هوش مبتنی بر علوم اعصاب، از ساختار و عملکرد مغز انسان الهام میگیرد تا سیستمهای هوش مصنوعی بسازد که یادگیری و ادراک بیولوژیکی را تقلید میکنند. هوش مصنوعی بر رویکردهای محاسباتی کاملاً مهندسیشدهای تمرکز دارد که توسط اصول بیولوژیکی محدود نمیشوند و کارایی، مقیاسپذیری و عملکرد وظیفه را بر معقول بودن بیولوژیکی اولویت میدهند.
سیستمهای هوش مصنوعی که از ساختار مغز و فرآیندهای عصبی الهام گرفته شدهاند، با هدف تکرار جنبههایی از شناخت و یادگیری انسان.
سیستمهای هوش مصنوعی کاملاً مهندسیشده که بدون محدودیتهای بیولوژیکی طراحی شدهاند و برای عملکرد محاسباتی و مقیاسپذیری بهینه شدهاند.
| ویژگی | هوش آگاهانه مبتنی بر علوم اعصاب | هوش مصنوعی |
|---|---|---|
| الهام طراحی | مغز انسان و علوم اعصاب | اصول ریاضی و مهندسی |
| هدف اصلی | معقول بودن بیولوژیکی | عملکرد وظیفه و مقیاسپذیری |
| سبک معماری | ساختارهای مغز مانند و مدلهای اسپایکی | شبکههای عصبی عمیق و سیستمهای مبتنی بر ترانسفورماتور |
| مکانیسم یادگیری | یادگیری الهام گرفته از انعطافپذیری سیناپسی | الگوریتمهای گرادیان نزولی و بهینهسازی |
| کارایی محاسباتی | بالقوه از نظر انرژی کارآمد اما آزمایشی | بسیار بهینه شده برای سختافزارهای مدرن |
| تفسیرپذیری | به دلیل قیاس بیولوژیکی، متوسط | اغلب به دلیل پیچیدگی مدل، کم است |
| مقیاسپذیری | هنوز در مقیاس بزرگ در حال توسعه است | با زیرساختهای فعلی بسیار مقیاسپذیر است |
| استقرار در دنیای واقعی | عمدتاً سیستمهای تحقیقاتی و تخصصی | به طور گسترده در سیستمهای هوش مصنوعی تولیدی مستقر شده است |
هوش مبتنی بر علوم اعصاب تلاش میکند تا نحوه پردازش اطلاعات توسط مغز را با یادگیری از اصول بیولوژیکی مانند الگوهای شلیک عصبی و سیناپسهای تطبیقی، شبیهسازی کند. از سوی دیگر، هوش مصنوعی سعی در تقلید از زیستشناسی ندارد و در عوض بر ساخت سیستمهایی تمرکز دارد که با استفاده از مدلهای ریاضی انتزاعی به طور کارآمد کار میکنند.
سیستمهای الهام گرفته از مغز اغلب قوانین یادگیری محلی را مشابه نحوه تقویت یا تضعیف اتصالات نورونها در طول زمان بررسی میکنند. سیستمهای مصنوعی معمولاً به روشهای بهینهسازی سراسری مانند پسانتشار متکی هستند که بسیار مؤثر اما از نظر بیولوژیکی کمتر واقعگرایانه هستند.
هوش مصنوعی در حال حاضر بر برنامههای دنیای واقعی تسلط دارد، زیرا به طور کارآمد مقیاسپذیر است و روی سختافزارهای مدرن عملکرد خوبی دارد. سیستمهای الهام گرفته از علوم اعصاب، نویدبخش بهرهوری انرژی و سازگاری هستند، اما هنوز تا حد زیادی آزمایشی هستند و مقیاسپذیری آنها دشوارتر است.
رویکردهای مبتنی بر علوم اعصاب ارتباط نزدیکی با سختافزارهای نورومورفیک دارند که هدفشان تقلید از سبک محاسبات کممصرف مغز است. هوش مصنوعی به پردازندههای گرافیکی (GPU) و پردازندههای حرارتی (TPU) متکی است که از نظر بیولوژیکی الهام گرفته نشدهاند، اما توان محاسباتی عظیمی ارائه میدهند.
هوش مبتنی بر علوم اعصاب اغلب از بینشهای علوم شناختی و تحقیقات مغز ناشی میشود و هدف آن پر کردن شکاف بین زیستشناسی و محاسبات است. هوش مصنوعی در درجه اول از طریق نوآوری مهندسی، دسترسی به دادهها و بهبود الگوریتمها تکامل مییابد.
هوش مصنوعیِ مبتنی بر علوم اعصاب، تنها نسخهی پیشرفتهتری از یادگیری عمیق است
در حالی که هر دو از مفاهیم شبکه عصبی استفاده میکنند، هوش مصنوعی مبتنی بر علوم اعصاب به صراحت حول اصول بیولوژیکی مانند نورونهای جهشی و قوانین یادگیری شبیه مغز طراحی شده است. در مقابل، یادگیری عمیق در درجه اول یک رویکرد مهندسی است که بر عملکرد تمرکز دارد تا دقت بیولوژیکی.
هوش مصنوعی نحوه تفکر انسان را به طور کامل نادیده میگیرد
هوش مصنوعی سعی در تقلید از ساختار مغز ندارد، اما همچنان میتواند از الگوهای رفتاری شناختی الهام بگیرد. بسیاری از مدلها با هدف تکرار نتایج استدلال انسان بدون بازتولید فرآیندهای بیولوژیکی طراحی شدهاند.
سیستمهای الهام گرفته از مغز به زودی جایگزین تمام هوش مصنوعیهای فعلی خواهند شد
رویکردهای مبتنی بر علوم اعصاب امیدوارکننده هستند، اما هنوز با چالشهای بزرگی در مقیاسپذیری، پایداری آموزش و پشتیبانی سختافزاری مواجه هستند. بعید است که آنها در کوتاهمدت جایگزین سیستمهای مصنوعی شوند.
هوش مصنوعی نمیتواند کارآمدتر شود
تحقیقات مداوم در زمینه فشردهسازی مدل، پراکندگی و معماریهای کارآمد، همچنان به بهبود سیستمهای مصنوعی کمک میکند. افزایش بهرهوری، تمرکز اصلی در توسعه هوش مصنوعی مدرن است.
هوش شبه انسانی نیازمند محاسبات شبه مغزی است
رفتار شبه انسانی را میتوان با استفاده از روشهای محاسباتی غیرزیستی تقریب زد. بسیاری از سیستمهای هوش مصنوعی فعلی بدون شباهت زیاد به زیستشناسی عصبی به نتایج چشمگیری دست مییابند.
هوش مبتنی بر علوم اعصاب، مسیری مبتنی بر زیستشناسی ارائه میدهد که ممکن است به شناختی با مصرف انرژی کمتر و شبیه به انسان منجر شود، اما تا حد زیادی در مرحله آزمایش باقی مانده است. هوش مصنوعی امروزه کاربردیتر است و به دلیل مقیاسپذیری و عملکرد بالا، اکثر برنامههای هوش مصنوعی در دنیای واقعی را تقویت میکند. در درازمدت، رویکردهای ترکیبی ممکن است نقاط قوت هر دو الگو را با هم ترکیب کنند.
احساسات انسانی یک تجربه پیچیده، بیولوژیکی و روانشناختی است که توسط حافظه، زمینه و ادراک ذهنی شکل میگیرد، در حالی که تفسیر الگوریتمی سیگنالهای احساسی را از طریق الگوهای داده و احتمالات تجزیه و تحلیل میکند. تفاوت در تجربه زیسته در مقابل استنتاج محاسباتی نهفته است، جایی که یکی احساس میکند و دیگری پیشبینی میکند.
ادراک انسان یک فرآیند بیولوژیکی عمیقاً یکپارچه است که حواس، حافظه و زمینه را برای ایجاد درک مداوم از جهان ترکیب میکند، در حالی که تشخیص الگو در هوش مصنوعی برای شناسایی ساختارها و همبستگیها بدون آگاهی یا تجربه زیسته، به یادگیری آماری از دادهها متکی است. هر دو سیستم الگوها را تشخیص میدهند، اما اساساً در سازگاری، معناسازی و مکانیسمهای اساسی متفاوت هستند.
سیستمهای ادغام حسگر، دادههای چندین حسگر مانند دوربینها، لیدار و رادار را برای ایجاد درک قوی از محیط ترکیب میکنند، در حالی که سیستمهای تک حسگر به یک منبع ادراک متکی هستند. این بده بستان بر قابلیت اطمینان در مقابل سادگی متمرکز است و نحوه درک، تفسیر و واکنش خودروهای خودران به شرایط رانندگی در دنیای واقعی را شکل میدهد.
اقتصادهای هوش مصنوعی خودمختار، سیستمهای نوظهوری هستند که در آنها عوامل هوش مصنوعی، تولید، قیمتگذاری و تخصیص منابع را با حداقل دخالت انسان هماهنگ میکنند، در حالی که اقتصادهای تحت مدیریت انسان برای تصمیمگیریهای اقتصادی به نهادها، دولتها و مردم متکی هستند. هدف هر دو بهینهسازی کارایی و رفاه است، اما در کنترل، سازگاری، شفافیت و تأثیر اجتماعی بلندمدت، اساساً متفاوت هستند.
الگوهای توجه ایستا بر روشهای ثابت یا از نظر ساختاری محدود برای توزیع تمرکز بین ورودیها متکی هستند، در حالی که مدلهای تکامل حالت پویا، یک حالت داخلی را گام به گام بر اساس دادههای ورودی بهروزرسانی میکنند. این رویکردها دو الگوی اساساً متفاوت برای مدیریت زمینه، حافظه و استدلال با توالی طولانی در سیستمهای هوش مصنوعی مدرن ارائه میدهند.
