مدل‌های هوش مصنوعی واقعاً می‌توانند «فرزند» بسازند؟ حقیقت علمی تکامل عصبی و هایپ اینترنتی

تکامل عصبی (Neuroevolution) به مدل‌های هوش مصنوعی اجازه می‌دهد در طول نسل‌های مختلف پارامترهایشان را با هم تبادل کنند، اما هنوز هیچ نتیجه آزمایشگاهی معتبری برای ادعای پر سر و صدای اخیر پیدا نشده است.

شاید ایده‌ای که این روز‌ها در فضای مجازی دست‌به‌دست می‌شود شبیه داستان‌های علمی‌تخیلی به نظر برسد، اما سازوکار پشت آن کاملاً واقعی و شاخه‌ای ثبت‌شده در پژوهش‌های هوش مصنوعی است. اگر استعاره‌ها و شاخ‌وبرگ‌های اضافی را کنار بگذاریم، به تکامل عصبی (Neuroevolution) می‌رسیم؛ روشی تثبیت‌شده و شناخته‌شده که منطق الگوریتم‌های ژنتیک را روی طراحی و چینش شبکه‌های عصبی پیاده می‌کند.

در این سازوکار، محققان جمعیتی از شبکه‌های عصبی داوطلب را می‌سازند و عملکرد هر کدام را با یک تابع برازش (Fitness Function) می‌سنجند. این تابع به هر شبکه بر اساس خروجی و کارایی‌اش یک امتیاز عملکردی اختصاص می‌دهد.

سپس برترین شبکه‌ها گلچین می‌شوند و پارامترها یا اجزای معماری آن‌ها از طریق فرآیندی به نام بازتلفیق یا تقاطع (Crossover) با هم ترکیب می‌شوند تا نسل تازه‌ای از مدل‌های داوطلب خلق شود.

در مرحله بعد، تغییرات تصادفی و کوچکی تحت عنوان جهش (Mutation) اعمال می‌شود تا الگوریتم در مسیر بهینه‌سازی درجا نزند و متوقف نشود. این چرخه طی نسل‌های متوالی بارها و بارها تکرار می‌شود.

همان‌طور که می‌بینید، پای هیچ زیست‌شناسی یا زاد و ولد واقعی در میان نیست؛ همه‌چیز کاملاً ریاضیاتی و الگوریتمی پیش می‌رود.

روش‌های تکاملی مدل‌ها را صرفاً بر اساس خروجی نهایی‌شان ارزیابی می‌کنند، نه از طریق محاسبه گرادیان‌ها در دل شبکه. همین موضوع باعث می‌شود این روش‌ها برای حل مسائلی که الگوریتم گرادیان کاهشی (Gradient Descent) در آن‌ها قابل محاسبه نیست یا هزینه محاسباتی بسیار سرسام‌آوری دارد، گزینه‌ای ایده‌آل باشند.

چرا ترکیب ساده‌لوحانه شبکه‌ها در عمل شکست می‌خورد؟

تعبیر عامه‌پسند «بچه‌های هوش مصنوعی» یک چالش مهندسی بسیار بزرگ را که محققان سال‌ها برای حل آن وقت گذاشته‌اند، کاملاً نادیده می‌گیرد.

دو شبکه عصبی که جداگانه آموزش دیده‌اند، ممکن است کاری کاملاً یکسان را انجام دهند، در حالی که نورون‌های هم‌مکان در هر دو شبکه نقش‌های کاملاً متفاوتی را بر عهده دارند. ترکیب کورکورانه و چشم‌بسته وزن‌های این دو شبکه معمولاً به جای تجمیع نقاط قوت، کارایی مفید هر دو را کلاً نابود می‌کند.

پژوهشی پیرامون بازتلفیق ایمن شبکه‌های عصبی دقیقاً دست روی همین نقطه گذاشته است. طبق یافته‌های این مقاله، هماهنگ‌سازی و تطبیق نورون‌های هم‌کارکرد پیش از ترکیب وزن‌ها باعث تولید «فرزندانی» شد که در ارزیابی خطای اعتبارسنجی حتی از مدل‌های والد خود عملکرد بهتری ثبت کردند. این آزمایش روی معیارهای استاندارد و معروفی مثل MNIST و CIFAR-10 آزمایش شده است.

