قسمت ۱۸: مغز انسان در برابر شبکه عصبی مصنوعی؛ ماشین چقدر شبیه مغز ماست؟

تفاوت مغز انسان و شبکه عصبی مصنوعی فقط به تعداد نورون‌ها یا سرعت محاسبات محدود نمی‌شود. شبکه‌های عصبی مصنوعی از ایده نورون‌های زیستی الهام گرفته‌اند، اما کپی دیجیتال مغز انسان نیستند. در این قسمت می‌بینیم نورون مصنوعی، وزن، بایاس، تابع فعال‌سازی و الگوریتم‌هایی مانند Backpropagation چگونه به یادگیری ماشین کمک می‌کنند. همچنین بررسی می‌کنیم چرا مغز انسان همچنان از نظر سازگاری، مصرف انرژی، تجربه و یادگیری با شبکه‌های عصبی امروزی تفاوتی بنیادین دارد.

تحقیق و تدوین مهدی گمرکی

آیا داخل کامپیوتر، چیزی شبیه مغز ساخته‌ایم؟

تصور کنید یک تصویر از یک گربه را به دو موجود نشان می‌دهیم: یک انسان و یک سامانه هوش مصنوعی.

انسان معمولاً با یک نگاه می‌تواند بگوید:

«این یک گربه است.»

حتی اگر تصویر تار باشد، حیوان از زاویه‌ای غیرمعمول دیده شود یا بخش زیادی از آن پشت یک مانع قرار گرفته باشد.

اما ماشین چه کار می‌کند؟

درون یک مدل هوش مصنوعی، مجموعه عظیمی از محاسبات انجام می‌شود. داده وارد شبکه می‌شود، از لایه‌های مختلف عبور می‌کند و در نهایت مدل احتمالی را برای پاسخ موردنظر ارائه می‌دهد.

این شباهت ظاهری یک سؤال مهم ایجاد می‌کند:

آیا شبکه عصبی مصنوعی واقعاً شبیه مغز انسان است؟

پاسخ کوتاه این است: از یک جهت بله، اما از بسیاری جهات نه.

شبکه‌های عصبی مصنوعی از همان ابتدا تا حدی با الهام از نحوه عملکرد نورون‌های زیستی شکل گرفتند؛ اما شبکه‌های امروزی را نباید نسخه دیجیتال یا شبیه‌سازی کامل مغز انسان تصور کرد.

برای درک بهتر این تفاوت، باید ابتدا به خود مغز برگردیم.

اگر قسمت قبلی این مجموعه را دنبال کرده‌اید، در «آیا هوش مصنوعی واقعاً می‌فهمد؟ بررسی تفاوت فهم انسان و ماشین» دیدیم که رفتار هوشمندانه لزوماً به معنای داشتن تجربه ذهنی یا آگاهی نیست. حالا یک قدم جلوتر می‌رویم و می‌پرسیم: اصلاً معماری‌ای که پشت این رفتار هوشمندانه قرار دارد، چقدر به مغز انسان شباهت دارد؟

مغز انسان چگونه اطلاعات را پردازش می‌کند؟

مغز انسان یک سامانه زیستی بسیار پیچیده است که از میلیاردها نورون تشکیل شده است. نورون‌ها با یکدیگر ارتباط برقرار می‌کنند و از طریق شبکه‌ای بسیار گسترده از اتصالات، اطلاعات را دریافت، پردازش و منتقل می‌کنند.

یکی از اجزای مهم این سیستم، نورون یا سلول عصبی (Neuron) است.

یک نورون به‌طور ساده می‌تواند اطلاعاتی را از نورون‌های دیگر دریافت کند، آن‌ها را پردازش کند و در شرایط خاص سیگنالی را به نورون‌های دیگر منتقل کند.

ارتباط میان نورون‌ها نیز تا حد زیادی از طریق ساختارهایی به نام سیناپس (Synapse) انجام می‌شود.

اما اینجا یک نکته مهم وجود دارد:

نباید تصور کنیم که یک نورون مغز دقیقاً مانند یک واحد محاسباتی ساده در شبکه عصبی مصنوعی عمل می‌کند.

شباهت اصلی در سطح ایده است:

اطلاعات وارد می‌شود، ارتباط میان واحدها وجود دارد و نتیجه فعالیت یک شبکه بزرگ از واحدهای به‌هم‌پیوسته شکل می‌گیرد.

اما جزئیات زیستی مغز بسیار پیچیده‌تر از مدل‌های ساده ریاضی هستند.

