Vesal Behrouzi
Vesal Behrouzi
خواندن ۵ دقیقه·۲ ماه پیش

آیا ما به ساخت AGI یا هوش مصنوعی همه‌کاره نزدیک شده‌ایم؟

پاسخ کوتاه برای آنان که حوصله‌ی کافی ندارند: خیر.

پاسخ طولانی‌تر:

طبق تعاریف AGI (هوش مصنوعی همه‌کاره)، سیستمی است که بتواند در هر وظیفه‌ای که انسان قادر به انجام آن است، عمل کند. اما رسیدن به این هدف نه تنها به پیشرفت‌های فنی در حوزه هوش مصنوعی، بلکه به یک درک عمیق و جامع از علوم اعصاب، شناخت، و حتی فلسفه ذهن نیاز دارد. در حال حاضر، ما در مرحله‌ای هستیم که هنوز نتوانسته‌ایم به صورت دقیق به بسیاری از سوالات اساسی در زمینه هوش و آگاهی پاسخ دهیم.

هوش انسانی و آگاهی: مرزهای ناشناخته

هوش انسانی تنها یک مجموعه از پردازش‌های اطلاعاتی نیست؛ بلکه محصولی از تعاملات پیچیده بین شبکه‌های عصبی، خودآگاهی و ادراک ذهنی است. مطالعات در علوم اعصاب نشان می‌دهند که مغز انسان از میلیاردها سلول عصبی تشکیل شده که هرکدام از آن‌ها هزاران اتصال با سایر سلول‌ها دارند. این اتصالات به صورت کاملاً پویا و غیرخطی اطلاعات را پردازش می‌کنند.

ساختارهای مغزی مانند قشر پیش‌پیشانی (Prefrontal Cortex) که با تصمیم‌گیری، حل مسئله و برنامه‌ریزی آینده در ارتباط هستند، نقشی کلیدی در آنچه ما هوش می‌نامیم دارند. مغز انسان به گونه‌ای عمل می‌کند که داده‌های حسی را پردازش کرده و به تصمیمات منطقی و احساسات تبدیل کند. اما هوش مصنوعی کنونی (ANI) تنها بر پردازش حجم عظیمی از داده‌ها برای رسیدن به الگوهای مشخص مبتنی است، در حالی که ما هنوز نمی‌دانیم آیا مغز نیز به همین شکل کار می‌کند یا خیر.

برای مثال، ادراک حسی در مغز انسان به یک مدل مرکزی از دنیای پیرامون منجر می‌شود، که با فرآیندهای بازخوردی و پیش‌بینی‌های مداوم همراه است. هوش مصنوعی فعلی حتی نزدیک به این نوع از ادراک و استنتاج دینامیک نیست. این ادراک پیچیده همچنین با آگاهی و تجربه‌های ذهنی ما پیوند دارد، مفاهیمی که هنوز در علم شناختی و فلسفه ذهن به‌طور کامل روشن نشده‌اند.

خودآگاهی: مسئله‌ای حل‌نشده

یکی از بزرگ‌ترین موانع در ساخت AGI، مسئله خودآگاهی است. خودآگاهی به معنای آگاهی از وجود و حالات ذهنی خود است. علوم اعصاب تا حدی به فرآیندهای نورونی که با احساس خودآگاهی مرتبط هستند پی برده است، اما همچنان پرسش اصلی باقی است که آیا می‌توان این پدیده را در یک ماشین به وجود آورد؟

خودآگاهی به تعامل پیچیده بین قشر مخ و ساختارهای عمیق مغزی مثل تالاموس بستگی دارد که اطلاعات را از محیط جمع‌آوری و پردازش می‌کنند. این ساختارها به مغز این امکان را می‌دهند که نه تنها از جهان اطراف، بلکه از خودش نیز آگاه باشد. بدون درک عمیق از این سیستم‌های پیچیده، ساخت سیستمی که بتواند به صورت خودآگاه عمل کند، ممکن نیست.

یادگیری مستمر و انتقال‌پذیری دانش

یادگیری در مغز انسان بسیار انعطاف‌پذیر و عمومی است؛ انسان‌ها قادرند از تجربیات گذشته برای تصمیم‌گیری در موقعیت‌های کاملاً جدید استفاده کنند. نورون‌های آینه‌ای در مغز نشان داده‌اند که انسان‌ها حتی از مشاهده اعمال دیگران نیز یاد می‌گیرند. در مقابل، الگوریتم‌های یادگیری عمیق کنونی به تعداد زیادی نمونه داده و محیط‌های آموزشی مشخص برای یادگیری نیاز دارند و توانایی انتقال دانش از یک حوزه به حوزه دیگر بسیار محدود است.

