آیا هوش از اصل واحدی ناشی می‌شود؟ منشأ هوش

آیا برخلاف باور ماروین مینسکی، هوش از اصلی ساده و یگانه ناشی می‌شود؟ نگاهی به اینکه مغز چگونه یاد می‌گیرد و پیش‌بینی می‌کند

«چگونه ممکن است چیزی به پیچیدگی ذهن انسان، چنین خوب عمل کند و آن هم برای سال‌های بسیار؟ ما همهٔ آن دستاوردهای شگفت‌انگیز را می‌ستاییم؛ نمایشنامه‌ها و سمفونی‌ها. اما به‌ندرت در می‌یابیم که چه اندازه شگفت‌انگیز است این واقعیت که انسانی می‌تواند سراسر عمر خود را بدون ارتکابِ حتی یک اشتباه واقعاً جدی بگذراند –مثلاً فرو کردن چنگال در چشم خود یا استفاده از پنجره به‌جای در. چگونه چنین کارهای شگفت‌انگیزی انجام می‌دهیم؟ مثلا تصور کردن چیزهایی که هرگز ندیده‌ایم، غلبه بر موانع، تعمیر کردن چیزهای خراب، سخن گفتن با یکدیگر، یا طرح ایده‌های نو؟ چه جادوی پنهانی ما را هوشمند می‌کند؟ حقیقت این است که هیچ جادویی در کار نیست. قدرتِ هوش از تنوع گستردهٔ ما سرچشمه می‌گیرد، نه از یک اصل یگانه و کامل. گونهٔ ما بسیاری از روش‌های مؤثر هرچند ناقص را در طی تکامل پرورده است و هر یک از ما نیز در زندگی فردیِ خود روش‌های تازه‌ای می‌آفرینیم. در نهایت، بسیار اندک‌اند کنش‌ها و تصمیم‌هایی که تنها بر سازوکار واحدی تکیه داشته باشند. در عوض، آن‌ها از دل کشمکش‌ها و مذاکره‌های میان جامعه‌هایی از فرآیندها پدیدار می‌شوند؛ جامعه‌هایی که پیوسته یکدیگر را به چالش می‌کشند.»

— ماروین مینسکی، اجتماع ذهن

در نگاه اول، ذهن-مغز انسان شبیه تناقض است: سیستمی متشکل از میلیاردها نورون که با دقتی شگفت‌انگیز تصمیم می‌گیرد، می‌آفریند، به‌خاطر می‌سپارد و خود را با شرایط جدید سازگار می‌کند. ما می‌توانیم عمری زندگی کنیم بدون آنکه خطایی فاجعه‌بار مرتکب شویم؛ می‌توانیم نمايشنامه بنویسیم، موسیقی خلق کنیم و دربارهٔ خودِ فکر کردن فکر کنیم. و این پرسش طبیعی شکل می‌گیرد که چنین چیزی چگونه ممکن است؟

از نظر ماروین مینسکی (Marvin Minsky) آنچه هوش می‌نامیم نه از اصلی واحد و یگانه، بلکه از تعامل تعداد زیادی فرآیندهای کوچک، محدود و گاهی متعارض با یکدیگر ناشی می‌شود که در کنار هم کار می‌کنند. در این نگاه، هوش نه مکانیسمی واحد، بلکه محصول جامعه یا اجتماعی از فرآیندهاست؛ اجتماعی که در آن بخش‌های مختلف ذهن با هم رقابت، همکاری و مذاکره می‌کنند تا رفتار نهایی شکل بگیرد. اما این نگاه پرسشی دشوار و مهم پیش روی ما می‌گذارد: اگر هوش واقعاً از چنین تنوعی ساخته شده باشد، چگونه به این سطح از انسجام و کارایی می‌رسد؟ و مهم‌تر از آن، آیا علوم اعصاب مدرن همچنان باید این دیدگاه را بپذیرد، یا شواهد و نظریه‌های جدید ما را به سمت ایده‌های نو و متفاوت هدایت می‌کنند؟

