آی‌بی‌ام و آزمایش نرم‌افزارها و الگوریتم‌های همانند مغز انسان

https://startupforum.ir/images/cdn/2018/04/4676.jpg

نومنتا آب‌بی‌ام بزرگ؛ ترکیب این اسامی بدون هیچ‌گونه توضیحی نشان‌دهنده آغاز جهشی بزرگ در دنیای فناوری است. آی‌بی ام به تازگی به الگوریتم نومنتا علاقه‌مند شده است. الگوریتمی که شباهت زیادی به پروژه هوش‌مصنوعی این شرکت دارد. نومنتا در حال توسعه یک نظریه منسجم، یک هسته فناوری نرم‌افزاری و برنامه‌های کاربردی متعددی است که همه آن‌ها بر اساس نئوکورتکس (neocortex) قرار دارند.

از زمانی‌که جو هایاشی، از مدیران برجسته اچ‌پی و مدیر توسعه محصول webOS، این شرکت را که خیلی‌ها آرزوی کار کردن در آن‌را دارند ترک کرد و در سال 2011 به Numenta پیوست، خبری از Numenta نبود. چرا که این شرکت تصمیم گرفته بود تا کارهای خود را بی سر و صدا به پیش ببرد. اکنون این شرکت بزرگ فناوری بار دیگر خبرساز شده و با نرم‌افزار هوش‌مصنوعی خودش به میدان بازگشته است. بر اساس گفته‌های تک‌ریویو، آی‌بی‌ام به تازگی شروع به آزمایش الگوریتم هوش‌مصنوعی نومنتا برای برخی وظایف خاص، از قبیل تجزیه و تحلیل تصاویر ماهواره‌‌ای به دست آمده از زمین‌های کشاورزی و دستگاه‌هایی که ممکن است به درستی کار نکنند، کرده است. فناوری نومنتا چشم آی‌بی‌ام را گرفته است، به دلیل این‌که این شرکت روی پروژه مشابهی مشغول به کار است که عملکردی شبیه به مغز انسان دارد و متفاوت از نرم‌افزارهای هوش‌مصنوعی کار می‌کند. در حال حاضر، یک تیم صد نفره در آی‌بی‌ام مشغول آزمایش الگوریتم‌هایی هستند که توسط محقق و پروفسور ارزشمند وینفرید ویلکه رهبری می‌شود. آی‌بی‌ام به وینفرید ویلکه اجازه صحبت درباره این پروژه‌ را نداده است. اما وینفرید ویلکه در ماه فوریه صحبت‌های بسیار جالبی درباره نومنتا و فناوری انجام داد.

او تاکنون بیش از 120 مقاله در زمینه فیزیک هسته‌ای، معماری و انرژی کامپیوترها و مطالب زیادی درباره مهندسی نرم‌افزار به چاپ رسانده است. او به تازگی تحقیقاتی پیرامون محاسبات شناختی و ذخیره‌سازی پیشرفته انرژی که به اعتقاد او برای اقتصاد انرژی‌های تجدیدپذیر ضروری است را در دست کار دارد. آی‌بی‌ام همچنین گروهی را برای کار روی الگوریتم یادگیری ماشینی نومنتا برای انجام یکسری از وظایف همچون ترجمه تصاویر ماهواره‌ای در آزمایشگاه تحقیقاتی آلمادن در سن خوزه کالیفرینا گرد هم آورده است. این گروه همچنین در حال کار روی طراحی کامپیوترهایی هستند که بر اساس ایده‌های سخت‌افزاری هاوکینس کار می‌کنند. ویلکه می‌گوید: « متخصصان برای آموزش نرم‌افزارهای یادگیری ماشینی از یکسری داده‌های نمونه برای آغاز کار استفاده می‌کنند. الگوریتم‌‌های نومنتا ممکن است به فرآیند یادگیری ماشینی برای حل مشکلات بیشتری کمک کنند.»

یادگیری ماشینی به طور گسترده‌ای توسط گوگل و شرکت‌های بزرگ محاسباتی برای کارهای مختلفی همچون دسته‌بندی تصاویر مورد استفاده قرار می‌گیرد. بیشتر محققان تمرکزشان روی فناوری یادگیری عمیق است که از چند لایه از سلول‌های شبکه عصبی مصنوعی برای پیدا کردن الگوریتم‌هایی برای داده‌ها استفاده می‌کنند. اما یادگیری عمقی به طور ویژه از زیست‌شناسی تقلید نمی‌کند.

تک‌ریویو در ادامه می‌افزاید: «وینفرید ویلکه، نومنتا را به دلیل این‌که در مقایسه با نرم‌افزارهای یادگیری ماشینی به واقعیت‌‌های بیولوژیک نزدیک‌تر است، مورد ستایش قرار می‌دهد. به عبارت دیگر، در مقایسه با دیگر رقبای خود عملکرد آن شباهت بیشتری به مغز انسان دارد. برای نمونه، نومنتا در مقایسه با دیگر رقبا درک سریع‌تری از داده‌‌های دریافتی دارد، در حالی‌که رقبا ابتدا باید الگوهایی را برای این منظور ارائه کرده و بعد به مدیریت کارهایشان بپردازند. به این شکل، الگوریتم نومنتا ظرفیت‌های لازم را برای افزایش و ترفی هوش‌مصنوعی دارد. با این حال، منتقدانی نیز وجود دارند. گری مارکوس، پروفسور روانشناس دانشگاه نیویورک و بنیانگذار شروعی دیگر در هوش‌مصنوعی به تک‌ریویو در این باره می‌گوید:« در حالی‌که نومنتا تا حدی رفتارش شبیه به مغز انسان است؛ بیش از حد ساده‌انگارانه است. به این شکل، او هنوز در تلاش برای "فهمیدن زبان طبیعی" یا " تولید نتایج از آخرین پیشرفتها در زمینه تشخیص تصاویر است".»

جالب خواهد بود ببینیم آی‌بی‌ام چگونه از این فناوری به منظور توسعه محصولاتش استفاده خواهد کرد. برای مثال نرم‌افزار تشخیص متن به گفتار، دستیار صوتی که توانایی شناسایی هر لهجه‌ای را دارد به عنوان بخشی از آزمایش‌های ای‌بی‌ام خواهند بود. در شرایط فعلی، کارمندان نومنتا تمرکزشان روی آموزش نرم‌افزار برای کنترل تجهیزات فیزیکی است که در آینده مورد استفاده روبات‌ها قرار خواهد گرفت.



منبع
حمیدرضا تائبی/ شاهراه اطلاعات



https://www.ihoosh.ir/article/72081/...B3%D8%A7%D9%86

کشف الگوریتمی در مغز که روبات ها را صاحب عواطف و احساسات انسانی خواهد کرد

مغز انسان یکی از شگفت انگیزترین بخش های طبیعت است که با وجود پیشرفت های بسیار گسترده در علوم مختلف، هنوز طیف گسترده ای از ساختار و ساز و کارهای آن ناشناخته باقی مانده است. اخیرا محققین توانسته اند الگوریتمی را در مغز کشف کنند که می تواند منجر به دستاوردهای بسیار عظیمی در تکنولوژی هایی مانند هوش مصنوعی شود.

به گزارش بیزینس اینسایدر، دانشمندان شواهدی را برای نظریه ارتباط (Theory of Connectivity) در مغز یافته اند. این نظریه بیان می کند تمامی فعالیت های مغز در هم تنیده و پیوسته می باشند و به زبان ساده تر، پشت پرده تمامی عملکردهای منطقی مغز تنها یک منطق ریاضی قرار دارد که به مغز برای پردازش داده ها کمک می کند. در مقاله ای که از این تحقیقات به چاپ رسیده آمده است که گروه هایی از نورون های مشابه ساختارهایی را در مغز انسان شکل می دهند که به منظور تحلیل ایده ها و یا اطلاعات از آنها استفاده می شود. این گروه ها که FCM یا "موتیف های ارتباطی عملکردی" نام دارند مسئول هر نوع ترکیبی از تصمیم گیری های مغزی می باشند.
برای بررسی این آزمایش، چگونگی فعالیت این الگوریتم ها در هفت منطقه مجزای مغزی مورد تحلیل قرار گرفته است. در هر منطقه واکنش هایی نظیر ترس یا نگرانی جزو واکنش افراد بوده اند. سپس نحوه پاسخگویی مغز به هر یک از این عوامل مورد بررسی قرار گرفته اند و در نهایت مشخص شده 15 ترکیب مختلف از واکنش ها در مغز انسان وجود دارند که همگی دارای ساختارهای تشکیل دهنده مشترکی هستند. چنین دستاوردی با وجود اینکه نمی تواند منجر به باهوش تر شدن انسان ها شود، پیشرفت عظیمی را در روبات ها ایجاد خواهد کرد. در صورت گسترش تحقیقات در این زمینه دانشمندان قادر خواهند بود نحوه فعالیت مغز را برای روبات ها شبیه سازی کنند و به این ترتیب واکنش این ساخته های دست بشر را بیش از هر زمانی به انسان نزدیک کنند.
https://www.sakhtafzarmag.com/%D8%A7...85%D8%BA%D8%B2

http://blog.mehrastan.ac.ir/wp-conte...XL-604x270.jpg
توسعه الگوریتمی که در زمینه یادگیری مفاهیم جدید، عملکردی مشابه انسان دارد

