هوش ما چیزی است که ما را انسان می کند و هوش مصنوعی امتدادی از این کیفیت است. " - Yan LeCun

از زمان ظهور شبکه های عصبی (همچنین به عنوان شبکه های عصبی مصنوعی شناخته می شود)، صنعت هوش مصنوعی از موفقیت بی نظیری برخوردار بوده است. شبکه های عصبی نیروی محرکه سیستم های هوش مصنوعی مدرن هستند و از مغز انسان الگوبرداری شده اند.

تحقیقات هوش مصنوعی مدرن شامل ایجاد و پیاده سازی الگوریتم هایی است که هدف آنها شبیه سازی فرآیندهای عصبی مغز انسان است. هدف آنها ایجاد سیستم هایی است که به روش هایی مشابه انسان ها یاد می گیرند و عمل می کنند.

در این مقاله سعی خواهیم کرد رویکرد الهام گرفته از مغز برای ساختن سیستم‌های هوش مصنوعی را درک کنیم.

در اینجا چیزی است که ما پوشش خواهیم داد:

چگونه به این موضوع نزدیک خواهیم شد

تاریخچه رویکرد الهام گرفته از مغز به هوش مصنوعی

مغز انسان چگونه کار می کند و چگونه با سیستم های هوش مصنوعی مرتبط است

اصول اصلی پشت رویکرد الهام گرفته از مغز به هوش مصنوعی

چالش ها در ساخت سیستم های هوش مصنوعی الهام گرفته از مغز

خلاصه

چگونه ما به این رویکرد

این مقاله با ارائه تاریخچه پس‌زمینه در مورد اینکه چگونه محققان شروع به مدل‌سازی هوش مصنوعی برای تقلید از مغز انسان کردند، آغاز می‌شود و با بحث در مورد چالش‌هایی که در حال حاضر محققان در تلاش برای تقلید از مغز انسان با آن مواجه هستند، پایان می‌یابد. در زیر شرح عمیقی از آنچه باید از هر بخش انتظار داشت ارائه شده است.

شایان ذکر است که اگرچه این مبحث ذاتاً گسترده است، سعی می کنم تا حد امکان مختصر و مختصر باشم تا این موضوع جذاب بماند. من قصد دارم موضوعات فرعی را که زیرشاخه های پیچیده تری دارند به عنوان مقاله های مستقل در نظر بگیرم. من همچنین در پایان مقاله مراجع خواهم گذاشت.

در اینجا خلاصه ای از آنچه را پوشش خواهیم داد آورده شده است:

تاریخچه رویکرد الهام گرفته از مغز به هوش مصنوعی: در اینجا ما در مورد چگونگی ایجاد همگرایی علوم اعصاب و علوم کامپیوتر توسط دانشمندان نورمن وینر و وارن مک کالوچ بحث خواهیم کرد. ما همچنین بحث خواهیم کرد که چگونه Perceptron فرانک روزنبلات اولین تلاش واقعی برای تقلید از هوش انسانی بود. و ما یاد خواهیم گرفت که چگونه شکست آن باعث ایجاد کار پیشگامانه ای شد که به عنوان بستر شبکه های عصبی عمل می کرد.

مغز انسان چگونه کار می‌کند و چگونه با سیستم‌های هوش مصنوعی ارتباط دارد: در این بخش، به مبانی بیولوژیکی رویکرد الهام‌گرفته از مغز به هوش مصنوعی می‌پردازیم. ما ساختار و عملکردهای اساسی مغز انسان را مورد بحث قرار خواهیم داد، ساختار اصلی آن، نورون، و نحوه کار آنها برای پردازش اطلاعات و فعال کردن اقدامات پیچیده را درک خواهیم کرد.

