🧬 biology

Quantifying task-relevant representational similarity using decision variable correlation

تقدم هذه الورقة "ارتباط متغير القرار" (DVC) لقياس تشابه التمثيلات ذات الصلة بالمهمة، كاشفةً أن الشبكات العصبية العميقة المدربة على تصنيف الصور تظهر توافقاً أقل مع نشاط منطقتي V4/IT لدى القرد مقارنة بالنماذج الأخرى، وأن زيادة أداء النموذج أو استخدام التدريب الخصومي يفشلان في سد هذه الفجوة في الأبعاد ذات الصلة بالمهمة.

المؤلفون الأصليون: Yu Eric Qian, Wilson S. Geisler, Xue-Xin Wei

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yu Eric Qian, Wilson S. Geisler, Xue-Xin Wei

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول معرفة ما إذا كان روبوت فائق الذكاء وإنسان (أو قرد) "يفكران" بنفس الطريقة عند النظر إلى صورة.

لسنوات، كان العلماء يقارنون بين نماذج الذكاء الاصطناعي (AI) والدماغ البشري. وكان الاعتقاد الشائع هو: "كلما أصبح الذكاء الاصطناعي أفضل في التعرف على الصور، كلما كان من المفترض أن يشبه دماغه الدماغ البشري."

لكن هذه الورقة البحثية الجديدة تقول: "في الواقع، قد يكون العكس هو الصحيح."

إليك قصة كيف اكتشفوا ذلك، مشروحة ببساة.

1. الطريقة القديمة: عدّ الأخطاء (طريقة "بطاقة النتائج")

سابقًا، كان العلماء يقارنون بين الذكاء الاصطناعي والأدمغة من خلال النظر إلى الإجابات النهائية.

التشبيه: تخيل طالبين يخضعان لاختبار رياضيات.
- الطالب (أ) (الذكاء الاصطناعي): يحصل على 99% من الإجابات الصحيحة.
- الطالب (ب) (الدماغ): يحصل على 95% من الإجابات الصحيحة.
- الطريقة القديمة: كانوا ينظرون إلى أوراق الإجابة. إذا أخطأ كلا الطالبين في السؤال رقم 5، فإنهم يعتبرون ذلك "تطابقًا". وإذا أصابا، فهذا أيضًا "تطابق".
- المشكلة: هذه الطريقة مخادعة. إذا كان الطالب (أ) عبقريًا يخمن بشكل عشوائي في الأسئلة الصعبة، وكان الطالب (ب) طالبًا عاديًا يخمن بشكل عشوائي، فقد يحصلان بالصدفة على نفس الإجابات الخاطئة. أو، إذا كان الطالب (أ) مثاليًا للغاية، فقد لا يرتكب أبدًا نفس الأخطاء المحددة التي يرتكبها البشر، مما يجعلهم يبدون أقل تشابهًا، حتى لو كانوا يفكرون بطريقة متشابهة.

2. الطريقة الجديدة: "ارتباط متغير القرار" (DVC)

ابتكر مؤلفو هذه الورقة أداة جديدة تسمى DVC. بدلًا من مجرد النظر إلى الإجابة النهائية (صح/خطأ)، تسللوا إلى داخل "عملية التفكير" ليروا كيف تم اتخاذ القرار.

التشبيه: تخيل محققين ينظران إلى صورة لمسرح جريمة.
- الطريقة القديمة: هل اعتقلا نفس المشتبه به؟ (نعم/لا).
- الطريقة الجديدة (DVC): ننظر إلى درجات "الشعور الداخلي" لديهما لكل صورة على حدة.
  - المحقق (أ) ينظر إلى صورة قطة ويشعر بيقين بنسبة 90% أنها قطة.
  - المحقق (ب) ينظر إلى نفس الصورة ويشعر بيقين بنسبة 92% أنها قطة.
  - تشابه عالٍ: إذا كانت "مشاعر اليقين" لديهما ترتفع وتنخفض معًا في كل صورة، فهما يستخدمان نفس الاستراتيجية.
  - تشابه منخفض: إذا كان المحقق (أ) يشعر باليقين تجاه القطط ولكن عدم اليقين تجاه الكلاب، بينما المحقق (ب) يشعر بعدم اليقين تجاه القطط واليقين تجاه الكلاب، فإن "مشاعر اليقين" لديهما غير متزامنة، حتى لو خمنا الإجابة الصحيحة في النهاية.

