چگونه هوش مصنوعی از علوم اعصاب الهام می‌گیرد؟

در سالهای اخیر، در زمینه علوم اعصاب و هوش مصنوعی پیشرفت‌های سریعی حاصل شده است. در ابتدای عصر کامپیوتر، کار روی هوش مصنوعی و علوم اعصاب و روانشناسی به طور جدایی ناپذیری در هم آمیخته بود و بسیاری از پیشگامان اولیه در هر دو زمینه فعالیت داشتند، و همکاری بین این رشته‌ها بسیار مثمر ثمر بود.

با این حال، اخیراً، این تعاملات بسیار کمتر شده است، زیرا هر دو رشته به شدت رشد کرده‌اند و مرزهای مشخصی یافته‌اند. در این مقاله که توسط «دمیس هسابیس»، مدیرعامل و هم‌بنیانگذار «دیپ‌مایند» و همکارانش نوشته شده در مورد اهمیت حیاتی علوم اعصاب در تولید ایده‌هایی بحث شده که تحقیقات هوش مصنوعی را تسریع و هدایت می‌کند.

هسابیس می‌گوید ما با این فرض شروع می‌کنیم که ساختن هوش مصنوعی در سطح انسانی کاری دلهره آور است، زیرا جستجوی پاسخ‌ها در این فضای عظیم 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 نیاز به بررسی دقیق عملکردهای داخلی مغز انسان دارد. مطالعه و شناخت حیوانات و عملکرد عصبی آن‌ها نیز در این میان نقشی حیاتی دارد، زیرا می‌تواند دریچه ای برای جنبه‌های مختلف هوش عمومی سطح بالاتر را فراهم کند.

توسعه هوش مصنوعی با الهام از هوش بیولوژیکی برای انسان‌ها یک بازی برد-برد است چرا که اولا علوم اعصاب منبع غنی از الهام برای انواع جدید الگوریتم‌ها و معماری‌های هوش مصنوعی است. دوما علوم اعصاب می‌تواند از جنبه تکنیکی هوش مصنوعی برای پیشرفت‌های تحقیقاتی و آزمایش فرضیات خود کمک بگیرد.

البته از نقطه نظر عملی برای ساخت یک سیستم هوش مصنوعی، نیازی 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 نیاز سختگیرانه. آنچه ما به آن علاقمندیم درک عملکرد مغز، یعنی الگوریتم‌ها و معماری‌های آن است .

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

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

هسابیس می‌گوید قبل از شروع، بگذارید توضیحاتی را ارائه دهیم. در تمام این مقاله، ما از اصطلاحات «علوم اعصاب و هوش مصنوعی» به معنای وسیع تر استفاده می‌کنیم. وقتی می‌گوییم علوم اعصاب، همه رشته‌هایی که با مطالعه مغز سرو کار دارند، را شامل می‌شود (از جمله علوم اعصاب شناختی، علوم اعصاب سیستم و روانشناسی). وقتی می‌گوییم هوش مصنوعی، منظور ما کار یادگیری ماشین، آمار و تحقیقات هوش مصنوعی است که هدف آن ساخت ماشین‌های هوشمند است.

در ادامه مطلب را با در نظر گرفتن دو زمینه‌ای که در تحقیقات فعلی هوش مصنوعی محوری هستند یعنی یادگیری عمیق و یادگیری تقویت شده شروع می کنیم که هر دو ریشه در ایده‌های علوم اعصاب دارند.

یادگیری عمیق

همانطور که در تعدادی از بررسی‌های اخیر به تفصیل آورده شده است، هوش مصنوعی طی چند سال گذشته با پیشرفت چشمگیر در شبکه عصبی یا روش‌های یادگیری عمیق، ایجاد شده است. ریشه این روش‌های هوش مصنوعی مستقیماً در علوم اعصاب است. در دهه 1940، تحقیقات در مورد محاسبات عصبی با ساخت شبکه‌های عصبی مصنوعی که بتوانند توابع منطقی را محاسبه کنند، آغاز شد .

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

مدت زیادی از این کار پیشگامانه نگذشته بود که توسعه الگوریتم «انتشار مجدد» باعث شد که یادگیری در شبکه‌های 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 می‌کردند، ابداع شد.

