مغز­های مصنوعی به دانشمندان کمک می­ کنند تا موضوعات واقعی را مطالعه کنند!/ هیچ مدلی کامل نیست، اما این مفیدبودن هوش مصنوعی را رد نمی کند

 اقتصاد آنلاین - سینا عباسیان؛ پیشرفت چشمگیر هوش مصنوعی در دهه گذشته بیشتر به پیشرفت در یادگیری ماشین مربوط می‌شود، به طوری که رایانه ­ها به جای اینکه مستقیماً توسط انسان برنامه‌ریزی شوند، وظایف پیچیده­ای را با خرد کردن مقادیر زیادی داده به خود آموزش می­دهند. این رویکرد باعث پیشرفت سریع در چشم­انداز کامپیوتر، ترجمه زبان و اخیراً مهارت‌های مکالمه انسان‌مانند ربات‌های گفتگو نظیر  ۴-  GPTشده است.

یادگیری توسط مدل‌های نرم افزاری به نام «شبکه های عصبی مصنوعی» (ANN) انجام می­شود. توصیف استاندارد یک ANN این است که از شبکه های عصبی در مغز انسان الهام گرفته شده است. درست است که این توصیف را با یک سلب مسئولیت فوری دنبال کنیم، که در آن هم دانشمندان کامپیوتر و هم دانشمندان علوم اعصاب با عصبانیت وارد می­شوند تا به این نکته اشاره کنند که این قیاس بسیار خشن است که ANNها صرفاً کاریکاتور­هایی از مغزهای واقعی هستند (حتی اگر چنین باشد) و اینکه آن­ها نمی­توانند برای پیچیدگی اندام بیولوژیکی را به تصویر بکشانند.

همه این­ها درست است، اما برخی از دانشمندان علوم اعصاب به دنبال این هستند که دریابند حتی کاریکاتور­ها نیز می­توانند مفید باشند. عملکرد درونی بهترین شبکه‌های عصبی مصنوعی - «آنهایی که به تطابق با عملکرد انسان در کارهایی مانند شناسایی اشیا یا پاسخ به درخواست‌های متنی نزدیک‌تر هستند» - به نظر می‌رسد شباهت‌های قابل‌توجهی با عملکرد مغز دارند. به عبارت دیگر، با الهام گرفتن از زیست شناسی، برنامه نویسان اکنون با خلاقیت های خود به دانشمندان علوم اعصاب چیزهای مفیدی در مورد مغزهای بیولوژیکی می­گویند.

مطالعه اصلی در مورد مقایسه مغز و ANN در مجموعه مقالات آکادمی ملی علوم در سال ۲۰۱۴ منتشر شد. دانیل یامینز، عصب‌شناس در موسسه فناوری ماساچوست (MIT) و همکارانش یک ANN را آموزش دادند تا اهداف را از عکس­ها انتخاب کند – برای مثال، یک گربه. محققان آنچه در داخل شبکه الکترونیکی می‌گذرد را با آنچه در داخل مغز میمون‌های ماکاک (نوعی میمون دنیای قدیم) اتفاق می‌افتد، مقایسه کردند که همان وظیفه را بر عهده داشتند و مغزشان با الکترود سیم‌کشی شده بود.

ANNها از تعداد زیادی نورون مصنوعی ساخته شده­اند که درست مانند همتایان طبیعی خود می‌توانند روشن یا خاموش، فعال یا بی‌صدا باشند. این نورون­ها در شبکه­های لایه­ای و به هم پیوسته به هم مرتبط هستند. فعالیت در لایه‌های پایین‌تر می‌تواند بر نحوه فعال شدن نورون‌ها در لایه‌های بالاتر تأثیر بگذارد.

داخل جعبه سیاه

آزمایش دکتر یامینز شامل تشخیص تصویر است که در مغزهای طبیعی به صورت سلسله مراتبی پیش می­رود. یک لایه از نورون ها ویژگی­های ساده ای مانند تکه­های روشن یا تاریک را تشخیص می­دهد. یک لایه بالاتر آن­ها را در لبه ها سازماندهی می­کند. یک لایه هنوز بالاتر لبه ها را به اشکال ترکیب می کند. این روند افزایش انتزاع ادامه می یابد تا اینکه در نهایت مغز تصمیم می گیرد که به گربه نگاه می کند، سگ یا موز.

