محققان توانسته اند، تنظیمات «شبکه هوش مصنوعی مایع یا Liquid» را به گونه‌ای کدنویسی کنند که بتواند، بعد از یک دوره آموزش و برنامه‌نویسی اولیه، مهارت های خود را تقویت نماید؛ این اولین بار است که به کمک الگوریتم های یادگیری ماشینی، امکان ارتقاء یک شبکه‌ی AI توسط خودش، فراهم می‌شود.
ساختار ساده‌تر؛ فعالیت بیشتر
«شبکه هوش مصنوعی مایع یا Liquid» پلتفرم جدیدی است که قادر است دائما خود را ارتقاء دهد و مهارت های جدیدی را کسب نماید. این رویکرد جدید که از طرف محققان «نوروپلاستیک داخلی» نام گرفته، به این معنی است که هوش مصنوعی، به میل خود، ابزار های مختلف جهان ما، از جمله ماشین ها و ربات ها را به کار گرفته و با تنظیم خودکار آن ها، هدایت و کنترل صد درصدی این امکانات را به دست بگیرد. الگوریتم معماری این شبکه موسوم به « Worm-Brained Driver»، تنها از ۳۰۲ نورون عصبی تشکیل شده است.
ساختار این الگوریتم، بسیار ساده‌تر از الگوریتم های پیشرفته یادگیری ماشینی دیگر است و با این وجود همچنان می تواند کارهای مشابهی مانند کنترل و هدایت ماشین‌ها روی تنظیمات اولیه‌ی خود را انجام دهد. اتصالات نورون ها در معماری این شبکه‌ی عصبی، شباهت های عجیبی به ساختار سلول های مغز ما دارد؛ این نوع همسانی‌ها، توسط پارامتر های مختلفی، مورد سنجش قرار گرفته اند. این شبکه می‌تواند داده های بسیاری را جمع‌آوری، طبقه‌بندی و پردازش کند و از این جهت، میتوان در موردش گفت که «یک شبکه‌ی تامین اطلاعات» است؛ عملکرد آن نیز تا حد قابل قبولی، نسبت به نمونه های مشابه قبلی، گسترده‌تر و دقیق‌تر است.
سوگلی شبکه های هوش مصنوعی!
معمولا، مولفه های شبکه های عصبی، پس از آنکه مهارت های اولیه و فعالیت های ثابتی که باید انجام دهند، تایید نهایی شد، دیگر تغیر نکرده و الگوریتم های آن ها، تنها روی حل مسائل خاصی که برایشان در نظر گرفته شده است، متمرکز می‌شوند. این مسئله، به این معنی است که این پلتفرم ها، اصطلاحا بسیار خشک و محدود بودند و در هنگام مواجه شدن به یک مشکل یا تخریب بخشی از شبکه، تا زمانی که تعمیر نشوند، عملا مستاصل می‌ماندند؛ اما شبکه‌ی هوش مصنوعی مایع، از این نقطه ضعف، عبور کرده است؛ به این معنی که مجاز است، در طول زمان، تجربه های جدیدی کسب کند و قسمت های آسیب دیده‌ی خود را ترمیم نماید؛ این ویژگی منحصر بفرد، احتمال از رده خارج شدن سیستم را تا حدی که عملا غیرممکن تلقی شود، پایین می‌آورد؛ زیرا این پلتفرم، ساخته شده است تا به صورت کاملا مستقل، عمل کرده و موانع و مشکلات خود را حل نماید. در صورت بروز یک مسئله‌ی ناشناخته نیز، محققان به سادگی می‌توانند با بازسازی و تنظیم دوباره‌ی معماری ساده‌ی این شبکه، آن را به حالت اولیه برسانند؛ یکی دیگر از نقاط قوت این الگوریتم نسبت به نمونه های مشابه، دقت بیشتر در پیش‌بینی مراحل بعدی یا اصطلاحا «توالی زمانی پیشرفته» است؛ به صورت کلی، میتوان گفت که این موفقیت جدید، دانشمندان را قادر ساخته است که با برنامه‌نویسی کمتر و معماری ساده‌تر، جنب و جوش بیشتری به شبکه های هوش مصنوعی ببخشند تا جایی که بنابر نظر بسیاری از دانشمندان، این شبکه‌ی نو، با مصرف و هزینه کمی که دارد، اساس مغز یک ربات ایده‌آل است!
