Supervised Training Rapidly Degrades Early Visual Cortex Alignment Across Biologically Plausible Learning Rules
تُظهر هذه الدراسة أن التدريب الخاضع للإشراف يؤدي بسرعة إلى تدهور التوافق بين الشبكات العصبية الاصطناعية والقشرة البصرية المبكرة لدى البشر، حيث تتسبب قواعد التعلم القائمة على الخطأ العالمي مثل الانتشار العكسي في تعطيل أكبر بكثير مقارنة بالقواعد المحلية ذات الصلاحية البيولوجية مثل الترميز التنبئي واللدونة المعتمدة على توقيت النبضات، مما يشير إلى أن البنى غير المدربة تلتقط بطبيعتها الإحصاءات البصرية منخفضة المستوى من خلال الانحيازات الاستقرائية.
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
إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.
المفاجأة الكبرى: "الألواح الفارغة" تشبه الأدمغة أكثر من "المُدربة"
تخيل أن لديك عقل حاسوب جديد تماماً وغير مُدرب (شبكة عصبية). إنه مجرد كومة من الاتصالات العشوائية، مثل صندوق من سماعات الرأس المتشابكة. ومن المثير للدهشة أنه عندما تعرض عليه صوراً، فإن "أفكاره" (الأنماط الداخلية) تشبه إلى حد كبير طريقة تفاعل الدماغ البشري (تحديداً الجزء الذي يرى الأشكال والخطوط البسيطة، والذي يُسمى V1) مع تلك الصور نفسها.
الآن، تخيل أنك بدأت في تدريب هذا الحاسوب ليتعرف على الأشياء (مثل القطط، أو السيارات، أو الكراسي). ستتوقع أنه كلما أصبح أذكى في مهمته، سيبدأ في التفكير بشكل يشبه البشر.
النتيجة الصادمة للورقة البحثية هي العكس: بمج-رد أن تبدأ في تدريب الحاسوب، فإنه يتوقف عن التفكير مثل الدماغ البشري. في الواقع، كلما دربته أكثر، قلّ تشابهه مع الجزء المبكر من النظام البصري البشري.
التجربة: أربع طرق مختلفة للتعلم
أراد الباحث، نيلز لوتينيجير (Nils Leutenegger)، معرفة سبب حدوث ذلك. لقد اختبر أربع "قواعد تعلم" مختلفة (طرق لكيفية تحديث الحاسوب لعقله). فكر في هذه القواعد كأنها أساليب تدريس مختلفة:
- الانتشار العكسي (Backpropagation - BP): الطريقة القياسية والأكثر كفاءة المستخدمة في معظم تقنيات الذكاء الاصطناعي اليوم. إنها تشبه المعلم الصارم الذي يعرف الإجابة الصحيحة لكل طالب بدقة، ويرسل رسالة تصحيح دقيقة إلى بداية الفصل الدراسي.
- محاذاة التغذية الراجعة (Feedback Alignment - FA): طريقة أكثر "بيولوجية" حيث تكون رسائل التصحيح فوضوية وعشوائية بعض الشيء، مثل معلم يصرخ بالتصحيحات في ممر المدرسة دون أن يعرف بالضبط من يستمع إليه.
- الترميز التنبؤي (Predictive Coding - PC): طريقة يحاول فيها الدماغ تخمين ما سيأتي بعد ذلك ويتعلم فقط من أخطائه. إنها تشبه طالباً لا ينتبه إلا عندما يكون توقعه خاطئاً.
- STDP: طريقة تعتمد على التوقيت، حيث تقوى الروابط فقط إذا أطلق عصبونان إشارات في اللحظة نفسها تماماً. إنها تشبه قاعدة الجوار المحلية: "إذا فعلت أنت وجارك نفس الشيء في نفس الوقت، فسنصبح أصدقاء".
ماذا حدث؟ الانهيار في "ثانية واحدة"
راقب الباحث هذه الحواسيب وهي تتعلم عبر 40 جولة (epochs) من التدريب. وإليكم ما وجده:
1. "المعلم الصارم" (الانتشار العكسي) هو الأكثر تدميراً
عندما استخدم الحاسوب طريقة الانتشار العكسي القياسية، انهار تشابهه مع مركز الرؤية المبكر في الدماغ البشري (V1) بنسبة 90% في جولة تدريب واحدة فقط.
