هوش مصنوعی امروز (AI) مقادیر زیادی از داده‌ها را می‌خواند، صحبت می‌کند و پردازش می‌کند، در تصمیم گیری کسب و کار و موارد دیگر کمک می‌کند. با وجود این قابلیت‌های چشمگیر، هوش مصنوعی هنوز با محدودیت‌های قابل توجهی مرتبط با مغز مواجه است.

تکنولوژی‌های مدرن هوش مصنوعی، مانند چت GPT، با دنیای فیزیکی به روش‌های محدود تعامل دارند. آن ها به میلیاردها نمونه آموزشی برای انجام وظایف مانند حل مسائل ریاضی یا نوشتن مقالات به طور موثر نیاز دارند.

آزمایشگاه سرد بهار هاربر (CSHL) کایل داروولا، محقق نورون‌ها، روش‌های غیر متعارف را برای غلبه بر این موانع محاسباتی بررسی کرده است.

کایل داروولا مشخص کرد که مصرف انرژی بالا در محاسبات مدرن عمدتا به دلیل حرکت داده‌ها است. در شبکه‌های عصبی مصنوعی، داده‌ها اغلب مسافت‌های طولانی را طی می‌کنند و مقدار قابل توجهی انرژی مصرف می‌کنند.

این ناکارآمدی باعث شد که داروولا از یکی از کارآمدترین سیستم‌های محاسباتی شناخته شده الهام بگیرد: مغز انسان.

برخلاف سیستم‌های مصنوعی، مغز انسان اطلاعات را با بهره وری انرژی قابل توجهی پردازش می‌کند. نورون‌ها و سیناپس‌های آن داده‌ها را به صورت محلی مدیریت می‌کنند و نیاز به انتقال گسترده داده‌ها را کاهش می‌دهند. داروولا با مطالعه این فرآیندهای بیولوژیکی، روشی جدید برای الگوریتم‌های هوش مصنوعی برای حرکت و پردازش داده‌ها به طور کارآمدتر توسعه داد.

رویکرد او استراتژی مغز را تقلید می‌کند و به "نورون های" هوش مصنوعی اجازه می‌دهد تا بازخورد دریافت کنند و در زمان واقعی تنظیم شوند. این نوآوری نه تنها به مسئله مصرف انرژی می‌پردازد بلکه قابلیت پاسخگویی و یادگیری سیستم‌های هوش مصنوعی را نیز افزایش می‌دهد.

داروولا گفت: در مغز ما، ارتباطات ما همیشه در حال تغییر و تنظیم است. این طوری نیست که همه چیز رو متوقف کنی، تنظیم کنی، و بعد دوباره خودت باشی.

این مدل یادگیری ماشین نوآورانه از یک نظریه اثبات نشده پشتیبانی می‌کند که حافظه کاری را با یادگیری و عملکرد تحصیلی مرتبط می‌کند. حافظه کاری، سیستم شناختی که ما را قادر می‌سازد تا در حالی که دانش ذخیره شده را به یاد می‌آوریم، در یادگیری نقش مهمی دارد.

نظریه‌هایی در علوم اعصاب وجود دارد که چگونه مدارهای حافظه کاری می‌توانند یادگیری را تسهیل کنند. اما تا به حال یک قانون مشخص وجود نداشت که این مفاهیم را با هم مرتبط کند. تنظیم هر سیناپس به صورت جداگانه نیاز به حافظه کاری در کنار آن داشت.

طراحی نوآورانه می‌تواند پیشگام نسل جدیدی از هوش مصنوعی باشد که بیشتر شبیه انسان یاد می‌گیرد و این تکنولوژی را کارآمدتر و قابل دسترس‌تر می‌کند.

این پیشرفت نشان دهنده یک گام مهم برای neuroaid است، زمینه‌ای که در آن علوم اعصاب مدت‌ها داده‌های ارزشمندی را به روش‌های هوش مصنوعی مانند یادگیری ماشین ارائه داده است. به نظر می‌رسد که به زودی، هوش مصنوعی ممکن است این لطف را برگرداند.

طراحی جدید هوش مصنوعی الهام گرفته از مغز مزایای متعددی را ارائه می‌دهد. یکی از مزایای اصلی آن افزایش بهره وری انرژی، کاهش هزینه‌های عملیاتی و اثرات زیست محیطی است. این باعث می‌شود برنامه‌های کاربردی هوش مصنوعی پایدارتر و در دسترس‌تر باشند.

قابلیت تنظیم در زمان واقعی پاسخگویی را افزایش می‌دهد، به سیستم‌های هوش مصنوعی اجازه می‌دهد تا به سرعت با اطلاعات جدید و شرایط در حال تغییر سازگار شوند، که برای محیط‌های پویا مانند وسایل نقلیه مستقل یا شهرهای هوشمند بسیار مهم است.

این رویکرد همچنین مقیاس پذیری سیستم‌های هوش مصنوعی را بهبود می‌بخشد، زیرا پردازش داده‌های کارآمد نیاز به منابع محاسباتی گسترده را کاهش می‌دهد. علاوه بر این، توانایی مدل برای تقلید از فرآیندهای یادگیری انسان می‌تواند منجر به رابط‌های هوش مصنوعی بصری و کاربر پسندتر، بهبود تجربه کاربر و نرخ پذیرش شود.

قابلیت‌های یادگیری پیشرفته هوش مصنوعی را قادر می‌سازد تا وظایف پیچیده‌ای را با دقت بیشتری انجام دهد، که به ویژه در زمینه‌هایی که نیاز به دقت بالا دارند، مانند مراقبت‌های بهداشتی و مالی مفید است.

به طور کلی، این مزایا طراحی جدید هوش مصنوعی را به عنوان یک فناوری تحول با کاربرد گسترده و تأثیر قابل توجهی قرار می‌دهد.

طراحی جدید هوش مصنوعی الهام گرفته از مغز دارای طیف وسیعی از کاربردهای بالقوه در زمینه‌های مختلف است. در مراقبت‌های بهداشتی، می‌تواند ابزارهای تشخیصی را بهبود بخشد، و تجزیه و تحلیل داده‌های دقیق‌تر و کارآمدتر را برای تصویربرداری پزشکی و سوابق بیمار امکان پذیر کند.

در آموزش، سیستم‌های هوش مصنوعی می‌توانند تجربیات یادگیری شخصی را فراهم کنند، در زمان واقعی با نیازهای دانش آموزان سازگار شوند و نتایج تحصیلی را بهبود ببخشند.

در رباتیک، بهبود بهره وری انرژی و تنظیمات در زمان واقعی می‌تواند منجر به ربات‌های مستقل‌تر و انطباقی‌تر شود که قادر به انجام وظایف پیچیده با حداقل مداخله انسانی هستند.

این تکنولوژی همچنین می‌تواند به نظارت بر محیط زیست با پردازش مقادیر زیادی از داده‌های زیست محیطی به طور کارآمدتر، منجر به بینش بهتر و پاسخ سریع‌تر به تغییرات زیست محیطی شود. علاوه بر این، در امور مالی، این مدل هوش مصنوعی می‌تواند تجارت الگوریتمی و ارزیابی ریسک را با انطباق سریع با نوسانات بازار بهبود بخشد.

به طور کلی، این رویکرد نوآورانه هوش مصنوعی امکانات جدیدی را برای کاربردهای هوشمندتر، پاسخگوتر و انرژی کارآمد در صنایع مختلف باز می‌کند.

این مطالعه در مجله Frontiers in Computational Neuroscience منتشر شده است.