تحقیقات جدید مغز، نظریه‌های چند دهه‌ای را به چالش می‌کشد؛ حلقه‌های بازخورد می‌توانند منجر به هوش مصنوعی کم‌مصرف شوند

صنعت هوش مصنوعی در حال حاضر درگیر یک رقابت تسلیحاتی مبتنی بر نیروی خام است و مراکز داده‌ای را می‌سازد که به طور فزاینده‌ای عظیم هستند و مگاوات‌ها برق برای آموزش و اجرای مدل‌ها مصرف می‌کنند. در مقابل، مغز انسان – که به طور گسترده پیچیده‌ترین ساختار محاسباتی در جهان شناخته شده است – وظایف استدلال، ادراک و تصمیم‌گیری فوق‌العاده پیچیده‌ای را انجام می‌دهد، در حالی که تقریباً با ۲۰ وات برق کار می‌کند، که تقریباً معادل یک لامپ یخچال است. سال‌هاست که مهندسان به دنبال مهندسی معکوس این کارایی بیولوژیکی برای حل بحران انرژی قریب‌الوقوع هوش مصنوعی بوده‌اند. اکنون، یک کشف مهم در مورد نحوه پردازش اطلاعات توسط مغز، نظریه‌های تثبیت شده چندین دهه‌ای علوم اعصاب را به چالش می‌کشد و یک طرح جدید برای هوش مصنوعی کم‌مصرف ارائه می‌دهد.[1]

تیمی از محققان به رهبری یوری ولاسوف (Yurii Vlasov)، استاد مهندسی برق و کامپیوتر در دانشگاه ایلینوی اوربانا-شمپین (University of Illinois Urbana-Champaign)، شواهدی را کشف کرده‌اند که نشان می‌دهد تصمیم‌گیری در مغز بسیار زودتر از آنچه نظریه‌های سنتی پیشنهاد می‌کنند، آغاز می‌شود. این مطالعه که در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شده است، فرض دیرینه مبنی بر اینکه مغز مانند یک نوار نقاله ساده و یک‌طرفه عمل می‌کند را از بین می‌برد. این مدل سنتی «پایین به بالا» (bottom-up) نشان می‌داد که اندام‌های حسی داده‌ها را جمع‌آوری کرده، به مناطق اولیه ادراکی منتقل می‌کنند و در نهایت آن را به قشر پیشانی (frontal cortex) می‌سپارند، جایی که «تفکر» و تصمیم‌گیری واقعی رخ می‌دهد.[1][2][3]

برای آزمایش این مدل سلسله مراتبی، تیم میان‌رشته‌ای ولاسوف آزمایشی را طراحی کرد که شامل موش‌هایی بود که در یک راهروی واقعیت مجازی حرکت می‌کردند. همانطور که موش‌ها در محیط شبیه‌سازی شده حرکت می‌کردند و انتخاب‌هایی انجام می‌دادند، محققان دینامیک‌های زمانی سریع فعالیت عصبی آن‌ها را ثبت کردند. اگر نظریه سنتی نوار نقاله درست بود، سیگنال‌های تصمیم‌گیری تنها پس از تکمیل پردازش حسی در مناطق شناختی سطح بالاتر مغز ظاهر می‌شدند. در عوض، تیم مشاهده کرد که سیگنال‌های تصمیم‌گیری مستقیماً در قشر حسی-پیکری اولیه (S1) – اولین مرحله ادراک حسی – فعال می‌شوند.[1]

وجود این سیگنال‌ها در ناحیه S1 نشان می‌دهد که مغز به طور منفعلانه منتظر نمی‌ماند تا یک تصویر کامل قبل از تصمیم‌گیری در مورد نحوه واکنش، مونتاژ شود. در عوض، محققان کشف کردند که مناطق حسی اولیه از طریق حلقه‌های بازخورد سریع و دوطرفه، به طور فعال تحت تأثیر مناطق بالاتر مغز قرار می‌گیرند. قشر پیشانی تنظیمات «از بالا به پایین» را به مناطق حسی بازمی‌گرداند و به مغز کمک می‌کند تا در زمان واقعی «تصمیم بگیرد» که چه چیزی را درک می‌کند. این امر به جای جریان یک‌طرفه سخت داده‌ها، یک گفتگوی ثابت و با سرعت بالا را در چندین ناحیه مغزی ایجاد می‌کند.[1]