لماذا هذه الطريقة أفضل؟ لأنها تتجاهل ما إذا كانت الإجابة صحيحة أم خاطئة. هي تهتم فقط بما إذا كانا يفكران في نفس الاتجاه لنفس الأسباب.

3. المفاجأة الكبرى: الذكاء الاصطناعي "الأذكى" هو الأكثر غرابة

اختبر الباحثون هذه الطريقة الجديدة على:

القرود: وهي تنظر إلى صور حيوانات، سيارات، ووجوه.
نماذج الذكاء الاصطناعي: مئات من نماذج الرؤية الحاسوبية المختلفة المدربة على قاعدة بيانات ضخمة تسمى ImageNet.

النتائج:

قرد ضد قرد: عندما نظرت قرود مختلفة إلى نفس الصورة، كانت "مشاعر اليقين" الداخلية لديهما متشابهة جدًا. كانا على نفس الموجة.
ذكاء اصطناعي ضد ذكاء اصطناعي: كانت نماذج الذكاء الاصطناعي المختلفة متشابهة نوعًا ما مع بعضها البعض، ولكن ليس تمامًا.
ذكاء اصطناعي ضد قرد: كانت هذه هي الصدمة. كلما زادت دقة الذكاء الاصطناعي في المهمة، قلّ تشابه تفكيره مع القرد.

الاستعارة:
تخيل لعبة فيديو.

القرد يلعب اللعبة باستخدام "الحدس" الشبيه بالبشر. يرى سيارة ويفكر: "هذه سيارة بسبب العجلات والشكل".
الذكاء الاصطناعي يلعب اللعبة باستخدام منطق "فضائي". يرى سيارة ويفكر: "هذه سيارة بسبب نمط بكسلات معين في الخلفية".
التحول: مع تحسن الذكاء الاصطناعي في الفوز باللعبة (الحصول على درجات أعلى)، يتوقف عن استخدام المنطق "الشبه بشري" ويبدأ في استخدام منطق "فضائي" أكثر. إنه يجد طرقًا مختصرة تعمل بشكل مثالي للكمبيوتر ولكنها لا معنى لها للدماغ البيولوجي.

4. هل ساعد "التدريب المكثف"؟

حاول العلماء سد هذه الفجوة من خلال:

التدريب الخصمي (Adversarial Training): تعليم الذكاء الاصطناعي أن يكون قويًا ضد الحيل (مثل جعله من الصعب خداعه).
مجموعات بيانات أكبر: تغذية الذكاء الاصطناعي بمزيد من الصور (مثل ImageNet-21k بدلاً من ImageNet-1k).

النتيجة: لم يساعد ذلك. في الواقع، جعل الذكاء الاصطناعي "أذكى" أو "أكثر قوة" جعله في الواقع أقل تشابهًا مع دماغ القرد. يبدو أن الذكاء الاصطناعي والدماغ يسلكان طريقين مختلفين تمامًا لحل نفس المشكلة.

5. لماذا يهم هذا؟

تشير هذه الورقة إلى أننا ربما كنا ننظر إلى الذكاء الاصطناعي والأدمغة بالطريقة الخاطئة.

الأمل القديم: "إذا جعلنا الذكاء الاصطناعي أكبر وأذكى، فسيصبح في النهاية مثل الدماغ البشري."
الواقع الجديد: "جعل الذكاء الاصطناعي أكبر وأذكى قد يجعله في الواقع أكثر غرابة (فضائية)."

