آموزشهای زیستشناسی درباره ساخت هوش مصنوعی
مدیرعامل و بنیانگذار یک شرکت هوش مصنوعی معتقد است که پژوهشگران در این حوزه همیشه مشغول حل یک مسئله مهندسی بودهاند؛ در حالی که باید تلاش میکردند تا به یک مسئله زیستشناختی پاسخ دهند.
مغز پیشتر سازوکار حافظه را حلوفصل کرده است. پس چرا دانشمندان حوزه هوش مصنوعی از آن الگوبرداری نکردهاند؟
به نقل از فوربس، «زوزانا استامیروسکا» (Zuzanna Stamirowska) مدیرعامل و بنیانگذار شرکت هوش مصنوعی «Pathway» و از مشاوران فوربس نوشت: علوم اعصاب ممکن است پاسخ مسئله حافظه پایدار و یادگیری مداوم را در خود داشته باشد؛ همان طور که میلیونها سال چنین بوده است. مغز همواره به راهکاری اشاره داشته است که مهندسان هوش مصنوعی پیوسته در جستوجوی آن بودهاند. اگر سیستمهای خود را براساس نحوه عملکرد مغز انسان طراحی کنیم، میتوانیم نوعی هوش مصنوعی بسازیم که نیازی به نظارت دائمی، هدایتگری و یادآوریهای مکرر نداشته باشد.
مغز انسان با حدود ۲۰ وات انرژی کار میکند. مراکز داده هوش مصنوعی امروزی از مرز یک گیگاوات یعنی یک میلیارد وات عبور کردهاند؛ رقمی که تقریباً ۵۰ میلیون برابر توان مصرفی مغز یک انسان است. سرعت رشد تقاضا برای توان پردازشی، بیش از دو برابر سرعت بهبود بهرهوری تراشهها است و برآوردهای صنعتی نشان میدهند که تنها برای همگام ماندن با این روند، سالانه حدود ۵۰۰ میلیارد دلار سرمایهگذاری در داراییهای ثابت مورد نیاز خواهد بود.
استامیروسکا در ادامه نوشت: من به عنوان یکی از بنیانگذاران و مدیرعامل Pathway، ساختارها را با الهام از مغز و با تکیه بر پیشینهام در علم میسازم. بررسی چگونگی ایجاد رفتار هوشمندانه توسط شبکههای بزرگ متشکل از اجزای ساده، مرا متقاعد کرد که کارآیی مغز یک طرح اولیه است؛ نه یک کنجکاوی.
این صنعت باید نگاه دقیقتری به سیستمهای هوش مصنوعی شبیه به مغز داشته باشد که بازتابدهنده نحوه تفکر، استدلال و عمل کردن ما هستند. وقتی اطلاعات جدیدی وارد مغز میشود، تنها نورونهای مرتبط با آن اطلاعات فعال میشوند و سیگنال را به همسایههای خود منتقل میکنند؛ نه این که کل شبکه را به طور غیر ضروری بیدار کنند. اتصالات مفید و تکرارشونده به مرور زمان تقویت میشوند. این یکی از روشهایی است که «هوش مصنوعی پست-ترنسفورمر» (Post-Transformer AI) میتواند بر اساس آن عمل کند.
بسیاری از مدلهای امروزی یک رویکرد کاملاً متفاوت دارند. در این مدلها، بخش بزرگی از شبکه فعال میشود و برای پردازش هر توکن، تعداد بسیار زیادی پارامتر به کار گرفته میشود؛ فارغ از این که پرسش مطرحشده واقعاً به چه چیزی نیاز دارد. همین موضوع، دلیل اصلی افزایش بسیار شدید هزینههای استنتاج است.
حافظه پایدار
مغز خاطرات را در اتصالات میان نورونها ذخیره میکند؛ نه این که آنها را به صورت جداگانه بایگانی کند. در مقابل، هوش مصنوعی عمدتاً فاقد حافظهای پایدار است.
بیشتر وظایف به عنوان درخواستی جدید آغاز میشوند که نمیتواند به اطلاعات پیشین، خواه اطلاعاتی که به مدل داده شدهاند و خواه اطلاعاتی که خود مدل تولید کرده است، دسترسی پیدا کند. در مغز، این فرایند از طریق «انعطافپذیری سیناپسی» یعنی توانایی مغز در تغییر قدرت و تعداد اتصالات میان نورونها عمل میکند که خود زمینهساز «تقویت بلندمدت» است.
تقویت بلندمدت، مسیرهای عصبی را پس از استفاده مکرر تقویت میکند و به همراه آن کارآیی حاصل میشود. آینده ساختاربندی هوش مصنوعی، مسیرهایی هستند که با استفاده تقویت میشوند و از ابتدا در ساختار قرار میگیرند؛ نه این که بعداً به آن متصل شوند.