در سال‌های اخیر، برخی نظریه‌های علوم اعصاب محاسباتی و نظری (Computational and Theoretical Neuroscience) این بحث را دوباره مطرح کرده‌اند که آیا ممکن است در پس این پیچیدگی ظاهری، یک اصل محاسباتی جهان‌شمول و تکرارشونده‌ای وجود داشته باشد که مسئول تمامِ هوش انسان باشد؟

ایدۀ بزرگ ورنون مونتکسل. ورنون مونتکسل (Vernon Mountcastle) نخستین کسی بود که نشان داد پشت عملکردی‌های متعدد نواحی مختلف نئوکورتکس (قشر نوین مغز)، معماری بنیادی مشترکی قرار دارد: شبکه‌ای از ستون‌های قشری که به‌صورت عمودی سازمان یافته‌اند و همگی الگوی مشابهی از لایه‌بندی و اتصالات دارند.

در یکی از کلاسیک‌ترین مجموعه مطالعات علوم اعصاب قرن بیستم، ورنون مونتکسل هنگام ثبت فعالیت نورون‌های قشر مغز، به الگوی تکرارشونده و غیرمنتظره‌ای برخورد کرد. مونتکسل با استفاده از میکروالکترودهایی برای ثبت فعالیت عصبی، دریافت هنگامی که الکترود را مستقیماً از میان لایه‌های قشری پایین می‌برد، همهٔ سلول‌های واقع در یک ستون عمودی به قطر حدود نیم میلی‌متر (و ارتفاع دو تا پنج میلی‌متر) کار یکسانی انجام می‌دهند. در قشر حسی-پیکری، او مشاهده کرد که تمام سلول‌های یک ستون به تحریک دقیقاً یک بخش از پوست پاسخ می‌دهند. از دل همین یافته‌ها، ایدهٔ ستون قشری (Cortical Column) شکل گرفت؛ ایده‌ای که بعدها به یکی از پایه‌های اصلی درک مدرن از سازمان‌دهی نئوکورتکس تبدیل شد و مسیر را برای نظریه‌هایی باز کرد که مغز را نه مجموعه‌ای از ماژول‌های متنوع، بلکه نسخه‌های تکرارشونده‌ای از یک معماری واحد می‌بینند.

این دیدگاه نشان می‌دهد نئوکورتکس نه مجموعه‌ای از سازوکارهای کاملاً مجزا، بلکه شبکه‌ای از واحدهای تکرارشونده و مشابه است که از طریق اتصال‌های لایه‌به‌لایه و افقی با یکدیگر ارتباط برقرار می‌کنند. چنین معماری یکنواخت و تکرارشونده، بستری فراهم می‌کند که بتواند الگوهای پیچیدهٔ جهان را بیاموزد، تعمیم دهد و پیش‌بینی کند؛ ایده‌ای که بعدها بنیانی برای نظریه‌های مدرنِ پیش‌بینی‌محور و همچنین مدل جف هاوکینز از نئوکورتکس شد.

مشاهدات و نظریهٔ مونتکسل به نتیجه‌گیری مهمی منجر شد: به‌جای اینکه نئوکورتکس را مجموعه‌ای از نواحی کاملاً متفاوت با الگوریتم‌های جداگانه تصور کنیم، می‌توان آن را شبکه‌ای از واحدهای تکرارشونده در نظر گرفت که همگی یک نوع محاسبهٔ پایه را انجام می‌دهند. تفاوت عملکردی نواحی مختلف، در این نگاه، بیشتر ناشی از نوع ورودی حسی و اتصالات آن‌هاست تا تفاوت در ماهیت محاسبه. در واقع، مونتکسل ایدهٔ رادیکالی را مطرح کرد: این‌که تمام هوش انسانی را می‌توان با یک الگوریتم واحد توضیح داد که درون این ستون‌های قشری اعمال می‌شود.

