مغز شما یک میان‌بر یادگیری دارد که هوش مصنوعی نمی‌تواند کپی کند!

هوش مصنوعی اکنون می‌تواند مقالات تحسین‌شده تولید کرده و با دقتی چشمگیر از تشخیص‌های پزشکی پشتیبانی کند، با این حال، مغزهای زیستی همچنان در یک حوزه ضروری، یعنی انعطاف‌پذیری، از ماشین‌ها بهتر عمل می‌کنند. انسان‌ها می‌توانند اطلاعات جدید را جذب کنند و با کمترین تلاش با موقعیت‌های ناآشنا سازگار شوند. مردم می‌توانند به سرعت کار با نرم‌افزارهای جدید را شروع کنند، دستوری را که قبلاً امتحان نکرده‌اند دنبال کنند، یا قوانین بازی‌ای را که به‌تازگی کشف کرده‌اند یاد بگیرند، در حالی‌که سیستم‌های هوش مصنوعی اغلب برای تطبیق در زمان واقعی و یادگیری مؤثر «در لحظه» با مشکل مواجه می‌شوند.

یک مطالعه جدید از متخصصان علوم اعصاب پرینستون بینشی در مورد اینکه چرا مغز در این نوع انطباق سریع برتری دارد، ارائه می‌دهد. محققان دریافتند که مغز هنگام انجام انواع مختلفی از وظایف، مکرراً از همان «بلوک‌های» شناختی استفاده کرده و با ترکیب مجدد این بلوک‌ها به روش‌های جدید، مغز می‌تواند به سرعت رفتارهای تازه‌ای را تولید کند.

دکتر تیم بوشمن، نویسنده ارشد این مطالعه و مدیر دانشیار مؤسسه علوم اعصاب پرینستون، می‌گوید:

مدل‌های پیشرفته هوش مصنوعی می‌توانند عملکرد انسانی یا حتی فوق‌انسانی در وظایف انفرادی داشته باشند. اما آنها برای یادگیری و انجام بسیاری از وظایف مختلف دچار مشکل می‌شوند. این را  ما دریافتیم که مغز انعطاف‌پذیر است، زیرا می‌تواند اجزای شناختی را در بسیاری از وظایف مختلف مجدداً استفاده کند. مغز با چفت و بست کردن این ‘لگوهای شناختی’، قادر به ساخت وظایف جدید است.

این تحقیق در تاریخ ۲۶ نوامبر در مجله Nature منتشر شده است.

ترکیب‌پذیری: ساخت مهارت‌های جدید از مهارت‌های آشنا

افراد اغلب با تکیه بر توانایی‌های مرتبطی که قبلاً دارند، چیز جدیدی یاد می‌گیرند. به عنوان مثال، فردی که می‌داند چگونه از دوچرخه نگهداری کند، ممکن است تعمیر موتورسیکلت را راحت‌تر یاد بگیرد. دانشمندان به این فرایند سرهم‌بندی مهارت‌های جدید از مهارت‌های ساده‌تر و موجود، ترکیب‌پذیری (Compositionality) می‌گویند.

دکتر سینا تفاضلی، محقق فوق دکتری در آزمایشگاه بوشمن در پرینستون و نویسنده اصلی مطالعه جدید، می‌گوید:

اگر قبلاً طرز پخت نان را می‌دانید، می‌توانید از این توانایی برای پخت کیک استفاده کنید، بدون اینکه پختن را از صفر دوباره یاد بگیرید. شما مهارت‌های موجود—استفاده از فر، اندازه‌گیری مواد، ورز دادن خمیر—را بازسازی می‌کنید و آنها را با مهارت‌های جدید، مانند هم زدن مایه و درست کردن خامه، ترکیب می‌کنید تا چیزی کاملاً متفاوت خلق کنید.

اگرچه ترکیب‌پذیری برای انعطاف‌پذیری انسان حیاتی در نظر گرفته می‌شود، اما شواهد در مورد اینکه مغز چگونه آن را انجام می‌دهد، محدود و گاهی متناقض بوده است.

