نتیجه پژوهش جانز هاپکینز: معماری مغز، میانبری برای هوش مصنوعی

نتیجه پژوهش جانز هاپکینز: معماری مغز، میانبری برای هوش مصنوعی

مطالعه‌ای که اخیراً در نشریه Nature Machine Intelligence منتشر شده، نگاه تازه‌ای به شیوه ساخت و آموزش مدل‌های هوش مصنوعی ارائه می‌دهد.

به گزارش نیوزلن و به نقل از SciTechDaily، پژوهشگران دانشگاه جانز هاپکینز به سرپرستی میک بونر، استاد علوم شناختی، نشان داده‌اند که انتخاب معماری مناسب برای شبکه‌های عصبی می‌تواند به شکل چشمگیری توانایی یادگیری و شباهت به مغز انسان را افزایش دهد، حتی پیش از آنکه این سیستم‌ها تحت آموزش گسترده قرار گیرند.

در سال‌های اخیر، روند غالب در حوزه هوش مصنوعی بر استفاده از داده‌های عظیم و منابع محاسباتی بسیار پرهزینه استوار بوده است؛ رویکردی که میلیاردها دلار هزینه و انرژی هنگفت مصرف می‌کند. در مقابل، مغز انسان با داده‌های محدود و تجربه‌های اندک قادر به یادگیری و پردازش پیچیده است. این تضاد، پژوهشگران را به بررسی نقش معماری در عملکرد شبکه‌های عصبی مصنوعی سوق داد.

در این تحقیق، سه دسته اصلی معماری‌های رایج شامل ترنسفورمرها، شبکه‌های کاملاً متصل و شبکه‌های کانولوشنی مورد بررسی قرار گرفت. تیم پژوهشی با تغییرات متعدد در این معماری‌ها، ده‌ها شبکه عصبی جدید ساخت و آن‌ها را بدون هیچ‌گونه آموزش قبلی در معرض تصاویر اشیاء، انسان‌ها و حیوانات قرار داد. سپس واکنش این شبکه‌ها با فعالیت مغزی انسان و نخستی‌ها در شرایط مشابه مقایسه شد.

نتایج نشان داد که افزایش تعداد نورون‌های مصنوعی در ترنسفورمرها و شبکه‌های کاملاً متصل تغییر چندانی ایجاد نمی‌کند. اما اصلاح معماری شبکه‌های کانولوشنی توانست الگوهای فعالیتی تولید کند که شباهت بیشتری به الگوهای مغزی داشت. این یافته بیانگر آن است که معماری شبکه‌ها، حتی بدون آموزش گسترده، می‌تواند نقشی کلیدی در دستیابی به عملکردی شبیه مغز ایفا کند.

به گفته بونر، اگر آموزش بر داده‌های عظیم تنها عامل حیاتی بود، تغییر معماری نمی‌توانست چنین نتایجی به بار آورد. بنابراین، شروع با «نقشه‌راه درست» و بهره‌گیری از الهام‌های زیستی می‌تواند یادگیری در سیستم‌های هوش مصنوعی را به‌طور چشمگیری تسریع کند.

گام بعدی این تیم پژوهشی، توسعه الگوریتم‌های یادگیری ساده مبتنی بر اصول زیستی است؛ الگوریتم‌هایی که شاید بتوانند چارچوبی تازه برای یادگیری عمیق ارائه دهند و مسیر آینده هوش مصنوعی را از وابستگی به داده‌های بی‌پایان و هزینه‌های سرسام‌آور جدا سازند.

این مطالعه نه تنها چالش جدی برای مدل‌های میلیارد دلاری کنونی محسوب می‌شود، بلکه چشم‌اندازی نو برای طراحی هوش مصنوعی کارآمدتر، کم‌هزینه‌تر و نزدیک‌تر به مغز انسان ترسیم می‌کند.