کدامیک قدرت بیشتری برای حل مسئله دارد – مغز یا رایانه؟
مغز ارگان پیچیدهای است؛ در انسان از حدود 100 میلیارد نورون تشکیل شده است که تقریباً 100 تریلون اتصال را به وجود میآورند. مغز اغلب با سیستم پیچیدهی دیگری که قدرت حل مسائل بسیار زیادی را دارد، مقایسه میشود: کامپیوتر دیجیتالی. هر دوی مغز و کامپیوتر دارای تعداد زیادی از واحدهای ابتدایی هستند که برای پردازش اطلاعات منتقل شده توسط سیگنالهای الکتریکی (نورونها و ترانزیستورها به ترتیب) به صورت مدارهای پیچیدهای سیمپیچی شدهاند. در سطح جهانی، معماری مغز و کامپیوتر مشابه یکدیگر هستند و هر دو متشکل از مدارهای مجزایی برای ورودی، خروجی، پردازش مرکزی و حافظه هستند.
کدامیک قدرت بیشتری برای حل مسئله دارد – مغز یا رایانه؟ با توجه به پیشرفتهای سریع در تکنولوژی رایانه در دهههای گذشته، ممکن است فکر کنید که رایانه ر رقیب مغز است. در حقیقت، رایانه رها ساخته و برنامهریزی شدهاند تا انسانهای چیره دست را در بازیهای پیچیدهای مانند شطرنج در دههی 1990 و اخیراً Go و همچنین مسابقهی دانش دانشنامهای، مانند برنامهی تلویزیونی Jeopardy، شکست دهند! با این حال، همانند این نوشتار، انسان ها در بسیاری از وظایف دنیای واقعی (از شناسایی دوچرخه یا عابر خاصی در یک خیابان شلوغ شهر گرفته تا در دست گرفتن یک فنجان چای و بلند کردن و نزدیک کردن آن به لب برای نوشیدن) بر کامپیوترها برتری دارند، تا چه رسد به مفهومسازی و خلاقیت ها.
پس چرا کامپیوتر در وظایف خاصی بهتر کار میکند در حالی که مغز در بقیه بهتر است؟ مقایسهی رایانه و مغز برای هر دو مهندسان رایانه و دانشمندان علوم اعصاب آموزنده بوده است. این مقایسه در سپیدهدم دوران مدرن کامپیوتر آغاز شد، با کتاب کوچک ولی عمیقی تحت عنوان “کامپیوتر و مغز”، نوشتهی جان فون نیومن، دانشمندی که در دهه 1940 پیشگام طراحی معماری کامپیوتر بود و هنوز هم اساس بسیاری از رایانههای مدرن امروز است.
بیایید به برخی از این مقایسهها در قالب اعداد نگاه کنیم (جدول 1).
جدول 1
رایانه در سرعت بخشیدن به عملیات پایه، مزایای بسیار زیادی برای مغز دارد. امروزه رایانههای شخصی میتوانند عملیات اولیهی ریاضی، مانند اضافه کردن، را با سرعت 10 میلیارد عملیات در ثانیه انجام دهند. ما میتوانیم سرعت پردازش عملیات ابتدایی مغز را با فرآیندهای ابتدایی که از طریق آن نورونها اطلاعات را انتقال میدهند و با یکدیگر ارتباط برقرار میکنند، محاسبه کنیم. به عنوان مثال، نورونها پتانسیل عمل را شلیک میکنند، سنبلهی این سیگنالهای الکتریکی در نزدیکی اجسام سلولی نورونهای عصبی آغاز میشوند و از طریق آکسونهای طولانی به نورونهایی که با آنها در ارتباط هستند، ارسال میشوند. اطلاعات مربوط به فرکانس و زمان این سنبلهها کدگذاری میشوند. بالاترین فرکانس شلیک عصبی حدود 1000 سنبله در ثانیه است. به عنوان مثال، نورونها اطلاعات را عمدتاً با انتشار نوروترانسمیترهای شیمیایی در سازههای تخصصی موجود در پایانههای آکسون به نام سیناپس، به نورونهای شریک خود انتقال میدهند و نورونهای شریک آنها، این انتقال دهندههای شیمیایی را در فرآیندی که انتقال سیناپسی نامیده میشود، به سیگنال های الکتریکی تبدیل میکنند. سریع ترین انتقال سیناپسی حدود 1 میلی ثانیه طول میکشد. بنابراین هم از لحاظ سنبله و هم انتقال سیناپسی، مغز میتواند حداکثر یک هزار عملیات پایه را در ثانیه انجام دهد یا به عبارتی 10 میلیون بار کندتر از یک کامپیوتر عمل میکند.
