من ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه میکنم. متن کامل مقالات رو میتونین به صورت ترجمه شده از لینکی که در پایین پست قرار میگیره بخونین
نظریه هزار مغزِ هوش
منتشر شده در: وبلاگ numenta به تاریخ ۱۶ ژانویه ۲۰۱۹
لینک منبع: The Thousand Brains Theory of Intelligence
در جدیدترین مقاله مورد بررسی دقیق ما، یک چارچوب برای اطلاعات و عملکرد قشری مبتنی بر سلولهای شبکهای در نئوکورتکس، ما یک نظریه جدید را برای نحوه کار نئوکورتکس ارایه میدهیم. نظریه هزار مغزِ هوش پیشنهاد میکند که مغز به جای یادگیری یک مدل از یک شی (یا مفهوم) ، مدلهای زیادی از هر شی میسازد. هر مدل با استفاده از ورودیهای مختلف، چه از قسمتهای کمی متفاوت در بخش حسگر (مانند انگشتان مختلف روی دست شما) و چه از اندامهای حسی مختلف به طور کلی (چشمها در مقابل پوست) ساخته میشود.
این مدلها با هم رای میدهند تا به یک اجماع در مورد آنچه آنها حس میکنند برسند و رای اجماع چیزی است که ما درک میکنیم. انگار مغز شما در واقع هزاران مغز است که به طور همزمان کار میکنند.
یک بینش کلیدی از تئوری ما براساس درک سلولهای شبکه است، نورونهایی که در بخش قدیمی مغز یافت میشوند که مسئول هدایت هستند و میدانند شما در کجای دنیا هستید. دانشمندان در طول چند دهه گذشته پیشرفت زیادی در درک این موضوع داشتهاند که وظیفه سلولهای شبکهای، نشان دادن موقعیت یک بدن در یک محیط است. شواهد تجربی اخیر نشان میدهد که سلولهای شبکهای نیز در نئوکورتکس وجود دارند. ما پیشنهاد میکنیم که سلولهای شبکهای در سراسر نئوکورتکس، در هر منطقه و در هر ستون کورتیکال وجود دارند، و آنها یک چارچوب مبتنی بر مکان را برای نحوه کار نئوکورتکس تعریف میکنند. همان مکانیزم مبتنی بر شبکه سلولی مورد استفاده در بخش قدیمیتر مغز برای یادگیری ساختار محیطها توسط نئوکورتکس برای یادگیری ساختار اشیا نه تنها آنچه هستند بلکه نحوه رفتار آنها نیز مورد استفاده قرار میگیرد.
نظریه هزار مغز بسیار متفاوت از شبکههای عصبی فعلی است. بیشتر شبکههای عصبی براساس یک دیدگاه طولانیمدت هستند که نئوکورتکس ورودی را از یک اندام حسی دریافت میکند و آن را در یک سری مراحل سلسله مراتبی پردازش میکند. ورودی حسی از منطقهای به منطقه دیگر صعود میکند و در هر سطح، سلولها به مناطق بزرگتر و ویژگیهای پیچیدهتر آرایه حسی پاسخ میدهند. معمولا فرض بر این است که اشیا کامل تنها میتوانند در یک سطح به اندازه کافی بالا در سلسلهمراتب تشخیص داده شوند که در آن سلولها میتوانند کل آرایه حسی را بگیرند.
در نظریه هزار مغز، هر ستون مدلهای کاملی از دنیای خود را براساس این که با حرکت حسگر مربوطه چه حسی میتواند داشته باشد، ایجاد میکند. ستونها ورودی حسی را با یک محل برگرفته از سلول شبکه ترکیب میکنند، و سپس آن «ویژگیهای حسی در محل» را در حرکات ادغام میکنند. ارتباطات طولانیمدت در قشر مغز به ستونها این امکان را میدهد که با همکار کنند تا اشیا را به سرعت شناسایی کنند.
برای نشان دادن این مفهوم در جدیدترین مقاله خود، ما از مثال فنجان قهوه استفاده میکنیم. تصور کنید که یک فنجان قهوه را با یک انگشت لمس میکنید. وقتی انگشتتان را به سمت فنجان تکان دهید قسمتهای مختلف فنجان را لمس خواهید کرد.
ممکن است لبه و سپس انحنای دسته و سپس صافی کف آن را احساس کنید. هر احساسی که دریافت میکنید نسبت به محل آن بر روی فنجان پردازش میشود. دسته خمیده فنجان همیشه در یک موقعیت نسبی روی فنجان قرار دارد؛ این یک ویژگی نسبت به شما نیست. در یک لحظه ممکن است سمت چپ و یک لحظه دیگر سمت راست شما باشد، اما همیشه در همان مکان روی فنجان است. اگر از شما خواسته شد که به یک جعبه دست بزنید و این شی را با یک انگشت لمس کنید، احتمالا نمیتوانید تنها با یک دست آن را لمس کنید. اما اگر به حرکت دادن انگشت خود روی هدف ادامه دهید، ویژگیهای حسی بیشتری را از مکانهای مختلف ادغام خواهید کرد، تا زمانی که با قطعیت متوجه شوید که تنها شی حاوی این مجموعه از ویژگیها در این مکانها فنجان قهوه است.
