بين الذكاء والتطور

هل هناك علاقة بين الذكاء والقدرة على التعلم والتطور؟ وكيف يمكن للذكاء الاصطناعي أن يمنحنا منظورًا مثيرًا للاهتمام حول هذه العلاقة؟

إسرائيل بنيامين؛

في نهاية القرن التاسع عشر، تساءل عالم النفس جيمس بالدوين (بالدوين) عن الميزة التطورية للقدرة على التعلم: لماذا تزيد هذه القدرة من فرصة الكائنات التي تتمتع بها لتمرير جيناتها إلى الجيل التالي ؟ للوهلة الأولى، الجواب بسيط: المخلوق الذي يتجنب تكرار الأخطاء، ويستطيع تكرار الاستراتيجيات التي ثبت نجاحها، سيعيش لفترة أطول، وسيفوز بالمزيد من المسابقات مع أقرانه، وبالتالي سيكون لديه المزيد من النسل الذي سيحمله. الجينات - بما في ذلك الجينات التي تساهم في نجاح التعلم. لكن بالدوين رأى أن هناك صعوبة في هذه الإجابة.

وكما نعلم فإن الحشرات السامة موجودة، وأغلب هذه الحشرات لها ألوان تحذيرية بارزة. وبذلك "تبلغ" الحشرة الطائر: "لا يجب أن تأكلني - فأنا أسبب آلامًا في المعدة!" ولكن كيف سيفهم الطائر الرسالة؟ يمكن للمرء أن يتخيل طائرًا تشتمل جيناته بالفعل على سلوك مبرمج مسبقًا يتمثل في تجنب أكل حشرة ذات ألوان تحذيرية. ومن الممكن أيضًا أن نتخيل طائرًا آخر تسمح جيناته بربط آلام المعدة بتناول حشرة معينة قبل فترة قصيرة. أي التخطيط أكثر فعالية؟ سيتعين على الطائر المتعلم أن يمر بالعذاب مرة واحدة على الأقل، ما لم يكن قادرًا على التعرف على معاناة طائر آخر، وتذكر ما أكله هذا الطائر، والربط بين الأشياء؛ أو إذا تعلم كل طائر العادات الغذائية لوالديه. يعد التعلم أيضًا عملية أقل موثوقية - فقد تتداخل الأحداث غير المتوقعة مع العلاقة بين السبب والنتيجة.

حتى لحظة التعلم، يكون الطائر عرضة لتناول السموم التي قد تسبب موته بشكل مباشر أو غير مباشر (على سبيل المثال، عن طريق تسهيل اصطياده من قبل المفترس). وفي المقابل، فإن السلوك المبرمج يعمل بشكل موثوق منذ الدقيقة الأولى من الحياة. بالإضافة إلى ذلك، يتطلب التعلم موارد: فقد يتطلب أنسجة دماغية إضافية، وهو أمر مكلف من حيث الوزن واستهلاك الطاقة. ووفقاً لهذه الاعتبارات، يمكن توقع أن يتمتع الطائر "المبرمج مسبقاً" بفرصة أفضل للبقاء، وخلال التطور ستنتشر جيناته بين العشيرة على حساب جينات الطائر "الذكي".

لا بد أن بعض القراء يعارضون هذه الحجة بالفعل: هناك أشياء كثيرة يجب تعلمها، وبعضها قد يتغير من جيل إلى جيل. وميزة التعلم هي مرونته وقدرته على التعامل مع الواقع المتغير، حتى خلال جيل واحد، مقارنة بعدد الأجيال الكبير الذي يتطلبه التطور للاستفادة من التنوع الجيني والطفرات في السكان لـ"اكتشاف" الشفرة الوراثية. اللازمة لبرمجة السلوك المطلوب. وهذا الاعتراض ليس دقيقا: فهناك أشياء كثيرة تظل ثابتة عبر الأجيال، مثل حقيقة أن معظم الحشرات ذات الألوان التحذيرية سامة. أليس من "المستحق" أن يقوم الطائر بتشفير هذه المعرفة وراثيا؟

