توسعه هوش مصنوعی با الهام از هوش بیولوژیکی یک بازی برد-برد است - شیوا مارکت

به گزارش خبرنگاران به نقل از دیجیاتو،با این حال، اخیراً، این تعاملات بسیار کمتر شده است، زیرا هر دو رشته به شدت رشد نموده اند و مرزهای مشخصی یافته اند. در این مقاله که توسط دمیس هسابیس، مدیرعامل و هم بنیانگذار دیپ مایند و همکارانش نوشته شده در خصوص اهمیت حیاتی علوم اعصاب در فراوری ایده هایی بحث شده که تحقیقات هوش مصنوعی را تسریع و راهنمایی می نماید.

هسابیس می گوید ما با این فرض شروع می کنیم که ساختن هوش مصنوعی در سطح انسانی کاری دلهره آور است، زیرا جستجوی پاسخ ها در این فضای بزرگ شاید غیر ممکن باشد و در عین حال عمق درک و اطلاعات ما در زمینه بسیار کم باشد. پس استدلال اولیه ما این است که این امر احتیاج به آنالیز دقیق عملنمودهای داخلی مغز انسان دارد. مطالعه و شناخت حیوانات و عملکرد عصبی آن ها نیز در این میان نقشی حیاتی دارد، زیرا می تواند دریچه ای برای جنبه های مختلف هوش عمومی سطح بالاتر را فراهم کند.

توسعه هوش مصنوعی با الهام از هوش بیولوژیکی برای انسان ها یک بازی برد-برد است چرا که اولا علوم اعصاب منبع غنی از الهام برای انواع جدید الگوریتم ها و معماری های هوش مصنوعی است. دوما علوم اعصاب می تواند از جنبه تکنیکی هوش مصنوعی برای پیشرفت های تحقیقاتی و آزمایش فرضیات خود یاری بگیرد.

البته از نقطه نظر عملی برای ساخت یک سیستم هوش مصنوعی، احتیاجی به پیروی از مرزهای زیست شناختی نداریم. از منظر مهندسی نیز مهم آن است که سیستم بخوبی کار کند، همین. بنابراین برای اهداف ما، انعطاف پذیری بیولوژیکی یک راهنما است، نه یک احتیاج سختگیرانه. آنچه ما به آن علاقمندیم درک عملکرد مغز، یعنی الگوریتم ها و معماری های آن است .

توسعه هوش مصنوعی با الهام از هوش بیولوژیکی یک بازی برد-برد است

این جایی است که رویکرد دیپ مایند به هوش مصنوعی الهام گرفته از علوم اعصاب با سایر مطالعاتی که قبلا انجام گرفته، متفاوت است .این پروژه ها (مانند پروژه مغز آبی)، سعی در تقلید یا بطور مستقیم مهندسی معکوس ساختار های بیولوژیکی داشتند.اما دیپ مایند با تمرکز بر روی سطوح محاسباتی و الگوریتمی مغز، دیدگاه خود را در رابطه با عملکرد مغز بدست آورده و چالش های مربوطه را با این نگاه حل می نماید.

هسابیس می گوید قبل از شروع، بگذارید شرحاتی را ارائه دهیم. در تمام این مقاله، ما از اصطلاحات علوم اعصاب و هوش مصنوعی به معنای وسیع تر استفاده می کنیم. وقتی می گوییم علوم اعصاب، همه رشته هایی که با مطالعه مغز سرو کار دارند، را شامل می گردد (از جمله علوم اعصاب شناختی، علوم اعصاب سیستم و روانشناسی). وقتی می گوییم هوش مصنوعی، منظور ما کار یادگیری ماشین، آمار و تحقیقات هوش مصنوعی است که هدف آن ساخت ماشین های هوشمند است.

در ادامه مطلب را با در نظر دریافت دو زمینه ای که در تحقیقات فعلی هوش مصنوعی محوری هستند یعنی یادگیری عمیق و یادگیری تقویت شده شروع می کنیم که هر دو ریشه در ایده های علوم اعصاب دارند.

یادگیری عمیق

همانطور که در تعدادی از آنالیز های اخیر به تفصیل آورده شده است، هوش مصنوعی طی چند سال گذشته با پیشرفت چشمگیر در شبکه عصبی یا روش های یادگیری عمیق، ایجاد شده است. ریشه این روش های هوش مصنوعی مستقیماً در علوم اعصاب است. در دهه 1940، تحقیقات در خصوص محاسبات عصبی با ساخت شبکه های عصبی مصنوعی که بتوانند توابع منطقی را محاسبه نمایند، شروع شد .