حالا فنجان مشابهی را تصور کنید، اما اینبار با چندین انگشت آن را در دست بگیرید.
حال آنکه پیش از آنکه انگشت خود را حرکت دهید تا لیوان را تشخیص دهید ممکن است بتوانید آن را با یک دست تشخیص دهید. ستونهای مربوط به هر انگشت اطلاعات کافی برای تشخیص فنجان ندارند، اما ارتباط بین ستونها به آنها اجازه میدهد تا سریعتر به پاسخ صحیح برسند. در واقع، ستونها به آنچه که محتملترین هدف است رای میدهند و به سرعت بر روی فنجان قرار میگیرند. همین فرآیند در میان حسها رخ میدهد، بنابراین ستونهای کورتیکال که ورودی بصری را پردازش میکنند میتوانند با ستونهای لمس پردازش ارتباط برقرار کنند. در واقع، ارتباطاتی در قشر بین مناطق حسی سطح پایین وجود دارد که در مدل سلسله مراتبی کلاسیک قشر مغز منطقی نیستند اما در نظریه هزار مغز منطقی هستند.
بنابراین، یک ستون منفرد میتواند اشیا را از طریق حرکت (یک انگشت در لمس چند بار لیوان) یا از طریق اتصالات بلند مدت بین ستونها که اطلاعات را به اشتراک میگذارند تا بر روی آنچه که شی است توافق کنند (گرفتن و نگاه کردن به یک لیوان) تشخیص دهد. این یک تصویر کارتونی است که سلسلهمراتب کلاسیک و مدل جایگزین پیشنهادی ما را نشان میدهد. توجه داشته باشید که ما پیشنهاد نمیکنیم که قشر مغز به عنوان سلسله مراتبی از مناطق سازمان دهی شود؛ این سلسلهمراتب مهم است. اما مدلهای کاملی از اشیا در هر سطح از سلسلهمراتب وجود دارد.
مفاهیم ضمنی برای هوش مصنوعی
اگر مغز به این شکل سازمان دهی شده باشد، این سوال را مطرح میکند: آیا ما نیز باید به این روش دستگاههای هوشمند بسازیم؟ شبکههای عصبی مصنوعی امروزی بر روی دیدگاه سلسله مراتبی کلاسیک، اغلب با یک صد یا چند سطح کار میکنند. این شبکهها در طبقهبندی تصاویر و الگوهای دیگر بسیار خوب هستند. بنابراین، ممکن است به نظر برسد که نظریه هزار مغز برای هوش مصنوعی مورد نیاز نیست. با این حال، به طور گسترده اعتقاد بر این است که هوش مصنوعی امروزی به انعطافپذیری هوش انسانی نزدیک نیست و تقریبا به اندازه توانایی استفاده از یادگیری در یک حوزه برای انواع مختلف مشکلات نیست.
دو دلیل وجود دارد که نشان میدهد نظریه هزار مغز برای حل این مشکلات و چالشهای دیگر مورد نیاز است. اول، پیشنهاد ما میگوید که ستونها در قشر، شکل سهبعدی اشیا را یاد میگیرند، نه فقط یک شکل دو بعدی که بر روی سنسورهای ما ظاهر میشود. این مدل شییی قویتر مبنایی برای یادگیری رفتار اشیا، و یا این که چگونه شکل و ظاهر یک شی در طول زمان در هنگام تعامل با آن تغییر میکند، فراهم میکند. یک نمایش سهبعدی از اشیا همچنین مبنایی برای یادگیری ساختار ترکیبی فراهم میکند، به عنوان مثال چگونه اشیا از دیگر اشیا مرتب شده به روشهای خاص تشکیل شدهاند. در این مقاله، ما جزییاتی را در مورد مکانیسمهایی که چگونه پوسته، ترکیب پذیری شی، رفتار شی و حتی مفاهیم سطح بالا را نشان میدهد، ارایه میدهیم. دوم اینکه، نظریه هوش هزار مغز، وسیلهای برای ادغام در روشهای حسی فراهم میکند، چیزی که گاهی اوقات «ترکیب حسگر» نامیده میشود. این مدل مدلی برای چگونگی یادگیری در یک وجه، مانند لامسه، ارایه میدهد که میتواند به کار گرفته شود و با سایر روشها، مانند بینایی ترکیب شود.
نظریه هزار مغز یک مفهوم غنی است که به ما این امکان را میدهد که بسیاری از اسرار مغز را توضیح دهیم. ما خوشبین هستیم که این کار بینش جدیدی فراهم میکند که میتواند برای ساخت محصولات هوش مصنوعی و مفید به کار گرفته شود.
این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه میتواند دارای برخی اشکالات ترجمه باشد.
مطلبی دیگر از این انتشارات
استفاده از Py-Feat برای رسم پیشبینیهای حالات چهره
مطلبی دیگر از این انتشارات
همه چیز درباره منابع انسانی (راهنمای نهایی)
مطلبی دیگر از این انتشارات
این توربین بادی که به طور گسترده دوباره اختراع شدهاست، پنج برابر بیشتر از رقبای خود انرژی تولید میکند.