मानव मस्तिष्क इतना प्रभावी क्यों है?

कैसे बड़े पैमाने पर समानांतरीकरण एआई क्षमताओं पर मस्तिष्क की क्षमता बढ़ाता है

मस्तिष्क एक जटिल उपकरण है; मनुष्यों में, इसमें लगभग 100 बिलियन न्यूरॉन्स और उनके बीच लगभग 100 ट्रिलियन कनेक्शन होते हैं। इसकी तुलना अक्सर एक बड़ी जटिल प्रणाली के साथ की जाती है, जिसमें विशाल कार्य-क्षमता होती है: एक डिजिटल कंप्यूटर। मस्तिष्क और कंप्यूटर में क्रमशः बड़ी संख्या में प्रारंभिक इकाइयां - न्यूरॉन्स या ट्रांजिस्टर होते हैं, जो जटिल सर्किट से जुड़े होते हैं जो विद्युत संकेतों से प्रेषित जानकारी को संसाधित करते हैं। वैश्विक स्तर पर, मस्तिष्क और कंप्यूटर के आर्किटेक्चर थोड़े समान हैं, क्योंकि उनमें इनपुट, आउटपुट, सेंट्रल प्रोसेसिंग और मेमोरी के लिए लगभग अलग-अलग लूप होते हैं।

समस्याओं को हल करने में बेहतर कौन है - मस्तिष्क या कंप्यूटर? हाल के दशकों में कंप्यूटर प्रौद्योगिकी के तेजी से विकास को देखते हुए, आप यह तय कर सकते हैं कि कंप्यूटर क्या जीतता है। वास्तव में, कंप्यूटर को 1990 के दशक में शतरंज जैसे जटिल खेलों में मानव स्वामी को हराने के लिए डिज़ाइन और प्रोग्राम किया जाता है, और हाल ही में, साथ ही साथ ज्ञानवर्धक ज्ञान जैसे प्रतियोगिताओं में ! यह कि लोग वास्तविक दुनिया से संबंधित विभिन्न कार्यों में कंप्यूटर को हराते हैं - एक साइकिल चालक या सड़क पर पैदल चलने वालों के बीच अंतर करने की क्षमता से लेकर एक मेज से चाय का प्याला लेने और ध्यान से इसे अपने मुंह में ले जाने तक - अवधारणा और रचनात्मकता का उल्लेख करने के लिए नहीं।

एक कंप्यूटर कुछ कार्यों और दूसरों के साथ मस्तिष्क को अच्छी तरह से क्यों करता है? मस्तिष्क के साथ कंप्यूटर की तुलना ने इंजीनियरों और न्यूरोसाइंटिस्ट को इस मुद्दे को समझने में मदद की। निम्नलिखित तुलना कंप्यूटर के आधुनिक युग की शुरुआत में की गई थी, लेकिन जॉन वॉन न्यूमैन की छोटी लेकिन प्रभावशाली पुस्तक द कम्प्यूटर एंड द ब्रेन में विज्ञान के कई क्षेत्रों के विशेषज्ञ थे, जिन्होंने 1940 के दशक में कंप्यूटर आर्किटेक्चर स्कीम विकसित करने वाले पहले व्यक्ति थे फिर आधुनिक कंप्यूटरों के आधार के रूप में कार्य करना। आइए इन तुलनाओं में संख्याओं को देखें।

गुण	कंप्यूटर	मस्तिष्क
प्राथमिक तत्वों की संख्या	10 बिलियन ट्रांजिस्टर तक	Ses 100 बिलियन न्यूरॉन्स और 100 ट्रिलियन सिनैप्स
बुनियादी संचालन की गति	10 बिलियन / सेकंड	<1000 / सेकंड
शुद्धता	4.2 बिलियन में 1 (32-बिट प्रोसेसर के लिए)	1 से 100 रु
बिजली की खपत	100 वाट	10 वाट
सूचना प्रसंस्करण विधि	अधिकतर धारावाहिक	सीरियल और बड़े पैमाने पर समानांतर
प्रत्येक तत्व के इनपुट और आउटपुट की संख्या	1-3	≈ 1000
संचालन का तरीका	डिजिटल	डिजिटल और एनालॉग