الخلاصة:
لبناء ذكاء اصطناعي يفهم العالم حقًا كما يفعل البشر (أو القرود)، قد نحتاج إلى التوقف عن مجرد مطاردة الدرجات العالية في الاختبارات. بدلًا من ذلك، نحتاج إلى تصميم ذكاء اصطناعي يتعلم باستخدام نفس القواعد "الضوضائية"، غير المثالية، والبيولوجية التي تستخدمها أدمغتنا. نحن بحاجة إلى التوقف عن بناء آلات "مثالية" والبدء في بناء آلات "شبيهة بالبيولوجيا".

باختًا: تقدم الورقة طريقة جديدة لقياس "أسلوب التفكير" بدلاً من مجرد "درجات الاختبار"، وتكشف أنه كلما أصبحت حواسيبنا أذكى، بدا أنها تفكر كالفضائيين بدلاً من التفكير مثلنا.

إليك ملخص تقني مفصل للورقة البحثية "تكميم تشابه التمثيلات ذات الصلة بالمهمة باستخدام ارتباط متغير القرار" من تأليف كيان، جيسلر، ووي.

1. بيان المشكلة

يسعى مجال العلوم العصبية الحسابية إلى فهم مدى جودة الشبكات العصبية العميقة (DNNs) في نمذجة النظام البصري لدى الرئيسيات. استخدمت الدراسات السابقة مقاييس متنوعة لمقارنة تمثيلات الشبكات العصبية العميقة مع البيانات العصبية (مثل تحليل تشابه التمثيل - RSA، والانحدار الخطي) أو البيانات السلوكية (مثل كابا كوهين، واتساق الخطأ).

ومع ذلك، تواجه هذه الطرق الحالية قيوداً كبيرة:

الضجيج غير المرتبط بالمهمة: تقيس طرق مثل RSA البنية الهندسية للتمثيلات، لكنها تفتقر إلى القدرة على معرفة ما إذا كانت تلك الميزات تُستخدم بالفعل لحل مهمة محددة. ويمكن أن تختلط هذه الميزات ببعدٍ غير مرتبط بالمهمة.
العوامل المربكة: تخلط المقاييس السلوكية مثل "كابا كوهين" بين اتساق القرار وبين الاختلافات في الدقة وانحيازات القرار. يمكن أن تؤدي الاختلافات العالية في الدقة بين نموذج وما يماثل البشر أو القردة إلى خفض درجات "كابا" بشكل مصطنع، بينما يمكن للانحيازات المشتركة أن ترفعها بشكل مصطنع.
النتائج المتناقضة: تحتوي الأدبيات على توجهات متضاربة. تشير بعض الدراسات إلى أن الشبكات العصبية العميقة تتقارب نحو تمثيلات شبيهة بالدماغ مع توسع حجمها، بينما تشير دراسات أخرى إلى حدوث تباعد أو استقرار (plateau). إن غياب مقياس مبدئي مرتبط بالمهمة يجعل من الصعب حل هذه التناقضات.

يقترح المؤلفون أن المشكلة الجوهرية تكمن في الحاجة إلى مقياس يعزل تشابه التمثيلات ذات الصلة بالمهمة — وتحديداً، اتساق استراتيجيات القرار المستخدمة من قبل مراقبين اثنين (أدمغة أو نماذج) على أساس كل تجربة، وبشكل مستقل عن دقة الأداء الإجمالية أو انحيازات القرار لديهم.

2. المنهجية: ارتباط متغير القرار (DVC)

قدم المؤلفون ارتباط متغير القرار (DVC)، وهو طريقة مشتقة من نظرية كشف الإشارة (SDT) ومعممة للتمثيلات العصبية عالية الأبعاد.

المفهوم الجوهري

في نظرية كشف الإشارة (SDT)، يقوم المراقب بحل مهمة تصنيف ثنائية عن طريق إسقاط المدخلات الحسية على محور متغير القرار (Decision Variable - DV) ومقارنته بمعيار معين. يقيس DVC الارتباط بين متغيرات القرار لمراقبين اثنين عبر التجارب.