و از سوی دیگر، نظریهٔ مونتکسل می‌تواند توضیحی برای این پرسش فراهم کند که چگونه انسان در مدت زمان نسبتاً کوتاهی از نظر تکاملی توانسته است در توانایی‌های شناختی از دیگر گونه‌ها پیشی بگیرد. هوش انسانی در مقایسه با نزدیک‌ترین خویشاوندان نخستیِ ما، در بازه‌ای نسبتاً کوتاه جهشی چشمگیر داشته است. از نظر تکاملی، فرصت کافی برای شکل‌گیری انواع بسیار متنوعی از «اندام‌های تخصصی هوش» وجود نداشته است. نظریهٔ مونتکسل توضیح می‌دهد که به‌جای نیاز به تکامل تعداد زیادی سیستم تخصصی عصبی (به‌عنوان مثال برای زبان، استدلال یا ریاضیات)، کافی بوده است یک واحد محاسباتی پایه و کارآمد را پدید آورد و سپس آن را هزاران بار در سراسر نئوکورتکس تکثیر کند. اگر چنین باشد، راز ظهور سریع هوش انسانی نه در تکاملِ مجموعه‌ای از سازوکارهای متفاوت، بلکه در تکرار گستردهٔ یک اصل محاسباتی مشترک نهفته است.

پس از مونتکسل، پرسش اصلی این بود که این واحدهای تکرارشونده دقیقاً چه محاسبه‌ای انجام می‌دهند؟ به‌عبارت دیگر، آن الگوریتم جهانی‌ای که در ستون‌های قشری انجام می‌شود دقيقاً چیست؟ اگر واقعاً تمام نئوکورتکس بر پایهٔ یک معماری مشترک بنا شده باشد، پس باید اصل یا الگوریتمی وجود داشته باشد که این ستون‌های قشری بارها و بارها آن را اجرا می‌کنند. اما آن الگوریتم چیست؟

دهه‌های بعد، دانشمندان متعددی کوشیدند به این پرسش پاسخ دهند، اما یکی از جاه‌طلبانه‌ترین تلاش‌ها از سوی جف هاوکینز (Jeff Hawkins) مطرح شد. هاوکینز که یکی از بنیان‌گذاران و چهرهٔ اصلی شرکت نومنتا (Numenta) است، بخش مهمی از زندگی حرفه‌ای خود را به مطالعهٔ نئوکورتکس اختصاص داده است. او معتقد است ایدهٔ مونتکسل تنها نیمی از داستان را روایت می‌کند. مونتکسل نشان داده که نئوکورتکس از واحدهای مشابه ساخته شده است و الگوریتم جهانی مشترکی اجرا می‌کنند، اما هرگز توضیح نداد که این الگوریتم جهانی مشترک چیست.

هاوکینز از همین نقطه آغاز کرد. به باور او، مهم‌ترین وظیفهٔ نئوکورتکس نه استدلال منطقی، نه زبان و نه حتی ادراک، بلکه پیش‌بینی است. مغز به‌طور مداوم در حال ساختن مدل‌هایی از جهان است و بر اساس این مدل‌ها تلاش می‌کند حدس بزند در لحظهٔ بعد چه اتفاقی رخ خواهد داد. هنگامی که به چهره‌ای آشنا نگاه می‌کنیم، جمله‌ای را می‌شنویم یا حتی دست خود را برای برداشتن یک فنجان حرکت می‌دهیم، نئوکورتکس دائماً در حال مقایسهٔ پیش‌بینی‌های خود با اطلاعاتی است که از محیط دریافت می‌کند.

در این چارچوب، یادگیری نیز معنای تازه‌ای پیدا می‌کند. یادگیری صرفاً ذخیرهٔ اطلاعات نیست، بلکه فرآیندی است که طی آن مغز مدل‌های درونی خود از جهان را اصلاح می‌کند تا پیش‌بینی‌های دقیق‌تری انجام دهد. از این منظر، هوش را می‌توان توانایی ساختن مدل‌های بهتر و دقیق‌تر از واقعیت دانست.

