اگر قرار باشد تمام اطلاعاتی را که وارد مغزتان میشود نگهداری کنید، بهمرور خیل عظیم این اطلاعات، تأثیر مخربی بر توانایی تصمیمگیری شما خواهد گذاشت. همین امر در مورد هوش مصنوعی هم صدق میکند.
کامپیوترها هرساله به آن چیزی که ما آن را «فکر کردن» مینامیم نزدیکتر میشوند؛ دیگر با یک وسیلهی مطیع که موبهمو دستورات را اجرا میکند و چیزی یاد نمیگیرد روبهرو نیستیم.
شبکههای عصبی که از نورونهای مصنوعی ساخته شدهاند، بهجای پردازش یک وظیفه در آنِ واحد، قادر به انجام کارهای زیاد بهصورت همزمان هستند. دیگر با یادگیری هر چیز جدیدی لازم نیست تمام دادههای قبلی بازنویسی شود؛ بلکه این سیستمها از مدارهایی برخوردارند که میتوانند اطلاعات خاصی را فراموش کنند.
چرا فراموش کردن دادهها مهم است؟
شاید با خود بیندیشید که «اگر یادگیری برای بقاء ما ضرری و لازم است؛ در نتیجه، فراموشی یک باگ یا مشکل در نرمافزار بیولوژیکی ما محسوب میشود!»
خب بیایید یک فرض ساده را در نظر بگیریم. تصور کنید شما هر زمان که چیز نو و جدیدی به یاد میآورید، باید اطلاعات آن موردِ خاص را با تمام اطلاعات مرتبط با آن، ولی قدیمی به خاطر بیاورید. بهتازگی یک ماشین خریدهاید و با آن برای خرید لوازم خانه به فروشگاه بزرگی رفتهاید. به پارکینگ فروشگاه میروید تا خریدهای خود را در صندوقعقب جا بدهید و به خانه برگردید. مغز شما باید تمام ماشینهایی را که در گذشته خریدهاید بررسی کند تا به ماشین جدیدتان در پارکینگ برسد.
یک کار ساده مانند پیدا کردن ماشین، به خاطر حجم اطلاعاتی که روزبهروز اضافهتر میشود، قدرت پردازشی بیشتری میخواهد و از طرفی زمان بیشتری تلف میکند.
ولی در عمل، مغز شاید در اولین تجربهها، شما را سردرگم کند و در پارکینگ به دنبال ماشین قبلی خود بگردید؛ اما بهمرور اطلاعات ماشین جدید، جای اطلاعات ماشین قبلی را میگیرند و بهتدریج خودروی قبلی را فراموش میکنید.
فراموش کردن نه یک باگ در نرمافزار ما، که یک قابلیت برای تصمیمگیری مؤثر و مفیدتر است
به سراغ هوش مصنوعی برویم. AI به این صورت کار نمیکند. در حال حاضر، آموزش یک AI برای انجام یک کار، ساده است؛ اما آموزش دوبارهی آن برای انجام یک کار جدید، البته در همان زمینه، کار سختی خواهد بود. بسته به تکنولوژی مورد استفاده، سیستم تمایل به نگهداری هر آنچه یاد گرفته دارد. مغز خودتان را جای AI بگذارید و فرض کنید که اقدام به نگه داشتن تمام اطلاعات مرتبط با ماشین قبلی شما میکند؛ آنهم با سطح اهمیتی یکسان با ماشین جدید. البته این سیستم ممکن است که اطلاعات مهم را بهصورت تصادفی فراموش کند. فرض کنید ماشین هاچبک دارید و ناگهان فراموش میکنید که اصلا هاچبک یعنی چه و به چه نوع ماشینی اطلاق میشود.
این سیستم اگر اقدام به بهکارگیری اطلاعات جدید و حذف اطلاعات کماهمیت قدیمی کند، بسیار کاراتر خواهد بود. این موضوع در حقیقت هدف تکنولوژی جدیدی است که توسط دانشگاه پردو در حال پیگیری است. محققان آن را Organismoid مینامند.
دم و بازدم
همانگونه که در یک سندِ نشریه ارتباطات طبیعت در آگوست ۲۰۱۷ توضیح داده شد، محققان Organismoid-هایی از سفال «ماده کوانتومی» با نام نیکِلات ساماریوم ساختند. زمانی که محققان آن را در معرض گاز هیدروژن قرار دادند، هیدروژن را به خود جذب کرد (عملیات دم) و الکترون هر یک از اتمهای هیدروژن از آن جدا و به نیکل موجود در مادهی مورد نظر چسبید. این موضوع باعث پایین آمدن توانایی انتقال الکتریکی بهصورت موقت شد. با جدا شدن هیدروژن، ماده خاصیت رسانایی خود را دومرتبه به دست آورد. با تنظیم دقیق روشهایی که ماده در معرض گاز هیدروژن قرار میگیرد، محققان توانستند راههای دسترسی به دادهها را تغییر دهند. آنها میتوانند با این روش، کاری کنند که سیستم مانند یک مغز یاد بگیرد و البته فراموش کند.
یکی از محققان با نام کاشیک روی میگوید:
اگر من مداوم در معرض اطلاعات خاصی باشم، با آن انس میگیرم و حافظهی مربوط به آن را حفظ میکنم. اما اگر من اطلاعات مشابه را در طول زمان نبینم، کمکم این اطلاعات در حافظهی من رو به زوال خواهند گذاشت. رفتار رسانایی این ماده و بالا و پایین شدن آن بهصورت نمایی، میتواند مدل پردازشی جدیدی بسازد که بهمرور بیشتر و بیشتر یاد میگیرد و در همان زمان به روش مؤثری شروع به فراموش کردن چیزها میکند.
پیشتر در زومیت به فراموشی و اهمیت آن برای مغز و تصمیمگیری بهتر پرداختیم. با بهکارگیری این روش، سیستمها بیشتر شبیه به مغز رفتار خواهند کرد. همین موضوع میتواند بر سرعت و دقت تصمیمگیری این سیستمها تأثیری مثبت (بهخصوص در طول زمان) بگذارد. بههرحال احتمالا بر تصمیمات کامپیوترهایی که توانایی فراموش کردن اطلاعات کماهمیت و قدیمی را دارند، بیشتر میتوانیم حساب کنیم.