DVC مرتفع: يستخدم المراقبان استراتيجيات ترميز وفك تشفير متشابهة لاتخاذ القرارات، حتى لو اختلفت دقتهما المطلقة.
DVC منخفض: يعتمد المراقبون على ميزات أو استراتيجيات مختلفة.

خطوات التنفيذ

فك التشفير الخطي الأمثل: بالنسبة لزوج معين من فئات الصور (مثل قط مقابل كلب)، يستخدم المؤلفون التحليل التمييزي الخطي (LDA) لإيجال محور القرار الأمثل الذي يعظم الفصل بين الفئات في فضاء التمثيل عالي الأبعاد (مثل نبضات الخلايا العصبية في منطقتي V4/IT أو تنشيطات الطبقة قبل الأخيرة في الشبكة العصبية العميقة).
الإسقاط: يتم إسقاط تمثيل كل صورة على هذا المحور لتوليد متغير قرار (DV) مستمر لتلك التجربة.
حساب الارتباط: يتم حساب ارتباط بيرسون بين متغيرات القرار للمراقب (أ) والمراقب (ب) عبر جميع التجارب.
التعامل مع الأبعاد العالية والضجيج:
- تقليل الأبعاد: لمنع عدم استقرار LDA في المساحات عالية الأبعاد ذات العينات القليلة، يتم أولاً تقليل التمثيلات عبر تحليل المكونات الرئيسية (PCA) (إلى عدد ثابت من المكونات، مثل 25) قبل تطبيق LDA.
- تصحيح ضجيج نصف المجموعة (Split-Half): يؤدي ضجيج القياس إلى إضعاف تقديرات الارتباط. يستخدم المؤلفون إجراء "نصف المجموعة" حيث يتم تقسيم البيانات إلى مجموعتين مستقلتين. يتم حساب الارتباط بين المراقبين ثم تطبيقه (normalization) بقسمته على المتوسط الهندسي للموثوقية داخل المراقب نفسه (split-half reliability). ينتج عن ذلك تقدير غير منحاز للارتباط الحقيقي ( $\rho_{corrected}$ ).
التجميع: يتم حساب DVC لجميع أزواج الفئات في مهمة متعددة الفئات، والنتيجة النهائية هي متوسط هذه الارتباطات الزوجية.

3. المساهمات الرئيسية

مقياس جديد: تطوير DVC كمقياس مبدئي وتشغيلي لتشابه التمثيلات ذات الصلة بالمهمة، والذي لا يتأثر بانحيازات القرار أو الاختلافات في الدقة.
تعميم نظرية كشف الإشارة (SDT): توسيع مفهوم ارتباط متغير القرار من بيانات الاختيار الثنائي السلوكية إلى التمثيلات العصبية الداخلية عالية الأبعاد.
حل النزاعات المنهجية: إثبات أن التناقضات السابقة في أدبيات التوافق بين النموذج والدماغ تنبع غالباً من اختيار المقياس (مثل كابا كوهين مقابل DVC) وكيفية التعامل مع انحيازات فك التشفير.

4. النتائج الرئيسية

قيم المؤلفون فعالية DVC باستخدام:

البيانات العصبية: تسجيلات من منطقتي V4 و IT في قرد المكاك (المشاهدة السلبية للمشاهد الطبيعية).
النماذج: 43 شبكة عصبية عميقة مدربة على ImageNet-1k، و9 نماذج "قوية" مدربة ضد الهجمات العدائية، و13 نموذجاً مدرباً على مجموعات بيانات أكبر أو متعددة الوسائط (ImageNet-21k, JFT-300M, CLIP).

