محققان حوزه‌ «هوش‌ مصنوعی عصبی» با الهام از کارآیی مغز، یک مدل هوش مصنوعی جدید طراحی کرده‌اند که می‌تواند مانند انسان یاد بگیرد. هوش مصنوعی امروزی می‌تواند بخواند، صحبت کند و داده‌ها را تجزیه و تحلیل کند، اما همچنان محدودیت‌های اساسی دارد. محققان حوزه‌ هوش مصنوعی عصبی (NeuroAI) با الهام از کارایی مغز انسان، یک مدل هوش مصنوعی جدید طراحی کرده‌اند. این مدل به نورون‌های هوش مصنوعی این امکان را می‌دهد تا بازخورد دریافت کرده و به صورت لحظه‌ای تنظیم شوند، که این قابلیت منجر به بهبود فرآیندهای یادگیری و حافظه می‌شود. این نوآوری می‌تواند منجر به نسل جدیدی از هوش مصنوعی کارآمدتر و در دسترس‌تر شود و هوش مصنوعی و علوم اعصاب را به هم نزدیک‌تر کند. امروزه هوش مصنوعی ممکن است بیش از هر زمان دیگری شبیه انسان به نظر برسد. با این حال، هوش مصنوعی هنوز هم چندین نقص اساسی دارد. آنطور که «کایل دارووالا»، پژوهشگر هوش مصنوعی عصبی در آزمایشگاه کلد اسپرینگ هاربر (CSHL) نیویورک توضیح می‌دهد: «با وجود تمام هوشمندی‌هایی که چت‌جی‌پی‌تی و سایر فناوری‌های هوش مصنوعی فعلی دارند، از نظر تعامل با دنیای فیزیکی هنوز بسیار محدود هستند. حتی در کارهایی که انجام می‌دهند، مانند حل مسائل ریاضی و نوشتن انشا، برای اینکه بتوانند به خوبی از عهده‌ی آن‌ها برآیند به میلیاردها میلیارد نمونه‌ی آموزشی نیاز دارند.» .  دارووالا به دنبال روش‌های جدید و غیرمتعارفی برای طراحی هوش مصنوعی بوده است که بتواند بر چنین موانع محاسباتی غلبه کند. به نظر می‌رسد او ممکن است راهی برای این کار پیدا کرده باشد!  موضوع کلیدی، جابه‌جایی داده است. امروزه، بیشتر مصرف انرژی محاسبات مدرن ناشی از جابه‌جایی داده‌ها است. در شبکه‌های عصبی مصنوعی که از میلیاردها اتصال تشکیل شده‌اند، داده‌ها می‌توانند مسیر بسیار طولانی را طی کنند. بنابراین، برای یافتن راه‌حل، دارووالا از یکی از قدرتمندترین و کم‌مصرف‌ترین ماشین‌های موجود در طبیعت الهام گرفت: مغز انسان! دارووالا روشی جدید برای الگوریتم‌های هوش مصنوعی طراحی کرد تا داده‌ها را بسیار کارآمدتر بر اساس نحوه دریافت اطلاعات توسط مغز ما، جابه‌جا و پردازش کنند. این طراحی به نورون‌های هوش مصنوعی منفرد اجازه می‌دهد تا بازخورد دریافت کرده و بلافاصله خود را تنظیم کنند، به جای اینکه منتظر به‌روزرسانی همزمان کل مدار باشند. به این ترتیب، داده‌ها نیازی به طی مسافت طولانی ندارند و به صورت لحظه‌ای پردازش می‌شوند.   دکتر دارووالا می‌گوید: «در مغز ما، اتصالات ما دائماً در حال تغییر و تنظیم هستند. اینطور نیست که همه چیز را متوقف کنید، تنظیم کنید و سپس به حالت عادی خود بازگردید.» مدل جدید یادگیری ماشین، شواهدی را برای یک نظریه هنوز اثبات نشده ارائه می‌کند که حافظه‌ی کاری (working memory) را با یادگیری و عملکرد تحصیلی مرتبط می‌کند. حافظه‌ی کاری، سیستم شناختی است که به ما امکان می‌دهد در حین فراخوانی دانش و تجربیات ذخیره‌شده، روی کار متمرکز بمانیم. دارووالا می‌گوید: «در علوم اعصاب نظریه‌هایی در مورد چگونگی کمک مدارهای حافظه‌ی کاری به تسهیل یادگیری وجود داشته است. اما چیزی به ملموس بودن قانون ما وجود ندارد که واقعا این دو را به هم مرتبط کند.» او می‌افزاید: «بنابراین این یکی از نکات جالبی بود که در اینجا به آن برخوردیم. این نظریه به قانونی منجر شد که در آن تنظیم هر سیناپس به صورت جداگانه به این حافظه‌ی کاری در کنار آن نیاز داشت.»  طراحی دارووالا ممکن است به پیشگامی نسل جدیدی از هوش مصنوعی کمک کند که مانند ما یاد می‌گیرد. این نه تنها هوش مصنوعی را کارآمدتر و در دسترس‌تر می‌کند، بلکه تا حدودی نقطه عطفی برای حوزه‌ی هوش مصنوعی عصبی (neuroAI) هم به شمار می‌رود. علوم اعصاب مدت‌هاست که داده‌های ارزشمندی را در اختیار هوش مصنوعی قرار داده است، خیلی قبل از اینکه چت‌جی‌بی‌تی اولین حرف دیجیتالی خود را بیان کند. به نظر می‌رسد به زودی، هوش مصنوعی لطف این کار را جبران کند.

