هوش مصنوعی و مغز انسان

یه سوال که خیلی‌ها می‌پرسن: «هوش مصنوعی واقعاً مثل مغز انسان کار می‌کنه؟» جواب کوتاهش «نه» هست، ولی داستان جالب‌تر از اینه که با «نه» ختم بشه. مغز و AI هر دو در یه چیز اشتراک دارن، پردازش اطلاعات، ولی روش‌هاشون، ساختارشون و حتی تعریفشون از «فهمیدن» کاملاً متفاوته.

از کجا آمد؟ الهام بیولوژیک

اولین شبکه‌های عصبی مصنوعی (۱۹۴۰-۱۹۵۰) مستقیماً از نورون‌های مغز الهام گرفتن. McCulloch و Pitts در ۱۹۴۳ یه مدل ریاضی از نورون ساختن. Perceptron فرانک روزنبلات در ۱۹۵۸ ادعا می‌کرد «یاد می‌گیره» مثل مغز.

ولی از همون ابتدا واضح بود که این «الهام» سطحیه. شبکه‌های عصبی مصنوعی فقط ساختار graph-like نورون‌ها رو شبیه‌سازی کردن، نه نحوه واقعی کار مغز.

شباهت‌های ظاهری

چند تا شباهت واقعی بین مغز و شبکه‌های عصبی مصنوعی وجود داره:

لایه‌بندی: Cortex مغز هم لایه‌های مختلفی داره. شبکه‌های deep learning هم لایه‌های متعدد دارن که هر لایه feature های انتزاعی‌تری یاد می‌گیره.

Plasticity: هم مغز (از طریق synaptic plasticity) هم شبکه‌های عصبی مصنوعی (از طریق gradient descent) وزن‌هاشون رو بر اساس تجربه تغییر می‌دن.

پردازش موازی: هر دو به جای پردازش خطی، اطلاعات رو به صورت موازی پردازش می‌کنن.

Feature detection سلسله‌مراتبی: یه مطالعه معروف نشون داد که اولین لایه‌های یه CNN که عکس یاد می‌گیره، چیزی شبیه edge detector های visual cortex می‌سازه. این تصادفی نیست.

تفاوت‌های بنیادی

ولی تفاوت‌ها خیلی عمیق‌تر از شباهت‌هاست:

انرژی

مغز انسان با تقریباً ۲۰ وات کار می‌کنه، همین‌قدر که یه لامپ LED کوچیک مصرف می‌کنه. GPT-4 training نیاز به میلیون‌ها وات در طول ماه‌ها داشته. inference هر query هم چندین هزار برابر یه نورون مغز انرژی می‌بره.

این کارایی انرژی مغز یه معمای بزرگ علمیه که هنوز کاملاً حل نشده.

نحوه یادگیری

مغز با few-shot learning کار می‌کنه، یه بچه چند بار چیزی می‌بینه و یاد می‌گیره. مدل‌های زبانی بزرگ نیاز به میلیاردها مثال دارن تا چیزی یاد بگیرن.

علاوه‌براین، مغز می‌تونه چیزی جدید یاد بگیره بدون اینکه قبلی رو فراموش کنه. این مشکل «catastrophic forgetting» توی شبکه‌های عصبی مصنوعی یه چالش جدیه.

حافظه

مغز بین حافظه کوتاه‌مدت (hippocampus) و بلندمدت (cortex) تفکیک داره. یادگیری توی مغز یه فرایند تدریجیه که در خواب هم ادامه داره (memory consolidation).

مدل‌های AI یا همه چیز رو در وزن‌های ثابتشون دارن (مثل long-term memory) یا فقط context window فعلی (مثل short-term memory). این دوگانگی یه مشکل معماریه که هنوز به خوبی حل نشده، یکی از دلایلی که شناخت پیوسته بحث‌برانگیز و ارزشمنده.

Consciousness و Understanding

این بحث‌برانگیزترین تفاوته: آیا AI «می‌فهمه» یا فقط pattern matching می‌کنه؟

John Searle با آزمایش فکری «اتاق چینی» استدلال کرد که یه برنامه کامپیوتری، حتی اگه بتونه سوالات چینی رو جواب بده، واقعاً چینی «نمی‌فهمه»، فقط syntax رو دستکاری می‌کنه.

