نورون‌های منفرد انسانی مانند «کامپیوترهای بیولوژیکی» عمل می‌کنند و مدل‌های دهه‌ها علوم اعصاب را زیر و رو می‌کنند

برای دهه‌ها، مدل غالب هوش انسانی بر یک فرض ساده مقیاس تکیه داشت. مغز به طور گسترده به عنوان یک شبکه عظیم متشکل از تقریباً ۱۰۰ میلیارد سوئیچ دودویی ساده در نظر گرفته می‌شد که برای انتقال سیگنال‌ها روشن و خاموش می‌شوند. در این چارچوب، جادوی شناخت نه در خود اجزا، بلکه کاملاً در تعداد نجومی اتصالات بین آن‌ها نهفته بود.

اکنون، یک مطالعه برجسته که در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شده است، این فرض بنیادی را زیر و رو کرده است. داده‌ها نشان می‌دهند که سوئیچ‌های منفرد اصلاً ساده نیستند، بلکه به خودی خود به عنوان دستگاه‌های محاسباتی فوق‌العاده پیچیده عمل می‌کنند.[3]

یافته اصلی خیره‌کننده است: یک نورون قشر مغز انسان به تنهایی دارای پیچیدگی محاسباتی یک شبکه عصبی مصنوعی عمیق چندلایه کامل است. هر سلول مغزی انسان، به جای اینکه به عنوان یک گره پایه در یک ماشین بزرگتر عمل کند، به عنوان یک کامپیوتر بیولوژیکی مینیاتوری کار می‌کند.[1][3]

برای رسیدن به این نتیجه، محققان مجبور بودند یک مشکل اساسی را حل کنند: چگونه می‌توان قدرت محاسباتی یک سلول زنده و میکروسکوپی را به طور عینی اندازه‌گیری کرد. یک تیم مشترک از مرکز علوم مغز ادموند و لیلی صفرا در دانشگاه عبری و دانشگاه وریج آمستردام، یک معیار جدید به نام شاخص پیچیدگی عملکردی (FCI) را توسعه دادند.[3]

چارچوب FCI با قرار دادن زیست‌شناسی در مقابل هوش مصنوعی کار می‌کند. تیم تحقیقاتی به یک شبکه عصبی مصنوعی پیشرفته وظیفه داد تا رفتار ورودی-خروجی یک نورون بیولوژیکی منفرد را یاد بگیرد و به طور کامل بازتولید کند.[1][2]

فرض ساده بود: هرچه تقلید رفتار سلول بیولوژیکی برای «دوقلوی» مصنوعی دشوارتر باشد، امتیاز پیچیدگی سلول بیولوژیکی بالاتر است. هنگامی که این معیار در مدل‌های بیوفیزیکی بسیار دقیق اعمال شد، نتایج یک شکاف گونه‌ای عظیم را آشکار کرد. نورون‌های قشر مغز انسان برای تقلید رفتارشان به شبکه‌های مصنوعی به مراتب پیچیده‌تری نسبت به نورون‌های موش نیاز داشتند.[2][3]

داده‌ها مستقیماً ساختار فیزیکی را به عنوان منبع این قدرت نشان می‌دهند. نورون‌های هرمی انسان – سلول‌های تحریکی اصلی در قشر مغز – دارای درختان دندریتی با شاخه‌های فراوان هستند. این ساختارهای گسترده و شاخه‌مانند، سیگنال‌ها را از سلول‌های همسایه دریافت می‌کنند.[1][3]

نکته مهم این است که این دندریت‌ها فقط الکتریسیته را به طور غیرفعال به سمت بدنه اصلی سلول هدایت نمی‌کنند. در عوض، آن‌ها به عنوان زیرواحدهای پردازشی مستقل و غیرخطی عمل می‌کنند. آن‌ها می‌توانند اطلاعات را بخش‌بندی کنند و محاسبات را بر روی جریان‌های متعدد داده‌های ورودی به طور همزمان انجام دهند، پیش از آنکه سلول تصمیم به شلیک (فعال شدن) بگیرد.[3]