یکی از سوالات کلیدی برای ساخت AGI این است که آیا می‌توان سیستمی ایجاد کرد که همانند مغز، به صورت مستمر و با حجم داده‌های محدود، از محیط خود یاد بگیرد و این یادگیری را به صورت تعمیم‌پذیر در مسائل جدید به کار گیرد؟ مغز انسان از الگوریتم‌هایی بهره می‌برد که هنوز کاملاً ناشناخته‌اند؛ به‌خصوص در زمینه یادگیری بازگشتی، که مغز از تجربیات گذشته استفاده می‌کند تا رفتار آینده را تنظیم کند.

مغز و تعاملات پیچیده

مطالعات نشان می‌دهند که مغز از شبکه‌های عصبی پیچیده و چندلایه‌ای استفاده می‌کند که با انعطاف‌پذیری بالا قادر به تغییر و تنظیم خود هستند. این تنظیمات پویا، همزمان با یادگیری، تغییرات ژنتیکی و تغییرات شیمیایی در مغز صورت می‌گیرد. برخلاف شبکه‌های عصبی مصنوعی که به صورت سلسله‌مراتبی و اغلب تک‌لایه عمل می‌کنند، شبکه‌های عصبی مغز به صورت دینامیک و چندین لایه همزمان فعال‌اند و به تجربه‌های حسی و محیطی پاسخ می‌دهند.

نقش علوم اعصاب و تحقیقات بین‌رشته‌ای در AGI

پیشرفت در حوزه AGI مستلزم همکاری گسترده‌ای میان رشته‌های مختلف است. به‌عنوان مثال، تحقیقات اخیر در حوزه نوروبیولوژی نشان داده‌اند که اختلالات عصبی مانند آلزایمر، پارکینسون و ام‌اس به دلیل تخریب ساختارهای عصبی و تغییرات در عملکرد نورون‌ها رخ می‌دهند. درک و درمان این بیماری‌ها نیازمند دانشی عمیق از چگونگی تعاملات نورونی در مغز است.

همچنین، پروژه‌های تحقیقاتی مثل Neuralink به دنبال ایجاد تراشه‌هایی هستند که بتوانند اطلاعات را مستقیماً به مغز منتقل کنند. اگر بتوانیم مهارت‌های جدیدی را با استفاده از این فناوری‌ها مستقیماً در مغز آپلود کنیم، آن‌گاه به درکی بسیار عمیق‌تر از نحوه کارکرد مغز و چگونگی ساخت یک سیستم AGI نزدیک خواهیم شد.

در واقع این دو مثال برای ما این معنی را خواهد داشت که نشانه‌های ظهور AGI پیشاپیش در دست‌آوردهای سایر رشته‌های علوم و فناوری باید قابل رویت باشد.

نتیجه‌گیری:

در نهایت باید بپذیریم AGI نه تنها به پیشرفت‌های فنی و محاسباتی نیاز دارد، بلکه به درک عمیق‌تر از ماهیت هوش، آگاهی، و نحوه عملکرد مغز وابسته است. پیشرفت در حوزه هوش مصنوعی باید به موازات پیشرفت در علوم اعصاب، روان‌شناسی شناختی، و فلسفه ذهن صورت گیرد. AGI تنها زمانی ممکن خواهد بود که بتوانیم به درکی جامع از نحوه عملکرد سیستم‌های عصبی، یادگیری و خودآگاهی دست پیدا کنیم.

پس، ساخت AGI بدون پیشرفت در سایر علوم غیرممکن است و نمی‌تواند تنها از طریق بهبود الگوریتم‌ها یا قدرت سخت‌افزار در آزمایشگاه‌های یک شرکت فناوری محقق شود. دهه‌ها تحقیق بین‌رشته‌ای نیاز است تا بتوانیم به سمت ساخت AGI حرکت کنیم و ظهور آن در آینده‌ای نزدیک بعید به نظر می‌رسد.

هوش مصنوعیعلوم اعصابشبکه‌های عصبی
شاید از این پست‌ها خوشتان بیاید