2008 के कंप्यूटरों से लिया गया डेटा। एकीकृत सर्किट प्रति ट्रांजिस्टर की संख्या हर 18-24 महीनों में दोगुनी हो गई, लेकिन समय के साथ, बिजली की खपत और गर्मी लंपटता के साथ समस्याओं के कारण गति में वृद्धि कम हो गई।

बुनियादी कार्यों की गति में मस्तिष्क के ऊपर कंप्यूटर के भारी लाभ हैं 1 । आज, व्यक्तिगत कंप्यूटर 10 अरब ऑपरेशन प्रति सेकंड की गति से इस तरह के बुनियादी अंकगणितीय ऑपरेशन करने में सक्षम हैं। हम प्राथमिक प्रक्रियाओं द्वारा प्राथमिक मस्तिष्क के संचालन की गति का मूल्यांकन कर सकते हैं जिसके द्वारा न्यूरॉन्स सूचना प्रसारित करते हैं और एक दूसरे के साथ संवाद करते हैं। उदाहरण के लिए, न्यूरॉन्स एक्शन पोटेंशिअल को सक्रिय करते हैं - एक न्यूरॉन सेल के आसपास के क्षेत्र में लॉन्च होने वाले विद्युत संकेतों के फटने, और इसकी लंबी शाखाओं, अक्षतंतु के साथ संचारित, इसे निम्नलिखित न्यूरॉन्स के साथ जोड़ते हैं। इन फटने की शुरुआत की आवृत्ति और समय पर जानकारी संलग्न है। अधिकतम न्यूरॉन सक्रियण आवृत्ति प्रति सेकंड 1000 फटने के क्रम की है। एक अन्य उदाहरण में, न्यूरॉन्स संबंधित पार्टनर न्यूरॉन्स के लिए सूचना प्रसारित करते हैं, एक्सॉन, सिंकैप्स के अंत में विशेष संरचनाओं में रासायनिक न्यूरोट्रांसमीटर का उत्सर्जन करते हैं, और पार्टनर न्यूरॉन्स न्यूरोट्रांसमीटर को विद्युत संकेतों में वापस चालू करते हैं, और इस प्रक्रिया को सिनाप्टिक ट्रांसमिशन कहा जाता है। सबसे तेज सिनैप्टिक ट्रांसमिशन 1 एमएस में होता है। इसलिए, फटने और सिनैप्टिक ट्रांसमिशन के माध्यम से, मस्तिष्क प्रति सेकंड एक हजार मूल संचालन करने में सक्षम है, जो कंप्यूटर की तुलना में 10 मिलियन गुना धीमा है। यह माना जाता है कि अंकगणितीय संचालन को इनपुट को आउटपुट में बदलना चाहिए, इसलिए कार्य की गति न्यूरॉन संचार के बुनियादी संचालन, जैसे कि एक्शन पोटेंशिअल और सिनैप्टिक ट्रांसमिशन द्वारा सीमित है। लेकिन इन प्रतिबंधों के अपवाद हैं। उदाहरण के लिए, विद्युत सिनेप्स के साथ न्यूरॉन्स (न्यूरॉन्स के बीच संबंध जो रासायनिक न्यूरोट्रांसमीटर का उपयोग नहीं करते हैं) जो कि सर्ज का उत्पादन नहीं करते हैं, सिद्धांत रूप में, एक मिलीसेकंड की तुलना में तेजी से सूचना प्रसारित कर सकते हैं; डेन्ड्राइट में स्थानीय रूप से होने वाली घटनाएं भी इसके लिए सक्षम हैं।

