بسم الله الرحمن الرحیم
سایت ویکی پدیا
پیوند گرایی (به انگلیسی: Connectionism) هم به رویکردی در حوزه علوم شناختی اشاره دارد که امیدوار است پدیده‌های ذهنی را با استفاده از شبکه‌های عصبی مصنوعی (ANN) توضیح دهد و هم به طیف گسترده‌ای از تکنیک‌ها و الگوریتم‌ها با استفاده از شبکه‌های عصبی مصنوعی در زمینه هوش مصنوعی برای ساخت ماشین‌های هوشمندتر به کار می‌رود. پیوندگرایی یک نظریه شناختی مبتنی بر فعالیت سیگنال توزیع‌شده همزمان از طریق اتصالاتی ارائه می‌دهد که می‌توانند به صورت عددی نمایش داده شوند، جایی که یادگیری با اصلاح نقطه قوت اتصال بر اساس تجربه رخ می‌دهد.[۱]
مدل Connectionist (ANN) با یک لایه پنهان
اصل پیوندگرایی مرکزی این است که پدیده‌های ذهنی را می‌توان با شبکه‌های به‌هم پیوسته واحدهای ساده و اغلب یکنواخت توصیف کرد. شکل اتصالات و واحدها می‌تواند از مدلی به مدل دیگر متفاوت باشد. برای مثال، واحدهای موجود در شبکه می‌توانند نورون‌ها و اتصالات می‌توانند سیناپس‌ها را نشان دهند، مانند مغز انسان.
مقاله هوش مصنوعی پیوندگرا
به گزارش خبرنگار گرداب، در اواسط دهه ۸۰ میلادی شکست خوردن هوش مصنوعی نمادین و یا کلاسیک کاملاً معلوم شده بود. از سویی در حوزه عملی و مهندسی پروژه‌های هوش مصنوعی نتوانسته بودند هیچ یک از وعده‌های داده‌شدۀ خود را محقق کنند و از سوی دیگر در حوزه نظری نیز در برابر نقد‌هایی که به این جریان وارد شد، قادر به دفاع از الگو‌های خود نبودند. در نتیجه در این زمان، بودجه بسیاری از پروژه‌های هوش مصنوعی قطع و یا بسیار محدود شد.
در دهه ۱۹۸۰ مصادف با ناکامی هوش مصنوعی نمادی، رویکرد‌ها و گرایش‌هایی که در طی دهه‌های اخیر چندان مورد توجه قرار نمی‌گرفت، دوباره مطرح شدند. از جمله مهم‌ترین این رویکرد‌ها بازگشت به مسئلۀ الگوبرداری از مغز انسانی و شبکۀ عصبی بود. ریشه‌های این رویکرد پژوهش‌های عصب‌شناسانۀ جدیدی بود که به خصوص توسط دونالد هب آغاز شده بود و از سوی برخی محققان هوش مصنوعی از جمله فرانک روزنبلات پیگیری می‌شد.
لازم به ذکر است روزنبلات اولین نمونه هوش مصنوعی پیوندگرا، یعنی نخستین شبکه عصبی مصنوعی را در ۱۹۵۷ طراحی کرده بود، اما مطرح شدن جدی این رویکرد نیاز به سه دهه زمان داشت؛ و در نهایت رویکرد پیوندگرا به مسئله هوش مصنوعی در اواسط دهه ۸۰ میلادی توانست از زیرسایۀ پارادیم مسلط، یعنی پارادیم نمادی (و هوش مصنوعی قوی) بیرون بیاید.
شبکه عصبی مصنوعی
شبکه‌های عصبی که همچنین با عنوان «شبکه‌های عصبی مصنوعی» (ANNs) و یا «شبکه‌های عصبی شبیه‌سازی‌شده» (SNNs) شناخته می‌شوند، جزئی از الگوریتم‌های «یادگیری ماشین» و «یادگیری عمیق» به شمار می‌روند.
