پل ارتباطی میان مغز انسان و الگوریتم های هوشمند شکل گرفته است
به گزارش سئو مئو، عضو هیئت علمی دانشگاه تهران اظهار داشت: توسعه مدلهای چندمقیاسی مبتنی بر شبکه های عصبی عمیق، پیوندی میان علوم اعصاب و مهندسی هوش مصنوعی بوجود آورده که به درک بهتر سازوکارهای شناختی مغز منجر گردیده است.
به گزارش سئو مئو به نقل از ایسنا، عطیه سرابی امروز در دومین سمپوزیوم توانبخشی شناختی و در نشست هوش مصنوعی و توانبخشی شناختی که در سالن کوثر دانشکده روانشناسی و علوم تربیتی دانشگاه تهران برگزار گردید، با اشاره به تحول گسترده هوش مصنوعی در سالهای اخیر اظهار داشت: از زمان انتشار عمومی مدلهای زبانی بزرگ در نوامبر ۲۰۲۲، هوش مصنوعی از فضای آزمایشگاهی خارج شد و در دسترس عموم مردم قرار گرفت و این مورد تأثیر قابل ملاحظه ای بر حوزه توانبخشی شناختی گذاشته است.
وی با اعلان اینکه تنها دو ماه بعد از انتشار چت جی پی تی بیشتر از ۱۰۰ میلیون نفر از آن استفاده کردند، اضافه کرد: این رویداد سبب شد مدلهای زبانی بزرگ که قبل تر در اختیار محققان و متخصصان بود، وارد زندگی روزمره مردم شود و زمینه بررسی تأثیر آن بر سلامت شناختی و توانبخشی فراهم گردد.
تعامل علم عصب شناسی و هوش مصنوعی
سرابی با اشاره به کنگره ای در واشنگتن دی سی در سال ۲۰۲۳ که با حضور متخصصان هوش مصنوعی و علوم اعصاب برگزار گردید، اظهار داشت: در این جلسه ها، درباره ی نقش دوطرفه هوش مصنوعی و علوم شناختی بحث های گسترده ای مطرح شد؛ از یک سو بررسی گردید که هوش مصنوعی چطور می تواند به درک بهتر فرآیندهای شناختی انسان کمک نماید، و از طرف دیگر، علم شناختی چطور می تواند در توسعه مدلهای هوشمند مؤثر باشد.
وی افزود: در این مباحث دو منظر اصلی برای نقش هوش مصنوعی در علوم شناختی مطرح شد؛ نخست، استفاده از مدلهای پیش بینی کننده که با سودجستن از داده های مغزی یا تصویری به شناسایی الگوهای عملکرد مغز کمک کرده و دوم، کوشش برای تبیین و مدل سازی خود «هوش» که پرسشی بنیادین و همچنان چالش برانگیز است.
چالش تفسیرپذیری در مدلهای زبانی بزرگ
عضو هیأت علمی دانشگاه تهران با تاکید بر این که مسئله «تفسیرپذیری» یکی از مهم ترین چالش های مدلهای زبانی بزرگ است، اظهار نمود: این مدلها به سبب ساختار پیچیده شان هنوز پاسخ شفافی به این پرسش نداده اند که چطور می توانند مفهوم هوش را در سطح انسانی مدل سازی کنند. همین مساله سبب شده همچنان بحث های نظری و فلسفی درباره ی چیستی و کارکرد هوش در این سیستم ها ادامه داشته باشد.
نگاه از مغز به الگوریتم
سرابی با اشاره به نگاههای مختلف در شناخت مغز، خاطرنشان کرد: عصب شناسان برای درک سازوکار مغز از دو مسیر اصلی بهره برده اند؛ یکی مطالعه عملکرد نورون ها از راه مهندسی معکوس و دیگری بررسی بیماران دارای ضایعات مغزی که با مداخلات شناختی بهتر می توانند نقش بخش های مختلف مغز در عملکردهای ذهنی را آشکار کنند.
وی ادامه داد: این مطالعات منجر به تشکیل فرضیاتی درباره ی نحوه بازنمایی عملکردهای شناختی در مغز شد و الگوریتم های مهندسی هوش مصنوعی نیز به ابزاری مؤثر برای آزمودن و تقویت این فرضیات تبدیل شدند.
