التعلم الذاتي والمستقبل: كيف تكشف الشبكات العصبية الاصطناعية عن طرق التعلم في العقول البيولوجية

في العقد الماضي، شهدنا تقدمًا مذهلاً في أنظمة الذكاء الاصطناعي، حيث اعتمدت معظم هذه الأنظمة على كميات هائلة من البيانات المعلّمة لتحقيق الأداء المثالي. ومع ذلك، فإن هذه الاستراتيجية التي تُعرف بالتعلم المراقب، رغم نجاحها، تعاني من قصور واضح، مما يثير تساؤلات حول كيفية تعلم الآلات بالمقارنة مع الدماغ البشري والحيواني. لا تستخدم الحيوان، بما في ذلك البشر، البيانات المعلّمة في عملية التعلم، بل يعتمدون على استكشاف البيئة لفهم العالم المحيط بهم. هنا يتدخل مفهوم “التعلم الذاتي”، والذي أصبح محور اهتمام الكثير من العلماء في علم الأعصاب الحاسوبي. سنتناول في هذا المقال هذه الاستراتيجيات الجديدة وكيفية تقدم الذكاء الاصطناعي من خلال أساليب التعلم الذاتي، مما قد يكشف عن طرق جديدة لفهم كيفية عمل أدمغتنا.

تاريخ التعليم الذاتي وتحديات التعلم المشرف

على مدى العقد الماضي، أصبحت أنظمة الذكاء الاصطناعي الأكثر تألقًا تعتمد على كمية هائلة من بيانات معلمة بشكل يدوي. تتمثل استراتيجية التعليم في استخدام عينات من البيانات المصنفة لتدريب الشبكات العصبية الاصطناعية على التمييز بين كائنات مختلفة، على سبيل المثال، تصنيف صورة على أنها “قط تابي” أو “قط نمر”. تعتبر هذه الطريقة ناجحة بشكل ملحوظ في بعض الأحيان، ولكنها تعاني من عيوب جوهرية. تعتمد عملية التعلم المشرف على بيانات تتطلب جهدًا كبيرًا من البشر لتصنيفها، وغالبًا ما تستخدم الشبكات العصبية الاختصارات، حيث تتعلم كيفية الربط بين التصنيفات ومعلومات سطحية أو غير ضرورية، مما يؤدي إلى مشكلات في فهم البيانات بطريقة أعمق.

سجلت تحذيرات من بعض العلماء، مثل أليكسي إيفروس من جامعة كاليفورنيا، بأن هذه الأنظمة تشبه طلاب الجامعات الذين يغيبون عن الصفوف ولديهم فقط القليل من المعرفة عند اقتراب الامتحانات. الفكرة هنا أن الأنظمة لا تتعلم فعليًا، بل تنجح في “الامتحان” بناءً على اهتمامها بالمعلومات السطحية. ولكن كيف يمكن أن يكشف التعليم الذاتي المحتمل عن أساليب تعلم الدماغ البشري؟ في الوقت الحاضر، بدأ الباحثون المسلحون بفهم كيفية اجتماع التعلم الآلي والعلوم العصبية لتقديم نموذج أكثر ملاءمة لطريقة التعلم التي تعتمدها المخلوقات الحية.

تقنيات التعلم الذاتي

قام بعض علماء الأعصاب الحاسوبيون بالتحول نحو استراتيجيات التعلم الذاتي التي تتجنب الاعتماد على البيانات المعلمة بشكل بشري. بدلاً من ذلك، يتم استخدام نماذج تعلم ذاتية تستمد تسميات البيانات من البيانات نفسها. على سبيل المثال، النموذج اللغوي واسع النطاق يتجاهل أي تسميات خارجية، ويعتمد على التنبؤ بالكلمات التالية في جملة بناءً على الكلمات السابقة فقط. هذه الطريقة أثبتت نجاحها في معالجة اللغات كما لم يحدث من قبل، ويُعتبر ذلك قفزة نوعية نحو استكشاف النماذج التي تميز بشكل أكثر دقة بين الكائنات والعناصر.