پژوهشگران اخیرا الگوریتمی را توسعه داده‌اند که سیستم‌های هوش مصنوعی را قادر می‌سازد تا در زمینه‌ی یادگیری مفاهیم جدید، عملکردی مشابه انسان داشته باشند. با ما همراه باشید. “فراگیری ماشین” عبارتی نامفهوم برای توصیف روشی است که سیستم‌های مبتنی بر هوش مصنوعی به کمک آن شروع به درک دنیای پیرامون خود از طریق دریافت حجم بسیار زیادی از اطلاعات می‌کنند. اما پژوهشگران آمریکایی به تازگی موفق به توسعه‌ی الگوریتمی شده‌اند که مدت‌زمان موردنیاز AI برای فراگیری موضوعات جدید را به میزان قابل توجهی کاهش می‌دهد. پژوهشگران به کمک این الگوریتم موفق به ساخت ماشینی با قابلیت ترسیم نمادهای بصری شده‌اند. نمادهای ترسیم شده توسط این ماشین عمدتا از نمونه‌های ترسیم شده توسط انسان قابل تشخیص نیستند. در این تحقیق آمده است که انسان‌ها با وجود تمام نقص‌های خود در یادگیری موضوعات جدید عملکرد بسیار خوبی دارند. چه در حین یادگیری رفتار یک شخصیت داستانی و چه در حال گذراندن دوره‌ی آموزش نحوه‌ی راه‌اندازی و استفاده از یک ابزار، انسان‌ها برای آنکه قادر به تکرار یک عمل خاص شوند، تنها نیاز به مشاهده‌ی چند نمونه از نحوه‌ی انجام آن دارند. در مقایسه با انسان برای آن‌که فرآیند الگوشناسی اکثر ماشین‌ها (مانند یک کامپیوتر که در حال یادگیری شناسایی چهره‌ها یا شناسایی کاراکترهای تایپ شده روی یک چک)، عملکرد دقیقی داشته باشد، باید این ماشین‌ها به صورت گام به گام با هزاران مثال آشنا شوند. اما به نظر می‌رسد که این روند در حال تغییر باشد. پژوهشگران اخیرا موفق به توسعه‌ی الگوریتمی خاص بر مبنای چارچوب برنامه نویسی بیز شده‌اند. این الگوریتم از طریق اصلاح کدهای خود قادر به ترسیم نمادهای گرافیکی خاصی است.
این الگوریتم به جای ترسیم مکرر کاراکتر آموخته شده‌ی یکسان قبلی، براساس یک “مدل تولید” از نحوه‌ی ترسیم کاراکتر، در هر بار نماد یاد شده را به صورت متفاوت ترسیم می‌کند. به این ترتیب هوش مصنوعی نیز مانند انسان عمل خواهد کرد. انسان هیچ‌گاه نامه‌ای را دقیقا به یک شکل نمی‌نویسد، چرا که ما به جای نحوه‌ی بازنویسی مکرر یک نامه‌ی اولیه، صرفا شکل کلی نوشتن آن را می‌آموزیم. پژوهشگران از الگوریتم خود در بازنویسی ۱۶۰۰ نوع از کاراکترهای دست‌نویسی شده از ۵۰ سیستم نگارشی جهان شامل سانسکریت، تیبتان و حتی نمادهای ابداعی بکار رفته در سریال تلویزیونی Futurama استفاده کرده‌اند. پس از آن‌که این ماشین کاراکترهای آموخته‌ی خود را به صورت مستقل ترسیم کرد، پژوهشگران آزمایشی را موسوم به “تست بصری تورینگ” اجرا کردند. هدف از این آزمایش پی بردن به این موضوع بود که آیا افراد مختلف قادر به تشخیص نمادهای ترسیم شده توسط این ماشین از نمونه‌های دست‌نویس هستند یا خیر. در نهایت کمتر از ۲۵ درصد از این افراد قادر به تشخیص نمونه‌ی دست‌نویس از نمادهای ترسیم شده توسط ماشین شدند. بنابراین می‌توان گفت که عملکرد این ماشین تا حدود زیادی نزدیک به انسان بوده است. http://blog.mehrastan.ac.ir/wp-conte...z3ph_cf4e6.jpg به نظر شما در تصویر بالا در مورد هر یک از نمادها، کدام یک از جداول توسطماشین ترسیم شده و کدام یک به دست انسان رسم شده است؟ در هر ردیف از چپ به راست به ترتیب جداول B و A در ردیف اول، جداول A و B در ردیف دوم و جداول A و B در ردیف سوم توسط ماشین ترسیم شده‌اند. جاشوا تنبام، پژوهشگر علوم شناختی دانشگاه MIT می‌گوید:

کودکان قبل از ورود به مقطع کودکستان نحوه‌ی شناسایی مفاهیم جدید را از طریق مشاهده‌ی تنها یک نمونه می‌آموزند. آنها حتی قادر به تجسم نمونه‌هایی هستند که از قبل با آن آشنایی ندارند. ما هنوز تا ساخت ماشینی با هوشمندی یک کودک راه زیادی را در پیش داریم، اما این نخستین باری است که موفق به توسعه‌ی ماشینی شدیم که قادر به یادگیری و بکارگیری حجم زیادی از مفاهیم دنیای واقعی (حتی مفاهیم بصری ساده‌ای مانند کاراکترهای دست‌نویس) است؛ به نحوی که امکان تشخیص نمادهای ترسیم شده توسط آن از نمونه‌های دست‌نویس بسیار دشوار است.

ممکن است ایده‌ی ساخت ماشینی که می‌تواند با دست‌خط خود شما را فریب دهد چندان مفید به‌ نظر نرسد اما در عمل یقینا الگوریتم “یادگیری سریع” آن کاربردهای بسیار مهمی خواهد داشت. تنبام می‌گوید:

تصور کنید که تلفن هوشمند شما از این قابلیت بهره می‌برد؛ شما از واژه‌ای استفاده می‌کنید و تلفن‌تان معنای آن واژه را از شما می‌پرسد و در دفعات بعدی که شما این واژه را می‌گویید، قادر به تشخیص آن است. بهبود قابلیت یادگیری سریع مفاهیم جدید در ماشین‌ها، آثار شگرفی بر بسیاری از بخش‌های مرتبط با هوش مصنوعی مانند پردازش تصویر، تشخیص صدا، تشخیص چهره، فهم زبان‌های طبیعی و بازیابی اطلاعات خواهد داشت.

منبع: زومیت
توسعه الگوریتمی که در زمینه یادگیری مفاهیم جدید، عملکردی مشابه انسان دارد | وبلاگ‌ موسسه آموزش عالی مهرآستان

در مسیر تلاش برای اتصال مغز انسان به کامپیوتر و تبادل اطلاعات با آن (بخش اول)