Gary Marcus و دیگران نشون دادن که LLMها در «systematic generalization» ضعیف هستن، نمی‌تونن به روش‌های کاملاً جدید ترکیب کنن چیزهایی که یاد گرفتن.

طرف مقابل، Ilya Sutskever و دیگران معتقدن که با scale کافی، چیزی شبیه understanding ظهور می‌کنه («emergence»).

این بحث هنوز باز هست و پاسخ قطعی نداره.

حس‌های مجتمع

مغز اطلاعات از همه حس‌ها، بینایی، شنوایی، لمس، تعادل، درد، گرسنگی، رو با هم integrate می‌کنه و یه تجربه واحد می‌سازه. حتی multimodal AI های امروزی که هم متن هم تصویر پردازش می‌کنن، از این integration عمیق مغز خیلی دور هستن.

مغز الهام‌بخش معماری‌های جدید

جالب اینه که تحقیقات neuroscience داره به طراحی AI های بهتر کمک می‌کنه:

Sparse coding: مغز در هر لحظه فقط یه زیرمجموعه کوچیک از نورون‌ها رو فعال می‌کنه. این «sparse activation» توی مدل‌های Mixture of Experts هم استفاده شده که باعث می‌شه مدل‌های بزرگ‌تر با هزینه کمتر چرخش کنن.

Predictive coding: یه تئوری مغز می‌گه که مغز مداوم پیش‌بینی می‌کنه و فقط تفاوت بین پیش‌بینی و واقعیت رو پردازش می‌کنه. این ایده روی Transformer ها تاثیر داشته.

Hippocampal replay: مغز در خواب خاطرات رو دوباره play می‌کنه تا تثبیتشون کنه. الهام گرفته از این، بعضی سیستم‌های AI دارن «memory consolidation» مصنوعی می‌سازن.

نوروساینتیست‌ها چی می‌گن؟

منصفانه‌ترین موضع اینه: شبکه‌های عصبی مصنوعی یه مدل ساده از نورون‌ها هستن، نه یه شبیه‌سازی واقعی مغز. مثل اینکه هواپیما از پرنده الهام گرفته، خیلی چیزها رو یاد گرفتیم، ولی هیچ هواپیمایی مثل پرنده پرواز نمی‌کنه.

Karl Friston، یکی از معروف‌ترین نوروساینتیست‌ها، معتقده که مدل‌های زبانی بزرگ از نظر اصولی با مغز فرق دارن، مغز با «active inference» کار می‌کنه و با محیطش interact می‌کنه، نه فقط text predict می‌کنه.

چی در آینده؟

تحقیقات neuromorphic computing سعی می‌کنه سخت‌افزاری بسازه که بیشتر مثل مغز کار کنه، Intel با Loihi chip و IBM با TrueNorth. اینا هنوز experimental هستن ولی ممکنه AI های آینده روی چنین سخت‌افزاری بچرخن.

از طرف دیگه، AI داره به neuroscience کمک می‌کنه، مدل‌های زبانی در پیش‌بینی activity مغز از fMRI data قابل توجه شدن. این «reverse engineering» مغز با کمک AI یه حوزه جذابه.

نتیجه

هوش مصنوعی و مغز انسان از هم الهام گرفتن، ولی در مسیرهای جدا تکامل پیدا کردن. AI در بعضی کارها، مثل پردازش متن در مقیاس، تشخیص pattern در داده‌های بزرگ، از انسان پیشی گرفته. مغز در بعضی کارها، کارایی انرژی، few-shot learning، common sense reasoning، یکپارچگی حسی، هنوز خیلی جلوتره.

فهمیدن این تفاوت‌ها نه‌تنها برای ارزیابی ادعاهای AI مفیده، بلکه برای استفاده بهتر از ابزارهای موجود هم کمک می‌کنه.

همچنین بخوان

• شبکه عصبی مصنوعی چیست؟
• یادگیری عمیق چیست؟
• ترنسفورمر چیست؟
• شناخت پیوسته در هوش مصنوعی