في مجال رؤية الكمبيوتر، قدم فريق كايمينغ هي نموذج “المشفر التلقائي المقنع”، الذي يعتمد على أسلوب قد عُرف من قبل. يعتمد هذا النموذج على إخفاء أجزاء من الصور وتحفيز الشبكة العصبية لاستعادة التفاصيل. الفكرة هي أن النظام يتعلم أساسيات الشكل وليس فقط الأنماط، مما يمكنه من فهم جوهر الصورة وخصائصها بشكل أفضل. يوضح هذا التحول المبدأ الرئيسي للتعلم الذاتي، الذي يقوم على بناء المعرفة من الأسفل إلى الأعلى من خلال التجارب الذاتية والتفاعل مع البيانات، بدلاً من الاعتماد على معلمات خارجية.

محاكاة التعلم البشري في الأنظمة الحاسوبية

يرى بعض علماء الأعصاب أن الأنظمة الحاسوبية تمثل تحاكي لأساليب التعلم البشري. تشير الأدلة إلى أن الجزء الأكبر من وظائف الدماغ البشري تعتمد على التعلم الذاتي. على سبيل المثال، عندما يتفاعل الأشخاص مع البيئة المحيطة بهم، يقومون باستمرار بوضع توقعات حول ما سيحدث بعد ذلك، مثل موقع كائن متحرك. هذه الآلية تشبه تمامًا ما يحاول النموذج التعليمي الذاتي تحقيقه من خلال ملء الفجوات في البيانات التي يتعامل معها. وعندما نتعلم من أخطائنا، نكتسب المزيد من المعرفة، وهذا هو ما ينشده التعلم الذاتي في الشبكات العصبية.

تم إجراء تجارب تهدف إلى إعادة بناء مسارات التعلم البشري في الأنظمة الحاسوبية. وفي تجربة مثيرة، قامت مجموعة من العلماء بتطوير نظام يعتمد على مسارين مختلفين للتعلم: واحد للتعرّف على الكائنات والآخر لمعالجة حركة هذه الكائنات. عندما تم تدريب هذا النموذج، كشفت النتائج أن هذا النوع من التركيب يُغذي الذاكرة التراكمية لكلا المعرفتين. في النهاية، ما يهم هو أن هذا كله يقلل من الاعتماد على نظريات التعلم الأعمى التي تعتمد فقط على التوصيفات البشرية، مما يمهد الطريق أمام أنظمة قادرة على التعلم بالطريقة التي يتبعها المخ البشري.

البحث في نشاط الدماغ البشري مقارنةً بالذكاء الاصطناعي

تظهر الأبحاث الحديثة أن هناك تشابهات مثيرة للاهتمام بين نشاط الدماغ في الكائنات الحية مثل الفئران والذكاء الاصطناعي عند تعرضها لمؤثرات بصرية وصوتية. قامت مجموعة باحثين بقيادة ريتشاردز بتسجيل النشاط العصبي في قشرة الفئران البصرية أثناء مشاهدتها لمقاطع فيديو، مما أتاح لهم فهم كيفية استجابة الدماغ البشري والذكاء الاصطناعي لهذه المؤثرات. وكشفت النتائج أن هناك مسارين متخصصين في الدماغ—واحد يتعلق بالكائنات الثابتة والآخر يتعلق بالحركة. هذا يسمح بالتوقع الدقيق للمستقبل البصري، مما يعزز الفرضية التي تقول إن وجود مسارين يساعد في فهم العالم من حولنا، حيث إن وجود ممر واحد فقط لا يكفي.