اگر مونتکسل درست گفته باشد که سراسر نئوکورتکس از واحدهای مشابه ساخته شده است، و اگر هاوکینز نیز درست گفته باشد که وظیفهٔ اصلی این واحدها یادگیری الگوهای جهان و پیش‌بینی آینده است، آنگاه شاید بخش بزرگی از آن چیزی که «هوش» می‌نامیم نه از مجموعه‌ای عظیم از سازوکارهای متنوع و متفاوت، بلکه از تکرار یک اصل نسبتاً ساده در مقیاسی بسیار بزرگ پدید آمده باشد. این دقیقاً همان ایده‌ای است که در نگاه نخست با دیدگاه «اجتماع ذهن» مینسکی در تضاد قرار می‌گیرد و پرسش اصلی ما را دوباره پیش می‌کشد: آیا هوش محصول اجتماع سازوکارهای گوناگون است، یا می‌توان ردپای یک اصل بنیادین و مشترک را در سراسر نئوکورتکس دنبال کرد؟

اما هاوکینز در نهایت به نتیجه‌ای رسید که از جهاتی حتی از ایدهٔ مونتکسل نیز رادیکال‌تر بود. اگر ستون‌های قشری واقعاً واحدهای بنیادی نئوکورتکس هستند، چرا باید چنین فرض کرد که فقط نواحی بالاتر مغز [در سلسله‌مراتب پردازش قشری] قادر به درک اشیاء و جهان هستند؟ شاید هر ستون قشری، صرف‌نظر از جایگاهش در سلسله‌مراتب قشری، خود در حال ساختن مدلی از جهان باشد.

این ایده هستهٔ اصلی «نظریهٔ هزار مغز» (Thousand Brains Theory) است که هاوکینز در سال‌های اخیر مطرح کرده است. برخلاف دیدگاه سنتی علوم اعصاب که مغز را به‌صورت سلسله‌مراتب پردازشی تصور می‌کند، جایی که اطلاعات از سطوح پایین سلسله‌مراتب به سطوح بالاتر منتقل می‌شود تا در نهایت بازنمایی واحدی از جهان شکل بگیرد، هاوکینز معتقد است هزاران ستون قشری به‌طور موازی در حال ساختن مدل‌هایی مستقل از جهان هستند.

برای درک این ایده، فنجان قهوه‌ای را در نظر بگیرید. طبق دیدگاه کلاسیک، اطلاعات مربوط به فنجان از مراحل مختلف پردازش عبور می‌کند تا سرانجام مغز تشخیص دهد که «این فنجان قهوه است». اما در نظریهٔ هزار مغز، هر ستون قشری که بخشی از فنجان را می‌بیند، لمس می‌کند یا با آن تعامل دارد، خود تلاش می‌کند مدلی کامل از آن فنجان بسازد. به بیان دیگر، هیچ ستون قشری صرفاً لبه، رنگ یا بافت را بازنمایی نمی‌کند؛ بلکه هر ستون می‌کوشد از اطلاعات محدود خود، مدلی کامل از شیء بسازد.

اما اگر هزاران ستون به‌طور مستقل در حال ساختن مدل‌هایی از جهان باشند، چگونه به ادراک واحد می‌رسیم؟ پاسخ هاوکینز این است که ستون‌های قشری از طریق اتصالات گستردهٔ افقی با یکدیگر در ارتباط‌اند و نوعی «رأی‌گیری» یا اجماع میان آن‌ها شکل می‌گیرد. هر ستون فرضیه‌ای دربارهٔ آنچه در جهان وجود دارد ارائه می‌کند و از طریق تعامل با سایر ستون‌ها، مجموعهٔ بزرگی از این فرضیه‌ها به تدریج به تفسیر و برداشتی مشترک منتهی می‌شوند. آنچه ما به‌عنوان ادراک واحد تجربه می‌کنیم، در واقع حاصل توافق هزاران مدل موازی است.

