In Two Minds about Lifelong Learning: Exploring Hemispheric Redundancy and Specialisation in Neural Models

يعد الدماغ البشري سيداً في التعلم؛ إذ يمكنه اكتساب مهارة جديدة، مثل عزف وتر على الغيتار، دون أن ينسى فوراً كيفية ركوب الدراجة الهوائية. وتسمى هذه القدرة على تراكم المعرفة على مدى العمر بـ "التعلم المستمر". وفي المقابل، تعاني أنظمة الذكاء الاصطناعي، المبنية من طبقات من الروابط الرياضية تسمى الشبكات العصبية، معاناة شديدة مع هذه المهمة ذاتها. فعندما تتعلم هذه الآلات مجموعة جديدة من المعلومات، فإنها غالباً ما تمحو القديم، وتزيل ما عرفته سابقاً. وتحدث هذه الظاهرة، المعروفة باسم "النسيان الكارثي"، لأن الإعدادات الداخلية للآلة يتم تعديلها لتناسب البيانات الجديدة، مما يؤدي عرضاً إلى تدمير الأنماط اللازمة للبيانات القديمة. ولكي تصبح الروبوتات أو البرمجيات مستمرة وقادرة على التكيف حقاً، يجب عليها حل هذه المشكلة، أي التعلم باستمرار دون فقدان ماضيها.

ولفهم كيفية إصلاح ذلك، غالباً ما يتطلع الباحثون إلى علم الأحياء. ففي دماغ الثدييات، يعمل هيكل يسمى "الحصين" كمساحة احتجاز مؤقتة للذكريات الجديدة، بينما يخزن "القشرة الجديدة" المعرفة طويلة المدى. وفي كل ليلة، وأثناء النوم، يعيد الدماغ عرض التجارب الأخيرة، وينقلها من مساحة الاحتجاز المؤقتة إلى التخزين طويل المدى. علاوة على ذلك، ينقسم الدماغ إلى نصفين يعملان غالباً بشكل مختلف: حيث يميل أحد الجانبين إلى التعامل مع المعلومات الجديدة والمبتكرة بمرونة، بينما يدير الجانب الآخر الروتين المستقر بالاستقرار. وقد استلهم فريق من الباحثين في جامعة موناش وCSIRO Robotics هذه المبادئ البيولوجية وبنوا بنية حاسوبية جديدة لمعرفة ما إذا كان بإمكانهم منع الذكاء الاصطناعي من النسيان.

أنشأ الباحثون نظاماً أطلقوا عليه اسم 4MAS، وهو اختصار لـ "4 Module Awake/Sleep" (أربعة نماذج لليقظة/النوم). وبدلاً من وجود دماغ واحد متجانس، يتكون هذا النظام من نصفين متميزين، أو نصف كرويين، يحاكي الجانبين الأيسر والأيمن للدماغ البيولوجي. ويحتوي كل نصف على أنظمة ذاكرة خاصة به: ذاكرة مؤقتة تحتفظ ببضعة أمثلة حديثة لما رأت، ومولد طويل الممدى يتعلم الشكل العام للبيانات. ويعمل النظام في دورة تتناوب بين اليقظة والنوم. خلال مرحلة اليقظة، يتعلم النظام مهمة جديدة باستخدام بيانات حقيقية، مع مراجعة أمثلة من ذاكرته قصيرة المدى. أما خلال مرحلة النوم، فلا يتم إدخال أي بيانات جديدة؛ بدلاً من ذلك، يتواصل النصفان مع بعضهما البعض، حيث يولدان أمثلة اصطناعية لما تعلمتاه ويستخدمانها لضبط بعضهما البعض، مما يعزز المعرفة القديمة مع دمج الجديدة.

