کبوترها احمق هستند؟/ نتایج شگفت‌انگیز یک آزمایش

زومیت نوشت: مطالعه‌ای جدید با بررسی و مقایسه‌ی مدل هوش مصنوعی با تکنیک‌های یادگیری کبوترها، نشان می‌دهد که هوش بالای کبوترها به توجه بیشتری نیاز دارد.

با وجود اینکه بسیاری از مطالعات پیشین نشان داده‌اند که کبوترها به طرز شگفت‌انگیزی باهوش هستند و از توانایی‌های مختلف مثل مهارت شمارش در حد نخستی‌ها تا توانایی تشخیص سرطان سینه در پرتو ایکس بهره می‌برند، دانشمندان همچنان تلاش می‌کنند تا شهرت این پرندگان را به عنوان موجوداتی «کند ذهن» به چالش بکشند.

مطالعه‌ای جدید با قرار دادن کبوترها در مقابل یک مدل هوش مصنوعی و مقایسه‌ی روش‌های یادگیری و حل مسئله، نشان می‌دهد که این پرنده و کامپیوتر هر دو برای حل مسائل پیش‌رو فرآیند مشابهی را دنبال می‌کنند.

براندون ترنر، نویسنده‌ی اصلی مطالعه و استاد روانشناسی از دانشگاه ایالتی اوهایو به‌نقل از نیواطلس می‌گوید شواهد یافت‌شده نشان می‌دهد که مکانیسم راهبردی یادگیری کبوتر به‌طور قابل‌توجهی مشابه همان اصولی است که تکنیک‌های مدرن یادگیری ماشین و هوش مصنوعی را هدایت می‌کند. ترنر افزود: «یافته‌های ما نشان می‌دهد که ممکن است کبوتر یک سیستم یادگیرنده‌ی به‌غایت کارآمد داشته باشد که مانند یادگیری انسان‌ها توانایی تعمیم یا استنتاج ندارد.»

بیشتر بخوانید:

• کشف خون‌آشام غول‌پیکر ۱۶۰ میلیون ساله در چین/ عکس

• استفاده مخفیانه از هوش مصنوعی دردسرساز شد

• خاک قیمتی که ژاپنی‌ها از مریخ به زمین می‌آورند

• نیروی مرموزی که ابوالهول را در مصر شکل داد/ عکس

در طبیعت حدود ۳۰۰ گونه کبوتر و قمری وجود دارد که همگی از خانواده‌ی کبوتریان (Columbidae) هستند. یکی از این گونه‌ها، کبوتر نیکوبار (Caloenas nicobarica) در خانواده‌ی کبوتریان نزدیک‌ترین موجود نسبت به پرنده دودو (پرنده‌ای بی‌پرواز که در سال ۱۶۸۱ منقرض شد) است.

ترنر به همراه ادوارد واسرمن، استاد دانشگاه آیووا برای انجام آزمایش ۲۴ کبوتر از نوع کبوترهایی را که معمولاً در طبیعت می‌بینید، مورد سنجش و مطالعه قرار دادند. منظور از کبوترهای ساکن طبیعت همان‌هایی هستند که همیشه در کوچه و خیابان به چشم می‌خورند. شاید علاقه‌ی این موجود به گشت‌وگذار در مکان‌های شلوغی که ممکن است زیر گرفته شود، با شهرتش به کند ذهنی بی‌ارتباط نباشد.

در آزمایش به پرندگان محرکی نشان داده شد که از اشکال مختلف، حلقه‌های هم‌مرکز و جداشده تشکیل می‌شد. سپس، کبوترها باید دکمه‌ای را نوک می‌زدند که با دسته‌بندی‌ متعلق به محرک در یک ردیف قرار می‌گرفت. در صورت درست بودن پاسخ، کبوتر به عنوان پاداش غذا دریافت می‌کرد و هیچ پاداشی برای پاسخ نادرست وجود نداشت.