این درک سطح سیستمی از هوش بیولوژیکی، یک نقص معماری اساسی را در نحوه طراحی بیشتر هوش مصنوعی مدرن آشکار می‌کند. مدل‌های غالب هوش مصنوعی امروزی، از جمله مدل‌های زبان بزرگ و شبکه‌های عصبی کانولوشنال که رونق فناوری فعلی را هدایت می‌کنند، عمدتاً سیستم‌های «پیش‌خور» (feed-forward) هستند. در یک شبکه پیش‌خور، داده‌ها در یک جهت حرکت می‌کنند – از لایه ورودی، از طریق لایه‌های محاسباتی پنهان، به خروجی نهایی. هیچ گفتگوی بلادرنگ یا بازگشتی در طول فاز استنتاج وجود ندارد، که مستلزم آن است که سیستم مقادیر عظیمی از داده‌ها را به طور مداوم و ناکارآمد پردازش کند.[1]

ولاسوف اشاره کرد: «کد عصبی مغز هنوز عمدتاً یک زبان ناشناخته است»، اما درک این معماری توزیع‌شده و دوطرفه، نقشه‌راهی برای نحوه ساخت نسل بعدی شبکه‌های عصبی مصنوعی فراهم می‌کند. با تقلید از حلقه‌های بازخورد تودرتویی که توسط میلیاردها سال تکامل شکل گرفته‌اند، مهندسان می‌توانند به طور نظری سیستم‌های هوش مصنوعی را توسعه دهند که در استدلال و تشخیص الگو به طور قابل توجهی بهتر عمل می‌کنند، در حالی که کسری از برق مورد نیاز مدل‌های امروزی را مصرف می‌کنند.[1]

صرفه‌جویی در انرژی ذاتی این رویکرد بیولوژیکی ناشی از مفهوم محاسبات پراکنده و رویدادمحور است. از آنجایی که مناطق مغز از طریق حلقه‌های بازخورد در ارتباط دائمی هستند، نورون‌ها نیازی به فعال شدن مداوم یا پردازش نویز پس‌زمینه نامربوط ندارند. آن‌ها فقط در صورت لزوم فعال می‌شوند و پردازش خود را به صورت پویا بر اساس زمینه «از بالا به پایین» تنظیم می‌کنند. اگر شبکه‌های عصبی مصنوعی بتوانند تنظیمات دوطرفه مشابهی را با موفقیت پیاده‌سازی کنند، می‌توانند در حالت‌های کم‌مصرف باقی بمانند تا زمانی که داده‌های خاص و مرتبط، فعال‌سازی را تحریک کنند و مصرف برق پویا را به شدت کاهش دهند.[1]

این بینش بیولوژیکی، حوزه گسترده‌تر محاسبات نورومورفیک (neuromorphic computing) را تسریع می‌کند – شاخه‌ای از مهندسی که به ساخت سخت‌افزاری اختصاص دارد که از سازماندهی فیزیکی مغز تقلید می‌کند. برخلاف تراشه‌های سیلیکونی معمولی که حافظه و پردازش را جدا می‌کنند، تراشه‌های نورومورفیک تلاش می‌کنند این عملکردها را در یک مکان قرار دهند و از شبکه‌های عصبی «جهشی» (spiking) استفاده کنند که از طریق تکانه‌های الکتریکی گسسته ارتباط برقرار می‌کنند، بسیار شبیه به نورون‌های بیولوژیکی. نمونه‌های اولیه اخیر از مؤسساتی مانند دانشگاه کالیفرنیا سن دیگو (UC San Diego) قبلاً نشان داده‌اند که سخت‌افزار الهام گرفته از مغز می‌تواند با اجازه دادن به تعامل جمعی اجزا، سرعت و کارایی انرژی وظایف تشخیص الگو را بهبود بخشد.

