دانشمندان به هوش مصنوعی ۶۰ ساله جان تازه‌ای بخشیدند

به نقل از آی‌ای، تحقیقات آن‌ها کاربرد مستقیمی در مهندسی سیستم‌های محاسباتی جدید مانند یادگیری ماشینی دارد که بر روی مغز انسان، به‌ویژه شبکه‌های عصبی مدل‌سازی می‌شوند.

هدف شبکه‌های عصبی مصنوعی تقلید از روشی است که مغز انسان اطلاعات را پردازش می‌کند و تصمیم می‌گیرد، البته به شیوه‌ای بسیار ساده‌تر.

مرکز علوم اعصاب محاسباتی در حال تحلیل مدل فعلی یک نورون است که ابتدا در دهه ۱۹۶۰ توسعه یافته بود، آنها متوجه شدند که این سلول عصبی به طور کامل نشان دهنده نحوه رفتار یک نورون نیست.

دیمیتری چکلوسکی (Dmitri Chklovskii)، نویسنده ارشد این مقاله جدید، در یک بیانیه مطبوعاتی گفته است: علوم اعصاب در این ۶۰ سال اخیر بسیار پیشرفت کرده است و ما اکنون می‌دانیم که مدل‌های قبلی نورون‌ها نسبتا ابتدایی هستند.

در یک مقاله جدید، نویسندگان مطالعه می‌گویند می‌کنند که مدل قبلی به طور کامل توانایی‌های محاسباتی نورون‌های واقعی را در اختیار ندارد و می‌تواند مانع توسعه هوش مصنوعی شود.

پیش از این، دانشمندان علوم اعصاب دریافته بودند که یک حلقه بازخورد در مدارهای مقیاس بزرگ وجود دارد تا با تحریک نکردن بیش از حد آن، تعادل را در مغز حفظ کند. به عنوان مثال، سلول‌های بعدی در زنجیره پردازش بر آنچه که زودتر در مغز اتفاق می‌افتد، تأثیر می‌گذارند.

با این حال، همانطور چکلوسکی که توضیح داد، کاملا مشهود نبود که این نوع کنترل بازخورد توسط یک سلول مغز فردی نیز قابل تحقق باشد.

مردم مغز را به عنوان یک کل یا حتی بخش‌هایی از مغز را به عنوان یک کنترل کننده تصور می‌کردند. اما هیچ کس فکر نمی‌کرد که یک نورون واحد بتواند این کار را انجام دهد. کنترل یک کار محاسباتی فشرده است. تصور اینکه یک نورون دارای ظرفیت محاسباتی کافی برای انجام آن باشد سخت است.

اما نه تنها نورون‌ها این توانایی را دارند، بلکه این درک جدید در مورد فعالیت عصبی به روشن شدن پدیده‌هایی در مغز مانند سطح نویز موجود که هدف از آن مورد بحث است، کمک می‌کند.

تقویت هوش مصنوعی از طریق نورون‌هایی که ورودی‌ها را پیش‌بینی می‌کنند و بر آن‌ها تأثیر می‌گذارند

در برخی موارد، نورون‌ها ممکن است سیگنال‌هایی را ارسال کنند که ممکن است دیگری دریافت نکند، بنابراین دانشمندان علوم اعصاب وجود تصادفی بودن در مغز انسان را زیر سوال بردند. اما این درک جدید از یک نورون به عنوان یک کنترل کننده کوچک تأیید می‌کند که برخی از این نویزها به عنوان یک تقویت کننده عملکرد عمل می‌کند.

بنابراین افزودن کمی نویز به مدل جدید و بهبود یافته آنها به نورون کمک کرد تا در یک محیط دائما در حال تغییر انعطاف پذیر باقی بمانند. آنها دریافتند که به نظر می‌رسد این تصادفی بودن در تکرار نحوه عملکرد نورون‌های واقعی مهم باشد.

آنها می‌توانند ورودی‌های خود را کنترل کنند، اگرچه به نظر نمی‌رسد همه نورون‌ها این توانایی را نشان دهند.

چکلوسکی در یک بیانیه مطبوعاتی نتیجه گیری کرد: کنترل و پیش بینی در واقع بسیار مرتبط هستند. شما نمی‌توانید بدون پیش بینی تاثیر اعمال خود در جهان به طور موثر آنها را کنترل کنید.

سطح پیچیدگی یک نورون تا کنون به طور کامل درک نشده بود. آنها کنترل بیشتری بر محیط اطراف خود نسبت به آنچه قبلا تصور می‌شد دارند.

این مدل به‌روز شده، ایجاد شبکه‌های عصبی مصنوعی بهتر و مؤثرتری را که پیچیده‌ترین مکانیسم‌های مغز انسان را مهار می‌کنند، هدایت می‌کند.