هرکدام از کبوترها باید چهار تمرین با سطوح مهارتی متنوع را حل می‌کردند؛ محققان متوجه شدند که کبوترها از طریق آزمون و خطا به‌سرعت پاسخ خودشان را تصحیح می‌کردند تا پاسخ درست را پیدا کنند و در طول مسیر حل مسائل با محرک‌ها و دسته‌بندی‌ها ارتباط بگیرند.

با استفاده از این روش برای حل ساده‌ترین تمرین‌ها، روند یادگیری و پاسخگویی کبوترها از ۵۵ درصد «میانگین» به ۹۵ درصد «تقریباً همه‌ی موارد صحیح» بهبود یافت، در حالی که برای حل تمرین‌های سخت‌تر روند یادگیری کمی کندتر بود و ارقام از ۵۵ درصد به ۶۸ درصد رسید.

بااین‌حال مطالعه‌ی اخیر کمتر برای پاسخ‌های درست اهمیت قائل بود و بیشتر فرایندهایی را درنظر داشت که کبوترها از طریق آن‌ها آموزش می‌دیدند. محققان بر این باورند که پرندگان برای پاسخ‌دادن از روش «یادگیری پیوندی» یا صرفا پیوند دادن دو چیز با هم استفاده می‌کردند.

به اعتقاد ترنر، تصور غالب این است که یادگیری پیوندی بیش‌ازحد مبتدی و بدون انعطاف است و آن‌طور که در کبوترها می‌بینیم، نمی‌تواند دسته‌بندی‌های بصری پیچیده را توضیح بدهد. کبوترها برای وضع قوانین تلاش نمی‌کنند. آن‌ها صرفا از روش کورکورانه‌ی آزمون و خطا و یادگیری پیوندی برای حل‌کردن انواع خاصی از تمرین‌ها استفاده می‌کنند و در این مورد می‌توانند حتی بهتر از انسان‌ها عمل کنند.

برای پاسخ به این قبیل مسائل، روش یادگیری کبوتر بسیار کارآمدتر از فرآیند انسانی است. انسان به جای ساده‌گرفتن و آسان‌کردن مسائل تمایل دارد که با وضع قوانین کار را پیچیده‌تر کند. ترنر افزود: «در این مورد هیچ قانونی وجود نداشت که بتواند کار را آسان‌تر کند. این واقعاً برای انسان‌ها ناامیدکننده است و آن‌ها اغلب از انجام این قبیل تمرین‌ها دست می‌کشند.»

مدل هوش مصنوعی مورد استفاده در آزمایش شامل دو مکانیسم ساده بود که محققان گمان می‌کردند کبوترها از آن‌ استفاده می‌کنند: یادگیری پیوندی و تصحیح خطا. کبوترها دقیقاً با همین روش خطاهای خود را تصحیح می‌کردند تا با تکرار آزمون، تمرین‌های بیشتری را درست پاسخ بدهند. مدل هوش مصنوعی نیز هرچه بیشتر پیش می‌رفت پاسخ‌های صحیح بیشتری داشت.

با وجود سادگی بسیار، این مدل پایه و اساس زیربنایی هوش مصنوعی است. این مدل سیستم‌ها برای ایجاد پیوندهای حل مسئله بر جستجو و یافتن الگوها و مرتبط ساختن آن‌ها با یکدیگر متکی هستند. ترنر خاطرنشان می‌کند که اصول یادگیری راهبردی عملکرد ماشین‌های هوش مصنوعی تقریباً شبیه به روش مورد استفاده‌ی کبوترها است.

با وجود تمام محدودیت‌های طراحی آزمایش (مثلاً فقط سنجش یک نوع مدل یادگیری پیوندی)، محققان از یافته‌های مطالعه بسیار راضی هستند و اکنون با دانشمندانی همکاری خواهند کرد که نوروبیولوژی کبوترها را مطالعه می‌کنند.

۵۸۵۸