مغز ما با این «ترفند» از هوش مصنوعی جلو می‌زند

تصور کنید یک جعبه‌ی لگو دارید. شما با این قطعات یک‌بار ماشین می‌سازید و بار دیگر هواپیما. نکته اینجاست که برای ساخت هواپیما، لازم نیست از قطعات جدید استفاده کنید؛ بلکه از همان قطعات قبلی ماشین استفاده می‌کنید، اما آن‌ها را به روشی جدید کنار هم می‌چینید.

حالا مطالعه‌ی جدیدی نشان می‌دهد که مغز ما دقیقا همین‌طور کار می‌کند. مغز برای یادگیری کارهای جدید، الگوهای عصبی جدید نمی‌سازد، بلکه از «قطعات» یا الگوهای قدیمی که قبلا یاد گرفته، در ترکیب‌های جدید استفاده می‌کند.

دوست دارید بدانید ما چطور همچنان از پیشرفته‌ترین کامپیوترها و پیچیده‌ترین مدل‌ها، باهوش‌تریم؟

انسان‌ها (و حیوانات هوشمند) می‌توانند خیلی سریع خودشان را با شرایط جدید وفق دهند. هوش مصنوعی معمولا در این زمینه مشکل دارد و اگر بخواهد کار جدیدی یاد بگیرد، ممکن است کارهای قبلی را فراموش کند یا نیاز به آموزش از صفر داشته باشد. دانشمندان می‌خواستند بدانند مغز چگونه اطلاعات کارهای قبلی را بدون تداخل، در کارهای جدید به کار می‌گیرد.

پژوهشگران برای فهمیدن این موضوع، سراغ نزدیک‌ترین خویشاوندان بیولوژیکی ما، یعنی میمون‌های رزوس (Rhesus macaques) رفتند. آن‌ها دو میمون را آموزش دادند تا یک بازی شامل سه نوع فعالیت مختلف اما مرتبط را انجام دهند:

بازی اول (شکل): میمون باید به شکل تصویر (مثلا خرگوش یا حرف T) نگاه می‌کرد و چشمش را به جهت خاصی (محور ۱) حرکت می‌داد.

بازی دوم (رنگ): میمون باید به رنگ تصویر (قرمز یا سبز) نگاه می‌کرد و چشمش را به جهت دیگری (محور ۲) حرکت می‌داد.

بازی سوم (ترکیبی): در این بازی، میمون باید به رنگ نگاه می‌کرد، اما واکنشش را در جهت بازی اول (محور ۱) انجام می‌داد.

به‌عبارت دیگر، بازی سوم، ترکیبی از «تشخیص رنگ» (از بازی دوم) و «حرکت چشم» (از بازی اول) بود. محققان هم‌زمان فعالیت الکتریکی مغز این میمون‌ها را در ۵ ناحیه‌ی مختلف ضبط کردند.

وقتی دانشمندان به فعالیت نورون‌های مغز میمون‌ها نگاه کردند، متوجه نکته‌ی شگفت‌انگیزی شدند:

مغز برای پردازش رنگ در بازی جدید، الگوی جدیدی نساخت. دقیقا از همان الگوی عصبی در بازی قبلی مربوط به رنگ استفاده کرد. برای حرکت دادن چشم هم دقیقا همان الگوی حرکتی بازی اول را به کار برد.

تیم بوشمن (Tim Buschman)، عصب‌شناس دانشگاه پرینستون، این پدیده را این‌گونه توضیح می‌دهد:

مدل‌های هوش مصنوعی پیشرفته می‌توانند در انجام وظایف تک‌بعدی به عملکردی در حد انسان یا حتی فراتر از آن برسند. اما پاشنه‌ی آشیل آن‌ها اینجاست که در یادگیری و اجرای چندین وظیفه متفاوت و پشت سر هم دچار مشکل می‌شوند.

او ادامه می‌دهد: «ما دریافتیم که مغز انعطاف‌پذیر است، زیرا می‌تواند اجزای شناخت را در بسیاری از وظایف مختلف مجددا استفاده کند. با به هم چسباندن این لگوهای شناختی، مغز قادر است وظایف جدیدی را بنا کند.»

این دقیقا همان نقطه‌ای است که هوش مصنوعی در آن لنگ می‌زند؛ مهارتی که برای ما بدیهی به نظر می‌رسد اما برای کامپیوترها یک کابوس محاسباتی است.

شاید بپرسید اگر مغز از همان الگوهای قدیمی استفاده می‌کند، چرا اطلاعات قاطی نمی‌شوند؟ مثلا چرا وقتی باید به شکل توجه کند، حواسش به رنگ پرت نمی‌شود؟

پژوهشگران دریافتند که مغز یک مکانیزم «فیلتر کردن» دارد. وقتی میمون متوجه می‌شد که الان باید بازی «رنگ» را انجام دهد، مغز مثل یک دکمه‌ی تنظیم صدا، صدای نورون‌های مربوط به رنگ را بلند می‌کرد و صدای نورون‌های مربوط به شکل را کم می‌کرد.