تصاویری که دارای برخی ویژگی‌ها هستند، خوشه‌های مشابهی از نورون‌ها را  فعال می­کنند. اگر هنگام نگاه کردن به گربه، مجموعه خاصی از نورون‌ها فعال شود، مجموعه دیگری که تا حدی روی هم قرار گرفته‌اند احتمالاً در پاسخ به تصویر یک سگ فعال می‌شوند. تصور می‌شود که نورون‌هایی که به هر دو تصویر پاسخ می‌دهند، نمایانگر ویژگی‌هایی هستند – به عنوان مثال خز، چهار پا و یک دم - که در هر دو تصویر وجود دارد.

زمانی که دکتر یامینز و همکارانش آنچه را که در مغز ماکاک می‌گذرد با مغزهای سیلیکونی مقایسه کردند، به شباهت‌هایی بین نحوه نمایش تصاویر توسط میمون‌ها و  نحوه عملکرد رایانه‌ها پی بردند. نانسی کانویشر، استاد دیگری در MIT که بیشتر دوران حرفه‌ای خود را صرف مطالعه سیستم بینایی انسان کرده و اکنون از شبکه‌های عصبی مصنوعی در برخی از تحقیقات خود استفاده می‌کند، می‌گوید: «این مقاله باعث تغییر جریان بازی شد.» «شبکه [مصنوعی] به هیچ وجه برای تناسب با مغز طراحی نشده است. این فقط برای حل مشکل طراحی شده است و با این حال ما این تناسب باورنکردنی را می­بینیم.»

از آن زمان، هر زمان که یک مدل ANN نزدیک به عملکرد انسان در یک کار باشد، دانشمندان علوم اعصاب مشتاق مقایسه آن با مغزهای طبیعی بوده­اند. آنها شباهت­هایی را بین ANNهای آموزش دیده برای تشخیص گفتار و پردازش زبان، مانند آنچه در نرم‌افزار رونویسی استفاده می­شود و قشر شنوایی انسان یافته­اند.

این الگو برای زبان نوشتاری نیز صادق است. مقاله ای که در سال ۲۰۲۱ منتشر شد، فعالیت مغز انسان را با بسیاری از مدل‌های مختلف زبان تجاری مقایسه کرد. این نشان داد که پیچیده‌ترین ANN - در  زمان ۲ OpenAI GPT - نزدیک‌ترین انطباق با فعالیت مغز انسان بود. هر چه مدل‌ها در حل تکالیف خاص بهتر عمل کنند، به نظر می‌رسد آن­ها بیشتر شبیه به مغز انسان همین کار را انجام می­دهند.

یکی دیگر از نشانه‌های مفید بودن قیاس بین شبکه‌های عصبی مصنوعی و شبکه‌های طبیعی این است که مطالعه شبکه‌های عصبی می‌تواند پیش‌بینی‌های قابل آزمایشی در مورد دومی انجام دهد. مقاله ای که در سال ۲۰۲۲ توسط محققان دانشگاه کلمبیا و MIT منتشر شد، نشان داد که یک ANN آموزش دیده در زمینه تشخیص تصویر، گروهی از نورون های مصنوعی را تولید می­کند که به طور خاص به طبقه­بندی مواد غذایی اختصاص داده شده­اند. زمانی که مقاله منتشر شد، تا آنجا هیچ­کسی نمی­دانست، هیچ ناحیه مشابهی از سیستم بینایی انسان وجود ندارد. اما سال بعد، محققان همان آزمایشگاه اعلام کردند که منطقه‌ای از مغز انسان را کشف کرده‌اند که در واقع حاوی نورون‌هایی است که وقتی عکس‌هایی از غذا به فرد نشان داده می‌شود، فعال می‌­شوند.

شاید قوی‌ترین شواهد برای این ادعا که مغزهای مصنوعی می‌توانند چیزهای مفیدی را در مورد مغزهای بیولوژیکی آشکار کنند، توانایی آشکار نرم‌افزار و دستگاه عصبی انسان برای تعامل مستقیم با یکدیگر است. نیکلاس سکستون و بردلی لاو، دو عصب شناس دانشگاه کالج لندن، نسبت به شباهت فرضی بین شبکه های عصبی طبیعی و مصنوعی نسبتاً بدبین بودند. آنها استدلال کردند که صرفاً دیدن الگوهای مشابه فعالیت برای ادعای اینکه شبکه های عصبی مصنوعی و مغزها مشکلات را به یک شکل حل می­کنند کافی نیست. برای اثبات معنی دار بودن این مکاتبات، آنها پیشنهاد کردند که بررسی شود که آیا می توان فعالیت مغز را به یک ANN انتقال داد یا خیر.