ایده نورون مصنوعی از کجا آمد؟

وقتی پژوهشگران تلاش کردند سازوکارهای یادگیری و پردازش اطلاعات را به شکل ریاضی مدل کنند، ایده نورون مصنوعی (Artificial Neuron) شکل گرفت.

نورون مصنوعی را می‌توان یک مدل ریاضی ساده در نظر گرفت که چند ورودی دریافت می‌کند.

برای مثال:

ورودی ۱ ──┐
ورودی ۲ ──┼──> نورون مصنوعی ──> خروجی
ورودی ۳ ──┘

اما همه ورودی‌ها اهمیت یکسانی ندارند.

به همین دلیل هر ورودی یک وزن (Weight) دریافت می‌کند.

به زبان ساده، وزن مشخص می‌کند هر ورودی تا چه اندازه در نتیجه نهایی تأثیر داشته باشد.

برای نمونه، اگر یک مدل بخواهد تشخیص دهد یک تصویر به یک گربه مربوط است، ویژگی‌های مختلف تصویر می‌توانند وزن‌های متفاوتی در تصمیم مدل داشته باشند.

در یک مدل بسیار ساده می‌توانیم چنین رابطه‌ای داشته باشیم:

خروجی اولیه = مجموع ورودی‌ها × وزن‌های مربوط به آن‌ها + Bias

بعد این مقدار معمولاً از یک تابع فعال‌سازی (Activation Function) عبور می‌کند.

همین ایده ساده، یکی از پایه‌های شبکه‌های عصبی مصنوعی مدرن است.

وزن و Bias چه کاری انجام می‌دهند؟

برای درک شبکه عصبی، دو مفهوم بسیار مهم هستند:

وزن (Weight)

وزن نشان می‌دهد یک ورودی چه میزان اهمیت دارد.

اگر وزن یک ورودی بزرگ‌تر باشد، تأثیر آن در محاسبه نهایی بیشتر خواهد بود.

بایاس (Bias)

مقدار Bias به مدل اجازه می‌دهد آستانه تصمیم‌گیری خود را بهتر تنظیم کند.

می‌توان آن را به‌صورت ساده شبیه یک مقدار تنظیم‌کننده در نظر گرفت که به مدل کمک می‌کند خروجی انعطاف‌پذیرتری داشته باشد.

در طول آموزش شبکه عصبی، وزن‌ها و Biasها تغییر می‌کنند.

و این دقیقاً جایی است که مفهوم یادگیری ماشین وارد داستان می‌شود.

پرسپترون چیست؟

یکی از مفاهیم تاریخی مهم در مسیر شکل‌گیری شبکه‌های عصبی، پرسپترون (Perceptron) است.

پرسپترون را می‌توان یک مدل ساده از نورون مصنوعی دانست که ورودی‌ها را دریافت کرده و بر اساس وزن‌های آن‌ها، خروجی تولید می‌کند.

تصور کنید می‌خواهیم یک تصمیم ساده بگیریم:

آیا این ورودی در دسته «A» قرار می‌گیرد یا «B»؟

پرسپترون تلاش می‌کند با استفاده از وزن‌ها و یک تابع تصمیم، مرزی میان این دو دسته ایجاد کند.

البته توانایی یک پرسپترون ساده محدود است.

اما وقتی تعداد زیادی از این واحدها در چندین لایه کنار یکدیگر قرار بگیرند، داستان کاملاً متفاوت می‌شود.

اینجاست که به مفهوم شبکه عصبی عمیق (Deep Neural Network) می‌رسیم.

شبکه عصبی مصنوعی چگونه یاد می‌گیرد؟

فرض کنیم می‌خواهیم شبکه‌ای بسازیم که تصویر گربه و سگ را از یکدیگر تشخیص دهد.

در ابتدا مدل هیچ شناخت دقیقی از گربه یا سگ ندارد.

داده‌های آموزشی را وارد شبکه می‌کنیم و مدل پیش‌بینی خود را ارائه می‌دهد.

ممکن است بگوید:

گربه: ۳۰ درصد

و پاسخ واقعی مثلاً گربه باشد.

بنابراین مدل خطا کرده است.

این خطا باید اندازه‌گیری شود.

در یادگیری ماشین، تابعی به نام Loss Function می‌تواند میزان فاصله میان خروجی مدل و پاسخ مورد انتظار را اندازه‌گیری کند.