دلیل وجود واژه «عصبی» در نام آن‌ها، این است که این الگوریتم‌ها از مغز انسان و رابطه‌اش با عصب‌های زیستی الهام گرفته‌اند. همانطور که هنگام رویارویی یک ارگانیسم با چیزی در جهان بیرون، یک رابطۀ یک در مقابل یک و یا صفر و یکی شکل نمی‌گیرد، بلکه مجموعه‌ای از عصب‌ها، اطلاعاتی را دریافت می‌کنند و به مغز منتقل می‌کنند و مغز اطلاعات را تحلیل کرده و ارزش‌گذاری می‌کند، رویکرد پیوندگرا و شبکه‌های عصبی نیز به‌طور کلی به دنبال این است که بتواند زمینه‌ای را که اطلاعات در آن مطرح می‌شوند، بفهمد و مانند رویکرد نمادی به دنبال این نیست که صرفاً همه‌چیز را به فرمول‌های صوری ریاضیاتی برگرداند.
تصویر: نمونه‌ای از شبکه عصبی مصنوعی با سه لایه ورودی، پنهان و خروجی
هوش مصنوعی پیوندگرا به دنبال مدل‌سازی از فرایند‌هایی است که باعث آگاهی می‌شود و در این راه از نحوه عملکرد مغز انسان و روابط درونی نورون‌ها با یکدیگر الگو می‌گیرد. در این مدل‌ها از چیزی با نام پرسپترون (perceptron) [به معنی ادراک‌کننده]استفاده می‌شود که به نوعی نقش یک نورون یا عصب را بازنمایی می‌کند.
پرسپترون یک الگوریتم تکرارشونده است که جز اصلی‌ترین و ابتدایی‌ترین پایه‌های شبکه‌های عصبی مصنوعی (ANN) محسوب می‌شود. شبکه‌های عصبی نورونی از مجموعه‌ای از لایه‌هایی از پرسپترون‌ها تشکیل می‌شود که سیگنال‌های ورودی را دریافت می‌کنند، سپس آن را ترکیب کرده و برای هرکدام وزن و اعتباری قائل می‌شود و برای لایۀ بعدی می‌فرستند.
نکته کلیدی در این فرایند این است که قواعد موجود بر دامنه فعالیت‌های سیستم، نه به شکل صوری و از قبل داده شده، بلکه از دل تمرین و تکرار حاصل می‌شود. به نوعی این شبکه قواعد و نحوه درست عملکرد خود را بر اثر تجربه به دست می‌آورد.
کاربر (عامل انسانی) تنها به تأمین داده‌ها برای این شبکه می‌پردازد و همچنین نمونه خروجی مناسب را نشان می‌دهد. الگوریتم‌های پیوندگرا بر روی ورودی‌های خود مدل‌های مختلف رگرسیون اعمال می‌کنند و برطبق متغیر‌های مختلف به ارزش‌گذاری برای ورودی‌ها می‌پردازند و آنقدر این فرایند را تکرار می‌کنند تا در نهایت بهترین الگو یافت شود
تصویر: الگویی دیگر از شبکه عصبی مصنوعی.
تفاوت‌های کلیدی هوش مصنوعی پیوندگرا و نمادی
در حالی که در هوش مصنوعی «خوب تاریخ مصرف گذشته» مسئله اساساً «ساختن ذهن» بود، اما در پارادیم پیوندگرایی مسئله نه ساختن ذهنی دیگر، بلکه دقیق‌تر فهمیدن ذهن انسان و الگو گرفتن از آن است. این بدین معناست که در حالی که محققان هوش مصنوعی نمادی به دنبال ساخت موجودی با هوشمندی فراتر از انسان بودند، پیوندگرایان اساساً به دنبال بازسازی هوشمندی انسانی در رایانه‌ها هستند.
شناختن دقیق‌تر فرایند‌های پیچیده‌ای که در مغز انسان جریان دارد، از جمله امکاناتی است که با پیشرفت تکنولوژی و امکان عکس‌برداری‌های تخصصی تا اندازه‌ای محقق شده است.