https://startupforum.ir/images/cdn/2018/05/100.jpg

خانم جوانی به‌نام لارن دیکرسون در بیمارستانی معمولی در لس‌آنجلس قصد داشت شانسش را برای تاریخ‌سازی امتحان کند. او ۲۵ سال دارد و کمک معلم دبیرستان است. کابل‌های کامپیوتر از باندی که دور سرش پیچیده شده بود، بیرون زده بودند. سه روز قبل از این ماجرا، جراح مغز و اعصاب، ۱۱ سوراخ داخل جمجمه او ایجاد و ۱۱ سیم به قطر اسپاگتی وارد مغز او کرده بود. این سیم‌ها به تعدادی کامپیوتر‌ متصل می‌شد. لوله‌های پلاستیکی دور بازوی او بود و مانیتور‌های پزشکی علائم حیاتی‌اش را تحت نظر داشتند. او سعی می‌کرد تکان نخورد.
اتاق کاملا بسته بود. دو تیم کامل از متخصصان به‌مانند تهیه‌کنندگان فیلم مستند، آماده‌ی کار بودند؛ کارشناسان پزشکی از مرکز عصب‌شناسی نخبگان در دانشگاه کالیفرنیای جنوبی و دانشمندانی از یک شرکت فناوری به نام کرنل. تیم پزشکی به دنبال راهی برای درمان تشنج دیکرسون می‌گردد. آن‌ها با استفاده از داروهای صرع این بیماری را تا پارسال به‌خوبی کنترل کرده بودند؛ تا اینکه این داروها اثر خودشان را از دست دادند. آن‌ها قصد داشتند با استفاده از سیم، مغز دیکرسون را جست‌وجو کنند تا ببینند منشأ تشنج کجا است.
https://startupforum.ir/images/cdn/2018/05/101.jpg
دلیل بودن دانشمندان کرنل در آنجا چیز دیگری بود؛ آن‌ها برای برایان جانسون کار می‌کردند. برایان جانسون کارآفرینی ۴۰ ساله است که کسب‌وکار خود را به‌ بهای ۸۰۰ میلیون دلار فروخته و تصمیم گرفته بود رؤیای دیوانه‌وار و بلندپروازانه‌اش را دنبال کند. رؤیای او این بود که کنترل تکامل بشر را در دست بگیرد و انسان بهتری خلق کند. او قصد داشت با ساختن یک نوروپروتز به این هدف دست پیدا کند.
نوروپروتز دستگاهی خواهد بود که به ما اجازه می‌دهد سریع‌تر یاد بگیریم و موارد بیشتری را به‌ خاطر بیاوریم. این دستگاه با هوش مصنوعی به تکامل بیشتری دست پیدا کرده است. دستگاه به ما کمک می‌کند اسرار تله‌پاتی را بفهمیم و شاید حتی ذهن‌های ما را به‌ حالت گروهی به هم متصل کند. جانسون حتی دوست داشت راهی پیدا کند که ما مهارت‌های جدیدی مثل هنر‌های رزمی را از طریق دانلود کسب کنیم؛ چیزی شبیه به فیلم ماتریکس. او قصد داشت این اختراع را در حد گسترده‌ و با قیمت پایین بفروشد تا تنها مختص پولداران نباشد.
الگوریتم در آینده به گونه‌ای به مغز متصل خواهد شد که نیازی به وارد شدن به بدن نداشته باشد. این الگوریتم از طریق حسگرهای کوچکی به نورون‌های ساخته‌شده توسط مهندسی ژنتیک، تزریق خواهد شد
تمام چیزی که او در حال حاضر دارد، الگوریتمی روی هارد درایو است. او هنگام معرفی نوروپروتز به گزارشگرها و حضار در کنفرانس‌ها از لفظ یک تراشه در مغز که مورد قبول رسانه‌ها است استفاده می‌کند؛ اما خودش هم می‌داند که هرگز نخواهد توانست محصول همه‌گیر و ارزانی بسازد که در عین حال نیازمند سوراخ کردن جمجمه باشد. در عوض، الگوریتم در آینده به گونه‌ای به مغز متصل خواهد شد که نیازی به وارد شدن به بدن نداشته باشد. این الگوریتم از طریق حسگرهای کوچکی به نورون‌های ساخته‌شده توسط مهندسی ژنتیک، تزریق خواهد شد.
این نورون‌ها قادر خواهند بود با اتصال بدون سیم به یک دریافت‌کننده کلاه‌مانند، تبادل اطلاعات کنند. این ایده‌ها یا رؤیایی هستند یا اینکه شاید در سال‌های آینده اتفاق بیفتند. ولی جانسون در حال حاضر با متصل کردن سیم به هیپوکامپ دیکرسون، سعی در تمرکز روی چالش بزرگ‌تری دارد؛ وقتی شما به مغز متصل شدید، چه چیزی به آن خواهید گفت؟
سیم‌های موجود در سر دیکرسون، سیگنال‌های الکتریکی را که نورون‌ها طی یک سری آزمایش ساده‌ی حافظه به یکدیگر منتقل می‌کنند، ثبت و ضبط می‌کنند. این سیگنال‌ها وارد هارد می‌شوند و در آنجا الگوریتم، آن‌ها را به کد دیجیتال قابل تحلیل، بهبود و بازنویسی تبدیل می‌کند. هدف این تبدیل کردن، بهبود حافظه‌ی دیکرسون است. سپس الگوریتم با تبدیل کدهای جدید به سیگنال‌های الکتریکی، آن‌ها را به مغز دیکرسون می‌فرستد.
اگر این کار به دیکرسون کمک کند تصاویری را که در حافظه خود هنگام جمع‌آوری داده‌ها داشته، به یاد بیاورد، محققان متوجه می‌شوند که الگوریتم کار می‌کند. آن‌ها در ادامه همین کار را در مورد خاطره‌هایی که مدت زمانی خاص اتفاق افتاده است، امتحان و بررسی خواهند کرد. این کار را هرگز کسی انجام نداده است. اگر این دو آزمایش کار کند، آن‌ها قادر خواهند بود الگوها و فرآیندهایی که خاطره و حافظه را تشکیل می‌دهند، کدنویسی و رمزگشایی کنند و به‌زبان ساده دربیاورند.
اگرچه دانشمندان از تکنیکی شبیه به این برای مشکلات ساده‌تر استفاده می‌کنند، جانسون تنها کسی است که سعی دارد یک محصول تجاری بسازد که به بهبود حافظه کمک می‌کند. جانسون قصد دارد در چند دقیقه آزمایش خود را انجام دهد. این اولین آزمایشی روی انسان خواهد بود که برای یک حافظه‌ی مصنوعی تجاری انجام می‌شود. جانسون می‌گوید:

امروز یک روز تاریخی است. من خیلی هیجان‌زده هستم.

این آزمایش غیر محتمل جواب می‌دهد و تاریخ ثبت آن ۳۰ ژانویه ۲۰۱۷ است. تا اینجا، شما ممکن است فکر کنید آیا جانسون هم یکی دیگر از افراد گستاخی است که پول زیاد و رؤیایی دست‌نیافتنی دارند. او مانند سایر پسرهای کالیفرنیایی، جین، اسنیکر و تی‌شرت می‌پوشد و شور و شوق زیادی دارد. گفته‌ی او در مورد برنامه‌ریزی مجدد سیستم عامل جهان، به نظر احمقانه می‌رسید.
او مانند بسیاری از افراد موفق که در عالم خودشان سر می‌کنند، انرژی بی‌پایانی داشت و هوشش در زمینه‌های مختلف مانند هشت‌پایی بود که هر کدام از پاهایش به کاری اختصاص داشت؛ یک پا برای تلفن، یک پا برای لپتاپ و سومین پا برای یافتن بهترین مسیر رهایی.
جانسون در رؤیایش تنها نیست. ایلان ماسک و مارک زاکربرگ هفته‌ها است که در مورد پروژه‌های هک مغز صحبت می‌کنند
۸۰۰ میلیون دلار جانسون پولی بود که پی‌پال برای خرید برین‌تری (یک شرکت پرداخت آنلاین که جانسون در ۲۹ سالگی راه‌اندازی کرد و در ۳۶ سالگی فروخت) به او داده بود. جانسون از این پول، ۱۰۰ میلیون دلار در کرنل سرمایه‌گذاری کرد که اکنون این پروژه‌ را هدف گرفته و دهه‌ها است که با انجام آزمایشات روی حیوانات به دنبال جاه‌طلبی‌های علمی-تخیلی است؛ پژوهشگران آموخته بودند که به چه شکل حافظه‌ی از‌دست‌رفته ناشی از ضربه‌ی مغزی را بازگردانی کنند؛ حرکات حیوانات را از طریق اندیشه‌ی انسان، کنترل کنند؛ اشتها و رفتار وحشیانه را کنترل کنند؛ احساس لذت و درد را القا کنند و حتی سیگنال‌ها را از یک حیوان به حیوانی دیگر در هزاران مایل دیگر منتقل کنند.
جانسون در رؤیایش تنها نیست. ایلان ماسک و مارک زاکربرگ هفته‌ها است که در مورد پروژه‌های هک مغز صحبت می‌کنند؛ گروه پژوهشی نظامی دارپا، ۱۰ مورد پروژه‌ی در حال انجام دارد و شکی نیست که چینی‌ها و سایر کشورها پروژه‌های خاص خودشان را دارند. ولی بر‌خلاف جانسون، هیچکدام از آن‌ها گزارشگران را به اتاق‌های بیمارستان دعوت نکرده‌اند. در اینجا به مفاهیم عمومی گفته‌های ماسک در مورد پروژه‌اش می‌پردازیم.
۱. او می‌خواهد با دستگاهی مرموز به نام بند عصبی، مغز ما را به کامپیوتر متصل کند.
۲. نام شرکتی که این دستگاه را می‌سازد، نورالینک است.
https://startupforum.ir/images/cdn/2018/05/102.jpg
با در نظر داشتن کنفرانس f8 در بهار گذشته، ما اطلاعات کمی در مورد برنامه‌های زاکربرگ در فیسبوک داریم:
۱. نظارت پروژه تاکنون توسط رجینا دوگان، رئیس سابق دارپا و گروه فناوری پیشرفته‌ی گوگل انجام شده است.
۲. تیم در اتاق بیلدینگ ۸ که آزمایشگاه تحقیقاتی زاکربرگ برای پرتاب فضاپیما به ماه است، کار می‌کند.
۳. آن‌ها روی کامپیوتر مغزی گفتاربه‌متن کار می‌کنند و نیازی نیست آن را وارد بدن کنند. این کامپیوتر از تصویربرداری نوری برای خواندن سیگنال‌های نورون‌ها استفاده می‌کند تا راهی برای تبدیل و ترجمه این سیگنال‌ها به کد و سپس برگرداندن این کد به کامپیوتر پیدا کند.
۴. اگر این طرح کار کند، ما قادر خواهیم بود تنها با فکر کردن، ۱۰۰ واژه تایپ کنیم.
در بررسی پروژه‌های دارپا، متوجه می‌شویم که بعضی از آن‌ها به‌دنبال بهبود فناوری فعلی هستند و بعضی دیگر، مانند دستگاهی که به سربازان کمک می‌کند سریع‌تر یاد بگیرند، مربوط به آینده است؛ چیزی شبیه به پروژه‌ی جانسون. اما ما چیزی بیش از این نمی‌دانیم و جانسون تنها راهنمای ما در این مسیر است که قصد دارد دنیا را از چیزی که قرار است بیاید، مطلع کند.
تمام این پروژه‌های جاه‌طلبانه، مانعی یکسان پیش روی خود می‌بینند: مغز انسان ۸۶ میلیارد نورون دارد و هیچکس نمی‌داند چگونه کار می‌کنند. دانشمندان پیشرفت چشمگیری در این زمینه داشته‌اند و حتی مدارهای نورونی مربوط به عملکرد‌های ساده‌ی مغزی را نیز دستکاری کرده‌اند؛ ولی مواردی مثل تصور، خلاقیت و حافظه آنقدر پیچیده هستند که تمام دانشمندان علوم اعصاب هم نمی‌توانند آن‌ها را حل کنند. برای همین است که وقتی از جان داناهیو، مدیر ویس سنتر در مهندسی عصب‌شناسی در جنوا، در مورد پایداری برنامه های جانسون سؤال شد، اینگونه جواب داد:

من با احتیاط به این موضوع نگاه می‌کنم: مثل این است که از شما بخواهم زبان سواحیلی را به زبان فنلاندی ترجمه کنید. شما سعی می‌کنید از یک زبان ناشناخته به یک زبان ناشناخته دیگر بروید.

https://startupforum.ir/images/cdn/2018/05/103.jpg
او برای اینکه این چالش را حتی پیچیده‌تر نشان دهد، اظهار کرد تمام ابزارهایی که از آن‌ها برای پژوهش مغزی استفاده می‌شود، بسیار ابتدایی هستند. بنابراین جانسون هیچ ایده‌ای در مورد اینکه چه تعداد نورون، عملکردهای پیچیده‌ی مغز را کنترل می‌کنند، ندارد. جانسون حتی نمی‌داند اکثر نورون‌ها چگونه کار می‌کنند یا از چه کدهایی برای ارتباط برقرار کردن استفاده می‌کنند. فهمیدن این موضوع اگر شدنی هم باشد، سال‌ها و شاید حتی دهه‌ها طول بکشد. مهم‌تر از همه، جانسون هیچ پیشینه‌ی علمی در این مورد ندارد و وارد شدن به این موضوع برای او مثل این می‌ماند که پایش را روی پوسته موز بگذارد. یک جوک قدیمی از علوم اعصاب می‌گوید:

اگر مغز به‌اندازه‌ی کافی برای درک شدن ساده باشد، ما بازهم برای درک آن بسیار احمقیم. من نیازی به تله‌پاتی ندارم تا بدانم شما حالا چه فکری می‌کنید. هیچ چیز آزاردهنده‌تر از رؤیاهای بزرگ افراد خوش‌بین نسبت به فناوری نیست؛ طرح‌های آن‌ها برای زندگی ابدی و کشورهای آزادی‌خواه تنها چند فانتزی بچگانه است؛ انقلاب دیجیتال آن‌ها فرصت‌های شغلی را بیشتر خراب کرد تا اینکه فرصتی به وجود بیاورد؛ نتایج علمی آن‌ها زیاد هم جذاب نیستند؛ آن‌ها همیشه می‌گویند به‌زودی...، ولی این به‌زودی، سلاح‌های هسته‌ای را برای ما به ارمغان آورد.

اما انگیزه‌های جانسون عمیق‌تر از این‌ها است. او که در یک جامعه‌ی مورمون در یوتا به دنیا آمد، مجموعه‌ای از عقایدی را فراگرفت که هنوز هم در ذهنش زنده هستند و در اولین ملاقاتش با من گفت:

اگر شما در ۸ سالگی غسل تعمید شوید، در ۱۲ سالگی به مقام کشیشی برسید، از تصاویر مستهجن و موارد غیر اخلاقی پرهیز کنید و هر یکشنبه به کلیسا بروید، پاداش شما بهشت است، جایی که یک مورمون با معشوقش تجدید عهد می‌کند و هدیه او خلاقیت بی‌پایان است.

وقتی جانسون ۴ سال داشت، پدرش کلیسا را ترک کرد و از مادرش جدا شد. پدرش ایمانش را از دست داده و غرق در مصرف مواد مخدر و الکل شده بود. مادرش از شدت فقر، مجبور بود جانسون را با لباس‌هایی که خود برایش می‌دوخت، به مدرسه بفرستد. پدرش چنین گفته است:

او در ۱۱ سالگی به صدها شیوه به من نامه نوشت و گفت که مرا دوست دارد و به من احتیاج دارد. اما با اینکه او بچه بود، هیچگاه به من به عنوان یک معتاد و الکلی توهین نکرد و نمی‌دانم چرا.

https://startupforum.ir/images/cdn/2018/05/104.jpg
جانسون هنوز هم یک مؤمن وظیفه‌شناس بود و وقتی از دبیرستان فارغ‌التحصیل شد تا برای مأموریتش به اکوادر برود، مراسم سنتی مورمونی برای او برگزار شد. او مدام دعا می‌کرد و صدها سخنرانی در مورد جوزف اسمیت ایراد کرد؛ ولی از دادن قول یک زندگی بهتر در بهشت به بچه‌های بیمار و گرسنه خجالت می‌کشید. او با خودش فکر می‌کرد که آیا بهتر نیست در همین دنیا زندگی آن‌ها را بهبود بخشیم؟ پدرش می‌گوید:

برایان وقتی برگشت، بسیار تغییر کرده بود.

او وظیفه‌ی جدید و خودساخته‌ای پیدا کرده بود. خواهرش می‌گوید:

برایان گفت می‌خواهد در ۳۰ سالگی یک میلیونر شود و با آن پول دنیا را تغییر دهد.