حالا سؤال مهم:

چطور مدل خودش را اصلاح می‌کند؟

روش Backpropagation؛ شبکه چطور اشتباه خود را اصلاح می‌کند؟

یکی از مفاهیم کلیدی در آموزش بسیاری از شبکه‌های عصبی، Backpropagation یا پس‌انتشار خطا است.

ایده اصلی نسبتاً ساده است.

مدل:

۱. ورودی را دریافت می‌کند.
۲. خروجی تولید می‌کند.
۳. خطای خروجی محاسبه می‌شود.
۴. مشخص می‌شود وزن‌های مختلف تا چه اندازه در این خطا نقش داشته‌اند.
۵. وزن‌ها به‌روزرسانی می‌شوند.
۶. مدل دوباره داده را بررسی می‌کند.

این فرآیند بارها و بارها تکرار می‌شود.

به این ترتیب، شبکه به‌تدریج پارامترهای خود را تنظیم می‌کند.

در کنار Backpropagation، الگوریتم‌هایی مانند Gradient Descent برای پیدا کردن جهت مناسب تغییر پارامترها استفاده می‌شوند.

البته این فرآیند به معنای آن نیست که شبکه مثل انسان می‌نشیند و درباره اشتباه خود «فکر» می‌کند.

این اصلاح، یک فرآیند ریاضی و محاسباتی است.

چرا به آن «شبکه عصبی» می‌گوییم؟

اینجا احتمالاً دلیل انتخاب این نام روشن‌تر می‌شود.

پژوهشگران در طراحی مدل‌های اولیه از ایده شبکه‌ای از نورون‌های زیستی الهام گرفتند.

در یک شبکه مصنوعی نیز واحدهایی داریم که به یکدیگر متصل هستند.

اما این شباهت نباید ما را فریب دهد.

شبکه عصبی مصنوعی مغز کوچک‌شده نیست.

نورون مصنوعی یک مدل ریاضی بسیار ساده‌شده است و شبکه عصبی مصنوعی مدرن نیز از نظر ساختار، فیزیک، نحوه پردازش اطلاعات و سازوکار یادگیری با مغز انسان تفاوت‌های اساسی دارد.

بنابراین عبارت «شبکه عصبی» بیشتر نشان‌دهنده الهام اولیه این حوزه است، نه اینکه شبکه‌های امروزی واقعاً مانند مغز کار کنند.

شباهت مغز انسان و شبکه عصبی مصنوعی چیست؟

با وجود تفاوت‌های فراوان، چند شباهت مفهومی مهم وجود دارد.

۱. هر دو شبکه‌ای از واحدهای به‌هم‌پیوسته هستند

در مغز، نورون‌ها از طریق اتصالات عصبی با یکدیگر ارتباط دارند.

در شبکه عصبی مصنوعی نیز واحدهای محاسباتی در قالب لایه‌ها به یکدیگر متصل می‌شوند.

۲. قدرت اتصال اهمیت دارد

در مغز، قدرت و ویژگی اتصالات سیناپسی در یادگیری نقش دارند.

در شبکه مصنوعی، وزن‌ها میزان تأثیر ورودی‌ها را تعیین می‌کنند.

البته این دو مفهوم را نباید دقیقاً معادل یکدیگر دانست.

۳. هر دو از تجربه و تغییر در اتصالات تأثیر می‌پذیرند

مغز در طول تجربه تغییر می‌کند.

شبکه عصبی مصنوعی نیز در طول آموزش وزن‌های خود را تغییر می‌دهد.

اما سازوکار زیستی یادگیری بسیار پیچیده‌تر از به‌روزرسانی عددی وزن‌های یک شبکه مصنوعی است.

تفاوت مغز انسان و شبکه عصبی مصنوعی کجاست؟

اینجا بخش جذاب ماجرا شروع می‌شود.

اگر شبکه عصبی مصنوعی از مغز الهام گرفته، چرا نمی‌توانیم بگوییم یک مدل هوش مصنوعی نسخه دیجیتال مغز است؟

چند دلیل مهم وجود دارد.

۱. مغز یک سیستم زیستی است

مغز از سلول‌های زنده، مواد شیمیایی، سیگنال‌های الکتریکی و فرآیندهای زیستی پیچیده تشکیل شده است.

شبکه عصبی مصنوعی در یک محیط محاسباتی اجرا می‌شود.

این دو از نظر بستر فیزیکی اساساً متفاوت هستند.

۲. یادگیری انسان بسیار متفاوت است

یک کودک ممکن است با چند تجربه محدود، مفهوم یک شیء را یاد بگیرد.

