تشابه ساختار تفکر هوش مصنوعی و انسان ثابت شد
سایت شیک: پژوهشی مشترک میان دانشگاه های هاروارد، براون و توبینگن، شباهت الگوی تفکر هوش مصنوعی و انسان را اثبات نموده است.
به گزارش سایت شیک به نقل از مهر؛ در سالیان اخیر، پیشرفت شگرف مدلهای زبانی و بینایی هوش مصنوعی مبتنی بر معماری ترنسفورمر (Transformer) مرزهای درک ما از ظرفیتهای این فناوری نوظهور را جابه جا کرده است. معماری ترنسفورمر که مبنای مدلهای پیشرفته ای از جمه «GPT» و «Vision Transformer» است، توانسته درک ماشینی از زبان و تصویر را تا حدی ارتقا دهد که خروجی های تولیدشده به صورت شایان توجهی به پاسخ های انسانی شباهت پیدا کنند. این در حالیست که پژوهشی مشترک میان دانشگاه های هاروارد، براون و توبینگن پا را فراتر نهاده و این پرسش بنیادین را مطرح کرده است که آیا شباهت میان انسان و هوش مصنوعی فقط در سطح پاسخ غائی است یا در لایه های زیرین پردازش نیز مشابهت هایی میان پردازش مغز و ماشین وجود دارد. یافته های این مطالعه نشان میدهد که فرایندهای درونی این مدلها خصوصاً نحوه تحول احتمالات و اطمینان در طول لایه های شبکه عصبی و پردازش اطلاعات، به نحو شگفت انگیزی با مراحل پردازش شناختی در مغز انسان قرابت دارند. به اعتقاد خیلی از متخصصان، این هم ارزی ساختاری می تواند پیامدهایی بنیادین برای حوزه های مدل سازی شناختی، تحلیل رفتاری، علوم اعصاب محاسباتی و طراحی سامانه های هوشمند تبیین پذیر داشته باشد؛ خصوصاً در راه توسعه مدل هایی که نه فقط خروجی های دقیق بلکه فرایندهای فکری قابل درک و همساز با ادراک انسانی ارائه می دهند. خبرنگار مهر در این نوشته کوتاه به مرور تعدادی از ابعاد پژوهش انجام شده و یافته های آن درباره ی الگوی تفکر هوش مصنوعی و مغز انسان می پردازد. الگوی مشابه پروسه تفکر در انسان و ماشین پژوهش مورد اشاره با هدف بررسی تشابهات پردازشی میان مدلهای هوش مصنوعی ترنسفورمر و نظام های ادراکی انسان، تمرکز خودرا از تحلیل صرفِ خروجی مدل به بررسی «پویایی های لایه زمان» (layer-time dynamics) در جریان گذار معطوف کرده است. بر همین اساس، در پروسه «forward pass»، داده ورودی بصورت مرحله ای از هر لایه شبکه عبور می کند تا به خروجی غائی برسد. محققان برای اولین بار این سیر پردازشی درونی را با روندهای شناختی انسان در حل مسئله مقایسه کرده اند. آنان در این پژوهش مشترک تلاش کردند با بهره بردن از داده های رفتاری انسانی نظیر دقت پاسخ، زمان واکنش، مسیر ماوس و رفتارهای معطوف بر تایپ محتوا، به درک بهتری از هم پوشانی شناختی انسان و مدلهای مورد اشاره دست یابند. در این چارچوب، چهار مؤلفه کلیدی برای سنجش پویایی های درونی مدلها تعریف شد که هر یک بازتابی از نحوه «فکر کردن» مدل در گذر زمان هستند: ۱. میزان عدم قطعیت یا ابهام (entropy)
2. میزان اطمینان به پاسخ صحیح (log probability) یا (reciprocal rank)
3. اطمینان نسبی بین پاسخ صحیح و یک پاسخ ناصحیح ولی شهودی
۴. شاخص توانمندسازی پاسخ درست در مقابل پاسخ شهودی اشتباه این سنجه ها در سه مقیاس زمانی ارزیابی شدند که جزیات آن به شرح زیر است: ۱. مقدار غائی در خروجی مدل
۲. مساحت زیر منحنی روند تغییرات در تمام لایه ها (AUC)
3. نقطه اوج تغییرات بین لایه ها (Max-delta) یا لحظه «تصمیم گیری» غائی مدل برای ارائه پاسخ این پژوهش پنج مطالعه تجربی را در عرصه های زبانی، منطقی و بینایی شامل می شد. در مطالعه نخست، شرکت کنندگان نام پایتخت ایالت هایی نظیر ایلینوی را به یاد می آوردند؛ جایی که پاسخ شهودی، یعنی شیکاگو با پاسخ واقعی، یعنی شهر اسپرینگفیلد متفاوت است. مدلهای ترنسفورمر در پروسه حل این مسئله، روندی مشابه انسان را نشان دادند. آنها در لایه های میانی پردازش خود بیشتر با پاسخ شهودی همسو بودند و تنها در مراحل غائی پاسخ صحیح تقویت می شد. این الگو نه فقط در خروجی نهایی، بلکه در راه تحول احتمال پاسخ ها نیز بازتاب یافت و به خوبی با الگوی تردید و اطمینان در ذهن انسان مطابقت داشت. در مطالعه دوم، وظیفه شناسایی صحیح بین دو گزینه متناقض برای هوش مصنوعی عنوان شد. در این حالت، سنجه های اطمینان نسبی (مثل اختلاف لگاریتم احتمال) بیشترین