شنبه , ۲۶ آبان ۱۳۹۷

مردی در پشت پرده مغز گوگل

 

1117

نظریه‌ای وجود دارد كه می‎گوید هوش انسان از یک الگوريتم واحد سرچشمه می‎گیرد. این ایده الهام گرفته از آزمايشاتی است که مشخص می‎کند بخشی از مغز شما که مختص پردازش صدای وارد شده به گوش شما است، می‎تواند وظیفه پردازش بینایی چشمان شما را نیز به عهده بگیرد. اگرچه این امکان ممکن است تنها زمانی وجود داشته باشد که مغز شما در نخستین مراحل رشد و تکامل قرار دارد، اما همین امر به این معنا است که مغز (و هسته آن) یک ماشین همه منظوره است که می‎تواند خود را برای انجام وظایف مشخص مطابقت دهد. در حدود هفت سال پیش، استاد علوم کامپیوتر استنفورد، پروفسور اندرو ان‌جی (Andrew Ng) نظریه‌ای را ارائه کرد که باعث تغییر رویه زندگی حرفه‌ای او و پدیدآمدن شور و شوقی دوباره در وی در‌ دنیای هوش مصنوعی یا AI شد. ان‌جی در این‌باره می‎گوید: «برای نخستین‌بار در زندگی‌ام این احساس به من دست داد که ممکن است امکان پیشرفتی هر چند کوچک در بهبود عملکرد رؤیای هوش مصنوعی در زندگی ما وجود داشته باشد.»

 

به‌زعم ان‌جی: «در روزهای نخست ارائه هوش مصنوعی نظر غالب این بود که هوش انسانی برآمده از هزاران عامل ساده است که با هماهنگی باهم کار می‎کنند. چیزی که ماروین مینسکی از MIT آن را “اجتماع افکار” می‎نامد. مهندسان معتقد بودند برای دستیابی به هوش مصنوعی، آن‌ها باید هزاران ماجول محاسباتی مستقل را ساخته و باهم ترکیب کنند. یک عامل یا الگوريتم، زبان را تقلید خواهد کرد و دیگری وظیفه تبدیل زبان به گفتار را بر عهده خواهد داشت و تمام عوامل چیزی شبیه به این رفتار خواهند کرد و این شاهکاری غیر قابل تغییر به‌نظر می‎رسید. اندرو  ان‌جی در زمان کودکی رؤیای ساخت ماشین‌هایی را در سر می‎پروراند که می‎توانستند مثل انسان فکر کنند. اما زمانی که او به دانشگاه رفت و از نزدیک با هوش‌مصنوعی آن روزها آشنا شد همه چیز رنگ‌و بوی دلسردی به خود گرفت و بعدها به‌عنوان یک استاد، دانشجویان خود را از پی‌گیری همان رؤیا باز می‎داشت. تا این‌که با فرضیه الگوريتم واحد آشنا شد؛ فرضیه‌ای که توسط جف هاوکینگ که یک کارآفرین حوزه هوش مصنوعی که به‌طور تفننی در تحقيقات علوم اعصاب مشارکت داشت، آشنا شد و بعد از آن بود که رؤیای دیرینه جان دوباره گرفت.
این تغییر جهت به میزانی بود که فراتر از حرفه  ان‌جی را متحول می‎کرد. حالا  ان‌جی به حوزه جدیدی از تحقيقات علوم کامپیوتر که به نام «یادگیری عمیق» (Deep Learning) شناخته می‎شد، دست یافته بود. این شاخه به دنبال ساخت ماشین‌هایی بود که می‎توانست داده‌ها را شبیه به روشی که مغز انجام مي‎دهد، پردازش كند. گسترش این جنبش به حدی بود که پا را فراتر از تحقيقات دانشگاهی گذاشته و به شرکت‌های بزرگ و مشهوری مانند گوگل و اپل راه یافته است. ان‌جی همراه با دیگر محققان گوگل مشغول ساخت یکی از بلندپروازانه‌ترین سیستم‌های هوش مصنوعی تا به امروز است که به اصطلاح مغز گوگل (Google Brain) خوانده مي‎شود.
این جنبش به‌دنبال یافتن راهی برای تلفیق علم کامپیوتر با علم عصب‌شناسی است. (چیزی که هرگز تاکنون در دنیای هوش‌مصنوعی اتفاق نیفتاده است).  ان‌جی می‎گوید: «من به‌طور باورنکردنی شکاف عمیقی بین مهندسان و دانشمندان می‎بینم.» مهندسان به دنبال ساخت سیستم‌های هوش مصنوعی هستند که فقط کار کند، اما دانشمندان هنوز در تلاش برای درک پیچیدگی‌های مغز هستند. برای مدتی طولانی علم عصب‌شناسی اطلاعات مورد نیاز برای کمک به پیشرفت ماشین‌های هوشمندی که مهندسان قصد ساخت آن را داشتند را در‌اختیار نداشت.
برونو اولشاسن عصب‌شناس محاسباتی و مدیر مرکز علوم اعصاب نظری ردوود دانشگاه برکلی کالیفرنیا می‎گوید: «چه چیزی از این بیشتر که دانشمندان اغلب احساس می‎کردند که آن‌ها مالک مغز هستند و به همین دلیل، همکاری کمی‎ با محققان سایر حوزه‌ها داشتند.» در‌نهایت نتیجه این شد که مهندسان شروع به ساخت سیستم‌های هوش مصنوعی کردند که لزوماً به همان شیوه‌ای که مغز رفتار می‎کند، کار نمی‎کنند. آن‌ها تمرکز خود را روی ساخت سیستم‌های شبه هوشمندی قرار دادند که بیش‌تر شبیه جاروبرقي رومبا از آب درآمد تا روبات خدمتکار رزی از جت سان.
اما اکنون به لطف ان‌جی و سایرین این رویه در حال تغییر است. دکتر توماس انسل، مدیر مؤسسه ملی سلامت روان، می‎گوید: «موضوعی که در حال حاضر، در خیلی از محافل مطرح است این است که آخر چه کسی پی خواهد برد که چطور محاسبات مغزی را در نسل بعدی کامپیوتر‌ها پیاده‌سازی کند.»