النتائج:

الاتساق بين القردة: كان DVC بين قردة المكاك المختلفة مرتفعاً (~0.57)، مما يشير إلى استراتيجيات قرار متسقة عبر الكائنات البيولوجية.
مفارقة الأداء: خلافاً للفرضية التي تقول إن النماذج الأفضل أداءً هي الأكثر شبهاً بالدماغ، هناك ارتباط سلبي قوي ( $\rho = -0.70$ $ρ = - 0.70$ ) بين دقة نموذج ImageNet-1k (Top-1) وبين قيمة DVC الخاصة به مع مناطق IT/V4 لدى القردة.
- التفسير: مع زيادة دقة النماذج في ImageNet، فإنها تبتعد عن استراتيجيات القرار المحددة التي تستخدمها الرئيسيات.
النموذج-النموذج مقابل النموذج-القرد:
- النماذج من نفس العائلة (مثل ResNets) لديها DVC مرتفع فيما بينها.
- ومع ذلك، فإن DVC (النموذج-القرد) أقل باستمرار من DVC (النموذج-النموذج).
فشل التدريب على المتانة: أظهرت النماذج المدربة عدائياً (المصممة لتكون قوية ضد الاضطرابات) DVC أقل مع القردة مقارنة بالنماذج القياسية، رغم امتلاكها اتساقاً داخلياً أعلى مع النماذج القوية الأخرى.
فشل توسيع البيانات: النماذج المدربة على مجموعات بيانات أكبر (ImageNet-21k, JFT-300M) أو بيانات متعددة الوسائط (CLIP) لا تحسن DVC مع الدماغ؛ بل في الواقع، غالباً ما تظهر تشابهاً أقل.
المقارنة مع كابا كوهين:
- عند تطبيقها على نفس البيانات، تظهر "كابا كوهين" توجهات مختلفة (مثل الإيحاء بأن النماذج الغنية بالبيانات أكثر توافقاً).
- يوضح المؤلفون أن "كابا" حساسة جداً لاختلافات الدقة وانحيازات فك التشفير. عند استخدام مفكك تشفير خطي أمثل (الانحدار اللوجستي) بدلاً من مفكك الاحتمالات المجمع المستخدم في الدراسات السابقة، تنخفض قيم "كابا" وتتوافق بشكل أوثق مع توجهات DVC، مما يكشف أن درجات "كابا" العالية السابقة كانت مجرد نتاج اصطناعي للتحيزات المشتركة.

5. الأهمية والآثار المترتبة

تباعد الاستراتيجيات: تشير النتائج إلى وجود تباعد جوهري بين التمثيلات ذات الصلة بالمهمة التي تتعلمها الشبكات العصبية العميقة المدربة على ImageNet وتلك التي تطورت في النظام البصري للرئيسيات. إن مجرد زيادة حجم البيانات أو تحسين المتانة لا يردم هذه الفجوة.
نقد المعايير الحالية: تتحدى الورقة الافتراض السائد بأن "الدقة الأفضل = نموذجاً أفضل للدماغ". فهي تشير إلى أن النماذج عالية الأداء قد تستغل اختصارات إحصائية (مثل الانحياز للملمس/texture bias) التي لا علاقة لها بالرؤية البيولوجية أو غير مثالية لها.
تحول منهجي: يوفر DVC أداة أكثر صرامة للمجال. فمن خلال التركيز على كيفية اتخاذ القرار (متغير القرار) بدلاً من مجرد ما هو القرار (التسمية/Label)، يمكن للباحثين عزل الهندسة التمثيلية التي تهم حقاً للسلوك.
الاتجاهات المستقبلية: يقترح المؤلفون أنه لإنشاء نماذج أفضل شبهاً بالدماغ، يجب أن يركز التدريب المستقبلي على:
- مجموعات بيانات تطابق التوزيع الإحصائي للطبيعة (الصلاحية البيئية).
- دمج الضجيج الداخلي والخصائص البصرية منخفضة المستوى (البصريات، والتركيز البؤري/foveation) في إجراءات التدريب.

باخت-صار، تجادل الورقة بأن النماذج الحالية للتعلم العميق، رغم تفوقها في دقة التصنيف، تتعلم استراتيجيات قرار مختلفة جوهرياً عن الرئيسيات. يوفر DVC الإطار الرياضي لقياس هذا التباعد، كاشفاً أن "التوسع بالقوة الغاشمة" لم يؤدِ بعد إلى توافق بيولوجي حقيقي.