رایانه‌هایی با ساختار مغزی، آیندهٔ هوش مصنوعی را دگرگون می‌کنند

به گزارش دیتاسنتر من و به نقل از ساینس‌نیوز، «دانیلا روس» (دانشمند رایانه از MIT) می‌گوید: «وقتی به مغز این کرم نگاه می‌کنم، تحت تأثیر کارآمدی و زیبایی آن قرار می‌گیرم.»
 
وی که به مغز این جانور علاقهٔ زیادی دارد، شرکت Liquid AI را با هدف طراحی الگوریتم‌هایی بر پایهٔ عملکرد مغز آن تأسیس کرده است.
 
روس یکی از پژوهشگرانی است که باور دارد هرچه هوش مصنوعی شبیه‌تر به مغز شود، فناوری چابک‌تر و هوشمندتری خواهیم داشت. «کاناکا راجان» (عصب‌شناس محاسباتی از دانشگاه هاروارد) می‌گوید: «برای ارتقای واقعی هوش مصنوعی، باید از مغز انسان درس بگیریم.»
 
گرچه این رایانه‌های «عصب‌گونه» قرار نیست جایگزین کامل رایانه‌های سنتی شوند، اما می‌توانند به‌عنوان مکملی مؤثر عمل کنند. «مایک دیویس» (مدیر آزمایشگاه رایانش عصب‌گونهٔ اینتل) پیش‌بینی می‌کند که در آینده انواع مختلفی از این سامانه‌ها در کنار هم فعالیت خواهند کرد.
 
«سبوتای احمد» (مدیر فنی شرکت Numenta) می‌گوید: «مدل‌های هوش مصنوعی امروز بر پایهٔ زور و منابع عظیم‌اند؛ کارآمد نیستند.»
 

در حالی‌ که دولت آمریکا میلیاردها دلار را صرف توسعهٔ مدل‌های پرمصرف می‌کند، برخی شرکت‌ها مانند DeepSeek چین مسیر متفاوتی در پیش گرفته‌اند. آن‌ها مدل‌هایی ساخته‌اند که با داده و انرژی کمتر، همان کارایی چت‌بات‌ها را دارند.
 
در همین حال، پژوهشگران سخت‌افزارهای مغزمانند می‌سازند؛ تراشه‌هایی که رفتار نورون‌ها را تقلید می‌کنند. برای نمونه، نورون‌های مصنوعی‌ای طراحی شده‌اند که مانند نورون‌های واقعی فقط زمانی فعال می‌شوند که سیگنال الکتریکی به آستانهٔ مشخصی برسد. این ویژگی باعث می‌شود تنها بخشی از شبکه فعال شود و انرژی کمتری مصرف گردد.
 
تفاوت دیگر در ترکیب حافظه و پردازش است. در مغز، همان اتصالاتی که اطلاعات را ذخیره می‌کنند، مسئول پردازش نیز هستند. اما رایانه‌های رایج، حافظه و پردازش را از هم جدا می‌کنند. این موضوع موجب اتلاف انرژی و زمان می‌شود.
 
تراشهٔ BrainScaleS-2، که در چارچوب پروژهٔ اروپایی Human Brain ساخته شده، نورون‌های مصنوعی و حافظه را درون یک سخت‌افزار ترکیب کرده است. در آزمایشی، آموزش شبکهٔ عصبی دست‌نویس‌خوان روی این تراشه تنها یک‌صدم انرژی نسخهٔ سنتی را مصرف کرد.
 
هرچند نسخهٔ صنعتی این تراشه در حال حاضر توسعه نیافته، شرکت‌هایی چون IBM و Intel پروژه‌هایی جاه‌طلبانه در این حوزه دارند. اینتل در سال ۲۰۲۴ سامانهٔ «هالا پوینت» را معرفی کرد که در جعبه‌ای به اندازهٔ چمدان جا می‌گیرد اما بیش از یک میلیارد نورون الکترونیکی دارد؛ تقریباً به اندازهٔ مغز یک جغد.
 
این سامانه‌ها نیز از ساختار پراکنده، حافظهٔ درونی و رفتار نورون‌مانند بهره می‌برند و در مقایسه با پردازنده‌های گرافیکی معمولی، تا ۱۵۰ برابر انرژی کمتری مصرف می‌کنند. علاوه‌ بر این، برخلاف مدل‌های رایج که هر فریم صوتی یا تصویری را از نو پردازش می‌کنند، این سامانه‌ها فقط زمانی فعال می‌شوند که اطلاعات جدیدی وارد شود.
 
از همه جالب‌تر، این سخت‌افزارها را می‌توان به شیوه‌های مختلفی پیکربندی کرد تا الگوریتم‌های متنوعی را اجرا کنند. به‌گفتهٔ پژوهشگران، ممکن است بهترین الگوریتم‌هایی که از این سخت‌افزار بهره می‌برند هنوز اختراع نشده باشند.
 
«جیمز ایمون» (عصب‌شناس در آزمایشگاه‌های ملی ساندیا) می‌گوید: «امکانات این فناوری واقعاً هیجان‌انگیز است. شاید آیندهٔ رایانش، هم کارآمدتر و هم توانمندتر باشد.»
 
در همین راستا، تیمی به رهبری روس و «رامین حسنی» در MIT، با الهام از مغز کرم C. elegans، مدل‌های فشرده‌تری طراحی کرده‌اند که با نورون‌های کمتر عملکرد بهتری دارند. نتیجهٔ این تلاش‌ها، الگوریتمی به نام «شبکهٔ عصبی مایع» است؛ مدلی که همچون مغزهای زنده، با دریافت داده‌های تازه خود را تطبیق می‌دهد.
 
روس توضیح می‌دهد که مدل‌های یادگیری عمیق سنتی پس از آموزش دیگر تغییر نمی‌کنند، اما شبکه‌های عصبی مایع می‌توانند در طول زمان و با توجه به داده‌های ورودی، خود را به‌روزرسانی کنند. معادلات ریاضی استفاده‌شده در این مدل، نحوهٔ فعال‌سازی نورون‌ها در زمان را شبیه‌سازی می‌کنند.