همچنین رایانه در دقت عملیات پایه، دارای مزایای فراوانی نسبت به مغز است. رایانه میتواند مقادیر (اعداد) را با هر دقت دلخواهی و با توجه به بیتهای (ارقام باینری، یا صفرها و یکها) اختصاص داده شده به هر شماره نشان دهد. به عنوان مثال، یک عدد 32 بیتی دارای دقت 1 در 232 یا 2.4 بیلیون است. شواهد تجربی نشان میدهند که بیشتر مقادیر در سیستم عصبی (به عنوان مثال، فرکانس شلیک نورون، که اغلب برای نشان دادن شدت محرکها استفاده میشود)، به علت ابهام بیولوژیکی فقط دارای متغیرهای چند درصدی هستند، یا در بهترین حالت خود یک دقت یک درصدی دارند، که میلیونها برابر بدتر از یک کامپیوتر است.
یک بازیکن تنیس حرفهای میتواند مسیر توپی را که سرعت آن 160 مایل در ساعت است، دنبال کند. با این حال، محاسبات انجام شده توسط مغز، نه آهسته و نه بیدقت هستند. به عنوان مثال، یک بازیکن حرفهای تنیس میتواند پس از سرویس، مسیر توپ تنیس را که با سرعت 160 مایل در ساعت حرکت میکند، دنبال کند و به نقطهی مطلوب در میدان برسد، بازوی خود را باز کند و با راکت توپ را به میدان حریف برگرداند، همهی اینها فقط در عرض چند صد میلی ثانیه انجام میگیرد. علاوه بر این، مغز میتواند تمام این وظایف را (با کمک بدن که خود آن را کنترل میکند) با مصرف برق حدود ده برابر کمتر از یک کامپیوتر شخصی انجام دهد. مغز چگونه قادر به انجام این کار است؟ یک تفاوت مهم بین رایانه و مغز حالتی است که اطلاعات در هر کدام از این سیستمها پردازش میشود. وظایف کامپیوتر عمدتاً در مراحل سریالی انجام میشود. این را میتوان در روشی که در آن مهندسان نرم افزار کامپیوتر را با ایجاد یک جریان پیوسته از دستورالعملها برنامه ریزی میکنند، دید. برای این آبشار عملیات متوالی، هر مرحلهای نیازمند دقت بالایی است، زیرا خطاها در مراحل متوالی انباشته و تقویت میشوند. مغز نیز از مراحل سریالی برای پردازش اطلاعات استفاده میکند. در مثال بازگرداندن توپ تنیس، جریان اطلاعات از چشم به مغز و پس از آن به طناب نخاعی میرود؛ برای کنترل انقباض عضلات پاها، تنه، بازوها و مچ دست.
اما مغز با استفاده از تعداد زیادی از نورونها و تعداد زیادی از اتصالاتی که هر نورون میسازد، انبوهی از پردازشهای موازی را نیز انجام میدهد. به عنوان مثال، توپ تنیس متحرک، تعداد زیادی از سلولهای شبکیه به نام گیرندههای نوری را فعال میکند که وظیفهی آنها تبدیل نور به سیگنالهای الکتریکی است. سپس این سیگنالها به صورت موازی به بسیاری از انواع نورونها در شبکیه منتقل میشوند. با این که سیگنالهای ورودی گیرندههای نوری از طریق دو تا سه اتصال سیناپسی در شبکیه به مغز منتقل میشوند، اطلاعات مربوط به محل، جهت و سرعت توپ از طریق مدارهای موازی عصبی استخراج شده و به صورت موازی به مغز ارسال میشوند. به همین ترتیب، قشر حرکتی (بخشی از قشر مغز که مسئول کنترل حرکات ارادی است) فرمانهایی به صورت موازی برای کنترل انقباض عضلات پاها، تنه، بازوها، و مچ دست ارسال میکند، تا بدن و بازوها همزمان برای پاس کردن توپ هماهنگ شوند.
این استراتژی موازی کلان امکان پذیر است، چرا که هر نورون ورودیهای زیادی را دریافت کرده و به بسیاری از نورون هایدیگر میفرستد؛ به طور متوسط حدود 1000 ورودی و خروجی برای یک نورون در پستانداران (در مقابل، هر ترانزیستور تنها سه گره برای ورودی و خروجی را با هم دارد). اطلاعات میتوانند از یک نورون تنها به بسیاری از مسیرهای موازی فرعی منتقل شوند. در عین حال، بسیاری از نورونهایی که همان اطلاعات را پردازش میکنند، میتوانند ورودیهای خود را دوباره در همان مسیر عصبی به جریان بیاندازند. این ویژگی بعدی مخصوصاً برای افزایش دقت پردازش اطلاعات مفید است. به عنوان مثال، اطلاعاتی که توسط یک نورون فردی ارائه میشود ممکن است مبهم باشد (مثلا، با دقت 1 در 100). با در نظر گرفتن میانگین ورودی از 100 نورون که اطلاعات مشابهی را حمل میکنند، نورون شریک پایین دست میتواند اطلاعات را با دقت بسیار بالاتری (حدود 1 در 1000 در این مورد)، بازنمایی کند.
