يقول العلماء إن العقل البشري متفوق وأكثر كفاءة من الذكاء الاصطناعي

من “The Terminator” إلى “I, Robot”، كانت الروبوتات القاتلة سمة أساسية في أفلام الخيال العلمي لسنوات عديدة.

لكن كوابيس سيطرة الذكاء الاصطناعي على البشرية قد تكون أبعد مما كنا نعتقد، وفقا للعلماء.

يشير بحث جديد أجرته جامعة أكسفورد إلى أن العقل البشري يتعلم المعلومات بطريقة مختلفة جذريًا وأكثر كفاءة عن الآلات.

وهذا يسمح للإنسان بتعلم شيء ما بعد رؤيته مرة واحدة، بينما يحتاج الذكاء الاصطناعي إلى التدريب مئات المرات على نفس المعلومات.

وعلى عكس الذكاء الاصطناعي، يمكن للبشر أيضًا تعلم معلومات جديدة دون أن تتداخل مع المعرفة التي لدينا بالفعل.

لقد وجد العلماء أن الدماغ البشري يعمل بطريقة مختلفة تمامًا وأكثر كفاءة عن الذكاء الاصطناعي (صورة مخزنة)

إحدى العمليات الأساسية للتعلم هي ما يسمى “تخصيص الاعتماد”.

عندما نرتكب خطأ ما، يحاول تعيين الاعتماد معرفة مكان ظهور الخطأ في مسار معالجة المعلومات.

تتكون معظم أنظمة الذكاء الاصطناعي الحديثة من شبكات عصبية اصطناعية، وهي عبارة عن طبقات من “العقد” أو الخلايا العصبية المشابهة لما قد تجده في الدماغ.

عندما يرتكب الذكاء الاصطناعي خطأ ما، فإنه يقوم بضبط الاتصالات بين هذه الخلايا العصبية، والتي تسمى أيضًا ضبط “الأوزان”، لضبط عمليات اتخاذ القرار حتى يحصل على الإجابة الصحيحة.

تُسمى هذه العملية بالانتشار العكسي لأن الأخطاء تنتشر للخلف عبر الشبكة العصبية للذكاء الاصطناعي.

حتى وقت قريب، اعتقد العديد من الباحثين أيضًا أن هذه هي الطريقة التي تتعلم بها الشبكات العصبية البيولوجية، مثل الدماغ البشري، من التجارب الجديدة.

في ورقتهم المنشورة في مجلة Nature Neuroscience، كتب المؤلفون: “لقد ساهم الانتشار العكسي، باعتباره نظرية بسيطة وفعالة لتخصيص الاعتمادات، في تحقيق تقدم ملحوظ في الذكاء الاصطناعي منذ بدايته، كما اكتسب مكانة بارزة في فهم التعلم في الدماغ”.

تستخدم أنظمة الذكاء الاصطناعي مثل ChatGPT طريقة تعليمية تسمى الانتشار العكسي والتي تضبط الاتصالات بين “خلاياها العصبية” في كل مرة ترتكب فيها خطأً

ومع ذلك، فقد أشاروا أيضًا إلى أن الدماغ يتفوق على الذكاء الاصطناعي باستخدام الانتشار العكسي بعدد من الطرق المهمة.

في حين أن الذكاء الاصطناعي يمكن أن يتفوق على البشر في المهام بدءًا من التفكير الإبداعي وحتى تعيين الموظفين، إلا أن الذكاء الاصطناعي يستغرق وقتًا طويلاً ليتعلم القيام بذلك.

فالبشر قادرون على التعلم من مثال واحد لتجربة جديدة، في حين يحتاج الذكاء الاصطناعي إلى التعرض لأمثلة مئات، إن لم يكن آلاف المرات.

والأهم من ذلك، أنه عندما يتعلم البشر شيئًا جديدًا، فإنه لا يتعارض مع ما نعرفه بالفعل، في حين أن هذا هو الحال بالنسبة للذكاء الاصطناعي.

وفي مواجهة هذه الأدلة، نظر الباحثون في مجموعات المعادلات التي تصف كيفية تغير سلوك الخلايا العصبية في الدماغ.

عندما قاموا بمحاكاة طرق معالجة المعلومات هذه، وجدوا أن هذه طريقة مختلفة تمامًا لتعلم الانتشار العكسي الذي يسمونه التكوين المحتمل.

على عكس الذكاء الاصطناعي، الذي يقوم أولاً بضبط الاتصالات بين الخلايا العصبية، يتغير نشاط الخلايا العصبية بحيث تتنبأ بالنتيجة بشكل أفضل، ثم يتم تعديل الأوزان لتتناسب مع هذا النمط الجديد.

في حين أن هذا قد لا يبدو فرقا مهما، إلا أن التأثيرات يمكن أن تكون كبيرة جدا.

على سبيل المثال، وصف الباحثون دبًا يذهب لصيد الأسماك.

في أحد الأمثلة، يشرح الباحثون كيف سيظل الدب يتنبأ بأنه يجب أن يكون قادرًا على شم رائحة السمك حتى لو لم يتمكن من سماع صوت النهر كما يفعل عادةً

عندما يرى الدب النهر، يولد عقله تنبؤات بأنه سيسمع الماء ويشم سمك السلمون.

