نوروهوش مصنوعی، شاخه‌ای جدید در پژوهش که از تلفیق علوم اعصاب و هوش مصنوعی شکل گرفته است، در حال رشد سریع است. این حوزه، با استفاده از مدل‌های شبکه‌های عصبی مصنوعی برای آزمودن فرضیه‌های علوم اعصاب و الهام گرفتن از علوم اعصاب برای توسعه‌ی الگوریتم‌های هوش مصنوعی، پیشرفت‌ها را در هر دو زمینه تسریع کرده و دستاوردهای شگرفی را رقم زده است.
«نوروهوش مصنوعی» اصطلاحی است که از ترکیب «علوم اعصاب» و «هوش مصنوعی» به وجود آمده و در چند سال اخیر به یکی از حوزه‌های پرطرفدار پژوهشی تبدیل شده است. فردا، کارگاهی با حمایت ابتکار مغز (BRAIN Initiative) در این حوزه برگزار می‌شود که نشان‌دهنده رشد و توجه به این رشته است. هوش مصنوعی در تلاش برای تقلید از رفتارهای هوشمند است و نزدیک‌ترین مدل به این هدف، شبکه‌های عصبی است که برای حل مسائل پیچیده ساخته شده‌اند. این همزیستی طبیعی موجب شده علوم اعصاب و هوش مصنوعی همدیگر را تقویت کنند.
نوروهوش مصنوعی دو برنامه پژوهشی را در بر می‌گیرد: نخست، استفاده از شبکه‌های عصبی برای شبیه‌سازی و آزمودن فرضیه‌های علوم اعصاب؛ شبکه‌های عصبی مصنوعی ابزاری ملموس و دقیق برای آزمودن مدل‌های محاسباتی مغز فراهم می‌کنند که کمک می‌کند مدل‌های مغز بهتر فهمیده شوند. دومین کاربرد نوروهوش مصنوعی، الهام‌گیری از بینش‌های علوم اعصاب برای توسعه هوش مصنوعی بهتر است. هدف اصلی بسیاری از پژوهش‌های هوش مصنوعی این است که سیستم‌های مصنوعی قادر به انجام وظایف مشابه انسان باشند و علوم اعصاب همواره منبع الهام برای رسیدن به این هدف بوده است.
رابطه بین علوم اعصاب و محاسبات از دهه‌های قبل آغاز شد. جان فون نویمان در گزارش معروف خود در سال ۱۹۴۵ درباره معماری کامپیوتر EDVAC به شباهت آن با مغز اشاره کرده و از مقاله ۱۹۴۳ وارن مک‌کالوک و والتر پیتس، که اولین مقاله درباره شبکه‌های عصبی محسوب می‌شود، استفاده کرده است. این همکاری اولیه علوم اعصاب و علوم کامپیوتر، زمینه‌ساز دهه‌ها الهام متقابل شد.
پیشرفت مهم دیگری که از علوم اعصاب الهام گرفته شده، شبکه‌های عصبی کانولوشنی (CNN) است که امروزه در سیستم‌های بینایی مصنوعی بسیار موفق بوده و از مدل قشر بینایی دیوید هوبل و تورستن ویزل الهام گرفته است. موفقیت‌های دیگر نیز شامل یادگیری تقویتی است که توسط سیستم‌های یادگیری ماشین مانند AlphaZero شرکت DeepMind به اوج رسید. اخیراً تکنیک «دراپ اوت» نیز، که با غیرفعال کردن تصادفی برخی نورون‌ها به جلوگیری از بیش‌برازش کمک می‌کند، از فرآیندهای استوکاستیک مغز الهام گرفته شده است.
نکته مهم این است که این همزیستی، یک رابطه سودمند دوطرفه است. به عنوان مثال، شبکه‌های عصبی مصنوعی اکنون مدل‌های برتری برای شبیه‌سازی قشر بینایی فراهم کرده‌اند و موفقیت این مدل‌ها به فرضیه‌های جدیدی درباره عملکرد مغز منجر شده است. الگوریتم‌های یادگیری تقویتی عمیق که ترکیبی از شبکه‌های عصبی عمیق و یادگیری آزمون و خطا هستند، نه تنها موفقیت‌های بی‌نظیری مانند AlphaGO به ارمغان آورده‌اند، بلکه درک بهتری از سیستم‌های پاداش در مغز ایجاد کرده‌اند.
رشد مداوم نوروهوش مصنوعی به تعمیق درک ما از هوش، چه در مغز و چه در سیستم‌های مصنوعی، کمک کرده است. این رشته در آینده نزدیک به کشف بیشتر درباره هوش مصنوعی و طبیعی ادامه خواهد داد و درک علمی ما را از این دو حوزه افزایش خواهد داد. این مجموعه مقالات به بررسی پیشرفت‌ها و مسائلی می‌پردازد که از این پیوند نشأت گرفته‌اند.
منبع خبر: MIT Laboratory for Information and Decision Systems