چندی نگذشته بود که دیگران سازوکارهایی را پیشنهاد دادند که به وسیله آنها ممکن است به وسیله بازخورد نظارتی (فیدبک) یا به صورت مستقیم بتوان این امر را تسریع کرد.این مکانیزم ها زمینه تحقیقات شبکه عصبی مصنوعی را باز کردند و همچنان بنیان تحقیقات معاصر در خصوص یادگیری عمیق را فراهم کردند.

مدت زیادی از این کار پیشگامانه نگذشته بود که توسعه الگوریتم انتشار مجدد باعث شد که یادگیری در شبکه های متشکل از چند لایه رخ دهد. این روش برای درک هوش، از جمله هوش مصنوعی، ابتدا توسط گروهی از دانشمندان علوم اعصاب و علوم شناختی که تحت لوای پردازش توزیع شده موازی کار می کردند، ابداع شد.

در آن موقع، بیشتر تحقیقات هوش مصنوعی بر ساخت سیستم های پردازش منطقی مبتنی بر محاسبه سریال متمرکز بود، روشی که تا حدی از این ایده الهام گرفته شده بود که هوش انسانی شامل دستکاری در داده های تکراری است. با این حال، در بعضی از محفل ها علمی این نظر وجود داشت که روینمودهای کاملاً نمادین و تکراری آن اندازه در یادگیری انسان تاثیر ندارند که بتوانند مسائل پیچیده دنیای واقعی را حل نمایند. در براین اساس، پیشنهاد شد که یادگیری انسان از تعاملات پویای سیستم عصبی (با موضوع نورون ها) با اطلاعات داده شده به آن و بر اساس پاداش های مغزی صورت می گیرد.

یادگیری در مغز وابسته به یک ساختار واحد نیست

در واقع پایه هوش مصنوعی بر اساس هوش بیولوژیکی تعریف شد. که شامل یادگیری در اثر تکرار و داده های اولیه و سپس شبکه عصبی بر پایه نورون ها بود. اتصالات پیچیده بین نورن های مغزی الهام بخش محققان در این زمینه شد و رشد علمی فوق العاده بزرگ هوش مصنوعی را دهه های بعد رقم زد.

همچنین در کنار نقش مهم هوش بیولوژیکی در توسعه یادگیری عمیق، علوم اعصاب در برپایی ستون دوم هوش مصنوعی معاصر، یعنی یادگیری تقویت شده (Reinforcement Learning) نقش اساسی داشته است. این روش ها به مسئله چگونگی به حدبیشتر رساندن پاداش می پردازند و امروزه از پرکاربردترین ابزارها در تحقیقات هوش مصنوعی هستند.

این روش ها بیشتر در مطالعات حیوانی شناخته شدند و از آنجا بود که الهام بخش محققان هوش مصنوعی شد. از این روش ها می توان به شرطی سازی اشاره نمود که جز ابتدایی ترین روش های یادگیری در جانوران است و ما به وفور در آموزش سگ ها و گربه های خانگی از آن استفاده می کنیم. هسته هوش مصنوعی کنترل ربات ها و همچنین بسیاری از بازی های کامپیوتری یادگیری تقویت شده است.

یادگیری در مغز وابسته به یک ساختار واحد نیست و دارای واحدها و زیر شاخه های زیادی است به شکلی که ارتباطات بیشمار نورن ها در یادگیری بیشترین تاثیر را دارد. مغز یک واحد پویا است و شامل زیر واحدهای مختلفی است و این واحد ها متمایز عملنمودهای کلیدی مانند حافظه، زبان و کنترل شناختی را پشتیبانی می نمایند. این بینش از علوم اعصاب در بسیاری از حیطه های هوش مصنوعی وارد شده است.

مثلا تا همین اواخر، بیشتر مدل های شبکه های عصبی مستقیماً روی کل تصاویر یا فریم های ویدیویی کار می کردند، و در اولین مرحله پردازش، همه پیکسل های تصویر اولویت برابر داشتند. سیستم بصری پستانداران متفاوت عمل می نماید. به جای پردازش همه ورودی ها به طور موازی، توجه به طور استراتژیک در میان مکان ها و اشیا جابجا می گردد و لزوما تمرکز روی تمام پیکسل های تصویر یکسان نیست.

