Predictive perception via simultaneous learning and inference

يتنقل البشر في عالم نادرًا ما يكون واضحًا. فنحن نسمع المحادثات في الغرف المزدحمة، ونميز الوجوه في الظلال المتغيرة، ونفهم الموسيقى حتى عندما تكون الإشارة ضعيفة. وللقيام بذلك، لا تكتفي أدمغتنا بتسجيل ما يصل إلى حواسنا؛ بل هي تخمن بنشاط ما هو موجود بالخارج، حيث تجمع بين البيانات الصاخبة التي نتلقاها وما نتوقع إيجاده بالفعل. هذه الفكرة، التي تُعرف غالبًا بفرضية "الدماغ البايزي" (Bayesian brain)، تشير إلى أن الإدراك هو شكل من أشكال التخمين والتحقق المستمر. ومع ذلك، ظل هناك لغز كبير: كيف يقوم الدماغ بهذه الحسابات المعقدة في الوقت الفعلي؟ إن العالم الطبيعي شاسع ومستمر، وحساب الاحتمالية الدقيقة لكل حالة ممكنة في مثل هذا الفضاء هو أمر مستحيل رياضيًا لأي آلة، ناهيك عن كونه بيولوجيًا. لعقود من الزمن، حاول العلماء حل هذه المعضلة من خلال افتراض أن الدماغ يبسط المشكلة بطرق محددة، إما عن طريق إجبار تخميناته على اتخاذ أشكال بسيطة ومنظمة، أو عبر أخذ آلاف العينات العشوائية لتقريب الإجابة.

تقترح دراسة جديدة مسارًا مختلفًا، مسارًا يتجنب الحاجة إلى هذه الاختصارات المعقدة. فبدلًا من تبسيط تخمينات الدماغ، يقترح الباحثون أن الدماغ قد يبسط العالم الذي يخمنه. ويجادلون بأن الإدراك يعمل غالبًا عن طريق تصنيف المدخلات المستمرة إلى حالات متميزة ومنفصلة، تمامًا كما نسمع اللحن كسلسلة من النوتات المحددة بدلاً من مقياس ترددات منزلق. ومن خلال معاملة البيئة كمجموعة من الخطوات المنفصلة بدلاً من تدفق سلس ولا متناهٍ، يمكن للدماغ إجراء حسابات دقيقة ومثالية دون الحاجة إلى التقريب. وقد بنى الباحثون نموذجًا حاسوبيًا لاختبار هذه الفكرة، وأظهروا أن النظام الذي يتعلم قواعد كيفية تغير هذه الحالات، بينما يحدد في الوقت نفسه الحالة التي يتواجد فيها، يمكنه محاكاة السلوك البشري في المواقف الصاخبة. يشير هذا النهج إلى أن الدماغ قد لا يحتاج إلى أن يكون خبيرًا في الإحصاء المعقد ليكون سيدًا في الإدراك؛ بل قد يحتاج فقط إلى معرفة قواعد اللعبة وتحديثها أثناء اللعب.

قام الباحثون، بقيادة مهدي عنان وزملاؤه في جامعة ماستريخت، بتطوير نموذج أطلقوا عليه اسم SLIM، وهو اختصار لـ "نموذج التعلم والاستدلال المتزامن" (Simultaneous Learning and Inference Model). جوهر فكرتهم يكمن في تحول في مكان تركز التعقيد. في النظريات السابقة، كان يُعتقد أن الدماغ يعاني من العدد الهائل من الاحتمالات في العالم، لذا كان عليه تقييد معتقداته لجعل الرياضيات تعمل. لكن نموذج SLIM يقلب هذا الطرح؛ فهو يفترض أن العالم يتكون من عدد محدود من الحالات، مما يجعل رياضيات تحديد الحالة الحالية قابلة للحل بشكل مثالي. ويصبح التحدي حينئذٍ هو تعلم كيفية انتقال العالم من حالة إلى أخرى. يستخدم النموذج قاعدة محلية بسيطة لتحديث خريطته الداخلية لهذه الانتقالات في كل مرة يضع فيها تخمينًا، فهو يتعلم من استدلالاته الخاصة، وليس فقط من البيانات الحسية الخام، مما يسمح له بالتكيف عندما تتغير قواعد البيئة.

وللتحقق مما إذا كانت هذه النظرية صامدة، أجرى الفريق سلسلة من المحاكاة الحاسوبية. فقد أنشأوا بيئات افتراضية حيث كانت قواعد الحركة إما ثابتة ويمكن التنبؤ بها، أو عشوائية ومتغيرة. ثم قاموا بتغذية النموذج بإشارات صاخبة، تحاكي البيانات غير الكاملة التي تتلقاها حواسنا. كانت النتائج مذهلة؛ فقد نجح النموذج في تعلم الأنماط الكامنة في البيئة، حتى عندما كانت المدخلات الحسية مشوهة بشدة. وعندما تغيرت البيئة فجأة من نمط يمكن التنبؤ به إلى نمط فوضوي، تكيف النموذج بسرعة، حيث ارتفع عدم اليقين الداخلي لديه ليتناسب مع الواقع الجديد. والأهم من ذلك، تمكن النموذج من الاستمرار في العمل وتقديم تنبؤات دقيقة حتى عندما أصبحت المدخلات الحسية عديمة الفائدة تمامًا، معتمدًا بالكامل على توقعاته المتعلمة. أثبت هذا أن النظام يمكنه الحفاظ على رؤية مستقرة للعالم من خلال الثقة في نموذجه الداخلي عندما يصمت العالم الخارجي.

اختبر الباحثون أيضًا ما إذا كان هذا الإطار البسيط يمكنه استيعاب قدرة الدماغ على التعامل مع المقاييس الزمنية المختلفة. في العالم الحقيقي، نلاحظ أنماطًا فورية، مثل ضربات الطبل، ولكننا نلاحظ أيضًا هياكل أطول، مثل إيقاع الأغنية. بنى الفريق نسخة هرمية من نموذجهم، حيث تتعلم طبقة واحدة الانتقالات قصيرة المدى وطبقة أخرى الأنماط طويلة المدى. وعندما عرضوا على النموذج تسلسلات تتبع قاعدة محلية ولكنها تنتهك قاعدة عالمية، أنتج النموذج إشارات خطأ متميزة عند كل مستوى، مما يحاكي كيفية استجابة الدماغ البشري للمفاجآت المحلية مقابل العالمية. أشار هذا إلى أن نفس الآلية الأساسية للتعلم والاستدلال يمكن أن تفسر الإدراك المعقد متعدد الطبقات دون الحاجة إلى أنظمة منفصلة ومتخصصة لمقاييس زمنية مختلفة.

وللانتقال إلى ما وراء المحاكاة، طبق الفريق نموذجهم على بيانات بشرية حقيقية من تجربتين سمعيتين. في الدراسة الأولى، استمع المشاركون إلى نغمة محددة مخفية وسط ضوضاء خلفية. وفي بعض الأحيان، كانت النغمة السابقة تعطي تلميحًا حول النغمة القادمة، وفي أحيان أخرى لم تفعل. ومن المعروف أن البشر يكتشفون النغمات المتوقعة بشكل أسرع وأكثر دقة من غير المتوقعة. وقد استطاع نموذج SLIM، الذي تم ضبطه وفقًا للمشاركين الأفراد، إعادة إنتاج هذا السلوك بدقة. فقد أظهر معدلات "إصابة" أعلى للنغمات المتوقعة وأوقات استجابة أطول للنغمات غير المتوقعة، تمامًا مثل الأشخاص في الدراسة. كما أنتج النموذج مقياسًا لـ "المفاجأة" ارتبط بمدة استجابة المشاركين، مما يشير إلى أن الشعور بالمفاجأة هو نتاج مباشر لمحاولة الدماغ تحديث نموذجه الداخلي.

أضافت التجربة الثانية طبقة من التعقيد من خلال تقديم إشارة غامضة — صوت لا يعطي أي تلميح عما سيأتي بعده. سمح هذا للباحثين بالفصل بين فوائد التوقع وتكاليف المفاجأة. ومرة أخرى، طابق النموذج البيانات البشرية؛ فقد كان أداء المشاركين في أفضل حالاته عندما كان لديهم توقع واضح، وأسوأ عندما لم يكن لديهم توقع، وفي المنتصف عندما كانت الإشارة غامضة. تتبعت حسابات النموذج الداخلية للتوقع والمفاجأة هذه التحولات السلوكية بدقة عالية. ومن خلال تحليل البيانات، وجد الباحثون أن مقياس النموذج لمدى مفاجأة الصوت، بناءً على ما تعلم توقعه، يمكن أن يفسر الاختلافات الفردية في مدى جودة اكتشاف الناس للنغمات. وفر هذا دليلًا قويًا على أن قدرة الدماغ على تعلم البنية الإحصائية لبيئته هي المحرك الرئيسي لهذه المزايا الإدراكية.

تتحدى الدراسة الرأي السائد بأن الدماغ يجب أن يعتمد على طرق معقدة وتقريبية للتعامل مع عدم اليقين في العالم. بدلًا من ذلك، تقترح أن معاملة الإدراك كعملية تصنيف العالم إلى حالات متميزة تمكن الدماغ من إجراء حسابات دقيقة باستخدام قواعد تعلم محلية بسيطة. لا يتطلب هذا النهج أن يفترض الدماغ شكلاً محددًا لمعتقداته أو أن يقوم بتشغيل آلاف العينات العشوائية لإيجاد الإجابة؛ بل يتعلم ببساطة الانتقالات بين الحالات ويحدثها في الوقت الفعلي. وبينما يعمل النموذج بشكل أفضل في البيئات ذات عدد معقول من الحالات، يرى الباحثون أن هذا الإطار يقدم تفسيرًا قويًا ومنطقيًا بيولوجيًا لكيفية تنقلنا في عالم صاخب. إنه يوضح أن قدرة الدماغ على التنبؤ بالمستقبل قد لا تأتي من الرياضيات المعقدة، بل من عملية مستمرة وبسيطة لتعلم قواعد الحاضر.