اصول اصلی در پس رویکرد الهام گرفته از مغز به هوش مصنوعی: در اینجا ما مفاهیم اساسی پشت رویکرد الهام گرفته از مغز به هوش مصنوعی را مورد بحث قرار خواهیم داد. ما مفاهیمی مانند شبکه های عصبی، پردازش سلسله مراتبی و کار پلاستیسیته را توضیح خواهیم داد. همچنین خواهیم آموخت که چگونه تکنیک های پردازش موازی، نمایش های توزیع شده و بازخورد مکرر به تقلید هوش مصنوعی از عملکرد مغز کمک می کند.

چالش‌های ساخت سیستم‌های هوش مصنوعی با الگوبرداری از مغز انسان: در اینجا ما در مورد چالش‌ها و محدودیت‌های ذاتی در تلاش برای ساختن سیستم‌هایی که شبیه مغز انسان هستند صحبت خواهیم کرد. چالش‌هایی مانند پیچیدگی مغز، و فقدان یک نظریه یکپارچه شناخت، و ما راه‌هایی را که به این چالش‌ها و محدودیت‌ها رسیدگی می‌شود، تحلیل خواهیم کرد.

شروع کنیم!

تاریخچه رویکرد الهام گرفته از مغز به هوش مصنوعی

تلاش برای ساخت ماشین‌هایی که توانایی رفتار هوشمندانه را دارند، مدیون پروفسور MIT نوربرت واینر است. نوربرت وینر یک کودک اعجوبه بود که تا سه سالگی می توانست بخواند. او دانش گسترده ای در زمینه های مختلف مانند ریاضیات، فیزیولوژی عصبی، پزشکی و فیزیک داشت.

نوربرت واینر معتقد بود که فرصت های اصلی در علم در کاوش در آنچه او به عنوان مناطق مرزی نامیده است نهفته است. اینها زمینه های تحصیلی هستند که به وضوح در یک رشته خاص نیستند، بلکه ترکیبی از رشته ها هستند، مانند مطالعه پزشکی و مهندسی که با هم ترکیب می شوند تا رشته مهندسی پزشکی را ایجاد کنند. از او نقل شده که گفت:

"اگر دشواری یک مسئله فیزیولوژیکی ماهیت ریاضی داشته باشد، ده فیزیولوژیست ناآگاه از ریاضیات دقیقاً به اندازه یک فیزیولوژیست ناآگاه از ریاضیات خواهند رسید."

در سال ۱۹۳۴، وینر و چند نفر دیگر از دانشگاهیان هر ماه گرد هم می آمدند تا در مورد مقالات مربوط به علم منطقه مرزی بحث کنند.

او آن را به عنوان "یک کاتارسیس کامل برای ایده های نیمه کاره، انتقاد ناکافی از خود، اعتماد به نفس اغراق آمیز و ابهام" توصیف کرد.

از این جلسات و از تحقیقات شخصی خود، واینر در مورد تحقیقات جدید در مورد سیستم های عصبی بیولوژیکی و همچنین در مورد کارهای پیشگام بر روی رایانه های الکترونیکی آشنا شد.

تمایل طبیعی او این بود که این دو زمینه را با هم ترکیب کند، پس رابطه ای بین علوم اعصاب و علوم کامپیوتر شکل گرفت. این رابطه سنگ بنای ایجاد هوش مصنوعی آنگونه که ما می شناسیم شد.

پس از جنگ جهانی دوم، وینر شروع به شکل‌دهی نظریه‌هایی در مورد هوش در انسان و ماشین کرد و این رشته جدید سایبرنتیک نام گرفت. هجوم وینر به سایبرنتیک در ترغیب دانشمندان به صحبت در مورد امکان ادغام زیست شناسی با مهندسی موفقیت آمیز بود.

یکی از این دانشمندان یک نوروفیزیولوژیست به ناموارن مک کالوخ بود. او دانشگاه هاورفورد را رها کرد و برای تحصیل در فلسفه و روانشناسی به دانشگاه ییل رفت. او هنگام شرکت در یک کنفرانس علمی در نیویورک، مقالاتی را که توسط همکارانش در مورد مکانیسم‌های بازخورد بیولوژیکی نوشته شده بود، کشف کرد.

