گامی نو در مسیر ساخت مغز مصنوعی: توسعه فناوری هوش مصنوعی الهامگرفته از مغز انسان توسط فوجیتسو و MIT
کمبریج، ماساچوست و توکیو – ۹ دسامبر ۲۰۲۱ – شرکت فوجیتسو و مرکز مغزها، ذهنها و ماشینها (CBMM) مستقر در موسسه فناوری ماساچوست (MIT)، در یک همکاری مشترک با هدف ارتقای دقت مدلهای هوش مصنوعی (AI)، به یک دستاورد مهم دست یافتهاند.
نتایج حاصل از این همکاری پژوهشی بین فوجیتسو و CBMM در مقالهای منتشر شده است که در آن مجموعهای از اصول محاسباتی برگرفته از علم عصبشناسی مورد بحث قرار میگیرد. هدف از این اصول، توانمندسازی مدلهای هوش مصنوعی در تشخیص اطلاعاتی است که در فرآیند آموزش اولیه به آنها داده نشده و کاملاً از دادههای آموزشی اصلی مجزا هستند. این اطلاعات دادهنشده، که با عنوان اطلاعات خارج از توزیع (OOD) نیز شناخته میشوند، به دادههایی اطلاق میگردد که در مجموعه دادههای مورد استفاده در طول فرآیند آموزش حضور نداشتهاند.
نکات کلیدی این مقاله در کنفرانس NeurIPS 2021 (کنفرانس سیستمهای پردازش اطلاعات عصبی) ارائه خواهد شد تا پیشرفتهای حاصل در افزایش میزان دقت مدلهای هوش مصنوعی به نمایش گذاشته شود.
ظهور شبکههای عصبی عمیق (DNNs) در سالهای اخیر، به تنوع روزافزون کاربردهای فناوریهای یادگیری ماشین و هوش مصنوعی در دنیای واقعی کمک کرده است. این کاربردها شامل مواردی نظیر تشخیص نقص در صنعت تولید و تصویربرداری تشخیصی در حوزه پزشکی میشود. با وجود اینکه این مدلهای هوش مصنوعی در برخی موارد میتوانند عملکردی مشابه یا حتی بهتر از عملکرد انسان از خود نشان دهند، چالشهایی همچنان وجود دارد. به عنوان مثال، دقت تشخیص در شرایطی کاهش مییابد که ویژگیهای محیطی مانند نور و زاویه دید (پرسپکتیو) به طور قابل توجهی با ویژگیهای تعریفشده در مجموعه دادههای مورد استفاده در طول فرآیند آموزش متفاوت باشد.
به منظور رفع این مسئله، محققان فوجیتسو و CBMM به یک پیشرفت مشترک در شناخت و درک مبانی هوش مصنوعی دست یافتهاند. این پیشرفت امکان تشخیص دادههای OOD با دقت بالا را از طریق تقسیم شبکههای عصبی عمیق (DNN) به ماژولهایی نظیر شکل و رنگ (در میان سایر ویژگیها) فراهم میکند. آنها رویکرد منحصربهفردی را اتخاذ کردهاند که از ویژگیهای شناختی انسان و ساختار مغز او الهام گرفته شده است. همانطور که در مقاله ارائهشده توسط این گروه در کنفرانس NeurIPS 2021 نشان داده شده است، یکی از مدلهای هوش مصنوعی که با استفاده از این فرآیند ساخته شده بود، در یک ارزیابی که در آن با شاخص CLEVR-CoGenT دقت تشخیص تصویر اندازهگیری میشد، به عنوان دقیقترین مدل شناخته شد.
دکتر سیچی اوکاموتو، از اعضای ارشد شرکت فوجیتسو، در این خصوص میگوید: «از سال ۲۰۱۹، فوجیتسو در تحقیقاتی مشترک با مرکز CBMM وابسته به دانشگاه MIT مشارکت داشته است تا درک خود را از نحوه ترکیب اطلاعات توسط مغز انسان برای تولید رفتار هوشمندانه عمیقتر کنیم و به دنبال آن باشیم که چگونه به ساخت یک هوش مصنوعی با چنین قابلیتی دست یابیم و چگونه از این دانش برای حل مشکلات فعلی صنایع مختلف و عموم مردم بهرهبرداری کنیم. این دستاورد، نقطه عطف بزرگی برای توسعه فناوری هوش مصنوعی در آینده است و میتواند ابزارهای جدیدی را برای مدلهای آموزشی فراهم کند تا بتوانند به طور انعطافپذیر به موقعیتهای مختلف پاسخ دهند و حتی دادههای ناشناختهای را که به طور قابل توجهی با دادههای آموزشی اصلی متفاوت هستند، با دقت بالا تشخیص دهند. ما مشتاقانه منتظر امکانات هیجانانگیز دنیای واقعی هستیم که این فناوری میتواند درهای آنها را به روی ما بگشاید.»
