غزال زیاری: در چنین موضوعی مدل‌های پیشرفته هوش مصنوعی باید از موش‌های فروتن درس‌های زیادی بیاموزند. اخیراً محققان بین‌المللی مطالعات پیشرفته در ایتالیا (SISSA)، از یک مدل تشخیص تصویر خواستند تا توانایی موش‌ها برای تشخیص اشیایی که چرخانده می‌شوند، تغییر سایز دارند و یا تا حدودی مبهم هستند را تکرار کنند.
مدل هوش مصنوعی درنهایت توانست تا با قابلیت‌های پردازش تصویر توسط موش‌ها برابری کند؛ اما این اتفاق بعد از استفاده‌های مکرر از منابع بیشتر و قدرت رایانه صورت گرفت. باوجودی که شناسایی اشیاء در موقعیت اصلی آنها، برای هوش مصنوعی و موش صحرایی آسان بود، اما محققان مجبور بودند تا با تقویت عملکرد مدل، آن را با قابلیت‌های پردازش موش‌ها در هنگام شناسایی اشیایی که به روش‌های مختلف تغییر داده می‌شدند، تطبیق دهند.
طبق گفته محققان، یافته‌های به‌دست‌آمده حکایت از آن دارد که بینایی موش‌ها که در طول میلیون‌ها سال تکامل، به‌خوبی تنظیم‌شده، هنوز حتی از سیستم‌های تشخیص تصویر قدرتمند کارآمدتر است.
بینایی کارآمد و سازگار موش‌ها
بینایی موش با دید انسان از چندین جهت متفاوت است. مثلاً چشمان موش‌ها مثل بسیاری از پستانداران دیگر، در دو طرف سرشان قرار دارد که به آنها میدان دید وسیع‌تری برای شناسایی در طبیعت و دوری از شکارچیان می‌دهد. تحقیقات گذشته نشان داده بود که چشم‌های موش بسته به جهت سرشان، در دو جهت مخالف یکدیگر حرکت می‌کنند. این باعث می‌شود وقتی موش‌ها سرشان را به سمت پایین می‌برند، چشم‌هایشان متقاطع به نظر می‌رسند.
در آزمایش اخیر، محققان با رفتارهایی شروع به آموزش دادن موش‌ها کردند تا موش‌ها بتوانند اشیای به نمایش درآمده روی مانیتور را شناسایی کنند. آنها وقتی شی‌ء موردنظر را شناسایی می‌کردند، یک حسگر لمسی را فعال کردند.
محققان SISSA برای مقایسه بینایی موش با هوش مصنوعی، یک شبکه عصبی پیچشی (CNN) ایجاد کردند. این نوع از مدل یادگیری عمیق که به‌عنوان یکی از پیشرفته‌ترین سیستم‌های هوش مصنوعی برای تشخیص تصویر توسط مهندسان شناخته می‌شود، پس از بررسی قشر بینایی پستانداران تا حدی مدل‌سازی شد. این شبکه عصبی پیچشی از یک سیستم مبتنی بر لایه برای شناسایی اشیا استفاده کرد. ابتدایی‌ترین پایه‌ها قادر است تا ویژگی‌های ساده‌ای مثل لبه‌ها و تضادها را پردازش و شناسایی کند. لایه‌های جدیدی در بالا اضافه می‌شوند تا انواع پیچیده‌تر تصاویر شناسایی شود. هر لایه اضافی برای فعالیت، به منابع و قدرت کامپیوتر بیشتری نیاز دارد. تقریباً مثل یک لازانیای قطور که برای بلندتر و متراکم شدن، به مواد بیشتری نیاز دارد.