مغز انسان خود از لایه‌های متفاوتی برخوردار است؛ هوش مصنوعی در حوزه شبکه‌های اعصاب یا نورون‌ها به دنبال این است که الگوریتمی بسازد که بتواند ارتباط اجزای مختلف لایه‌های مغز در هنگام انتقال اطلاعات شبیه‌سازی کند. به عبارت دیگر هدف این است که بتوانیم مدلی مصنوعی از مغز بسازیم که با کمک رایانه از آن مدل، برای تقلید تعاملات میان نورون‌ها استفاده کنیم.
میان پارادیم پیوندگرایی و پارادیم نمادی سه تفاوت بنیادین وجود دارد؛ فهم و برداشت این دو پارادیم از آگاهی (و یا تصور) از پردازش (و یا تفکر) اساساً با یکدیگر متفاوت است و به علاوه از الگوریتم‌های پایه متفاوتی استفاده می‌کنند.
منظور از آگاهی یا تصور موضوعی است که توسط رایانه و یا انسان مورد بررسی قرار می‌گیرد. از نگاه پارادیم نمادی، هر چیزی هنگامی که وارد سیستم می‌شود تا پردازش شود، صرفاً نماد و متغییری خنثی است که به خودی خود معنایی ندارد؛ بلکه معنای آن به شکل قراردادی حاصل شده است.
اما در پارادیم پیوندگرا، موضوع آگاهی صرف متغیری خنثی و بی‌محتوا نیست؛ بلکه به‌واسطۀ لایه‌های زیرین‌تری که هر ورودی در شبکه نورونی پیدا می‌کند، دارای محتوایی درونی‌شده است. به‌طور مثال برای یک سیستم نمادی میان «قلم»، «دفتر» و «شکلات» هیچ ارتباطی برقرار نیست و این سه هرکدام معنایی جداگانه دارند؛ اما سیستم پیوندگرا به مرور متوجه می‌شود که میان «خودکار» و «دفتر» ارتباطی درونی برقرار است و می‌تواند تصوری از زمینه‌ای که این چیز‌ها در آن قرار می‌گیرند به دست آورد.
برخلاف پارادیم نمادی، در اینجا مسئله تقابل یک در مقابل یکی چیز‌ها در مقابل نماد‌ها نیست، بلکه در پیوندگرایی شبکه است که معنا را می‌سازد. تک تک نورون‌ها و پرسپترون‌ها به خودی خود هیچ امری را نشان نمی‌دهد و نمایانگر چیزی نیستند. اما این پیوند‌های درونی این اجزا با یکدیگر به‌طور کلی است که چیزی را بازنمایی می‌کند. به زبان علمی، در حالی که در پارادیم نمادی اتمیسم برقرار است و هرچیزی به تنهایی نماد چیزی است و معنایی جداگانه دارد، اما پیوندگرایی وجهی کل‌گرایانه دارد.
همین مسئله نشان می‌دهد که چرا پردازش در هوش مصنوعی نمادی و پیوندگرایی با یکدیگر کاملاً متفاوت هستند. رایانه و سیستم‌های هوشمند در پارادیم نمادی صرفاً به حل معادلات می‌پردازد و روابط متغیر‌ها را با یکدیگر آشکار می‌کند.
اما معادله‌ای چه یک بار و چه یک میلیون بار به رایانه داده شود، همواره جواب یکسانی خواهد گرفت. اما در شیوه نگاه پیوندگرایی به این مسئله، پردازش براساس یافته‌های قبلی و متغیر‌های جدید همواره معنایی تازه‌تر به خود می‌گیرد و پردازش‌ها همیشه به جواب یکسانی ختم نمی‌شوند.
به عبارت دیگر در حالی که الگوریتم‌های نمادی توانایی کسب تجربه و بهبود عملکرد خود را ندارند، الگوریتم‌های پیوندگرایی به دنبال این هستند که این ویژگی تجربه انسانی را که به موجب آن تجربۀ هرچه بیشتر به مهارت بیشتر منتهی می‌شود در سیستم‌های مصنوعی پیاده کنند و از این‌رو مبتنی بر نوعی الگوریتم‌های آموزشی نتایج به دست آمده هر بار بهتر از نتایج پیشین خواهند بود.
