این مطلب ترجمهٔ فارسی مقالهٔ «The Power of Learning: From Brainpower to Artificial Intelligence» (قدرت یادگیری: از نیروی مغز تا هوش مصنوعی) نوشتهٔ ترنس سینوفسکی (Terrence Sejnowski) است که در 4 جون 2026 در مجلهٔ علمی Frontiers for Young Minds منتشر شده؛ مجله‌ای متن‌باز که مقاله‌هایش را کودکان و نوجوانان داوری می‌کنند. متن اصلی با مجوز Creative Commons Attribution 4.0 (CC BY 4.0) منتشر شده است. این ترجمه را شومینه انجام داده و ممکن است شامل ویرایش‌های جزئی برای خوانندهٔ فارسی‌زبان باشد؛ نویسنده و مجله از آن حمایت یا تأیید رسمی نکرده‌اند.

پروفسور ترنس سینوفسکی در سال 2024 همراه با پروفسور لری ابوت (Larry Abbott) و پروفسور حاییم سومپولینسکی (Haim Sompolinsky) برندهٔ جایزهٔ مغز (Brain Prize) شد؛ «برای پژوهش‌های بنیادین در علم اعصاب محاسباتی و نظری». جایزهٔ مغز جایزه‌ای بین‌المللی است که پیشرفت‌های بسیار بدیع و راه‌گشا را در هر حوزه از پژوهش‌های مغز، از علوم اعصاب پایه تا پژوهش‌های بالینی کاربردی، گرامی می‌دارد. از زمان تأسیس در سال 2011 تا سال 2025، این جایزه به 49 دانشمند از 11 کشور اهدا شده است.

تصویر شاخص مقالهٔ اصلی: یک مغز زیستی و یک مغز الکترونیکی کنار هم چیزهای یکسانی یاد می‌گیرند. منبع: Frontiers for Young Minds، CC BY 4.0 (بدون تغییر محتوا، فقط فشرده‌سازی فایل)

محاسبه همه‌جا هست

«محاسبه» برای شما یعنی چه؟ شمردن با انگشت‌ها؟ حل مسئله‌های ریاضی؟ یا کاری که رایانه‌ها وقتی به آن‌ها وظیفه‌ای می‌دهیم انجام می‌دهند؟

برای من و همکارانم، محاسبه همهٔ این‌هاست و خیلی بیشتر. محاسبه فرایندی است که پیوسته در پیرامون ما و درون ما در جریان است. سلول‌های بدن شما همین حالا مشغول کارند تا سالم و متعادل بمانید. به این تعادل ویژه «هم‌ایستایی» (homeostasis) می‌گویند. حفظ این تعادل به محاسبه نیاز دارد: سلول‌ها با شناسایی مولکول‌ها اطلاعات را حس می‌کنند، معنایش را درمی‌یابند و تصمیم می‌گیرند چه کنند؛ مثلا هورمون بسازند یا پیام شیمیایی بفرستند. این محاسبه در سطح زیست‌شیمیایی است و هر گیاه و جانوری همیشه این نوع محاسبه را انجام می‌دهد.

سلول‌های مغز هم مثل همهٔ سلول‌های بدن برای حفظ هم‌ایستایی محاسبه‌های پیچیده‌ای انجام می‌دهند؛ مثلا مقدار مناسب نمک، اکسیژن و هموگلوبین را نگه می‌دارند تا درست کار کنند (شکل 1، بخش A). اما سلول‌های مغز کار فوق‌العادهٔ دیگری هم می‌کنند: آن‌ها با سیگنال‌های الکتریکی محاسبه می‌کنند.

شکل 1: محاسبه در سلول‌های مغز و در تراشه‌های رایانه. (A) سلول‌های مغز پیوسته در حال محاسبه‌اند تا سالم بمانند؛ مثلا مطمئن می‌شوند مقدار مناسب نمک، اکسیژن و دیگر اجزای حیاتی وجود دارد. (B) به همین ترتیب، تراشه‌های رایانه هم محاسبه‌های خودشان را انجام می‌دهند تا رایانه درست کار کند؛ از جمله مدیریت حافظه و برق و حفظ امنیت سامانه. منبع: Frontiers for Young Minds (شکل‌ها: آیریس گات)، CC BY 4.0 (بدون تغییر محتوا، فقط فشرده‌سازی فایل)

برای نمونه ببینید چگونه می‌بینید: وقتی نور به شبکیه (retina)، یعنی لایهٔ پشت چشم‌تان، می‌خورد، آن را به سیگنال‌های الکتریکی تبدیل می‌کند که به‌سرعت به مغز می‌رسند. این تبدیل همان محاسبه در عمل است. سپس مغز این سیگنال‌ها را با محاسبه‌های بیشتری پردازش می‌کند که سلول‌های مغزی دیگر هم در آن‌ها دخیل‌اند و سیگنال‌های الکتریکی تولید و منتقل می‌کنند. همهٔ این محاسبه‌های الکتریکی کنار هم کار می‌کنند تا سرانجام بتوانید آنچه را می‌بینید بشناسید؛ مثلا یک گل بنفش.

