آغاز تحول جدید هوش مصنوعی با دستاورد ما

چالش‌های ژنتیکی و هوش مصنوعی

ژنوم تنها فضای کمی برای اطلاعات لازم برای کنترل رفتارهای پیچیده دارد. اما چگونه یک لاک‌پشت دریایی نوزاد به طور غریزی می‌داند که باید به نور ماه دنبال کند؟ دانشمندان اعصاب در آزمایشگاه Cold Spring Harbor یک توضیح ممکن برای این پارادوکس قدیمی ارائه داده‌اند. ایده‌های آن‌ها می‌تواند به شکل‌گیری سریع‌تر و پیشرفته‌تر هوش مصنوعی منجر شود.

به نوعی، هر یک از ما زندگی را آماده برای عمل آغاز می‌کنیم. بسیاری از حیوانات بلافاصله پس از تولد کارهای شگفت‌انگیزی انجام می‌دهند. عنکبوت‌ها تار می‌تنند و نهنگ‌ها شنا می‌کنند. اما این توانایی‌های ذاتی از کجا می‌آیند؟ واضح است که مغز نقش کلیدی دارد، زیرا حاوی تریلیون‌ها اتصال عصبی است که برای کنترل رفتارهای پیچیده نیاز است. با این حال، ژنوم فضای کمی برای این اطلاعات دارد. این پارادوکس سال‌هاست که دانشمندان را سردرگم کرده است.

اکنون، پروفسورهای Anthony Zador و Alexei Koulakov از آزمایشگاه Cold Spring Harbor (CSHL) راه‌حل ممکن را با استفاده از هوش مصنوعی ارائه داده‌اند. زمانی که زادور برای اولین بار با این مشکل مواجه می‌شود، دیدگاه جدیدی به آن می‌دهد. او می‌پرسد: “اگر ظرفیت محدود ژنوم همان چیزی باشد که ما را این‌قدر باهوش می‌کند؟” او ادامه می‌دهد: “اگر این یک ویژگی باشد، نه یک نقص؟”

به عبارت دیگر، شاید ما بتوانیم به طور هوشمندانه عمل کنیم و به سرعت یاد بگیریم زیرا محدودیت‌های ژنوم ما را وادار به سازگاری می‌کند. این یک ایده بزرگ و جسورانه است که اثبات آن دشوار است. به هر حال، نمی‌توانیم آزمایش‌های آزمایشگاهی را در طول میلیاردها سال تکامل گسترش دهیم. اینجاست که ایده الگوریتم گلوگاه ژنومی مطرح می‌شود.

تحول در هوش مصنوعی: الگوریتمی که داده‌ها را فشرده می‌کند

در دنیای هوش مصنوعی، نسل‌ها به اندازه دهه‌ها طول نمی‌کشند. مدل‌های جدید تنها با فشردن یک دکمه به وجود می‌آیند. زادور، کولاکوف و پژوهشگران پست‌دکترا دیویانشا لاچی و سرگئی شواو در تلاش بودند تا الگوریتمی کامپیوتری توسعه دهند که انبوهی از داده‌ها را به یک بسته منظم تبدیل کند؛ مشابه این که چگونه ژنوم ما اطلاعات لازم برای تشکیل مدارهای مغزی عملکردی را فشرده می‌کند.

آن‌ها سپس این الگوریتم را در برابر شبکه‌های هوش مصنوعی که چندین دور آموزش می‌بینند، آزمایش کردند. شگفت‌انگیز است که این الگوریتم جدید و بدون آموزش، وظایفی مانند شناسایی تصویر را تقریباً به اندازه هوش مصنوعی پیشرفته انجام می‌دهد. این الگوریتم حتی در بازی‌های ویدیویی مانند Space Invaders نیز عملکرد خوبی دارد، گویی به طور غریزی می‌داند چگونه بازی کند.

آیا این به این معناست که هوش مصنوعی به زودی توانایی‌های طبیعی ما را تقلید خواهد کرد؟ کولاکوف می‌گوید: «ما به آن سطح نرسیده‌ایم.» او توضیح می‌دهد: «معماری قشری مغز می‌تواند حدود ۲۸۰ ترابایت اطلاعات را در خود جای دهد که معادل ۳۲ سال ویدیو با کیفیت بالا است، در حالی که ژنوم‌های ما تنها حدود یک ساعت اطلاعات را در بر می‌گیرد. این نشان می‌دهد که فناوری فشرده‌سازی ۴۰۰,۰۰۰ برابری هنوز نمی‌تواند با آن رقابت کند.»

با این حال، این الگوریتم اجازه فشرده‌سازی‌هایی را فراهم می‌کند که تا کنون در هوش مصنوعی دیده نشده است. این ویژگی می‌تواند کاربردهای شگفت‌انگیزی در فناوری داشته باشد. شواو، نویسنده اصلی این مطالعه، توضیح می‌دهد: «برای مثال، اگر بخواهید یک مدل زبان بزرگ را روی یک تلفن همراه اجرا کنید، یکی از راه‌هایی که می‌توان از این الگوریتم استفاده کرد، این است که مدل خود را لایه به لایه روی سخت‌افزار باز کنید.» چنین کاربردهایی می‌تواند به معنای هوش مصنوعی پیشرفته‌تر با زمان‌های اجرایی سریع‌تر باشد. و به یاد داشته باشید که تنها ۳.۵ میلیارد سال تکامل برای رسیدن به اینجا زمان صرف شده است.