هوش مصنوعی خودآموخته ممکن است شباهت های زیادی با مغز انسان داشته باشد

برای یک دهه اکنون، بسیاری از چشمگیرترین سیستم های هوش مصنوعی با استفاده از موجودی عظیمی از داده های برچسب گذاری شده یک تصویر ممکن است به عنوان مثال “گربه تابی” یا “گربه ببر” برچسب گذاری شود تا یک شبکه عصبی مصنوعی را “آموزش دهد” تا به درستی یک تابی را از یک ببر تشخیص دهد. این استراتژی هم بسیار موفق بوده و هم به طرز غم انگیزی ناقص بوده است.چنین آموزش “نظارت شده” به داده هایی نیاز دارد که به سختی توسط انسان برچسب گذاری شده باشد، و شبکه های عصبی اغلب از میانبرهایی استفاده می کنند و یاد می گیرند که برچسب ها را با حداقل ها مرتبط کنند. و گاهی اطلاعات سطحی. به عنوان مثال، یک شبکه عصبی ممکن است از حضور علف برای تشخیص عکس یک گاو استفاده کند، زیرا گاوها معمولاً در مزرعه عکس می گیرند.«ما در حال پرورش نسلی از الگوریتم‌ها هستیم که الکسی افروس، دانشمند کامپیوتر در دانشگاه کالیفرنیا، برکلی. “آنها واقعاً مطالب را یاد نمی گیرند، اما در آزمون به خوبی عمل می کنند.”برای محققان علاقه مند به تلاقی هوش حیوانات و ماشین، علاوه بر این، این “یادگیری تحت نظارت” ممکن است در آنچه می تواند در مورد مغزهای بیولوژیکی فاش کند محدود باشد. حیوانات – از جمله انسان – از مجموعه داده های برچسب گذاری شده برای یادگیری استفاده نمی کنند. در بیشتر موارد، آنها به تنهایی محیط را کاوش می کنند و با انجام این کار، درک غنی و قوی از جهان به دست می آورند.اکنون برخی از دانشمندان علوم اعصاب محاسباتی شروع به کاوش در حوزه عصبی کرده اند. شبکه هایی که با داده های کم یا بدون برچسب انسانی آموزش دیده اند. این الگوریتم‌های «یادگیری با نظارت خود» در مدل سازی زبان انسان و اخیراً، تشخیص تصویر. در کار اخیر، مدل‌های محاسباتی سیستم‌های بینایی و شنوایی پستانداران که با استفاده از مدل‌های یادگیری خود نظارتی ساخته شده‌اند، مطابقت نزدیک‌تری با عملکرد مغز نسبت به همتایان تحت‌نظارت خود نشان داده‌اند. برای برخی از دانشمندان علوم اعصاب، به نظر می رسد که شبکه های مصنوعی شروع به نشان دادن برخی از روش های واقعی مغز ما برای یادگیری کرده اند.نظارت ناقصمدل های مغز الهام گرفته شده توسط شبکه های عصبی مصنوعی حدود 10 سال پیش روی کار آمد، تقریباً در همان زمانی که شبکه عصبی به نام AlexNet وظیفه طبقه بندی تصاویر ناشناخته را متحول کرد. این شبکه، مانند همه شبکه‌های عصبی، از لایه‌هایی از نورون‌های مصنوعی ساخته شده بود، واحدهای محاسباتی که اتصالاتی را به یکدیگر تشکیل می‌دهند که می‌توانند از نظر قدرت یا وزن متفاوت باشند. اگر یک شبکه عصبی نتواند یک تصویر را به درستی طبقه بندی کند، الگوریتم یادگیری وزن اتصالات بین نورون ها را به روز می کند تا احتمال طبقه بندی اشتباه در دور بعدی آموزش کمتر شود. الگوریتم این فرآیند را بارها با تمام تصاویر آموزشی تکرار می‌کند، وزن‌ها را تغییر می‌دهد تا زمانی که میزان خطای شبکه به طور قابل قبولی کم شود.الکسی افروس، دانشمند کامپیوتر در دانشگاه کالیفرنیا، برکلی، فکر می کند که اکثر سیستم های هوش مصنوعی مدرن بیش از حد به برچسب های ساخته شده توسط انسان وابسته هستند. او گفت: “آنها واقعاً مطالب را یاد نمی گیرند.”در همان زمان، عصب‌شناسان اولین مدل‌های محاسباتی سیستم بصری نخستی ها، با استفاده از شبکه های عصبی مانند AlexNet و جانشینان آن. این اتحادیه امیدوارکننده به نظر می‌رسید: برای مثال، زمانی که میمون‌ها و شبکه‌های عصبی مصنوعی تصاویر مشابهی را نشان دادند، فعالیت نورون‌های واقعی و نورون‌های مصنوعی مطابقت جالبی را نشان داد. مدل‌های مصنوعی تشخیص بو و شنوایی دنبال شد.اما با پیشرفت میدان، محققان متوجه محدودیت‌های آموزش تحت نظارت شدند. به عنوان مثال، در سال 2017، لئون گاتیس، دانشمند کامپیوتر در آن زمان در دانشگاه توبینگن در آلمان، و همکارانش تصویری از فورد مدل T گرفتند، سپس یک الگوی پوست پلنگ را روی عکس پوشاندند و تصویری عجیب و غریب اما به راحتی قابل تشخیص ایجاد کردند. . یک شبکه عصبی مصنوعی پیشرو به درستی تصویر اصلی را به عنوان مدل T طبقه بندی کرد، اما تصویر اصلاح شده را یک پلنگ در نظر گرفت. روی بافت تثبیت شده بود و هیچ درک درستی از شکل ماشین (یا پلنگ) نداشت.راهبردهای یادگیری خود نظارتی برای جلوگیری از چنین مشکلاتی طراحی شده‌اند. در این رویکرد، انسان ها داده ها را برچسب گذاری نمی کنند. در عوض، فریدمان زنکه ، یک عصب شناس محاسباتی در موسسه تحقیقات زیست پزشکی فردریش میشر در بازل، سوئیس. الگوریتم‌های خود نظارت اساساً شکاف‌هایی در داده‌ها ایجاد می‌کنند و از شبکه عصبی می‌خواهند تا جاهای خالی را پر کند. به عنوان مثال، در یک مدل به اصطلاح زبان بزرگ، الگوریتم آموزشی چند کلمه اول یک جمله را به شبکه عصبی نشان می دهد و از آن می خواهد که کلمه بعدی را پیش بینی کند. هنگامی که با مجموعه عظیمی از متن جمع‌آوری شده از اینترنت آموزش دید، مدل به نظر می‌رسد ساختار نحوی زبان را می‌آموزد و توانایی زبانی چشمگیری را نشان می‌دهد – همه بدون برچسب‌های خارجی یا نظارت.