نتیجه‌گیری
شهرت امروز هوش مصنوعی و موفقیت‌های روزافزون آن فی‌الواقع مربوط الگوریتم‌های حاوی شبکه‌های عصبی است. الگوریتم‌های یادگیری عمیق (Deep Learning) که روزبه‌روز بر کارآمدی و توانایی‌هایشان افزوده می‌شود، فی‌الواقع بهترین معادل برای هوش مصنوعی پیوندگرا و شبکه‌های عصبی هستند.
توانایی برجسته این الگوریتم‌ها این است که تجربه کسب می‌کنند و به مرور دقیق‌تر می‌شوند. هوش مصنوعی پیوندگرا در این میان با تغییر رویکرد کلی در حوزه هوش مصنوعی، به جای تلاش بر ساختن ابر سیستمی فراانسانی، نقطه تمرکز خود را بر روی فهمیدن نحوه هوشمندی انسان گذاشته‌اند و با الگو گرفتن از مغز انسان، به دنبال ساخت سیستمی هوشمند هستند؛ سیستمی که برخلاف الگو‌های هوش مصنوعی نمادی بسته، محدود و ذره‌گرایانه نیست. نگاه رویکرد پیوندگرایانه به هوشمندی در انسان و رایانه، کل‌گرایانه و پویا است و به دنبال ایجاد شبکه‌ای از روابط می‌باشد.
_______________________
منابع:
https://images.techopedia.com/images/uploads/sphere-art-modern-art.jpg
https://miro.medium.com/max/۳۰۰۰/۱*m۲gDBT_nc-iE۷R۴AM۳sHBQ.jpeg
https://www.youtube.com/watch?v=Za۲۱GOxVh۱۸
artificial neural networks
simulated neural networks
https://miro.medium.com/max/۸۵۰/۰*fKgFTs۶z۳clLzmhx.png
https://towardsdatascience.com/symbolic-vs-connectionist-a-i-۸cf۶b۶۵۶۹۲۷
https://miro.medium.com/max/۶۰۰/۰*r-d۱t۵izwgAmNcFz.png
https://cdn-images-۱.medium.com/max/۱۶۰۰/۱*ZB۶H۴HuF۵۸VcMOWbdpcRxQ.png
https://www.youtube.com/watch?v=i۹MfT_۷R_۴w
https://www.youtube.com/watch?v=bfmFfD۲RIcg
https://i۲.wp.com/bdtechtalks.com/wp-content/uploads/۲۰۱۹/۰۱/AI-artificial-intelligence-brain-deep-learning.jpg?resize=۱۰۲۴%۲C۷۲۴&ssl=۱
مهندسی نورومورفیک (neuromorphic) یا به اختصار نورومورفیک که «محاسبات عصبی» نیز نامیده می‌شود، مفهومی است که در اواخر دهه ۱۹۸۰ توسط کارور مید (Carver Mead) توسعه یافته و به معنی استفاده از سیستم‌های مجتمع سازی در مقیاس بسیار بزرگ ( VLSI ) حاوی مدارهای آنالوگ الکترونیکی، برای تقلید (شبیه‌سازی) معماری عصبی و بیولوژیکی موجود در سیستم عصبی است.[۱][۲]
در حال حاضر، اصطلاح نورومورفیک برای توصیف سیستم‌های آنالوگ، دیجیتال، سیستم‌های مختلط آنالوگ / دیجیتال و نرم‌افزارهایی که سیستم‌های عصبی را مدل‌سازی می‌کنند، به کار می‌رود. اجرای محاسبات عصبی در سطح سخت‌افزار را می‌توان با ممریستورهای مبتنی بر اکسید (oxide-based memristors)، ممریستورهای اسپینترونیک (spintronic memories)، سوئیچ‌های آستانه‌ای (threshold switches) و ترانزیستورها، تحقق بخشید.[۳]
جنبه اصلی مهندسی نورومورفیک درک چگونگی مورفولوژی نورون های ویژه ، مدارها ، برنامه ها و معماری های همه جانبه محاسبات مدنظر را ایجاد می کند ،بر نحوه ارائه اطلاعات و بر استحکام در برابر آسیب ها تأثیر می گذارد ، یادگیری و توسعه را ترکیب می کند،سازگاری با تغییرات محلی (انعطاف پذیری) ، و تغییر تکاملی را آسان می کند.