هم افزایی میان مدلهای محاسباتی و علوم اعصاب
این پژوهشگر افزود: توسعه الگوریتم ها در سالهای اخیر باعث شد مدلهای تحلیلی و تفسیرپذیرتری در علوم اعصاب به کار گرفته شود. این روند به درک بهتر مکانیسم های تصمیم گیری، رفتار و شناخت در مغز کمک کرد و از طرف دیگر، فرضیات تازه تری درباره ی چیستی هوش و نحوه عملکرد آن به وجود آورد.
ایشان در ادامه تصریح کرد: تعامل پیوسته میان علوم اعصاب و هوش مصنوعی نه فقط باعث پیشرفت در مدل سازی مغز شده، بلکه مسیر تازه ای برای توانبخشی شناختی، پیشرفت عملکرد ذهنی و حتی تعریف مجدد مفهوم «هوش» در علم معاصر گشوده است.
هوش مصنوعی، پلی میان علوم اعصاب و شناخت
عضو هیأت علمی دانشگاه تهران با اشاره به تأثیر الگوریتم های مهندسی بر پیشرفت علوم اعصاب اظهار داشت: اگر از نظر عصب شناسی به ماجرا نگاه نماییم، می بینیم که هوش مصنوعی توانسته کشفیات حوزه نوروساینس را به صورت قابل ملاحظه ای ارتقاء دهد. بعنوان نمونه، در سال ۲۰۱۳ در لابراتوار «دیکالو» تلاش شد با بهره گیری از الگوریتم های مهندسی هوش مصنوعی، پارامترهای مدل سیستم بینایی شناسایی شود؛ موضوعی که تا آن زمان پاسخ روشنی نداشت.
وی ادامه داد: به مرور، مدلهای چندمقیاسی توسعه یافتند که ساختار آنها با شبکه های عصبی عمیق (Deep Neural Networks) هم راستا بود. به عبارتی، میان علوم اعصاب و الگوریتم های مهندسی هوش مصنوعی پلی شکل گرفت که باعث شد هر دو حوزه بتوانند در تبیین سازوکارهای شناختی از یکدیگر الهام بگیرند.
هم راستایی هدف علوم اعصاب و هوش مصنوعی
سرابی با تاکید بر اینکه اهداف دو حوزه علوم اعصاب و هوش مصنوعی هم پوشانی زیادی دارد، اظهار داشت: هدف اصلی علوم اعصاب، کشف ارتباط میان رفتار، شناخت و تعامل فیزیکی مغز است؛ در حالیکه هدف هوش مصنوعی، ساخت ماشین هایی است که بتوانند قابلیتهای ذهن انسان، خصوصاً هوش انسانی، را بازآفرینی کنند. از این منظر، هر دو حوزه مسیر مشابهی را در جهت شناخت و بازتولید فرآیندهای ذهنی انسان دنبال می کنند.
وی تصریح کرد: در سالهای اخیر، تعامل میان نوروساینس و هوش مصنوعی بالا رفته و مطالعات جدید نشان داده است حتی چارچوب های ماژولار مغز نیز با ساختار شبکه های عصبی مصنوعی هم تراز است. این یافته ها نشان داده است که الگوریتم های هوش مصنوعی نه فقط در پیش بینی ورودی و خروجی سیستم های عصبی مؤثرند، بلکه در تبیین مدلهای شناختی هوش نیز می توانند کاربرد داشته باشند.
استفاده از مدلهای هوش مصنوعی در ارزیابی و توانبخشی شناختی
این پژوهشگر با اشاره به کارهای پژوهشی خود و همکارانش در دانشگاه تهران، اظهار داشت: در سالهای اخیر، ما سعی کردیم نقش هوش مصنوعی را در مطالعات رفتاری و شناختی وارد نماییم. در این پروژه ها، با بهره گیری از تسک های رفتاری و الگوریتم های محاسباتی، تغییر باورها و نگرش افراد را ارزیابی می نماییم.
وی ادامه داد: در این رویکرد، علاوه بر تحلیل رفتار، از مدلهای زبانی نیز برای ردیابی و پیش بینی تغییر نگرش ها استفاده شده است. این کار با سودجستن از الگوریتم های مهندسی هوش مصنوعی به انجام می رسد تا درک دقیق تری از فرآیندهای شناختی و عاطفی به دست آید.