یادگیری عمیق یا Deep Learning چیست؟
یادگیری عمیق نخستین گام در این مسیر جدید است. اساساً این شیوه شامل ساخت رشته‌های عصبی است (شبکه‌هایی که همانند مغز انسان رفتار می‎کنند). این شبکه‌های کامپیوتری چند لایه بسیار شبیه به مغز دارند که می‌توانند اطلاعات را جمع‌آوری و نسبت به آن عکس‌العمل نشان دهند. آن‌ها می‎توانند ماهیت اجسام یا صدا را نیز درک کنند.
به‌عنوان مثال، در تلاش برای بازسازی چشم انسان شما ممکن است یک لایه ساده از نورون‌های مصنوعی را بسازید که می‎تواند چیزهای ساده‌ای مثل شناسایی سطوح یک شکل خاص را شناسایی كند، سپس لايه بعدی می‎تواند این سطوح را در کنار یکدیگر قرار داده و شکل بزرگتری را شناسایی كند و در‌نهایت این اشکال می‎توانند در کنار یکدیگر باعث شناسایی یک جسم شوند. نکته کلیدی در اینجا این است که نرم‌افزار تمام این کارها را خودش انجام مي‎دهد (یک مزیت بزرگ نسبت به مدل‌های هوش مصنوعی قدیمی‌تر، که نیاز داشت مهندسان داده‌های دیداری و شنیداری را به آن ارسال کنند و تنها به الگوريتم ماشین یادگیری خلاصه می‎شد).  ان‌جی می‎گوید: «در یادگیری عمیق شما تنها به سیستم مقدار زیادی داده وارد می‎کنید و بعد، خود آن است که به مفهوم محیط پیرامون پی خواهد برد».  سال گذشته یکی از الگوريتم‌های او بعد از اسکن میلیون‌ها عکس در اینترنت توانست با خودآموزی گربه‌ها را تشخیص دهد. این الگوريتم کلمه‌ای به نام «گربه» را نمی‎شناخت (ان‌جی مجبور به فهماندن آن بود) اما با گذر زمان خودش به تنهایی آموخت که موجودات خزداری را که ما آن‌ها را به نام گربه می‎شناسیم تشخیص دهد. این دستاورد الهام گرفته شده از باوری است که دانشمندان نسبت به نوع یادگیری انسان دارند. هنگام کودکی ما محیط اطراف خود را مشاهده کرده و شروع به درک ساختار اشیای پیرامون خود می‎کنیم. اما تا زمانی که والدین به ما نگویند که این شیء چیست ما نمی‎توانیم نامی‎ روی آن بگذاریم. هنوز الگوريتم یادگیری عمیق  ان‌جی نه به دقت و نه به تطبيق‌پذيري مغز انسان است، اما او می‎گوید روزی این اتفاق خواهد افتاد.

