عندما تصبح أكثر ذكاءً ، تبدأ السيارات في التعلم تقريبًا مثلنا

تظهر الدراسات أن نماذج الكمبيوتر ، والمعروفة باسم الشبكات العصبية المستخدمة في عدد متزايد من التطبيقات ، يمكن أن تتعلم التعرف على تسلسل البيانات باستخدام نفس الخوارزميات مثل الدماغ البشري.

يحل الدماغ مشكلته القانونية - التدريب - عن طريق تعديل العديد من مركباته وفقًا لمجموعة غير معروفة من القواعد. للكشف عن هذه القواعد ، بدأ العلماء في تطوير نماذج الكمبيوتر قبل 30 عامًا في محاولة لإعادة إنتاج عملية التعلم. اليوم ، في عدد متزايد من التجارب ، يصبح من الواضح أن هذه النماذج تتصرف بشكل مشابه جدًا للدماغ الحقيقي في مهام معينة. يقول الباحثون أن هذا التشابه يشير إلى توافق أساسي بين خوارزميات تعلم الدماغ والحاسوب.

تسمى الخوارزمية التي يستخدمها نموذج الكمبيوتر آلة بولتزمان . اخترعها جيفري هينتون وتيري سينوفسكي في عام 1983 [في الواقع ، في عام 1985 - تقريبًا. ترجم.]. يبدو واعدًا جدًا كتفسير نظري بسيط للعديد من العمليات التي تحدث في الدماغ - التطور وتكوين الذاكرة والتعرف على الأشياء والأصوات ودورات النوم والاستيقاظ.

يقول سو بيكر ، أستاذ علم النفس وعلم الأعصاب والسلوك في الجامعة: "هذه أفضل فرصة لدينا اليوم لفهم الدماغ". ماكماستر في هاميلتون ، أونتاريو. "أنا لا أعرف نموذج يصف مجموعة واسعة من الظواهر المتعلقة بالتعلم وبنية الدماغ."

لطالما أراد هينتون ، الرائد في مجال الذكاء الاصطناعي ، فهم القواعد التي يعزز الدماغ من خلالها التواصل أو يضعفه - أي خوارزمية التعلم. يقول: "قررت أنه من أجل فهم شيء ما ، يجب بناؤه". باتباع النهج الاختزالي للفيزيائيين ، فإنه يخطط لإنشاء نماذج كمبيوتر بسيطة للدماغ باستخدام خوارزميات تعلم مختلفة ومعرفة "أي منها سيعمل" ، كما يقول هينتون ، أستاذ علوم الكمبيوتر في جامعة تورنتو جزئيًا وجوجل.


تتكون الشبكات العصبية متعددة الطبقات من طبقات من الخلايا العصبية الاصطناعية مع اتصالات مرجحة بينها. أرسل البيانات الواردة سلسلة من الإشارات في طبقات ، وتحدد الخوارزمية التغيير في أوزان كل اتصال.

في الثمانينيات والتسعينيات ، ابتكر هينتون ، حفيد منطق القرن التاسع عشر ، جورج بول ، الذي شكل عمله أساس علوم الكمبيوتر الحديثة ، العديد من خوارزميات التعلم الآلي. يتم استخدام الخوارزميات التي تتحكم في كيفية تعلم الكمبيوتر من البيانات في نماذج الكمبيوتر المسماة "الشبكات العصبية الاصطناعية" - وهي شبكات من الخلايا العصبية الافتراضية المترابطة التي تنقل الإشارات إلى جيرانها ، أو تشغيلها أو إيقاف تشغيلها ، أو "تشغيلها". عندما يتم تغذية البيانات إلى الشبكة ، يؤدي هذا إلى سلسلة من الاستجابات ، والخوارزمية ، بناءً على صورة هذه الاستجابات ، تختار زيادة أو إنقاص أوزان الاتصالات ، أو المشابك ، بين كل زوج من الخلايا العصبية.