NeuroAI:

Insights from neuroscience to catalyze the development of next-generation Artificial Intelligence

The goal of CSHL’s NeuroAI program is to use insights from neuroscience to catalyze the development of next-generation artificial intelligence. CSHL invites visiting faculty in modern AI and machine learning for long-term onsite interactions between neuroscientists and researchers in AI/ML.

NAISys

Cold Spring Harbor Laboratory hosts an annual conference at the intersection of neuroscience and artificial intelligence, NAISys—From Neuroscience to Artificially Intelligent Systems. This meeting brings together researchers at the intersection of AI and neuroscience, and to identify insights from neuroscience that can help catalyze the development of next-generation artificial systems.

NeuroAI Summer Research Intern

We are seeking outstanding undergraduate and graduate students to spend the summer as NeuroAI Research Interns, part of our innovative NeuroAI Program at the intersection of neuroscience and artificial intelligence. During the internship, you will work alongside mentors and peers in the NeuroAI Program to pursue a research project where you design, implement, and evaluate novel models/agents. We have entered a golden age of artificial intelligence research, driven mainly by the tremendous advances in ANNs over the last decade or so. Applications of these techniques—to machine vision, speech recognition, autonomous vehicles, machine translation and many other domains—are coming so quickly that many observers—especially those outside the field—predict that the long-elusive goal of “Artificial General Intelligence” (AGI) is within our grasp. But in contrast to the widespread popular enthusiasm, many researchers within the AI field believe that major new discoveries are needed before we can hope to achieve AGI. Although ANNs can crush human opponents in games such as chess and Go, along most dimensions—language, reasoning, common sense—they cannot approach the cognitive capabilities of a four-year old. Even more striking is that ANNs remain even further from approaching the abilities of simple animals. Many of the most basic behaviors—behaviors that seem effortless to even simple animals—turn out to be deceptively challenging and out of reach for AI. We cannot build a machine capable of building a nest, or stalking prey, or loading a dishwasher. In many ways, AI is far from achieving the intelligence of a dog or a mouse, or even of a spider, and there is a growing skepticism that merely scaling up current approaches will match even murine, much less human, intelligence. We hypothesize that neuroscience may provide the foundation for the next revolution in AI. ANNs have drawn inspiration from neuroscience since their very inception. Indeed, ANNs were originally invented as simple models of the nervous system—a fact evident in their name. Many subsequent advances in AI were also inspired by neuroscience. For example, Yann Lecun’s invention of convolutional neural networks (CNNs)—one of the key advances in AI over the last three decades—was explicitly inspired by consideration of the Hubel and Wiesel model of the visual cortex. Similarly, the rise of reinforcement learning algorithms, such as those that gave rise to the Go champion AlphaGo, were inspired by our growing understanding of the neural mechanisms of reinforcement learning in animals. The core hypothesis motivating this program is that neuroscience will continue to provide a crucial source of inspiration for future developments in AI, but that progress will require training a cadre of young scientists fluent in both AI and neuroscience.

نظر عا : الگو برداری از مغز امری عادی است ، اما ساخت مصنوعی مشابه مغز بصورت علمی و مادی غیر ممکن است 1. بدلیل ارتباط تنگاتنگ روح و مغز… و البته بقیه ادله را در کتب عا مطالعه نمائید