به گزارش تحلیل ایران به نقل از نوروساینس‌نیوز، هوش مصنوعی امروزی می‌تواند بخواند، صحبت کند و داده‌ها را تجزیه و تحلیل کند، اما همچنان محدودیت‌های اساسی دارد. محققان حوزه هوش مصنوعی عصبی (NeuroAI) با الهام از کارایی مغز انسان،
یک مدل هوش مصنوعی جدید طراحی کرده‌اند.
این مدل به نورون‌های هوش مصنوعی این امکان را می‌دهد تا بازخورد دریافت کرده و به صورت لحظه‌ای تنظیم شوند، که این قابلیت منجر به بهبود فرآیندهای یادگیری و حافظه می‌شود. 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.
جزئیات بیشتر تحقیق
امروزه هوش مصنوعی ممکن است بیش از هر زمان دیگری شبیه انسان به نظر برسد. با این حال، هوش مصنوعی هنوز هم چندین نقص اساسی دارد.
آنطور که «کایل دارووالا»، پژوهشگر هوش مصنوعی عصبی در آزمایشگاه کلد اسپرینگ هاربر (CSHL) نیویورک توضیح می‌دهد: «با وجود تمام هوشمندی‌هایی که چت‌جی‌پی‌تی و سایر فناوری‌های هوش مصنوعی فعلی دارند، از نظر تعامل با دنیای فیزیکی هنوز بسیار محدود هستند. حتی در کارهایی
که انجام می‌دهند، مانند حل مسائل ریاضی و نوشتن انشا، برای اینکه بتوانند به خوبی از عهده‌ی آن‌ها برآیند به میلیاردها میلیارد نمونه‌ی آموزشی نیاز دارند.»
کایل دارووالا به دنبال روش‌های جدید و غیرمتعارفی برای طراحی هوش مصنوعی بوده است که بتواند بر چنین موانع محاسباتی غلبه کند. به نظر می‌رسد او ممکن است راهی برای این کار پیدا کرده باشد.
موضوع کلیدی، جابه‌جایی داده است. امروزه، بیشتر مصرف انرژی محاسبات مدرن ناشی از جابه‌جایی داده‌ها است. در شبکه‌های عصبی مصنوعی که از میلیاردها اتصال تشکیل شده‌اند، داده‌ها می‌توانند مسیر بسیار طولانی را طی کنند.
بنابراین، برای یافتن راه‌حل، دارووالا از یکی از قدرتمندترین و کم‌مصرف‌ترین ماشین‌های موجود در طبیعت الهام گرفت: مغز انسان.
دارووالا روشی جدید برای الگوریتم‌های هوش مصنوعی طراحی کرد تا داده‌ها را بسیار کارآمدتر بر اساس نحوه دریافت اطلاعات توسط مغز ما، جابه‌جا و پردازش کنند. این طراحی به نورون‌های هوش مصنوعی منفرد اجازه می‌دهد تا بازخورد دریافت کرده و بلافاصله خود را تنظیم کنند،
به جای اینکه منتظر به‌روزرسانی همزمان کل مدار باشند. به این ترتیب، داده‌ها نیازی به طی مسافت طولانی ندارند و به صورت لحظه‌ای پردازش می‌شوند
دکتر دارووالا می‌گوید: «در مغز ما، اتصالات ما دائماً در حال تغییر و تنظیم هستند. اینطور نیست که همه چیز را متوقف کنید، تنظیم کنید و سپس به حالت عادی خود بازگردید.»
مدل جدید یادگیری ماشین، شواهدی را برای یک نظریه هنوز اثبات نشده ارائه می‌کند که حافظه‌ی کاری (working memory) را با یادگیری و عملکرد تحصیلی مرتبط می‌کند. حافظه‌ی کاری، سیستم شناختی است که به ما امکان می‌دهد در حین فراخوانی دانش و تجربیات ذخیره‌شده، روی کار
متمرکز بمانیم.
دارووالا می‌گوید: «در علوم اعصاب نظریه‌هایی در مورد چگونگی کمک مدارهای حافظه‌ی کاری به تسهیل یادگیری وجود داشته است. اما چیزی به ملموس بودن قانون ما وجود ندارد که واقعا این دو را به هم مرتبط کند.»
او می‌افزاید: «بنابراین این یکی از نکات جالبی بود که در اینجا به آن برخوردیم. این نظریه به قانونی منجر شد که در آن تنظیم هر سیناپس به صورت جداگانه به این حافظه‌ی کاری در کنار آن نیاز داشت.»
طراحی دارووالا ممکن است به پیشگامی 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 نقطه عطفی برای حوزه‌ی هوش مصنوعی عصبی (neuroAI) هم به شمار می‌رود. علوم اعصاب مدت‌هاست که داده‌های
ارزشمندی را در اختیار هوش مصنوعی قرار داده است، خیلی قبل از اینکه چت‌جی‌بی‌تی اولین حرف دیجیتالی خود را بیان کند. به نظر می‌رسد به زودی، هوش مصنوعی لطف این کار را جبران کند.