مهندسی نورومورفیک مبحثی میان رشته ای است که از زیست شناسی ، فیزیک ، ریاضیات ، علوم کامپیوتر و مهندسی الکترونیک ایده می گیرد تا سیستم های عصبی مصنوعی مانند سیستم های بینایی ، سیستم های سر-چشم ، پردازنده های شنوایی و روبات های خودمختار را طراحی کند که معماری فیزیکی و اصول طراحی آن مبتنی بر اصول سیستم عصبی بیولوژیکی است.
مثال ها:
در اوایل سال 2006 ، محققان در جورجیا تکنولوژي یک میدان برنامه پذیر آرایه عصبی را منتشر کردند.
ایده‌گیری از مغز
مهندسی نورومورفیک به دلیل ایده‌هایی که از دانش‌مان در مورد ساختار و عملکرد مغز می‌گیرد، برجسته می‌شود. مهندسی نورومورفیک آن‌چه را که در مورد عملکرد مغز می‌دانیم به سیستم‌های کامپیوتری ترجمه می‌کند. کار در این زمینه بیشتر بر روی تکرار ماهیت آنالوگ محاسبات زیستی و نقش نورون‌ها در شناخت متمرکز شده است.
فرآیند زیستی نورون‌ها و سیناپس‌‌های آن‌ها بسیار پیچیده‌اند، و در نتیجه شبیه‌سازی مصنوعی آن‌ها بسیار مشکل است. یک ویژگی کلیدی مغزهای زیستی این است که تمام پردازش‌ها در نورون‌ها از سیگنال‌های شیمیایی آنالوگ استفاده می‌کنند. این امر ساختن مغز در کامپیوتر را دشوار می‌سازد چرا که نسل فعلی کامپیوترها کاملا دیجیتال هستند. با این‌حال، ویژگی‌های این بخش‌ها را می‌توان به توابع ریاضی که تقریبا جوهرهٔ عملیات نورون را دریافت می‌کنند، خلاصه کرد.
هدف محاسبات نوروموفیک این نیست که تمام و کمال از مغز و تمام عملکردهای آن تقلید کند، بلکه هدف آن این است که آن‌چه در مورد ساختار و عملکرد مغز می‌دانیم را استخراج کند تا از آن در سیستم‌های کامپیوتری کاربردی استفاده شود. هیچ سیستم نوروموفیکی ادعا و یا تلاش نخواهد کرد که تمام عناصر نورون‌ها و سیناپس‌ها را شبیه‌سازی کند، اما همه آن‌ها به این ایده پایبندند که محاسبات در یک سری عناصر محاسباتی کوچک، شبیه به یک نورون، توزیع شوند.
ملاحظات اخلاقی
با وجود این‌که مفهوم بین‌رشته‌ای مهندسی نورومورفیک نسبتاً جدید است، بسیاری از ملاحظات اخلاقی که درمورد ماشین‌های انسان‌نما و هوش مصنوعی وجود دارند، در مورد سیستم‌های نوروموفیک هم صادق‌اند. با این‌حال، این نکته که سیستم‌های نوروموفیک برای تقلید از مغز انسان طراحی شده‌اند، سوالات اخلاقی منحصر به فردی را در پیرامون استفاده از آن‌ها ایجاد می‌کند.
البته بحث پیرامون این موضوع این است که سخت‌افزار نورومورفیک همچون «شبکه‌های عصبی» مصنوعی مدل‌های بسیار ساده شده‌ای از چگونگی پردازش اطلاعات و عملکرد مغز هستند و در مقایسه با مغز از نظر اندازه و تکنولوژی عملکردی، پیچیدگی بسیار پایین‌تر و از نظر اتصالات، ساختاری بسیار منظم‌تری دارند. مقایسهٔ تراشه‌های نورومورفیک با مغز، مقایسه‌ای بسیار ناپخته است: همچون مقایسهٔ یک هواپیما با یک پرنده، صرفا به دلیل این که هر دو بال و دم دارند. واقعیت این است که بازده تبدیل انرژی و محاسبهٔ سیستم‌های شناختی عصبی چندین برابر بهتر از آخرین فناوری‌های هوش مصنوعی است و مهندسی نوروموفیک تلاش می‌کند با الهام‌گیری از مکانیزم مغز این اختلاف را کاهش دهد.
