مهندسي معكوس مغز - Reverse - Engineering the Brain
درك تشخيص اشيا
بيشتر 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:
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 هوش مصنوعي بوده است. هرچند كه بينايي ماشين (machine viosion) به يك صنعت تمام عيار تبديل شده است، اما موفقيت‌ها و دستاوردهاي آن در حيطه محدودي از برنامه‌هاي كاربردي و در شرايطِ به شدت كنترل‌شده مانند روِيت شماره پلاك، تشخيص اثر انگشت، تشخيص كاراكترهاي چاپي، و بررسي محصولات مورد استفاده قرار مي‌گيرد (براي نمونه، بررسي ميزان سرخ‌شدگي يك چيپس و توقف سرخ كردن آن در صورت تشخيص اين‌كه اگر بيشتر سرخ شود، مي‌سوزد.) هر سيستم بينايي ماشين تنها يك نوع شيء خاص را ؛ براي نمونه، سيستمي كه شماره پلاك يك خودرو را روِيت مي‌كند، ديگر قادر به تشخيص اثر انگشت نخواهد بود، و بر عكس.
هر چند به نظر مي‌رسد فناوري كنوني براي ساخت ماشين‌هايي كه بتوانند هر شيء خاصي را تشخيص دهند، به اندازه كافي توانمند است، ولي بيشتر مشاغل در بيشتر صنايع مانند مونتاژ، ساخت، بهداشت، حمل و نقل، و امنيت، نيازمند پيشرفت‌هايي بهتر از اين است. كاركنان يك كارخانه صنعتي مي‌توانند يك چكش، يك پيچ‌‌گوشتي و يك آچار را بدون توجه به تفاوت‌هاي آن‌ها از نظر ميزان شفافيت سطح آن، ويژگي‌هاي شيء، و آلودگي‌ها و جرمي كه شايد سطح آن‌ها را پوشانده است، از هم تشخيص دهند.
اشتباه در ساخت چنين ماشين‌هايي مي‌تواند اشتباه‌هايي چون عدم توانايي در تشخيص پرنده‌اي مانند كلاغ يا جانوري مانند موش را به همراه داشته باشد كه همه حاكي از نياز به دانش سطح بالاتري از فناوري امروزي است. تفكر ديگري نيز وجود دارد و آن اين‌كه، انسان نمي‌تواند ماشين‌هايي را بسازد كه به اندازه خودش هوشمند باشند. بديهي است كه در وراي اين نوع تفكر، خودخواهي و تعصب انسان نسبت به وجود خود، حاكم است، ولي اين‌كه هنوز ماشيني ساخته نشده كه دست كم به اندازه يك كبوتر هوشمند باشد، باعث شرمساري است!
چندين سال است كه پژوهشگران هوش‌مصنوعي روي الگوهاي بصري با هدف بررسي معاني يا موجوديت‌ها كار مي‌كنند. اين يكي از شاخه‌هايي است كه هوش مصنوعي و عصب شناسي در يك نقطه به هم مي‌رسند: عصب‌شناسي، نقش مغز در تشخيص اشيا را مورد بررسي قرار مي‌دهد، و هوش مصنوعي اين موضوع را بررسي مي‌كند كه يك سيستم نيازمند طي چه مراحلي براي حل چنين مسئله‌اي است. پس از سپري شدن چندين دهه، اين دو علم رفته رفته به هم نزديك‌تر مي‌شوند.
DiCarlo به اين فكر مي‌كند كه آيا زمان تولد دانش جديدي كه شامل هر دو شاخه (هوش مصنوعي و عصب‌شناسي) باشد فرارسيده است، دانشي كه شايد بتوان آن را بينايي بيولوژيكي ماشين (Biologically Inspired Machine Vision) ناميد.
هيچ دانشگاهي به اندازه MIT در رسيدن به اين نقطه مشترك، كه در آن همكاري مشترك علم و مهندسي به يك عمليات علمي و دانشگاهي تبديل مي‌شود، پيشتاز نيست. DiCarlo نيز دليل آمدنش به MIT را همين نكته ذكر مي‌كند و انتظار وقوع انقلابي علمي را در اين مكان دارد.
امتیاز: 0.00
وزارت آموزش و پرورش > سازمان پژوهش و برنامه‌ريزی آموزشی
شبکه ملی مدارس ایران رشد
ارسال ها: 1679
شما باید یک عنوان و متن وارد کنید!