ويتمثل الابتكار الرئيسي في هذا التصميم في أن النصفين ليسا متطابقين. فقد برمج الباحثون كلاً منهما ليكون له "شخصية" مختلفة؛ حيث تم ضبط أحد النصفين ليكون مستقراً ومحافظاً، مع التركيز على الحفاظ على ما يعرفه بالفعل، بينما تم ضبط النصف الآخر ليكون مرناً واستكشافياً، ومتلهفاً للتكيف مع الأنماط الجديدة. ويسمح هذا التقسيم في العمل بتوازن النظام بين الحاجة لتعلم أشياء جديدة والحاجة لتذكر الأشياء القديمة. وقد اختبر الباحثون هذه البنية في عدة تحديات قياسية للتعرف على الصور، حيث كان على الآلة تعلم فئات جديدة من الصور تلو الأخرى دون رؤية الفئات القديمة مرة أخرى.

كانت النتائج مذهلة. ففي مجموعة بيانات بسيطة للأرقام المكتوبة بخط اليد، حقق النظام دقة بلغت 98.3 بالمائة، وهو ما يقارب أداء نموذج رأى جميع البيانات دفعة واحدة. وفي مجموعة بيانات أكثر تعقيداً لصور الملابس، وصل إلى دقة 84.9 بالمائة، متفوقاً بشكل كبير على الأساليب الأخرى التي تحاول منع النسيان. وحتى في مجموعة بيانات صعبة للغاية تحتوي على 100 فئة مختلفة من الأشياء، تمكن النظام من التعلم المستمر، محققاً دقة 29.29 بالمائة، وهو ما كان أفضل من أفضل الأساليب السابقة. وأظهرت الدراسة أن النظام لم يكتفِ بحفظ البيانات الجديدة فحسب، بل احتفظ بالبيانات القديمة مع فقدان ضئيل جداً، وهو مقياس يسميه الباحثون "الانجراف التمثيلي". وكانت قدرة النظام على التمسك بالماضي أثناء تعلم المستقبل مرتبطة مباشرة بمرحلة النوم؛ فعندما أزال الباحثون دورة النوم، انخفض أداء النظام، وفشل النصفان في العمل معاً بفعالية.

كما كشفت التجارب أن الاختلافات المحددة بين النصفين كانت حاسمة. فعندما جعل الباحثون كلا الجانبين متطابقين، كان أداء النظام أسوأ. ولم يزدهر النظام إلا عندما سُمح لأحدهما بأن يكون مرناً وللآخر بأن يكون مستقراً. ويشير هذا إلى أن امتلاك أجزاء متخصصة تؤدي وظائف مختلفة أكثر فعالية من وجود جزء واحد موحد يحاول القيام بكل شيء. ووجد الباحثون أن النظام يعمل بشكل أفضل عندما يتم إبقاء معدل تعلم "النوم" منخفضاً جداً، مما يسمح بتعديلات لطيفة بدلاً من التغييرات الجذرية. كما اكتشفوا أن النظام يحتاج إلى قدر ضئيل من الذاكرة لتخزين الأمثلة الحديثة، ولكن بمجرد وصول هذه الذاكرة إلى حجم معين، فإن جعلها أكبر لا يفيد كثيراً.

لا يدعي هذا العمل أنه قد حل مشكلة الذكاء الاصطناعي إلى الأبد، ولا يشير إلى أن الآلات ستصبح قادرة على الحلم مثل البشر قريباً. فقد كانت النماذج المستخدمة بسيطة نسبياً وعملت على مجموعات بيانات محددة وخاضعة للتحكم. ومع ذلك، فإن النتائج تقدم مساراً واضحاً للمضي قدماً. فمن خلال نسخ الاستراتيجية البيولوجية المتمثلة في تقسيم مهام الذاكرة بين جانبين متخصصين واستخدام فترة راحة لترسيخ المعرفة، يمكن للمهندسين بناء آلات تتعلم مثل الكائنات الحية. وتوضح الدراسة أن معضلة "الاستقرار والمرونة" (stability-plasticity dilemma)، التي أرقت الذكاء الاصطناعي لفترة طويلة، يمكن إدارتها ليس عبر إجبار نظام واحد على القيام بكل شيء، بل عبر إنشاء فريق من الوكلاء المتخصصين الذين يدعمون بعضهم البعض من خلال دورات من العمل والراحة.