مدل سازی احساسات با شبکه های عصبی
سرابی افزود: در یکی از مطالعات اخیر لابراتوار ما، با همکاری چند تن از همکاران و دانشجویان، از شبکه های عصبی عمیق برای تخمین پیوسته احساسات در سه بُعد مختلف استفاده کردیم. در این مطالعه، داده های فیزیولوژیکی افراد هنگام تماشای فیلم «فارست گامپ» ثبت و تحلیل شد.
وی توضیح داد: در این مطالعه از چند مدل شبکه عصبی کانولوشنی (CNN) با سه لایه استفاده کردیم و نتایج نشان داد که مدل توانسته احساسات را با دقت و صحت قابل توجهی پیش بینی نماید. این یافته ها نشان دهنده ظرفیت بالای هوش مصنوعی در شناسایی و تحلیل داده های عاطفی انسان است.
از نشانگرهای زیستی تا نشانگرهای دیجیتال
عضو هیأت علمی دانشگاه تهران با اعلان اینکه تحقیقات جدید به سوی شناسایی «نشانگرهای دیجیتال» حرکت کرده است، اظهار داشت: هدف اینست که از نشانگرهای زیستی (Biomarkers) به سوی نشانگرهای دیجیتال (Digital Markers) حرکت نماییم تا بتوان توانبخشی و بهبود عملکرد شناختی را شخصی سازی کرد.
وی ادامه داد: در سالهای اخیر، نتایج مختلفی در زمینه به کارگیری دستیارهای دیجیتال مبتنی بر هوش مصنوعی در توانبخشی بیماران سکته مغزی، آلزایمر و سایر اختلالات شناختی انتشار یافته است که نشان داده است هوش مصنوعی می تواند بعنوان دستیار درمانگر، نقش مؤثری در بهبود عملکرد شناختی ایفا کند.
هوش مصنوعی؛ از مدل سازی ذهن تا درمان شناختی
سرابی در جمع بندی سخنان خود تاکید کرد: به نظر می آید هوش مصنوعی دیگر فقط ابزاری برای مدل سازی هوش انسانی نیست، بلکه به ابزاری درمانی و کمکی در حوزه توانبخشی شناختی تبدیل گشته است. نتایج مطالعات اخیر نیز نشان داده است استفاده از این فنآوری می تواند به کاهش فقر شناختی و پیشرفت دسترسی همگانی به خدمات توانبخشی کمک نماید.
او در آخر اظهار داشت: قابلیت فراگیر و در دسترس بودن هوش مصنوعی، این امید را به وجود آورده که در آینده نزدیک، به کمک آن بتوان توانبخشی شناختی را برای تمام افراد جامعه قابل دسترس و کارآمدتر کرد.
به طور خلاصه تعامل علم عصب شناسی و هوش مصنوعی سرابی ضمن اشاره به کنگره ای در واشنگتن دی سی در سال ۲۰۲۳ که با حضور متخصصان هوش مصنوعی و علوم اعصاب برگزار گردید، گفت: در این نشست ها، درباره ی ی نقش دوطرفه هوش مصنوعی و علوم شناختی بحث های گسترده ای مطرح شد؛ از یک سو بررسی گردید که هوش مصنوعی چه طور می تواند به درک بهتر فرآیندهای شناختی انسان کمک کند، و از سوی دیگر، علم شناختی چه طور می تواند در توسعه مدل های هوشمند مؤثر باشد. نگاه از مغز به الگوریتم سرابی ضمن اشاره به نگاههای مختلف در شناخت مغز، اشاره کرد: عصب شناسان برای درک سازوکار مغز از دو مسیر اصلی بهره برده اند؛ یکی مطالعه عملکرد نورون ها از طریق مهندسی معکوس و دیگری بررسی بیماران دارای ضایعات مغزی که با مداخلات شناختی بهتر می توانند نقش بخش های مختلف مغز در عملکردهای ذهنی را آشکار کنند. از نشانگرهای زیستی تا نشانگرهای دیجیتال عضو هیات علمی دانشگاه تهران با اشاره به اینکه تحقیقات جدید به سمت شناسایی نشانگرهای دیجیتال حرکت کرده است، گفت: هدف این است که از نشانگرهای زیستی (Biomarkers) به سمت نشانگرهای دیجیتال (Digital Markers) حرکت نماییم تا بتوان توانبخشی و بهبود عملکرد شناختی را شخصی سازی کرد.
منبع: seomeo.ir
