تحقیقات جدید، دیدگاههای سنتی درباره نحوه تصمیمگیری مغز را به چالش کشیده و نشان میدهند که حتی ابتداییترین نواحی مغز نیز نقشی بسیار فعالتر و پویاتر از آنچه پیشتر تصور میشد، ایفا میکنند.
این پژوهش که در دانشکده مهندسی گرینجر در دانشگاه ایلینوی انجام شده، بیانگر این است که درک نحوه تصمیمگیری مغز میتواند بر طراحی آینده هوش مصنوعی تأثیر بگذارد. این مطالعه که به سرپرستی پروفسور «یوری ولاسوف»، استاد مهندسی برق و کامپیوتر انجام و در نشریه PNAS منتشر شده، نشان میدهد که نواحی اولیه مغز در فرآیند تصمیمگیری نقش دارند؛ موضوعی که ایدههای قدیمی درباره سازماندهی مغز را به چالش میکشد.
مغز انسان اغلب به عنوان پیچیدهترین ساختار در جهان هستی توصیف میشود. سازوکار درونی آن چنان دشوار است که «مهندسی معکوس مغز» در سال ۲۰۰۸ به عنوان یکی از ۱۴ چالش بزرگ آکادمی ملی مهندسی معرفی شد.
سالهاست دانشمندان سیستمهای هوش مصنوعی (مانند شبکههای عصبی کانولوشن) را بر پایه این فرض ساختهاند که تصمیمات از طریق یک جریان اطلاعاتی مرحلهبهمرحله اتخاذ میشوند؛ یعنی از نواحی حسی اولیه شروع شده و در قشر پیشپیشانی (فرونتال) به پایان میرسند. با این حال، محققانی مانند ولاسوف اکنون در حال بازنگری در این فرض هستند.
فراتر از مدلهای سلسلهمراتبی هوش
راه دیگر برای درک مغز، تمرکز بر «هوش طبیعی» است که به جای طراحی توسط انسان، توسط تکامل شکل گرفته است. در این چارچوب، تصمیمگیری در یک توالی ساده رخ نمیدهد؛ بلکه شامل حلقههای بازخورد (Feedback Loops) به هم پیوستهای است که سیگنالها را در هر دو جهت بین نواحی مختلف مغز ارسال میکنند.
هوش طبیعی همچنین به دلیل بهرهوری بالای خود متمایز است؛ چراکه میتواند محاسبات پیچیده را با مصرف انرژی بسیار کمتری نسبت به سیستمهای فعلی هوش مصنوعی انجام دهد. ولاسوف و تیمش برای درک بهتر این فرآیند، مغز را از دیدگاه «سطح سیستم» مطالعه کردند و به جای بررسی مجزای بخشها، نحوه تعامل آنها با یکدیگر را مورد تحلیل قرار دادند.
ولاسوف میگوید:
ما میخواهیم از یک میلیارد سال تکامل بیاموزیم. هوش بیولوژیکی از نظر معماری چگونه سازماندهی شده است؟ آیا میتوانیم از ساختار مغز الگوبرداری کنیم تا هوش مصنوعی را کارآمدتر، کممصرفتر و هوشمندتر از نسخه فعلی بسازیم؟ هوش مصنوعی امروزی دقیقاً در سطح تصمیمگیری دچار ضعف است.
نواحی اولیه مغز و سیگنالهای تصمیمگیری
محققان برای مقابله با پیچیدگی مغز، بر اولین مراحل پردازش که مسئول احساس و ادراک هستند، تمرکز کردند. آنها فعالیت عصبی موشها را هنگام حرکت در یک راهروی واقعیت مجازی و تصمیمگیری بر اساس ادراکاتشان ثبت کردند.
نتایج غیرمنتظره بود؛ سیگنالهای مرتبط با تصمیمگیری در «قشر حسی-پیکری اولیه» (S1) ظاهر شدند؛ ناحیهای که به طور سنتی فقط با پردازش حسی پایه مرتبط دانسته میشد. این نشان میدهد که فعالیتهای مربوط به تصمیمگیری، خیلی زودتر از آنچه تصور میشد در مغز آغاز میشود.
تحلیلهای بیشتر نشان داد که ناحیه S1 از طریق حلقههای بازخورد، تحت تأثیر نواحی سطح بالای مغز قرار میگیرد. این تنظیم «بالا به پایین» (Top-down) نشان میدهد که تصمیمگیری تنها توسط سیگنالدهی یکطرفه و رو به جلو هدایت نمیشود، بلکه شامل تعاملات مداوم در چندین سطح مغز است.
ولاسوف میگوید:
کد عصبی مغز هنوز تا حد زیادی یک زبان ناشناخته است. اما این درک در سطح سیستم میتواند تأثیری بالقوه بر چگونگی ساخت شبکههای عصبی مصنوعی کارآمدتر و تفکر درباره نسل بعدی هوش مصنوعی داشته باشد. شاید با این شباهتهایی که از مغز واقعی میآموزیم، بتوانیم هوش مصنوعی را بیش از پیش بهبود بخشیم.
پیامدها برای معماری آینده هوش مصنوعی
این یافتهها یک نقشه راه مستقیم برای ساخت هوش مصنوعی بهتر ارائه نمیدهند، اما راه جدیدی برای تفکر درباره آن پیش روی ما میگذارند. با مطالعه نحوه سازماندهی و پردازش اطلاعات در مغز، محققان میتوانند اصولی را شناسایی کنند که باعث ارتقای سیستمهای هوش مصنوعی میشود.
ولاسوف و تیمش قصد دارند به بررسی تغییرات فعالیت مغز در طول زمان، با تمرکز بر «دینامیک زمانی سریع» ادامه دهند. آنها همچنین در حال توسعه ابزارهای جدیدی برای اندازهگیری و تحلیل دقیقتر سیگنالهای عصبی هستند.
ولاسوف در پایان اشاره کرد:
با نگاه به دینامیک زمانی سریعِ فعالیتهای عصبی، شاید بهتر درک کنیم که این حلقههای بازخورد چگونه در تصمیمگیری درگیر میشوند. شاید این رویکرد بتواند مکانیسمهای ناشناخته فعلی را فاش کند؛ اینکه این حلقهها چگونه به صورت پویا سازماندهی میشوند و چگونه سطوح مختلف پردازش را شکل میدهند. در نهایت، شاید بتوان اینها را در معماریهای جدید هوش مصنوعی پیادهسازی کرد.
منبع: Scitechdaily
