تکامل مغز و کامپیوتر: مسیرهای طی نشده

تعامل بین تکامل بیولوژیکی و تکنولوژیکی، مسیرهای همگرا و هم مسیرهای واگرا را آشکار می‌کند که توسط محدودیت‌های معماری، انتخاب‌های اجتماعی و تفاوت‌های مکانیکی ذاتی شکل گرفته‌اند.

1. تکامل همگرا در مقابل طراحی الهام گرفته

- محدودیت‌های معماری: مغز و کامپیوتر هر دو به دلیل چالش‌های مشترک در کارایی و استحکام، شباهت‌هایی را نشان می‌دهند. به عنوان مثال، شبکه‌های عصبی (بیولوژیکی و مصنوعی) پردازش اطلاعات را تحت محدودیت‌های منابع بهینه می‌کنند و منجر به ساختارهای موازی مانند سلسله مراتب لایه‌ای می‌شوند [1][4][7].

- الهام نوروبیولوژیکی: کامپیوترهای اولیه مفاهیمی را از علوم اعصاب قرض گرفتند (به عنوان مثال، نورون‌های مک‌کالوچ-پیتس)، اما شکاف‌ها همچنان پابرجا هستند. سیستم‌های بیولوژیکی از ویژگی‌هایی مانند انعطاف‌پذیری سیناپسی و ارتباط مبتنی بر اسپایک با بهره‌وری انرژی بهره می‌برند که در محاسبات مرسوم همچنان مورد استفاده قرار نمی‌گیرند [6][7].

2. وابستگی به مسیر فناوری

- تأثیر اجتماعی-سیاسی: توسعه فناوری اغلب گزینه‌های همسو با هنجارهای فرهنگی غالب و ساختارهای قدرت را در اولویت قرار می‌دهد. به عنوان مثال، جایگزین‌های معماری‌های فون نویمان (به عنوان مثال، محاسبات نورومورفیک) به دلیل سوگیری‌های اقتصادی و سیاسی، نه به دلیل ضعف فنی، از نظر تاریخی کنار گذاشته شدند [3][6].

- ساخت جایگاه در تکامل: تکامل شناختی انسان شامل "جاده‌های طی نشده" بود، مانند استراتژی‌های اجتناب از شکارچیان که توسط صلبیه سفید و هماهنگی تیمی فعال شده و پتانسیل‌های فرهنگی و شناختی را آزاد کردند. به طور مشابه، مسیر محاسبات می‌توانست با پذیرش اولیه طرح‌های الهام گرفته از مغز متفاوت شود [2][4].

3. محاسبات نورومورفیک: بازنگری در جاده‌های طی نشده

- پایان قانون مور: رکود در کوچک‌سازی ترانزیستورها، علاقه به محاسبات شبیه مغز را احیا کرده است. شبکه‌های عصبی اسپایکی (SNN) و ممریستورها با هدف تقلید از بهره‌وری انرژی و سازگاری نورون‌های بیولوژیکی، محدودیت‌های معماری‌های کلاسیک را برطرف می‌کنند [5][6].

- چالش‌ها: تکرار ویژگی‌های مغز (مثلاً کدگذاری پویا، انعطاف‌پذیری چند سیناپسی) همچنان دست‌نیافتنی است. دستگاه‌های نورومورفیک فعلی با مقیاس‌پذیری و وفاداری بیولوژیکی دست و پنجه نرم می‌کنند و شکاف‌های حل‌نشده را برجسته می‌کنند [5][7].

4. نوآوری‌های بیولوژیکی در مقابل نوآوری‌های مصنوعی

- مقیاس‌های زمانی تکاملی: مغزها طی یک میلیارد سال تکامل یافتند تا بین بقا و سازگاری تعادل برقرار کنند، در حالی که رایانه‌ها به سرعت (حدود 200 سال) برای وظایف ریاضی توسعه یافتند. این تفاوت، تضادهایی را در اصول طراحی، مانند تأکید مغز بر بهره‌وری انرژی در مقابل تمرکز رایانه‌ها بر دقت محاسباتی، پایه‌ریزی می‌کند [6][7].

- مکانیسم‌های واگرا: سیستم‌های بیولوژیکی از گرادیان‌های شیمیایی و فرآیندهای تصادفی استفاده می‌کنند، در حالی که رایانه‌ها به فیزیک سیلیکون قطعی متکی هستند. این تفاوت‌های بنیادی، لقاح متقابل مستقیم را محدود می‌کنند، علیرغم شباهت‌های سطحی [1][6].