او ابتدا تصمیم گرفت از دانشگاه بریگام یانگ، مدرک بگیرد و برای پرداخت شهریه، تلفن همراه خرید و فروش می‌کرد. او هر کتابی را که فکر می‌کرد ممکن است در آینده به درد بخورد، مطالعه می‌کرد. وی در برابر مشکلات، داستان شکلتون را الگوی خود قرار می‌داد تا بتواند در برابر مشکلات صبر و بردباری به خرج دهد. سپس با یک دختر زیبای مورمون ازدواج کرد و صاحب ۳ فرزند شد و به عنوان فروشنده از این خانه به آن خانه می‌رفت تا خرج خانواده‌اش را بدهد. جانسون برنده‌ی جایزه‌ی فروشنده سال شد و شروع به بازسازی چندین کسب‌وکاری کرد که ورشکسته شده بودند. این کار او را متقاعد کرد که در رشته بازرگانی در دانشگاه شیکاگو تحصیل کند.
جانسون برنده‌ی جایزه‌ی فروشنده سال شد و شروع به بازسازی چندین کسب‌وکار کرد که ورشکسته شده بودند. این کار او را متقاعد کرد که در رشته بازرگانی در دانشگاه شیکاگو تحصیل کند
جانسون وقتی در سال ۲۰۰۸ فارغ‌التحصیل شد، در شیکاگو باقی ماند و شروع به ساختن کمپانی برین‌تری کرد. او قصد داشت به یک کارآفرین مورمون که دنیا را تکان خواهد داد، تبدیل شود. در آن زمان پدرش دیگر الکلی نبود و به برایان در مشکلاتش کمک می‌کرد. برایان هیچ وقت ناامید نمی‌شد، نمی‌توانست بخوابد، و مانند یک گرگ غذا می‌خورد. اما سردردهای شدیدی می‌گرفت و برای درمان این سردردها از داروهای ضد افسردگی، بیوگرافی، و مواد انرژی‌زا استفاده می‌کرد، ولی این‌ها بیهوده بودند.
در سال ۲۰۱۲ و در ۳۵ سالگی، وضعیت او بدتر از همیشه شد. او داستان شکلتون را الگو قرار داد و تصمیم گرفت در یک آزمایش سخت و دردناک قرار بگیرد. او تصمیم گرفت به قله ‌کلیمانجارو برود. در روز دوم بالا رفتن از کوه، به نوعی ویروس معده مبتلا شد، در روز سوم ارتفاع‌زده شد و بیماری ارتفاع گرفت، اما سرانجام قله را فتح کرد و اشک شوق ریخت. پس از فتح قله او را با برانکار به پایین بردند. وقتش رسیده بود که سیستم‌عامل او را مجددا برنامه‌ریزی کنند.
جانسون طبق گفته‌های خودش، تصمیم گرفته بود دنیا را مغلوب کند و ضعف‌ها و شک‌هایش را بپوشاند. صحیح است که چنین نگرشی شبیه به گفت‌وگوهای انگیزشی کنفرانس‌های تد است؛ ولی جانسون طی ۱۸ ماه، از همسرش جدا شد، برین‌تری را فروخت و آخرین روابطش با کلیسا را قطع کرد. برای اینکه فشار را از روی فرزندانش بردارد، خانه‌ای در نزدیکی خود برای آن‌ها خرید و تقریبا هر روز به آن‌ها سر می‌زد. او می‌دانست که خودش هم دارد اشتباهات گذشته‌ی پدرش را مرتکب می‌شود؛ ولی چاره دیگری نداشت:

او تصمیم گرفته بود بمیرد یا آنگونه که همیشه آرزو داشت زندگی کند.

او در بازگشت از اکوادور، اول در واشنگتون شروع به انجام آزمایشاتی کرد. بعد از شکست خوردن در واشنگتون، به دنبال صندوق سرمایه‌گذاری برای شرکت‌های جهش کوانتومی گشت که محصولاتی مربوط به آینده مثل تراشه‌های سیلیکونی تقلیدکننده اعضای بدن انسان می‌ساختند. اما حتی اگر تمام جهش‌های کوانتومی به کار گرفته می‌شدند، نمی‌توانستند سیستم‌عامل دنیا را تغییر دهند.
سرانجام ایده‌ی بزرگ، خودش را نمایان ساخت: اگر ریشه مشکلات انسان در ذهنش است، بهتر است ذهن را تغییر دهیم.
https://startupforum.ir/images/cdn/2018/05/105.jpg
در علوم اعصاب رویدادهای فوق‌العاده‌ای اتفاق می‌افتد. بعضی از آن‌ها شبیه به معجزات کتاب مقدس هستند؛ مثلا دانشمندان توانستند با اتصال میکروچیپ‌هایی به قشر بصری، فرد را قادر کنند که پاهای مصنوعی‌اش را با فکر کنترل کند. جراح مغز و اعصابی در دانشگاه تورنتو به نام آندرس لوزانو، با تحریک مغزی عمیق، روند پیشروی آلزایمر را آهسته و در بعضی اوقات کاملا متوقف کرد.
عصب‌شناسی در شمال نیویورک به نام گروین شالک از مهندسان کامپیوتر درخواست کرد الگوهای شلیک به‌دست‌آمده از نورون‌های شنوایی افرادی را که به موسیقی پینک فلوید گوش می‌کنند، ثبت کنند. وقتی مهندسان این الگوهای شلیک ثبت‌شده را به امواج صوتی تبدیل کردند، واحدی تولید شد که شبیه به آهنگ پینک فلوید بود. دو پروفسور در دو ساختمان جدا در دانشگاه واشنگتون با یکدیگر بازی ویدیویی کردند. آن‌ها از کلاه‌ الکتروآنسفالوگرافی که پالس الکتریکی شلیک می‌کرد، کمک گرفتند. وقتی یکی از آن‌ها به شلیک گلوله‌های دیجیتال فکر کرد، دیگری از طریق پالش احساس کرد که باید دکمه آتش را فشار دهد.
https://www.zoomit.ir/2017/11/20/254...er-neuron-pt1/

