تحقیق در مورد مهندسي معكوس مغز Reverse Engineering the Brain

لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد

نوع فایل :  .doc ( قابل ويرايش و آماده پرينت )

تعداد صفحه : 11 صفحه

 قسمتی از متن .doc : 

مهندسي معكوس مغز - Reverse - Engineering the Brain

اشاره : <مگي ميمون بسيار باهوشي است>، اين را Tim Buschman، دانشجوي سال آخري مي‌گويد كه در آزمايشگاه عصب‌شناسي پروفسور Earl Miller مشغول پژوهش است. البته ديدن مگي به اين آساني‌ها مقدور نيست؛ براي دور نگهداشتن مگي از محيطي كه انسان‌ها در آن حضور دارند، از او در محيطي مجزا نگهداري مي‌شود تا از رفتار انسان‌ها تأثير نپذيرد. ولي علايم هوشمندي او روي دو نمايشگر كه روبه‌روي بوشمن قرار دارد، قابل مشاهده است. مگي در طول هفت سال گذشته براي مركز علوم مغز و ادراك (Brain and Cognitive Sciences: BCS) دانشگاه ام‌آي‌تي كار كرده است. اين ميمون، سه ساعت در روز به بازي‌هاي كامپيوتري مشغول است كه بيشتر با هدف ساخت و پرورش الگوهاي كلي توسط مغز مگي و سپس استفاده از آن الگوها به عنوان ابزار، طراحي شده اند. بوشمن (شايد به طنز) مي‌گويد: <من حتي با اين كار نيز مشكل دارم>. منظور او حركت به سمت بالا و پايين در يك بازي كامپيوتري است كه شامل عملگرهاي منطقي است كه در گروه‌هاي خاصي قرار مي‌گيرند.

ولي مگي بسيار خوب عمل مي‌كند: واكنش خوب در برابر پرسش‌هاي سخت، صرف تنها نيم ثانيه براي پاسخگويي به هر مسئله و چهار پاسخ درست از پنج پاسخ، نمونه‌اي از عملكرد خوب اوست. توانايي مگي در بازي‌كردن را مي‌توان نقطه تلاقي هوش‌مصنوعي و دانش عصب‌شناسي دانست. دانشجوي سال آخر ديگري تحت آموزش‌هاي بوشمن و Michelle Machon، مشغول پژوهش در اين‌باره است كه مغز چگونه مي‌تواند ياد بگيرد و به ساخت قوانين منطقي بپردازد، و اين‌كه چگونه بايد كارايي مغز را در انجام اين وظايف با عملكرد شبكه‌هاي عصبي مصنوعي كه در هوش مصنوعي مورد استفاده قرار مي‌گيرد، مقايسه كرد. چهل سال پيش، اين ايده وجود داشت كه دانش عصب‌شناسي و هوش مصنوعي بايد همزمان و تواماً در آزمايشگاه‌هايي مانند آنچه كه Miller در آن به پژوهش پرداخته است، مورد مطالعه قرار بگيرد، ولي تصور نمي‌رفت كه اين دو، بتوانند چندان به توسعه هم كمك كنند.  پيشتر، حيطه مطالعاتي اين دو متد بسيار متفاوت از هم بود. عصب شناسي بر كشف و توضيح جزئيات ساختار عصب و فعاليت‌هاي عصبي متمركز بود و هوش مصنوعي مي‌كوشيد با توسعه يك مسير مستقل و فارغ از فرآيندهاي بيولوژيكي، به شبيه‌سازي هوش برسد (از ديدگاه تاريخي، فناوري در واقع نيازي به الهام گرفتن از طبيعت نداشته است؛ نه هواپيماها مانند پرندگان پرواز مي‌كنند و نه خودروها مانند اسب‌ها حركت مي‌كنند.) و به نظر مي‌رسيد هوش مصنوعي با شتاب بيشتري پيشرفت مي‌كند. با استفاده از دانش عصب‌شناسي به سختي مي‌شد به ماهيت مغز پي برد؛ چه رسد به اين‌كه بتوان بر نحوه عملكرد آن واقف شد. از سوي ديگر،  هر كسي كه كمي اطلاعات علمي داشت، روزي را كه كامپيوترها بتوانند هر آنچه را كه انسان انجام مي‌دهد انجام دهند (شايد هم بهتر از انسان)  دور از دسترس نمي‌دانست. در سال 1962، توجه مقامات به پشتيباني از پروژه‌اي مبني بر طراحي يك سيستم فراگير خودكار جلب شد كه پروژه‌اي جنجالي در ايالات‌متحده محسوب مي‌شد (اين سيستم به Cybernation مشهور بود)؛ چرا كه گمان مي‌رفت با آمدن اين سيستم، تعداد زيادي از مردم كار خود را از دست بدهند. ولي يك چيز از هيجاني كه هوش مصنوعي برپا كرده بود، كاست. هر چند كامپيوترها مي‌توانستند از پس تشخيص اشياي ساده در يك موقعيت ويژه و تحت شرايط كنترل شده برآيند،  در تشخيص و شناسايي اشياي پيچيده در دنياي حقيقي باز مي‌ماندند. يك ميكروفون مي‌تواند سطوح صدا را تشخيص دهد، ولي مثلا‌ً نمي‌تواند آن را كوتاه و خلاصه كند. يك سيستم خبره مي‌تواند يك شيء جديد و تميز را در ميان مجموعه‌اي از اشياي  قديمي و كثيف  تشخيص دهد، ولي نمي‌تواند يك شيء  قديمي و كثيف را در يك توده درهم و برهم تشخيص دهد. (نمونه ديگر اين موضوع سيستم مورد آزمايش ماروين مينسكي است كه حتي قابليت قرار دادن يك بالش در روكش بالش را هم ندارد.) هنوز نگراني ما از رويارويي انسان‌ها بيش از نگراني ما درباره رويارويي ماشين‌ها با هم است.

