تقلید از مغز انسان راهی تازه برای بهبود عملکرد هوش مصنوعی

پژوهشگران دانشگاه ساری (University of Surrey) رویکردی نوین برای ارتقای عملکرد مدل‌های هوش مصنوعی توسعه داده‌اند که از ساختار عصبی مغز انسان الهام گرفته است. این رویکرد می‌تواند راهی پایدارتر و کم‌مصرف‌تر برای آموزش مدل‌های بزرگ فراهم کند.

در مطالعه‌ای که در نشریه Neurocomputing منتشر شده، پژوهشگران توضیح داده‌اند که الگویی با نام Topographical Sparse Mapping، ارتباط نورون‌ها را تنها به نورون‌های مجاور یا مرتبط محدود می‌کند؛ مشابه نحوه‌ی سازماندهی مغز در پردازش اطلاعات. نتیجه آن است که مدل، بدون نیاز به میلیاردها ارتباط غیرضروری، همان سطح دقت را با مصرف انرژی کمتر حفظ می‌کند.

دکتر رومن باوئر، استادیار ارشد در این دانشگاه، می‌گوید:

«ما نشان داده‌ایم که می‌توان سیستم‌های هوشمند را بسیار کارآمدتر ساخت؛ بدون افت عملکرد و با کاهش چشمگیر مصرف انرژی.»

به گفته‌ی او، آموزش مدل‌های بزرگ امروزی مانند چت‌جی‌پی‌تی، ممکن است بیش از یک میلیون کیلووات‌ساعت برق مصرف کند؛ رقمی که در مقیاس جهانی ناپایدار است.

نسخه‌ی پیشرفته‌تر این روش، یعنی Enhanced Topographical Sparse Mapping، مرحله‌ای موسوم به «هرس زیستی» (biological pruning) را نیز به فرآیند آموزش اضافه می‌کند؛ مشابه نحوه‌ی اصلاح ارتباطات عصبی در مغز انسان هنگام یادگیری. این فرآیند به مدل کمک می‌کند تا شبکه‌ای بهینه‌تر و هوشمندانه‌تر بسازد.

تیم پژوهشی همچنین در حال بررسی کاربرد این ایده در رایانش نورومورفیک است؛ شاخه‌ای از مهندسی که می‌کوشد کامپیوترهایی بسازد که از ساختار و کارکرد مغز تقلید می‌کنند. این دستاورد می‌تواند نسل تازه‌ای از سیستم‌های هوشمند را پدید آورد که نه‌تنها قدرتمند، بلکه سازگار با محیط‌زیست هستند.

منبع: BBC Surrey