مغز انسان چه درسی برای آینده هوش مصنوعی دارد؟ ضرورت عبور از مدل‌های فعلی

مدیرعامل شرکت هوش مصنوعی «Pathway» معتقد است صنعت هوش مصنوعی برای حل چالش‌هایی مانند حافظه پایدار، یادگیری مداوم و استدلال مؤثر باید بیش از گذشته از سازوکار مغز انسان الهام بگیرد. به باور او، الگوبرداری از علوم اعصاب می‌تواند به توسعه نسل جدیدی از هوش مصنوعی با مصرف انرژی کمتر و توانایی یادگیری پیوسته منجر شود.

صفحه سیاست را در گوگل دنبال کنید
مغز انسان چه درسی برای آینده هوش مصنوعی دارد؟ ضرورت عبور از مدل‌های فعلی
هتل کوروش - صفحه خبر
صفحه سیاست-

مغز انسان میلیون‌ها سال برای پردازش اطلاعات، ذخیره خاطرات و یادگیری از تجربه‌ها تکامل یافته است؛ با این حال، بسیاری از سامانه‌های هوش مصنوعی امروزی هنوز برای انجام وظایف خود به پردازش گسترده، آموزش‌های جداگانه و حافظه‌های محدود وابسته‌اند. همین تفاوت باعث شده است برخی پژوهشگران و فعالان این حوزه، بازنگری در معماری مدل‌های هوش مصنوعی را ضروری بدانند.

زوزانا استامیروسکا، مدیرعامل و بنیان‌گذار شرکت هوش مصنوعی «Pathway»، در تحلیلی درباره آینده این فناوری تأکید کرده است که پژوهشگران به جای تمرکز صرف بر حل مسائل مهندسی، باید از علوم زیستی و به‌ویژه سازوکار مغز انسان برای طراحی سامانه‌های هوشمند الهام بگیرند.

خبرهای داغ

اختلاف چشمگیر مصرف انرژی مغز و مراکز داده

یکی از تفاوت‌های قابل‌توجه میان مغز انسان و زیرساخت‌های پردازشی هوش مصنوعی، میزان مصرف انرژی آن‌هاست. مغز انسان با حدود ۲۰ وات انرژی فعالیت می‌کند، در حالی که مصرف برق برخی مراکز داده هوش مصنوعی از یک گیگاوات، معادل یک میلیارد وات، فراتر رفته است.

این مقایسه نشان‌دهنده فاصله چشمگیر میان کارایی انرژی مغز و زیرساخت‌های محاسباتی کنونی است. از سوی دیگر، سرعت افزایش تقاضا برای توان پردازشی از سرعت بهبود بهره‌وری تراشه‌ها بیشتر است. برآوردهای صنعتی نیز نشان می‌دهند که برای پاسخ‌گویی به این روند، سالانه حدود ۵۰۰ میلیارد دلار سرمایه‌گذاری در دارایی‌های ثابت مورد نیاز خواهد بود.

استامیروسکا معتقد است این وضعیت ضرورت بررسی معماری‌های جایگزین را افزایش می‌دهد؛ معماری‌هایی که به جای فعال‌سازی بخش بزرگی از شبکه برای هر پردازش، تنها از بخش‌های مرتبط با مسئله استفاده کنند.

هوش مصنوعی با الگوبرداری از ارتباطات عصبی

در مغز انسان، هنگام ورود اطلاعات جدید، مجموعه‌ای از نورون‌های مرتبط فعال می‌شوند و سیگنال‌ها را به بخش‌های دیگر شبکه منتقل می‌کنند. در این فرایند، کل شبکه عصبی برای پردازش هر محرک به‌طور یکسان فعال نمی‌شود.

همچنین ارتباطاتی که به‌صورت مکرر و مؤثر مورد استفاده قرار می‌گیرند، به‌مرور تقویت می‌شوند. این ویژگی می‌تواند الگویی برای طراحی نسل جدیدی از سامانه‌های هوش مصنوعی باشد؛ سامانه‌هایی که با استفاده از منابع محاسباتی محدودتر، پردازش هدفمندتری انجام دهند.

