شهریور
اخبار
نقشهبرداری کامل مغز مگس سرکه با هوش مصنوعی گوگل
پژوهشگران گوگل ریسرچ با استفاده از شبکههای عصبی مصنوعی، برای نخستینبار نقشهی کامل ارتباطات مغزی یک موجود زنده را ترسیم کردند؛ دستاوردی که میتواند مسیر فهم مغزهای پیچیدهتر، از جمله مغز انسان، را هموار کند.
لیست مطالب
۱. دستاوردی که مرزهای علوم اعصاب را جابهجا کرد
گوگل ریسرچ رسماً اعلام کرد که تیم آن، در کنار پژوهشگران مؤسسهی پزشکی هاوارد هیوز، موفق به تکمیل نخستین نقشهی کامل ارتباطات عصبی (کانکتوم) یک مگس سرکهی بالغ نر شده است. این نقشه نهتنها مغز اصلی حشره، بلکه لوبهای بینایی و طناب عصبی شکمی آن را نیز دربر میگیرد و به همین دلیل، دقیقترین و کاملترین سیمکشی عصبی ثبتشده برای هر موجود زنده تا امروز بهشمار میرود. نتایج این پروژه در قالب مقالهای علمی با عنوان «دوشکلی جنسی در کانکتوم کامل سامانهی عصبی مرکزی مگس سرکهی نر» در نشریهی Cell منتشر شده است.
۲. مگس سرکه؛ چرا این حشرهی کوچک اهمیت دارد؟
مگس سرکه (Drosophila melanogaster) دهههاست که یکی از محبوبترین موجودات مدل در زیستشناسی و علوم اعصاب است؛ چراکه چرخهی زندگی کوتاه، ژنتیک شناختهشده و رفتارهای پیچیدهای مانند پرواز، جفتگیری و یادگیری دارد، اما مغزش به اندازهای کوچک است که نقشهبرداری کامل آن، برخلاف مغز پستانداران، از نظر فنی در دسترس قرار میگیرد. با این حال، حتی همین مغز کوچک هم شبکهای باورنکردنی پیچیده از میلیونها اتصال عصبی است که تحلیل دستی آن برای انسان عملاً غیرممکن بود؛ همینجاست که هوش مصنوعی وارد میدان میشود.
پژوهش روی مگس سرکه پیشینهای طولانی در تاریخ زیستشناسی دارد؛ از کشف قوانین پایهی وراثت ژنتیکی گرفته تا مطالعهی ساعت زیستی بدن، بخش بزرگی از دانش امروز بشر دربارهی مکانیسمهای زیستی مشترک میان جانداران، از همین حشرهی کوچک بهدست آمده است. به همین دلیل، نقشهی کامل مغز آن نهتنها یک دستاورد فنی، بلکه رویدادی است که میتواند مسیر دهها رشتهی پژوهشی دیگر را هم تحت تأثیر قرار دهد؛ از عصبشناسی رفتاری گرفته تا مدلسازی محاسباتی یادگیری.
۳. فناوری پشت پرده: چگونه هوش مصنوعی مغز را نقشهبرداری میکند؟
فرایند نقشهبرداری با گرفتن میلیونها برش فوقنازک از بافت مغزی و تصویربرداری میکروسکوپ الکترونی از هر برش آغاز میشود. حجم این دادهها آنقدر زیاد است که تحلیل دستیشان سالها زمان میبرد. برای همین، گوگل ریسرچ از شبکههای عصبی کانولوشنی موسوم به «شبکههای سیلبند» (flood-filling networks) استفاده میکند؛ الگوریتمهایی که از یک نقطه در تصویر آغاز میکنند و بهشکل خودکار تمام پیکسلهای متعلق به همان نورون را در میان انبوه برشها ردیابی و بازسازی سهبعدی میکنند. این رویکرد شباهت زیادی به کاری دارد که مدلهای زبانی بزرگ برای درک الگوهای پیچیده در دادههای متنی انجام میدهند؛ برای آشنایی بیشتر با این دسته از فناوریها میتوانید مقالهی اوپنایآی چیست و چگونه کار میکند را در سایت ما بخوانید.
