دراسة: أدمغة الرضع ملهم جديد لتطوير الذكاء الاصطناعي

فترة العجز عند الرضّع وتعلم الذكاء الاصطناعي

تستهلك نماذج الذكاء الاصطناعي الأساسية كميات هائلة من الطاقة وتتطلب كميات كبيرة من البيانات، بينما يتعلم الأطفال الرضع من خلال تفاعلهم مع العالم من حولهم. منذ الستينيات، اعتقد العلماء أن عجز الرضع يرجع إلى قيود الولادة، حيث يولد الرضع البشريون في وقت مبكر نتيجة لكبر حجم رؤوسهم، مما يؤدي إلى أدمغة غير ناضجة وفترة عجز تصل إلى سنة كاملة، مقارنة بالحيوانات الأخرى التي تستطيع المشي في اليوم نفسه الذي تولد فيه.

دراسة جديدة حول أدمغة الرضّع

أظهرت دراسة جديدة، وفق نيويورك تايمز بقيادة عالم العصبيات من كلية “ترينيتي كوليج دبلن”، نشرت في مجلة (Trends in Cognitive Sciences)، أن التفسير التقليدي لعجز الرضع لا يدعمه البيانات العصبية الحديثة. يستخدم الأطفال فترة “العجز” لتعلم نماذج أساسية وقوية تشبه تلك التي تدعم الذكاء الاصطناعي الإبداعي.

مقارنة بين تطور أدمغة الرضع والذكاء الاصطناعي

تعاون فريق البحث المكون من البروفيسور كيوساك، والبروفيسور كرسيتين شارفيه، والدكتور مارك أوريليو رانزاتو في دراسة تقارن تطور الدماغ عبر أنواع الحيوانات. استخدم الفريق التصوير العصبي لتوضيح أن أدمغة البشر عند الولادة أكثر نضجًا من العديد من الأنواع الأخرى، ووجدوا أن العديد من أنظمة دماغ الرضيع البشري تعمل بالفعل وتعالج التدفقات الغنية من المعلومات الواردة من الحواس.

التدريب المسبق والتعلم الآلي

قارن الفريق عملية التعلم لدى البشر مع نماذج التعلم الآلي الحديثة. أوضحوا أن الشبكات العصبية العميقة تستفيد من فترة “العجز” من التدريب المسبق، حيث يتم تدريب النماذج على رؤية الأنماط ضمن كميات ضخمة من البيانات قبل القيام بأي مهام محددة. هذا النهج يشبه تعلم الرضع الذين يطورون نماذج أساسية قوية لفهم العالم.

التحديات المستقبلية والبحث المستمر

يتخوف العديد من الناس من تطور الذكاء الاصطناعي إلى حد قد يهدد المستقبل الوجودي للبشرية. بالرغم من التطورات الكبيرة في مجال الذكاء الاصطناعي، لا تزال النماذج الأساسية تستهلك كميات هائلة من الطاقة وتتطلب كميات ضخمة من البيانات، مما يعوق التقدم في العديد من المجالات.

الدروس المستفادة من تعلم الرضع

في بحث بعنوان “دروس من تعلم الرضع لتعلم الآلة غير المراقب”، نشر في مجلة “نيتشر ماشين إنتليجنس”، أكد الباحثون على ضرورة وجود طرق أفضل للتعلم من البيانات غير المهيكلة، وتقليل الاعتماد على مجموعات البيانات المنسقة. قدم الباحثون اقتراحات ملموسة حول كيفية تطبيق الدروس المستفادة من تعلم الرضع في التعلم الآلي، مع التركيز على ثلاثة عوامل حاسمة:

1. معالجة المعلومات الموجهة والمقيدة.
2. التعلم من مدخلات متنوعة ومتعددة الوسائط.
3. تشكيل المدخلات من خلال النمو والتعلم النشط.

يعمل الباحثون على تقييم مدى إمكانية استغلال هذه الأفكار في التعلم الآلي، ويدرسون مدى تشابه هذه التطبيقات مع الرؤى الأساسية، وكيف يمكن أن تؤدي إلى مستويات أداء غير مرئية سابقًا في التعلم غير الخاضع للإشراف.