قدرت پیش بینی رفتار انسان را خصوصاً در پیش بینی دقت پاسخ و زمان واکنش نشان دادند. محققان در مطالعه سوم، دسته بندی مفهومی برمبنای نمونه ها و مسیر حرکت ماوس مانند طبقه بندی نهنگ به عنوان پستاندار را مورد ارزیابی دقیق قرار دادند. در این مرحله نیز سنجه های پردازشی مدل توانستند خاصیت های حرکتی ماوس انسان را پیش بینی کنند و شتاب یا مسیر آن با میزان اطمینان مدل ارتباط مستقیم داشت. مدلهای هوش صمنوعی در مطالعه چهارم، آزمون های استدلال قیاسی دریافت نمودند. این آزمون ها چالشی برای منطق انسان محسوب می شوند برای اینکه پاسخ ها اغلب تحت تأثیر باورهای پیشینی افراد قرار می گیرند. مدلهای مورد بررسی نیز در چنین مواردی سوگیری هایی مشابه بروز دادند و سنجه های «اطمینان میانگین در طول لایه ها» در این بخش با دقت و زمان واکنش انسانی همبستگی بالایی داشت. در نهایت، در پنجمین مطالعه، مدل «Vision Transformer» در عرصه بینایی مورد بررسی قرار گرفت. نتیجه آنکه حتی در وظایف سخت تری مانند تشخیص تصویر از مجموعه های خارج از توزیع (OOD)، مشخص شد که رفتار پردازشی مدل با انسان مشابه است. بنا بر اعلام محققان حاضر در این پروژه علمی، متریک عدم قطعیت (entropy) بصورت ویژه در طول لایه ها توانست به خوبی دقت و زمان واکنش انسان را در این موقعیت ها پیش بینی نماید. این مجموعه از مطالعات، نشان داد که مدلهای بزرگ نه فقط خروجی های مشابه با انسان دارند، بلکه پروسه رسیدن به آن خروجی ها نیز از نظر سازوکارهای زمانی و پردازشی، به نحوی با مراحل ادراک انسانی هم راستا و شبیه است. از همین روی، نتایج این پژوهش پرسش های تازه ای در باب کارکردهای شناختی مدلهای زبانی و ظرفیت آنها برای تحلیل، شبیه سازی و حتی آموزش فرایندهای ذهنی انسان مطرح می سازد. جمع بندی یافته های این پژوهش، نشانه ای قدرتمند از همگرایی فرآیندهای شناختی در انسان و ماشین است. برخلاف دیدگاهی که مدلهای هوش مصنوعی را فقط به مثابه جعبه های سیاه درنظر می گیرد و آنها را ابزاری می داند که فقط ورودی را به خروجی نگاشت می کنند بدون آنکه بتوان از درون آنها چیزی درباره ی سازوکارهای شناختی آموخت، نتایج این مطالعه حاکی از آنست که برخی مکانیسم های پردازشی درونی مدلهای ترنسفورمر، هم راستا با مراحل تصمیم سازی و حل مسئله در مغز انسان عمل می کنند. خصوصاً روند تغییر اعتماد و عدم قطعیت در لایه های مختلف مدل، بسیار شبیه به نوسانات ذهنی انسان در برخورد با انتخاب های متناقض، درگیری با تردید و تثبیت غائی تصمیم است. به اعتقاد کارشناسان، این هم پوشانی نه فقط افق های جدیدی را برای توسعه سامانه های هوشمند شفاف، تبیین پذیر و قابل درک از نظر انسانی گشوده است، بلکه می تواند در آینده به ابزاری بدل شود که برای مدل سازی شناخت، آزمون فرضیه های روان شناختی و طراحی مداخلات آموزشی مبتنی بر الگوهای ذهنی انسان مورد استفاده قرار گیرند. بعبارت دیگر، این نتایج می توانند پلی میان علوم شناختی تجربی و علوم رایانشی برقرار سازند. با این وجود، باید با احتیاط علمی به این یافته ها نگریست. نخست آنکه دامنه تعمیم پذیری این الگوهای همگرایی هنوز محدود به مدلهای خاص و وظایف مشخصی است که در این پژوهش مورد بررسی قرار گرفته اند. هنوز مشخص نیست که آیا این شباهت در سایر معماری ها، حوزه های موضوعی یا وظایف چندوجهی نیز مشاهده خواهد شد یا خیر. نکته دوم نیز تمایز میان بازنمایی های آماری جمعی و تقلید از فرآیندهای شناختی فردی یک پرسش کلیدی و بنیادین باقیمانده است. آیا این مدلها واقعا مانند انسان «فکر می کنند»، یا فقط الگویی میانگین از رفتار هزاران انسان را بازتولید می کنند؟ پاسخ به این پرسش بنیادین، نه فقط برای تفسیر شناختی نتایج بلکه برای تعیین قابلیت اعتماد به مدل در تصمیم سازی های حساس نیز اهمیت اساسی دارد. با این همه، این مطالعه را می توان قدمی رو به جلو در رمزگشایی از سازوکارهای درونی مدلهای بزرگ زبانی و بینایی دانست؛ اقدامی که تلاشی نوین برای اتصال حوزه یادگیری ماشین به فهم عمیق تری از ماهیت تفکر، ادراک و داوری انسانی در لحظه شمرده می شود.
این مطلب سایت شیک را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب