Reassessing Number-Detector Units in Convolutional Neural Networks
من خلال تطبيق عملية التقليم (pruning) على نموذج CORnet للتغلب على قيود تحليل تشابه التمثيل (Representational Similarity Analysis) الكلاسيكي، تُثبت هذه الدراسة أن وحدات كشف الأرقام المتخصصة ليست حاسمة للتمثيلات على مستوى المجموعات للعددية، مما يتحدى الفرضية القائلة بأن مثل هذه الوحدات ضرورية للتمييز بين العددية في الشبكات العصبية الالتفافية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
السؤال الكبير: هل "تعد" الذكاءات الاصطناعية مثلنا؟
تخيل أنك تنظر إلى وعاء من الفاكهة. لست بحاجة إلى عد كل تفاحة واحدة تلو الأخرى لتعرف أن هناك "حوالي خمس" منها. دماغك ببساطة "يرى" العدد. يطلق العلماء على هذا اسم "التعددية العددية" (Numerosity) (أو الحس العددي).
لفترة طويلة، حاول الباحثون بناء ذكاء اصطناعي (AI) يفكر مثل الدماغ البشري. يستخدمون نماذج تسمى "الشبكات العصبية الالتفافية" (CNNs). هذه الشبكات تشبه الأدمغة الرقمية المكونة من طبقات من وحدات المعالجة الصغيرة (العصبونات).
الجدل الكبير:
اعتقد بعض العلماء أن هذه الأدمغة الرقمية يجب أن تمتلك "كواشف أعداد" خاصة بها—أي عصبونات صغيرة مخصصة فقط للعد، تماماً كما تمتلك بعض الحيوانات في أدمغتها الحقيقية. اعتقدوا أنه إذا وجدوا هذه العصبونات الخاصة في الذكاء الاصطناي، فهذا يعني أن الذكاء الاصطناعي قد تعلم العد بنجاح.
الدراسة الجديدة:
تسأل هذه الورقة البحثية: هل عصبونات "كاشف العدد" هذه هي الأبطال الحقيقيون للقصة، أم أنها مجرد شخصيات ثانوية؟
التجربة: "الجوقة" مقابل "العازفين المنفردين"
لمعرفة ذلك، استخدم الباحثون نموذج ذكاء اصطناعي خاص يسمى CORnet، وهو مصمم ليبدو ويتصرف بشكل يشبه النظام البصري لدى الرئيسيات. قاموا بتدريب هذه الأنظمة بطرق مختلفة:
- اللوحة الفارغة: ذكاء اصطناعي بإعدادات عشوائية (لم يتعلم أي شيء قط).
- متعلم الأشياء: ذكاء اصطناعي مدرب على التعرف على القطط والكلاب والسيارات (مثل تطبيق الصور القياسي).
- العداد: ذكاء اصطناعي مدرب خصيصاً للتمييز بين مجموعات من النقاط (على سبيل المثال: "هل هذه 6 نقاط أم 10 نقاط؟").
بعد ذلك، فحصوا "دماغ" الذكاء الاصطناعي ليروا كيف يتفاعل مع أعداد مختلفة من النقاط.
الطريقة القديمة في الفحص (مشكلة "التصويت المتساوي")
سابقًا، استخدم العلماء طريقة تسمى "تحليل التشابه التمثيلي" (RSA). تخيل أنك تحاول تخمين أغنية من خلال الاستماع إلى جوقة موسيقية (كورال).
- الطريقة القدة: تفترض أن كل مغنٍ في الجوقة يساهم بنفس القدر تماماً في الصوت النهائي. إذا بدت الجوقة وكأنها تعزف الأغنية، تقول: "عمل رائع، الجميع شارك!".
- المشكلة: في الجوقة الحقيقية، قد يكون بعض المغنين يغنون اللحن الأساسي (وهذا مهم جداً)، بينما يقوم آخرون بالدندنة كضوضاء خلفية (وهي غير مهمة). إذا عاملت الجميع بالتساوي، فقد تغفل عن حقيقة أن مغني اللحن هم من يقومون بكل العمل، أو قد تعتقد أن ضوضاء الخلفية ضرورية بينما هي ليست كذلك.
الطويرة الجديدة في الفحص (طريقة "التقليم")
استخدم الباحثون تقنية تسمى "التقليم" (Pruning).
- التشبيه: تخيل أن لديك جوقة ضخمة من 10,00 বিল مغنٍ. تريد معرفة أي المغنين مطلوب فعلياً لإعادة عزف أغنية معينة.
- العملية: تبدأ بإسكات المغنين واحداً تلو الآخر.
- إذا جعل إسكات مغنٍ ما الأغنية تبدو سيئة للغاية، فإن هذا المغني ضروري.
- إذا لم يحدث إسكات المغني أي فرق (أو حتى جعل الأغنية تبدو أفضل عبر إزالة الضوضاء)، فإن هذا المغني فائض عن الحاجة.
- النتيجة: ينتهي بك الأمر بمجموعة صغيرة وفعالة للغاية من "المغنين المستبقي عليهم" الذين هم الوحيدون الذين يحتاجون فعلياً لمطابقة التجربة البشرية لرؤية الأعداد.
النتائج المفاجئة
عندما طبق الباحثون طريقة "التقليم" هذه، وجدوا شيئاً صادماً:
"كواشف الأعداد" كانت عديمة الفائدة في الغالب.
العصبونات المحددة التي بدت وكأنها "تعد" (وحدات كاشف العدد) كانت غالباً هي التي يتم استبعادها أثناء عملية التقليم. لقد كانوا مثل مغني الخلفية الذين يدندنون بنغمات خاطئة. على الرغم من وجودهم، إلا أن الذكاء الاصطناعي لم يكن بحاجة إليهم لفهم مفهوم "كم العدد"."الجمهور بأكمله" أهم من "المتخصصين".
فهم الذكاء الاصطناعي الأعداد بشكل أفضل عندما استخدم مزيجاً واسعاً من العديد من العصبونات المختلفة التي تعمل معاً، بدلاً من الاعتماد على عدد قليل من العصبونات "المتخصصة". الأمر يشبه إدراك أن الأغنية مكونة من تناغم الجوقة بأكملها، وليس فقط من عازف منفرد واحد.حتى الذكاء الاصطناعي غير المدرب امتلك "كواشف".
من المثير للاهتمام أن حتى الذكاء الاصطناعي الذي لم يتعلم أي شيء (اللوحة الفارغة) كان يمتلك هذه "العصبونات الكاشفة للعدد". وهذا يشير إلى أنها قد تكون مجرد نتاج طبيعي لكيفية بناء الذكاء الاصطناعي، وليست علامة على أن الذكاء الاصطناعي قد تعلم العد حقاً.
الخلاصة
أسطورة "المتخصص":
كنا نعتقد أنه لكي يفهم الذكاء الاصطناعي (أو الدماغ) الأعداد، فإنه يحتاج إلى "عصبون عدد" محدد ليقوم بالمهمة الشاقة. تشير هذه الورقة إلى أن هذا ليس صحيحاً.
واقع "العمل الجماعي":
فهم الأعداد هو رياضة جماعية. إنه أمر ينبثق من النشاط الجماعي لآلاف العصبونات المختلفة التي تعمل معاً. "المتخصصون" الذين يبدون وكأنهم يعدون هم غالباً مجرد ضوضاء أو آثار جانبية.
لماذا هذا مهم:
إذا أردنا بناء ذكاء اصطناعي يفهم العالم حقاً مثل البشر، فلا ينبغي لنا فقط البحث عن عصبونات "متخصصة". نحن بحاجة إلى النظر في كيفية عمل الشبكة بأكملها معاً. الأمر لا يتعلق بإيجاد العبقري الوحيد في الغرفة؛ بل يتعلق بفهم كيف يحل الفريق بأكمله المشكلة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.