الذكاء الاصطناعي والتعلم والتطور

قبل العودة إلى سؤال بالدوين، سنشرح ما يدور حوله قسم الذكاء الاصطناعي وقضايا التطور، وذلك من خلال طرح سؤال موازٍ مأخوذ من عالم الذكاء الاصطناعي: نريد تطوير برمجيات لإدارة آلة إنتاج معقدة، والتي ستتعرف تلقائيًا على حالات الخطر المحتملة واتخاذ الخطوات اللازمة لحلها. أحد الخيارات هو إجراء تحليل مسبق لجميع الخيارات التي قد يواجهها البرنامج، وكتابة أمر في البرنامج لاكتشاف كل خيار والرد عليه. تتطلب هذه الطريقة مخططًا كلي المعرفة (والذي لديه الوقت الكافي للتعبير عن كل معرفته بأوامر الكمبيوتر)، لأن الاستجابة المطلوبة للموقف الذي رأينا فيه كلاً من A وB ليست مزيجًا من الاستجابات المطلوبة في الموقف A فقط والموقف ب وحده. وبعبارة أخرى، قد يكون عدد الخيارات التي يتعين معالجتها أكبر من أن يكون عمليًا. الفكرة الموازية في تفسير تعقيد الحيوانات هي خلق الله القدير.

خيار آخر هو كتابة برنامج "للتعلم". في البداية سوف تفشل في كثير من الأحيان، ولكن مع ردود الفعل على النجاح أو الفشل سوف تتحسن تدريجيا. وغني عن القول أنه إذا تمكنا من إنشاء محاكاة حاسوبية لآلة الإنتاج، فسنقوم بتشغيل برنامج التعلم مقابل هذه المحاكاة وبالتالي توفير الوقت والأضرار. ومن أكثر الطرق المقبولة لبناء مثل هذه البرامج هي "الشبكة العصبية": يحاكي البرنامج مجموعة من الخلايا العصبية والوصلات بينها، حيث يتم تنشيط بعض الخلايا العصبية عن طريق تقارير الحالة من آلة الإنتاج، ويتحكم جزء آخر وظائف تلك الآلة.

تحدد الروابط بين هذه الخلايا العصبية الافتراضية إلى أي مدى سيؤدي تنشيط خلية عصبية معينة إلى إثارة أو قمع عمل الخلية العصبية المتصلة بها. سوف تستجيب الشبكة ذات الاتصالات الصحيحة بشكل صحيح لأي تقرير حالة. إذا أظهرت المحاكاة أن الشبكة تفاعلت بشكل غير صحيح مع موقف معين، فإن الشبكة "سوف تتعلم" ذلك عن طريق تغيير نمط الاتصالات بين الخلايا العصبية. إذا قمنا ببناء الشبكة وعمليات تحديث أنماط الاتصال بشكل جيد، فبعد عدد كافٍ من هذه المحاولات، ستعمل الشبكة بشكل جيد في معظم المواقف المحتملة، حتى تلك التي لم تحدث في عملية التعلم.

الخيار الثالث هو بناء البرنامج على مراحل، باستخدام طريقة تسمى "الخوارزمية الجينية": سنبدأ بمجموعة من البرامج التي تختلف في استجابتها لكل حدث، وسنفحص أدائها مقابل محاكاة الإنتاج آلة. هذه المجموعة تسمى "الجيل الأول". على الرغم من أن أيًا من البرامج لن يكون جيدًا بشكل خاص، إلا أنه يمكننا العثور على أفضلها و"تهجينها" عن طريق إنشاء مجموعة من برامج "الجيل الثاني" منها: لبناء برنامج للجيل الثاني، نختار "والدين" من كلما كانت البرامج أكثر نجاحا في الجيل الأول وسوف نقوم ببناء سلوك البرنامج الجديد من أجزاء من سلوك كل من الوالدين، بالإضافة إلى بعض التغييرات العرضية ("الطفرات"). عندما نتفحص أداء برمجيات الجيل الثاني نجد أن بعض الأبناء أفضل من آبائهم والبعض الآخر أقل جودة، لكن في المتوسط ​​هذا الجيل عادة ما يكون أفضل. سنستمر بهذه الطريقة لعدة مئات أو آلاف الأجيال، ومن المحتمل أن نجد برامج جيدة التصرف.

