نوع جدیدی از هوش مصنوعی که می‌تواند عملکرد مغز انسان را رمزگشایی کند (بخش اول)

در ژانویه‌ی سال ۲۰۱۵، رومی لورنز با دو تن از استادان راهنمای خود در مورد پژوهش خود گفت‌وگو کرد. او در نیمه‌ی راه دوره‌ی دکترای تخصصی بود، ولی هنوز نتوانسته بود در آزمایش‌هایش به نتیجه‌ای برسد. بنابراین نیاز داشت تحقیقاتش را به مسیر درستی هدایت کند.

وقتی لورنز ۲۹ ساله در ژوئن سال ۲۰۱۳ وارد دانشکده‌ی محاسباتی، آزمایشگاهی، تصویربرداری، شناختی و بالینی لندن شد، با استاد راهنمای عصب‌شناس خود، راب لیچ در مورد موضوع رساله‌ی دکترا به توافق رسید. موضوع آن‌ها، خلق و ایجاد بازخورد نورونی حقیقی بود. لورنز چنین گفته است:

ما از مغز افراد اسکن می‌گرفتیم و به آن‌ها می‌گفتیم که چگونه فعالیت‌هایشان را بر اساس آنچه ما در اسکنرها می‌بینیم، تغییر دهند.

لیچ و لورنز برای رسیدن به این هدف برنامه‌ای با نام ماین‌کرافت را ارائه دادند تا با استفاده از آن، فعالیت مغزی بازیکن را تحت نظر بگیرند و با آن همگام شوند. در ماه اکتبر سال ۲۰۱۴  لورنز از داوطلبان تقاضا کرد که در دنیای پیکسلی بازی پرسه بزنند. بازی در صفحه‌ی نمایشی مقابل آن‌ها قرار داشت و آن‌ها با فشار دادن دکمه‌های روی دو گوشی دایره‌ای شکل، آواتارهایشان را کنترل می‌کردند.

آزمایش لورنز برای کنترل بخش خاصی از مغز به نام شبکه‌ی حالت پیش‌فرض بود که بخش غشاء مغزی را به قسمت‌های عمیق‌تری از قبیل هیپوکامپ متصل می‌کرد. اما آزمایش شکست خورد. خود لورنز در این باره می‌گوید:

من انتظار نداشتم که اولین آزمایشم با موفقیت روبه‌رو شود؛ اما در نیمه راه دکتری بودم و موضوع پژوهش اصلی‌ام چندان نتیجه‌بخش نبود. اینجا بود که متوجه شدم باید خلاقیت به خرج دهم.

وقتی لورنز و لیچ با استادراهنمای عصب‌شناس دوم، آلدو فیصل ملاقات کردند، در مورد بهبود روند کار بحث کردند. لورنز گفته است:

رشته‌ی آلدو، تصویربرداری رزونانس مغناطیسی عملکردی نبود. وقتی ما سعی کردیم توضیحات را به زبان ساده برای او تشریح کنیم، ناگهان چیزی به ذهن ما خطور کرد. چه اتفاقی خواهد افتاد اگر ما آزمایش‌های خود را روی مغز افراد انجام دهیم؟ اگر به‌جای خلق بازخورد با پارامتری مثل نور (تاریک و روشن کردن)، ترکیبی از چندین پارامتر مختلف را مورد استفاده قرار دهیم تا مغز را به حالتی ببریم که می‌خواهیم، چه اتفاقی خواهد افتاد؟

البته انجام این آزمایش روی انسان در حالت طبیعی خیلی پیچیده بود. بنابراین آن‌ها مجبور شدند از هوش مصنوعی برای انجام آزمایش استفاده کنند. هوش مصنوعی در زمینه‌هایی مثل رباتیک، سیستم‌های پیشنهاددهنده‌ی آنلاین و وب‌سایت‌های کمپین‌ سیاسی قبلا استفاده شده و سؤال اینجا است که آیا هوش مصنوعی می‌تواند در علوم اعصاب نیز کارایی داشته باشد؟

لورنز معتقد است:

ما با آزمایش ماین‌کرافت سعی کردیم موارد مختلف و جدید را مورد بررسی قرار دهیم و با استفاده از یک محیط بازی پیچیده و بزرگ، شبکه‌های مختلفی از مغز را که با زندگی روزمره در ارتباط هستند، رمزگشایی کنیم. در آن موقع شاید کارهایی که در یک زمان انجام می‌دادیم بیش از حد بود.درسی که از آزمایش گرفتیم این بود که آزمایش بعدی باید ساده آغاز شود. چیزی که لورنز الان به آن نیاز دارد، مشکلی است که قبلا به‌طور کامل درک و بررسی شده است و این به او کمک می‌کند که ایده‌ی جدیدش را امتحان کند. او تصمیم گرفت بخش‌های سمعی و بصری مغز را مورد بررسی قرار دهد. این بخش‌ها مطابق با صداها و تصاویر عمل می‌کنند.