در مقابل، بسیاری از مدل‌های مبتنی بر معماری ترنسفورمر برای پردازش هر توکن، تعداد زیادی از پارامترهای خود را به کار می‌گیرند؛ حتی زمانی که همه این ظرفیت پردازشی برای پاسخ‌گویی به درخواست ضروری نیست. این مسئله یکی از عوامل افزایش هزینه استنتاج در مدل‌های بزرگ محسوب می‌شود.

حافظه پایدار؛ چالشی مهم در هوش مصنوعی

یکی از مهم‌ترین تفاوت‌های مغز انسان با بسیاری از مدل‌های هوش مصنوعی، نحوه ذخیره و بازیابی اطلاعات است. مغز خاطرات را در قالب تغییرات و ارتباطات میان نورون‌ها نگهداری می‌کند، اما مدل‌های هوش مصنوعی معمولاً از حافظه‌ای پایدار و یکپارچه مشابه آن برخوردار نیستند.

در بسیاری از سامانه‌های فعلی، هر درخواست به‌عنوان یک فرایند تازه آغاز می‌شود و دسترسی به اطلاعات گفت‌وگوها یا تجربه‌های قبلی به سازوکارهای جداگانه وابسته است. در نتیجه، مدل ممکن است نتواند آموخته‌های خود را به‌صورت طبیعی در وظایف بعدی به کار بگیرد.

در مغز، این فرایند با پدیده‌ای به نام «انعطاف‌پذیری سیناپسی» ارتباط دارد؛ قابلیتی که به تغییر قدرت و تعداد ارتباطات میان نورون‌ها اشاره می‌کند. یکی از نتایج این سازوکار، «تقویت بلندمدت» است که طی آن مسیرهای عصبی در اثر استفاده مکرر تقویت می‌شوند.

از دیدگاه استامیروسکا، آینده هوش مصنوعی به توسعه ساختارهایی وابسته است که بتوانند از طریق استفاده و تجربه، مسیرهای پردازشی خود را تقویت کنند؛ نه اینکه تمام قابلیت‌های مورد نیازشان صرفاً هنگام طراحی اولیه در اختیارشان قرار گرفته باشد.

یادگیری مداوم بدون نیاز به آموزش مجدد

مغز انسان در جریان فعالیت روزمره به یادگیری ادامه می‌دهد و برای هر تجربه جدید به توقف کامل و آغاز دوباره فرایند یادگیری نیاز ندارد. یکی از سازوکارهای مهم در این زمینه «حافظه کاری» است؛ قابلیتی که اطلاعات را برای مدت کوتاهی در دسترس نگه می‌دارد و امکان پردازش و استفاده از آن‌ها را فراهم می‌کند.

قشر پیش‌پیشانی مغز نقش مهمی در این عملکرد و همچنین در مدیریت وظایف شناختی پیچیده دارد. انسان می‌تواند اطلاعات را در ذهن نگه دارد، میان وظایف مختلف جابه‌جا شود و در جریان انجام یک فعالیت، مسیر تصمیم‌گیری خود را تغییر دهد.

در مقابل، مدل‌های مبتنی بر ترنسفورمر معمولاً از سازوکاری مشابه برای تبدیل تجربه‌های به‌دست‌آمده در جریان پردازش به یادگیری پایدار برخوردار نیستند. آنچه مدل در جریان یک فرایند استدلالی به دست می‌آورد، لزوماً به تجربه‌ای ماندگار تبدیل نمی‌شود و ممکن است در تعامل بعدی دوباره به همان اطلاعات نیاز داشته باشد.

به همین دلیل، طراحی سامانه‌هایی با قابلیت یادگیری ساختاری و پیوسته، از نظر این پژوهشگر با تنظیم دقیق یک مدل ثابت تفاوت اساسی دارد.