در آن زمان، بیشتر تحقیقات هوش مصنوعی بر ساخت سیستم‌های 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 داده‌های تکراری است. با این حال، در بعضی از محفل‌ها علمی این نظر وجود داشت که رویکردهای کاملاً نمادین و تکراری آن اندازه در یادگیری انسان تاثیر ندارند که بتوانند مشکلات پیچیده دنیای واقعی را حل کنند. در براین اساس، پیشنهاد شد که یادگیری انسان از تعاملات پویای سیستم عصبی (با محوریت نورون ها) با اطلاعات داده شده به آن و بر اساس پاداش‌های مغزی صورت می‌گیرد.

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 داده‌های اولیه و سپس شبکه عصبی بر پایه نورون‌ها بود. اتصالات پیچیده بین نورن‌های مغزی الهام بخش محققان در این زمینه شد و رشد علمی فوق العاده عظیم هوش مصنوعی را دهه‌های 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 روش‌ها به مسئله چگونگی به حداکثر رساندن پاداش می‌پردازند و امروزه از پرکاربردترین ابزارها در تحقیقات هوش مصنوعی هستند.

این روش‌ها بیشتر در مطالعات حیوانی شناخته شدند و از آنجا بود که الهام بخش محققان هوش مصنوعی شد. از این روش‌ها می‌توان به شرطی سازی اشاره کرد که جز ابتدایی ترین روش‌های یادگیری در جانوران است و ما به وفور در آموزش سگ‌ها و گربه‌های خانگی از آن استفاده می‌کنیم. هسته هوش مصنوعی کنترل ربات‌ها و همچنین بسیاری از بازی‌های کامپیوتری یادگیری تقویت شده است.

یادگیری در مغز وابسته به یک ساختار واحد نیست و دارای واحدها و زیر شاخه‌های زیادی است به شکلی که ارتباطات بیشمار نورن‌ها در یادگیری بیشترین تاثیر را دارد. مغز یک واحد پویا است و شامل زیر واحدهای مختلفی است و این واحد‌ها متمایز عملکردهای کلیدی مانند حافظه، زبان و کنترل شناختی را پشتیبانی می‌کنند. این بینش از علوم اعصاب در بسیاری از حیطه‌های هوش مصنوعی وارد شده است.

مثلا تا همین اواخر، اکثر مدل‌های شبکه‌های عصبی مستقیماً روی کل تصاویر یا فریم‌های ویدیویی کار می‌کردند، و در اولین مرحله پردازش، همه پیکسل‌های تصویر اولویت برابر داشتند. سیستم بصری پستانداران متفاوت عمل می‌کند. به جای پردازش همه ورودی‌ها به طور موازی، توجه به طور استراتژیک در میان مکان‌ها و اشیا جابجا می‌شود و لزوما تمرکز روی تمام پیکسل‌های تصویر یکسان نیست.

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

مدل‌های 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، مکانیسم‌های توجه منبع الهامی برای معماری هوش مصنوعی بوده اند که در هر مرحله نگاهی اجمالی به تصویر ورودی می‌اندازند، نمایش‌های حالت داخلی را به روز می‌کنند و سپس مکان بعدی را برای پردازش انتخاب می‌کنند.

برای مثال یکی از این شبکه‌ها 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 شود.

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 دشوار تشخیص چند شیئی ایجاد می‌کند و از شبکه‌های هوش مصنوعی معمولی که تمامیت تصویر را پردازش می‌کنند، هم از نظر دقت و هم از نظر کارایی محاسباتی، عملکرد بهتری دارد.

در برخی از معماری‌ها، از مکانیسم‌های توجه برای انتخاب اطلاعات خوانده شده از حافظه داخلی شبکه استفاده شده است. این امر به موفقیت‌های اخیر در ترجمه ماشینی کمک کرده است.

یک قسمت دیگر از هوش مصنوعی که که اخیرا در حال پیشرفت است (با استفاده از مکانیسم‌های توجه) در زمینه تصور کردن است. به این صورت که اطلاعات داده می‌شود و هوش مصنوعی مانند یک انسان خیال پردازی کرده و تصویر نهایی را ایجاد می‌کند.

مدل‌های مولد عمیق (به عنوان مثال، مدل‌های مولد که به عنوان شبکه‌های عصبی چند لایه اجرا می‌شوند) اخیراً موفقیت‌های چشمگیری در تولید خروجی‌های مصنوعی نشان داده اند. این مدل‌ها از طریق ترکیب مکانیزم‌های توجه، شکل و ساختار صحنه‌های بصری واقعی را به تصویر می‌کشند. به عنوان مثال، در یک مدل تولیدی پیشرفته معروف به DRAW، توجه به سیستم اجازه می‌دهد 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 مکانیسم‌های مبتنی بر یادگیری تقویت شده است، که به شما امکان می‌دهد محرک‌ها و اعمال را به تدریج و از طریق 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 می‌شود، اغلب با مدارهایی درقسمت داخلی لوب تمپورال و هیپوکامپ در ارتباط است.