از گوگل تا چین  و…
اندرو  ان‌جی تنها بخشی از یک جنبش بزرگتر است. در سال 2011 او پروژه یادگیری عمیق را در گوگل به اجرا گذاشت و در ماه‌های اخیر، غول موتورهای جست‌وجو به‌طور قابل ملاحظه‎ای این تلاش‌ها را با به‌دست آوردن مالکیت یک بنیاد هوش مصنوعی که توسط پروفسور جفری هینتون از دانشگاه تورنتو به‌عنوان پدرخوانده شبکه‌‌های عصبی پایه‌گذاری شده، گسترش داده  است.
غول جست‌وجوی چینی، بایدو، نیز آزمایشگاه تحقيقات خود را به یادگیری عمیق اختصاص داده است. به گفته  ان‌جی شرکت‌های بزرگ فناوری مانند مایکروسافت و کوالکام به‌دنبال استخدام تعداد بیش‌تری از دانشمندان کامپیوتر با تخصص در الگوریتم‌‌های الهام گرفته از علوم اعصاب هستند.
در همین حال، مهندسان در ژاپن در حال ساخت شبکه‌های عصبی مصنوعی برای کنترل روبات هستند. علاوه‌بر آن دانشمندانی از اتحادیه اروپا مشغول کار در این حوزه هستند، هنری مارکمن عصب‌شناس، امیدوار است که با استفاده از داده‌های به‌دست آمده از هزاران آزمايش واقعی بتوان مغز انسان را داخل یک ابر کامپیوتر شبیه‌سازی کرد. اما اشكال در اینجا است، که ما هنوز درک کاملی از کارکرد مغز نداریم، البته، دانشمندان در این زمینه نیز مشغول فعالیت هستند. چینی‌‌‌‌‌‌‌ها مشغول کار روی پروژه‌ای هستند که آن را Brainnetdome نام‌گذاري کرده‌اند، که اطلس جدیدی از مغز است و در ایالات‌متحده از طرح «عصر بزرگ علم عصب شناسی» رونمایی شده است، یا پروژه‌های وابسطه به چند رشته علمی‎ به‌نام BRAIN (سرنام Brain Research Through Advancing Innovative Neurotechnologies Initiative ) که به‌تازگی توسط رئیس جمهور امریکا معرفی شد. اگر ما بتوانیم شناسایی کنیم که چطور هزاران نورون به هم پیوند خورده‎اند و این‌که چگونه اطلاعات در شبکه‌های عصبی ذخيره و پردازش می‎شوند، مهندسانی مثل  ان‌جی و اولشاسن از این‌که مغز مصنوعی آن‌ها چگونه باید باشد، درک بهتری خواهند داشت.

