هوش مصنوعی بهتر برای الکسا، تسلا؟ تیم پرینستون کد تصمیم‌گیری مغز را شکست
فرض کنید در حال عبور از یک خیابان شلوغ هستید و ناگهان صدای شیری یک خودرو به گوش شما می‌رسد. سر شما به‌طور خودکار به طرف صدا می‌چرخد و احتمالاً قدمی به جلو یا عقب برمی‌دارید.
مغز انسان باید اطلاعات زیادی را پردازش کند تا تصمیمات لحظه‌ای بگیرد. چگونه مغز می‌تواند نشانه‌های حسی متناقض و مشابه را پردازش کند تا بهترین انتخاب را انجام دهد؟
یک مطالعه جدید از دانشمندان عصب‌شناسی پرینستون به فهم تازه‌ای از این فرآیند پیچیده پرداخت. یافته‌های آنها نه تنها می‌تواند به فهم بهتر تصمیم‌گیری در مغز انسان کمک کند، بلکه می‌تواند سیستم‌های هوش مصنوعی، مانند خودروهای خودران و دستیارهای مجازی، را نیز تقویت کند.
"هدف از این تحقیق، درک این بود که آیا مکانیزم‌های کم‌بعدی در شبکه‌های بزرگ عصبی تکراری عمل می‌کردند؟" نویسنده تحقیق، کریستوفر لنگدون گفت.
مرکز تصمیم‌گیری مغز
در مطالعه جدید، محققان مدل 'مدار نهفته' را ارائه کردند که فرض می‌کند تنها تعدادی نورون منتخب که به‌عنوان 'رهبران اصلی' شناخته می‌شوند، مسئول تصمیم‌گیری هستند، به‌جای مطالعه کل شبکه نورون‌های به یکدیگر متصل.
این روش که به‌عنوان مدل 'کم‌بعدی' شناخته می‌شود، نحوه درک محاسبات مغزی را تغییر می‌دهد. برای اعتبارسنجی مدل خود، لنگدون و انگل از سناریوی تصمیم‌گیری معمولاً استفاده شده در انسان‌ها و حیوانات دیگر استفاده کردند.
در این کار، شرکت‌کنندگان ابتدا یک شکل روی صفحه (مربع یا مثلث) به عنوان نشانه زمینه می‌بینند. سپس شبکه‌ای از نقاط متحرک (یک نشانه حسی) مشاهده می‌کنند. بسته به شکل اولیه، آنها باید یا رنگ نقاط (قرمز یا سبز) یا جهت حرکت آنها (چپ یا راست) را تعیین کنند.
محققان فعالیت عصبی ثبت شده در طول این کار را با استفاده از مدل مدار نهفته تجزیه و تحلیل کردند. آنها یک الگوی ویژگی مرکزی مشاهده کردند: هنگامی که حرکت نشانه مرتبط بود، نورون‌هایی که شکل گرفته بودند قادر به سرکوب فعالیت نورون‌های پردازش رنگ بودند. هنگامی که رنگ نشانه برجسته بود، پدیده معکوس مشاهده شد - نورون‌های پردازش رنگ نورون‌هایی را که مرتبط با حرکت بودند مهار کردند.
"این بسیار هیجان‌انگیز بود که مکانیزم واضح و قابل فهمی در داخل یک شبکه بزرگ یافتیم،" لنگدون گفت.
مدل مدار نهفته تنها روابط بین نورون‌ها را ثبت نمی‌کند؛ بلکه پیش‌بینی‌ها نیز می‌کند. پژوهشگران نشان دادند که اگر اتصالات عصبی خاص در مدل ضعیف یا حذف شوند، عملکرد تصمیم‌گیری به طرز منطقی‌ای دچار افت می‌شود.
"چیزی که در کار جدید ما باحال است این است که نشان دادیم چگونه می‌توانید همه آن چیزهایی که می‌توانید با یک مدار انجام دهید را به یک شبکه بزرگ منتقل کنید،" لنگدون گفت.
"هنگامی که یک مدار عصبی کوچک با دست می‌سازید، خیلی چیزها وجود دارد که می‌توانید انجام دهید تا خود را متقاعد کنید که آن را می‌فهمید. شما می‌توانید با اتصالات بازی کنید و گره‌ها را تحریک کنید، و وقتی با مدار به این شکل بازی کنید، تقریباً می‌توانید حدس بزنید چه اتفاقی برای رفتار خواهد افتاد."
پیامدها برای اختلالات مغزی و هوش مصنوعی
اختلالاتی مانند افسردگی افسردگی ، ADHD، و بیماری آلزایمر اغلب با مشکلاتی در تصمیم‌گیری همراه هستند. این تحقیق می‌تواند روزی روش‌های درمانی بهتری برای این شرایط فراهم کند از طریق افشای اصول ریاضی اساسی.
علاوه بر پیشرفت درک ما از سیستم عصبی عصبی انسان، این مدل می‌تواند هوش مصنوعی را تقویت کند. دستیارهای دیجیتال مانند الکسا یا حتی خودروهای خودران به الگوریتم‌های تصمیم‌گیری متکی هستند که چندین ورودی حسی را ترکیب می‌کنند. اگر سیستم‌های هوش مصنوعی بتوانند طراحی شوند تا به شیوه‌ای که مغز انسان اطلاعات متناقض را تطبیق می‌دهد و حل می‌کند، عمل کنند، بسیار قابل اعتمادتر خواهند شد.
مرحله بعدی تحقیق شامل اعمال مدل مدار نهفته به سایر وظایف تصمیم‌گیری به خوبی مطالعه شده است. "بسیاری از وظایف تصمیم‌گیری کنترل‌شده به شدت که توسط تجربی‌کاران مطالعه می‌شود، من معتقدم که آنها احتمالاً دارای مکانیزم‌های نهفته نسبتاً ساده‌ای هستند،" لنگدون گفت.
"امید من این است که بتوانیم اکنون به دنبال این مکانیزم‌ها در آن مجموعه داده‌ها باشیم،" او نتیجه‌گیری کرد .
این مطالعه در Nature Neuroscience . منتشر شده است.
