کنجکاوی ممکن است چیزی باشد که مغز ما را به سمت پیچیده شدن سوق می دهد

اهمیت کنجکاوی برای رشد مغز نشان می دهد که باید به کودکان حق انتخاب برای فعالیت ها داده شود

چگونه مغز ما اینقدر پیچیده شد؟ پاسخ ممکن است به کنجکاوی خلاصه شود. محققانی که هزاران شبکه عصبی مصنوعی را با سبک‌های یادگیری متفاوت آموزش دادند دریافتند که کنجکاوترین آنها نه تنها توانایی‌های شناختی پیچیده‌تر و انعطاف‌پذیرتری دارند، بلکه به‌طور خود به خود در ساختارهایی شبیه مغز انسان سازماندهی می‌شوند.

این شبکه‌ها ماژول‌های به هم پیوسته را تشکیل می‌دادند و یک مسیر تکاملی شبیه انسان را دنبال می‌کردند، برای مثال، با اتصالات عصبی متراکم که در اوایل قبل از قطع شدن شکل می‌گرفتند. فرانچسکو پولی از دانشگاه کمبریج می گوید که کنجکاوی معمولا به عنوان پیامد داشتن مغز پیچیده دیده می شود. "اگر واقعا به شکل گیری مغز کمک کند چه؟"

برای مدل سازی نحوه یادگیری نوزادان، پولی و همکارانش داده های ردیابی چشم 275 نوزاد بین 8 تا 15 ماهه را جمع آوری کردند. به نوزادان توالی هایی از اشکال رنگارنگ روی صفحه نمایش داده شد که مقادیر متفاوتی از اطلاعات را در مورد جایی که شکل بعدی احتمالا نمایش داده می شود، ارائه می کرد. پولی می‌گوید: «موقعیت‌ها تصادفی نبودند، و هر شکل متفاوت دنباله‌ای داشت که می‌توان آموخت.

ثابت شد که نوزادان به میزان اطلاعاتی که محرک های مختلف ارائه می دهند بسیار حساس هستند. پولی می‌گوید: هر زمان که میزان یادگیری آن‌ها به کمتر از حد متوسط ​​می‌رسید، آنها را رها می‌کردند و به دنبال چیز جدیدی می‌گشتند.

این تیم از این اصل برای طراحی شبکه های عصبی مصنوعی با سطوح مختلف کنجکاوی ذاتی استفاده کرد، سپس آنها را در 20 کار آموزش داد. مدل‌های با کنجکاوی بالا به گونه‌ای طراحی شده‌اند که اگر میزان یادگیری آن‌ها به زیر یک آستانه خاص کاهش یابد، فورا تکلیف را تغییر دهند، در حالی که مدل‌های با کنجکاوی پایین به‌طور تصادفی تغییر می‌کنند.

همه شبکه‌ها، کنجکاو یا غیر کنجکاو، در کارهایی که در آن آموزش دیده بودند، متخصص شدند. اما پس از آموزش، مدل‌های کنجکاو در تست‌هایی که قبلا ندیده بودند، به‌طور قابل توجهی بهتر عمل کردند. پولی می‌گوید این توانایی در کنار هم قرار دادن چیزهای مختلف به روش‌های انعطاف‌پذیر به‌عنوان نشانه‌ای از شناخت پیچیده انسانی دیده می‌شود.

مدل‌های کنجکاو همچنین ویژگی‌های فیزیکی شبیه مغزهای پیچیده را توسعه دادند. محققان شبکه های مصنوعی را در فضای سه بعدی مجازی با الگوبرداری از آناتومی مغز انسان جاسازی کردند. آن‌ها سپس شبکه‌ها را مجبور کردند تا با جریمه کردن اتصالات از راه دور، خود را به طور مؤثر سیم‌کشی کنند تا هزینه سیم‌کشی دوربرد را در مغزهای واقعی تقلید کنند.

این به خودی خود برای ایجاد پیچیدگی کافی نبود، اما زمانی که محققان کنجکاوی را به آن اضافه کردند، طیفی از ویژگی های مغز مانند ظاهر شد. به عنوان مثال، شبکه های کنجکاو یک ساختار "مدولار" سلسله مراتبی با مناطق بسیار به هم پیوسته ایجاد کردند که به نوبه خود به یکدیگر متصل بودند.

پولی همچنین از دیدن یک خط سیر خاص در شبکه های کنجکاو شگفت زده شد: تراکم اتصالات آنها افزایش یافت، سپس کاهش یافت. او می گوید: «فکر می کردم عجیب بود.