آزمایش به چه ترتیب پیش رفت؟
مأموریت بعدی مدل CNN، تکرار آزمایش بر روی توانایی موش‌های آزمایشی در راستای تشخیص اشیاء در شرایط مختلف بود. در ابتدایی‌ترین سطح (شناسایی شیئی که بدون مانع و در موقعیت عادی خود قرار داشت) هم موش‌ها و هم هوش مصنوعی حیرت‌انگیز ظاهر شدند. در این مرحله، مدل هوش مصنوعی تنها نیاز به استفاده از لایه اول خود داشت؛ اما با دشوارتر شدن مراحل آزمایش، اوضاع تغییر کرد. هنگامی‌که اشیاء چرخانده شده یا تغییر سایز داشتند، مدل CNN به افزودن لایه‌ها و منابع بیشتری نیاز پیدا کرد. زمانی که محققان اشیا را تغییر می‌دادند، موش‌ها با موفقیت قادر به شناسایی اشیا بودند و حتی وقتی اشیا تا حدی مسدود می‌شدند، آنها را شناسایی می‌کردند؛ اما هوش مصنوعی در این مرحله، به دردسر افتاد. در این مرحله محققان به این جمع‌بندی رسیدند که بینایی موش‌ها نسبت به تشخیص تصویر هوش مصنوعی انعطاف‌پذیرتر و سازگارتر به نظر می‌رسد.
دیوید زوکولان، عصب‌شناس و نویسنده مقاله در این رابطه گفت: «اغلب، موش‌ها مدل‌های بینایی ضعیفی در نظر گرفته می‌شوند ولی آنها در حقیقت توانایی‌های پیچیده‌ای را نشان می‌دهند که ما بر آن می‌دارد تا در مورد پتانسیل سیستم بینایی آنها و به‌طور هم‌زمان محدودیت‌های شبکه‌های عصبی مصنوعی تجدیدنظر کنیم. این نشان می‌دهد که موش‌ها می‌توانند الگوی خوبی برای مطالعه قابلیت‌های بینایی انسان یا نخستی‌سانان که قشر بینایی بسیار توسعه‌یافته‌ای حتی در مقایسه با شبکه‌های عصبی مصنوعی دارند، باشد. شبکه‌های عصبی مصنوعی، علی‌رغم موفقیت‌شان در تکرار عملکرد بصری انسان، اغلب این کار را با استفاده از روش‌های و استراتژی‌های بسیار متفاوتی انجام می‌دهند.»
هوش مصنوعی برای آنکه بخواهد واقعاً "فوق هوشمند" در نظر گرفته شود، هنوز باید چیزهای بسیار زیادی بیاموزد.
مطالعه بینایی موش‌ها می‌تواند یادآوری مفیدی بر این نکته باشد که مدل‌های قدرتمند هوش مصنوعی واقعاً در برخی از وظایف خاص تأثیرگذار هستند، اما حتی آنها نیز خطاناپذیر نیستند. اواخر سال گذشته میلادی بود که سام آلتمن، مدیرعامل OpenAI، یک پست وبلاگی شبیه به یک مانیفست منتشر کرد و یادآور شد که جهان ممکن است "فوق هوش مصنوعی" را در چند هزار روز آینده تجربه کند. ایلان ماسک هم دراین‌باره یادآور شده که احتمالاً امسال شاهد ظهور هوش مصنوعی فوق هوشمند خواهیم بود.
اما این معیارها چه معنایی دارند؟ درست است که مدل‌های بزرگ زبان قبلاً در آزمون‌های استاندارد شده برای دانشکده‌های پزشکی و حقوق عملکرد بهتری نسبت به برخی از انسان‌ها داشته است. در حقیقت هوش مصنوعی هنوز بدون همراهی یک پزشک، نمی‌تواند تشخیص پزشکی رسمی بدهد و تعدادی از وکلای حرفه‌ای به دلیل ارائه خلاصه‌های حقوقی تولیدشده توسط هوش مصنوعی که شامل حقایق ساختگی هستند جریمه و تعلیق شده‌اند. درعین‌حال، سیستم‌های هوش مصنوعی پیشرفته که در ربات‌های دوپا پیاده‌سازی می‌شوند نیز اغلب در تعادل مشکل‌دارند
همان‌طور که در نتایج تحقیقات SISSA شاهدش هستیم، هوش مصنوعی ظاهراً در تلاش برای مطابقت با تیزبینی موش‌هاست. به‌عبارت‌دیگر هوش مصنوعی هنوز چیزهای زیادی برای یادگیری دارد، هم در مورد انسان‌ها و هم حیوانات.
منبع: popsci
58321