ومن الواضح أن الخوارزمية الجينية تستمد إلهامها من نظرية داروين في الانتقاء الطبيعي، عندما تحصل البرامج الأفضل على ذرية أكثر مشابهة لها، وتحاكي الشبكة العصبية نماذج مبسطة للدماغ البشري وطريقته في التعلم.

التفاعل بين التعلم والوراثة

ولو كان من الممكن أن يتم تسجيل تعلم جيل واحد في الحمل الجيني الذي يرثه الجيل التالي، كما في الفرضية التي اقترحها لامارك، لأمكننا الحصول على جميع المزايا: تعلم التعامل مع المواقف الجديدة، وإن كان ذلك بشكل محدود. الموثوقية، إلى جانب السلوك الفطري والموثوق في المواقف التي واجهها الجيل السابق بالفعل. لا يزال داروين يعتقد أن هناك أيضًا مكانًا للتطور "اللاماركي"، لكنه يعتقد أن نموذج الانتقاء الطبيعي له تأثير أكبر على تطور الأنواع. وبعد أيام داروين، عندما فُهمت الآلية الوراثية، أصبح من الواضح أن الأحداث التي تحدث خلال الحياة لا يمكنها تغيير الشفرة الوراثية التي تنتقل إلى النسل.

ولكن حتى قبل اكتشاف آليات الوراثة، رأى بالدوين أنه حتى في نظرية داروين هناك طريقة غير مباشرة يؤدي بها التعلم إلى إحداث تغيير تطوري. هذه الفكرة، التي نُشرت عام 1896، واقترحها لويد مورغان وأوزبورن بشكل منفصل في نفس العام، تسمى الآن "تأثير بالدوين". لنأخذ بعين الاعتبار انتشار مجموعة من الطيور إلى بيئة جديدة، حيث توجد حشرة سامة من نوع لم تواجهه من قبل. ولهذا السبب، لا ينبغي أن نتوقع من السلوك الفطري حمايتها: إذا لم تتمكن الطيور من التعلم، فقد لا تتمكن من البقاء على قيد الحياة في البيئة الجديدة.

إذا تمكنوا من التعلم، فلا يزال من المتوقع أن تسبب هذه الحشرة العديد من الصعوبات للطيور. تخلق هذه الصعوبات فرصة للتطور: إذا ظهرت خلال الأجيال القادمة سمة وراثية في المجموعة تؤدي إلى عدم أكل الحشرة، فإن هذه السمة ستزيد من بقاء الطيور التي تحملها، وستختفي تدريجيًا. انتشرت بين السكان. في هذا النموذج، يتمثل دور التعلم في العمل كحل فوري، وإن لم يكن مثاليًا، لمشكلة من شأنها أن تقضي على المجموعة. هذا الحل "يشتري" وقتًا كافيًا للتطور لإيجاد حل أكثر موثوقية.

محاكاة التطور

يبدو تأثير بالدوين مقنعا، ولكن ليس من الواضح مدى انتشاره، وما هو الدور الذي لعبه في تطور الأنواع - فمجرد حدوث شيء ما لا يعني أنه حدث بالفعل. وفي محاولة لفهم القوة المحتملة لهذا التأثير، لجأ بعض الباحثين إلى المحاكاة الحاسوبية. تم إجراء إحدى الدراسات المعروفة في عام 1987 من قبل جيفري هينتون وستيفن نولان (هينتون، نولان). لقد قاموا بدمج شبكة عصبية بسيطة، مع عشرين اتصالًا محتملاً بين الخلايا العصبية - أي أن كل اتصال من هذا القبيل يمكن أن يكون موجودًا (1) أو غير متصل (0).