لعقود ، كانت العديد من نماذج الكمبيوتر هينتون تتغذى. ولكن بفضل التقدم في قوة المعالج والتقدم في فهم الدماغ والخوارزميات ، تلعب الشبكات العصبية دورًا متزايدًا في علم الأحياء العصبية. Sejnowski [Sejnowski] ، رئيس مختبر الحوسبة لعلم الأعصاب في معهد البحوث البيولوجية. يقول سالكا في لا جولا ، كاليفورنيا: "منذ ثلاثين عامًا ، كانت لدينا أفكارًا قاسية جدًا. الآن بدأنا باختبار بعضها. "

آلات الدماغ

كانت محاولات هينتون المبكرة لإعادة إنتاج الدماغ محدودة. يمكن لأجهزة الكمبيوتر تنفيذ خوارزميات التعلم الخاصة بها على الشبكات العصبية الصغيرة ، ولكن نماذج التحجيم سرعان ما أثقلت المعالجات. في عام 2005 ، اكتشف هينتون أنه إذا قمت بتقسيم الشبكات العصبية إلى طبقات وقمت بتشغيل الخوارزميات بشكل منفصل على كل طبقة ، تقريبًا تكرار بنية الدماغ وتطوره ، تصبح العملية أكثر كفاءة.

على الرغم من أن هينتون نشر اكتشافه في مجلتين معروفتين ، إلا أن الشبكات العصبية كانت عتيقة الطراز في ذلك الوقت ، و "كافح من أجل جذب اهتمام الناس" ، قال Lee Deng ، الباحث الرئيسي في Microsoft Research. ومع ذلك ، كان دينغ يعرف هينتون وقرر اختبار أسلوبه "التعلم العميق" في عام 2009 ، مع الاعتراف بسرعة بإمكاناته. في السنوات التالية ، يتم استخدام خوارزميات التعلم عمليًا في عدد متزايد من التطبيقات ، مثل مساعد Google Now الشخصي أو ميزة البحث الصوتي على هواتف Microsoft Windows.

سميت واحدة من أكثر الخوارزميات الواعدة ، آلة بولتزمان ، على اسم الفيزيائي النمساوي في القرن التاسع عشر لودفيج بولتزمان ، الذي طور فرعًا من الفيزياء يتعامل مع عدد كبير من الجسيمات ، والمعروفة باسم الميكانيكا الإحصائية. اكتشف بولتزمان معادلة تعطي احتمال أن يكون للغاز الجزيئي طاقة معينة عندما يصل إلى التوازن. إذا استبدلت الجزيئات بالخلايا العصبية ، فستميل النتيجة إلى نفس المعادلة.

تبدأ نقاط متزامنة الشبكة بتوزيع عشوائي للأوزان ، ويتم ضبط الأوزان تدريجيًا وفقًا لإجراء بسيط نوعًا ما: تتم مقارنة دائرة الاستجابة الناتجة في عملية استقبال البيانات بواسطة الجهاز (مثل الصور أو الأصوات) بدائرة الاستجابة العشوائية للجهاز التي تحدث عندما لا يتم إدخال البيانات.


يعتقد جوفري هينتون أن أفضل نهج لفهم عمليات التعلم في الدماغ هو بناء أجهزة كمبيوتر تتعلم بنفس الطريقة.

يتتبع كل المشبك الظاهري كلا المجموعتين الإحصائية. إذا كانت الخلايا العصبية المتصلة بها يتم تشغيلها في كثير من الأحيان في تسلسل وثيق عند تلقي البيانات أكثر من أثناء التشغيل العشوائي ، فإن وزن المشبك يزداد بقيمة تتناسب مع الفرق. ولكن إذا تم تشغيل اثنين من الخلايا العصبية في كثير من الأحيان معًا أثناء التشغيل العشوائي ، فإن المشبك الذي يربطهما يعتبر قويًا جدًا وضعفًا.

تعمل النسخة الأكثر استخدامًا من آلة Boltzmann بشكل أفضل بعد "التدريب" ، بعد معالجة آلاف البيانات النموذجية بالتتابع على كل طبقة. أولاً ، تتلقى الطبقة السفلية من الشبكة بيانات أولية في شكل صور أو أصوات ، وبطريقة خلايا الشبكية ، يتم تشغيل الخلايا العصبية إذا اكتشفت تباينات في منطقة بياناتها ، مثل التحول من الضوء إلى الظلام. يمكن أن يؤدي تحريكها إلى تحفيز الخلايا العصبية المرتبطة بها ، اعتمادًا على وزن المشبك الذي يربطها. نظرًا لأنه يتم مقارنة تشغيل أزواج الخلايا العصبية الافتراضية باستمرار مع إحصاءات الخلفية ، تظهر روابط ذات مغزى بين الخلايا العصبية وتتزايد تدريجياً. يتم تحديد أوزان المشابك ، ويتم دمج فئات الأصوات والصور في الاتصالات. يتم تدريب كل طبقة لاحقة بطريقة مماثلة ، باستخدام بيانات من الطبقة تحتها.