اما بسیاری از مدل‌های هوش مصنوعی برای دستیابی به عملکرد بالا به حجم عظیمی از داده و محاسبات نیاز دارند.

انسان همچنین از بدن، حواس، محیط، تعامل اجتماعی و تجربه مستقیم برای یادگیری استفاده می‌کند.

۳. مصرف انرژی متفاوت است

مغز انسان با مصرف انرژی نسبتاً پایین، مجموعه‌ای عظیم از فعالیت‌های هم‌زمان را انجام می‌دهد.

سامانه‌های هوش مصنوعی مدرن برای آموزش مدل‌های بزرگ می‌توانند به زیرساخت محاسباتی قابل‌توجه و انرژی زیادی نیاز داشته باشند.

این تفاوت یکی از دلایل اصلی علاقه پژوهشگران به محاسبات نورومورفیک است.

۴. مغز فقط یک «شبکه محاسباتی» نیست

مغز با بدن ارتباط دارد.

احساس، حرکت، ادراک، حافظه، توجه، انگیزه و تعامل با محیط همگی در تجربه انسانی نقش دارند.

بنابراین اگر بخواهیم هوش انسانی را بفهمیم، بررسی صرف شبکه‌ای از نورون‌ها کافی نیست.

چرا هوش مصنوعی گاهی بهتر از انسان عمل می‌کند؟

اینجا یک تناقض جالب ایجاد می‌شود.

اگر مغز انسان بسیار پیچیده‌تر است، چرا یک شبکه عصبی مصنوعی می‌تواند در برخی وظایف از انسان بهتر عمل کند؟

دلیل آن است که شباهت به مغز، شرط لازم برای عملکرد بهتر در همه وظایف نیست.

یک مدل هوش مصنوعی می‌تواند برای یک وظیفه مشخص بسیار بهینه شود.

برای مثال، یک سیستم می‌تواند در پردازش حجم عظیمی از داده‌ها، محاسبات عددی یا شناسایی الگوهای خاص عملکرد فوق‌العاده‌ای داشته باشد.

اما همین سیستم ممکن است در موقعیتی کاملاً متفاوت، با مسئله‌ای مواجه شود که برای انسان بسیار ساده به نظر می‌رسد.

این موضوع نشان می‌دهد که «هوشمند بودن در یک وظیفه» با «داشتن هوش عمومی شبیه انسان» یکی نیست.

یادگیری عمیق یا Deep Learning چه ارتباطی با مغز دارد؟

یادگیری عمیق یا Deep Learning از شبکه‌هایی با لایه‌های متعدد استفاده می‌کند.

در یک شبکه ساده:

ورودی >>> لایه >>> خروجی

اما در یک شبکه عمیق‌تر:

ورودی
 ↓
لایه اول
 ↓
لایه دوم
 ↓
لایه سوم
 ↓
...
 ↓
خروجی

هر لایه می‌تواند نمایش متفاوتی از داده ایجاد کند.

برای مثال در پردازش تصویر، لایه‌های ابتدایی ممکن است الگوهای ساده‌تری را شناسایی کنند و لایه‌های بعدی از ترکیب آن‌ها نمایش‌های پیچیده‌تری بسازند.

این ساختار تا حدی یادآور سلسله‌مراتب پردازش اطلاعات در سیستم‌های زیستی است، اما باز هم نباید نتیجه گرفت که این دو سیستم واقعاً به یک شکل کار می‌کنند.

یادگیری عمیق Deep Learning الهام‌هایی از علوم اعصاب گرفته است، اما یک مدل دقیق از مغز انسان نیست.

اگر شبکه عصبی کپی مغز نیست، چرا از مغز الهام گرفته شد؟

این پرسش یکی از مهم‌ترین نکات این قسمت است.

الهام گرفتن با کپی کردن فرق دارد.

فرض کنید مهندسی برای ساخت یک وسیله پرنده به پرندگان نگاه کند.

او ممکن است از مفهوم بال الهام بگیرد، اما هواپیما را به یک پرنده مکانیکی تبدیل نکند.

در مورد شبکه‌های عصبی نیز اتفاق مشابهی رخ داده است.

پژوهشگران از ایده‌هایی مانند:

• نورون
• اتصال
• وزن
• یادگیری
• شبکه
• پردازش اطلاعات

الهام گرفتند و سپس مدل‌های ریاضی و محاسباتی جدیدی ساختند.

در نتیجه، شبکه عصبی مصنوعی امروز محصول ترکیبی از الهام زیستی، ریاضیات، علوم کامپیوتر و مهندسی است.