دکتر توماسو پوگیو، دارنده نشان علمی Eugene McDermott Professor از دپارتمان مغز و علوم شناختی دانشگاه MIT و مدیر مرکز مغزها، ذهنها و ماشینها، اظهار میدارد: «هنگامی که عملکرد مدلهای هوش مصنوعی را در مواجهه با اطلاعات خارج از دادههای آموزشی (OOD) ارزیابی میکنیم، شکاف قابل توجهی بین شبکههای عصبی عمیق (DNNs) و انسانها وجود دارد که به شدت عملکرد هوش مصنوعی، به ویژه از نظر ایمنی و شفافیت، را مختل میکند. تحقیقات الهامگرفته از علوم اعصاب ممکن است منجر به توسعه فناوریهای نوینی شوند که قادر به غلبه بر سوگیریهای موجود در مجموعهدادهها باشند. نتایج به دست آمده در این برنامه تحقیقاتی، گام مثبتی در این راستا محسوب میشود.»
کاربردهای احتمالی این فناوری در آینده میتواند شامل ساخت نوعی هوش مصنوعی برای نظارت بر ترافیک باشد که قادر به واکنش نشان دادن به تغییرات شرایط مختلف و مشاهدات گوناگون باشد. همچنین، میتوان از این فناوری در هوش مصنوعی مورد استفاده در تصویربرداری تشخیصی در حوزه پزشکی بهره برد تا انواع مختلف ضایعات را با دقت تشخیص دهد.
درباره این روش جدید
یافتههای این تحقیقات بر این واقعیت متمرکز است که مغز انسان قادر است اطلاعات بصری را با دقت بسیار بالا جمعآوری و طبقهبندی کند، حتی اگر در شکل و رنگ اشیای مورد مشاهده تفاوتهایی وجود داشته باشد. این روش جدید، نوعی شاخص منحصربهفرد را محاسبه میکند که بر مبنای نحوه مشاهده یک شیء توسط نورونها و همچنین چگونگی طبقهبندی تصاویر ورودی توسط شبکههای عصبی عمیق (DNN) استوار است. این مدل، افزایش شاخص مورد نظر را به منظور ارتقای تشخیص مؤثرتر نمونهدادههای OOD هدف قرار میدهد. تا به امروز، فرض بر این بود که بهترین روش برای ساخت یک مدل هوش مصنوعی با دقت تشخیص بسیار بالا، تنظیم شبکههای عصبی عمیق (DNN) به عنوان یک ماژول واحد و بدون تقسیمبندی آن است. با این حال، محققان فوجیتسو و CBMM با تقسیم DNN به ماژولهای جداگانه بر اساس شکل، رنگ و دیگر ویژگیهای اشیاء و با استفاده از شاخص جدید توسعهیافته، با موفقیت به دقت تشخیص بالاتری دست یافتهاند.
برنامههای آینده
فوجیتسو و CBMM امیدوارند که در آینده یافتههای خود را برای توسعه و ارتقای بیشتر هوش مصنوعی اصلاح کنند تا این مدل جدید بتواند قضاوتهای انعطافپذیری مشابه انسان داشته باشد و در نتیجه، امکان بهکارگیری آن در زمینههای مختلفی مانند تولید و مراقبتهای پزشکی فراهم شود.
درباره فوجیتسو
فوجیتسو یک شرکت پیشرو ژاپنی در زمینه فناوری اطلاعات و ارتباطات (ICT) است که طیف کاملی از خدمات، راه حلها و محصولات فناوری را ارائه میدهد. تقریباً ۱۲۶ هزار کارمند فوجیتسو در بیش از ۱۰۰ کشور از مشتریان پشتیبانی میکنند. این شرکت از تجربه و قدرت اطلاعات و ارتباطات برای شکل دادن به آینده جامعه با مشتریان خود استفاده میکند. شرکت سهامی فوجیتسو (بورس اوراق بهادار توکیو: ۶۷۰۲) درآمد تلفیقی ۳.۶ تریلیون ین (۳۴ میلیارد دلار آمریکا) را برای سال مالی منتهی به ۳۱ مارس ۲۰۲۱ گزارش کرده است. برای اطلاعات بیشتر، لطفاً به www.fujitsu.com مراجعه کنید.
درباره مرکز مغزها، ذهنها و ماشینها در MIT (CBMM)
CBMM یک مرکز چندنهادی علوم و فناوری NSF مستقر در MIT است که به توسعه شناخت و درک هوش انسانی بر مبنای محاسبات و ایجاد یک تکنیک مهندسی بر اساس همان شناخت میپردازد. مرکز CBMM دانشمندان علوم کامپیوتر، علوم شناختی و علوم اعصاب را گرد هم میآورد تا زمینه پژوهشی جدیدی را ایجاد کند؛ یعنی حوزه علم و مهندسی هوش.
این کار تا حدودی از سوی مرکز مغزها، ذهنها و ماشینها (CBMM) با بودجه جایزه NSF STC به شماره CCF – 1231216 پشتیبانی شد.