برای بررسی دقیق‌تر این ایده، تفاضلی دو میمون ماکاک نر را برای تکمیل سه وظیفه مرتبط آموزش داد و همزمان فعالیت مغز آنها را ثبت کرد.

چگونه میمون‌ها به آشکار شدن استراتژی یادگیری مغز کمک کردند؟

به جای وظایف دنیای واقعی مانند تعمیر وسایل نقلیه یا پخت و پز، میمون‌ها چالش‌های دسته‌بندی بصری را انجام دادند. به آنها لکه‌های بادکنک‌مانند رنگارنگ روی صفحه نمایش داده شد و از آنها خواسته شد تصمیم بگیرند که آیا هر لکه بیشتر شبیه یک خرگوش یا حرف “T” است (دسته‌بندی شکل) یا اینکه بیشتر قرمز یا بیشتر سبز به نظر می‌رسد (دسته‌بندی رنگ).

سطح دشواری در هر آزمون به‌طور قابل‌توجهی متفاوت بود. برخی تصاویر به شدت شبیه خرگوش بودند یا به وضوح قرمز رنگ بودند، در حالی‌که برخی دیگر مبهم بودند و به قضاوت بسیار دقیق‌تری نیاز داشتند.

برای اعلام تصمیم، هر میمون نگاه خود را در یکی از چهار جهت جابجا می‌کرد. در یک وظیفه، نگاه به چپ نشان‌دهنده «خرگوش» و نگاه به راست نشان‌دهنده «T» بود.

یک جنبه کلیدی در طراحی تجربی این بود که هر وظیفه قوانین خاص خود را داشت، اما همچنین مؤلفه‌های مشترکی با وظایف دیگر داشت. یکی از وظایف رنگ و وظیفه شکل از حیوانات می‌خواستند که برای ثبت پاسخ‌هایشان به جهات یکسانی نگاه کنند، در حالی‌که هر دو وظیفه رنگ شامل دسته‌بندی رنگ به روش یکسان بودند (بیشتر قرمز یا بیشتر سبز)، حتی اگر جهت‌های نگاه مورد نیاز برای گزارش این قضاوت‌های رنگی متفاوت بود.

این ساختار به محققان اجازه داد تا تعیین کنند که آیا مغز هرگاه وظایف شامل عناصر همپوشان باشند، به الگوهای فعالیت عصبی یکسان یا همان بلوک‌های ساختمانی شناختی تکیه می‌کند یا خیر.

قشر پیش‌پیشانی (Prefrontal Cortex) میزبان بلوک‌های شناختی قابل استفاده مجدد است!

هنگامی که تفاضلی و بوشمن فعالیت مغز را بررسی کردند، دریافتند که قشر پیش‌پیشانی (بخشی که درگیر تفکر سطح بالا است)، شامل الگوهای مکرر متعددی از فعالیت عصبی است. این الگوها در وظایف مختلف هر زمان که نورون‌ها در جهت یک هدف مشترک کار می‌کردند، مانند تشخیص رنگ‌ها، پدیدار می‌شدند.

بوشمن از این الگوهای مشترک به عنوان «لگوهای شناختی» مغز یاد کرد؛ مجموعه‌ای از بلوک‌های ساختمانی که می‌توانند به روش‌های مختلفی برای تولید رفتارهای جدید سرهم‌بندی شوند.

او گفت:

من بلوک شناختی را مانند یک تابع در یک برنامه کامپیوتری می‌بینم. مجموعه‌ای از نورون‌ها ممکن است رنگ را تشخیص دهند و خروجی آن را می‌توان روی یک تابع دیگر که یک عمل را هدایت می‌کند، نقشه‌برداری کرد. این سازمان به مغز اجازه می‌دهد تا یک وظیفه را با انجام متوالی هر جزء از آن وظیفه انجام دهد.

به عنوان مثال، در یکی از وظایف رنگ، مغز یک بلوک که رنگ را ارزیابی می‌کرد با بلوک دیگری که حرکات چشم را در جهات مختلف هدایت می‌کرد، ترکیب کرد. هنگامی‌که میمون‌ها از ارزیابی رنگ‌ها به شناسایی اشکال تغییر وضعیت دادند، در حالی که همچنان از حرکاتی مشابه استفاده می‌کردند، مغز به‎سادگی بلوک پردازش شکل را به همراه همان بلوک حرکت چشم فعال کرد.