جدا کردن ترکیبی از صدا و تصویر و درک آن‌ها به‌صورت جداگانه برای انسان راحت است. اگر انسان بخواهد تنها صدا را بشنود، باید صفحه نمایشی خالی را به‌ همراه گروه اپرا جلوی او قرار داد و اگر بخواهد تنها تصویر را ببیند، باید ترکیبی از ویدیویی از شلوغی شهر توکیو با صدای زوزه‌مانند در مقابل او قرار بگیرد. اما برای دستگاه هوش مصنوعی موضوع متفاوت است. لورنز در مورد این آزمایش گفت:

این آزمایش خسته‌کننده است؛ ولی با این وجود اگر به‌خوبی کار می‌کرد، می‌توانست نتایج قابل توجهی داشته باشد.

الگوریتم هوش مصنوعی باید به‌گونه‌ای می‌بود که قادر باشد به‌موقع قسمت‌های مربوطه‌ی سمعی و بصری را به کار بگیرد یا از کار اندازد: مثلا در مورد پیچیدگی محرک‌های بصری، سرعت ویدیوی صحنه‌ی ترافیک خیابانی را تغییر دهد و در مورد محرک‌های شنوایی صدای افراد را مانند ربات تغییر دهد.

لورنز و لیچ الگوریتم‌های زیادی از هوش مصنوعی را امتحان کردند: یادگیری عمیق، شبکه‌های عصبی؛ ولی هیچکدام کارگشا نبودند. در ماه مارس سال ۲۰۱۵، آن‌ها با کمک آمارشناسی به نام جیوانی مونتانا از دانشکده‌ی کینگ لندن، الگوریتمی بر اساس بهینه‌سازی بیزی (Bayesian Optimisation) ایجاد کردند. این الگوریتم متدی است که نام آن برگفته از نام توماس بایس است. او روشی سیستماتیک از محاسبه را طراحی کرد. روش سیستماتیک او بر پایه این فرضیه بود: چگونه یک امر محتمل با اکتشاف حقایق جدید، تغییر می‌کند. این روش راهی است برای محاسبه‌ی اعتبار فرضیه‌ها باتوجه به دانش قبلی. روش بایس برای ساخت هوش مصنوعی بسیار ایده‌آل بود؛ چراکه هوش مصنوعی به‌طور پویا به دنبال بهترین جواب یا تجربه جستجو می‌کند.

لورنز در ماه می، از تعدادی از همکارانش درخواست کرد که تحت آزمایش قرار بگیرند. خوبی دستگاه اسکنر fMRI در این است که به محض اینکه فرد داخل آن قرار می‌گیرد، می‌توانید متوجه شوید که آیا آزمایش به‌خوبی پیش رفته است یا خیر. لورنز می‌گوید:

من و راب درحالی‌که استرس داشتیم، نظاره‌گر ماجرا بودیم. وقتی نتایج اولین شخص وارد اسکنر شد، دستگاه با چندین تلاش موفق شد ترکیب صحیحی از ویدیو و صدا را دریافت کند. ما در ابتدا فکر کردیم که این امر از روی شانس بوده است، ولی دستگاه برای تمامی موارد همین گونه کار کرد. هوش مصنوعی به‌طور متوسط هر ۶ دقیقه یک محرک مطلوب را پیدا می‌کرد.لیچ بسیار خوشحال بود. آن‌ها متوجه شدند که تکنیک به‌کار برده‌شده، بسیار قدرتمند است و بدین ترتیب بود که آن‌ها اولین دانشمند هوش مصنوعی را ساختند و نام آن را دانشمند عصب‌شناس اتوماتیک (Automatic Neuroscientist) گذاشتند.

اگرچه علم همیشه برای بی‌طرفی و واقعیت محض تلاش می‌کند؛ ولی در مقابل جهت‌گیری انسان ایمن نیست. توانایی ما برای کشف الگوها ممکن است خارق العاده باشد؛ ولی ما گاهی اوقات همبستگی‌هایی را می‌بینیم که خیالی هستند. پروفسور جان یونیدیس از دانشگاه استنفورد، در سال ۲۰۵۵ با مقاله‌ای با نام «چرا اکثر یافته‌های پژوهشی منتشرشده نادرست هستند»، باعث شگفتی همکارانش شد. نتیجه‌ی این مقاله این بود که اکثر نتایج به‌دست‌آمده از اکثر انتشارات علمی نمی‌توانند به‌طور مستقل تولید شوند. یک دهه‌ی بعد، گزارش شد که بیش از نیمی از بررسی‌های روانشناسی نمی‌توانند چاپ و تولید شوند. یونیدیس امسال مقاله‌ای منتشر کرد که نشان می‌داد علوم اعصاب حتی در وضعیت بدتری (نسبت به آنچه تصور می‌شود) قرار دارند. 

البته کارهای مرتبط با مغز به‌آسانی قابل تشخیص و دستکاری نیستند. دانشمندان علوم اعصاب دهه‌ها است که روی مدارهای مغز انسان کار می‌کنند. این‌گونه به نظر می‌رسد که مدارهای مختلف، وظایف مختلف، اختصاصی و منحصربه‌فردی دارند؛ ولی در عمل اینگونه نیست. به‌عنوان مثال، در بررسی مدار درد در هنگام آسیب دیدگی، همان قسمتی از مغز فعال می‌شود که در مدار مربوط به واکنش به محیط، اشیاء و افراد فعال می‌شود.

بخش دیگری از مغز مثل شیار فوقانی، تمام کارهای مختلف مانند کنترل حرکات، پردازش صحبت کردن، و تشخیص چهره را انجام می‌دهد. البته چنین اطلاعاتی زمانی قابل قبول است که شما آن‌ها را باور کنید. بسیاری از این اکتشافات این‌چنینی، پایه‌ی آماری قدرتمندی ندارد و تنها جامعه‌ی آماری کوچکی آن را حمایت می‌کند؛ حتی تجزیه‌وتحلیل مربوط به آن‌ها نیز ایراداتی دارد.

بسیاری از این اکتشفات حتی اجازه‌ی چاپ ندارند و اگر هم چاپ شوند، ممکن است بعدا با بررسی‌های جامع‌تر زیر سؤال روند. یک مثال قابل توجه در سال ۲۰۰۹ پاسخی به این ادعا است: هنگامی که از یک ماهی سالمون بی‌جان اسکن گرفته شد، مشخص شد که هنوز مغز آن فعالیت می‌کند و این فعالیت آنقدر زیاد است که انگار ماهی هنوز در حال تفکر است. از این مثال با نام اثر ماهی سالمون مرده (Dead salmon effect) یاد می‌شود.

متأسفانه دانشمندان همگی انسان هستند و به‌گفته‌ی لورنز نمی‌توانند کاملا بی‌طرف عمل کنند. با وجود همه‌ی این موارد، مغز ما برای بقا بهینه شده است، نه برای انجام آزمایش‌ها.

وقتی لورنز برای اولین بار پیشنهاد داد برای مطالعه‌ی مغز انسان از هوش مصنوعی استفاده شود، لیچ به‌ خاطر مواجه شدن با سختی‌های کار کمی دلسرد شد. با این وجود، هوش مصنوعی بر خلاف دانشمندان انسانی، کاملا بی‌طرف و حقیقی است و می‌تواند یافته‌ها را دوباره و مثل اول تکرار کند. لیچ می‌گوید:

نمی‌دانستم باید برای انجام آن چه کاری بکنم و اگر رومی تنها کارهایی را می‌کرد که من به او می‌گفتم، هیچ‌گاه نمی‌توانستیم آن کار را انجام دهیم.

مدرک کارشناسی لیچ، رشته‌ی فلسفه‌ی دانشگاه کمبریج بود. او یکی از طرفداران پائول فیرابند، فیلسوف استرالیایی بود که باور داشت:

اگر علم برای پیشرفت است، هر چیزی می‌تواند برای این کار مناسب و قابل قبول باشد. این گفته، مثال خوبی برای استفاده از هوش مصنوعی برای درک هوش انسان است.

لیچ می‌گوید:

ما می‌توانیم تمامی راه‌ها و روش‌های انجام کارهای علمی را تغییر دهیم.

پس از موفقیت دانشمند عصب شناس اتوماتیک، لیچ تمام احتمالات موجود برای علم اعصاب را در نظر گرفت و با اعتماد به‌نفس گفت:

بهتر است بگذاریم بیزی (Bayesian) همه چیز را بهینه‌سازی کند. آن‌ها چندین ماه پس ازموفقیت آزمایش‌ خودشان، متوجه شدند که دستگاه‌ها به‌طور بالقوه می‌توانند کاری فراتر از تشریح کارهای مغز انجام دهند. دستگاه‌ها می‌توانند به‌گونه‌های دیگری به کار گرفته شوند؛ به‌عنوان مثال، طراحی آزمایش‌های بالینی یا درک اینکه چگونه می‌توان مغز را تحریک کرد تا رفتار خود را تغییر دهد. 

آن‌ها وقتی فهمیدند Automatic Neuroscientist کار می‌کند، تلاش کردند که آن را به چالش بکشند تا پتانسیل‌های آن را درک کنند. به‌گفته‌ی لورنز:

ما بعد از اولین مطالعه می‌خواستیم کاری را انجام دهیم که این آزمایش را جذاب‌تر کند و سؤالات جدید را پاسخ دهد.ما افراد را داخل اسکنرهای مغزی قرار دادیم و به آن‌ها گفتیم چگونه فعالیت مربوط به قسمت‌های مختلف مغزشان را بر اساس آنچه که ما در اسکنرها می‌بینیم، تغییر دهند. 

این چالش از گفت‌وگوی میان لورنز، لیچ، و همکارشان آدام همپشایر، در پاییز سال ۲۰۱۵ آغاز شد.

همپشایر با آدریان اوون (یک پیشگام عصب‌شناسی که با استفاده از اسکنرهای مغز توانست کاری کند تا بیمارانی که در حالت بی‌هوشی مغزی پس از کما بودند، قادر به برقراری ارتباط شوند) و جان دونکان (کارشناس IQ) دکترای خود را تکمیل کرده بود. او و اوون در هنگام تکمیل دوره‌ی دکترا، تست آنلاینی طراحی کردند که با استفاده از آن، نحوه‌ی توانبخشی و نوسازی پس از جراحت مغزی را مورد بررسی قرار دهند و اثرات داروهای هوشمند را ارزیابی کنند.

درآن زمان من (نویسنده متن اصلی) سردبیر بخش علمی دیلی تلگراف بودم و به آن‌ها این ایده را دادم که تستی آنلاین برای خوانندگان طراحی کنند تا اثرات آن را بر هوش سنی، جنسیت، سبک زندگی، و سایر عوامل، کشف و بررسی کنند.

اوون و همپشایر، ۱۲ تست شناختی انتخاب کردند که هرچیزی را از حافظه گرفته تا منطق و قوه استدلال و برهان مورد ارزیابی قرار می‌داد. اوون به آن‌ها نام ستون‌های حکمت و خرد را داد. به‌عنوان مثال، تستی که استدلال استقرایی یا قیاسی را مورد ارزیابی قرار می‌داد، Odd One Out (چیزی که با بقیه متفاوت است، حذف می‌شود) نامیده شد: فرد تست‌شونده باید شکلی را شناسایی کند که از نظر منطقی با بقیه متفاوت است.

ستون‌های حکمت و خرد به‌عنوان یک مجموعه‌ی کلی، برای این طراحی شده بود که مشخص کند آیا می‌توان هوش انسان را با یک پارامتر اندازه‌گیری کرد یا اینکه چندین پارامتر برای این کار نیاز است. همپشایر می‌گوید:

این ایده به سال ۱۹۰۴ برمی‌گردد؛ زمانی که چارلز اشپیرمان، روانشناس، مدعی شد یک قوه‌ی ذهنی کلی وجود دارد که تمامی عملکردهای شناختی ما را پی‌ریزی و حمایت می‌کند. این فرضیه اکنون با نام فرضیه‌ی اشپیرمان یا 'g' شناخته می‌شود.

با این حساب اگر فرضیه‌ی 'g' تمام چیزی است که ما برای ارزیابی هوش انسان به آن نیاز داریم؛ تست‌هایی از قبیل Odd One Out راه‌هایی متفاوت برای اندازه‌گیری همین پارامتر به ما ارائه می‌کنند: اگر شما در یکی از تست‌ها خوب عمل کنید، در مورد دیگری هم خوب عمل خواهید کرد. تست در سال ۲۰۱۰ به‌صورت آنلاین گرفته شد. اوون و همپشایر به دانشگاه اونتاریوی غربی کانادا رفتند. در طول ۴ ماه، ۱۱۰ هزار نفر از سراسر دنیا تست دادند.

