به گزارش ایتنا و به نقل از سای‌تک‌دیلی، آنها معتقدند که ساختار حافظهٔ انسانی، با ویژگی‌هایی همچون انعطاف‌پذیری، پیونددهی مفهومی و یادگیری مستمر، می‌تواند الگویی الهام‌بخش برای ساخت ماشین‌هایی هوشمندتر و کارآمدتر باشد.
در حال حاضر، مدل‌های بزرگ هوش مصنوعی مانند ChatGPT توانسته‌اند در حوزه‌هایی چون زبان طبیعی، ترجمه، تصویرسازی و حتی کدنویسی عملکردی تحسین‌برانگیز داشته باشند.
با این حال، محدودیت‌هایی جدی نیز دارند. این مدل‌ها معمولاً به حجم عظیمی از داده و قدرت پردازشی بالا نیاز دارند، در برابر فراموشی اطلاعات پیشین آسیب‌پذیرند و توانایی محدودی در استدلال منطقی دارند.
پژوهشگران ریشهٔ این چالش‌ها را در ساختار بنیادین شبکه‌های عصبی مصنوعی، شیوه‌های آموزش آنها و تکیهٔ صرف بر داده‌محوری می‌دانند.
ماشین حافظه و معماری M2I
برای غلبه بر این مشکلات، مفهومی به نام «ماشین حافظه» مطرح شده است. ماشین حافظه ساختاری چندلایه و توزیع‌شده است که اطلاعات خارجی را به قالبی قابل خواندن و پردازش برای ماشین تبدیل می‌کند.
این ساختار می‌تواند به‌صورت پویا به‌روزرسانی شود، میان اطلاعات مختلف پیوندهای زمانی و مکانی برقرار کند و از مکانیزم‌هایی مانند هش فازی برای دسترسی انعطاف‌پذیر بهره ببرد.
بر بستر این ایده، چارچوبی موسوم به M2I معرفی شده که شامل سه ماژول اصلی است: بازنمایی، یادگیری و استدلال. این سه ماژول در قالب دو حلقهٔ تعاملی عمل می‌کنند و عملکرد حافظهٔ انسان را در ماشین شبیه‌سازی می‌کنند.
چهار محور اصلی در چارچوب M2I
مطالعهٔ حاضر چهار محور کلیدی را در این چارچوب بررسی کرده است:
۱. سازوکارهای عصبی حافظهٔ ماشین: در این بخش، پژوهشگران به نحوهٔ پیش‌تنظیم‌بودن ساختار عصبی مغز، نقش رشد و انعطاف‌پذیری مغزی در شکل‌گیری هوش و امکان پیاده‌سازی مفاهیم مشابه در سامانه‌های مصنوعی پرداخته‌اند.
۲. بازنمایی پیوندی: M2I به‌دنبال آن است که با الگو گرفتن از شیوهٔ سامان‌دهی اطلاعات در مغز، اطلاعات را از طریق پیوندهای انتزاعی-عینی و روابط زمانی-مکانی رمزگذاری و بازیابی کند. این امر می‌تواند در بهبود عملکرد حافظهٔ مصنوعی و دسترسی سریع‌تر به داده‌های مرتبط مؤثر باشد.
۳. یادگیری پیوسته: یکی از نقاط ضعف مدل‌های فعلی، فراموشی فاجعه‌بار اطلاعات قبلی هنگام یادگیری مطالب جدید است. چارچوب M2I تلاش می‌کند تا با استفاده از روش‌هایی کم‌مصرف، امکان یادگیری پیوسته را فراهم کند، به‌گونه‌ای که سیستم هوشمند بتواند داده‌های جدید را جذب کرده و هم‌زمان اطلاعات قبلی را حفظ کند.
۴. استدلال همکارانه: هدف از این بخش، ترکیب توانایی استدلال شهودی و منطقی در مدل‌های هوش مصنوعی است. چنین ترکیبی می‌تواند هم تفسیرپذیری سیستم را افزایش دهد و هم بهره‌وری آن را در حل مسائل پیچیده بالا ببرد.
پژوهشگران در هر یک از این محورها، ضمن معرفی مسائل کلیدی، به پیشرفت‌های اخیر نیز اشاره کرده‌اند. برای مثال، در زمینهٔ سازوکارهای عصبی، به نقش تجربه و بازآرایی ساختار مغز در توسعهٔ هوش پرداخته شده است.
در بازنمایی پیوندی، روش‌هایی برای تقویت رمزگذاری اطلاعات مرتبط بررسی شده‌اند. در یادگیری پیوسته، راهکارهایی برای جلوگیری از فراموشی اطلاعات پیشین ارائه شده، و در بخش استدلال همکارانه نیز الگوهایی برای ادغام منطق و شهود مطرح شده‌اند.
آینده‌ای متفاوت با ماشین‌های هوشمندتر
گفتنی است تقلید از حافظهٔ انسانی می‌تواند راه را برای توسعهٔ نسل تازه‌ای از ماشین‌های هوشمند بگشاید که نه‌تنها قادر به انجام وظایف پیچیده‌تر هستند، بلکه می‌توانند به‌صورت پویا با شرایط متغیر محیط نیز سازگار شوند. این تحول می‌تواند دامنهٔ کاربرد هوش مصنوعی را در صنایعی مانند بهداشت، آموزش، حمل‌ونقل و حتی سیاست‌گذاری گسترش دهد.
بر این اساس، معماری M2I را می‌توان گامی اساسی در مسیر توسعهٔ هوش مصنوعی شناخت‌محور و سازگار با نیازهای آینده دانست. با پیشرفت بیشتر این پژوهش، باید دید چگونه این مفاهیم در عمل پیاده‌سازی خواهند شد و چه تحولی در دنیای فناوری به وجود خواهند آورد.