پردازش داده های مغز
پژوهشگران نشان دادند که چگونه مغز مي‌تواند حجم زيادي از اطلاعات را ذخيره و پردازش کند. https://startupforum.ir/images/cdn/2018/05/93.jpg https://startupforum.ir/images/cdn/2018/05/94.jpg انسان‌ها شناسايي اشياي مختلف و تشخيص تفاوت‌هاي آن‌ها با هم را به سرعت فرامي‌گيرند. براي مثال ما به محض ديدن حرف «A» آن را تشخيص مي‌دهيم و مهم نيست که اين حرف با چه رنگ و ‌اندازه‌اي نوشته شده باشد و ‌يا در پس زمينه‌ي آن چه چيزي وجود داشته باشد. به همين ترتيب است که چهره‌ي همکار خود را مي‌شناسيم و اگر او کلاه بر سر بگذارد و ‌يا مدل موهايش را عوض کند، باز هم مي‌توانيم او را شناسايي کنيم. ما همچنين مي‌توانيم بخشي از‌يک جسم را ببينيم و تشخيص دهيم که آن جسم چيست. مثلاً گوشه‌اي از‌ يک تخت خواب و‌ يا لولاي‌ يک در را مي‌بينيم و به سرعت کل جسم را تصور مي‌کنيم. چگونه مغز ما چنين عملکردي دارد؟ آيا اين تکنيک‌هاي ساده‌ي مغز در کارهاي گوناگون ما همواره استفاده مي‌شوند؟ آيا مي‌توانيم به روبات‌ها و رايانه‌ها آموزش دهيم که آن‌ها هم مانند مغز ما از چنين تکنيک‌هايي استفاده کنند؟ محققان در مرکز فناوري جورجيا (Georgia Institute of Technology) دريافتند که مغز انسان مي‌تواند با استفاده از ‌يک درصد از اطلاعات اصلي داده‌ها را طبقه‌بندي کند. آن‌ها اين رفتار مغز را در قالب الگوريتمي ‌تعريف کرده‌اند. مي‌توان از اين الگوريتم براي طبقه بندي اطلاعات روي رايانه‌ها استفاده کرد. سانتوش ومپالا (Santosh Vempala)، استاد برجسته‌ي علوم رايانه‌ي مؤسسه‌ي فناوري جورجيا و‌ يکي از چهار محقق اصلي اين پروژه مي‌گويد: «چگونه ما به همه‌ي اشيا و رويدادهاي اطرافمان با اين سرعت و استواري ابراز احساسات مي‌کنيم؟ در ‌يک سطح بنيادي، انسان‌ها چگونه اين کار را انجام مي‌دهند؟ اين براي ما نوعي مشکل محاسبه‌اي است.» رزا آريج (Rosa Arriaga)، مايا کاکمک (Maya Cakmak)، ديويد روتر (David Rutter) و پروفسور ومپالا پژوهشگراني هستند که در پروژه‌اي تحت عنوان «فرافکني تصادفي» عملکردهاي مغز انسان را بررسي مي‌کنند. اين گروه مي‌خواهند بفهمند که انسان چگونه‌ يک جسم را تشخيص مي‌دهد. افرادي که تحت اين آزمايش هستند مي‌بايست تصاويري را که اغلب آن‌ها انتزاعي هستند مشاهده کنند. سپس بخش کوچکي از تصوير را دوباره ببينند و محققان فرآيند تشخيص آن‌ها را بررسي مي‌کنند. آريج، محقق ارشد و روانشناس رشدي مي‌گويد: «ما فرض کرديم که فرافکني‌هاي تصادفي‌ يکي از راه‌هاي‌يادگيري در انسان هستند. نتيجه‌ي پژوهش‌ها نشان مي‌دهند که حدس ما درست بود، تنها 15/0 درصد از داده‌ها براي افراد بسنده بود.» https://startupforum.ir/images/cdn/2018/05/95.jpg در مرحله‌ي بعد، محققان ‌يک الگوريتم محاسباتي مشابه را بر روي ماشين‌ها (شبکه‌هاي عصبي بسيار ساده) آزمايش کردند. عملکرد ماشين‌ها نيز مانند انسان بود و اين ‌يک‌يافته‌ي جديد درباره‌ي نحوه‌ي ‌يادگيري بشر است. آريج مي‌گويد: «در حقيقت ما دريافتيم که مغز انسان و شبکه‌هاي عصبي ساده عملکرد بسيار مشابهي دارند.» پژوهشگران مي‌خواهند به ‌يک فرمول رياضي دست‌ يابند که بتواند محرک‌هاي عادي و غيرعادي براي مغز را پيش بيني کند و بر اساس آن دريابند که سخت ترين چيزهايي که انسان‌ها و ماشين‌هاي ساده مي‌توانند ‌ياد بگيرند چيست. عملکرد مغز انسان و ماشين‌هاي عصبي‌ يکسان است. بنابراين با تشخيص اينکه ‌يادگيري چه چيزي براي‌ يکي از اين دو سخت تر از بقيه‌ي مطالب است، مي‌تواند درباره‌ي ديگري نيز صدق کند. نتايج اين پژوهش‌ها به تازگي در ژورنال محاسبات عصبي (انتشارات MIT) منتشر شده است. اعتقاد بر اين است که اين اولين بار است که موضوع فرافکني تصادفي به عنوان هسته‌ي اصلي ‌يادگيري بشر مورد بررسي قرار مي‌گيرد و اين محققان نظريه‌پردازان تئوري جديدي درباره‌ي‌يادگيري هستند. آن‌ها براي بررسي فرضيه‌ي خود، سه گروه از تصاوير انتزاعي با ابعاد 150 در 150 پيکسل را ايجاد کردند و سپس طرح‌هاي تصادفي کوچکي از اين تصويرها تهيه کردند. در اين آزمايش ابتدا به آزمايش شوندگان همه‌ي تصويرها در ده ثانيه نشان داده شد، سپس به طور تصادفي 16 طرح به هرکدام نشان داده شد. اين تصاوير انتزاعي بودند و محققان مطمئن بودند که آزمايش شوندگان از قبل هيچ گونه دانش و اطلاعاتي درباره‌ي آن‌ها ندارند. https://startupforum.ir/images/cdn/2018/05/96.jpg ومپالا مي‌گويد: «ما از مشاهده‌ي شباهت‌هايي که ميان شبکه‌هاي عصبي ساده و مغز انسان وجود دارد شگفت زده شده‌ايم. از ابتدا طراحي شبکه‌هاي عصبي با الهام از مغز و نحوه‌ي ‌يادگيري آن صورت گرفت، اما چون سازوکار ‌يادگيري را به خوبي نمي‌دانستيم، اين الهام گرفتن نيز بسيار ضعيف بود. اما اکنون مي‌بينيم که عملکردها بسيار مشابه است.» سانجوي داسگويپتا ( Sanjoy Dasgupta) استاد علوم کامپيوتر و مهندسي دانشگاه کاليفرنيا و متخصص ‌يادگيري ماشين و فرافکني تصادفي مي‌گويد: «اين مقاله‌ي جذاب، فرافکني‌هاي تصادفي متعددي را معرفي مي‌کند که در آن‌ها، تصاويرها کوچک و فشرده مي‌شوند، ولي همچنان انسان‌ها و ماشين‌هاي عصبي قادر به تشخيص اين تصويرها هستند. در واقع اين تئوري ترکيبي هوشمندانه از هندسه، محاسبات عددي و ‌يادگيري ماشين است. https://startupforum.ir/images/cdn/2018/05/97.jpg نتايج اين پژوهش ها را مي‌توان در سه نکته خلاصه کرد. نکته‌ي نخست اين است که در نحوه ي يادگيري بشر و ماشين ها، ما شاهد کاهش بسيار شديد مقدار پيچيدگي با استفاده از توضيح فرافکني تصادفي بوده‌ايم و در عين حال دريافتيم که اين کاهش پيچيدگي هيچ تأثيري بر يادگيري نمي گذارد و وظايف مغز را ضايع نمي کند. نکته‌ي دوم به ما گوشزد مي کند که دقت انسان و شبکه هاي عصبي ساده حتي در سطح محرک هاي فردي نيز يکسان هستند و در نهايت نکته ي سوم اين است که مي توان عملکرد مغز انسان ها و سيستم هاي عصبي را ناشي از يک مفهوم طبيعي از خلاقيت و خوش فکري در دسته‌بندي تعريف کرد.» https://startupforum.ir/images/cdn/2018/05/98.jpg اگرچه دانشمندان هنوز نمي‌توانند ادعا کنند که مغز انسان قطعاً از روش فرافکني استفاده مي‌کند، اما نتايج پژوهش‌هاي آن‌ها نشان مي‌دهد که اين نظريه بسيار محتمل است. علاوه بر اين، تئوري فرافکني تصادفي روش بسيار کارآمدي براي‌ يادگيري ماشين‌هاست.‌ يکي از چالش‌هاي امروزي بشر وجود حجم داده‌هاي وسيع است و راه حل آن مي‌تواند استفاده از روش فرافکني تصادفي باشد. با اين روش داده‌ها بدون از دست رفتن مطالب ضروري طبقه بندي مي‌شوند و راحت تر مي‌توان درباره‌ي آن‌ها تصميم گرفت. https://startupforum.ir/images/cdn/2018/05/99.jpg نظريه‌ي الگوريتمي ‌يادگيري با استفاده از فرافکني تصادفي تا کنون بيش از 300 مرتبه ارجاع داده شده و استفاده شده است. اين تئوري در حال تبديل به ‌يک روش مرسوم براي آموزش به ماشين‌ها است تا در نهايت بشر بتواند مسئوليت‌هاي بزرگتري را به انواع گوناگون وسايل هوش مصنوعي بسپارد. کمپاني گوگل در تلاش است که با استفاده از الگوريتم يادگيري فرافکني تصادفي نرم افزار تشخيص تصاوير جديدي را طراحي کند. ساير کمپاني‌ها نيز در پي استفاده از اين الگوريتم براي نوشتن رمان يا طراحي يک قطعه‌ي موسيقي توسط روبات‌ها هستند. اگر ماشين ها کمي خلاق باشند مي‌توانند زندگي انسان را غني‌تر کنند. مدت ها است که از رايانه‌ها براي طراحي و ترکيب‌بندي داروها استفاده مي شود. اما امروزه مي توانيم اين کار را به روبات هاي دانشمند بسپاريم و از آن ها بخواهيم داروهاي جديد را طراحي و تست کنند. روش فناوري همواره اين طور بوده که يک روش مثبت را به کار ببندد در حالي که جوانب منفي آن را به حداقل مي‌رساند. تاريخ علم رايانه و هوش مصنوعي نشان مي دهد که با وجود ماشين هاي هوشمندتر و قابل يادگيري، انسان مي تواند زندگي راحتتر و همراه با رفاه بيشتري را تجربه کند. منبع: Phys.org Phys.org: Are computers creative?

علوم و فنون جديد - پردازش داده های مغز

دانشمندان الگوریتم هوشمندی مغز انسان را کشف کردند!