سال بعد، مک کالوچ با همکاری شاگرد ۱۸ ساله درخشان خود به نام والتر پیتس، نظریه ای را در مورد نحوه عملکرد مغز ارائه کرد. این نظریه به تقویت این درک گسترده کمک می کند که کامپیوترها و مغزها اساساً به یک شکل عمل می کنند.

آنها نتیجه گیری خود را بر اساس تحقیقات مک کالوچ در مورد امکان پردازش نورون ها اعداد باینری (کامپیوترها از طریق اعداد باینری ارتباط برقرار می کنند) استوار کردند. این نظریه پایه و اساس اولین مدل شبکه عصبی مصنوعی شد که به نام نورون مک‌کالوخ پیتس (MCP) شناخته شد.

MCP به عنوان پایه ای برای ایجاد اولین شبکه عصبی، معروف به پرسپترون عمل کرد. Perceptron توسط روانشناس فرانک روزنبلات ساخته شده است. او با الهام از سیناپس‌های مغز، تصمیم گرفت که از آنجایی که مغز انسان می‌تواند اطلاعات را از طریق سیناپس‌ها (ارتباط بین نورون‌ها) پردازش و طبقه‌بندی کند، پس شاید یک کامپیوتر دیجیتالی بتواند همین کار را از طریق یک شبکه عصبی انجام دهد.

Perceptron اساساً نورون MCP را از یک نورون مصنوعی به شبکه ای از نورون ها تبدیل کرد. اما متأسفانه، پرسپترون دارای چالش‌های فنی بود که کاربرد عملی آن را محدود کرد. قابل توجه ترین این محدودیت ها ناتوانی آن در انجام عملیات پیچیده بود (مانند طبقه بندی بین بیش از یک آیتم – برای مثال، پرسپترون نمی توانست بین گربه، سگ و پرنده طبقه بندی کند).

در سال ۱۹۶۹، کتابی با عنوان پرسپترون توسط ماروین مینسکی و سیمور پیپرت منتشر شد که به تفصیل ایرادات پرسپترون را بیان می کند. به همین دلیل، تحقیقات در مورد شبکه های عصبی مصنوعی تا زمانی که پل وربوس پیشنهاد Back Propagation را ارائه کرد، راکد ماند.

Back Propagation امیدوار است بتواند مسئله طبقه بندی داده های پیچیده را که مانع کاربرد صنعتی شبکه های عصبی در آن زمان بود، حل کند. این روش از شکل پذیری سیناپسی الهام گرفته شده است - روشی که مغز نقاط قوت اتصالات بین نورون ها را اصلاح می کند و به این ترتیب عملکرد را بهبود می بخشد.

Back Propagation برای تقلید از فرآیندی در مغز طراحی شده است که ارتباطات بین نورون ها را از طریق فرآیندی به نام تنظیم وزن تقویت می کند.

علی‌رغم پیشنهاد اولیه پل وربوس، مفهوم انتشار به عقب تنها زمانی مورد پذیرش گسترده قرار گرفت که محققانی مانند دیوید رومل‌هارت ، جفری هینتون و رونالد ویلیامز مقالاتی را منتشر کردند که اثربخشی آن را برای آموزش شبکه‌های عصبی نشان می‌داد.

پیاده سازی پس انتشار منجر به ایجاد یادگیری عمیق شد که اکثر سیستم های هوش مصنوعی موجود در جهان را قدرت می دهد.

مردم از رایانه‌های امروزی باهوش‌تر هستند، زیرا مغز از یک معماری محاسباتی اولیه استفاده می‌کند که برای مقابله با یک جنبه مرکزی از وظایف پردازش اطلاعات طبیعی که افراد در آن مهارت دارند، مناسب‌تر است. » - پردازش موازی توزیع شده

ما در مورد اینکه چگونه محققان شروع به مدلسازی هوش مصنوعی برای تقلید از مغز انسان کردند بحث کرده ایم. حال بیایید به نحوه عملکرد مغز نگاه کنیم و رابطه بین مغز و سیستم های هوش مصنوعی را تعریف کنیم.