یکی از بخش های در حال پیشرفت، قدرت هوش مصنوعی در تخیل کردن است

مدل های دقیق محاسباتی عصبی با اولویت بندی و جداسازی اطلاعات مرتبط در هر لحظه، نشان داده اند که این رویکرد چگونه به نفع رفتار است.به این ترتیب، مکانیسم های توجه منبع الهامی برای معماری هوش مصنوعی بوده اند که در هر مرحله نگاهی اجمالی به تصویر ورودی می اندازند، نمایش های حالت داخلی را به روز می نمایند و سپس مکان بعدی را برای پردازش انتخاب می نمایند.

برای مثال یکی از این شبکه ها قادر بود با استفاده از مکانیسم توجه انتخابی، اشیا نامربوط را در یک صحنه نادیده بگیرد و اجازه دهد حتی در بهم ریختگی تصویر ،طبقه بندی اشیا به خوبی انجام گردد.

بعلاوه، مکانیسم توجه باعث شد تا هزینه محاسباتی (به عنوان مثال، تعداد پارامترهای شبکه) با اندازه تصویر ورودی مقیاس مطلوبی داشته باشد. بعداً نشان داده شد که توسعه این رویکرد عملکرد چشمگیری در انجام وظایف سخت تشخیص چند شیئی ایجاد می نماید و از شبکه های هوش مصنوعی معمولی که تمامیت تصویر را پردازش می نمایند، هم از نظر دقت و هم از نظر کارایی محاسباتی، عملکرد بهتری دارد.

در بعضی از معماری ها، از مکانیسم های توجه برای انتخاب اطلاعات خوانده شده از حافظه داخلی شبکه استفاده شده است. این امر به موفقیت های اخیر در ترجمه ماشینی یاری نموده است.

یک قسمت دیگر از هوش مصنوعی که که اخیرا در حال پیشرفت است (با استفاده از مکانیسم های توجه) در زمینه تصور کردن است. به این صورت که اطلاعات داده می گردد و هوش مصنوعی مانند یک انسان خیال پردازی نموده و تصویر نهایی را ایجاد می نماید.

مدل های مولد عمیق (به عنوان مثال، مدل های مولد که به عنوان شبکه های عصبی چند لایه اجرا می شوند) اخیراً موفقیت های چشمگیری در فراوری خروجی های مصنوعی نشان داده اند. این مدل ها به وسیله ترکیب مکانیزم های توجه، شکل و ساختار صحنه های بصری واقعی را به تصویر می کشند. به عنوان مثال، در یک مدل فراوریی پیشرفته معروف به DRAW، توجه به سیستم اجازه می دهد تا به صورت تدریجی یک تصویر بسازد.

حافظه رویدادی

یک موضوع متعارف در علوم اعصاب این است که رفتار هوشمندانه به چندین سیستم حافظه متکی است. این سیستم شامل مکانیسم های مبتنی بر یادگیری تقویت شده است، که به شما امکان می دهد محرک ها و اعمال را به تدریج و به وسیله تجربه مکرر یاد گرفته و تجارب به سرعت در یک مکان آدرس پذیر رمزگذاری شوند.

شکل دوم حافظه، که به عنوان حافظه رویدادی یا اپیزودیک شناخته می گردد، اغلب با مدارهایی درقسمت داخلی لوب تمپورال و هیپوکامپ در ارتباط است.

یکی از موفقیت های اخیر در هوش مصنوعی، ادغام موفقیت آمیز یادگیری تقویت شده با یادگیری عمیق است. از این روش برای یادگیری ماشینی در بازی ها استفاده می گردد و با هربار قرار دریافت در یک موقعیت و یاشکست در آن ماشین یاد میگیرد که در شرایط متفاوت چه واکنشی بروز دهد.

رابطه موازی بین هوش مصنوعی و هوش بیولوژیک

پخش مجدد تجربه برای به حدبیشتر رساندن بهره وری داده بسیار مهم است چون از اثرات بی ثبات نماینده یادگیری از تجارب همبسته متوالی جلوگیری می نماید و به شبکه اجازه می دهد تا حتی در محیط های پیچیده و ساختار یافته مانند بازی های ویدیویی، یک تابع مناسب را بیاموزد.