5. مسیرهای آینده و شرط‌بندی‌های حدسی

- سیستم‌های ترکیبی: ترکیب اصول بیولوژیکی (مثلاً کدگذاری پیش‌بینی‌کننده) با بهره‌وری سیلیکون می‌تواند سیستم‌های سازگار و انعطاف‌پذیر را به ارمغان بیاورد. مثال‌هایی از جمله هوش مصنوعی که به طور مداوم و بدون فراموشی فاجعه‌بار یاد می‌گیرد [5][7].

- تغییرات اخلاقی و فرهنگی: پذیرش مسیرهای فناوری جایگزین نیازمند به چالش کشیدن پارادایم‌های ریشه‌دار است. برای محاسبات، این ممکن است به معنای اولویت دادن به سیستم‌های تجسم‌یافته و آگاه از زمینه بر قدرت پردازش خام باشد [3][6].

فضایی مورفوسایی از ذهن‌های گسترده. فضایی از عوامل شناختی (چپ) را می‌توان با در نظر گرفتن مجدد محور پیچیدگی عامل (مانند شکل قبلی) به همراه تعداد عوامل درگیر در یک گروه معین و همچنین نقشی که شناخت گسترده (EC) ایفا می‌کند، ساخت. مورد دوم شامل وجود مکانیسم‌های فعال ساخت جایگاه، مهندسی اکوسیستم یا مهارت‌های تکنولوژیکی است. گوشه‌ای که توسط گیاهان اشغال شده است (*) شامل (به عنوان مثال، در یک جنگل) قدرت محاسباتی کم، جمعیت‌های عظیم و یک "ذهن گسترده" است که باید از نظر ارتباط متقابل و اصلاح فعال محیط‌هایشان، به ویژه خاک‌ها، درک شود. در حالی که مورچه‌ها به ویژه در تعداد برشی و تسلط اکولوژیکی خود با انسان‌ها رقیب هستند، نقش عظیمی که فناوری خارجی در انسان‌ها ایفا می‌کند، باعث می‌شود که آنها یک قلمرو مجزا و منزوی را در مکعب ما اشغال کنند (با افراد و گروه‌هایی که قادر به بهره‌برداری از EC هستند). برخی از نمونه‌های قابل توجه EC در پنل‌های سمت راست نمایش داده شده‌اند. موریانه‌ها ساختارهای فضایی پیچیده‌ای ایجاد می‌کنند (الف) محفظه رشد قارچ) و الهام‌بخش برخی از سیستم‌های رباتیک گروهی (ب) شده‌اند که قادر به ساخت سازه‌ها هستند. کشاورزی یکی از راه‌هایی بوده است که انسان‌ها محیط‌های خود را مهندسی کرده‌اند (ج)، و برخی از مدل‌های یادگیری تقویتی چندعاملی عمیق (د) نشان می‌دهند که چگونه مجموعه‌ای از عامل‌ها در تعامل با یک منبع محدود و معین می‌توانند منجر به استراتژی‌های مشارکتی شوند. نقش غالب EC در برخی از گونه‌ها فراتر از انسان توسط عنکبوت‌های تار عنکبوتی (ه) نشان داده شده است. آن‌ها مجهز به مغز کوچکی هستند، اما تار عنکبوت‌های آن‌ها به عنوان آنتن‌های پیچیده‌ای عمل می‌کنند که امکان سنجش و پاسخ قدرتمند به محیط‌هایشان را فراهم می‌کند. در این زمینه، تار عنکبوت‌های کارآمد را می‌توان با استفاده از تکامل مصنوعی (و) تکامل داد. شکافی که انسان‌ها را از بقیه سیستم‌های طبیعی و مصنوعی جدا می‌کند، با حجم خالی در سمت راست برجسته شده است، که باید توسط مدل‌های آینده شناخت مصنوعی بررسی شود.

