دستاورد پژوهشگر بوشهری در هوش مصنوعی و علوم اعصاب؛ درک اختلالات شناختی

خبرگزاری مهر، گروه استان‌ها- سعید رضایی: امروزه بسیاری از ربات‌ها و سیستم‌های هوش مصنوعی با استفاده از داده‌های زیاد آموزش می‌بینند. آن‌ها در محیط‌های شبیه‌سازی‌شده یاد می‌گیرند چه تصمیمی بگیرند و در بسیاری از موارد عملکردی شگفت‌انگیز دارند؛ از شکست دادن قهرمانان انسانی در بازی‌ها گرفته تا کنترل پهپادها و ربات‌های پیشرفته.

اما یک مشکل اساسی وجود دارد؛ این سیستم‌ها معمولاً فقط در همان شرایطی خوب عمل می‌کنند که برایشان آموزش داده شده است. به‌محض این‌که شرایط کمی تغییر کند، مثلاً نور محیط عوض شود، اطلاعات ناقص باشد یا یک قطعه دچار مشکل شود، این هوش‌های مصنوعی ممکن است دچار خطا شوند و تصمیم‌های اشتباه بگیرند.

در مقابل، موجودات زنده مثل انسان یا حیوانات، حتی با آموزش کم، می‌توانند در محیط‌های ناآشنا و سخت تصمیم‌های قابل قبولی بگیرند. مغز انسان به‌طور طبیعی یاد گرفته است که با ابهام، عدم قطعیت و اطلاعات ناقص کنار بیاید.

دستاورد جدید در مرز هوش مصنوعی و علوم اعصاب

دکتر الله کرم شفیعی اهل روستای چهاربرج بخش آب‌پخش شهرستان دشتستان استان بوشهر در حوزه هوش مصنوعی از دانشگاه صنعتی چک و سالرنو ایتالیا در همکاری با گروهی بین‌المللی از دانشمندان تحت سرپرستی پرفسور کارل فریستون یکی از پر استنادترین و برجسته‌ترین دانشمندان عصب پژوه و هوش محاسباتی معاصر، موفق به ارائه مدلی نوین در مرز هوش مصنوعی، علوم اعصاب و تصمیم‌گیری هوشمند شده‌اند.

این پژوهش با عنوان «Distributionally Robust Free Energy (DR-FREE) Principle for Decision-Making» در معتبرترین مجله بین المللی Nature Communications پذیرش شده است و گامی تازه در جهت طراحی عامل‌های هوشمند مقاوم و درک عمیق‌تر از سازوکار ذهن انسان به شمار می‌رود.

هوش مصنوعی مقاوم در برابر ابهام

این پژوهشگر بوشهری در گفتگو با خبرنگار مهر اظهار کرد: در یک مطالعه جدید مدلی به نام DR-FREE معرفی کرده‌ایم که هدف این مدل ساخت هوش مصنوعی‌ای که مثل موجودات زنده، در شرایط مبهم و غیرقابل پیش‌بینی هم تصمیم درست بگیرد.

شفیعی اضافه کرد: این مدل بر پایه نظریه‌ای علمی به نام اصل انرژی آزاد ساخته شده است؛ نظریه‌ای که سال‌ها است برای توضیح نحوه کار مغز انسان و رفتارهای هوشمند استفاده می‌شود. طبق این نظریه، مغز دائماً تلاش می‌کند فاصله بین «آنچه انتظار دارد» و «آنچه واقعاً می‌بیند» را کم کند.

وی افزود: مدل DR-FREE این ایده را به دنیای هوش مصنوعی آورده و به سیستم‌ها یاد می‌دهد که فقط به یک تصویر ثابت از دنیا تکیه نکنند، بدترین حالت‌های ممکن را هم در نظر بگیرند و تصمیم‌هایی بگیرند که حتی در شرایط نامطمئن هم امن و قابل اعتماد باشند.

آزمایش در دنیای واقعی

شفیعی خاطرنشان کرد: برای آزمایش این مدل، از ربات‌های کاوشگر واقعی استفاده شده است. این ربات‌ها باید در محیطی پر از موانع حرکت می‌کردند و به مقصد می‌رسیدند، آن هم در شرایطی که اطلاعاتی که قبلاً از محیط یاد گرفته بودند ناقص و حتی اشتباه بود.

وی تصریح کرد: نتیجه بسیار قابل توجه بود؛ ربات‌هایی که از DR-FREE استفاده می‌کردند توانستند با موفقیت مسیر خود را پیدا کنند، در حالی که ربات‌های مجهز به روش‌های پیشرفته قبلی دچار سردرگمی شده و از انجام مأموریت بازماندند.

چرا این پژوهش برای انسان هم مهم است؟

این پژوهشگر بوشهری با بیان اینکه اهمیت این کار فقط به ربات‌ها محدود نمی‌شود افزود: از آن‌جا که اصل انرژی آزاد یکی از نظریه‌های مهم برای توضیح عملکرد مغز است، این پژوهش می‌تواند به درک بهتر بیماری‌های روانی و شناختی نیز کمک کند.

وی تاکید کرد: برای مثال، در بیماری‌هایی مثل اسکیزوفرنی، مغز در تفسیر اطلاعات محیط دچار خطا می‌شود و نمی‌تواند باورهای خود را به‌درستی به‌روزرسانی کند. مدل DR-FREE نشان می‌دهد وقتی یک سیستم (چه ربات و چه مغز انسان) نتواند با ابهام درست کنار بیاید، تصمیم‌هایش دچار مشکل می‌شود.

شفیعی ادامه داد: این پژوهش به ما کمک می‌کند بفهمیم مغز سالم چگونه با شرایط نامطمئن کنار می‌آید و وقتی این سازوکار درست کار نکند، چه اتفاقی می‌افتد. این درک می‌تواند در آینده به طراحی روش‌های بهتر برای تشخیص و حتی درمان اختلالات شناختی کمک کند.

وی اضافه کرد: در این چارچوب، پژوهش حاضر نشان می‌دهد که همان سازوکارهایی که به یک عامل هوش مصنوعی اجازه می‌دهد در برابر ابهام محیطی تصمیم‌های پایدار بگیرد، می‌توانند به ما در درک دقیق‌تر چگونگی ازکارافتادن این سازوکار در مغز انسان نیز کمک کنند.

شفیعی تاکید کرد: این پژوهش نه‌تنها مسیر ساخت ربات‌های هوشمند پایدارتر را هموار می‌کند، بلکه ممکن است به مدل‌سازی محاسباتی اختلالات روانی و در نهایت بهبود درک علمی از بیماری‌هایی چون اسکیزوفرنی منجر شود.

مقاله DR-FREE می‌تواند پلی میان دو حوزه‌ی ظاهراً متفاوت اما از لحاظ نظری نزدیک ایجاد کند؛ یادگیری ماشین مقاوم در هوش مصنوعی و نظریه‌های شناختی در علوم اعصاب.

از منظر کاربردی، این مدل گامی مهم در جهت ساخت عامل‌هایی است که نه‌تنها در محیط‌های کنترل‌شده بلکه در دنیای واقعی نیز رفتاری هوشمند، باثبات و سازگار با عدم قطعیت‌های طبیعی محیط از خود نشان می‌دهند.

این پژوهش نشان می‌دهد که مطالعه عامل‌های مصنوعی در محیط‌های مبهم، نه‌تنها راه را برای فناوری‌های هوشمند امن‌تر هموار می‌کند، بلکه می‌تواند نوری تازه بر نحوه بقا و تصمیم‌گیری مغز انسان حتی در شرایط اختلال بیفکند.