یکی از موفقیت‌های اخیر در هوش مصنوعی، ادغام موفقیت آمیز یادگیری تقویت شده با یادگیری عمیق است. از این روش برای یادگیری ماشینی در بازی‌ها استفاده می‌شود و با هربار قرار گرفتن در یک موقعیت و یاشکست در آن ماشین یاد میگیرد که در شرایط متفاوت چه واکنشی بروز دهد.

پخش مجدد تجربه برای به حداکثر رساندن بهره وری داده بسیار مهم است چون از اثرات بی ثبات کننده یادگیری از تجارب همبسته متوالی جلوگیری می‌کند و به شبکه اجازه می‌دهد تا حتی در محیط‌های پیچیده و ساختار یافته مانند بازی‌های ویدیویی، یک تابع مناسب را بیاموزد.

بازپخش تجربه مستقیماً از نظریه‌هایی الهام گرفته شده است که می‌خواهند بفهمند چگونه سیستم‌های حافظه چندگانه در مغز پستانداران با هم ارتباط دارند. طبق یک دیدگاه مطرح، یادگیری حیوانات توسط سیستم‌های یادگیری موازی یا مکمل در هیپوکامپ و نئوکورتکس پشتیبانی می‌شود

هیپوکامپ برای رمزگذاری اطلاعات جدید پس از یک بار قرار گرفتن در معرض آن‌ها (یادگیری یک باره) عمل می‌کند، اما این اطلاعات به تدریج در دوره خواب یا استراحت که با دوره‌های فعالیت درهم آمیخته اند، با نئوکورتکس تلفیق می‌شوند. این تلفیق با تکرار در هیپوکامپ و نئوکورتکس همراه است، که به عنوان بازیابی مجدد الگوهای ساختاری فعالیت عصبی، باعث ایجاد فرایند یادگیری می‌شود.

این نظریه در ابتدا برای توضیح مشکل شناخته شده ای ساخته شد که می‌گوید رویارویی با یک کار تکراری و پیچیده باعث می‌شود که آن کار آموخته شود و جایگزینی برای رفتار‌های آموخته شده قبلی شود. در واقع این اتفاق باعث فراموش شدن کار قبلی می‌شود.

به نظر می‌رسد یادگیری از طریق تکرار یکی از ابتدایی ترین وظایف هیپوکامپ است و این ارگان به اتفاقاتی که همراه با بازخورد مناسبتری هستند واکنش بهتری نشان می‌دهد. 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 کمک کرده است که در هوش مصنوعی بازی‌ها ،بازخورد‌های سریعتر و متناسب تری در برخورد با شرایط نشان دهیم.

بعلاوه مطالعات مختلف نشان داده‌اند 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 معماری‌هایی که کنترل اپیزودیک را انجام می‌دهند توانسته است با الهام از هوش بیولوژیک بر مشکل یادگیری آهسته این سیستم‌ها غلبه کند.

این شبکه‌ها تجارب خاص را ذخیره می‌کنند به عنوان مثال بازخورد‌هایی که در گیم در شرایط یکسان نشان داده می‌شود. به این ترتیب همانطور که پیش بینی می‌شد شبکه‌های هوش مصنوعی که از این روش استفاده می‌کردند بسیار توانایی بالایی بخصوص در یادگیری تقویت شده داشتند.

شبکه‌های عصبی از مشکل فراموشی فاجعه بار رنج می‌برند

بعلاوه، آنها می‌توانند در وظایفی که به شدت به یادگیری لحظه ای (one shot) بستگی دارند، جایی که معماری‌های معمولی یادگیری تقویت شده عمیق شکست می‌خورند، 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 مولفه‌ها را در یک چارچوب قرار می‌گیرند و منعکس کننده سیستم‌های یادگیری مکمل در مغز پستانداران است.

حافظه فعال

حافظه فعال نوعی از حافظه در هوش انسانی است که می‌تواند اطلاعات را همزمان دریافت، بررسی، دستکاری و در نهایت ذخیره کند. این حافظه معمولا در قشر پره فرونتال و فیبرهای ارتباطی نیمکره‌های مغزی قرار دارد

نظریه‌های شناختی کلاسیک نشان می‌دهد که این عملکرد به تعاملات بین یک کنترل کننده مرکزی (اجرایی) و بافرهای جداگانه در مغز و بافت فضایی آن ارتباط دارد.

