قدس آنلاین: یکی از رویکردهای امیدبخش هوش مصنوعی، تلاش برای تقلید از نحوه‌ی عملکرد مغز انسان ازطریق نرم‌افزار است" اما اکنون استارتاپ استرالیایی Cortical Labs یک‌قدم فراتر رفته و می‌خواهد مغز مینیاتوری بسازد. هدف این استارتاپ ساخت مغز مینیاتوری با استفاده از تعبیه‌ی نورون‌های واقعی و بیولوژیکی در یک تراشه‌ی اختصاصی کامپیوتری است.

 Cortical Labs امیدوار است به‌گونه‌ای مینی‌مغزهای هیبریدی را آموزش دهد که بتوانند مانند هوش مصنوعی مبتنی بر نرم‌افزار، وظایف تعریف شده را انجام دهند؛ با این تفاوت که تنها کسری از مصرف انرژی نسخه‌های دیجیتالی را داشته باشند. هان ونگ چونگ، بنیان‌گذار و مدیرعامل کورتیکال می‌گوید:شرکت در حال کار روی مینی‌مغزهایی است که بتواند بازی آتاری قدیمی Pong را انجام دهد؛ مینی‌مغزهای ما هم‌اکنون به قدرت پردازش مغز یک‌ سنجاقک نزدیک شده‌اند.

دستاورد Cortical Labs قابل‌توجهی است؛ چراکه پونگ جزو بازی‌های اولیه آتاری بود که شرکت دیپ‌مایند در سال ۲۰۱۳ برای نشان دادن عملکرد آلگوریتم هوش‌مصنوعی خود، از آن استفاده کرد؛ با گذشت یک‌سال از آزمایش یادشده، گوگل شرکت دیپ‌مایند را تصاحب کرد. دیپ‌مایند در اصل یک شرکت بریتانیایی هوش مصنوعی است که در سپتامبر سال ۲۰۱۰ تحت عنوان فناوری‌های دیپ‌مایند تأسیس شد. این شرکت شبکه عصبی مصنوعی با توانایی یادگیری بازی ویدئویی با راهکاری مشابه مغز انسان ایجاد کرد.

مدیرعامل Cortical Labs در ادامه می‌افزاید: برای ساخت سخت‌افزار خود از دو روش استفاده می‌کند؛ یا نورون‌های موش را از جنین استخراج می‌کند؛ یا به‌موجب تکنیکی خاص، ابتدا سلول‌های پوست انسان به سلول‌های بنیادی و سپس به سلول‌های عصبی انسانی تبدیل می‌شوند.نورون‌ها درون مایعی مغذی روی تراشه‌های اختصاصی اکسیدفلزی جای‌گذاری می‌شوند؛ این تراشه‌ شامل شبکه‌ای متشکل از ۲۲٬۰۰۰ الکترود کوچک است که برنامه‌نویسان را قادر می‌سازد تا ورودی‌های الکتریکی را به نورون‌ها متصل کنند و همچنین خروجی‌های آن‌ها را نیز اندازه‌گیری کنند.

هم‌اکنون Cortical Labs از نورون‌های موش برای تحقیقات بازی پونگ استفاده‌ می‌کنند. چونگ می‌گوید: «ما سعی داریم نشان دهیم که می‌توانیم رفتار این سلول‌های عصبی را شکل دهیم». این آزمایش با پونگ آغاز شده که پیش‌بینی می‌شود Cortical Labs بتواند تا پایان سال بر آن مسلط شود؛ اما تراشه‌های ترکیبی این شرکت در نهایت می‌توانند کلیدی برای ارائه‌ی انواع استدلال‌های پیچیده و درک‌مفهمومی باشند؛ استدلالی که هوش مصنوعی امروز نمی‌تواند از پس آن برآید. راه‌حل Cortical، در صورت اثبات مقیاس‌پذیری، یک راه‌حل بالقوه برای یکی از مشکلات آزاردهنده در برابر یادگیری عمیق نیز ارائه می‌دهد که بسیار تاثیرگذار خواهد بود.آلفاگو، سیستم عمیق یادگیری DeepMind که برای بازی Go ساخته شده است، در سال ۲۰۱۶ بهترین بازیکن جهان را در آن بازی شکست داد؛ این سیستم در حین بازی یک مگاوات انرژی مصرف کرد؛ براساس تخمین شرکت فناوری Ceva این مقدار انرژی، برق حدود ۱۰۰ خانه را در یک روز تامین‌می‌کند. در مقابل مغز انسان حدود ۲۰ وات انرژی مصرف می‌کند؛ در واقع ۵۰/۰۰۰ برابر کمتر از آلفاگو.

استفاده از نورون‌های واقعی، بسیاری از مشکلات دیگر شبکه‌های عصبی مبتنی بر نرم‌افزار را حل‌می‌کند. برای مثال، برای اینکه شبکه‌های عصبی مصنوعی یادگیری خوبی داشته‌باشند، برنامه‌نویسان در یک فرآیند بسیار سخت و طاقت‌فرسا، باید ضرایب اولیه یا وزن‌ها را برای انواع داده‌هایی که در فرآیندهای شبکه به‌کاربرده می‌شود، به‌صورت دستی اعمال کنند. یکی دیگر از چالش‌های شبکه‌ی عصبی مبتنی بر نرم‌افزار ایجاد تعادل میان راه‌حل‌هایی است که قبلاْ در شبکه کشف شده‌اند و راه‌حل‌هایی جدیدی که باید در جستجوی آن‌ها باشیم. فریستون اضافه می‌کند که اگر شما سیستمی مبتنی بر نورون‌های بیولوژیکی داشته باشید، همه‌ی این مشکلات از بین می‌روند.

انتهای پیام/