چگونه مغز کار می کند - یک توضیح ساده

مغز انسان اساساً افکار را از طریق استفاده از نورون ها پردازش می کند. یک نورون از ۳ بخش هسته تشکیل شده است: دندریت، آکسون و سوما.

دندریت مسئول دریافت سیگنال از نورون های دیگر است. سوما اطلاعات دریافتی از دندریت را پردازش می کند و آکسون مسئول انتقال اطلاعات پردازش شده به دندریت بعدی در دنباله است.

برای درک اینکه مغز چگونه فکر را پردازش می کند، تصور کنید ماشینی را می بینید که به سمت شما می آید. چشمان شما بلافاصله سیگنال های الکتریکی را از طریق عصب بینایی به مغز شما ارسال می کند. سپس مغز زنجیره ای از نورون ها را تشکیل می دهد تا سیگنال دریافتی را بفهمد.

پس اولین نورون در زنجیره سیگنال را از طریق دندریت های خود جمع آوری می کند و برای پردازش سیگنال به سوما می فرستد. پس از اینکه سوما کار خود را به پایان رساند، سیگنال را به آکسون می فرستد و سپس آن را به دندریت نورون بعدی در زنجیره می فرستد.

ارتباط بین آکسون ها و دندریت ها هنگام انتقال اطلاعات سیناپس نامیده می شود. پس کل فرآیند تا زمانی ادامه می‌یابد که مغز یک ورودی سیناپسی Sapiotemporal را پیدا کند (این زبان علمی برای مغز به پردازش ادامه می‌دهد تا زمانی که پاسخ بهینه به سیگنال ارسال شده به خود پیدا کند). سپس سیگنال‌هایی را به عوامل مؤثر، مثلاً پاهای شما، می‌فرستد و سپس مغز سیگنالی را به پاهای شما می‌فرستد تا از ماشین مقابل فرار کنید.

رابطه بین مغز و سیستم های هوش مصنوعی

رابطه بین مغز و هوش مصنوعی تا حد زیادی برای دو طرف سودمند است. مغز منبع اصلی الهام در طراحی سیستم‌های هوش مصنوعی و پیشرفت‌های هوش مصنوعی است که منجر به درک بهتر مغز و نحوه عملکرد آن می‌شود.

وقتی صحبت از مغز و هوش مصنوعی به میان می آید، تبادل دانش و ایده ها متقابل است. چندین مثال وجود دارد که ماهیت مثبت همزیستی این رابطه را تایید می کند:

شبکه‌های عصبی: مسلماً اصلی ترین تأثیر مغز انسان بر حوزه هوش مصنوعی، ایجاد شبکه‌های عصبی است. در اصل، شبکه های عصبی مدل های محاسباتی هستند که عملکرد و ساختار نورون های بیولوژیکی را تقلید می کنند. معماری شبکه‌های عصبی و الگوریتم‌های یادگیری آن‌ها عمدتاً از نحوه تعامل و انطباق نورون‌های مغز الهام گرفته شده است.

شبیه سازی مغز: سیستم های هوش مصنوعی برای شبیه سازی مغز انسان و مطالعه تعاملات آن با دنیای فیزیکی استفاده شده است. برای مثال، محققان تکنیک‌های یادگیری ماشینی برای شبیه‌سازی فعالیت نورون‌های بیولوژیکی درگیر در پردازش بصری دارند. نتیجه، بینشی را در مورد نحوه مدیریت اطلاعات بصری توسط مغز فراهم کرده است.

بینش هایی در مورد مغز: محققان استفاده از الگوریتم های یادگیری ماشین را برای تجزیه و تحلیل و به دست آوردن بینش از داده های مغز و اسکن های fMRI آغاز کرده اند. این بینش ها به شناسایی الگوها و روابطی کمک می کند که در غیر این صورت پنهان می ماندند. این بینش ها می توانند به ما در درک عملکردهای شناختی درونی، حافظه و تصمیم گیری کمک کنند. آنها همچنین به درمان بیماری های بومی مغز مانند آلزایمر کمک می کنند.