تحقیقات هوش مصنوعی با ساخت معماری‌هایی که اطلاعات را در طول زمان حفظ می‌کنند، از این مدل‌ها الهام گرفته است. این کار مدل سازی دقیق تری از حافظه انسان را امکان پذیر ساخت و همچنین پایه و اساس نوآوری‌های فنی بیشتری را نیز ایجاد کرد که در تحقیقات اخیر هوش مصنوعی استفاده شده است. این نوع یادگیری به نوآوری‌های هنری زیادی کمک کرده است.

این نوع شبکه‌ها رفتارهای مهمی را در حوزه‌های پیچیده به انجام رسانده اند، مانند یادگیری پاسخ به سوالات مربوط به وضعیت نهفته متغیرها پس از آموزش روی کد رایانه یا یافتن کوتاهترین مسیر از طریق یک ساختار گرافیکی، مانند یک نقشه مترو، یا دستکاری بلوک‌ها در ساختمان برج ها. گفته می‌شد که این نوع مشکلات به صورت خاص به پردازش نمادها و ارتباطات بین متغیرها بستگی دارد و از این رو فراتر از توان شبکه‌های عصبی است اما با الهام از حافظه فعال انسانی این نوع از هوش مصنوعی توان انجام این فرایند‌ها را پیدا کرده است. این نوع از یادگیری ماشین توانایی حفظ اطلاعات را در طول هزاران چرخه آموزش دارد و بنابراین ممکن است برای فرم‌های طولانی مدت حافظه مانند حفظ و درک مطالب در کتاب‌ها 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 می‌شوند. 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 می‌رسند اما شبکه‌های عصبی از مشکل فراموشی فاجعه بار رنج می‌برند.

این امر هنگامی اتفاق می‌افتد که پارامترهای شبکه به سمت حالت بهینه برای انجام کار دوم سوق می‌یابند و پیکربندی را که به آنها اجازه می‌دهد اولین کار را انجام دهند، با حالت دوم جایگزین می‌کنند. با توجه به اهمیت یادگیری مستمر، این ناتوانی شبکه‌های عصبی همچنان یک چالش مهم برای توسعه هوش مصنوعی است.

در علوم اعصاب، تکنیک‌های پیشرفته تصویربرداری عصبی (به عنوان مثال، تصویربرداری دو فوتونی) امکان تصویر سازی از ساختار و عملکرد نورن‌های عصبی و سیناپس‌ها را به ما می‌دهد. تغییرات سیناپسی در نورن‌ها باعث ایجاد حافظه پایدار می‌شود. تحقیقات نشان داده اند که پاک کردن تغییرات سیناپسی باعث ایجاد فراموشی می‌شوند.

این یافته‌ها از علوم اعصاب به توسعه الگوریتم‌های هوش مصنوعی الهام بخشیده اند که با تغییرات در داده‌های دریافت شده باعث ایجاد یک یادگیری پیوسته می‌شوند. این کار با کاهش سرعت یادگیری در زیرمجموعه ای از شبکه که برای کارهای قبلی مهم شناخته می‌شود، انجام می‌شود .

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

آینده

در زمینه هوش مصنوعی، سرعت تحقیقات بسیار زیاد بوده است. اکنون قدرت سیستم‌های مصنوعی با عملکرد انسان در تشخیص اشیا برابر است و در محیط‌های پویا و خصمانه مانند بازی‌های ویدیویی، بازی Go و بازی‌های اطلاعاتی از افراد متخصص پیشی می‌گیرند.

ماشین‌ها می‌توانند بصورت مستقل تصاویر طبیعی ایجاد کنند و نوعی گفتار انسانی راشبیه سازی کنند که تقریباً غیر قابل تشخیص با نمونه واقعی است. این دستگاه‌ها حتی می‌توانند اثرهای هنری خلق کنند.

با این وجود، هنوز شکاف زیادی بین هوش ماشین و هوش انسان وجود دارد. برای رفع این شکاف، دیپ‌مایند باور دارد که نیاز به ایده‌های علوم اعصاب ضروری است. در علوم اعصاب، ظهور ابزارهای جدید برای تصویربرداری از مغز و مهندسی زیستی ژنتیکی نوید بزرگی در راه حذف چالش‌ها در زمینه هوش مصنوعی به ما می‌دهند.