آیا ما واقعاً منطقی هستیم؟ هوش مصنوعی یک باور علمی دیرینه را به چالش می‌کشد

به گزارش گروه دانشگاه خبرگزاری دانشجو، یک مطالعه جدید از شبکه‌های عصبی فشرده برای کشف مکانیسم‌های اساسی تصمیم‌گیری انسان استفاده می‌کند.

دانشمندان مدت‌هاست که نحوه تصمیم‌گیری انسان‌ها و حیوانات را مطالعه کرده‌اند و اغلب به این موضوع پرداخته‌اند که چگونه تجربیات اخیر و آزمون و خطا رفتار را شکل می‌دهند. اما مدل‌های سنتی ممکن است جنبه‌های کلیدی نحوه تصمیم‌گیری را نادیده بگیرند، عمدتاً به این دلیل که فرض می‌کنند افراد همیشه سعی می‌کنند منطقی‌ترین یا سودمندترین گزینه را بر اساس نتایج گذشته انتخاب کنند.

در یک مطالعه جدید، محققان با استفاده از هوش مصنوعی، رویکرد متفاوتی را برای بررسی تصمیم‌گیری به شیوه‌ای واقع‌بینانه‌تر اتخاذ کردند. آنها شبکه‌های عصبی مصنوعی کوچکی ایجاد کردند تا بررسی کنند چه چیزی واقعاً بر انتخاب‌های یک فرد تأثیر می‌گذارد، چه این تصمیمات مؤثر باشند چه نباشند.

مارسلو ماتار، استادیار دانشکده روانشناسی دانشگاه نیویورک و یکی از نویسندگان این مقاله که در مجله نیچر منتشر شده است، توضیح می‌دهد: به جای فرض اینکه مغز چگونه باید در بهینه‌سازی تصمیمات ما یاد بگیرد، ما یک رویکرد جایگزین برای کشف چگونگی یادگیری واقعی تصمیم‌گیری توسط مغز‌های فردی ایجاد کردیم.» «این رویکرد مانند یک کارآگاه عمل می‌کند و کشف می‌کند که چگونه حیوانات و انسان‌ها در واقع تصمیم می‌گیرند. با استفاده از شبکه‌های عصبی کوچک - به اندازه کافی کوچک که قابل درک باشند، اما به اندازه کافی قدرتمند باشند تا رفتار‌های پیچیده را ثبت کنند - ما استراتژی‌های تصمیم‌گیری را کشف کرده‌ایم که دانشمندان برای دهه‌ها نادیده گرفته بودند.

شبکه‌های عصبی کوچک، بینش‌های بزرگ

نویسندگان این مطالعه خاطرنشان می‌کنند که شبکه‌های عصبی کوچک - نسخه‌های ساده‌شده‌ای از شبکه‌های عصبی که معمولاً در برنامه‌های هوش مصنوعی تجاری استفاده می‌شوند - می‌توانند انتخاب‌های حیوانات را بسیار بهتر از مدل‌های شناختی کلاسیک که رفتار بهینه را فرض می‌کنند، پیش‌بینی کنند، زیرا توانایی آنها در روشن کردن الگو‌های رفتاری غیربهینه است. در کار‌های آزمایشگاهی، این پیش‌بینی‌ها به خوبی پیش‌بینی‌های انجام شده توسط شبکه‌های عصبی بزرگتر، مانند آنهایی که برنامه‌های هوش مصنوعی تجاری را پشتیبانی می‌کنند، هستند.

جی-آن لی، نویسنده و دانشجوی دکترا در برنامه تحصیلات تکمیلی علوم اعصاب در دانشگاه کالیفرنیا، سن دیگو، می‌افزاید: «یکی از مزایای استفاده از شبکه‌های بسیار کوچک این است که ما را قادر می‌سازند تا ابزار‌های ریاضی را برای تفسیر آسان دلایل یا مکانیسم‌های پشت انتخاب‌های یک فرد به کار گیریم، که اگر از شبکه‌های عصبی بزرگی مانند شبکه‌های مورد استفاده در اکثر برنامه‌های هوش مصنوعی استفاده می‌کردیم، دشوارتر می‌شد.