در کلی‌ترین معنا، محاسبه مثل یک تابع کار می‌کند: ورودی می‌گیرد، آن را تغییر می‌دهد و خروجی می‌سازد؛ یعنی تبدیلی ریاضی از ورودی به خروجی. مغز شما این تبدیل‌ها را با سیگنال‌های الکتریکی و شیمیایی که میان سلول‌های مغز حرکت می‌کنند انجام می‌دهد. رایانه‌ها همین کار را با سیگنال‌های الکتریکی روی تراشه‌های سیلیکونی انجام می‌دهند (شکل 1، بخش B). هرچند مغز و رایانه در جزئیات به شیوه‌های متفاوتی محاسبه می‌کنند، از اصول پایهٔ مشابهی پیروی می‌کنند. من به‌عنوان یک عصب‌شناس محاسباتی (computational neuroscientist) از ریاضی و مدل‌های رایانه‌ای استفاده می‌کنم تا این اصول را بفهمم؛ هم برای اینکه بدانم مغز چگونه کار می‌کند و هم برای ساختن برنامه‌های رایانه‌ای قدرتمندی که شیوهٔ محاسبهٔ مغز را تقلید می‌کنند.

مغزهای یادگیرنده و ماشین‌های یادگیرنده

یادگیری یکی از قدرتمندترین شکل‌های محاسبه است. یادگیری ابرقدرت مغز ماست. آن‌قدر در آن ماهریم که می‌توانم چیزی به شما بگویم و شما بلافاصله انجامش دهید؛ یعنی کلمه‌ها را به عمل تبدیل کرده‌اید. این همان یادگیری در عمل است. یادگیری وقتی هم رخ می‌دهد که با کسی تازه آشنا می‌شوید و اسمش را به خاطر می‌سپارید، وقتی مهارتی جدید مثل پیانو یا تنیس را تمرین می‌کنید و وقتی در کلاس با مطلب تازه‌ای روبه‌رو می‌شوید. (اگر می‌خواهید یاد بگیرید چطور درس‌های سخت را راحت‌تر یاد بگیرید، می‌توانید در دورهٔ آنلاین رایگان «Learning How to Learn» ثبت‌نام کنید.) هر نوع یادگیری که تجربه کنید، نتیجه همیشه یکی است: تغییر در اتصال‌های میان سلول‌های مغزتان. هر بار که یاد می‌گیرید، بعضی اتصال‌ها قوی‌تر و بعضی ضعیف‌تر می‌شوند. اما چه چیزی تعیین می‌کند این اتصال‌ها چگونه تغییر کنند؟

تابعی که مشخص می‌کند یادگیری چگونه مغز شما را تغییر دهد «الگوریتم» (algorithm) نام دارد. الگوریتم‌ها را مثل دستورهای آشپزی تصور کنید؛ مثل دستور پختن نان یا یک سوفلهٔ خوشمزه. این «دستورهای یادگیری» حاوی راهنمایی‌هایی‌اند که به اتصال‌های مغز می‌گویند چگونه تغییر کنند. یک دستور ساده ممکن است فقط دو مرحله داشته باشد: اتصال میان سلول 1 و سلول 3 را 20 درصد ضعیف کن، سپس اتصال میان سلول 1 و سلول 4 را 10 درصد قوی کن (شکل 2). در مغز شما دستورهای یادگیری بی‌اندازه پیچیده‌ای با مرحله‌های بی‌شمار وجود دارد. من و همکارانم می‌کوشیم همین دستورها، یعنی الگوریتم‌ها، را بفهمیم.

