آیا هوش مصنوعی می‌تواند مانند انسان فکر کند؟

به گزارش آنا، اخیرا چارچوب M۲I که از سازوکار حافظه انسان الگوبرداری شده، در مطالعه‌ای معرفی شده است. این چارچوب با هدف رفع محدودیت‌های مدل‌های بزرگ فعلی هوش مصنوعی، از جمله مشکلات ناکارآمدی، مصرف زیاد انرژی و ضعف در استدلال، طراحی و توسعه داده شده است.
مقاله‌ای اخیرا در مجله Engineering منتشر شده است که رویکردی نوین در هوش مصنوعی ارائه می‌دهد. این پژوهش با الهام از عملکرد حافظه انسان، به دنبال رفع محدودیت‌های مدل‌های مقیاس بزرگ کنونی مانند ChatGPT است تا سیستم‌های هوش مصنوعی را کارآمدتر، انعطاف‌پذیرتر و دارای قابلیت استدلال منطقی بسازد.

محدودیت‌های مدل‌های فعلی هوش مصنوعی

اگرچه مدل‌های بزرگ هوش مصنوعی در کاربرد‌های متنوعی عملکرد چشمگیری داشته‌اند، اما با چالش‌های اساسی، نیاز به حجم عظیم داده و توان محاسباتی، آسیب‌پذیری در برابر فراموشی فاجعه‌بار (Catastrophic Forgetting) ومحدودیت در استدلال منطقی و تفسیرپذیر روبه‌رو هستند. این مشکلات ریشه در ساختار شبکه‌های عصبی مصنوعی، فرآیند یادگیری و وابستگی به تحلیل صرفاً داده‌محور دارد.

معرفی حافظه ماشین و چارچوب M۲l

برای غلبه بر این چالش‌ها، محققان مفهوم «حافظه ماشین» را پیشنهاد می‌کنند که ساختار ذخیره‌سازی شبکه‌ای چندلایه و توزیع‌شده است و اطلاعات خارجی را به فرمتی قابل خواندن و محاسبه توسط ماشین تبدیل می‌کند. این ساختار از به‌روزرسانی‌های پویا، ارتباطات مکانی-زمانی و دسترسی هش فازی پشتیبانی می‌کند. بر اساس حافظه ماشین، آنها چارچوب M۲I را معرفی کرده‌اند که شامل ماژول‌های نمایش، یادگیری و استدلال است و دو حلقه تعاملی را تشکیل می‌دهد.

چارچوب M۲I حول چهار حوزه اصلی متمرکز شده است. سازوکار‌های عصبی حافظه ماشین یکی از آنها است. این تحقیق به بررسی نحوه پیکربندی از پیش تعیین‌شده سیستم‌های عصبی در مغز و اینکه چگونه رشد مغز و انعطاف‌پذیری (پلاستیسیته) به هوشمندی کمک می‌کنند، می‌پردازد.

چارچوب نمایش ارتباطی به دنبال رمزگذاری و بازیابی اطلاعات از طریق ارتباطاتی مانند پیوند‌های انتزاعی-واقعی و اتصالات مکانی-زمانی است که به شیوه‌ای مشابه با سازماندهی و بازیابی دانش در حافظه انسان عمل می‌کند.

یادگیری مداوم نیز برای مقابله با مشکل فراموشی کاتاستروفیک، محققان روش‌هایی را پیشنهاد می‌کنند که حتی در شرایط کم‌مصرف نیز از یادگیری مداوم پشتیبانی می‌کنند. این امر به سیستم‌های هوش مصنوعی اجازه می‌دهد تا دانش جدید را بدون از دست دادن اطلاعات قبلی یکپارچه کنند.

مدل استدلال همکارانه نیز به دنبال ترکیب سیستم‌های استدلال شهودی و منطقی است که قابلیت تفسیر و کارایی فرآیند‌های استدلال در هوش مصنوعی را بهبود می‌بخشد. این ماژول‌ها از طریق دو حلقه تعاملی به یکدیگر متصل می‌شوند تا عملکردی مشابه حافظه انسان را شبیه‌سازی کنند.