تم تنظيم البحث بحيث يكون خيار واحد فقط هو الصحيح، من بين حوالي مليون احتمال لمجموعات من 0 و 1. كل "مخلوق" في المحاكاة "ولد" ببنية معينة من الاتصالات، ولكن تم تمييز بعض الاتصالات كما هو محدد مسبقًا وبعضها قابل للتعلم. خلال حياة نفس المخلوق، يمكنه التعلم بطريقة بسيطة: تجربة ما يصل إلى ألف مجموعة مختلفة من "الموجودة" أو "غير المتصلة" لتلك الروابط التي لم يتم تحديدها مسبقًا. إذا كانت جميع الاتصالات العشرين قابلة للتعلم، فمن الواضح أن فرصة الوصول إلى احتمال واحد في المليون في ألف محاولة تكون ضئيلة جدًا. إن وجود اتصالات محددة مسبقًا بالقيمة المناسبة للحل سيساعد على زيادة فرصة نجاح التعلم - على سبيل المثال، إذا كنت بحاجة إلى "تخمين" القيمة الصحيحة فقط لعشرة اتصالات لم يتم تحديدها مسبقًا، فيجب التحقق من ألف احتمال فقط. ومن ناحية أخرى، إذا تم ضبط إحدى العلاقات المحددة مسبقًا على قيمة خاطئة، فمن المؤكد أن الدراسة لن تكون مفيدة.

بدأت التجربة بألف كائن مختلف، تم اختيار نمط رابط عشوائي لكل منها بحيث تكون 50% من الروابط قابلة للتعلم، وتم تعيين 25% منها على قيمة حقيقية، و25% على قيمة خاطئة. قامت خوارزمية جينية باختيار تلك المخلوقات التي تمكنت من معرفة الحل الصحيح في الألف محاولة المخصصة لها، و"تربيتها" لتكوين ألف نسل جديد في كل جيل. وفي خمسين جيلاً فقط، ارتفعت نسبة الاتصالات المحددة مسبقاً "الصحيحة" من 25% إلى نحو 60%، بينما انخفضت نسبة الاتصالات المحددة مسبقاً "الصحيحة" من 25% إلى الصفر. وفي تلك الأجيال، ارتفع متوسط ​​البقاء على قيد الحياة من قيمة منخفضة جدًا إلى 90%. في هذا، تمت ملاحظة تأثير بالدوين لأول مرة في العالم الافتراضي - إن القدرة على التعلم هي التي سمحت للتطور بالعمل، وكانت إحدى نتائج التطور هي تقليل حرية التعلم عن طريق تقليل عدد السياقات. التي يمكن تعلمها.

كان هذا البحث الأولي مبسطًا للغاية من حيث أنه يحاكي آليات التعلم والميراث. أظهرت الدراسات اللاحقة، مثل تلك التي أجراها ديفيد أكلي ومايكل ليتمان (أكلي، ليتمان) في عام 1992، نفس التأثير في ظل آليات أكثر واقعية. تساعد مثل هذه المحاكاة علماء الأحياء التطورية على استكشاف الظواهر والتفسيرات المحتملة في ظل ظروف خاضعة للرقابة، دون انتظار مرور آلاف الأجيال.

