تکامل معماری هوش مصنوعی: مدلهای مبتنی بر زمان با الهام از ساختار مغز انسان
طبق گزارش ایتنا، این مدل که با عنوان «ماشین تفکر پیوسته» (CTM) شناخته میشود، با رویکردی متمایز نسبت به مدلهای زبانی موجود ارائه شده است. این مدل بهجای اینکه ورودیها را به صورت یک تصویر ثابت و منفرد مشاهده کند، توانایی تمرکز بر نحوه همگامسازی نورونهای مصنوعی در طول زمان را داراست.
این سیستم با تکیه بر مدلهای نورونی سطحی (NLM) که به ثبت فعالیتهای پیشین میپردازند، میتواند رفتار نورونها و نحوه همگامسازی بین آنها را از طریق تاریخچهها تحلیل کند و مدل بنیادین را شکل دهد، بهطوری که طراحی آن الهام از الگوهای موجود در مغز بیولوژیکی است.
شرکت نوپای ساکانا که در توکیو قرار دارد، در زمان آغاز به کار خود در سال ۲۰۲۳ اظهار داشت که هدفش ایجاد سیستمهای هوش مصنوعی با الهام از طبیعت خواهد بود و اکنون بهنظر میرسد که مدل CTM یکی از نخستین نتایج این طرح جامع است.
للیون جونز، یکی از مؤسسان این استارتاپ، همچنین یکی از طراحان کلیدی معماری Transformer است که امروزه تقریباً پایهگذار هر مدل هوش مصنوعی مولد اصلی به شمار میرود.
یک حلقه تفکر مرحله به مرحله
CTM یک مفهوم درونزا از زمان – که محققان آن را “تیکهای درونی” نامیدهاند – را معرفی میکند که از ورودیهای خارجی مستقل است. این موضوع به مدل امکان میدهد که بهجای رسیدن به پاسخ نهایی در یک مرحله، در حین حل یک مسئله، چندین مرحله درونی را تجربه کند.
هر مرحله با یک «مدل سیناپس» آغاز میشود که وضعیتهای فعلی نورونها را به همراه ورودیهای خارجی تحلیل کرده و پیشفعالسازیها را تولید میکند. هر نورون همچنین سابقهای از این پیشفعالسازیها را ذخیره میکند که برای محاسبه حالتهای بهروزشده یا پسفعالسازیها در مرحله بعدی بهکار میرود.
این حالتهای نورونی طی زمان جمعآوری و به منظور همگامسازی مورد ارزیابی قرار میگیرند.
توانایی مدل در استدلال طی زمان بستگی به هماهنگی نورونها دارد. این الگوها، که بر اساس تاریخچه فعالسازی نورونها شکل میگیرند، هم توجه و هم پیشبینی را هدایت میکنند. نتیجه نهایی، سیستمی است که قادر به ترکیب اطلاعات در سطحهای زمانی مختلف است، از جمله واکنشهای کوتاهمدت به ورودیهای جدید و شناسایی الگوهای بلندمدتتر.
در یک آزمایش، CTM بهمنظور پیمایش یک هزارتو مورد استفاده قرار گرفت و بهنظر میرسید که این مدل مسیر خود را بهصورت مرحله به مرحله برنامهریزی میکند و حتی توانست تا حدی هزارتوهای بزرگ و پیچیدهتری را که در طول آموزش خود مشاهده نکرده بود، حل کند.
ساکانا سپس یک نسخه نمایشی تعاملی منتشر کرد که قادر بود هزارتوهای ۳۹×۳۹ را تا ۱۵۰ مرحله مدیریت کند.
هوش مصنوعی با انعطافپذیری شناختی
یکی از ویژگیهای بارز CTM، قابلیت آن در تنظیم خودکار عمق پردازش است. به عبارت دیگر، این مدل میتواند برای مسائل سادهتر سریعتر تصمیم بگیرد و برای مسائل پیچیدهتر، فرآیند استدلال را بهطور طبیعی کشیدهتر ادامه دهد، بدون اینکه نیازی به کدنویسی خاص یا معیارهای توقف پیش تعیینشده باشد.
نگاهی به افقهای آینده
CTM قرار نیست که بهطور کامل مغز انسان را شبیهسازی کند، اما تحت تأثیر مفاهیم علوم اعصاب شکل گرفته است. در حالی که نورونهای واقعی به تاریخچه فعالیتهای خود دسترسی ندارند، این مدل به گونهای طراحی شده که بر کارایی شناختی بیشتر تأکید دارد، نه بر شبیهسازی بینقصی بیولوژیکی.
در برخی آزمایشها، عملکرد این مدل در انجام وظایفی مشابه مرتبسازی اعداد یا تشخیص اعداد زوج و فرد سریعتر و دقیقتر بهنظر میرسید. همچنین فعالیت نورونی در این مدل، به شکل پیچیدهتر و متنوعتری نمایان میشود.
اگرچه مدل CTM نسبت به مدلهای موجود فعالیت عصبی پیچیدهتری تولید میکند، اما هنوز مشخص نیست که آیا در کاربردهای عملی نیز بهتر از آنها عمل خواهد کرد یا خیر، خصوصاً به این خاطر که نیاز به قدرت محاسباتی بالا و زمان آموزش بیشتری دارد.
شرکت ساکانا کد و نقاط کنترل مدل خود را به شکل متنباز در دسترس قرار داده است و امیدوار است مدل CTM بهعنوان ابزاری برای تحقیقات آتی در زمینه سیستمهای هوش مصنوعی که از زیستشناسی الهام میگیرند، بهکار گرفته شود.
منبع: the-decoder