یادگیری پیوسته
مغز هنگام فعالیت مداوم یاد میگیرد و برای آموزش مجدد متوقف نمیشود. فضای کاری شناختی مغز که اطلاعات را در لحظه نگه میدارد و تنظیم و ردیابی میکند، «حافظه کاری» نامیده میشود. نزدیکترین معادل آن در هوش مصنوعی، «استدلال نهفته» است. قشر پیشپیشانی مغز به طور گسترده از این عملکرد اجرایی پشتیبانی میکند. فرآیندهای شناختی پیچیده، حافظه کاری و تغییر وظیفه به طور مداوم و بدون دکمه تنظیم مجدد انجام میشوند.
مدلهای مبتنی بر ترنسفورمر امروزه هیچ معادلی ندارند. استدلال یک بار و در یک حرکت رو به جلو اتفاق میافتد. هر آنچه مدل در طول مسیر کشف میکند، معمولاً در لحظه پایان جلسه کنار گذاشته میشود. هیچ مکانیسمی اجازه نمیدهد که یک فکر به یک عادت تبدیل شود. همه اطلاعات هر بار از ابتدا و با هزینه ترکیبشده با مقیاس، دوباره کشف میشوند.
بازسازی سامانهها با در نظر داشتن چنین یادگیری ساختاری و پیوستهای، اقدامی است که ماهیت آن با تنظیم دقیق یک مدل ایستا تفاوت دارد.
استدلال نهفته
مغز در وهله نخست با واژهها نمیاندیشد. زبان یک لایه تکاملی است که بر پایه نظامهایی بسیار کهنتر برای ادراک، پیشبینی و کنش بنا شده است. اندیشه پیش از آن که به جمله تبدیل شود، در مغز شکل میگیرد و بخش عمده این شکلگیری در فضایی رخ میدهد که فاقد هرگونه صورت زبانی است.
مدلهای مبتنی بر ترنسفورمر، فضای مستقلی را برای تفکر یا استدلال در اختیار ندارند. آنها استدلال را در قالب زبان بیان میکنند، زیرا این تنها ابزار یا رسانه در دسترس است. هر مرحله میانی باید به صورت متن نوشته شود، دوباره به مدل بازگردانده شود و مجدداً خوانده شود. به همین دلیل است که با دشوارتر شدن مسئله، زنجیرههای طولانی استدلال کندتر و پرهزینهتر میشوند. در واقع، مدل صرفاً مراحل حل مسئله را نمایش نمیدهد؛ بلکه برای به سرانجام رساندن کار ناچار است همه آن مراحل را به صورت زبانی (متنی) تولید کند.
استدلال نهفته یک رویکرد جایگزین به معنای پرداختن به یک مسئله از طریق نوعی بازنمایی پیوسته و درونی است؛ درست همانطور که مغز عمل میکند و تنها در پایان - آن هم نه لزوماً همیشه - تبدیل نتیجه به زبان. این تفاوت، سیستمی را که برای انجام پردازشهای پیچیده ناچار است با خودش حرف بزند، از سیستمی متمایز میکند که به شیوهای شبیه به عملکرد قشر پیشپیشانی مغز استدلال میکند؛ یعنی به صورت خاموش و پیش از آن که لازم باشد چیزی به زبان آورده شود.
شرکت «متا»(Meta) با مدلهایی مانند «Muse Wonder» و «Muse Wonder Full»، ادغام قابلیتهای مرتبط را در عاملهای شخصی خود آغاز کرده است. این مدلها دارای حافظه فعال و تمرکز فعال هستند که هر دو برای افزایش توانایی عاملها در نظر گرفته شدهاند. حافظه فعال به مدلها امکان میدهد تا اطلاعات مربوط به کاربر را از یک گفتوگو به گفتوگوی دیگر منتقل کنند و تمرکز فعال به عامل امکان میدهد تا با امتحان کردن راهحلهای متعدد هنگام برخورد با یک مشکل، به کار کردن روی یک وظیفه ادامه دهد. شرکت «دیتابریکس»(Databricks) نیز حافظه عامل را که یک ویژگی حافظه مدیریتشده است، در پلتفرم «ایجنت بریکس»(Agent Bricks) خود ساخته است.
حافظه کاربردی و استدلال نهفته، ابزارهایی ضروری برای عاملهای موفق و در نتیجه، مدلهای زبانی بزرگ موفق هستند. در هر حال، این سیستمهای حافظه در حال حاضر پشت سدهای پرداخت قرار دارند و کاربردهای آنها نیز همچنان محدود هستند. هوش مصنوعی برخوردار از حافظه و توانایی حل مسئله نمیتواند صرفاً به مدلهای زبانی بزرگ و عاملها محدود شود.
با نگاهی فراتر از مدلهای زبانی بزرگ و ترنسفورمرهای آنها، صنعت هوش مصنوعی میتواند نوعی فناوری را توسعه دهد که بهراستی بازتابدهنده مغز باشد.
نظر شما