هوش مصنوعی امروزی میتواند دادهها را بخواند، صحبت کند و تجزیه و تحلیل کند، اما همچنان محدودیتهای حیاتی دارد. محققان NeuroAI یک مدل هوش مصنوعی جدید با الهام از کارایی مغز انسان طراحی کردند.
این مدل به نورونهای هوش مصنوعی اجازه میدهد تا بازخورد دریافت کنند و در زمان واقعی تنظیم شوند و فرآیندهای یادگیری و حافظه را افزایش دهند. این نوآوری میتواند منجر به نسل جدیدی از هوش مصنوعی کارآمدتر و در دسترستر شود و هوش مصنوعی و علوم اعصاب را به هم نزدیکتر کند.
- با الهام از مغز: مدل جدید هوش مصنوعی مبتنی بر نحوه پردازش و تنظیم موثر دادهها توسط مغز انسان است.
- تنظیم زمان واقعی: نورونهای هوش مصنوعی میتوانند بازخورد دریافت کرده و در حین پرواز تنظیم شوند و کارایی را بهبود بخشند.
- تأثیر بالقوه: این پیشرفت میتواند پیشگام نسل جدیدی از هوش مصنوعی باشد که مانند انسانها یاد میگیرد و زمینههای هوش مصنوعی و علوم اعصاب را تقویت میکند.
هوش مصنوعی الهام گرفته از مغز انسان
میخواند. صحبت میکند. کوههایی از دادهها را جمع آوری میکند و تصمیمات تجاری را توصیه میکند. هوش مصنوعی امروزی ممکن است بیش از هر زمان دیگری انسانی به نظر برسد. با این حال، هوش مصنوعی هنوز چندین کاستی مهم دارد.
کایل دارووالا، محقق NeuroAI آزمایشگاه Cold Spring Harbor (CSHL) در این مورد توضیح میدهد: «به اندازه ChatGPT و همه این فناوریهای هوش مصنوعی فعلی، از نظر تعامل با دنیای فیزیکی چشمگیر هستند، اما همچنان بسیار محدود هستند. حتی در کارهایی که انجام میدهند، مانند حل مسائل ریاضی و نوشتن مقاله، میلیاردها و میلیاردها مثال آموزشی میگیرند قبل از اینکه بتوانند آنها را به خوبی انجام دهند.»
دارووالا به دنبال راههای جدید و غیر متعارف برای طراحی هوش مصنوعی است که بتواند بر چنین موانع محاسباتی غلبه کند. و شاید همین الان یکی را پیدا کرده باشد. کلید انتقال دادهها بود. امروزه، بیشتر انرژی مصرفی محاسبات مدرن ناشی از پرتاب دادهها در اطراف است. در شبکههای عصبی مصنوعی، که از میلیاردها اتصال تشکیل شدهاند، دادهها میتوانند راه بسیار طولانی را طی کنند.
بنابراین، برای یافتن راهحل، دارولا به دنبال الهام گرفتن در یکی از قدرتمندترین ماشینهای محاسباتی و کارآمدترین ماشینهای موجود، یعنی مغز انسان بود.
داروالا روش جدیدی را برای الگوریتمهای هوش مصنوعی طراحی کرد تا دادهها را بسیار کارآمدتر جابجا و پردازش کنند، بر اساس اینکه مغز ما چگونه اطلاعات جدید دریافت میکند. این طراحی به تک تک «نورونهای» هوش مصنوعی اجازه میدهد تا بازخورد دریافت کرده و در حین پرواز تنظیم شوند، نه اینکه منتظر بمانند تا یک مدار کامل بهطور همزمان بهروزرسانی شود. به این ترتیب، دادهها نیازی به سفر طولانی ندارند و در زمان واقعی پردازش میشوند.
داروالا میگوید: «در مغز ما، ارتباطات ما همیشه در حال تغییر و تنظیم هستند. “اینطور نیست که همه چیز را مکث کنی، خودت را تنظیم کنی، و بعد از سر بگیری که خودت هستی.”
مدل جدید یادگیری ماشین شواهدی برای یک نظریه هنوز اثبات نشده ارائه میدهد که حافظه کاری را با یادگیری و عملکرد تحصیلی مرتبط میکند. حافظه کاری سیستم شناختی است که ما را قادر میسازد تا در حین یادآوری دانش و تجربیات ذخیره شده، در انجام وظیفه بمانیم.
تئوریهایی در علوم اعصاب وجود دارد که چگونه مدارهای حافظه فعال میتوانند به تسهیل یادگیری کمک کنند. اما چیزی به اندازه قاعده ما وجود ندارد که این دو را به هم پیوند دهد. و این یکی از چیزهای خوبی بود که ما در اینجا به آن برخورد کردیم. این تئوری به قانونی منتهی شد که در آن تنظیم هر سیناپس به صورت جداگانه، مستلزم نشستن این حافظه کاری در کنار آن بود.
طراحی داروالا ممکن است به پیشروی نسل جدیدی از هوش مصنوعی کمک کند که مانند ما یاد میگیرد. این نه تنها هوش مصنوعی را کارآمدتر و در دسترستر میکند، بلکه تا حدودی یک لحظه کامل برای neuroAI خواهد بود. علوم اعصاب از مدت ها قبل از اینکه ChatGPT اولین هجای دیجیتال خود را به زبان بیاورد، دادههای ارزشمند هوش مصنوعی را تغذیه میکرد. به نظر میرسد به زودی، هوش مصنوعی ممکن است این لطف را جبران کند.
منبع : neurosciencenews