إذا قمت بتغذية صورة سيارة إلى شبكة عصبية تم تدريبها على اكتشاف أشياء معينة في الصور ، فستعمل الطبقة السفلية إذا اكتشفت تباينًا يشير إلى وجه أو نقطة نهاية. ستذهب هذه الإشارات إلى الخلايا العصبية ذات المستوى الأعلى التي تحدد الزوايا وأجزاء العجلات وما إلى ذلك. في المستوى العلوي ، يتم تشغيل الخلايا العصبية فقط عن طريق التفاعل مع صورة السيارة.

يقول Yann LeCun ، مدير مركز علوم البيانات في جامعة نيويورك: "إن ما يحدث على الويب هو أنه يمكن تلخيصه". "إذا عرضت عليها سيارة لم ترها من قبل ، وإذا كانت السيارة لديها بعض الأشكال والميزات المشتركة مع الآلات التي تظهر لها أثناء التدريب ، فيمكنها تحديد أن هذه سيارة."

تسارعت الشبكات العصبية في الآونة الأخيرة من تطورها بفضل وضع Hinton متعدد الطبقات ، واستخدام شرائح الكمبيوتر عالية السرعة لمعالجة الرسومات ، والنمو الهائل في عدد الصور والتسجيلات الصوتية المتاحة للتدريب. الشبكات قادرة على التعرف بشكل صحيح على 88 ٪ من الكلمات في اللغة الإنجليزية المنطوقة ، في حين أن الشخص العادي يتعرف على 96 ٪. يمكنهم اكتشاف السيارات والآلاف من الأشياء الأخرى في الصور بدقة مماثلة ، وعلى مدى السنوات القليلة الماضية اتخذوا موقعًا مهيمنًا في مسابقات التعلم الآلي.

بناء دماغ

لا أحد يعرف كيف يكتشف مباشرة القواعد التي يتم من خلالها تدريب الدماغ ، ولكن هناك العديد من الصدف غير المباشرة بين سلوك الدماغ وآلة بولتزمان.

يتم تدريب كلاهما بدون إشراف ، باستخدام الأنماط الموجودة في البيانات فقط. تقول هينتون: "إن والدتك لا تخبرك مليون مرة عما يظهر في الصورة". - عليك أن تتعلم التعرف على الأشياء دون نصيحة الآخرين. بعد دراسة الفئات ، يخبرك هؤلاء بأسماء هذه الفئات. لذلك يتعلم الأطفال عن الكلاب والقطط ، ثم يتعلمون أن الكلاب تسمى "الكلاب" ، والقطط تسمى "القطط".

إن الدماغ البالغ ليس مرنًا مثل الدماغ الصغير ، تمامًا مثل آلة Boltzmann ، بعد أن تدرب على 100000 صورة للسيارات ، فلن يتغير كثيرًا بعد رؤية واحدة أخرى. المشابك لها بالفعل الأوزان المناسبة لتصنيف السيارات. لكن التدريب لا ينتهي. يمكن دمج المعلومات الجديدة في بنية كل من الدماغ وآلات بولتزمان.

على مدى العقدين الماضيين ، قدمت دراسة نشاط الدماغ في الحلم أول دليل على أن الدماغ يستخدم خوارزمية مشابهة لخوارزمية بولتزمان لدمج معلومات وذكريات جديدة في هيكله. لطالما عرف علماء الأعصاب أن النوم يلعب دورًا مهمًا في دمج الذاكرة ويساعد على دمج المعلومات الجديدة. في عام 1995 ، اقترح هينتون وزملاؤه أن النوم يلعب دور المستوى الأساسي في الخوارزمية ، مما يدل على نشاط الخلايا العصبية في غياب بيانات الإدخال.

يقول هينتون: "أثناء النوم ، تكتشف فقط التردد الأساسي للخلايا العصبية". - يمكنك معرفة ارتباط عملهم في حالة عمل النظام بمفرده. وبعد ذلك ، إذا ارتبطت الخلايا العصبية أكثر ، فقط قم بزيادة الأوزان بينهما. وإن كان أقل ، قلل الوزن ".

