شکاف پنهان میان بینایی هوش مصنوعی و مغز نخستی ها فاش شد

این سامانه‌ها می‌توانند فعالیت مغز را تقلید کنند. با این حال، شاید به همان شیوه فکر نکنند. دانشمندان دانشگاه یورک پرده از گسستی میان سامانه‌های بینایی مصنوعی و مغز نخستی‌ها برداشته‌اند؛ نتیجه‌ای که برای هر کسی که مدل‌های هوش مصنوعی امروز را جایگزین‌های وفادار مغز می‌داند، به‌طور آرام اما جدی نگران‌کننده است.

این گروه پژوهشی به سرپرستی استادیار کوهیتیج کار، آزمون رایجی را که برای مقایسه شبکه‌های عصبی و مغز به کار می‌رود، وارونه کرد. به جای اینکه بپرسند آیا یک مدل می‌تواند پاسخ‌های مغز به تصاویر را پیش‌بینی کند، پرسش برعکس را مطرح کردند: آیا فعالیت ثبت‌شده مغز می‌تواند بازنمایی‌های درونی یک مدل را پیش‌بینی کند؟ پاسخ، یک «نه» روشنگر بود.

برای بررسی این پرسش، پژوهشگران مدل‌ها و نورون‌های نخستی‌ها را در معرض مجموعه‌ای گسترده از محرک‌های بصری قرار دادند: ۱,۳۲۰ عکس طبیعی و تصویر مصنوعی واقع‌گرایانه شامل حیوانات، چهره‌ها، وسایل نقلیه و اشیای روزمره در صحنه‌های داخلی و بیرونی، به‌علاوه ۳۰۰ نسخه تغییر‌یافته مانند طرح‌های خطی، نقاشی‌ها و بازنمایی‌های سبک‌پردازی‌شده. این مجموعه متنوع تضمین می‌کرد که بررسی‌ها فریب یک نوع محرک محدود را نخورند.

در ظاهر، بسیاری از شبکه‌های عصبی مصنوعی مدرن عملکرد چشمگیری دارند. آن‌ها الگوهای شلیک نورون‌های ثبت‌شده در بخش‌هایی از قشر بینایی را که به تشخیص اشیا کمک می‌کند، پیش‌بینی می‌کنند. اما عملکرد خوب در یک جهت، ناسازگاری عمیق‌تری را پنهان کرده بود. وقتی این گروه از سیگنال‌های مغزی برای پیش‌بینی ویژگی‌های درونی مدل‌ها استفاده کرد، تطابق در بسیاری از اجزای مدل از هم پاشید. نکته جالب این بود که ثبت‌های عصبی از یک مغز می‌توانست نورون‌های مغز دیگر را تا حد قابل قبولی پیش‌بینی کند؛ موضوعی که این عدم تقارن را برجسته‌تر می‌کند.

کار و همکارانش این عدم تقارن را نشانه‌ای می‌دانند از اینکه شبکه‌های عصبی مصنوعی اغلب از راهبردهایی به پاسخ‌های درست می‌رسند که به نظر نمی‌رسد سامانه بینایی زیستی از آن‌ها استفاده کند. به زبان ساده: دو سامانه که به خروجی رفتاری مشابه می‌رسند، ممکن است همچنان از ترفندهای درونی متفاوتی بهره ببرند. کار می‌گوید: «مدل‌هایی که با مغز همسوترند، معمولا رفتار انسان را بهتر پیش‌بینی می‌کنند، اما به نظر می‌رسد بخش‌هایی از این مدل‌ها بر میان‌برهایی تکیه دارند که در بینایی نخستی‌ها وجود ندارد.»

اهمیت این یافته فقط به کنجکاوی دانشگاهی محدود نمی‌شود. دانشمندان بیش از پیش از هوش مصنوعی به‌عنوان چارچوبی برای مطالعه ادراک و طراحی آزمایش‌ها در جمعیت‌های بالینی استفاده می‌کنند. اگر منطق درونی یک مدل با مغز تفاوت داشته باشد، پژوهشگران ممکن است راهبردهای خاص همان مدل را به اشتباه سازوکارهای واقعی عصبی تصور کنند. سابین موزلک، پژوهشگر پسادکتری این مطالعه، بر اهمیت موضوع تأکید می‌کند: این حوزه به ابزارهای تشخیصی قابل اعتماد نیاز دارد تا اجزایی را که واقعا با مغز همسو هستند از اجزایی جدا کند که فقط چنین وانمود می‌کنند.

این گروه یک ابزار کاربردی پیشنهاد می‌دهد: آزمون پیش‌بینی‌پذیری معکوس که تشخیص می‌دهد کدام بخش‌های یک شبکه واقعا بازتاب‌دهنده فعالیت عصبی هستند. این ابزار تشخیصی می‌تواند نسل بعدی مدل‌ها را به سوی معماری‌ها و شیوه‌های آموزشی هدایت کند که نه فقط رفتار بیرونی، بلکه محاسبات درونی سازنده آن رفتار را نیز ثبت می‌کنند. می‌توان آن را مانند انتخاب یک مترجم وفادار دانست، نه صرفا یک تقلیدگر زیرک.

پیامدهای گسترده‌تری نیز وجود دارد. سامانه‌های هوش مصنوعی بر پژوهش‌های شنوایی، زبان و کنترل حرکتی و همچنین بینایی اثر می‌گذارند. اگر ناهماهنگی‌های پنهان در یک حوزه حسی وجود داشته باشد، ممکن است در حوزه‌های دیگر نیز پنهان شده باشد. در پژوهش‌های بالینی، از مطالعات اوتیسم و بررسی اختلال استرس پس از سانحه گرفته تا طراحی توان‌بخشی، مدل‌هایی که با کارکرد مغز افراد نوروتیپیک همسویی دقیق‌تری دارند، می‌توانند فرضیه‌ها را تیزتر و مداخلات را مؤثرتر کنند. در مقابل، اتکای بیش از حد به مدل‌های ناهمسو خطر نتیجه‌گیری‌های گمراه‌کننده را افزایش می‌دهد.

پیام آزمایشگاه یورک هم هشدار است و هم دعوت: هوش مصنوعی کنونی را آینه‌هایی قدرتمند اما ناقص از مغز بدانیم. می‌توانیم از توان پیش‌بینی آن‌ها بهره ببریم. اما باید از این آینه‌ها بخواهیم بازتابی فراتر از سطح ظاهری ارائه کنند.