این کار باعث می‌شود مغز فقط اطلاعاتی را که برای کار فعلی لازم است، نگه دارد و بقیه را نادیده بگیرد. این فرآیند توسط ناحیه‌ای در جلوی مغز مدیریت می‌شود که وظیفه‌ی کنترل و تصمیم‌گیری را به‌عهده دارد.

نکته‌ی جالب‌تر در مورد مدیریت انرژی مغز است. محققان دریافتند که وقتی به بلوک‌های شناختی خاصی نیاز نیست، فعالیت در آن‌ها کاهش می‌یابد. انگار مغز لگوهایی را که فعلا لازم ندارد، در جعبه می‌گذارد تا فضای ذهنی را شلوغ نکنند و بتواند بهتر روی وظیفه فعلی تمرکز کند.

بوشمن این فرآیند را به برنامه‌نویسی تشبیه می‌کند:

من به یک بلوک شناختی مثل تابع در یک برنامه کامپیوتری فکر می‌کنم. یک مجموعه از نورون‌ها ممکن است وظیفه تشخیص رنگ را برعهده داشته باشند و خروجی آن‌ها می‌تواند به تابع دیگری که مسئول انجام یک حرکت است، متصل شود. این سازمان‌دهی به مغز اجازه می‌دهد تا با اجرای متوالی هر جزء، یک وظیفه پیچیده را انجام دهد.

هوش مصنوعی در شکل فعلی‌اش با مشکلی دست‌وپنجه نرم می‌کند که دانشمندان به آن «فراموشی فاجعه‌بار» (Catastrophic Forgetting) می‌گویند.

بیایید این مفهوم را با یک مثال ملموس بررسی کنیم:

تصور کنید شما در حال یادگیری رانندگی هستید. پس از مدتی مهارت کلاچ گرفتن و دنده عوض کردن را یاد می‌گیرید. حالا اگر بخواهید دوچرخه‌سواری یاد بگیرید، یادگیری دوچرخه‌سواری باعث نمی‌شود رانندگی را فراموش کنید. مغز شما از مهارت تعادل یا تخمین مسافت که قبلا داشته، استفاده می‌کند و مهارت جدید را می‌سازد.

این مطالعه نشان می‌دهد که چگونه انسان‌ها می‌توانند با چالش‌ها و وظایفی که قبلا ندیده‌اند سازگار شوند و از دانش موجود برای حل آن‌ها استفاده کنند؛ کاری که هوش مصنوعی هنوز در انجام آن ناتوان است.

هوش مصنوعی‌ امروزی هرچقدر هم قدرتمند و شگفت‌انگیز به نظر برسد، هنوز نمی‌تواند مثل مغز انسان عمل کند. طبق یافته‌های این مطالعه، دانشمندان برای ساخت نسل بعدی هوش مصنوعی، باید سه درس مهم از مغز یاد بگیرند:

۱. حل مشکل فراموشی (استفاده مجدد به جای پاک کردن)

هوش مصنوعی معمولا وقتی چیز جدیدی یاد می‌گیرد، اطلاعات قبلی را پاک می‌کند. اما مغز این‌طور نیست؛ مغز به جای تغییر کل سیستم، یاد گرفته است که چگونه اطلاعات قدیمی را با اطلاعات جدید ترکیب کند. هوش مصنوعی باید یاد بگیرد قطعات دانش قبلی را حفظ کند و فقط نحوه‌ی اتصال آن‌ها را تغییر دهد.

۲. یادگیری فوق‌سریع (استراتژی لگو)

انسان با دیدن یک نمونه یاد می‌گیرد، اما هوش مصنوعی هزاران مثال می‌خواهد. ترفند مغز، «ترکیب کردن» است. مغز مفاهیم را جداگانه یاد می‌گیرد و بعد مثل قطعات لگو آن‌ها را کنار هم می‌چیند. هوش مصنوعی نباید مفاهیم را طوطی‌وار حفظ کند، بلکه باید آن‌ها را جدا یاد بگیرد تا بتواند در شرایط جدید فورا آن‌ها را با هم ترکیب کند.

۳. هنر تمرکز (نادیده گرفتن اطلاعات اضافی)

هوش مصنوعی سعی می‌کند همه‌چیز را هم‌زمان پردازش کند که باعث گیج‌شدن سیستم می‌شود. مغز اما اطلاعات غیرضروری را «فیلتر» می‌کند؛ مثلا وقتی به رنگ دقت می‌کند، شکل را نادیده می‌گیرد. هوش مصنوعی باید یاد بگیرد چه چیزی را نادیده بگیرد تا انرژی‌اش هدر نرود و یادگیری دقیق‌تر شود.

به‌گفته‌ی پژوهشگران، برای رسیدن به هوش انسان‌گونه (AGI)، هوش مصنوعی نباید یک توده‌ی یکپارچه باشد؛ بلکه باید ساختاری ماژولار مثل لگو داشته باشد. قطعاتی که ثابت هستند، اما می‌توانند هزاران بار به شکل‌های مختلف به هم وصل شوند تا کارهای جدید انجام دهند.