- التشبيه: تخيل نحاتاً (الذكاء الاصطناعي) يبدأ بكتلة من الرخام تشبه في شكلها وجه إنسان بشكل غامض (الأوزان العشوائية). يخبر "المعلم الصارم" النحات: "عليك أن تجعل هذا يبلاً يشبه قطة محددة، وليس وجهاً بشرياً". يقوم النحات فوراً بنحت الملامح البشرية بعيداً للتركيز تماماً على القطة. النتيجة هي تمثال رائع لقطة، لكنه لم يعد يشبه وجه الإنسان على الإطلاق.
2. "المتعلمون المحليون" (الترميز التنبؤي و STDP) يتمسكون بالبقاء
الحواسيب التي استخدمت قواعد التعلم المحلية الأكثر بيولوجية (PC و STDP) فقدت أيضاً بعض التشابه مع الدماغ البشري، لكنها فقدت أقل بكثير (حوالي 25-30% فقط).
- التشبيه: هؤلاء النحاتون مأمورون بصنع قطة، لكن يُسمح لهم فقط بإجراء تعديلات محلية صغيرة بناءً على ما يرونه أمامهم مباشرة. لقد نجحوا في صنع قطة، لكنهم احتفظوا بالخطأ ببعض ملامح "الوجه البشري" الأصلية لكتلة الرخام.
3. المقايضة: الرؤية المبكرة مقابل التعرف على الأشياء
كانت هناك مفارقة في الأجزاء العليا من الدماغ (المنطقة التي تتعرف على الأشياء المعقدة، والتي تُسمى LOC).
- "المعلم الصارم" (الانتشار العكسي) دمر تشابه الرؤية المبكرة، لكنه في الواقع حسن التشابه في منطقة التعرف على الأشياء.
- "المتعلمون المحليون" حافظوا على تشابه الرؤية المبكرة، لكنهم فشلوا في بناء مهارات قوية للتعرف على الأشياء.
- الخلاصة: يبدو أن هناك مقايضة. لكي يصبح الذكاء الاصطناعي بارعاً حقاً في التعرف على أشياء محددة (مثل القطة)، يجب عليه التضحية بالطريقة البشرية العامة لرؤية الخطوط والأشكال البسيطة. "المعلم الصارم" يفرض هذه المقايضة بقوة؛ بينما "المتعلمون المحليون" لطيفون للغاية لإتمام عملية التحول.
لماذا يهم هذا؟
تشير الورقة البحثية إلى أن السبب في أن الحواسيب العشوائية غير المدربة تشبه أدمغة البشر ليس لأنها "تتعلم" لتفعل ذلك، بل لأن بنيتها الأساسية (الطريقة التي بُنيت بها) تلتقط بشكل طبيعي الإحصائيات المرئية للعالم، تماماً كما يفعل نظام V1 لدينا.
عندما ندربها على مهمة محددة، فإننا نجبرها على تغيير تلك البنية الطبيعية. وكلما كانت قاعدة التعلم أكثر "شمولية" ودقة (مثل الانتشار العكسي)، زادت عدوانيتها في مسح البنية الشبيهة بالدماغ لإفساح المجال للمهارات الخاصة بالمهمة.
ملخص في إيجاز
- قبل التدريب: أدمغة الذكاء الاصطناعي العشوائية تشبه بشكل مفاجئ الأدمغة البشرية.
- بعد التدريب: تتوقف عن تشبه الأدمغة البشرية.
- المتسبب: الطريقة التي ندرب بها الذكاء الاصطناعي حالياً (الانتشار العكسي) هي الأسرع في تدمير هذه الصفة "الشبيهة بالدماغ".
- الدرس المستفاد: قد لا يستخدم الطبيعة طريقة "المعلم الصارم" (الانتشار العكسي) لأنها تدمر البنية الطبيعية للدماغ بسرعة كبيرة. بدلاً من ذلك، قد يستخدم الدماغ "متعلمين محليين" (مثل الترميز التنبؤي) الذين يحافظون على الشكل الطبيعي للدماغ مع الاستمرار في محاولة التعلم.
ملاحظة هامة: الورقة البحثية لا تزعم أن هذا يعني أن الذكاء الاصطنا_ي غير مفيد، ولا تقترح أن نتوقف عن تدريب الذكاء الاصطناعي. هي ببساطة تشير إلى اختلاف جوهري بين كيفية تعلم أدمغتنا وكيفية تعلم الذكاء الاصطناعي الحالي، وتحديداً فيما يتعلق بكيفية تعاملهم مع المراحل المبكرة من الرؤية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.