به گزارش ایسنا و به نقل از گاردین، اکثر انسان‌ها به طور طبیعی به دنبال کوتاه‌ترین مسیر بین دو نقطه هستند، چرا که موجب صرفه‌جویی در زمان، انرژی و اغلب دوری از سردرگمی می‌شود.

اکنون دیگر این مهارت تنها منحصر به موجودات زنده نیست. گروهی از مهندسان، یک برنامه هوش مصنوعی را توسعه داده‌اند که یاد گرفته است میانبرها را در مارپیچ‌های پیچیده پیدا کند.

در حالی که مهندسان اطلاعات پایه‌ای برای جستجوی میانبر در این برنامه کار گذاشتند، این برنامه به طور موثری خود را آموزش داد و ساختارها و روش‌هایی شبیه به روش‌ها و طرز تفکر انسان ایجاد کرد.

خالق این هوش مصنوعی، محققان گروه "DeepMind" هستند. "دیپ‌مایند" یک شرکت بریتانیایی هوش مصنوعی است که در سپتامبر سال 2010 تحت عنوان فناوری‌های ذهن عمیق تأسیس شد. سپس هنگامی که در سال 2014 توسط شرکت گوگل خریداری شد، نامش به "گوگل دیپ‌مایند" تغییر یافت.

این شرکت قبلا هم یک شبکه عصبی مصنوعی به‌وجود آورده بود که توانایی یادگیری بازی ویدیویی را به همان شکل که انسان آن را می‌آموزد، داشت. همچنین ماشین تورینگ عصبی را تولید کرده که می‌تواند مانند یک ماشین تورینگ معمول به حافظه خارجی دسترسی یابد که باعث بوجود آمدن کامپیوتری شده که حافظه کوتاه‌مدت انسان را شبیه‌سازی می‌کند.

نام این کمپانی در سال 2016 پس از آن که یکی از ابداعاتش یک گیمر حرفه‌ای بازی "گو"(Go) را برای اولین بار شکست داد، بر سر زبان‌ها افتاد.

بنابراین این نام باید برای کسانی که طرفدار هوش مصنوعی هستند، آشنا باشد.

این مطالعه خاص به معنای پیشرفت بیشتر هوش مصنوعی (AI) است، چرا که این دیگر یک بازی رایانه‌ای نیست.

محققان "دیپ‌مایند" کشف کردند زمانی که هوش مصنوعی را برای حرکت از میان پیچ و خم‌های معما آموزش دادند، به طور خود به خود فعالیت الکتریکی مشابه آنچه در مغز انسان یافت می‌شود، صورت گرفته است و این یعنی که هوش مصنوعی توانسته بود خودش مثل یک انسان راه حل معما را بیاید.

در انسان، این فعالیت الکتریکی در آنچه که "سلول‌های شبکه‌ای" نامیده می‌شود، انجام می‌شود. شناسایی این سلول‌ها چندین سال پیش برای کاشفش جایزه نوبل را به ارمغان آورد.

این پیشرفت می‌تواند منجر به افزایش پتانسیل سیستم‌های هوش مصنوعی برای ایفای نقش هرچه شبیه‌تر به انسان شود.

دکتر "دارشان کوماران"، محقق ارشد در "دیپ‌مایند" گفت: این سیستم کاری را انجام می‌دهد که حیوانات انجام می‌دهند و هر زمان که ممکن باشد، مسیرهای میانبر را در صورت امکان در اختیار می‌گیرد.

وی افزود: با استفاده از سلول‌های شبکه‌ای مصنوعی، عملکرد آن به طور قابل توجهی افزایش یافته است. به این معنی که می‌تواند از یک بازیکن انسانی پیشی بگیرد.

"فرانسیسکو ساولی"، دانشمند علوم انسانی دانشگاه "جان هاپکینز" درباره مغز هوش مصنوعی و معماری آن بیشتر توضیح داد. وی در این کار شرکت نداشته است، اما دارای دانش گسترده‌ای از سیستم‌های هوش مصنوعی است.

وی در مصاحبه‌ای به "فیز" گفت: این سیستم‌ها به تقلید از تنوع نورون‌های واقعی نیاز ندارند. بسیاری از یادگیری‌ها با تقویت و تضعیف این سیناپس‌ها رخ می‌دهد، که در مورد ارتباط بین نورون‌ها است و این در مورد این سیستم‌های هوش مصنوعی نیز صادق است. اما اینکه انسان دقیقا چطور آن را انجام می‌دهد، و با چه قواعدی این نوع آموزش را اداره می‌کند، ممکن است در مغز و این سیستم‌ها بسیار متفاوت باشد.

انسان‌ها و اکثر حیوانات دیگر به لطف سلول‌های شبکه‌ای در زمینه یافتن میانبر و راه‌حل‌های ساده مشکلی ندارند. این سلول‌ها دقیقا به بدن می‌گویند که کجاست و به کجا برود.

محققان "دیپ‌مایند" این سوال را مطرح کردند که آیا آنها می‌توانند یک هوش مصنوعی را توسعه دهند که بتواند این روند را تکرار کند؟ آنها به منظور آموزش شبکه هوش مصنوعی، از موش‌ها برای یافتن غذا در یک مارپیچ استفاده می‌کردند. این تیم حتی سیستم را با اطلاعاتی در مورد نحوه حرکت موش و اینکه سرعت آن در حال حرکت چقدر است، علاوه بر تمام اطلاعات مسیریابی در مورد مسیرهایش، تغذیه می‌کرد.

"جیمز نیریم"، یکی از محققان این پروژه گفت: ظهور واحدهای شبکه‌ای یک نمونه قابل توجه از یادگیری عمیق است که بهترین عملکرد را انجام می‌دهد و یک راه‌حل کارآمد و اغلب غیرمنتظره ارائه می‌دهد.

انتهای پیام