وقتی هوش مصنوعی با خودش حرف می‌زند، باهوش‌تر می‌شود!

حرف زدن با خود اغلب یک عادت منحصر‌به‌فرد انسانی به نظر می‌رسد؛ گفتگوی درونی به آدم‌ها کمک می‌کند ایده‌هایشان را مرتب کنند، تصمیم بگیرند و احساساتشان را پردازش کنند. تحقیقات جدید نشان می‌دهد که همین نوعِ «خودگویی» می‌تواند برای هوش مصنوعی هم مفید باشد. در مطالعه‌ای که در نشریه Neural Computation منتشر شده، دانشمندان مؤسسه علم و فناوری اوکیناوا (OIST) دریافتند که سیستم‌های هوش مصنوعی وقتی گفتگوی درونی را با حافظه کوتاه‌مدت ترکیب می‌کنند، بسیار مؤثرتر یاد می‌گیرند و می‌توانند طیف وسیع‌تری از وظایف را انجام دهند.

نتایج نشان می‌دهد که یادگیری فراتر از طراحیِ صِرفِ سیستم است. به گفته دکتر جفری کوایزر، نویسنده اول این تحقیق:

این مطالعه اهمیت تعاملاتِ درونی را در فرآیند یادگیری برجسته می‌کند. ما با ساختاردهی به داده‌های آموزشی به شکلی که سیستم یاد بگیرد با خودش حرف بزند، نشان دادیم که یادگیری فقط تحت تأثیر معماریِ سیستم هوش مصنوعی نیست، بلکه به پویاییِ تعاملات موجود در روش‌های آموزشی ما نیز بستگی دارد.

آموزش هوش مصنوعی برای گفتگو با خود

محققان برای آزمایش این ایده، گفتگوی درونی خودگردان (که آن را “زمزمه کردنِ آرام” توصیف می‌کنند) را با یک سیستم حافظه کاریِ مخصوص ترکیب کردند. این ترکیب منجر به پیشرفت‌های چشمگیری در نحوه یادگیری اطلاعات جدید، سازگاری با شرایط ناآشنا و مدیریت چندین کار به صورت هم‌زمان توسط مدل‌های هوش مصنوعی شد.

ساخت هوش مصنوعی انعطاف‌پذیر و چندمنظوره

تیم تحقیقاتی مدت‌هاست که بر پردازش اطلاعات بدون وابستگی به محتوا تمرکز کرده است. هدف این رویکرد این است که به هوش مصنوعی کمک کند تا آموخته‌هایش را فراتر از مثال‌های خاص به‌کار بگیرد؛ یعنی به جای حفظ کردن الگوها، بر قوانین و روش‌های کلی تکیه کند.

دکتر کوایزر می‌گوید:

تغییر سریع بین وظایف و حل مشکلات ناآشنا کاری است که ما انسان‌ها هر روز به راحتی انجام می‌دهیم، اما برای هوش مصنوعی بسیار چالش‌برانگیز است. به همین دلیل ما از یک رویکرد چندرشته‌ای استفاده می‌کنیم؛ یعنی علوم اعصاب تکاملی و روانشناسی را با یادگیری ماشین و رباتیک ترکیب می‌کنیم تا راه‌های جدیدی برای فکر کردن به یادگیری پیدا کنیم و آینده هوش مصنوعی را رقم بزنیم.

چرا حافظه کاری اهمیت دارد؟

آزمایش‌های اولیه روی طراحی حافظه متمرکز بود، به‌ویژه نقش «حافظه کاری» در کمک به تعمیم‌دهیِ هوش مصنوعی. حافظه کاری به سیستم اجازه می‌دهد تا اطلاعات را به طور موقت نگه دارد و از آن‌ها استفاده کند، خواه برای دنبال کردن دستورالعمل‌ها باشد و خواه برای انجام محاسبات سریع. محققان با آزمایش کارهایی با سطوح دشواری مختلف، چندین ساختار حافظه را با هم مقایسه کردند.

آن‌ها دریافتند سیستم‌های هوش مصنوعی که دارای چندین «شکاف حافظه کاری» (محفظه‌های موقت برای قطعات اطلاعات) هستند، در چالش‌های پیچیده مثل معکوس کردن توالی‌ها یا بازسازی الگوها، بهتر عمل می‌کنند. این وظایف مستلزم نگه داشتن چندین المان در ذهن و مدیریت دقیق آن‌هاست.

وقتی تیم تحقیقاتی اهداف «زمزمه با خود» را اضافه کرد (یعنی به سیستم گفت که تعداد دفعات مشخصی با خودش حرف بزند)، عملکرد باز هم بهتر شد. بیشترین پیشرفت در انجام هم‌زمان چند کار (Multitasking) و مسائلی که مراحل زیادی داشتند، مشاهده شد.

دکتر کوایزر می‌گوید:

سیستم ترکیبی ما بسیار هیجان‌انگیز است چون می‌تواند با داده‌های اندک کار کند، در حالی که معمولاً برای آموزش چنین مدل‌هایی جهت تعمیم‌دهی، به مجموعه داده‌های بسیار حجیم نیاز است. این روش یک جایگزین مکمل و سبک ارائه می‌دهد.

یادگیری برای یاد گرفتن در شرایط واقعی

در مرحله بعد، محققان قصد دارند از محیط‌های آزمایشگاهی تمیز و مرتب فراتر بروند و چالش‌های واقع‌گرایانه‌تری را معرفی کنند. کوایزر توضیح می‌دهد:

در دنیای واقعی، ما در محیط‌هایی پیچیده، شلوغ و پویا تصمیم می‌گیریم و مسائل را حل می‌کنیم. برای اینکه یادگیری هوش مصنوعی را بیشتر شبیه به رشد انسان کنیم، باید این عوامل بیرونی را هم در نظر بگیریم.

این تحقیق همچنین به هدف بزرگ‌تری کمک می‌کند: درک نحوه یادگیری در مغز انسان. کوایزر در پایان می‌گوید:

با کاوش در پدیده‌هایی مثل گفتگوی درونی و درک مکانیسم‌های این فرآیندها، به بینش‌های بنیادی جدیدی درباره زیست‌شناسی و رفتار انسان دست می‌یابیم. همچنین می‌توانیم این دانش را مثلاً در توسعه ربات‌های خانگی یا کشاورزی به کار ببریم که باید در دنیای پیچیده و پویای ما کار کنند.

منبع: Scitechdaily