تحقیق جانز هاپکینز مدل‌های هوش مصنوعی چند میلیارد دلاری را به چالش می‌کشد!

بر اساس تحقیقات جدید دانشگاه جانز هاپکینز، سیستم‌های هوش مصنوعی که با ساختارهای الهام‌گرفته از زیست‌شناسی ساخته شده‌اند، می‌توانند الگوهای فعالیتی مشابه آنچه در مغز انسان دیده می‌شود را حتی قبل از اینکه تحت هیچ آموزشی قرار گیرند، تولید کنند!

این مطالعه که در نشریه Nature Machine Intelligence منتشر شد، نشان می‌دهد که طراحی یک مدل هوش مصنوعی ممکن است از فرآیندهای گسترده یادگیری عمیق (Deep Learning) که اغلب ماه‌ها طول می‌کشند، نیازمند مصرف انرژی زیادی هستند و میلیاردها دلار هزینه دارند، مهم‌تر باشد.

میک بونر، استادیار علوم شناختی در دانشگاه جانز هاپکینز و نویسنده اصلی این مقاله، می‌گوید:

روند کنونی حوزه هوش مصنوعی این است که حجم زیادی داده را به مدل‌ها تزریق کنند و منابع محاسباتی به اندازه شهرهای کوچک بسازند. این کار مستلزم صرف صدها میلیارد دلار است. در حالی‌که انسان‌ها با استفاده از داده‌های بسیار کم، یاد می‌گیرند که ببینند.

وی افزود:

تکامل شاید به دلیلی منطقی به این طراحی رسیده باشد. کار ما نشان می‌دهد که طرح‌های معماری که بیشتر شبیه مغز هستند، سیستم‌های هوش مصنوعی را در یک نقطه شروع بسیار برتر قرار می‌دهند.

بونر و همکارانش سه دسته اصلی از طرح‌های شبکه که اغلب هدایت‌کننده ساخت سیستم‌های مدرن هوش مصنوعی هستند را بررسی کردند:

• ترنسفورمرها
• شبکه‌های کاملاً متصل (Fully Connected Networks)
• شبکه‌های کانولوشنال (Convolutional Networks).

آزمایش معماری‌های هوش مصنوعی در برابر فعالیت مغز

دانشمندان بارها و بارها این سه طرح اولیه یا همان معماری‌های هوش مصنوعی را تغییر دادند تا ده‌ها شبکه عصبی مصنوعی منحصربه‌فرد بسازند. سپس، این شبکه‌های هوش مصنوعی جدید و آموزش‌ندیده را در معرض تصاویر اشیا، افراد و حیوانات قرار دادند و پاسخ‌های مدل‌ها را با فعالیت مغزی انسان‌ها و نخستی‌هایی که در معرض همان تصاویر قرار گرفته بودند، مقایسه کردند.

هنگامی‌که ترنسفورمرها و شبکه‌های کاملاً متصل با افزودن نورون‌های مصنوعی بسیار بیشتری اصلاح شدند، تغییرات کمی از خود نشان دادند. با این حال، دستکاری معماری‌های شبکه‌های عصبی کانولوشنال به شیوه‌ای مشابه، به محققان اجازه داد تا الگوهای فعالیتی در هوش مصنوعی ایجاد کنند که الگوهای موجود در مغز انسان را بهتر شبیه‌سازی می‌کردند.

معماری مهم‌تر از حد انتظار است!

محققان گفتند که شبکه‌های عصبی کانولوشنال آموزش‌ندیده، با سیستم‌های هوش مصنوعی معمولی که عموماً در طول آموزش در معرض میلیون‌ها یا میلیاردها تصویر قرار می‌گیرند، رقابت کردند. این امر نشان می‌دهد که معماری نقشی مهم‌تر از آنچه محققان پیش از این تصور می‌کردند، ایفا می‌کند.

بونر گفت:

اگر آموزش روی داده‌های عظیم، واقعاً عامل تعیین‌کننده باشد، پس نباید راهی برای رسیدن به سیستم‌های هوش مصنوعی شبیه مغز تنها از طریق اصلاحات معماری وجود داشته باشد.

او نتیجه می‌گیرد:

این بدان معناست که با شروع کار از طرح اولیه صحیح و شاید ترکیب سایر بینش‌های الهام‌گرفته از زیست‌شناسی، می‌توانیم یادگیری در سیستم‌های هوش مصنوعی را به شکلی چشمگیر تسریع کنیم.

در مرحله بعد، محققان در حال کار بر روی توسعه الگوریتم‌های یادگیری ساده‌ای هستند که بر اساس مدل‌های زیست‌شناسی ساخته شده‌اند و می‌توانند چارچوب جدیدی برای یادگیری عمیق ارائه دهند.

منبع: Scitechdaily