على مستوى المشبك ، "يمكن توفير هذه الخوارزمية بعدة طرق ،" يقول سيزنوفسكي ، مستشار الإدارة الرئاسية كجزء من مبادرة BRAIN ، دراسة بمنحة قدرها 100 مليون دولار مصممة لتطوير تقنيات جديدة لدراسة الدماغ.

يقول إنه من الأسهل على الدماغ العمل مع خوارزمية بولتزمان ، التحول من بناء المشابك خلال النهار إلى تقليلها في الليل. وجد جوليو تونوني ، رئيس مركز دراسات النوم والوعي في جامعة ويسكونسن ماديسون ، أن التعبير الجيني في المشابك يغيرها وفقًا لهذه الفرضية: الجينات المشاركة في نمو المشبك تكون أكثر نشاطًا خلال النهار ، والجينات المشاركة في الانكماش المشابك - في الليل.

في خيار آخر ، "يمكن حساب خط الأساس في المنام ، ثم يمكن إجراء التغييرات المتعلقة به خلال النهار ،" يقول سيزنوفسكي. في مختبره ، تم بناء نماذج حاسوبية تفصيلية للمشابك العصبية والشبكات التي تدعمها لتحديد كيفية جمع الإحصائيات حول أنماط الاستيقاظ والنوم ، ومتى تتغير قوة المشابك لعرض هذا الاختلاف.

صعوبات في الدماغ

صورة لشبكية العين حيث يُشار إلى أنواع مختلفة من الخلايا بألوان مختلفة. يرتبط اللون (البنفسجي) بالحساسية للون الأفقي (البرتقالي) ، والذي يرتبط بالقطبين (الأخضر) ، وتلك التي تحتوي على خلايا شبكية العين والعقدة (البنفسجي).

قد تكون خوارزمية بولتزمان واحدة من العديد من الخوارزميات التي يستخدمها الدماغ لصقل المشابك. في التسعينات ، طورت عدة مجموعات مستقلة نموذجًا نظريًا لكيفية تشفير النظام البصري بكفاءة لتدفق المعلومات التي تذهب إلى شبكية العين. تفترض النظرية أنه في الطبقات السفلية من القشرة البصرية هناك عملية "تشفير متناثر" ، على غرار ضغط الصورة ، ونتيجة لذلك تعمل المراحل المتأخرة من النظام البصري بكفاءة أكبر.

تنجح توقعات النموذج تدريجيًا في اختبارات أكثر صرامة. في ورقة بحثية نُشرت في PLOS Computational Biology ، اكتشف علماء الأعصاب الحسابيون من بريطانيا وأستراليا أنه عندما تشتت الشبكات العصبية التي تستخدم منتجات الخبراء خوارزمية التشفير التي ابتكرها هينتون في عام 2002 ، فإن نفس البيانات المرئية غير المعتادة التي تتلقاها القطط الحية (على سبيل المثال ، القطط والشبكات العصبية تدرس الصور المخططة) ، تنتج الخلايا العصبية الخاصة بها اتصالات غير متماثلة تقريبًا.

قال برونو أولهاوسن ، عالم الأعصاب الحسابي ومدير مركز ريدوود لعلم الأعصاب النظري في جامعة كاليفورنيا-بيركلي ، الذي ساعد في تطوير المعلومات: "عندما تصل المعلومات إلى القشرة البصرية ، فإن الدماغ ، على ما نعتقد ، يقدمها على أنها رمز مبعثر". نظرية التشفير المتناثرة. "كما لو أن آلة Boltzmann تجلس في رأسك وتحاول فهم الروابط الموجودة بين عناصر الرمز المبعثر."

استخدم أولسهاوزن والفريق نماذج الشبكة العصبية للطبقات العليا من القشرة البصرية لإظهار كيف يمكن للدماغ الحفاظ على إدراك مستقر للمدخلات البصرية على الرغم من حركة الصور. في دراسة أخرى ، وجدوا أن نشاط الخلايا العصبية في القشرة البصرية للقطط التي تشاهد فيلمًا أبيض وأسود موصوف جيدًا بواسطة آلة بولتزمان.