محاكاة الذكاء

وفي المقابل، يتعلم العاملون في مجال الذكاء الاصطناعي من هذه الدراسات كيفية كتابة برمجيات "أكثر ذكاءً". من تأثير بالدوين يأتي نهج محتمل لتحسين البرامج التي تبحث عن حل ضمن مساحة كبيرة من الإمكانيات - مثل برنامج التحكم في الإنتاج في المثال المقدم في بداية المقالة. النهج عبارة عن مزيج من التطور والتعلم: فبدلاً من اختبار أداء البرامج في كل جيل جديد مرة واحدة فقط، سنسمح للبرنامج بالتعلم بطريقة محدودة زمنياً، ومحدودة بالميزات التي "ولد بها" "مع، وسوف نقوم بقياس أداء البرامج في كل جيل في نهاية عملية التعلم. وهذا الأداء، بعد مرحلة التحسين الذاتي، هو الذي سيحدد أي من البرامج سيساهم بأجزاء من نفسه في برامج الجيل القادم.

أصبحت مثل هذه الكيانات المختلطة شائعة جدًا في السنوات الأخيرة. في أحد الأمثلة من بين أمثلة عديدة، استخدمت مجموعة من الطلاب من جامعة بار إيلان هذا العام فكرة مماثلة لحل مشكلة معقدة في مجال تحسين مسار السفر، بتوجيه من كاتب هذا المقال. قام الطلاب الثلاثة - ليات برزيلاي، رؤوفين داغان وعوزي زهافي - باختبار طريقة مبتكرة للتحسين. وبدون إضافة خطوة التحسين الذاتي، كان الحل الأفضل الذي تم الحصول عليه من خلال هذا النهج أدنى بكثير من أفضل الحلول التي تم الحصول عليها من خلال الطرق السابقة. ومن خلال التحسين الذاتي لكل حل قبل الانتقال إلى الجيل التالي، تم الوصول في النهاية إلى "رقم قياسي جديد" في جودة الحل، في وقت حسابي قصير بشكل لا يصدق.

تنمية الذكاء الطبيعي

يبدو أن قصة الطيور والحشرات السامة تؤدي إلى تناقض بين البرمجة المسبقة والتعلم: يمكن تجنب المخاطر إما عن طريق الجينات التي تملي السلوك الفطري، أو عن طريق الجينات التي تبني أجهزة عصبية قادرة على التعلم، ومن ثم هناك ليست هناك حاجة لكليهما. ويتناقض تأثير بالدوين بشكل صارخ مع هذا التناقض الواضح، بل إنه يفسر كيف يمكن لهذه الأجهزة العصبية، المعقدة للغاية في ترميزها الجيني، أن تتطور.

وفقا لستيفن بينكر في كتابه "كيف يعمل الدماغ" (1997): "ربما لعب تأثير بالدوين دورا هاما في تطور الدماغ. وعلى عكس الافتراض الشائع في العلوم الاجتماعية، فإن التعلم ليس ذروة التطور التي لم يحققها البشر إلا مؤخرًا. جميع الحيوانات، باستثناء أبسطها، تتعلم... لو كانت القدرة على التعلم موجودة لدى أسلاف الحيوانات متعددة الخلايا، لكان من الممكن أن تكون قد قادت تطور الأجهزة العصبية إلى دوائرها المتخصصة، حتى عندما كانت هذه الدوائر معقدة للغاية لدرجة أن الطبيعة الاختيار لم يكن ليجدهم من تلقاء نفسه." توضح تجربة هينتون ونولان هذه الفكرة من خلال تطوير شبكة عصبية ذات روابط صحيحة مع استخدام قدرة بسيطة جدًا - التجربة العشوائية والخطأ.

وماذا لو تم استخدام الدوائر العصبية التي تتطور بهذه الطريقة في التعلم؟ فمثلما نجح بارون مونشاوزن في انتشال نفسه من الوحل عن طريق الإمساك بشعره وسحبه بقوة إلى الأعلى، ربما ندين بقدرتنا المذهلة على التعلم إلى التعلم البدائي لسلف قديم جدًا. ربما يكون من الممكن تقليد عملية التعلم التطورية هذه لإنشاء ذكاء اصطناعي "حقيقي".