صحبت کنند.
به عنوان مثال، یک ANN متصل به دوربین، ممکن است برای تغذیه اطلاعات بصری پردازش شده به مغز استفاده شود. این ممکن است به درمان برخی از اشکال نابینایی ناشی از آسیب به سیستم بینایی مغز کمک کند. چندین گروه تحقیقاتی مختلف در اروپا و آمریکا در حال آزمایش این ایده در آزمایشات روی ماکاک ها هستند.
مدل‌های ذهن
حتی مدل‌هایی که شبیه‌ترین شبکه‌های عصبی مصنوعی هستند، ادعا نمی‌کنند که آنالوگ‌های کاملی از مغز انسان‌اند. برخی مرتکب اشتباهاتی می‌شوند که انسان‌ها هرگز مرتکب آن نمی‌شوند - برای مثال، تصویری از یک گربه اما با پوست فیل به یک شبکه عصبی مصنوعی می‌دهند، و مدل به احتمال زیاد آن را به عنوان یک فیل تشخیص می‌دهد.
اما هیچ مدل علمی هرگز کامل نیست. سوال این است که آیا مفید است؟ یکی از مشکلات علوم اعصاب این است که اجرای آزمایش‌ها به دلایل اخلاقی و عملی دشوار است. استفاده از شبکه‌های عصبی مصنوعی می‌تواند جایگزین مفیدی باشد.
در هر صورت، مقایسه زیست‌شناسی و سیلیکون همچنان نتایج جالبی به همراه دارد. در مقاله‌ای که ماه مه منتشر شد، محققان دانشگاه تگزاس در آستین از یک شبکه عصبی برای نظارت بر سیگنال‌های مغزی شرکت‌کنندگان در یک اسکنر MRI استفاده کردند.
ANNفقط با استفاده از داده‌های MRIمی‌تواند خلاصه‌ای از داستانی را که آزمودنی به آن گوش می‌داد، توصیف فیلمی که در حال تماشای آن بود، یا خلاصه جمله‌ای که تصور می‌کرد تولید کند. دکتر لاو می‌گوید: «وقتی در مقطع کارشناسی ارشد تحصیل می‌کردم، رویای چنین چیزی را می‌دیدم. فکر می‌کردم صدها سال طول می‌کشد تا چیزی داشته باشیم که به این خوبی کار کند.»
[1] وت‌وِر" یا "نرم‌افزار زیستی"، اصطلاحی است که به بخش‌های زیستی یک سیستم یا دستگاه کامپیوتری اشاره دارد. این اصطلاح برای توصیف قسمت‌هایی از یک سیستم زیستی مانند انسان، حیوانات و گیاهان استفاده می‌شود. در زمینه فناوری، وت‌وِر به استفاده از مواد یا سیستم‌های زیستی در طراحی و عملیات کامپیوترها، ربات‌ها یا سایر دستگاه‌ها اشاره دارد. این شامل استفاده از سلول‌ها و بافت‌های زیستی به عنوان بخشی از یک سیستم کامپیوتری یا طراحی دستگاه‌هایی است که عملکرد سیستم‌های زیستی را تقلید می‌کنند. وت‌وِر یک حوزه پژوهشی است که هنوز در مراحل اولیه خود قرار دارد، اما پتانسیل بسیاری برای انقلاب در زمینه محاسبات و رباتیک دارد.
این مقاله سوم خرداد 1402 در اکونومیست به چاپ رسیده است:
https://www.economist.com/science-and-technology/2023/05/24/artificial-brains-are-helping-scientists-study-the-real-thing?utm_medium=cpc.adword.pd&utm_source=google&ppccampaignID=17210591673&ppcadID=&utm_campaign=a.22brand_pmax&utm_content=conversion.direct-response.anonymous&gclid=CjwKCAjwvdajBhBEEiwAeMh1U9EFxE77Jhvo_donSxf3gKkVdS7ZHShLnk4y8G4oFhWrgQTeD_LsrxoCVEIQAvD_BwE&gclsrc=aw.ds