عندما تسير الأمور على ما يرام، يمكن للدب أن يستنتج أنه يجب أن يكون قادرًا على شم رائحة سمك السلمون في النهر عندما يراه، وبالتالي يعرف مكان الصيد.

ولكن، في أحد الأيام، يأتي الدب ليصطاد السمك ويجرح أذنه بحيث لا يستطيع سماع صوت النهر على الإطلاق.

إذا كان الدب يستخدم طريقة تعلم تشبه الذكاء الاصطناعي، فإن الانتشار العكسي سيرسل هذا الخطأ – نقص السمع – لتقليل الاتصال بين رؤية النهر وسماعه.

لكن هذا من شأنه أيضًا أن يقلل من الثقل بين رؤية النهر وشم رائحة السمك.

سيفشل الدب بعد ذلك في التنبؤ بأنه يستطيع شم رائحة السمك عندما يتعلق الأمر بالنهر، وبالتالي سيستنتج أنه لا يوجد سمك سلمون في النهر.

لكن من الواضح أن هذه ليست الطريقة التي تعمل بها الكائنات البيولوجية.

من ناحية أخرى، ستضمن طرق التكوين المتوقعة أن التغيير في معلومات السمع لا يؤثر على بقية معرفة الدب.

يوضح هذا الرسم البياني كيف يمكن للذكاء الاصطناعي (في الأعلى) أن يتنبأ بعدم وجود سمكة إذا فقدت سمعها، في حين أن الدماغ البيولوجي (في الأسفل) يقوم بالتنبؤ الصحيح بغض النظر عن ذلك.

ولكن على الرغم من أن التكوين المحتمل هو وسيلة أكثر كفاءة للتعلم، إلا أن العلماء يقولون إن أجهزة الكمبيوتر الحالية لا يمكنها استخدام هذا النوع من النظام.

يقول المؤلف الأول للدراسة الدكتور يوهانغ سونغ: “إن محاكاة التكوين المحتمل على أجهزة الكمبيوتر الموجودة بطيئة، لأنها تعمل بطرق مختلفة جوهريًا عن الدماغ البيولوجي”.

ومع ذلك، يقول الدكتور سونج أن هناك إمكانية لتطوير أجهزة كمبيوتر جديدة يمكنها استخدام هذه الطريقة.

ويضيف: “يلزم تطوير نوع جديد من أجهزة الكمبيوتر أو الأجهزة المخصصة المستوحاة من الدماغ، والتي ستكون قادرة على تنفيذ التكوين المحتمل بسرعة وباستخدام القليل من الطاقة.”

ويشير الباحث الرئيسي البروفيسور رافال بوجاكز أيضًا إلى وجود فجوة معرفية كبيرة حاليًا بين هذه النظرية والواقع.

يقول البروفيسور بوجاكز: “توجد حاليًا فجوة كبيرة بين النماذج المجردة التي تؤدي التكوين المحتمل، ومعرفتنا التفصيلية بتشريح شبكات الدماغ”.

ويقول إن الأبحاث المستقبلية ستهدف إلى سد الفجوة بين الخوارزميات والأدمغة الحقيقية.

كيف تتعلم الذكاءات الاصطناعية باستخدام الشبكات العصبية؟

تعتمد أنظمة الذكاء الاصطناعي على الشبكات العصبية الاصطناعية (ANNs)، التي تحاول محاكاة الطريقة التي يعمل بها الدماغ من أجل التعلم.

ويمكن تدريب الشبكات العصبية الاصطناعية على التعرف على أنماط المعلومات – بما في ذلك الكلام، أو البيانات النصية، أو الصور المرئية – وهي الأساس لعدد كبير من التطورات في مجال الذكاء الاصطناعي خلال السنوات الأخيرة.

يستخدم الذكاء الاصطناعي التقليدي المدخلات “لتعليم” خوارزمية حول موضوع معين عن طريق تغذيتها بكميات هائلة من المعلومات.

تعتمد أنظمة الذكاء الاصطناعي على الشبكات العصبية الاصطناعية (ANNs)، التي تحاول محاكاة الطريقة التي يعمل بها الدماغ من أجل التعلم. يمكن تدريب الشبكات العصبية الاصطناعية على التعرف على أنماط المعلومات، بما في ذلك الكلام أو البيانات النصية أو الصور المرئية

وتشمل التطبيقات العملية خدمات ترجمة اللغات من جوجل، وبرنامج التعرف على الوجه من فيسبوك، والمرشحات الحية لتغيير الصور من سناب شات.

يمكن أن تستغرق عملية إدخال هذه البيانات وقتًا طويلاً للغاية، وتقتصر على نوع واحد من المعرفة.

هناك سلالة جديدة من الشبكات العصبية الاصطناعية تسمى Adversarial Neural Networks، وهي تضع ذكاء اثنين من روبوتات الذكاء الاصطناعي في مواجهة بعضهما البعض، مما يسمح لهما بالتعلم من بعضهما البعض.

تم تصميم هذا النهج لتسريع عملية التعلم، بالإضافة إلى تحسين المخرجات التي تنتجها أنظمة الذكاء الاصطناعي.