عبارت "تقویت مثبت" ، موضوعی است که بیشتر در مقاله ای درباره پرورش فرزند نسبت به مواردی درباره هوش مصنوعی می شنوید. اما به گفته آلیس پارکر ، استاد مهندسی برق در گروه مهندسی برق و کامپیوتر مینگ هسیه ، تقویت کمی مثبت فقط چیزی است که ماشینهای هوش مصنوعی ما به آن نیاز دارند. پارکر بیش از یک دهه است که در حال ساخت مدارهای الکترونیکی است تا بتواند مغز انسان را مهندسی معکوس کند تا بتواند نحوه عملکرد خود را بهتر بشناسد و در نهایت سیستمهای مصنوعی بسازد که از آن تقلید کند. جدیدترین مقاله او ، با همکاری دکترای مشترک. دانشجو کون یو و همکارانش از UC Riverside به تازگی در مجله Science Advances منتشر شده اند و گامی مهم در جهت رسیدن به آن هدف نهایی برمی دارند.
هوش مصنوعی که ما امروز به آن اعتماد داریم و در مورد آن می خوانیم ، بر روی رایانه های سنتی مدل شده است. این جهان را از طریق لنزهای صفرهای باینری و موارد دیگر می بیند. این برای محاسبات پیچیده خوب است ، اما طبق گفته های پارکر و یو ، ما به سرعت به اندازه و پیچیدگی مشکلی که می توانیم با سیستم عامل هایی که هوش مصنوعی ما در آن وجود دارد ، حل می کنیم نزدیک می شویم. یو می گوید: "از زمان انقلاب یادگیری عمیق ، اهداف و پیشرفت هوش مصنوعی مبتنی بر یادگیری عمیق همانطور که می دانیم بسیار کند بوده است." برای دستیابی به پتانسیل کامل خود ، هوش مصنوعی به راحتی نمی تواند بهتر فکر کند - باید در زمان واقعی واکنش نشان دهد و به خود بیاموزد . برای اینکه این اتفاق بیفتد ، باید تغییر عظیمی در نحوه ساخت AI در وهله اول ایجاد شود.
برای رفع این مشکل ، پارکر و همکارانش به دنبال دستیابی به موفقیت آمیزترین سیستم یادگیری هستند که تاکنون ایجاد کرده اند: مغز انسان . این جایی است که تقویت مثبت بازی می شود. مغزها بر خلاف رایانه ها ، یادگیرندگان آنالوگ هستند و حافظه بیولوژیکی پایداری دارد. سیگنال های آنالوگ می توانند حالت های مختلفی داشته باشند (دقیقاً مانند انسان). در حالی که یک هوش مصنوعی باینری که با انواع مشابهی از فناوریهای نانو برای دستیابی به حافظه طولانی مدت ساخته شده است ، می تواند چیزی را خوب یا بد درک کند ، یک مغز آنالوگ می تواند عمیق تر درک کند که یک وضعیت ممکن است "بسیار خوب" ، "فقط خوب" باشد. بد "یا" خیلی بد " این زمینه محاسبات عصبی نامیده می شود و ممکن است فقط آینده هوش مصنوعی را نشان دهد.
وقتی انسان در معرض چیزهای جدید و بالقوه مفیدی قرار بگیرد ، سلولهای عصبی ما دوپامین را افزایش می دهند و اتصالات اطراف این سلولهای عصبی تقویت می شود. پارکر می گوید: "به یک نوزاد که در یک صندلی بلند نشسته است ، فکر کنید." وی گفت: "او ممکن است دستهای خود را به طرز وحشیانه تکان دهد زیرا نورون های توسعه نیافته او فقط به طور تصادفی شلیک می شوند." سرانجام یکی از این حرکات وحشی منجر به نتیجه مثبتی می شود - مثلاً فنجان خود را بکوبید و آشفتگی کنید. به طور ناگهانی ، نورونهایی که باعث حرکت آن شده اند واکنش نشان می دهند و تقویت می شوند. مغز کودک به طور منظم انجام می شود ، مغز کودک شروع به پیوند آن سنبله با چیزی می کند که ارزش درونی کردن آن را دارد. و درست مثل همین ، کودک کوچک ما یاد گرفته است که حرکت بازو باعث نتیجه سرگرم کننده می شود و یادگیری با گذشت زمان ادامه می یابد. این دقیقاً همان کاری است که محاسبات عصبی مورب سعی در انجام آن دارد:
برای این کار ، پارکر و یو مدارهای عصبی خود را طراحی کرده و آنها را با نانودکشن هایی به نام Magnetic Domain Wall Analog Memristors (MAM) ترکیب کرده اند. آنها سپس شبیه سازی ها را اجرا می کنند تا نشان دهند که مدارهای عصبی آنها مانند مغز می آموزند. این دستگاه MAM آنقدر پیچیده است که می توان یک مقاله کامل را روی آن نوشت. اما در حال حاضر ، مهمترین چیزی که باید بدانید این است که این دستگاه بسیار کوچک است که کمک می کند تا به طور نامحدود به یاد داشته باشید "سنبله" تقویت کننده مثبت است که نورونهای مصنوعی دریافت می کنند. می توانید مدارهای عصبی مایع پارکر را که دقیقاً شبیه مغز کودک کوچک است ترکیب کنید. به این معنا ، پارکر و یو مانند پدر و مادر کودک AI هوش مصنوعی هستند ... چیزهای جدید را به آن آموزش می دهند و وقتی کار صحیحی انجام دهند ، آن را تقویت می کنند.
بیشتر بخوانید: مواد پمپ های وکیوم خلاء حلقه مایع
فعلاً ، آنچه ما داریم کمی شبیه مغز یک کودک واقعی است . توسعه نیافته و قطعاً آماده تصمیم گیری به تنهایی نیست. اما ، بسیار شبیه به یک کودک واقعی ، با کار ، سرمایه گذاری و عشق کافی از محققان ، این فناوری روش کار AI را در دنیای واقعی تغییر خواهد داد.
البته کار پارکر هرگز به پایان نمی رسد. پارکر می گوید: "مرحله بعدی ما ، همکاری با دارپا ، آموزش سیستم ما برای یادگیری چیزهای جدید بدون فراموش کردن دروس قبلی است." کار آنها ممکن است یک گام کوچک به سمت هدف نهایی هوش مصنوعی عصبی باشد اما پارکر مانند هر محقق یا والدینی خوب از اهمیت مراحل کودک قدردانی می کند.
نظرات شما عزیزان:
