ذهن یک ماشین جدید
مواجه شدن با MoNETA تراشه الهام گرفته از مغز انسان که از تمامی ما پیشی میگیرد
اگر شما علاقمند به مبحث هوش مصنوعی هستید، و اخبار مربوط به این مقوله را پیگیری می نمایید، متوجه شده اید که این قول بارها شکسته شده است. برگردیم به سال های 1960 که ابداع ترانزیستور در اواخر دهه60 باعث شده بود این پیش بینی صورت گیرد که در 20 سال آینده ماشین ها، از سازنده های انسانی خود پیشی می گیرند. اکنون بعد از 50 سال، به نظر میرسد که بهترینی که می توانیم انجام دهیم حمایت تکنولوژی خودکار، همنوا با آرامشی غیر طبیعی ممکن است شاید هم نه، مخاطبان را به خشمی جنون آمیز بفرستد.
بنابراین، چرا باید ادعا را باور کنید که ما سرانجام صاحب تکنولوژی خواهیم شد که منجر به ایجاد هوش مصنوعی واقعی می شود؟ پاسخ این است: بدلیل وجود MoNETA یا مغز بر روی تراشه (چیپ ) که ما امیدوار به دستیابی به ساخت هوش مصنوعی هستیم. MoNETA (عامل کاوشگر عصبی مدولار قابل حمل ) نرم افزاری است که ما در بخش سیستمهای شناختی و عصبی در دانشگاه بوستون آن را طراحی کردیم که بر روی یک ریزپردازنده تحقیقاتی الهام گرفته از مغز در آزمایشگاه HP در کالیفرنیا اجرا میشود.
این نرم افزار براساس اصولی که ما پستانداران را عمیقاً از ماشینهای سریع اما فاقد شعور، متمایز میکند، عمل میکند. MoNETA کارهایی را انجام میدهد که تا به حال هیچ کامپیوتری انجام نداده است. MoNETA اطرافش را درک میکند، انتخاب میکند که کدام اطلاعات مفید است، اطلاعات وارده به ساختار ظاهری اش را جمع آوری می کند و در برخی از کاربردها، نقشه ها را تنظیم میکند که تضمین کننده بقاء اش خواهد بود. به معنای دیگر MoNETA توسط همان محرکهایی که باعث تحریک گربه ها، انسانها و سوسک ها میشود نیز تحریک خواهد شد.
محققان برای چندین دهه بواسطه پایبندی سفت و سخت به منطق بولی و جدایی وسیع بین حافظه و پردازش، شک داشتند که هوش مصنوعی واقعی بتواند بر روی سخت افزارهای متداول اعمال شود.
اما آن دانش، بسیار کم مورد استفاده قرار میگرفت. تا اینکه HP حدود 2 سال پیش یک کلاس جدید از وسیله ای الکترونیکی به نام MEMRISTOR را ساخت (یادداشت مترجم: یک عنصر مداری دو سویه غیرفعال است که در آن مقاومت تابعی از سابقه جریان در امتداد ولتاژ در عرض قطعه است. تئوری memristor در یک مقاله در 1971توسط لئون چاو فرمول نویسی و نامگذاری شد. در تاریخ 30 آوریل 2008 یک تیم تحقیقاتی در آزمایشگاه HP ایجاد memristor سوئیچ شونده براساس لایه نازکی از اکسید لیتیوم را اعلام کردند. حوزه کاری آن در تقریبی است که تا زمانی که انتگرال زمانی جریان در حد مشخصی بماند رابطه شارژ - مقاومت خطی می باشد. این قطعات برای استفاده در حافظه های نانو الکترونیک، منطق محاسباتی و معماریهای عصبی - شناختی کامپیوتر ساخته میشوند). قبل از MEMRISTOR خلق چیزهایی به شکل، فاکتورهای یک مغز، توان مصرفی پایین، ارتباطات داخلی آنی غیر ممکن به نظر میرسید. نتیجه اینکه این سه مولفه، کلید اساسی برای ساخت هر چیزی است که مغز را شبیه سازی میکند وهمچنین میتواند آموزش ببیند و رفتاری ملایم شبیه به مغز از خود نشان دهد. در این حالت فرم به شکل یک تابع یا با دقت بیشتر تابع بدون فرم مایوس کننده است. اساساً MEMRISTOR به اندازه کافی کوچک، ارزان و کافی برای پر کردن صورت حساب است. شاید خیلی مهم باشد که آنها یک سری ویژگیهای کلیدی دارند که شبیه اتصالات دو عصب (سیناپس)است. به همین دلیل است که گفتن اینکه آنها یک توانمندی حیاتی از هوش مصنوعی هستند، یک جمله با ارزش است. نهادی که بر روی هوش مصنوعی جدید سرمایه گذاری میکند آژانس پروژه های تحقیقاتی وزارت دفاع ایالات متحده (DARPA) است. وقتی که کار بر روی ریزپردازنده ها مبتنی بر مغز کامل شود، اولین نقش آغازین MONETA احتمالاً در ارتش ایالات متحده خواهد بود آنهم جایگزینی آن با انسانهایی که در وسایل نقلیه دیدهبانی جهت جستجو برای بمبهای کنار جاده ای یا بررسی نواحی دشمن خیز گمارده میشوند. اما ما انتظارنداریم که زمان زیادی صرف بخش کم اهمیت کوچک شود. در طول 5 سال سیستمهای قدرتمند شبیه سازی مغز بر روی سخت افزارهای ارزان قیمت و به طور گسترده قابل دسترس ارائه خواهد شد. ما مطمئن نیستیم اما انتظار داریم که تغییرات MONETA در صنعت الکترونیکی در طول دهه آینده خیره کننده باشد.
هوش مصنوعی هنوز بعد ازگذشته نیم قرن پا بر جاست؛ حتی اگر ما هرگز به دستیاران شبه انسانی که برخی فکر میکنند ما در حال حاضر به آن دست پیدا کرده ایم، نرسیم. کامپیوترها، بیماری را از طریق اینترنت تشخیص میدهند، اتومبیلهای مدل بالا به شما کمک می کنند که از مسیر خود منحرف نشوید. صندوق الویت بندی Gmails Priority Inbox کار بسیار زیبایی را برای الویت بندی ایمیل های شما انجام می دهد. اما حتی مفیدترین سیستم هوش مصنوعی هم باید برای یک وظیفه مشخص برنامه ریزی شود. چیزی که ما می خواهیم، یک هوش به منزله کلی است که بتواند هر مشکلی را برطرف کند. هوشی که بتواند خود را بدون بازآموزی دائمی با محیط جدید وفق دهد. هوشی که بتواند یک لقمه مهم را از یک ضیافت بزرگ اطلاعاتی دریافت و هضم کند به روشی که ما انسانها در طول میلیونها سال تکامل دریافته ایم.
برای لحظه ای درباره توانایی MONETAدر وسیله نقلیه دیده بانی نظامی فکر کنید. MONETA میتواند تا به یک ماموریت با اهداف نسبتاً مشخص که به طور ناگهانی تغییر میکند، برود. همچنین قادر به طی کردن نواحی ناشناخته، تشخیص الگویی که دلالت بر فعالیت های دشمن ستیزانه دارد و عقب نشینی از مناطق دشمن خیز، است.
اگر جاده مسدود باشد قادر خواهد بود که در کسری از ثانیه تصمیم گیری کند، از جاده خارج شده و به مقصد برسد. اکتشاف، باز شناسی الگو، ابتکار و توانایی در رفع ابهامات، همگی که به شکل بسیار خوبی توسط مغز پستانداران انجام میشود کاملاً به شکل نامحدودی توسط ریزپردازنده ها و نرم افزارهای امروزی انجام میشود. ابرکامپیوترBLUE DEEP مدل IBM با وزن 1.4تن که در سال 1977در مسابقه جهانی شطرنج با گری گاسپاروف روسی به رقابت پرداخت را در نظر بگیرید. در سالهای قبل گاسپاروف نسلهای قبلی کامپیوتر را 5 بار شکست داده بود. بعد از مبارزات سری قبل که در بر گیرنده 3برد و یک شکست برای گاسپاروف بود. نهایتاً DEEP BLUE در بازی ششم وی را شکست داد با این وجود DEEP BLUE هوشمند نبود.
برای شکست گاسپاروف هدف مشخص سخت افزاری DEEP BLUE یک استراتژی فاقد قدرت شعور بود. به این شکل که 200میلیون حرکت ممکن در بازی شطرنج را هر ثانیه به آسانی محاسبه میکرد. در همان بازه زمانی گاسپاروف میتوانست تقریباً دو حالت ممکن شطرنج را برنامه ریزی کند. در طول 10سال بعد از آن، قابلیت و توانایی محاسبات سر به فلک کشید. تا سال 2007 قدرت پردازش ابر کامپیوتر 1،4تنی داخل یک سلول ریزپردازنده که سایز آن تقریباً به اندازه ناخن انگشت شصت بود، جای گرفته بود.شکل(1)
در دهه بین این بازه زمانی تعداد ترانزیستور از 5/7 میلیون در مدل پنتیوم دو به 234میلیون در هر سلول جهش پیدا کرد. اما این انفجار در قدرت محاسبات، پروژه هوش مصنوعی را به اندازه کوچکی هم پیش نبرد. نمونه این مسئله در جریان GRAND CHALLENGE مربوط به DARPA نشان داده شده است.
DARPA چالش بزرگ (GRAND CHALLENGE) را برای ایجاد وسیله نقلیه خودکار بدون سرنشین که می توانست بدون دخالت انسان حرکت کند را به راه انداخت. به هوش مصنوعی با یک پیروزی بزرگ دیگر بار دیگر اعتبار داده شد، آنهم زمانی که استنلی نمونه فولکس واگن دانشگاه استنفورد مسافت 212کیلومتری (132مایل) را در سراسر صحرا موهاوی کالیفرنیا برای بدست آوردن جایزه 20میلیون دلاری آمریکا به تنهایی رانندگی کرد. این گام بسیار بزرگی برای هوش مصنوعی بود. چالش بعدی پیش روی DARPA درخواست ماشینهایی با کنترل هوش مصنوعی بود که نه نتها بتواند در بیابان وسیع بلکه در خیابانهای پر تردد و شلوغ شهر پیروز شود. برای 8 روز در 2007 DARPAتیمهای تحقیق را در پایگاه هوایی George در نقطه ای متروک در کالیفرنیا مستقر کرد.
این بار اتومبیلها باید شرایط ترافیکی پایه را بر اساس قوانین راهنمایی و رانندگی کالیفرنیا، پارک کردن، عبور و مرور، گذر از تقاطعها و بیشترین مواردی که یک نوجوان آمریکایی در سن 16سالگی قادر به انجام آنهاست، هدایت کند.
نتایج روشنگرانه بود. ماشینها توسط پیشرفته ترین حسگرها فریفته شدند، سامانه های مکانیابی و در یک حالت 14BLADE SERVER توسط موانع سنگی که به اندازه یک جعبه نان بودند کاملاً از کار افتادند. در کمتر از چند ساعت تقریباً نیمی از تیمها از دور مسابقه بدلیل چنین تخلفاتی از قبیل سرعتهای جنون آمیز در پارکینگ یا تصادم هایی که به هنگام تقسیم تنها راه در جاده با یکدیگر به وجود می آمد، خارج شدند.
حال موش آزمایشی را در نظر بگیرید. هوش بیولوژیکی این موش از WETWARE با اهداف کلی (سخت افزار بیوشیمیایی نرم افزار پوره مانندی است که مغز نام دارد.) برای حل مسائل مانند مواردی که در مورد ماشینهای GRAND CHALLENGE بود با نتایج بسیار بهتر استفاده میکند.(یادداشت مترجم: WETWARE: واژه ای برای توصیف تجسم مفاهیم با ساختار فیزیکی که به عنوان سیستم عصبی مرکزی است و ساختار روانی که به عنوان ذهن بشر شناخته شده اند به کار می رود. این دو بخش انتزاعی از ایده سخت افزار و نرم افزار در مبانی مربوط به کامپیوتر گرفته شده اند)
ابتدا موش گرسنه به طور خلاقانه ای به جستجوی غذا خواهد پرداخت. ممکن است مسیرهای آشنا را دنبال کند، مسیرهایی را که یاد گرفته امن هستند به یاد می آورد. اما در عین حال باید سیگنالها را از حواس مختلف هنگام برخورد آنها با اجسام مختلف در محیط جمع آوری کند. موش میتواند اشیاء خطرناک از قبیل تله موش را تشخیص دهد و اغلب از آنها دوری خواهد کرد. حتی اگر آن شی را در زاویه مشخص قبلاً مشاهده نکرده باشد. پس از غذا خوردن موش به سرعت میتواند برنامه فعلی خود را رها کرده و به الویت بعدی خود تغییر وضعیت بدهد. تمام این چالشهای همزمان با همه پیچیدگی متنوعشان برای یک ماشین غیر عملی است. به این دلیل که شما نمیتوانید یک کامپیوتر که سایز آن نصف یک وسیله نقلیه است را منطبق کنید.
با این حال آنها توسط یک مغز که میلیونها شبکه عصبی و میلیاردها سیناپس آن در سراسر مناطق زیادی از مغز توزیع شده اند، هدایت میشود. مغزی که وزن آن بیشتر از 2گرم نیست و توان مصرفی اش به اندازه لامپ درخت کریسمس است.
چرا مغز این چنین ممتاز و برجسته است؟ در یک کلام، ساختار آن. مغز یک موش بالغ از 21میلیون سلول عصبی به نام نورون تشکیل شده است. در مغز انسان این رقم به 100میلیارد میرسد. نورونها از طریق شاخه های عصبی و آکسونها با یکدیگر ارتباط برقرار میکنند. میتوانید تصور کنید که این پیچکها مانند فضای درونی (دندریتها) و فضای بیرونی (آکسونها) یک نورون هستند که تکانه های الکتریکی را از یک نورون به سایرین منتقل میکند.
بسیاری از پردازش صورت گرفته در سیستم عصبی در اتصالات بین نورون ها اتفاق می افتد. چنین اتصالی بین دندریت و آکسون نورون مجاورت یک فضا ایجاد میکند که سیناپس نام دارد.
علوم اعصاب محاسباتی تا حد زیادی بر روی ساختمان نرم افزاری تمرکز میکند که مغز پستانداران را از معماری کلاسیک فون نیومن در کامپیوتر شبیه سازی میکند. این معماری مکانی را که داده در آن پردازش میشود از جایی که در آن ذخیره میشود، جدا میسازد، این ساختار تا سالهای 1960معماری اصلی کامپیوتر محسوب میشد.
محققان متوجه شده اند که دادن قدرت کافی به CPUها ایجاد برنامه هایی با ساختار نرم افزاری مغز، یک نتیجه منطقی است. اما این شبیه این است که بگوییم کلمات کافی بدهیم و رمان ایجاد کنیم، نتیجه گیری منطقی است. معماری یک کلید محسوب میشود. برای درک این دلیل مسیر یک بیت از داده های فرضی در داخل یک ریزپردازنده متعارف را با مسیرش در داخل مغز مقایسه کنید. به یاد داشته باشید که در یک کامپیوتر استاندارد حافظه و پردازشگر توسط کانال داده ها یا گذرگاه ها، بین جایی که داده ها ذخیره میشود و جایی که بر روی آن عملیاتی صورت میگیرد، از هم جدا می شوند. ظرفیت ثابت این کانل به این شکل است که تنها داده هایی را محدود میکند که چک شده باشند و بر روی آنها در هر لحظه داده شده کار شده باشد.
پردازنده یک تعداد کوچکی از شکافها را برای ذخیره داده ها در طول محاسبات نگه میدارد که registerها نامیده میشود.
بعد ازانجام تمام محاسبات ضروری پردازشگر دوباره نتیجه را به حافظه مینویسد. دوباره با استفاده از گذرگاه داده ها.معمولاً این روال با مشکل بزرگی روبه رو نمی شود. برای به حداقل رساندن مقدار ترافیکی که بر روی گذرگاه با ظرفیت ثابت جریان دارد پیشرفته ترین پردازشگرها، رجیسترها را با استفاده از یک حافظه پنهانی که ذخیره سازی موقتی را بسیار نزدیک به نقطه محاسبه فراهم می کند، تقویت میشود.
اگر یک محاسبه ای که غالباً تکرار میشود تقاضای چندین قطعه از داده را بکند پردازشگر، آنها را در این حافظه نگه می دارد که بخش محاسبات بتواند سریعتر و کارآمدتر به نسبت حافظه اصلی به آن دسترسی پیدا کند. با این حال آن طرح ذخیره سازی برای دسته ای از چالشهای محاسباتی عمل نمی کند شما با تلاشی برای شبیه سازی مغز مواجه میشوید.
حتی مغزهای نسبتاً ساده دهها میلیون از نورونها را دارند که توسط میلیاردها سیناپس متصل شده اند. بنابراین هرگونه تلاش برای شبیه سازی چنین اتصالات درونی گسترده ای مانند قورت دادن یک حافظه به بزرگی حافظه اصلی کامپیوتر است که میتواند بلافاصله ماشین را غیر قابل استفاده سازد.
چرا؟ اکثریت قریب به اتفاق محاسبات و قدرت بودجه چنین سیستم شبیه سازی مغزی (دانشمندان کامپیوتر آن را معماری عصبی - شناختی می نامند) به سمت تقلید دسته بندی پردازش سیگنال که درون سیناپسهای مغز اتفاق میافتد، میرود. در واقع مدلسازی تنها یک سیناپس نیاز به موارد زیر که در ماشین آلات رخ میدهد،دارد: وضعیت سیناپس در یک فضا در حافظه اصلی است. (احتمالاً اینکه چگونه مسیر ورودی یک سیگنال مانند را از یک نورون طی می کند که عامل اصلی در میزان قدرت پیوستگی بین هر دو نورون است). برای تغییر این وضعیت پردازشگر باید یک سیگنال الکتریکی را برای انتقال بر روی گذرگاه اصلی بسته بندی میکند. آن سیگنال باید بین20 تا 10سانتیمتر را طی کند تا به حافظه فیزیکی برسد سپس باید برای رسیدن به موقعیت حافظه مورد نظر از دسته بندی خارج شود. حال آن دنباله را تکثیر می کنیم تا بیش از 8000 سیناپس به همان اندازه که یک سیگنال نورون موش باید داشته باشد و سپس آن را تکثیر می کنیم با تعدادی از نورون ها در مغزی که شما می خواهید با آن رقابت کنید. در حدود میلیارد. تبریک می گوییم شما یک فعالیت مغزی میلی ثانیه ای کامل را مدل سازی کردید.
مغز بیولوژیکی قادر است این حجم عظیم اطلاعات را به سرعت انجام دهد و در یک بسته کوچک قرار دهد. به این دلیل که این مغز شامل یک تعداد از میانبرهای شگفت آور است. اتفاقی که در مغز در اینجا رخ می دهد این است که: نورون 1یک شوک ناگهانی به بیرون پرتاب می کند و اطلاعات حاصل خارج شده از آکسونها به سیناپس هدف یعنی نورون 2 میرسد. سیناپسهای نورون 2که وضعیت خود را به صورت محلی ذخیره کرده اند اهمیت اطلاعات ارسالی از نورون 1 را با استفاده از جمع آوری این اطلاعات به همراه وضعیت قبلی اش و قدرت اتصالش به نورون 1 ارزیابی می کند.
سپس این 2 قطعه از اطلاعات (اطلاعات از نورون 1 و وضعیت سیناپس نورون 2) به طرف بدنه نورون 2بر روی دندریتها جریان می یابد. در این جا بخش مهمی وجود دارد: در آن زمان که اطلاعات به بدنه نورون 2میرسد تنها یک مقدار واحد وجود دارد - تمام پردازش قبلاً در طول انتقال اطلاعات به وقوع پیوسته است. در اینجا هیچ گونه نیازی برای مغز جهت بیرون راندن اطلاعات از یک نورون، صرف زمان پردازش آن، و سپس بازگشت آن به مجموعه ای از نورون های مختلف وجود نداشته است. در عوض در مغز پستانداران پردازش در همان زمان و در همان مکان رخ می دهد. این قدرت دلیل اصلی است که مغز انسان می تواند به اندازه توان یک لامپ 20 وات کار کند. اما باز تولید عملکرد مغز حتی در پیشرفته ترین ابر رایانه ها به یک نیروگاه اختصاصی نیاز دارد.
مطمئن باشید که تفاوت تنها در مکان نیست مغز دارای یک سری مولفه های فوق العاده کارآمد است که ما نمی توانیم هرگز بازتولید کنیم. به شکل خیلی حیاتی مغز می تواند حدود 100میلیون ولت کار انجام دهد در حالی که مدار منطقی نیم هادی مکمل اکسید فلزات با این حال نیاز به یک ولتاژ بسیار بالاتر جهت عملکرد درست نزدیک به 1ولت دارد. و ولتاژ اعمال شده بالاتر به این معنی است که قدرت بیشتر در انتقال سیگنال از طریق سیستمها صرف می شود.
در حال حاضر تکرار ساختاری که ما در بالا توضیح دادیم به طور کامل با تکنولوژی سیلیکونی امروزی امکان پذیر نیست.
یک هوش مصنوعی واقعی می تواند بر روی سخت افزار متداول اجرا شود. اما این امر می تواند فوق العاده ناکارآمد باشد. سخت افزار ناکارآمد ما را از اجرای الگوریتم های عصبی - شناختی متوقف نمی کند. (بصیرت ماشین/یادداشت مترجم: یعنی اینکه ماشین خودش توانایی تشخیص خوب و بد را داشته باشه مثل آدم) اما ما به یک کلاستر (یادداشت مترجم: کلاستری کامپیوتری است که از اتصال موازی چندین cpu پر قدرت بوجود آمده است) عظیم با واحد پردازش گرافیکی با کارآیی بسیار بالا (GPU) نیاز خواهیم داشت که به محاسبات موازی ای رسیدگی کند که به اندازه توان مصرفی برق مورد نیاز یک شهرک دانشگاهی در نواحی میانه غربی است. پس چگونه می توانیم چیزی بسازیم که ساختار آن شبیه به مغز باشد؟ در اینجا بحث DARPA مطرح میشود: ساختار خود را برای ادغام حافظه و محاسبات تغییر دهید.
MEMRISTOR بهترین تکنولوژی بیرون از این جا برای انجام وظایف است. به این دلیل که MEMRISTOR اولین تکنولوژی حافظه با قدرت بهره وری و تراکم کافی جهت رقابت کردن با محاسبات بیولوژیکی است. با این وسایل ما با اعتماد به نفس کافی می توانیم هوش مصنوعی بسازیم که بتواند اندازه و توان مصرفی مغز پستاندار را تخمین بزند.
به منظور اجتناب از بلاهت اینکه هوش را از سخت افزار اساساً بی عقل انتظار داشته باشیم DARPA برنامه SyNAPSE (سیستمهای عصبی - شناختی انطباقی فرم پذیر مقیاس پذیر الکترونیکی)را در سال 2008 آغاز کرد. زمان بندی خوب بود.
