کشف ژاپنی برای یادگیری فوق سریع هوش مصنوعی با الهام از مغز
پژوهشگران ژاپنی با الهام از مغز انسان، سیستمی ابداع کردند که هوش مصنوعی با گفتگوی درونی و حافظه کوتاهمدت، دادههای کمتری نیاز دارد و انعطافپذیری بیشتری در حل مسائل پیچیده دارد.
ابداع روشی نوین برای یادگیری فوق سریع هوش مصنوعی
پژوهشگران مؤسسه فناوری اوکیناوا ژاپن با الهام از فرآیندهای شناختی مغز انسان، یک روش انقلابی برای آموزش سامانههای هوش مصنوعی ابداع کردهاند که بر مفهوم “گفتوگوی درونی” (زمزمه درونی) و استفاده از حافظه کوتاهمدت تکیه دارد. این نوآوری امکان میدهد تا مدلهای هوش مصنوعی با مصرف داده بسیار کمتر، مهارتهای خود را توسعه دهند و انعطافپذیری چشمگیری در مواجهه با مسائل ناآشنا و پیچیده از خود نشان دهند. نتایج این پژوهش نشان میدهد که ترکیب این مکانیزمهای درونی میتواند عملکرد هوش مصنوعی را تا ۴۰ درصد بهبود بخشد. این سیستم به جای تکیه بر حفظ طوطیوار الگوها، بر یادگیری قوانین کلی تمرکز میکند و توانایی تعمیم دانش را به شرایط جدید تقویت میکند، قابلیتی که در انسانها بسیار رایج است اما برای هوش مصنوعی چالشبرانگیز بود.
نقش گفتوگوی درونی و بهبود انطباقپذیری
سیستم جدید با تجهیز هوش مصنوعی به قابلیت “زمزمه درونی” و یک حافظه کاری ویژه، قادر به مدیریت همزمان چندین مؤلفه و بهبود تصمیمگیریها شده است. جفری کایسر، نویسنده اصلی مطالعه، تأکید میکند که یادگیری صرفاً به معماری شبکه بستگی ندارد، بلکه به تعاملات درونی در طول فرآیند آموزش وابسته است. این رویکرد به سامانهها اجازه میدهد تا مانند انسانها بهراحتی بین وظایف مختلف جابهجا شده و مسائل جدید را حل کنند. عملکرد این سامانه حتی در مواجهه با دادههای محدود، به ویژه در کارهای چندوظیفهای پیچیده، برتری قابل توجهی نسبت به مدلهای سنتی نشان داده است.
- کاهش وابستگی به حجم داده: هوش مصنوعی میتواند با دادههای کمتری آموزش ببیند.
- افزایش انعطافپذیری: توانایی بهتر در تعمیم دانش به موقعیتهای جدید و ناآشنا.
- بهبود چندوظیفگی: عملکرد بهتر در کارهای همزمان که نیاز به پردازش موازی دارند.
- تأثیر بر معماری یادگیری: نشان میدهد تعاملات درونی برای آموزش مؤثر حیاتی است.
- کاربردهای آینده بالقوه: زمینهسازی برای توسعه رباتهای پیشرفتهتر در محیطهای دینامیک.
دکتر کایسر اظهار داشت: “انسانها هر روز بهراحتی بین کارهای مختلف جابهجا میشوند و مسائل ناآشنا را حل میکنند؛ اما برای هوش مصنوعی این کار بسیار چالشبرانگیز است.”
این نوآوری میتواند پایهای برای ساخت مدلهای هوش مصنوعی کارآمدتر و سبکتر باشد که بتوانند در محیطهای پیچیده واقعی، مانند رباتهای خانگی و کشاورزی، عملکرد بهتری از خود نشان دهند.
این پیشرفت که سندی از تأثیرپذیری فناوریهای پیشرفته از زیستشناسی پایه است، با هدف نزدیکتر کردن هوش مصنوعی به درک و تطبیقپذیری انسان انجام شده و نتایج آن در مجله Neural Computation منتشر شده است.