اصول اصلی در پس رویکرد الهام گرفته از مغز به هوش مصنوعی

در اینجا ما چندین مفهوم را مورد بحث قرار خواهیم داد که به هوش مصنوعی کمک می کند تا از نحوه عملکرد مغز انسان تقلید کند. این مفاهیم به محققان هوش مصنوعی کمک کرده است تا سیستم های قدرتمندتر و هوشمندتری ایجاد کنند که قادر به انجام وظایف پیچیده هستند.

شبکه های عصبی

همانطور که قبلاً گفته شد، شبکه های عصبی مسلماً مهمترین الهام را از مغز انسان گرفته اند و بیشترین تأثیر را بر حوزه هوش مصنوعی گذاشته اند.

در اصل، شبکه های عصبی مدل های محاسباتی هستند که عملکرد و ساختار نورون های بیولوژیکی را تقلید می کنند. این شبکه ها از لایه های مختلفی از گره های به هم پیوسته به نام نورون های مصنوعی تشکیل شده اند که به پردازش و انتقال اطلاعات کمک می کنند. این شبیه کاری است که توسط دندریت ها، سوماها و آکسون ها در شبکه های عصبی بیولوژیکی انجام می شود.

شبکه های عصبی به گونه ای طراحی شده اند که از تجربیات گذشته به همان روشی که مغز این کار را انجام می دهد، درس بگیرد.

نمایندگی های توزیع شده

نمایش های توزیع شده به سادگی راهی برای رمزگذاری مفاهیم یا ایده ها در یک شبکه عصبی به عنوان یک الگو در امتداد چندین گره در شبکه به منظور تشکیل یک الگو هستند.

به عنوان مثال، مفهوم سیگار کشیدن را می توان با استفاده از مجموعه خاصی از گره ها در یک شبکه عصبی نمایش داد (رمزگذاری کرد). پس اگر شبکه‌ای روی تصویر فردی در حال سیگار کشیدن قرار بگیرد، سپس از آن گره‌های انتخاب شده برای درک تصویر استفاده می‌کند (بسیار پیچیده‌تر از آن است، اما برای سادگی، آن را رها می‌کنیم).

این تکنیک به سیستم‌های هوش مصنوعی کمک می‌کند مفاهیم پیچیده یا روابط بین مفاهیم را به همان روشی که مغز محرک‌های پیچیده را تشخیص می‌دهد و به خاطر می‌آورد، به خاطر بسپارد.

بازخورد مکرر

این تکنیکی است که در آموزش مدل‌های هوش مصنوعی استفاده می‌شود که در آن خروجی یک شبکه عصبی به عنوان ورودی برگردانده می‌شود تا به شبکه اجازه دهد خروجی خود را به عنوان ورودی داده اضافی در آموزش ادغام کند. این شبیه نحوه استفاده مغز از حلقه های بازخورد است تا مدل خود را بر اساس تجربیات قبلی تنظیم کند.

پردازش موازی

پردازش موازی شامل تقسیم وظایف محاسباتی پیچیده به بیت‌های کوچک‌تر در تلاش برای پردازش بیت‌های کوچک‌تر در یک پردازنده دیگر در تلاش برای بهبود سرعت است. این رویکرد سیستم‌های هوش مصنوعی را قادر می‌سازد تا داده‌های ورودی بیشتری را سریع‌تر پردازش کنند، مشابه اینکه مغز چگونه می‌تواند وظایف مختلف را به طور همزمان انجام دهد (چند وظیفه).

مکانیسم های توجه

این تکنیکی است که به مدل‌های هوش مصنوعی امکان می‌دهد روی بخش‌های خاصی از داده‌های ورودی تمرکز کنند. معمولاً در بخش هایی مانند پردازش زبان طبیعی که حاوی داده های پیچیده و دست و پا گیر است، استفاده می شود.