مسیر Spiking Neural Networks؛ قدمی متفاوت به سمت مغز

یکی از حوزه‌هایی که تلاش می‌کند شباهت بیشتری با شیوه پردازش عصبی ایجاد کند، شبکه‌های عصبی اسپایکی (Spiking Neural Networks) یا SNNها هستند.

در بسیاری از شبکه‌های عصبی متداول، اطلاعات عمدتاً به شکل مقادیر عددی در محاسبات جریان پیدا می‌کند.

اما در SNNها مفهوم Spike یا شلیک عصبی اهمیت بیشتری پیدا می‌کند.

این ایده به نحوه انتقال سیگنال در نورون‌های زیستی نزدیک‌تر است.

هدف این نیست که یک مغز مصنوعی کامل بسازیم؛ بلکه پژوهشگران بررسی می‌کنند آیا می‌توان از شیوه پردازش رویدادمحور و کم‌مصرف‌تر برای ساخت سامانه‌های هوشمند استفاده کرد یا خیر.

محاسبات نورومورفیک چیست؟

روش Neuromorphic Computing یا محاسبات نورومورفیک حوزه‌ای است که تلاش می‌کند برخی اصول پردازش اطلاعات در سیستم عصبی را در طراحی سخت‌افزار و سامانه‌های محاسباتی به کار بگیرد.

ایده اصلی می‌تواند این باشد:

به‌جای اینکه کامپیوترها همیشه با معماری‌های سنتی محاسباتی کار کنند، سخت‌افزارهایی طراحی کنیم که برخی ویژگی‌های پردازش عصبی را تقلید کنند.

این حوزه می‌تواند در آینده برای سیستم‌هایی که نیاز به:

• مصرف انرژی پایین
• پردازش سریع رویدادها
• پردازش در لبه شبکه
• رباتیک
• حسگرهای هوشمند

دارند، اهمیت بیشتری پیدا کند.

با این حال، این فناوری نیز به معنای ساخت یک «مغز مصنوعی واقعی» نیست.

آیا می‌توانیم روزی مغز انسان را شبیه‌سازی کنیم؟

این سؤال از مرز علم امروز عبور می‌کند و وارد قلمرو آینده‌پژوهی می‌شود.

از نظر نظری، مطالعه دقیق‌تر مغز می‌تواند به ساخت مدل‌های محاسباتی پیچیده‌تر کمک کند.

اما میان «ساخت یک شبکه عصبی قدرتمند» و «ساخت سامانه‌ای که واقعاً مانند مغز انسان عمل کند» فاصله بسیار زیادی وجود دارد.

ما هنوز همه سازوکارهای مغز را نمی‌شناسیم.

حتی درباره موضوعاتی مانند:

• شکل‌گیری آگاهی
• نقش دقیق تجربه
• رابطه مغز و ذهن
• نحوه شکل‌گیری برخی انواع حافظه
• نقش بدن در شناخت

پرسش‌های علمی مهمی وجود دارد.

بنابراین نمی‌توان با اطمینان گفت که در آینده دقیقاً چه نوع معماری‌ای به وجود خواهد آمد.

یک اشتباه رایج: «هوش مصنوعی مغز مصنوعی است»

این جمله جذاب است، اما از نظر علمی گمراه‌کننده است.

هوش مصنوعی مجموعه‌ای گسترده از روش‌ها و فناوری‌هاست.

شبکه عصبی مصنوعی نیز یک نوع مدل محاسباتی است.

مغز انسان یک سیستم زیستی پیچیده است.

بنابراین:

هوش مصنوعی = مغز مصنوعی نیست.

و:

شبکه عصبی مصنوعی = کپی دیجیتال نورون‌های مغز نیست.

رابطه واقعی بسیار ظریف‌تر است:

مغز >>> الهام علمی

ریاضیات و علوم کامپیوتر >>> مدل‌سازی

شبکه عصبی مصنوعی >>> سامانه محاسباتی

این تفاوت کوچک در بیان، از نظر علمی بسیار مهم است.

پس چرا مقایسه مغز و هوش مصنوعی مهم است؟

چون این مقایسه فقط درباره گذشته شبکه‌های عصبی نیست.

به آینده هوش مصنوعی هم مربوط می‌شود.