بر خلاف هوش مصنوعي كه پيشرفت آن كندتر از آن چيزي بود كه انتظار مي‌رفت، عصب‌شناسي در فهم چگونگي كاركرد مغز به خوبي پيش مي‌رفت. اين حقيقت در هيچ جايي به اندازه پژوهش‌هاي سي و هفت آزمايشگاه از مجموعه مراكز BCS دانشگاه MIT مشهود نيست. گروه پژوهشي اين دانشگاه مشغول ترسيم مسيرهاي عصبي‌اي هستند كه در عملكردهاي سطح بالاي مربوط به ادراك (و پيچيدگي آن‌ها)، شامل يادگيري، حافظه، ساختار رفتارهاي ترتيبي پيچيده، فرم و ذخيره عادت ها، روِياپردازي، مديريت و كنترل عددها، تعيين يك هدف و برنامه‌ريزي، پردازش ايده‌ها و عقايد، و توانايي فهم چيزهايي هستند كه ديگران درباره آن فكر مي كنند. ارمغان اين پژوهش‌ها مي‌تواند بسيار ارزشمند باشد. كشف اين‌كه مغز چگونه كار مي‌كند (منظور فهم دقيق آن است مانند اين‌كه ما مي‌دانيم يك موتور چگونه كار مي‌كند)، مي‌تواند همه كتاب‌هايي را كه تا كنون در اين باره نوشته شده‌اند، نيازمند بازنويسي كند. تنها گوشه‌اي از دستاوردهاي اين كار مي‌تواند انقلابي در قضاوت و جرم‌شناسي، آموزش، تجارت، مراقبت از خانواده و نيز درمان هرگونه اختلال رواني بر پا كند.) Earl Miller) اميدوار است پژوهش هاي انجام شده در آزمايشگاه او در درك پيچيدگي‌هاي مغز كمك زيادي به روانپزشكان بكند).  چنين پيشرفتي دليلي براي آغاز همكاري هوش مصنوعي و عصب‌شناسي نه تنها در آزمايشگاه Miller، بلكه حتي در MIT است. همچنين پژوهش‌ها درباره پردازش تصوير نشان مي‌دهد كه چگونه اين دو دانش بر يكديگر تأثير مي‌گذارند. James DiCarlo، استاديار عصب شناسي، مي‌گويد: <اين دو رشته مجزا از هم رشد مي‌كنند>، اين روزها، پژوهشگران هوش مصنوعي مشتاقانه به دنبال پيشرفت عصب‌شناسي و ايده مهندسي معكوس مغز هستند كه پيشتر، دور از ذهن به نظر مي‌رسيد.

