راز جدید هوش مصنوعی کشف شد

پژوهشگران نشان داده‌اند افزودن نوعی گفت‌وگوی درونی به سامانه‌های هوش مصنوعی می‌تواند یادگیری آنها را سریع‌تر، انعطاف‌پذیرتر و کارآمدتر کند؛ رویکردی که می‌تواند به ساخت ماشین‌هایی سازگارتر و توانمندتر در محیط‌های واقعی منجر شود.

در مطالعه‌ای که در نشریه علمی Neural Computation منتشر شده، محققان موسسه علم و فناوری اوکیناوا (OIST) دریافته‌اند وقتی سامانه‌های هوش مصنوعی در کنار حافظه کوتاه‌مدت به نوعی گفتار درونی نیز مجهز می‌شوند در انجام طیف وسیعی از وظایف عملکرد بهتری از خود نشان می‌دهند. این گفتار درونی شبیه زمزمه‌ای خاموش است که به سیستم اجازه می‌دهد در حین پردازش با خودش تعامل داشته باشد.

نتایج این تحقیق نشان می‌دهد کیفیت یادگیری فقط به معماری و ساختار شبکه‌های هوش مصنوعی وابسته نیست بلکه نحوه تعامل سیستم با خودش در طول فرایند آموزش نیز نقش تعیین‌کننده دارد. به بیان دیگر اگر داده‌های آموزشی به شکلی سازمان‌دهی شوند که سیستم را به خودگویی وادار کنند توانایی یادگیری و تعمیم‌دادن آن افزایش می‌یابد.

در این پژوهش گفتار درونی خودهدایت‌شده با یک سازوکار ویژه حافظه کاری ترکیب شد. حافظه کاری قابلیتی شبیه توانایی ذهن انسان برای نگه‌داشت و دستکاری موقت اطلاعات است؛ مثلا زمانی که چند دستور پشت‌سرهم را اجرا می‌کنیم یا محاسبه‌ای ذهنی انجام می‌دهیم. مدل‌هایی که چند جایگاه حافظه کاری داشتند در حل مسائل دشوارتر مانند وارونه‌سازی دنباله‌ها یا بازسازی الگو‌ها موفق‌تر عمل کردند؛ مسائلی که نیازمند نگه‌داشت همزمان چند قطعه اطلاعات و مرتب‌سازی صحیح آنهاست.

وقتی پژوهشگران هدف‌هایی را به آموزش اضافه کردند که سیستم را مجبور می‌کرد تعداد مشخصی بار با خودش صحبت کند عملکرد حتی بهتر شد. بیشترین بهبود در شرایط چندوظیفگی و مسائلی دیده شد که به مراحل متعدد و تصمیم‌گیری‌های پیاپی نیاز داشتند. همچنین این روش توانست با داده‌های آموزشی کم‌تر نیز به تعمیم مناسب برسد و به نوعی جایگزین سبک‌تر و مکمل برای مدل‌های پر‌داده‌ی متداول ارائه دهد.

هدف اصلی این رویکرد رسیدن به پردازش مستقل از محتوا است؛ یعنی سیستمی که به‌جای حفظ‌کردن مثال‌های خاص قواعد کلی را یاد بگیرد و بتواند آموخته‌هایش را به موقعیت‌های جدید و نادیده تعمیم دهد. در حالی که انسان‌ها به‌راحتی بین کار‌های مختلف جابه‌جا می‌شوند و با مسائل تازه کنار می‌آیند انجام چنین کاری برای هوش مصنوعی همچنان چالش‌برانگیز است.

پژوهشگران برای حل این مشکل از رویکردی میان‌رشته‌ای استفاده کرده‌اند که یافته‌های علوم اعصاب رشد و روان‌شناسی را با یادگیری ماشین و رباتیک ترکیب می‌کند تا سازوکار‌های بنیادی یادگیری را بهتر بازسازی کند.

گام بعدی این تیم انتقال این مدل‌ها از محیط‌های آزمایشی کنترل‌شده به شرایط واقعی و پر از نویز و تغییر است؛ محیط‌هایی که تصمیم‌گیری در آنها نیازمند سازگاری لحظه‌ای با عوامل بیرونی است. درک بهتر پدیده‌هایی مانند گفتار درونی علاوه بر روشن‌تر کردن سازوکار‌های یادگیری انسان در سطح عصبی می‌تواند به توسعه ربات‌های خانگی یا کشاورزی کمک کند که قادرند در دنیای پیچیده و پویای واقعی به‌طور موثر عمل کنند.

انتهای پیام/