پولی می‌گوید، اما این شبیه چیزی است که در مغز انسان اتفاق می‌افتد، جایی که تعداد سیناپس‌ها - اتصالاتی که نورون‌ها از طریق آنها ارتباط برقرار می‌کنند - در طول سال اول زندگی به شدت افزایش می‌یابد و به دنبال آن یک مرحله هرس که در آن ارتباطات غیر مفید از بین می‌رود. او حدس می‌زند که کنجکاوی، انگیزه جستجوی وظایفی که بیشترین اطلاعات را به همراه دارد، می‌تواند «به این فرآیند انتخاب مربوط باشد که چه چیزی را باید نگه داشت و چه چیزی را نباید نگه داشت».

برای تخمین سن بیولوژیکی برای هر شبکه، محققان از افزایش و کاهش چگالی شبکه های عصبی در برابر مشخصات انسانی معمولی نقشه برداری کردند. آن‌ها دریافتند که کنجکاوترین و شبیه انسان‌ها در مرحله بالغ‌تری در قوس تکاملی قرار داشتند، با سنی حدود 20 سال، در حالی که آن‌هایی که ترکیبی از کنجکاوی و سیم‌کشی صحیح را نداشتند، در مرحله اولیه‌تری با سن حدود 9 سال گیر کرده بودند.

علیرضا مدیرشانچی از دانشگاه گوتینگن در آلمان می‌گوید: تعجب آور نیست که کنجکاوی یادگیری را کارآمدتر می‌کند، زیرا تضمین می‌کند که زمان را برای کارهای خیلی آسان یا خیلی سخت تلف نمی‌کنیم. او می‌گوید: «شما سعی می‌کنید آن‌هایی را بیاموزید که بیشتر قابل یادگیری هستند.

مدیرشانچی می‌گوید که این یافته که این امر باعث ظهور معماری مغز انسان‌مانند می‌شود، «بسیار شگفت‌انگیز» است. اگر درست باشد، ادعایی بسیار قوی است.» او می‌گوید اگر زمان کافی برای آموزش به آنها داده شود، بررسی اینکه شبکه‌های غیر کنجکاو در نهایت ویژگی‌های مشابهی را ایجاد نکنند، هرچند آهسته‌تر، مهم است.

پولی استدلال می‌کند که شبکه‌های غیر کنجکاو به همان خوبی در وظایف آموزشی اصلی عمل می‌کنند، بنابراین فقدان شناخت پیچیده و ویژگی‌های مغز مانند آن‌ها احتمالا فقط به دلیل یادگیری کندتر نیست. او می‌گوید: «من فکر می‌کنم که حتی با زمان تمرین بیشتر، آنها تقریبا به همان شکل باقی می‌ماندند. کنجکاوی واقعا نحوه یادگیری شبکه ها را تغییر داد.

صرف نظر از این، پولی می گوید که یافته ها بر نقش کنجکاوی در آموزش تاکید می کند. او می‌گوید، محیط‌هایی که کودکان را مجبور می‌کنند تا یک فعالیت خاص را برای مدت طولانی انجام دهند، «ممکن است به‌ویژه در اوایل کار، مضر باشد». این بستگی به این دارد که ما چه می‌خواهیم. اگر به توانایی ثابت ماندن و کار کردن روی یک چیز برای مدت طولانی اهمیت می‌دهیم، باید آن را در بچه‌ها آموزش دهیم.» او می‌گوید، در حالی که اگر برای کنجکاوی و شناخت ارزش قائل باشیم، ممکن است نیاز داشته باشیم که به کودکان یک انتخاب از فعالیت‌ها را در اولویت قرار دهیم، «سپس اجازه دهیم در فضا آزاد شوند».

نتایج همچنین به بحث‌هایی پیرامون توسعه هوش مصنوعی انعطاف‌پذیر و شبیه انسان کمک می‌کند. Poli می‌گوید اکثریت قریب به اتفاق تحقیقات هوش مصنوعی «در حال ساختن سیستم‌های بزرگ‌تر هستند که داده‌ها و منابع بیشتری را مصرف می‌کنند. او استدلال می‌کند که برای شناخت پیچیده، ساخت هوش مصنوعی کنجکاو که بیشتر شبیه افراد یاد می‌گیرند، ممکن است مثمر ثمر باشد. او می‌گوید این واقعیت که تکامل منابع بی‌پایانی ندارد می‌تواند راه‌حل‌های هوشمندانه را هدایت کند. "گاهی اوقات، این محدودیت ها به ما کمک می کنند تا برتر شویم."

مدیرشانچی متقاعد نشده است که توسعه دهندگان هوش مصنوعی لزوما باید مسیر خود را تغییر دهند. او می‌گوید، مدل‌های زبان بزرگ مانند ChatGPT نشان می‌دهد که مقیاس‌بندی کار می‌کند. او می‌گوید، اما ترکیب اصول کنجکاوی ممکن است به سیستم‌های سازگارتر با انسان منجر شود، برای مثال مدل‌هایی که سؤالات کافی برای پی بردن به مقاصد کاربران قبل از ارائه پاسخ‌های طولانی می‌پرسند.