با این حال، ترجمه حلقه‌های بازخورد ظریف مغز پستانداران به معماری سیلیکونی مقیاس‌پذیر، همچنان یک چالش مهندسی بزرگ است. در حالی که مطالعه دانشگاه ایلینوی ثابت می‌کند که این حلقه‌های دوطرفه وجود دارند و برای تصمیم‌گیری کارآمد حیاتی هستند، زمان‌بندی و هماهنگی دقیق این دینامیک‌های زمانی سریع هنوز به طور کامل درک نشده است. تیم ولاسوف قصد دارد فناوری‌های جدیدی را برای اندازه‌گیری فعالیت عصبی در سطحی حتی دقیق‌تر توسعه دهد تا دقیقاً نحوه ظهور و همگام‌سازی این حلقه‌ها در سطوح مختلف پردازش مغز را ترسیم کند.

علاوه بر این، یک مانع ریاضی در توسعه هوش مصنوعی وجود دارد. از لحاظ تاریخی، محققان هوش مصنوعی دریافته‌اند که معرفی حلقه‌های بازخورد پیچیده و بازگشتی در شبکه‌های عصبی مصنوعی، آموزش آن‌ها را به طرز بدنامی دشوار می‌کند. الگوریتم‌های استانداردی که برای آموزش هوش مصنوعی استفاده می‌شوند، مانند پس‌انتشار (backpropagation)، اغلب با مشکل «گرادیان محوشونده» (vanishing gradient) دست و پنجه نرم می‌کنند، زمانی که داده‌ها به طور مکرر به خود بازمی‌گردند و مدل‌ها را ناپایدار می‌سازند. شبکه‌های پیش‌خور دقیقاً به این دلیل به استاندارد صنعتی تبدیل شدند که آموزش آن‌ها با استفاده از محاسبات نیروی خام بر روی واحدهای پردازش گرافیکی (GPUs) مدرن آسان‌تر بود.[1]

با وجود این چالش‌ها، هزینه‌های زیست‌محیطی و مالی فزاینده هوش مصنوعی پیش‌خور، صنعت را مجبور می‌کند که به راه‌حل‌های بیولوژیکی روی آورد. وزارت انرژی ایالات متحده و آزمایشگاه‌های ملی مختلف به طور فعال در حال تأمین مالی تحقیقات در مورد سیستم‌های نورومورفیک هستند، با هدف توسعه هوش مصنوعی که بتواند با همان بودجه ۲۰ واتی ذهن انسان کار کند. اگر حلقه‌های بازخورد دوطرفه مشاهده شده در قشر حسی-پیکری اولیه با موفقیت مدل‌سازی ریاضی شده و در سیلیکون جاسازی شوند، این امر نشان‌دهنده یک تغییر پارادایم در محاسبات خواهد بود.[1][2]

پیامدهای این تحقیق بسیار فراتر از کاهش قبض برق مراکز داده عظیم است. هوش مصنوعی کم‌مصرف و الهام گرفته از مغز می‌تواند یادگیری ماشینی پیشرفته را از فضای ابری جدا کند و امکان تصمیم‌گیری قدرتمند و بلادرنگ را مستقیماً در دستگاه‌های لبه (edge devices) فراهم سازد. از وسایل نقلیه خودران که می‌توانند داده‌های حسی را با سرعت بیولوژیکی پردازش کنند تا دستگاه‌های نظارت بر سلامت پوشیدنی که ناهنجاری‌ها را بدون تخلیه باتری تشخیص می‌دهند، کاربردهای هوش مصنوعی کم‌مصرف بسیار گسترده است. دانشمندان با نگاهی به معماری ذهن خودمان، کلید هوشمندتر و پایدارتر کردن هوش مصنوعی را پیدا می‌کنند.[3]