در طول یک سال گذشته، مدل‌های مولد هوش مصنوعی مانند ChatGPT و DALL-E امکان تولید مقادیر زیادی از محتوای خلاقانه با کیفیت بالا، و ظاهراً شبیه انسان را از طریق یک سری دستورات ساده فراهم کرده‌اند.

با اینکه سیستم‌های هوش مصنوعی فعلی، خصوصا در انجام وظایف تشخیص الگوی داده‌های بزرگ بسیار توانمند هستند و بهتر از انسان‌ها عمل می‌کنند، اما هوشمندی آنها همانند ما نیست. ساختار سیستم‌های هوش مصنوعی شبیه به مغز ما نیستند و روش یادگیری آنها نیز متفاوت است.

همچنین سیستم‌های هوش مصنوعی مقدار زیادی انرژی و منابع را برای یادگیری استفاده می‌کنند(چیزی شبیه به سه وعده غذایی که ما روزانه مصرف می‌کنیم). توانایی آنها برای انطباق و عملکرد در محیط‌های متغیر، پر سرو صدا و پویا در مقایسه با ما ضعیف است و فاقد قابلیت‌ داشتن حافظه‌ای شبیه به انسان‌ها هستند.

بر اساس پژوهشی تازه که در Science Advances منتشر شد، به نظر می‌رسد شبکه‌های خودسازماندهی شده‌ای از نانوسیم‌های نقره‌ می‌توانند مطالب را بیاموزند و بیاد آورند؛ درست به همان شیوه‌ای که ابزار سخت‌افزاری فکر کردن در مغز ما کار می‌کنند.

تقلید از مغز

کار ما بخشی از یک زمینه تحقیقاتی به نام نورومورفیک است که هدف آن تکرار ساختار و عملکرد نورون‌های بیولوژیکی و سیناپس‌ها در سیستم‌های غیربیولوژیکی است.

تحقیقات ما بر روی سیستمی متمرکز است که از شبکه‌ای از "نانوسیم"ها برای تقلید از نورون‌ها و سیناپس‌ها در مغز استفاده می‌کند.

این نانوسیم‌ها، سیم‌های بسیار کوچکی هستند که عرض آن یک هزارم موی انسان است. آنها از یک فلز بسیار رسانا مانند نقره ساخته شده‌اند که معمولاً با یک ماده عایق، نظیر پلاستیک پوشانده شده است.

نانوسیم‌ها برای تشکیل یک ساختار شبکه‌ای شبیه به شبکه عصبی بیولوژیکی، دارای سیستم خود مونتاژ هستند. مانند نورون‌ها که دارای غشای عایق هستند، هر نانوسیم فلزی نیز با یک لایه عایق نازک پوشیده شده است.

وقتی نانوسیم‌ها را با سیگنال‌های الکتریکی تحریک می‌کنیم، یون‌ها از لایه عایق حرکت می‌کنند و به یک نانوسیم در همسایگی خود (مانند انتقال‌دهنده‌های عصبی در سیناپس‌ها) مهاجرت می‌کنند. در نتیجه، سیگنال‌های الکتریکی سیناپس مانند را، در شبکه‌های نانوسیم مشاهده می‌کنیم.

یادگیری و حافظه

کار جدیدی که ما انجام می‌دهیم استفاده از این سیستم نانوسیم برای بررسی مسئله هوش شبیه انسان است. محور تحقیقات بر دو ویژگی متمرکز است که نشان‌دهنده یک عملکرد شناختی غیرقابل مقایسه است: یادگیری و حافظه.

این پژوهش نشان می‌دهد که می‌توانیم به طور انتخابی مسیرهای سیناپسی را در شبکه‌های نانوسیم تقویت (و تضعیف) کنیم. این شبیه "یادگیری نظارت شده" در مغز است.

در این فرآیند، خروجی سیناپس‌ها با یک نتیجه مطلوب مقایسه می‌شود. اگر خروجی آنها به نتیجه مطلوب نزدیک باشد، سیناپس‌ها تقویت می‌شوند، و اگر خروجی آنها به نتیجه مطلوب نزدیک نباشد قطع می شوند.

این نتیجه را با نشان دادن اینکه می‌توانیم میزان تقویت را با «پاداش دادن» یا «تنبیه کردن» شبکه افزایش دهیم، گسترش داده شد. این فرآیند از "یادگیری تقویتی" در مغز الهام گرفته شده است.

همچنین نسخه‌ای از یک آزمایش به نام "n-back task " را اجرا شد که برای اندازه‌گیری حافظه کاری در انسان استفاده می‌شود. این شامل ارائه یک سری از محرک‌ها، و مقایسه هر ورودی جدید با یکی از مواردی است که چند مرحله n)) قبل رخ داده است.

شبکه توانست حداقل هفت مرحله از سیگنال‌های قبلی را"به خاطر بیاورد". عجیب است که عدد ۷ اغلب به عنوان میانگین تعداد مواردی که انسان می‌تواند در یک زمان در حافظه کاری خود نگه دارد در نظر گرفته می‌شود.

زمانی که از یادگیری تقویتی استفاده شد، پیشرفت‌های چشمگیری در عملکرد حافظه شبکه مشاهده شد.

مشخص شد که در شبکه‌های نانوسیمی شکل‌گیری مسیرهای سیناپسی بستگی به نحوه فعال شدن آن سیناپس‌ها در گذشته دارد. این موضوع در مورد سیناپس‌های مغز و جایی که دانشمندان علوم اعصاب آن را «متاپلاستیسیتی» (metaplasticity) می‌نامند نیز صادق است.

هوش مصنوعی(Synthetic)

احتمالا هنوز راه زیادی مانده تا بتوانیم چیزی شبیه به هوش انسانی بسازیم.

با این وجود، تحقیقات بر روی شبکه‌های نانوسیم نورومورفیک نشان می‌دهد که امکان پیاده‌سازی ویژگی‌های ضروری برای هوش (مانند یادگیری و حافظه) در سخت‌افزار فیزیکی و غیر بیولوژیکی وجود دارد.

شبکه‌های نانوسیمی با شبکه‌های عصبی مصنوعی مورد استفاده در هوش مصنوعی متفاوت هستند. با این حال، آنها ممکن است منجر به اصطلاح "هوش مصنوعی" شوند.

شاید یک شبکه نانوسیم نورومورفیک روزی یاد بگیرد که مکالمه کند و بیشتر از ChatGPT شبیه انسان باشد و همه چیز را به خاطر بسپارد.