این الگوی اشتراک‌گذاری در قشر پیش‌پیشانی قوی‌ترین بود و در سایر نواحی مغز بسیار کمتر ظاهر شد، که نشان می‌دهد ترکیب‌پذیری ممکن است یک عملکرد تخصصی قشر پیش‌پیشانی باشد.

ساکت کردن بلوک‌های غیرضروری به مغز کمک می‌کند متمرکز بماند!

تفاضلی و بوشمن همچنین کشف کردند که قشر پیش‌پیشانی فعالیت برخی از بلوک‌های شناختی را هنگامی که مورد نیاز نیستند، کاهش می‌دهد. این امر احتمالاً به مغز کمک می‌کند تا به‌طور مؤثرتری روی هر وظیفه‌ای که مرتبط‌تر است، تمرکز کند.

تفاضلی می‌گوید:

مغز ظرفیت محدودی برای کنترل شناختی دارد. شما باید برخی از توانایی‌های خود را فشرده کنید تا بتوانید روی آنهایی که در حال حاضر مهم هستند، تمرکز کنید. به عنوان مثال، تمرکز بر دسته‌بندی شکل به طور موقت توانایی کدگذاری رنگ را کاهش می‌دهد، زیرا هدف، تمایز شکل است، نه رنگ.

فعال‌سازی و سرکوب انتخابی بلوک‌های شناختی ممکن است به مغز اجازه دهد از اضافه‌بار جلوگیری کند و با هدف فوری هماهنگ بماند.

لگوهای شناختی چه معنایی برای هوش مصنوعی و سلامت انسان دارند؟

این لگوهای شناختی می‌توانند توضیح دهند که چرا انسان‌ها می‌توانند وظایف جدید را اینقدر سریع یاد بگیرند. مغز به جای ایجاد هر رفتار از پایه، از اجزای موجود استفاده مجدد می‌کند و از کار تکراری اجتناب می‌ورزد، چیزی که سیستم‌های هوش مصنوعی فعلی عموماً فاقد آن هستند.

تفاضلی می‌گوید:

یک مشکل عمده در یادگیری ماشینی، تداخل فاجعه‌بار است. وقتی یک ماشین یا یک شبکه عصبی چیز جدیدی یاد می‌گیرد، خاطرات قبلی را فراموش کرده و روی آنها می‌نویسد. اگر یک شبکه عصبی مصنوعی طرز پخت کیک را بداند، اما سپس یاد بگیرد که کوکی بپزد، پخت کیک را فراموش خواهد کرد.

ادغام ترکیب‌پذیری در هوش مصنوعی ممکن است به ایجاد سیستم‌هایی کمک کند که قادر به افزودن مهارت‌های جدید در عین حفظ مهارت‌های قدیمی باشند.

این درک همچنین ممکن است بینش‌هایی برای درمان اختلالات عصبی و روانپزشکی ارائه دهد. شرایطی مانند اسکیزوفرنی، اختلال وسواس فکری-عملی، و انواع خاصی از آسیب‌های مغزی می‌توانند استفاده از مهارت‌های آشنا را در زمینه‌های جدید برای افراد دشوار کنند. این چالش‌ها ممکن است ناشی از اختلالاتی در توانایی مغز برای ترکیب و استفاده مجدد از بلوک‌های ساختمانی شناختی آن باشد.

تفاضلی افزود:

تصور کنید بتوانید به مردم کمک کنید تا توانایی تغییر استراتژی‌ها، یادگیری روال‌های جدید یا سازگاری با تغییرات را دوباره به دست آورند. در درازمدت، درک اینکه مغز چگونه دانش را مجدداً استفاده و ترکیب می‌کند، می‌تواند به ما کمک کند تا درمان‌هایی طراحی کنیم که آن فرایند را بازیابی کند.

منبع: Scitechdaily