بحث

آیا ماشین‌ها می‌توانند به هوش واقعی دست یابند؟ در مقاله‌ای اخیر با عنوان «ساخت ماشین‌هایی که مانند انسان‌ها یاد می‌گیرند و فکر می‌کنند» [198]، استدلال شده است که برای اینکه ANN بتواند به سرعت از طریق یادگیری-یادگیری، ظرفیت‌های تعمیم را به دست آورد، برخی از اجزای مهم از قلم افتاده‌اند. یکی از این اجزا، ایجاد زمینه و بهبود یادگیری با ساخت مدل‌های داخلی فیزیک شهودی است. ثانیاً، روانشناسی شهودی نیز به عنوان یک ویژگی طبیعی که از اوایل کودکی وجود دارد (کودکان به طور طبیعی موجودات زنده را از اشیاء بی‌جان تشخیص می‌دهند) پیشنهاد می‌شود که می‌تواند با معرفی تعدادی از تقریب‌های بیزی به دست آید. در نهایت، ترکیب‌پذیری به عنوان راهی برای جلوگیری از انفجارهای ترکیبی اضافه می‌شود. لیک و همکارانش در بررسی خود، این پیشرفت‌ها را در چارچوب شبکه‌های عمیق و حل مسئله برای بازی‌های ویدیویی مورد بحث قرار دادند و بنابراین برنامه‌نویسی اولیه‌هایی را که درجات آزادی داخلی ANN را غنی می‌کنند، در نظر گرفتند. این اجزا، انعطاف‌پذیری شبکه‌های عمیق را به سمت درک علیت گسترش می‌دهند. (همچنین برای پیشرفت‌های مهم دهه‌های گذشته در پارادایم‌های فرایادگیری یا یادگیری برای یادگیری، به اثر ماندگار یورگن اشمیدهوبر مراجعه کنید: https://people.idsia.ch/~juergen/metalearning.html، دسترسی در ۲ مه ۲۰۲۲). لیک و همکارانش همچنین به چندین عنصر حیاتی که باید در نظر گرفته شوند، اشاره کردند که زبان یکی از برجسته‌ترین آنهاست. تاکنون، با وجود پیشرفت‌های پیشگامانه در پردازش زبان، همتایان محاسباتی زبان انسان بسیار از توانایی‌های واقعی زبان فاصله دارند. این پیشرفت‌ها بدون شک تقلیدهای بهتری از تفکر ایجاد می‌کنند، اما آنها خارج از دنیای تجسم‌یافته‌ای هستند که - به اعتقاد ما - ذهن‌های پیچیده واقعی می‌توانند از طریق تکامل پدیدار شوند.

آیا ذهن‌های بیگانه وجود دارند؟ بله و خیر. یک پاسخ مثبت از بدیهیات پدیدار می‌شود: سیستم‌های مصنوعی نیازی به پیروی از محدودیت‌های بیولوژیکی یا مسیرهای تکاملی داروینی ندارند. با طراحی توسط انسان‌ها یا تکامل در رایانه‌ها با استفاده از رویه‌های بهینه‌سازی موردی، نتیجه نهایی می‌تواند از چندین جهت با زیست‌شناسی متفاوت باشد. یک شبکه عمیق می‌تواند با استفاده از یک الگوریتم آموزشی مبتنی بر شبکه‌های کانولوشنی پیش‌خور، در یک کار بسیار خاص از انسان‌ها پیشی بگیرد. این الگوریتم‌ها، اگرچه از آزمایش‌ها الهام گرفته‌اند، اما فاقد حلقه‌های بازگشتی هستند که ممکن است برای دستیابی به هوش و آگاهی واقعی حیاتی باشند. عامل‌های رباتیک می‌توانند الگوهای رفتاری پاسخ به محیط‌های پیچیده داشته باشند، اما مهارت‌های شناختی آنها بیرونی است: الگوریتم‌ها در یک کامپیوتر نسبتاً قدرتمند که در جایی خارج از بدن قرار دارد، اجرا می‌شوند. با این حال، اینها سیستم‌هایی هستند که عاملیت در آنها نقش جزئی ایفا می‌کند. شاید، سوال واقعاً مرتبط این باشد: آیا ذهن‌های بیگانه خودمختار وجود دارند؟

اگر طرح‌های همگرا نشانه‌ای از وجود مجموعه‌ای محدود از معماری‌های عصبی ممکن و عامل‌های شناختی خودمختار باشند، آینده هوش مصنوعی در عرصه تکامل است. این بدان معناست که جاده‌هایی که طی نمی‌شوند لزوماً از سرزمین تجسم عبور می‌کنند: همانطور که در سیستم‌های تکامل‌یافته طبیعی اتفاق می‌افتد، حرکت در دنیایی نامطمئن یکی از موتورهای تکامل مغز بود. علاوه بر این، یکی دیگر از مؤلفه‌های حیاتی نوآوری‌های تکاملی، ظهور اشکال جدید همکاری است. عامل‌های شناختی به معنای تکامل ارتباطات و برخورد با اطلاعات هستند [193]. چه نوع پدیده‌های جالبی را می‌توان با استفاده از این دو ماده مشاهده کرد؟ سیستم‌های رباتیک تکامل‌یافته به خوبی روش‌هایی را نشان می‌دهند که دینامیک تکاملی به طور همزمان برخی از این مؤلفه‌های شناخت را به هم پیوند می‌دهد. به عنوان مثال، عامل‌های رباتیک که در منظره‌ای حرکت می‌کنند که ورودی‌های مثبت و منفی (به ترتیب منابع شارژ و دشارژ) در نقاط مشخص قرار دارند، ارتباطات را همراه با استراتژی‌های مشارکتی که تناسب اندام گروهی را بهبود می‌بخشند، توسعه می‌دهند [199،200]. هر ربات به مجموعه‌ای از حسگرها و چراغ‌ها مجهز شده و با پیکربندی تصادفی شروع به جستجوی غذا می‌کند. یک شبکه عصبی پیش‌خور، امکان تکامل تعاملات بین حسگرها و نورها و ایجاد ارتباط بین ربات‌ها را فراهم می‌کند که امکان همکاری و نوع‌دوستی را فراهم می‌کند. یافتن و اجتناب از سناریوهای مثبت و منفی، شرایطی را برای افزایش تناسب اندام گروهی ایجاد می‌کند. با این حال، ازدحام همچنین باعث تقلب و فریب می‌شود (یک ویژگی آشنا در تکامل): ربات‌ها همچنین می‌توانند به دروغ گفتن به یکدیگر تکامل یابند. با وجود ماهیت ساده بازیکنان، ترکیبی از برخی ویژگی‌های کلیدی قابل تکامل می‌تواند به بینش‌های غیرمنتظره‌ای منجر شود.