در قلب این نظریه مفهوم دیگری نیز قرار دارد: چارچوب‌های مرجع (Reference Frames). هاوکینز معتقد است که ستون‌های قشری اشیاء را نه صرفاً از طریق ویژگی‌های حسی آن‌ها، بلکه از طریق موقعیت اجزای آن‌ها نسبت به یکدیگر یاد می‌گیرند. هنگامی که انگشتان خود را روی یک فنجان حرکت می‌دهید، مغز فقط اطلاعات لمسی دریافت نمی‌کند؛ بلکه هم‌زمان موقعیت انگشتان را نیز نسبت به شیء ردیابی می‌کند. به این ترتیب، ستون‌های قشری به تدریج نقشه‌ای از ساختار شیء می‌سازند و می‌توانند آن را از زوایا و شرایط مختلف تشخیص دهند.

اگر این دیدگاه درست باشد، آنگاه یادگیری، ادراک و پیش‌بینی همگی جلوه‌های فرآیندی واحد هستند: ساختن مدل‌های مبتنی بر چارچوب‌های مرجع از جهان و استفاده از آن‌ها برای پیش‌بینی تجربه‌ها و رویدادهای آینده. در این نگرش، نئوکورتکس چیزی شبیه شبکه‌ای عظیم از مدل‌هایی از جهان است؛ شبکه‌ای که در آن هر ستون قشری نسخه‌ای کوچک از همان الگوریتم بنیادی را اجرا می‌کند و سعی می‌کند مدل‌هایی از جهان بسازد و پیش‌بینی کند.

نکتهٔ جالب اینجاست که نظریهٔ هزار مغز، در عین حال که از ایدهٔ «الگوریتم واحد» مونتکسل دفاع می‌کند، شباهت غیرمنتظره‌ای نیز با دیدگاه مینسکی پیدا می‌کند. مینسکی ذهن را جامعه‌ای از عامل‌های (فرآیندهای) متعدد می‌دانست و هاوکینز نیز از هزاران مدل مستقل سخن می‌گوید که با یکدیگر تعامل می‌کنند. تفاوت در این است که در نظریهٔ مینسکی، این عامل‌ها ممکن است سازوکارهای متفاوتی داشته باشند، اما در نظریهٔ هاوکینز تقریباً همهٔ آن‌ها نسخه‌هایی از الگوریتمی مشترک‌اند. به همین دلیل، نظریهٔ هزار مغز را می‌توان تلاشی برای آشتی دادن «وحدت» و «کثرت» در تبیین هوش دانست: هزاران عامل وجود دارند، اما همه از اصل محاسباتی واحدی پیروی می‌کنند.
اما هاوکینز در نهایت به نتیجه‌ای رسید که از جهاتی حتی از ایدهٔ مونتکسل نیز رادیکال‌تر بود. اگر ستون‌های قشری واقعاً واحدهای بنیادی نئوکورتکس هستند، چرا باید چنین فرض کرد که فقط نواحی بالاتر مغز [در سلسله‌مراتب پردازش قشری] قادر به درک اشیاء و جهان هستند؟ شاید هر ستون قشری، صرف‌نظر از جایگاهش در سلسله‌مراتب قشری، خود در حال ساختن مدلی از جهان باشد.

این ایده هستهٔ اصلی «نظریهٔ هزار مغز» (Thousand Brains Theory) است که هاوکینز در سال‌های اخیر مطرح کرده است. برخلاف دیدگاه سنتی علوم اعصاب که مغز را به‌صورت سلسله‌مراتب پردازشی تصور می‌کند، جایی که اطلاعات از سطوح پایین سلسله‌مراتب به سطوح بالاتر منتقل می‌شود تا در نهایت بازنمایی واحدی از جهان شکل بگیرد، هاوکینز معتقد است هزاران ستون قشری به‌طور موازی در حال ساختن مدل‌هایی مستقل از جهان هستند.