بازپخش تجربه مستقیماً از نظریه هایی الهام گرفته شده است که می خواهند بفهمند چگونه سیستم های حافظه چندگانه در مغز پستانداران با هم ارتباط دارند. طبق یک دیدگاه مطرح، یادگیری حیوانات توسط سیستم های یادگیری موازی یا مکمل در هیپوکامپ و نئوکورتکس پشتیبانی می گردد

هیپوکامپ برای رمزگذاری اطلاعات جدید پس از یک بار قرار دریافت در معرض آن ها (یادگیری یک باره) عمل می نماید، اما این اطلاعات به تدریج در دوره خواب یا استراحت که با دوره های فعالیت درهم آمیخته اند، با نئوکورتکس تلفیق می شوند. این تلفیق با تکرار در هیپوکامپ و نئوکورتکس همراه است، که به عنوان بازیابی مجدد الگوهای ساختاری فعالیت عصبی، باعث ایجاد فرایند یادگیری می گردد.

این نظریه در ابتدا برای شرح مشکل شناخته شده ای ساخته شد که می گوید رویارویی با یک کار تکراری و پیچیده باعث می گردد که آن کار آموخته گردد و جایگزینی برای رفتار های آموخته شده قبلی گردد. در واقع این اتفاق باعث فراموش شدن کار قبلی می گردد.

به نظر می رسد یادگیری به وسیله تکرار یکی از ابتدایی ترین وظایف هیپوکامپ است و این ارگان به اتفاقاتی که همراه با بازخورد مناسبتری هستند واکنش بهتری نشان می دهد. در واقع این نوع یادگیری را میتوان به نوعی شرطی سازی دانست که پیشتر در حیوانات مشاهد شده است. به این ترتیب یادگیری در این شرایط بشدت قوی است و فراخوانی آن از هیپوکمپ بشدت سریع است. این نوع یادگیری به ما یاری نموده است که در هوش مصنوعی بازی ها ،بازخورد های سریعتر و متناسب تری در برخورد با شرایط نشان دهیم.

بعلاوه مطالعات مختلف نشان داده اند وقتی که تجارب محیطی کمتر باشند حافظه اپیزودیک (رویدادی) نقش بسیار پر رنگتری درپاسخ به اتفاقات پیرامون ما دارد. تحقیقات اخیر هوش مصنوعی با توسعه معماری هایی که کنترل اپیزودیک را انجام می دهند توانسته است با الهام از هوش بیولوژیک بر مشکل یادگیری آهسته این سیستم ها غلبه کند.

این شبکه ها تجارب خاص را ذخیره می نمایند به عنوان مثال بازخورد هایی که در گیم در شرایط یکسان نشان داده می گردد. به این ترتیب همانطور که پیش بینی می شد شبکه های هوش مصنوعی که از این روش استفاده می کردند بسیار توانایی بالایی بخصوص در یادگیری تقویت شده داشتند.

شبکه های عصبی از مشکل فراموشی فاجعه بار رنج می برند

بعلاوه، آنها می توانند در وظایفی که به شدت به یادگیری لحظه ای (one shot) بستگی دارند، جایی که معماری های معمولی یادگیری تقویت شده عمیق شکست می خورند، به موفقیت برسند.

در آینده از مزایای حافظه سریع مانند اپیزودیک و یادگیری تدریجی سنتی بیشتر در آن دسته از معماری هوش مصنوعی استفاده خواهد شد که هر دو این مولفه ها را در یک چارچوب قرار می گیرند و منعکس نماینده سیستم های یادگیری مکمل در مغز پستانداران است.

حافظه فعال

حافظه فعال نوعی از حافظه در هوش انسانی است که می تواند اطلاعات را همزمان دریافت، آنالیز، دستکاری و در نهایت ذخیره کند. این حافظه معمولا در قشر پره فرونتال و فیبرهای ارتباطی نیمکره های مغزی واقع شده است

نظریه های شناختی کلاسیک نشان می دهد که این عملکرد به تعاملات بین یک کنترل نماینده مرکزی (اجرایی) و بافرهای جداگانه در مغز و بافت فضایی آن ارتباط دارد.

تحقیقات هوش مصنوعی با ساخت معماری هایی که اطلاعات را در طول زمان حفظ می نمایند، از این مدل ها الهام گرفته است. این کار مدل سازی دقیق تری از حافظه انسان را امکان پذیر ساخت و همچنین پایه و اساس نوآوری های فنی بیشتری را نیز ایجاد کرد که در تحقیقات اخیر هوش مصنوعی استفاده شده است. این نوع یادگیری به نوآوری های هنری زیادی یاری نموده است.