اگر بفهمیم مغز چگونه:

• اطلاعات را پردازش می‌کند،
• یاد می‌گیرد،
• حافظه می‌سازد،
• با محیط تعامل می‌کند،
• انرژی مصرف می‌کند،
• و از تجربه استفاده می‌کند،

ممکن است ایده‌های جدیدی برای ساخت سامانه‌های هوشمند به دست آوریم.

از طرف دیگر، هوش مصنوعی نیز می‌تواند ابزاری برای مطالعه خود مغز باشد.

یعنی رابطه میان علوم اعصاب و هوش مصنوعی می‌تواند دوطرفه باشد:

مغز به هوش مصنوعی ایده می‌دهد و هوش مصنوعی به مطالعه مغز کمک می‌کند.

جمع‌بندی؛ ماشین شبیه مغز است، اما مغز نیست

تفاوت مغز انسان و شبکه عصبی مصنوعی بسیار عمیق‌تر از تفاوت میان چند الگوریتم یا چند تراشه است.

شبکه‌های عصبی مصنوعی از ایده نورون‌های زیستی الهام گرفته‌اند و مفاهیمی مانند وزن، اتصال و یادگیری را در قالب مدل‌های ریاضی به کار می‌گیرند.

اما مغز انسان یک سیستم زیستی، پویا و بسیار پیچیده است که یادگیری آن با تجربه، بدن، محیط، حواس و سازوکارهای زیستی گوناگون درهم‌تنیده است.

شبکه عصبی مصنوعی را بنابراین بهتر است یک مدل محاسباتی الهام‌گرفته از برخی ایده‌های علوم اعصاب بدانیم، نه یک مغز دیجیتال.

و شاید مهم‌ترین نکته این قسمت همین باشد:

هوش مصنوعی برای شبیه شدن به بعضی رفتارهای هوشمندانه انسان، الزاماً مجبور نیست دقیقاً مانند مغز انسان کار کند.

این موضوع ما را به پرسش جالب قسمت بعدی می‌رساند:

اگر شبکه‌های عصبی از داده یاد می‌گیرند، اما همیشه با یک پاسخ از پیش‌تعریف‌شده آموزش نمی‌بینند، ماشین چگونه می‌تواند از تجربه و آزمون‌وخطا یاد بگیرد؟

برای پاسخ به این پرسش، در «یادگیری تقویتی؛ وقتی ماشین از آزمون و خطا یاد می‌گیرد» وارد دنیای Reinforcement Learning می‌شویم؛ جایی که ماشین با دریافت پاداش و جریمه، مسیر تصمیم‌گیری خود را تغییر می‌دهد.

پرسش و پاسخ متداول قسمت ۱۸

آیا شبکه عصبی مصنوعی از مغز انسان ساخته شده است؟

خیر. شبکه‌های عصبی مصنوعی از ایده نورون‌های زیستی الهام گرفته‌اند، اما ساختار و نحوه عملکرد آن‌ها با مغز انسان تفاوت‌های اساسی دارد.

تفاوت نورون زیستی و نورون مصنوعی چیست؟

نورون زیستی یک سلول زنده با سازوکارهای پیچیده الکتریکی و شیمیایی است، در حالی که نورون مصنوعی یک مدل ریاضی برای پردازش ورودی‌ها و تولید خروجی است.

شبکه عصبی مصنوعی چگونه یاد می‌گیرد؟

شبکه عصبی با دریافت داده، تولید پیش‌بینی، اندازه‌گیری خطا و اصلاح پارامترهایی مانند وزن‌ها، به‌تدریج عملکرد خود را بهبود می‌دهد.

روش Backpropagation چیست؟

روش Backpropagation روشی برای محاسبه نحوه تأثیر خطای خروجی بر پارامترهای شبکه است تا بتوان وزن‌های شبکه را در فرآیند آموزش اصلاح کرد.

آیا هوش مصنوعی می‌تواند کاملاً شبیه مغز انسان شود؟

در حال حاضر نمی‌توان چنین نتیجه‌ای گرفت. شبکه‌های عصبی امروزی تفاوت‌های بنیادی با مغز انسان دارند و درباره امکان و شکل شبیه‌سازی کامل مغز نیز هنوز پرسش‌های علمی مهمی وجود دارد.

شبکه‌های عصبی اسپایکی چه تفاوتی دارند؟

شبکه‌های عصبی اسپایکی تلاش می‌کنند اطلاعات را با مفهوم رویدادها یا Spikeها پردازش کنند؛ رویکردی که از برخی جنبه‌ها به شیوه انتقال سیگنال در سیستم عصبی نزدیک‌تر است.

تحقیق و تدوین مهدی گمرکی