बुनियादी कार्यों की सटीकता में मस्तिष्क पर कंप्यूटर के गंभीर फायदे भी हैं। एक कंप्यूटर बिट्स, शून्य और प्रत्येक संख्या को सौंपी गई इकाइयों का उपयोग करके किसी भी वांछित सटीकता के साथ संख्याओं का प्रतिनिधित्व करने में सक्षम है। उदाहरण के लिए, 32-बिट संख्या में 1 से 2 ³² , या 4.2 बिलियन की सटीकता है। अनुभवजन्य साक्ष्य से पता चलता है कि तंत्रिका तंत्र में अधिकांश संख्याएं (उदाहरण के लिए, न्यूरॉन्स की सक्रियता की आवृत्ति, जो अक्सर उत्तेजना की तीव्रता के अनुमान के रूप में उपयोग की जाती है) में उतार-चढ़ाव होता है। जैविक शोर के कारण कुछ प्रतिशत, अर्थात्, सटीकता, सबसे अच्छा, 1 से 100 है, जो कंप्यूटर से लाखों गुना खराब है। वैसे, शोर एक संकेतक के रूप में काम कर सकता है कि कई तंत्रिका प्रक्रियाएं अनिवार्य रूप से संभाव्य हैं। एक ही उत्तेजना न्यूरॉन्स की विद्युत गतिविधि के फटने के विभिन्न दृश्यों का कारण बन सकती है।

हालाँकि, मस्तिष्क द्वारा की गई गणना को धीमा या गलत नहीं कहा जा सकता है। उदाहरण के लिए, एक पेशेवर टेनिस खिलाड़ी 260 किमी / घंटा की गति से उड़ने वाली गेंद के प्रक्षेपवक्र का अनुसरण कर सकता है, अदालत में इष्टतम स्थान पर जा सकता है, अपना हाथ सही स्थिति में रख सकता है और एक रैकेट को लहराने के लिए, प्रतिद्वंद्वी को गेंद लौटा सकता है और यह सब कुछ सौ मिलीसेकंड में हो सकता है। इसके अलावा, मस्तिष्क इन सभी कार्यों के लिए सक्षम है (शरीर का उपयोग करता है जो इसे नियंत्रित करता है), एक व्यक्तिगत कंप्यूटर की तुलना में दस गुना कम ऊर्जा का उपभोग करता है। मस्तिष्क कैसे सफल होता है? कंप्यूटर और मस्तिष्क के बीच एक महत्वपूर्ण अंतर वह विधा है, जिसमें इनमें से प्रत्येक सिस्टम जानकारी को संसाधित करता है। कंप्यूटर अनुक्रमिक चरणों में अधिकांश भाग के लिए कार्य करता है। इसे प्रोग्रामर कोड लिखने के तरीके से देखा जा सकता है, जिससे लगातार निर्देशों की एक धारा बनती है। इस क्रम के प्रत्येक चरण के लिए उच्च सटीकता की आवश्यकता होती है, क्योंकि प्रत्येक चरण में त्रुटियां जमा होती हैं और बढ़ जाती हैं। मस्तिष्क प्रसंस्करण जानकारी में अनुक्रमिक चरणों का भी उपयोग करता है। टेनिस उदाहरण में, जानकारी आंखों से मस्तिष्क तक प्रवाहित होती है, और फिर पैरों, ट्रंक, हाथ और कलाई की मांसपेशियों के संकुचन को नियंत्रित करने के लिए रीढ़ की हड्डी तक जाती है।

लेकिन मस्तिष्क भी बड़े पैमाने पर समानांतर डेटा प्रोसेसिंग का उपयोग करता है, जिससे बड़ी संख्या में न्यूरॉन्स और उनके बीच के कनेक्शन का लाभ उठाते हैं। उदाहरण के लिए, एक चलती टेनिस बॉल कई रेटिना कोशिकाओं, फोटोरिसेप्टर को सक्रिय करती है, जो प्रकाश को विद्युत संकेतों में परिवर्तित करती है। इन संकेतों को कई अलग-अलग प्रकार के रेटिना न्यूरॉन्स में प्रेषित किया जाता है। जब तक फोटोरिसेप्टर सिग्नल रेटिना में दो या तीन सिनैप्टिक कनेक्शनों से गुजरता है, तब तक गेंद की स्थिति, दिशा और गति के बारे में जानकारी पहले से ही समानांतर तंत्रिका सर्किट द्वारा निकाली जाती है, और मस्तिष्क में प्रेषित होती है। उसी तरह, मोटर कॉर्टेक्स (सचेत प्रेरणा के लिए जिम्मेदार सेरेब्रल कॉर्टेक्स का हिस्सा) पैर, ट्रंक, हथियार और कलाई की मांसपेशियों के संकुचन को नियंत्रित करने के लिए समानांतर में आदेश भेजता है, ताकि शरीर और हाथ उस स्थिति पर कब्जा कर लें जो गेंद प्राप्त करने के लिए इष्टतम है।