مارکوس بنا، نویسنده و استادیار نوروبیولوژی در دانشکده علوم زیستی دانشگاه کالیفرنیا، سن دیگو، می‌گوید: «شبکه‌های عصبی بزرگی که در هوش مصنوعی استفاده می‌شوند، در پیش‌بینی چیز‌ها بسیار خوب هستند. برای مثال، آنها می‌توانند پیش‌بینی کنند که شما دوست دارید کدام فیلم را در ادامه تماشا کنید. با این حال، توصیف مختصر استراتژی‌هایی که این مدل‌های پیچیده یادگیری ماشین برای پیش‌بینی‌های خود به کار می‌برند - مانند اینکه چرا فکر می‌کنند شما یک فیلم را بیشتر از فیلم دیگر دوست خواهید داشت - بسیار چالش برانگیز است. با آموزش ساده‌ترین نسخه‌های این مدل‌های هوش مصنوعی برای پیش‌بینی انتخاب‌های حیوانات و تجزیه و تحلیل پویایی آنها با استفاده از روش‌های فیزیک، می‌توانیم عملکرد درونی آنها را با عباراتی قابل فهم‌تر روشن کنیم.»

فراتر از آزمایشگاه: کاربرد‌های دنیای واقعی

درک چگونگی یادگیری حیوانات و انسان‌ها از طریق تجربه برای تصمیم‌گیری، نه تنها یک هدف اصلی در علوم است، بلکه به طور گسترده‌تر، در حوزه‌های تجارت، حکومت و فناوری نیز مفید است. با این حال، مدل‌های موجود از این فرآیند، به دلیل اینکه با هدف به تصویر کشیدن تصمیم‌گیری بهینه طراحی شده‌اند، اغلب در توصیف رفتار واقع‌بینانه شکست می‌خورند.

به طور کلی، مدلی که در مطالعه جدید نیچر شرح داده شده است، با فرآیند‌های تصمیم‌گیری انسان‌ها، نخستی‌سانان غیرانسانی و موش‌های آزمایشگاهی مطابقت داشت. نکته قابل توجه این است که این مدل، تصمیماتی را پیش‌بینی کرد که بهینه نبودند و در نتیجه، ماهیت «دنیای واقعی» تصمیم‌گیری را بهتر منعکس می‌کرد - و برخلاف فرضیات مدل‌های سنتی که بر توضیح تصمیم‌گیری بهینه متمرکز هستند. علاوه بر این، مدل دانشمندان دانشگاه نیویورک و دانشگاه کالیفرنیا، سن دیگو، توانست تصمیم‌گیری را در سطح فردی پیش‌بینی کند و نشان دهد که چگونه هر شرکت‌کننده استراتژی‌های مختلفی را برای رسیدن به تصمیمات خود به کار می‌گیرد.

متار نتیجه می‌گیرد: «همانطور که مطالعه‌ی تفاوت‌های فردی در ویژگی‌های فیزیکی، پزشکی را متحول کرده است، درک تفاوت‌های فردی در استراتژی‌های تصمیم‌گیری می‌تواند رویکرد ما را به سلامت روان و عملکرد شناختی متحول کند.

مرجع: «کشف استراتژی‌های شناختی با شبکه‌های عصبی بازگشتی کوچک» نوشته‌ی لی جی-آن، مارکوس کی. بنا و مارسلو جی. متار، ۲ ژوئیه ۲۰۲۵، نیچر.

DOI: ۱۰.۱۰۳۸/s۴۱۵۸۶-۰۲۵-۰۹۱۴۲-۴

این تحقیق با کمک‌های مالی بنیاد ملی علوم (CNS-۱۷۳۰۱۵۸، ACI-۱۵۴۰۱۱۲، ACI-۱۵۴۱۳۴۹، OAC-۱۸۲۶۹۶۷، OAC-۲۱۱۲۱۶۷، CNS-۲۱۰۰۲۳۷، CNS-۲۱۲۰۰۱۹)، موسسه مغز و ذهن کاولی، دفتر ریاست دانشگاه کالیفرنیا، و موسسه ارتباطات و فناوری اطلاعات کالیفرنیا/موسسه کوالکام در دانشگاه کالیفرنیا، سن دیگو، پشتیبانی شده است.