۴. پثفایندر؛ نسل تازهی الگوریتمهای تشخیص نورون
نسخهی تازهی این خطلوله، با نام پثفایندر (PATHFINDER)، جهشی مهم نسبت به نسلهای پیشین محسوب میشود. مهندسان گوگل با افزودن نورونهای مصنوعی و ساختگی به دادههای آموزشی، مدل را قادر ساختند تا حتی نورونهایی با شکلهای نادر و غیرمعمول را بدون نیاز به برچسبگذاری دستی گسترده تشخیص دهد. نتیجه، افزایش همزمان دقت و سرعت پردازش بوده است؛ عاملی که ساخت نقشهای ششبرابر بزرگتر از تلاشهای پیشین را در بازهی زمانی معقول ممکن کرد. با این حال، مانند بسیاری از سامانههای هوش مصنوعی، خروجی نهایی همچنان توسط کارشناسان انسانی در مؤسسهی Janelia بازبینی و اصلاح شده تا از دقت علمی آن اطمینان حاصل شود؛ یادآوری خوبی از اینکه حتی پیشرفتهترین مدلها هم محدودیتهای واقعی هوش مصنوعی را دارند و نظارت انسانی همچنان جایگاه خود را حفظ میکند.
۵. مسیر ششساله؛ از مغز مگس ماده تا سامانهی عصبی کامل نر
این دستاورد نتیجهی مسیری چندساله است. در سال ۲۰۱۹، گوگل برای نخستینبار موفق شد مغز یک مگس سرکهی ماده را بهطور کاملاً خودکار بازسازی کند. یک سال بعد، در ۲۰۲۰، نقشهای از نیمی از مغز شامل حدود ۲۵ هزار نورون و ۲۱ میلیون اتصال سیناپسی، همراه با تأیید و بازبینی انسانی منتشر شد. نسخهی تازه که اکنون کل سامانهی عصبی مرکزی یک مگس نر بالغ را دربر میگیرد، جهشی حدوداً ششبرابری نسبت به آن نقشهی نیمهمغز محسوب میشود؛ روندی که نشان میدهد چگونه پیشرفت در الگوریتمهای بینایی ماشین میتواند مقیاس پروژههای علمی را در بازهای کوتاه چند برابر کند.
۶. چرا مقایسهی مغز نر و ماده اهمیت دارد؟
یکی از بزرگترین ارزشهای علمی این پروژه، در دسترسبودن همزمان نقشهی مغز نر و مادهی مگس سرکه است. این موضوع برای نخستینبار به پژوهشگران اجازه میدهد تفاوتهای ساختاری میان مدارهای عصبی دو جنس را در سطح تکتک نورونها بررسی کنند؛ از جمله مدارهایی که رفتارهایی مانند جفتگیری، پرخاشگری و آواسازی را کنترل میکنند. به گفتهی تیم تحقیقاتی، این نوع مقایسهی دقیق، دریچهی تازهای به سوی درک زیستشناسی دوشکلی جنسی (sexual dimorphism) در سطح مداری باز میکند؛ چیزی که پیش از این تنها در سطح رفتاری یا ژنتیکی قابل مطالعه بود.
۷. از مغز حشره تا مغز انسان؛ چقدر راه مانده؟
سوالی که بلافاصله پس از انتشار این خبر مطرح میشود این است: آیا همین رویکرد روزی برای نقشهبرداری از مغز انسان هم به کار میرود؟ پاسخ کوتاه، «هنوز نه» است. مغز انسان حدود ۸۶ میلیارد نورون دارد؛ یعنی نزدیک به نیممیلیون برابر مغز مگس سرکه، و نقشهبرداری کامل آن با فناوری فعلی، هم از نظر زمان و هم از نظر هزینهی محاسباتی، خارج از دسترس است. اما تیم گوگل ریسرچ اعلام کرده همین خطلوله را اکنون روی مغز موجودات مهرهدار آزمایش میکند؛ از جمله نقشهبرداری از ساقهی مغزی ماهی فیلبینی همراه با ثبت همزمان فعالیت عصبی، و همچنین تلاش برای ترسیم نقشهی کامل مغز لارو ماهی گورخری. این گامهای میانی، پلی طبیعی میان مدلهای سادهی حشرات و مغزهای پیچیدهی مهرهداران محسوب میشوند و میتوانند در بلندمدت زمینه را برای مطالعهی مغزهای بزرگتر فراهم کنند.
۸. دادههای باز؛ هدیهای برای جامعهی علمی جهان
نکتهی مهم دیگر این پروژه، رویکرد باز گوگل در انتشار دادههاست. کل دیتاست شامل مشهای سهبعدی خام سلولها، جدول کامل سیناپسها و برچسبهای نوع سلولی، بهصورت رایگان و از طریق ابزار متنباز Neuroglancer در دسترس هر پژوهشگری در سراسر جهان قرار گرفته است. این شفافیت دادهمحور، شباهت زیادی به رویکردی دارد که در صنعت هوش مصنوعی هم اهمیت روزافزونی پیدا کرده؛ همانطور که در مقالهی اهمیت هوش مصنوعی در کسبوکار هم اشاره شده، دسترسی آزاد به داده و ابزار، سرعت نوآوری در کل اکوسیستم فناوری را افزایش میدهد. کارشناسان میگویند این نوع دادهی باز میتواند مبنای دهها پروژهی پژوهشی مستقل در دانشگاههای سراسر دنیا شود.