در آن سال آزمایشگاه های HP یک MEMRISTOR عملگر خلق کردند. یک وسیله که به عنوان چهارمین مولفه اساسی الکترونیکی بعد از مقاومتها، خازنها و القاگرها نامیده میشد.
این مفهوم تازه نبود. در سال 1971پرفسور لئون چاو از دانشگاه کالیفرنیا، برکلی استدالال کرد که یک MEMRISTOR شبیه به یک مقاومت است که میزان رسانایی آن به صورت تابعی از وضعیت داخلی آن و ولتاژاعمال شده به آن تغییر می کند. به عبارت دیگر به این خاطر که MEMRISTOR می تواند مقدار جریانی را که از آن عبور کرده را به خاطر بسپارد، می تواند مانند یک حافظه اساساً غیر فرار عمل کند.
و کاملاً مطمئن باشید که حافظه های RAM دینامیکی غول پیکر نیمه هادی شرکت HYNIX اخیراً سر و صدای زیادی ایجاد کرد درست وقتی که دستگاه را به عنوان یک پایه ممکن برای نسل آینده حافظه اش انتخاب شد. اما از آنجا که MEMRISTORها می توانند وضعیت قبلی خود را بدون استفاده از هیچ نیرویی به خاطر بسپارید، بزرگترین پتانسیل شان در طول مسیر مانند تشبیه واقع بینانه به سیناپسها در مغز شده است.
در اینجا به این دلیل است که MEMRISTOR وسیله ای دو سویه است که تغییرات مقاومتش به مقدار، جهت و طول مدت ولتاژی دارد که به آن اعمال می شود. اما این جا یک نکته بسیار جالب در مورد MEMRISTOR وجود دارد: وضعیت گذشته اش یا مقاومتش هر چه که باشد، آن وضعیت را ثابت می کند تا وقتی که ولتاژ دیگری به آن اعمال شود و تغییرش دهد. حفظ و نگهداری آن وضعیت به هیچ نیرویی احتیاج ندارد.
این از یک سلول دینامیکی حافظه RAM که نیاز به شارژ به طور منظم جهت حفظ وضعیتش دارد، متفاوت است.
نتیجه این است که هزاران MEMRISTOR می تواند جایگزین بانکهای عظیم از حافظه که برای کار احتیاج به اتصال به منبع پاور داشته باشند، شود. فقط باید مشخص شود که MEMRISTOR معجزه نمی کند (اثر memristive حافظه با گذر زمان کاهش می یابد. این فروپاشی می تواند سالها یا قرنها طول بکشد، بستگی به نوع ماده دارد و ثبات آن اغلب باید برای تولید انرژی مورد نیاز مبادله شود) بلکه یکی از دلایل اصلی این تحقیق است که MEMRISTOR هنوز بازار را پر نکرده اند.
به لحاظ فیزیکی MEMRISTOR تنها یک اتصال اکسیدی بین دو سیم فلزی عمود بر هم است. MEMRISTORهای متداول می توانند مانند یک ساندویچ در اندازه نانو تصور شود. (نان محل تقاطع دو سیم متقاطع است. بین تکه نان اکسید وجود دارد، حبابهای حامل شارژ اکسیژن از طریق اکسید حرکت کرده و می تواند از میان آن ماده به بالا و پایین جهت تامین وضعیت MEMRISTOR فشرده شوند (آخرین مقاومت). این حالت مقاومت آن چیزی است که هنگامی که نیرو قطع می شود، حفظ میشود. آخرین کار پشتیبانی DARPA درHP بازده بیشتر MEMRISTORهای پیچیده است. بنابراین این توصیف الزاماً کمی کلی است.
نکته مهم این است که به یاد داشته باشیم وضعیت MEMRISTOR میتوانید مشابه با وضعیت سیناپسهایی که ما قبلاً ذکر کردیم در نظر گرفته شود.
وضیعت سیناپس بستگی به چگونگی نزدیکی هر دو نورون که به هم متصل هستند دارد. که یک بخش کلیدی از توانایی پستانداران در یادگیری اطلاعات جدید است. معماری ریزپردازنده الهام گرفته شده از مغز که در آزمایشگاه HP در حال توسعه است، میتواند به عنوان تراشه چند هسته ای با پایه MEMRISTOR در نظر گرفته شود.شکل(2)
امروزه، ریزپردازنده های مدل بالا همگی هسته ها یا واحدهای پردازش متعدد دارند. اما به جای 8 هسته متداول یا بیشتر این قبیل ریزپردازنده سخت افزارHP حاوی صدها هسته پردازشگر سیلیکونی پیش پا افتاده ساده خواهد بود و هر کدام از این هسته ها هر یک از اینها ورقه مافوق فشرده شبکه ممرسیستور مخصوص خود را دارند. هر هسته سیلیکون مستقیماً به حافظه پنهانی با ظرفیت مگا و قابلیت دسترسی سریع که از میلیونها MEMRISTOR ساخته شده است، متصل است. به این معنی که هر هسته تنها بانک عظیم خصوصی حافظه خود را دارد.
MEMRISTORها به طور باور نکردنی کوچک و باریک هستند. حتی با استانداردهای حال حاضر ترانزیستورهای نیمه هادی: همکار ارشد HP، استن ویلییامزادعا میکند که با پیشرفت در فرآیند ساخت، پردازش برای روی هم انباشتن خطوط عرضی بر روی یک تراشه به تنهایی در دو دهه، ساخت یک حافظه غیر فرار مبنی بر MEMRISTOR با یک پتابیت در سانتی مترمربع (پتابیت: یک کادریلیون بیت است) امکان پذیر است. اگر چه کهMEMRISTORها، متراکم، ارزان و کوچک هستند، آنها نیز یک میزان شکست بالا در حال حاضر دارند. خصوصیاتی که در برگیرنده یک شباهت چشمگیر به سیناپسهای مغز است. این بدان معنی است که ساختاری که باید بر اساس تعریف تحمل پذیری در مدارهای تکی ایجاد عیب کند، بیشترین روشی است که مغزها کارایی خود را به صورت برازنده ای تنزل میدهند مثل سیناپسهایی که ناپدید شدند بدون اینکه به طور ناگهانی خرابی در سیستم ایجاد شود.