درك تشخيص اشيابيشتر كارهاي انجام شده در آزمايشگاه DiCarlo، بر تشخيص اشيا متمركز بود كه ما را به تعريف يك شيء (مانند تعريف حيواني چون گاو در مغز) از چند بعد و منظر قادر مي‌كند (گاوي كه در دوردست است، گاوي كه از بالا به آن نگاه مي‌كنيم، گاوي كه در داخل يك كانتينر است) بدون اين‌كه با اشياي ديگر (مانند اسب) تداخل پيدا كند. DiCarlo  و دانشجوي سال آخر او، David Cox، دستاورد پژوهش‌هاي خود را در اواخر آگوست با نام عصب‌شناسي طبيعي(Nature Neuroscience) منتشر كردند كه بر يكي از اساسي‌ترين پرسش‌ها درباره تشخيص اشيا متمركز بود: چه اندازه از موفقيت ما در تشخيص اشيا، وابسته به ساختار سخت‌افزاري بدن ما، ويژگي‌هاي ذاتي ما هنگام تولد و چيزهايي است كه آموخته‌ايم؟DiCarlo و Cox پژوهش‌هاي خود را همزمان روي تعدادي از افراد آزمايش كردند. افراد مورد مطالعه، در برابر تجهيزاتي قرار گرفته بودند كه هم قابليت نمايش تصوير اشيا و هم دنبال كردنِ جهتِ نگاه اشخاص را داشتند.  اشيا تصاويري بودند كه توسط كامپيوتر ايجاد شده بودند و تقريباً دسته‌اي از حيوانات را نشان مي‌دادند، ولي اين تصاوير به گونه‌اي طراحي شده بودند كه در نگاه نخست براي اشخاص، آشنا و قابل تشخيص نباشند.  يك شيء مي‌توانست در يك وضعيت از سه وضعيت ممكن روي نمايشگر نشان داده شود و شخص مي‌توانست نگاه خود را به سمت آن شيء برگرداند. سپس پژوهشگران اشياي جديدي را جايگزين مي‌كردند تا افراد نگاه خود را روي شيء جديد متمركز كنند. براي نمونه، زماني كه شخص به مركز نمايشگر خيره شده بود، موجودي با بدني قلمبه و با گوش‌هاي تيز شده در سمت راست نمايشگر به نمايش درميآمد. زماني كه شخص نگاه خود را به سمت آن معطوف مي‌كرد، پژوهشگران آن تصوير را با تصوير موجودي لاغرتر با گوش‌هاي آويزان جايگزين مي‌كردند. از آنجايي كه انسان هنگام تعويض مكان تمركز چشم در واقع بينايي ندارد، اين اشخاص متوجه جايگزيني اشيا نمي‌شدند، ولي مغز آن‌ها  متوجه اين جايگزيني مي‌شد. پس از يك يا دو ساعت ادامه اين آزمايش‌ها با اشياي مختلف، و نمايش اين تصاوير در يك موقعيت خاص روي صفحه نمايشگر، دو شيء در دو مكان متفاوت روي صفحه نمايشگر به افراد نشان داده مي‌شد و از آنان خواسته مي‌شد آن‌ها را با هم مقايسه كنند. شايد به نظر برسد كه افراد با مشكل خاصي در تشخيص تفاوت ميان آن دو تصوير مواجه نشده‌اند كه البته تقريباً همين طور بود؛ جز در مقايسه تصاويري كه جابه‌جا شده بودند و اكنون دوباره در همان موقعيتي كه قبلاً جابه‌جايي انجام شده بود، به نمايش در مي‌آمدند. افراد آن دو شيء را با هم قاطي مي‌كردند: آن‌ها بيشتر تصور مي‌كردند كه موجود قلمبه با گوش‌هاي تيز كه در يك موقعيت و موجود لاغر با گوش‌هاي آويزان در موقعيت ديگري بودند، در واقع يك شيء هستند. DiCarlo بر اين باور است كه چنين اشتباه‌هايي نشان‌دهنده اين است كه مكانيسم مغز در تشخيص اشياي يكسان، ولي در موقعيت‌هاي مكاني مختلف، به تجربه بصري عادي شخص در زمان و مكان خاص بستگي دارد.  او مي گويد: <يافته‌ها نشان مي‌دهد كه حتي شاخص‌هاي اصلي در شناسايي اشيا مي‌تواند به وسيله تجربه‌هاي بصري و در تعامل با دنياي اطرافمان توسعه يابد.> DiCarlo و تيم او سرگرم طراحي و انجام آزمايش‌هاي مشابهي روي جانوران هستند تا بتوانند الگوهاي فعاليت عصبي را  كه در تشخيص اشيا بسيار حائز اهميت است، مورد بررسي قرار دهند.  (يك نمونه خوب از اين پژوهش ها در چهارم نوامبر 2005 در نشريه Science منتشر شد. در اين آزمايش، DiCarlo و سه تن از همكاران او فعاليت صدها نورون عصبي را در مغز ميمون Macaque ضبط و سپس تحليل كردند. آن‌ها نشان دادند كه پردازش اطلاعات بديهي درباره موجوديت شيء و نوع آن‌ها تنها به فعاليت تعداد كمي از نرون‌ها نياز دارد.)شناسايي يا تشخيص اشيا از آغاز، يكي از بزرگ‌ترين و سخت‌ترين اهداف

عمومی و آزاد

فایل های جدید