بنیانگذار شرکت هوش مصنوعی: پژوهش باید از مهندسی به زیستشناسی سوق یابد
به گزارش آفتاب وطن، مدیرعامل و بنیانگذار یک شرکت پیشرو در حوزه هوش مصنوعی دیدگاه دار خود را درباره جهتگیریهای تحقیقاتی در این علم بیان کرد. ایشان تأکید کرد که جامعه علمی مداما درگیر حل چالشهای مهندسی است در حالی که مسیر واقعی پیشرفت در پاسخ به پرسشهای زیستشناختی نهفته است.
این نگاه نوین نشان میدهد که تمرکز بر معماریها و بهینهسازیهای فنی، اگرچه ضروری به نظر میرسد، اما میتواند مانع درک عمیقتر از مکانیزمهای هوشمندی طبیعی شود. پردازشگرهای امروزی و الگوریتمهای پیچیده، همچنان از انعطافپذیری و کارایی سیستمهای بیولوژیک دورند.
عملکرد مغز انسان در پردازش اطلاعات، یادگیری از تعداد کمی داده و تعمیمسازی سریع، الگوی بینظیری است که مهندسی سنتی تاکنون نتوانسته به طور کامل تقلید کند. پها و شبکههای عصبی بیولوژیک، مکانیزمهایی دارند که فراتر از ماتریسهای ریاضی و توابع فعالسازی رایج قرار میگیرند.
تحول پارادایم از رویکرد محاسبهمحور به رویکرد زیست‑محور، نیازمند همگرایی دانشهای علوم اعصاب، بیولوژی مولکولی و علوم شناختی است. تیمهای پژوهشی که بتوانند این مرزهای دسیپلینی را بشکنند، شانس بیشتری برای ایجاد سیستمی دارند که نه تنها محاسبه کند، بلکه درک و تطبیق نیز یابد.
در آینده نزدیک، موفقیت در دستیابی به هوش مصنوعی عمومی، به میزان وفاداری مدلهای محاسباتی به اصول زیستشناختی وابسته خواهد بود، نه تنها به قدرت سختافزاری یا پیچیدگی کد. این تغییر دید، میتواند سرمایهگذاریها و اولویتهای علمی را در مقیاس جهانی بازتعریف نماید.
متخصصان معتقدند که الگوبرداری از معماری قشر مغزی، که شامل لایههای پراکنده و اتصالات بازگشتی است، میتواند راهکارهای نوینی برای کاهش مصرف انرژی و افزایش سرعت استنتاج فراهم آورد. شرکتهای پیشرو در سیلیس ولی نیز آغاز کردهاند تا تراشههای عصبی-مورفیک را که بر پایه پالسهای بیولوژیک کار میکنند، توسعه دهند.
در همزمان، پروژههای باز مغز انسان و مغز موش دادههای بیسابقهای از اتصالات عصبی در اختیار محققان قرار دادهاند تا بتوانند مدلهای ریاضی دقیقتری از یادگیری بیولوژیک استخراج کنند. این دادهها، پل میان نظریه و پیادهسازی سختافزاری را تقویت میکنند.
نخستین نتایج آزمایشی نشان میدهد که شبکههای تحتالشعاعی که از مکانیزمهای توجه و حافظه کوتاهمدت مغزی الهام گرفتهاند، در وظایف استدلال چندمرحلهای و یادگیری پیوسته، عملکرد بهتری از معماریهای ترانسمر رایج دارند. این پیشرفت، امید جدیدی برای عبور از محدودیتهای دادهمحور بودن فعلی فراهم آورده است.