همانطور که در مقدمه اشاره شد، به نظر می‌رسد مسیرهایی که به مغزها منتهی می‌شوند، از ویژگی‌های مشترک، شاید جهانی تعداد انگشت‌شماری از اصول طراحی بهره می‌برند و عمیقاً توسط محدودیت‌های معماری و دینامیکی محدود شده‌اند. آیا می‌توان ذهن‌های مصنوعی را با استفاده از اصول طراحی کاملاً متفاوت، بدون واحدهای آستانه، معماری‌های چندلایه یا سیستم‌های حسی مانند آنچه که ما می‌شناسیم، ایجاد کرد؟ از آنجایی که میلیون‌ها سال تکامل، از طریق مسیرهای مستقل، به معماری‌های متنوع مغز و در عین حال نه ذهن‌های واقعاً متفاوت منجر شده است، باید بپرسیم که آیا طرح‌های همگرا فقط تصادفی هستند یا شاید نتیجه پتانسیل محدود ما برای طرح‌های مهندسی باشند. در چارچوب محدودیت‌های رشدی، زیست‌شناس تکاملی، پیر آلبرچ، مقاله‌ای برجسته نوشت که می‌تواند نکته ما را بیشتر توضیح دهد [201]. عنوان این مقاله «منطق هیولاها» بود و شواهد قانع‌کننده‌ای ارائه داد مبنی بر اینکه حتی در حوزه تراتولوژی‌ها، می‌توان یک سازمان زیربنایی را درک کرد: به دور از یک جهان کاملاً دلخواه از احتمالات (از آنجایی که جنین‌های ناموفق موضوع فشارهای انتخاب نیستند، می‌توان استدلال کرد که انواع «راه‌حل‌های» مورفولوژیکی دلخواه را می‌توان مشاهده کرد)، یک نظم عمیق وجود دارد که امکان تعریف طبقه‌بندی «ناهنجاری‌ها» را فراهم می‌کند. در چارچوب ما، این بدان معناست که جهان ذهن‌های بیگانه نیز ممکن است عمیقاً محدود باشد.

نتیجه‌گیری

"مسیرهای طی نشده" در تکامل مغز و کامپیوتر، نقش احتمالات - جایگاه‌های بیولوژیکی و سوگیری‌های فرهنگی انسان - را در شکل‌دهی سیستم‌های پیچیده برجسته می‌کند. در حالی که تکامل همگرا برخی از شباهت‌ها را توضیح می‌دهد، تفاوت‌های اساسی مکانیکی همچنان پابرجاست. بازنگری مسیرهای کنار گذاشته شده، مانند محاسبات نورومورفیک، نویدبخش است اما نیاز به بازنگری در چارچوب‌های فنی و اجتماعی دارد. ایجاد پل بین این حوزه‌ها می‌تواند پارادایم‌های جدیدی را آشکار کند و انعطاف‌پذیری زیست‌شناسی را با دقت سیلیکون ترکیب کند [1][3][6][7].

References:

- Convergent evolution and architectural constraints[1][4][7].

- Niche construction and predator-shunning in human evolution[2].

- Sociopolitical influences on technological paths[3][6].

- Neuromorphic computing challenges[5][7].

- Mechanistic differences between brains and computers[6][7].

Citations:

[1] https://www.mdpi.com/1099-4300/24/5/665

[2] https://ecoevorxiv.org/repository/view/6216/

[3] http://www.joostrekveld.net/?p=1819

[4] https://pmc.ncbi.nlm.nih.gov/articles/PMC9141356/

[5] https://www.frontiersin.org/journals/neurorobotics/articles/10.3389/fnbot.2022.1041108/full