گروهی از محققان اخیرا توانستهاند روشی برای اجرای یادگیری ماشین کشف کنند که برخی از جنبههای عملکردی اصلی مغز انسان را تقلید کند. الگوریتمهای بهدستآمده از تحقیقات جدید امکانپذیری بیولوژیکی هم دارند و بهاحتمال زیاد، زمینههای جدیدی به حوزهی هوش مصنوعی اضافه میکنند.
دیمیتری کروتوف، محقق IBM و جان جی. هاپفیلد، مخترع شبکهی عصبی مشارکتی، در تحقیقات دربارهی الگوریتم جدید همکاری کردند. آنها مجموعهای از الگوریتمها را توسعه دادند که شبیه به آموزشدادن به انسانها، ماشینها را آموزش میدهد. الگوریتم آنها به ماشین امکان میدهد در رویکردی بدون نظارت خاص آموزش ببیند. درواقع، روش آنها برخلاف راهکارهای موجود برچسبگذاری دیتاست است که امروزه، در اکثر فرایندهای یادگیری عمیق استفاده میشود.
بسیاری از تحقیقات پیشین در حوزهی هوش مصنوعی که در دهههای ۱۹۸۰ و ۱۹۹۰ انجام شد، روی درک نحوهی فعالیت شبکهی عصبی انسان متمرکز بود. بهعلاوه، تبدیل آن به زبانی درککردنی برای ماشینها نیز در دستورکار آن تحقیقات قرار داشت. ایدهی مهم آن سالها درک بهترین روش برای نشاندادن فعالیت عصبها با استفاده از ریاضیات بود. مرحلهی بعدی نیز با مقیاسدهی همان یافتهها برای استفاده در ماشینها انجام میشد. متأسفانه آن رویکرد بهخوبی ادامه پیدا نکرد و اکثر تحقیقات دربارهی هوش مصنوعی تا دههی ۲۰۰۰، تقریبا فراموش شده بود.
تحقیقات کروتوف و هاپفیلد بهنوعی از روشهای قدیمی توسعهی هوش مصنوعی استفاده میکند؛ اما قدمی جدید برای شبیهسازی مغزی شبکههای عصبی ارائه میدهد. کروتوف در مصاحبهای دربارهی تحقیقاتش گفت:
مدلهای مدرن یادگیری عمیق عموما روی روشهای آموزش «بازگشت به عقب» (Backpropagation) متمرکز میشوند. این روش آموزشی روی مغز انسان کاربرد ندارد؛ چون به دادههای غیرمحلی وابسته است. بهعنوان مثال، مغز ما میتواند تصاویر را بدون آموزش مرسوم پردازش کند. درواقع، میتوانیم مواردی که قبلا ندیدهایم، بهخوبی پردازش کنیم که با روش آموزش بازگشت به عقب برای ماشینها تفاوت دارد.
آموزش یادگیری شبیه انسان به ماشین، دشواریهای زیادی دارد. آن آموزش شبیه این است که خواندن را تنها با توضیحدادن حروف الفبا و بدون نشاندادن آنها به افراد یاد دهیم. درواقع ماشینها برخلاف ما، ارتباط حسی مستقیمی با جهان پیرامون ندارند. بههرحال بهنظر میرسد کروتوف و هاپفیلد مشکل مذکور را با ساختن الگوریتمی حل کرده باشند که نمونهای درککردنی از داده میسازد.
کروتوف دربارهی مدلسازی الگوریتمشان میگوید:
تحقیقات اخیر رویکردی در حوزهی هوش مصنوعی اجرا کردند که بهنوعی فراموش شده بود. درواقع، شاید یادگیریهای عمیق مدرن امروزه به حوزهی اصلی تحقیقات تبدیل شده باشند؛ اما الگوریتمهایی با امکانپذیری بیولوژیکی نیز به زمینههای اصلی تحقیقات بازگردند. البته، محققان بررسی اخیر میگویند کاربردیبودن روش آنها در هوش مصنوعی هنوز به بررسیهای عمیقتر نیاز دارد. کوروتوف میگوید مقالهی آنها تنها روی کاغذ نشان میدهد که با استفاده از روشی شبیه به ساختارهای بیولوژیکی، میتوان کاربرد مناسبی از هوش مصنوعی انتظار داشت. درواقع، مقالهی آنها بیش از این مرحله پیش نمیرود و مهر تأییدی بر کاربردیبودن خود نمیزند.
درنهایت، همین که محققان توانستند روشهایی برای اجرای یادگیری شبیه به عناصر بیولوژیکی کشف کنند، جای امیدواری دارد. شاید یافتههای آنها، آیندهی یادگیری عمیق و توسعهی هوش مصنوعی را نیز تغییر دهد.
نظرات