وقتی آن‌ها توسط بالغ بر یک میلیون امتیاز داده‌ای بررسی شدند، یک نتیجه‌ی قطعی به‌ دست آمد:  نتیجه‌ی هوش تنها با یک عامل و فاکتور مشخص نمی‌شود. همپشایر می‌گوید:

وقتی طیف گسترده‌ای از وظایف شناختی اندازه‌گیری شده است، تغییرات در عملکرد حداقل با سه جزء مجزا قابل توضیح است: حافظه‌ی کوتاه‌مدت؛ استدلال؛ مولفه‌ی کلامی. 

برای همپشایر و اوون این سؤال مطرح بود که آیا این سه عامل مسئول، سه مدار کاملا متفاوت در مغز هستند یا خیر. آن‌ها به‌همین منظور، پژوهش دیگری را شروع کردند. آن‌ها با استفاده از اسکنرهای fMRI، از ۱۶ نفر تست ستون‌های حکمت و خرد گرفتند. حق با آن‌ها بود؛ همپشایر گفته است:

وظایفی که همبستگی ضعیفی با یکدیگر از لحاظ عملکرد دارند، تمایل دارند شبکه‌های مختلفی از مغز را فعال کنند.

به نظر می‌رسد که استدلال استقرایی یا قیاسی با بخش‌های جانبی مغز در لوب‌های ‍پیشانی و لوب‌های ترمیمی ارتباط داشته باشد. حافظه‌ی فضایی قسمت‌های مختلفی را که در زیر خلفی‌ترین لوب قدامی مغز هستند، فعال می‌کند. همپشایر می‌گوید:

بر این اساس بود که گفتیم هر شبکه از مغز مسئول یک توانایی متفاوت است.

هنگامی که اوون و همپشایر یافته‌هایشان را در مجله‌ی Neuron در سال ۲۰۱۲ منشتر کردند، گفتند:

موضوعات کمی در روانشناسی به‌میزان قدمت و بحث‌برانگیزی مطالعه‌ی هوش انسان وجود دارد.

این حرف نوعی دست کم گرفتن بود. اگرچه بعضی از عصب‌شناسان شناختی متقاعد شدند؛ ولی بسیاری از محققان روان‌سنجی خشمگین شدند. مطلب یک صفحه‌ای که در ژورنال Intelligence منتشر شد این گونه نسبت به آن‌ها گلایه کرده بود:

نتایج آن‌ها تنها وابسته به چند فرضیه و تصمیم ذهنی است که در بهترین حالت، تفاسیر مختلفی می‌توان از آن‌ها ارائه کرد.

محققی دیگر گفت:

این یکی از بدترین مقاله‌های دهه‌ی گذشته است.

طراحی آزمایش انبوه آن‌ها ایراد داشت. منتقدان اظهار کردند:

آیا ده‌ها هزار تن از مردمی که در این تست‌ها شرکت کردند نمایانگر حقیقت بودند؟ چرا آن‌ها به دنبال اثرات موجود در مغز در چیزهای شناخته شده‌ای مثل "g" نمی‌گشتند؟ چرا آن‌ها از منطق دایره‌ای استفاده کردند و وظایفی را انتخاب کردند که قسمت‌های مختلف مغز را فعال می‌کرد؟

همپشایر چند ماه بعد تصمیم گرفت به انگلستان برگردد؛ چراکه نمی‌توانست دیگر با اوون که اکنون یک عصب‌شناس معروف شده بود، کار کند.

وی آزمایشگاه خودش را در همان ساختمانی که راب لیچ در ژوئن سال ۲۰۱۳ بود، راه‌اندازی کرد. در همین زمان بود که رومی لورنز دوره‌ی دکترای خود را شروع کرد. اما آن‌ها در پاییز سال ۲۰۱۵ با یکدیگر ملاقات کردند. همپشایر هنوز درگیر و غرق درک این بود که مغز چگونه جنبه‌های مختلف هوش را حمایت می‌کند. او با اینکه نتوانست در مقابل انتقادهایی که از مطالعه‌اش می‌شود، از آن دفاع کند، ولی می‌خواست نسخه‌ی بهبودیافته‌ای را از نو راه‌اندازی کند. وی در این باره گفته است:

در این نسخه‌ی جدید، تعداد و تنوع وظایف شناختی محدود شده بود.

ادامه دارد...