مغز انسان یکی از پیچیده‌ترین عناصر زنده در جهان به شمار می‌رود. کارهایی که مغز می‌تواند آن‌ها را انجام دهد و چگونگی نحوه انجام این کارها الهام‌بخش طراحی یک مدل هوش مصنوعی شده است. مطالعه تحقیقاتی که به تازگی انجام شده و نتایج آن در مجله سیستم‌های عصبی منتشر شده، نحوه کارکرد هوش انسانی را توضیح داده است. به طوری که نشان می‌دهد چگونه هوشمندی انسانی ممکن است در قالب یک الگوریتم پایه به فعالیت بپردازد.
جو تسین، عصب‌شناس کالج پزشکی جورجیا در دانشگاه آگوستا اولین بار در اکتبر سال 2015 میلادی تئوری اتصالات را مطرح کرد. الگوریتم جدید بر مبنای تئوری اتصالات طراحی شده و از یک منطق نسبتا ساده ریاضی به منظور تشریح محاسبات پیچیده‌ای که در لایه‌های مختلف مغز انجام می‌شود استفاده می‌کند. در واقع، این نظریه درباره چگونگی نحوه کسب دانش و همچنین توانایی ما برای تعمیم و نتیجه‌گیری از دانشی است که بر مبنای عملکرد میلیاردها سلول عصبی و هماهنگی که میان آن‌ها وجود دارد حاصل می‌شود. تسین در این ارتباط گفته است: «شواهدی وجود دارد که نشان می‌دهد مغز ممکن است بر مبنای یک منطق ساده و شگفت‌آور ریاضی فعالیت‌های خود را انجام دهد.»
فرمول مغز
این نظریه توضیح می‌دهد که چگونه گروه‌هایی از سلول‌های عصبی مشابه به یکدیگر این توانایی را دارند تا کلاسترهایی را تشکیل دهند. کلاسترهای فوق این وظیفه دارند تا به تصورات اولیه (ایده‌هایی که برای انجام یک کار جدید به ذهن یک فرد خطور می‌کنند) یا اطلاعات رسیدگی کنند. این گروه از کلاسترها داخل اتصالات عملکردی موتیف قرار دارند و قادر هستند هر ترکیب ممکنی از تصورات را مورد بررسی قرار می‌دهند. در همین حال هر زمان افکار پیچیده‌تری به مغز خطور کنند دسته‌های بیشتری با یکدیگر ترکیب می‌شوند تا این افکار پیچیده را مدیریت کنند. به منظور آزمایش این الگوریتم، تسین و تیم تحت سرپرستی او الگوریتم را به شکل دقیقی روی هفت نقطه مختلف از مغز موش‌های معمولی و موش‌های بزرگ که هر یک مسئولیت مدیریت یک وظیفه مختلف در ارتباط با غذاها و ترس در این موجودات را بر عهده دارند مورد آزمایش قرار دادند. در ادامه نتایج به دست آمده را مورد بررسی قرار داده و آن‌ها را مستندسازی کردند.
مغز اطلاعات را به پیچیده‌ترین شکل ممکن پردازش می‌کند
نتایج به دست آمده از این آزمایش نشان داد که مغز به چه تعداد اتصالات عملکردی موتیف برای مدیریت این فرآیندها نیاز دارد. بر مبنای یک منطق جایگشتی برای انجام محاسبات به N=2i-1 اتصالات عملکردی موتیف نیاز است. آن‌ها به حیوانات چهار نوع غذای مختلف بیسکویت، دانه غلات، برنج و شیر را دادند. با استفاده از الکترودهایی که در بخش‌های مختلفی از مغز این حیوانات قرار گرفته بود، دانشمندان موفق شدند به واکنش سلول‌های عصبی گوش فرا دهند. در این آزمایش دانشمندان موفق به شناسایی 15 ترکیب مختلف از سلول‌های عصبی یا گروهی از سلول‌های عصبی شدند که به ترکیبات مواد غذایی از خود واکنش نشان می‌‌دهند.
این آزمایش نظریه اتصالات را تایید کرد. علاوه بر این، دانشمندان پس از انجام این آزمایش فرضیه دیگری را در ارتباط با گروه سلول‌های عصبی مطرح کردند و اعلام داشتند که به نظر می‌رسد سلول‌های عصبی از یک سیم‌کشی از پیش ساخته شده در مغز استفاده می‌کنند و به همین دلیل است که به محض این‌که غذایی خورده می‌شود، سلول‌های عصبی قادر هستند به سرعت به آن واکنش نشان دهند. اگر این امکان وجود داشته باشد تا بتوان هوشمندی در مغز انسان را در یک الگوریتم ویژه خلاصه کرد، آن‌گاه تصور کنید این رویکرد چه انقلابی در هوش مصنوعی به وجود می‌آورد. این امکان وجود دارد که پژوهشگران بتوانند از الگوریتم مشابهی برای کارکرد بهتر شبکه‌های عصبی استفاده کنند. در حال حاضر نیز دانشمندان به تقلید از ساختار سیم‌کشی مغز موفق شدند شبکه‌های عصبی عمیقی را به وجود آورند.

دانشمندان الگوریتم هوشمندی مغز انسان را کشف کردند!

دستیابی محققان کشور به الگوریتم مغز انسان

https://startupforum.ir/images/cdn/2...=1498045331768 محققان واحد علوم و تحقیقات دانشگاه آزاد اسلامی موفق شدند به الگوریتم کلی و بنیادی مغز انسان دست یابند که به گفته آنها این نتیجه می‌تواند در آینده منجر به ارائه راهکارهایی برای درمان بیماری‌های مغزی شود.
به گزارش ایسنا، محمد انصاری مجری طرح و دانشجوی کارشناسی ارشد مدیریت فناوری اطلاعات، اظهار کرد: آغاز این پروژه در سال 1393 با هدف کشف چگونگی فرآیند تصمیم گیری در مغز و بررسی اساس و منشاء هوش با انجام پژوهش بر روی 147 نمونه تحقیقاتی بصورت جداگانه و ترکیبی شکل گرفت.
وی با بیان اینکه تا قبل از آغاز به کار این پروژه وجود هیچ گونه الگوریتم واحد و بنیادی در مغز انسان به اثبات نرسیده بود، افزود: نتایج حاصل از آزمایشات و تحقیقات مختلف نشان از وجود الگوریتم پایه‌ محاسباتی در مغز انسان داد. با آزمایشات بیشتر توانستم به چگونگی این الگوریتم پی برده و در نهایت به الگوریتمی واحد و بنیادی در فرآیندهای تصمیم گیری که در همه انسان‌ها مشترک است، دست یابم.
انصاری با اشاره به مطالعات انجام شده در این زمینه، خاطرنشان کرد: براساس مطالعات Houzel در سال 2009، تعداد نورون‌های مغز انسان حدود 86 میلیارد تخمین زده شده است که منجر به بیش از 100 تریلیون اتصال (سیناپس) در یک لایه از مغز می‌شود.
مجری طرح اضافه کرد: با در نظر گرفتن لایه‌های دیگر مغز برای بررسی و سنجش روابط اولیه اتصالات سیناپسی، به نوعی با وضعیت بسیار پیچیده و ناامید کننده روبرو خواهیم شد. از این جهت ناامید کننده که سنجش آن نیازمند فعالیت صدها نخبه، دانشمند و متخصصان و همچنین تجهیزات سخت افزاری ویژه و حجیمی (معادل زمین فوتبال) است.
وی ادامه داد: با توجه به سخت افزار مورد نیاز و در نظر گرفتن روند پیشرفت و توسعه تکنولوژی‌های سخت افزاری و پردازشی، شاید بررسی نورون‌ها و اتصالات سیناپسی در مغز انسان بطور خوش بینانه ظرف 30 سال آینده میسر شود، گرچه معتقدم با پیشرفت علم با جنبه‌های دیگری از مغز انسان آشنا خواهیم شد که همین امر این فرایند را مستلزم تجهیزات پیچیده‌تری خواهد کرد.
مجری طرح با بیان اینکه امروزه تمامی روش‌هایی که برای بررسی فرآیندهای تصمیم گیری در مغز انسان بکار گرفته می‌شوند، روش‌هایی از جزء به کل رسیدن است، یادآور شد: به این معنا که در این روش‌ها به بررسی تک تک روابط بین پدیده‌های تصمیم گیری و ارتباط آنها با یکدیگر آنهم با استفاده از حداکثر توان سخت افزاری پرداخته می‌شود.
انصاری ادامه داد: در این تحقیقات با استفاده از الگوی رسیدن از کل به جزء با کشف و بدست آوردن الگوریتمی کلی و بنیادی در مغز که تمام تصمیمات تابعی از آن است، توانستم اصل ریاضی حاکم بر الگوریتم‌های محاسباتی در سراسر مدارهای عصبی را با وجود ویژگی‌های مختلف آناتومیک، پیدا کرده و با رویکردی سیستمی موفق به بررسی هر یک از بدنه‌های الگوریتم بنیادی، کاربرد و نحوه فرآیند تصمیم گیری آنها در مغز شدم.
وی با اشاره به ادعای توانایی شعرگفتن توسط هوش مصنوعی گوگل (2016)، گفت: هوش مصنوعی گوگل با خواندن 2865 رمان و با وابستگی شدید سخت افزاری، توانست کلمات با ربطی را که شاید بتوان به آن شعر نو گفت، ارائه دهد. این در حالی است که در سال 1393 برای تست توانایی‌های الگوریتمی که کشف کردم، تنها با ارائه چندین بیت از اشعار یکی از شعرای ایران، اشعاری کاملا شبیه سروده‌های آن شاعر با حفظ ویژگی‌های شعری آن از این الگوریتم بدست آمد.
انصاری خاطرنشان کرد: کشف و اثبات وجود الگوریتمی کلی و بنیادی در مغز، خود نکته‌ای است که به عنوان یک آرزو در دنیا مطرح است. البته محققان در آزمایشاتی که آذر 94 در دانشگاه آگوستا جورجیا صورت دادند، به این نتیجه رسیدند که احتمال دارد در مغز الگوریتمی بنیادی وجود داشته باشد که سایر تصمیمات تابعی از آن باشند.
به گفته انصاری ، با به کارگیری و کشف ابعاد بیشتر این الگوریتم بنیادی می‌توان بسیاری از مشکلات اساسی مطرح شده در هوش مصنوعی و شبیه سازی مغز انسان را حل و در علوم مختلف آن را پیاده سازی و حتی می‌توان در حوزه پزشکی راهکارهایی را برای درمان بیماری‌های مغزی ارائه داد.
وی ابراز امیدواری کرد که با همکاری دانشگاه‌هایی نظیر واحد علوم و تحقیقات که از امکانات سخت افزاری و نرم افزاری خوبی بهره مند است، بتوان این موضوع را پیش برده و نتایج مطلوبی از آن گرفت.
https://www.isna.ir/news/95111913491...B3%D8%A7%D9%86