برای درک این ایده، فنجان قهوه‌ای را در نظر بگیرید. طبق دیدگاه کلاسیک، اطلاعات مربوط به فنجان از مراحل مختلف پردازش عبور می‌کند تا سرانجام مغز تشخیص دهد که «این فنجان قهوه است». اما در نظریهٔ هزار مغز، هر ستون قشری که بخشی از فنجان را می‌بیند، لمس می‌کند یا با آن تعامل دارد، خود تلاش می‌کند مدلی کامل از آن فنجان بسازد. به بیان دیگر، هیچ ستون قشری صرفاً لبه، رنگ یا بافت را بازنمایی نمی‌کند؛ بلکه هر ستون می‌کوشد از اطلاعات محدود خود، مدلی کامل از شیء بسازد.

اما اگر هزاران ستون به‌طور مستقل در حال ساختن مدل‌هایی از جهان باشند، چگونه به ادراک واحد می‌رسیم؟ پاسخ هاوکینز این است که ستون‌های قشری از طریق اتصالات گستردهٔ افقی با یکدیگر در ارتباط‌اند و نوعی «رأی‌گیری» یا اجماع میان آن‌ها شکل می‌گیرد. هر ستون فرضیه‌ای دربارهٔ آنچه در جهان وجود دارد ارائه می‌کند و از طریق تعامل با سایر ستون‌ها، مجموعهٔ بزرگی از این فرضیه‌ها به تدریج به تفسیر و برداشتی مشترک منتهی می‌شوند. آنچه ما به‌عنوان ادراک واحد تجربه می‌کنیم، در واقع حاصل توافق هزاران مدل موازی است.

در قلب این نظریه مفهوم دیگری نیز قرار دارد: چارچوب‌های مرجع (Reference Frames). هاوکینز معتقد است که ستون‌های قشری اشیاء را نه صرفاً از طریق ویژگی‌های حسی آن‌ها، بلکه از طریق موقعیت اجزای آن‌ها نسبت به یکدیگر یاد می‌گیرند. هنگامی که انگشتان خود را روی یک فنجان حرکت می‌دهید، مغز فقط اطلاعات لمسی دریافت نمی‌کند؛ بلکه هم‌زمان موقعیت انگشتان را نیز نسبت به شیء ردیابی می‌کند. به این ترتیب، ستون‌های قشری به تدریج نقشه‌ای از ساختار شیء می‌سازند و می‌توانند آن را از زوایا و شرایط مختلف تشخیص دهند.

اگر این دیدگاه درست باشد، آنگاه یادگیری، ادراک و پیش‌بینی همگی جلوه‌های فرآیندی واحد هستند: ساختن مدل‌های مبتنی بر چارچوب‌های مرجع از جهان و استفاده از آن‌ها برای پیش‌بینی تجربه‌ها و رویدادهای آینده. در این نگرش، نئوکورتکس چیزی شبیه شبکه‌ای عظیم از مدل‌هایی از جهان است؛ شبکه‌ای که در آن هر ستون قشری نسخه‌ای کوچک از همان الگوریتم بنیادی را اجرا می‌کند و سعی می‌کند مدل‌هایی از جهان بسازد و پیش‌بینی کند.

نکتهٔ جالب اینجاست که نظریهٔ هزار مغز، در عین حال که از ایدهٔ «الگوریتم واحد» مونتکسل دفاع می‌کند، شباهت غیرمنتظره‌ای نیز با دیدگاه مینسکی پیدا می‌کند. مینسکی ذهن را جامعه‌ای از عامل‌های (فرآیندهای) متعدد می‌دانست و هاوکینز نیز از هزاران مدل مستقل سخن می‌گوید که با یکدیگر تعامل می‌کنند. تفاوت در این است که در نظریهٔ مینسکی، این عامل‌ها ممکن است سازوکارهای متفاوتی داشته باشند، اما در نظریهٔ هاوکینز تقریباً همهٔ آن‌ها نسخه‌هایی از الگوریتمی مشترک‌اند. به همین دلیل، نظریهٔ هزار مغز را می‌توان تلاشی برای آشتی دادن «وحدت» و «کثرت» در تبیین هوش دانست: هزاران عامل وجود دارند، اما همه از اصل محاسباتی واحدی پیروی می‌کنند.