این مزیت ساختاری با ویژگی‌های الکتریکی منحصربه‌فرد تقویت می‌شود. داده‌های مستقل فرامولکولی نشان می‌دهد که انتهای گیرنده سیناپس‌ها در قشر مغز انسان دو تا سه برابر بزرگتر از جوندگان است. این امر امکان چگالی بسیار بالاتری از گیرنده‌های سیناپسی خاص و غیرخطی را فراهم می‌کند.[3]

به دلیل این چگالی، یک نورون منفرد انسانی می‌تواند ترکیبات پیچیده سیگنال‌های ورودی را تجزیه و تحلیل کند، نه اینکه صرفاً آن‌ها را به صورت خطی جمع کند. این قدرت پردازش داخلی به یک سلول اجازه می‌دهد تا به طور مستقل تمایزات حسی دشوار، مانند تفکیک ورودی‌های بصری پیچیده، را انجام دهد.[1][2]

با این حال، محققان در مورد محدودیت‌های شواهد فعلی صریح هستند. شاخص FCI بر روی بازسازی‌های دیجیتالی سه‌بعدی و بسیار دقیق از سلول‌های خاص آزمایش شد، و اگرچه این مدل‌ها پیشرفته هستند، اما همچنان تخمینی از بافت زنده محسوب می‌شوند.[3][4]

علاوه بر این، شکاف قابل توجهی در درک دینامیک شبکه باقی مانده است. در حالی که اکنون می‌دانیم نورون‌های منفرد انسانی فوق‌العاده پیچیده هستند، اینکه دقیقاً چگونه این میلیاردها ریزتراشه بیولوژیکی محاسبات داخلی پیشرفته خود را در سراسر شبکه گسترده‌تر مغز هماهنگ می‌کنند تا تفکر آگاهانه را تولید کنند، همچنان یک راز عمیق است.[4]

همچنین هنوز مشخص نیست که آیا این پیچیدگی سلولی شدید کاملاً منحصر به انسان است یا خیر. مقایسه‌های آینده بین گونه‌ها برای تعیین اینکه آیا این عمق محاسباتی به تدریج در سایر نخستی‌های پیشرفته مقیاس می‌یابد یا نشان‌دهنده یک جهش تکاملی متمایز در تبار انسان است، ضروری خواهد بود.[3][4]

با وجود این ناشناخته‌های آشکار، پیامدهای داده‌ها بسیار گسترده است. در زیست‌شناسی تکاملی، یافته‌ها نشان می‌دهند که جهش در شناخت انسان احتمالاً به همان اندازه که توسط گسترش کلی اندازه مغز هدایت شده، توسط ارتقاء اجزای سلولی منفرد نیز هدایت شده است.[1][4]

فراتر از زیست‌شناسی، این تحقیق یک طرح اولیه ملموس و مبتنی بر شواهد برای آینده هوش مصنوعی ارائه می‌دهد. سیستم‌های یادگیری ماشینی پیشرو امروزی از میلیاردها نقطه ریاضیاتی بیش از حد ساده و یکنواخت ساخته شده‌اند، به همین دلیل برای عملکرد به مزارع سرور عظیم و قدرت الکتریکی فراوان نیاز دارند.[2]

اگر مهندسان سخت‌افزار بتوانند گره‌های مصنوعی طراحی کنند که واقعاً قدرت محاسباتی عمیق و چندلایه یک نورون بیولوژیکی منفرد انسان را تقلید کنند، این امر می‌تواند مسیر یادگیری ماشینی را به طور اساسی تغییر دهد. این رویکرد الهام‌گرفته از مغز به سمت نسل جدیدی از شبکه‌های هوش مصنوعی اشاره دارد که فوق‌العاده قدرتمند، بسیار فشرده و به مراتب کم‌مصرف‌تر هستند.[2][4]