نگرانی‌های دموکراتیک
محدودیت‌های اخلاقی بسیاری ممکن است به دلیل درک عمومی بر مهندسی نورومورفیک اعمال گردد. [۴] Eurobarometer ویژهٔ ۳۸۲: نگرش عمومی نسبت به روبات‌ها، یک نظرسنجی که توسط کمیسیون اروپا انجام شد، نشان داد که ٪۶۰ از شهروندان اتحادیه اروپا خواهان ممنوعیت استفاده از روبات‌ها برای مراقبت از کودکان، سالمندان و معلومان هستند. همچنین، ٪۳۴ موافق ممنوعیت استفاده از روبات‌ها در آموزش، ٪۲۷ در مراقبت‌های بهداشتی و ٪۲۰ در مسائل تفریحی و فراغت بودند. این گزارش به نگرانی‌های فزاینده‌ای پیرامون روبات‌هایی اشاره می‌کند که می‌توانند عملکرد انسان را تقلید یا تکرار کنند. مهندسی نورومورفیک، بنابر تعریف، طراحی شده است تا عملکردهای مغز انسان را تکرار کند.[۵]
به احتمال زیاد، نگرانی‌های دموکراتیک پیرامون مهندسی نورومورفیک در آینده حتی عمیق‌تر هم خواهند شد. کمیسیون اروپا دریافت که که شهروندان اتحادیهٔ اروپا که بین ۱۵ تا ۲۴ سال دارند، در مقایسه با شهروندان بالای ۵۵ سال بیشتر امکان دارد روبات‌ها را به شکل روبات‌های انسان‌گونه (و نه ابزارگونه) تصور کنند. هنگامی که به این افراد تصویری از یک روبات انسان‌گونه نشان داده شد، ٪۷۵ شهروندان اتحادیهٔ اروپا که در سنین ۱۵ تا ۲۴ سال بودند بیان کردند که تصویر مورد نظر با تصور آن‌ها از روبات‌ها مطابقت دارد؛ در حالی که تنها ٪۵۷ از شهروندانی که بالای ۵۵ سال داشتند چنین پاسخی دادند. بنابراین، ماهیت انسان‌گونهٔ سیستم‌های نورومورفیک ممکن است آن‌ها را در دسته روبات‌هایی قرار دهد که بسیاری از شهروندان اتحادیهٔ اروپا خواهان ممنوعیت آن‌ها در آینده باشند.[۵]
تشخص
با پیشرفت فزایندهٔ سیستم‌های نورومورفیک، برخی از محققان از اعطای حقوق تشخص به این سیستم‌ها دفاع کرده‌اند. اگر مغز آن چیزی است که به انسان‌ها تشخص می‌دهد، یک سیستم نورومورفیک باید تا چه حد از مغز انسان تقلید کند تا حقوق تشخص به آن اعطا شود؟ منتقدان توسعه فناوری در پروژهٔ مغز انسان، که هدف آن پیشرفت محاسبات الهام گرفته از مغز است، استدلال کرده‌اند که پیشرفت در محاسبات نورومورفیک می‌تواند منجر به خودآگاهی ماشینی یا تشخص شود.[۶] منتقدان استدلال می‌کنند که اگر قرار است با این سیستم‌ها مانند انسان‌ها رفتار شود، پس بسیاری از اعمالی که انسان‌ها با استفاده از سیستم‌های نورومورفیک انجام می‌دهند، از جمله عمل پایان دادن به سیستم‌های نورومورفیک، ممکن است از نظر اخلاقی ناروا باشند چرا که این اعمال خودمختاری سیستم‌های نورومورفیک را نقض می‌کنند.[۷]
استفادهٔ دوگانه (کاربردهای نظامی)
مرکز هوش مصنوعی مشترک، یک شاخه از ارتش ایالات متحدهٔ آمریکا، مرکزی است که به تهیه و پیاده‌سازی نرم افزار هوش مصنوعی و سخت‌افزار نورومورفیک برای استفادهٔ رزمی اختصاص دارد. کاربردهای خاص آن، هدست/ عینک‌های هوشمند و روبات‌ها را شامل می‌شود. این مرکز قصد دارد که با تکیه بر فناوری نورومورفیک، «هر جنگنده، هر تیرانداز» را در شبکه‌ای از واحدهای مجهز به نورومورفیک متصل کند.
