پریا ابراهیمی
پژوهشگران حوزه هوش مصنوعی به این نتیجه رسیدهاند که کیفیت یادگیری ماشینها فقط به حجم داده یا پیچیدگی معماری شبکهها وابسته نیست، بلکه نحوه تعامل سیستم با خودش در حین یادگیری نیز نقشی کلیدی دارد. افزودن نوعی گفتار درونی—مشابه زمزمه ذهنی انسان—میتواند باعث شود سامانههای هوش مصنوعی مسائل را عمیقتر تحلیل کنند و بهتر به موقعیتهای جدید تعمیم دهند.
وقتی هوش مصنوعی با خودش حرف میزند
در مطالعهای که در نشریه علمی Neural Computation منتشر شده، محققان مؤسسه علم و فناوری اوکیناوا (OIST) نشان دادهاند سامانههایی که در کنار حافظه کوتاهمدت به گفتار درونی مجهز شدهاند، در انجام طیف گستردهای از وظایف عملکرد بهتری دارند. این گفتار درونی به سیستم اجازه میدهد همزمان با پردازش دادهها، مراحل تصمیمگیری خود را مرور و اصلاح کند؛ چیزی شبیه تفکر خاموش انسان.
در این پژوهش، گفتار درونی خودهدایتشده با سازوکاری به نام «حافظه کاری» ترکیب شد؛ قابلیتی شبیه توانایی ذهن انسان برای نگهداشت و دستکاری موقت اطلاعات. مدلهایی که چند جایگاه حافظه کاری داشتند، در حل مسائل پیچیدهتر مانند وارونهسازی دنبالهها یا بازسازی الگوها موفقتر بودند؛ مسائلی که نیازمند نگهداشت همزمان چند داده و تصمیمگیری مرحلهبهمرحلهاند.
گامی بهسوی ماشینهای سازگار با دنیای واقعی
پژوهشگران دریافتند وقتی آموزش بهگونهای طراحی شود که سیستم را مجبور کند چند بار با خودش «صحبت» کند، عملکرد بهطور محسوسی بهبود مییابد؛ بهویژه در شرایط چندوظیفگی و با دادههای آموزشی کمتر. هدف نهایی این رویکرد، ساخت هوش مصنوعی مستقل از محتواست؛ سیستمی که قواعد کلی را بیاموزد و مانند انسان بتواند آموختههایش را به موقعیتهای ناآشنا تعمیم دهد. گام بعدی، انتقال این مدلها از محیطهای آزمایشگاهی به دنیای واقعی است؛ جایی که رباتها باید در شرایط پرنویز و متغیر، تصمیمهای لحظهای و دقیق بگیرند.