همین گام هماهنگ‌سازی — یعنی تطبیق دادن نورون‌ها بر اساس کارکرد واقعی‌شان به جای موقعیت ظاهری و مکانی آن‌ها — همان مرزی است که یک استعاره جالب ژورنالیستی را از سازوکاری کاربردی و عملی تفکیک می‌کند.

تصمیمات مهندسی در این مسیر به سرعت پیچیده و پرشمار می‌شوند. پیاده‌سازی عملی این ایده نیازمند مشخص کردن دقیق اندازه جمعیت، تابع برازش، قواعد انتخاب والدین، نقاط تقاطع و بازتلفیق، نرخ جهش و معیارهای پایان الگوریتم است؛ به‌طوری‌که تغییر هر کدام از این متغیرها می‌تواند نتیجه نهایی را به کلی دگرگون کند.

چرا سر و صدای ماجرا (فعلاً) از واقعیت علمی جلوتر افتاده است؟

مطالعه خاصی که این روز‌ها در شبکه‌های اجتماعی جنجال به پا کرده، هنوز به هیچ مقاله علمی یا منبع معتبری متصل نشده است.

هویت محققان، دانشگاه یا مؤسسه مبدأ، محل انتشار مقاله و ارقام نجومی ادعاشده هنوز به طور رسمی تأیید نشده‌اند. تا زمانی که یک منبع مستند و قابل ارجاع منتشر نشود، عقل سلیم حکم می‌کند که با شک و تردید منطقی به این دست ادعاهای شگفت‌انگیز نگاه کنیم.

تکنیک‌های بنیادی این فناوری حداقل از سال ۲۰۱۷ در مقالات و متون علمی هوش مصنوعی ثبت شده‌اند و ریشه‌های نظری آن به سال‌ها قبل‌تر برمی‌گردد؛ بنابراین با کشف خارق‌العاده و خلق‌الساعه‌ای روبه‌رو نیستیم که یک‌شبه ظاهر شده باشد.

دیدگاه‌های متفاوتی در این حوزه میان متخصصان جریان دارد که هر دو طرف هم دلایل منطقی خود را دارند؛ خوش‌بین‌ها معتقدند که روش بازتلفیق و تکاملی می‌تواند فضاهایی از مسئله را کشف و کاوش کند که الگوریتم گرادیان کاهشی به آن‌ها دسترسی ندارد — به‌ویژه وقتی که محاسبه گرادیان بیش از حد گران یا ناممکن باشد.

در مقابل، شکاکان تأکید می‌کنند که جایگزینی آموزش‌های مبتنی بر گرادیان برای مدل‌های بزرگ امروزی با شواهد علمی فعلی اصلاً همخوانی ندارد. منطقی‌ترین سناریوی کاربردی در آینده نزدیک، رویکردی ترکیبی (هیبرید) است؛ به این صورت که جست‌وجوی تکاملی معماری‌ها یا پیکربندی‌های اولیه را پیدا کند و سپس الگوریتم‌های گرادیانی گزینه‌های برتر را به مرحله کمال برسانند.

چه نکاتی را باید زیر نظر داشت؟

تکامل عصبی شاخه‌ای واقعی با نتایج مستند و اثبات‌شده است، و پرسش کلیدی درباره نحوه توارث مطمئن قابلیت‌ها میان مدل‌ها ارزش دنبال کردن جدی را دارد.

اگر مقاله علمی معتبری با نتایج قابل بازتولید در رابطه با این ادعای پر سر و صدا منتشر شود، قطعاً ارزش تبدیل شدن به تیتر یک اخبار را خواهد داشت. اما تا آن زمان، ما با یک دانش تثبیت‌شده مواجهیم که صرفاً لباسی پر زرق‌وبرق و ژورنالیستی به تن آن پوشانده‌اند؛ دانشی که حتی بدون این هایپ‌ها و سروصداهای مجازی هم به اندازه کافی جذاب و آینده‌دار است.