شکل 2: الگوریتم‌های یادگیری در مغز مثل دستور آشپزی‌اند. (A) الگوریتم‌ها مثل دستور آشپزی‌اند و گام‌به‌گام می‌گویند چه کار کنیم؛ درست مثل دستور پختن نان. (B) در مغز، الگوریتم‌های یادگیری تعیین می‌کنند اتصال‌های میان نورون‌ها چگونه تغییر کنند و بر اساس تجربه، چه زمانی قوی‌تر یا ضعیف‌تر شوند. منبع: Frontiers for Young Minds (شکل‌ها: آیریس گات)، CC BY 4.0 (بدون تغییر محتوا، فقط فشرده‌سازی فایل)

در دههٔ 1980 من و همکارانم راه‌های تازه‌ای برای ساختن ماشین‌های یادگیرنده‌ای کشف کردیم که یادگیری مغز را تقلید می‌کنند. ما نسخه‌های دیجیتال سلول‌های مغز و اتصال‌هایشان را درون رایانه‌ها ساختیم و این اتصال‌ها را با الگوریتم‌های یادگیری تغییر دادیم. نام فنی این نوع برنامهٔ رایانه‌ای یادگیرنده «شبکهٔ عصبی مصنوعی» (artificial neural network) است. (برای اطلاع بیشتر دربارهٔ شبکه‌های عصبی مصنوعی و طرز کارشان، مقالهٔ این برندهٔ جایزهٔ تورینگ، پروفسور ین لکان (Yann LeCun)، را بخوانید.)

شبکه‌های عصبی مصنوعی زیربنای ابزارهای هوش مصنوعی‌ای هستند که شاید بشناسید، مثل ChatGPT، Gemini و Claude. ایدهٔ اصلی به دههٔ 1940 برمی‌گردد [1]، اما در دههٔ 1980 استاد راهنمای پایان‌نامهٔ من، جان هاپفیلد (John Hopfield)، که در سال 2024 برندهٔ جایزهٔ نوبل فیزیک شد، به شکل‌گیری شیوهٔ ساخت و کاربرد این شبکه‌ها کمک کرد [2].

جان «شبکهٔ هاپفیلد» را ساخت؛ یکی از نخستین شبکه‌های عصبی مصنوعی که می‌توانست یک محاسبهٔ ساده انجام دهد: تکمیل الگو. اگر به آن ورودی ناقصی می‌دادید، مثلا «N _ U R _ N» با حرف‌های جاافتاده، کلمه را به «NEURON» (نورون) کامل می‌کرد.

بر پایهٔ همین، همکارم جفری هینتون (Geoffrey Hinton)، که در سال 2024 جایزهٔ نوبل را با جان هاپفیلد شریک شد، و من «ماشین بولتزمن» (Boltzmann machine) را ساختیم [3, 4]. آن را نسخهٔ ارتقایافتهٔ شبکهٔ هاپفیلد بدانید: فقط الگوها را در داده‌ها تشخیص نمی‌دهد، بلکه داده‌های تازه هم می‌سازد. به بیان ساده، ماشین بولتزمن الگوهای جدید می‌سازد، چون قاعده‌ها و احتمال‌های پشت الگوها را یاد می‌گیرد. سپس با کمی تصادف ترکیب‌های مختلفی را امتحان می‌کند که باز هم با آن قاعده‌ها جور باشند، و همین به آن امکان می‌دهد نمونه‌های کاملا تازه بسازد.

برای اینکه بفهمیم ماشین بولتزمن چرا از شبکه‌های ساده‌تر پیشرفته‌تر است، به کاری نگاه کنیم که اغلب به شبکه‌های عصبی می‌دهند: تشخیص ارقام دست‌نویس.

برای اینکه به یک شبکهٔ عصبی یاد بدهیم رقم دست‌نویس «2» را تشخیص دهد، هزاران نمونه از «2»هایی را که آدم‌های مختلف نوشته‌اند به آن می‌دهیم. وظیفهٔ شبکه ساده است: جواب بدهد «بله» یا «نه»، آیا ورودی «2» است. این نمونه‌ها را قبلا آدم‌ها برچسب زده‌اند، یعنی گفته‌اند تصویر «2» دارد یا ندارد. وقتی شبکه جواب اشتباه می‌دهد، با یک الگوریتم یادگیری قدرت اتصال‌های میان نورون‌های مصنوعی‌اش را، که «وزن» (weight) نام دارند، تنظیم می‌کند. این کار بارها تکرار می‌شود تا شبکه تقریبا هر بار درست جواب بدهد.

