ربات‌ها عصب‌دار می‌شوند

اما بتازگی محققان دانشگاه استنفورد توانسته اند یک مجموعه چیپ آنالوگ (یا قیاسی) بسازند که برخلاف حسابگر های امروزی دیجیتالی، اطلاعات را تصادفی پردازش می کند. این مجموعه چیپ "نوروگرید" نام دارد و سندی دیگر است بر بی انتها بودن افق های دانش. کوابینا بوهن، پروفسور زیست مهندسی و مسئول ارشد برنامه "مغز در سیلیکون" می گوید: "این رویکرد اساسا از مغز الهام گرفته شده است. مغز در اصل با سیستم های آنالوگ فعالیت می کند. در این برنامه اتکای ما فقط به یک نورون نیست، بلکه محاسبات را بین هزاران نورون توزیع خواهیم کرد."

این همه پردازش آنالوگ مثل مغز نیازمند مصرف انرژی قابل توجهی است. ربات هایی که بخواهند با توانایی کامل، رفتارهای انسانی را تقلید کنند، مدام به شارژ نیاز دارند. نمونه اش ربات آسیموی هوندا است که قادر به حرکت، شناسایی اجسام و نشان دادن عکس العمل است، اما پس از حداکثر یک ساعت فعالیت نیازمند شارژ مجدد است.

چیزی که نوروگرید را از شیوه های معمول متمایز می کند، نیاز بسیار معقول آن به تغذیه انرژی است. در حالی که یک رایانه رومیزی برای اجرای چند گیگافلاپ به 100 وات انرژی نیاز دارد، نوروگرید با چند وات انرژی، چندین ترافلاپ را اجرا می کند و همین برای یک ربات به معنی آزادی بیشتر خواهد بود.

البته نوروگرید فراتر از قدمی تازه در راستای توفیق به تولید ربات های کم مصرف و انسان مانندتر است. نوروگرید به دانشمندان اجازه می دهد تا بهتر از قبل از ساز و کار مغز انسان سر در بیاورد که قرار است این ربات ها ادایش را دربیاورند. به گفته سمیر مِنون، دانشجوی دکترایی که ابعاد کنترلی نوروگرید را هدایت می کند، این نورون های مصنوعی سیستم های آنالوگی هستند که نورون های مغز را شبیه سازی می کنند. آنها به وسیله اسپایک ها با یکدیگر ارتباط برقرار می کنند. زمانی که نورون تحت شرایط خاص به آستانه تعامل می رسد، یک اسپایک، نوعی سیگنال وِز وِز مانند از خود ساتط می کند که به نورون کناری برخورد می کند. اگر نورون ها را طبق الگویی بچینیم که در ذهن داریم، از نورون ها بازده مثبت می گیریم.

از نظر منون، بازده مثبت، مثلا هدایت یک بازوی رباتیک برای حرکت در طبیعی ترین و انسانی ترین زاویه ممکن است. منون برای توصیف دقیق تر پیچیدگی این عمل، توصیه می کند که مراحل لازم برای برداشتن لیوانی از روی یک میز را مجسم کنیم. پس از تشخیص موقعیت لیوان در سه مختصه متفاوت، تازه 50 ـ 40 عضله مختلف بازو به کار می افتد تا دست را به دقت و ظرافت به نقطه مورد نظر نزدیک کند. حل این چالش کار ساده ای نیست.

منون برای فائق آمدن بر این چالش به نقطه مقابل استراتژی های همه جانبه ای است که در محاسبات منظور می شود. وی با حساب فاصله بین دست و لیوان، سیگنالی مصنوعی ساخته و در نوروگرید به کار برده است. به گفته وی بسیاری که در تحقیقات شبکه های عصبی کار می کنند، از قواعد پیچیده یادگیری بهره می گیرند تا شبکه را وادار به انجام آنچه بکنند که مورد نظرشان است. آنقدر نورون ها را دستکاری می کنند تا عکس العمل مطلوب خود را از آنها دریافت کنند، اما این قواعد یادگیری از نظر زیستی قابل قبول نیست. چنین قواعدی نیازمند همکاری بشدت مساعد نورون ها با یکدیگر است و می دانیم در حالت طبیعی چنین چیزی همیشه صادق نیست.

مدت مدیدی بود که محققان تصور می کردند تفاوت های قابل توجه در اندازه و شکل نورون ها چالشی بزرگ بود که باید آن را مرتفع می کردند. منون حرف دیگری می زند: "معلوم شد اصلا مشکلی وجود ندارد. بلکه این یکی از بهترین مزایاست که ما را قادر می سازد کارهای خیلی جالبی انجام دهیم. از آنجا که هم تعداد نورون ها و هم سطح تمایز آنها بالاست، قطعا بعضی از آنها عینا کار درست را می کنند و فقط کافی است آنها را کشف کنیم. ما قادریم هر موقعیت از دست را در نظر گرفته، آن را به هر مقدار تغییر دهیم که تمایل نورون ایجاب کند، اما اجتنابی از متمایز بودن آنها نیست. هر کدام از نورون ها برخورد و بازخورد متفاوتی خواهد داشت. اطلاعات به این صورت ارائه خواهد شد."