دانشمندان برای نخستین بار مغز انسان را به اینترنت متصل کردند

تیمی از پژوهشگران مهندسی پزشکی دانشگاه «Wits» در ژوهانسبورگ آفریقای جنوبی برای نخستین بار در دنیا روشی را توسعه داده اند که می تواند مغز انسان را به شبکه جهانی اینترنت متصل کند.
فناوری جدید که «Brainternet» -ترکیبی از کلمه Brain به معنی مغز و واژه اینترنت- نام گرفته، در واقع مغز انسان را به یکی از نقاط اتصال در تکنولوژی اینترنت اشیا تبدیل می کند.
در Brainternet امواج مغزی به یک کامپیوتر رزبری پای ارسال می شوند
پروژه مورد بحث با بهره گیری از امواج «EEG» مغز، یک ابزار پایشگر سیگنال های «Emotiv» را به سر انسان متصل کرده و امواج را به یک کامپیوتر رزبری پای ارسال می کند. این کامپیوتر نیز داده ها را به یک اپلیکیشن مخصوص فرستاده و در نهایت تمامی دیتاها روی یک وبسایت عمومی در اختیار کاربران اینترنت قرار می گیرد.
http://digiato.com/wp-content/upload...ed-w600-10.jpg
آقای «آدام پانتانوویتز» استاد دانشکده برق و مهندسی اطلاعات دانشگاه Wits می گوید فناوری مورد بحث افق های جدیدی در زمینه رابط کاربری مغز-کامپیوتر گشوده و به انسان ها اجازه می دهد درک بهتری از فعالیت های مغزی خود و دیگران داشته باشند.
البته پروژه Brainternet فعلاً در مراحل اولیه توسعه قرار داشته و تیم مربوطه قصد دارد در آینده، ارتباطات تعاملی بیشتری میان افراد و مغزشان برقرار کند. جالب است بدانید که برخی از قابلیت ها همین حالا به صورت محدود در حال آزمایش بوده و به عنوان مثال افراد می توانند با استفاده از اینترنت، عضلات دست خود را تحریک کرده و آن را تکان دهند.
لازم به ذکر است که به گفته پانتانوویتز، فناوری مورد بحث برای توسعه سیستم های یادگیری ماشینی به کار گرفته می شود و ممکن است در آینده به مرحله ارسال و دریافت دو طرفه اطلاعات به مغز نیز بیانجامد.
رشته اینترنت اشیاء به دوره های دانشکده علمی کاربردی مخابرات اضافه می شود



منبع:

Business Insider
https://digiato.com/article/2017/09/...A%DB%8C%D9%86/

ساخت تراشه ای که مغز را کنترل می کند!

بیگ بنگ: محققان آمریکایی، آژانس پروژه های تحقیقاتی پیشرفته (DARPA) با استفاده از تراشه ای که در مغز موشی کار گذاشتند، توانستند سرعت مغز موش را افزایش داده، مغز موش را به کنترل خود در آورند. دانشمندان با تکنیک شستشوی مغزی یا حذف خاطرات، می توانند حافظه و ذهن موش را در اختیار داشته باشند. https://startupforum.ir/images/cdn/2018/05/92.jpg تصور اینکه با کمک یک تراشه می توان به برنامه ریزی یا حذف اطلاعات مغزی دست یافت در عین جذابیت کمی ترسناک و خطرناک نیز به نظر می رسد. اما آزمایش این تکنولوژی جدید نه تنها با موفقیت بر موش ها پاسخ داده شده بلکه مسیری برای پیشرفت های بیشتر را در برابر محققان قرار داده است. آژانس پروژه های تخقیقاتی پیشرفته آمریکا اعلام کرده که این تراشه هنوز در مغز موش در حال کار میباشد و گفته اند که اگر در نمونه آزمایشگاهی موفق آمیز باشد به زودی این آزمایش را بر روی انسان نیز پیاده خواهند کرد. جوزف لدوکس که یکی از نورولوژیست های این پژوهش و از پیشگامان و طراحان فناوری های نوین و تکنولوژی به حساب می آید گفت: « من و تمام همکارانم در این آژانس تحقیقاتی امیدوار هستیم تا بتوانیم نتایج را پس از موفقیت در نمونه آزمایشگاهی به نمونه انسانی نزدیک کنیم زیرا برنامه های بلند مدتی برای این طرح پیش بینی شده است. در حال حاضر، حسگرها و تراشه های متنوعی با کارکردهای مختلف به بازار ارائه شده اند اما هیچ کدام تا این اندازه حساس و مهم نبوده اند زیرا این حسگر باید در مغز شخص کاشته شود.» اگر این موسسه موفق به تولید این تراشه شود، میتوان از این تراشه در بیماری های روحی روانی خاصی استفاده کرد و بیماری های خاص روانی مانند افسردگی و روحی را درمان کرد.
https://bigbangpage.com/science-cont...9%D9%86%D8%AF/

اتصال مغز انسان به اینترنت! (خبر)

پژوهشگران دانشگاه ویتز، مغز انسان را مستقیما به اینترنت متصل کردند. داده‌های جمع آوری شده از این پروژه می‌تواند گام‌های بعدی در یادگیری ماشین‌ها و رابط‌های مغز-کامپیوتر را پیش ببرد.
برای اولین بار، پژوهشگران راهی برای اتصال مغز انسان به اینترنت به صورت زنده کشف کردند. نام این پروژه “Brainternet” است و مغز را مانند اینرنت اشیاء به اینترنت متصل می‌کند.
نحوه‌ی کار پروژه به این صورت است که سیگنال‌های EEG امواج مغزی بویسله یک “دستگاه EEG وابسطه به احساسات” که به سر کاربر متصل است، جمع آوری می‌شوند. سپس این اطلاعات به یک کامپیوتر ارزان قیمت ارسال می‌شوند که می‌تواند اطلاعات را به صورت زنده روی یک وبسایت باز، جایی که هرکسی می‌تواند آنرا ببیند، ارسال می‌کند.
https://startupforum.ir/images/cdn/2018/05/91.jpg


پژوهشگر ارشد این پروژه می‌گوید: ((“Brainternet” یک پیشرفت جدید در زمینه سیستم‌های رابط مغز-کامپیوتر است. در اینجا کمبود اطلاعات در زمینه‌ی نحوه‌ی کار و پردازش اطلاعات مغز به چشم می‌خورد. “Brainternet” به دنبال ساده کردن فهم انسان از مغز خودش و مغز دیگران است؛ این کار با مانیتور کردن دائمی فعالیت مغز انجام می‌شود.))
وی می‌گوید این تازه ابتدای راه این پروژه است. تیم درحال کار روی تجربه‌ی تعاملی بیشتری بین کاربر و مغزش هستند. بعضی از این کاربردها همین الآن نیز بر روی سایت قرار گرفته‌اند اما به تحریک‌هایی مانند حرکت بازو محدود شده‌اند. این پروژه می‌تواند بیش از این نیز توسعه یابد تا اطلاعات را روی یک نرم‌افزار تلفن همراه ضبط کند تا به عنوان داده برای الگوریتم یادگیری ماشین استفاده شوند. در آینده این اطلاعات می‌تواند دوطرفه به عنوان ورودی و خروجی مغز منتقل شوند.
اطلاعات جمع آوری شده از این پروژه می‌توانند به ما کمک کنند تا درک بهتری از نحوه‌ی عملکرد مغز خود داشته باشیم و بتوانیم از این اطلاعات برای افزودن به قدرت مغزمان استفاده کنیم.

منبع:

https://futurism.com/researchers-hav...rst-time-ever/

https://tamadkala.com/%D8%A7%D8%AA%D8%B5%D8%A7%D9%84-%D9%85%D8%BA%D8%B2-%D8%A7%D9%86%D8%B3%D8%A7%D9%86-%D8%A7%DB%8C%D9%86%D8%AA%D8%B1%D9%86%D8%AA/