۹. این دستاورد چه معنایی برای آیندهی هوش مصنوعی دارد؟
ارتباط این پروژه با هوش مصنوعی، تنها به ابزار مورد استفاده محدود نمیشود. دادههای زیستی دقیقی مانند این کانکتوم، میتوانند الهامبخش نسل تازهای از معماریهای شبکهی عصبی مصنوعی باشند که ساختارشان به واقعیت زیستی نزدیکتر است؛ رویکردی که برخی پژوهشگران آن را «هوش مصنوعی زیستیمحور» مینامند. از سوی دیگر، همین پروژه نمونهی خوبی از کاربرد عملی و ملموس هوش مصنوعی در علم پایه است؛ فاصلهای که گاهی در میان هیاهوی اخبار مربوط به چتباتها و دستیارهای هوش مصنوعی، کمتر دیده میشود. برای کسانی که میخواهند نگاه دقیقتری به کاربردهای واقعی و نه صرفاً تبلیغاتی این فناوری داشته باشند، مقالهی توهم هوش مصنوعی در برابر مهندسی واقعی در سایت ما میتواند دیدگاه جالبی ارائه دهد. همچنین برای دنبالکردن آخرین رویدادهای این حوزه میتوانید سری به بخش اخبار هوش مصنوعی سایت بزنید.
نکتهی جالب دیگر اینکه پروژههای علمی اینچنینی معمولاً کمتر از رقابتهای پرسروصدای میان مدلهای زبانی بزرگ دیده میشوند، در حالیکه از نظر ارزش بلندمدت برای بشریت میتوانند حتی مهمتر باشند. مقایسهی رویکردهای مختلف شرکتهای فناوری در استفاده از هوش مصنوعی، از رقابت مدلهای گفتوگومحور گرفته تا پروژههای علمی زیرساختی مانند همین کانکتوم، میتواند تصویر واقعیتری از جایگاه فعلی این فناوری به دست دهد؛ موضوعی که در مقالهی مقایسهی مدلهای هوش مصنوعی در حل مسائل پیچیده هم از زاویهای دیگر بررسی شده است. در نهایت، هرچه دادههای زیستی دقیقتری در اختیار پژوهشگران قرار گیرد، احتمال ظهور نسل تازهای از مدلهای هوش مصنوعی الهامگرفته از ساختار واقعی مغز نیز بیشتر میشود؛ روندی که در سالهای آینده باید آن را از نزدیک دنبال کرد.
سوالات متداول
این نقشهی مغزی دقیقاً چیست؟ نقشهای کامل از تمام نورونها و اتصالات سیناپسی سامانهی عصبی مرکزی یک مگس سرکهی نر بالغ، شامل مغز اصلی، لوبهای بینایی و طناب عصبی شکمی.
چرا از مگس سرکه استفاده شده، نه موجود دیگری؟ مغز مگس سرکه به اندازهای کوچک است که با فناوری فعلی قابل نقشهبرداری کامل است، در حالی که رفتارهای عصبی پیچیدهای هم دارد که آن را برای پژوهشهای علوم اعصاب ارزشمند میکند.
آیا این فناوری برای مغز انسان هم استفاده میشود؟ هنوز نه؛ فاصلهی مقیاس میان مغز مگس و مغز انسان بسیار زیاد است، اما همین خطلوله در حال آزمایش روی مغز مهرهدارانی مانند ماهی گورخری و ماهی فیلبینی است.
چه کسی میتواند به این دادهها دسترسی داشته باشد؟ دیتاست کامل بهصورت رایگان و آزاد از طریق ابزار Neuroglancer در دسترس همهی پژوهشگران جهان قرار دارد.
این خبر چه ارتباطی به هوش مصنوعی روزمرهی ما دارد؟ فناوری تشخیص و بازسازی نورون در این پروژه، نمونهای از کاربرد شبکههای عصبی کانولوشنی در تحلیل دادههای تصویری پیچیده است؛ همان دسته از فناوریهایی که در ابزارهایی مانند دستیارهای هوشمند و پرامپتنویسی هوش مصنوعی هم بهکار میروند، هرچند در مقیاس و کاربرد متفاوت.
نسخهی فوری این مطلب در تلگرام: تلگراف مطلب