در واقع کهMEMRISTORها داده ها را برای انجام محاسبات می برند. روشی که در سیستمهای بیولوژیکی هم صورت می گیرد و آنها از توان کم برای ذخیره اطلاعات استفاده می کند، به همان شکلی که مغز انجام می دهد.
برای یک کارکرد قابل مقایسه ،سخت افزار جدید در آینده از 2 تا 3 دستور با میزان توان کمتر به نسبت GPU مدل NIVIDIAS FREMICLASS استفاده خواهد کرد.
شما ممکن است فکر کنید برای رسیدن به پردازش آنچه که بیشتر شبیه به یک نظریه است تا یک محاسبه نیاز به موارد بیشتری دارد تا فقط یک سخت افزار جدید.
همچنین این قضیه نیاز به یک نرم افزار هم دارد. شما ممکن است اشتباه کنید اما در این مسیر ممکن است غافلگیر هم بشوید. اساساً بدون تغییر این مدل علمی در ساختار سخت افزاری شما حتی نمی توانستید در مورد ساخت این مدل MoNETA فکر کنید. برای ساختن یک مغز شما نیاز به دور ریختن استعاره و واژه "جدایی سخت افزار و نرم افزار" دارید زیرا مغز به این شکل عمل نمی کند. در مغز تنها wetware وجود دارد.
اگر شما واقعاً بخواهید مغز یک پستاندارد را باز تولید کنید، نرم افزار و سخت افزار نیاز به پیچیده شدن دارند. ما هیچ ایده ای برای چگونگی ساخت چنین سیستمی در این لحظه نداریم.اما MEMRISTOR به ما این امکان را میدهد که یک قدم بزرگ با استفاده از شکل فاکتورهای بیولوژیکی نزدیکتر شویم: سخت افزار که میتوان هم کوچک باشد و هم توان بسیار پایین را داشته باشد.
جایی که HP صرف نگهداری از مولفه های سخت افزاری پردازش عصبی شناختی می کند، ما یک نرم افزاری ساختیم - مدلهای مغزی که سخت افزار را مسکون می کنند الگوریتمهای بیولوژیکی ما این نهاد را ایجاد خواهند کرد: MoNETA
فکر کنید MoNETA نرم افزار کاربردی است که عمل شناخت، استدلال و یادگیری را انجام میدهد.HP تیم ما را همراهی کرد تا در دانشگاه بوستون آن را بسازیم. بدلیل تجربه ما در مرکز عالی برای یادگیری در علوم آموزش و تکنولوژی که توسط موسسه علمی ملی سرمایه گذاری شده است. در CELEST، مدل سازی های محاسباتی، دانشمندان علوم اعصاب، روانشناسان و مهندسان به همراه پژوهشگرانی از دانشگاه هاروارد، ام آی تی، براندیس و سازمان سیستمهای عصبی و شناختی از خود دانشگاه بوستون حضور دارند.CELEST برای مطالعه مفاهیم پایه ای از چگونگی الگوهای مغز، شناخت، ارتباطات و خاطرات تاسیس شده بود.
برای اجازه دادن به مدلهای مغز و سخت افزار عصبی شناختی به تعامل با یکدیگر HP یک نمونه از سیستمهای عامل تک منظوره با هدف خاص ساخت که Cog EX Machina نام داشت. COG توسط محقق ارشد HP، گرگ اسنایدر ساخته شد. که به طراحان سیستم اجازه داد با زمینه های سخت افزاری برای انجام محاسبه های عصبی شناختی تعامل داشته باشد. محاسبه عصبی شناختی یعنی محاسبه ای که می تواند بین سخت افزاری که مانند بدنه یک نورون پردازش می کند و سخت افزاری که به روش دندریتها و آکسونها پردازش می کند، تقسیم شود. دو نمونه از هسته ها در برخورد با پردازش اساساً از دو روش متفاوت استفاده می کنند. ساختار نورونی CPU این هسته را انعطاف پذیر می سازد و به آن اجازه می دهد هر عملی که شما در آن انجام می دهید را اداره می کند.
به این ترتیب ویژگیهای آن شبیه به آن دسته از نورونهاست. اما مبادله به این شکل است که هسته تمام توان را جذب می کند، همچنین مثل نورونها، این المانها باید تنها یک درصد کوچکی از سیستم را تشکیل دهند.
هسته دندریتی بسیار شبیه به یک GPU کار می کند، یک ریز پردازنده ارزان قیمت با کارآیی بسیار بالا. مثل دندریت GPU یک ساختار محکم دارد که تنها برای محاسباتی از نوع خاص بهینه شده است. در این حالت، عملیاتهای جبری خطی پیچیده آنچه را درون یک دندریت اتفاق می افتد، تخمین می زند.
از آنجا که GPUها برای محاسبات موازی بهینه شده اند، ما می توانیم از آنها برای تخمین محاسبات توزیع شده ای که دندریتها انجام می دهند، استفاده کنیم. اما همچنین استفاده از آنها هزینه در بردارد: هسته های GPU تنها یک دسته از عملیات های محدود را انجام می هند. هسته های دندریت در سخت افزار نهایی DARPA انعطاف بسیار کمتری نسبت به هسته های نورونی خواهند داشت. اما آنها مقدار خیلی زیادی از اطلاعات وضعیت را در بانکهای عظیم حافظه مبنی بر MEMRISTOR در خود ذخیره می کند و مانند پیچکهای نورون بخش عمده ای از المانهای محاسباتی سیستم را تشکیل خواهند داد. MEMRISTORها در نهایت مانند سیناپسهایی عمل می کنند که واسطه ای برای انتقال اطلاعات بین دندریتها و اکسونهای نورونهای مختلف عمل خواهند کرد. برای یک برنامه نویس، بهره گیری کامل از فواید ماشینی مانند این (با نوع هسته متفاوتش و حافظه فوق العاده پیچیده برای ذخیره سازی ) به طرز فوق العاده ای چالش برانگیز است، زیرا مسائل باید به درستی در سراسر آن دو نوع پردازنده متفاوت به شکل ریشه ای تفکیک شوند. با تشکر از Cog، ما دانشمندان علوم اعصاب محاسباتی می توانیم مسائل مربوط به سخت افزار را فراموش کنیم و بر روی گسترش ماهیت درون ماشین تمرکز کنیم.
MoNETA هوشی از نوع هوش پستانداران و با اهداف کلی خواهد بود، یک موجود مصنوعی، عمومی که به عنوان یک انیمات با سخت افزار DARPA شناخته شده است، ما فکر می کنیم که می توانیم که این سطح از هوش را در یک جعبه کفش جاسازی کنیم. مشخصه کلیدی که MoNETA را از سایر هوش مصنوعی متمایز می کند این است که MoNETA لزومی نخواهد داشت که صرفاً برنامه ریزی شود. ما MoNETA را مهندسی می کنیم تا به صورت سازگار و کارآمد مثل مغز پستانداران عمل کند. ما قصد داریم که آن را در شرایط مختلف تنظیم و مهندسی کنیم تا به صورت سازگار و کارآمد مثل مغز پستانداران عمل کند. ما قصد داریم که آن را در شرایط مختلف تنظیم کنیم و MoNETA به صورت دینامیکی خواهد آموخت.
هوش بیولوژیکی نتیجه عمل بسیار هماهنگ از مناطق به شدت به هم پیوسته تغییرپذیر مغز است. بیشتر تحقیقات قبلی بر روی مدلسازی قسمتهای منحصر به فرد مغز تمرکز کرده است. نتایج وقتی در برخی از حالتها تاثیر گذارند که یک بخشی از آزمایشات دسته بندی باشند. نظریه ها و مدلها که هر کدام به طرز درستی ساختار و عملکرد مناطق واحد مغز و همچنین سهم آن در ادراک، احساسات و عملکرد را به خوبی توصیف می کنند. اما اگر شما تلاش کنید که آن یافته ها را به یکدیگر پیوند دهید، بیشتر احتمال دارد که به هیولای فرانکشتاین غیر عملگر برسید تا به هر چیزی شبیه هوش پستانداران.
به راستی اهداف کلی هوش تنها زمانی که همه چیز یکبار اتفاق افتاده باشد می تواند پدیدار شود. در موجودات هوشمند مثل موش humble، همه ادراک (از جمله ورودیهای صوتی و تصویری یا مناطقی از مغز که مسئول حرکتهای درست انگشت است)، احساسات، اعمال و عکس العملها با هم ترکیب و برهمکنش می دهند تا رفتار را هدایت کنند. ادراک بدون عمل، احساسات، استدلال بالاتر و یادگیری نه تنها برای رسیدن به اهداف کلی با شکست مواجه می شود بلکه حتی عقل سلیم هم موفقیت آزمایش TURING را نمی پذیرد.
(یادداشت مترجم: آزمایش TURING آزمایشی است جهت سنجش توانایی هوش. این آزمایش به این گونه است که یک فرد به عنوان داور در محاوره معمولی زبان یک انسان و ماشین در نظر گرفته می شود، هر کدام ازآنها تلاش می کنند مانند یک انسان عمل کنند. شرکت کنندگان در مکانهای جدا از هم قرار دارند. اگر داور نتواند ماشین را از انسان متمایز کند، ماشین در این آزمون موفق شده است. به منظور آزمودن هوش ماشین، به جای توانایی آن در ترجمه کردن کلمات به وضعیت شنیداری، محاوره تنها محدود به یک کانال صرفاً متنی از قبیل صفحه کلید یا صفحه نمایش کامپیوتر می شود.
این آزمون در سال 1950در مقاله فردی به نام آلن تورینگ تحت عنوان "محاسبات ماشینی و هوش" با این سوال که: "من پیشنهاد می کنم به این موضوع پرداخته شود که آیا ماشینها می توانند فکر کنند؟" مطرح شد).
ایجاد این ساختار یکپارچه جام مانند توسط چندین مانع عملی محدود شده است. مهمترین نکته کمبود یک تئوری یکپارچه مغز است. اما ایجاد مراکز بزرگ از قبیل CELEST دانسته های ما در مورد اینکه چه جنبه های کلیدی بیولوژیکی از INTEL-LIGENCE باید قابل اجرا در ساخت هوش مصنوعی با اهداف کلی باشد را ارتقا می دهد.
چگونه می دانیم که موفق شده ایم؟ چگونه بدانیم که تمام تلاشها و نرم افزار و سخت افزار جدید، آن چیزی را که ما می خواهیم به ما تقدیم می کنند؟وقتی که ما می توانیم MoNETA را به دویدن، شنا کردن و یافتن غذا آن هم بدون برنامه ریزی برای انجام این قبیل کارها تحریک کنیم، در ساخت این موجود هم موفق می شویم.
هوش مصنوعی باید در طول زندگیش بدون نیاز به برنامه ریزی مجدد ثابت یا بدون نیاز به اینکه به او گفته شود از قبیل چه چیز خوب و چه چیز بد است، آموزش ببیند. این یک چالش بزرگ برای هوش مصنوعی متداول است. امکان پذیر نیست که یک موجود رباتیک یا موجود مجازی برای دانسته های زندگیش از قبل برنامه نویسی شده باشد. چنین عقلی باید از تعامل بین مغز و تعداد زیادی از سیناپسهایی که خاطرات را ذخیره می کند و یک محیطی که به طور ثابت در حالت تغییر بوده و با اطلاعات متراکم می شود، یاد بگیرد.