أحد التطبيقات الممكنة لهذا العمل هو إنشاء الأطراف الاصطناعية العصبية ، على سبيل المثال ، شبكية اصطناعية. إذا نظرت إلى كيفية "تنسيق المعلومات في الدماغ ، يمكنك فهم كيفية تحفيز الدماغ لجعله يعتقد أنه يرى صورة" ، كما يقول أولهاوسن.

يقول Sezhnowski أن فهم خوارزميات النمو والحد من المشابك العصبية سيسمح للباحثين بتغييرها ومعرفة كيفية تعطيل عمل الشبكة العصبية. "ثم يمكن مقارنتها بالمشاكل المعروفة للناس" ، كما يقول. - يمكن تفسير جميع الاضطرابات النفسية تقريبًا من خلال مشاكل في المشابك. إذا استطعنا فهم المشابك بشكل أفضل ، يمكننا أن نفهم كيف يعمل الدماغ بشكل طبيعي ، وكيف يعالج المعلومات ، وكيف يتعلم ، وما الخطأ الذي يحدث إذا ، على سبيل المثال ، إذا كنت مصابًا بالفصام ".

يتناقض نهج دراسة الدماغ باستخدام الشبكات العصبية بشكل حاد مع نهج مشروع الدماغ البشري . هذه هي الخطة المعلنة لعالم الأعصاب السويسري هنري ماركرام لإنشاء محاكاة دقيقة للدماغ البشري باستخدام جهاز كمبيوتر فائق. على عكس نهج هينتون ، الذي يبدأ بنموذج مبسط إلى حد كبير ويتبع مسار التعقيدات التدريجية ، يريد ماركرام تضمين أكبر قدر ممكن من البيانات على الفور ، وصولًا إلى الجزيئات الفردية ، ويأمل أنه نتيجة لذلك سيكون لديه وظائف ووعي كامل.

تلقى المشروع تمويلًا بقيمة 1.3 مليار دولار من المفوضية الأوروبية ، لكن هينتون تعتقد أن هذه المحاكاة الضخمة ستفشل ، حيث تتعثر في العديد من الأجزاء المتحركة التي لا يفهمها أحد حتى الآن.

بالإضافة إلى ذلك ، لا يعتقد هينتون أن الدماغ لا يمكن فهمه إلا من خلال صوره. يجب استخدام هذه البيانات لإنشاء وتحسين الخوارزميات. يقول: "إن التفكير النظري والبحث في مجال خوارزميات التعلم مطلوبان لإنشاء نظرية مثل" آلة بولتزمان. الخطوة التالية لهينتون هي تطوير خوارزميات لتدريب شبكات عصبية أكثر تشبه الدماغ ، مثل تلك التي تربط المشابك العصبية داخل طبقة واحدة ، وليس فقط بين الطبقات المختلفة. يقول: "الهدف الرئيسي هو فهم الفوائد التي يمكن الحصول عليها من خلال تعقيد الحسابات في كل مرحلة".

الفرضية هي أن المزيد من الاتصالات سيؤدي إلى حلقات خلفية أقوى ، والتي ، وفقًا لأولسهاوزن ، تساعد الدماغ على الأرجح في "ملء التفاصيل الناقصة". تتداخل الطبقات العليا مع عمل الخلايا العصبية من الطبقات السفلية التي تتعامل مع المعلومات الجزئية. يقول: "كل هذا مرتبط ارتباطًا وثيقًا بالوعي".

إن الدماغ البشري لا يزال أكثر تعقيدًا من أي نموذج. إنه أكبر وأكثر كثافة وكفاءة ، ولديه المزيد من الترابطات والخلايا العصبية المعقدة - ويعمل في وقت واحد مع العديد من الخوارزميات. يقترح أولسهاوزن أننا نفهم حوالي 15٪ من نشاط القشرة البصرية. على الرغم من أن النماذج تتقدم ، إلا أن علم الأعصاب لا يزال "يشبه الفيزياء قبل نيوتن" ، كما يقول. ومع ذلك ، فهو واثق من أن عملية العمل على أساس هذه الخوارزميات ستتمكن يومًا ما من تفسير اللغز الرئيسي للدماغ - كيف يتم تحويل البيانات من الأعضاء الحسية إلى شعور شخصي بالواقع. يقول أولهاوسن أن الوعي "هو شيء ينبثق من الواقع ، آلة بولتزمان معقدة للغاية."