رایانه و مغز هم شباهتها و هم تفاوتهایی در حالت سیگنالینگ واحدهای ابتدایی خود دارند. ترانزیستور سیگنالینگ دیجیتالی را به کار میگیرد، که از مقادیر گسستهی (صفرها و یکها) برای بازنمایی اطلاعات استفاده میکند. سنبله در آکسون نورونها هم یک سیگنال دیجیتالی است، چرا که یک نورون در هر زمان فرضی یا یک سنبله را شلیک میکند یا نه، و هنگامی که شلیک میکند، تمام سنبلهها تقریبا به همان شکل و همان اندازه هستند؛ و این ویژگی به قابل اعتماد بودن انتشار “از راه دور سنبله” کمک میکند. با این حال، نورونها نیز سیگنالینگ آنالوگ را به کار میبرند، که از مقادیر پیوسته برای بازنمایی اطلاعات استفاده میکند. بعضی از نورونها (مانند بسیاری از نورونهای شبکیه) فاقد سنبله (nonspiking) هستند و خروجی آنها توسط سیگنالهای الکتریکی تدریجی (که، بر خلاف سنبلهها، میتوانند به طور پیوسته در اندازه متفاوت باشند) منتقل میشود که می تواند اطلاعات بیشتری را نسبت به سنبلهها منتقل کند. همچنین پایانههای دریافت کنندهی نورونها (پذیرش معمولا در دندریتها رخ میدهد) از سیگنالینگ آنالوگ برای ادغام هزاران ورودی استفاده میکنند، که باعث میشود دندریتها بتوانند محاسبات پیچیدهای را انجام دهند.
مغز شما 10 میلیون بار کندتر از یک کامپیوتر است.
یکی دیگر از ویژگیهای برجستهی مغز، که به وضوح شبیه مثال سرویس کردن توپ تنیس است، این است که نقاط قوت بین نورونها میتوانند در پاسخ به فعالیت و تجربه تغییر کنند، فرآیندی که به طور گستردهای توسط دانشمندان علوم اعصاب به عنوان مبنایی برای یادگیری و حافظه شناخته شده است. تمرینهای تکراری باعث میشوند که مدارهای عصبی برای انجام دادن بهتر وظایف سازماندهی شوند و در نتیجه از سرعت و دقت بیشتری برخوردار هستند.
در دهههای گذشته، مهندسان از مغز الهام گرفتهاند تا طراحی رایانه را بهبود بخشند. اصول پردازش موازی و اصلاح “مبتنی بر استفاده”ی نقاط قوت اتصال، هر دو به کامپیوترهای مدرن امروزی وارد شدهاند. به عنوان مثال، افزایش موازی بودن، مانند استفاده از چند پردازنده (هسته) در یک کامپیوتر، روند جاری در طراحی رایانهها است. مثلا، “یادگیری عمیق” در رشتهی یادگیری ماشین و هوش مصنوعی، که در سالهای اخیر از موفقیتهای بزرگی برخوردار بوده است و برای پیشرفتهای سریع در تشخیص اشیاء و گفتار در رایانهها و دستگاههای تلفن همراه مورد استفاده قرار میگیرد، از یافتههای سیستم بینایی پستانداران الهام گرفته شده است.
“یادگیری عمیق”، مانند سیستم بینایی در پستانداران، از چندین لایه برای بازنمایی ویژگیهای کاملاً انتزاعی (به عنوان مثال اشیاء بصری یا گفتار) استفاده میکند و نقاط قوت ارتباطات بین لایههای مختلف از طریق یادگیری تعیین میشود نه از طریق طراحی توسط مهندسان. پیشرفتهای اخیر، مجموعهای از کارهایی را که انتظار میرود کامپیوتر قادر به انجام آن باشد، گسترش داده است. با این حال، مغز انعطافپذیری، قابلیت تعمیم و یادگیری برتری نسبت به رایانه های پیشرفته دارد. هر روز که دانشمندان علوم انسانی اسرار بیشتری را در مورد مغز انسان فاش میکنند (عمدتا با استفاده از رایانهها)، مهندسان میتوانند بیشتر از کار مغز برای بهبود معماری و عملکرد رایانه ها الهام بگیرند. این ارتباط متقابل بینرشته ای بدون تردید موجب پیشرفت در هر دوی علوم اعصاب و مهندسی کامپیوتر خواهد شد.
برای کسب اطلاعات بیشتر اینجا کلیک کنید.