यह व्यापक रूप से समानांतर रणनीति काम करती है क्योंकि प्रत्येक न्यूरॉन इनपुट एकत्र करता है और कई अन्य न्यूरॉन्स को आउटपुट भेजता है - औसतन स्तनधारियों के लिए, प्रति न्यूरॉन 1000 इनबाउंड और आउटबाउंड लिंक। और कुल प्रत्येक ट्रांजिस्टर में इनपुट और आउटपुट के लिए केवल तीन नोड हैं। एक न्यूरॉन से सूचना कई समानांतर तरीकों से जा सकती है। और एक ही समय में, कई सूचना प्रसंस्करण न्यूरॉन्स अपने उत्पादन डेटा को एक बाद के न्यूरॉन पर भेजकर कनेक्ट कर सकते हैं। यह संपत्ति सूचना प्रसंस्करण की सटीकता बढ़ाने के लिए विशेष रूप से उपयोगी है। उदाहरण के लिए, एकल न्यूरॉन द्वारा प्रदान की गई जानकारी में शोर हो सकता है (अर्थात, इसकी सटीकता 1 से 100 के क्रम पर है)। इसी जानकारी को संसाधित करने वाले 100 न्यूरॉन्स से इनपुट को ध्यान में रखते हुए, अगला न्यूरॉन बदले में पहले से ही उच्च सटीकता (इस मामले में, 1 से 1000) के साथ जानकारी प्रदान कर सकता है। मान लें कि इनपुट डेटा की प्रत्येक इकाई के लिए _{मीडिया} का मानक विचलन लगभग शोर से मेल खाता है। स्वतंत्र इनपुट एन की औसत संख्या के लिए, माध्य σ _{मीडिया} = √ /। N की अपेक्षित विचलन। हमारे उदाहरण में, our = 0.01, और n = 100, इसलिए 0. _{मीडिया} = 0.001।

कंप्यूटर और मस्तिष्क में उनकी प्राथमिक इकाइयों के प्रतिनिधित्व में भी समानताएं और अंतर हैं। ट्रांजिस्टर असतत मूल्यों (0 या 1) के साथ सूचना के डिजिटल प्रतिनिधित्व का उपयोग करता है। एक्सॉन फट भी एक डिजिटल सिग्नल है, क्योंकि किसी भी समय एक न्यूरॉन या तो सक्रिय होता है या सक्रिय नहीं होता है, और जब यह सक्रिय होता है, तो लगभग सभी फटने का आकार और आकार लगभग समान होता है। यह संपत्ति लंबी दूरी पर फटने के विश्वसनीय प्रसारण की अनुमति देती है। हालांकि, न्यूरॉन्स एनालॉग सिग्नल की क्षमताओं का भी लाभ उठाते हैं जो निरंतर मूल्यों का उपयोग करके जानकारी का प्रतिनिधित्व करते हैं। कुछ न्यूरॉन्स (अधिकांश रेटिनल न्यूरॉन्स) फटने का उत्पादन नहीं करते हैं, और उनका आउटपुट स्टेप वाइज विद्युत संकेतों (जो फटने के विपरीत, परिमाण में भिन्न हो सकता है) द्वारा प्रेषित होता है, जो फटने से अधिक जानकारी संचारित करने में सक्षम होते हैं। न्यूरॉन (आमतौर पर डेंड्राइट्स में स्थित) का प्राप्त अंत भी एक ही समय में एक हजार इनपुट संकेतों को एकीकृत करने के लिए एनालॉग सिग्नल का उपयोग करता है, जो डेन्ड्राइट को जटिल गणना करने की अनुमति देता है।