تقنيات التعلم الذاتي في الذكاء الاصطناعي

التعلم الذاتي يصبح أكثر شيوعًا في نماذج الذكاء الاصطناعي مثل Wav2Vec 2.0، الذي طوره فريق بقيادة جان-ريمي كينغ. يُظهر هذا النظام قدرة مذهلة على تحويل الصوت إلى تمثيلات خفية دون الحاجة إلى تسميات مسبقة. على سبيل المثال، تم تعليم هذا الذكاء الاصطناعي باستخدام 600 ساعة من البيانات الصوتية، وهو ما يعادل تقريبًا ما يتعرض له الطفل في أول عامين من حياته. بعد ذلك، تم تشغيل مقاطع صوتية من كتب صوتية باللغات الإنجليزية والفرنسية والمندرين، وقورنت نتائج الذكاء الاصطناعي بأداء 412 شخصًا تم تصوير نشاط دماغهم. الأبحاث أظهرت أن النشاط في الطبقات الأولى من الشبكة العصبية يتماشى مع نشاط القشرة السمعية الأولية، في حين يتماشى نشاط الطبقات الأعمق مع النشاط في طبقات أعلى من الدماغ.

التحديات والمقاييس في تقنيات الذكاء الاصطناعي

على الرغم من الإنجازات، لا يزال هناك جدل حول فعالية الأساليب المستخدمة في الذكاء الاصطناعي. عالِم الأعصاب الحاسوبي جوش مكدرموت يشير إلى أن بعض التجارب توفر تمثيلات غير كافية، حيث أن الإشارات التي تنتجها الشبكات العصبية في الطبقات الأعمق قد لا تعكس التمثيلات الموجودة في الأدمغة الحية بشكل جيد. بعض الأعضاء في المجتمع العلمي يعتبرون أن التعلم الذاتي يمثل تقدمًا، ولكنه لا يزال يعاني من العديد من المشاكل الموجودة في نماذج التعلم المراقب. يتطلب الأمر مزيدًا من البحث لتحسين النماذج بحيث تعكس بشكل أفضل كيفية معالجة الأدمغة للمعلومات، وذلك من خلال إضافة المزيد من الروابط الراجعة، مما قد يساعد في محاكاة الديناميات المعقدة للدماغ.

الاستنتاجات المستقبلية ودلالاتها على الذكاء الاصطناعي

المشاريع المستقبلية ستحتاج إلى دمج التعلم الذاتي مع الهياكل الشبكية الأكثر تعقيدًا، مثل الشبكات العصبية المتكررة، التي ستكون قادرة على محاكاة الطريقة التي تعمل بها الأدمغة. إذا أثبتت الأبحاث المستقبلية وجود تشابه منهجي ضمن مجموعة متنوعة من الأنظمة الحسية، فسيكون ذلك دليلًا قويًا على كيفية معالجة المعلومات بطرق ذكية. هذه النتائج قد تدفعنا أكثر لفهم العمليات العصبية التي تُدير التعلم والذكاء، مما قد يولد نماذج ذكاء اصطناعي أكثر قوة وتحريرًا للأفكار في مجالات جديدة.

التعلم والتكيف في الذكاء الاصطناعي والنظم البيولوجية

يجدر بالذكر أن الأنظمة البيولوجية تتسم بالتكيف والمرونة التي تُعتبر محورية في فهم كيفية معالجة المعلومات. بالرغم من تقدم الذكاء الاصطناعي، لا تزال الطرق والأنظمة المستخدمة قاصرة عن محاكاة التعقيد الموجود في الأنظمة البيولوجية. بما أن النشاط العصبي في الدماغ يحمل دلالات عميقة حول كيفية معالجة اللغة والتفاعل مع البنية البيئية، فإن فهم العمليات المعقدة في الدماغ يمنح الوعد في تجاوز الحدود الحالية لنماذج الذكاء الاصطناعي.

رابط المصدر: https://www.quantamagazine.org/self-taught-ai-shows-similarities-to-how-the-brain-works-20220811/

تم استخدام الذكاء الاصطناعي ezycontent