همشهری آنلاین -یکتا فراهانی: برای نخستین‌بار، فناوری تصویربرداری، علوم اعصاب و هوش مصنوعی در مقیاسی بزرگ کنار هم قرار گرفته‌اند تا معماری یک سیستم عصبی پیچیده را قابل‌مشاهده و تحلیل کنند. برای فهم مغز، فقط دانستن تعداد نورون‌ها کافی نیست. آنچه می‌تواند رازهای بیشتری را آشکار کند، شبکه‌ای است که این نورون‌ها در آن به یکدیگر متصل شده‌اند. نقشه ای جامع از سیستم عصبی یک مگس میوه حالا پژوهشگران با تهیه نقشه‌ای جامع از سیستم عصبی یک مگس میوه نر بالغ، امکان نگاه کردن به چنین شبکه‌ای را در مقیاسی کم‌سابقه فراهم کرده‌اند؛ نقشه‌ای شامل بیش از ۱۶۶ هزار نورون و حدود ۱۲۵ میلیون اتصال سیناپسی. نکته مهم‌تر این است که در پشت این نقشه عظیم، میلیون‌ها تصویر و حجم بزرگی از داده قرار دارد که تحلیل آن بدون ابزارهای محاسباتی و هوش مصنوعی عملاً بسیار دشوار است. اینجاست که یک سؤال بزرگ شکل می‌گیرد: اگر بتوانیم ساختار یک سیستم عصبی را با این جزئیات ببینیم، آیا روزی می‌توانیم نحوه پردازش اطلاعات و شکل‌گیری رفتار در آن را نیز مدل‌سازی کنیم؟
از شمردن نورون‌ها تا خواندن شبکه مغز
دکتر محمد عنبری، فلوشیپ و پسادکتری هوش مصنوعی، برگزیده جشنواره اختراعات سیلیکون‌ولی آمریکا و جایزه پروفسور تسلا و دبیر شورای عالی متخصصین هوش مصنوعی ایران، در بررسی این دستاورد معتقد است اهمیت چنین پروژه‌ای را نباید فقط در عدد ۱۲۵ میلیون اتصال جست‌وجو کرد.
در نگاه نخست، ممکن است تصور کنیم هرچه تعداد نورون‌ها بیشتر باشد، سیستم عصبی پیچیده‌تر است؛ اما مسئله اصلی در علوم اعصاب، معماری ارتباطات است. اینکه چه نورونی به چه نورونی متصل است، این اتصال در کدام مدار قرار دارد، اطلاعات از چه مسیری عبور می‌کند و تغییر یک اتصال چگونه می‌تواند روی عملکرد کل شبکه اثر بگذارد.
نقشه مغز، هنوز خود مغز نیست
بااین‌حال، یک تفاوت مهم وجود دارد. داشتن نقشه اتصالات عصبی به معنی شناخت کامل عملکرد مغز نیست. اینکه بدانیم دو نورون به یکدیگر متصل هستند، لزوماً نشان نمی‌دهد این ارتباط چه زمانی فعال می‌شود، شدت آن چقدر است یا دقیقاً چه نقشی در رفتار موجود زنده دارد. برای رسیدن به چنین درکی باید اطلاعات ساختاری با داده‌های فعالیت عصبی، ژنتیک، رفتار و محیط ترکیب شود.
به گفته دکتر عنبری، همین مسئله باعث می‌شود نقش هوش مصنوعی در مرحله بعدی اهمیت بیشتری پیدا کند؛ زیرا دیگر فقط بحث مشاهده و ثبت ساختارها نیست، بلکه باید از دل حجم بسیار بزرگی از داده، الگوهای معنادار استخراج شود.
جایی که هوش مصنوعی وارد مغز می‌شود
در پروژه‌های این‌چنینی، میلیون‌ها تصویر با وضوح بالا از بافت عصبی تولید می‌شود. سپس ساختار سلول‌ها باید از یکدیگر تفکیک شوند، مسیر نورون‌ها در برش‌های مختلف دنبال شود و ارتباطات میان آنها شناسایی و بازسازی شود.