این موجود در محیط اطرافش چیزهایی در مورد اشیاء یاد می گیرد، برای رسیدن به اهدافش هدایت می شود و از خطرات اجتناب می کند بدون اینکه نیازی باشد تا ما برنامه ریزی مشخصی برای اشیا و رفتارها انجام داده باشیم.
چنین توانایی به نوعی در پستانداران استاندارد شده است، زیرا مغز ما در طول زندگیمان قابل تغییر است. ما یاد می گیریم تا افراد جدید و مکانهای جدید را بشناسیم و مهارتهای جدیدی را بدون اینکه نیاز به این باشد که به ما گفته شود که به این شکل انجام دهیم را بدست آوریم. MoNETA نیازدارد که همین کارها را انجام دهد.
ما حرکات خود را در یک امتحان کلاسیک تحت نام ماموریت هدایت آبی موریس تست خواهیم کرد. در این آزمایش دانشمندان علوم اعصاب به یک موش آزمایشی آموزش می دهند که در یک مارپیچ مربعی از آب با علامتهای دیداری شنا کند تا به یک سکوی شناور که نمی تواند آنرا ببیند برسد. ماموریت آسان به نظر می رسد، اما هر چیزی هست جز ساده. برای رسیدن به سکوی موش باید از خیلی قسمتهای پیچیده و شگفت انگیز مغز استفاده کند تا دید، لمس، ناوبری فضایی، احساس، هدف، برنامه ریزی و دستورات حرکتی را هماهنگ کند.
دانشمندان ماموریت مارپیچ آبی را در طولهای زیاد بررسی کرده اند، بنابراین ما بسیاری از واکنشهای آناتومی و فیزیولوژی موش را می دانیم. اگر بتوانیم به جاندار مورد بررسی آموزش مواجه با مارپیچ را بدهیم اولین قدم مهم را در جهت شبیه سازی هوش پستانداران برداشته ایم.
تا میانه سال بعد، تحقیقات ما در حال کارکردن با هزاران انیمات کاندید به صورت همزمان، با تفاوت های اندک در ساختارهای مغزی خواهد بود. با بازی کردن طراحیهای هوشی، بهترینها را گلچین خواهیم کرد و افزایش کارایی تا ماهر شدن بدون چون و چرا در ماموریتها مانند مارپیچ آبی و غیره که به تدریج سخت شونده هستند را ادامه خواهیم داد. ما هر کدام از این انیماتهای شبیه سازی شده را تحت نظر می گیریم که با محیط خود بر هم کنش دارد و تکامل می یابد. انتظار داریم که تدریجاً پی به ترکیب مناطق مغز و ارتباطاتی که منجر به رفتار هوشمند مستقل می شوند ببریم. سپس ما آن المانها را در چیپ های پردازش عصبی مبتنی بر MEMRISTOR به کار خواهیم بست. زمانی که چیپ ساخته شد ما آنرا در سکوی روبوتیک قرار می دهم تا وارد دنیای واقعی گردد. روبوتهای همدم سالمندان، روبوت برای فرستادن به مریخ برای کاوشهای مستقل و وسایل نقلیه بدون سرنشین هوایی تنها آغاز راه خواهند بود. آیا این چیپ ها بصیرت و احساس را با شبیه سازی و ارتباط دادن متناسب مناطق مغز که در تجربه ذهنی داخل هستند را "تجربه" می کنند؟
برای پاسخ به این سوال بسیار زود است. با این حال، هدف ما جایگزین کردن تجربه - هوشیاری درونی در یک چیپ نیست، بلکه ساختن ماشینهای کاربردی که در یک محیط پیچیده هوشمندانه عمل کنند. به عبارت دیگر ایده، ساختن ماشینی است که جوری رفتار می کند که انگار هوشمند است، گرایشات احساسی دارد، با انگیزه است، بدون این قید که از آن احساسات، افکار و انگیزه ها با خبر باشند. درسهای معماری که اینجا می آموزیم تمام CPU های آینده را متحمل خواهد ساخت. واقعیت اینست که کامپیوترهای معمولی تنها قویتر نخواهند شد مگر اینکه به سمت معماری موازی و بومی - محور حرکت کنند.
در حالیکه چیپ های عصبی شناختی ابتدا تکمیل کننده CPU های امروزی خواهند شد، به زودی قدرت مطلق آنها جانشین معماری کامپیوترهای امروز خواهد شد.
فشار بیرحمانه ای صنعت نیمه هادی ها به سمت تمرکز بر روی ترانزیستورهای کوچک و کوچکتر، خیلی زود به معنی نرخ بیشتر نقص خواهد بود. امسال جدیدترین تکنولوژی، طرح به ابعاد 22 نانومتر می باشد. تا 2018 این عدد تا 12 نانومتر کاهش خواهد یافت تا جایی که فرآیندهای اتمی با کارکرد ترانزیستور تداخل خواهد کرد. به عبارت دیگر آنها به طرز فزاینده ای غیر قابل اعتماد خواهند شد. کمپانیهایی مثلIntel,Hynix و البته HP منابع زیادی را در جهت یافتن راهی برای اتکا کردن به این ادوات غیر قابل اتکای آینده صرف می کنند. محاسبات عصبی شناختی امکان عملی شدن آن را در هر دوی MEMRISTOR و ترانزیستور فراهم می کند.
مدت زیادی طول نخواهد کشید تا چیپ های چند هسته ای یک حافظه چگال و توان کم با هسته های CMOS را ادغام کند. این تنها شهود عام است. پیش بینیهای ما؟
چیپ های عصبی - شناختی سرانجام با چاشنیهای زیادی خواهند آمد همانطور که طراحیهای مغز در طبیعت وجود دارد: کرم میوه، کرم خاکی ، موش و انسان. تمام چیپ های ما مغز خواهند داشت.
منبع: بزرگراه رایانه، شماره ی 140