این الهام از توانایی مغز برای توجه به بخش‌های خاصی از یک محیط تا حد زیادی حواس‌پرت کننده است - مانند توانایی شما برای هماهنگ کردن و تعامل در یک مکالمه خارج از مخمصه مکالمات.

یادگیری تقویتی

یادگیری تقویتی تکنیکی است که برای آموزش سیستم های هوش مصنوعی استفاده می شود. این الهام از نحوه یادگیری انسان ها از طریق آزمون و خطا بود. این شامل یک عامل هوش مصنوعی است که بر اساس اقدامات خود پاداش یا مجازات دریافت می کند. این عامل را قادر می سازد تا از اشتباهات خود درس گرفته و در اقدامات آینده خود کارآمدتر باشد (این تکنیک معمولاً در ساخت بازی ها استفاده می شود).

یادگیری بدون نظارت

مغز دائماً جریان های جدیدی از داده ها را به صورت صداها، محتوای بصری، احساسات حسی به پوست و غیره دریافت می کند. باید همه آن را معنا کند و تلاش کند تا درک منسجم و منطقی از این که چگونه همه این رویدادهای به ظاهر متفاوت بر وضعیت فیزیکی آن تأثیر می‌گذارند، شکل دهد.

این تشبیه را به عنوان مثال در نظر بگیرید: احساس می‌کنید قطره‌ای آب روی پوستتان می‌افتد، صدای قطرات آب را می‌شنوید که به سرعت روی پشت‌بام می‌ریزد، احساس می‌کنید لباس‌هایتان سنگین می‌شوند و در آن لحظه، می‌دانید که باران در حال باریدن است.

سپس بانک حافظه خود را جستجو کنید تا مطمئن شوید چتر حمل می کنید یا خیر. اگر این کار را کردید، خوب هستید، در غیر این صورت فاصله مکان فعلی خود را تا خانه خود تحلیل می کنید. اگر نزدیک است، خوب هستید، اما در غیر این صورت سعی می‌کنید شدت باران را بسنجید. اگر نم نم باران ملایم باشد، می‌توانید سفر را به خانه خود ادامه دهید، اما اگر باران شدیدتر می‌شود، باید سرپناهی پیدا کنید.

توانایی درک نقاط داده به ظاهر متفاوت (آب، صدا، احساس، فاصله) در هوش مصنوعی در قالب تکنیکی به نام یادگیری بدون نظارت پیاده سازی شده است. این یک تکنیک آموزشی هوش مصنوعی است که در آن به سیستم‌های هوش مصنوعی آموزش داده می‌شود که داده‌های خام و بدون ساختار را بدون برچسب‌گذاری صریح معنا کنند (آیا کسی به شما ن او میگوید که باران در حال باریدن است؟).

چالش ها در ساختن سیستم های هوش مصنوعی الهام گرفته از مغز

تا کنون، شما یاد گرفته اید که چگونه محققان از مغز به عنوان الهام بخش سیستم های هوش مصنوعی استفاده می کنند. ما همچنین در مورد چگونگی ارتباط مغز با هوش مصنوعی و اصول اصلی پشت هوش مصنوعی الهام گرفته از مغز بحث کرده‌ایم.

در این بخش، ما قصد داریم در مورد برخی از چالش های فنی و مفهومی ذاتی در ساخت سیستم های هوش مصنوعی با الگوبرداری از مغز انسان صحبت کنیم.

پیچیدگی

این یک چالش بسیار دلهره آور است. رویکرد الهام گرفته از مغز برای هوش مصنوعی مبتنی بر مدل سازی مغز و ساختن سیستم های هوش مصنوعی پس از آن مدل است. اما مغز انسان یک سیستم ذاتاً پیچیده با ۱۰۰ میلیارد نورون و تقریباً ۶۰۰ تریلیون اتصال سیناپسی است (هر نورون به طور متوسط ​​۱۰۰۰۰ اتصال سیناپسی با سایر نورون ها دارد). این سیناپس ها دائماً به روش های پویا و غیرقابل پیش بینی در حال تعامل هستند.