این حجم از اطلاعات، کاری نیست که انسان بتواند به‌تنهایی انجام دهد. هوش مصنوعی دقیقاً در همین نقطه وارد می‌شود: تشخیص الگو در داده‌هایی که حجم و پیچیدگی آنها از توان پردازش انسانی فراتر می‌رود.
به بیان ساده، در مرحله نخست ماشین به ما می‌گوید چه چیزی کجاست؛ در مرحله بعد می‌تواند نشان دهد چه چیزی به چه چیزی متصل است و در مرحله‌ای پیچیده‌تر، هدف این خواهد بود که بفهمیم این شبکه چگونه اطلاعات را پردازش می‌کند و چگونه این پردازش به رفتار منجر می‌شود.
مهندسی معکوس مغز
اینجا یکی از جذاب‌ترین پرسش‌ها مطرح می‌شود: آیا می‌توان روزی مغز را مانند یک سامانه پیچیده مهندسی، مهندسی معکوس کرد؟
پاسخ هنوز قطعی نیست. به گفته این پژوهشگر هوش مصنوعی، مغز یک مدار الکترونیکی ساده نیست که با در اختیار داشتن نقشه سیم‌کشی آن بتوان تمام رفتار سیستم را پیش‌بینی کرد.
بااین‌حال، دکتر عنبری معتقد است مسیر پژوهش در حال تغییر است. دانشمندان در گذشته بیشتر با یک سلول یا بخش کوچکی از مغز سروکار داشتند، اما فناوری‌های جدید امکان حرکت به سمت شبکه‌های بسیار بزرگ‌تر را فراهم کرده‌اند و هوش مصنوعی نیز ابزار لازم برای تحلیل این حجم عظیم از داده را در اختیار پژوهشگران قرار داده است.
یک مدل آزمایشگاهی البته مگس میوه با انسان قابل‌مقایسه نیست. سیستم عصبی آن بسیار کوچک‌تر است و پیچیدگی مغز انسان را ندارد. اما همین ویژگی، آن را به یک مدل آزمایشگاهی ارزشمند تبدیل می‌کند.
پژوهشگران می‌توانند در چنین موجودی ارتباط میان ساختار عصبی، ژنتیک، فعالیت عصبی و رفتار را با جزئیات بیشتری بررسی کنند.
بیشتر بخوانید :
رؤیای ساخت «دوقلوی دیجیتال» مغز
از نگاه دکتر محمد عنبری، افق جذاب‌تر زمانی شکل می‌گیرد که نقشه ساختاری کانکتوم با مدل‌های یادگیری ماشین و شبیه‌سازی عصبی ترکیب شود.
تصور کنید به‌جای داشتن صرفاً نقشه‌ای از بیش از ۱۶۶ هزار نورون، مدلی محاسباتی در اختیار داشته باشیم که بتواند بخشی از رفتار این شبکه را نیز شبیه‌سازی کند. سپس مدل با داده‌های واقعی آزمایش شود، خطاهایش شناسایی شود و دوباره آموزش ببیند.
چنین مسیری از نظر مفهومی می‌تواند به چیزی شبیه یک «دوقلوی دیجیتال عصبی» منجر شود؛ مدلی محاسباتی که ساختار و بخشی از رفتار یک سیستم عصبی واقعی را بازنمایی می‌کند.
انقلاب بعدی در مرز مغز و ماشین
اهمیت این دستاورد را نمی‌توان فقط در داستان یک مگس یا حتی در حوزه علوم اعصاب خلاصه کرد. هوش مصنوعی به‌تدریج از ابزاری برای تولید متن و تصویر و تحلیل داده‌های تجاری فاصله گرفته و به یکی از ابزارهای پژوهش در زیست‌شناسی، ژنتیک، پزشکی و علوم اعصاب تبدیل شده است.
نظر شما