در سال ۲۰۲۲ آنها مقاله ای را در Science Advances منتشر کردند که این کار را انجام داد. محققان یک ANN آموزش دیده برای تشخیص داده های تصاویر ثبت شده توسط یک اسکنر MRI که مغز انسان را بررسی می کند، فراهم کردند. ایده این بود که به ANN اجازه دهیم تا از طریق چشمان انسان ببیند. مطمئناً، ANN با سیم داغ می‌توانست داده‌ها را از هر یک از لایه‌های سلسله مراتبی سیستم بینایی بیولوژیکی تفسیر کند - اگرچه بهترین کار را با داده‌های سطوح بالاتر، که قبلاً تا حدی توسط مغز مورد نظر پردازش شده بود، انجام داد. اگر به مدل کامپیوتری، فعالیت مغزی از یک انسان نشان داده شود که برای مثال به تصویر یک سگ تازی نگاه می‌کند، تقریباً ۷۰ درصد مواقع خواهد گفت که به یک سگ تازی نگاه می‌کند - بر خلاف یک شی دیگر.

این واقعیت که یک مغز سیلیکونی می‌تواند با خوشحالی داده‌های نیمه جویده شده از یک مغز بیولوژیکی را بپذیرد، نشان می‌دهد که در برخی سطوح، این دو سیستم یک نوع کار شناختی را انجام می‌دهند. این بینش ممکن است برای رابط‌های مغز و رایانه مفید باشد، زیرا دستگاه‌هایی هستند که به مغزهای بیولوژیکی اجازه می‌دهند مستقیماً با ماشین‌ها صحبت کنند. به عنوان مثال، یک ANN متصل به دوربین، ممکن است برای فراهم کردن اطلاعات بصری پردازش شده به مغز استفاده شود. این ممکن است به درمان برخی از اشکال نابینایی ناشی از آسیب به سیستم بینایی مغز کمک کند. چندین گروه تحقیقاتی مختلف در اروپا و آمریکا در حال آزمایش این ایده روی ماکاک­ها هستند.

مدل­های ذهن

حتی آنهایی که مشتاق‌ترین شبکه‌های عصبی مصنوعی هستند، استدلال نمی‌کنند که این شبکه­ها آنالوگ‌های کامل مغز انسان هستند. برخی مرتکب اشتباهاتی می‌شوند که انسان‌ها هرگز مرتکب آن نمی‌شوند - برای مثال، تصویری از یک گربه اما با پوست یک فیل به یک شبکه عصبی مصنوعی می‌دهند، و مدل به احتمال زیاد آن را به عنوان یک فیل تشخیص می‌دهد. اما هیچ مدل علمی هرگز کامل نیست. سوال این است که آیا مفید است؟ یکی از مشکلات علوم اعصاب این است که اجرای آزمایش ها به دلایل اخلاقی و عملی دشوار است. استفاده از شبکه­های عصبی مصنوعی می­تواند جایگزین مفیدی باشد.

در هر صورت، مقایسه بیولوژی و سیلیکون همچنان نتایج جالبی به همراه دارد. در مقاله‌ای که در ماه می منتشر شد، محققان دانشگاه تگزاس در شهر آستین از یک شبکه عصبی برای نظارت بر سیگنال های مغزی شرکت کنندگان در یک اسکنر MRI استفاده کردند. ANN فقط با استفاده از داده‌های MRI می‌توانست خلاصه‌ای از داستانی را که هدف مورد مطالعه آزمایش در حال گوش کردن به آن بود، توصیف فیلمی که در حال تماشای آن بود، یا خلاصه جمله‌ای که تصور می‌کرد تولید کند. دکتر لاو می‌گوید: «وقتی در مقطع کارشناسی ارشد تحصیل می‌کردم، رویای چنین چیزی را می‌دیدم. فکر می‌کردم صدها سال طول می‌کشد تا چیزی داشته باشیم که به این خوبی کار کند.»