استدلال نهفته؛ فکر کردن فراتر از زبان

بخش دیگری از تحلیل استامیروسکا به نحوه استدلال مغز مربوط می‌شود. مغز انسان پیش از تبدیل افکار به واژه‌ها، اطلاعات را از طریق سازوکارهای پیچیده ادراک، پیش‌بینی و پردازش درونی بررسی می‌کند. به بیان دیگر، همه مراحل تفکر الزاماً در قالب زبان شکل نمی‌گیرند.

اما در بسیاری از مدل‌های مبتنی بر ترنسفورمر، استدلال به‌صورت زنجیره‌ای از متن و واژه‌ها نمایش داده می‌شود. هر مرحله میانی باید تولید شود و در ادامه برای پردازش دوباره در اختیار مدل قرار گیرد. این فرایند با پیچیده‌تر شدن مسئله می‌تواند زمان و هزینه بیشتری به همراه داشته باشد.

«استدلال نهفته» رویکردی جایگزین است که در آن سامانه به جای بیان زبانی تمام مراحل، مسئله را از طریق بازنمایی‌های درونی و پیوسته پردازش می‌کند و در صورت نیاز، نتیجه نهایی را به زبان تبدیل می‌کند.

این شیوه می‌تواند فاصله میان تولید متن و انجام واقعی فرایند استدلال را کاهش دهد و امکان پردازش مسائل پیچیده را با اتکای کمتر به تولید زنجیره‌های طولانی متنی فراهم کند.

تلاش شرکت‌های فناوری برای توسعه حافظه هوش مصنوعی

برخی شرکت‌های فناوری نیز به‌دنبال افزودن قابلیت‌های حافظه و تمرکز پایدار به سامانه‌های هوش مصنوعی خود هستند.

شرکت متا با معرفی مدل‌هایی مانند «Muse Wonder» و «Muse Wonder Full»، قابلیت‌هایی را برای عامل‌های هوش مصنوعی در نظر گرفته است. حافظه فعال در این سامانه‌ها امکان انتقال اطلاعات مربوط به کاربر از یک گفت‌وگو به گفت‌وگوی دیگر را فراهم می‌کند. قابلیت تمرکز فعال نیز به عامل اجازه می‌دهد هنگام مواجهه با یک مسئله، راه‌حل‌های مختلف را بررسی کند و کار روی وظیفه را ادامه دهد.

شرکت دیتابریکس نیز قابلیت حافظه عامل را به‌عنوان یک ویژگی مدیریت‌شده در پلتفرم «Agent Bricks» خود توسعه داده است.

با وجود این تلاش‌ها، دسترسی به برخی از این قابلیت‌ها همچنان محدود است و شماری از آن‌ها در قالب خدمات پولی ارائه می‌شوند. از سوی دیگر، حافظه کاربردی و استدلال نهفته هنوز به راهکارهایی فراگیر در تمام سامانه‌های هوش مصنوعی تبدیل نشده‌اند.

آینده هوش مصنوعی فراتر از مدل‌های زبانی

از نگاه استامیروسکا، حافظه پایدار و توانایی استدلال از مؤلفه‌های ضروری برای توسعه عامل‌های هوشمند و مدل‌های زبانی پیشرفته هستند؛ اما آینده این فناوری نباید تنها به بهبود مدل‌های زبانی بزرگ و معماری ترنسفورمر محدود بماند.

الگوبرداری از علوم اعصاب می‌تواند مسیر تازه‌ای برای طراحی سامانه‌هایی فراهم کند که علاوه بر پردازش اطلاعات، توانایی یادگیری مستمر، حفظ تجربه‌ها و استفاده هدفمند از منابع محاسباتی را داشته باشند.

چنین رویکردی به معنای بازسازی کامل مغز انسان در قالب ماشین نیست؛ بلکه استفاده از اصولی است که در طول تکامل زیستی، امکان یادگیری، حافظه و تصمیم‌گیری کارآمد را فراهم کرده‌اند. با این حال، تبدیل این ایده‌ها به فناوری‌های عملی همچنان به پژوهش و توسعه بیشتری نیاز دارد.

 

اخبار مرتبط
ارسال نظر