لپتاپ اندرو  ان‌جی در حال توصیف یادگیری عمیق

این داده‌ها در‌نهایت می‎توانند در انجام و پیشرفت الگوريتم‌های یادگیری عمیق در فناوری‌های کاربردی مثل کامپیوتر بصری، تجربه و تحلیل زبان و ابزارهای تشخیص صدای موجود در تلفن‌‌‌‌‌‌‌‌‌‌‌‌‌های هوشمند اپل و گوگل مورد استفاده  قرار گیرد.
اولشاسن، کمک عصب شناس محاسباتی دانشگاه برکلی، می‎گوید: «اینجا همان جایی است که ما باید شروع کنیم به یادگیری درباره ترفندهایی که زیست‌شناسی از آن استفاده می‎کند. من فکر می‎کنم کلید معما در رازهای زیست‌شناسی نهفته است. ما تنها ابزار مناسب برای درک پیچیدگی‌ها و اتفاقاتی که در حال وقوع است را در‌اختیار نداریم.
دنیا به دنبال چیست؟
با فراگير شدن دستگاه‌های موبایل، شکستن کدهای عصبی بیش از پیش اهمیت پیدا کرده است. هرچه گجت‌ها کوچک‌تر می‎شوند ما نیاز به یافتن راه‌های جدید سریع‌تر و دقیق‌تری برای ساخت آن‌ها خواهیم داشت. همچنان که ترانزيستورها را کوچکتر می‌کنیم، دقیق و کارآمد ساختن آن‌ها مشکل‌تر می‎شود. برای مثال، اگر آن‌ها را سریع‌تر کنید به این معنا خواهد بود که نیاز به جریان بیش‌تری خواهید داشت و جریان بیشتر سبب می‎شود سیستم دچار تزلزل شود.
اولشاسن می‎گوید: «در حال حاضر، مهندسان مشغول کار روی این مسائل هستند. بنابراین، در حال کم کردن سرعت، اندازه یا صرفه‌جویی در مصرف انرژی هستند تا سیستم‌هایشان بتوانند کار کنند. اما هوش مصنوعی ممکن است پاسخ بهتری داشته باشد. به جای سرباز زدن از مشکل، من فکر می‎کنم زیست‌شناسی می‎تواند به ما بگوید چطور از عهده آن برآییم. اگر بتوانيم پی ببریم که محیط زیست چطور به‌طور طبیعی با اجزای محاسباتی مشکل‌ساز رفتار می‎کند، مدل‌های محاسباتی فعلی ما کاملاً دگرگون خواهد شد.
اما تمرکز دانشمندان تنها روی کوچک‌سازی نیست. آن‌ها در تلاش برای ساخت ماشین‌هایی هستند که کارهایی انجام دهد که قبل از این هرگز توسط هیچ کامپیوتری انجام نشده است. مهم نیست که این الگوريتم‌ها به چه میزان پیچیده باشند، ماشین‌های امروزي نمی‎توانند خرید مایحتاج روزانه را انجام دهند یا کیف و لباس مورد علاقه شما را انتخاب کنند. این امر نیازمند گونه‌های پیشرفته‌تری از هوش بصری و توانایی ذخیره‌سازی و فراخوانی اطلاعات مرتبط به شیوه‌ای است که شبیه به توجه و حافظه انسانی است. اگر شما بتوانيد چنین کاری انجام دهید، امکانات و توانایی‌های پیش‌رو تقريباً بی‌پایان خواهد شد.
اولشاسن پیش‌بینی می‎کند: «اگر بتوانيد این مشکلات را برطرف کنید، همه متوجه آن خواهند شد که این تحول پتانسيل تجاری بسیار گسترده‌ای را به دنبال خواهد داشت.» این‌گونه نویدهای مالی باعث شده تا بزرگان دنیای فناوری مثل گوگل، آی‌بی‌ام، مایکروسافت، اپل، بایدو و سایرین در یک رقابت همه جانبه برای توسعه بهترین فناوری‌های یادگیری ماشین باشند. یک متخصص در این حوزه به‌نام یان لی‌کان انتظار دارد ظرف دو سال آینده ما شاهد موج بزرگی از راه‌اندازی یادگیری عمیق باشیم. اما حتی بهترین مهندسان نیز تخصصی در زمینه مغز و اعصاب ندارند، بنابراین، داشتن دانش عصب‌شناسی از اهمیت زیادی برخوردار است. یو از بایدو می‎گوید: «ما به‌طور قطع، نیاز داریم که با دانشمندان عصب‌شناسی تعامل نزدیکتری داشته باشیم. هر چند قبلاً هم این کار را انجام داده‌ایم اما لازم است این همکاری  بیش‌تر شود.»
رؤیای  ان‌جی در راه تحقق است. او می‎گوید: «من برای انجام این کار بسیار امیدوارم. ما هنوز الگوريتم مشخصی در دست نداریم و شاید برای به‌دست آوردن آن به سال‌ها زمان نیاز داشته باشیم. انجام این کار چندان راحت نیست اما من فکر می‎کنم امید زیادی برای تحقق آن وجود دارد.»

 منبع : ماهنامه شبکه

Print Friendly, PDF & Email

جوابی بنویسید

ایمیل شما نشر نخواهد شدخانه های ضروری نشانه گذاری شده است. *

*