ساختن سیستم‌های هوش مصنوعی با هدف تقلید، و شاید فراتر از آن پیچیدگی، به خودی خود یک چالش است و به مدل‌های آماری به همان اندازه پیچیده نیاز دارد.

داده های مورد نیاز برای آموزش مدل های بزرگ

Open AI's GPT 4، که در حال حاضر، لبه برتر مدل‌های هوش مصنوعی مبتنی بر متن است، به ۴۷ گیگا بایت داده نیاز دارد. در مقایسه، GPT3 سلف آن بر روی ۱۷ گیگابایت داده آموزش داده شده است که تقریباً ۳ مرتبه قدر کمتر است. تصور کنید GPT 5 روی چه مقدار آموزش می بیند.

برای به دست آوردن نتایج قابل قبول، سیستم‌های هوش مصنوعی الهام گرفته از مغز به مقادیر زیادی داده برای وظایف، به‌ویژه کارهای شنیداری و بصری نیاز دارند. این امر تاکید زیادی بر ایجاد خطوط لوله جمع آوری داده دارد. به عنوان مثال، تسلا ۷۸۰ میلیون مایل داده رانندگی دارد و خط لوله جمع آوری داده های آن هر ۱۰ ساعت یک میلیون مایل دیگر اضافه می کند.

بهره وری انرژی

ساختن سیستم‌های هوش مصنوعی الهام گرفته از مغز که بازده انرژی مغز را تقلید می‌کنند، چالش بزرگی است. مغز انسان تقریباً ۲۰ وات برق مصرف می کند. در مقایسه، اتوپایلوت تسلا، روی تراشه‌های تخصصی، حدود ۲۵۰۰ وات در ثانیه مصرف می‌کند و برای آموزش یک مدل هوش مصنوعی به اندازه ChatGPT ، حدود ۷.۵ مگاوات ساعت (MWh) زمان نیاز است .

مشکل توضیح پذیری

توسعه سیستم های هوش مصنوعی الهام گرفته از مغز که توسط کاربران قابل اعتماد باشد برای رشد و پذیرش هوش مصنوعی بسیار مهم است – اما مشکل در همین ج است.

مغز، که قرار است سیستم‌های هوش مصنوعی از آن الگوبرداری شود، در اصل یک جعبه سیاه است. درک عملکرد درونی مغز تا حدودی به دلیل کمبود اطلاعات در مورد چگونگی پردازش فکر توسط مغز آسان نیست.

هیچ تحقیقی در مورد ساختار بیولوژیکی مغز انسان وجود ندارد، اما کمبود خاصی از اطلاعات تجربی در مورد کیفیت های عملکردی مغز وجود دارد - یعنی اینکه فکر چگونه شکل می گیرد، چگونه deja vu رخ می دهد و غیره. این منجر به مشکلاتی در ساخت سیستم های هوش مصنوعی الهام گرفته از مغز می شود.

الزامات بین رشته ای

عمل ساختن سیستم های هوش مصنوعی الهام گرفته از مغز نیازمند دانش متخصصان در زمینه های مختلف مانند علوم اعصاب، علوم کامپیوتر، مهندسی، فلسفه و روانشناسی است.

اما این چالش‌ها، هم از لحاظ لجستیکی و هم از نظر بنیادی را به همراه دارد: جذب کارشناسان از حوزه‌های مختلف از نظر مالی گران است. همچنین، مشکل تضاد دانش وجود دارد - می‌تواند واقعاً دشوار باشد که یک مهندس به تأثیرات روانی چیزی که می‌سازد اهمیت دهد، نه به مشکل برخورد خودها.

خلاصه

در حالی که به نظر می رسد رویکرد الهام گرفته از مغز راهی واضح برای ساختن سیستم های هوش مصنوعی است، اما چالش های خود را دارد. اما می توان با این امید به آینده نگاه کرد که برای حل این مشکلات تلاش می شود.

اگر از این مقاله لذت بردید، در خبرنامه من مشترک شوید تا مقالات بیشتری از این قبیل دریافت کنید.

منابع