मस्तिष्क की एक और ध्यान देने योग्य विशेषता, जो स्पष्ट रूप से एक टेनिस खेल के उदाहरण में उपयोग की जाती है, यह है कि न्यूरॉन्स के बीच कनेक्शन की ताकत को कार्यों और अनुभव के परिणामस्वरूप बदला जा सकता है - यह प्रक्रिया, जैसा कि न्यूरोसाइंटिस्ट इसे मानते हैं, सीखने और याद रखने का आधार है। बार-बार प्रशिक्षण तंत्रिका सर्किट को कार्य के लिए बेहतर ट्यून करने की अनुमति देता है, जो गंभीरता से गति और सटीकता को बढ़ाता है।

पिछले दशकों में, इंजीनियरों को कंप्यूटर में सुधार करने के लिए मस्तिष्क से प्रेरित किया गया है। उपयोग के आधार पर, बॉन्ड वेट के समानांतर प्रसंस्करण और संशोधन के सिद्धांत आधुनिक कंप्यूटरों में शामिल हैं। उदाहरण के लिए, कंप्यूटर के विकास में, वर्तमान प्रवृत्ति समानांतरता में वृद्धि है, उदाहरण के लिए, एक कंप्यूटर में कई प्रोसेसर (कोर) का उपयोग। एक अन्य उदाहरण गहरी शिक्षा, मशीन सीखने और कृत्रिम बुद्धिमत्ता का विज्ञान है, जिसने हाल के वर्षों में काफी सफलता हासिल की है और कंप्यूटर और मोबाइल उपकरणों में वस्तुओं और भाषण को पहचानने में तेजी से प्रगति के लिए जिम्मेदार है, स्तनधारियों की दृश्य प्रणाली से संबंधित खोजों से प्रेरित था। 2

गहरी सीखने, स्तनधारियों की दृश्य प्रणाली की नकल करते हुए, कई परतों का उपयोग करता है, जिनमें से प्रत्येक वस्तु (दृश्य या भाषण) के तेजी से अमूर्त गुणों का प्रतिनिधित्व करता है, और विभिन्न परतों के बीच के बंधन का वजन प्रशिक्षण का उपयोग करके समायोजित किया जाता है, और इंजीनियरिंग प्रयासों के कारण नहीं। इन हाल के अग्रिमों ने कंप्यूटरों के अधीन कार्यों की सूची का विस्तार किया है। और फिर भी, मस्तिष्क कंप्यूटर से बेहतर लचीलापन, सामान्यता और सीखने की क्षमता रखता है। जैसा कि न्यूरोसाइंटिस्ट मस्तिष्क के अधिक से अधिक रहस्यों (कंप्यूटर के बढ़ते उपयोग से सहायता प्राप्त) की खोज करते हैं, इंजीनियर कंप्यूटर की वास्तुकला और प्रदर्शन को और बेहतर बनाने के लिए मस्तिष्क से प्रेरणा के लिए अधिक उदाहरण ले सकेंगे। जो कोई एक विशेष कार्य में विजेता बन जाता है, यह पारस्परिक अंतःविषय गर्भाधान निस्संदेह न्यूरोबायोलॉजी और कंप्यूटर प्रौद्योगिकी दोनों को आगे बढ़ाएगा।

1. पैटरसन, डीए और हेनेसी, जेएल कंप्यूटर संगठन और डिजाइन (एल्सेवियर, एम्स्टर्डम, 2012), 4 वां संस्करण।

2. LeCun, Y. Bengio, Y., और Hinton, G. डीप लर्निंग। नेचर 521, 436–444 (2015)।

लिकान लुओ स्कूल ऑफ ह्यूमैनिटीज एंड साइंसेज में प्रोफेसर हैं और स्टैनफोर्ड यूनिवर्सिटी में न्यूरोसाइंस के प्रोफेसर हैं।