پژوهش تازه ای نشان می دهد تصور رایج درباره نیاز هوش مصنوعی به حجم بسیار زیاد داده شاید چندان دقیق نباشد. گروهی از پژوهشگران دانشگاه جانز هاپکینز به این نتیجه رسیده اند که اگر ساختار هوش مصنوعی از ابتدا شبیه تر به مغز انسان طراحی شود، این سیستم ها می توانند حتی پیش از آموزش دیدن، الگوهایی نزدیک به فعالیت مغز انسان تولید کنند. این نگاه تازه می تواند مسیر توسعه هوش مصنوعی را از وابستگی شدید به داده و توان پردازشی سنگین دور کند.
در سال های گذشته، بیشتر پیشرفت های هوش مصنوعی بر پایه جمع آوری داده های عظیم و آموزش طولانی مدل ها شکل گرفته است. این روش هزینه های مالی بالا، مصرف انرژی زیاد و زمان طولانی را به همراه دارد. پژوهش جدید نشان می دهد که شاید راه هوشمندانه تری هم وجود داشته باشد. راهی که به جای انباشت داده، بر طراحی درست و الهام گرفته از زیست شناسی تمرکز می کند.
معماری مغز محور چه تغییری در آینده هوش مصنوعی ایجاد می کند؟
در این تحقیق، تمرکز اصلی روی ساختار درونی مدل های هوش مصنوعی بوده است. پژوهشگران چند نوع رایج از شبکه های عصبی شامل ترنسفورمرها، شبکه های کاملا متصل و شبکه های عصبی کانولوشنی را بررسی کردند. نکته مهم این بود که هیچ کدام از این مدل ها آموزش ندیده بودند. با این حال، واکنش درونی آن ها هنگام دیدن تصاویر با فعالیت مغز انسان و نخستی ها مقایسه شد.
نتایج نشان داد افزایش تعداد نورون های مصنوعی در ترنسفورمرها و شبکه های کاملا متصل تاثیر قابل توجهی بر شباهت به مغز انسان ندارد. در مقابل، شبکه های عصبی کانولوشنی با تغییرات ساختاری ساده توانستند الگوهایی نزدیک تر به فعالیت مغز تولید کنند. این اتفاق بدون استفاده از میلیون ها یا میلیاردها تصویر آموزشی رخ داد.
این یافته اهمیت معماری را پررنگ تر از همیشه نشان می دهد. به بیان ساده، اگر اسکلت اولیه هوش مصنوعی به شکل درستی طراحی شود، سیستم از همان ابتدا در نقطه ای بهتر قرار می گیرد. شبیه کودکی که با توانایی های ذاتی متولد می شود و برای یادگیری نیاز به تجربه کمتری دارد. همین شباهت می تواند دلیل یادگیری سریع تر انسان نسبت به ماشین ها باشد.
از دید تحلیلی، این رویکرد می تواند هزینه توسعه هوش مصنوعی را به شکل محسوسی کاهش دهد. شرکت ها دیگر مجبور نخواهند بود مراکز پردازشی به اندازه شهرهای کوچک بسازند. مصرف انرژی کمتر می شود و زمان رسیدن به مدل های کارآمد کوتاه تر خواهد شد. این موضوع برای محیط زیست و اقتصاد فناوری اهمیت بالایی دارد.
در ادامه این مسیر، پژوهشگران قصد دارند روش های یادگیری ساده تری را که الهام گرفته از زیست شناسی هستند بررسی کنند. ترکیب معماری مغز محور با یادگیری کم داده می تواند نسل تازه ای از هوش مصنوعی را شکل دهد. هوش مصنوعی که سریع تر یاد می گیرد، منابع کمتری مصرف می کند و رفتار آن طبیعی تر به نظر می رسد. اگر این مسیر ادامه پیدا کند، آینده هوش مصنوعی شاید کمتر به داده های عظیم وابسته باشد و بیشتر به فهم درست از مغز انسان تکیه کند.