برخلاف شبکه‌های ساده‌تر که وقتی می‌پرسید «این عدد 2 است؟» فقط می‌گویند «بله» یا «نه»، ماشین بولتزمن کار شگفت‌انگیزی می‌کند: سبک «2»ها را یاد می‌گیرد و می‌تواند «2»های کاملا تازه‌ای بسازد که تا به حال ندیده است (شکل 3)! پس از اینکه نمونه‌ها را به آن می‌دهیم، خودش اجرا می‌شود و به‌طور خودکار نمونه‌های تازه‌ای از همان دسته می‌سازد. فکرش را بکنید که چقدر شگفت‌انگیز است: ساختن خودکار خروجی‌های کاملا تازه بر پایهٔ نمونه‌های گذشته. این هوش خلاق شالودهٔ ابزارهای هوش مصنوعی‌ای شد که امروز می‌شناسیم.

شکل 3: ماشین بولتزمن از آنچه یاد گرفته نمونه‌های تازه می‌سازد. برخلاف شبکه‌های عصبی پیشین، ماشین بولتزمن نخستین شبکه‌ای بود که به‌طور خودکار از دسته‌ای که یاد گرفته نمونه‌های تازه تولید می‌کرد. مثلا وقتی «2»های دست‌نویس فراوانی (A) به آن داده می‌شود (B)، می‌تواند نسخهٔ کاملا تازه‌ای از «2» بسازد (C)؛ نسخه‌ای که هرگز ندیده، اما باز هم به همان گروه تعلق دارد. منبع: Frontiers for Young Minds (شکل‌ها: آیریس گات)، CC BY 4.0 (بدون تغییر محتوا، فقط فشرده‌سازی فایل)

مقاله مرتبط پیشنهادی برای مطالعه: قشر پیش‌پیشانی؛ مدیرعامل مغز چگونه تصمیم‌های هوشمندانه می‌گیرد؟

همکاران هوشمند تازهٔ ما: هوش مصنوعی

ابزارهای هوش مصنوعی دارند دنیای ما را دگرگون می‌کنند. آن‌ها در چند سال گذشته تأثیر بزرگی بر علم، پزشکی و ترجمهٔ زبان‌ها گذاشته‌اند. حتی به ساده‌تر و روشن‌تر شدن همین مقاله برای شما کمک کرده‌اند! پیش‌بینی آیندهٔ ما با هوش مصنوعی بسیار دشوار است، اما می‌توانم بر پایهٔ آنچه امروز در جریان است چند نکته با شما در میان بگذارم.

نخست، این ابزارها را همکارانی تازه بدانید، نه تهدید. برای بهره‌گیری کامل از این همکاری باید یاد بگیریم با آن‌ها کار کنیم و نقاط قوت و ضعفشان را بشناسیم. در واقع خوب است که هوش مصنوعی نقاط قوتی متفاوت از انسان دارد؛ این به ما کمک می‌کند کارمان را بهتر انجام دهیم.

پزشکی این را به‌خوبی نشان می‌دهد. برای نمونه، پزشکانی که ضایعه‌های پوستی را برای سرطان بررسی می‌کنند در تحلیل خود 92 درصد دقت دارند. برنامه‌های هوش مصنوعی‌ای که برای همین کار آموزش دیده‌اند هم 92 درصد دقت دارند. اما وقتی پزشکان همراه با هوش مصنوعی کار می‌کنند، به دقت 98 درصد می‌رسند [5]! شاید جهش از 92 به 98 درصد کوچک به نظر برسد، اما می‌تواند جان بی‌شماری را نجات دهد؛ و این نتیجهٔ ترکیب نقاط قوت پزشکان انسانی و برنامه‌های آموزش‌دیدهٔ هوش مصنوعی است.

یادداشت شومینه (برای دقت بیشتر): مرور نظام‌مند و فراتحلیل ذکرشده در منبع [5] (سالیناس و همکاران، 2024) در چکیدهٔ خود اعداد دیگری گزارش می‌کند: حساسیت (sensitivity) حدود 87 درصد برای الگوریتم‌های هوش مصنوعی در برابر حدود 79.8 درصد برای مجموعهٔ پزشکان؛ و عملکرد هوش مصنوعی و متخصصان پوست در مقایسهٔ مستقیم «از نظر بالینی قابل‌مقایسه» بوده است. این پژوهش نیز نتیجه می‌گیرد که همکاری انسان و هوش مصنوعی، به‌ویژه برای پزشکان کم‌تجربه‌تر، امیدبخش است، اما مطالعه‌های بیشتری در شرایط واقعی لازم است. اعداد 92 و 98 درصد در بالا گفتهٔ نویسندهٔ مقالهٔ اصلی است و ما نتوانستیم آن‌ها را عینا در چکیدهٔ این منبع بیابیم.

