آیا افراد با‌هوش، در هنگام حل مسائل با سرعتی بیشتر از سایر افراد، فکر می‌کنند؟ یافته‌های جدید محققان دانشگاه Charité برلین در همکاری با محققان دانشگاه Pompeu Fabra بارسلونا روی پروژه “مغز انسان”، این باور عمیقاً ریشه‌دار در حوزه “تحقیقات درباره هوش” را زیر سوال می‌برد. به‌تازگی، نتایج این پژوهش در مجله نیچر (Nature Communications) منتشر شده است.
در این پژوهش، ابتدا، 650 مدل شخصی‌سازی شده از شبکه مغز انسان (BNMs) به واسطه اتخاذ رویکردی الهام گرفته شده از بیولوژی؛ ساخته شدند. این مدل‌ها که با استفاده از داده‌های جمع‌آوری شده در پروژه ” کانکتوم (دیاگرام اتصالات) مغز انسان” ایجاده شده بودند؛ قابلیت شبیه‌سازی فرآیند‌های مغزی طی‌شده در حین حل مسئله را برای محققان این پژوهش به ارمغان آوردند.
پس از آن، مشاهدات به دست آمده از مرحله قبلی، با داده‌های تجربی 650 شرکت‌کننده آزمون استدلال پن ماتریس (PMAT)، که در‌بر‌گیرنده مجموعه‌ای از سوالات “تطابق الگو” می‌باشد و در هر مرحله دشوار‌تر می‌شود؛ مقایسه شدند.
سپس، نتایج این مقایسه با استفاده از هوش سیال آزمون‌دهندگان، کمیت بخشی شدند. لازم به ذکر است که هوش سیال (Fluid Intelligence)، معیاری است که می‌توان با استفاده از آن توانایی “اخذ تصمیم‌گیری‌های دشوار در موقعیت‌های جدید” را به صورت تقریبی آزمود.
اما چالش فعلی از کجا مطرح شد؟
پس از بررسی نتایج به دست آمده از آخرین مرحله از آزمایش، محققان دریافتند که: “افرادی که هوش سیال بالا‌تری دارند، نسبت به افراد دارای هوش سیال پایین‌تر، زمان بیشتری را به حل مسائل پیچیده‌تر اختصاص می‌دهند”. نویسنده ارشد این مطالعه، پترا ریتر اذعان دارد که افراد دارای هوش سیال بالا‌تر تنها در هنگام پاسخ‌دهی به سوالات ساده، سریع‌تر از افراد دارای هوش سیال پایین‌تر، پاسخ خود را ارائه می‌دادند. او می‌گوید:
ما، در ابتدای تحقیق، این مسئله را در شبیه‌سازی روی مدل‌های شخصی‌سازی شده مشاهده کردیم و پس از بررسی داده‌های تجربی، متوجه شدیم که این ویژگی برای شرکت‌کنندگان آزمون PMAT نیز، صدق می‌کند.
لازم به ذکر است که، آزمایشگاه ریتر و بسیاری دیگر از گروه‌های تحقیقاتی در حیطه پروژه “ذهن انسان”، از شبیه‌سازی مغز در جهت تکمیل داده‌های شهودی در راستای ایجاد و توسعه چارچوبی علمی در رابطه با نحوه عملکرد مغز انسان، بهره می‌گیرند.
در این آزمایش، از شبیه‌سازی مغز در جهت شناخت ارتباط میان “ساختار و کاربرد” مغز با “عملکرد شناختی” استفاده شده است. یک مغز هماهنگ‌تر، در حل مسائل عملکرد بهتری از خود نشان می‌دهد؛ اما این عملکرد بهتر لزوماً برابر با سرعت بیشتر در عملکرد مغز و ارائه راه‌حل سریع‌تر نیست.
با استناد به سخنان ریتر، در حالیکه هماهنگی بیشتر در مغز، منجر به جمع‌آوری شواهد بیشتر و تقویت عملکرد حافظه می‌شود؛ با کاهش هماهنگی در مغز، مدار‌های تصمیم‌گیری در مغز انسان، با سرعت بیشتری به نتیجه‌گیری خواهند رسید. به‌طور شهودی، این مسئله چندان تعجب‌آور به نظر نمی‌آید؛ چرا که، مادامی که زمان بیشتر و شواهد بیشتری در اختیار گرفته شود، طبیعی است که افراد در ارائه راه‌حل تلاش بیشتری از خود نشان داده و راه‌حل‌های بهتری را ارائه دهند.
در این آزمایش، این مسئله نه تنها به صورت تجربی نشان داده می‌شود؛ بلکه اثبات می‌شود که بهره‌گیری از قوانین داینامیک و پویا، بروز تفاوت‌هایی در عملکرد مدل‌های شخصی‌سازی شده شبکه مغز را به همراه خواهد داشت. به همین سبب، شواهد تازه به دست رسیده از این آزمایش، ادعا‌های قدیمی و تصور رایج در مورد هوش انسان را به چالش می‌کشد.
در نهایت، با اتصال مدل‌هایی محلی متشکل از مدار‌های تاثیر‌گذار بر هوش ( یعنی: حافظه در حال کار کردن (Working Memory) و تصمیم‌گیری)، به مغز مجازی (The Virtual Brain) قابلیت شبیه‌سازی در کل سطح مغز، فراهم شد.
این شبیه‌سازی‌ها با استفاده از رویکرد “مدل‌سازی مغز در مقیاس چندگانه” به اجراء درآمدند. در این روش، داده‌های صوری مغز، به صورت خودکار با استفاده از پایپلاین‌هایی با فرم کانتینر، تحت پردازش قرار گرفتند. پردازش داده‌های بسیار حساس مغزی در یک محیط تحقیقاتی مجازی امن تحت عنوان EBRAINS Health Data Cloud صورت پذیرفت. قابلیت استفاده از این فناوری‌‌ها از طریق EBRAINS برای جامعه تحقیقاتی جهانی فراهم می‌باشد.
در نهایت، لازم به ذکر است که دستیابی به سرعت صحیح برای فکر کردن، هدف صورت‌گیری این تحقیق نبوده است. هدف اصلی این پژوهش، درک چگونگی تاثیر‌گذاری شبکه‌های بیولوژیکی بر نحوه تصمیم‌گیری و نقش این مسئله بر توسعه ابزار‌های الهام گرفته شده از زیست‌شناسی و کاربرد‌های روباتیکی می‌باشد. بنا‌بر این، مدل‌سازی از پویایی مغز در اخذ تصمیم‌گیری‌های هوشمند، به عنوان رویکردی امید‌وار‌کننده در راستای ساخت برنامه‌های کاربردی هوشمند به شمار می‌رود.
ریتر همچنین عنوان کرد:
ما بر این باور هستیم که مدل‌های واقع‌گرایانه‌تر نسبت به هوش مصنوعی کلاسیک، می‌توانند عملکرد بهتری از خود به نمایش بگذارند.
منبع: SciTechDaily
