آیا ما واقعاً منطقی هستیم؟! هوش مصنوعی یک باور علمی دیرینه را به چالش می‌کشد!

دانشمندان مدت‌هاست که نحوه تصمیم‌گیری افراد و حیوانات را مطالعه کرده‌اند و اغلب به چگونگی شکل‌گیری رفتار توسط تجربیات اخیر و آزمون و خطا پرداخته‌اند. اما مدل‌های سنتی ممکن است جنبه‌های کلیدی نحوه تصمیم‌گیری را نادیده بگیرند، عمدتاً به این دلیل که فرض می‌کنند افراد همیشه سعی می‌کنند منطقی‌ترین یا سودمندترین گزینه را بر اساس نتایج گذشته انتخاب کنند.

در یک مطالعه جدید، محققان با استفاده از هوش مصنوعی رویکرد متفاوتی را برای بررسی تصمیم‌گیری به روشی واقع‌بینانه‌تر در پیش گرفتند. آنها شبکه‌های عصبی مصنوعی کوچکی را برای بررسی اینکه واقعاً چه چیزی بر انتخاب‌های یک فرد تأثیر می‌گذارد، چه آن تصمیمات مؤثر باشند و چه نباشند، ایجاد کردند.

مارسلو ماتار، استادیار دپارتمان روانشناسی دانشگاه نیویورک و یکی از نویسندگان این مقاله که در مجله Nature منتشر شده است، توضیح می‌دهد:

به جای اینکه فرض کنیم مغزها چگونه باید در بهینه‌سازی تصمیمات ما یاد بگیرند، ما یک رویکرد جایگزین برای کشف اینکه مغزهای افراد واقعاً چگونه یاد می‌گیرند تصمیم بگیرند، توسعه دادیم. این رویکرد مانند یک کارآگاه عمل کرده و نحوه تصمیم‌گیری حیوانات و انسان‌ها را کشف می‌کند. با استفاده از شبکه‌های عصبی کوچک – به اندازه کافی کوچک برای درک و در عین حال به اندازه کافی قدرتمند برای گرفتن رفتارهای پیچیده – ما استراتژی‌های تصمیم‌گیری را کشف کرده‌ایم که دانشمندان برای دهه‌ها از آن غافل بوده‌اند.

شبکه‌های عصبی کوچک، بینش‌های بزرگ

نویسندگان این مطالعه خاطرنشان می‌کنند که شبکه‌های عصبی کوچک – نسخه‌های ساده‌شده‌ای از شبکه‌های عصبی که معمولاً در برنامه‌های تجاری هوش مصنوعی استفاده می‌شوند – می‌توانند انتخاب‌های حیوانات را بسیار بهتر از مدل‌های شناختی کلاسیک، که رفتار بهینه را فرض می‌کنند، پیش‌بینی کنند، زیرا این شبکه‌ها توانایی روشن کردن الگوهای رفتاری غیربهینه را دارند. در کارهای آزمایشگاهی، این پیش‌بینی‌ها نیز به همان اندازه پیش‌بینی‌هایی که توسط شبکه‌های عصبی بزرگ‌تر، مانند آنهایی که برنامه‌های هوش مصنوعی تجاری را قدرت می‌بخشند، خوب هستند.

جی آن لی، دانشجوی دکترا در برنامه تحصیلات تکمیلی علوم اعصاب در دانشگاه کالیفرنیا، سن دیگو، می‌افزاید:

یکی از مزایای استفاده از شبکه‌های بسیار کوچک این است که به ما امکان می‌دهد از ابزارهای ریاضی برای تفسیر آسان دلایل یا مکانیسم‌های پشت انتخاب‌های یک فرد استفاده کنیم، که اگر از شبکه‌های عصبی بزرگ مانند آنهایی که در اکثر برنامه‌های هوش مصنوعی استفاده می‌شوند، استفاده می‌کردیم، دشوارتر بود.

مارکوس بنا، استادیار نوروبیولوژی در دانشکده علوم زیستی UC سن دیگو، می‌گوید:

شبکه‌های عصبی بزرگ مورد استفاده در هوش مصنوعی در پیش‌بینی چیزها بسیار خوب هستند. به عنوان مثال، آنها می‌توانند پیش‌بینی کنند که کدام فیلم را دوست دارید بعدی تماشا کنید. با این حال، توصیف مختصر اینکه این مدل‌های یادگیری ماشینی پیچیده برای انجام پیش‌بینی‌های خود از چه استراتژی‌هایی استفاده می‌کنند – مانند اینکه چرا فکر می‌کنند شما یک فیلم را بیشتر از دیگری دوست خواهید داشت – بسیار چالش‌برانگیز است. با آموزش ساده‌ترین نسخه‌های این مدل‌های هوش مصنوعی برای پیش‌بینی انتخاب‌های حیوانات و تجزیه و تحلیل دینامیک آنها با استفاده از روش‌های فیزیک، می‌توانیم با اصطلاحات قابل درک‌تر، به نحوه کارکرد داخلی آنها بپردازیم.

فراتر از آزمایشگاه: کاربردهای دنیای واقعی

درک چگونگی یادگیری حیوانات و انسان‌ها از تجربه برای تصمیم‌گیری نه تنها یک هدف اصلی در علوم است، بلکه به‌طور گسترده‌تر، در حوزه‌های تجارت، دولت و فناوری نیز مفید است. با این حال، مدل‌های موجود از این فرآیند، به دلیل هدف قرار دادن به تصویر کشیدن تصمیم‌گیری بهینه، اغلب در ثبت رفتار واقع‌گرایانه شکست می‌خورند.

به طور کلی، مدل توضیح داده شده در مطالعه جدید Nature با فرآیندهای تصمیم‌گیری انسان‌ها، نخستی‌سانان غیرانسان و موش‌های آزمایشگاهی مطابقت داشت. نکته قابل‌توجه این است که این مدل تصمیماتی را پیش‌بینی کرد که بهینه نبودند و در نتیجه، ماهیت «دنیای واقعی» تصمیم‌گیری را بهتر منعکس می‌کرد، برخلاف فرضیات مدل‌های سنتی که بر توضیح تصمیم‌گیری بهینه متمرکز هستند. علاوه بر این، مدل دانشمندان NYU و UC سن دیگو قادر به پیش‌بینی تصمیم‌گیری در سطح فردی بود و نشان داد که چگونه هر شرکت‌کننده استراتژی‌های مختلفی را برای رسیدن به تصمیمات خود به کار می‌برد.

ماتار نتیجه می‌گیرد:

همانطور که مطالعه تفاوت‌های فردی در ویژگی‌های فیزیکی پزشکی را متحول کرده است، درک تفاوت‌های فردی در استراتژی‌های تصمیم‌گیری می‌تواند رویکرد ما را به سلامت روان و عملکرد شناختی متحول کند.

منبع: Scitechdaily