برخی افراد به هوش مصنوعی اعتماد ندارند، چون دقیقا نمی‌دانیم چگونه به پاسخ‌هایش می‌رسد. اما نکته اینجاست: آیا می‌دانیم مغز شما چگونه به پاسخ‌هایش می‌رسد؟ البته که نه! طرز کار مغز به همان اندازه اسرارآمیز است که طرز کار هوش مصنوعی. تفاوت این است که هوش مصنوعی کاملا شفاف است: می‌توانیم همهٔ ورودی‌ها و فعالیت نورون‌های مصنوعی آن را ببینیم. همین شفافیت به ریاضی‌دان‌ها امکان می‌دهد بررسی کنند این شبکه‌ها چگونه محاسبه و پاسخ تولید می‌کنند. وقتی شبکه‌های مصنوعی را بفهمیم، ایده‌های تازه‌ای دربارهٔ طرز کار مغز هم به دست می‌آوریم. در نهایت، هوش مصنوعی می‌تواند راهی قدرتمند برای شناخت بهتر خودمان باشد.

واژه‌نامه

• هم‌ایستایی (Homeostasis): شیوهٔ متعادل نگه داشتن همه‌چیز در درون بدن ما؛ مثل دما، آب و انرژی، تا بتوانیم سالم بمانیم.
• محاسبه (Computation): فرایند گرفتن اطلاعات، فهمیدن معنای آن و تصمیم گرفتن دربارهٔ کار بعدی؛ کاری که هم رایانه‌ها و هم سلول‌های زنده همیشه انجام می‌دهند.
• شبکیه (Retina): لایهٔ نازک پشت چشم که نور را می‌گیرد و به سیگنال‌های الکتریکی قابل‌فهم برای مغز تبدیل می‌کند تا بتوانید ببینید.
• عصب‌شناس محاسباتی (Computational Neuroscientist): دانشمند مغزی که از ریاضی و مدل‌های رایانه‌ای برای فهمیدن محاسبه‌های مغز استفاده می‌کند.
• الگوریتم (Algorithm): مجموعه‌ای از دستورهای گام‌به‌گام برای حل یک مسئله یا انجام یک کار.
• شبکهٔ عصبی مصنوعی (Artificial Neural Network): برنامهٔ رایانه‌ای متشکل از بخش‌های به‌هم‌پیوسته که اتصال‌های مغز را تقلید می‌کند و می‌تواند کارهایی مثل تشخیص الگو در تصویرها یا تکمیل جمله‌ها را یاد بگیرد.
• ماشین بولتزمن (Boltzmann Machine): نوعی شبکهٔ عصبی مصنوعی که الگوهای داده‌ها را خودش یاد می‌گیرد و می‌تواند با این دانش نمونه‌های تازه و مشابهی بسازد که هرگز ندیده است.

نویسنده از اُر رافائل (Or Raphael) برای انجام مصاحبه‌ای که پایهٔ این مقاله بود و همکاری در نگارش آن، از آیریس گات (Iris Gat) برای تهیهٔ شکل‌ها و از سوزان دباد (Susan Debad) برای ویرایش متن تشکر می‌کند. داوران نوجوان و کودک مقاله: سرنا (11 ساله)، الیزابت (13 ساله)، اشتون (9 ساله) و سوفی (11 ساله).

منابع مقالهٔ اصلی:

1. McCulloch, W. S., and Pitts, W. 1943. A logical calculus of the ideas immanent in nervous activity. Bullet. Math. Biophys. 5:115–33. doi: 10.1007/BF02478259
2. Hopfield, J. J. 1982. Neural networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sci. 79:2554–8. doi: 10.1073/pnas.79.8.2554
3. Hinton, G. E., Sejnowski, T. J., and Ackley, D. H. 1984. Boltzmann machines: Constraint satisfaction networks that learn. Tech. Rep. No. CMU-CS-84-119. Pittsburgh, PA: Carnegie-Mellon University.
4. Ackley, D. H., Hinton, G. E., and Sejnowski, T. J. 1985. A learning algorithm for Boltzmann machines. Cogn. Sci. 9:147–69. doi: 10.1016/S0364-0213(85)80012-4
5. Salinas, M. P., Sepúlveda, J., Hidalgo, L., Peirano, D., Morel, M., Uribe, P., et al. 2024. A systematic review and meta-analysis of artificial intelligence versus clinicians for skin cancer diagnosis. NPJ Digit. Med. 7:125. doi: 10.1038/s41746-024-01103-x

یادآوری: این نوشته جنبهٔ آموزشی و عمومی دارد و جایگزین مشورت با پزشک یا متخصص نیست.