این نوع شبکه ها رفتارهای مهمی را در حوزه های پیچیده به انجام رسانده اند، مانند یادگیری پاسخ به سوالات مربوط به شرایط نهفته متغیرها پس از آموزش روی کد رایانه یا یافتن کوتاهترین جهت به وسیله یک ساختار گرافیکی، مانند یک نقشه مترو، یا دستکاری بلوک ها در ساختمان برج ها. گفته می شد که این نوع مسائل به صورت خاص به پردازش نمادها و ارتباطات بین متغیرها بستگی دارد و از این رو فراتر از توان شبکه های عصبی است اما با الهام از حافظه فعال انسانی این نوع از هوش مصنوعی توان انجام این فرایند ها را پیدا نموده است. این نوع از یادگیری ماشین توانایی حفظ اطلاعات را در طول هزاران چرخه آموزش دارد و بنابراین ممکن است برای فرم های طولانی مدت حافظه مانند حفظ و درک مطالب در کتاب ها مناسب باشد.

یادگیری پیوسته

عوامل هوشمند باید قادر به یادگیری و به خاطر سپردن بسیاری از وظایف مختلف باشند که در چند بازه زمانی با آن روبرو می شوند. بنابراین عوامل بیولوژیک و مصنوعی باید از توانایی یادگیری مستمر برخوردار باشند، یعنی توانایی تسلط بر کارهای جدید بدون فراموش کردن نحوه انجام کارهای قبلی، این در حالی است که حیوانات در یادگیری مداوم نسبتاً ماهر به نظر می رسند اما شبکه های عصبی از مشکل فراموشی فاجعه بار رنج می برند.

این امر هنگامی اتفاق می افتد که پارامترهای شبکه به سمت حالت بهینه برای انجام کار دوم سوق می یابند و پیکربندی را که به آنها اجازه می دهد اولین کار را انجام دهند، با حالت دوم جایگزین می نمایند. با توجه به اهمیت یادگیری مستمر، این ناتوانی شبکه های عصبی همچنان یک چالش مهم برای توسعه هوش مصنوعی است.

در علوم اعصاب، تکنیک های پیشرفته تصویربرداری عصبی (به عنوان مثال، تصویربرداری دو فوتونی) امکان تصویر سازی از ساختار و عملکرد نورن های عصبی و سیناپس ها را به ما می دهد. تغییرات سیناپسی در نورن ها باعث ایجاد حافظه پایدار می گردد. تحقیقات نشان داده اند که پاک کردن تغییرات سیناپسی باعث ایجاد فراموشی می شوند.

این یافته ها از علوم اعصاب به توسعه الگوریتم های هوش مصنوعی الهام بخشیده اند که با تغییرات در داده های دریافت شده باعث ایجاد یک یادگیری پیوسته می شوند. این کار با کاهش سرعت یادگیری در زیرمجموعه ای از شبکه که برای کارهای قبلی مهم شناخته می گردد، انجام می گردد .

این اتفاق اجازه می دهد تا چندین کار بدون افزایش ظرفیت شبکه، با وزنی که به طور کارآمد بین وظایف شبکه تقسیم می گردد، به طور همزمان انجام شوند و فرایند یادگیری انجام گردد.

مثالی از سیستم های هوش مصنوعی که با الهام از هوش بیولوژیک طراحی شده اند

آینده

در زمینه هوش مصنوعی، سرعت تحقیقات بسیار زیاد بوده است. اکنون قدرت سیستم های مصنوعی با عملکرد انسان در تشخیص اشیا برابر است و در محیط های پویا و خصمانه مانند بازی های ویدیویی، بازی Go و بازی های اطلاعاتی از افراد متخصص پیشی می گیرند.

ماشین ها می توانند بصورت مستقل تصاویر طبیعی ایجاد نمایند و نوعی گفتار انسانی راشبیه سازی نمایند که تقریباً غیر قابل تشخیص با نمونه واقعی است. این دستگاه ها حتی می توانند اثرهای هنری خلق نمایند.

با این وجود، هنوز شکاف زیادی بین هوش ماشین و هوش انسان وجود دارد. برای برطرف این شکاف، دیپ مایند باور دارد که احتیاج به ایده های علوم اعصاب لازم است. در علوم اعصاب، ظهور ابزارهای جدید برای تصویربرداری از مغز و مهندسی زیستی ژنتیکی نوید بزرگی در راه حذف چالش ها در زمینه هوش مصنوعی به ما می دهند.

بلاگ پو: سیستم مدیریت محتوای بلاگ پو

منبع: جام جم آنلاین