سایت دیجیاتو
واضح است که هوش مصنوعی، جهش تکنولوژیکی را رقم خواهد زد که یکی از مهم‌ترین جهش‌ها در تاریخ سیاره زمین است و به‌زودی در هر بخش از زندگی ما گنجانده خواهد شد. اما همه این‌ها به مقادیر کاملاً عظیمی از قدرت محاسباتی متکی است. درواقع، بر اساس روند فعلی، سرورهای هوش مصنوعی که NVIDIA به تنهایی می‌فروشد، احتمالاً سالانه انرژی بیشتری نسبت به بسیاری از کشورهای کوچک مصرف می‌کنند.
اما کامپیوترهای کنونی می‌توانند به سرعت از مقادیر کمی، داده‌های درهم را یاد بگیرند. یا معادل میلیاردها عملیات ریاضی را در هر ثانیه پردازش کنند، درحالی‌که انرژی ناچیز 20 وات را مصرف می‌کنند.
و به همین دلیل است که تیمی در دانشگاه وسترن سیدنی، درحال ساخت ابرکامپیوتر نورومورفیک DeepSouth هستند. این اولین ماشینی است که قادر به شبیه‌سازی شبکه‌های عصبی اسپایکی در مقیاس مغز انسان است.
پروفسور «آندره ون شایک»، مدیر مرکز بین‌المللی سیستم‌های نورومورفیک می‌گوید:
«پیشرفت ما در درک نحوه محاسبه مغزها با استفاده از نورون‌ها، به‌دلیل ناتوانی ما در شبیه‌سازی شبکه‌های مشابه مغز در مقیاس واقعی مختل شده است. شبیه‌سازی شبکه‌های عصبی در رایانه‌های استاندارد با استفاده از واحدهای پردازش گرافیکی (GPU) و واحدهای پردازش مرکزی چند هسته‌ای (CPU) بسیار کند و پر مصرف است. اما سیستم ما آن را تغییر خواهد داد. این پلتفرم درک ما از مغز را ارتقا می‌دهد و برنامه‌های محاسباتی در مقیاس مغز را در زمینه‌های مختلف از جمله سنجش، زیست پزشکی، روباتیک، فضا و کاربردهای هوش مصنوعی در مقیاس بزرگ توسعه می‌دهد.»
انتظار می‌رود که DeepSouth در آوریل 2024 آنلاین شود. تیم تحقیقاتی انتظار دارد که این سیستم بتواند حجم عظیمی از داده‌ها را با سرعت بالا پردازش کند. آن هم درحالی‌که بسیار کوچک‌تر از سایر ابررایانه‌ها است و به لطف رویکرد شبکه عصبی پرشور خود، انرژی بسیار کمتری مصرف می‌کند.
این سیستم مقیاس‌پذیر، از سخت‌افزارهای تجاری موجود استفاده می‌کند، بنابراین ممکن است در آینده برای انجام وظایف مختلف توسعه یابد. هدف این شرکت نزدیک‌تر کردن پردازش هوش مصنوعی به روشی که مغز انسان کارها را انجام می‌دهد، و همچنین یادگیری بیشتر درمورد مغز و ایجاد پیشرفت‌هایی است که در زمینه‌های دیگر مرتبط باشد.
جالب است بدانید که محققان دیگر درحال کار بر روی همین مشکل از جهت مخالف هستند! تعدادی از تیم‌ها اکنون شروع به استفاده از بافت مغز انسان به‌عنوان بخشی از تراشه‌های کامپیوتری سایبورگ کرده‌اند که چشمگیری داشته است.
